AI for everyone AI 与社会（四）
4.AI 与社会
一、对 AI 的现实看法
核心：保持适度原则
- 既不过度乐观（以为通用人工智能马上到来），也不过度悲观（以为 AI 寒冬将至）。
- 现实态度：AI 有很多做不到的事，但它正在创造巨大经济价值，且有清晰发展路径。
AI 的三大局限性（超出技术性能）
- 可解释性困难：AI 常是“黑箱”，难以解释为何做某决策。可用热力图等工具增强信心，但仍需更好方法。
- 偏见与歧视：AI 会学会训练数据中的偏见，需主动消除。
- 对抗性攻击：有人可能故意欺骗 AI 系统，需防御。
一句话：AI 既不是神也不是废物。要现实看待：能解释、免偏见、防攻击。
二、偏见
偏见如何产生？
- AI 从带有偏见的互联网数据中学习。例如“男人是程序员，女人是家庭主妇”这类错误类比。
实际危害
- 招聘歧视女性、人脸识别对深肤色准确率低、贷款对少数族裔不公、儿童搜索“CEO”只看到男性等。
减少偏见的方法
- 归零偏置：将存储偏见的关键数字维度设为 0。
- 使用更包容的数据：确保训练数据覆盖多种族、全性别。
- 透明化与审计：检查 AI 在不同人群子集中的表现。
- 组建多元化团队：更容易发现偏见问题。
乐观理由：减少 AI 偏见比减少人类偏见更容易，社会整体决策可以变得更公平。
一句话：AI 的偏见来自有偏见的训练数据，可通过技术调整、包容数据、透明审计、多元团队来减少。
三、对抗性攻击
什么是对抗性攻击？
- 有人故意欺骗 AI 系统，利用 AI 对微小变化极其敏感的特点。
典型例子
- 微调像素让蜂鸟图片被识别成锤子（人眼看不出变化）。
- 戴特制眼镜让人被识别成女演员。
- 在停车标志上贴特殊贴纸，AI 完全忽略停车标志。
风险场景
- 垃圾邮件过滤、仇恨言论检测、自动驾驶、欺诈检测等。
防御与现状
- 研究人员开发更健壮的神经网络，但防御有代价（如变慢）。尚未完全解决。
- 并非所有应用都需要担心：例如工厂缺陷检测，无人有动机去欺骗。但在安全/反欺诈领域会陷入军备竞赛。
一句话：对抗攻击 = 微小扰动欺骗 AI。防御有代价，在安全相关领域需重点防范。
四、AI 的滥用
典型滥用案例
- 深度伪造：合成虚假视频，使受害者被迫为虚假内容辩护，且假内容传播更快。
- 压迫性监控：某些政权用 AI 过度监控公民。
- AI 生成的虚假评论：自动生成虚假商业评论或政治言论，破坏信任。
应对与乐观态度
- 类似反垃圾邮件 vs 垃圾邮件的长期博弈。
- 乐观理由：社会需要有效的反制措施，善的一方拥有更多资源，更可能占上风。但需持续努力。
一句话：AI 有被滥用的风险（深度伪造、压迫监控、虚假评论），但善的力量更可能获胜，需长期努力。
五、AI 与发展中国家
风险：AI 可能抽掉发展阶梯的底层
- 传统发展路径：从低端农产品、纺织制造逐步向上。AI 自动化可能减少底层机会，阻碍发展中国家向上攀升。
解决方案：创造“弹跳垫”实现跨越式发展
- 例子：跳过有线电话直接到移动电话；跳过信用卡直接到移动支付；在线教育加速普及。
对发展中国家的建议
- 聚焦 AI 强化垂直产业（如用 AI 强化本国咖啡豆制造），不必在通用 AI 上与美中竞争。
- 公私合作：政府制定恰当法规，促进 AI 解决方案落地。
- 投资教育：培养本国 AI 人才。
- 发挥领导力：政府、企业、教育领域领导力至关重要。
一句话：AI 可能抽掉发展阶梯底层，但发展中国家可用“弹跳垫”跨越到高层：聚焦优势产业、公私合作、投资教育、不必硬拼通用 AI。
六、AI 与就业
总体影响
- AI 是强化版自动化，对就业产生加速冲击。具体数字不确定，但影响显著。
- 不同研究估计：到 2030 年全球 4 亿～8 亿岗位被取代，同时可能创造更多新岗位。
哪些工作更容易被自动化？
- 常规重复性工作风险高。
- 非常规、需要人际互动的工作更难被自动化。
应对方案
- 有条件基本收入：提供安全网，但激励失业者持续学习。
- 终身学习型社会：打破“四年大学 + 四十年工作”模式，持续学习适应变化。
- 政治解决方案：促进新就业、立法确保公平。
给个人的最佳建议
- 不必放弃现有专业完全转行学 AI。将 AI 与你现有专业结合，例如放射科医师 + AI，能让你更具独特优势。
一句话：AI 对就业影响显著，常规重复性工作风险高；解决方案包括有条件基本收入、终身学习、政治措施；个人最佳策略是 AI + 现有专业结合。
一句话总结
对 AI 保持现实：不乐观不悲观。要解决三大问题：可解释性、偏见、对抗攻击。偏见来自数据，可技术减少；对抗攻击是微小扰动欺骗 AI，需防御；AI 滥用包括深度伪造、压迫监控、虚假评论，善的力量占优；发展中国家应聚焦优势产业，跨越发展；AI 影响就业，常规工作风险高，个人应 AI + 专业结合，终身学习。