如今，人工智能已經(jīng)深入生活的方方面面，我們的社會更加依賴于算法做決策，而不是人。這些系統(tǒng)已經(jīng)在銀行、電子商務(wù)、醫(yī)療保健以及治安等領(lǐng)域顯現(xiàn)出了強(qiáng)大的潛力。

然而，人們越來越擔(dān)心算法的控制權(quán)過多，尤其是當(dāng)人們將決定權(quán)交給機(jī)器的時候，例如自動駕駛汽車或法庭判決等場合。如果因此而阻礙人工智能的使用，那么社會和經(jīng)濟(jì)就有可能無法享受人工智能帶來的各種潛在優(yōu)勢。

Hannah Fry是倫敦大學(xué)學(xué)院高級空間分析中心的數(shù)學(xué)家，多年來她一直在研究這些系統(tǒng)。不過人們對她的更多了解來自BBC的公開講座和紀(jì)錄片，她是一名數(shù)學(xué)和科學(xué)領(lǐng)域的知名人士。

在她最新的著作《Hello World》一書中，F(xiàn)ry女士揭開了這種技術(shù)的神秘面紗，她通過回顧歷史向我們解釋了如何采用數(shù)據(jù)驅(qū)動的決策，并提供了清晰的利弊分析。使用人工智能的好處在于，AI可以更快更準(zhǔn)確地執(zhí)行任務(wù)，而缺點是如果數(shù)據(jù)有偏差，那么輸出可能有偏差。

The Economist針對社會應(yīng)當(dāng)如何利用這項技術(shù)，對Fry女士進(jìn)行了采訪。在本文中，首先我們會詳細(xì)報道此次采訪的內(nèi)容，而后面的部分是《Hello World》一書中有關(guān)刑事司法系統(tǒng)和“隨機(jī)森林”算法的節(jié)選。

自動化會失誤，人類才是考慮的核心

The Economist：所有的數(shù)據(jù)都有偏差，那么我們是否應(yīng)該推遲算法系統(tǒng)的引入，直到我們確信我們已經(jīng)發(fā)現(xiàn)并解決了算法系統(tǒng)中的關(guān)鍵性問題，還是說我們應(yīng)該降低標(biāo)準(zhǔn)：“盡最大努力”來發(fā)現(xiàn)和修正偏差，同時在發(fā)現(xiàn)漏洞的時候，可以隨時發(fā)布代碼和補?。?/p>

Hannah Fry：大家在這個問題上很容易產(chǎn)生一種誤解。當(dāng)看到算法會引發(fā)別的問題時，我們就想著完全拋棄這些算法，并認(rèn)為我們應(yīng)該堅持依賴人類的決策來解決問題，直到更好的算法出現(xiàn)。然而，實際上人類也存在偏見，而且還會受到各種問題的迷惑。

其實，這完全取決于你需要的精準(zhǔn)度。例如，你可以在足球比賽中引入“視頻助理裁判”，但你不能不負(fù)責(zé)任地以相同的方式在醫(yī)療保健領(lǐng)域引入一個有問題的系統(tǒng)?？偟膩碚f，總體目標(biāo)必須是建立最公平、最統(tǒng)一的系統(tǒng)。這意味你必須承認(rèn)完美是不可能的，而且權(quán)衡利弊也在所難免。然而，同時也意味著我們應(yīng)該設(shè)法鼓勵利用算法做決策，盡管它們也難免會出錯。

The Economist：刑事司法系統(tǒng)有時會吹噓“與其讓一個無辜的人入獄，不如釋放一個罪犯”的價值觀。我們是否應(yīng)該拒絕在法庭上采用算法來做出嚴(yán)肅的決定（即宣判），因為我們永遠(yuǎn)也不確定這是否是盲目的正義？

Hannah Fry：每個刑事司法系統(tǒng)都必須在保護(hù)無辜的人被誣告和保護(hù)犯罪受害者之間找到某種平衡。實現(xiàn)這種平衡并非易事，而且司法系統(tǒng)也并非完美——而且也從未嘗試做到完美。這就是為什么“合理地懷疑”和“充分的理由”之類的詞匯是基本的法律用語：這類的系統(tǒng)必須接受絕對的確定性是無法實現(xiàn)的。

然而，即使在這些約束之下，法官的決定里面仍然可能有前后矛盾和運氣的成分。人們無法保證做出公平和一致的決策。而法官與我們其他人一樣，有時也無法放下潛在的偏見。

如果你謹(jǐn)慎地對待這些問題，那么我認(rèn)為我們有可能通過使用算法來支持法官的決定，從而將這類問題降到最少。你必須確保以一種更公平地方式使用系統(tǒng)，還要確保不會意外地加劇已經(jīng)存在的偏差。

