如今，人工智能常被稱為一種靈丹妙藥，成為一種能夠幫助我們解決眾多社會、商業(yè)以及健康問題的改進性自動化技術手段。然而，AI在多樣性方面的表現(xiàn)卻不夠理想，這極大限制了其潛在實用性，甚至有可能進一步放大當今世界上業(yè)已存在的隱含偏見。

AI Now研究院最近發(fā)布的一份報告發(fā)現(xiàn)，80％的AI教授、85％的Facebook公司AI研究人員以及90％的谷歌研究人員都是男性。另外，有色人種在大型科技企業(yè)員工當中的占比也非常有限。

這種多樣性匱乏有可能直接給最終技術帶來缺陷。舉例來說，亞馬遜公司最近決定停止使用AI工具進行招聘，因為這種工具會在不得不當中針對少數(shù)族裔。事實上，AI研究與開發(fā)團隊當中的女性與少數(shù)族裔越多，他們打造出的技術成果才會越穩(wěn)健、越強大。

Qure．a(chǎn)i是一家醫(yī)療初創(chuàng)企業(yè)，計劃利用AI技術識別X射線與CT掃描影像中的異常情況。Qure．a(chǎn)i公司聯(lián)合創(chuàng)始人兼研發(fā)負責人Pooja Rao解釋稱，她非常擔心AI領域缺少多樣性，特別是在醫(yī)療保健方面。她正在努力提高其認知能力并促進多樣性融合，同時推動業(yè)務發(fā)展以確保這種新的AI工具能夠更好地服務于他們想要支持的一切患者群體。

Rao向我們講解了AI技術如何在測試領域成為醫(yī)療與醫(yī)療服務供應方的重要盟友。她指出，目前美國每年要進行超過2．8億次成像測試——包括X射線、核磁共振成像以及超聲波成像等等，但只有4萬名放射科醫(yī)生有能力閱讀成像結果。由此帶來的影響就是，過重的工作負擔往往令患者難以獲得準確的診斷結論。AI技術能夠以自動化方式完成這一過程，從而克服人力技能方面的匱乏，提高全部患者的診斷準確性。

AI技術是指能夠復制人類智能當中某些方面的一切技術或者算法的總稱。正如上世紀九十年代受到全世界追捧的，足以擊敗國際象棋大師的IBM深藍計算機一樣，如今的AI技術實際上也是要執(zhí)行與人類大腦相同的計算過程，只是速度更快、結果更準確。

目前，憑借著復雜的深度學習算法與增強計算能力的加持，AI已經(jīng)變得無比強大。AI方案現(xiàn)在能夠像人類一樣全面實現(xiàn)圖像的可視化與內(nèi)容發(fā)現(xiàn)，并通過訓練準確識別出目標圖像中的特定物體——這將有效彌補美國本土巨大的放射科醫(yī)師缺口。

Rao最初的職業(yè)規(guī)劃其實是醫(yī)生，而非技術專家。她在馬克斯普朗克研究所攻讀博士學位時才第一次接觸并應用AI技術，當時她希望利用AI解碼大量基因組數(shù)據(jù)，從而預測阿爾茨海默病的發(fā)病原因。在此過程中，她開始對利用機器學習推動研究與發(fā)現(xiàn)的巨大前景產(chǎn)生興趣，并自學了Python編程，用以批量處理大規(guī)模數(shù)據(jù)集。畢業(yè)之后，她開始從事數(shù)據(jù)科學與生物信息學方面的工作，并逐步從對AI抱有興趣的臨床醫(yī)生成長為面向臨床問題的AI科學家。

Rao為目前的AI技術將是對醫(yī)療保健專業(yè)人士的有力補充，而非替代性方案。她在公司正在構建AI方案，旨在接管各類繁瑣的日常工作，從而幫助從業(yè)者騰出更多時間與患者接觸、填補專業(yè)人士不足帶來的技能空白，并防止意外錯誤的發(fā)生。

她也一直保持著謹小慎微的態(tài)度，注意確保自己的AI工具始終擁有多樣性以及經(jīng)過權衡的深度學習經(jīng)驗。為了說明自己的觀點，她以安必奎（一種安眠藥）制藥試驗為例表示，科學家原本只在雄性小鼠的發(fā)育過程中進行安必奎測試。該藥物隨后經(jīng)FDA批準并公開使用之后，人們發(fā)現(xiàn)其在女性體內(nèi)的有效成分釋放周期更長。這也迫使FDA最終不得不發(fā)布了新的藥品使用指南。

Rao希望確保自己的團隊對多樣性擁有同樣的高關注度，并在訓練過程中強調(diào)這一點以防止AI方案出現(xiàn)類似的錯誤。她建議其他開發(fā)人員認真檢查程序的訓練日期，并配合更為廣泛的數(shù)據(jù)網(wǎng)絡對部分算法進行重塑，從而解決這個問題。她還表示，團隊也可以創(chuàng)建一套競爭性的AI方案，比較二者的計算結果，從而測試固有偏見是否得到解決。

最后，Rao呼吁更多不同的人群加入到AI技術的開發(fā)、訓練與測試中來。她堅信，這將為AI領域以及正在發(fā)展的AI技術成果帶來更為平衡的世界觀。她也希望有更多女性能夠進入這一領域，協(xié)助發(fā)現(xiàn)當今系統(tǒng)中存在的偏見因素，并避免在未來的AI中出現(xiàn)新的偏見。