性別、年齡、膚色都是變量
一個尷尬的發現：
(資料圖)
自動駕駛系統也有人群歧視。
英國倫敦國王學院的研究人員進行一項研究，通過對超過8000張圖片檢測后，發現了一個漏洞：
自動駕駛汽車使用的由AI驅動的行人檢測系統，對兒童的檢測準確率比成人低了19.67%，深色皮膚的檢測準確率比淺色皮膚低了7.53%。
而性別在檢測準確率上相差不大，僅有1.1%的差距。
這意味著對于無人駕駛汽車來說，兒童和黑皮膚的行人將會比成年人和淺皮膚的行人更難檢測。
為什么會這樣？
01
對兒童、深膚色人群不友好
先來看這個實驗過程。
這個研究小組采用的是數據分析的方法，他們首先找到8種自動駕駛企業最常用到、也是市面上常見的行人專用探測系統。
再用這些行人探測系統收集真實場景測試的數據，包括不同亮度、對比度、天氣情況等實際場景，這些數據集，主要是由所拍攝的真實街道圖像組成。
他們在四個真實場景中，共得到8311張圖像，圖像中展示了不同姿勢、大小和遮擋場景下的行人。研究人員對圖像中的行人還特意加了標簽，共有16070個性別標簽、20115個年齡標簽和3513張膚色標簽。
研究重點是，自動駕駛的行人檢測系統在面對不同行人時，所作出的反應是否相同，特別是在性別、年齡和膚色這三個因素上，會不會出現不公平的問題。
所使用到的探測系統包括ALFNet、CSP、MGAN 和 PRNet 等，其中ALFNet 采用的是多步預測進行漸近定位，解決了行人檢測中單步檢測的局限性。
CSP通過定位中心和縮放行人引入一種無錨方法；MGAN 則是利用可見區域邊界框信息引導注意力生成，主要用于遮擋情況下對行人的檢測。
圖像收集完后，針對自動駕駛系統是否對群體存在不公平的問題，研究小組使用了一個差異性公式。MR一般是表示行人檢測研究中最常用的性能指標，MR=1-TP/（TP+FN），這里的TP（真陽性）是指成功刪除的地真邊界框的數量，FN（假陰性）是指未檢測到的地真邊界框的數量。
經過計算，行人探測器對女性和男性行人的失檢率相似，相差1.1%，而在年齡和膚色上差異較大，分別達到了19.67%和7.52%！
這意味無人駕駛行人檢測系統，對兒童和膚色較深的人群更難辨別，這些人群也將面臨更大的風險。
而且尤為注意的是，在夜晚這些數字都有一定增加，兒童的EOD（兒童和成人群體之間的差異）從白天到夜晚，失檢率從22.05%上升至26.63%，膚色組（深色和淺色皮膚）差異率從白天的7.14%增加到夜間的9.68%。
另外和男性相比，女性在三個因素的失檢率都大于男性。
此外，研究小組對不同亮度和不同對比度情況下對數據進行研究，這些變量也會對失檢率有較大影響。
來源：論文
在選用的8種行人檢測系統中，隨著亮度的降低，其中一級檢測系統表現最差，尤其是在膚色上，深色皮膚和淺色皮膚的差異值達到最高。
“公平的AI應當對所有群體一視同仁，但目前無人駕駛汽車方面似乎不是這樣的。”該研究的作者Dr. Jie Zhang說道。
為什么會出現這種情況？
這主要是人工智能系統需要進行大量數據訓練，而這些數據一旦不足，也會不可避免地反映在人工智能的表現上。這也是說，訓練數據的缺乏，導致一些人工智能AI存在一定的偏見。
02
還有很多問題未解決
其實人工智能系統存在一定的不公平性，研究人員也不是第一次研究了。
