要消除贫困，需要先识别和分析贫困。传统调查方法费时费力（如入户调查）。而现在人工智能（AI）的发展为贫困研究提供了新途径。

为了有效地提供援助以减少贫困，你必须知道最需要帮助的人在哪儿。在很多国家，这主要是通过入户调查完成的，但调查的频率不高，覆盖范围也有限。

■ 通过人工智能将财富和贫困可视化。

人工智能（AI）在分析贫困和其他人类发展指标方面取得了重大进展。我们的团队使用了一种名为“深度卷积神经网络”（deep convolutional neural network，DCNN）的AI来研究卫星图像，并能以接近入户调查的准确度识别某些类型的贫困。

这种AI技术对土地利用方式迅速变化的发展中国家大有帮助。AI可以通过卫星监测找到需要援助的地区，这将比地面调查快得多。此外，深度学习模型生成的梦幻般的图像，让我们对AI如何视觉化世界有了独到的理解。

■ 从太空看到的两个贫富不同的村庄：左边是“贫困”村，右边是“富裕”村。/ 谷歌

DCNN是种高级AI算法，通常用于处理和分析视觉图像。其名称中的“深度”（deep）指的是数据处理的多个层次，DCNN是更广泛的深度学习技术家族的一份子。

今年早些时候，我们团队利用DCNN取得了一项重要发现。DCNN最初是在ImageNet存储库中的大量标记图像上进行训练的，ImageNet是个用于训练算法的物体和生物的庞大图片数据库。在DCNN学会了识别各种物体的初始阶段后，我们用人口稠密地区的日间卫星图像对其进行了微调。

我们发现，经过这种专门训练增强的DCNN，通过卫星图像准确评估贫困水平的能力超过了人类。具体而言，AI从低分辨率日间卫星图像上推断贫困水平的能力，其精准度优于人类分析高分辨率图像的能力。这种精准度与AI在其他领域的卓越表现相吻合，如在国际象棋和围棋界，AI的表现一直胜过人类玩家。

训练完成后，我们试图了解DCNN在卫星图像中识别出了哪些“富裕”特征。这个过程始于我们所说的“白板”，即一个完全由随机噪声组成的图像，缺乏任何可识别的特征。

模型一步步“调整”了这个嘈杂图像，每次调整都朝着模型认为比前一张图更富裕的地区的卫星图像迈进，这种调整由模型的内部逻辑和数据训练的结果所驱动。

经过一步步调整，最初的随机图像逐渐演变成了富裕地区的图像。这个转变过程很有启发性，因为它揭示了模型对卫星图像中和财富相关的特征、模式和元素的理解。这些特征可能包括（但不限于）道路密度、城市区域布局，或是模型在训练过程中学到的其他微妙线索。

■ “贫困”村的卫星图像（左），逐渐向右移动，增加了越来越多的AI可识别的“富裕”元素，如道路密度。

上面展示的图像序列对我们的研究起着至关重要的作用。它始于坦桑尼亚一个村庄的基线卫星图像，我们的AI模型将其归类为“贫困”，可能是因为道路和建筑物的稀缺。

为了检验和证实这一假设，我们逐步调整了序列中的每个后续图像，用建筑物和道路等附加特征予以增强训练，这也代表了AI模型可识别的财富和社会发展程度的递进。

随着越来越多的道路和房屋等元素添加进来，这一进程就展示了AI可视化“财富”的方式。我们从模型的“理想”状态下的财富图景推导出的特征（如道路和建筑物），确实对模型的贫富评估产生了影响。

要确保AI决策所依赖的重要特征与更高的财富指标真实对应，上述这一步非常关键。

因此，反复调整后产生的图像就逐步演变成了DCNN 对财富的“定义”，这个结果通常很抽象，甚至超现实。

■ DCNN定义的“财富”图。

当我们问DCNN哪些东西与“高财富”相关时，就产生了上面这张从一张白纸发展而来的图，它看上去很“空灵”，与通常的日间卫星照片不太一样。然而，这些“斑点”和“线条”，表现的是由街道连接成的大片房屋，蓝色可能暗示沿海地区。

梦幻般的图像

这种方法带有固有的随机元素。这种随机性确保了每次可视化尝试都会创造出一张独特的图——尽管所有图像都锚定在了DCNN理解的基本概念之上。

需要注意的是，这些可视化更多地反映了DCNN的“思维过程”，而非财富的客观呈现。它们有DCNN数据训练的局限性，可能无法与人类的解释保持一致。

关键是要理解，虽然AI特征可视化为DCNN提供了有趣的见解，但它也凸显了机器学习在反映人类感知和理解方面的复杂性和局限性。

了解贫困，特别是从地理或区域背景下理解贫困，是一项复杂的工作。虽然传统研究更多关注贫困的某一方面，但AI利用卫星图像，在突出展示区域贫困的地理模式方面取得了重大进展。

这就是AI在贫困评估中的价值所在：它提供了一个空间上细微的视角，补充了现有的贫困研究，有助于制定更有针对性和更有效的干预措施。

作者：

奥拉厅

瑞典隆德大学人文地理系主任

哈米德·萨尔马迪

瑞典哈尔姆斯塔德大学信息技术学院助理教授

Thorsteinn Rögnvaldsson

瑞典哈尔姆斯塔德大学信息技术学院教授

本文译自英国“对话”（Conversation）组织的官网文章：How AI ‘sees’ the world – what happened when we trained a deep learning model to identify poverty