这一页讲的是海报展示更新（Poster Presentation Update），强调信息传递的重要性。

这一页讲的是海报展示更新（Poster Presentation Update），重点在于传达关于海报展示的最新信息。图中包含一个黄色的海报，海报上有一个扩音器图案，象征信息的传播和强调。旁边的文字以紫色字体突出显示，表明这是一项重要的更新。通过这种视觉设计，提醒观众关注海报展示的最新动态，同时也传递了信息传播的紧迫性。这种设计通常用于学术会议或活动中，用来吸引注意力并确保关键信息被有效传达。例如，如果某个展示时间或地点发生变更，这种更新方式可以快速通知参与者。

这一页讲的是考试更新（Exam Update），强调考试相关的重要信息。

这一页讲的是考试更新（Exam Update），主要传递关于考试的重要通知或变化的信息。从图片中可以看到一个带有“A+”符号的成绩单和铅笔，象征着考试成绩优秀以及与学习相关的内容。这可能是提醒学生关注考试的最新安排，例如时间、内容或评分标准的调整。这一页的视觉设计简单明了，使用了显眼的紫色标题和直观的图案，目的是吸引注意力并突出考试更新的重要性。学生需要密切关注相关通知，以确保准备充分并取得优异成绩。

这一页讲的是 Human Oversight（人类监督），强调人工智能决策中的人类参与和责任。

这一页讲的是 Human Oversight（人类监督），即在人工智能系统的运行和决策过程中，人类如何介入以确保系统的可靠性和伦理性。页面中的图表展示了一个循环结构，中心是一个人形图标，周围有箭头和对话框，代表人类在 AI 系统的决策循环中进行持续监督和反馈。这种监督的核心是确保 AI 系统的决策符合伦理原则，避免潜在的社会危害。例如，在自动驾驶汽车的决策中，人类监督可以介入以确保安全性和责任分配。Human Oversight 对于 AI 的伦理性和社会责任至关重要，尤其是在高风险领域如医疗、法律和交通等。

这一页讲的是人工智能系统中的人类监督模型。重点包括识别和解释不同监督模型（HIC、HITL、HOTL、HOOTL），讨论人类监督在决策中的重要性，以及探索这些模型的局限性。

这一页讲的是人工智能系统中的人类监督模型。首先，介绍了几种不同的监督模型，包括 HIC（Human-in-Control），HITL（Human-in-the-Loop），HOTL（Human-on-the-Loop），以及 HOOTL（Human-out-of-the-Loop）。这些模型分别描述了人类在人工智能决策过程中参与的不同程度，例如 HIC 模型强调人类完全掌控决策，而 HOOTL 则几乎完全由 AI 自主完成。其次，强调了人类监督的重要性，例如确保 AI 决策的伦理性、可靠性和透明性。最后，探讨了当前监督模型的局限性，例如人类可能带来的偏见、监督成本较高，以及在复杂系统中难以实时干预。通过这些内容，学生可以更好地理解人类在 AI 系统中的角色及其挑战。

这一页讲的是 AI 治理与政策的核心组成部分，包括 GDPR 第22条和新西兰算法宪章的关键内容。

这一页讲的是 AI 治理与政策的核心组成部分，具体介绍了欧洲的《通用数据保护条例》（GDPR）第22条和新西兰算法宪章的内容。GDPR 第22条规定，数据主体有权不受仅基于自动化处理（包括分析）的决定影响，这些决定可能对个人产生法律效力或类似重大影响，但此权利存在显著例外。新西兰算法宪章强调了人工监督的重要性，包括指定算法相关公共查询的联系人、提供挑战或申诉算法决策的渠道，以及明确人类在算法决策中的角色。这些政策旨在确保 AI 系统的透明性和责任性，保护个人权益，同时促进公众对算法的信任。例如，GDPR 第22条保护个人免于因自动化分析而被拒绝贷款，而新西兰宪章则确保公众能通过指定渠道质疑类似决策。

这一页讲的是算法责任归属问题。主要强调人类设计和控制算法，最终对其决策负责，不能将错误归咎于算法本身。

这一页讲的是算法责任归属问题，强调人类在算法设计和使用中不可推卸的责任。幻灯片指出，算法和驱动算法的数据都是由人类设计和创建的，因此任何由算法做出的决策或建议，最终责任都归属于人类。‘算法做的’不能成为系统错误或不良后果的借口，尤其是在机器学习（Machine Learning）过程中可能出现的错误或意外后果中。图示中包含计划（Plan）和警告标志，象征算法决策需要人类的规划和监督；齿轮和人物代表人类与技术的协作关系。这一理念对于确保算法的公平性、公正性和透明性（Fairness, Accountability, Transparency）至关重要。例如，若一个机器学习模型在招聘中表现出性别偏见，责任不在算法本身，而在于开发者未能设计或训练模型时充分考虑数据偏差和伦理问题。

这一页讲的是 Human in Command (HIC)，强调人类在系统中作为决策核心的重要性。

这一页讲的是 Human in Command (HIC)，即人类在指挥系统中的角色。图中显示一个人类形象，周围有齿轮和箭头，代表人类与系统互动的过程。左侧的红色表情符号和右侧的黄色表情符号分别代表负面和正面的结果，箭头指向齿轮，说明人类通过指挥和调整系统可以影响结果。这一概念强调了人类在复杂系统中的决策权和责任，尤其是在自动化和人工智能越来越普及的情况下，确保人类能够监督、干预并引导系统朝正确的方向发展是至关重要的。例如，在自动驾驶汽车中，人类需要能够随时接管系统以避免事故。这种设计原则不仅提高了安全性，还能增强用户对技术的信任。

