人工智能应用中的安全、 隐私和伦理挑战及应对思考 人工智能引发的道德伦理

人工智能应用中的安全、 隐私和伦理挑战及应对思考

隐私保护挑战

大数据驱动模式主导了近年来人工智能的发展，成为新一轮人工智能发展的重要特征。隐私问题是数据资源开发利用中的主要威胁之一，因此，在人工智能应用中必然也存在隐私侵犯风险。

数据采集中的隐私侵犯

随着各类数据采集设施的广泛使用，智能系统不仅能通过指纹、心跳等生理特征来辨别身份，还能根据不同人的行为喜好自动调节灯光、室内温度、播放音乐，甚至能通过睡眠时间、锻炼情况、饮食习惯以及体征变化等来判断身体是否健康。然而，这些智能技术的使用就意味着智能系统掌握了个人的大量信息，甚至比自己更了解自己。这些数据如果使用得当，可以提升人类的生活质量，但如果出于商业目的非法使用某些私人信息，就会造成隐私侵犯。

云计算中的隐私风险

因为云计算技术使用便捷、成本低廉，提供了基于共享池实现按需式资源使用的模式，许多公司和政府组织开始将数据存储至云上。将隐私信息存储至云端后，这些信息就容易遭到各种威胁和攻击。由于人工智能系统普遍对计算能力要求较高，目前在许多人工智能应用中，云计算已经被配置为主要架构，因此在开发该类智能应用时，云端隐私保护也是人们需要考虑的问题。

知识抽取中的隐私问题

由数据到知识的抽取是人工智能的重要能力，知识抽取工具正在变得越来越强大，无数个看似不相关的数据片段可能被整合在一起，识别出个人行为特征甚至性格特征。例如，只要将网站浏览记录、聊天内容、购物过程和其他各类别记录数据组合在一起，就可以勾勒出某人的行为轨迹，并可分析出个人偏好和行为习惯，从而进一步预测出消费者的潜在需求，商家可提前为消费者提供必要的信息、产品或服务。但是，这些个性化定制过程又伴随着对个人隐私的发现和曝光，如何规范隐私保护是需要与技术应用同步考虑的一个问题。

伦理规范挑战

伦理问题是人工智能技术可能带给人们的最为特殊的问题。人工智能的伦理问题范围很广，其中以下几个方面值得关注。

机器人的行为规则

人工智能正在替代人的很多决策行为，智能机器人在作出决策时，同样需要遵从人类社会的各项规则。比如，假设无人驾驶汽车前方人行道上出现3个行人而无法及时刹车，智能系统是应该选择撞向这3个行人，还是转而撞向路边的1个行人？人工智能技术的应用，正在将一些生活中的伦理性问题在系统中规则化。如果在系统的研发设计中未与社会伦理约束相结合，就有可能在决策中遵循与人类不同的逻辑，从而导致严重后果。

机器人的权力

目前在司法、医疗、指挥等重要领域，研究人员已经开始探索人工智能在审判分析、疾病诊断和对抗博弈方面的决策能力。但是，在对机器授予决策权后，人们要考虑的不仅是人工智能的安全风险，而且还要面临一个新的伦理问题，即机器是否有资格这样做。随着智能系统对特定领域的知识掌握，它的决策分析能力开始超越人类，人们可能会在越来越多的领域对机器决策形成依赖，这一类伦理问题也需要在人工智能进一步向前发展的过程中梳理清楚。

机器人的教育

有伦理学家认为，未来机器人不仅有感知、认知和决策能力，人工智能在不同环境中学习和演化，还会形成不同的个性。据新华网报道，国外研发的某聊天机器人在网上开始聊天后不到24个小时，竟然学会了说脏话和发表种族主义的言论，这引发了人们对机器人教育问题的思考。尽管人工智能未来未必会产生自主意识，但可能发展出不同的个性特点，而这是受其使用者影响的。机器人使用者需要承担类似监护人一样的道德责任甚至法律责任，以免对社会文明产生不良影响。

启示与建议

人类社会即将进入人机共存的时代，为确保机器人和人工智能系统运行受控，且与人类能和谐共处，在设计、研发、生产和使用过程中，需要采取一系列的应对措施，妥善应对人工智能的安全、隐私、伦理问题和其他风险。

