AI 領域的真實現狀 智能計算機的能力高低，取決於計算機開發人員的背景多樣性

在過去的三個夏天，約 24 位有志成為計算機科學家的學生來到斯坦福大學，跟著人工智慧領域的精英學習這一領域的相關知識。這些學生是從數百位申請者中選拔出來的，他們參觀了附近的科技公司，與社交機器人進行了親密互動，親手操作了無人機，還了解了計算機語言學（例如機器收到包含多種含義的指令時會怎麼做）和時間管理的重要性（非常重要），他們甚至還玩了飛盤。如果您認為 AI（人工智慧）研究就是一群人為自己喜愛的電子遊戲設計出更難纏的敵人，那就大錯特錯了。參加斯坦福人工智慧實驗室拓展夏令營 (SAILORS) 的都是剛剛初中畢業的女學生，而且她們的主要研究目標並不是讓遊戲變得更好玩，而是要找出改善生活的方法：如何利用 AI 避免巨型噴氣式客機相撞？如何確保醫生洗過手之後再進手術室？斯坦福大學人工智慧實驗室主管兼 SAILORS 計劃創始人李飛飛 (Fei-Fei Li) 說：「我們想改變 AI 教育的現狀，促進這個領域的多樣性，並且鼓勵不同背景的學生加入學習的行列。如果未來的技術人員有著各種各樣的成長背景，他們就會真正關心這項技術是否能用來造福全人類。」

「如果未來的技術人員有著各種各樣的成長背景，他們就會真正關心這項技術是否能用來造福全人類。」

—李飛飛 (Fei-Fei Li), Google 和斯坦福大學

SAILORS 計劃是由李飛飛和她曾經的學生 Olga Russakovsky（現於普林斯頓大學擔任助理教授）於 2015 年創立，旨在提高科技行業的性別平等程度。這不僅是一項崇高的事業，而且有其緊迫性。最近的一項調查顯示，攻讀計算機科學學位的女性人數有下降趨勢；而在 AI 領域，只有不到 20% 的管理層職位由女性擔任。這意味著女性錯失了許多大好機會，畢竟每天都有越來越多的人使用 AI 改善生活。例如，照片應用可在人群中識別出您的臉孔，至於識別出照片的拍攝地點那就更不在話下了；設備可以回答明天天氣如何之類的問詢；還有一些人們不太了解的應用，例如診斷糖尿病性視網膜病變（通常會導致失明），或派遣無人機前往偏遠地區執行搜救任務。所有這些都是 AI 在發揮作用。

隨著 AI 的應用越來越廣泛，解決 AI 領域的性別平衡問題已成為首要任務。畢竟，多樣性對 AI 而言非常重要，這是由機器學習的本質決定的。AI 的一大目標，是讓機器完成人類能夠輕鬆辦到的事：識別語音內容、做出決策、區分小籠包和煎餃。為了達成這個目標，研究人員會為機器提供海量信息（通常是數以百萬計的字詞、對話或圖片），讓機器像人類一樣從出生起便每時每刻都在吸收信息，而這個過程在本質上就是機器學習。機器看過的汽車越多，就越擅長識別汽車。但如果提供的數據不完整或不完善（例如，研究人員未提供「衛星」牌汽車的圖片），或者 AI 研究人員未發現或根本不知道數據有疏漏（也許他們不知道這些不出名的東德汽車），就會導致機器本身和輸出的結果存在缺陷。

「我們不僅要讓科技公司公布相關數據，還需要設法改善這些數據所反映的問題。」

—周怡君 (Tracy Chou), Project Include

人類如何營造出更多元化的實驗室和工作環境？目前有許多項目和個人都致力於解決這一難題。今年，Google Cloud AI 與機器學習首席科學家李飛飛與其他人合力創立了 AI4ALL。這一全國性公益組織致力於讓 AI 領域更加多元化，並聘請了基因體學、機器人學和可持續發展領域的專家擔任指導者。該組織延續了 SAILORS 計劃的工作，但涉及範圍更廣，他們希望全國各地的有色人種和低收入學生也能機會參與其中，因此其合作對象除斯坦福大學外，還有普林斯頓大學、加州大學伯克利分校和卡內基梅隆大學。李飛飛說：「許多同事和行業領袖都向我們表示，『SAILORS 雖然很棒，但每年只有斯坦福大學開放幾十個名額，而且參加的學生大多來自舊金山灣區』，因此，AI4ALL 的目標是提高多樣性和包容性，而不僅僅是減少從業人員的男女比例失衡問題。」

