谷歌街景图像里充满了汽车。这是一个简单而显而易见的事实，人工智能研究人员已经利用这一点做了一些令人惊讶的事情。通过分析汽车类型，他们能够预测他们研究过的城市居民的人口统计信息。
例如，这个主要来自斯坦福大学的研究团队分析了在一个给定的城市里，他们看到的是皮卡更多还是轿车更多。如果皮卡数量更多，那么该城市地区有 82% 的几率投票给共和党；如果轿车数量更多，那么有 88% 的几率投票给民主党。
人工智能系统在处理海量数据并从中做出预测时表现出色。在这种情况下，数据来自于谷歌街景的 200 个城市的 5000 万张图像。然后，研究人员使用对象识别技术从图像中的其他对象中识别出汽车。他们接着对这些汽车——多达 2200 万辆，占美国汽车总数的 8%——按品牌、型号和年份进行了分类。为了做到这一点，他们训练了一个名为神经网络的人工智能工具来识别它们。（具体来说，他们使用了一种卷积神经网络，这种网络以善于处理图像而闻名。）
神经网络仅用两周时间就处理完了这 5000 万张图像。根据发表在 PNAS 杂志上的一项关于这项研究的新研究，这对一个人来说可能需要大约 15 年的时间。
研究的作者们还必须弄清楚汽车类型是如何与该地区的政治倾向和其他人口统计信息等因素相关联的。为此，他们使用了回归分析，这是一种数学和统计工具，用于查看车辆类型如何与他们从投票数据和人口普查中获得的信息相关联。
“最终，他们学到的东西‘出奇地准确’，”该研究的第一作者、斯坦福人工智能实验室前研究员 Timnit Gebru 表示。例如，他们的系统预测怀俄明州的卡斯珀是共和党的。这得到了 2008 年总统选举结果的支持，该团队将其用作了真实世界的指标。
然而，她也谨慎地表示，他们的系统并不够准确，不能取代实际进行人口普查——尽管它可以作为补充。或者，在资源匮乏的国家，像这样的方法可以在不花费全套人口普查费用的情况下，帮助收集人口统计信息。
但更大的图景不仅仅是汽车图像和对投票历史的预测。Gebru 表示，这项策略代表了一种新的工具，社会科学家可以通过将人工智能技术应用于海量数据（如谷歌街景图像）来利用它。她还说，当然，它不必只关注汽车和政治；研究人员可以查看树木，然后研究公共卫生。也不必仅仅是街景图像：它可以筛选卫星照片。
归根结底，让人工智能系统完成这项工作，其效率将比仅凭人力高出几个数量级。
