《道德机器：如何让机器人明辨是非?》

定价：68元

丛书名：当代科学文化前沿丛书

书号： 978-7-301-28940-2

作者：[美]W.瓦拉赫，C.艾伦 著

 王小红 主译

装帧：平装             

出版日期：2017/11      

出版社：北京大学出版社

开本：16开            

页码：272

内容简介

人工智能时代已经到来。然而，在未来数年内，人工智能系统可能会摆脱人类监管﹐自主做出决定，甚至走上反抗人类的道路！这种不确定性，将使机器人面临的道德风险日益凸显。无疑，人类迫切需要确保机器人的设计符合道德规范。

那么，如何才能设计出符合人类道德规范的机器人呢？本书作者认为，尽管完备的机器道德智能体还很遥远，但是目前有必要，而且有可能开始建构一种功能性道德，从而使人工道德智能体（AMAs）可以具有基本的道德敏感性。由此，作者拟定了一个基础框架，为引导AMAs的工程设计任务指明了方向。

本书乃人工智能道德研究领域极具影响的名著，深受各国读者欢迎。

作者简介

C.艾伦是当今最有影响的认知哲学家之一，因其在计算和哲学领域做出的重大贡献获得美国哲学学会颁发的巴韦斯终身成就奖、德国洪堡基金会颁发的洪堡奖等重要国际学术奖项。现受聘为西安交通大学长江讲座教授、美国匹兹堡大学科学哲学和科学史系杰出教授。曾担任印第安纳大学教务长讲席教授。

W.瓦拉赫是享有国际声誉的人工智能和神经科学伦理学领域的专家，主持耶鲁大学生物伦理学跨学科研究中心技术和伦理工作小组长达十余年，担任2015-2016年加拿大渥太华大学的富布莱特讲席研究员，曾获全球技术网络协会（World Technology Network）颁发的2014年伦理学奖、2015年新闻与传媒奖。世界经济论坛任命他作为2016-1018全球未来技术价值和政策委员会的联合主席。

目录

导言

第一章 机器道德为什么如此重要？

电车难题：机器人司机的道德困境

人工智能体：好与坏

正在发生的案例

杀人机器要受道德约束吗？

迫近的危险

第二章 工程道德：AI时代的炼金术

要为机器设定道德准则吗？

穆尔对伦理智能体的分类：四个层次

第三章 人类想要计算机做道德决策吗？

恐惧和迷恋

给计算机委以决策重任

受蒙蔽

士兵、性玩具和奴隶

可以适当地评估技术风险吗？

未来

第四章 机器人真的能有道德吗？

值得关注的技术

人工智能：确切的含义

机器人能成为真正的道德智能体吗？

确定性系统的伦理

理解和意识

理解

意识

人工道德智能体尚不能做什么？

对人工道德智能体的评价

第五章 哲学家、工程师与人工道德

智能体的设计

两种场景

合作基础

谁的道德或什么样的道德？

自上而下进路和自下而上进路

第六章 自上而下的道德

将道德理论付诸实践

需要一台万能的计算机吗？

机器人的规则

位于规则之上的计算首要原则

自上而下

第七章 自下而上的发展式进路

演进的道德

人工生命和社会价值观的凸现

学习机器

组装模块

自下而上

第八章 自上而下式与自下而上式的混合

混合式道德机器人

虚拟美德

美德的自上而下进路

联结主义式的美德

混合式美德伦理

第九章 超越“雾件”？

初步措施

逻辑上的道德

明确案例

从案例中隐性学习

多机器人

不服从的机器人

多智能体平台SophoLab

超越“雾件”？

第十章 超越理性

为什么说柯克胜过了史波克？

超理性官能对于道德决策的重要性

情绪智能

认知或躯体理论在计算上的挑战

从传感器系统到情感

情感计算1：检测情绪

情感计算2：建立情绪模型与使用情绪

认知情绪：OCC模型

人工智能中的认知与情感决策模型

人机互动——超越Cog和Kismet

他者的心灵与同理心

心灵理论与同理心

多智能体环境

机器人必须要有多么地具身化呢？

第十一章 更像人的人工道德智能体

把它们组装起来会得到什么？

学习型智能配给代理（LIDA）模型

人类道德决策与学习型智能配给代理

自下而上的倾向、价值与学习

涉及规则的道德慎思

计划实施和想象

决议、评价以及进一步的学习

继续前进

第十二章 危险、权利和责任

未来头条

未来学

责任、追责、自主体、权利和义务

接受、拒绝，还是监管？

结语 机器心灵与人类伦理

注释

参考文献

译名对照表

译后记

精彩文摘

这里给出一个文化偏见渗透进AI程序方面的例子。类似谷歌翻译这样的解释语言程序，其能力近年来有了大幅度提高，这主要得益于新的机器学习技术以及可以训练程序的大量在线文本数据的出现。但是最近的研究显示，在机器习得越来越像人的语言能力的过程中，它们也正在深度地吸取人类语言模式中隐含的种种偏见。机器翻译的工作进路一般是这样的，建构一个关于语言的数学表征，其中某个词的意义根据最经常和它一同出现的词而被提炼为一系列数字（叫词向量）。令人惊讶的是，这种纯粹统计式的方式却显然抓住了某个词的意义中所蕴含的丰富的文化和社会情境，这是字典里的定义不大可能有的。例如，关于花的词语和令人愉悦之类的词聚类，昆虫类的词语和令人不快之类的词聚类；词语“女性”“妇女”与艺术人文类职业以及家庭联系更紧密，词语“男性”“男人”则和数学、工程类职业更近。尤为危险的是，AI还有强化所习得的偏见的潜能，它们不像人可以有意识地去抵制偏见。因此，如何在设计理解语言的算法时既让其消除偏见，又不丧失其对语言的解释能力，这是一项很大的挑战。