ChatGPT的语言偏见:令非英语使用者“掉队”的三种方式

  专家警告说,由于人工智能(AI)系统向英语倾斜,令全世界的非英语使用者正在“掉队”。

  聊天机器人ChatGPT和谷歌Bard等AI生成工具正在为数百万人带来新技能和商业理念,但也有可能让更多人处于弱势地位。

  在过去几个月里,通常由政府支持的公司竞相推出或开始为其母语构建AI,包括印尼语、日语、汉语、韩语和印度的多种语言等。

  但它们能否与硅谷的AI机器人相抗衡,或提供可靠的替代方案呢?

  以下是非英语使用者被生成式AI浪潮甩在后面的三种方式,以及为什么我们需要重视这个问题。

  1. 对于非英语使用者来说,准确性更低,成本更高

  机器学习工程师郑甄妮(Yennie Jun,音译)在用不同语言测试ChatGPT-4时,开始注意到这个问题。

  “我发现速度慢了很多,而且不像使用韩语和汉语时效果那么好,因为它们通常有高质量的训练数据可供使用。”她说道。

  本月早些时候,郑甄妮决定用一些棘手的数学问题来测试OpenAI的最新人工智能模型GPT-4。

  聊天机器人ChatGPT等AI生成工具正在为数百万人带来新技能和商业理念,但也有可能让更多人处于弱势地位。

  她用16种不同的语言提出相同的数学问题,结果发现GPT-4在解决某些语言(如英语、德语和西班牙语)的问题时表现得更好。

  事实上,GPT-4能够正确解决用英语提出的数学问题的概率,是亚美尼亚语或波斯语等其他语言的三倍。而它无法解决用缅甸语或阿姆哈拉语提出的任何难题。

  这只是郑甄妮为强调ChatGPT和其他所谓AI“大型语言模型”的不平等性,而进行的最新实验。

  在今年夏季早些时候进行的另一项测试中,郑甄妮制作了一个“Tokenizer”(分词器)工具,用来说明为何这些AI模型在处理非英语语言时会困难重重。

  AI会将语句分解成更小、更易理解的语块,即“token”(词节;也被译为标记)。它对语言的理解程度越低,创建的词节就越多。例如,如果你用不同的语言在她的分词器工具中输入“告诉我羊肚菌”(tell me about morel mushrooms)这个简单的语句,词节的数量会有很大的不同:

  英语:6个词节

  西班牙语:8个词节

  汉语(中文):14个词节

  缅甸语:65个词节

  这很重要,因为这意味着非英语用户面对的结果会稍慢一些,而且由于提示框受到词节长度的限制,他们也无法像英语用户那样在提示框中输入那么多单词。

  但郑甄妮表示,这种不平等带来的真正劣势,来自于企业试图利用这些AI构建产品和服务。

  例如,如果一家蘑菇种植企业在自己的应用程序中内置了ChatGPT-4来回答客户提问,那么该公司为缅甸客户提供服务的成本将是英语客户的10倍,因为为满足客户要求需要大量的词节。

  这并非仅限于ChatGPT,所有大型语言模型都会存在类似的差异。当你向谷歌的Bard询问这个问题时,它也承认了这一点:“Bard对非英语语言的词节化可能会导致用其他语言提出提示的速度更慢、成本更高,因为非英语语言的词节化过程要比英语复杂得多。”

  2.以英语优先的AI无法反映其他文化

  在美国参议院委员会的听证会上,OpenAI首席执行官山姆·阿尔特曼(Sam Altman)被质疑该工具偏向英语使用者。他表示该公司“同样重视”保障其他文化也被纳入其中。

  英语在互联网上占据主导地位,目前也在人工智能领域占据主导地位。

  这背后的原因在于,大多数AI模型都是使用从开源互联网上搜集来的数据进行训练的,而这些数据绝大多数都是英语。

  非营利组织“民主与技术中心”(CDT)在其关于AI语言偏见的报告中指出,尽管全球只有16%的人口使用英语,但英语网站却占全球网站的63.7%。

  英语经常被描述为一种“资源极多”的语言,从社交媒体帖子到商业报告和科学论文,英语文本似乎取之不竭。

  但是,一种语言的网络资源丰富程度与其使用人数并不成正比。

  例如,“民主与技术中心”研究员表示,尽管非洲大陆有6亿多互联网用户,但几乎所有的非洲语言仍是“资源很少”的语言。

  学术界对语言的分类各有不同,但以下是对语言资源状况的总体概述:

