人工智能可以通过分析谷歌街景上的汽车来了解一个地方的政治

Google 街景图像中到处都是汽车。这是一个简单而平凡的事实，人工智能研究人员利用这一事实做出了一些令人惊讶的事情。通过分析汽车类型，他们能够预测他们所研究城市居民的人口统计信息。

例如，该团队（主要来自斯坦福大学）分析了他们在特定城市看到的皮卡数量多还是轿车多。皮卡数量较多的城市地区投票给共和党的可能性为 82%，轿车数量较多的城市地区投票给民主党的可能性为 88%。

人工智能系统在处理海量数据并预测从中看到的内容时大放异彩。在本例中，数据来自谷歌街景，涵盖 200 个城市的 5000 多万张图片。研究人员使用物体识别技术从图片中的其他物体中识别出汽车。然后，他们必须按品牌、型号和年份对这些车辆进行分类——数量高达 2200 万辆，占美国汽车总数的 8%。为此，他们训练了一种名为神经网络的人工智能工具来识别它们。（具体来说，他们使用了卷积神经网络，该网络以擅长处理图像而闻名。）

神经网络仅用两周时间就浏览了 5000 万张图片。根据发表在《美国国家科学院院刊》上的一项新研究，这对于不幸的人类来说需要大约 15 年的时间。

该研究的作者还必须弄清楚汽车类型与该地区的政治倾向和其他人口统计信息等因素之间的关系。为此，他们使用了回归分析（一种数学和统计工具）来查看汽车类型与他们从投票数据和人口普查中获得的信息之间的关联。

最终，他们所得到的结果“出奇地准确”，这项研究的第一作者、前斯坦福人工智能实验室研究员 Timnit Gebru 说道。例如，他们的系统预测怀俄明州的卡斯珀是共和党人。这一预测得到了 2008 年总统选举结果的支持，该团队将其作为现实世界的指标。

然而，她警告说，他们的系统不够准确，无法取代实际进行的人口普查——尽管它可以作为人口普查的补充。或者，在资源匮乏的国家，这种方法可能有助于收集人口信息，而无需进行全面人口普查。

但大局不仅仅是汽车图像和投票历史预测。格布鲁说，该策略代表了一种新工具，社会科学家可以利用这种工具，将人工智能技术应用于大量数据，比如谷歌街景图像。当然，它不需要关注汽车和政治；相反，研究人员可以关注树木和公共卫生等，格布鲁说。它也不一定只关注街景图像：它可以筛选卫星照片。

最终，使用人工智能系统来完成这项工作将比仅使用人眼完成这项工作效率高出几个数量级。