这一页讲的是人工智能系统的三种人类参与模式：HITL、HOTL 和 HOOTL。重点是系统决策的自动化程度和人类的介入方式。

这一页讲的是人工智能系统的三种人类参与模式，分别是 Human-in-the-loop (HITL)、Human-on-the-loop (HOTL) 和 Human-out-of-the-loop (HOOTL)。HITL 模式中，自动化系统可以建议决策，但最终决策权始终由人类掌控。这种模式适用于高风险场景，例如医疗诊断或法律判决。HOTL 模式中，系统可以自主做决策，但人类负责监督结果，并在发现错误时进行干预。这种模式通常用于中等风险场景，例如自动驾驶汽车的监控。HOOTL 模式则完全由系统自主决策，无需任何人类干预或监督，适用于低风险场景或需要高效率的应用，例如推荐系统。这三种模式的选择取决于具体应用场景的风险等级和对决策质量的要求。

这一页讲的是为什么坚持人类参与或监督的重要性，主要包括判断力（Discretion）、准确性（Accuracy）、信任（Trust）和情感参与（Emotional Engagement）。

这一页讲的是为什么在某些情况下需要坚持人类的参与或监督。首先，判断力（Discretion）指人类能够根据具体情境做出灵活决策，而不是仅仅依赖固定规则。其次，准确性（Accuracy）强调人类在处理复杂任务时，可以通过经验和直觉提升结果的精确度。再者，信任（Trust）是指人类监督能够增加系统的透明度，使用户更愿意接受结果。最后，情感参与（Emotional Engagement）体现了人类在与他人互动时能够传递情感和同理心，这在许多需要人际交流的场景中尤为重要。例如，在医疗诊断中，医生的参与不仅能提高诊断的准确性，还能通过情感交流缓解患者的焦虑。这些因素共同说明了人类参与的重要性，即使在高度自动化的环境中也不可或缺。

这一页讲的是决策中的自由裁量权（Discretion），强调个人在多种选择中做出判断的重要性。

这一页讲的是决策中的自由裁量权（Discretion）。图中展示了一个人在面对多种选择时的情景：有三个方向的箭头（红色、蓝色和黄色），代表不同的决策路径，同时伴有两个问号，象征不确定性或需要权衡的因素。自由裁量权是指在没有明确规则或标准的情况下，个人根据自身经验、知识和判断能力做出选择。这在复杂的决策环境中尤为重要，比如管理者在制定战略时需要权衡多个利益相关方的需求。自由裁量权的使用需要平衡灵活性和责任感，既要保证选择的合理性，也要避免主观性过强导致的偏差。举例来说，一个项目经理在分配资源时可能需要根据实际情况调整计划，而不是完全依赖预设规则。这种能力对于解决问题和应对变化至关重要。

这一页讲的是 Accuracy(准确率)，强调预测结果与实际目标的接近程度。关键是衡量模型预测的正确性。

这一页讲的是 Accuracy(准确率)，它是衡量模型性能的一个重要指标，表示模型预测结果与实际目标的接近程度。幻灯片上的靶心图形象地展示了准确率的概念：越接近靶心，说明预测越准确。准确率通常定义为正确预测的数量除以总预测数量。它在分类任务中尤其重要，例如在图像分类中，模型预测的类别与真实类别一致的比例就是准确率。高准确率意味着模型在大多数情况下能够正确预测，但它需要结合其他指标(如Precision和Recall)综合评估模型性能，特别是在数据不平衡的情况下。

这一页讲的是信任(Trust)的重要性及其象征意义。图中展示了一个标志，强调可信度(Trusted)。

这一页讲的是信任(Trust)的重要性及其象征意义。信任是个人、团队或系统之间合作和成功的基础。幻灯片中展示了一个标志，包含一个黄色的徽章和红色的横幅，上面写着“Trusted”，并配有五颗星，象征高质量和可靠性。这种视觉设计通常用于传达某个产品、服务或系统值得信赖的信息。例如，在商业环境中，信任可以帮助企业建立品牌忠诚度，吸引客户，同时在技术领域，信任是用户选择某项技术或平台的关键因素。总之，这一页强调了信任不仅是道德层面的价值观，也是一种能够带来实际收益的重要特质。

这一页讲的是情感参与（Emotional Engagement），展示情绪循环及其互动模式。

这一页讲的是情感参与（Emotional Engagement），通过一个循环图展示了不同情绪之间的关系和互动。图中包含四种情绪：蓝色代表快乐（Happy），黄色代表平静或中性（Neutral），绿色代表积极（Positive），红色代表愤怒或消极（Negative），中间有一个心形代表情感的核心或连接。箭头表示这些情绪可以相互转换，形成动态的循环关系。这个概念强调情绪的流动性和互动性，说明情感参与不仅仅是单一的体验，而是一个动态的过程。比如，一个人可能从愤怒转变为平静，再到快乐，最终达到积极的状态。这种情绪循环在用户体验设计、教育心理学和团队管理中非常重要，因为理解情绪互动可以帮助设计更具吸引力的产品或改善人际关系。

这一页讲的是当前人类监督模型存在的问题，包括其局限性和挑战。

这一页讲的是当前人类监督（human oversight）模型中存在的问题。人类监督是指在人工智能或自动化系统中，通过人为干预来确保系统的行为符合预期。然而，这些模型可能存在一些局限性，例如监督者的认知负担过重、对复杂系统的理解不足，以及在高压力或高风险环境下做出判断的能力有限。此外，监督模型可能无法完全避免偏见或错误，尤其是在涉及主观决策时。幻灯片右侧的图形以多个问号气泡的形式表达了问题的多样性和复杂性，暗示当前的监督机制可能需要进一步优化。例如，在自动驾驶汽车中，人类监督者可能难以实时判断系统的行为是否安全，这就需要更智能的辅助工具来支持决策。这些问题的解决对于提升人工智能系统的可靠性和安全性至关重要。