  资源极多的语言:英语

  资源很多的语言:中文(汉语)、日语、西班牙语、德语、法语、俄语、阿拉伯语

  资源中等的语言:印地语、葡萄牙语、越南语、荷兰语、韩语、印度尼西亚语、芬兰语、波兰语、捷克语

  资源很少的语言:巴斯克语、海地克里奥尔语、斯瓦希里语、阿姆哈拉语、缅甸语、切罗基语、祖鲁语和大多数其他语言

  OpenAI没有透露英语在ChatGPT的训练数据中所占比例。如果你询问AI,它的回答是“数据集中语言的具体分类和百分比仍然是专有信息”。谷歌的Bard被问及这些信息时也表示,具体的数据样本是“机密的”。

  正如“民主与技术中心”在其报告中所说,“这种(对某种语言的)偏向未能反映全球互联网用户所使用语言的多样性,并进一步延续了英语的主导地位”。

  郑甄妮说,她的实验也发现了强烈的西方偏见。

  “我做了一些实验,比如向AI询问历史上重要的事件和人物,即使你用其他语言询问,它仍会得出非常偏向西方的人物和事件。”她说。

  3. 硅谷可能不会解决不平等问题

  “民主与技术中心”和其他研究者在内的一些人认为,多语种语言模型对于非英语用户的表现仍然较差。而另一些语言拥有更大的数据集,这意味着翻译和转录会更加准确。

  “民主与技术中心”认为,美国公司没有投入同样多的资金来改善非英语客户的体验,因为从全球南方等地区获得的收入更少。

  据《连线》(Wired)最早报道,OpenAI的一名员工去年在一个开发者论坛上承认,该公司的模型“有意使用英语训练”,“任何好的西班牙语结果都是额外奖励”。

  在美国参议院委员会的听证会上,OpenAI首席执行官山姆·阿尔特曼(Sam Altman)被质疑该工具偏向英语使用者。他表示该公司“同样重视”保障其他文化也被纳入其中。

  OpenAI和谷歌都没有回应我们向其新闻办公室提出的问题。

  另一家AI巨头Meta正在投资一个名为“不落下任何语言”(No Language Left Behind)的大型翻译项目,以改进数百种语言的机器学习翻译工具。但即便如此,该公司也承认其最新的大型语言模型Llama 2对于非英语用户来说“仍然很脆弱,应谨慎使用”。

  尼克·亚当斯(Nick Adams)是专注于AI的风险投资基金“微分创业”的创始合伙人。他表示,如果继续维持现状,那么资金和投资将继续流向那些已经很富有的公司、国家和语言。

  “我认为,AI的现状会加速不平等,而不是让它变得更好。新兴市场没有足够的算力、数据集或AI所需的财力来与西方世界的模型竞争。”他说。

  除了缺乏对非英语AI的投资外,数据问题也很难克服,甚至超出了美国科技巨头的能力范围。

  人们曾一度认为,开发多语种语言模型可以解决数据差异问题,即通过训练人工智能模型来发现资源较多语言的模式,并将其应用于资源较少的语言。但包括“民主与技术中心”和其他研究者在内的一些人认为,多语种语言模型对于非英语用户的表现仍然较差。

  “巴沙达安倡议”邀请人们“通过验证数据来改进自己的AI语言模型”,它向参加者播放不同的印度语言播客或节目音频,然后给予数字奖牌以奖励他们将其翻译成自己的语言。

  印度电子和信息技术部发起了一个野心勃勃的项目,旨在通过众包提高低资源语言的训练数据量。

  “巴沙达安倡议”(Bhasha Daan initiative)邀请人们“通过验证数据来改进自己的AI语言模型”。该计划向参加者播放不同的印度语言播客或节目音频,然后给予数字奖牌以奖励他们将其翻译成自己的语言。

  但是,该方式仍然道阻且长。尽管母语人口众多,但迄今只有几千人参与其中。

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论