人工智能最重要的伦理准则（人工智能伦理建设的目标）

作者：陈小平（中国科学技术大学计算机学院）

内容提要：人工智能伦理建设的必要性已形成全球共识，但建设目标、重点任务和实现路径仍存在较大分歧，概括为六个议题。本文首先介绍AI的两大类主要技术——强力法和训练法，在此基础上总结AI现有技术的三个特性，作为AI伦理的技术依据。同时，以全球公认的福祉原则作为AI伦理的根本依据。本文立足于这两个依据，阐述AI伦理建设应具有双重目标——同时回答应该和不应该让AI做什么，进而探讨另外五个重要议题：AI的安全底线，AI功能的评价原则，AI治理责任的落实路径，AI主体状况变迁的可能性，以及一种全新的创新模式——公义创新。

经过几年的广泛讨论，人工智能(Artificial Intelligence，简称AI)伦理建设的必要性已形成全球共识。但是，关于AI伦理的建设目标、重点任务和落地路径，仍存在较大的分歧和争论，也有些关键问题尚未引起足够的重视，文本将这些内容概括为六个议题。显然，建设目标的定位将决定重点任务和落地路径的选择，从而决定AI伦理建设的发展大局。关于AI伦理建设目标的主要分歧是：AI伦理应该是双重目标(即同时回答应该和不应该让AI做什么)，还是单一目标(即主要回答不应该让AI做什么)？如果是单一目标，一些重大议题将被完全或部分地排除。引起分歧和争议的一个重要原因在于，对现阶段AI技术特性的认识存在巨大差异，从而导致对AI社会意义和伦理风险的截然不同甚至完全相反的判断。为此，有必要梳理七十年来AI研究的主要进展，澄清现阶段AI技术的主要特性，形成AI伦理的技术依据。同时，以全球公认的福祉原则作为AI伦理的根本依据。本文根据这两个依据讨论AI伦理的六个议题。

一、人工智能的强力法

AI经过三次浪潮取得了大量进展，各种技术路线层出不穷，受到研究者较多关注的有两大类技术——强力法和训练法。强力法又包含推理法和搜索法两种主要类型，推理法是在知识库上进行推理，搜索法是在状态空间中进行搜索。推理法通常由一个推理机和一个知识库组成，推理机是一个负责推理的计算机程序，往往由专业团队长期研发而成，而知识库则需要研发者针对不同应用自行开发。

一般来说，推理机的工作方式是：针对输入的提问，根据知识库里的知识进行推理，给出问题的回答。下面用一个简化的例子加以说明。假设我们要用推理法回答“就餐”这个应用场景的有关问题。为此需要编写一个关于“就餐”的知识库，其中部分知识如表1所示。表1中的第一条知识是一个逻辑公式，它的含义是：餐具可以盛食物；表中的第二条知识food(rice)也是一个逻辑公式，它的含义是：米饭是食物；表中的其他知识类似。

表2列举了一些问题，比如第一个问题“hold(bowl，rice)？”问的是：碗能盛米饭吗？推理机利用知识库中的知识进行推理，可以给出此问题的回答yes。表2中的第三个问题稍微复杂一点，它问的是：碗能盛什么？回答一般不是唯一的，但推理机仍然能够根据知识库中的知识，找出所有正确的答案：碗能盛米饭、能盛汤……推理机还可以回答更复杂的问题。

值得注意的是，一般情况下，由推理机得到的回答，并不是知识库中存贮的知识。例如表2中的三个回答都是推导出来的，在知识库(表1)中并没有直接保存“碗能盛米饭”“碗能盛汤”等答案。因此，知识库推理与数据库查询不同，不是提取事先保存的答案，而是推出知识库中没有保存的答案，可见知识库加推理机的组合能力之强大。知识库上的推理被认为是一种智能功能，是其他信息技术所不具备的。

目前强力法受到一个条件的限制——封闭性。①封闭性在推理法上的具体表现是：要求存在一组固定、有限的知识，可以完全描述给定的应用场景。对于上面的“就餐”场景，如果存在着不可以盛汤的“破碗”(并且将“破碗”也当作“碗”)，那么表1中的知识就不能完全描述这样的“就餐”场景，因为根据这些知识推出的某些回答(如“碗能盛汤”)在这个场景中是不正确的。

上述“就餐”场景是特意设计的一个小例子，而实际应用中的场景都很大、很复杂(否则就不必应用AI技术了)，有时不满足封闭性条件。比如一个就餐场景中，一开始没有破碗，根据知识库推出的回答都是正确的；可是一段时间之后出现了破碗，根据知识库推出的某些回答就不正确了。这种情况也是不满足封闭性条件的。

关于推理法对于整个AI的重大意义，深度学习的三位领军学者Geoffrey Hinton、Yann LeCun和Yoshua Bengio(他们共同获得2018年度图灵奖)在深度学习的总结性论文中指出：深度学习的根本性局限在于缺乏复杂推理能力。(cf.LeCun et al)而推理法代表着人类关于复杂推理能力的最高研究成果，所以推理法的局限性也代表着整个AI现有技术的局限性，封闭性对推理法的限制也是对整个AI现有技术的限制。

二、人工智能的训练法

训练法要求首先收集一组原始数据，并对其中的每一条数据都进行人工标准，做成训练数据集。然后用训练数据集训练一个人工神经元网络，用训练好的网络回答问题。

图1是一个人工神经网络的示意图。图中每一个圆圈代表一个“神经元”，每一个带箭头的线段代表神经元之间的一个“连接”。人工神经元网络就是由大量神经元和连接组成的网络。一个连接可理解为一条信息通道，并对通道中传递的信息进行加权运算；也就是说，一条连接首先从一个神经元接受输入数值，经过加权运算，再按照箭头的指向，向下一个神经元输出加权计算的结果。图1省略了所有连接上的权值。

如图1所示，一个神经元可以有多个输入连接，从而同时接受多个输入值。一个神经元也可以有多个输出连接，从而同时向多个神经元传递输出值。每个神经元能够独立地计算一个简单函数f，即根据该神经元的所有输入值，计算得出函数f的值之后，作为输出值向所有输出通道同时发送，经过各条连接上的加权运算之后，传递给其他神经元。在图1中，是整个人工神经元网络的输入连接，具体输入值来自网络外部； 是整个人工神经元网络的输出，具体的输出值就是网络的计算结果。

图1 一个人工神经网络示意图

图1只画出了四列神经元，其他列被省略了。每一列神经元称为一个“网络层”。如果一个人工神经网络具有很多层，比如几十层、几百层甚至更多层，就称为“深层网络”，深层网络上的机器学习称为“深度学习”。

下面以著名的ImageNet图像分类比赛中的一个任务为例，说明训练法的工作过程。在比赛之前，组织者收集了一个大型图片库，包含1400多万张图片，并将其中一部分图片做了人工标注，这些带人工标注的图片作为训练数据集，参赛队可以用这些图片训练他们的神经网络。图片库中没有标注的图片作为测试集。在比赛中，要求每一个参赛的图像分类软件，针对测试集中的大量图片，自动识别这些图片中动物或物品的种类，按识别正确率的高低决定比赛名次。

这个测试集中的图片被人工分为1000类，其中每一个类用0至999中的一个数字进行标注。一个类包含几十张到一百多张图片，这些图片中的动物或物品的种类相同，所以这些图片被标注为相同的数字。这1000个类包括7种鱼，第一种鱼的所有图片标注为0，第二种鱼的所有图片标注为1，……，第七种鱼的所有图片标注为6；还包括公鸡和母鸡，公鸡和母鸡的图片分别标注为7和8；还有26种鸟的图片分别标注为9至34等等；一直到最后一类——卫生纸图片，标注为999。原始图片和人工标注的对照见表3。采集好的原始图片经过人工标注，训练集就制作完毕，可以用于人工神经元网络的训练了。

如果训练之后，一个人工神经元网络的正确识别率达到了预定的要求(比如95％以上)，就认为训练成功，可以应用了。正确识别指的是：对输入的任何一张图片，能够指认输出图片中动物或物品所对应的数字。比如输入公鸡的图片，人工神经元网络输出数字7；输入卫生纸的图片，则输出数字999。从实际效果来看，如果一个人工神经元网络达到了上述要求，就可以认为，该神经网络“学会”了识别图片中的1000类动物或物品。

