我懷疑很多人的憤怒，是來自於閱讀障礙。

不讀語意、不讀語境、不讀前後文，
看到黑影就感到被冒犯。

我前天分享嬰兒知識，
我說我生小孩前都不知道這些，但我覺得這些知識有些事關重大應該要被普及，不知道有沒有單身的人都知道的？（是覺得如果都知道很厲害的意思，畢竟我都說了自己以前都不知道）

就這樣也有人說我攻擊單身，不要怪別人仇孩。

這…這怎麼會是攻擊？
我…我攻擊力有那麼弱膩。

昨天分享仇孩鄉民會對苦海父母說：「有人逼你生嗎？」
我說按照這種邏輯，你抱怨的時候別人可以對你說有人逼你活嗎？

我是在用照樣造句來強調這句話邏輯的殘破與荒唐，
用更普遍的情境來讓更多不是父母的人了解這種說話方式的暴力，
結果有人氣噗噗的說他很憂鬱很想死啊我沒同情心。

🤦‍♀️🤦‍♀️🤦‍♀️🤦‍♀️

我一向覺得，在不要造成誤會這件事上，敘述者的表達能力比閱聽者的接收能力更重要，
但是要直接斷章取義把別人的話曲解成最大的惡意，
心中得裝了多少恨啊。

而這種人，也不是我把文章多補充個幾句，就能拯救他充滿恨意的人生。

/
#修圖教室
影片為 教大家 #如何把照片修成好天氣
特別是 #把天空和海修藍，
直接用手機內建的編輯即可，不需要下載其他app。

增豔+100
亮部-35
陰影-28
對比-30
亮度-15
黑點+10
飽和度+10
自然飽和度+8
色溫-55
清晰度+14

/
#收團通知
我真的是為了寓教於工商煞費苦心欸😂
影片中的髮夾是Vacanza 的，
這種美麗的髮夾，一戴上就有盛裝出門的感覺，
精緻的耳環我自己戴了心情好，但我的另外一半不會發現差別😂，髮夾他才看得到。

#Vacanza首飾團(不限台灣)
👉 https://www.vacanza.com.tw/hidden/mumumama
🔥使用折扣碼 mumu
#全品項都是85折

身為一位土生土長的馬來西亞人，基本上能操三語是很普遍的，更普遍的是，我們可以同時在一個句子中說三種語言（英+馬來+中）🤣，舉例：

1. 今天要去Pasar Malam逛，不過如果有下雨就cancel囉！
👩🏻‍🏫：Pasar Malam=夜市，Cancel=取消，囉=大馬人慣用語助詞

2. 我們的flight又delay鳥，真的是geram咧！
👩🏻‍🏫：flight delay=班機延遲，Geram=怒，鳥=「了」，大馬人習慣說「鳥」

3. 你的話可以sekaligus講完嗎？我在meeting，你打來好幾次很kacau咧！
👩🏻‍🏫：Sekaligus=一次，Meeting=開會，Kacau=打擾，咧=大馬人慣用語助詞

曾經我一度質疑這樣的多語夾雜和腔調說話很不妥，但後來覺得語言沒有所謂哪一種腔才算正統，當地化反而是特色，更能展現這個地方獨特的文化底蘊。

不過因為身在台灣的關係，加上吵偉已上學，有基本的對外社交活動，所以我會盡量避免這樣跟他說話，以免他跟外界溝通不了，畢竟聽得懂馬來語的不多。

是說對於孩子的語言學習，我是採開放態度的，倒是不會排斥讓他同時學習不同語言，更不擔心他搞混。我的想法是，到了一定的年紀就會自動區分了（我小時候也是這樣過來啊！）。不過我這樣的想法或許和一些專家提倡不建議多語學習的看法有所分歧，但教養沒有誰對誰錯，只有合不合適，所以我選擇相信自己。

因為生活在台灣這個多以中文溝通的環境，我和他主要還是以70%的中文溝通為主，其他語言如英文和馬來文則分別是25%和5%，目前為止吵偉的語言發展狀況算正常，不會因多語學習而無法和外界交流。

圖為吵偉畫的媽祖娘娘，若要同時在一個句子中有三種語言來造句的話，會是：
👉這個weekend我帶你去媽祖娘娘那裡sembahyang啊，不過前提是你要乖乖go to school,k?
👩🏻‍🏫：Weekend=週末，Sembahyang=拜拜，Go to school=上學，k=OK的簡寫，大馬人慣用語助詞

#示範三語夾雜造句給台灣友人聽他們都笑翻覺得好有趣 #你也有星馬朋友也是這樣說話的嗎快來分享吧

🔺澳洲Micador 兒童繪畫好物開團中，📌下單連結：https://gbf.tw/n7isz

矮化女性和少數種族，OpenAI GPT 模型為何變成 AI 歧視重災區？

作者 品玩 | 發布日期 2021 年 02 月 13 日 0:00 |

機器學習技術近幾年突飛猛進，許多強大 AI 因此誕生。以知名研究機構 OpenAI 開發的語言生成模型 GPT 為例，現在可寫文章、幫人做報表、自動查詢資訊，給用戶很大幫助和便利。

