人工智能伦理

$$
\frac { 1 } { 1 + 1 0 } < \frac { 3 } { 3 + 3 7 }
$$

口 对男性而言，对照组的死亡率也小于处理组的死亡率，说明药物对男性也无效。

$$
\frac { 1 2 } { 1 2 + 2 8 } < \frac { 8 } { 8 + 1 8 }
$$

例1.43（几何辛普森悖论）将人群按年龄分为几组，每组的统计结果都是运动时间越长，胆固醇指标越低。但是，将所有数据合并在一起时，运动时间越长，胆固醇指标越高，这绝对有悖常理！

图1.177 横轴表示运动时间，纵轴表示胆固醇指标。将人群按年龄分为几组，样本点用不同形状以示区别

试想机器的智能决策如果都是基于这样的统计分析，不知将引起多么严重的后果。因此，要达到真正的智能，统计工具远远不够，我们还需要因果分析、知识推理、元学习，等等。其中，因果推断是统计推断和归纳推理的终极理想，也是“人工智障”走向“人工智能”的必经之路。

例1.44 20世纪70年代，美国加州大学伯克利分校研究生院发现，全校女生的录取率低于男生，统计学家彼得·毕克尔（Peter Bickel, 1940— ）被要求分析这里面是否存在性别歧视。毕克尔分析了各个具体院系，发现女生的录取率要高于男生。这是另一个辛普森悖论，被称为伯克利招生悖论。

毕克尔画出了图1.178（横轴是女性申请比例，纵轴是录取率），找出了导致这个悖论的原因：女性倾向于申请录取率较低的文科类院系，而对那些容易被录取的理科院系不感兴趣，因为这些理科院系对数学有较高的要求。

图1.178 横轴是女性申请比例，纵轴是录取率，正方形大小表示加州大学伯克利分校85个院系的相对申请人数

图1.179 伯克利招生悖论的因果图：Z是“院系”，X是“性别”，Y是“招生结果”

中 介 分 析 （ mediation analysis ） 研 究 链 式 因 果 效 应X→Z→Y，其中Z称为中介物，透过因果效应的表象看到真正起作用的因果路径，这是因果论（causality）最重要的研究内容之一。

混杂因子