加强理论攻关，研发透明性和可解释性更高的智能计算模型

在并行计算和海量数据的共同支撑下，以深度学习为代表的智能计算模型表现出了很强的能力。但当前的机器学习模型仍属于一种黑箱工作模式，对于AI系统运行中发生的异常情况，人们还很难对其中的原因作出解释，开发者也难以准确预测和把握智能系统运行的行为边界。未来人们需要研发更为透明、可解释性更高的智能计算模型，开发可解释、可理解、可预测的智能系统，降低系统行为的不可预知性和不确定性，这应成为人工智能基础理论研究的关注重点之一。

开展立法研究，建立适应智能化时代的法律法规体系

欧盟、日本等人工智能技术起步较早的地区和国家，已经意识到机器人和人工智能进入生活将给人类社会带来的安全与伦理问题，并已着手开展立法探索，如2016年5月，欧盟法律事务委员会发布《就机器人民事法律规则向欧盟委员会提出立法建议》的报告草案，探讨如何从立法角度避免机器人对人类的伤害。有效应对未来风险挑战需强化立法研究，明确重点领域人工智能应用中的法律主体以及相关权利、义务和责任，建立和完善适应智能时代的法律法规体系。

制定伦理准则，完善人工智能技术研发规范

当人工智能系统决策与采取行动时，人们希望其行为能够符合人类社会的各项道德和伦理规则，而这些规则应在系统设计和开发阶段，就需被考虑到并被嵌入人工智能系统。因此，需要建立起人工智能技术研发的伦理准则，指导机器人设计研究者和制造商如何对一个机器人做出道德风险评估，并形成完善的人工智能技术研发规范，以确保人工智能系统的行为符合社会伦理道德标准。

提高安全标准，推行人工智能产品安全认证

可靠的人工智能系统应具有强健的安全性能，能够适应不同的工况条件，并能有效应对各类蓄意攻击，避免因异常操作和恶意而导致安全事故。这一方面需要提高人工智能产品研发的安全标准，从技术上增强智能系统的安全性和强健性，比如完善芯片设计的安全标准等；另一方面要推行智能系统安全认证，对人工智能技术和产品进行严格测试，增强社会公众信任，保障人工智能产业健康发展。

建立监管体系，强化人工智能技术和产品的监督

由于智能系统在使用过程中会不断进行自行学习和探索，很多潜在风险难以在研发阶段或认证环节完全排除，因此加强监管对于应对人工智能的安全、隐私和伦理等问题至关重要。建议在国家层面建立一套公开透明的人工智能监管体系，实现对人工智能算法设计、产品开发、数据采集和产品应用的全流程监管，加强对违规行为的惩戒，督促人工智能行业和企业自律。

推动全球治理，共同应对风险挑战

人工智能的快速发展是全球各国共同面临的问题，应明确科学家共同体、政府与国际组织各自的职责，引导各国积极参与人工智能全球治理。加强机器人伦理和安全风险等人工智能国际共性问题研究，深化人工智能法律法规、行业监管等方面的交流合作，推进人工智能技术标准和安全标准的国际统一，使人工智能科技成就更好地服务于人类社会。

致谢：本研究受科技部改革发展专项“中国人工智能2.0规划编制”（2016GH010036）、科技部科技创新战略研究专项“重大科技项目和科技工程形成机制研究”（ZLY2015133）资助。

（责任编辑王丽娜）

注：本文发表在2017年第15期《科技导报》，欢迎关注。本文部分图片来自互联网，版权事宜未及落实，欢迎图片作者与我们联系稿酬事宜。

返回搜狐，查看更多

人工智能与伦理道德

技术进步本身无法解决AI的深层次根本性问题：算法的设计哪怕再周全，也必须根据现实世界的数据来作出决定，但现实世界是有缺陷的、不完美的、不可预测的、特异的。

计算机科学家比其他人更快意识到，在系统被设计出来之后，工程并不总是能解决这样的问题。尽管数据隐私得到加强，对算法公平的局限性有了更加清醒的认识，但人们意识到，在系统投入使用之前，必须把道德关切纳入考量。这种认知促使伦理学课程（由哲学系博士后和研究生讲授）被正式整合进哈佛大学的很多计算机科学课程。哈佛大学以及人工智能伦理与治理基金机构（由哈佛大学法学院伯克曼·克莱因中心和麻省理工学院媒体实验室共同创办）的数据科学家，就AI对人类社会的影响进行了深入讨论。这种对伦理的关注源于哈佛大学一位资深的计算机科学教授。