The Economist：你是否擔(dān)心最終人類會把生活中重要的權(quán)利交給機(jī)器，就像我們已經(jīng)由于電子地圖的出現(xiàn)而喪失了方向感？

Hannah Fry：我認(rèn)為，隨著自動化的發(fā)展，我們的確會失去一些技能。例如，現(xiàn)在我連自己的電話號碼都記不住，更不用說我以前知道的那一長串電話號碼了，而且我的書法也一落千丈。但我并不覺得自己非常擔(dān)心這方面的問題。

歷史上我們也曾經(jīng)歷過擔(dān)心技能退化的問題。飛行員就曾有過這樣的經(jīng)歷：自動駕駛越好，初級飛行員手動控制飛機(jī)的技術(shù)就越差。以前在手術(shù)室里，初級外科醫(yī)生可以通過在開放式手術(shù)中協(xié)助咨詢顧問的方式（他們的手會接觸患者，觸摸和感覺身體）進(jìn)行訓(xùn)練，而如今他們可以觀看咨詢顧問坐在控制臺操作的微創(chuàng)手術(shù)，而且還有內(nèi)部的攝像機(jī)在屏幕上放映。

如果有一天我們真的進(jìn)入無人駕駛汽車普及的階段，而我們卻不認(rèn)真考慮如何保持我們的駕駛技術(shù)的話，那么人們在沒有輔助的情況下的駕駛能力會下降，我們?nèi)匀幌Ｍ覀兡軌蛉藶榻槿?，并在緊急情況下采取行動控制汽車。

為了避免這個問題，你可以采取一系列措施，例如時不時地故意關(guān)閉機(jī)器。但我認(rèn)為，我們應(yīng)該承認(rèn)自動化有時也會出現(xiàn)失誤，而且我們應(yīng)該確保人類（以及他們的需求和失誤）始終應(yīng)該是我們考慮的核心。

The Economist：當(dāng)算法進(jìn)入醫(yī)學(xué)、法律和其他領(lǐng)域時，算法得出的決定只能作為“建議”，人類在這個過程中仍然有最終的決定權(quán)。然而，根據(jù)行為心理學(xué)的大多數(shù)研究表明這只是一種假象：算法對人類有著非凡的影響。我們怎樣才能從現(xiàn)實的角度克服這個問題呢？

Hannah Fry：通常人們都很懶惰。我們喜歡采用簡單的方法，我們喜歡推卸責(zé)任，我們喜歡走捷徑，如此一來我們就不必思考了。

如果你設(shè)計的算法可以告訴你答案，而你卻希望人們會再三檢查這個答案，提出質(zhì)疑，并且還知道在適當(dāng)?shù)臅r候提出別的答案，那么實際上你在自掘墳?zāi)埂Ｈ祟惐旧砭筒簧瞄L做這種事情。

但是，如果你設(shè)計的算法能夠坦然地承認(rèn)它們的不確定性——公開和坦誠地向你的用戶說明它們做決定的過程，以及在這個過程中經(jīng)歷的所有混亂和模糊，那么我們就知道什么時候我們應(yīng)該相信自己的直覺。

我認(rèn)為這是IBM的沃森最好的一個功能，它參加了美國的智力競賽節(jié)目《危險邊緣》（Jeopardy）！而且還獲勝了。雖然該節(jié)目要求選擇一個答案，但該算法在此過程中還考慮了替代方案，并表明了每種方案的正確概率。

這也是最新的衛(wèi)星導(dǎo)航的好處：它們并不會為你決定路線，而是會給你三個選擇，并告訴你利弊。你可以通過這些信息做出明智的決定，而不是盲目地交出控制權(quán)。

The Economist：有什么事情是人類能做，機(jī)器卻做不了的嗎？為了幫助人類在算法時代依然蓬勃發(fā)展，我們的社會需要做出哪些改變？

Hannah Fry：人類可以比機(jī)器更好地理解背景和細(xì)微的差別。我們的適應(yīng)性更強(qiáng)。如果你把我們帶到一個全新的環(huán)境下，我們知道如何表現(xiàn)，這是最優(yōu)秀的人工智能也望塵莫及的。

除此之外，這是一個人類的世界，而不是算法的世界。因此，人類始終應(yīng)該居于新技術(shù)思想的前沿和中心。

這話看似顯而易見，然而實際情況卻并非如此。最近的趨勢有意將新算法迅速推向世界，并通過現(xiàn)實世界中的真實用戶進(jìn)行現(xiàn)場實驗，而不是停下來思考這些算法是否弊大于利，或發(fā)現(xiàn)它們有問題后推遲采用這些算法。（我說的就是你：社交媒體。）

