八卦，似乎一直是人類茶余飯后的一個永恒的話題，怎么辨別一個人與另一個人的關系？比如是好朋友還是好基友？

但是，這一切私密的問題，AI已經能夠做到精確識別了，這也著實引起了一波恐慌。就在此前，斯坦福大學兩名研究人員開發(fā)了一個神經網(wǎng)絡，可以通過研究一個面部圖像來檢測一個人的性取向。

研究人員訓練了超過35，000張面部圖像的神經網(wǎng)絡，在同性戀和異性戀之間平均分配。該算法的追蹤涉及了遺傳或激素相關的特征。

這項研究的關鍵在于影響性取向的產前激素理論（PHT）。這個理論具體講的是，在子宮中，對性分化負責的主要是雄性激素，也是以后生活中同性戀取向的主要驅動力。研究還指出，這些特定的雄性激素會在一定程度上影響面部的關鍵特征，這意味著某些面部特征可能與性取向有關。

研究發(fā)現(xiàn)，男女同性戀傾向于具有“非典型性別特征”，也就是說男同性戀通常趨向于女性化，而女同性戀反之亦然。此外，研究人員發(fā)現(xiàn)男同性戀通常擁有比直男更窄的下巴、更長的鼻子以及更大的前額，而女同性戀會擁有更大的下巴和更小的前額。

隨機選擇一對圖像，一名同性戀男子和一名異性戀男子，機器挑選受試者的性取向準確率高達80％。而當與同一人的五張圖像同時呈現(xiàn)對比時，精確度高達91％。不過，對于女性而言，預測準確率相對較低，一幅圖像準確率為71％，有5幅圖像，則上升至83％。

這一切都讓人們感到了恐懼，AI識別人類性取向，無疑是涉及到了隱私部分，這確實是讓人有所畏懼。而存儲在社交網(wǎng)絡和政府數(shù)據(jù)庫中的數(shù)十億公共數(shù)據(jù)將有可能在未獲得本人許可的情況下被用來進行性取向識別，這也是有待商榷的。

但是，這類型的研究還在繼續(xù)。中山大學的一個團隊可以通過數(shù)據(jù)集來識別人物關系。比如是這樣：

又或者是這樣：

而這一切，基于研究者們訓練了的圖推理模型（Graph Reasoning Model，GRM），由該模型結合門控圖神經網(wǎng)絡（Gated Graph Neural Network，GGNN）對社會關系進行處理。

基于此，AI能夠識別圖片中三者之間的關系，根據(jù)圖上人物區(qū)域的特征來初始化關系節(jié)點，然后用預先訓練的Faster－RCNN探測器搜索圖像中的語義對象，并提取其特征，初始化相應的對象節(jié)點；通過圖傳播節(jié)點消息以充分探索人與上下文對象的交互，并采用圖注意機制自適應地選擇信息量最大的節(jié)點，以通過測量每個對象節(jié)點的重要性來促進識別。

但是，在實際表現(xiàn)中，AI識別并未盡如人意。如警方在歐冠決賽采用AI面部識別匹配潛在犯罪圖像，其錯誤率高達92％，而在人物關系和性取向識別領域，其應用表現(xiàn)也并不優(yōu)秀。

《紐約客》曾有這樣一期封面：機器人已經成為了地球的主角，人類只能蹲在地上接受機器人的施舍。每一個新技術都會引發(fā)大家的擔心，但以往更多是人的體力的延伸，而如若是腦力的延伸、人類隱私的延伸，這種擔憂將會更加嚴重。智能相對論分析師柯鳴認為，性取向識別前，AI還需要解決倫理上的幾大問題。

1．僅靠面部識別太草率

《人格與社會心理學》雜志曾對斯坦福的這個研究，指出深層神經網(wǎng)絡比人類在通過圖像檢測性取向判斷中更準確，研究涉及建立一種計算機模型，以識別研究人員將其稱作為同性戀者的“非典型”特征。

在摘要中，研究人員寫道，“我們認為人們的臉部特征包涵了更多人腦所無法判斷的性取向特征。根據(jù)一張圖片，系統(tǒng)（classifier）可以以81％的準確率區(qū)分男性同性戀者，74％的準確率區(qū)分女性同性戀者，這比人腦可以完成的判斷準確率都要高。”

但是，在距離應用過程中，僅以面部構造識別似乎并沒有那么“靠譜”。技術無法識別人們的性取向，所謂的技術未來只是識別出網(wǎng)絡中同性戀者頭像存在相似的某種模式。

