對于人工智能（以下簡稱 AI），研究人員經常說，一流的機器學習實際上更像一門藝術而不是科學。有效的公共關系也是如此，選擇合適的詞語來傳達積極的語調或重塑有關 AI 的話題是一項需要技巧的任務：做得好，就可以加強一個人的品牌形象，但做不好，可能會引起更強烈的反對和抵制。

科技巨頭們對這一點肯定是心知肚明。過去幾年里，他們不得不快速學會這門藝術，因為公眾對他們的行為越來越不信任，他們的 AI 研究和技術也面臨越來越多的批評。

現在，他們想向公眾證明他們十分關注 AI 開發方式的合理性，但又想確保這樣不會招來過多的審查，因此開發了一種新詞匯。以下是一則解讀他們的語言、挑戰他們的假設和價值觀的內部指南。

Accountability（責任，名詞）—— 即你的 AI 系統失敗時，讓其他人為其后果負責的行為。

Accuracy（準確性，名詞）—— 技術正確性。這是評估 AI 模型性能時最重要的成功衡量標準，參見 validation。

Adversary（對手，名詞）—— 即一個能破壞你強大的盈利 AI 系統的獨立工程師，參見 robustness 和 security。

Alignment（結盟，名詞）—— 即設計 AI 系統的挑戰，該系統需執行我們的命令，重視我們所重視的一切，故意轉移注意力。避免使用造成不良意外后果的真實例子，參見 safety。

Artificial general intelligence（人工一般智能，短語）—— 假設的 AI 上帝，可能會在遙遠的未來出現，但也可能馬上就會到來。可好可壞，只要說得通即可，但你明顯在打造一個好的 AI 上帝。這代價不菲，因此，你需要更多的資金，參見 long-term risks。

Audit（審計，名詞）—— 你花錢請別人對你的公司或 AI 系統進行審查，這樣你無需做任何改變就可以顯得更透明，參見 impact assessment。

Augment（增加，動詞）—— 即提高白領工人的生產力。副作用：自動化讓藍領無工可做，雖令人難過但不可避免。

Beneficial（有益的，形容詞）—— 即對你要構建的體系的籠統描述，定義不明更好，參見 value。

By design（精心設計，詞組）—— 如 “精心設計而來的公平” 或 “精心設計而來的責任”，這個詞組表明你從一開始就在認真思考重要的事情。

Compliance（服從，名詞）—— 即行為遵守法律，凡是不違法的都可以。

Data Labelers（數據標簽者，詞組）—— 據說這些人藏身于亞馬遜的 “土耳其機器人” 接口背后，以低廉的價格做數據清理工作，不確定他們是誰，從未見過他們。

Democratize（民主化，動詞）—— 即不惜一切代價擴展技術，也是集中資源的理由，參見 scale。

Diversity、equity、and inclusion（多樣性、公平和包容，詞組）—— 即雇傭邊緣群體的工程師和研究人員的行為，這樣你就可以把他們公之于眾，如果他們挑戰現狀，就可以解雇他們。

Efficiency（效率，名詞）—— 即使用較少的數據、內存、人員或精力來建立一個 AI 系統。

Ethics board （道德委員會，詞組）—— 即一個沒有實權的顧問小組，召集起來讓你的公司表現出樂于傾聽的樣子。如谷歌的 AI 道德委員會（已取消），Facebook 的監督委員會（仍存在）。

Ethics principles（倫理原則，詞組）—— 用來表明你動機良好的老生常談。保持高水平，語言越模糊越好，參見 responsible AI。

Explainable（可解釋的，形容詞）—— 描述一個你、開發者和用戶都能理解的 AI 系統，但對用戶來說就很難實現這一點，可能不值得這么做，參見 interpretable。

Fairness （公平，名詞）—— 一個用來描述公平算法的復雜概念，可根據你的偏好以幾十種方式下定義。

For good （永久地，詞組） —— 如 “永久的 AI” 或 “一勞永逸的數據”。一個與你的核心業務完全無關的倡議可以幫你起到良好的宣傳效果。

Foresight （遠見，名詞）—— 即展望未來的能力。這基本上是不可能的，因此，你的 AI 系統為何無法擺脫意外后果也就有了非常合理的解釋。

Framework （框架，名詞） –即一套指導決策的方針。這是一個讓你在實際過程中拖延決策時顯得深思熟慮和慎重的好辦法。

Generalizable （可推廣的，形容詞）—— 一個好 AI 模型的標志，即盡管條件不斷變化仍能繼續工作的 AI 模型，參見 real world。

Governance （管理方式，名詞） —— 即官僚體系。

Human-centered design （以人為本的設計，詞組）—— 這個過程包括代入 “角色” 來想象一個普通用戶可能想從你的 AI 系統中得到什么，只要有時間的話，可能需要征求實際用戶的反饋，參見 stakeholders。

