费希尔道德责任理论视角下自动驾驶汽车使用者道德责任研究

自动驾驶汽车正在被大力发展,在不久的将来,它们将大量地行驶在路上.自动驾驶汽车不同于传统汽车,它对道德责任伦理提出了挑战:自动驾驶汽车一旦引发事故,使用者应为自动驾驶汽车引发的事故承担道德责任吗?费希尔道德责任理论为回答这一难题提供了理论视角.从费希尔道德责任理论看,自动驾驶汽车解除了使用者对汽车的引导性控制,但并没卸...     

意识高阶理论与误表征问题——基于“现象劳动分工”的讨论

一直以来，意识高阶理论都受到误表征问题的困扰。意识高阶理论诉诸高阶心理状态与一阶心理状态间的表征关系来解释现象意识的质的特征，误表征问题则表明该理论是自相矛盾的。对意识高阶理论的分析表明，误表征问题根源于高阶心理状态与一阶心理状态间的现象劳动分工，这使该理论面临一个两难困境：如果坚持现象劳动分工，那么它不能解决误表征问题；如果放弃现象劳动分工，那么它将不再是意识高阶理论。因此，意识高阶理论中的现象劳动分工使其在原则上无法摆脱误表征问题的困扰。     

n阶等差数列的隐蔽公差

等差是等差数列最核心的本质特征。高阶等差数列（或称n阶等差数列）是等差数列的普遍形式,一阶等差数列是凡阶等差数列当n=1时的特例。研究表明,高阶等差数列的差分性质在经济计量领域有明确的体现。例如,单整序列数据I（n）的差分性质即与n阶等差数列密切相关。遗憾的是,以往所见关于等差数列的讨论,大多围绕其一阶情况展开。有些常见的关于等差数列的定义也仅仅适用于一阶条件的假定,不能确切描述等差数列的高阶（二阶及以上）情况。为了适应经济计量研究与实践的发展,有必要重新研讨关于等差数列术语的定义问题。本文尝试提出高阶等差数列“隐蔽公差”的概念,同时给出n阶等差数列的形式表达以及n阶等差数列公差与其相对应一阶等差数列公差的换算关系式D=d^nn！其目的在于放宽约束条件,给出能够涵盖n阶等差数列情况、具有普适性的术语定义。     

自动驾驶汽车的事故算法及其限度

自动驾驶汽车必须预先置入算法以应对伤亡不可避免的伦理困境。过往的讨论主张,算法应该奠基于系统化的伦理理论,诸如功利主义、康德式伦理学和罗尔斯式的伦理学,因为它们旨在消解直觉间的冲突,而且还为此给出了强有力的理由。但这一进路是自我挫败的。因此,我们应采取不同的进路为自动驾驶汽车设置事故算法,即沿着批评性反思的方向进行:利用一切伦理资源,在每一个问题上都寻求尽可能多的共享理解。     

