权力的数据伦理学：大数据与人工智能时代的人本方法新解
(Lehr and Ohm，2017:671)。其中一个例子是苹果公司的语音助手Siri.它能直接在苹果设备上或通过互联网搜索来分析语音问题与指令。Siri的智能之处在于，该程序能通过用户的提问数据不断自我学习与进化升级。这样，通过为用户创建数据画像，Siri与用户拟合程度逐日提升，最终能堪重用，成为用户的私人助理。
在21世纪10年代末，用于实时分析数据或实时采取行动的机器学习系统越来越多地嵌入社会各行各业的数据系统，无论是在医疗保健领域还是社交网络平台·都可以找到机器学习系统的身影。计算机工程教授埃特海姆·阿尔帕伊登(Etherm Alpaydin，2016)将机器学习系统的这场重大变革归功于数字环境的兴起。在20世纪80年代，微处理器的发明开启了个人计算机大规模发展的新纪元。得益于此，计算机以及后来的个人设备方能广为普及。此外·从20世纪90年代到21世纪的数字化过程进一步使得海量的大数据收集成为可能。现在，所有的信息，从照片中的颜色到音频中的音调，都可以转化为一连串的数字、并支持计算机处理(Alpaydin，2016)。
这些技术进步为机器学习的快速发展与互联网产品的不断翻新奠定了基础，进一步促进了通过大数据学习与进化的人工智能系统在自主行为与自主分析方面日臻完善。为了说明这一点，请看智能玩具龙 CogniToy Dinosaur 这一案例：该玩具使用了世界上最强大的机器学习模型之一，即屡获殊荣的IBM 公司Watson 计算机，来评估儿童与它的互动。该玩具并没有预先设定好回答，而是从儿童的问题与反应中学习，并且根据这些问题与反应给出相应的回应。比如、当孩子说“我最喜欢的颜色是红色”时，玩具龙会问答“好的，我会努力记住”，同时为实现将来更为个性化的游戏而将这些信息储存下来。
值得注意的是，尽管在某些方面机器学习不再需要人类专家的帮助，但它并没有完全排除在机器学习系统数据设计方面的人类介入。相反·基于机器学习的人工智能系统的自动化程度取决于人类对于数据处理的干预程度，包括问题界定、数据收集、数据净化以及机器学习算法训练的方方面面(Lehr and Ohm，2017)。
90