伦理学家排名，人工智能伦理学包括哪些学

一、西方伦理学代表人物

代表人物一—苏格拉底

是古希腊哲学的创始人之一，西方哲学家和伦理学家奠基人，在西方哲学的发展方面做出了巨大的奉献。

代表人物二—希波克拉底

希波克拉底被称为西方医德的奠基人，其著作《希波克拉底誓言》对医生当中、医患当中的行为准则作了较系统的阐述，对医德理论的创立和发展影响深远。

代表人物三—迈蒙尼提斯

阿拉伯的迈蒙尼提斯写的重要的文献—《迈蒙尼提斯祷文》，主要思想是为了世人的生命和健康，要时刻不忘医德，不要被贪欲、虚荣、名利所干扰而忘却为人类谋幸福的高尚目标。

代表人物四—帕茨瓦尔

英国托马斯·帕茨瓦尔的《医学伦理学》出版，标志着医学伦理学第一在英国形成独立的学科。

人工智能伦理学涵盖人工智能道德哲学、人工智能道德算法、人工智能设计伦理和人工智能应用伦理等四个维度。总结历次经验来说，人工智能伦理研究旨在“给人工智能一颗良芯(良心)”。这算是人工智能伦理研究与其他技术伦理研究不一样，应紧跟“机芯”和“人心”两个方面来展开。

人工智能开发的六大原则：公平、可靠和安全、隐私和保证、包容、透明、责任。

第一是公平性。公平性是指对人来说，不一样区域的人、不一样等级的全部人在AI面前是平等的，不应该出现人被歧视。

人工智能数据的设计均早时间是在训练数据的选择，这是可能出现不公的第一个环节。训练数据应该足以代表我们生存的多样化的世界，至少是人工智能将运行的那一些世界。以面部识别、情绪检测的人工智能系统作为例子，假设只对成年人脸部图像进行训练，这个系统可能就没办法准确识别儿童的特点或表情。

保证数据的“代表性”还不够，种族主义和歧视其他人的性别，现在的社会环境也不存在性别歧视这些行为也许悄悄混入社会数据。假设我们设计一个帮雇主筛选求职者的人工智能系统，假设用公共就业数据进行筛选，系统不出意外的情况大概会“学习”到大多数软件开发人员为男性，在选择软件开发人员职位的人选时，该系统就不出意外的情况大概偏向男性，尽管开展该系统的公司想要运用招聘提升员工的多样性。

假设大家假定技术系统比人更少出错、更精准、具有更多的权威，也许导致不公。不少情况下，人工智能系统输出的结果是一个可能性预测，例如“申请人贷款违约可能性约为70％”，这个结果可能很准确，但假设贷款管理人员将“70％的违约风险”简单解释为“不良信用风险”，拒绝向全部人提供贷款，既然如此那，就有三成的人虽然信用状况良好，贷款申请也被拒绝，致使不公。因为这个原因，我们需对人进行培训，使其理解人工智能结果的含义和影响，补上来人工智能决策中的不够。

第二是可靠性和安全性。它指的是人工智能使用起来是安全的、可靠的，不作恶的。

现在全美热议的一个话题是自动驾驶车辆的问题。以前有新闻报道，一辆行驶中的特斯拉系统产生了问题，车辆也还是以每小时70英里的速度在高速行驶，但是，驾驶系统已经死机，司机没办法重启自动驾驶系统。

想象一下，假设你要公布一个新药，它的监管、测试和临床试验会受到很严格的监管流程。但是为什么自动驾驶车辆的系统安全性完全是松监管甚至是无监管的？那就是一种对自动化的偏见，指的是我们过度相信自动化。这是一个很奇怪的矛盾：一个方面人类过度地信赖机器，但是，另外一个方面实际上这与人类的利益是冲突的。

另一个案例出现在旧金山，一个已经喝晕了的特斯拉车主直接进到车里打开了自动驾驶系统，睡在车里，然后这辆车就自动开走了。这个特斯拉的车主认为，“我喝醉了，我没有能力继续开车，但是，我可以相信特斯拉的自动驾驶系统帮我驾驶，那我是不是就不违法了？”但其实这也属于违法的行为。

可靠性、安全性是人工智能很需特别要注意关注的一个领域。自动驾驶车只是这当中一个例子，它涉及到的领域也绝不仅限于自动驾驶。

第三是隐私和保证，人工智能因为涉及到数据，故此，总是会导致个人隐私和数据安全方面的问题。

美国一个很流行的健身的App叫Strava，例如你骑自行车，骑行的数据会使用电脑或手机在线上传到平台上，在社交媒体平台上有不少人完全就能够看到你的健身数据。问题随之而来，有不少美国军事基地的在役军人也在锻炼时用这个应用，他们锻炼的轨迹数据都使用电脑或手机在线上传了，整个军事基地的地图数据在平台上就都拥有了。美国军事基地的位置是高度保密的信息，但是，军方压根没想到一款健身的App就轻松地把数据泄露出去了。

第四是人工智能一定要考虑到包容性的道德原则，要考虑到世界上各自不同的功能障碍的人群。

举个领英的例子，他们有一项服务叫“领英经济图谱搜索”。领英、谷歌和美国一部分大学联合做过一个研究，研究通过领英达到职业提高的用户中是不是存在性别差异？这个研究主要集中了全美排名前20 MBA的一部分毕业生，他们在毕业后面会在领英描述自己的职业生涯，他们主要是对比这些数据。研究的结论是，至少在全美排名前20的MBA的毕业生中，存在自我推荐上的性别差异。假设你是一个男性的MBA毕业生，一般你在毛遂自荐的力度上要超越女性。