这一页讲的是定义和识别“有害系统”（harmful system）。主要通过亚马逊书籍推荐系统的截图，探讨算法如何影响用户选择及潜在偏见。

这一页讲的是如何定义和识别“有害系统”（harmful system），通过亚马逊平台的书籍推荐系统作为例子展开分析。从幻灯片中可以看到，亚马逊的推荐系统根据用户浏览的书籍《Fourth Wing》，自动推荐了一系列相关书籍。这种系统通过算法分析用户行为，提供个性化的推荐。然而，这种推荐可能会导致某些类型的书籍或作者被过度曝光，而其他书籍或作者则被忽略。这可能引发“算法偏见”（algorithm bias），即系统可能强化已有的流行趋势，而不是公平地展示多样化的选择。这一现象可能对用户的阅读选择和市场公平性产生负面影响。举例来说，如果一个用户只浏览特定类型的奇幻小说，系统可能会不断推荐类似的书籍，而忽略其他类型的作品。这种局限性可能限制用户的视野，形成“信息茧房”（filter bubble）。通过这一案例，说明了识别和改进潜在有害系统的重要性，以确保算法的公平性和多样性。

这一页讲的是算法导致文化的同质化及其影响。主要讨论了 Filterworld 文化的单一性、无聊感，以及数字平台扩展后带来的焦虑和疏离感。

这一页讲的是算法如何导致文化的同质化现象及其对社会的深远影响。首先，Filterworld 文化被描述为一种高度同质化的现象，即使其具体表现形式不完全相同，也会让人感到一种普遍的“相似性”。这种文化的延续最终导致无聊感的蔓延。其次，随着数字平台的扩展，这种同质化现象也在更广泛的范围内传播。页面引用了书中的观点，指出这种单一性不仅让人感到无处可逃，还可能引发焦虑和疏离感。尽管这种文化被包装成一种“理想的”状态，但实际上它让人感到疏远和压抑。举例来说，推荐算法可能让用户看到的内容越来越符合其偏好，但同时也限制了多样化的体验，最终让人陷入单调的循环。这一现象提醒我们要关注算法对文化和心理的潜在影响。

这一页讲的是 YouTube 推荐系统的主题，重点是其工作机制和影响。

这一页讲的是 YouTube 推荐系统（Recommendation System）的主题。推荐系统是 YouTube 的核心功能之一，用于根据用户的观看历史、搜索记录和互动行为，向用户推荐个性化内容。它的目标是提升用户的观看体验，同时增加平台的用户粘性和观看时长。推荐系统通常基于机器学习算法，比如协同过滤（Collaborative Filtering）和深度学习（Deep Learning），通过分析用户行为和内容特征来预测用户可能感兴趣的视频。这类系统的重要性在于，它不仅影响用户的行为，还对内容创作者的曝光率和收益产生直接影响。例如，如果一个用户经常观看科技类视频，系统可能会推荐更多类似内容，从而帮助用户发现相关领域的新知识。这一页引导我们思考 YouTube 推荐系统的工作原理、优点以及潜在的算法偏差问题。

这一页讲的是“Human in the Loop”概念的缺陷，强调人工参与与自动化系统的关系问题。

这一页讲的是“Human in the Loop”概念的缺陷，主要探讨在自动化系统中引入人工干预的局限性。页面中心是一个彩色的无限符号，象征循环过程，旁边有一个人，代表人工干预。这种设计直观地表达了人类在自动化循环中的角色。然而，这一理念存在问题，例如人工干预可能导致效率降低或决策偏差，同时也可能对系统的自动化程度产生负面影响。举例来说，在机器学习模型的训练过程中，过多依赖人工标注数据可能导致模型对特定偏见过度拟合。因此，这一页提醒我们，虽然人类在系统中有重要作用，但需要谨慎设计人工参与的方式，以确保系统的高效性和可靠性。

这一页讲的是人工监督(HITL)的有效性问题。主要指出两点：人类监督政策缺乏实证支持，以及可能导致不可靠算法的合法化。

这一页讲的是人工监督(Human-in-the-loop, HITL)是否真正有效的问题。首先，幻灯片引用了 Ben Green 的研究，指出人类监督政策缺乏实证支持。大量研究表明，人类难以可靠地执行所需的监督功能。这种缺陷导致了第二个问题：人类监督政策可能会间接使有缺陷且不负责任的算法在政府中被合法化。右侧的循环箭头图形可能意在表达一个循环问题，即政策设计的初衷是为了提高算法的可靠性，但实际上却可能导致问题的进一步复杂化。举例来说，如果一个政府算法用于分配资源，而人类监督未能发现其偏差，这种算法可能会继续被使用，导致更多不公平现象。这一页强调了审视 HITL 的必要性，并提醒我们政策设计应基于可靠的实证研究。

这一页讲的是自动化偏差（Automation Bias）。主要内容包括人们对自动化系统的过度信任、可能忽略错误，以及对决策过程的影响。

这一页讲的是自动化偏差（Automation Bias）。自动化偏差指的是人们在使用自动化工具或系统时，倾向于过度依赖其结果，而忽略可能存在的错误或问题。这种现象通常发生在自动化系统被认为是权威或高效的情况下，用户可能会降低自己的判断力，甚至忽略明显的错误。图片中展示了一个多任务处理的机器人，象征着自动化系统在多个领域的应用，比如时间管理、财务分析、人工智能设计、文档处理、艺术创作和摄影等。虽然这些领域的自动化工具可以提高效率，但也可能导致用户对工具的结果过于信任。例如，在医疗诊断中，如果一个自动化系统给出了错误的建议，医生可能会忽略自己的专业判断而接受错误结果。这一概念提醒我们在使用自动化工具时，需保持批判性思维，结合自身判断来做出更可靠的决策。

这一页讲的是注意力保持的难度，重点介绍了Mackworth Clock任务的相关研究。

这一页讲的是注意力保持的难度（The Difficulty of Vigilance），并提到一个经典实验任务——Mackworth Clock任务。Mackworth Clock任务是一种心理学实验，用来研究人在长时间监控任务中的注意力下降现象。实验中，受试者需要观察一个模拟时钟，当指针偶尔跳过两格时，他们需要做出反应。这种任务模拟了实际生活中需要长时间集中注意力的场景，比如雷达监控或安全检查。研究发现，随着时间的推移，受试者的反应速度和准确性会显著下降，通常在15-30分钟后注意力开始衰退。这说明人类的注意力资源有限，长时间的单调任务会导致疲劳和效率下降。这一研究对于设计更高效的监控系统和优化工作流程具有重要意义，例如通过引入休息时间或任务轮换来缓解注意力衰退。

这一页讲的是特斯拉自动驾驶系统的案例研究，重点是首例致命事故的背景和原因。提到系统表现优秀，但驾驶员过于依赖技术，忽视安全提示。

这一页讲的是特斯拉自动驾驶系统（Autopilot）的案例研究，聚焦于2016年美国首例涉及该系统的致命事故。幻灯片引用了特斯拉当时的总裁 Jon McNeill 的试驾经历，他认为系统表现“几乎完美”，但也承认自己因过于信任系统而分心，专注于处理邮件和电话，错过了出口。接着，调查发现事故中的驾驶员在观看电影时忽略了系统发出的多次警告，没有保持双手在方向盘上，最终导致系统未能正确识别白色拖车与明亮天空的对比，从而发生致命碰撞。这一案例突出了人类对自动驾驶技术的过度依赖可能带来的风险，以及技术在复杂环境下的局限性。这些讨论对于理解自动驾驶系统的安全性和设计改进方向具有重要意义。

这一页讲的是自动化偏差（automation bias）可能出现的场景，主要包括三个层面：用户层面、技术设计层面和组织层面。

这一页讲的是自动化偏差（automation bias）可能出现的场景，分为三个层面：用户层面、技术设计层面和组织层面。用户层面关注个人知识、经验以及对技术的熟悉程度，用户对自己和系统的信任度也会影响自动化偏差的产生，案例是特斯拉的自动驾驶。技术设计层面涉及系统的整体设计、用户界面结构以及用户反馈的方式，案例是空客与波音的设计理念对比。组织层面则探讨组织流程如何影响人工智能的使用和依赖，案例是美国陆军的爱国者导弹系统与美国海军的宙斯盾作战系统管理和操作的对比。这张表通过列出因素（Factors）、描述（Description）和案例研究（Case Study），清晰地展示了自动化偏差的不同来源及其影响。

这一页讲的是去技能化（Deskilling）。主要讨论专家在监督自动化系统时失去实践能力，以及决策过程中的困难。

这一页讲的是去技能化（Deskilling），即专家在监督自动化系统时逐渐失去实践能力的现象。幻灯片引用 Cory Doctorow 的观点，指出当专家仅仅负责监督自动化系统的结论，而不参与问题解决的过程时，他们会失去对决策步骤的熟悉和理解。这种现象导致专家无法有效评估决策的合理性，因为他们不再直接处理需要权衡的因素。进一步强调的是，虽然自动化系统看似简化了决策过程，但由于专家脱离了基础工作，最终的决策审核反而变得更难以可靠完成。举例来说，如果一个医生长期依赖诊断软件而不参与实际病情分析，他可能会失去对症状的敏锐判断力，从而影响诊断质量。这一页提醒我们在自动化环境中保持人类技能的重要性，以确保系统的可靠性和决策质量。

这一页讲的是责任归属问题。主要探讨当事情出错时，谁应该负责，以及如何面对指责和分担责任。

这一页讲的是责任归属问题，标题为“Who’s responsible when something goes wrong?”（当事情出错时谁负责？）。图中显示了一群人围绕一个人，纷纷指责他，暗示在团队或组织中，当问题发生时，容易出现互相指责的现象。这页的重点是引发对责任归属的思考，包括如何明确责任分工、避免过度指责以及建立解决问题的积极态度。举个例子，在一个项目失败后，团队成员可能会互相推卸责任，但更重要的是分析失败原因，找到解决方案，而不是单纯寻找“替罪羊”。这种讨论对团队合作和领导力的培养非常重要。

这一页讲的是 Dan Davies 提出的“Accountability Sink”概念，探讨决策工业化如何削弱问责机制。主要内容包括复杂系统取代个人决策，以及“问责陷阱”的产生。

这一页讲的是 Dan Davies 提出的“Accountability Sink”（问责陷阱）概念，分析了问责机制的衰退及决策工业化带来的深远影响。幻灯片中的流程图展示了一个逻辑过程：首先是“大型系统为何做出糟糕决策”，接着探讨这些决策如何导致“世界失去理智”，最终形成了所谓的“Unaccountability Machine”（无问责机器）。这一理论指出，决策权逐渐从可识别的个人转移到复杂系统中，而人工智能（AI）只是这种变化的一个组成部分，并非唯一原因。此外，企业通常会构建“问责陷阱”，即一种吸收负面情绪但无法真正改变决策的机制。这种现象表明，尽管表面上存在问责机制，但实际上缺乏实质性的责任承担。这一理论的重要性在于提醒我们关注复杂系统中的责任分配问题，并反思如何避免问责机制的进一步弱化。例如，一个公司可能设立客户服务部门来处理投诉，但这些部门往往无法直接影响决策者的行为，形成了典型的问责陷阱。

