來源：雷鋒網(wǎng)

編譯：戚路北

校對：維克多

數(shù)據(jù)是構(gòu)建人工智能系統(tǒng)必需的關(guān)鍵基礎(chǔ)設(shè)施。數(shù)據(jù)在很大程度上決定了 AI 系統(tǒng)的性能、公平性、穩(wěn)健性、安全性和可擴展性。

那么，用足夠多的數(shù)據(jù)訓練而來的 AI 系統(tǒng)，能夠做出正確的決策么？今年 5 月份，medium 上的 Marianne Bellotti 博主發(fā)表了一篇名為 "AI 正在解決錯誤問題的文章 "。在文章中，作者提出一個觀點：在更多數(shù)據(jù)（信息）加持下，人類都不一定做出 " 合適決策 "，為什么要假設(shè) AI 會表現(xiàn)更好呢？

為了論證這個觀點，博主寫道：

" 在現(xiàn)實生活中，決策者往往為了節(jié)約成本而進行優(yōu)化決策。但決策畢竟是根據(jù)結(jié)果來判斷好壞的，在正確分析的基礎(chǔ)上還需要一點運氣。在結(jié)果出來之前，即使是在絕佳數(shù)據(jù)支持下最仔細、最徹底構(gòu)建的策略也無法保證決策的絕對正確。"

顯然，這一觀點的意思是：決策的過程與其說是對數(shù)據(jù)的客觀分析，不如說是對風險和優(yōu)先級的權(quán)衡。

最后，基于上述觀察，作者論證了這么一個觀點：數(shù)據(jù)驅(qū)動的 AI 模型，在做決策時候，極易受到攻擊。

1

AI 的方向存在偏差

面對一個難題，分步驟、有條理的解決方案是值得肯定的。有哪些假設(shè)？假設(shè)如何構(gòu)建？需要解決的問題？如果這些假設(shè)不同，會解決不同的問題嗎？想要解決的問題和結(jié)果之間有什么關(guān)系？以上這些子問題，對于決策過程異常重要。

假設(shè)訪問更多數(shù)據(jù)是決策者做出更好決策的關(guān)鍵，所以研究者希望喂給系統(tǒng)越多數(shù)據(jù)，AI 越好的做出決策，擁有更少的負面影響。

在這一假設(shè)下，我們理所當然的認為：完美信息應該自動改善決策過程。考慮到現(xiàn)實，這一假設(shè)是錯誤的。因為，決策的過程更多是由決策者背后的政治決定，退一步講，即使能夠獲得完美信息，它也會通過增加噪音水平而降低了決策質(zhì)量。

例如，人工智能可以正確識別內(nèi)容，但基于該內(nèi)容做出的決策在很大程度上受到用戶和組織的規(guī)范和期望的影響。

例如，F(xiàn)acebook 的審核政策允許將某些敏感部位圖片 PS 到 " 明星 " 身上，但禁止明星真實敏感部位圖片露出。在 Facebook 這個例子上， 人類很容易理解利益相關(guān)者之間的關(guān)系如何使這種區(qū)分變得合理：一個是違反言論自由和公共評論的規(guī)范；另一個則沒有。

顯然，當團隊做出決策時，考慮到各個利益相關(guān)者及其激勵因素，改進決策的最佳途徑就不再是獲取更多數(shù)據(jù)，而是需要加強利益相關(guān)者之間的溝通。

這對于問題 " 從國家層面來看，為了提高 AI 的決策能力，是否需要花費數(shù)十億美元來清理數(shù)據(jù)和增強數(shù)據(jù)傳感器？" 有了更好的回答。

畢竟，美國國防部每年在員工身上花費 11-150 億美元，以求他們將數(shù)據(jù)處理成某種形式。經(jīng)過數(shù)十年的投資、監(jiān)管和標準制定，我們今天與 1970 年時候的 " 計算機化的大腦（computerized brain）" 提法相比，本質(zhì)上并沒提高多少。然而，隨著計算機越來越先進，人們也越來越沉迷數(shù)據(jù)。

2

數(shù)據(jù)驅(qū)動的脆弱性

談?wù)摂?shù)據(jù)質(zhì)量的方式具有誤導性。我們談到 " 干凈 " 數(shù)據(jù)，就好像存在一種數(shù)據(jù)既準確（且無偏差）又可重用的狀態(tài)。其實，干凈與準確不同，準確與可操作又不同。而無論哪種類型的數(shù)據(jù)出現(xiàn)問題，都有可能阻礙 AI 模型的開發(fā)，或者影響 AI 模型做決策。

數(shù)據(jù)出問題的方式有很多，例如：數(shù)據(jù)實際上不正確、已損壞或采用錯誤格式。還有些更微妙的錯誤：數(shù)據(jù)是在特定上下文中獲取的，但重用的時候不恰當；數(shù)據(jù)沒有標準化導致相同的事情，表達方式不一；對于模型來說數(shù)據(jù)處于錯誤的粒度級別 ......