从沟通到合作——和伦理学

自然科学教授芭芭拉·格罗兹（BarbaraGrosz）说：“几年前，我去拜访微软的几位朋友。其中一人研究计算机视觉系统。我们开车去某处散步。在高速公路上，我们前面的是一辆卡车，上面载着一个移动厕所，一辆自行车绑在这个移动厕所上。‘我的系统会怎么处理这个东西？’那人说，‘它知道该作何反应吗？’”答案是可能不知道。这样的一幅情景不可能成为其“体验”——大量的图像，由人类进行标记，构成了系统的训练数据——的一部分。

芭芭拉·格罗兹

现在的AI系统还很弱小，比不上强大的人类智能——可以把在一个场景中学到的东西迅速应用到另一个场景。纵然电脑能区分自动车、卡车和移动厕所，但如果这些物体混在一起，以每小时100公里的速度，沿着带自行车道的高速公路行驶，那么电脑就会搞不清状况。（利用这一弱点就是“AI和敌对攻击”的主题。）换句话说，AI缺乏常识和推理能力，即使它能发现人类发现不了的东西，比如发现复杂生物网络中的三阶或更高阶相互作用（必须三个或更多变量相互作用才能产生效果）。“别老想着机器人会统治世界。与其担心人们知道其局限性的智能系统，不如担心人们以为很聪明的愚蠢系统。”

格罗兹曾在康奈尔大学学习数学，后来在加州大学伯克利分校攻读计算机科学，1973年成为斯坦福国际研究院（SRIInternational）人工智能中心的研究数学家，从此开始钻研AI问题。计算机如何生成和理解人类语音和文本是AI研究的一个子领域，格罗兹被视为该领域的奠基人（荣获2017年国际计算语言学协会终生成就奖），她能说出Alexa、Siri和谷歌等智能语音系统一大堆的不足之处。例如，这些系统知道最近的医院在哪里，却没办法指引脚踝受伤的人前往。

她在语言方面开展AI研究的时候，还没有自然语言处理这种数据驱动的方法，所以她发明了一种基于模型的方法来代表人类语言，好让计算机可以理解其含义。事实证明这对该领域特别有价值，因为这促使她深入思考人机交互的本质，后来在构想人机协作的未来时，又促使她提出了旨在跟人进行团队合作的协作型AI系统的理论模型。

她在语言计算模型方面的研究远远超出了语法规则设计的范畴。理解说话者的意图，以便确定对话的结构，从而解译人类话语的含义，这是她开创的一个重要策略。她指出，真正的对话经常偏离主题，焦点不时转换。她举了一个著名的例子：一个人试图通过电传打字机，告诉另一个人如何组装一台空气压缩机，两人的自发对话被她记录了下来。其中一人用“它”来指代一个已经有半小时都没有被提及的物体，但两人十分清楚是什么意思。她说，语气也是理解歧义句的关键。“你是真正的王子”可能说得真心诚意，也可能语带讽刺，必须教电脑明白二者的区别。

从这种跨学科研究中，产生了关于人机交互本质的一般性原则。格罗兹和博士生（现为微软研究院高级研究员）艾瑟·卡马尔（EceKamar）提出了“中断管理”理论，用于引导人机之间的信息交换，以大大提高人机对话的效率。在漫长的职业生涯中，她逐渐意识到，AI系统与人类团队协作才能最大程度地发挥AI的作用。她设想的未来将智能电脑的速度和统计能力与人类的天赋相结合，而不是机器和人类彼此对抗。在描述AI系统击败象棋和围棋世界冠军或者取代人类工作岗位时，对抗常常被用来形容机器和人类的关系。可以说，人机协作代表了AI系统的前沿。

格罗兹开始在医疗领域试验基于团队的AI系统。她和一位斯坦福儿科医生启动了一个协调罕见病儿童护理工作的项目。照料这些儿童的人有很多，除了父母之外，还包括医生、家庭护理人员、理疗师和老师。她说，护理时间横跨数年，“我不知道有哪个人可以在这么长的时间内，持续追踪另外15个人都干了些什么”。

格罗兹和博士生（现为以色列理工学院教员）奥夫拉·阿米尔（OfraAmir）从分析患者护理团队如何工作开始，提出了一个团队合作的理论，引导人类成员和旨在协调儿童护理信息的AI系统进行互动。正如她在语言方面的AI研究一样，她从一般性原则着手。“在理论层面上，我们希望更好地了解在团队拥有多个成员的环境中如何共享信息，然后打造工具，先是为父母，接着为医生。”

