消除AI的偏見｜專家論點【張瑞雄】

作者：張瑞雄（前北商大校長，叡揚資訊數位轉型大使、中華和平發展智庫執行長）

試驗一個AI繪圖軟體，叫它畫一個公司的執行長，出來的都是男性，叫它畫一位大學校長，出來有四分之三是男性，叫它畫一個小學老師，出來四位都是女的。這些結果當然不令人意外，畢竟AI只是根據它所被訓練的資料來依樣畫葫蘆，如果我們餵給它的資料就是這樣，我們可以怪AI嗎？

這些既成的印象和偏見問題比我們想像的還要深入到AI創造的廣闊的世界，大部分的AI模型是由美國公司建立並利用北美數據去訓練的，因此當它們被要求生成文章或圖片，甚至是一些平凡的日常物品，從房屋到日用品，它們創造出來的物品看起來都像是具有美國的風格的。

隨著世界越來越多地充滿了AI生成的圖像，我們將會看到很多反映美國偏見、文化和價值觀的圖像，誰知道AI最終會成為美國軟實力的一項重要工具？那麼我們如何解決這些問題？已經有很多工作投入到修正AI模型訓練中所用數據集裡面的偏見，但要如何做呢？

如果你可以簡單地要求模型給你較少偏見的答案，而不是讓訓練數據變得更少偏見，這樣可行嗎？德國一所大學和一家AI新創公司合作開發了一種名為Fair Diffusion（相對於Stable Diffusion，一個AI圖片生成系統）的工具，可以更容易地調整AI模型以生成你想要的圖像類型。例如，您可以生成不同場景下的CEO照片，然後使用Fair Diffusion將圖像中的白人男子換成女性或不同種族的人。

這種方法讓人們可以建立他們想要的圖像，而不必進行繁瑣且耗時的嘗試改善用於訓練AI模型的偏見數據集的工作，然而這個工具並不完美，更改某些職業圖像的效果不佳該工具也僅適用於兩種性別。所以模型能夠生成的人物多樣性仍然受到原先AI系統訓練數據中原始圖像的限制，不過這個工具可能是減少偏見的重要一步。

類似的技術似乎也適用於ChatGPT之類的大型語言模型，簡單的對話和指示可以引導大型語言模型產生較少有毒的內容，如果語言模型足夠大，它們在被要求後通常會自我修正一些偏見。

人類偏見存在各方面，人類所產生的資料就會隱含這些偏見，根據這些資料訓練出來的AI當然就會具有這些偏見，所以偏見無法通過巧妙的工程技術來解決。另外除了數據和演算法，我們需要調查人類如何使用AI工具以及它們被使用的更廣泛的社會背景，所有這些都可能導致偏見問題。

有效的偏見緩解將需要更多的審計、評估和透明度，以了解AI模型是如何建造的以及其中包含了那些數據。但在我們所處的這個泡沫化的生成性AI淘金浪潮中，我們擔心如何利用AI來賺錢可能優先於如何消除AI的偏見，希望不要等到因為AI的使用而造成悲劇後，人類才要覺醒呀！

瀏覽 33,940 次