训练法也受封闭性的限制，具体表现为：可以用一组固定、有限、带人工标注的代表性数据，完全描述给定的应用场景。(参见陈小平，2020年a，2020年b)所谓“代表性数据”，指的是能够代表所有其他数据的数据。例如，上面的图像分类比赛例子中，如果只用训练集中的图片训练神经网络，就可以训练出合格的网络，那么这个训练集就具有代表性，代表了图片库中所有1400多万张图片。反之，假如一个训练集不具有代表性，用它训练出的神经网络就不合格，比如正确识别率到不了预定的要求，不能实用。

普通算法通常直接计算一个函数。例如，图2中的算法计算一个自然数x是偶数还是奇数，算法规定了每一步计算过程，根据相关背景知识可以得知每一步计算的含义和作用是什么，进而判断这个算法是否正确。

通过“AI算法”与普通算法的对比发现，它们是非常不同的。具体地说，强力法中的推理法是用知识和推理解答问题，要求针对一个应用场景编写相关的知识库，然后用推理机回答问题，而不是像普通算法那样直接计算结果。训练法则要求首先采集、制作训练数据集，训练出一个合格的神经网络，然后用该网络回答问题，而网络内部的运行一般是无法解释的(至少目前如此)。

图2 计算自然数奇偶性的普通算法

由此可见，AI算法不仅更复杂，更重要的是原理不同，难以直接根据一个AI算法判断它能做什么、不能做什么、怎么做的、做得是否正确等等。为此，本文给出AI现有技术的三个特性，从而为分析AI伦理的六个议题提供技术依据。

AI现有技术的第一个特性是封闭性(具体含义如上所述)。一个应用场景如果具有封闭性，则应用AI的强力法或训练法技术，可以保证应用成功；如果不具有封闭性，则不保证应用成功(但也不一定失败)。由于大量应用场景是封闭的，或者可以被封闭化，即改造为封闭的(参见陈小平，2020年a)，所以封闭性条件对于大量实际应用成立，也为这些应用的研发提供了一个不可忽略的关键指标。

AI现有技术的第二个特性是被动性。这些技术不具备主动应用的能力，只能被动地被人应用。有人认为，AI可以自我学习，从而学会它原来不会做的事情。事实上，这样的技术确实在研究之中，但目前尚未成熟，无法投入使用，而且强行投入使用会带来极大风险。还有人认为，围棋AI程序“阿法狗”可以自学下围棋，而且通过自学战胜了人类。其实，围棋是一个封闭性问题，“阿法狗”技术只对封闭性场景有效(参见陈小平，2020年b)，而且“阿法狗”的所谓“自学”完全是它的设计者事先安排好的，与通常人的自学不是一回事。

AI现有技术的第三个特性是价值中性，也就是说，这些技术本身无所谓善恶，人对它们的应用方式决定其善恶。以推理法为例，推理机给出的回答会不会对人有害，完全取决于知识库是否包含可能隐含不良后果的知识。由于知识库是人编写的，所以是设计者决定了推理法的具体应用的善恶。也有研究者试图让AI自动寻找自己所需的知识，即具有自动获取知识的能力(例如Chen et al，2012)，但这些技术目前仍处于基础研究和实验测试阶段。

四、人工智能伦理的六个议题

议题1：AI伦理的建设目标——双重还是单一？

根据对伦理学的常识理解，伦理是人的行为准则，以及人与人之间和人对社会的义务。(参见《辞海》缩印本，第221页)因此，AI伦理要回答两方面的问题：应该让AI做什么，不应该让AI做什么。同时回答两个问题是双重目标；只回答“不应该做什么”问题是单一目标。

鉴于世界各国都将“福祉”作为AI伦理的基本原则甚至第一原则，我们将福祉原则作为AI伦理体系的指导性原则。显然，福祉的实现主要源于努力而非限制。由于AI具有被动性，AI的发展必须经过人的努力，所以AI伦理应该引导和规范这种努力，这就是双重目标的根本依据。