这一页讲的是机场柜台服务员的角色及其职责，包括帮助旅客办理登机手续和提供信息。

这一页讲的是机场柜台服务员（Desk Attendant at the Airport）的角色与职责。图中展示了服务员与旅客互动的场景，服务员正在检查旅客的护照或登机文件。机场柜台服务员的主要职责包括协助旅客办理登机手续、确认航班信息、处理行李托运以及回答旅客的问题。这一角色对机场的运作至关重要，因为他们是旅客与航空公司之间的桥梁，确保旅客顺利登机并解决可能出现的问题。例如，如果旅客的航班延误或行李超重，服务员需要及时提供解决方案或建议。这一工作不仅要求服务员具备专业知识，还需要良好的沟通能力和耐心，以应对各种情况并提升旅客的体验。

这一页讲的是责任下沉（Accountability Sinks）的原因，包括保护公司免于责任、避免个人被追责以及维护管理阶层的权力。

这一页讲的是为什么会出现责任下沉（Accountability Sinks）的现象。主要有三个原因：第一，保护公司和机构免于法律责任（liability），通过分散责任可以降低法律风险；第二，没有人愿意成为被追责的对象，这种心理导致责任可能被转移或模糊；第三，为了保护管理阶层（managerial class）的权力，将责任下沉可以避免权力受到挑战。这种现象在许多组织中存在，尤其是在复杂的公司结构中，通过责任的模糊化或转移，管理者可以减轻自身的压力，同时维持权力结构的稳定。例如，在一个公司中，某个决策失败后，责任可能会被分散到多个部门或层级，而不是由具体个人承担，从而保护高层管理者的利益。

这一页讲的是“道德缓冲区”（Moral Crumple Zone）的概念。主要内容包括：1. 人类在复杂自动化系统中可能承担过多责任；2. 系统设计和事故报道可能导致责任转移到人类操作员身上。

这一页讲的是“道德缓冲区”（Moral Crumple Zone）的概念，其灵感来源于汽车的缓冲区设计。缓冲区的作用是吸收碰撞中的冲击力以保护驾驶员，而道德缓冲区则是指在复杂的自动化技术系统中，人类操作员可能被设计成承担系统故障的道德和法律责任。这种现象可能是无意的，也可能是有意的。幻灯片中提到，这种责任转移的独特之处在于，系统的结构特性和媒体对事故的报道可能会使人类操作员成为“责任吸收者”（liability sponges），填补新型复杂系统中责任缺失的空白。例如，在自动驾驶汽车发生事故时，尽管系统设计可能存在问题，责任却可能被归咎于监控系统的人类操作员。这一概念强调了在设计和使用复杂技术时，需关注责任分配的公平性和透明性，以避免对人类操作员的不公正对待。

这一页讲的是责任、补救和算法赔偿的重要性。主要探讨算法决策中的责任归属、如何纠正错误以及对受影响群体的赔偿。

这一页讲的是责任（Responsibility）、补救（Redress）和算法赔偿（Algorithmic Reparations）。责任强调在算法系统中明确谁对决策结果负责，尤其是当算法导致偏差或损害时。补救指的是在发现算法错误或偏见后，采取措施纠正问题，例如调整模型或改进数据质量。算法赔偿则进一步探讨如何对受影响的个人或群体进行公平的补偿，以弥补算法错误带来的损失。这种机制对于构建可信赖的人工智能系统至关重要。例如，若某招聘算法因偏见而拒绝某些群体的申请，相关方需要承担责任，纠正算法并对受影响者提供合理赔偿。这些原则帮助确保算法的公平性和社会责任。

这一页讲的是人工智能在职场中的应用与影响，重点关注AI的角色、伦理问题以及社会影响。

这一页讲的是人工智能（AI）在职场中的应用与影响。标题“AI in the Workforce”表明讨论的主题是AI如何改变工作环境。幻灯片还提到课程名称“COMPSCI 712: AI Agency, Ethics and Society”，说明内容会涉及AI的自主性（Agency）、伦理问题（Ethics）以及对社会的影响（Society）。图中展示了一位员工在电脑前工作，电脑屏幕上有AI相关的界面，暗示AI已经融入日常工作流程。关键点包括：AI如何提高工作效率、改变岗位需求，以及可能带来的伦理挑战，例如隐私问题和公平性。举例来说，AI可以帮助自动化重复性任务，但也可能导致某些职业被取代。这些问题需要深入探讨，以确保技术应用的社会责任性和公平性。

这一页讲的是学习目标，包括 AI 对劳动力的影响、工人权利和生活质量，以及抵制自动化的行动方法。

这一页讲的是学习目标，主要分为三个方面。第一，理解权力如何塑造 AI 对劳动力的不同影响，这涉及到权力分配如何导致 AI 在工作场所中对不同群体产生差异化的影响，例如技术熟练工人与低技能工人的待遇可能不同。第二，解释 AI 如何影响工人的权利和生活质量，例如自动化可能减少某些岗位，但也可能提高工作效率和安全性，这对工人生活的方方面面产生了深远影响。第三，探索当前活动人士抵制劳动自动化和 AI 扩展的方法，例如通过政策倡导、工会行动或公众宣传来限制 AI 的负面影响。这些目标旨在帮助学习者全面理解 AI 在工作场所中的复杂作用及其社会影响。