n阶等差数列的隐蔽公差

摘要 等差是等差数列最核心的本质特征。高阶等差数列（或称n阶等差数列）是等差数列的普遍形式,一阶等差数列是n阶等差数列当n=1时的特例。研究表明,高阶等差数列的差分性质在经济计量领域有明确的体现。例如,单整序列数据I(n)的差分性质即与n阶等差数列密切相关。遗憾的是,以往所见关于等差数列的讨论,大多围绕其一阶情况展开。有些常见的关于等差数列的定义也仅仅适用于一阶条件的假定,不能确切描述等差数列的高阶（二阶及以上）情况。为了适应经济计量研究与实践的发展,有必要重新研讨关于等差数列术语的定义问题。本文尝试提出高阶等差数列“隐蔽公差”的概念,同时给出n阶等差数列的形式表达以及n阶等差数列公差与其相对应一阶等差数列公差的换算关系式D=dⁿn！,其目的在于放宽约束条件,给出能够涵盖n阶等差数列情况、具有普适性的术语定义。高阶等差数列的差分性质在经济计量领域有明确的体现。例如,单整序列数据I(n)的差分性质即与n阶等差数列密切相关。对于单整序列数据来说,即使原变量数列不服从正态分布,经过数次差分之后也会“剔除掉某种固有的规律”而使数列趋于正态分布。事实上,差分剔除掉的这种“固有的规律性”即是n阶等差数列的主要成分,而所谓“经过数次差分”的次数,就是高阶等差数列的阶次n^[1]。一、关于等差数列术语的定义和描述以往关于等差数列的讨论,大多围绕其一阶情况展开。目前常见的关于等差数列的定义(例如《辞海》乃至《数学辞海》当中的解释)也仅仅适用于一阶条件的假定,不能涵盖等差数列的高阶(二阶以上)情况。为了适应经济计量研究与实践的发展,有必要重新提起关于“等差数列”术语的定义问题。本文提出关于等差数列的一个术语：隐蔽公差,并以此为线索展开讨论。本文讨论的数列,仅限于单调递增的正整数序列。作为这些讨论的背景,首先需要了解什么是“等差数列”,以及“n阶等差数列”。顾名思义,等差数列应该是数列的一种。那么什么是数列呢？数列(定义1.0)：序贯之数,谓之数列。一组数按第一个、第二个等等排下去就成为数列。其中第一数称为第一项,第二数称为第二项等等。当项数是有限时称为“有限数列”,否则称为“无限数列”。例如,1,10,100,1000,10 000,...和-1/2,-1/3,-1/4,...都是无限数列。经济研究当中涉及的数列大多是有限数列,但若以经济发展的延续论,这些数列则将体现出无限数列的性质。等差数列(定义1.1^*)：据《辞海》,若有数列从第二项开始,每一项与前一项的差均为常数d,则称该数列为“等差数列”,d,称为“公差”,等差数列的一般形式可以写成a,a+d,...,a+nd,...的形式。任一等差数列的前n项的和为n(首项＋末项)/2。例如,自然数列1,2,...,n,...是等差数列,它的前n项之和为n(n+1)/2。显然,所谓“等差数列”的“等差”,就表现在它们具有常数公差d,通常讨论的等差数列为按照从小到大顺序排列的整数序列,故d为大于0的整数。公差(定义1.1.1^*)：根据《辞海》和《数学辞海》^[2]的解释,在以“等差数列”为背景的讨论中,“公差”指的是“等差数列中相邻两项的差”。但是严格说来,这个定义不确切,或者说是不完全的。事实上,等差数列是有阶次的,例如数列1,2,3,4,5,6,...是一阶等差数列,其公差等于(2-1)=(3-2)=(4-3)=...=1;将一阶等差数列中的各个元素平方,则得到1,4,9,16,25,36,...,这是一个二阶等差数列。服从术语层次概念,二阶等差数列当然也是等差数列。但是(4-1)=3,(9-4)=5,(16-9)=7,(25-16)=9,(36-15)=11,...,也就是说,这个数列“相邻两项的差”不相等。这与前文所引“等差数列(定义1.1^*)”存在冲突。在严格的意义上,对“公差”这个术语来说,应该是“一阶公差”的简称,其确切的定义表达应该是：(定义1.1.1)“一阶等差数列中相邻两项的差”。二、隐蔽公差和N阶等差数列的形式表达同样,上述所引工具书中关于“等差数列”的定义,实际上也是仅仅针对“一阶等差数列”而言。在高阶情况下,即当n大于1时,等差数列前n项之和的计算公式与一阶情况下的计算方法有所不同。如果按照前述所引关于“等差数列”的定义(定义1.1^*),则相当于拒绝承认“高阶等差数列”是“等差数列”,因为根据高阶(二阶以上)等差数列的直观表现,其相邻两项的差并不相等。但是,二阶等差数列经过一次“差分”运算,即以数列的后项减去前面一项,可以得到一个一阶等差数列,这个一阶等差数列具有常数公差。我们称这个“公差”为二阶等差数列的“隐蔽公差”。以最常见的自然数列为例,该数列是具有公差d=1的一阶等差数列,记作{A¹(d)},其中d=1,紧随字母A之后的上标数字表示该数列的阶次。对应地,将该数列中各项元素分别做平方运算,则构成一个二阶等差数列,{A²(D)}。定义D为这个数列的“公差”。如是,则分别有：{A¹(d)}=1,2,3,4,5,6,7,8,9,… (1.1){A²(D)}=1²,2²,3²,4²,5²,6²,7²,8²,9²,… =1,4,9,16,25,36,49,64,81,… (1.2)数列{A²(D)}没有明显可见的“公差”。但若对其施行一次差分,则得到：{A^2-1(D)}=3,5,7,9,11,13,15,17,… (1.3)这是一个一阶等差数列,其公差等于2。对于这个经过一次差分得到的新数列,我们将其记作{A^2-1(D)},其中紧随字母A之后的上标算式(2-1)表示对二阶等差数列进行了一次差分。