在过去的几十年里，人工智能技术迅猛发展，改变了每个人的日常生活，深刻改变了人类社会的进程。开发人工智能的目的是通过减少劳动、增加生活便利、促进社会公益来造福人类。然而，最近的研究和人工智能应用表明，人工智能可能会对人类造成意外伤害，例如，在安全关键的情况下做出不可靠的决定，或通过无意中歧视一个或多个群体而破坏公平。
《可信赖人工智能：计算视角》这篇综述论文是由密歇根州立大学和香港理工大学的研究者共同撰写，旨在深入探讨人工智能技术的可信度问题。近年来，人工智能的发展带来了无数的便利，但同时也引发了诸多关于安全、公平性和伦理道德的讨论。论文强调了在设计和实施AI系统时必须考虑其可能带来的潜在风险，以确保这些技术能够真正为人类社会带来益处，而不是产生不可预测的负面影响。
论文重点关注的是安全性与鲁棒性（Safety & Robustness）。在许多关键领域，如自动驾驶或医疗诊断，AI系统的决策可能直接影响人们的生命安全。因此，AI系统必须能够在各种情况下保持稳定和可靠，避免因错误或攻击导致的失败。研究者们回顾了现有的安全和鲁棒性技术，包括对抗性训练、模型验证和不确定性量化等，这些都是确保AI在复杂环境中的稳健性所必需的。
非歧视与公平性（Nondiscrimination & Fairness）是另一个核心议题。AI算法可能会无意间复制或放大社会中的不平等现象，因此公平性是构建可信AI的关键要素。论文涵盖了从数据预处理、模型调整到后处理方法的各种公平性增强策略，这些策略旨在消除模型决策中的潜在偏见。
第三，解释性（Explainability）对于建立人对AI的信任至关重要。当AI做出重要决策时，能提供清晰的解释可以增强透明度，帮助人们理解决策过程。论文探讨了各种解释性方法，如局部可解释性模型、可视化工具以及模型的可解释性设计原则。
隐私（Privacy）也是论文关注的重点。在大数据时代，保护用户隐私变得越来越重要。研究人员讨论了差分隐私、同态加密和数据最小化等技术，这些技术旨在确保AI系统在收集和处理数据时尊重个人隐私。
第五，责任与可审计性（Accountability & Auditability）是确保AI行为合法和负责任的关键。这涉及到如何追踪和审查AI决策，以及在出现问题时如何追究责任。论文涵盖了监控、审计框架和责任分配机制等方面的研究。
环境福祉（Environmental Well-being）是新兴的关注点。随着AI计算需求的增加，其对环境的影响不容忽视。因此，研究者们探讨了绿色AI的实践，如能源效率优化和碳足迹计算，以推动可持续的人工智能发展。
《可信赖人工智能：计算视角》全面地概述了当前可信AI研究的各个方面，为读者提供了深入了解这一领域的窗口，并指出了未来的研究方向。这篇论文提醒我们，尽管人工智能带来了巨大的潜力，但在追求技术创新的同时，必须兼顾其对社会、道德和环境的影响，以构建一个真正可信、可依赖的人工智能未来。
