--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能伦理" author: null edition: null publisher: null year: null isbn: "9787302596622" library_document_id: "4f33a8d5-185f-4dd7-8093-04a4119470cb" source_sha256: "fcd3c9683d64b90a0f86208e72b703029dcf8f67d635958e09e34a63875b4472" pdf_physical_page_count: 1800 pdf_physical_page_index_base: 0 range_start: 810 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb?start=810&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=810&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=800&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=820&limit=10" --- # 人工智能伦理 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=810 | PRINTED_PAGE=NOT_DETECTED 图3.73 日本重视产业教育，明确目标是培养能够服务于社会的劳动者 ## PDF_PHYSICAL_PAGE_INDEX=811 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=812 | PRINTED_PAGE=NOT_DETECTED 图3.74 费舍尔 英国统计学家、遗传学家、优生学家罗纳德·艾尔默·费舍尔（Ronald Aylmer Fisher, 1890—1962）曾说，“如果科学发现是为了启迪其他自由思想而传播的，那么它们迟早会被用于一些我们一无所知的目的”。即知识具有潜在的应用价值，有时出乎想象。这个说法不仅适用于科学和数学，还适用于文学、艺术、历史、宗教、经济学、人类学、伦理学、哲学、语言学、心理学等人文学科（humanities）。费舍尔认为，“归纳推理是我们所知的唯一过程，通过它诞生全新的知识”。为此，“实验观察只是事先精心规划的经验，旨在形成新知识的可靠基础”。 ## PDF_PHYSICAL_PAGE_INDEX=813 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=814 | PRINTED_PAGE=NOT_DETECTED 图3.75 （左图）学校和研究机构的目标是“为了人类知识的增长和传播”；（右图）“为了艺术与思想”的知识分子 例如，人工智能伦理（Ethics of AI），它的诞生是AI技术发展到一定阶段的产物，具有双重的影响力——以伦理学为原则指导人工智能的应用，同时智能机器与人类的关系也丰富了伦理学的研究范围。更有甚者，人工智能和其他人文学科之间也将碰撞出新的火花，有待多学科的交融。 然而，数学、科学、人文学科之间的融会贯通是一个高门槛，需要以大量的知识储备为基础。传统的获取知识的方法是教学和自学，知识的载体是书本。随着电子读物（E-book）的出现，一些新手段也日益被大家所熟悉。例如，维基百科（wikipedia）用超链接“拉通”知识，以便用户在各种术语间跳转，高效地获取想要了解的知识。 ## PDF_PHYSICAL_PAGE_INDEX=815 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=816 | PRINTED_PAGE=NOT_DETECTED 图3.76 人们在传统图书馆或电子图书馆中阅读书籍，AI将助力知识获取的效率 显而易见，一本书对于不同的读者，其所需的内容也是不同的。有的人只需要寥寥几个知识点，有的人则需要的更多一些。如果知识可以被结构化地描述，电子书中的内容就可以因人而异，面向不同的需求“坍缩”成不同的版本。这样无疑能够加快我们获取知识的速度，彻底改变从纸质书籍中缓慢而低效的学习方式。 如何将知识结构化？知识图谱是一种简易的办法，概念之间的“定义”关系、命题之间的“推导”关系、概念和命题之间的“关联”关系等可被清晰地描述出来。一本电子读物被抽象为一个知识图谱，其有向图结构保证了各种“坍缩”的可行性。若能再佐以人工智能技术，电子读物不再简单地是书籍载体的进步，而是一场崭新的阅读和学习的革命，是知识积累的福音。 ## PDF_PHYSICAL_PAGE_INDEX=817 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=818 | PRINTED_PAGE=NOT_DETECTED 图3.77 百科全书是面向人类的知识宝库，如何更智能地查询知识？如何让机器掌握知识？很多有关知识的难题摆在人工智能面前 知识表示是静态的，如果不知如何使用它，其价值会大打折扣，有和没有差别不大了。现有的知识库，大多数都缺乏有效的推理机制。其实，应有的次序是推理规则在先，知识构建在后。而不是想当然地构建完知识库后，再来讨论它的应用。 在2017年国务院发布的《新一代人工智能发展规划》里，“知识”被提到40多次，文件还提出要把数据和知识打造成为经济增长的第一要素，可见对它的重视程度。一些与知识计算相关的技术被一再强调，例如： 口 知识计算引擎与知识服务技术。重点突破知识加工、深度搜索和可视交互核心技术，实现对知识持续增量的自动获取，具备概念识别、实体发现、属性预测、知识演化建模和关系挖掘能力，形成涵盖数十亿实体规模的多源、多学科和多数据类型的跨媒体知识图谱。 口 跨媒体分析推理技术。重点突破跨媒体统一表征、关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术，实现跨媒体知识表征、分析、挖掘、推理、演化和利用，构建分析推理引擎。 ## PDF_PHYSICAL_PAGE_INDEX=819 | PRINTED_PAGE=NOT_DETECTED 口 群体智能关键技术。重点突破基于互联网的大众化协同、大规模协作的知识资源管理与开放式共享等技术，建立群智知识表示框架，实现基于群智感知的知识获取和开放动态环境下的群智融合与增强，支撑覆盖全国的千万级规模群体感知、协同与演化。 不积跬步无以至千里，知识计算的理论和模型，要从最简单的实例开始验证其有效性，譬如小学数学。正如勒内·笛卡儿在《谈谈方法》里所坚信的，化整为零、由简入繁是科学研究的基本手段。这个貌似简单的实践其实充满了挑战，尤其平面几何已涉足公理化，麻雀虽小，五脏俱全。迄今为止，还没有哪个知识表示与推理的系统能够实现中小学数学的知识计算。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=820&limit=10)