她和巴伊兰大学教授萨里特·克劳斯（SaritKraus）提出了一个重要原则：团队成员不应该承担他们缺乏必要知识或者无力完成的任务。这是良好的人类团队合作所具有的一个特征，也是“知道自身局限性的智能系统”所具有的一个重要特征。“问题在于，不仅是AI，还有很多已经面世的技术无法完成分配给它们的工作。”“不知道你想要什么”的网络客服聊天机器人就是一例。她说，这些系统原本应该采取不同的设计，以便客户的初次互动是在电脑的帮助下跟一个人进行，那个人应该和客户建立关系，并检查电脑明显误解的地方，而系统应该帮助那个人更快地作出回答。当智能系统设计的这些基本原则没有得到应有的尊重时，系统被认为能够做到它们实际上做不到的事情，或者以不恰当的方式被使用。

格罗兹的跨学科研究方法涵盖语言学、哲学、心理学、经济学，甚至还有一点人类学和社会学，这促使她思考其中哪些学科对AI系统设计的教学最有帮助。1987年至2001年，她曾教了一门AI导论课程，当时AI的应用大体上还处于理论层面，但在2013年和2014年，她重开那门课程时，世界已经大变，全面运行的AI系统投入了使用。格罗兹意识到，关于AI提出的伦理挑战和良好的系统设计之间的相互影响，出现了一个教学良机。

这导致了格罗兹对哈佛大学计算机科学教学工作最重要的贡献之一：伦理学应该紧密地整合进所有课程。2015年秋，她引入了一门新课程，名叫“智能系统设计与伦理挑战”。次年，该课程的25个名额有140多名学生申请，这使她有了信心。格罗兹鼓励她的计算机科学同事将伦理学整合进他们自己的课程。由于他们大多缺乏伦理学的教学经验，她开始和哲学系主任、哲学沃尔科特教授艾莉森·西蒙斯（AlisonSimmons）合作。他们携手各自领域的同事，招募愿意将伦理单元囊括进计算机科学课程的计算机科学教授和愿意教授伦理单元的哲学系研究生。

这项“嵌入式伦理计算机科学”计划的目标，是教那些打造未来AI系统的人如何识别和思考伦理问题。（计算机科学现在是哈佛大学本科生人数第二多的专业，如果把统计学和应用科学等相关专业的学生计算在内，那么招生总数将大大超过排名第一的经济学专业。）“大多数的伦理挑战并没有一个简单的正确答案，”格罗兹指出，“所以，就像学生们学习基本的计算技能一样，我希望他们学习基本的伦理推理技能。”2017年春，四门计算机科学课程囊括了伦理学习，同年秋达到五门，2018年春增加到八门，现在总共有18门，包括系统编程、机器学习及其对公平和隐私的影响、社交网络与审查问题、机器人与就业和人机交互。

对就读这些课程的学生进行调查后发现，80%到90%的学生赞同嵌入式伦理教学，并且还想要更多。格罗兹说：“我希望所有的计算机科学课程，可能除了一两门以外，都包含伦理单元。”这样一来，到毕业时，每个学生都会知道，“伦理在该领域的方方面面都非常重要，而不仅仅是在AI方面”。她和同事希望学生们明白，想要解决偏见和AI可解释性等问题，他们在设计系统时，必须从一开始就把伦理原则放在心上。

变成波士顿司机

伯克曼·克莱因互联网及社会中心教务主任、国际法和计算机科学教授乔纳森·齐特林（JonathanZittrain）一直从原始法律的角度朝这个目标努力。2018年春，他和麻省理工学院媒体实验室主任伊藤穰一（JoiIto）共同教授一门课程，内容是探索应该如何塑造AI技术，使其将公共利益牢记在心。自动驾驶汽车是极好的研究对象，迫使学生们正视复杂性的本质，远非决定谁生谁死的“失控电车难题”那么简单。

齐特林解释说，一旦汽车真正实现自主，“这意味着，如果发出了对某人的逮捕令，那么下次那个人进入一辆自动驾驶汽车时，车门会自动上锁，汽车会把他送到最近的警局。或者，要是车里的人突然发病了，该怎么办？车辆能否以每小时110公里的速度在城市道路上飞奔，把人送往医院，而其他所有车辆都自动向两边分开，让出一条道路？”

齐特林班上的学生以为他们知道有关自动驾驶汽车的讨论会如何展开。但当齐特林提出一个非常简单的问题时，他们面临着系统设计者在道德上的两难抉择。那个问题是：“司机应不应该能够要求车辆以每小时128公里的速度行驶？”如果是，而汽车以那个速度行驶时发生了车祸，司机是否应该承担责任？或者，允许汽车达到那个速度的汽车制造商是否应该负责？“超速行驶时有发生，但我们知道我们对此无能为力，这能让我们心里好过点。”齐特林指出，“对自动驾驶汽车的初始前提是，车上没有司机，我们又不能责怪汽车，因为它是个死物。看起来好像没有责任，但实际上责任大了。”汽车制造商、AI系统设计者、政策制定者和司机都可以被追责。