而且，此研究存在的一個問題在于，研究的機制是通過兩張圖片二選一其中最讓機器覺得“更可能是同性戀”的照片，這種對比判斷其實是從 50％ 的隨機幾率開始計算的，因此與單純對一張圖的分析有著很大的區(qū)別。

這其實就造成了一個問題，在真正人類識別的時候，其準確率有多少，而這種非此即彼的識別方式，其評判標準仍有許多地方需要商榷。

2．算法歧視依然是個“大問題”

算法歧視，一直是人工智能應用過程中的一大問題，以搜索為例，在谷歌上搜索“CEO”，搜索結果中沒有一個是女性，也沒有一個是亞洲人，這是一種潛在的偏見。

顯然，人工智能也并不是真的純“人工”。 機器學習的方式和人類學習一樣，從文化中提取并吸收社會結構的常態(tài)，因此其也會再建、擴大并且延續(xù)我們人類為它們設下的道路，而這些道路，一直都將反映現(xiàn)存的社會常態(tài)。

而無論是根據(jù)面容來判斷一個人是否誠實，或是判斷他的性取向，這些算法都是基于社會原有生物本質主義（biological essenTIalism），這是一種深信人的性取向等本質是根植于人身體的理論。畢竟，一個AI工具通過數(shù)據(jù)積累和算法模型可以通過照片判斷一個人的性取向，系統(tǒng)準確率高達91％，這其中所帶來的性取向偏見是不能低估的。

今年年初，來自巴斯大學和普林斯頓大學的計算機科學家就曾用類似IAT（內隱聯(lián)想測驗）的聯(lián)想類測試來檢測算法的潛在傾向性，并發(fā)現(xiàn)即使算法也會對種族和性別帶有偏見。甚至，連Google 翻譯也難逃偏見，算法“發(fā)現(xiàn)”并“學習”了社會約定俗成的偏見。當在特定語言環(huán)境中，一些原本是中性的名詞，如果上下文具有特定形容詞（中性），它會將中性詞轉而翻譯為“他”或“她”。

如今的人工智能還基本局限于完成指定任務，而有時候許多實際應用內容不是非此即彼的，在許多抉擇中，人類選擇依然存在道德困境，如若將決定權交與算法，其存在的詬病之處更是不言而喻。

3．數(shù)據(jù)使用，掌握“火候”是關鍵

如果說讓AI野蠻生長是為了解決人們工作效率的問題，那么當人工智能逐漸落地于各行業(yè)后，“體面”已經逐漸取代效率，成為AI應用的關鍵詞。

當然，如果企業(yè)能夠全方位的保護用戶隱私，這既有著技術上難度，也缺乏一定商業(yè)驅動力，因此，目前來看，如果平衡兩者之間的關系才是關鍵。

實際上，在牽制巨頭破壞用戶隱私方面，歐洲國家已經走得很遠，這體現(xiàn)在這些年他們與Facebook、Google等巨頭對抗的一個個集體訴訟案例中：

2014年8月，F(xiàn)acebook在歐洲遭6萬人起訴，一位奧地利隱私保護人士發(fā)起了一項針對Facebook歐洲子公司的大范圍集體訴訟，指控Facebook違背了歐洲數(shù)據(jù)保護法律，F(xiàn)B被質疑參與了美國國家安全局的“棱鏡”項目，收集公共互聯(lián)網(wǎng)使用的個人數(shù)據(jù)。

今年1月初，德國政府一家數(shù)據(jù)保護機構周三表示，該機構已針對Facebook采取法律行動，指控Facebook非法讀取并保存不使用該社交網(wǎng)站的用戶的個人信息。德國漢堡數(shù)據(jù)保護辦公室專員表示，由于Facebook在未經許可的情況下收集并保存不使用該社交網(wǎng)站的用戶個人信息，這有可能導致Facebook被罰款數(shù)萬歐元。

顯然，目前用戶對于自身數(shù)據(jù)的保護意識正在不斷加強，其在不斷保護自身數(shù)據(jù)的同時也加強隱私防范。畢竟，AI識別性取向目前只是研究而沒有落地產品。

而且，從網(wǎng)站上扒圖并不是什么技術活，讓機器做選擇題的概念，也像極了十多年前哈佛某個宅男做的校園選美網(wǎng)站。其中滋味，冷暖自知吧。

智能相對論：深挖人工智能這口井，評出咸淡，講出黑白，道出深淺。重點關注領域：AI＋醫(yī)療、機器人、智能駕駛、AI＋硬件、物聯(lián)網(wǎng)、AI＋金融、AI＋安全、AR／VR、開發(fā)者以及背后的芯片、算法、人機交互等。