我認(rèn)為社會需要堅定立場：有些新技術(shù)（例如新藥）需要謹(jǐn)慎使用并提前考慮最壞的情況。我認(rèn)為我們構(gòu)建的算法應(yīng)該誠實地表明它們的弱點，并坦誠地說明完美往往都是不可能的。但最重要的是，我認(rèn)為我們構(gòu)建的算法應(yīng)該接受人類的失誤，而不是視而不見。

面向司法的數(shù)學(xué)式

它們無法衡量辯護(hù)方和起訴方的辯論，分析證據(jù)，或決定被告是否真的有悔意。所以我們不能指望算法在近期內(nèi)取代法官。然而，算法也有意想不到的用處，比如使用個人的數(shù)據(jù)來計算他們今后再次犯罪的概率。而且，由于許多法官也會根據(jù)罪犯是否會再次犯罪的概率來判決，因此這種算法非常實用。

司法系統(tǒng)使用數(shù)據(jù)和算法已有將近一個世紀(jì)的歷史了，第一次的使用可以追溯到20世紀(jì)20年代美國的一宗案子。當(dāng)時，根據(jù)美國的制度，被定罪的罪犯將被判處最高刑期，然后在一段時間過后才有資格獲得假釋。數(shù)萬名囚犯依據(jù)此律獲準(zhǔn)提前釋放。有些人重獲自由，而有些人則沒有。

但總的來說，他們的案例為自然實驗提供了完美的環(huán)境：你能否預(yù)測罪犯會違反他們的假釋條款嗎？

芝加哥大學(xué)的加拿大社會學(xué)家Ernest W. Burgess對預(yù)測充滿了興趣。Burgess是量化社會現(xiàn)象的重要支持者。在他的職業(yè)生涯中，他一直在嘗試預(yù)測退休和婚姻成功產(chǎn)生的影響。1928年，他成功地建立了第一個預(yù)測工具，這個工具可以根據(jù)測量的結(jié)果（而不是直覺）預(yù)測犯人再次犯罪的概率。

Burgess利用美國伊利諾伊州三所監(jiān)獄中三千名囚犯的各種數(shù)據(jù)，找出了他認(rèn)為對于決定某人是否會違反他們的假釋條款“可能有著重大影響”的21個因素。其中包括犯罪的類型、在監(jiān)獄中服刑的月份和囚犯的社會類型——他根據(jù)二十世紀(jì)早期社會科學(xué)家所關(guān)注的話題對罪犯進(jìn)行了分類：流浪漢、酒鬼、窩囊廢、鄉(xiāng)巴佬和移民。

Burgess從這21個因素出發(fā)為每個犯人打分（0或1）。獲得高分（16-21分）的人再次犯罪的概率最低，而那些得分很低（4分以下）的人則極有可能違反他們的假釋條款。

等到最終所有囚犯都被釋放后，有些人違反了假釋條款，于是Burgess抓緊這次機(jī)會檢驗他的預(yù)測結(jié)果。通過一個基本的分析，他發(fā)現(xiàn)自己預(yù)測非常準(zhǔn)確。在他的低風(fēng)險人群中有98％通過了他們的假釋，而他認(rèn)定的高危人群中有三分之二沒有通過假釋。事實證明，即使是粗略的統(tǒng)計模型也可以比專家做出更好的預(yù)測。

但Burgess的工作也受到了批評。

持懷疑態(tài)度的旁觀者質(zhì)疑，從一個地方得出的預(yù)測假釋成功的因素中有多少能夠適用于其他地方。（他們其中的一個觀點是：在預(yù)測現(xiàn)代化大城市內(nèi)犯罪分子再次犯罪的概率時，如何確?！班l(xiāng)巴佬”會有很大的幫助。）

其他學(xué)者還指出Burgess只利用了現(xiàn)有的信息，而沒有調(diào)查其中的相關(guān)性。關(guān)于對他對囚犯進(jìn)行評分的方式也存在疑問：畢竟，他的方法只不過是根據(jù)方程式算出來的。盡管如此，這種預(yù)測能力也足以讓人震撼，1935年美國伊利諾伊州的監(jiān)獄開始借助Burgess的方法支持假釋委員會做出決定。等到了世紀(jì)之交，由Burgess的方法衍生出來的其他數(shù)學(xué)方法在全世界范圍內(nèi)得到了應(yīng)用。

再來看看現(xiàn)代，目前法庭使用的最先進(jìn)的風(fēng)險評估算法遠(yuǎn)比Burgess設(shè)計的基本工具復(fù)雜得多。這些算法不僅可以協(xié)助假釋決定，而且還可以幫忙為囚犯指定干預(yù)方案，決定誰應(yīng)該獲得保釋，最近還開始支持法官做出判刑決定。這些算法的基本原則與以往一樣：了解被告的情況（年齡、犯罪歷史、犯罪的嚴(yán)重性等等），并預(yù)測讓他們獲得保釋的危險程度。