齐特林指出，如果车载AI系统从道路驾驶经历中“学习”，不断改变其行为，那么情况会变得更加复杂。“如果它在波士顿开得够多，说不定它会变成波士顿司机！”这适用于很多学习系统，而相关的法律解决方案还未经探索。他说，如果学习系统的行为并不总是可以预测，带着那种不确定性投入使用，会让人们付出代价。

齐特林说，在跨学科研究中，各学科之间的联系是关键所在。在伯克曼·克莱因中心和麻省理工学院媒体实验室，他和同事建立了一个名叫“集会”的团体，让其他公司的软件开发人员跟学生、跟彼此共事几个月，研究AI和数据科学其他领域的一些问题。“嵌入式伦理授课可以为哈佛大学不同专业的学生提供彼此相逢的机会，利用他们在各自专业学到的知识，以团队方式研究这类东西。”

“我认为，这是格罗兹的教学和研究具有重大影响力和长久魅力的一个原因。她教的不是如何干预和修复计算机系统或软件，而是在更宏观的层面上思考人和技术应该如何互动。”技术能被追责吗？技术能被理解吗？技术能是公平的吗？

系统偏见和社会工程

在2018年10月举行的首届哈佛数据科学大会（HDSC）上，自主无人系统的公平问题被放在了一个突出的位置。计算机科学教授大卫·帕克斯（DavidParkes）列出了哈佛大学数据科学研究的指导原则：应该解决包括隐私在内的道德问题；不应该延续现有偏见；应该是透明的。但想要创造出体现这些原则的学习型AI系统是很难的。系统复杂性（可能有数千甚至更多变量）使人们几乎不可能真正理解AI系统，而且存在于学习系统所依赖的数据集中的偏见很容易得到强化。

人们为什么很想打开AI系统的“引擎盖”，弄明白它到底是如何作出决定的？这有很多原因：评估是什么导致输出结果存在偏见，在出事故前进行安全检查，或者在涉及自动驾驶汽车的事故发生后认定责任。

你能迅速完成这个简单的决策树吗？输入数据是：国际机器学习会议；2017年；澳大利亚；袋鼠；晴天。假设你已经正确完成，请用文字来解释你是如何达成拍手这个决定的。要是有100万个变量，会怎么样？

这探究起来其实很难、很复杂。为了说明这一点，计算机科学助理教授费娜丽·杜什-维雷兹（FinaleDoshi-Velez）把一个相对简单的决策树投射到大屏幕上。该决策树深四层，按照5个输入数据来回答问题。如果执行正确，最终的结果是举起你的左手。一些与会者能按规定完成。然后，她展示了一个更加复杂得多的决策树，可能深25层，增加了5个新参数来确定沿该决策树到达正确答案的路径。这个任务对电脑来说易如反掌。然而，当维雷兹询问有没有观众可以用文字来描述他们为什么会到达他们得出的那个答案时，没人回答。即使标出正确路径，也很难用外行人的话来描述复杂的交互式输入数据对结果的影响。这还只是决策树那样的简单模型，而不是拥有数百万个参数的现代深度架构。开发从任意模型（可扩展系统，拥有任意数量的变量、任务和输出数据）中获取解释的技术，这是维雷兹及其同事的研究课题。

偏见造成了一系列的问题。在HDSC大会上发表关于算法公平的讲话时，计算机科学教授辛西娅·德沃克（CynthiaDwork）说，面对不同的群体（比如种族不同或者宗教信仰不同），评定是否符合资格（比如贷款资格）的算法应该对每个群体都一视同仁。但在机器学习系统中，算法本身（逐步解决一个特定问题的过程）只是系统的一部分。另一个部分是数据。在自动作出贷款决定的AI系统中，算法部分可能是没有偏见的，对每个群体都完全公平的，但在算法从数据中学习后，结果可能就不是这样了。德沃克解释道：“算法访问的数据没有被正确标注（也就是没有获得真相）。”如果被用来作出决定的数据存在偏见，那么决定本身就可能存在偏见。

