日本富士通的一支研究團隊利用有向無環(huán)圖模型（DAG）研究AI生成藝術(shù)中的偏見現(xiàn)象。該研究發(fā)現(xiàn)，目前的AI模型在藝術(shù)創(chuàng)作時展現(xiàn)出對特定流派、創(chuàng)作風格、種族、思想運動等因素的明顯傾向性。

據(jù)分析，這種偏見現(xiàn)象的背后有兩層原因，一方面是標記數(shù)據(jù)集中各類樣本數(shù)量不均衡，一方面是標記過程受標記員主觀影響較大。

該研究發(fā)表在康奈爾大學的論文庫arXiv上，名為《藝術(shù)史視角下分析AI生成藝術(shù)中偏見產(chǎn)生的原因（Biases in Generative Art—A Causal Look from the Lens of Art History）》。

一、研究方法：采用DAG進行因果關(guān)系分析

隨著人工智能技術(shù)研究的不斷深入，人工智能的應(yīng)用領(lǐng)域也越來越廣泛，其中就有AI生成藝術(shù)。從創(chuàng)作繪畫到開辟新的藝術(shù)風格，AI被應(yīng)用到藝術(shù)創(chuàng)作的方方面面。

然而，隨著AI藝術(shù)創(chuàng)作工具不斷涌現(xiàn)，日本富士通的研究團隊卻指出：社會偏見可能會滲透到AI的藝術(shù)創(chuàng)作過程中。

為了驗證猜想是否屬實，富士通研究人員從相關(guān)學術(shù)論文、在線平臺、應(yīng)用程序入手，從中挑選出描摹現(xiàn)有流派和風格的樣本并展開研究。

研究團隊首先對影響AI創(chuàng)作的主要因素進行了分類，從而確定研究樣本。他們最終選定的樣本均由業(yè)內(nèi)領(lǐng)先的AI系統(tǒng)創(chuàng)作，這些AI系統(tǒng)接受了文藝思潮、流派、創(chuàng)作材料、藝術(shù)家等各類標記數(shù)據(jù)集的訓練。

文藝思潮方面，有文藝復(fù)興、立體主義、未來主義、印象派、表現(xiàn)主義、后印象派、浪漫主義等。流派方面，有風景畫、肖像、戰(zhàn)斗繪畫、素描等。材料方面，有木版畫、版畫、油漆等。藝術(shù)家方面，則有克萊門汀·亨特（Clementine Hunter）、瑪麗·卡薩特（Mary Cassatt）、文森特·梵高（Vincent van Gogh）、古斯塔夫·多雷（Gustave Doré）、吉諾·塞維里尼（Gino Severini）等。

該文共同作者稱，該研究利用了一個名為“有向無環(huán)圖”（Directed Acyclic Graphs，“DAG”）的因果模型，他們能夠通過這個模型識別出和AI藝術(shù)生成有關(guān)的因素，以及這些因素相互影響的方式。

比如，藝術(shù)思潮會影響創(chuàng)作材料的選擇，肖像主體會影響藝術(shù)家風格的選擇，而DAG能夠?qū)⑦@些復(fù)雜的關(guān)系可視化，從而更好地分析不同因素之間的因果關(guān)系。

二、研究結(jié)果：AI藝術(shù)創(chuàng)作工具存在種族、性別歧視

經(jīng)分析，AI系統(tǒng)在進行藝術(shù)創(chuàng)作時，存在對特定流派、風格、種族的明顯偏好。

以藝術(shù)渲染工具DeepArt為例，用戶可以在DeepArt上導入圖片并添加藝術(shù)化渲染效果，最終生成具有特定藝術(shù)家風格的圖片。

在處理立體派畫家費爾南·萊熱（Fernand Léger）的作品《推進器（Propellers）》時，DeepArt未能成功將其轉(zhuǎn)換至未來派風格。在將瑪麗·卡薩特（Mary Cassatt）的現(xiàn)實主義畫作《瑪麗·埃里森小姐（Miss Mary Ellison）》轉(zhuǎn)換成表現(xiàn)主義風格時，DeepArt又未能展現(xiàn)出表現(xiàn)主義的典型特征。

