利用人工智能的自動化決定

盡管真正擁有知覺和自我意識的“強人工智能”仍屬幻想，但專注于特定功能的“弱人工智能”早如雨后春筍般涌現。在萬物互聯的背景下，以云計算為用，以個人數據為體，以機器學習為魂的智能應用已經“潤物細無聲”。

從今日頭條的個性化推送到螞蟻金服的芝麻信用評分，從京東的“奶爸當家指數”到某旅游網站用大數據“殺熟”，個人信息自動化分析深嵌入到我們日常生活之中。在法律上，我們稱之為“基于個人信息的自動化決定”。簡單來說，就是通過自動化的數據處理，評估、分析及預測個人的工作表現、經濟狀況、位置、健康狀況、個人偏好、可信賴度或者行為表現，進而利用這種“數據畫像”（profiling），在不同的業務場景中作出有關數據主體的各項決定。

人工智能的自動化決定一方面可以給我們帶來便利，比如智能投顧或智能醫療，但另一方面，它絕非完美無缺，它可能出錯，甚至還可能存在“惡意”。美國馬薩諸塞州的居民John Gass便深受其害。聯邦調查局的反恐識別系統將他誤認為是另一位司機，并吊銷了他的駕駛執照，于是，他不得不費時費力，讓當局相信他不是那名司機。

其實，John Cass已經非常幸運。在美國，每周超過1000人被機場使用的算法錯誤地標記為***。一名美國航空公司的飛行員在一年中被拘留了80次，因為他的名字與愛爾蘭共和軍領導人的名字相似。這還不算是最糟糕的。人工智能的算法依賴于大數據，而大數據并非中立。

它們從真實社會中抽取，必然帶有社會固有的不平等、排斥性和歧視的痕跡。例如，為了在Twitter上與千禧一代進行對話，微軟開發了Tay聊天機器人，它旨在學習如何通過復制網民的語音來模仿他人。可僅僅在試用24小時后，它就被引入歧途，成為支持種族滅絕的反女權主義納粹分子，以至于發出了“希特勒無罪”的消息。更有甚者，美國法院用以評估犯罪風險的算法COMPAS，亦被證明對黑人造成了系統性歧視。

無論是程序錯誤，還是算法歧視，在人工智能的前沿領域——深度學習中，都變得難以識別。華盛頓特區的Sarah Wysocki是一位被普遍認可的老師，但當2009年政府用一個自動化決定程序來評價教師表現時，她和其他205人因得分不佳被解雇。據稱，該決定以少數學生的成績為依據，可學校始終無法解釋為何優秀教師會落得如此下場。華盛頓學校的難題有著深層次原因。

與傳統機器學習不同，深度學習并不遵循數據輸入、特征提取、特征選擇、邏輯推理、預測的過程，而是由計算機直接從事物原始特征出發，自動學習和生成高級的認知結果。在人工智能輸入的數據和其輸出的答案之間，存在著我們無法洞悉的“隱層”，它被稱為“黑箱”（black box）。

這里的“黑箱”并不只意味著不能觀察，還意味著即使計算機試圖向我們解釋，我們也無法理解。哥倫比亞大學的機器人學家 Hod Lipson把這一困境形象地描述為“這就像是向一條狗解釋莎士比亞是誰。”

《統一數據保護條例》的應對

正是因為人工智能的自動化決定對個人權利的重大影響，將于2018年5月25日生效的歐盟《統一數據保護條例》（GDRR）在1995年《數據保護指令》（Directive 95/46/EC）的基礎上，進一步強化了對自然人數據的保護。

首先，尊重個人的選擇權。當自動化決定將對個人產生法律上的后果或類似效果時，除非當事人明確同意，或者對于當事人間合同的達成和履行來說必不可少，否則，個人均有權不受相關決定的限制。

其次，將個人敏感數據排除在人工智能的自動化決定之外。根據《統一數據保護條例》第9（1）條，“敏感數據”即有關種族、政治傾向、宗教信仰、健康、性生活、性取向的數據，或者可唯一性識別自然人的基因數據、生物數據。

由于這些數據一旦遭到泄露、修改或不當利用，就會對個人造成不良影響，因此，歐盟一律禁止自動化處理，即使當事人同意亦是如是，只有在明確的法律規定時才存在例外。

再次，增加數據使用者在個人數據收集時的透明度。根據《統一數據保護條例》第13條（f）和第14條（g），如果個人數據將用于自動化決定，那么至少應當向個人提供相關決定的重要性、對個人預期的影響以及有關運算邏輯的“有用信息”。