观察{A^2-1(D)},显然D=2,这就是高阶等差数列的“公差”,虽然这个公差不能从高阶等差数列的原始形态中直接观察得到,但它却是肯定存在的,由此我们称其为“隐蔽公差”。高阶等差数列具有数值确定的“隐蔽公差”。若非如此,便不能称呼这个数列为“等差数列”。仿照上述方法,继续再对{A^2-1(D)}进行一次差分,则可以得到{A^2-2(D)},这是一个所有元素都等于D=2的0阶“等差数列”。可以把这种情况看作是n阶等差数列的特例。对于{A^2-3(D)}而言,数列当中所有元素皆为0,是更为极端的特例。不失一般性,我们给出关于“隐蔽公差”的定义以及适合所有阶次等差数列的形式表达。隐蔽公差(定义1.1.2)：在等差数列中,需要经过一次以上差分运算才能观察得到的高阶等差数列的公差称为“隐蔽公差”,记作D。高阶等差数列具有数值确定的隐蔽公差。等差数列的形式表达(定义1.1.3)：对于阶次为N,公差为G的等差数列A,记作{A^N(G)},其中上标N可以是数字、算式或字母符号;G是等差数列的广义公差。高阶(二阶以上)等差数列的隐蔽公差D和一阶等差数列的公差d(可以对称为显见公差)统称为等差数列的广义公差。三、 等差数列与算术级数的概念比较为了继续以下的讨论,需要简单回顾关于初等级数当中算术级数的概念并与等差数列的概念加以对照^[1]。一般来说,初等级数包括算术级数(也称等差级数)和几何级数(也称等比级数)。所谓等差数列,是一组数据按照一定(等差)规律依次排列的形式。这种形式类似于数学定义的等差级数,亦即算术级数,但是数列与级数二者所关心的具体侧面有所不同。数学定义的等差级数系指一和,即数列当中所有相关数项的加总值,而关于等差数列的研究似乎更关注数列各元素之间的关系,甚至不同阶次数列间数据变换的内在联系。如果考虑等差数列“前n项的和”,则与算术级数的关注点近似相同。通常意义上数列研究的对象是确切的数量关系,而不考虑随机变量的影响。经济计量学研究涉及的数据序列则表现为常规等差数列与随机变量的叠加,甚至等差数列的公差也可能存在随机扰动。例如,从1到100的自然数的和是一阶算术级数,其首项a=1,末项z=100,公差d=1,这个算术级数的值S=1+2+…+100=5050。显然,自然数构成公差为d=1的等差数列。相对应的,所有自然数的平方构成另一数列,这个数列的元素分别为1²,2²,3²,4²,5²,…,即1,4,9,16,25,…,我们称其为2阶等差数列。同理,所有自然数的立方构成另一高阶等差数列,这个数列的元素分别为1³,2³,3³,4³,5³,…,即1,8,27,64,125,…,我们称其为3阶等差数列。余此类推。等差数列的元素中可以含有截距因素。为简化起见,在本文的讨论中假定各数列元素的截距为0。记一阶等差数列为{A¹(d)},d>0,其中包含数列元素a_i,i=1,2,3,…,I。记2阶等差数列为{A²(D)},D>0,其中包含数列元素,i=1,2,3,…,I。记3阶等差数列为{A³(D)},D>0,其中包含数列元素,i=1,2,3,…,I。一般地,记n阶等差数列为{Aⁿ(D)},D>0,其中包含数列元素,i=1,2,3,…,I。在这些记述中,D均为隐蔽公差,需要通过对数列内各相邻元素进行n-1次差分后得到。在n次及n次以上的差分过程中,各次所得之差均为0。四、隐蔽公差与对应一阶等差数列公差的关系高阶等差数列(或n阶等差数列)是等差数列的普遍形式,一阶等差数列是n阶等差数列当n=1时的特例。一阶等差数列具有常数公差d。对n阶等差数列而言,各相邻项的差乍看起来并不相等,只在第n-1次差分(后项减去前项)时才是常数。定义这个常数为n阶等差数列的公差,记作D。由于n阶等差数列的公差D不能从原数列中直接观察得出,故称其为隐蔽公差。高阶等差数列之“等差”即源于此。高阶等差数列的公差虽然“隐蔽”却是“确定的”。对n阶等差数列进行差分,其过程产生的结果即为n-1阶数列。称为“对等差数列的降阶运算”。按照上述定义,一阶等差数列记作{A¹(d)} 。当公差d=0时,{A¹(d)}退化成为{A⁰(0)},即所有元素相等的0阶数列。如果对应于数列{A⁰(0)}当中的每一元素a_i=a分别加上随机误差项ε_t,则数列可表为截距水平在a的随机过程。这是一个I(0)即0阶单整过程。如前所述,对于{A¹(d)},d>0,若取数列当中各元素a_i(a_i=a_i-1+d)之平方构成另一数列,即可得到一个2阶等差数列。记作{A²(D)}。陈列{A²(D)}可知,直观上这个数列已经不再是等差数列。即a_i-a_i-1≠a_i+1-a_i。但是,对{A²(D)}进行一次差分得到的新数列{A^2-1(D)},则是公差为D的1阶等差数列。n阶等差数列的隐蔽公差D是与其相对应的一阶等差数列公差d和数列阶次n的函数,即D=f(d,n)。此时满足关系D=dⁿn！。其中：D为n阶等差数列的公差(当n>1时即为隐蔽公差);d是与该n阶等差数列相对应的一阶等差数列的公差^[4]。按照这个公式可以求出,对应于自然数列(公差d=1)的2阶等差数列和3阶等差数列的隐蔽公差D分别是D=1²2！=2和D=1³3！=6。同理,对应于公差d=2的数列(例如奇数数列或偶数数列)的2阶等差数列和3阶等差数列的隐蔽公差分别是D=2²2！=8和D=2³3！=48。总之,“等差”是等差数列最核心的本质特征。所谓等差数列,必有“等差”存在。对阶次n>1的等差数列而言,非经运算不能见其等差。因此,在高阶情况下,数列之等差是隐蔽行为。阶次越高,其公差隐蔽越深。另一方面,这个公差虽则隐蔽,却有明确的数值,并与与其相对应的一阶等差数列公差存在有稳定的换算关系。人们把“高阶算术数列”称为“高阶等差数列”,即是对其本质特征的宣言。     

