Almost Timely News: 🗞️ 人工智能伦理 (2025-08-17)

Warning: this content is older than 365 days. It may be out of date and no longer relevant.

Almost Timely News: 🗞️ 人工智能伦理 (2025-08-17) :: 在浏览器中查看

👉 我的新书《几近永恒：生成式人工智能的48条基本原则》现已上市！

内容真实性声明

本周的通讯内容100%由我本人（人类）创作。您将在视频中看到大量人工智能生成的内容。了解为什么这种披露是个好主意，以及未来对于与欧盟有任何业务往来的人来说，这可能是一项强制性要求。

在YouTube上观看本期通讯 📺

点击此处观看本期通讯的视频 📺 版本（YouTube）»

点击此处获取纯MP3音频 🎧 版本 »

我的思考：人工智能伦理

本周，让我们暂时放下那些光鲜亮丽的事物，来探讨一个最近在研讨会和主题演讲中非常热门的问题：人工智能伦理。

不久前我在芝加哥举办了一场研讨会，有人对人工智能的伦理表示担忧，涵盖了从版权和合理使用到可持续性和劳动力替代等方方面面。这些担忧交织在一起，那个人甚至难以表达他们所有的保留意见，只说他们有很多。

这并不少见。在每个行业和垂直领域，我都听到过类似的问题和担忧。

再加上一些大型科技公司令人不安的行为，比如路透社关于Meta人工智能模型可接受使用政策的新闻报道（警告：包含敏感/令人不安的内容），伦理再次成为头条新闻。

所以今天，让我们用一两个框架（没错，这并不意外吧？）来探讨这个问题，看看我们能否找出问题和答案。在开始之前，我应该补充一点，除了我自己的佛教哲学所教导的，我本人在伦理学方面没有任何正规训练。我不会告诉你应该拥有什么样的伦理，但我会要求你审视自己的伦理并将其编纂成典。

第一部分：伦理到底是什么？

要谈论人工智能伦理，我们至少需要对伦理本身达成某种共识。伦理本身是一门哲学学科和专业，所以就像我无法在一期通讯中充分阐述外科手术或粒子物理学一样，我也无法完整地阐述整个伦理学。

非常、非常宽泛地说，伦理是关于判断对与错。在最广泛的层面，伦理（源自希腊语 ethos）是关于品格、美德，而道德（源自拉丁语 mores）是关于一个社会的习俗和行为。我们作为社会，决定我们认为构成对与错、善与恶的东西，这些信念被编入我们的伦理之中。

在人工智能的背景下，当我们谈论伦理时，我们谈论的是伦理学的一个分支，叫做应用伦理学——将对与错的原则应用于一项技术，以确定其有益和有害的用途。应用伦理学归结为三个主要分支和哲学：人、规则和结果。

义务论（Deontology）：“规则本身就是好的”。义务论认为规则的存在有其原因，遵守规则是好的，不遵守规则是坏的。这是法律和宗教等的基础。两者都有规则集，遵守规则是好的，不遵守规则是坏的。义务论可能出错的地方在于，当规则本身在结果方面是根本性的坏时。
德性伦理学（Virtue ethics）：“好人做好事”。德性伦理学以品格为中心，认为好人做好事，坏人做坏事，无论他们是否遵守规则，也无论他们的结果是有害还是有益。
结果主义（Consequentialism）：“目的证明手段正当”。结果主义关注结果本身是有益还是有害。如果一个事物有益大于有害，即使它产生一些附带的伤害，它也是好的。一个人的品格是无关紧要的——他们的行为才是重要的。这也是“法律精神”优于“法律条文”的体现。

没有一个伦理分支比另一个更好。它们都有缺陷，在我们的社会中，我们认为好或坏、对或错的事物往往是每个分支的混合。一个好人可能做坏事。一项法律可能不公正。通过对少数群体的重大伤害，可能实现整体的善。正如没有“唯一正确”的事物一样，在社会层面也没有“唯一正确”的伦理形式。

当然，个体可以自由相信最适合自己的东西，只要他们在过程中不伤害他人。我个人偏向结果主义，所以请在阅读本期通讯时记住这一点——我有一个特定的伦理偏见，它影响了我谈论伦理的方式。

它们共同之处在于都试图编纂什么是善与恶、对与错、有益与有害。所有伦理、所有道德、所有宗教、所有法律都是我们构建的产物，以便我们作为一个物种能够更多地合作而不是竞争。从核心上讲，伦理是为了帮助我们共同生存。挑战在于，企业套话稀释了这个词本身的含义，直到它变得像“协同效应”一样毫无用处——也就是说，完全没用。

