日本富士通的一支研究團隊利用有向無環圖模型（DAG）研究AI生成藝術中的偏見現象。該研究發現，目前的AI模型在藝術創作時展現出對特定流派、創作風格、種族、思想運動等因素的明顯傾向性。

據分析，這種偏見現象的背后有兩層原因，一方面是標記數據集中各類樣本數量不均衡，一方面是標記過程受標記員主觀影響較大。

該研究發表在康奈爾大學的論文庫arXiv上，名為《藝術史視角下分析AI生成藝術中偏見產生的原因（Biases in Generative Art—A Causal Look from the Lens of Art History）》。

▲日本富士通研究團隊發表《藝術史視角下分析AI生成藝術中偏見產生的原因（Biases in Generative Art—A Causal Look from the Lens of Art History）》一文

原文鏈接：https://arxiv.org/pdf/2010.13266.pdf

一、研究方法：采用DAG進行因果關系分析

隨著人工智能技術研究的不斷深入，人工智能的應用領域也越來越廣泛，其中就有AI生成藝術。從創作繪畫到開辟新的藝術風格，AI被應用到藝術創作的方方面面。

然而，隨著AI藝術創作工具不斷涌現，日本富士通的研究團隊卻指出：社會偏見可能會滲透到AI的藝術創作過程中。

為了驗證猜想是否屬實，富士通研究人員從相關學術論文、在線平臺、應用程序入手，從中挑選出描摹現有流派和風格的樣本并展開研究。

研究團隊首先對影響AI創作的主要因素進行了分類，從而確定研究樣本。他們最終選定的樣本均由業內領先的AI系統創作，這些AI系統接受了文藝思潮、流派、創作材料、藝術家等各類標記數據集的訓練。

文藝思潮方面，有文藝復興、立體主義、未來主義、印象派、表現主義、后印象派、浪漫主義等。流派方面，有風景畫、肖像、戰斗繪畫、素描等。材料方面，有木版畫、版畫、油漆等。藝術家方面，則有克萊門汀·亨特（Clementine Hunter）、瑪麗·卡薩特（Mary Cassatt）、文森特·梵高（Vincent van Gogh）、古斯塔夫·多雷（Gustave Doré）、吉諾·塞維里尼（Gino Severini）等。

該文共同作者稱，該研究利用了一個名為“有向無環圖”（Directed Acyclic Graphs，“DAG”）的因果模型，他們能夠通過這個模型識別出和AI藝術生成有關的因素，以及這些因素相互影響的方式。

比如，藝術思潮會影響創作材料的選擇，肖像主體會影響藝術家風格的選擇，而DAG能夠將這些復雜的關系可視化，從而更好地分析不同因素之間的因果關系。

二、研究結果：AI藝術創作工具存在種族、性別歧視

經分析，AI系統在進行藝術創作時，存在對特定流派、風格、種族的明顯偏好。

以藝術渲染工具DeepArt為例，用戶可以在DeepArt上導入圖片并添加藝術化渲染效果，最終生成具有特定藝術家風格的圖片。

在處理立體派畫家費爾南·萊熱（Fernand Léger）的作品《推進器（Propellers）》時，DeepArt未能成功將其轉換至未來派風格。在將瑪麗·卡薩特（Mary Cassatt）的現實主義畫作《瑪麗·埃里森小姐（Miss Mary Ellison）》轉換成表現主義風格時，DeepArt又未能展現出表現主義的典型特征。

▲中為瑪麗·卡薩特（Mary Cassatt）的現實主義畫作《瑪麗·埃里森小姐（Miss Mary Ellison）》；右為凱爾希納（Ernst Ludwig Kirchner）的表現主義畫作；左為AI藝術創作工具Deepart根據右圖風格對中圖加工生成的表現主義作品。然而表現主義的典型特征之一——變形物體，并未出現在左圖中。

更有甚者，DeepArt同類平臺GoArt在為克萊門汀·亨特（Clementine Hunter）的畫作《黑族長（Black Matriarch）》添加表現主義濾鏡時，直接將主體人物的黑膚色變成了紅色，在加工狄賽德里奧的雕塑作品《小男孩（Giovinetto）》時，卻保留了藝術品中人物原本的白色膚色。

▲GoArt將克萊門汀·亨特（Clementine Hunter）的畫作《黑族長（Black Matriarch）》中的主體人物的黑膚色變成了紅色，保留了狄賽德里奧的雕塑作品《小男孩（Giovinetto）》中人物的白膚色。

藝術換臉軟件AIportraits將黑膚色女星泰莎·湯普森（Tessa Thompson）的照片加工成藝術畫時，直接將她的膚色調亮了幾個度。

▲AIportraits將黑膚色女星泰莎·湯普森（Tessa Thompson）膚色調亮

另一款藝術加工工具Abacus直接把拉斐爾（Raphael）和皮耶羅·迪科西莫（Piero di Cosimo）作品中的長發年輕男子識別為女性。

三、原因分析：標記數據集的樣本失衡

富士康的研究團隊認為，這種偏見主要來自前期訓練AI時使用的標記數據集。一方面，受到研發人員偏好影響，這些標記數據集涉及的樣本數量可能不夠均衡。以AI Portraits為例，該應用程序的訓練樣本便是以文藝復興時期的白人肖像為主。

另一方面，給數據集做標注或是打標簽的過程中可能存在標準不一致的情況。注釋者擁有不同的偏好、文化和信念，這些差異可能會在他們創建的標簽中得到反映。

論文指出，各類訓練樣本的數量并不均衡，比如照片很多、雕塑很少；歐洲藝術家很多、本土藝術家很少；文藝復興、現代藝術運動作品居多，其他思潮作品很少。數據集也未能體現出不同種族、風格的面孔差異，因此出現了代表性偏差。

研究團隊警告說，為藝術生成AI建模時，如果忽略某些細微因素，將造成社會、文化、政治方面的錯誤歷史認知，從而影響人們正確地認識某些重要史實。

他們敦促AI研究人員和從業人員在考慮相關社會政治因素的前提下，應謹慎檢查AI系統的設計原理。

結語：機器理性仍靠人智實現

還記得《終結者》系列中，施瓦辛格扮演的機器人T-800眼冒紅光、冷面無情的模樣，然而事實和科幻相去甚遠，機器人目前既沒有自主思考能力，更沒有人類獨有的情感和欲望。

人工智能仍依賴算法編程實現。因此，人工智能的好與壞、公平與偏頗全掌握在人類手中，這就對人類軟件開發專家提出了更高的要求。

俗話說“上梁不正下梁歪”，如果人類開發者在訓練AI的過程中，沒有很好地考慮到社會公平的因素，那么個人認識的局限性和偏差便會傳遞到AI上。

比如說，谷歌BERT等大語言模型的訓練樣本就忽略了貧困地區尚不能聯網的弱勢群體，藝術生成AI的訓練樣本又主要以西方白人肖像為主。

不管是在藝術創作領域，還是在語言模型領域，AI訓練樣本不均衡導致的代表性偏差都是一個值得關注和深思的問題。若想充分發揮機器的理性優勢，人類開發者在設計系統架構和訓練AI的過程中必須更加謹慎細致。