FaceAge 的研究者在论文里专门提到了一个让他们忧虑的方向:这样的工具对临床医生而言可能是一种助力,但同时也可能对寿险公司或雇主极具吸引力,他们或许会尝试借此来评估个人的风险水平。丘先生被 AI 从漫无目的的就诊人流中「拎出来」的那一刻,很幸运,是技术的善意应用。而未来某个保险申请人因为一张照片被 AI 标记为高风险,则带来了新的问题。此外,模型学到的「衰老的视觉特征」,很可能并不适用于所有肤色和面部结构。如果模型对某些族裔系统性地高估生物年龄,这个误差会以一种极其隐蔽的方式,复刻并放大已经存在的不平等,而被误判的人甚至不知道发生了什么。曾有研究发现,某些用于预测患者医疗需求的商业模型,对黑人患者的需求存在系统性低估,因为模型用历史医疗花费作为健康状况的代理指标,而历史上黑人患者在相同病情下所获得的医疗资源本就更少。研究者强调,FaceAge 在进入临床之前,需要在更多样化的人群中测试,识别并消除潜在的误差。如何处理这些新的问题,比训练一个模型难得多。 我们正在招募伙伴📮 简历投递邮箱hr@ifanr.com✉️ 邮件标题「姓名+岗位名称」(请随简历附上项目/作品或相关链接)