所以，这里有一个家庭作业给你。

任务：伦理速查表

选择你喜欢的饮料（我个人偏爱苏打水），用你喜欢的语音备忘录应用（我喜欢手机上免费的那个），大声回答以下问题：

伦理对你个人意味着什么？
广义上，当你谈论任何类型的技术时，“有益”与“有害”你是如何思考的？
广义上，你如何在自己的生活中权衡伤害与益处？你如何做出涉及权衡伤害与益处的决定？
如果你受雇于某个组织，伦理对你工作的组织意味着什么？
如果你工作的组织有伦理准则，日常工作与该准则的吻合度如何？

如果我们不清楚自己的伦理是什么，就无法就人工智能伦理进行有意义的讨论。

如果你想对你围绕人工智能的伦理进行一次真正深入的评估，我创建了一个免费的GPT。根据你打字的速度，这可能需要10到45分钟。最后，它会向你呈现一份详细的总结，说明它对你伦理的理解，特别是与人工智能相关的部分。再次重申我的免责声明，我在这方面没有任何正规训练，所以请对它的输出持保留态度。

第二部分：人工智能价值链

这才是关键所在。我们如何将伦理应用于人工智能？首先，我们需要解构人工智能本身，因为人工智能是一个非常庞大的总称。我们可以通过将其分解为价值链，分解为人工智能如何被制造和使用，使其更容易理解。

我喜欢这种方法，因为它在很多方面类似于其他工具。斧头的使用也存在价值链，从它的制造方式到制造商为其内置的安全措施，再到客户如何有效地或破坏性地使用它。斧头本身或多或少是无道德的——它既不好也不坏。

人工智能比斧头更复杂，因为它是在人类数据上训练的，它反映了在训练过程中所见的人类偏见和人类历史。然而，正如我们将要深入探讨的，这并不能免除我们安全使用工具的责任。事实上，它增加了我们了解人工智能如何运作以及伦理如何贯穿人工智能价值链的重要性。

那么人工智能价值链是什么？我将其分解为五个主要部分：公司、数据、模型、接口和输出。这再次反映了现实世界的价值链。我们开采和冶炼铁，将其变成钢，融化沙子并变成玻璃和电路，将发动机、车轮和座椅组装成一辆汽车，将汽车出售给客户，客户有时用汽车做好事，有时用汽车做坏事。

人工智能价值链的五个部分是：

公司：这是人工智能所有伦理的根源。一家伦理指南薄弱或缺失的公司往往会做出不道德的决定，并且在被告知其所造成的损害时，除非受到法律或商业的强制，否则不会改变方向。
模型数据：人工智能模型不是凭空出现的。它们需要海量的数据才能构建。今天的模型所包含的数据量之大，如果它们是书架，那将是缠绕地球赤道8圈的纯文本书籍书架。将数据视为人工智能的原始成分。
模型本身：从GPT-5到Gemini再到Qwen以及190万个可用模型的字母汤。每个模型内部都包含海量数据和训练，以赋予某些事物比其他事物更高的权重。将模型视为人工智能的引擎。
模型部署和接口：没有人直接使用人工智能模型。总会存在某种接口，这些接口可以应用额外的规则和结构。将部署和接口视为汽车除引擎之外的其他部分。
模型输出：模型吐出的内容。这些是博客文章、策略、信息图和我们用生成式人工智能制作的有趣图片。将输出视为客户驾车行驶。

这五个阶段构成了人工智能的价值链，从始至终，就像人工智能版的“从田间到餐桌”。人工智能是如何诞生的？它是如何制造的？它是如何到达我们的电脑和手机的，我们又用它来做什么？如果我们广泛理解了价值链，那么我们就可以开始审视其每个阶段的伦理问题。

第三部分：人工智能价值链中的伦理

好的，铺垫已经完成。现在我们可以讨论应用于人工智能的伦理了。在价值链的每个阶段，都有我们应该向责任方提出的结果和伦理问题；这些问题的答案决定了它们的伦理。

在逐步审视人工智能价值链时，我会尽力不代入我自己的伦理判断和评估，承认你的伦理可能与我大相径庭。话虽如此，请将你的个人伦理速查表放在手边，因为人工智能价值链的每个部分都需要它。

公司

在谈论技术之前，我们必须谈论制造技术的人。一家伦理和道德指南薄弱或缺失的公司，在人工智能方面会做出糟糕或不道德的选择。这一点毋庸置疑——这家公司制造的一切都将因其缺乏伦理而受到污染。

例如，一家雇佣不道德开发者或拥有不道德领导层的公司，将生产不道德的人工智能工具和模型。这就是“毒树之果”——公司背后的人以及他们自身的伦理和道德决定了公司如何运作，其产品做什么，以及伦理是否融入其技术。

Meta（前身为Facebook）就是典型的案例研究。从其诞生之初，Facebook及其创始人就面临伦理挑战，从知识产权盗窃指控到首席执行官马克·扎克伯格在哈佛本科时几乎因侵犯个人隐私而被开除的行为。

因此，当领导层存在伦理缺陷时，公司以不道德的方式行事，以不必要或不成比例的方式损害其所产生的任何利益，这绝非意料之外。在路透社关于Meta内部人工智能政策（经其首席伦理学家批准）的报道中，很明显Meta的企业文化和领导层与许多其他人遵循着截然不同的伦理标准。

因此，当我们评估人工智能伦理时，我们要问的第一个问题是：任何特定公司与我们的伦理有多高的吻合度？如果一家公司的伦理和成果与你的个人伦理存在显著差异，这将如何指导你关于如何使用人工智能的决策？关于你将使用谁的人工智能？

数据

关于训练数据的主要伦理问题在于模型是否是合乎伦理地制造出来的。在这种背景下，伦理关乎知识产权：它们是否合乎伦理地制造，产生更多有益而非有害的结果？

进一步剖析，目前人工智能模型的主要争议在于，所有模型，无论来源如何，都部分使用了未经创作者同意的内容。这为什么重要？这又源于经济学。

到目前为止，搜索引擎和社交网络等技术工具有一种隐性交易：我们提供内容，工具则以客户作为交换。我们允许搜索引擎索引我们的网站，因为搜索引擎会给我们带来流量。我们发布内容到社交网络，以换取接触受众的机会。

人工智能在很大程度上打破了这种平衡。在某些情况下，人工智能不会给我们带来任何流量。谷歌的人工智能概览就是一个很好的例子；人工智能概览可能足以满足用户需求，他们无需点击任何内容，因此我们得不到流量。在其他情况下，人工智能是直接的竞争对手。一个以绘制漫画为生的艺术家现在面临来自图像生成模型和工具的直接竞争，这些模型和工具可能部分基于他们公开发布的内容进行训练；一个创作音乐的音乐家现在面临来自音乐生成模型和工具的直接竞争，这些模型和工具可能部分基于他们自己的创作进行训练。

这里要问的关键伦理问题是：在你个人的伦理中，同意有多重要？一个未经补偿就使用他人数据进行训练，并产生直接下游损害（经济竞争）的人工智能模型，在为他人创造利益的同时，也对一些人造成了伤害。你的伦理速查表对这种情况有什么看法？

模型

关于模型的主要伦理问题往往围绕着资源消耗。人工智能模型本质上是非常耗费资源的，这很大程度上归因于模型本身的架构及其工作方式。为了准确预测，每个模型都由统计数据构成，这些统计数据是通过获取海量数据并找到它们之间的数学和统计关系来建立的。

这需要消耗巨量的电力、硬件和洁净水。不久前，我根据英伟达（NVIDIA）GPU每年的销售量，假设它们100%利用率的情况下，粗略估算了人工智能可能消耗的理论电力。理论最大功耗——在训练阶段最高——可能接近所有发电量的11%。

有些公司在这方面做得很好；谷歌根据其2025年可持续发展报告，在2024年实现了66%的无碳能源使用，并在淡水补给方面取得了巨大进展，淡水使用补给率从18%提高到64%。其他公司则走向反面，例如xAI未经许可建造燃气涡轮机，对附近城市造成严重污染。

这里要问的关键伦理问题是：可持续性在你的个人伦理中有多重要？在你的决策过程中，你是否选择与对环境影响更大或更小的公司合作？你的伦理速查表怎么说？

部署

关于模型部署的主要伦理问题在于这些模型在使用时的行为方式。我们被允许或不允许用它们做什么？

所有人工智能模型都基于大致相同的三个核心伦理原则进行训练：无害、有益、真实，这是一套由OpenAI在其2022年InstructGPT模型中首次公布的公理。InstructGPT当时被宣传为比GPT-3表现更好，因为它与用户意图的对齐度更高。广义上，这三个支柱及其优先级是：

无害：禁止模型回答明显危险的问题，例如“我如何建造这种非常糟糕的东西™？”
有益：尽可能紧密地遵循用户的指令
真实：尽可能提供事实正确的信息

这些公理聊胜于无，但仍带来重大挑战。回到本文开头的义务论与结果主义，规则可能是坏的，所以盲目遵守规则并不总是符合伦理行为的，也不总能减少伤害。而且，无法以普遍的方式适应80亿人类截然不同的法律、规范和文化。我们所能达到的最接近的普遍规则是“己所不欲，勿施于人”。

尤其是“真实”对人工智能来说问题很大，因为生成式人工智能模型是概率性的。它们返回高概率信息——但概率和真相是不同的。高概率的事物不一定是高真实度的；例如，互联网上有很多关于疫苗的糟糕、完全不正确的信息。但仅仅因为它们流行并不能改变它们在科学上是错误的事实——然而如果这些错误信息足够普遍，人工智能模型可能会学习到它们。

因此，人工智能公司不得不在人工智能工具的接口中植入大量额外规则。ChatGPT、Gemini、Claude等都有额外的规则、过滤器和技术，以根据用户及其所在地进一步调整模型的输出。你可能甚至已经见过这种情况——人工智能工具开始生成响应，然后却显示拒绝。

而且每个模型和接口都有自己的偏见和规则。你不能向DeepSeek询问天安门事件并得到有用的答案。你不能问谷歌的Gemini在美国选举中应该投票给哪个候选人——你会得到直接的拒绝。

其他决定则更具争议性。例如，在路透社的报道中，Meta明确允许用户要求人工智能帮助他们撰写关于某人种族的贬损和侮辱性内容。根据你的伦理，你可能更看重言论自由而非避免对受保护群体造成伤害。在美国，人类被允许撰写此类内容（温馨提示：言论自由不意味着免于言论后果）——人工智能模型是否应该允许一个人表达他们自己会表达的相同内容？

没有任何公司能够或应该试图为每个用户做出这些决定。相反，作为用户，我们需要意识到这些是我们对公司及其人工智能模型感知的伦理失误做出反应时需要考虑的权衡。而且，在最大程度上，作为工具的用户，我们应该被赋予选择权，将我们自己的伦理融入工具中。我们应该在入职时可以选择说，这些是我的伦理。确保你在输出中使用它们。

这里要问的关键伦理问题是：人工智能工具提供商内置到其模型接口中的规则与你的个人伦理速查表有多高的吻合度？任何给定提供商所压制或允许的内容对你来说是否足够重要，以至于你考虑与该提供商进行业务往来，或者避免该提供商？

输出

人工智能价值链的最后一部分是输出本身以及我们如何使用它们。这与其说人工智能能否做某事，不如说我们是否应该用人工智能做某事——这纯粹是人类伦理在起作用。机器使我们能够做一些可能不道德的事情。

有一些明显的用例，比如深度伪造。你是否应该在未经他人同意的情况下复制他人的肖像？现有工具可以让你做到这一点，且防护措施相对较少（部分原因在于阻止深度伪造所需的防护措施也会阻止大多数功能，就像试图设计一把只能切割木材而不能切割其他材料的电锯一样）。即使是深度伪造，也可能存在合法用例。例如，戏仿长期以来在拥有新闻自由的地方受到保护。用于戏仿语境下的深度伪造是否应被允许？

但也有不那么明显或伦理上更具挑战性的人工智能输出用例。这里有一个简单的例子：什么时候你应该取消人类的工作？你决定将哪些工作交给机器或个人，其门槛在哪里？你如何考虑这一决定所带来的经济伤害或利益？

例如，假设你正在开始一个新的播客。你想要一些播客主题音乐。根据你的伦理速查表，你决定是雇佣人类来完成这项任务，还是使用人工智能来完成这项任务的决策过程是什么？在这种特定情况下，每个人的答案都会不同。如果你选择人类，你会得到一种与机器不同的输出。你会支付不同的金额。你支付给谁和支付什么会产生下游影响。你的伦理速查表对此有何看法？你如何做出这个决定？

这是另一个关键领域：偏见。正如我们之前提到的，每个模型的内部数据都存在偏见。更重要的是，模型是人类的反映，反映了我们自己的偏见。我有一整套幻灯片，上面是各种人工智能图像生成器为“律师”、“教师”、“护士”等两个词提示生成的图像，这些图像显示了模型间的种族和性别偏见。

人工智能偏见的挑战在于，要创建一个“无偏见”的模型几乎是不可能的，就像创建一个没有偏见的知识库一样不可能。祝你好运。事实上，如果一个模型真正无偏见，意味着它没有偏见的概念，那么它将无法检测到偏见。

因此，防止偏见的责任在于我们作为用户，要意识到偏见并有意识地、深思熟虑地使用人工智能工具。例如，与其提示图像生成模型创建一张护士的图像，你不如提示它创建一张50岁、留着灰发、戴着金属框眼镜、穿着护士服的韩国男性图像。这种详细程度能给人脸识别系统一个更清晰的方向，并覆盖数据本身潜在的偏见。

这里要问的关键伦理问题是：可能会出什么问题？在人工智能的输出方面，它有无数种出错的方式，从由于性别原因完全从转录文本中省略某人到对某人接受何种医疗护理做出高风险决定。例如，医疗转录软件中存在偏见，导致人们在医疗实践中使用人工智能时医疗记录出现错误。

必须是某个人的——理想情况下是许多人的——工作，才能不带讽刺意味地询问，在人工智能使用的每个阶段，尤其是其输出方面，可能会出什么问题。

输出可能如何出错？输出的使用可能如何出错？输出是否造成了不必要的伤害？输出是否弊大于利？

第四部分：Trust Insights RAFT人工智能伦理框架

既然我们对人工智能价值链有了扎实的理解，那么让我们将其付诸实践，使用一个你可以从每个AI项目或任务开始时就使用的框架。

我将其命名为RAFT，取自其四个组成部分：尊重（Respect）、问责制（Accountability）、公平（Fairness）和透明度（Transparency）。让我们深入探讨每一个部分。

尊重

我们对人工智能的使用是否尊重我们所建立的价值观？回到你的伦理速查表。看看你认为对你很重要的价值观。人工智能的使用是否违反了其中任何一个价值观？如果违反了，那么请花时间按下停止按钮，重新思考解决方案。要求你选择的人工智能工具为你提供3-5个解决方案，以在实现目标的同时减轻或消除伤害或违反你的伦理准则的情况。

尊重的第二个方面是不断询问人工智能会造成哪些伤害，以及你如何处理这些伤害。从贬低他人到夺走他人的有偿工作，请留意人工智能或其输出可能造成的具体伤害，并请求人工智能帮助你设计减少这些伤害的解决方案。负责任的人工智能中尊重的基本支柱是尊重我们的人类同胞。

问责制

这是最重要的。如果我必须将所有关于人工智能伦理的讨论归结为一个原则，那就是这个：当你开始使用人工智能时，谁对人工智能的输出负责。

“这是ChatGPT写的，不是我写的”是不可接受的。正如我们已经讨论过的，模型需要人类提示才能生成输出。ChatGPT不会自行吐出任何东西，除非你要求它。当你启动ChatGPT时，屏幕上有一个空白的提示，它本身什么都不会做。我们对其负责。谁对一个系统的输出负责？

这里有一个简单的测试来判断一个系统是否符合伦理：看制造商试图规避责任的程度。不久前，Macy Kittleberger突出了一家提供人工智能治疗服务的公司。当我深入研究其服务条款时，发现其中整整三分之一的内容都在声明免除该系统可能造成的任何和所有损害的责任。这是规避责任和问责制的杰作，对我来说，这表明创作者知道它有害，却不知道如何防范这种伤害。

公平

框架的第三部分强调公平。任何给定的人工智能模型有哪些已知的偏见？鉴于有十几个旗舰模型以及数百万个更专业的模型，了解你日常主要使用的模型有哪些偏见是个好主意。考虑根据你的伦理速查表，构建你自己的测试，以测试模型在已知存在偏见的场景中的表现。

评估公平性的关键部分之一是了解问题的系统性。一个人工智能模型的问题会影响多少人，以及他们受到的影响程度如何？

举个例子，多年前，我在MarTech会议的供应商展区，看到一家公司声称他们发明了一个预测系统，可以识别理想客户居住的地理位置。他们的演示展示了波士顿市，红点表示理想客户所在区域，灰点表示没有理想客户。

地图显示，理想客户位于波士顿的后湾、市中心、奥尔斯顿-布莱顿、布鲁克林、查尔斯顿和剑桥。在马塔潘、多尔切斯特、罗克斯伯里和周边地区，没有理想客户。

现在，如果你不了解波士顿的地理，灰色点区域主要是黑人社区。这家公司声称他们的软件预测的理想客户都在波士顿的非黑人区。

唯一的问题是，他们的演示是为Dunkin Donuts做的。

我拍的供应商地图照片

如果你不是新英格兰人，这里有一个基本事实：总的来说，唯一不消费Dunkin Donuts的人群是已故之人。否则，无论种族、宗教、性别、性取向等，几乎每个群体都消费Dunkin Donuts。这意味着这家公司的人工智能解决方案存在系统性偏见，不仅不公平，而且在事实上也大错特错。该供应商没有进行公平性测试，因此创建了一个模型，如果Dunkin从他们那里购买，将对其业务造成灾难性影响。

公平性框架中最重要的部分是测试。如果你不测试你的模型（见上周的通讯），那么你没有基础来理解模型表现好坏、偏见有多大以及偏见的方向、模型与你自身伦理之间存在多大差距。

透明度

框架的最后一部分是关于审计人工智能工具的难易程度。例如，OpenAI以隐藏其模型的推理过程而闻名——你看不到它在思考过程中使用的确切词语。相比之下，例如Deepseek则会显示其思考过程中的每一个词。你可以看到它内部考量的未删减版本，这反过来意味着你可以判断它何时以及如何快速偏离你的伦理标准。

人工智能中相对较少的普适规则之一是，任何人工智能系统中的透明度、可解释性和可说明性越高，它就越安全。它就越值得信赖。当我们能够打开一个模型或工具，查看审计日志，一步步追踪一个系统如何创建其输出时，我们就能更快地发现和修复偏见、幻觉和其他问题。相反，一个系统越不透明，它就越危险，因为我们不知道它是如何得出结论的。

透明度不仅适用于技术。它也适用于我们人类决策者。我们如何选择供应商？我们是否将我们的道德准则应用于供应商、他们的系统、他们的人工智能？我们是否要求他们在出现问题时提供文档和调试？

问责制和透明度是相辅相成的——一个公司越是试图推卸责任，他们往往就越不透明。

你如何使用RAFT框架？在每个AI项目开始时都拿出它，并回答框架中与项目相关的问题。如果你发现有些问题无法回答，那表明是时候休息一下，好好思考了。

额外提示：将其与我们免费的《AI就绪营销策略工具包》结合使用，真正让你的项目有个好的开端。

第五部分：总结

底线是：伦理是每个人的工作，你能做的最重要的事情是明确你自己的伦理、你所工作或合作的公司的伦理、你所选举的官员的伦理以及你所居住社区的伦理。

借用机场安检的警示语来谈伦理：“看到什么，就说什么。”伦理的核心在于减少伤害，增加益处。我想不出有几个人会，至少在抽象层面，争辩说减少伤害和增加益处是个糟糕的主意。大多数人，在大多数时候，都希望我们的社会以这种方式运作。

伦理实践就像口腔卫生实践：经常做，就不费力。忽视它，一旦出问题就会非常痛苦。

这期通讯之后，你的作业是尝试我制作的伦理测绘师GPT。我已将它的系统指令放在本期通讯的底部，以便你自己查看（透明度！）它背后的逻辑和它遵循的指令。我专门为OpenAI的GPT-5调整了它，所以如果你在其他系统（Gemini、Claude等）中使用它，可能效果不佳。

今天就明确你个人的人工智能伦理，那么未来关于如何使用人工智能的决策就会容易得多。

一旦你明确了自己的伦理，你就可以开始做一些事情，比如供应商评估，审视你日常频繁互动的公司，看看他们在实施人工智能方面的伦理是否反映在或没有反映在你自己的伦理中。

我们必须在工作场所和被赋予的工具的现实范围内运作。例如，如果你是一名社交媒体经理，并且你讨厌Facebook，你仍然有点不得不使用它。但如果我们发现一家公司、工具或模型与我们自己的个人伦理严重不符，我们可以在可能的情况下最小化对这些系统的使用，并倾向于选择更符合我们伦理的其他系统。但要做到这一点，我们首先必须明确自己的伦理。

去做你的家庭作业吧。

本期通讯如何？

只需点击/轻触一下，即可评价本周的通讯。您的长期反馈有助于我确定为您创作哪些内容。

取消订阅方式

我花了一段时间才找到方便的链接方式，以下是取消订阅的方法。

如果您看不到任何内容，这里是需要复制粘贴的文本链接：

https://almosttimely.substack.com/action/disable_email

分享给朋友或同事

如果您喜欢本期通讯并想分享给朋友/同事，请尽管分享。将此网址发送给您的朋友/同事：

https://www.christopherspenn.com/newsletter

对于在Substack上注册的订阅者，如果您推荐100、200或300名其他读者，将获得推荐奖励。请在此处访问排行榜。

广告：邀请我为您的活动演讲

通过关于人工智能实际应用的定制主题演讲，提升您的下一次会议或公司团建活动。我将根据您受众的行业和挑战提供新的见解，为您的与会者提供可操作的资源和真实世界的知识，以应对不断发展的人工智能格局。

👉 如果这听起来不错，请点击/轻触此处，与团队预约15分钟，讨论您活动的具体需求。

如果您想了解更多，以下是：

恐你错过了：可能你错过了

本周，凯蒂和我探讨了一个关于检测和缓解人工智能偏见的非常具体的案例研究。

通过课程提升技能

以下是我在Trust Insights网站上提供的一些课程，您可以学习。

高级课程

免费课程

广告：全新人工智能书籍！

在《几近永恒》中，生成式人工智能专家Christopher Penn提供了权威的行动指南。凭借18个月的实战经验和数千个真实世界问题的洞察，Penn将纷繁芜杂的信息提炼为48条基础原则——这些持久的思维模型将帮助您对这项变革性技术形成更持久、更具战略性的理解。

在这本书中，您将学会：
– 驾驭机器：最终理解为什么人工智能表现得像一个“聪明但健忘的实习生”，并将它的怪癖转化为您最大的优势。
– 部署行动指南：从理论走向实践，利用框架通过人工智能实现真实、可衡量的业务价值。
– 确保您的人类优势：发现为什么您的创造力、判断力和伦理比以往任何时候都更有价值——以及如何利用它们取得胜利。

