想象你住进了一个精明的智慧小区：门禁能识别人脸，推荐系统猜你喜欢什么外卖，安防摄像头日夜巡逻。刚开始很爽，但不久你开始疑惑：为什么外卖总比隔壁贵？为什么加班深夜回家时门禁总是卡住？如果门禁误锁了，物业会不会甩锅？我的行踪记录有没有人乱翻？这个小区其实需要一本“居民公约”。AI伦理四大原则——公平、透明、可问责、隐私——就是AI世界的“居民公约”。谁开发AI系统，谁就要像物业公司一样，向居民解释规则、出了问题负责到底、保护住户隐私，并且不让任何住户被特殊对待。这听起来是道德问题，其实更是一套可落地的工程规范和治理框架。

岗位关联

理解并落地这四条原则，是AI产品经理、开发者和合规人员从“能工作”走向“可信赖”的分水岭，也是AI时代职业竞争力的护城河。

目录
  1. 可视化演示
  2. 伦理内涵
  3. 公平原则
  4. 透明实现
  5. 责任追究
  6. 隐私保护
  7. 冲突权衡
  8. 落地实践
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示AI伦理四大原则框架、公平性衡量指标对比及原则间权衡关系，点击按钮切换不同视角理解AI治理核心要素。

本节配有交互动效（进入视口后自动加载，约 3KB）。

AI伦理四大原则 公平性：消除偏见确保群体平等待遇 透明性：算法决策可解释可追溯 问责制：明确责任主体追究机制 隐私保护：用户数据安全与合规 四大原则构成AI治理核心框架缺一不可

伦理内涵

智慧社区装上人脸门禁、智能监控后，住户们开始追问：“你们凭什么收集我的脸？门禁认错人怎么办？”物业经理发现，单纯'合法'已经不够，必须有一份住户和管理者都认可的规则，这就是小区里的“伦理公约”。

AI伦理是AI系统从设计到退役全生命周期中，应当遵守的道德规范和行为准则。它不直接告诉你“怎么做才准确”，而是回答“该不该做、边界在哪里”。国际社会后来把这些共识收敛为四大原则：公平、透明、可问责、隐私。它们不是学术空谈，而是产品信任的基石。一个不被信任的AI，再准确也难以推广。

技术团队常以为伦理是法务的事，其实每个环节都在做伦理决策：数据采集是否过度、模型是否歧视特定人群、上线前的测试是否覆盖边缘群体。这些决策会累积成用户对产品的信任或防范。

就像智慧社区的公约需要居民共同维护，AI从业者也承担着“技术物业”的责任。把伦理嵌入日常开发流程，比事后补救更高效，也更让住户安心。

公平原则

有一天，门禁系统经常误锁小区里的临时租户，却几乎不误锁老住户。原因是训练数据中老住户样本多、租户样本少，模型对租户的识别能力天然偏弱。这就像物业只熟悉常住人口，遇到生面孔就紧张。

算法偏见主要有三个来源：训练样本不平衡、标注者主观偏差、使用代理变量（比如用邮政编码代替收入）。公平不要求所有住户'一模一样的对待'，而是要求差异有合理理由，并且不能系统性伤害某一群体。

衡量公平最常见的方式是计算公平差距（Fairness Gap），即两个群体的假阳性率差。假阳性率是指“实际没违规却被系统判为违规”的比例。如果差距过大，说明系统对某一群体系统性不公。

门禁误锁租户的问题，本质上就是公平差距超标的典型。缓解手段包括重新平衡样本、使用公平约束的训练算法、事后调整决策阈值。物业不能因为住户是租客就降低服务质量，AI产品也不能因为用户来自小众群体就降低体验。

FairGap=∣FPRA−FPRB∣≤τ\text{FairGap} = |\text{FPR}_A - \text{FPR}_B| \le \tau
FairGap 公平差距；FPR_A 和 FPR_B 分别是A、B群体的假阳性率；τ 是产品可容忍的阈值。
  1. FPR_A（A群体假阳性率）A群体中实际为负却被预测为正的比例，代表“冤枉好人”的概率。
    FPRA=FPAFPA+TNA\text{FPR}_A = \frac{\text{FP}_A}{\text{FP}_A + \text{TN}_A}
  2. FPR_B（B群体假阳性率）同理，B群体中被冤枉的比例。
    FPRB=FPBFPB+TNB\text{FPR}_B = \frac{\text{FP}_B}{\text{FP}_B + \text{TN}_B}
  3. 绝对值差 | · |取两个比例的绝对差，衡量两个群体被冤枉程度的差距。
    ∣FPRA−FPRB∣|\text{FPR}_A - \text{FPR}_B|
  4. 阈值 τ产品接受的最大公平差距，通常设为0.05或0.1，超过则需要干预。
    τ∈[0,0.1]\tau \in [0, 0.1]