“技术中介”视阈下的角色与责任变化——以自动驾驶为例

责任分配是自动驾驶应用中亟待解决的问题。技术中介论提供解决责任分配问题的新视角,一方面肯定技术在调节人的认知和行为发挥的积极作用,另一方面强调技术与人的角色关系是动态变化的。通过自动化层级、角色和责任等因素建立情景分析模型,从而理清自动驾驶中的责任分配问题。在人技交互越来越密切的时代背景下,需要在技术标准和法律的基础上制定新的责任框架以应对更为复杂的责任分配问题。     

基于文献计量的自动驾驶名词体系构建方法

作为新兴前沿交叉学科,自动驾驶领域名词亟须进行规范。文章使用VOSviewer软件作为工具,对Web of Science核心合集中1991—2021年自动驾驶领域的5087篇文献进行关键词计量与可视化呈现,并对自动驾驶领域的名词与科技前沿进行了分析。文章根据科技名词规范化工作原则,以关键词聚类图谱为基础,尝试构建自动驾驶名词框架,包括智能网联系统、智能驾驶信息和人机协同驾驶三个分支,并对名词框架体系进行了分析。文章的研究是名词审定工作流程中阶段性工作的一种创新尝试,以文献计量学方法为工具开展前沿交叉领域名词的规范化工作。     

