亚马逊 AI 在简历筛选中歧视女性？AI 犯错不是第一次了

亚马逊的 AI 招聘工具触动了人类敏感的神经，据路透社报道，亚马逊机器学习专家发现他们的 AI 招聘工具有一个明显的倾向——在筛选简历过程中，重男轻女。

这事得追溯到 2014 年，亚马逊那会儿便开始尝试用人工智能筛选简历，帮助公司挑选出合适的员工。对于一个大公司来说，筛选简历是一项浩大的工程，每天的面试者可能来自五湖四海，要从堆积如山的简历中挑选出面试者的优点，并确认其符合公司标准，难上加难。不仅耗费精力，还很花时间。

图源 Pixabay

不用我赘述，我想面试经验丰富的人应该对一些大公司的面试周期记忆深刻。

通过系统的机器训练，让 AI 代替 HR 筛选简历，无疑能帮助公司节省大量的劳动力，并且更有效地挑选出合适的人才。万万没想到的是，亚马逊的 AI 却戴上了有色眼镜。

类似人类的情感倾向出现在了 AI 上，本身就有悖于人类训练 AI 的目的。我们希望人工智能是中立、结果导向的，甚至在理性的前提下，会带有一丝无情。

好在亚马逊自己也发现了这个问题，去年已将负责该项目的团队解散。

人工智能“性别歧视”的起因

在亚马逊 AI 招聘歧视事件的最后，大家把问题归咎于人工智能训练样本上。因为在具体的训练方法上，亚马逊针对性开发了 500 个特定职位的模型，对过去 10 年的简历中的 5 万个关键词进行识别，最后进行重要程度的优先级排序。

因此简单来说，AI 的工作还是抓取关键词。然而在这些简历中，大部分求职者为男性，他们使用诸如“执行”这样的关键词更加频繁，而女性相关的数据太少，因此 AI 会误以为没有这类关键词的女性简历不那么重要。

图源 reuters

类似的事情同样发生在了 Google 身上。早在 2017 年，Quartz 报道了一篇题为《The reason why most of the images that show up when you search for “doctor” are white men》的文章，如果你在 Google image 上搜索”doctor“，获得的结果中大部分都是白人男性。

一项来自普林斯顿大学的研究表明，这一搜索结果与潜在的社会现状有关。在普通人眼中医生总是与男性相连，而护士总是与女性相连。

“正如一些数据科学家所言，什么样的输入就有什么样的产出，没有好的数据，算法也做不出正确的决策。”

Google 意识到了这一点，调整了搜索算法。目前“doctor”的搜索结果中，女性与男性的比例基本平等。

现在的搜索页面经过优化，并有多种搜索可选项

人工智能发展到现在，应用到实际的时间并不长。如果把它比作婴儿，那它的成长有很大一部分依靠人类给予的养分与教育。人工智能在机器训练的过程中，所输入的数据便是养分。科学家尽力将算法调整到中立、客观，但最终影响其输出的还是数据。

即使数据中出现了一个小的偏差，人工智能的最终行为也会将这个偏差放大。人类获得的结果便是“歧视”——我们如何看待社会，人工智能也会以相同的视角去看待社会。这一情况属于普遍现象，其涉及到的不仅是技术问题，更是一个巨大的哲学问题。

今年七月份，微软同中国发展研究基金会发布了《未来基石》报告。报告涵盖了两家机构对人工智能的思考。例如微软在人工智能的开发中，将遵循六个道德基本准则，以创造“靠谱”的人工智能。

在微软的人工智能产品中，曾出现了聊天机器人小冰爆粗口的情况，同样是源于训练数据库的影响。经历该事件后，微软修改了小冰的对话原则，并加强了对数据库的过滤。但实际上仍然无法百分百避开数据库中不健康的信息。

图源 PConline

想要训练出更靠谱的人工智能，用户同样是很重要的力量群体。

AI 还有其它偏见

与其说人工智能对这个世界有偏见，不如说是认知偏差。其算法本身是没毛病的，但经过算法处理的数据则是具有人类社会的特点的，因此人工智能行为也带了人类的色彩。

这一点在不同的行业、不同事物的类型、甚至不同的文化与国家，都有各自的体现。

例如提到厨房里的人，我们通常脑海里会浮现出一名家庭主妇的形象，传统的观念即是如此。这种观念由社会现状决定，人类取用的数据由社会现状决定，而人工智能的认知由数据决定。

因此当一张男人站在厨房里的照片经人工智能识别之后，它极有可能会把男人看成女人。

图源 果壳网

这是赵洁玉和她的导师文森特·奥都涅茨研究的课题。果壳网《当人工智能“学会”性别歧视》一文里，详细描述了他们研究课题的过程。最终发现把男人看成女人并不是程序 bug，而是因为数据库的偏差。

除了厨房这个特定环境，他们还发现在照片中“做家务、照看小孩子的就被认为是女性，开会、办公、从事体育运动的则是男性”，有时候我们会发现人工智能识别的结果令人哭笑不得，但究其原因却又情有可原。

又如人工智能会将印度海得拉巴的印式婚纱错认为中世纪的锁子甲，只因为在其训练的数据库中，欧洲的数据更丰富，而来自第三世界的信息少得可怜。这对于部分少数群体是极不公平的。

另一个相似的例子是，2015 年 Google Photos 将黑人标注成了大猩猩。虽然 Google 及时道歉并更正了算法，但从侧面来看，人工智能仍然受提供的数据中的一般特征影响。它会将数据中的一般特征误认为整个世界的普遍特征。

事件过去三年，尽管算法已经相对更加成熟，数据库更加丰富，人工智能的坏毛病还是无法根治。据英国镜报报道，用户在使用 Google 翻译时，结果里出现了令人毛骨悚然宗教话语，在某些小语种下，特定的重复词组会被 Google 翻译成带有宗教色彩的话语。

其缘由可能是 Google 翻译在某些小语种的学习上，使用了圣经——这一全球最为广泛翻译的数据——作为训练模型，从而导致该情况发生。在经过报道之后，Google 修复了这个 Bug。

一个不得不接受的事实是，人工智能的偏见与小毛病将伴随着它的成长。