透明实现

住户越来越聪明，他们问：“门禁凭什么放行他、拦住我？外卖推荐是不是暗箱操作？”物业被逼无奈，只能在公告栏张贴门禁判断规则，这就是AI透明性的“公告栏”。

透明意味着AI的输入、逻辑和输出可被相关方理解。代码开源只是很小的一环，更重要的是让非技术用户也能知道：系统基于哪些信息做判断、哪些特征最重要、决策是否可复查。可解释性分成全局解释（模型整体逻辑）和局部解释（某一次判断的原因）。

一种常用技术是特征贡献分析，它把模型某次预测拆解为每个特征的贡献值。比如门禁判定“放行”时，“人脸相似度”贡献0.6，“进入时间”贡献0.2，“访问名单”贡献0.2。下面的公式代表了加性可解释模型：

在智慧社区里，透明就像门禁上方的电子屏：你可以看到“刷脸通过”、“访客登记”、“高峰时段限行”等提示。产品设计透明机制，不是把代码丢给住户，而是用普通人能懂的规则、日志、解释卡，把AI的神秘感降下来。

f(x)=ϕ0+∑j=1Mϕjxj′f(x) = \phi_0 + \sum_{j=1}^{M} \phi_j x'_j
φ₀是基准预测值；φⱼ第j个特征的贡献值；xⱼ′表示该特征是否存在（0或1）；M是特征总数。
  1. 基准值 φ₀模型对所有样本的平均预测分，相当于“默认判断”。
    ϕ0=1N∑i=1Nf(xi)\phi_0 = \frac{1}{N}\sum_{i=1}^{N} f(x_i)
  2. 第j个特征的贡献 φⱼ某个特征对预测的影响强度，正数推动结果，负数拉低结果。
    ϕj=feature_contributionj\phi_j = \text{feature\_contribution}_j
  3. 特征存在标记 xⱼ′1表示该特征存在且参与判断，0表示不存在。
    xj′∈{0,1}x'_j \in \{0, 1\}
  4. 加总求和把每个特征的贡献叠加到基准值上，就得到最终预测。
    ∑j=1Mϕjxj′\sum_{j=1}^{M} \phi_j x'_j

责任追究

门禁误锁导致住户上班迟到，住户索赔，物业经理却说“这是机器的错，我不管”。大家自然不接受——机器没有钱包，责任必须落到人身上。AI领域的可问责性，就是这个道理。

可问责性要求AI系统能够追溯到明确的责任主体，并留下可审计的痕迹。开发方、使用方、数据提供方各自的职责要事先约定；系统决策日志要长期保存；用户要有投诉和申诉的渠道。没有问责机制的AI，就像没有物业经理的小区，一出事就陷入“谁都不负责”的死局。

实践中，常用“事件可解释率”来度量一个AI系统的问责成熟度：系统所处理的决策事件中，有多少比例能找到明确的责任解释。公式如下：

物业为了让住户安心，会安装“事件记录仪”，每一扇门的开关都能找到谁操作、何时操作、原因是什么。AI产品同样需要审计日志：谁在何时调用了模型、输入了什么、输出了什么、是否人工复核。出了问题按图索骥，责任清清楚楚。

AccountabilityRate=可解释事件数总事件数≥γ\text{AccountabilityRate} = \frac{\text{可解释事件数}}{\text{总事件数}} \ge \gamma
AccountabilityRate 问责率；可解释事件数是指能追溯到责任人、决策日志的事件数量；γ 是内部设定的最低问责标准。
  1. 分子（可解释事件数）这些事件拥有完整的决策日志、责任人和复盘记录。
    可解释事件数=∑i=1n1[事件i有责任人]\text{可解释事件数} = \sum_{i=1}^{n} \mathbb{1}[\text{事件}_i \text{有责任人}]
  2. 分母（总事件数）系统在统计周期内处理的所有决策事件。
    总事件数=n\text{总事件数} = n
  3. 比率可解释事件占总事件的比例，反映问责覆盖度。
    可解释事件数总事件数\frac{\text{可解释事件数}}{\text{总事件数}}
  4. 下限 γ组织根据风险等级设定的问责最低标准，高风险场景γ应接近1。
    γ=0.99（高风险）\gamma = 0.99 \text{（高风险）}