自动驾驶电车难题的伦理算法研究

"电车难题"是自动驾驶需要面对的现实问题,目前主流方案为通过算法解决。统一的强制伦理算法中,当公众作为利益无关的"安全旁观者"时,"后果主义"战胜了"道义论",然而这对"利益相关者"无法成立。个人化伦理算法将普遍的道德设置转化为个体的伦理选择,以"预设选择"取代"预设答案":"道德旋钮"架构会导致实际驾驶场景的博弈中所有人都走向"完全利己"的悖论;罗尔斯"最大化最小"的算法则将导致"越遵守安全准则的个体越不安全"的后果。超越"强制"与"个人"二分的制动力学算法,通过技术化的框架规避了伦理性选择,是目前较为有前景的自动驾驶电车难题的伦理算法。     

Uber事故 谁来担责

正全球首个自动驾驶在公共道路上撞击行人致死事件,引发了各界关于自动驾驶汽车监管、法律责任等方面的激烈讨论。事件发生时,这辆Uber自动驾驶汽车处于自动驾驶模式(四级以上),驾驶位配有安全驾驶员(应急司机),没有搭载乘客。事件发生后,Uber旋即停止了在坦佩、匹兹堡、旧金山、多伦多等城市进行的自动驾驶汽车测试。     

等差级数与插值法

《周髀算经》中求“衡径”和“晷长”的方法可以视为一次插值法的应用，《大衍历》中“先定日数，径求积度及分”的方法实与刘徽提出的等差级数求和公式一致。一般来说，一个（ｋ—１）阶等差级数的求和公式等价于一个ｋ阶等间距插值公式。在中国古代数学中，等差级数和插值法是两个相互关联的题材，宋元数学家在充分认识高阶等差级数的基础上方有可能得到一般的等间距插值公式。     

计算机伦理建构的道德运气问题及主体责任

基于计算机技术发展特点揭示计算机技术与计算机行为主体本质上的同一性,以道德真空作为切入点分析计算机技术与道德运气的关联,明确现代计算机伦理建构的道德运气问题及主体责任。在计算机伦理建构中道德运气对计算机行为主体的影响具有很强的专业指向性,所形成的计算机研发与应用主体道德异化,构成计算机伦理建构的主客两难现象。从计算机主体道德行为视角探究计算机伦理建构之不可控因素、需要规避消解的主客两难问题、计算机主体应有的道德自律和法律规约等,是当下计算机伦理建构不可或缺的内容。     

论麦克道尔对经验概念的康德式改造

在思想与世界之关系的讨论中，当代哲学陷入了“所与神话”与融贯论的两难境地。为了走出这种困境，麦克道尔以康德哲学为理论资源，提出概念化的经验概念，使经验成为思想与世界联系的中介。对这种经验概念的理解需要第二自然的观念作为背景。麦克道尔对经验概念的改造是对康德哲学的创造性发展，展示了经验主义的一种新的可能性。     

无人驾驶试点也要守住安全底线

<正>运输经营者在制订运输安全保障方案时,应当明确自动驾驶汽车运行线路要远离学校、医院等人员密集场所;在雨雪冰冻等恶劣天气时,应当按规定停止使用自动驾驶汽车从事运输经营活动等。无人驾驶只有大规模使用,才能够验证能否达到商业化,或者技术积累是否足够。但是大规模使用的前提,必须以安全为基础。当前全球无人驾驶技术并不成熟,自动驾驶系统的感知、识别和决策系统还存在瓶颈,整体的稳定性和可靠性还需要提升。自动驾驶“无人化商业运营”从试点到真正落地,还要经历一个相当长的时间。     

面向技术本身的人工智能伦理框架——以自动驾驶系统为例

人工智能产业界在解决伦理问题时发现,技术专家无能为力。当转而寻求伦理专家给出方案,如自动驾驶在电车难题情景中撞向谁的伦理决策方案时,伦理专家发现自身难以承受如此责任。从现代技术哲学经验转向视角来看,这是技术和伦理相互独立甚至对立引发的后果。理想的治理方式是将人工智能技术与伦理融合成一种面向技术本身的人工智能伦理框架。基于"设计情景-使用情景",结合人工智能的两种技术设计思路"人工的智能"(AI)和"智能增强"(IA),这样的伦理框架能够解决自动驾驶面临的问责难题。     