對于上述問題，僅使用單一數(shù)據(jù)源是無法解決的。如果有攻擊者試圖往模型、系統(tǒng)中注入 " 錯誤 "，那么這些問題更不可能解決了。

AI 雖然創(chuàng)造了新機會，但我們也不能忽略它的脆弱性。換句話說，AI 帶來新解決方案的同時，也發(fā)明了新攻擊方法。例如 Deepfake、衛(wèi)星數(shù)據(jù)的 " 位置欺騙 " 等。這些 " 有毒 " 技術(shù)正在和 " 良善 " 技術(shù)一起進步。

當前的 AI 系統(tǒng)完全依賴數(shù)據(jù)質(zhì)量，雖然技術(shù)已經(jīng)比較成熟，但這種設(shè)計方案極易受到攻擊。因此在這種情況下，AI 系統(tǒng)必須被設(shè)計成能夠靈活應對不良數(shù)據(jù)的模型。讓 AI" 反脆弱 " 是一種抵御攻擊風險的方式。

3

什么是反脆弱人工智能？

在系統(tǒng)思維中，" 反脆弱 " 是一種設(shè)計，不僅可以從故障中恢復，而且在遇到故障時更加強大、更有效。基于實際改善決策的因素構(gòu)建 AI 系統(tǒng)將為反脆弱人工智能創(chuàng)造機會。

認知科學的研究中提到，良好的決策是：主動闡明假設(shè)、構(gòu)建假設(shè)檢驗驗證這些假設(shè)以及在利益相關(guān)者之間建立清晰的溝通渠道的產(chǎn)物。

許多引發(fā)人為錯誤的認知偏差都是上述三方面出現(xiàn)問題的結(jié)果。例如沒有清楚地闡明假設(shè)，就將解決方案應用于不合適的環(huán)境條件；不測試假設(shè)，就無法根據(jù)不斷變化的條件來調(diào)整正確的決策。

AI 很容易受到不良數(shù)據(jù)的影響，因為我們過分強調(diào)了它在分類和識別方面的應用，而低估了它在建議和情境化方面的應用。然而，決策型 AI 又非常容易被破壞。

設(shè)計反脆弱 AI 非常困難，因為將算法分析的結(jié)果作為結(jié)論和作為建議，這兩者之間有很大的差別。而決策者，為了節(jié)省精力非常有可能一股腦的將 AI 輸出作為結(jié)論。這種想法，已經(jīng)在刑事司法和警務(wù)領(lǐng)域造成了災難性的錯誤。

那么在醫(yī)學中，為什么 AI 能夠提高決策質(zhì)量？因為，許多診斷并沒有單一的正確答案，某種癥狀背后可能對應多種疾病，到底患有哪種疾病，可能只是概率問題。臨床醫(yī)生會在頭腦中建立一個決策樹，其中包含他能想到的所有可能病因，并讓病人做排除某些可能病因的測試。因此，醫(yī)學診斷是一個 " 定義假設(shè)、檢驗測試、進一步縮小可能病因集 " 的循環(huán)過程，直到?jīng)Q策收斂。

這時候，AI 決策模型的作用是提示醫(yī)生將可能的疾病類型納入他的決策樹，所以盡管可能數(shù)據(jù)不佳，但患者的治療效果卻有所改善。目前，這種 AI 已經(jīng)在用于改善醫(yī)療專業(yè)人員之間的溝通和知識共享，或在關(guān)鍵時刻從患者那里獲得新的相關(guān)信息。

4

使用 AI 進行決策的正確姿勢

在決定如何最好地利用人工智能時，技術(shù)領(lǐng)導者需要首先考慮他們?nèi)绾味x需要解決的問題。如果 AI 是改善決策，那么 AI 應該引導決策者進行假設(shè)檢驗，而不是試圖超越專家。

當 AI 試圖勝過專家，它完全取決于接收到的數(shù)據(jù)的質(zhì)量，從而產(chǎn)生了一系列漏洞，攻擊者可以輕松地利用這些漏洞。

當人工智能的目標不是成為最好的頂級專家，而是加強和支持決策實踐時，其對不良數(shù)據(jù)具有彈性并能夠具有反脆弱的功能。

但這樣的人工智不能做決定。相反，它幫助人們闡明決策背后的假設(shè)，將這些假設(shè)傳達給其他利益相關(guān)者，并在與這些假設(shè)相關(guān)的條件發(fā)生重大變化時提醒決策者。

綜上，人工智能可以幫助決策者弄清楚什么狀態(tài)是可能的，或者在什么條件下它們是可能的。這樣的解決方案可以通過解決現(xiàn)有弱點來增強決策團隊的整體能力，而不是因不良數(shù)據(jù)產(chǎn)生一些新的弱點。