隐私保护

住户发现，物业既能通过门禁知道几点回家，又能通过外卖记录知道他爱吃辣。虽然方便，但总像被人暗处盯着。于是公约规定：不得随意调取住户隐私，除非出于安全需要并征得同意。

隐私保护在AI中的核心思路是“数据最小化”：只收集完成任务所需的最少信息，用完后限期删除。还有匿名化和脱敏，但简单删除姓名并不绝对安全，经过多源数据比对，仍可能精确锁定个人。更严谨的方法是差分隐私：在查询结果中加入受控噪声，让任何一条个人信息都无法被反向推断。

差分隐私的数学定义是这样的：

对物业来说，要查看是不是有人在深夜频繁出入，只需要看汇总统计，而不需要逐个住户翻行踪记录。AI产品也是同理：训练模型时，用加噪的统计数据代替个人明细，既安全又满足业务需求。

Pr⁡[M(D)∈S]≤eε⋅Pr⁡[M(D′)∈S]+δ\Pr[\mathcal{M}(D) \in S] \le e^{\varepsilon} \cdot \Pr[\mathcal{M}(D') \in S] + \delta
M(D)是算法在原始数据集上的输出；D′是删除某一条记录后的相邻数据集；ε是隐私预算；δ是允许的失败概率。
  1. M(D) 的输出算法在包含某人的完整数据集上运行，输出结果落在集合S里的概率。
    Pr⁡[M(D)∈S]\Pr[\mathcal{M}(D) \in S]
  2. 相邻数据集 D′去掉或修改某一条记录后的数据集，用于对比一条数据对整体结果的影响。
    D′=D−{某一条记录}D' = D - \{\text{某一条记录}\}
  3. 隐私预算 ε控制隐私损失的上限，ε越小，添加的噪声越大，隐私保护越强。
    ε∈[0.01,1]\varepsilon \in [0.01, 1]
  4. 失败概率 δ允许差分隐私承诺轻微失效的概率，通常小于1/数据量。
    δ≈1n\delta \approx \frac{1}{n}

冲突权衡

人脸门禁很方便，也有助于安防；但住户担心行踪被记录，要求删除数据。物业左右为难：增强安全可能要调用更多隐私，保护隐私又无法精细识别。这不是“对错”问题，而是伦理原则之间的权衡。

常见的冲突有：公平与隐私冲突——要审计门禁是否对租户公平，需要收集敏感属性（如租户身份），但这又增加隐私风险；透明与安全冲突——完整公开模型细节，可能被攻击者利用来绕过门禁。原则之间没有绝对优先级，必须基于具体场景做决策。

一种系统化的权衡方法是用加权目标函数，把不同原则的得分合成一个可比较的总效用。设计者根据风险偏好设定权重，再去评估方案。

在智慧社区里，公约不会规定“绝对保护隐私”或“绝对优先安全”，而是每季度开听证会，动态调整规则。AI团队也应建立伦理委员会，面对冲突时列出选项、量化风险、邀请利益相关方参与讨论，而不是拍脑袋。

max⁡U=α⋅Fair+(1−α)⋅Priv\max U = \alpha \cdot \text{Fair} + (1 - \alpha) \cdot \text{Priv}
U是总效用；Fair是公平得分；Priv是隐私得分；α是权重，范围0到1。
  1. 公平得分 Fair根据公平差距换算成0~1分，差距越小得分越高。
    Fair=1−min⁡(1,FairGapτ)\text{Fair} = 1 - \min(1, \frac{\text{FairGap}}{\tau})
  2. 隐私得分 Priv根据差分隐私ε或数据最小化程度评分。
    Priv=1−εεmax⁡\text{Priv} = 1 - \frac{\varepsilon}{\varepsilon_{\max}}
  3. 权重 α表示决策者对公平的重视程度，α=1代表完全优先公平。
    α∈[0,1]\alpha \in [0, 1]
  4. 总效用 U将两个得分加权求和，用于不同方案排序。
    U=α⋅Fair+(1−α)⋅PrivU = \alpha \cdot \text{Fair} + (1 - \alpha) \cdot \text{Priv}

落地实践

公约写得再好，如果只印在宣传册上，就是纸上谈兵。物业在每栋楼张贴条文，还组织定期检查、建立投诉台账。AI伦理落地，同样需要从口号变成流程。

落地实践的主要抓手有：第一，伦理自查清单——在模型立项、开发、上线前，逐项检查数据来源、公平风险、解释材料、隐私保护措施是否齐备；第二，合规规范——把法规要求（如GDPR、个保法）转化为内部开发指引和自动化检查工具；第三，治理决策——由管理层或伦理委员会对高风险AI应用做最终审批，并持续监测上线后表现。

为了让检查可比较，许多团队会设置“伦理评分卡”，把各项原则得分加权汇总。公式：

智慧小区每年会公布“居民满意度报告”，物业把公平、透明、问责、隐私的检查结果晒出来。AI团队也应该把伦理自查结果写进产品评审文档，让伦理分数像性能指标一样被看见、被管理。只有落到流程里，四大原则才真正成为AI的“安全护栏”。

EthicsScore=∑i=1nwisi\text{EthicsScore} = \sum_{i=1}^{n} w_i s_i
EthicsScore综合伦理分；sᵢ是第i项原则的得分；wᵢ是该项权重；n是原则数量。
  1. 第i项得分 sᵢ每项原则按满足程度打分，例如公平得分60分。
    si∈[0,100]s_i \in [0, 100]
  2. 权重 wᵢ不同场景给不同原则设置权重，比如风控更看重公平，医疗更看重隐私。
    wi≥0,∑i=1nwi=1w_i \ge 0, \quad \sum_{i=1}^{n} w_i = 1
  3. 加权求和把各项得分乘以权重后相加，得到总分。
    ∑i=1nwisi\sum_{i=1}^{n} w_i s_i
  4. 总分 EthicsScore低于阈值则不允许上线，高于阈值则进入灰度测试。
    EthicsScore≥80（可上线）\text{EthicsScore} \ge 80 \text{（可上线）}

AI 应用场景

信贷风控模型的公平性审计

阶段：模型上线前评估与监控

解决的问题：传统风控只看准确率，容易让低样本群体（如新市民）被系统性误拒，引发监管风险和品牌危机。AI公平性审计通过计算不同群体的拒绝率差异、假阳性率差距，在上线前暴露偏见。

具体案例：某消费金融公司在审批模型上线前，用公平差距工具检查“本地户籍”与“非本地户籍”用户的拒绝率差异，发现差距达18%，远超5%阈值。团队随即增加样本权重并对决策边界做校准，上线后差距降至3%。

客服机器人的透明化改造

阶段：产品交互设计

解决的问题：智能客服常被用户质疑“答非所问”“凭什么这么推荐”。传统黑盒交互让用户无法核对依据。透明性设计让系统在给出答案时，附带关键特征和置信度说明。

具体案例：某电商平台的客服机器人每次推荐商品时，会显示“根据您浏览的3款运动鞋和1条历史订单，推荐这款跑鞋”。上线后用户差评率下降22%，“为什么推荐我”类投诉减少41%。

医疗AI的差分隐私保护

阶段：数据收集与模型训练

解决的问题：多中心医疗数据合作通常涉及患者敏感信息，传统脱敏无法完全防重识别。差分隐私在统计结果中加噪，既完成联合建模，又不泄露单个患者信息。

具体案例：某医学影像联盟联合10家医院训练眼底病变检测模型，每次联邦学习聚合时注入ε=0.5的拉普拉斯噪声，训练完成后模型AUC达0.94，且与不加密版本相差不足1%，被多中心伦理委员会批准使用。

