人工智能算法（Artificial Intelligence Algorithms）能让无人汽车主动识别道路指示牌、行人车辆、道路标线等视觉信息，使用这些信息自动行驶。不过我们换个角度，如果汽车是被识别的对象，会得到什么有趣的结果呢？
谷歌街景（Google Street View）让你坐在家里就能漫步于城市，拍摄用的街景车差不多是一个头顶安装了360度相机的汽车。有些人用谷歌街景旅行，有人用它规划假期路线，有人做了“猜街景”的游戏。而斯坦福的AI工程师则尝试用它预测美国的投票情况。
Google 街景车，图片来源：Pixabay
美国人拥有私家车的比例很高，除了可以用来判断主人的富裕情况外，汽车也能判断一个人的政治观点和投票倾向。比如，买轿车的人倾向于投票给民主党，而买皮卡的人倾向于投票给共和党。
街景车理所当然得能拍到许多道路上的汽车，要是和上面的常识结合，是不是能预测一个城市或者一个镇子的投票倾向呢？比如，按照上面的例子推演，如果一个镇子的轿车比皮卡多，那这里的人给民主党投票的概率会很高，反过来得到另一种结论，逻辑简单清楚。
谷歌街景：旧金山居民区，图片版权：谷歌街景
具体如何操作呢？以下是这个实验的菜谱：
- 准备15,000 张不同车型不同角度的照片，人工分类和标注制造商、车型、生产日期、驾车人的投票倾向；
- 准备谷歌街景的照片，200 个不同城市，共50,000,000 张；
- 让AI算法自动将街景照片对应到已经分类好的车型上，这个算法的原理和无人汽车识别道路指示牌的原理是一样的；
- 统计识别出来的车型数据，对应到不同的城市，得出结果。
我们看到这样的方法将本来只能用于个体的知识，扩展（Scaling）到更大范围的群体。
如何判断这种方法的效果呢？因为从来没有先前的经验，所以只能跟以前的数据比较，找出相关性。美国有个专门的机构，名叫美国社区调查（American Community Survey, ACS），会对这样的问题做全国调研。通过对比ACS的调查数据和总统选举投票的情况，新方法和老的统计数据有强相关性，这间接证明了新方法的有效性。
那是否能用新方法替代老方法呢？
现有的人口调查方法有两个问题：
- 需要花高昂的成本，比如美国社区调查这样的项目，每年要花掉2.5亿美金，还需要大量工作人员登门走访；
- 获得结果的周期很长，有时甚至需要几年的时间（大多数时间用在路上了吧，我猜），所以呢，调查完了，社会状况也已经改变了。
新的方法是否能弥补这些问题呢？
- 新方法直接使用网上公开的数据，谷歌街景是免费的，AI算法也有现成的，这篇论文也能免费下载到；
- 人工标注那些汽车可能比较花时间，但标注完可以重复利用，也不会要几个月的时间才能完成这个任务。人工智能算法可以说是秒出结果，而且即便搞错了，重来的成本也很低；
还有其他因素需要考虑么？有的。
走访调查不能排除掉个人偏见导致的统计偏差。比如被调查者不愿公开自己的情况或者说谎；调查者无法到治安差的地方做登门调查。这些因素应该被考虑进去。但是仔细想想，即便考虑到这些问题，如何测量，如何量化呢？本来就没办法统计到，必然也没办法放到统计公式里面计算。而且这类问题是所有问卷调查共有的，并不只是人口统计才会遇到。很多网络调查已经从问卷调查转变成监控用户行为了，当然这种方法应该获得用户同意。
但新方法也有明显的缺点。单单依靠一个人开什么车就判断它的政治倾向也太武断了吧！因为这样的原因，新方法不应该直接替代旧方法，不过它有继续挖掘的潜力。
虽然论文的正式发表时间是2017年11月28日，但是作者早在2017年2月就将预印本发表在网上了，所以还有两个疑问等待解答：
- 是否已经有政府部门考虑使用这一技术了？效果如何呢？
- 是否有类似的技术被开发出来呢？
本文作者将关注接下来的发展。（编辑：Steed）
参考文献
- An artificial intelligence algorithm developed by Stanford researchers can determine a neighborhood’s political leanings by its cars, Stanford News
- Geo Guessr, 猜街景游戏
- Using deep learning and Google Street View to estimate the demographic makeup of neighborhoods across the United States, Timnit Gebru, doi: 10.1073/pnas.1700035114