比如，在銀行收集個人數據時，應當告知其可能使用人工智能對貸款人資質進行審核，而審核的最壞結果（如不批貸）也應一并披露。此外，由于我們都不是技術專家，因此，這里的“有用信息”不但應淺顯易懂，為每個人理解，而且要有助于每個人主張自己在《統一數據保護條例》或其他法律下的權利。還是以貸款審核為例，當我們覺得被不公正對待時，銀行提供的信息就應當成為法院審理的重要依據。

最后，如果個人對自動化決定不滿，則有權主張人工介入，以表達自己的觀點并提出質疑。這一規定和上述透明度要求相結合，產生了針對人工智能的所謂“解釋權”，而這正是Pedro Domingos的擔憂所在。考慮到算法黑箱，深度學習的合法化似乎是個無解的問題。但事實上，這可能是個誤解。

一方面，“有用信息”的提供是在收集數據之時，而非作出自動化決定之后，其意味著個人僅僅概括地了解系統的一般原則即可，并不需要徹底把握某項具體決定的邏輯。另一方面，法律所看重的是“可理解”（explainable），而不是“可闡釋（interpretable）。換言之，它不關注人工智能內部究竟如何運作，而只關心輸入數據和輸出結果的關聯關系。在加州大學伯克利分校發布的《人工智能的系統挑戰：一個伯克利的觀點》（A Berkeley View of Systems Challenges for AI）中，這種關聯性被稱“反事實問題”測試。

在個人被拒絕貸款的例子中，人工智能系統必須能否回答如果諸如“我不是女性，是不是就能批貸？”“如果我不是小企業主，是不是就能批貸”這樣的問題。因而數據使用者有義務建構出一套具有交互診斷分析能力的系統，通過檢視輸入數據和重現執行過程，來化解人們的質疑。這才是“人工介入”的真實含義。

將數據正義引入中國

數據是數字經濟的關鍵生產要素，人工智能是數字經濟的關鍵產業支柱。如何在發掘數據的經濟價值、發展人工智能的同時，保障個人的權利和自由，依然是數字社會的未解難題。

當前，我國尚無《個人信息保護法》，在不久前出臺的《個人信息安全規范》中，第7.10條“約束信息系統自動決策”也只是賦予了個人提出申請的程序性權利，并不涉及實質約束。

無獨有偶，中國電子技術標準化研究院發布的《人工智能標準化白皮書》雖然已關注到人工智能的倫理和隱私問題，但著墨不多，因過于原則而難以實施。就此而言，《統一數據保護條例》可成為我國可資借鑒的他山之石。它不僅僅提供了一系列具象的法律規則，更重要的是它在“數據效率”之外，傳遞出“數據正義”（data justice）的理念。

盡管作為一個發展中的理念，數據正義的含義遠未定型，但“反數據歧視”和“數據透明”必然是題中之意。在數字化生存的今天，不管是“社會人”還是“經濟人”，都首先是“數字人”。

現實空間的我們被數據所記載、所表達、所模擬、所處理、所預測，現實空間的歧視也是如此。從求職歧視到消費歧視和司法歧視，數據歧視前所未有地制度化和系統化。基于此，法律首先要做的就是規定更加小心和負責地收集、使用、共享可能導致歧視的任何敏感數據。可這顯然不夠。從大數據的相關性原理出發，只是將敏感數據簡單排除并不能保證它們不被考慮。

例如，若特定區域的人有著大量的低收入群體或少數族裔，那么區域的地理數據就可以代替收入或種族數據，用作歧視工具。所以，要識別和挑戰數據應用中的歧視和偏見，“數據透明”就不可或缺。換言之，它要求在數據生產和處理日趨復雜的形勢下，增強個人的知情權，從而修復信息的對稱性。

關于這一點，凱文·凱利所講的老婆婆故事是一個絕佳的例子。在故事里，你住在一個小城鎮，你的鄰居老婆婆知道你的一切動向和行蹤，但你可能不會覺得被冒犯，因為你不在家的時候，老婆婆會幫你看家；更重要的是，你了解關于老婆婆的一切。從信息窺視的角度，數字時代的政府和企業就像鄰居老婆婆，不過，他們只是部分地做到了第一點，就第二點而言，我們卻還有很長的路要走。