AI 伦理（AI Ethics）是研究 AI 系统在开发与使用中涉及的道德、公平、责任与价值问题的领域，涵盖算法偏见、隐私、透明度、问责、就业冲击等议题，与 AI 监管（合规）相互支撑但侧重不同。
AI Glossary
AI 伦理（AI Ethics）是研究 AI 系统在开发与使用中涉及的道德、公平、责任与价值问题的领域。它不是技术问题，而是关于「AI 应该怎么被开发和使用才算对」的思考——算法是否会歧视、隐私如何保护、AI 犯错谁来负责、AI 取代工作怎么办。
AI 伦理与 AI 监管（AI Regulation）常被并提但有区别：伦理是价值与原则层面的讨论（应该怎样），监管是规则与执法层面的约束（必须怎样）。伦理是监管的思想基础，监管是伦理的制度化。
算法偏见与公平：训练数据如果带有历史偏见，AI 会在招聘、信贷、司法等场景放大歧视（如性别、种族偏差）。公平性要求模型在敏感维度上不偏袒。
隐私与数据权利：AI 依赖大量个人数据训练与运行，数据收集的边界、使用的透明、用户对数据的主权是核心议题。
透明度与可解释性：深度模型是「黑盒」，决策过程难以解释；在医疗、司法等高风险场景，用户与监管者需要理解 AI 为什么这样判断。
责任与问责：AI 出错（自动驾驶事故、错误拒贷、医疗误判）时，责任在开发者、部署者还是使用者？问责机制如何建立？
安全与滥用：深度伪造（Deepfake）、自动生成虚假信息、AI 武器化等滥用风险，需要伦理约束与技术防护。
就业与社会影响：AI 自动化对就业结构、收入分配与社会公平的影响，以及如何通过教育与社会保障应对。
各国与国际组织提出的 AI 伦理原则高度趋同，常见共识包括：
以人为本：AI 应为人类服务，保持人类主导地位。
公平非歧视：算法不因性别、种族、地域等身份特征产生歧视。
透明可解释：重要决策可追溯、可解释。
隐私保护：数据收集与使用尊重用户权利。
安全可靠：系统设计考虑安全与容错。
负责任：开发者与部署者对 AI 影响承担责任。
一是「价值谁来定」：不同文化与社会对公平、隐私的界定不同，全球统一伦理标准难以达成。
二是「原则落地难」：伦理原则需要转化为工程规范（公平性测试、可解释工具、审计机制），存在执行差距。
三是「技术与伦理赛跑」：能力迭代快于规则制定，伦理讨论往往滞后于技术落地。
AI 伦理回答的是「AI 应该怎样被使用」的问题，与监管共同构成 AI 治理的两翼。对 AI 从业者，伦理意味着在设计中考虑公平、透明与责任；对普通用户，伦理意识意味着关注自己数据的使用与 AI 决策对自己的影响。理解 AI 伦理的议题框架，是理性看待 AI 技术发展的基本素养。
