当人工智能技术落地到各个行业领域，深度学习作为人工智能技术的核心也逐渐渗透至各个方面。计算机通过模拟或实现人类的学习行为，通过大量数据和算法获取新的知识或技能，最后重新组织已有的知识结构使之不断改善自身的性能。

然而在人工智能上，一直存在“黑匣子”问题，深度网络具有高预测能力但可解释性不足的特点。在用大量数据“教导”机器学习的同时，研究者发现机器学习也会产生不可预测性的“偏见”，当一些暗含“偏见”的数据被算法永久性地编码进人工智能程序中，就可能导致未知的错误和偏差，这可能会在最终结果和决策中产生影响甚至重大的错误，从而影响未来人类与人工智能的关系。

前段时间，谷歌废除了人工智能招聘项目，因为该人工智能系统在经过10年的简历培训后，由于男性主导的工作环境，产生了对“女性”的偏见，据报道，它对包含“妇女”一词或某些全女子学院名称的简历都进行了处罚。

对于这种机器学习产生的“偏见”问题，类似于“俄罗斯坦克问题”。20世纪80年代，在机器学习发展的早期，美国军方试图训练一台电脑来区分俄罗斯和美国坦克的照片。其分类准确度非常高，但结果中俄罗斯坦克的所有照片都模糊不清，而美国坦克是高清晰度的。原来该算法最后不是在识别坦克，而是学习了如何区分模糊和清晰的照片。

而造成这种偏见的原因主要有一下几点：

一、用于机器学习算法的数据不足。算法在初始提供的数据中获得模式，然后在新的数据中识别类似的模式，然而有时算法并不会按照人们初始意愿那样工作。

二、算法本身很糟糕。机器学习是软件开发人员利用大量与任务相关的数据训练 AI 算法的过程，如果本身算法就存在漏洞，深度学习后的结果则会更加差强人意。

要想消除机器学习中潜在的“偏见歧视”问题，可尝试以下几种方法。

减少原始数据的“偏见性”

2018年5月25日，“通用数据保护条例”（GDPR）在整个欧盟范围内生效，要求对组织如何处理个人数据进行彻底改变。若违反GDPR条例的限制，相关组织必须支付高达2000万欧元或其全球收入4％的罚款（以较高者为准），对威慑大多数违规行为具有很重要的意义。

但事实上，虽然有GDPR等法规对数据的使用加以限制，还是避免不了一些研究使用存在偏见的数据集。由于机器学习系统的行为由它学到的数据所驱动，所以它的工作方式与人们编写的标准计算机程序有很大不同。如果供算法训练的数据不能公平地覆盖所研究对象，系统便会出现偏差，甚至会放大原始数据中的偏见。

而这个问题却不在数据本身的数学结构上，而在于深度学习系统的设计者和操作者上。要解决数据的偏见问题，就需要数据收集存储、使用的公平性和全面性。

打开算法“黑匣子”

一直以来，许多公司为了自身的专利保护和商业机密，会严格保密自家的人工智能算法，从未形成了决策无法解释的“黑匣子”问题。好在目前人工智能领域已意识到这个问题，正积极采取措施加快代码的开源，制定透明度标准，提高算法的可靠性，除此之外，还需提倡“程序员必须对算法得出的结论做出解释，否则就不能投入使用”原则。对此，人们也做出了相应举动，例如，美国国防部高级研究计划局资助了一项名为XAI（可解释的人工智能）的计划，旨在打开人工智能的“黑匣子”，以保证用户更好地控制人工智能程序。

让机器自己寻找错误

人工智能系统在学习时会犯错。事实上这是肯定的，所以称之为“学习”。电脑只会从你给出的数据中学习。但有时候，并不能消除数据偏见的来源，就像不能消除人类中的偏见来源，所以首先承认问题，然后让机器自己去发现错误。

华盛顿大学的研究人员在2016年构建了一种称为LIME的解释技术，并在由Google构建的图像分类神经网络Inception Network上进行了测试。

LIME在做出图像分类决策时，不会考虑触发神经网络中的哪个神经元，而是在图像本身中搜索解释。它会将原始图像的不同部分变黑，并通过Inception将产生的“扰动”图像反馈回来，以检查哪些扰动导致结果偏离算法最远。通过解释机器学习模式中的错误，可以改进技术来消除人的偏见。

深度学习的“偏见歧视”问题正潜移默化地影响着算法结果，研究者们需要时刻关注，反复检测算法结果与预期的偏差，任何一点差距都有可能通过蝴蝶效应，最后发展成一个重要的错误。在人工智能崛起的时代，当人们越来越关注人工智能与人类社会的关系时，这将是一个始终备受关注的敏感点。