日本富士通的一支研究团队利用有向无环图模型（DAG）研究AI生成艺术中的偏见现象。该研究发现，目前的AI模型在艺术创作时展现出对特定流派、创作风格、种族、思想运动等因素的明显倾向性。

据分析，这种偏见现象的背后有两层原因，一方面是标记数据集中各类样本数量不均衡，一方面是标记过程受标记员主观影响较大。

该研究发表在康奈尔大学的论文库arXiv上，名为《艺术史视角下分析AI生成艺术中偏见产生的原因（Biases in Generative Art—A Causal Look from the Lens of Art History）》。

▲日本富士通研究团队发表《艺术史视角下分析AI生成艺术中偏见产生的原因（Biases in Generative Art—A Causal Look from the Lens of Art History）》一文

原文链接：https://arxiv.org/pdf/2010.13266.pdf

一、研究方法：采用DAG进行因果关系分析

随着人工智能技术研究的不断深入，人工智能的应用领域也越来越广泛，其中就有AI生成艺术。从创作绘画到开辟新的艺术风格，AI被应用到艺术创作的方方面面。

然而，随着AI艺术创作工具不断涌现，日本富士通的研究团队却指出：社会偏见可能会渗透到AI的艺术创作过程中。

为了验证猜想是否属实，富士通研究人员从相关学术论文、在线平台、应用程序入手，从中挑选出描摹现有流派和风格的样本并展开研究。

研究团队首先对影响AI创作的主要因素进行了分类，从而确定研究样本。他们最终选定的样本均由业内领先的AI系统创作，这些AI系统接受了文艺思潮、流派、创作材料、艺术家等各类标记数据集的训练。

文艺思潮方面，有文艺复兴、立体主义、未来主义、印象派、表现主义、后印象派、浪漫主义等。流派方面，有风景画、肖像、战斗绘画、素描等。材料方面，有木版画、版画、油漆等。艺术家方面，则有克莱门汀·亨特（Clementine Hunter）、玛丽·卡萨特（Mary Cassatt）、文森特·梵高（Vincent van Gogh）、古斯塔夫·多雷（Gustave Doré）、吉诺·塞维里尼（Gino Severini）等。

该文共同作者称，该研究利用了一个名为“有向无环图”（Directed Acyclic Graphs，“DAG”）的因果模型，他们能够通过这个模型识别出和AI艺术生成有关的因素，以及这些因素相互影响的方式。

比如，艺术思潮会影响创作材料的选择，肖像主体会影响艺术家风格的选择，而DAG能够将这些复杂的关系可视化，从而更好地分析不同因素之间的因果关系。

二、研究结果：AI艺术创作工具存在种族、性别歧视

经分析，AI系统在进行艺术创作时，存在对特定流派、风格、种族的明显偏好。

以艺术渲染工具DeepArt为例，用户可以在DeepArt上导入图片并添加艺术化渲染效果，最终生成具有特定艺术家风格的图片。

在处理立体派画家费尔南·莱热（Fernand Léger）的作品《推进器（Propellers）》时，DeepArt未能成功将其转换至未来派风格。在将玛丽·卡萨特（Mary Cassatt）的现实主义画作《玛丽·埃里森小姐（Miss Mary Ellison）》转换成表现主义风格时，DeepArt又未能展现出表现主义的典型特征。

▲中为玛丽·卡萨特（Mary Cassatt）的现实主义画作《玛丽·埃里森小姐（Miss Mary Ellison）》；右为凯尔希纳（Ernst Ludwig Kirchner）的表现主义画作；左为AI艺术创作工具Deepart根据右图风格对中图加工生成的表现主义作品。然而表现主义的典型特征之一——变形物体，并未出现在左图中。

更有甚者，DeepArt同类平台GoArt在为克莱门汀·亨特（Clementine Hunter）的画作《黑族长（Black Matriarch）》添加表现主义滤镜时，直接将主体人物的黑肤色变成了红色，在加工狄赛德里奥的雕塑作品《小男孩（Giovinetto）》时，却保留了艺术品中人物原本的白色肤色。

▲GoArt将克莱门汀·亨特（Clementine Hunter）的画作《黑族长（Black Matriarch）》中的主体人物的黑肤色变成了红色，保留了狄赛德里奥的雕塑作品《小男孩（Giovinetto）》中人物的白肤色。

艺术换脸软件AIportraits将黑肤色女星泰莎·汤普森（Tessa Thompson）的照片加工成艺术画时，直接将她的肤色调亮了几个度。

▲AIportraits将黑肤色女星泰莎·汤普森（Tessa Thompson）肤色调亮

另一款艺术加工工具Abacus直接把拉斐尔（Raphael）和皮耶罗·迪科西莫（Piero di Cosimo）作品中的长发年轻男子识别为女性。

三、原因分析：标记数据集的样本失衡

富士康的研究团队认为，这种偏见主要来自前期训练AI时使用的标记数据集。一方面，受到研发人员偏好影响，这些标记数据集涉及的样本数量可能不够均衡。以AI Portraits为例，该应用程序的训练样本便是以文艺复兴时期的白人肖像为主。

另一方面，给数据集做标注或是打标签的过程中可能存在标准不一致的情况。注释者拥有不同的偏好、文化和信念，这些差异可能会在他们创建的标签中得到反映。

论文指出，各类训练样本的数量并不均衡，比如照片很多、雕塑很少；欧洲艺术家很多、本土艺术家很少；文艺复兴、现代艺术运动作品居多，其他思潮作品很少。数据集也未能体现出不同种族、风格的面孔差异，因此出现了代表性偏差。

研究团队警告说，为艺术生成AI建模时，如果忽略某些细微因素，将造成社会、文化、政治方面的错误历史认知，从而影响人们正确地认识某些重要史实。

他们敦促AI研究人员和从业人员在考虑相关社会政治因素的前提下，应谨慎检查AI系统的设计原理。

结语：机器理性仍靠人智实现

还记得《终结者》系列中，施瓦辛格扮演的机器人T-800眼冒红光、冷面无情的模样，然而事实和科幻相去甚远，机器人目前既没有自主思考能力，更没有人类独有的情感和欲望。

人工智能仍依赖算法编程实现。因此，人工智能的好与坏、公平与偏颇全掌握在人类手中，这就对人类软件开发专家提出了更高的要求。

俗话说“上梁不正下梁歪”，如果人类开发者在训练AI的过程中，没有很好地考虑到社会公平的因素，那么个人认识的局限性和偏差便会传递到AI上。

比如说，谷歌BERT等大语言模型的训练样本就忽略了贫困地区尚不能联网的弱势群体，艺术生成AI的训练样本又主要以西方白人肖像为主。

不管是在艺术创作领域，还是在语言模型领域，AI训练样本不均衡导致的代表性偏差都是一个值得关注和深思的问题。若想充分发挥机器的理性优势，人类开发者在设计系统架构和训练AI的过程中必须更加谨慎细致。