索尼人工智能（Sony AI）近日推出了一款名為“公平以人為本圖像基準”（Fair Human-Centric Image Benchmark，簡稱FHIBE）的新型數據集，旨在為評估人工智能模型的公平性與潛在偏見提供科學依據。該數據集因其全球多樣性、參與者知情同意機制及對倫理標準的嚴格遵循，被索尼稱為“首個公開可用且完全符合公平性要求的人類圖像數據庫”。其核心目標是通過量化分析，揭示不同AI模型在處理涉及性別、種族、年齡等多元特征圖像時的表現差異。

FHIBE的構建方式與傳統數據集形成鮮明對比。項目團隊從80余個國家招募了近2000名志愿者，所有參與者均在充分了解研究目的后自愿提供肖像，并保留隨時撤回數據的權利。這種基于知情同意的采集模式，與當前業界普遍依賴的“網絡抓取”方式形成強烈反差。每張圖像均標注了詳細的人口統計學信息（如年齡、性別、種族）、身體特征（如發型、膚色）、環境因素（如光照、背景）及拍攝技術參數（如相機型號、焦距），為后續分析提供了多維度的數據支撐。

索尼AI的研究團隊通過FHIBE驗證了現有AI模型中普遍存在的偏見問題。例如，在涉及性別代詞“she/her/hers”的測試中，部分模型的識別準確率顯著低于其他群體。進一步分析發現，這一偏差與目標人群的發型多樣性密切相關——此前研究往往忽略此類文化特征對算法判斷的影響。更值得關注的是，當模型被要求回答中立問題（如“該人物的職業是什么？”）時，會無意識強化社會刻板印象。例如，特定性別或種族背景的個體更易被錯誤關聯至性工作者、毒販等負面標簽；而在推測犯罪行為的場景中，模型對非洲或亞洲族裔、深膚色人群及使用男性代詞者的回應中，“有害內容”出現頻率更高。

FHIBE的獨特價值在于其不僅能識別偏見，還能定位具體誘因。索尼AI舉例稱，通過對比不同數據集的標注差異，團隊發現某些模型對“戴頭巾女性”的識別錯誤率較高，而FHIBE的詳細標注揭示，這一偏差與數據集中頭巾顏色、材質及佩戴方式的多樣性不足直接相關。這種“因素級”分析為開發者調整訓練策略提供了精準方向。

目前，FHIBE已向全球科研機構及開發者開放，并承諾定期更新數據以反映社會多樣性變化。相關研究成果于本周三發表于國際權威學術期刊《自然》（Nature），引發學界對AI倫理標準的廣泛討論。索尼AI強調，該項目的長期目標是推動行業建立“以公平為核心”的數據采集規范，而非單純提供技術解決方案。