李飛飛最新研究成果！斯坦福正在用演算法判斷政治傾向

「什麼樣的人，開什麼樣的車。」

賓利、mpv、皮卡，不同的汽車都能透露出車主的個性差異。

而斯坦福研究人員則將這種思維更進一步：通過對谷歌街景中的海量進行識別和分析，他們便可借助某個社群的汽車判斷當地人的政治傾向。

「使用可以輕易獲取的視覺資料，我們便可對自己的社群展開很多了解，堪比花費數十億美元通過人口普查獲得的一些資訊。更重要的是，這項研究開啟了更多可能，讓我們可以使用很便宜的視覺資料對社會展開持續不斷的研究。」史丹福大學電腦科學副教授兼斯坦福人工智慧實驗室主任李飛飛說。

△斯坦福電腦科學副教授兼斯坦福ai實驗室主任李飛飛

李飛飛是計算機視覺和深度學習領域的專家，這種技術可以教給電腦自己在2d影象中識別3d物體——按照他們的說法，就是讓計算機可以看見東西。

這種演算法會接受訓練（更準確地說是自我訓練），通過這種方式來識別200個美國城市的5000多萬張谷歌街景，從而在其中認出從2023年以來的每乙個車型。

之後將車型和位置資料與兩個資料庫進行對比，乙個是當今最全面的人口統計學資料庫美國社群調查（american community survey），另外乙個則是美國****投票資料庫，其中包含了種族、教育、收入和投票傾向等資訊。

李飛飛和她的團隊發現汽車、人口統計學資訊和政治派別之間存在簡單的線性關係。他們在11月28日發表在《美國國家科學院院刊》上的**中表示，這種社會關係「簡單而強大」。

例如，如果乙個社群的轎車數量多於皮卡，那麼這個選區就有88%的概率支援民主黨。如果皮卡多於轎車，那就有82%的可能支援共和黨。

△舊金山居民區街景(google街景)

除了明顯的政治影響外，研究人員還認為，他們的演算法有助於對現有的人口調查提供及時而持續的補充。

美國社群調查目前是通過成本高昂的上門訪談來實現的，每年花費超過2.5億美元。即便通過如此高昂的成本，從資料收集到正式發布仍然存在一定的延遲，可能達到兩年甚至更多，尤其是在小城市和鄉村地區。

相比而言，李飛飛的這種演算法可以使用定期更新的公開資料庫，幾乎可以實時得出分析結果。

「我不認為這可以取代美國社群調查，但卻可以成為一種補充，保持資料更新。」李飛飛實驗室前成員、該**的第一作者timnit gebru說。gbru目前是微軟研究院人工智慧事業部的博士後研究員。

gebru表示，要實現這一目標並非易事。該團隊首先必須手動構建乙個包含2023年以來的所有汽車的資料庫，然後交給電腦如何識別不同車型之間的細微差異，尤其是在一些模糊的影象中。

他們首先從汽車銷售**edmunds.com上獲得了1.5萬輛汽車的資料庫，但這只是個開始。人類專家接下來還要逐一按照細微差別對汽車進行歸類。例如，2007和2008款本田雅閣之間的差異只體現在尾燈上。

演算法速度很快，只需要兩個星期就能按照品牌、型號和年限將5000萬張中的汽車分成2657個類別。即使速度較快的人類專家也只能每分鐘分類6張**，需要15年才能完成同樣的任務。

gebru表示，有的外部研究人士對此表示質疑。他們指出，**拍攝時間的不同會對交通狀況和汽車構成產生影響。gebru補充道，為了避開擁擠的交通，很多街景**都是早晨拍攝的，這便可以提公升**的一致性。無論交通狀況如何，這些都能提供有價值的資料。

「如果你在社群走一走，看看那裡的汽車，車流密度有的時候可以比車型提供更多資訊。」gebru說，「演算法可以對這些資訊加以利用。」

gebru對她的這項新應用有著很高的期望。她希望能夠突破人口統計的侷限，用視覺分析針對難以達到的領域改進調查結果，或者用於監控二氧化碳濃度和緩解交通擁堵。

李飛飛也認同這種看法。「它能幫助我們理解社會的運作狀況，理解人們的需求，以及我們如何改善生活。」她說，「計算機視覺技術在建設性的方面和慈善領域有很大的應用前景。」

—完—