人工智能应用不当会产生哪些风险？

一、数据风险

1. “数据投毒”

所谓的“数据投毒”指人工智能训练数据污染导致人工智能决策错误。通过在训练数据里加入伪装数据、恶意样本等，破坏数据的完整性，进而导致训练的算法模型决策出现偏差。

2. 数据泄露

一方面逆向攻击可导致算法模型内部的数据泄露;

另一方面，人工智能技术可加强数据挖掘分析能力，加大隐私泄露风险。比如各类智能设备（如智能手环、智能音箱）和智能系统（如生物特征识别系统、智能医疗系统），人工智能设备和系统对个人信息采集更加直接与全面。人工智能应用采集的信息包括了人脸、指纹、声纹、虹膜、心跳、基因等，具有很强的个人属性。这些信息具有唯一性和不变性，一旦泄露或者滥用将产生严重后果。

3. 数据异常

运行阶段的数据异常可导致智能系统运行错误，同时模型窃取攻击可对算法模型的数据进行逆向还原。此外，开源学习框架存在安全风险，也可导致人工智能系统数据泄露。

二、算法风险

图像识别、图像欺骗等会导致算法出问题，比如自动驾驶，谷歌也做了一些研究，如果模型文件被黑客控制恶意修改，并且给它学习，会产生完全不一样的结果;

算法设计或实施有误可产生与预期不符甚至伤害性结果;

算法潜藏偏见和歧视，导致决策结果可能存在不公;

算法黑箱导致人工智能决策不可解释，引发监督审查困境;

含有噪声或偏差的训练数据可影响算法模型准确性。

三、网络风险

人工智能不可避免的会引入网络连接，网络本身的安全风险也会将AI带入风险的深坑;

人工智能技术本身也能够提升网络攻击的智能化水平，进而进行数据智能窃取;

人工智能可用来自动锁定目标，进行数据勒索攻击。人工智能技术通过对特征库学习自动查找系统漏洞和识别关键目标，提高攻击效率;

人工智能可自动生成大量虚假威胁情报，对分析系统实施攻击。人工智能通过使用机器学习、数据挖掘和自然语言处理等技术处理安全大数据，能自动生产威胁性情报，攻击者也可利用相关技术生成大量错误情报以混淆判断;

人工智能可自动识别图像验证码，窃取系统数据。图像验证码是一种防止机器人账户滥用网站或服务的常用验证措施，但人工智能通过学习可以让这一验证措施失效。

四、其他风险

第三方组件问题也会存在问题，包括对文件、网络协议、各种外部输入协议的处理都会出问题。被黑客利用，带来的是灾难性的毁灭。