更有甚者，DeepArt同類平臺GoArt在為克萊門汀·亨特（Clementine Hunter）的畫作《黑族長（Black Matriarch）》添加表現(xiàn)主義濾鏡時，直接將主體人物的黑膚色變成了紅色，在加工狄賽德里奧的雕塑作品《小男孩（Giovinetto）》時，卻保留了藝術(shù)品中人物原本的白色膚色。

另一款藝術(shù)加工工具Abacus直接把拉斐爾（Raphael）和皮耶羅·迪科西莫（Piero di Cosimo）作品中的長發(fā)年輕男子識別為女性。

三、原因分析：標記數(shù)據(jù)集的樣本失衡

富士康的研究團隊認為，這種偏見主要來自前期訓練AI時使用的標記數(shù)據(jù)集。一方面，受到研發(fā)人員偏好影響，這些標記數(shù)據(jù)集涉及的樣本數(shù)量可能不夠均衡。以AI Portraits為例，該應(yīng)用程序的訓練樣本便是以文藝復(fù)興時期的白人肖像為主。

另一方面，給數(shù)據(jù)集做標注或是打標簽的過程中可能存在標準不一致的情況。注釋者擁有不同的偏好、文化和信念，這些差異可能會在他們創(chuàng)建的標簽中得到反映。

論文指出，各類訓練樣本的數(shù)量并不均衡，比如照片很多、雕塑很少；歐洲藝術(shù)家很多、本土藝術(shù)家很少；文藝復(fù)興、現(xiàn)代藝術(shù)運動作品居多，其他思潮作品很少。數(shù)據(jù)集也未能體現(xiàn)出不同種族、風格的面孔差異，因此出現(xiàn)了代表性偏差。

研究團隊警告說，為藝術(shù)生成AI建模時，如果忽略某些細微因素，將造成社會、文化、政治方面的錯誤歷史認知，從而影響人們正確地認識某些重要史實。

他們敦促AI研究人員和從業(yè)人員在考慮相關(guān)社會政治因素的前提下，應(yīng)謹慎檢查AI系統(tǒng)的設(shè)計原理。

結(jié)語：機器理性仍靠人智實現(xiàn)

還記得《終結(jié)者》系列中，施瓦辛格扮演的機器人T-800眼冒紅光、冷面無情的模樣，然而事實和科幻相去甚遠，機器人目前既沒有自主思考能力，更沒有人類獨有的情感和欲望。

人工智能仍依賴算法編程實現(xiàn)。因此，人工智能的好與壞、公平與偏頗全掌握在人類手中，這就對人類軟件開發(fā)專家提出了更高的要求。

俗話說“上梁不正下梁歪”，如果人類開發(fā)者在訓練AI的過程中，沒有很好地考慮到社會公平的因素，那么個人認識的局限性和偏差便會傳遞到AI上。

比如說，谷歌BERT等大語言模型的訓練樣本就忽略了貧困地區(qū)尚不能聯(lián)網(wǎng)的弱勢群體，藝術(shù)生成AI的訓練樣本又主要以西方白人肖像為主。

不管是在藝術(shù)創(chuàng)作領(lǐng)域，還是在語言模型領(lǐng)域，AI訓練樣本不均衡導致的代表性偏差都是一個值得關(guān)注和深思的問題。若想充分發(fā)揮機器的理性優(yōu)勢，人類開發(fā)者在設(shè)計系統(tǒng)架構(gòu)和訓練AI的過程中必須更加謹慎細致。

原文標題：AI畫畫也有種族歧視？藝術(shù)加工軟件把黑人變白人

文章出處：【微信公眾號：物聯(lián)網(wǎng)技術(shù)】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq