人工智能一直为我们日常使用的众多应用提供动力，而这项技术如今正进入一个更加复杂精密的新阶段。
在此过程中，我们需要新的防护措施，以确保其发展方式安全且公平。
实现这一目标的最佳途径，是避免人类偏见渗入技术之中，而这需要大量的工作与投入。
某种形式的人工智能（AI）一直为我们日常使用的众多应用提供动力。
举几个例子，人工智能一直在幕后运作，为我们提供音乐和购物推荐，并帮助我们撰写短信。如今，我们正迈入人工智能更加复杂精密的下一阶段演进，凭借其生成开放式回应的能力，它正走到台前。
总体而言，技术已能让我们的生活变得更好。但某些创新需要防护措施和最佳实践，以降低对个人、社区和社会造成的风险或伤害；即便如此，仍可能产生意想不到的后果。人工智能也不例外。
虽然我们一直在为传统人工智能和机器学习（ML）服务开发与研究负责任的人工智能解决方案，但这一生成式人工智能的新时代带来了独特的挑战。而且，由于生成式人工智能的演进速度极快，除非我们采取有意识的主动措施将风险降至最低，否则风险和意外结果的可能性将更为显著。
促进生成式人工智能的公平性是一个关键步骤。实现这一目标的途径之一，是解决在所用数据、算法以及参与其设计、开发和部署的人员中可能存在的偏见。
虽然技术解决方案对于减轻人工智能中的偏见至关重要，但我们必须从整体角度加以思考，同时投资于涉及人员和流程的方法。
若不纳入多元声音，就无法负责任地构建人工智能
归根结底，负责任的人工智能将由人来守护。这也是为何我们的优先事项之一是包容性，即有意识地考虑可能受人工智能产品影响或使用该产品的所有利益相关方或消费者的观点、声音和特征。
理想情况下，多元视角应从一开始就融入人工智能产品的生命周期。但科技、人工智能和数据科学领域的多元化仍是一项挑战。女性在数据和人工智能岗位中仅占26%的劳动力；仅有4.2%的数据科学家为黑人或非裔美国人，6.9%为西班牙裔或拉丁裔。因此，我们必须采取其他方式，以终端用户为中心，融入包容性。
一种富有创意的做法是，在产品生命周期的各个阶段，利用公司的员工资源小组。这些小组的成员往往乐于分享其观点，因为他们知道这能积极影响产品的运作方式，最终造福其社区和客户。
与此同时，我们必须通过建立更早期的人才输送渠道，增加并投资于该领域的多元化。因此，推动人工智能教育的普及，并使其惠及代表性不足的群体，至关重要。例如，AWS为历史上的黑人学院和大学（HBCU）、少数族裔服务机构（MSI）以及社区学院提供人工智能与机器学习奖学金等项目，以及免费的人工智能教育课程。
最后，作为人类，我们都存在内隐偏见，因此必须理解这些偏见如何影响设计与决策流程、数据收集、特征工程、模型评估与测试。培训应旨在提高开发人员、数据科学家及其他利益相关方对人工智能系统中偏见的存在及其影响的认识，并使其掌握减少偏见的方法。
不规划即是规划失败
该流程的一个重点领域是，企业有必要制定全面的组织计划，以便在部署生成式人工智能系统时，主动界定范围、测试并应对可能出现的偏见等问题。
作为该计划的一部分，企业需要回答以下问题：主要客户画像及受影响最大的群体是谁？我们的数据能否代表这些利益相关方？存在哪些潜在风险与威胁？有哪些回滚与恢复方案？将采用哪些反馈回路？沟通计划是什么？
通过建立人工智能运营模式，结合人员、流程和有助于有效预判和管理风险的技术解决方案，企业可以降低意外风险和后果的可能性及其影响，展现对韧性与改进的承诺，并管理其声誉，从而提升客户信任。
不确定性要求加大投资
由于生成式人工智能仍在不断演进，且其部分底层模型非常复杂，我们对其生成内容的方式仍有诸多未知。因此，我们尚不清楚何时才能彻底消除偏见（如果能够消除的话）。但可以肯定的是，随着越来越多的企业和组织尝试利用生成式人工智能转型其业务和行业，该领域需要加大投资。除上述以人为中心和以流程为中心的理念外，我们还需要立法者、研究人员和专家的持续协作、研究与参与，甚至包括这项技术的先行企业之外的各方力量。
不确定性无疑令人担忧，但我们不能任由恐惧使我们陷入瘫痪。相反，它应激励我们以更加迫切的紧迫感，深入理解生成式人工智能，倡导制定必要的防护措施，并有意识地践行负责任的人工智能最佳实践。
我真诚地相信，我们可以将这项新兴技术用于造福人类。事实上，人工智能和机器学习一直在应对一些世界上最紧迫的问题，例如饥饿和贫困。例如，国际水稻研究所（IRRI）运用了先进的机器学习方法，以快速理解基因组数据，进而培育出更能耐受气候变化的水稻。但要将生成式人工智能用于造福人类，我们就不能袖手旁观。无论从事何种工作或身处哪个行业，我们每个人都在负责任的人工智能之旅中肩负着一份责任。
