索尼人工智能（Sony AI）近日推出了一款名为“公平以人为本图像基准”（Fair Human-Centric Image Benchmark，简称FHIBE）的新型数据集，旨在为评估人工智能模型的公平性与潜在偏见提供科学依据。该数据集因其全球多样性、参与者知情同意机制及对伦理标准的严格遵循，被索尼称为“首个公开可用且完全符合公平性要求的人类图像数据库”。其核心目标是通过量化分析，揭示不同AI模型在处理涉及性别、种族、年龄等多元特征图像时的表现差异。
FHIBE的构建方式与传统数据集形成鲜明对比。项目团队从80余个国家招募了近2000名志愿者，所有参与者均在充分了解研究目的后自愿提供肖像，并保留随时撤回数据的权利。这种基于知情同意的采集模式，与当前业界普遍依赖的“网络抓取”方式形成强烈反差。每张图像均标注了详细的人口统计学信息（如年龄、性别、种族）、身体特征（如发型、肤色）、环境因素（如光照、背景）及拍摄技术参数（如相机型号、焦距），为后续分析提供了多维度的数据支撑。
索尼AI的研究团队通过FHIBE验证了现有AI模型中普遍存在的偏见问题。例如，在涉及性别代词“she/her/hers”的测试中，部分模型的识别准确率显著低于其他群体。进一步分析发现，这一偏差与目标人群的发型多样性密切相关——此前研究往往忽略此类文化特征对算法判断的影响。更值得关注的是，当模型被要求回答中立问题（如“该人物的职业是什么？”）时，会无意识强化社会刻板印象。例如，特定性别或种族背景的个体更易被错误关联至性工作者、毒贩等负面标签；而在推测犯罪行为的场景中，模型对非洲或亚洲族裔、深肤色人群及使用男性代词者的回应中，“有害内容”出现频率更高。
FHIBE的独特价值在于其不仅能识别偏见，还能定位具体诱因。索尼AI举例称，通过对比不同数据集的标注差异，团队发现某些模型对“戴头巾女性”的识别错误率较高，而FHIBE的详细标注揭示，这一偏差与数据集中头巾颜色、材质及佩戴方式的多样性不足直接相关。这种“因素级”分析为开发者调整训练策略提供了精准方向。
目前，FHIBE已向全球科研机构及开发者开放，并承诺定期更新数据以反映社会多样性变化。相关研究成果于本周三发表于国际权威学术期刊《自然》（Nature），引发学界对AI伦理标准的广泛讨论。索尼AI强调，该项目的长期目标是推动行业建立“以公平为核心”的数据采集规范，而非单纯提供技术解决方案。
