電腦為女性名字履歷打低分、無人機成自動殺人武器⋯⋯如何減少AI使用的倫理與風險？

文：甘偵蓉（清華大學人文社會AI應用與發展研究中心博士後研究學者）

當談到人工智慧（artificial intelligence）、也就是AI時，讀者會想到什麼？是多年前由史匹柏（Steven Spielberg）導演的那部《A.I.人工智慧》（A.I.）中那個一直盼不到人類母愛、令人心碎的機器人小男孩？還是由史密斯（Will Smith）主演的《機械公敵》（I, Robot）裡，那些沒遵守機器人三大法則的機器人或中央系統？

或許未來有一天，人類真的可以設計出如電影中那些像人一樣的AI系統或機器人。但目前為止，你常聽到的AI其實既很厲害又很不厲害，為什麼呢？厲害的是它下圍棋可贏過世界冠軍，還能夠比放射科技師更快、更準確地辨識X 光片中疑似病變的細胞；但它不厲害的是，很會下圍棋的AI就只能下圍棋，別說不會打牌，連撲克牌是什麼都不知道！而且每次學新事物幾乎都是打掉重練，得不斷做好多考古題才有可能學得會，不像人類通常教幾次就會舉一反三。

不過，即使目前世界上的AI都是這種只具備特定功能的「弱AI」（artificial narrow intelligence, ANI），但已經為這個世界帶來相當大的進步與便利。所以，以下要談的就是ANI的倫理與風險。

談到這種只具特定功能的ANI，讀者知道目前生活周遭有哪些事物有利用AI技術嗎？其實Google上的搜尋資訊、Facebook或Instagram的訊息推薦、對智慧型手機喊「Siri現在外面有下雨嗎？」等功能，或是以掃瞄臉部解鎖手機與進入大樓、YouTube或Netflix推薦觀賞影片，甚至是投履歷求職、銀行審核貸款申請等都常用到AI技術，它早在我們日常生活中隨處可見。

但也正是如此，讓人們這幾年在使用AI時，逐漸發現它可能造成的問題或傷害，以下簡單介紹常見的四種AI應用可能造成的倫理問題或風險。

演算法偏誤

第一種是演算法偏誤（algorithmic bias）。什麼是演算法偏誤？簡單來說就是AI在某些群體的判斷準確率或預測結果上總是很差，導致結果可能對於此群體造成系統性的不利。但為何會造成演算法偏誤？常見原因有三項。

第一項原因是，建立AI模型的研究資料集有偏誤，在性別、種族、社經地位等特徵上，沒有真實世界的人口分布代表性。例如數位裝置採用AI臉部辨識技術解鎖，原本是希望保護個人使用數位裝置的安全性，結果皮膚深的人卻常常遇到辨識失敗而無法解鎖。

這通常是因為目前許多AI模型都是以機器學習技術設計，而機器學習的主要特性就是從過去人類留下的大量資料中學習。當初提供電腦學習臉部辨識的圖片時，如果多數都是白皮膚而非黑皮膚、多數都是男性的臉而非女性的臉，那麼電腦在學習辨識人臉的準確率上，整體而言辨識男性白人就會比辨識女性黑人要高出許多。

第二項產生演算法偏誤的原因，是建立AI模型的研究資料集不只有偏誤，還反映現實社會中的性別、種族、社經地位等歧視。例如美國警政單位以過往犯罪資料訓練出獄後犯人再犯風險評估的AI模型，那些資料不意外地有色人種的犯罪紀錄遠多於白人犯罪紀錄。

然而，那些紀錄也反映美國社會長久以來對於有色人種的歧視，其中包含警察對於有色人種的盤查比例遠高於白人、法院對於有色人種的定罪比例及判刑嚴重程度也遠高於白人、警力通常被派往多黑人與拉丁裔人種居住的窮困社區盤查等。所以根據過往犯罪資料所訓練出來的AI模型，不意外地也就會預測有色人種的再犯機率普遍來說比白人高。

第三項產生演算法偏誤的原因則是AI學會了連系統開發者都沒有察覺到，潛藏在資料裡的偏誤。例如科技公司人資部門本來想借助AI更有效率地篩選出適合來面試的履歷，所以挑選在該公司任職一定年資且曾升遷二次的員工履歷來訓練AI模型。問題是，高科技公司向來男多女少，所提供給AI學習的資料自然就男女比例相當不均。AI也就學會了凡是出現偏向女性名字、嗜好、畢業學校系所等文字的履歷，平均所給的評分都比出現偏向男性等相關文字的履歷還低。

但目前科技公司陽盛陰衰，是受到以往鼓勵男性就讀理工、女性就讀人文科系，或男性在外工作女性在家帶小孩等性別刻板偏見所影響。所以20 ～ 30年來許多人做出各種努力，以消除這種性別刻板偏見所帶來的不良影響。政府也努力制定各種政策來消除這種不當的性別偏見，像是求才廣告基本上不能限定性別、公司聘雇員工應該達到一定的性別比例等。

因此，訓練AI的研究資料一旦隱藏類似前述性別比例不均的現象，訓練出來的AI預測結果就彷彿帶有性別歧視，讓人們過往致力消除性別不平等的各種努力都白費了！

其他AI應用帶來的倫理與風險

除了演算法偏誤的問題外，第二種可能帶來的倫理問題或風險是AI技術已經偏離原先使用目的，例如深偽技術（deepfake）原本用來解決圖片資料量不夠的問題，後來卻被利用在偽造名人性愛影片等。

第三種則是有些AI技術或產品本身，就可能有善惡兩種用途（dual-use）。例如AI人臉辨識技術可用在保護數位裝置的使用者或大樓保全，但也可用來窺探或監控特定個人；無人機可以在農業上幫助農夫播種，但也可作為自動殺人武器；可用來搜尋如何產生毒性最少的藥物合成演算法，也能反過來成為搜尋如何產生毒性最強的藥物合成演算法。