这一页讲的是自动化技术与失业恐惧的关系。重点包括自动化如何影响工作岗位、技术变革带来的挑战，以及人们对职业替代的担忧。

这一页讲的是自动化技术（Automation）与失业恐惧（Fear of Job Loss）的关系。图中展示了一个机器人，象征自动化技术的多功能性，它手中举着代表不同职业领域的图标，例如时间管理、财务分析、人工智能（AI）、艺术创作和摄影等。这暗示自动化技术正在渗透多个行业，替代部分传统工作岗位。自动化的引入通常伴随着效率提升和成本降低，但同时也引发了人们对失业的担忧，尤其是重复性高、技能要求低的工作岗位最容易被替代。一个例子是制造业中的流水线工人，随着机器人技术的应用，这些岗位逐渐减少。理解这一点的重要性在于，我们需要探索如何通过技能提升和职业转型来适应技术变革，减轻失业恐惧并抓住自动化带来的新机遇。

这一页讲的是《2028全球智能危机》的前言部分，探讨AI乐观主义可能带来的反向风险。

这一页讲的是《2028全球智能危机》的前言部分，作者提出了一个假设：如果我们对AI的乐观态度是正确的，但结果却可能带来负面影响（bearish）呢？文中强调，这篇文章是一个场景模拟（scenario），而不是预测（prediction），目的是探索一个较少被研究的可能性。作者之一Alap Shah提出了这个问题，并与另一位作者共同构思了答案。这部分内容旨在让读者对AI可能导致经济越来越奇怪的潜在左尾风险（left tail risks）有更好的准备。通过这种思维实验，读者可以更全面地理解AI技术对金融历史和未来的潜在影响。

这一页讲的是性别与自动化(Gender and Automation)。主要讨论自动化对不同性别的职业影响，以及技术变革如何加剧或缓解性别不平等。

这一页讲的是性别与自动化(Gender and Automation)。图中左侧是一位从事体力劳动的工人，右侧是两位使用电脑的女性，暗示自动化和技术变革对不同性别的职业产生的影响。自动化通常会替代重复性高、体力劳动密集的工作，而这些工作中男性占比较高。同时，技术变革也可能创造更多需要技术或知识的岗位，这些岗位通常与女性职业发展相关联。然而，这种转变可能加剧现有的性别不平等，例如女性可能因缺乏技术培训机会而难以进入新兴领域。因此，这页内容强调了技术变革对性别平等的复杂影响，提醒我们在推动自动化时需关注性别视角，确保技术进步惠及所有人。

这一页讲的是职场中的权力分布问题，探讨谁在工作场所中拥有权力，以及权力的来源和影响。

这一页讲的是职场中的权力分布问题，标题提出了一个关键问题：谁在工作场所中拥有权力？图中使用了一个象征性的火焰和人物形象，暗示权力可能与个人的影响力或环境有关。职场权力来源通常包括职位权力（Positional Power）、人际权力（Relational Power）和知识权力（Knowledge Power）。职位权力来自组织结构，例如经理或领导者；人际权力则基于个人与他人的关系，例如团队合作或影响力；知识权力则与专业技能或经验相关。理解这些权力的分布对于优化团队协作和提升工作效率至关重要。例如，一个具备知识权力的员工可能在技术决策中具有重要影响力，而领导者则通过职位权力协调资源。

这一页讲的是员工在技术驱动的监控环境中权力较弱的现象。强调了技术如何加剧雇主与员工之间的权力不平衡。

这一页讲的是员工在技术驱动的监控环境中权力较弱的现象。幻灯片左侧展示了书籍《Data Driven: Truckers, Technology, and the New Workplace Surveillance》的封面，暗示书中讨论了卡车司机工作场景中技术监控的影响。右侧的文字明确指出“员工的权力比雇主少”（Employees have less power than employers），强调了在现代工作场所中，技术监控如何进一步扩大雇主对员工的控制力。封面图中卡车和聚光灯形象表明监控技术的无处不在，暗示员工的隐私受到侵害。举例来说，卡车司机可能通过GPS定位、驾驶行为记录等方式被实时监控，这可能导致他们的工作压力增加，同时限制了他们的自主性。这一主题对于理解技术在工作场所中的伦理问题以及权力结构的变化具有重要意义。

这一页讲的是求职者在招聘过程中权力较弱的问题，展示了HireVue视频面试的场景。

这一页讲的是求职者在招聘过程中权力较弱的问题，强调了招聘者在面试中占据主导地位。左侧的大标题“Job Seekers Have Less Power Than Recruiters”明确指出了这一主题。右侧的图片展示了HireVue平台上的视频面试界面，包含面试问题和录音按钮，表明这是一个结构化的数字化面试环境。面试问题是“Tell me about a time when people around you were excited about an initiative, but you foresaw potential problems. What did you do? Would you handle it differently now?”，这类问题通常要求求职者展示解决问题的能力和反思能力。通过这个场景可以看出，招聘者掌控了面试问题的设置和评估标准，而求职者需要适应这种框架，进一步体现了权力的不对等。这种数字化面试方式虽然高效，但也可能加剧求职者的压力，因为他们需要在有限时间内展现最佳表现。