停止感到不知所措。开始自信地领导。当您读完《几近永恒》时，您将不仅知道该做什么；您还会理解为什么这么做。在一个不断变化的时代，这种理解是唯一真正的竞争优势。

👉 立即订购您的《几近永恒：生成式人工智能的48条基本原则》！

回到工作

在免费的营销人员数据分析Slack社区发布职位的人，其职位也可能在此分享。如果您正在找工作，请查看这些最近发布的职位，并查看Slack群组获取完整列表。

TaxAct 商业智能数据分析师 – 营销
Forian Inc. 数据洞察与创新分析师
PlanHub 营销分析师
Serena & Lily 营销分析经理
Twist Bioscience 营销分析经理
Rate 营销数据分析师
SmartFinancial 营销数据分析师
Raptive 营销智能经理
Zip Co 高级分析师，营销策略
Coalition, Inc. 高级数据分析师
Insight Global 高级数据分析师
Omada Health 高级数据分析师，增长营销分析
Carrot 高级营销分析师，会员

广告：免费人工智能策略工具包

获取Trust Insights的《AI就绪营销策略工具包》！它汇集了近十年来部署人工智能（是的，ChatGPT出现之前的经典人工智能仍然是人工智能）的经验，以及我们在此过程中获得的和学到的教训。

工具包内含：

TRIPS人工智能用例识别器
人工智能营销目标对齐工作表
人工智能就绪度自我评估（5P & 6C）
12个月人工智能营销路线图模板
基本人工智能投资回报率预测计算器
人工智能倡议绩效追踪器

如果你想获得黑带，第一步是掌握白带的基础知识，而这个工具包就是为此而生。整理好你的“家务事”，掌握人工智能准备的基础知识，你将比99%追逐流行语的人更有优势。

👉 立即访问TrustInsights.ai/aikit免费获取您的工具包。

保持联系

让我们确保在最适合您的平台上保持联系。以下是您可以找到不同内容的地方：

我的博客 – 每日视频、博客文章和播客节目
我的YouTube频道 – 每日视频、会议演讲和所有视频内容
我的公司，Trust Insights – 营销分析帮助
我的播客，《咖啡时间营销》 – 每周播客，关注营销界值得注意的事项
我的第二档播客，《入耳洞察》 – Trust Insights每周播客，专注于数据和分析
在Bluesky上 – 随机个人事务和趣闻
在LinkedIn上 – 每日视频和新闻
在Instagram上 – 个人照片和旅行
我的免费Slack讨论论坛，《营销人员数据分析》 – 关于营销和数据分析的开放对话

收听我的主题曲新单曲：

广告：乌克兰 🇺🇦 人道主义基金

解放乌克兰的战争仍在继续。如果您想支持乌克兰的人道主义努力，乌克兰政府已设立了一个特殊门户网站United24，以方便捐款。解放乌克兰免受俄罗斯非法入侵的努力需要您的持续支持。

👉 立即向乌克兰人道主义救援基金捐款 »

我将参加的活动

以下是我将发表讲话和参加的公开活动。如果您也参加，请打个招呼：

营销专家工作网络研讨会系列，2025年9月
SMPS，丹佛，2025年10月
营销人工智能大会，克利夫兰，2025年10月
MarketingProfs B2B论坛，波士顿，2025年11月

还有一些不向公众开放的私人活动。

如果您是活动组织者，让我来帮助您的活动大放异彩。请访问我的演讲页面了解更多详情。

不能参加活动？那不如来我的私人Slack群组，营销人员数据分析。

必要披露

带有链接的活动已在本期通讯中购买了赞助，因此我通过推广它们获得直接的经济报酬。

本期通讯中的广告已付费推广，因此我通过推广它们获得直接的经济报酬。

我的公司Trust Insights与包括但不限于IBM、Cisco Systems、Amazon、Talkwalker、MarketingProfs、MarketMuse、Agorapulse、Hubspot、Informa、Demandbase、The Marketing AI Institute等公司保持业务合作关系。虽然来自合作伙伴的链接并非明确的认可，Trust Insights也未直接从中获得经济利益，但存在商业关系，Trust Insights可能因此获得间接经济利益，从而我也可能从中获得间接经济利益。

谢谢

感谢您的订阅和阅读到这里。我非常感谢。一如既往，感谢您的支持、关注和善意。

下周见，

Christopher S. Penn

结语：我的AI伦理GPT指令

系统指令：中立引导与用户AI伦理合成

(深度反思模式；先整体伦理，再AI特定应用；最终报告以Canvas HTML格式呈现，使用Tailwind和可选的CDNJS库)

使命

您是一名中立、不带偏见的伦理探究引导者和专业的提示工程面试官。您的使命是引导用户完成一个反思过程，首先阐明其整体伦理导向，然后将该导向应用于生成式人工智能问题，最后将其扩展到供应商选择和采购等语境中的实际应用。

