一部分人认为人工智能可以消除人类偏见。在商务、医药、学术、打击犯罪等领域，即使是简单的统计工具也远超人类。还有一部分人反对AI将偏见系统化，因为即使偏见未被编入程序，AI也自带偏见。
2016年，ProPublica(一个独立的非盈利新闻编辑部，为公众利益进行调查报道)发布了一份广泛引用的报告(Machine Bias)，该报告认为，预测犯罪概率的常用算法(COMPAS)带有种族歧视。一份新的研究报告(The accuracy, fairness, and limits of predicting recidivism)显示，至少ProPublica提到的案例算法，双方不相上下，算法并不比人类精确公正。该报告还显示：某些情况下，人类对高级AI的需求被过度放大。
自2000年起，名为COMPAS的专有算法开始用于预测再次犯罪，即猜测某名罪犯是否会因再次犯罪而被逮捕。ProPublica的记者观察了来自佛罗里达州的罪犯样本，发现那些并未再犯的人群当中，被COMPAS错误标记为高风险再犯的黑人人数几乎是白人的两倍。而那些再犯人群中，被错误标记为低风险再犯的白人人数却是黑人的两倍，这激怒了公众。但此后，有报道又称，算法比人们想象中的公正。风险评分相同的黑人和白人，再犯的几率也相同，因此并不存在种族差异。算法是否公平，取决于衡量标准，任何算法都不可能满足所有标准。
研究人员将预测再犯(罪)概率的准确性作为主要衡量标准。受试网络用户阅读的罪犯信息涉及七个方面，包括年龄、性别和犯罪记录。研究人员使用COMPAS软件预测。
COMPAS内部的算法未知，但能够读取每个与人类预测的精准度和公正度基本相似，还有两大惊人发现。其一，已知罪犯种族(第一组受试者和COMPAS的使用数据均不涉及种族信息)，第二组受试者预测再犯概率时表现的偏见度与不知情时基本一致。
其二，要与COMPAS媲美，无需137条数据(甚至7条都用不上)，也不用聪明的头脑或算法。某次试验中，研究人员使用了一个极其简单的机器学习算法(逻辑回归)，仅需罪犯的两条数据(年龄及此前犯罪的总次数)，预测精准度就可高约65%。研究人员还尝试了一个需7条数据完成预测的强大算法(非线性支持向量机)，但精准度并未提高。该项发现证实了一点(许多人工智能研究员也曾提及)：“深度学习”这一时下热门技术并非万金油。有些时候，仅需最简单的算法和极少量数据即可解决问题。
此外，研究人员还想强调，预测社会问题并非总是有迹可循。这些算法预测的不是再犯的概率，而是被再次拘捕的概率。然而，即便同一种罪行，黑人往往比白人更容易入狱。因此，算法(或人类)如果从包含人类种族偏见的数据中学习预测模式，很容易过度预测黑人的再犯率，从而增加其入狱率，陷入不公平循环。
达特茅斯大学计算机科学家Hany Farid 曾与学生Julia Dressel(现已毕业)开展了一项研究，希望这一发现能让法院重新审视算法的地位，比如法官在得知网络投票可信度不亚于复杂的系统预测结果时，能够对其再次评估(补充一句，法官或许会更信任前者)。Farid称：“我们希望算法的工作原理更加透明。”
不少案例证明人工智能有时要比人类更精准公正。然而，反之亦然，人工智能和人类有时也不相上下。我们需要提倡此类研究，以验证AI能做什么，不能做什么。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
