Cassie Kozyrkov在过去五年里在谷歌担任过各种各样的技术职务，但她现在担任着“首席决策科学家”这个有点奇怪的职位。“决策科学是数据和行为科学的交叉学科，涉及统计学、机器学习、心理学、经济学等。

　　实际上，这意味着Kozyrkov帮助谷歌推动了一个积极的人工智能议程——或者，至少，让人们相信人工智能并不像许多人宣称的那么糟糕。

　　焦虑

　　“机器人正在偷走我们的工作”，“人工智能是人类生存的最大威胁”，类似的言论已不绝如耳，尤其在过去几年里，这种担忧变得更加明显。

　　人工智能对话助手渗入我们的家中，汽车和卡车自动驾驶似乎指日可待，机器可以在电脑游戏中打败人类，甚至创意艺术也不能幸免于人工智能的冲击。另一方面，我们也被告知枯燥重复的工作可能会成为过去。

　　人们对自己在自动化世界中的未来感到焦虑和困惑，这是可以理解的。但是，根据Kozyrkov的说法，人工智能只是人类努力方向的延伸。

　　“人类的故事就是自动化的故事，” Kozyrkov表示。“人类的史诗就是要把事情做得更好——从有人拿起一块石头砸向另一块石头的那一刻起，因为事情可以做得更快。我们是一个制造工具的物种，我们反抗苦差事。”

　　对人工智能潜在恐惧的原因是我们觉得它可以做得比人类更好，但这种担心并不成立。Kozyrkov认为，所有工具都比人类好。理发师用剪刀理发，因为用手把头发剪出来是一种不太理想的体验。印刷机使文本的大规模生产成为可能，其规模是人类用钢笔无法复制的。但笔本身就开启了一个充满机遇的世界。

　　“我们所有的工具都比人类好——这就是工具的意义所在，” Kozyrkov继续说道。“如果没有工具你可以做得更好，为什么要使用工具呢？如果你担心电脑的认知能力比你强，那我要提醒你，你的笔和纸在记忆方面比你强。我的水桶比我更擅长装水，我的计算器比我更擅长把六位数相乘。人工智能在某些方面也会变是如此。”

　　当然，许多人对人工智能和自动化的潜在恐惧并不是说它会比人类更擅长做事。对许多人来说，真正的危险在于，任何恶意实体可以肆无忌惮地对我们的一举一动进行跟踪和微观管理，从而在我们身上投下反乌托邦的阴影——几乎不费任何力气就能实现一个秘密的宏伟愿景。

　　其他的担忧与算法偏见、缺乏足够的监督以及最终的末日场景有关：如果某件事发生了严重且无意的错误，该怎么办？

　　偏见

　　研究人员已经证明了人脸识别系统中固有的偏见，比如亚马逊的Rekognition。民主党总统候选人参议员Elizabeth Warren此前呼吁联邦机构解决算法偏见的问题，比如美联储如何处理货币贷款歧视。

　　但人们对人工智能如何真正减少人类现有偏见的关注少之又少。

　　旧金山最近宣称，它将使用人工智能来减少对犯罪嫌疑人的偏见，例如，自动修改警方报告中的某些信息。

　　在招聘领域，风投支持的Fetcher正着手帮助企业利用人工智能寻找人才。该公司声称，人工智能还有助于将人类偏见降到最低。Fetcher通过在线渠道自动寻找潜在候选人，并使用关键字来确定个人可能拥有的技能，而这些技能并没有列在个人资料中。该公司将其平台宣传为消除招聘偏见的一种简单方法，因为如果你训练一个系统遵循一套严格的标准，只关注技能和经验，性别、种族或年龄等因素将不会被考虑在内。

　　Fetcher联合创始人兼首席执行官Andres Blank表示：“我们相信，我们可以利用技术来解决多种形式的招聘偏见，帮助公司建立更加多样化和包容性的组织。”

　　但对人工智能系统性歧视的担忧，是许多人工智能领域的首要议题。微软敦促美国政府监管面部识别系统，研究人员正致力于在不影响预测结果准确性的前提下，减少人工智能中的偏见。

