{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","title":"人工智能和资本主义的未来_1-200的全文翻译","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780745338613","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","uuid":"addbcbca-2f35-4d20-b661-aef770dd9ec7","title":"人工智能和资本主义的未来_1-200的全文翻译","normalized_title":"人工智能和资本主义的未来1200的全文翻译","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780745338613","isbns":["9780745338613","9780745338606","9781786803955","9781786803979","9781786803962"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":200,"navigation_url":"https://workshop.closeclaw.top/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%92%8C%E8%B5%84%E6%9C%AC%E4%B8%BB%E4%B9%89%E7%9A%84%E6%9C%AA%E6%9D%A5_1-200%E7%9A%84%E5%85%A8%E6%96%87%E7%BF%BB%E8%AF%91","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7","page_url":"https://workshop.closeclaw.top/api/ai/books/addbcbca-2f35-4d20-b661-aef770dd9ec7/page","search_url":"https://workshop.closeclaw.top/api/ai/books/addbcbca-2f35-4d20-b661-aef770dd9ec7/search"},"page":{"printed_page":104,"pdf_page":112,"physical_index":112,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"356874235053ad0fa13816558f5e2b2e171e9dcd5e2034325dda85b7b9aaa960"},"chapter":"非人的力量","content":"3)反监视运动。自爱德华·斯诺登(Edward Snowden)泄密以来，人们对资本主义自由民主国家监控范围的认识不断升级(Gallagher2018)(当然，这种监控对其他地方的民众来说并不是什么新闻—一比如在中国)。这是一个人工智能问题，不仅因为美国国家安全局在扫描中使用机器学习，还因为监控在人工智能的发展中至关重要。正如我们所描述的，大型数据集是训练ML系统所必需的。并非所有这些数据集都必须仔细审查人类行为，并且有一些技术尝试来减轻这种观察的侵入性(Knight2016b;2018年3月)，但人工智能的发展可能仍然严重依赖于大规模的人们观看。在北美，反监视自卫手册和信息表在社会运动中激增。“隐私和抗议的用户指南”总结了“混淆——故意添加模棱两可、令人困惑或误导性的信息来干扰监视和数据收集”的做法(Brunton和Nissenbaum 2015)。面部识别人工智能，以及用“敌对图像”迷惑它的可能性，是最近的一个热点。然而，在个性化的反监控技术措施上，时间、费用和专业知识都存在严重限制。对监控的政治和法律限制更有可能产生大规模效应。在北美，一些最重要的倡议来自少数民族，他们非常清楚分析系统如何同时构成和控制可疑的社会群体(Dyer-Witheford和Matviyenko 2019):非洲裔美国人，反对对整个社区和“黑人的命也是命”领袖进行数字跟踪;第一民族反对对土地和管道抗议活动进行数字审查;穆斯林阿拉伯人反对将他们的存在进行大规模数据库盘点。然而，监控限制方面的重大政治举措来自欧洲，那里对纳粹主义和斯大林主义的记忆依然鲜活。马克斯·施雷姆(Max Schrem)的“不关你的事”(None of Your Business)等反企业监控运动，以及执政精英反对侵犯国家主权的行为，赋予了这个问题真正的政治分量。欧盟于2018年生效的《通用数据保护条例》(GDPR)限制了数字资本的数据收集，包括伟大的人工智能开发商。它对数字跟踪的主动用户选择加入(而不是默认接受)、企业对个人数据使用的透明度、用户在不丢失存储数据的情况下离开平台的权利、对自动化决策的解释、以及对于“被遗忘权”的要求，都限制了将人口数据作为建设的采掘原材料机器智能(Meyer 2018;Kaput 2018;Srnicek 2018)。ML开发者和计算机科学家的负面回应，以及他们将欧洲的监管与美国的企业自由和中国监控国家的权力进行批判性比较(K-F。Lee2018)，这表明反监视运动对人工智能资本构成了多大的问题，同时也表明这种运动在人工智能竞争的世界市场中面临的挑战。\n\n104\n\ninhuman power","previous_page":103,"next_page":105}