那么，這些算法的工作原理是什么呢？從廣義上講，表現(xiàn)最優(yōu)秀的現(xiàn)代算法采用了一種名叫隨機(jī)森林的技術(shù)，其核心的概念非常簡單，就是簡單的決策樹。

征詢觀眾的意見

你可能在學(xué)生時期就聽說過決策樹。

數(shù)學(xué)老師很喜歡決策樹，他們把決策樹當(dāng)成一種組織觀察的方式，例如拋硬幣或擲骰子。在構(gòu)建完成后，你可以把決策樹當(dāng)成一種流程圖：根據(jù)一系列的要素，逐步評估下一步該做什么，或者判斷當(dāng)前情況下的事態(tài)發(fā)展。

想象一下，你正在決定是否批準(zhǔn)某人的保釋。與假釋一樣，這個決定的根本只是一個簡單的計算。有罪與否并不要緊。你只需要做出預(yù)測：被告是否會被判入獄，是否會違反保釋協(xié)議的條款？

為了幫助你做出預(yù)測，你可以參考一些之前的罪犯數(shù)據(jù)，有些人在保釋期間逃跑，或再次犯罪，而有些人卻沒有。

你可以利用這些數(shù)據(jù)，手工構(gòu)建一個簡單的決策樹，如下圖所示，利用每個罪犯的特征來構(gòu)建流程圖。構(gòu)建完成后，你就可以利用決策樹預(yù)測罪犯的行為方式。你只需要根據(jù)犯罪者的特征沿著相關(guān)的分支前進(jìn)，直到得出預(yù)測結(jié)果。只要這些結(jié)果符合之前所有人的模式，預(yù)測就是正確的。

然而，我們在學(xué)校制作的這種決策樹也會出現(xiàn)失誤。當(dāng)然，并非每個人都和之前的模式一模一樣。而且決策樹本身也會產(chǎn)生很多錯誤的預(yù)測。而且不僅僅是因為我們的這個例子非常簡單，即使你擁有大量之前的案例數(shù)據(jù)集，并建立極其復(fù)雜的流程圖，偏差也再所難免，最后的結(jié)果我們也只能說使用一棵決策樹總比隨便亂猜稍好一些。

然而，如果你構(gòu)建了不止一棵樹，那么一切都有可能改變。這一次我們不會一次性用光所有數(shù)據(jù)，而是采用分而治之的方法。

在所謂的集合中，首先我們根據(jù)數(shù)據(jù)的隨機(jī)子集構(gòu)建數(shù)千棵小樹。然后，當(dāng)有新的被告時，你只需讓每棵樹投票決定是否應(yīng)該批準(zhǔn)保釋。樹木之間可能并不完全一致，而且每棵樹依舊可能做出不準(zhǔn)的預(yù)測，但你只需要取所有答案的平均值，就可以大大提高預(yù)測的精確度。

這有點像在“誰想成為百萬富翁”的節(jié)目中征詢觀眾的意見。雖然房間里面都是陌生人，但是他們加在一起比最聰明的人更有可能得出準(zhǔn)確的答案。（“征詢觀眾的意見”的成功率為91%，相比之下，“打電話向朋友求助”的成功率僅為65%。）

許多人所犯的錯誤可能相互抵消，所以一群人總是比一個人更聰明。

同樣的道理也適用于一大群決策樹，它們組成一個隨機(jī)森林。因為這種算法的預(yù)測是基于它從數(shù)據(jù)中學(xué)習(xí)的模式，所以隨機(jī)森林又被稱作機(jī)器學(xué)習(xí)算法，這種算法在人工智能領(lǐng)域的應(yīng)用非常廣泛。（值得一提的是，該算法本質(zhì)上就是你在上學(xué)時繪制的流程圖，只不過經(jīng)過了一些數(shù)學(xué)操作，這聽起來是不是很偉大？）

事實證明，隨機(jī)森林在整個現(xiàn)實世界的應(yīng)用程序中非常有幫助性。Netflix通過隨機(jī)森林，根據(jù)你過去的喜好，預(yù)測你想要觀看的內(nèi)容； Airbnb可以檢測欺詐賬戶；而醫(yī)療界用隨機(jī)森林來診斷疾病。

在評估犯罪分子時，與人類評估相比，隨機(jī)森林擁有兩大優(yōu)勢。首先，該算法可以針對相同的案例給出完全相同的答案。保證一致性的同時也不犧牲個人的司法公正。還有一個關(guān)鍵的優(yōu)勢：這種算法可以得出更好的預(yù)測結(jié)果。