近日，有人工智能領(lǐng)域的知名專家說，預(yù)測性的監(jiān)管工具不僅“毫無用處”，而且容易大大夸大暴力犯罪的可能性。在本月早些時(shí)候發(fā)表的一封信中，來自麻省理工學(xué)院、哈佛大學(xué)、普林斯頓大學(xué)、紐約大學(xué)、加州大學(xué)伯克利分校和哥倫比亞大學(xué)的專家們就這一問題發(fā)表了看法，他們對這項(xiàng)技術(shù)的懷疑態(tài)度達(dá)到了前所未有的程度。

人工智能專家切爾西巴拉巴斯(Chelsea Barabas)、卡蒂克迪納卡爾(Karthik Dinakar)和科林多伊爾(Colin Doyle)在《紐約時(shí)報(bào)》(New York Times)的一篇專欄文章中寫道:“在預(yù)測暴力時(shí)，風(fēng)險(xiǎn)評估提供的是更神奇的思維，而不是有用的預(yù)測?！?/p>

預(yù)測性警務(wù)工具，或風(fēng)險(xiǎn)評估工具，是用來預(yù)測某人未來犯罪可能性的算法。根據(jù)美國國家司法研究所(NaTIonal InsTItute of JusTIce)的數(shù)據(jù)，預(yù)測性警務(wù)是:“(利用)信息、地理空間技術(shù)和基于證據(jù)的干預(yù)模式的力量，以減少犯罪和改善公共安全?！?/p>

隨著人工智能的迅速發(fā)展，這些工具已經(jīng)開始進(jìn)入法官和警察部門的日常程序，法官利用它們來決定該如何判決，警察部門則利用它們來分配資源等等。它也被用來評估面臨審判的人再次犯罪的可能性，以及他們是否應(yīng)該被拘留。其中，法官最常用的工具之一被稱為公共安全評估(PSA)，它和其他許多工具一樣，根據(jù)犯罪歷史和個(gè)人特征來計(jì)算。

根據(jù)計(jì)算結(jié)果，該工具可能會將一個(gè)人標(biāo)記為“新的暴力犯罪活動”的候選者。盡管該技術(shù)被定位為先發(fā)制人打擊犯罪的一種方式，但專家表示，它的能力被大大夸大了。研究人員寫道，在預(yù)測未來的暴力事件時(shí)，算法風(fēng)險(xiǎn)評估被吹捧為比法官更客觀、更準(zhǔn)確。

“從政治角度看，這些工具已經(jīng)成為保釋改革的寵兒。但他們的成功建立在這樣的希望之上:風(fēng)險(xiǎn)評估可以成為糾正法官錯(cuò)誤直覺的寶貴途徑?！睂＜覀兎磳@種預(yù)測犯罪算法的理由之一是對其準(zhǔn)確性的疑慮。專家表示，這些工具往往高估了被指控者的暴力風(fēng)險(xiǎn)，而事實(shí)上，審判期間犯罪的可能性很小。

據(jù)報(bào)道，華盛頓特區(qū)94%的犯罪嫌疑人被釋放，其中只有2%的人隨后因暴力犯罪被捕。然而研究人員指出，在各州，有30%等待審判的人被拘留的情況并不罕見，這種比例的懸殊顯然揭示了一個(gè)“過度監(jiān)禁”的問題。研究人員寫道，(這些工具)給法官提供的建議讓未來的暴力事件看起來比實(shí)際情況更可預(yù)測、更確定。但在這個(gè)過程中，使用這種AI風(fēng)險(xiǎn)評估工具可能會持續(xù)性地導(dǎo)致大規(guī)模監(jiān)禁情況的出現(xiàn)，并讓人們產(chǎn)生誤解和恐懼。

專家們說：“如果這項(xiàng)技術(shù)真正準(zhǔn)確，它應(yīng)該能預(yù)測出幾乎所有人都處于零風(fēng)險(xiǎn)狀態(tài)，因?yàn)榻y(tǒng)計(jì)上的可能性很低。相反，PSA犧牲了準(zhǔn)確性，只是為了在暴力可能性低、不確定或無法計(jì)算的人群中區(qū)分出有問題的人?！倍源饲疤岬降囊庠诒鎰e恐怖分子的TIA系統(tǒng)為例，假設(shè)這個(gè)預(yù)言系統(tǒng)的準(zhǔn)確性能達(dá)到99%，那么它理論上就能預(yù)言出恐怖分子群體中99%的未來罪犯，同時(shí)也會在無辜群眾中錯(cuò)誤將1%的人判定為未來恐怖分子。

假設(shè)在全美國3億人口中有1000人是真正的“未來恐怖分子”，而剩下的299999000人都是清白的，那么理論上會有2999990人被錯(cuò)誤地列入恐怖分子的行列。也就是說，這個(gè)系統(tǒng)將會逮捕將近300萬無辜的人——幾乎是那些真正罪犯人數(shù)的3000倍。

人工智能究竟如何預(yù)測犯罪?其實(shí)，其判斷依據(jù)跟人類警察也大致相同。富有多年工作經(jīng)驗(yàn)的警察們往往能總結(jié)出自己的一套辨別犯罪分子的依據(jù)，而破案時(shí)警察們也經(jīng)常需要一些基本經(jīng)驗(yàn)判斷，如什么區(qū)域、時(shí)間容易犯罪率高發(fā)，什么人物更有可能犯罪等。

這些歸納性的判斷有其意義，但對于某個(gè)特定個(gè)體而言，用類似分析去判定其“有罪”顯然對其不公平。此外，算法的設(shè)計(jì)者也可能在算法中無意加入了自己的偏見，而機(jī)器學(xué)習(xí)算法的黑盒子屬性讓其設(shè)計(jì)者也不能肯定其判定邏輯是什么。

1980年代，美國軍方使用機(jī)器學(xué)習(xí)算法訓(xùn)練機(jī)器分辨美蘇兩國的坦克，但后來卻發(fā)現(xiàn)計(jì)算機(jī)并未真正認(rèn)出兩國坦克的設(shè)計(jì)不同，而是把像素更高的圖片當(dāng)作“美國坦克”，因?yàn)橛?xùn)練使用的資料中俄羅斯坦克的照片更模糊。“新技術(shù)有為善和作惡的潛在力量。如果你的假設(shè)沒有被仔細(xì)考證，那么機(jī)器學(xué)習(xí)技術(shù)只會帶來更多的不公平和加速現(xiàn)有的不平等?！逼樟炙诡D大學(xué)法學(xué)系教授 Alexander T. Todorov 表示。

為了更好地預(yù)防犯罪，在近日對人工智能學(xué)家的采訪中，研究人員建議減少對算法的依賴，將資源投入到更全面的措施中。