第7章 习题与参考答案

习题与参考答案注意：关于第7章的习题，本教材所提供的参考答案并非唯一“正确”的结论。人工智能伦理问题往往涉及价值判断、社会背景与技术发展的多重张力，因此没有绝对标准的答案。本教材仅呈现可能的思考方向与回应角度，旨在引导学生进行批判性思考、多视角分析和负责任的价值选择。鼓励教师结合课堂讨论，激发学生表达独立见解，共同探索技术与人文之间的平衡之道。为什么说“算法没有偏见，但数据有历史”？训练数据如何影响AI决策的公平性。参考思路：算法本身是数学逻辑的集合，不具备主观意识，因此不主动产生偏见。但算法通过训练数据学习规律，而这些数据往往来自现实社会，承载着历史上的性别、种族、地域等结构性不平等。例如，若招聘系统的训练数据中长期男性占优，AI会误将“男性特征”与“优秀员工”关联，从而在筛选简历时系统性排斥女性候选人。这说明：算法放大的不是技术问题，而是社会问题。训练数据的质量和代表性直接决定了AI是否公平。在金融信贷场景中，AI模型常以“客观数据分析”为由拒绝低收入群体贷款申请。这种做法是否合理？参考思路：表面上看，AI基于还款能力预测进行风控评估，具有统计合理性。但若仅依赖收入、职业、居住地等单一维度建模，容易将贫困状态视为“高风险标签”，导致低收入者被持续排除在金融服务之外，形成“算法固化贫困”。这种“客观”实则是将历史排斥机制自动化。真正的公平不应是机械一致，而应考虑社会背景，引入差异化授信机制（如小额试贷、信用重建通道），避免技术成为阶层固化的工具。人脸识别技术在提升公共安全效率的同时，也可能导致“无感监控”泛滥。你认为应在哪些场景下禁止使用该技术？参考思路：应在涉及基本人权和私人领域的场景中严格限制或禁止使用人脸识别技术。例如：校园、医院、宗教场所：保护未成年人、病人和信仰自由；住宅小区出入口：防止对居民日常生活的过度追踪；街头大规模实时比对：避免“人人皆可疑”的监控社会氛围。依据在于《个人信息保护法》中的“最小必要原则”和“目的限定原则”——技术应用不得超越正当目的，更不能以安全为名侵蚀公民隐私权与人格尊严。自动驾驶的案例告诉我们什么道理？技术进步、伦理与法律如何权衡？参考思路：自动驾驶表明，技术可以跑得快，但社会接受必须走得稳。当车辆能在L4级别自主行驶时，责任主体从驾驶员转向运营方，传统交通法规面临重构。我们必须在技术推进的同时同步建立伦理准则与法律框架，明确不同自动化等级下的责任划分、事故追溯机制和保险制度。不能让技术创新领先于责任体系，否则一旦出事，公众信任将迅速崩塌。理想状态是“技术一步、伦理半步、法律同步”。生成式AI能够创作出高度逼真的文本、图像甚至视频，但也带来了虚假信息传播的风险。平台、开发者和用户分别应承担怎样的责任？参考思路：开发者：应在模型底层嵌入水印、溯源机制，确保生成内容可识别，并公开技术边界；平台：需落实内容审核义务，强制标注AI生成内容，对恶意滥用行为及时封禁；用户：有责任不伪造事实、不误导他人，尤其在新闻、教育、政务等敏感领域慎用AI内容。三方共同构建“可追溯—可识别—可追责”的责任链条，才能遏制“深度伪造”带来的信任危机。国家网信办等多部门制定的《人工智能生成合成内容标识办法》，要求AI生成内容必须添加显著标识，以保障公众知情权。这一措施在维护信息真实性和社会信任的同时是否可能限制AI创作的创新与应用？如何在“透明性”与“创造性”之间实现平衡？参考思路：强制标识有助于防范欺骗、维护信息秩序，是当前阶段必要的“安全护栏”。短期内可能增加创作成本或影响艺术表达的流畅性，但长远看反而能增强公众对AI内容的接纳度。平衡之道在于：对非商业、创意实验类内容可采用轻量级隐式标记；对新闻、广告、政务等公共传播内容坚持显著可视标识；推动国际统一标准，避免碎片化监管阻碍技术交流。透明不是束缚，而是让创新建立在可信基础之上。我国出台《生成式人工智能服务管理暂行办法》，要求企业提供训练数据来源说明。这项规定对促进AI透明性和公众信任有何意义？参考思路：该规定迫使企业反思数据合法性，防止未经授权使用个人作品、盗版资料或敏感信息进行训练。它提升了模型的可解释性，使公众了解“AI从哪里学来知识”，减少“黑箱焦虑”。同时也有助于发现并纠正潜在偏见来源，推动行业走向合规化、负责任的发展路径。更重要的是，它传递了一个信号：技术不能以牺牲他人权益为代价换取发展速度，只有阳光下的AI才能赢得长久信任。推荐算法常常将用户困在“信息茧房”中，只看到自己认同的观点。这是否会削弱民主社会所需的多元对话？我们可以设计怎样的机制来打破茧房？参考思路：是的。长期沉浸于同质化信息会导致认知极化、误解加剧，削弱公共讨论的基础。健康的民主需要人们接触不同声音。可通过以下机制打破茧房：在推荐流中定期插入“异质观点”或“热门争议话题”；设置“跳出舒适圈”按钮，主动探索其他立场内容；引入公共价值权重，优先推送科普、政策解读等共通知识；允许用户查看“为什么推荐这条内容”，提升算法透明度。目标不是取消个性化，而是让个性与公共理性共存。如果一个AI系统在医疗诊断中的准确率高于人类医生，是否就可以完全替代医生做出诊疗决定？请从专业权威、患者信任与责任归属角度进行分析。参考思路：即便AI准确率更高，也不能完全替代医生。原因有三：专业权威：医学不仅是数据判断，还包括临床经验、综合评估和动态调整治疗方案的能力，AI尚难全面模拟；患者信任：病人需要面对面沟通、情感支持和解释过程，冷冰冰的“AI诊断书”难以建立医患关系；责任归属：一旦误诊，AI无法承担法律责任，也无法道歉赔偿，最终仍需人类医生兜底。因此，AI应作为“超级助手”，辅助医生提升效率，而非取代其核心角色。作为一名未来的AI从业者，你在课程项目或实习中可能遇到哪些伦理困境？面对公司“效率优先”的要求，你将如何坚守技术向善的底线？参考思路：可能遇到的困境包括：使用未经同意的数据训练模型、开发过度成瘾的推荐系统、隐瞒AI客服的身份误导用户等