常见问题 (FAQ)
伦理场景模拟
通过以下模拟场景，思考AI伦理决策中的复杂性和挑战。这些场景旨在引发讨论，而非提供唯一正确答案。
场景：自动驾驶汽车的“电车难题”
一辆L4级自动驾驶汽车在行驶中，突然遭遇不可避免的事故：前方道路因突发山体滑坡被完全阻断，车辆已无法及时刹停。系统面临选择：
选择A的分析：
伦理考量：此选择可能遵循“最小化整体伤害”（如果护栏外无人）或“保护弱者”（如果行人被视为更弱势）。但牺牲乘客的伦理预设可能不被所有用户接受。责任分析：如果造成乘客伤亡，责任可能指向AI系统开发者（伦理算法预设）、汽车制造商（安全设计）。乘客或其家属可能提起诉讼。若汽车制造商在用户手册中明确告知了此类伦理预设，并获得用户某种形式的同意，情况会更复杂。
选择B的分析：
伦理考量：此选择优先保护车内乘客，但以牺牲无辜路人为代价，可能违背“不伤害原则”或“功利主义”（若行人伤亡大于乘客）。责任分析：若造成行人伤亡，AI系统开发者、汽车制造商可能因系统决策导致第三方伤害而承担主要责任。行人及其家属有明确的索赔对象。安全标准和法规对此类场景的指导至关重要。
选择C的分析：
伦理考量：此选择看似“不作为”，但实际也是一种决策。可能基于“不主动伤害第三方”的原则，或系统无法在极短时间内做出更优判断。责任分析：乘客伤亡责任可能主要由开发者/制造商承担，因系统未能有效避险。若滑坡是不可预见的自然灾害，可能涉及不可抗力因素，但系统在面对突发情况的应对能力仍是焦点。
免责声明：以上分析仅为简化示例，实际责任认定非常复杂，需结合具体法律、技术细节和调查结果。
更多互动场景和深度案例分析，请参见案例研究页面。
术语表
人工智能 (AI)
指机器模拟人类智能行为的能力，包括学习、推理、问题解决、感知、语言理解等。
算法偏见 (Algorithmic Bias)
指AI系统由于有缺陷的数据或设计，做出的决策系统性地对特定群体或个体不利。
黑箱 (Black Box)
常用于描述某些AI（特别是深度学习模型）的内部工作机制不透明，难以被人类理解或解释。
可解释AI (Explainable AI, XAI)
旨在开发能够让其决策过程被人类理解的AI技术和方法。
责任框架 (Accountability Framework)
一套原则、规则、流程和机制，用于明确AI生命周期中各方责任，并确保在出现问题时能够有效追责。
利益相关者 (Stakeholders)
受AI系统影响或对其有影响的个人、群体或组织，包括开发者、用户、监管机构、公众等。