　　人为因素

　　最重要的是，人工智能还处于相对起步阶段，我们仍在研究如何解决算法偏见等问题。但Kozyrkov表示，人工智能所显示的偏见与现有的人类偏见是一样的——用于训练机器的数据集与用于教育人类的教科书完全一样。

　　“数据集和教科书都有人类作者——它们都是根据人类的指令收集的，”她说。“如果你给你的学生一本由一位怀有严重偏见的作者编写的教科书，你认为你的学生不会染上同样的偏见吗？”

　　当然，在现实世界中，受人尊敬的同行评审的期刊或教科书应该有足够的监督来对抗任何明显的偏见——但如果作者、他们的数据源以及鼓励学生阅读教科书的老师都有同样的偏见呢？任何陷阱可能要到很久以后才会被发现，到那时想要阻止任何不良影响就太晚了。

　　因此，Kozyrkov夫认为，“视角的多样性”对于确保偏见最小化是必不可少的。

　　她说：“你对数据的关注越多，你就越有可能发现那些潜在的不良案例。所以在人工智能中，多样性是必须拥有的。你确实需要从不同的角度来看待和思考如何使用这些例子来影响世界。”

　　测试

　　与学生考试的现实世界类似，在部署人工智能算法和机器学习模型之前测试它们，是确保它们能够执行设定的任务。

　　人类学生如果被问到他们事先学习过的问题，他们可能在考试中表现得非常好，但这可能是因为他们有很好的记忆力，而不是对手头的科目有一个完整的理解。为了测试更广泛的理解能力，需要给学生一些问题，让他们能够应用所学知识。

　　机器学习是在同样的前提下运行的——存在一种被称为“过度拟合”的建模错误，在这种错误中，一个特定的函数与训练数据过于紧密地对齐，可能会出现误报。“电脑的记忆力真的很好，” Kozyrkov说，“所以你真正测试他们的方法是给他们一些真实的新东西，他们不可能记住的。如果成功了，那就是真的成功了。”

　　Kozyrkov将安全有效的人工智能的四项原则与教授人类学生的四项基本原则进行了比较，基本是类似的：

　　明智的教学目标

　　相关和多样化的观点

　　精心制作的测试

　　安全网

　　不过，即使是最精心设计、初衷最好的人工智能系统也可能失败或犯错——事实上，系统越好，在某些方面就越危险，就像人类学生一样。

　　“即使你的学生真的很好，他们也可能犯错误，” Kozyrkov说，“事实上，在某些方面，差学生比好生更危险，因为有了差生，你已经习惯了他们犯错误，所以你已经有了安全网。但是对于好生，如果你从来没有见过他们犯错误，你可能会认为他们从来没有犯过错误。这可能只会让你花费更长的时间，然后就是灾难性的失败。”

　　这种“安全网”可以采取多种形式，但它往往涉及建立一个单独的系统，而不是“过分信任你的好学生，” Kozyrkov说。在一个例子中，一个房主配置了他的智能摄像头和锁系统，如果它发现了一张不熟悉的面孔，就会启动它——但有点滑稽的是，它错误地将房主识别为他T恤上的蝙蝠侠形象，并拒绝他进入。

　　所有这一切都指向一个可能对许多人来说显而易见但或许值得重复的观点：人工智能是其创造者的反映。因此，我们需要集中精力实现系统和检查，以确保那些构建机器的人（“教师”）是负责任的。

　　围绕“机器教学”的重要性，人们达成了越来越多的共识。微软等公司最近表示，人工智能的下一个前沿领域将是利用人类专业人士的专业技能来训练机器学习系统，而不管专家是否具备人工智能知识或编程能力。

　　“是时候让我们把重点放在机器教学上，而不仅仅是机器学习了，” Kozyrkov指出。“不要让科幻小说的花言巧语分散你对人类责任的注意力，从一开始就关注参与其中的人类。从领导者设定的目标，到工程师编写、分析师和决策者核查的数据集，再到统计学家进行的测试，再到可靠性工程师构建的安全网，所有这些都包含了很多人为因素。”