在双重目标下，AI伦理体系的基础架构(参见陈小平，2019年)②如图3所示。在此架构中，AI伦理有三层结构：伦理使命(福祉)、伦理准则(如安全性、公平性等)和实施细则(详见议题3)。其中，针对不同的应用场景，需要设立不同的实施细则，于是AI伦理与社会及经济发展相互紧密关联，不再是空中楼阁。在这个架构中，传统创新需要受到伦理准则的约束(这种约束过去没有充分建立起来)，从而促使传统创新更好地服务于社会需求和重大社会问题的解决。

由于传统创新并不十分适合社会重大问题的解决，所以我们提出了一种新的创新模式——公义创新(详见议题6)。公义创新和传统创新都要接受福祉原则的指导，这是不变的。同时，根据公义创新的成果可以改变现有伦理准则的内涵，也可以增加或减少伦理准则，以反映社会发展对AI伦理的反作用。在两种创新的促动下，社会需求和社会重大问题不断得到解决，推动社会进步，形成新的社会需求和重大社会问题，从而实现社会及经济的螺旋式发展。

图3 人工智能伦理体系架构

议题2：AI的安全底线——技术失控与技术误用？

在技术范围内，AI的伦理风险主要有两类：技术失控和技术误用/滥用。技术失控指的是人类无法控制AI技术，反而被AI所控制，成为奴隶或宠物。技术误用/滥用指的是AI技术的非正当使用，由此带来对用户和社会的损害，但达不到失控的严重程度。技术误用/滥用是目前存在的现实伦理问题，亟需加强治理；而技术失控是人们的最大担忧，相关影视作品的流行大大增强了这种担忧。

对于AI技术失控的可能性而言，上文总结的AI三个特性具有关键性影响。人类对封闭性或封闭化场景具有根本性乃至完全的掌控力，因此这些场景中的应用不会出现技术失控。根据被动性，AI技术应用都是由人类实施的，只要人类对不成熟、不安全的AI技术不实施应用，这些技术都无法进入应用空间，也就不会引起风险。根据价值中性，只要人类对AI技术的应用符合伦理准则，这些应用就不会对人类造成不可接受的损害。

因此，在AI三个特性成立，并且AI应用遵守伦理准则的情况下，不会出现技术失控，也不会对人类造成不可接受的损害。可是，在这三个特性不全成立，或者AI应用不遵守伦理准则的情况下，就可能出现伦理风险。例如，假如未来出现了可以在非封闭性场景中自主进化的AI技术，就无法排除各种伦理风险，甚至包括技术失控的可能性。(参见赵汀阳)再如，如果在AI技术应用中不遵守相关伦理准则，就会出现技术误用/滥用；数据安全问题、隐私问题、公平性问题等等，都属于这种情况，而且已经在一定范围内发生，亟需加强治理。这表明，针对技术误用/滥用的治理已经成为当务之急，而完整AI伦理体系的建设也必须提上议事日程。

议题3：AI功能的评价原则——“超越人”与“人接受”？

对AI技术的功能水平的传统评价原则是“超越人”，有时具体表现为“战胜人”，如阿法狗。不过在AI界，这个原则理解为AI与人的同类能力水平的对比，看谁的水平更高，而不是要在现实世界中用AI战胜人(虽然经常发生这种误解)。AI研究界和产业界往往认为，当AI的某项能力超过了人，那么就可以在产业中实现该能力的产品化；如果尚未超过，则表示AI的该项能力还不够强，难以实用化。

不过，在上述传统评价原则之外，实际上还存在着另一种评价原则，这就是“人接受、人喜爱”。在一些应用场景中，AI通过人—机器人交互提供服务，而且人—机器人交互以人机情感互动为基础，例如面向空巢群体的情感机器人、用于自闭症等人群心理干预的机器人、用于少儿娱乐教育的机器人等。在这些应用中，用户对机器人的接受度是第一重要的，否则产品的其他功能再好也难以被用户接受。

在接受原则下，相关AI产品的主要评价指标不是在某个方面比人强，而是人对AI的接受性和接受度是否满足用户的期望。例如，中国科学技术大学研发的情感交互机器人“佳佳”，其智能水平只是她的“姐姐”——“可佳”机器人(cf.Chen et al，2010，2012)的几分之一，但由于“佳佳”可以识别人(如用户)通过表情和话语呈现出的情绪，并通过机器人的表情和话语进行即时反馈，在一定程度上实现了机器人与人的情感互动，因而具有更高的用户接受度，在人机情感交互方面的性能远远超过“可佳”。