AI 和 ML

二者有何區別？

我們經常將人工智慧 (AI) 和機器學習 (ML) 這兩個術語互換，但這兩個術語在本質上並不相同。AI 指的是機器看似模仿人類思考方式的能力；機器會在執行操作的過程中學習，而不是單純聽從指令行事。ML 則是計算機用來獲取這種能力的方法中最高效且最常見的一種。在運用 ML 的過程中，機器會詳查各種示例，並從中識別出特定模式。

其他類似的計劃包括：Code Next，這是 Google 以奧克蘭為中心開展的計劃，旨在鼓勵拉美裔和非裔美籍學生投身科技領域的工作；DIY Girls，這是一項 STEAM（科學、技術、工程、藝術和數學）教育指導計劃，目的是為洛杉磯地區缺少資源的社區提供教育和諮詢服務；以及 Project Include，該計劃旨在幫助新興和發展中的創業公司招聘更多女性和有色人種的員工。周怡君（Tracy Chou）曾任職於 Pinterest，去年她與另外 7 位科技行業的傑出女性工作者共同創立了 Project Include。她有一項知名的成就，那就是在 2013 年成功促使科技公司公布其僱用的女性員工人數。隨著相關數據的陸續公布，這個在矽谷眾所周知的事實得到了證實：在科技行業，無論是大型企業還是小型創業公司，白人男性員工佔了壓倒性的比例。周怡君說，Project Include 正是因此誕生的：「過去幾年間這些數據報告雖然陸續公布，但並沒有帶來什麼改變，所以得改變策略方針。現在我們不僅要讓科技公司公布相關數據，還需要設法改善這些數據所反映的問題。」

實際做法包括向大眾提供更多 AI 領域的工作機會。AI 領域的員工相對較少，而且人們已開發出可提供護理服務的機器人以及能夠預測用戶需求的個人助理。人類負責控制數據和標準，機器負責實際操作，那麼只要招聘更多更優秀的人才，就能更全面有效地發揮 AI 的作用。

從許多方面來看，AI 技術正逐步走向大眾化。舉例來說：日本一位農民的兒子就曾利用 AI 機器人，按各種特徵分揀自家農場採摘的黃瓜。這類案例往往會引起李飛飛的關注。她在 16 歲時從中國來到美國，當時對於美國所知甚少，更不用說後來定居的新澤西了。她曾做過家庭清潔、遛狗、中國餐館收銀等各種零工，後來考入了普林斯頓大學，然後又進入加州理工學院的研究生院繼續深造。

作為一位有色人種的女性移民，李飛飛在踏入以白人為主的職場時感到格格不入。不過，這些可能會對他人形成阻礙的因素，卻成為催她奮進的動力。她投入大量時間研究她稱之為「AI 的殺手級應用」的機器學習子領域：計算機視覺技術。這項技術可用來分析和識別視覺數據，未來或許有助於開發出反應更靈敏的機械四肢，或解決最棘手的數學證明題。但就像所有 AI 技術一樣，該技術的關鍵在於教機器解讀來自不同位置和視角的大量信息，讓機器在本質上成為整個世界的視覺公民，而不是不像人類。

對內容策略師 Diana Williams 來說，要想處理她每天在 ILMxLAB 遇到的各種故事和技術問題，關鍵在於培養背景各異的創作者來改變這個世界。ILMxLAB 是盧卡斯影業 (LucasFilm) 最機密的夢想中心，這裡的開發者致力於打造出令人身臨其境的互動式娛樂體驗，例如通過 VR 與《星球大戰》中的阿納金·天行者面對面互動。Williams 深入參與了 Black Girls Code 等科技推廣組織所發起的計劃，她還記得在上世紀 80 年代，她所在的大學裡有色人種的女生非常少：「無論是數學課還是商管課，我總是教室里唯一的一個女性有色人種。這讓我覺得很厭煩、很不安。」為了鼓勵更多女性踏入科技領域，她認為：「應該讓女性從小開始學習，建立信心，這樣當她們日後身處男性為主的學習或工作環境時，就不會望而卻步。」

「應該讓女性從小開始學習，建立信心，這樣當她們日後身處男性為主的學習或工作環境時，就不會望而卻步。」

—Diana Williams, 盧卡斯影業

Google 的機器學習技術研究人員 Maya Gupta 致力於改進 AI，但切入角度不同。在斯坦福大學，她負責幫助一家挪威公司檢測海底天燃氣管道的裂縫。她說：「我們沒法深入海底實地探查，只能利用零碎信息進行推測。」Maya 熟悉的領域之一恰好就是教機器做出精細的推測。例如，如果您在 YouTube 上聆聽次中音薩克斯管演奏家 Kamasi Washington 的《Truth》，您會發現，在這曲子播放完畢後立刻接著播放的是 Alice Coltrane 美妙動聽的《Turiya and Ramakrishna》，就像有位聰明絕頂的 DJ 專門篩選過一樣。這都是 Maya 和她團隊的功勞，是他們幫助計算機學會如何為用戶推薦合適的音樂。「這就是靠預測，對吧？」她說，「你要嘗試利用有限的數據進行推測。」

