包含
活动和物体表现出“明显”性别偏见。[41]研究人员之
马克·亚茨卡尔预见
这样种未来：如果机器人是通过这些数据集来训练，当它不确定人们正在厨房里做什
时候，它就会“给个男人杯啤酒，让个女人帮忙洗碗”。[42]
这些文化成见可从现已广泛使用人工智能技术中找到。例如，斯坦福大学教授隆达·席宾格想把报纸对她采访从西班牙语译成英语，而谷歌翻译和Systran翻译系统都反复使用男性代词指代她，尽管文中出现像profesora（女教授）这类明显指代女性术语。[43]谷歌翻译还在将土耳其语译成英语时，赋予原本性别中立句子刻板成见意味。Obirdoktor意思是“她/他是个医生”，但被翻译成“他是个医生”，而Obirhemsire（意思是“她/他是个护士”）被译成“她是个护士”。研究人员发现，翻译软件在将芬兰语、爱沙尼亚语、匈牙利语和波斯语译成英语时，也出现同样现象。
好消息是
们现在有这些数据——但程序员们是否会用这些数据来修正他们偏向男性算法还有待观察。们希望他们会，因为机器不仅能反映们偏见，有时还会放大它们——而且是大幅放大。2017年图像研究显示，女性出现在烹饪相关图片中可能性至少比男性高33%，但以这个数据集为基础训练算法将厨房图片与女性联系起来概率是68%。这篇论文还发现，原始偏差越大，放大效应就越强，这或许可以解释为什该算法会将张站在烤炉前肥胖秃顶男子照片标记为女性。因为厨房>男士脱发。
斯坦福大学生物医学科学助理教授詹姆斯·邹解释这点重要性。他举个例子，有人在个程序上搜索“计算机程序员”，该程序受过数据集训练，而数据集里这个词与男性关联度高于女性。[44]该算法便可能认为男性程序员开发网站比女性程序员更重要——“即使这两个网站完全样，除开发者名字和性别代词”。因此，个偏向男性算法如果以有性别数据缺口语料库为基础进行训练，真能让女性失业。
但网络搜索还只是触及算法如何指导决策表面。据《卫报》报道，全美国72%简历从未经过真人阅读，[45]而机器人已经参与到面试过程中，它们算法依据“表现优异员工”姿势、面部表情和声调进行过训练。[46]听起来好像很厉害——直到你开始考虑潜在数据缺口：程序员能否确保这些表现优异员工具有性别和族裔多样性？如果不能，算法能否考虑到这点？该算法是否经过训练，能够考虑到声调和面部表情社会化性别差异？们并不知道答案，因为开发这些产品公司并不分享他们算法——但让们面对现实吧，根据现有证据，这似乎不太可能
请关闭浏览器阅读模式后查看本章节，否则可能部分章节内容会丢失。