有几个方法可能解决这个问题。一是仔细挑选被算法纳入考量的申请人属性（邮政编码是著名的种族代号，因此常常被排除）。但偏见可以通过算法使用的其他变量的相关性（比如姓氏与地理普查数据相结合）卷土重来。

德沃克说，针对特定群体的偏见常常可以通过聪明的算法设计来加以解决，但由于算法决策的一个基本特征，确保对个人的公平要难得多。任何一个这样的决定都会划一条线：正如德沃克所说，总是会有来自不同群体的两个人靠近这条线，线的两边各有一人，他们在几乎所有方面都非常相似，但只有一个人会获得贷款。

在某些情况下，通过系统设计来纠正偏见可能不是个好主意。看看计算机科学教授陈伊玲（YilingChen，音译）和研究生莉莉·胡（LilyHu）设计的一个雇佣系统。该系统旨在消除对非洲裔美国人的雇佣偏见。莉莉说：“作为纯粹的优化驱动工具，算法会继承、吸收、再现和加剧已有的不平等。比如，就业市场上存在一个由来已久的偏见，这时机器学习来了，它通过学会，重现了这个偏见。”他们的解决方法（利用经济学和社会学工具来理解就业市场上的偏见）使人们对算法公平的思考超出计算机科学的范畴，从跨学科、全系统的角度来看待这一问题。

陈伊玲从事于社会计算，这个数据科学领域强调人类行为对算法输入数据的影响。由于人是“自私的、独立的、容易犯错的且不可预测的”，这使得算法设计不可能在任何情况下都确保公平公正，于是她开始思考如何消除训练数据中的偏见。

她和莉莉致力于解决在招聘过程中落实反歧视行动的问题。想要消除少数群体历来面临的不公，一个直截了当的方法是在其他所有条件相等的情况下，作出有利于少数群体的雇佣决定。（这可能被视为对多数群体的不公，但在真正实现就业平等之前，仍然是可以接受的。）但陈伊玲和莉莉考虑了人的因素。假设少数群体中的很多人都没有上过大学，原因是“学费高昂，而且由于歧视的缘故，我即使拿到了学位，找到工作的几率仍然很低”。同时，雇主可能认为“来自少数群体的人，受教育程度较低，工作表现不好，因为他们不够努力”。陈伊玲和莉莉说，考虑到由来已久的不平等，即使某个少数群体人士不上大学的决定是理性的，但那个决定会强化雇主对整个群体的成见。这种反馈效应模式不仅难以打破，而且正是算法（着眼于以前的成功招聘并将之与大学学位联系起来）将会强化的那种数据模式。

陈伊玲和莉莉提出的解决方法不单单基于数学，而是社会工程，利用算法来改变数据标注。这相当于承认消除数据中的偏见非常困难。研究人员提议创建一个临时的就业市场。陈伊玲说，可以将之视为一个实习期，每个应聘者必须实习两年，然后才能转正。进入这个实习库后，会面临一个简单的“公平约束”算法，该算法要求雇主从少数和多数群体中选择实习生，实习生数量要具有代表性。然后，在实习结束时，是否转正只看工作表现，不考虑属于哪个群体。由于从族群角度来说是同样聪明的，两个群体最终实现了平等。

莉莉说：“我们试图反驳的是一切都可归结为优化问题、预测问题或者分类问题的观点。这种观点在机器学习/AI圈子里仍然是主流。如果你以标准的机器学习方式来处理，最后的结果将是加剧那些不平等。”

她说，人们必须明白，“创造技术的行为和我们使用技术的方式，其本身就是政治行动。技术不是凭空存在的，就像有时为善、有时为恶的仪器工具一样。我觉得，以那种方式来看待技术是很幼稚的”。

莉莉强调，不管技术被用来识别视频片段中的犯罪嫌疑人，还是被用来提供适合不同学习风格的教育或者医疗建议，“我们都要思考技术如何体现特定的价值观和假设。这是第一步：要知道，问题并非是伦理上的和非伦理上的，其实，在我们设计的一切东西中，总会有规范性问题，每一步都是如此”。把那种认知整合进现有的课程中，这有助于确保“我们用技术打造的世界，是一个我们想要居于其中的世界”。

（转自：品觉）返回搜狐，查看更多

人工智能治理应坚持伦理先行、以人为本智能向善

雷钟哲中国网时事评论员

11月16日，在瑞士日内瓦举行的联合国《特定常规武器公约》2022年缔约国大会上，中国政府正式提交了《中国关于加强人工智能伦理治理的立场文件》。中方在文件中提出，人工智能治理应坚持伦理先行，通过制度建设、风险管控、协同共治等推进人工智能伦理监管；应加强自我约束，提高人工智能在研发过程中的算法安全与数据质量，减少偏见歧视；应提倡负责任使用人工智能，避免误用、滥用及恶用，加强公众宣传教育；应鼓励国际合作，在充分尊重各国人工智能治理原则和实践的前提下，推动形成具有广泛共识的国际人工智能治理框架和标准规范。

