机器学习在不同领域的广泛使用而产生的一些问题。也许最著名的是算法偏差，即人工智能决策中错综复杂的不平衡导致对某些群体和人口统计的歧视。有很多例子表明，人工智能算法使用自己奇怪的方式发现并复制人类的种族和性别偏见，并将其复制到他们的决策中。更危险的是，他们在不知不觉中以一种无法解释的方式这样做。

“我们不应该仅仅因为人工智能不会记仇，就认为人工智能的决定是公平的。仅仅因为决策来自人工智能就将其视为公正的决策有时被称为数学清洗或偏见清洗，”Shane 警告说。“偏见仍然存在，因为人工智能从其训练数据中复制了它，但现在它被包裹在一层难以解释的人工智能行为中。”

这种对人类偏见的盲目复制变成了一个自我强化的反馈循环，当在招聘决定、刑事司法和贷款申请等敏感领域释放时，它会变得非常危险。

“这一切的关键可能是人为监督，”Shane 总结道。“因为人工智能很容易在不知不觉中解决错误的问题、破坏事物或采取不幸的捷径，所以我们需要人们确保他们的‘出色解决方案’不会让人头疼。这些人需要熟悉人工智能往往成功或出错的方式。”

Shane 还探讨了几个例子，其中不承认人工智能的局限性导致人类被征召去解决人工智能无法解决的问题。也被称为“绿野仙踪”效应，随着公司试图将深度学习应用于任何事物并寻找借口来放置“人工智能驱动”，这种对经常被低估的人类机器人的隐形使用正成为一个日益严重的问题在他们的产品上贴上标签。

“人工智能对许多应用程序的吸引力在于它能够扩展到巨大的容量，每秒分析数百个图像或事务，”Shane 写道。“但对于非常小的体积，使用人类比构建人工智能更便宜、更容易。”

人工智能并不是要取代人类……然而

所有的蛋壳泥三明治、俗气的笑话、毫无意义的蛋糕食谱、贴错标签的长颈鹿，以及所有其他奇怪的事情，人工智能确实给我们带来了一个非常重要的结论。“没有人类，人工智能就无法做很多事情，”Shane 写道。“一个更有可能的未来愿景，即使是广泛使用先进人工智能技术的愿景，也是人工智能和人类合作解决问题并加快重复性任务的愿景。”

在我们继续追求人类智能的同时，我们需要接受当前的人工智能，而不是我们想要的。“在可预见的未来，危险不是人工智能太聪明，而是它不够聪明，”Shane 写道。“我们完全有理由对人工智能持乐观态度，也完全有理由保持谨慎。这一切都取决于我们如何使用它。”