科學的盡頭即是人類的毀滅，任何事物都是矛盾性的，當這個事物強大到不可想象的時候，任何一點點不利因素都會帶來人類無法承受的災難，人工智能我認為就是計算機科學的盡頭，當他有一天不可控時會比核彈還要可怕。

我們在一片對18歲照片的花樣贊美中，迎來了又一個新年。

按說新年應該是開心的時候，但是剛剛跨年結束，抬頭一看居然要上班了！不由得悲從心來……所以今天我們打算說點不那么開心的事。

最近幾天，各種對2018年的科技預測層出不窮，其中對AI的暢想占了大頭，內容差不多是一片喜慶祥和。

但事有兩來，當我們開始從AI中收獲價值的時候，技術升級后帶來的潛在風險也在升溫。這就像汽車當然好過牛車，但汽車也會帶來各種各樣的交通事故。我們當然不能因此禁止汽車上路，但是也不能對交通問題視而不見。

今天我們來預測幾個，很可能在2018年進入我們眼簾的“人工智能負能量”。

畢竟做好準備，是解決問題的前提條件。

一、人工智能倫理問題開始出現個案

2017年1月，在加利福尼亞州阿西洛馬舉行的Beneficial Al會議上，近千名人工智能相關領域的專家，聯合簽署了著名的《阿西洛馬人工智能23條原則》。

隨后，各種關于人工智能倫理道德的討論、會議，以及相關協會和科技組織開始出現在公眾視野里。

《23條原則》的主要內容，就是呼吁人工智能不能損害人類的利益和安全，同時人工智能必須可以被人類控制，同時人類要盡量尊重人工智能和機器人的安全。

聽起來頗有點科幻的味道，但是在各行各業開始部署AI，尤其開始利用AI進行自動化決策的時候，人工智能的倫理與道德問題或許真的會浮出水面。

比如說，自動駕駛車輛在馬上要發生事故時，是優先保護路人還是乘客？假如AI診斷系統，給出的建議是安樂死，那么它算是殺人嗎？為了避免更大損失，AI系統是否能打破規則，自行其是？

這其中最著名的，大概就是去年谷歌批評上海交大某團隊進行的“看臉定罪犯”研究。引發了媒體對于AI價值觀的大量討論。

在各個產業場景開始使用AI技術時，隨之而來的邊界問題、責權問題、道德選擇問題這些在實驗室中不會出現的矛盾將很可能被引發。

人類還從未真正討論過這些。假如2018年人工智能的落地化足夠快，倫理問題的苗頭或許會臨近。
人工智能算法歧視#e#

二、難以根治的算法歧視

記得2016年，微軟推出過聊天機器人Tay，卻因為用戶教給它大量種族歧視和臟話，一天內就被暫時下線。這引出了一個極具爭議的話題：機器學習會吸收人類的知識和信息來塑造自己，那么假如它吸收的信息含有大量“不那么純良”的東西呢？

2017年，算法歧視問題非但沒有被解決，各種各樣新的問題還應運而生。比如谷歌大腦會給女性圖片打上很多關于家庭、弱勢的標簽，顯然有悖于女權主義精神；而把黑人識別為大猩猩，則點燃了AI種族歧視的話題關注度。

所謂的算法歧視，對于普通消費者來說，最有可能在內容推薦和電商推薦兩個地方感覺到。

比如說消費者剛看過寬大的衣服，電商就推薦減肥藥，很可能讓消費者聯想到算法在歧視自己胖；再比如打開今日頭條這類軟件的時候，大家可能都出現過這種情況：偶爾點了一個推薦來的獵奇或者偽色情內容，然后再一刷新。

好嘛，蜂擁而至的類似內容啊，你本來想看的興趣內容和專業內容瞬時間化為烏有。甚至你怎么點我不關心不喜歡，平臺還是給你推薦。這就是因為算法的歸類方式給你貼上了標簽。這種歧視感也蠻嚴重的，好像背后有個人奸笑著對你說：“承認吧，你就是這么低俗……”

這類問題的根源，是機器學習技術進行個性推薦，今天還必須建立在兩個邏輯的基礎上：以過去算將來，以群體算個體。算法會吸收以前有過的經驗來給你特定的某些東西，但很有可能歧視信息就包含在機器吸收的經驗里。