上述“应坚持”“应加强”“应提倡”“应鼓励”四项主张，是中国智慧、中国方案的重要内涵，表明了中国人工智能伦理治理的立场，抓住了国际人工智能伦理治理的关键，为推动形成全球人工智能治理“以人为本”“智能向善”的框架和标准规范，作出了中国贡献。

科学发明与技术进步，从来都是一柄“双刃剑”，在造福人类的同时也潜在着巨大的风险。如同核弹可以毁灭人类、核电可以福荫百姓一样，人工智能作为颠覆性新技术，也在给人类社会发展带来巨大红利的同时，伴之以现实危害和诸多挑战，对各国政治、经济、军事、社会等领域的复杂影响日益显现。

一方面，人工智能已在数字经济、智能制造、生物医药等方面崭露头角，为全球发展和繁荣注入强大动力；另一方面，人工智能技术的现实应用正放大数据安全风险、侵犯个人隐私，给全球非传统安全带来了新的负面影响。人工智能技术一旦被误用、滥用，特别是用于武器，可能冲击社会道德规范和现有法律体系，引发严重灾难和伦理问题。加强人工智能伦理治理，已成为摆在各国面前必须认真对待的重要课题。

人工智能伦理治理，首先要解决方向问题，即人工智能技术再怎么发展，都不能走到反噬人类的歧路上去。不难想见，当基因编辑、脑机接口、神经工程以及人工智能等技术不断发展将人类改造自然的能力从外部拓展到人类自身时，有关人的身体技术化和精神技术化问题就会导致各种伦理矛盾尖锐出现。因此，要形成广泛共识，限制特定类型的人工智能研发，尤其是禁止相关技术在军事领域的应用。近年来，联合国开始讨论如何应对“致命性自主武器系统”，联合国教科文组织也就人工智能伦理问题制定了建议文件。中国的“立场文件”，体现的是“以人为本”的理念，彰显的是“智能向善”的引领。

此外，人工智能伦理治理要涵盖监管、研发、使用各个环节，伦理道德要融入人工智能全生命周期。监管上坚持伦理先行，从制度建设、风险管控、协同共治等多方面推进人工智能伦理监管；研发上将伦理考量融入各个环节，加强对数据采集和算法开发的伦理审查，实现人工智能系统的普惠性、公平性和非歧视性；使用上强调负责，避免技术的误用、滥用及恶用，保障产品与服务使用中的个人隐私与数据安全，反对非法收集利用个人信息。

中国始终致力于在人工智能领域构建人类命运共同体，坚持以人为本、智能向善原则，确保人工智能安全、可靠、可控。近年来，中国加快人工智能伦理治理步伐，发布了一系列规范性文件，明确人工智能治理框架和行动指南。中方继去年提交《中国关于规范人工智能军事应用的立场文件》后再次在联合国就人工智能治理提出方案，核心就是要发展为人服务的人工智能，努力提高人民的获得感、幸福感和安全感。

在全球化背景下实现这一目标，不仅需要中国努力，更需要摒弃“本国优先”、避免“脱钩断链”、反对“筑墙设垒”，形成广泛共识，不断完善和加强人工智能领域全球治理水平，积极构建人类命运共同体。如是，人工智能技术就将赋能人类社会发展进步，为各国人民带来更多福祉。（责任编辑：乐水安然宇馨）

人脸识别引发道德伦理担忧！你的脸被监视了吗

来源：科技日报

人脸识别系统已经给我们的城市带来诸多方便。然而，在许多国家，对人脸识别的抵抗声也在不断高涨。研究人员、公民自由倡导者和法律学者都受到人脸识别技术兴起的困扰。他们正在跟踪其使用，揭露其危害并开展运动以寻求保障甚至是彻底禁止技术的使用。然而，技术发展的潮流浩浩荡荡，更多人认为该技术的存在是“不可避免的”，但是其背后存在的道德伦理问题值得我们深思。

近期，《自然》杂志的一系列报道对人脸识别系统背后的道德伦理学进行了探讨。一些科学家正在分析人脸识别技术固有的不准确和偏见，对其背后存在的歧视发出警告，并呼吁加强监管、提高技术透明度。

