人工智能在预测犯罪方面是否有所改进？

科幻书籍和电影曾经想象过一个未来，警察可以在犯罪发生之前预测犯罪，而现在，人工智能（AI）使其成为可能。目前，几座城市正在尝试使用人工智能驱动的预测性执法。然而，这并不是一种常见的做法，所以是什么阻碍了其发展?

准确性和可靠性一直是预测分析应用中的问题。然而，技术已经成熟到可以在制造业和供应链管理等行业中产生影响。那么，它是否已经准备好在犯罪预测方面进行更大规模的推广?

当前犯罪预测人工智能的状态

预测性执法可能还不是常态，但近年来已经取得了一些重大发展。这些发展可以分为三个主要类别：现实世界中的犯罪预测人工智能，实验研究和尚未启动的犯罪预测项目。

1. 现实世界中的积极成果

一些城市已经从人工智能驱动的预测性执法中获得了令人印象深刻的成果。迪拜警察总局的刑事调查部门表示，严重犯罪率下降了25%，这是在实施了人工智能工具来预测犯罪后实现的。较轻的刑事活动也下降了7.1%。

像许多人工智能犯罪预测工具一样，该解决方案通过分析过去的报告并将其与当前情况进行比较来工作。通过突出显示以前犯罪的趋势，机器学习模型可以识别出类似事件可能发生的区域和时间。警察可以提前部署资源，以阻止犯罪或解决可能导致犯罪的因素。

加利福尼亚州圣何塞已经从一种不同的人工智能模型中获得了成功。虽然该城市尚未预测犯罪，但它使用人工智能检测坑洼和涂鸦，以便更快地解决这些问题。根据官员的说法，清洁一个区域可以减少该区域的犯罪可能性，因此这个过程仍然可以减少犯罪事件。

2. 有前途的实验模型

随着现实世界中的预测性执法的增长，类似应用的早期测试也显示出希望。在许多司法管辖区，全面推出犯罪预测系统涉及相当大的监管障碍，减缓了技术的采用。实验阶段的例子在此期间推动了进展。

2022年，芝加哥大学的一项研究创建了一个可以预测犯罪，准确率达90%，预测时间可达一周。更重要的是，该系统比旧系统更不容易出现偏差，因为它使用了不同的数据。它不将城市划分为社区或政治边界，而是将其划分为不同的、相等的方块，以提供对该地区的新视角。

通过构建城市的数字孪生来绘制犯罪情况，而不是依赖旧的、容易出现偏差的记录，可能会产生更可靠的见解。警察部队尚未开始使用该系统，但研究展示了该领域新技术可以做什么。

3. 即将推出的预测性执法投资

展望未来，几个地区最近宣布了人工智能犯罪预测目标。这些项目尚未启动，但它们的出现表明人们对该技术的有效性越来越信任，可能是由于政府的信任而增加的。

2024年7月，阿根廷安全部宣布计划使用人工智能预测犯罪和响应。根据该决议，警察将分析历史犯罪数据以预测未来事件，并相应地做出反应以防止任何事情发生。它还提到了实时异常检测，这可能与预测模型一起工作。

最近，英国透露正在开发预测工具，以识别可能构成最大暴力犯罪风险的人。尚不清楚当局将如何应对这些数据，而且关于该解决方案将使用什么数据存在相互矛盾的报道。司法部表示，该项目目前仅用于研究，但今天的研究可能会导致明天的实际项目。

人工智能犯罪预测如何改进？

这些当前和未来预测性执法应用与该技术的首次示例相差甚远。然而，它们确实标志着一个积极的转变。以前的迭代无法达到相同的准确性和可靠性水平。芝加哥大学解决方案的90%准确率和迪拜25%的严重犯罪减少率与早期尝试相差甚远。

2024年，佛罗里达州帕斯科县警长办公室支付了10.5万美元的和解金，并关闭了其预测性执法计划，原因是效果不佳。该系统导致警官反复访问甚至逮捕尚未犯下罪行的公民，仅凭人工智能模型的预测。

同样，芝加哥关闭了其犯罪预测模型，原因是有多次投诉。研究发现，该系统对枪支相关犯罪没有显著影响，尽管逮捕可能性增加。更令人担忧的是，研究揭示了该算法固有地存在种族偏见，使有色人种更容易被逮捕。

另一个被多个城市使用的流行解决方案Geolitica（以前称为PredPol）显示其预测严重袭击的准确率仅为0.6%。在某些地区，入室盗窃的准确率仅为0.1%。

与这些失败的计划相比，新的人工智能犯罪预测器具有显著的准确率。虽然还没有太多的故事讲述警察部队使用这些更先进的解决方案，但早期结果与昨天的人工智能形成鲜明对比。

人工智能在犯罪预测中的黑暗面

很容易理解为什么这么多司法管辖区正在投资人工智能犯罪预测。阻止犯罪在其发生之前是一个巨大的公共安全收益，而人工智能可以检测出与人类假设相矛盾的趋势。例如，超过半数的入室盗窃发生在白天，尽管人们普遍认为夜间更容易发生此类犯罪。人工智能可以看穿表面现象，发现真正的趋势。

与此同时，预测性执法带来了重大的隐私和伦理问题。美国有52%的人更担心人工智能，而不是对其感到兴奋。即使是最先进的模型也容易出现幻觉，而人工智能有延续甚至放大人类偏见的记录，特别是在训练有偏见的数据时。

历史犯罪数据可能是有偏见的，甚至是种族主义的。逮捕记录可能表明某些地区受到的警务更为密集，而不是真正的犯罪情况。因此，数据可能反映了执法中长期存在的种族偏见。

从有偏见的数据中学习的人工智能模型可能会导致警察在黑人社区巡逻得更多，或对有色人种更为怀疑。芝加哥和帕斯科县的案例正是如此。因此，在不承认这些偏见的情况下依赖人工智能预测可能会加剧历史上被过度监管和处于劣势的群体的不公平待遇。

除了种族不公正之外，收集如此多的公民数据可能会导致隐私风险。政府机构是第八大网络犯罪目标行业，因此，预测性执法模型可能会发生违规事件，除了造成损害外，还会引发人们对过度监视和正当程序的担忧。

人工智能犯罪预测正在改进，但仍存在担忧

人工智能犯罪预测模型比几年前更加准确。然而，关于偏差、有效性和正义的担忧仍然突出。政策制定者和人工智能公司必须解决这些问题，以确保该技术能够真正提供一个更安全的未来。