
CDA数据分析师 出品
编译:Mika
【导读】
虽然自动驾驶车可能比手动驾驶更安全、更方便,但也并不能完全避免事故的发生。如果遇到不可避免的事故,自动驾驶车该如何被编程来应对呢?
在本文中帕特里克·林就探讨了领略了自动驾驶车带来的道德问题。
我们来做一个思维实验。
假定某一天,你坐在自动驾驶汽车里,在高速公路上飞驰。
这时,你发现周围全是车。
突然,一个又大又沉的物体从你前方的卡车上掉下来,你的车来不及刹车来避免碰撞。
问题1:因此它必须做一个决定:
A.继续往前,然后撞在这个物体上
B.迅速左转撞向一辆SUV
C.迅速右转撞向一辆摩托车
你的车应该以你的安全为重,而撞向摩托车吗?
还是为了降低对他人的危险,不转弯,即使这样会撞上巨大的物体,并给你带来生命危险牺?
或是选择折中,撞向SUV,因为SUV的安全性能较高?
这种情况下,如果我们掌握着方向盘,不管我们怎么做,都会被理解为瞬间的反应,而不是经过深思熟虑的决定。我们是在惊恐之下做出本能反应,并未深谋远虑或怀揣恶意。
但是如果是程序员要指示这辆车,在未来的特定情况下做出某一决定,这听上去有点像蓄意谋杀。
不过话说回来,自动驾驶汽车预计可以大大减少交通事故和死亡率,因为这中间避免了人类会犯的错误,而且还有很多其他的潜在好处,比如不再拥堵的路面,汽车尾气排放的减少,以及没有了开车的浪费时间和压力。
但是交通意外肯定还是会发生,当它们发生时意外的后果可能在很久以前,就已经被程序员或政策制定者设定好了。
这些决定可不好做,我们倾向于提供笼统的指导决定的原则,比如最小化伤害。但是这很快也会导致道德上模棱两可的决定。
再举个例子,假定前面的情况一致。但此时,在你的左边骑摩托车的人戴着头盔,而右边骑摩托车的人没戴头盔。
问题2:如果必须要选择,你的自动驾驶汽车应该撞哪个?
A.戴着头盔骑摩托车的人
B.没戴头盔骑摩托车的人
如果说撞那个戴着头盔的人 ,因为她的存活率更高,你难道不是在惩罚更负责任的骑摩托车者吗?
反之,如果说撞那个没戴头盔的人,因为不戴头盔是不负责任的行为。但是这样你就彻底违反了,原先的“最小化伤害”的原则,自动驾驶汽车现在成了在主持公路正义了。
道德的问题还要复杂得多,两种情况下其背后的设计都是基于某种目标算法。换句话说,它系统地倾向或者歧视某一类特定目标。
而目标车辆的车主,就得承担这一算法的消极后果。虽然他们自己并没有犯任何错,这些最新的科技还引起了其他的道德困境。
问题3:如果你从以下两辆车中选择:
A.一辆在事故发生时,总是试图拯救尽可能多生命的车
B.一辆不顾一切拯救你的车
你会买哪一辆?
如果汽车开始分析并考虑,车里的乘客以及他们的生存概率情况又会怎样?一个随机的决定会不会还是比以“最小化伤害”为原则事先设计的决定更好?
谁又应该做这些决定呢?
程序员?
公司?
政府?
现实可能跟我们的思维实验有所出入,但是这不重要。
思想实验的目的是,对我们的道德本能进行分离和压力测试,就像物理世界的科学实验一样。
现在识别这些道德的急转弯,能帮助我们更好地掌控科技及其道德问题的未知之路,并让我们充满信心和正义地驶向勇敢、崭新的未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11