两种AI功能评价原则决定了人类对AI的两种观察角度和评判标准，所以它们绝不是单纯的技术问题，同时也决定了AI伦理对AI技术的观察角度和评判依据。因此，AI伦理应该同时从这两个角度展开自己的研究和实践。目前对第一个角度的研究较多，而第二个角度的研究基本处于空白状态。亟待加强。

议题4：AI治理责任的落实——规范性与自主性？

目前法学界倾向于认为，AI尚不具备法律主体地位。(参见刘洪华，2019年)因此，与AI相关的法律责任的主体是人，比如产品的研发、运维机构。因此，与AI技术相关的主体责任和治理责任的落实，就成为AI伦理的一个重要议题。

我们认为，由于AI现有技术的三个特性，法学界的上述判断是符合现阶段实际情况的，AI确实不应该、也不可能承担主体责任。另一方面，只要伦理规范足够具体化，以至于成为封闭性条件的一部分，那么在这种场景中，就可以利用AI现有技术，自主地执行这些规范，从而完成部分AI治理任务。对于非封闭的应用场景，或者伦理规范不能成为封闭性条件的一部分的情况下，则不能完全依靠AI技术的自主性，必须坚持人的管理和介入。总体上，人作为责任主体，绝不能放弃自己的职责。

根据以上分析可知，在伦理规范和管理体制下，让AI技术自主或半自主地实现其功能，是一种有效的责任落实方式。例如，利用AI技术，可以对消息的真伪性进行核查和推测，对通过核查的真实消息向目标用户进行分发推送，对敏感操作流程的合规性进行审核，等等。不过，由于这些应用的场景往往不是完全封闭的，所以仍然需要人工管理，但AI技术的应用能够大大减轻人工负担，显著提高工作效率，整体上明显改善管理水平。

产业部门的现行管理体制为主体责任的落实提供了一条可行路径，尤其其中的技术标准可以作为AI伦理准则的一种实施细则(见图3)。对于AI相关产品，需要与其他工业品一样，设立四个层级的技术标准：国际标准、国家标准、行业标准和企业标准，其中企业标准和行业/团体/地方标准不得与国家标准相抵触，而国家标准与国际标准之间，可以通过国际标准化合作达成协调一致。所有这些层级的技术标准都应符合AI伦理规范的要求。这样，伦理规范就通过技术标准及相关管理机制得到落实，不再是纸上谈兵的空中楼阁。

议题5：AI主体状况变迁的可能性——物、人还是“非人非物”？

上文已说明，目前AI在法律上是物，不是人。但是，由于大量应用需求的推动，以及“接受”评价原则的采纳及相关研究的深入和成果推广，AI技术的发展已形成了一种新的可能性：在不远的将来，某些AI产品或技术载体如情感交互机器人，会被部分大众接受为“非人非物、亦人亦物”的第三种存在物。

在AI发展早期，曾出现少数用户将AI误认为人的情况，比如上世纪60年代有人将一个AI对话系统误认为人。不过，这是在人与物的二分法体系之中出现的混淆，没有突破二分法的边界。而现在出现的情况是，人在与某些机器人的交互中，一方面从理智上明确认识到和自己交互的机器人不是人，同时却在情感中不将机器人视为物，而更倾向于视为某种有情感能力的新型存在物。这种情况实际上比之前的要更复杂。

出现这种现象的原因在于：与科学和哲学中的默认假设不同，人们通常并不关心机器人表现出的情绪是不是真实的人的情绪，更不去仔细区分人的情绪和机器人的情绪有什么本质区别。(参见胡珉琦)

这种现象带来三方面的可能性。第一，有助于AI在某些领域的应用推广，满足用户的大量真实需求(尤其是情感交互方面的需求)，从而带来AI研究和应用的新机遇；第二，为调整、拓展和改善人机关系开辟了新的探索空间；第三，带来一种新的伦理挑战——对自古以来从未受到怀疑的人—物二分法的挑战。虽然科学上可能不承认这种存在物的真实性，哲学上也不承认它的必要性，但如果越来越多的大众在认知和心理上接受这种存在物，就会形成一种普遍和重要的社会现象，甚至可能对人机关系和人际关系产生广泛的、震撼性的冲击和深远的影响。因此，忽视这些可能性将会造成AI伦理大厦的巨大缺口。AI伦理的双重目标要求对正、反两方面的可能性展开积极探索。

