?深度学习先驱Yann LeCun被骂退推特：你们都很懂，从此我不说话了

在长达两周的「骂战」之后，图灵奖得主、Facebook 首席 AI 科学家 Yann Lecun 宣布，自己将退出推特。 「我请求社交网络上的所有人不要再互相攻击了，特别是对于 Timnit Gebru 的攻击，以及对于我之前一些言论的攻击。」Yann LeCun 刚刚在推特上发出了这样的呼吁。「无论是口头还是其他方式的冲突，都只能获得伤害和相反的结果。我反对一切形式的歧视。这里有一篇关于我核心价值观的文章。」 「这是我在推特上最后一篇有内容的帖子，大家再见。」 看起来 2018 年图灵奖得主、人工智能领军人物 Yann LeCun 已经下定决心想对长达两周的激烈讨论画上句号。而这场闹得沸沸扬扬的骂战，起因正是被指「严重种族歧视」的 PULSE 算法。 这一工作由杜克大学推出，其人工智能算法可以将模糊的照片秒变清晰，效果极佳。这项研究的论文已在 CVPR 2020 上发表（论文《 PULSE：Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models 》）。 PULSE 在 CVPR 大会期间引来了人们的关注，进而引发了 AI 社区的广泛争议。首先，这种方法所产出的图像清晰度更高，细节也更加丰富：PULSE 能够在几秒内将一张 16×16 像素的图片提升至 1024×1024 分辨率，提升高达 4096 倍。目前该算法仅针对人脸照片，算法生成的照片清晰到可以呈现出人脸上的毛孔、皱纹甚至一缕头发。 但本质上看，PULSE 并不是在消除马赛克，而是「生成」了看上去真实却并不存在的人脸。超分辨率算法一直是计算机科学的热门研究领域，以往科学家们提出的还原方法是在低分辨率图片中添加像素点。但 PULSE 使用 GAN 的思路，先利用深度学习算法生成一些高清图片，再降低它们的分辨率，并与模糊的原图对比，从中找出匹配程度最高、最接近原图的高清图像随后输出。 问题就出在这里，有网友试用了 PULSE 之后，发现美国前总统奥巴马的高糊照片经过去码处理以后，生成的是一张「白人面孔」： 有网友质疑该方法生成结果存在偏见，对此项目作者也给出了回应，表示这一偏见很可能来自于 StyleGAN 的训练数据集，可能还有其他未知因素。 「我们意识到偏见是机器学习和计算机视觉领域的重要问题，并就此问题联系了 StyleGAN 和 FFHQ 数据集的创建者。我们希望这能够促进不具备此类偏见行为的方法的诞生。」 但这件事还没完，鉴于美国目前 BLM 的舆论环境，人们很快就开始深入讨论机器学习研究结果缺乏多样性的问题。在这其中，种族偏见和性别偏见的问题一直存在，迄今为止却没人给出一个好的解决办法。 也就在这个时候，Yann LeCun 发布了一条推特，来解释为什么 PULSE 会出现这样的偏见。 「机器学习系统的偏差是因为数据的偏差。这一人脸上采样系统其结果倾向于白人是因为神经网络是在 FlickFaceHQ 上预训练的，其中的大部分图片基本是白人照片，」Yann LeCun 说道。「如果这一系统用塞内加尔的数据集训练，那肯定所有结果看起来都像非洲人。」 Yann LeCun 的说法本身没有错，但可能是因为过于直白了，一下子让大量 AI 从业者和研究人员炸了锅。LeCun 希望将人们的注意力引向数据集的偏差，但推特网友不买帐，并指责他「用这种陈旧的理由来掩盖问题本质」。 之后，Yann LeCun 又在多条推文来解释自己关于偏见的立场，但仿佛已经没有用了。 「与学术论文相比，这种偏见在已经部署的产品中产生的后果会更加可怕。 」这句话的含义被解读为「不必为此特例而过分担心」，引发了诸多同行的质疑。 斯坦福 AI Lab 成员、Google AI 科学家 Timnit Gebru（她是一名非洲裔美国人），对 LeCun 的言论表示「失望」。 Yann LeCun 甚至在 Timnit Gebru 的推特评论区连写 17 条回复： 当然，需要讨论的也不只是机器学习中的偏见问题： 「同样需要避免的是在对话中产生恶意，它只会激起情绪，伤害到所有人，掩盖实际问题，推迟解决方案的出现。 」 从事数据科学领域超过十年的 Luca Massaron 认为，尽管从技术角度来看 Yann LeCun 是完全正确的，但看看这种观点被抛出之后公众的反应，你就会知道谈论它是多么的敏感。 「人们总是害怕自己会被不公平的规则控制，进而无条件地，有时甚至毫无理由地惧怕 AI 剥夺人们的自由，而不仅仅是工作，」Luca Massaron 说道。 「我个人并不担心 Face Depixelizer 这类研究，我所害怕的是在应用之后，我们无法识别和挑战偏见。 」 如今，越来越多的机器学习自动化技术正在进入我们的生活，立法者在这里扮演的角色非常重要。在欧盟国家，为了确保数据使用的透明度和责任，GDPR 条例要求互联网公司保证算法的可解释性，以及用户对于自身数据的控制力。 如果我们希望 AI 能够朝着正确的方向发展，我们需要追求的或许不是无偏见，而是透明度。Luca 认为，如果算法是有偏见的，我们可以挑战它的推断结果并解决问题。但如果算法的推理机制不可知，或许其中还隐藏着更大的问题。 不可否认的是，人类社会存在着各种偏见，但因此而认为机器倾向于更「流行」的答案是理所应当的，或许不是一个正确的观点。 人们对于 PULSE 的讨论，以及 LeCun 的攻击，有很多已脱离了 LeCun 的本意。 作为这场争议的起因，杜克大学的研究者们已在 PULSE 网站中表示将会修正有关偏见的问题。目前论文中已经增加了一个新的部分，并附加了可以解决偏差的模型卡。 为了达成没有偏见的目标，我们必须让整个人工智能社区行动起来。但在有关技术的讨论之中让技术大牛心灰意冷，是大多数人都不想看到的结果。Yann LeCun 此前一直以直言不讳著称，他在社交网络上经常会对热门的深度学习研究发表评论，也可以直面其他人工智能著名研究者的批评。 机器学习模型中的偏见可能会使得推理的专业性受到侵害，导致大量业务遭受影响却不为人所知。我们还没有解决这个问题一劳永逸的方法。
参考内容： https://analyticsindiamag.com/yann-lecun-machine-learning-bias-debate/

往期精彩文章推荐

长按关注
品玩官方公众号

科技创新者的每日必读