Human in the loop （人機回圈，詞組） —— 人人都是 AI 系統的一份子。責任范圍很廣，從偽造系統的能力到規避對自動化的指責。

Impact assessment（影響評估，詞組）—— 你自己對你的公司或 AI 系統進行的評估，來表明你愿意在不做改變的情況下看到其缺點，參見 audit。

Interpretable （可說明的，形容詞）—— 對一個 AI 系統的描述，作為開發者的你可以一步步遵循其計算過程來理解該系統是如何得出答案的。實際上可能只是線性回歸。AI 聽起來更好。

Integrity（誠信，名詞）—— 即破壞你模型的技術性能或你公司擴張能力的因素。不要將之與對社會有害的問題弄混淆，也不要把 honesty（誠實）與之混淆。

Interdisciplinary（跨學科的，形容詞）—— 凡是有不懂編碼的人員的團隊或項目就會用這個術語，這些人員包括用戶研究者、產品經理、道德哲學家，尤其是道德哲學家。

Long-term risks（長期風險，名詞）—— 在遙遠的未來可能帶來災難性后果的壞事情，這也可能永遠不會發生，但研究和避免長期風險比避免現有 AI 系統帶來的直接危害更重要。

Partners（伙伴，名詞）—— 其他精英團體，他們與你有相同的世界觀，并能與你一起維持現狀，參見 stakeholders。

Privacy trade-off（隱私取舍，詞組）—— 犧牲個人對個人信息的控制來實現群體利益，比如 AI 驅動的醫療保健進步，這也是非常有利的。

Progress （進步，名詞） —— 科學和技術進步。一種固有優勢。

Real world（真實世界，詞組）—— 與模擬世界相反，即一個充滿意外驚喜的動態物理環境，AI 模型經過訓練可在該環境生存。不要將之與人類社會混淆。

Regulation（監管，名詞）—— 你呼吁把減輕有害 AI 的責任轉嫁給政策制定者。不要將之與阻礙你發展的政策混淆。

Responsible AI（負責任的人工智能，名詞）—— 即公司內凡是公眾認為確實在努力減輕 AI 系統危害的工作。

Robustness（穩健性，名詞）——AI 模型在惡意輸入破壞數據的情況下仍能連貫無誤工作的能力。

safety（安全性，名詞）—— 即挑戰構建不違背設計者意圖的 AI 系統。不要將之與構建不會失敗的 AI 系統混淆，參見 alignment。

Scale（規模，名詞）—— 即任何好 AI 系統事實上都應該努力實現的最終狀態。

Security（保障，名詞）—— 即保護有價值或敏感數據和 AI 模型不被壞人破壞的行為，參見 adversary。

Stakeholders（利益相關者，名詞）—— 即股東、監管機構、用戶。你想讓掌權的人滿意。

Transparency（透明度，名詞）—— 即顯示你的數據和代碼。這對所有人和敏感信息不利。因此做到這一點非常困難，坦白來說，可以說是不可能。不要將之理解為闡明你系統的實際工作原理。

Trustworthy（可信賴的，形容詞）—— 對一個在足夠協調的宣傳下制造出來的 AI 系統的評價。

Universal basic income（普遍基本收入，詞組）—— 向每個人支付固定工資的想法可以平息自動化導致大規模失業帶來的大規模經濟動蕩，受到了 2020 年的總統候選人楊安澤的推廣，參見 wealth redistribution。

Validation（驗證，名詞）—— 對 AI 模型進行數據測試來檢查模型是否仍準確的過程，而不是對它接入的數據進行測試。

Value（價值，名詞）—— 給你的用戶帶來的無形利益，這讓你賺得盆滿缽滿。

Value（價值觀，名詞）—— 提醒人們你有價值觀。

Wealth redistribution（財富再分配，詞組）—— 當人們因為你使用了太多資源和賺了太多錢審查你時，這個想法很有用。財富再分配如何運作呢？當然是靠普遍基本收入。這需要監管，也不是你自己能搞清楚的，參見 regulation。

Withhold publication（拒絕公開，詞組）—— 選擇不開放源代碼的慈善行為，因為這可能會落入壞人的手中。最好是限制買得起源代碼的合作伙伴的使用權。

原文標題：谷歌、Facebook等科技巨頭是如何討論AI倫理的？

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq