Lecture 26. Ethical AI & Data(optional)

Announcements

讲座通知与内容概述

今天的讲座内容较为轻松，特别是大家已经顺利通过了第二次期中考试，恭喜大家！虽然最近的工作量很大，但接下来课程的进度会有所放缓。今天的讲座是可选的，希望大家觉得有趣。为了确保大家有充足时间掌握核心内容，我们在课程的后半部分安排了一些可选讲座。本周五没有导师的办公时间，但会有一个特别的“问我任何问题”环节，下午2:10开始，链接已更新。需要注意的是，这个环节不会录制，所以有问题的同学务必准时参加。此外，本周五也不会有考试准备环节，因为大家刚刚完成了考试。

除了今天的讲座，我还建议大家回顾一下周一的第25讲，如果错过了内容，可以去观看。那节课非常精彩，今天的讲座也同样如此。Fried教授将探讨计算机科学与社会的交汇点，特别是算法偏见、数据偏见、人工智能和数据的伦理使用等问题。在参加“问我任何问题”环节之前，建议先看一下今天的内容，因为这可能会激发你提出一些有趣的问题。

数字革命与科技的双面性

我们正处于一场前所未有的数字革命中，科技进步和数据获取方式已经影响到了全球70亿人口。这不仅仅是在美国发生的现象，整个世界都在经历这种变化。这种技术和信息获取的民主化带来了许多积极的变化，例如缩短了人与人之间的距离，提升了沟通的便捷性。但每项技术创新都有其阴暗面，作为正在成长中的计算机科学家，我们不应忽视这些潜在的问题。我们需要特别关注技术带来的伦理问题，以及我们自己开发的技术可能造成的危害。

案例研究：算法偏见与伦理问题

今天的讲座通过一个具体案例展开，探讨人工智能和数据相关的伦理问题。这个案例来自于我在达特茅斯学院的学生Julia Dressa，她于2007年毕业，今天要介绍的内容正是基于她的毕业论文研究。这个研究始于关于人工智能推荐系统的使用问题。

推荐系统大家应该都很熟悉，例如Netflix、Amazon或Spotify的推荐算法。这些系统会根据你观看的电影、购买的商品或听的音乐，分析其他用户的相似行为模式，进而给出推荐。有时候这些推荐是准确的，有时候不然，但总体来说，推荐仅限于娱乐层面，影响不大。

然而，类似的推荐算法如今正被用于更加严肃的领域。比如，一些公司和大学使用自动化算法来筛选申请者，决定是否给他们面试或工作机会。在这种情况下，推荐的影响力显然更大，因为它直接关系到个人的就业和教育前景。

金融行业也广泛使用类似的算法。银行和金融机构通过分析个人的信用记录和财务交易历史，预测某人是否有资格获得贷款，比如房屋抵押贷款或小型企业贷款。此时，推荐系统已经与个人的财务健康息息相关。

最为引发争议的是，司法系统也开始依赖这些预测算法。美国的法庭如今广泛使用这些算法来评估某人是否有再次犯罪的风险，进而决定是否给予假释、保释或审判。这时，算法的预测不仅仅关乎财务或工作机会，而是直接影响到一个人的自由。

ProPublica的报道与Julia的研究

2006年，ProPublica发布了一篇具有深远影响的调查报告，题为《机器偏见》（Machine Bias）。这篇文章揭示了美国司法系统中使用的一款预测犯罪风险的算法，存在明显的种族偏见，尤其对黑人群体不公。这篇报道指出，这款软件在法庭上被用于预测某人是否会在未来犯罪，并决定该人是否应获得保释。

受到这篇报道的启发，Julia和我展开了为期一年的研究，深入探讨这些预测算法的潜在偏见。ProPublica发现的核心问题是，这款软件会生成所谓的“再犯风险评分”（Recidivism Risk Score）。它通过输入一些基本信息，比如一个人过去的犯罪记录等，来预测其再犯的可能性。

这个案例和我们的研究揭示了算法应用中的伦理风险，以及技术偏见如何影响个人命运。这也是今天讲座的核心主题，希望大家能够从中汲取灵感，反思技术对社会的深远影响。

算法偏见的深入研究与Julia的工作

在ProPublica的报道发布后，我和我的学生Julia Dressa开始了一项为期一年的研究，旨在深入理解这种机器偏见的根源及其背后的机制。ProPublica的调查发现了一款在法庭中使用的软件，它生成所谓的“再犯风险评分”（Recidivism Risk Score），用于预测某人未来两年内再次犯罪的可能性。这个评分基于个人的犯罪记录、被捕次数、服刑时间、就业历史、年龄、性别等多个因素，然后将这些信息汇总，生成一个分数，用于法官决定是否给予保释。

然而，ProPublica揭示了这个算法中严重的错误模式。虽然算法本身并非完美是可以理解的，但其错误的性质尤其值得关注。我想具体谈两种错误：假阳性（false positive） 和 假阴性（false negative）。

1. 假阳性问题

假阳性是指算法预测某人会再次犯罪，但实际上这个人并不会。也就是说，算法将某人错误地分类为“高风险”，即使这个人根本不具备高风险。ProPublica的调查发现，对于黑人，被错误预测为“高风险”的几率为44.9%，而白人只有23.5%。这一错误率表明，黑人被错误地标记为高风险的概率是白人的两倍。这意味着黑人在算法中的待遇比白人更为严苛。

2. 假阴性问题

假阴性则相反，指的是算法预测某人不会再犯，但实际上这个人会再次犯罪。数据显示，对于黑人，这类错误发生的概率为28%，而对于白人，这一比例却高达47.7%。这表明白人在算法中被更倾向于错误地标记为“低风险”，即便他们实际上具备高风险。

这个双重的偏见问题表明，算法不仅错误地将黑人标记为高风险，同时还更倾向于错误地将白人标记为低风险。这显然是不公平的，也让我们必须认真思考，如果要继续使用这类算法，我们需要更好地理解其来源，并且找出解决方案。

研究的起点：与人类表现的比较

在这篇报道发布后，Julia找到了我，说：“我们是技术专家、数学家、计算机科学家，我们必须修复这个问题，设计出更好的预测算法。”我完全同意，于是我们开始着手进行这项研究。在研究的过程中，我们提出了一个非常基础的问题：我们真的知道人类在这类任务上的表现如何吗？ 如果我们试图设计一种比人类更好的算法，首先需要知道人类的基准表现如何。这也是我们研究的第一个问题：现有的算法是否真的比人类表现更好？

这个问题看似简单，却非常关键。我们发现，实际上很少有研究真正评估过人类在判断犯罪风险方面的表现。因此，我们决定首先研究这个基准，看看现有的算法是否真的在提升司法系统的决策水平。

人类表现的测量：使用众包平台

为了测量人类的判断能力，我们使用了亚马逊的Mechanical Turk平台，这是一个众包网站，可以快速收集大量数据。我们支付参与者少量报酬，然后让他们回答一系列问题，通过这种方式，我们在短时间内收集了成千上万的样本。

接下来，我们将继续探索这些数据结果，看看人类在判断犯罪风险时的表现，并进一步研究算法中的种族偏见问题。

通过众包平台分析算法与人类判断

当然，这些参与者的决策水平可能低于法律专业人士，但我们选择从这里开始，看看普通人在这种任务中的表现。为了进行实验，我们需要大量的数据。幸运的是，佛罗里达州Broward县公开了数千份匿名记录，这些记录包括了犯罪嫌疑人的种族、性别、年龄、就业历史、犯罪历史等信息，并且跟踪了他们两年内是否再次被捕。这为我们提供了丰富的数据来源，用于进行预测分析。

值得注意的是，这些数据只能显示一个人在两年内是否被捕并指控犯罪，而不能确切表明他们是否真正犯下了罪。因此，我们所指的“再犯”仅限于是否被重新逮捕。

实验设计：信息呈现与预测任务

我们为Mechanical Turk的参与者提供了简化版的数据。每个参与者都需要根据如下信息做出判断：

性别：如“男性”
年龄：如“43岁”
当前罪名：如“扰乱公共秩序”
罪名分类：如“轻罪”
过往犯罪记录：如“此前两次犯罪，未有少年时期的重罪或轻罪记录”

参与者基于这些信息，预测该人是否会在接下来的两年内再次犯罪。每个问题的回答选项为“是”或“否”，并且参与者的准确率会被实时显示在屏幕上。为了激励参与者认真作答，我们设置了一个奖励机制：如果他们的准确率达到65%以上，就能获得奖金。这个65%的阈值不是随意定的，而是我们通过算法的基准准确率得出的。

不包含种族信息的决策

在实验设计中，我们故意不提供嫌疑人的种族信息。这是有意为之的，目的是避免参与者因为种族偏见而受到影响，专注于其他关键数据。之后，我们将进一步探讨种族因素的影响。

实验示例

举几个例子，我们给参与者展示了类似的案件信息：

被告性别：女性，年龄：29岁，当前罪名是“持有致命武器进行严重袭击”，分类为重罪，且没有任何前科记录。参与者需要判断这名被告是否会在未来两年内再次犯罪。
被告性别：女性，年龄：52岁，当前罪名是“盗窃”，属于轻罪，已有6次犯罪记录，且有两次少年时期的轻罪记录。参与者同样需要做出预测。
被告性别：男性，年龄：22岁，当前罪名是“持有少于20克大麻”，这发生在大麻合法化之前，属于轻罪，且有两次前科，无少年时期的犯罪记录。

参与者根据这些有限的信息，逐个作出判断。每位参与者大约需要完成60到70个案例的预测。

结果与分析：人类与算法的对比

我们收集了数百条反馈，最终分析了参与者的预测准确率。计算机算法的整体准确率为 65.4%，而普通参与者的平均准确率为 64%，几乎与算法相同。换句话说，普通人在仅凭简短的案件描述下，预测准确率几乎与法院中实际使用的算法持平。

这一结果非常引人注目，因为这些普通人并没有任何法律背景，只是基于几条简单的信息进行判断，却能与复杂的算法相媲美。这让我们进一步思考，现有的预测算法是否真正在提升决策质量。

此外，我们还探讨了“集体智慧”的概念，即通过汇总多个人的预测是否能提高准确率。初步结果表明，这种方法确实有潜力，集体的平均预测准确率可能高于单个个体的预测。

后续问题与讨论

我们的实验初步表明，现有算法在预测准确性上并没有明显超越普通人类的判断。这引发了更多的问题：我们如何减少算法中的种族偏见？我们是否可以设计出真正优于人类的算法？这些都是我们在后续研究中需要深入探讨的问题。

重新探讨人类与算法在犯罪预测中的表现

在前面的实验中，我们发现人类与现有的算法在预测犯罪风险时，表现非常相似。参与实验的普通人仅凭7条简单的信息，准确率达到了64%，而法院中实际使用的算法准确率为65.4%。有趣的是，当我们进一步分析这些人的决策时，发现如果使用“集体智慧”（即汇总多个人的判断），准确率稍微提升至67%。虽然有所提升，但这个差异在统计学上并不显著。这表明，无论是普通人还是算法，它们在总体准确率上表现差不多。

错误类型与种族偏见

接下来我们更深入地探讨错误类型，特别是关于种族偏见的问题。我们重点分析了两种错误类型：

假阳性（False Positive）：预测某人会再犯但实际上不会。这类错误等同于错误地将某人视为高风险。
假阴性（False Negative）：预测某人不会再犯但实际上会。这类错误意味着错误地将某人视为低风险。

在没有提供种族信息的情况下，我们发现人类依然表现出了种族偏见。在假阳性方面，参与者错误预测黑人会再犯的概率为37%，而白人为27%，显示出对黑人的明显偏见。奇怪的是，尽管我们在数据中没有明确提供种族信息，参与者还是表现出了这种偏见。

同样，在假阴性方面，黑人被错误地预测为不会再犯的概率为29%，而白人为40%。这再次表明，尽管没有种族信息，参与者在判断上仍然存在种族差异。

种族信息的引入

为了探究种族偏见的来源，我们进行了另一轮实验，这次我们明确告知参与者嫌疑人的种族信息。我们添加了嫌疑人的种族，但保留了其他信息不变。结果显示，参与者的整体准确率变化不大，仍然为66.5%，与未提供种族信息时的67%基本持平。

在具体的错误类型上，假阳性和假阴性的表现也几乎没有变化。即便参与者知道嫌疑人的种族信息，假阳性错误仍然是黑人40%，白人26%。假阴性方面，黑人为30%，白人为42%，与不提供种族信息时的结果几乎相同。

关键问题：种族偏见的来源

这一结果令人困惑：即便没有提供种族信息，参与者仍然表现出种族偏见。与此同时，ProPublica在其报道中指出，法庭中的算法也并未使用种族作为输入变量，但同样表现出了类似的种族偏见。算法和人类都在缺乏明确种族信息的情况下，表现出了对黑人的偏见。这引发了一个重要的问题：在不提供种族信息的情况下，偏见究竟从何而来？

更广泛的问题：AI算法的表现

另一个值得深思的问题是：现如今用于法院决策的AI算法，其准确率与普通人非常相似。这些参与实验的普通人只是随机的互联网用户，然而，他们的表现却与复杂的AI算法几乎没有差别。这就引出了一个更深层次的问题：为什么如此先进的AI技术与普通人的决策能力相差无几？

这两个问题，关于种族偏见的来源以及AI算法的有效性，是我们接下来需要深入探讨的关键。我们需要更好地理解这些现象的根源，并找到方法来减少这些技术中的偏见，确保其在实际应用中更加公平和有效。

简化AI算法的工作机制

为了理解AI算法是如何做出决策的，我们可以把AI模型想象成一个“黑箱”。输入信息（如性别、年龄、犯罪类型、前科记录等），AI会进行计算并输出一个风险预测。这种预测过程类似于我们给人类参与者提供的信息：性别、年龄、犯罪指控、前科记录等七条关键信息。

两维数据的可视化

为了简化分析，我们假设AI只根据两条信息来做预测：一个人的年龄和少年犯罪记录。这些数据可以映射到一个二维平面上，横轴代表年龄，纵轴代表少年犯罪记录的次数。

我们有两类训练数据：

再犯者：这些人在两年内再次被捕，我们用红点表示。
未再犯者：这些人在两年内没有被捕，我们用黄点表示。

训练AI算法

AI算法的目标是通过这些历史数据进行训练，从而学会区分再犯者和未再犯者。AI通过寻找数据中的模式，绘制出一条可以区分这两类数据的线。这个过程称为线性分类器，因为它使用一条线来将数据划分为两类。在二维空间中，这是一条简单的线，但在七维空间中，它将是一条超平面。

线性判别分析（LDA）算法简介

要理解AI算法如何在没有明确种族信息的情况下仍然表现出种族偏见，我们首先需要了解这些算法的工作原理。一个简单但常用的分类算法是线性判别分析（LDA，Linear Discriminant Analysis），它用于将数据点分成不同类别，并且是很多机器学习课程中的入门算法。

LDA的基本思路

LDA的目标是在给定的训练数据中学习一条分隔线（在高维空间中称为超平面），将两类数据分开。在这个例子中，红点代表再犯者，黄点代表未再犯者。通过寻找最佳分割线，LDA能够预测新的数据点是属于再犯者还是未再犯者。

为了实现这一目标，LDA会最小化类内方差和最大化类间方差：

最小化类内方差：确保每类数据点（红点或黄点）在投影到一维空间时尽可能紧密地聚集在一起。
最大化类间方差：使两类数据点（红点和黄点）之间的距离尽可能大，方便在两者之间画一条清晰的分割线。

数学背景与算法实现

这一目标可以通过解一个广义特征向量问题来实现，使用线性代数的工具，可以高效地找到最佳投影方向。这也是为什么在机器学习和AI领域，数学知识（如线性代数、概率论和多元微积分）是至关重要的。通过一行Python或MATLAB代码，我们就可以轻松求解这一问题并得到分类器。

决策边界的选择

一旦找到了最佳的投影方向，接下来就需要确定决策边界，即在投影线上哪里画线来区分再犯者和未再犯者。这个边界的位置会影响算法的假阳性率和真阳性率：

假阳性率（False Positive Rate）：错误地将未再犯者（黄点）预测为再犯者。
真阳性率（True Positive Rate）：正确地将再犯者（红点）预测为再犯者。

通过调整这条边界的具体位置，我们可以在减少假阳性和增加真阳性之间进行权衡。如果边界过于严格，假阳性会很低，但很多实际的再犯者可能被预测为低风险（降低真阳性率）。如果边界过于宽松，真阳性率会上升，但假阳性也会增加，很多未再犯者会被错误地预测为高风险。

LDA的应用与挑战

LDA是一个相对简单的分类器，适合用来预测再犯风险。通过提供诸如性别、年龄、犯罪类型、前科等信息，LDA可以训练一个分类器，预测嫌疑人在未来是否会再犯。然而，尽管LDA从理论上是“种族盲”的，因为它并不直接使用种族信息，但我们依然看到预测中存在种族偏见。这表明其他变量可能与种族相关联，导致种族偏见无意中渗透到了模型中。

进一步的探索：偏见来源与模型改进

接下来的研究需要解决两个关键问题：

为什么AI算法和人类在没有种族信息的情况下仍然表现出种族偏见？
为什么普通人类决策与商业软件的表现如此接近？

理解这些问题的答案将帮助我们设计出更公平、更准确的预测模型。

总结：AI与人类表现中的偏见问题

在今天讨论的最后部分，我将深入探讨为什么AI算法和人类在没有直接提供种族信息的情况下仍然表现出种族偏见。我们还将分析为什么一个简单的线性分类器能够和商用软件在预测犯罪风险方面表现得一样好。

通过简化模型的探索

我们首先构建了一个基于全部七个信息（如性别、年龄、前科等）的分类器，然后逐步减少使用的信息量，从七个到六个，再到五个，直到只剩下一个信息变量。这样做的目的是了解哪些信息对预测准确性最为重要。

最终，我们发现，即使只使用两条信息——年龄和前科总次数，我们构建的简单分类器（线性判别分析，LDA）也能达到与法院使用的商用软件同样的准确率。这个商用软件被用来帮助法官在法庭上做出保释或判决决策，而我们的简单分类器却能在一下午内实现同等效果。

分类器的预测空间

通过这两条信息，我们可以将数据点映射到一个二维空间，横轴代表年龄，纵轴代表前科次数。然后根据这些信息，分类器将风险预测结果分为不同的颜色编码：黄色代表高风险，蓝色代表低风险。

年轻且有很多前科的人被分类为高风险，这在逻辑上似乎合理。
年长且前科较少的人则被视为低风险。
年长且有较多前科的人也被视为有风险，但风险程度低于年轻人。

这种分类方式虽然简单，但易于理解，我们可以清楚地看到分类器的工作机制和数据如何影响预测。

种族偏见的来源

虽然我们的分类器没有直接使用种族信息，但它依然产生了种族偏见。这是因为前科次数在某种程度上是种族的替代变量。在美国，少数族裔（尤其是黑人）由于历史和社会结构原因，被逮捕、指控和定罪的几率显著高于白人，即使在其他条件相同的情况下。这是刑事司法系统中一个长期存在且广为人知的事实。

因此，尽管AI和人类在预测中没有明确的种族信息，前科数据却隐含着种族因素，成为了“种族的代理变量”。这也解释了为什么即便没有提供种族信息，预测结果仍然表现出对少数族裔的不公平。

为什么商用软件和普通人表现类似？

另一个有趣的发现是，法院使用的商用软件在准确率上并没有超出普通人在网上作出的判断。这是因为这些系统的设计并不比简单的线性分类器更复杂，它们大多依赖于类似的变量，如前科和年龄，而这些变量可以通过简单的算法有效处理。因此，即使是随机的互联网用户在面对同样的信息时，他们的预测表现与商用软件相似。

我们的研究揭示了一个关键问题：隐含偏见如何通过变量（如前科记录）渗透到算法中，导致了种族偏见的产生。这表明，即便没有直接使用种族信息，算法仍然可能表现出种族不公。要解决这一问题，我们需要在设计AI系统时更加关注数据背后的社会结构，并采取措施消除这些隐性偏见。

同时，我们也看到了AI系统的局限性，特别是当它们没有比简单模型复杂多少时，准确性提升并不明显。要真正提升预测质量并减少偏见，未来的AI系统需要更多创新和深度优化。

种族偏见与简单分类器的问题

在我们最后的分析中，我们讨论了为什么AI算法和人类在没有直接提供种族信息的情况下，仍然表现出种族偏见。尽管这些算法和参与者不知道嫌疑人的种族，但其中使用的某些变量（如前科记录）实际上是种族的代理变量。少数族裔（尤其是黑人）在美国更有可能被逮捕、指控和定罪，因此，前科次数无意中成为了对种族的间接推测。

权威性与偏见的强化

尽管AI与人类的准确率相同，但AI系统的结果通常被认为更具权威性。想象一下，法庭上使用了一个“高科技的AI系统”，号称基于“深度学习和大数据”，并且是“商业产品”。这种权威感可能会影响法官的判断，使他们更加信任AI的预测。

