Kunstig Intelligens og Tetris-gåden

I en banebrydende studie ledet af Cornell University, gik forskerne på en opdagelsesrejse ind i området for algoritme-fairness i en to-spiller-version af det klassiske spil Tetris. Eksperimentet var baseret på en simpel, men dyb præmis: Spillere, der fik færre ture under spillet, opfattede deres modspiller som mindre sympatisk, uanset om det var et menneske eller en algoritme, der var ansvarlig for at fordele turene.

Dette tilgang markerede en betydelig skift væk fra den traditionelle fokus på algoritme-fairness-forskning, som overvejende zoomer ind på algoritmen eller beslutningen i sig. I stedet valgte Cornell University-studiet at kaste lys over relationerne mellem de mennesker, der er berørt af algoritme-beslutninger. Dette fokusvalg var drevet af de virkelige implikationer af AI-beslutningstagning.

“Vi begynder at se mange situationer, hvor AI træffer beslutninger om, hvordan ressourcer skal fordeles mellem mennesker,” observerede Malte Jung, lektor i informationsvidenskab ved Cornell University, der stod i spidsen for studiet. Da AI bliver mere og mere integreret i forskellige aspekter af livet, fremhævede Jung behovet for at forstå, hvordan disse maskin-lavede beslutninger former interpersonlige interaktioner og perceptioner. “Vi ser mere og mere bevis for, at maskiner forstyrer måden, vi interagerer med hinanden på,” kommenterede han.

Eksperimentet: En Vending på Tetris

For at gennemføre studiet, brugte Houston Claure, en postdoc-forsker ved Yale University, open-source-software til at udvikle en modificeret version af Tetris. Denne nye version, kaldet Co-Tetris, tillod to spillere at arbejde sammen på skift. Spillernes fælles mål var at manipulere faldende geometriske blokke, stablede dem pænt uden huller og forhindrede, at blokkene stablede sig op til toppen af skærmen.

I en vending på det traditionelle spil, bestemte en “allocator” – enten et menneske eller en AI – hvilken spiller, der skulle tage hver tur. Fordelingen af ture var sådan, at spillere fik enten 90%, 10% eller 50% af turene.

Konceptet om Maskin-Allocation-Adfærd

Forskerne formodede, at spillere, der fik færre ture, ville genkende uretfærdigheden. Men hvad de ikke havde forventet, var, at spillernes følelser over for deres medspiller ville forblive stort set uændret, uanset om det var et menneske eller en AI, der var allocator. Dette uventede resultat fik forskerne til at præge begrebet “maskin-allocation-adfærd”.

Dette koncept refererer til den observerbare adfærd, der vises af mennesker baseret på allocation-beslutninger truffet af maskiner. Det er en parallel til det etablerede fænomen “ressource-allocation-adfærd”, der beskriver, hvordan mennesker reagerer på beslutninger om resourcedistribution. Opkomsten af maskin-allocation-adfærd demonstrerer, hvordan algoritme-beslutninger kan forme sociale dynamikker og interpersonlige interaktioner.

Fairness og Præstation: En Overraskende Paradoks

Men studiet standsede ikke ved at udforske perceptioner af fairness. Det udforskede også forholdet mellem allocation og spilpræstation. Her var resultaterne noget paradoksale: fairness i tur-allocation behøvede ikke nødvendigvis at føre til bedre præstation. Faktisk resulterede lige allocation af ture ofte i dårligere spilresultater i forhold til situationer, hvor allocationen var ulige.