这一页讲的是职场中女性面临的持续性障碍。重点包括职场性别不平等和技术对女性角色的影响。

这一页讲的是职场中女性面临的持续性障碍。幻灯片顶部展示了一则广告，强调了人工智能（AI）员工的高效工作能力，暗示其不会要求加薪等“人性化”需求。这种宣传可能反映了技术对职场的深刻影响，同时也引发对女性在职场中地位的讨论。下方的标题明确指出“Women face ongoing barriers in the workplace”（女性在职场中面临持续性障碍），表明职场性别不平等仍然是一个重要问题。这可能包括薪资差距、晋升机会受限以及对女性能力的刻板印象等问题。广告中的AI形象与女性特征结合，可能隐喻了技术替代女性劳动力的趋势，进一步加剧了女性在职场中的挑战。例如，某些行业可能会更倾向于使用技术解决方案，而不是赋予女性更多的职业发展机会。这一页旨在提醒我们关注职场性别平等问题，并思考技术发展对女性职场角色的潜在影响。

这一页讲的是劳动者权利（Worker Rights）和工作质量（Quality of Work）。重点是强调劳动者权益的重要性，以及如何改善工作环境和待遇。

这一页讲的是劳动者权利（Worker Rights）和工作质量（Quality of Work）。通过画面中不同肤色的拳头举起，表达了团结和争取权利的主题。这页内容强调劳动者权益的重要性，例如公平薪酬、工作安全和职业发展机会，同时也提到工作质量对个人幸福感和社会发展的影响。改善工作质量不仅能提高劳动者的满意度，还能提升整体生产力和经济效益。例如，一个员工如果在安全的环境中工作，并获得合理的薪酬和发展机会，会更有动力为企业贡献价值。这些因素对社会公平和经济可持续发展也有深远影响。

这一页讲的是 AI 对工作的影响，强调它并未减少工作量，而是加剧了工作强度。

这一页讲的是 AI 对工作的影响，标题明确指出“AI Doesn’t Reduce Work—It Intensifies It”，即人工智能并未减少工作量，而是加剧了工作强度。这一观点由 Aruna Ranganathan 和 Xingqi Maggie Ye 提出，发表于 2026 年 2 月 10 日。插图展示了人与时间、任务的紧张关系，图中有时钟、沙漏、警示标志等元素，象征时间压力和任务堆积。这反映了 AI 技术在工作场景中的一个可能后果：虽然它提高了效率，但也可能带来更多任务和更高的要求。这一主题对于理解 AI 在工作环境中的实际影响非常重要，提醒我们在设计和使用 AI 时需要关注人类的工作体验和心理负担。

这一页讲的是技术用户的过度就业 (Hyperemployment)，即在线活动导致的疲劳感。主要内容包括技术用户承担了多重任务，以及这种现象的普遍性。

这一页讲的是技术用户的过度就业 (Hyperemployment)，即由于在线活动而导致的疲劳感和压力。标题指出，现代技术用户可能正在无意识地承担数十种工作，这种现象与数字化生活的复杂性密切相关。作者 Ian Bogost 提出了一个观点：技术平台让用户承担了许多额外任务，例如管理邮件、社交媒体互动、在线购物等，这些任务本质上类似于工作，却没有明确的报酬或界限。这种现象的重要性在于，它揭示了技术如何改变了我们对工作的定义，并可能导致用户的长期压力和倦怠。举个例子，许多人每天花费几个小时回复邮件或处理社交媒体通知，这些行为虽然看似琐碎，却占据了大量时间和精力。这一页通过简单的标题和引言，强调了这种现象的广泛影响，并邀请读者思考技术对日常生活的深远影响。

这一页讲的是“Whose Work?”，探讨工作归属问题及其相关思考。

这一页讲的是“Whose Work?”，主要引发关于工作归属的思考。图中显示一个人物在思考，周围有多个问号，暗示对于某项工作或成果的归属存在疑问或争议。这可能涉及到团队合作中的责任划分、知识产权归属或贡献认定等问题。比如，在一个项目中，如何明确每个人的职责，确保公平的评价和奖励机制，是管理中的重要议题。这一页意在鼓励大家深入思考如何合理分配工作、尊重个人贡献，同时避免不必要的误解或冲突。

这一页讲的是两本关于 AI 和数据工作的书籍，探讨 AI 的全球影响和背后的人力劳动。

这一页讲的是两本书籍，分别是《Empire of AI》和《Feeding the Machine》。第一本书《Empire of AI》由 Karen Hao 撰写，关注 AI 技术的快速发展及其对全球的统治性影响。这本书强调了技术竞赛的激烈性以及可能带来的伦理和社会问题。第二本书《Feeding the Machine》由 James Muldoon 等人撰写，探讨了 AI 背后隐藏的人力劳动。这本书揭示了支撑 AI 系统的劳动力，例如数据标注员和其他低薪工种的重要性。幻灯片底部列出了两本书的出版信息，分别是 2025 年和 2024 年出版。这一页的主题是“数据工作”（Data Work），提醒我们在关注 AI 技术进步的同时，也要注意其背后的人力资源和社会影响。

这一页讲的是芬兰监狱囚犯被雇佣为数据标注员以提高 AI 模型的准确性。主要内容包括囚犯参与数据标注工作，以及此举对 AI 模型发展的影响。

这一页讲的是芬兰监狱囚犯被雇佣为数据标注员以提高 AI 模型的准确性。囚犯通过参与数据标注工作，帮助改进人工智能模型的训练数据质量。数据标注是 AI 模型开发中的关键环节，涉及对原始数据进行分类、标记或结构化处理，以便模型能够更准确地学习和预测。这种做法不仅为囚犯提供了技能培训和工作机会，同时也解决了数据标注行业中人力资源短缺的问题。通过这种方式，AI 模型的性能和可靠性得以提升，尤其是在处理复杂任务时。举例来说，囚犯可能参与标注图像中的物体类别或文本情感分析，这些标注直接影响模型的预测结果。这一创新举措展示了社会资源与技术发展的结合，同时也引发了对伦理和社会影响的讨论。