为什么是Uber

正这起自动驾驶汽车撞倒行人并致死的事故,在全球引起了热议。安全,始终是自动驾驶发展之路上最受关注的话题。许多人曾设想过无数次的情景还是变成了现实:一辆自动驾驶汽车遭遇车祸,而且还撞死了人。别忘了,这辆车上其实是有安全驾驶员的。3月20日的夜晚,美国亚利桑那州,一位名为Elaine Herzberg的49岁女性正推着自行车横穿马     

无人驾驶的“有人”困境

随着中国、美国以及欧盟颁布无人驾驶汽车的发展纲领，国内外Level 3级别无人驾驶（有人监督的无人驾驶）已在多地上路运营。但要迈向脱离“有人”监督的真正无人驾驶（Level 5），仍需面对由“莫拉维克悖论”“长尾效应”以及“主体缺位”带来的归责难题。这也使无人驾驶在发展中面临两难：一方面，出于“人机并行”易引发事故的前提，无人驾驶有拒斥人类主体的需求；另一方面，为解决归责问题，无人驾驶无法将“人”解离出“人-车-路”的传统驾驶体系。对于这一“有人”困境，可能的解决方式是进行主体的分置化处理，即通过对算法设置权或拥有权的规范，满足寻责“有人”的需求，同时，通过大数据预测，提前消解“长尾效应”衍生的伦理问题。     

84名乘客的生死表决

正这是一则惊心动魄且无比真实的故事。1990年5月26日早上6∶10,型号为BAC-1-1的英航5390班机和往常一样,从伯明翰机场准时起飞,它的目的地是西班牙马拉加机场。机长是拥有21年飞行驾驶经验的西蒙,副驾驶员则是刚来5390上班的阿拉史泰尔,除此之外,飞机上还有一名乘务长和3名空姐,以及84名乘客。飞机起飞13分钟后,到达1.3万米的高空处,机长西蒙将飞机调到自动驾驶状态,然后起身想去弄杯饮料,可就在他刚站起     

“隐私—数据收集”问题的两难分析——基于斯皮内洛道德分析框架的视角

在大数据时代,信息开放与隐私保护由于性质差异,已成为一对天然矛盾体。斯皮内洛将"善"置于道德核心的道德分析框架,为这一网络问题的解决提供了理论指导。但在具体分析过程中,这一纲领中的"抱有善意"会引发"善/恶动机界定两难"和"动机/结果吻合度两难"问题;"优先取舍"则引出了"此消彼长/利益均衡两难"和"既得利益/隐含危害两难"问题。伦理学中的两大基本理论"目的论"和"义务论"可以为"隐私-数据收集"问题的解决提供新思路。     

新冠肺炎疫情中的专家信任及其启示

自2019年岁末新型冠状病毒肺炎疫情发生以来,全国上下共战疫情、共克时艰。为深入了解疫情期间公众的专家信任和社会道德态度的变化,在疫情最为胶着的2020年2月中旬,课题组进行了为期5天、样本总量为10896的在线调查。调查分析表明：(1)公众对医药卫生方面的专家信任显著提升,引发了专家“人格信任”复兴,“系统信任”增强;(2)对一般意义上的专家群体的信任度无明显变化,专家信任的“豪猪困境”依然存在并持续有效,公众继续陷在虽不信任专家、但又不得不信任的“专家塔西佗陷阱”中;(3)科学事实“政治化”与新媒体的“特殊催化”,使得专家信任复杂化;(4)锤炼专业技能,强化职业伦理教育依然是专家群体走出信任危机的首要途径。     

人工智能道德增强的限度

人工智能道德增强是从属于"人类道德增强"思潮的一个子话题——希望通过"人工道德建议者(AMA)""客观"的道德表征能力与强大的信息获取能力协助人类提高道德认知水平。但由于AMA毕竟无法达到"理想观察者(IO)"的标准,其必然会陷入专家主义的窠臼。此外,诉诸构建"道德机器"的研究者们在通过学习算法构架自动道德分类与决策机器的时候也预设了某种IO视角。通过瓜里尼的道德案例分类器(MCC)的实验研究,我们发现无预分类的假设函数无法拟合,这意味着与IO契合的普遍主义AMA无法建成。鉴于此,我们建议另外一个不同的"道德增强"方案——一种"作为他者的AMA",并寄希望于通用人工智能成为其实现基础。