【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－AI 都不 AI 了，那人文與社會呢？（林文源）
AI 都不 AI 了，那人文與社會呢？（林文源－清華大學通識教育中心教授）
Inter-promptivity
與 AI 互動的過程，當生成式內容（AIGC）的發展趨勢下，如何探索新 AI 時代與其共存的人文社會定位與思維？
「互為主體」是形成社會的基礎，STS 主旨在思考人與物之間的關係，那衍伸人的共存（inter-subjectivity）到與 AI 共存，則是朝向 AI 與人文社會相互提示的 inter-promptivity。
Inter-promptivity：來自（資本化）AI 的七個提示（人文與社會、以及人社研究領域）
- 科技－社會想像力
- 誰的 AI
- 協作
- 公共性
- 基礎設施
- 生態圈
- 週期
STS 觀點：物做為行動者（non-human actor），從沉默之物，到 AI 生成介入
科技－社會想像力 (techno-social imaginaries)：一種由科技與社會實作進展所支持與達成的社會生活形式與社會秩序的共享理解所形成的概念凝聚，受到集體信奉、制度性穩定、公共展演視野中的可欲未來。
夢想地景 (dream-scape)：多重社會存在與各種權力介入的可能性與想像競逐與併陳 (Jasanoff & Kim, 2015)
相較於資本化的 AI，人文社會的 AI？AI 為誰落地？
- HSS in AI: AI 造成公共性危機
- HSS of AI: 以公共性理念批判分析
- HSS by AI: 以 AI 拓展公共性
- HSS for AI: 人社理念做為 AI 核心（scope 最大）
誰的 AI？
AI 的出現在各個領域出現很多建置場景，產生很多流程，包含法規環境、教育訓練、資源配置等，但我們是資本化思維、工具性思維或批判性思維？或是，湧現 (emergent properties) 其他方向？
AI 不斷在促使人類探索新的方向。
關鍵提問：
- 誰的問題
- 誰的資料
- 誰的演算法
- 誰的詮釋與應用
而這些提問之後，人文社會要從什麼角度參與協作？
誰的數據？
- 數據化現實 vs. 非數據 (non-)：無法進入生產、觀測、資料收集過程者
- 訓練資料 vs. 後 (Meta-) 數據：數據格式、標註與訓練過程引發的互動式後果
- 資料應用 vs. 底層 (infra-) 數據：仰賴資料的基礎設施中介的新社會現實
- 大 vs. 厚 (thick) 數據：數據解釋 vs. 詮釋
林文源舉例「數據黑箱」，AI 可以識別西方典型的白紗裝扮新娘，但辨識不出身穿印度傳統服飾的印度新娘。
這種資料結果誤差/謬誤起因於訓練資料的來源，很多都是來自歐美（美國）的資料，但美國的人口事實上只佔據世界上的 4%，而印度加中國的人口卻超過了世界上的 36%，AI 所獲得的訓練資料來源比例，卻與世界現實有非常大的落差，也導致運算結果的「黑箱」。
誰的問題意識與演算法？AI 的能與不能
反思問題意識：常識、普遍化、形式化知識 vs 人社關注多元觀點中的洞見、脈絡化與隱微知識。AI 在缺乏脈絡的運算模型下，可能會產出誤導性的內容。
反思演算法：特定智能到生成式智慧，for what? 在工具性思維、批判性思維之外，需要促成人社關注人性與社會湧現的變化。
Refer to "The Lancet - Right Care"
STS 內會思考「適當科技」，AI 運算需要耗費大量的算力，但人類所需的各種結果，需要使用「牛刀」嗎？母嬰照護，並不一定要科技介入，但重症病人，需要高科技介入，這中間的取捨和決策是需要思考的。
AI 的能與不能－人類對科技的過度期待與應用，忽視科技的「不能」
精準 cure vs. 廣泛 care (Refer to "The Lancet - Right Care")
- 技術發展（科技與醫療) vs. 體制連結與改變（政策、組織、執行者、使用者、實作）
- 心理層面：過於強調「能」但實際不能，造成醫病挫折與緊張 vs 認識與承認無能為力
- 資源配置層面：急重症醫療 vs 基礎醫療。如 2017 年 Lancet 台灣慢性病
- 高與低醫療科技：AI 醫療、達文西手術、標靶藥物 vs 醫療基礎設施
人類對科技的過度依賴，容易忽視簡單直接的解決方案。
反思詮釋與應用的推薦書單：
- 何種目標？大數據的傲慢與偏見
- 誰的權利？The Black Box Society 黑箱社會
- 誰決定未來？監控資本主義時代
協作（在 AI 的發展浪潮中，人類需要更積極的投入各領域協作與發展）
AI 的發展中需要各式各樣的領域知識與技術，因此是各領域皆需投入的方向。
Refer to "The Logic of Care - Health and the Problem of Patient Choice"
AI 不是關於導入知識與技術，而是用這些知識與技術進行嘗試。
讓我們務實地一同試驗、體驗與微調。這並不簡單。共同演算 (share the algorithm) 要求相連結的每一份子嚴肅看待其他人的貢獻...並投入創造性、仔細的試驗。他們必須因人而異地微調改變，並關照每個人的強項與弱點。他們不惜代價進行改變，甚至包括他們自身。共同演算要求我們不將任何事物視為理所當然或被給定，而是尋找可以做什麼或改善我們與 AI 共存的方式。
Women4Ethical AI expert platform, UNESCO
AI 從既有資料（偏誤）中學習與生成答案，但資料來源的現實是：
- 全球女男平均：數位科技知能只有 3/4，程式開發只有 1/4，ICT 專利只有 1/13
- 女性佔比：20% ML 企業工程師、12% AI 研究者、6% 專業軟體開發者
這些來源與組成成分，就會造成生成結果的顯著落差與不平等。
公共化/公共性
- AI 做為（哪種）公共財
- AI 如何改變公共服務
- 改變公共場域中的 AI
- AI 做為新人文社會行動者
- 多元想像與實現與 AI 協作
Inter-promptivity
AI 的介入，以各種新形式提示人類的問題、存在與意義
累積公共化 AI 的基礎設施
- 課程、文字標註系統、種子資料集、研究與實踐範例
- 人文社會的跨領域 AI 探索 (李建良、林文源主編)
- 人文社會 AI 導論
- AI、科技與社會系列叢書
Comments
Post a Comment