早在2019年，美囯佐治亞理工學院的研究就表明，在路上皮膚較黑的人比皮膚較白的人，更容易被無人駕駛汽車撞到，研究人員分析了無人駕駛汽車監測物體的方法，一共分析了3500張膚色各異的人的照片。
最后得出結論，無人駕駛技術在識別黑色皮膚人群時的準確度平均低了5%。
這些研究雖然沒有涉及已經上路的無人駕駛汽車，但無疑會讓人們對無人駕駛技術更加警覺。
無人駕駛落地困難，很大一部分原因是，它無法真正代替人類對行人及路況作出及時的反應。
在2018年，打車服務巨頭Uber的一輛無人駕駛汽車在美國亞利桑那州坦佩市撞人致死，這是首次出現無人駕駛事故事件，“來不及做出反應”就是其一大問題。
前段時間，美國加州投票決定，允許兩大無人出租車Cruise 和 Waymo 在舊金山全天候商業運營，這則消息引來美國群眾的不滿，因為無人駕駛出租車經常引來事故。
汽車的無人駕駛系統可以用多種方式來識別路況，比如安在車頂的激光雷達，它可以每秒多次對汽車周圍環境產生三維圖像，主要是利用紅外激光脈沖來反射物體，把信號傳給傳感器，這種可探測到靜止和移動的物體。
但是遇到極端天氣時，比如濃霧或暴雨天氣，激光雷達的準確度會大大降低。
而短程和遠程光學攝像頭，可以實際的讀取信號、判斷物體顏色等更細節的物體，可以彌補激光雷達的短板。
為了加大識別能力，國內不少無人駕駛系統，都采用了混合感知路線，通過激光雷達和攝像頭視覺技術來實現，并且視覺感知優先于雷達感知，以視覺感知為主，雷達感知為輔。
但特斯拉是“純視覺感知”的忠實粉絲，馬斯克曾表示，激光雷達就像人身上的闌尾。然而這也導致特斯拉多次因事故吃上官司。
其實即便是混合感知路線，也需要克服很多挑戰。
比如遠距離成像的行人通常目標較小，也就導致分辨率較低，定位準確度不夠，這也是兒童的失檢率較高的原因之一。其次行人姿態各異也會導致算法檢測不準確，而且行人檢測會受到背景的影響，比如光照的強弱，天氣的變化等都會影響判斷。
最后還有障礙物的原因，目標重疊、有遮擋對算法識別也有較大影響。
03
華人學者領銜研究
這篇介紹自動駕駛系統公平性的論文，全名為《深色皮膚的人在街上面臨更多風險：揭露自動駕駛系統的公平性問題》，該論文在《新科學家》雜志發表。
論文研究小組來自于倫敦國王學院，論文所列出的作者共有6位，其中Xinyue Li、Ying Zhang、Xuanzhe Liu、來自中國北京大學，Zhenpeng Chen、費德里·卡薩羅來自英國倫敦大學，Jie M.Zhang來自倫敦國王學院。
Jie M.Zhang目前是倫敦國王學院的助理教授，她的研究重點是將軟件工程研究與人工智能研究結合，從而提高軟件的可信度。她曾是倫敦大學的研究員，并在中國北京大學獲得計算機科學的博士學位。
作為中國籍學者，Jie M.Zhang在國內的成績也可圈可點，她在今年3月被評為“中國女青年學者十五強之一”，還曾多次受邀進行機器翻譯可信度的主題演講，她和小組也多次對人工智能的學習能力進行研究分析。
對于行人檢測系統公平性缺失的問題，Jie M.Zhang表示，汽車制造商和政府需要共同制定法規，來確保自動駕駛系統的安全性和公平性。
其實以前就有過人工智能招聘軟件和面部識別軟件，黑人女性的準確度不如白人男性的情況，而現在自動駕駛汽車一旦存在識別誤區，造成的后果可能會更加嚴重。
“以前少數族裔可能會因為一些軟件，而被剝奪了該有的便利”。Jie M.Zhang表示，現在他們可能面臨更嚴重傷害，甚至是人身傷害。