议题6：AI时代的创新模式——传统创新与公义创新？

在图3所示的AI伦理体系架构中，一个核心部分是公义创新。与传统创新(参见黄阳华)相比，公义创新的主要内涵及特点如下。

第一，传统创新主要追求经济效益的显著增长，而公义创新追求经济效益和社会效益的协同提升。传统创新带来经济效益的显著增长是有目共睹的。与此同时，诸多重大社会问题不断积累和深化，包括气候变化、环境污染、人口老化、收入不均、大规模流行病等等。甚至有人认为，正是传统创新加剧了这些问题的恶化。作为对传统创新模式的反思和超越，公义创新将以经济效益和社会效益的协同提升为基本目标，以重大社会问题的解决为重点任务，改变经济效益和社会效益相互脱节的现象。在现代社会中，公益事业与商业创新是相互分离的，科技成果相对易于进入商业创新，不易进入公益事业，公益事业与商业创新的这种分立式组合，明显不利于重大社会问题的解决。

第二，传统创新的目标对象是满足用户需求的具体产品/服务，而公义创新的目标对象是符合社会发展需要的人工/人造系统。③满用户需求、且具有显著经济利益的产品/服务这个目标对象贯穿于传统创新的全流程，是该流程一切环节的终极考核指标，因而难以避免各种损害社会效益的副作用。因此，公益创新将不再以产品/服务本身作为目标对象，而是上升到人工/人造系统(参见司马贺，第30页)层面，并且全面重构人工/人造系统的设计—实施体系，将其改造为实现经济效益和社会效益综合提升的手段。

例如，很多高新技术的应用在提高经济效益的同时，也带来人工岗位的大量减少，④并可能导致新的收入分化，这种情况在传统创新中比较普遍。而在公义创新的设计考虑中，一个人工/人造系统包含的要素有：产品/服务、制造方式、员工利益、用户利益……于是，设计方案的评价指标不仅反映经济效益，同时也反映社会效益。显然，这种人工/人造系统的设计和实施难度远远高于传统的产品设计和制造。为此，不仅需要将AI技术继续应用于产品设计环节(类似于传统创新)，更需要将“规划”(参见李德毅，第216页)、机制设计、目标优化等AI技术应用于整个人工/人造系统的设计，从而使AI技术发挥更大的作用，帮助人类发现或创造社会经济发展的更多新机遇，如新的就业岗位、新的人机合作方式、新的生产—生活协同方式以及解决重大社会问题的新途径。

第三，传统创新延续、强化工业文明传统，而公义创新探索更具包容性的文明路径。除上面提到的问题之外，传统创新通过延续、强化工业文明传统，进一步加剧了人的异化、人机对立等长期存在的难题，甚至可能产生“无用阶层”(参见巩永丹)等文明层面的重大挑战。尤为重要的是，这些挑战性问题在工业文明传统下是无解的，因此有必要探索新的化解路径。公义创新的思想来源包括三个方面：历史观——道家哲学(特别是老子的“道”)，文化观——儒家哲学(特别是孔子的“义”)，社会观——希腊哲学，如梭伦的“正义”理论。(参见廖申白)这些不同文化传统的融合、发展将构成公义创新的理论基础，并在其上构建公义创新的方法论体系，最终形成可运行的公义创新模式。在这种新模式下，对人的关注将得到根本性加强，对人和机器的认识将大幅度更新，人与机器的关系将得到重新定义，并在福祉原则的指导下，推动人、机器和环境的更具包容性的一体化发展。

显然，在现行市场规则下，公义创新面临很多困难，因此公义创新的实行要求改变市场规则和管理方式。其次，公义创新也要求设计思维、教育理念及实践的彻底变革，并带来人的观念的重大变革。事实上，公义创新的实施将为社会经济发展带来大量新机遇。

