隨著數(shù)據(jù)的積累、計算機算力的躍升和算法的優(yōu)化，人工智能正在讓生活變得高效。語音識別、圖像識別使身份認證更可信賴，短短幾秒就能證明“你就是你”;智能診療和自動駕駛，更讓人們看到了戰(zhàn)勝疾病、減少事故的新機會;人工智能還可以輕松戰(zhàn)勝圍棋高手，寫出優(yōu)美的詩句……其自主性和創(chuàng)造性正在模糊人和機器的分野。

但是，當隱私侵犯、數(shù)據(jù)泄露、算法偏見等事件層出不窮時，人們又不得不反思：人工智能的持續(xù)進步和廣泛應用帶來的好處是巨大的，為了讓它真正有益于社會，同樣不能忽視的還有對人工智能的價值引導、倫理調(diào)節(jié)以及風險規(guī)制。

“刷臉”應用更廣泛，對隱私權(quán)的威脅值得重視

“刷臉”進站、“刷臉”支付、“刷臉”簽到、“刷臉”執(zhí)法……人臉識別技術正走進更為廣闊的應用場景，與指紋、虹膜等相比，人臉是一個具有弱隱私性的生物特征，因此，這一技術對于公民隱私保護造成的威脅性尤其值得重視。“人臉圖像或視頻廣義上講也是數(shù)據(jù)，如果沒有妥善保管和合理使用，就會容易侵犯用戶的隱私。”中國社會科學院哲學研究所研究員段偉文說。

通過數(shù)據(jù)采集和機器學習來對用戶的特征、偏好等“畫像”，互聯(lián)網(wǎng)服務商進而提供一些個性化的服務和推薦等，從正面看是有利于供需雙方的一種互動。但對于消費者來說，這種交換是不對等的。就頻頻發(fā)生的個人數(shù)據(jù)侵權(quán)的事件來看，個人數(shù)據(jù)權(quán)利與機構(gòu)數(shù)據(jù)權(quán)力的對比已經(jīng)失衡，在對數(shù)據(jù)的收集和使用方面，消費者是被動的，企業(yè)和機構(gòu)是主動的。段偉文表示，“數(shù)據(jù)實際上成為被企業(yè)壟斷的資源，又是驅(qū)動經(jīng)濟的要素。”如果商家只從自身利益出發(fā)，就難免會對個人數(shù)據(jù)過度使用或者不恰當披露。

“大數(shù)據(jù)時代，個人在互聯(lián)網(wǎng)上的任何行為都會變成數(shù)據(jù)被沉淀下來，而這些數(shù)據(jù)的匯集都可能最終導致個人隱私的泄露。”湖南師范大學人工智能道德決策研究所所長李倫認為，用戶已經(jīng)成為被觀察、分析和監(jiān)測的對象。

算法應更客觀透明，要避免歧視與“殺熟”

在信息爆炸的時代，數(shù)據(jù)的處理、分析、應用很多都是由算法來實現(xiàn)的，越來越多的決策正被算法所取代。從內(nèi)容推薦到廣告投放，從信用額度評估到犯罪風險評估，算法無處不在——它操作的自動駕駛或許比司機更加安全，它得出的診斷結(jié)果可能比醫(yī)生更準確，越來越多的人開始習慣一個由算法構(gòu)建的“打分”社會。

作為一種信息技術，算法在撥開信息和數(shù)據(jù)“迷霧”的同時，也面臨著倫理上的挑戰(zhàn)：利用人工智能來評估犯罪風險，算法可以影響刑罰;當自動駕駛汽車面臨危險，算法可以決定犧牲哪一方;應用于武器系統(tǒng)的算法甚至可以決定攻擊的目標……由此引發(fā)了一個不容忽視的問題：如何確保算法的公正?

騰訊研究院法律研究中心高級研究員曹建峰認為，即使作為一種數(shù)學表達，算法本質(zhì)上也是“以數(shù)學方式或者計算機代碼表達的意見”。算法的設計、模型、目的、成功標準、數(shù)據(jù)使用等，都是編程人員的主觀選擇，偏見會有意或者無意地嵌入算法，使之代碼化。“算法并不客觀，在算法決策起作用的諸多領域，算法歧視也并不鮮見。”

“算法決策多數(shù)情況下是一種預測，用過去的數(shù)據(jù)預測未來的趨勢，算法模型和數(shù)據(jù)輸入決定著預測的結(jié)果，因此這兩個要素也就成為算法歧視的主要來源。”曹建峰解釋說，除了主觀因素以外，數(shù)據(jù)本身也會影響算法的決策和預測。“數(shù)據(jù)是社會現(xiàn)實的反映，數(shù)據(jù)可能是不正確、不完整或者過時的，訓練數(shù)據(jù)本身也可能是歧視性的，用這樣的數(shù)據(jù)訓練出來的算法系統(tǒng)，自然也會帶上歧視的烙印。”

2016年3月，微軟人工智能聊天機器人Tay上線，在與網(wǎng)民互動過程中，很短時間內(nèi)就“誤入歧途”，集性別歧視、種族歧視于一身，最終微軟不得不讓它“下崗”。曹建峰認為，算法傾向于將歧視固化或放大，使歧視長存于整個算法之中。因此，如果將算法應用在犯罪評估、信用貸款、雇傭評估等關系人們切身利益的場合，一旦產(chǎn)生歧視，就可能危害個人乃至社會的利益。

此外，深度學習還是一個典型的“黑箱”算法，可能連設計者都不知道算法如何決策，因而要在系統(tǒng)中發(fā)現(xiàn)是否存在歧視和歧視根源，技術上也較為困難。“算法的‘黑箱’特征使其決策邏輯缺乏透明性和可解釋性。”李倫說，隨著大數(shù)據(jù)“殺熟”、算法歧視等事件的出現(xiàn)，社會對算法的質(zhì)疑也逐漸增多。政府和企業(yè)在使用數(shù)據(jù)的過程中，必須提高對公眾的透明度，讓選擇權(quán)回歸個人。