Python 演示

python54 行
"""AI伦理评估助手：公平性审计 + 差分隐私模拟 + 伦理评分""" import math  def fairness_gap(y_true, y_pred, groups, target_group="B", threshold=0.1):    """    计算两个群体的假阳性率差距。    y_true: 真实标签列表(0/1)    y_pred: 模型预测列表(0/1)    groups: 群体标签列表('A'/'B')    """    def fpr_for(label):        fp = sum(1 for yt, yp, g in zip(y_true, y_pred, groups)                 if g == label and yt == 0 and yp == 1)        tn = sum(1 for yt, yp, g in zip(y_true, y_pred, groups)                 if g == label and yt == 0 and yp == 0)        return fp / (fp + tn) if (fp + tn) else 0.0     fpr_a = fpr_for("A")    fpr_b = fpr_for(target_group)    gap = abs(fpr_a - fpr_b)    return {        "FPR_A": fpr_a,        "FPR_B": fpr_b,        "gap": gap,        "pass": gap <= threshold    }  def laplace_noise(epsilon, sensitivity=1.0):    """差分隐私拉普拉斯机制：返回加噪所需噪声规模"""    return sensitivity / epsilon  def ethics_score(scores, weights):    """伦理总分：各原则得分与权重的加权和"""    return sum(s * w for s, w in zip(scores, weights))  if __name__ == "__main__":    y_true = [1, 0, 0, 1, 0, 1, 0, 0, 1, 0]    y_pred = [1, 0, 0, 1, 1, 1, 0, 0, 1, 0]    groups = ["A", "A", "A", "A", "B", "A", "B", "B", "B", "B"]     report = fairness_gap(y_true, y_pred, groups)    print("公平性报告:", report)     eps = 0.5    print("差分隐私噪声量(eps=0.5):", laplace_noise(eps))     scores = [0.9, 0.8, 0.7, 0.6]    weights = [0.4, 0.2, 0.2, 0.2]    print("综合伦理分:", ethics_score(scores, weights))
目的：演示一个轻量级AI伦理评估器，可量化公平差距、模拟差分隐私噪声、汇总伦理评分，帮助开发者在本地自查。
  1. def fairness_gap(...)定义公平审计函数，输入预测结果、真实标签和群体标签，计算两个群体的假阳性率差距。
  2. fp = sum(1 for ...)用生成器统计某群体中“实际为负但预测为正”的数量。
  3. gap = abs(fpr_a - fpr_b)核心公平差距，数值越大，说明系统对两个群体越不公平。
  4. return {"FPR_A": ...}返回结构化报告，pass字段表示是否满足预设阈值。
  5. def laplace_noise(epsilon, sensitivity=1.0)实现差分隐私中的拉普拉斯机制，ε越小返回噪声越大。
  6. def ethics_score(scores, weights)用加权和把四项原则汇总为综合伦理分，便于跨方案比较。

常见误区

误区很多开发者觉得写代码就够忙了，伦理是法务考虑的事。只要没有被告、没违反法律，AI产品就是合格的。

正解法律是底线，伦理是高于底线的自我要求。算法偏见可能不违法，但会伤害一部分用户，最终导致口碑崩塌和监管介入。就像小区公约不只规定“不许杀人”，还规定“电梯里要礼让邻居”，AI伦理管的往往是法律没覆盖的灰色地带。

为何常见：因为违法会直接受罚，而伦理问题常常是潜移默化的，技术团队容易对它“看不见”。

误区只要A群体准确率90%、B群体准确率90%，模型就公平了，大家的表现一样。

正解准确率只是整体正确比例，可能掩盖细分人群的错误类型差异。比如两群体准确率都为90%，但A群体是把正常用户误判为坏人，B群体是把坏人漏放行，影响完全不同。公平需要看假阳性率、假阴性率、校准误差等多个指标，还要结合业务场景定义“伤害”。

为何常见：准确率是最常用的模型指标，容易让人误以为它足以代表公平。

误区只要把模型代码放到GitHub上，一切公开透明，用户就能信任。

正解源代码对普通用户没有意义，而且可能泄露商业机密。AI透明性要求的是用利益相关方听得懂的语言，解释数据来源、决策逻辑、关键特征的影响，以及已知局限。相当于物业在公告栏写“门禁会参考您的登记时间和访客名单”，而不是甩给住户一本门禁电路图。

为何常见：技术人习惯把“开放”等同于“透明”，忘了透明是为了让使用者理解，而不是让开发者自我感动。

误区把姓名、身份证号删掉，数据就匿名了，可以放心拿去训练模型。

正解传统脱敏容易被重识别攻击——通过多张数据表交叉比对，还是可能锁定某个人。差分隐私等机制才提供可证明的隐私保障，它通过加噪让单条数据对结果的影响微乎其微。物业把名字涂掉不代表住户不会被认出来，还要避免让其他信息（年龄、门牌号）拼成完整画像。

为何常见：因为脱敏在表面上“看不到明文”，让人误以为无法还原。

误区一个合规的AI产品，应该公平、透明、可问责、隐私全都做到100分，否则就不合格。

正解原则之间存在真实冲突，比如要证明公平需要收集敏感群体数据，想保护隐私就得少收集数据。满分是不现实的，成熟的做法是明确业务场景中的优先级，设定最低可接受阈值，并通过透明沟通让用户理解取舍。就像小区公约不可能同时做到“每个角落都有摄像头”和“一个摄像头都不装”。

