原文：venturebeat，由 DeFi 之道编译
人工智能 (AI) 迅速改变了我们的生活和工作方式。 与此同时，AI 数据偏见带来的挑战已经走到了最前面。 当我们走向 Web3 的未来时，我们自然会看到同时使用 Web3 和 AI 的创新产品、解决方案和服务。 而且，虽然一些评论员认为去中心化技术可以解决数据偏见问题，但事实并非完成如此。
Web3 市场规模仍然相对较小且难以量化，因为 Web3 生态系统仍处于发展的早期阶段，Web3 的确切定义仍在不断发展。 虽然 2021 年的 Web3 市场规模估计接近 20 亿美元，但各种分析师和研究公司报告称，预计复合年增长率 (CAGR) 约为 45%，再加上 Web3 解决方案和消费者采用率的快速增长，到 2030 年，Web3 市场的价值将达到 800 亿美元左右。
虽然 Web3 正在快速增长，但该行业的现状与其他科技行业因素相结合是 AI 数据偏见走上错误道路的原因。
数据偏见、质量和数量之间的联系
AI 系统依靠大量高质量数据来训练它们的算法。 OpenAI 的 GPT-3（包括 ChatGPT 模型）在大量高质量数据上进行了训练。 OpenAI并未透露用于训练的确切数据量，但估计在千亿字量级或更多。
数据经过过滤和预处理，以确保其质量高且与语言生成任务相关。 OpenAI 使用先进的机器学习 (ML) 技术（例如 Transformer）在这个大型数据集上训练模型，使其能够学习单词和短语之间的模式和关系，并生成高质量的文本。
AI 训练数据的质量对 ML 模型的性能有重大影响，数据集的大小也是决定模型泛化到新数据和任务能力的关键因素。 但是，质量和数量都会对数据偏见产生重大影响，这也是事实。
数据偏见的独特风险
AI 中的数据偏见是一个重要问题，因为它可能在就业、信贷、住房和刑事司法等领域导致不公平、歧视和有害的结果。
2018 年，亚马逊被迫废弃了一款显示出对女性有偏见的 AI 招聘工具。 该工具接受了对过去 10 年期间提交给亚马逊的简历的培训，其中主要包括男性候选人，导致 AI 减少了包含“女性”和“女人”等词的简历。
2019 年，研究人员发现，一种用于预测患者预后的商用 AI 算法对黑人患者存在偏见。 该算法主要针对白人患者数据进行训练，导致其对黑人患者的假阳性率更高。
Web3 解决方案的去中心化性质与 AI 相结合，带来独特的偏见风险。 这种环境中数据的质量和可用性可能是一个挑战，这使得准确训练 AI 算法变得困难，这不仅是因为缺乏使用中的 Web3 解决方案，还因为缺乏有能力使用它们的人群。
我们可以从 23andMe 等公司收集的基因组数据中得出相似之处，这些数据对贫困和边缘化社区存在偏见。 23andMe 等 DNA 检测服务的成本、可用性和目标营销限制了来自低收入社区或生活在该服务未运营地区的个人获得这些服务的机会，这些地区往往是较贫穷、欠发达国家。
因此，这些公司收集的数据可能无法准确反映更广泛人群的基因组多样性，从而导致基因研究以及医疗保健和医学发展的潜在偏差。
这让我们想到了 Web3 增加 AI 数据偏见的另一个原因。
行业偏见和对道德的关注
Web3 创业行业缺乏多样性是一个主要问题。 截至 2022 年，女性占据了 26.7% 的技术职位。 其中，56% 是有色人种女性。 科技行业的高管职位中女性比例更低。
在 Web3 中，这种不平衡加剧了。 根据各种分析师的说法，只有不到 5% 的 Web3 初创公司拥有女性创始人。 这种多样性的缺乏意味着 AI 数据偏见很可能被男性和白人创始人无意识地忽视为一个问题。
为了克服这些挑战，Web3 行业必须在其数据源和团队中优先考虑多样性和包容性。 此外，该行业需要改变为什么多样性、平等和包容是必要的故事。
从财务和可扩展性的角度来看，从不同角度设计的产品和服务更有可能为数十亿客户服务，而不是数百万客户，这使得那些拥有多元化团队的初创公司更有可能获得高回报和全球规模的能力。 Web3 行业还必须关注数据质量和准确性，确保用于训练 AI 算法的数据没有偏见。
Web3 能否解决 AI 数据偏差问题？
应对这些挑战的一种解决方案是开发去中心化的数据市场，允许个人和组织之间安全、透明地交换数据。 这有助于降低数据偏差的风险，因为它允许在训练 AI 算法时使用更广泛的数据。 此外，可以利用区块链技术保证数据的透明性和准确性，使算法不产生偏见。
但是，最终，在主流受众使用 Web3 解决方案之前，我们将面临多年寻找广泛数据源的重大挑战。
虽然 Web3 和区块链继续出现在主流新闻中，但此类产品和服务最有可能吸引初创企业和技术社区的人们——我们知道这些社区缺乏多样性，但在全球市场中所占的份额相对较小。
很难估计在 Web3 初创公司工作的世界人口的百分比。 近年来，该行业在美国创造了大约 300 万个工作岗位。如果将这一数字与美国总人口相比——并且不考虑失去的工作岗位——这个科技行业远不能代表适龄工作的公民。
在 Web3 解决方案变得更加主流并将其吸引力和使用范围扩大到那些对技术具有内在兴趣并变得负担得起并且足以被更广泛的人群使用之前，获得足够数量的高质量数据来训练 AI 系统仍然是一个重大障碍。业界现在必须采取措施解决这个问题。