在個性推薦系統越來越多場景應用可能的今天，我們恐怕短期內還難以根治算法的歧視。

三、私人數據與機器學習的矛盾日益凸顯

人工智能和個人隱私，似乎從來都是一對天敵。

因為人工智能技術假如想要提供個性化、完全符合個人習慣的服務，那么就必然要學習和理解用戶本身。而這其中，就涉及對用戶私人數據的學習。

但出于隱私的考慮，以及對網絡安全的不信任，大部分用戶顯然是不希望透露自己數據給機器的。

從而“雞生蛋蛋生雞”的矛盾就產生了。

近兩年，用AI來讀取用戶個人數據這件事一直處在被壓抑和不能提的狀態。更早一點的時候，蘋果和谷歌等大公司都推出過讓AI讀懂用戶的產品，但很快就被輿論抨擊給關停了。即使這樣，谷歌去年推出的家用AI相機還是飽受詬病。

在2017年后半段，我們看到了AI芯片拉開了風云際會的爭奪序幕。但是搭載AI芯片的硬件一定要有的放矢，有任務可以完成。于是讓硬件讀懂用戶、讓系統根據用戶數據提供千人千面的服務，勢必會重新回到公共視野里。

其實從大趨勢上看，把個人數據交給機器似乎是人類不可避免的歸宿。無論是醫療健康、金融服務還是社會安全，機器肯定都比人類更靠譜。只是這其中經歷的不適感和安全風險是巨大的。

在2018年，無論是手機、音箱、穿戴設備、VR，在啟用了機器學習能力后，似乎都要重新沾惹隱私數據這條紅線。

究竟怎么處理這個矛盾，也是挺讓人頭疼的。

四、真假越來越難分

就目前來看，希望AI能像人一樣對話和理解，顯然還是為時過早的一件事。但是讓AI來造假，似乎已經問題不大了。

此前我們討論過視頻和直播換臉的可能，其實從整個技術進度來看，基于GAN的仿真和替換技術正在整體成熟。無論是模擬替換音頻還是視頻文件，AI都已經能夠得心應手的處理。

但這肯定不會是什么好事。在著名的Face2Face軟件推出的時候，國外網友就驚呼，假如跟我視頻聊天的人被替換了怎么辦？

而在開發框架和數據資源越來越豐富、算法越來越強勁的今天，大概我們可以很肯定的說：2018年用AI來偽造視頻音頻將更加天衣無縫。

這是AI對未來技術的探索，卻很可能引發社交媒體和網絡傳播的動蕩：當我們看到的視頻都可以完全造假的時候，這個世界還有什么可以相信呢？

假作真時真亦假，只能期望反AI造假的AI系統也盡快出現吧。

五、黑客攻擊有更多花樣

2017年年末，谷歌TensorFlow被驚人的爆出框架漏洞，雖然是被白帽子找到，沒有造成危險，但這還是點醒了我們一點：AI并不安全。

至此，我們已經見識過了各種黑客攻擊和AI技術結合的可能性：用AI來偽造文件信息實施攻擊和詐騙；利用AI技術來提升黑客攻擊效率；以AI系統為目標的攻擊。隨著AI和物聯網體系的結合，未來物聯網攻擊中很可能也會加入AI的身影。

AI技術的成熟，讓網絡黑客們找到了更多的目標、更多的工具以及更多的技巧。雖然AI同樣給我們提供了各種保護互聯網安全的方式。但無論如何，AI帶給了黑客更多可能性是毫無疑問的。

2017年的網絡安全世界并不平穩，各種各樣的病毒和黑客肆虐不絕于耳。進入2018，我們很可能會在這個戰場看到更激烈的搏殺。

結束語

就像任何一種技術革新一樣，AI也同樣在帶來價值的同時創造了危險。而且憑借著識別和學習能力的特征，AI帶來的負面影響說不定會比過往更大。

但是無論如何，技術就是這么一步步推進的。更好的風景總是伴隨著更難走的路途。認識風險，并探索解決方案，或許才是人類與AI相處時更舒服的方式。