为何常见：原则名字听起来都正确，初学时会忽视它们之间的摩擦，缺少系统工程思维。

面试题

Q1. AI伦理四大原则通常不包括以下哪项？

单选题 · easy

  • A.公平性
  • B.透明性
  • C.可问责性
  • D.盈利性← 正确答案

答案：D。四大原则是公平、透明、可问责、隐私。盈利性是商业目标，不是伦理原则。就像小区公约里不会写“每户要缴更多物业费让公司赚钱”，而会写“出入信息公开、事故有人负责”。

Q2. 小区视频门禁中，某些住户经常被误锁，最可能涉及哪项伦理问题？

单选题 · easy

  • A.隐私泄露
  • B.算法偏见← 正确答案
  • C.代码开源
  • D.成本过高

答案：B。误锁集中在某类住户，说明系统对该群体产生了系统性歧视，属于公平性中的算法偏见。隐私泄露是数据被不该看到的人看到，代码开源是透明性问题，成本高是商业问题。

Q3. 公平差距公式中的 τ 表示什么？

单选题 · mid

  • A.群体样本比例
  • B.模型训练轮数
  • C.可容忍差异阈值← 正确答案
  • D.预测误差总数

答案：C。τ 是公平差距的容忍上限，例如0.05或0.1，超过阈值就判定系统存在不公平风险。样本比例、训练轮数、误差总数都不是公平差距公式中的 τ。

Q4. 为了实现AI透明性，以下哪项最不相关？

单选题 · mid

  • A.特征贡献分析
  • B.决策日志留存
  • C.用户权限加密← 正确答案
  • D.模型逻辑说明

答案：C。透明性重点在于让用户和审计者理解“为什么这么判断”，特征贡献、决策日志、逻辑说明都是必要手段。用户权限加密属于隐私保护，与透明性目标不同。

Q5. 差分隐私中 ε 越小表明什么？

单选题 · mid

  • A.模型效果越好
  • B.隐私保护越强← 正确答案
  • C.训练速度越快
  • D.数据量越大

答案：B。ε是隐私预算，越小表示添加噪声越大，单个用户的隐私越难被推断，因此隐私保护越强。ε与模型效果、训练速度、数据量没有直接正比关系。

Q6. 某模型对A群体误判率2%，对B群体误判率15%，最合适的说法是？

单选题 · hard

  • A.模型效果优秀
  • B.存在公平风险← 正确答案
  • C.隐私泄露严重
  • D.问责不够透明

答案：B。整体准确率可能很高，但两个群体误判率差距巨大，符合公平差距过大的特征。这不是隐私或问责问题，而是一种隐蔽的系统性歧视，需要警惕。

Q7. 当公平与隐私冲突时，最合理的做法是？

单选题 · extreme

  • A.牺牲隐私保公平
  • B.牺牲公平保隐私
  • C.评估风险并权衡← 正确答案
  • D.直接放弃AI功能

答案：C。伦理原则冲突没有万能解，应该结合业务场景评估双方风险，通过加权目标函数或多方沟通决策。直接牺牲某一方面或直接放弃功能都过于极端。

Q8. 以下哪些属于AI伦理治理的基础环节？

多选题 · easy

  • A.伦理自查清单← 正确答案
  • B.算法可解释性← 正确答案
  • C.无限收集数据
  • D.审计与投诉机制← 正确答案

答案：ABD。伦理自查、可解释、审计反馈都是治理落地手段。无限收集数据恰恰违反隐私保护原则，不属于伦理治理。

Q9. 实现可问责性通常需要以下哪些机制？

多选题 · mid

  • A.决策日志← 正确答案
  • B.责任方指定← 正确答案
  • C.隐藏训练数据
  • D.用户投诉渠道← 正确答案

答案：ABD。可问责性需要记录决策过程、明确责任人、提供投诉反馈渠道。隐藏训练数据反而会削弱审计能力，不利于问责。

Q10. 缓解AI公平性风险的方法包括？

多选题 · hard

  • A.平衡训练样本← 正确答案
  • B.设置差距阈值← 正确答案
  • C.事后纠正偏差← 正确答案
  • D.增加敏感属性收集

答案：ABC。平衡样本、设定公平差距阈值、事后纠偏都是常见缓解手段。增加敏感属性收集不一定缓解公平问题，反而可能扩大隐私风险，必须谨慎。