如今，她在 Google 率領一支研發團隊研發各種事物，其中一項便是提高機器學習的準確性。她說：「假設我希望機器對波士頓口音和德州口音的識別能力一致，但我的語音識別工具比較擅長識別德州口音，那我應該配合波士頓口音，刻意降低機器對德州口音的識別能力嗎？如果問題純粹是波士頓口音的識別難度較大，又該怎麼辦？」

Maya 和她的團隊還致力於優化機器學習系統，使其遠比人類客觀且容易解讀。人類思維往往會受偏見或潛意識影響，而我們希望能夠通過機器排除這些問題，或者至少幫助我們了解這類問題是否存在。機器不會因疲勞、情緒波動或飢餓而導致注意力不集中。一項研究表明，法官在午飯前批准假釋的可能性較低，畢竟那時他們滿腦子都在想中午吃什麼，無心考慮其他事情。Maya 說：「人類的內心活動高深莫測。我們想設計出可以解讀的機器學習系統，老實說，許多機器學習系統都比人類容易解讀。」

「我們想設計出可以解讀的機器學習系統，老實說，許多機器學習系統都比人類容易解讀。」

—Maya Gupta, Google

隨著 AI 技術越來越實用，而且更加易於使用，普及這項技術勢在必行。Christine Robson 在加入 Google 之前，曾是 IBM 的研究人員；她對各種開源軟體充滿熱忱，例如 TensorFlow - 這個機器學習系統可用來完成翻譯、診斷疾病和藝術創作等各種工作。

Robson 認為，要提高 AI 領域的多元化，我們需要普及相關的工具，現在只有她這樣自詡為數學迷的人才會使用。她說：「我非常希望將機器學習技術推廣到世界的各個角落。對於普及機器學習技術已有諸多討論，而我深以為然。讓這些 AI 工具變得簡單易用，並且讓所有人都能運用這些技術，是我們必須努力達成的目標。」

長期以來，科幻文學和電影提供了不少 AI 發展偏離正軌的例子（順便提一下，明年是瑪莉·雪萊的《科學怪人》問世 200 周年）。如今，包括李飛飛、Robson 和周怡君在內的業界人士都將關注的重點放在人類可對 AI 做出哪些調整，而不是 AI 會為人類提供哪些幫助。例如：程序員將虛擬助理的聲音設為女聲，因為男性和女性都更傾向於聽到女性的聲音。「但這種做法延續了助理是女性職務的刻板印象，因此當我們與這些系統互動時，會加劇這種社會偏見，」周怡君說。許多 AI 領域精英人士擔心研究人員提供給實際 AI 系統的信息有疏漏，導致最終產生的結果有缺失，因此才希望提高 AI 領域的多樣性。這個理想不容易實現，但在這條路上奮鬥的人們都聰明絕頂、足智多謀，而且全身心地致力於這一理想。

「讓這些 AI 工具變得簡單易用，並且讓所有人都能運用這些技術，是我們必須努力達成的目標。」

—Christine Robson, Google

Maya 表示，我們必須確保每個人都能獲得歸屬感。她回想起在母校萊斯大學，有一面牆上掛滿了電氣工程學系退休教授的照片，其中沒有一位女性。「我們需要讓女孩們明白 AI 並不是什麼神奇的技術，」 Robson 補充道，「它其實就是數學。」

SAILORS 計劃的教學重點，是讓學生了解如何運用自然語言處理程序來搜索社交媒體及協助救災工作。「只要適當運用自然語言處理程序，搜救人員就可以通過 Twitter 消息即時找到需要幫助的人，」李飛飛說。在度過了充實難忘的夏天后，夏令營的課程和項目依然在影響著這些學生。有些學生在學校自行創立了機器人學俱樂部，有些在科學期刊上發表了文章，有些則在中學舉辦了討論會，讓年紀更小的女孩也能接觸 AI。對於這些成長背景和人生經歷各不相同的學生而言，AI 並不是當下最新潮的事物，而是強大的行善工具。在 2015 年第一屆 SAILORS 夏令營舉辦前夕，該計劃的主辦方分享了即將到來的營員們發來的消息，其中一條可謂充滿了雄心壯志：「我希望能立即開始我的 AI 學習之旅，將來能為改變世界貢獻自己的一份力量。」

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！