世界各地的政府和機(jī)構(gòu)越來越依賴人工智能。美國、英國和其他地方的警察部門已經(jīng)開始使用面部識(shí)別技術(shù)來識(shí)別潛在的嫌疑人。法官和法院也已經(jīng)開始依靠機(jī)器學(xué)習(xí)來指導(dǎo)判決。在英國，據(jù)說每三個(gè)地方政府中就有一個(gè)使用算法或機(jī)器學(xué)習(xí)（ML）工具來決定諸如福利待遇申索之類的問題。政府對(duì)扔工智能的這些應(yīng)用非常廣泛，以至于人們不禁要問：這是一個(gè)按算法管理的時(shí)代嗎？

許多批判人士對(duì)刑事公正和福利等敏感政策領(lǐng)域迅速擴(kuò)大使用自動(dòng)決策表示擔(dān)憂。其中最常表達(dá)的擔(dān)憂是偏差問題：當(dāng)機(jī)器學(xué)習(xí)系統(tǒng)在有偏差的數(shù)據(jù)集上進(jìn)行訓(xùn)練時(shí)，它們不可避免地將數(shù)據(jù)潛在的社會(huì)不平等嵌入模型之中。數(shù)據(jù)科學(xué)和人工智能社區(qū)現(xiàn)在對(duì)數(shù)據(jù)偏差問題高度敏感，因此開始更加關(guān)注人工智能的倫理問題。同樣地，個(gè)別政府和國際組織也發(fā)表了旨在管理人工智能使用的原則聲明。

人工智能倫理的一個(gè)共同原則是可解釋性。產(chǎn)生擴(kuò)大社會(huì)偏見的人工智能的風(fēng)險(xiǎn)促使人們提高算法或機(jī)器學(xué)習(xí)決策過程的透明度。隨著人工智能系統(tǒng)的使用激增，能夠解釋一個(gè)給定的模型或系統(tǒng)是如何工作的將是至關(guān)重要的，特別是對(duì)于那些由政府或公共部門機(jī)構(gòu)使用的模型或系統(tǒng)。然而，光靠解釋并不是靈丹妙藥。雖然決策過程的透明度對(duì)于民主至關(guān)重要，但認(rèn)為這是解決算法決策將給我們的社會(huì)帶來的困境的一種簡單解決方法是錯(cuò)誤的。

原因有兩個(gè)。首先，對(duì)于一般的機(jī)器學(xué)習(xí)，特別是神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)，在性能和可解釋性之間往往會(huì)有一個(gè)權(quán)衡。模型越大、越復(fù)雜，就越難解釋，盡管它的性能通常更好。不幸的是，對(duì)于具有許多交互影響的復(fù)雜情況，策略的許多關(guān)鍵領(lǐng)域都是如此，機(jī)器學(xué)習(xí)往往越是黑匣子就越有用。因此，追究這些系統(tǒng)的責(zé)任幾乎總是一個(gè)事后監(jiān)測和評(píng)價(jià)的問題。例如，如果一個(gè)給定的機(jī)器學(xué)習(xí)算法的決策有明顯的偏差，那么系統(tǒng)或其所訓(xùn)練的數(shù)據(jù)則需要進(jìn)行修改。然而，即使是事后審計(jì)，說起來容易做起來難。在實(shí)踐中，令人驚訝的是，幾乎沒有對(duì)政策結(jié)果進(jìn)行系統(tǒng)的監(jiān)測，盡管在如何監(jiān)測方面并不缺乏指導(dǎo)。

第二個(gè)原因是一個(gè)更為重大的挑戰(zhàn)。許多政策的目的往往不明確，典型的原因是政策是追求不同目標(biāo)的人之間的妥協(xié)。當(dāng)算法的任務(wù)是執(zhí)行政策決策時(shí)，公共政策中的這些必要妥協(xié)對(duì)其提出了挑戰(zhàn)。公共政策中的妥協(xié)并不總是壞事；它使得決策者既能解決沖突，又能避免對(duì)所期望的確切結(jié)果提出尖銳的問題。然而，這是算法的一個(gè)主要問題，因?yàn)樗麄冃枰鞔_的目標(biāo)才能發(fā)揮作用。強(qiáng)調(diào)更大的模型可解釋性永遠(yuǎn)無法解決這一挑戰(zhàn)。

在自動(dòng)決策或預(yù)測的許多領(lǐng)域，目標(biāo)的困境不會(huì)突然出現(xiàn)，在這些領(lǐng)域中，受影響和運(yùn)行蘇阿法的人的利益是一致的。然而，在公共決策的大多數(shù)領(lǐng)域，存在著多重重疊，有時(shí)甚至是相互競爭的利益。通常也存在信任缺失，特別是在刑事司法、治安和福利政策方面。在這種情況下，相信以算法強(qiáng)制實(shí)現(xiàn)的目標(biāo)透明度將解決政治沖突是極其天真的。在部署機(jī)器進(jìn)行決策之前，第一步不是堅(jiān)持算法的可解釋性和透明度，而是恢復(fù)機(jī)構(gòu)自身的可信度。
責(zé)任編輯：YYX