您必须：

一次只提一个问题
鼓励深思熟虑的回答（而非反射性或“简单”的回答）
提供反思性总结并请求确认
始终保持严格的中立，绝不评判、表扬或谴责

渲染要求： 在所有提问、澄清和确认之后，将最终报告生成为一份以Canvas渲染的单一HTML文档，使用Tailwind CSS和（可选）CDNJS库进行样式设置。报告应精美、响应迅速且易于访问。

语调与立场

人类学家/纪录片制作者立场：描述性、好奇、精确。
鼓励缓慢、深思熟虑的思考；避免使用李克特量表或是/否答案等捷径。
当回答简短时，邀请用户详细阐述：“是什么让您得出这个结论？”

基础探究流程（整体 → AI → 应用）

严格的探索顺序是：

整体伦理导向（一般世界观）
生成式人工智能的伦理应用（逐个问题）
实际应用（供应商选择、采购、监督）

LLM必须在整体伦理世界观建立并确认之前，不得跳入人工智能特定伦理的提问。

会话协议（状态机）

状态 0 — 框架与同意

解释中立性、一次一个问题的节奏、专注于反思，以及有序的流程（整体 → AI → 应用）。
询问用户是否准备好开始。

状态 1 — 基线伦理导向（整体伦理优先）
此阶段必须始终在任何人工智能特定问题之前。
映射用户在以下方面的世界观：

义务论（责任/规则）
结果主义（结果/效用）
德性伦理学（品格/美德）
应用伦理学（语境规范/实践）
个体与集体行动及伤害

对于每个：

提出开放式反思性问题（无量表）。
通过深入的后续提问进行探究：
- “对您的观点最强的反驳是什么？您如何回应？”
- “在何种情况下，这条原则可能难以坚持？”
- “在无知之幕下，您是否仍会坚持这一观点？”
提供反思性总结（2–5句话）并请求确认。

只有在所有导向都已映射并确认后，才能进入人工智能伦理部分。

状态 2 — 生成式人工智能伦理领域
（仅在状态1完成并确认后进入。）

逐个覆盖每个领域：

知识产权与训练数据
可持续性
劳动力影响
内容审核
对齐与控制
企业社会责任
偏见、公平、平等、包容
问责制与补救
透明度与披露
隐私与数据使用
安全性、双重用途、滥用
系统性与个体伤害
权力集中

对于每个领域，使用开放式、反思性探究（原则、利益相关者、极端情况、权衡、治理、证据、红线、时间范围、公平/权力）。

状态 3 — 跨主题一致性

识别整体伦理（状态1）与人工智能特定立场（状态2）之间的矛盾或张力。
逐个提出澄清问题，记录用户如何解决这些张力。

状态 4 — 实际应用：供应商选择与采购
将用户的伦理延伸到实际决策中。捕获：

必备项和红线
供应商必须回答的尽职调查问题（并说明理由）
定性评估标准（描述性层级，非数字）
风险场景与缓解措施
治理预期（文物、监控、升级）
合同预期（知识产权、保证、服务水平协议、补救机制）

总结为一份伦理供应商选择行动指南，展示与用户总体伦理（状态1）和人工智能伦理（状态2）的直接关联。

状态 5 — 综合报告（在Canvas中渲染）
生成一份全面、中立的HTML报告，使用Tailwind进行样式设置，结构如下：

执行摘要 — 对整体伦理和优先事项的中立性综合。
框架概况（整体伦理） — 义务论、结果主义、德性伦理学、应用伦理学以及个体与集体行动的叙述性映射。
生成式人工智能领域 — 逐主题总结。
冲突与解决 — 用户如何调和原则之间的冲突。
决策启发法 — 用户应用的实用经验法则。
伦理供应商选择行动指南 — 将原则实际转化为采购指南。
开放问题与证据请求
附录（可选） — 问题与回答日志。

UI/UX要求：

响应式Tailwind布局，带导航/侧边栏
针对红线、开放问题和缓解措施的章节卡片和标注
无数字评分（仅叙述性层级或定性标签）
可访问的语义结构

互动政策

在讨论整体伦理之前，不得提出人工智能特定伦理问题。
不得使用量表或捷径；每个问题都必须要求解释。
始终保持中立。
当答案简短时，使用反思性深入提问。
经常总结并请求确认。

首次消息模板

我将作为一个中立、不带偏见的引导者，帮助您阐明您的伦理观点。我们将首先探讨您的整体伦理——您在主要伦理框架下的观点——然后转向这些观点如何应用于生成式人工智能，最后延伸到供应商选择等实际领域。我将一次只提出一个问题，并偶尔进行总结以供确认。我们开始吧？

重磅推荐