为了实现其基本使命——增进人类福祉，AI伦理要能够同时解答两方面的问题：应该让AI做什么，不应该让AI做什么，所以AI伦理具有双重目标。根据双重目标，结合AI现有技术的特性，本文认为短期内AI的主要风险是技术误用/滥用，这应成为近期AI伦理治理的重点课题。同时，本文分析了AI功能评价的两种原则——超过人和人接受，需要同时从这两个角度展开AI伦理治理。针对以上任务，本文发现，在现行产业管理及技术标准体系的基础上加以扩展，在适当条件下将AI技术引入到管理过程中，可以更加有效地实施AI伦理治理，从而形成落实AI治理责任的一条切实可行的路径。一个较长期的挑战是AI主体状况的变迁，即某些类型的AI被部分人接受为“非人非物、亦人亦物”的可能性，由此带来从技术到人机关系再到AI法制的一系列新课题。另一个更大的挑战是面向重大社会问题，以经济效益和社会效益的协调统一为基本追求的公义创新，它在人类福祉原则的指导下，广泛深入地利用AI技术，将传统的产品设计和制造升级为人工/人造系统的设计和实施，这也是双重目标下AI伦理体系建设的最大特色和最终标志。

*本文根据作者在“第二届全球视野下的人工智能伦理论坛”(杭州，2020年7月25日)上的演讲整理而成。作者在与赵汀阳、王蓉蓉关于AI伦理问题的讨论中受益良多。本文部分素材来自《人工智能伦理导引》(陈小平主编，中国科学技术大学出版社2020年)，刘贵全、顾心怡、叶斌、汪琛、王娟、侯东德、苏成慧参与了该书编著。谨向以上诸位表示感谢。

注释：

①关于封闭性具体内涵的详细描述，通俗性介绍参见陈小平，2020年a；专业性介绍参见陈小平，2020年b。

②原文引入了“伦理创新”的术语，后经王蓉蓉建议，改为“公义创新”，但内涵保持不变。

③“人工”的例子如“人工降雨”，其结果(降下来的雨)是“真的”(自然的)，而导致这个结果的过程是人为的(非自然的)；“人造”的例子如“人造卫星”，其结果(卫星)及其过程都不是“真的”。AI中的Artificial包含人工和人造两种类型，公义创新的目标对象也包括人工系统和人造系统。

④对此需要具体情况具体分析，比如目前在国内工业界，机器人替代的劳动岗位主要是工作环境恶劣、不适合人从事的工种，如喷漆、打磨等。值得重点关注的是经济效益与社会效益不一致的情况。

原文参考文献：

[1]陈小平，2019年：《人工智能伦理体系：基础架构与关键问题》，载《智能系统学报》第4期。

2020年a：《封闭性场景：人工智能的产业化路径》，载《文化纵横》第1期。

2020年b：《人工智能中的封闭性和强封闭性——现有成果的能力边界、应用条件和伦理风险》，载《智能系统学报》第1期。

[2]《辞海》(缩印本)，1979年，上海辞书出版社。

[3]巩永丹，2019年：《人工智能催生“无用阶级”吗？——赫拉利“无用阶级”断想引发的哲学审度》，载《国外理论动态》第6期。

[4]胡珉琦，2020年：《AI与情感》，载《中国科学报》7月23日。

[5]黄阳华，2016年：《熊彼特的“创新”理论》，载《光明日报》9月20日。

[6]李德毅主编，2018年：《人工智能导论》，中国科学技术出版社。

[7]廖申白，2002年：《西方正义概念：嬗变中的综合》，载《哲学研究》第1期。

[8]刘洪华，2019年：《论人工智能的法律地位》，载《政治与法律》第1期。

[9]司马贺(Herbert Simon)，1987年：《人工科学》，商务印书馆。

[10]赵汀阳，2018年：《人工智能会是一个要命的问题吗？》，载《开放时代》第6期。

[11]Chen et al,2010,"Developing High-level Cognitive Functions for Service Robots",in Proc.of 9th Int.Conf.on Autonomous Agents and Multi-agent Systems(AAMAS 2010),Toronto,Canada.

2012,Xiaoping Chen,Jiongkun Xie,Jianmin Ji,and Zhiqiang Sui,"Toward Open Knowledge Enabling for Human-Robot Interaction",in Journal of Human-Robot Interaction 1(2).

来源： 《哲学研究》

,