第十三章 周教授项目的伦理风险

  “刚才看的那份材料，帮我理一下。”

  几秒后，or开始逐条梳理。“基於现有信息，该项目的伦理风险集中在三个层面。第一，算法偏差——训练数据分布不均衡，导致模型在某些人群样本上误差率偏高。技术层面可修正，已梳理三种修正路径。第二，训练数据来源——部分数据涉及隱私合规问题，需补授权或重新採集。第三，应用场景——金融风控和教育辅助属於现行政策规定的高风险领域，需专家覆核后方可实施。”

  她同时列出了相关政策文件的关键条款，標註了各应用场景的风险等级。

  林风將这些要点记在笔记本上，又翻了一遍or梳理的政策条款。她给的框架很清晰——偏差来源、修正路径、合规边界，每一条都对应著具体的政策依据或技术事实。

  【记住全网最快小説站 读小说选 101 看书网，101??????.??????超省心 】

  …………

  下午三点，项目方创始人登门。

  姓周，三十出头，原高校副教授，说话语速快，带著学者特有的那种较真。进门第一句话不是寒暄，是：“我知道我的算法有偏差，我能修正。但投资人一听『偏差』『合规』几个字，就不往下听了。”

  林风给他倒了杯水。周教授接过去没喝，放在桌上，继续讲。

  他讲了自己怎么从微表情研究转向情绪识別，怎么花了两年搭建训练数据集，怎么在第三年发现数据分布有问题——然后怎么被三个投资方连续拒绝。第一家说“方向太敏感”，第二家说“政策不明朗”，第三家说“你们技术有硬伤”。

  “偏差不是硬伤。”周教授说这话时语速更快了，“是训练数据的问题，可以修正。我给他们看了修正方案，他们不看。他们说ai伦理是大趋势，然后就把门关上了。我说我知道是大趋势，但我的算法是可以修正的——他们不听。”

  林风等他说完。

  “周老师，偏差的来源你清楚吗？”

  “训练数据不均衡。我们的数据集在某些群体上的样本量不够，导致模型对这些群体的情绪特徵擬合不足。这个问题是可控的。”

  “修正周期多长？”