《自然》杂志对480位从事人脸识别、人工智能和计算机科学领域研究的研究人员的调查显示，人们对人脸识别研究的伦理学普遍存在担忧，但也存在分歧。

有些未经同意获取数据

为了使人脸识别算法正常工作，必须对大型图像数据集进行训练和测试，理想情况下，必须在不同的光照条件和不同的角度多次捕获这些图像。过去，科学家普遍招募志愿者，只为收集各种角度的照片；但现在，大多数人未经许可即被收集人脸图像。

在《自然》杂志的480位受访者中，当被问及对应用面部识别方法从外表识别或预测个人特征（如性别、年龄或种族）的研究有何看法时，约三分之二的人表示，此类研究只能在获得面部识别者知情同意的情况下进行，或者在与可能受到影响的群体代表讨论后进行。

大多数人认为，使用人脸识别软件的研究应事先获得伦理审查机构（例如机构审查委员会）的批准。他们认为，对于在学校、工作场所或由私人公司监视公共场所时使用人脸识别进行实时监视感到最不舒服，但是他们通常会支持警察在刑事调查中使用人脸识别系统。

从法律上讲，目前尚不清楚欧洲的科学家是否可以未经人们的同意而收集个人人脸的照片以进行生物识别研究。欧盟的通用数据保护条例并没有为研究人员提供明显的法律依据。在美国，一些州表示，商业公司未经其同意使用个人的生物识别数据是非法的。

受访者强烈认为，应该有其他法规来规范公共机构使用人脸识别技术。超过40%的人则希望禁止实时大规模监视。

存在性别和种族偏见现象

人脸识别系统通常是专有的并且保密，但是专家说，大多数系统涉及一个多阶段过程，该过程通过深度学习对大量数据进行大规模神经网络训练。

美国国家标准技术研究院（NIST）在去年年底发布的报告中称，人脸识别的准确率有了显著提高，深度神经网络在识别图像方面效果明显。但NIST同时也证实，相对于有色人种或女性，大多数人脸识别对于白人男性面孔的准确性更高。特别是，在NIST的数据库中被归类为非裔美国人或亚裔的面孔被误认的可能性是那些被归类为白人的面孔的10—100倍。与男性相比，女性误报的可能性更高。

领导NIST图像小组的电气工程师克雷格·沃森认为，这种不准确很可能反映了每家公司培训数据库构成的不平衡，一些公司可能已经开始解决这个问题。

有待严格立法和监管

致力于人脸识别或分析技术的研究人员指出，人脸识别有很多用途，比如寻找走失的儿童，追踪罪犯，更方便地使用智能手机和自动取款机，通过识别机器人的身份和情绪来帮助机器人与人类互动，在一些医学研究中，还可以帮助诊断或远程跟踪同意的参与者。

人脸识别技术有好处，但这些好处需要根据风险进行评估，这就是为什么它需要得到适当和细致的监管。

目前，许多研究人员以及谷歌、亚马逊、IBM和微软等公司都呼吁在人脸识别系统方面出台更严格的监管措施。

马萨诸塞州波士顿东北大学研究面部监控的计算机科学家、法学教授伍德罗·哈特佐格说视人脸识别技术为“史上最危险的发明”，说如果美国立法者允许公司使用人脸识别，他们应该编写规则，从健身房到餐厅都应当禁止“面部指纹”的收集和储存，并禁止将人脸识别技术与自动化决策（如预测性警务、广告定位和就业）结合使用。

尚须谨慎研究和思考

密歇根州立大学东兰辛分校的计算机科学家阿尼尔·贾恩说：“在我们的社会中，我们需要大量正当而合法的人脸和生物识别应用。”但一些科学家表示，研究人员也必须认识到，在人们不知情的情况下对人脸进行远程识别或分类的技术从根本上是危险的，应该努力抵制其被用来控制人们的做法。

作为人工智能领域的首要会议之一，神经信息处理系统会议是今年首次要求进行这种道德考量，即提交有关人脸识别论文的科学家必须添加一份声明，说明他们的工作中存在的伦理问题和潜在的负面后果。

此外，《自然机器智能》杂志也在试图要求一些机器学习论文的作者在文章中加入一项声明，考虑到更广泛的社会影响和伦理问题。

纽约伊萨卡市康奈尔大学从事技术伦理研究的社会学家凯伦·利维认为，研究人脸识别的学者意识到道德伦理问题，“感觉像是科学界真正的觉醒”。