假设你是一个公司负责招聘的人，在线登录领英的系统，就可以有一部分重要字域要选，这当中有一页是自我总结。在这一页上，男性对自己的总结和评估一般都会高过女性，女性在这方面针对自我的评价是偏低的。故此作为一个招聘者，在招聘人员时实际上要取得不一样的数据信号，要将这样的数据信号的权重降下来，才不会干扰对应聘者的正常评估。

但是这又涉及到一个程度的问题，这个数据信号不可以调得过低，也不可以调得过高，要有一个正确的度。数据可以为人类提供不少的洞察力，但是，数据本身也包含一部分偏见。那么，我们如何从人工智能、伦理的的视角来更好地把控掌握这样一个偏见的程度，来达到这样的包容性，那就是我们说的人工智能包容性的内涵。

在这四项价值观之下还有两项重要的原则：透明度和问责制，它们是全部其他原则的基础。

第五是透明度。在过去十年，人工智能领域突飞猛进重要，要优先集中精力的一个技术就是深度学习，深度学习是机器学习中的一种模型，我们觉得至少在现阶段，深度学习模型的准确度是全部机器学习模型中高的，但是在这里存在一个它是不是透明的问题。透明度和准确度没办法兼得，你只可以在二者权衡取舍，假设你要更高的准确度，你就要牺牲一定的透明度。

在李世石和AlphaGo的围棋赛中就有这样的例子，AlphaGo打出的不少手棋其实是人工智能专家和围棋职业选手根本没办法理解的。假设你是一个人类棋手，你绝对不会下出这样一手棋。故此，究竟人工智能的逻辑是什么，它的思维是什么，人类现在不知道。

故此，我们目前面临的问题是，深度学习的模型很准确，但是，它存在不透明的问题。假设这些模型、人工智能系统不透明，就有潜在的不安全问题。

为什么透明度这么重要？举个例子，20世纪90年代在卡耐基梅隆大学，有一位学者在做相关肺炎方面的研究，这当中一个团队Team做根据规则的分析，帮决定病人是不是需住院。根据规则的分析准确率不高，但因为根据规则的分析都是人类可以理解的一部分规则，因为这个原因透明性好。他们“学习”到哮喘病人死于肺炎的可能性低于大多数情况下人群。

然而这个结果明显违背常识，假设一个人既患有哮喘，也患有肺炎，既然如此那，死亡率肯定是更高的。这个研究“学习”所得出的结果，其因素在于，一个哮喘患者因为经常会处于危险之中，但凡是产生症状，他们的警惕性更高、接受的医护措施会更好，因为这个原因能很快得到更好的医疗。那就是人的原因，假设你清楚你有哮喘，你就可以快速采用应急措施。

人的主观原因并没有作为客观的数据放在训练模型的数据图中，假设人类能读懂这个规则，完全就能够对其进行判断和校正。但假设它不是根据规则的模型，不清楚它是通过这样的规则来判断是一个不透明的算法，它得出了这个结论，人类根据这个结论就可以建议哮喘病人不要住院进行治疗，这明显是不安全的。

故此当人工智能应用于一部分重要领域，例如医疗领域、刑事执法领域时，我们一定要很小心。例如某人向银行申请贷款，银行拒绝批准贷款，这时作为客户就要问为什么，银行不可以说我是根据人工智能，它一定要给出一个理由。

第六是问责。人工智能系统采用了某个行动，做了某个决策，就一定要为自己带来的结果负责。人工智能的问责制是一个很有争议，题，我们还是回到自动驾驶车上进行讨论。确实，它还涉及到一个法律或者立法的问题。在美国已经产生多例因为自动驾驶系统致使的车祸。假设是机器代替人来进行决策、采用行动产生了不好的结果，究竟是谁来负责？我们的原则是要采用问责制，当产生了不好的结果，不可以让机器或者人工智能系统当替罪羊，人一定要是担负责任的。

但目前的问题是我们不知道根据全世界的法律基础来说，究竟哪个国家具备能力处理类似案件的能力。（美国）不少案件的裁决是根据“判例法”进行判断的，但是，针对这样一部分案例，我们没有先例可以作为法庭裁决的法律基础。

事实上不只是自动驾驶，还有其他不少领域，例如刑事案件问题，还有涉及军事领域的问题。目前有不少的武器已经自动化或者是人工智能化了，假设是一个自动化的武器杀伤了人类，这样的案件应该如何裁定？

这个问题就要牵涉到法律中的法人主体的问题，人工智能系统或全自动化系统是不是能作为法人主体存在？它会带来一系列的法律的问题：第一，人工智能系统是不是可以判断为是一个法律的主体？假设你判断它是一个法律的主体，那就算是人工智能系统有自己的权力，也有自己的责任。假设它有权力和责任，就算是它要对自己的行为负责，但是，这个逻辑链是不是成立？假设它作为一个法律主体存在，既然如此那，它要担负对应的责任，也享有接受法律援助的权利。因为这个原因，我们觉得法律主体一定要是人类