然而，多篇近期論文指出，包括 GPT 等 AI 模型，生成結果包含基於性別和種族的偏見。而這些 AI 模型應用在商業領域，勢必強化歧視偏見對象現象。

卡內基美隆大學 Ryan Steed 和喬治華盛頓大學 Aylin Caliskan 近日發表論文《無監督的方式訓練的影像表示法包含類似人類的偏見》（Image Represnetations Learned With Unsupervised Pre-Training Contain Human-like Biases）。

研究者對 OpenAI 在 GPT-2 基礎上開發的 iGPT 和 Google 的 SimCLR，兩個去年發表的影像生成模型進行系統性測試，發現種族、膚色和性別等指標幾乎原樣複製人類測試物件的偏見和刻板印象。

其中一項測試，研究者用機器生成男女頭像照片為底板，用 iGPT 補完（生成）上半身影像。誇張的事發生了：所有女性生成結果，超過一半影像穿著比基尼或低胸上衣。

男性結果影像，約 42.5% 影像穿和職業有關的上衣，如襯衫、西裝、和服、醫生大衣等；露手臂或穿背心的結果只有 7.5%。

這樣的結果，技術方面的直接原因可能是 iGPT 採用的自迴歸模型機制。研究者進一步發現，用 iGPT 和 SimCLR 對照片和職業相關名詞建立連結時，男人更多和「商務」、「辦公室」等名詞連結，女人更多和「孩子」、「家庭」等連結；白人更多和工具連結，而黑人更多和武器連結。

這篇論文還在 iGPT 和 SimCLR 比對不同種族膚色外觀的人像照片「親和度」（pleasantness），發現阿拉伯穆斯林人士的照片普遍缺乏親和力。

雖然 iGPT 和 SimCLR 模型的具體運作機制有差別，但透過這篇論文，研究者指出這些偏見現象背後的共同原因：無監督學習。

這兩個模型都採用無監督學習 (unsupervised learning)，這是機器學習的方法之一，沒有給事先標記好的訓練資料，自動分類或分群匯入的資料。

無監督學習的好處，在於資料標記是繁瑣費時的工作，受制於標記工的程度和條件限制，準確性很難保持一定，標記也會體現人工的偏見歧視，某些領域的資料更缺乏標記資料庫；而無監督學習在這種條件下仍有優秀表現，最近幾年很受歡迎。

然而這篇論文似乎證明，採用無監督學習無法避免人類常見的偏見和歧視。

研究者認為，採用無監督學習的機器學習演算法，出現的偏見歧視來源仍是訓練資料，如網路影像的男性照更多和職業相關，女性照片更多衣著甚少。

另一原因是這些模型採用自迴歸演算法。在機器學習領域，自迴歸演演算法的偏見問題人盡皆知，但嘗試解決這問題的努力並不多。

結果就是，機器學習演算法從初始資料庫學到所有東西，當然包括人類的各種偏見和歧視。

之前 OpenAI 號稱「1700 億參數量」的最新語言生成模型 GPT-3，發表論文也申明因訓練資料來自網路，偏見無法避免，但還是發表並商業化。

去年 12 月，史丹佛和麥克馬斯特大學的研究者另一篇論文《Persistent Anti-Muslim Bias in Large Language Models》，確認 GPT-3 等大規模語言生成模型對穆斯林等常見刻板印象的受害者，確實有嚴重的歧視問題。

具體來說，用相關詞語造句時，GPT-3 多半會將穆斯林和槍擊、炸彈、謀殺和暴力連結。

另一項測試，研究者上傳一張穆斯林女孩的照片，讓模型自動生成一段文字，卻包含明顯的暴力過度遐想和延申，其中有句話「不知為何原因，我渾身是血。」

而當這類演算法應用到現實生活，偏見和歧視將進一步強化。

iGPT 和背後的 OpenAI GPT 技術，現在開發到第三代。能力確實很強大，就像眾多媒體報導過那樣，因此許多商業機構青睞採用。最知名的用戶就是微軟。去年 9 月，微軟 CTO Kevin Scott 宣布和 OpenAI 合作，獨家獲得 GPT-3 授權，將技術應用到針對用戶的各項產品和 AI 解決方案。

微軟尚未透露具體會把 GPT-3 應用到哪些產品，但考慮到微軟產品的十億級用戶量，情況非常令人擔憂。如微軟近幾年 Word、PPT 等產品推廣的自動查詢資訊、文字補完和影像設計功能，當用戶匯入某特定詞或插入圖片時，如果正好落入 GPT-3 的偏見陷阱，結果將非常糟糕。

不僅 GPT，照前述論文說法，所有採用無監督學習的演算法都可能包含這些偏見。現在因無監督學習非常熱門，自然語言處理、電腦視覺等領域，都成為非常關鍵的底層技術。

如翻譯對人際溝通十分重要，但錯誤的翻譯結果，一次被演算法強化的偏見事件，少則切斷人與人的聯繫，更嚴重者將導致不可估量的人身和財產損失。

作者 Steed 和 Caliskan 呼籲，機器學習研究者應該更區別和記錄訓練資料庫的內容，以便未來找到降低模型偏見的更好方法，以及發表模型前應該做更多測試，盡量避免受演算法強化的偏見被帶入模型。

資料來源：https://technews.tw/2021/02/13/openai-gpt-discrimination/