这一页讲的是图像展示与链接内容。主要内容包括一张图片和一个超链接。

这一页讲的是图像展示与链接内容。页面上有一张人物照片，虽然面部经过模糊处理，但可以看出这是一张用于说明或引导的图片。图片下方有一个超链接，文字为“Find full article here”，提示用户点击链接以访问完整文章内容。这种设计通常用于吸引用户点击链接获取更多信息，尤其是在新闻、博客或研究页面中。图片的使用可以增加视觉吸引力，而链接则是提供进一步信息的关键交互元素。

这一页讲的是工作场所对 AI 的抵制。主要讨论员工对 AI 工具的拒绝原因、可能的担忧，以及如何应对这种抵制。

这一页讲的是工作场所对 AI 的抵制。图中展示了一只手和几个带叉号的对话框，象征着员工对 AI 工具的拒绝或抵触。这种现象可能源于员工担忧 AI 会取代他们的工作、改变工作流程或增加学习新技术的负担。此外，员工可能对 AI 的透明度和伦理问题感到不安。理解这些抵制的原因对于企业至关重要，因为这关系到 AI 技术的成功实施。企业可以通过培训、透明沟通以及强调 AI 辅助而非取代的作用，来缓解员工的抵触情绪。例如，向员工说明 AI 的目标是优化工作流程，而不是减少岗位，可以有效降低抵制情绪。

这一页讲的是政策与立法（Policy and Legislation），重点在法律框架与政策制定的关系。

这一页讲的是政策与立法（Policy and Legislation）。政策是政府或组织为实现特定目标而制定的行动计划，而立法则是通过法律形式将政策固定下来，确保其具有强制性和规范性。这两者的关系非常密切：政策决定了立法的方向，而立法则为政策的实施提供法律依据。幻灯片中的天平图案象征法律的公平与平衡，强调立法必须在不同利益之间寻求平衡。例如，人工智能领域的政策可能涉及隐私保护、数据安全和技术创新，而相关立法则需要通过明确的法律条款来规范这些方面。政策与立法的协调能够促进社会的稳定与技术的发展，同时确保公平与正义。

这一页讲的是苹果公司对产品、服务和员工的承诺。主要提到苹果的创新产品、对多样性和公平环境的追求，以及员工的声音和公司规模。

这一页讲的是苹果公司如何通过产品和服务丰富客户生活，同时强调其对员工多样性、公平性和工作环境的承诺。首先，苹果通过创新产品和服务，例如在 Apple Store 提供帮助、设计 Keynote 动画效果以及客户支持等方式提升用户体验。其次，苹果重视多样性和公平性，希望创造一个让所有员工都能发挥最佳水平的环境，但也承认在这一目标上存在不足，并提到员工通过 AppleToo 分享相关故事。第三，幻灯片提到员工在 Slack 平台上向领导层表达诉求，但由于规则限制，员工开始寻求新的方式确保声音被听到。最后，苹果公司规模庞大，拥有超过240万名员工，其中包括美国的10万多名直接员工，由22位高管领导。这些内容不仅展示了苹果的企业文化，还突出了员工与公司之间的互动和挑战。

这一页讲的是一种叫 Nightshade 的数据污染工具，帮助艺术家对抗生成式 AI。主要内容包括工具的作用和对 AI 模型的影响。

这一页讲的是一种名为 Nightshade 的数据污染工具，它通过破坏训练数据来对抗生成式 AI模型，特别是图像生成模型。Nightshade 的核心功能是故意修改或污染用于训练 AI 的数据，这样会导致模型在生成图像时出现严重错误或质量下降。这种方法为艺术家提供了一种保护自己作品不被 AI 模仿的手段。页面还提到相关研究论文，例如 Glaze 工具的研究和 Nightshade 的详细技术分析，展示了这些工具如何通过特定的攻击方式保护艺术家免受生成式 AI 的侵害。这些研究强调了数据污染技术在保护知识产权和艺术风格方面的重要性，同时也提醒我们在 AI 模型训练过程中需要关注数据质量和伦理问题。

这一页讲的是Meta员工因AI监控问题进行抗议，主要内容包括员工反对安装鼠标追踪软件，以及认为该技术用于训练替代他们的AI系统。

这一页讲的是Meta公司员工在美国多个办公室发起抗议活动，反对公司在工作电脑上安装鼠标追踪软件（mouse-tracking software）。员工认为这种技术可能用于训练AI系统，从而取代他们的工作。他们通过分发匿名传单，呼吁同事签署请愿书以表达不满。这些传单被放置在会议室、自动售货机顶部以及卫生间纸巾分配器上，传递的信息非常直接，例如“你不想在员工数据提取工厂工作吗？”这一事件反映了员工对隐私和工作保障的担忧，同时也揭示了AI技术在工作场所引发的伦理和劳工问题。这一案例对技术公司和人力资源管理者具有重要的借鉴意义，提醒企业在引入监控技术时需考虑员工的权益与信任。

这一页讲的是三个讨论话题，分别涉及社交AI对人类弱点的利用、AI对职场的影响，以及AI在可持续发展中的成本与收益权衡。

这一页讲的是三个讨论话题，鼓励深入思考AI技术的社会影响。第一个话题探讨社交AI公司是否通过利用人类的弱点（如悲伤或孤独）来牟利，重点在于伦理问题和公司行为的社会责任。第二个话题关注AI是否改善了职场环境，要求从员工权利和福祉的角度分析AI对工作方式和效率的影响。第三个话题讨论AI在可持续发展中的作用，要求权衡其带来的好处（如资源优化）与潜在成本（如环境影响或经济负担）。这些问题旨在引导学生批判性思考AI技术的多方面影响，并培养分析复杂社会问题的能力。