我們的人生軌跡可能受家庭、社會、時代影響，也因大大小小的決定被改變。我們無法預(yù)知的未來，AI 可以準確地預(yù)測嗎？

來自普林斯頓大學(xué)、加州大學(xué)洛杉磯分校、麻省理工學(xué)院、弗吉尼亞理工大學(xué)等機構(gòu)的 160 個研究小組參與了“脆弱家庭挑戰(zhàn)賽”（Fragile Families Challenge），通過建立統(tǒng)計和機器學(xué)習(xí)模型，試圖預(yù)測、衡量美國各地兒童、父母及其家庭的人生軌跡，尋求上述問題的答案。

當?shù)貢r間 2020 年 3 月 30 日，這一挑戰(zhàn)賽的研究成果在線發(fā)表于《美國國家科學(xué)院院刊》，論文題為 Measuring the predictability of life outcomes with a scientific mass collaboration（通過科學(xué)合作探究人生軌跡的可預(yù)測性），合著者多達 112 位。

來自 4000 余個家庭的大樣本數(shù)據(jù)集

實際上，探究人生軌跡，更像是一個社會學(xué)問題。這不僅僅是預(yù)測未來那么簡單，它在提供家庭援助、了解社會僵化程度、改善相關(guān)政策方面都有一定的參考意義。

這一研究基于一個名為“脆弱家庭與兒童健康研究”（Fragile Families and Child Wellbeing Study）的高質(zhì)量出生隊列數(shù)據(jù)集——由社會科學(xué)家 15 年來收集的大樣本數(shù)據(jù)集，包含來自 4000 多個家庭的 1.3 萬個數(shù)據(jù)點。

研究人員對出生于 1998-2000 年間美國大城市的兒童進行了研究，其中未婚父母所生兒童的占比較大。不難看出，這一縱向研究的目的也在于了解出生在未婚家庭的孩子的生活。

具體來講，隨著孩子年齡的增長，相關(guān)數(shù)據(jù)總共收錄了 6 個階段的情況——小孩剛出生時、1 歲、3 歲、5 歲、9 歲和 15 歲。

值得一提的是，每個年齡段數(shù)據(jù)收集的范圍不同。比如，孩子剛出生時，僅僅收集父母的調(diào)查訪談信息；孩子 9 歲時，需要對父母、孩子的主要照顧者（如果不是父母的話）、老師和孩子自己都進行調(diào)查訪談，進而收集信息（如下圖）。

此外，針對不同年齡段，研究人員對數(shù)據(jù)的關(guān)注方向不一。

例如，孩子剛出生時，對母親的采訪主要涉及兒童健康與發(fā)展、父母關(guān)系、父親身份、父母對婚姻的態(tài)度、與家人的關(guān)系、環(huán)境和政策因素、健康狀況、人口特征、教育程度、就業(yè)及收入情況；而在孩子 9 歲時，對孩子本人的采訪主要涉及的話題有父母關(guān)系、父母的要求及督促孩子的情況、與兄弟姐妹的關(guān)系、日常生活、在校情況、青少年犯罪傾向、任務(wù)完成和行為表現(xiàn)及健康、安全狀況。

脆弱家庭挑戰(zhàn)賽

實際上，這一名為“脆弱家庭挑戰(zhàn)賽”的項目可以說是一款游戲——游戲開發(fā)者是項目組織者，玩家是參與進來的各個研究團隊。

而游戲設(shè)定是，項目組織者不公開上述家庭中孩子們 15 歲時的數(shù)據(jù)，各個研究團隊可利用任意的 AI 模型高能玩法準確預(yù)測孩子們 15 歲時的人生發(fā)展。開發(fā)者為玩家提供了 6 種衡量維度，如孩子們的平均學(xué)習(xí)成績、孩子們的毅力、家庭經(jīng)濟水平、孩子的主要照顧者的工作和接受培訓(xùn)情況等，玩家需要預(yù)測其中的至少一個維度。

如下圖，這一研究的背景數(shù)據(jù)包括來自 4242 個家庭的孩子剛出生時、1 歲、3 歲、5 歲和 9 歲時的共 12942 個變量。而訓(xùn)練數(shù)據(jù)即是孩子們 15 歲時的 6 種人生軌跡。

實際上，這一游戲設(shè)計思路正是計算機科學(xué)領(lǐng)域常用的一種研究設(shè)計方法「共同任務(wù)法」。

雷鋒網(wǎng)了解到，項目組織者收到了來自全球 68 所大學(xué)的 457 份申請，最終這一項目由全球 160 個研究小組協(xié)同開展。挑戰(zhàn)賽于 2017 年 3 月 5 日至 2017 年 8 月 1 日展開，參與者只要將預(yù)測結(jié)果上傳至挑戰(zhàn)賽官網(wǎng)即可。

脆弱家庭挑戰(zhàn)賽官網(wǎng)

在脆弱家庭挑戰(zhàn)賽結(jié)束后，組織者將 160 個團隊的結(jié)果進行分析比較，發(fā)現(xiàn)各團隊使用了不同的數(shù)據(jù)處理、統(tǒng)計學(xué)習(xí)等技術(shù)來生成預(yù)測，雖然各個團隊得到的預(yù)測結(jié)果之間相差不大，但各預(yù)測結(jié)果普遍與真實情況差距較大，即便是最準確的預(yù)測結(jié)果也與訓(xùn)練數(shù)據(jù)的實際情況存在不小的差距。

如下圖，研究團隊對家庭經(jīng)濟水平、孩子們平均學(xué)習(xí)成績的平均預(yù)測準確度在 0.2 上下浮動，而對其他幾種維度的預(yù)測準確度平均約 0.05（雷鋒網(wǎng)注：值越接近 1，吻合程度越高；越接近 0，則吻合程度越低）。

當然不可否認的是，各團隊對部分預(yù)測也是準確的，比如具體某個孩子的學(xué)習(xí)成績。

目前看來，我們可以回答文章開頭的那個問題了——AI 并不能很準確地預(yù)測人生軌跡。

這一結(jié)論對 AI 模型在刑事司法、兒童保護服務(wù)等場景的應(yīng)用帶來了啟示，同時社會學(xué)家、數(shù)據(jù)科學(xué)家今后也應(yīng)謹慎使用 AI 預(yù)測模型。正如普林斯頓大學(xué)和哥倫比亞大學(xué) “脆弱家庭與兒童健康研究”首席研究員 Sara McLanahan 所說：結(jié)果令人大開眼界，要么運氣在我們的生活中扮演著重要角色，要么我們作為社會科學(xué)家在研究中忽略了一些重要變量。

責(zé)任編輯：wv