相反，如果有人告诉法官，一个随机互联网用户在Reddit或Twitter上预测某人是高风险，法官会完全忽略这样的信息。即便AI和互联网用户的准确率相同，AI仍然会被赋予更多的可信度，这种不应有的权威感可能导致AI的错误判断被更广泛地接受，甚至影响到司法决策。

线性分类器的局限性

我们还分析了为什么这些简单的线性分类器（如线性判别分析，LDA）与更复杂的非线性分类器（如支持向量机或深度学习模型）在准确率上没有显著区别。我们测试了多种非线性分类器，但结果非常令人失望：不论是线性还是非线性分类器，准确率都停留在大约65%。

这表明，预测再犯风险可能是一个本质上非常困难的问题。即使我们使用了更复杂的机器学习模型，也未能突破这个准确率的瓶颈。不同的算法并没有显著提升预测的准确性，所有方法都卡在了65%左右。

种族偏见与未来方向

通过我们的分析，我们发现种族偏见的根源在于一些隐含变量（如前科记录），这些变量虽然看似中立，但在实际中与种族密切相关。为了消除这种偏见，我们可能需要更仔细地审视数据中潜在的社会偏差，并在算法设计中引入措施，确保这些隐性偏见不会影响最终决策。

总的来说，尽管AI可以提供一定的自动化和一致性，但目前的模型在准确性和公平性方面仍然存在很大挑战。要真正提高预测质量，减少偏见，未来的AI系统需要更加创新的技术和设计。

难题的本质

预测一个人未来两年内是否会再犯，依赖于少量的历史数据，却试图揭示一个复杂的未来。这个未来充满了不确定性和复杂的社会经济因素，甚至包括个人生活中的随机事件。因此，要求算法基于这些有限的信息准确预测一个人的未来行为，确实是一项艰巨的任务。

我们应该反思，是否真的应该使用这种预测系统来决定一个人是否可能犯罪，并基于这些预测采取行动。即使我们将算法的准确率提升到75%甚至85%，仍然存在不容忽视的错误率。而当这些错误应用到实际生活中时，可能意味着某个人被不公正地判为高风险，并因此失去自由、机会或权益。

我们应该使用这些算法吗？

随着技术的进步，尤其是在计算和人工智能领域，我们必须更加谨慎地思考其潜在的负面影响。尽管技术的应用可以带来巨大的利益，但如果使用不当，尤其是在缺乏透明性和公平性的情况下，它们可能会对社会弱势群体（如女性、少数族裔、LGBTQ群体等）产生不成比例的负面影响。

现代算法在多个领域中都已经表现出偏见，包括：

招聘中的算法偏见
医疗保健中的算法偏见
金融中的算法偏见（如贷款审批）
刑事司法系统中的算法偏见
面部识别中的种族偏见

这些偏见不仅限于某一领域，实际上，技术正在以各种方式影响着我们每个人的生活。这种影响使我们不得不在技术开发的早期阶段就开始反思，并制定相关措施以减少潜在的危害。

“快速行动，打破常规”应结束

过去二十年，技术领域的口号是“快速行动，打破常规”，这种理念带来了巨大的创新，但也产生了严重的后果。我们不能再沿用这种模式，尤其是在技术直接影响到人们生活的领域时。我们需要在开发之前充分考虑算法可能带来的问题，不能等到技术已经部署之后再修补漏洞。

技术开发中的错误不再是像传统软件中的“文档丢失”这样的小问题，而是关乎人们的自由、工作、贷款和教育机会。如果我们不仔细审查和理解这些技术，我们可能会造成远远超过预期的伤害。

反思技术的责任

在这个令人兴奋的技术时代，我们必须更加审慎和负责地对待人工智能和数据的应用。关键在于确保技术的透明性、准确性和公平性，同时要深刻理解这些技术在不当使用时可能带来的负面影响。每种技术都有它的优点和缺点，我们的责任是尽可能减小其负面影响，充分发挥其积极作用。

结束语

我希望今天的讨论让你对技术的伦理挑战有所思考，并且在未来的技术开发和应用中，能够更加全面地考虑到它对社会的影响。创新是必要的，但我们必须时刻谨记技术的使用是否公平和合理。谢谢大家的聆听，希望你们有所收获。