اخلاق هوش مصنوعی: ایجاد مسیری به سوی توسعه و استفاده مسئولانه از هوش مصنوعی

هوش مصنوعی (AI) دیگر مفهومی محدود به داستان‌های علمی-تخیلی نیست؛ بلکه نیرویی فراگیر است که در حال دگرگون کردن صنایع، جوامع و زندگی روزمره در سراسر جهان است. از قدرت بخشیدن به توصیه‌های شخصی‌سازی‌شده و بهینه‌سازی زنجیره‌های تأمین پیچیده گرفته تا کمک به تشخیص‌های پزشکی و فعال‌سازی وسایل نقلیه خودران، توانایی‌های هوش مصنوعی با سرعتی بی‌سابقه در حال گسترش است. این تحول سریع، در حالی که نویدبخش مزایای عظیمی است، معضلات اخلاقی عمیق و چالش‌های اجتماعی را نیز به همراه دارد که نیازمند توجه فوری، متفکرانه و هماهنگ در سطح جهانی است.

پیامدهای اخلاقی هوش مصنوعی نگرانی‌های حاشیه‌ای نیستند؛ بلکه برای اطمینان از اینکه هوش مصنوعی در خدمت بهترین منافع بشریت قرار می‌گیرد، امری محوری محسوب می‌شوند. هوش مصنوعی کنترل‌نشده می‌تواند سوگیری‌های اجتماعی موجود را تقویت کند، حریم خصوصی را از بین ببرد، قدرت را متمرکز سازد، مشاغل را بدون شبکه‌های ایمنی اجتماعی کافی جایگزین کند یا حتی به سیستم‌های خودران غیرقابل‌پیش‌بینی منجر شود. بنابراین، گفتمان پیرامون «اخلاق هوش مصنوعی» از اهمیت بالایی برخوردار است. این گفتمان به معنای درک اصول و ارزش‌های اخلاقی است که باید طراحی، توسعه، استقرار و حاکمیت سیستم‌های هوش مصنوعی را هدایت کند تا اطمینان حاصل شود که این سیستم‌ها برای همه مردم، صرف‌نظر از پیشینه یا موقعیت مکانی‌شان، سودمند، منصفانه، شفاف و پاسخگو هستند.

این راهنمای جامع به دنیای چندوجهی اخلاق هوش مصنوعی می‌پردازد و اصول اصلی آن، چالش‌های مهم پیش روی هوش مصنوعی مسئولانه، گام‌های عملی برای توسعه اخلاقی و نیاز حیاتی به چارچوب‌های حاکمیتی قوی را بررسی می‌کند. هدف ما ارائه درکی روشن به خوانندگان بین‌المللی از پیشینه‌های گوناگون است تا بدانند هوش مصنوعی مسئولانه مستلزم چیست و چگونه می‌توانیم به طور جمعی برای آینده‌ای تلاش کنیم که در آن هوش مصنوعی شکوفایی انسان را تقویت می‌کند، نه اینکه آن را تضعیف نماید.

ضرورت اخلاق هوش مصنوعی: چرا اکنون بیش از هر زمان دیگری اهمیت دارد

مقیاس و تأثیر گسترده ادغام هوش مصنوعی در زندگی ما، ملاحظات اخلاقی را اجتناب‌ناپذیر می‌سازد. سیستم‌های هوش مصنوعی اغلب با درجه‌ای از استقلال عمل می‌کنند و تصمیماتی می‌گیرند که می‌تواند پیامدهای قابل توجهی برای افراد و جوامع داشته باشد. این پیامدها می‌توانند از تأثیرات ظریف بر رفتار مصرف‌کننده تا قضاوت‌های تعیین‌کننده در حوزه‌های بهداشت و درمان، امور مالی و عدالت کیفری متغیر باشند.

• تأثیر فراگیر: هوش مصنوعی در زیرساخت‌های حیاتی، سیستم‌های مالی، تشخیص‌های پزشکی، پلتفرم‌های آموزشی و حتی خدمات دولتی تعبیه شده است. یک سوگیری یا خطا در یک سیستم هوش مصنوعی می‌تواند به طور همزمان میلیون‌ها نفر را تحت تأثیر قرار دهد و منجر به بی‌عدالتی سیستمی یا شکست‌های عملیاتی شود.
• استقلال در تصمیم‌گیری: با پیچیده‌تر شدن سیستم‌های هوش مصنوعی، آن‌ها به طور فزاینده‌ای بدون مداخله مستقیم انسان تصمیم‌گیری می‌کنند. درک مبانی اخلاقی این تصمیمات و ایجاد خطوط روشن پاسخگویی حیاتی می‌شود.
• اعتماد اجتماعی: اعتماد عمومی برای پذیرش و مقبولیت گسترده هوش مصنوعی اساسی است. اگر سیستم‌های هوش مصنوعی ناعادلانه، مغرضانه یا غیرشفاف تلقی شوند، تردید عمومی مانع نوآوری خواهد شد و از رسیدن هوش مصنوعی به پتانسیل کامل خود به عنوان ابزاری برای خیر، جلوگیری می‌کند.
• دامنه جهانی: فناوری‌های هوش مصنوعی از مرزهای ملی فراتر می‌روند. یک مدل هوش مصنوعی که در یک کشور توسعه یافته، می‌تواند در سطح جهانی مستقر شود و فرضیات اخلاقی و سوگیری‌های بالقوه سازندگان خود را به همراه داشته باشد. این امر نیازمند یک رویکرد هماهنگ و جهانی به اخلاق هوش مصنوعی به جای مقررات ملی پراکنده است.
• پیامدهای بلندمدت: تصمیماتی که امروز در مورد توسعه اخلاقی هوش مصنوعی گرفته می‌شود، مسیر آینده تعامل انسان و هوش مصنوعی را برای نسل‌ها شکل خواهد داد. ما مسئولیت جمعی داریم که بنیادی را بنا نهیم که ارزش‌ها، حقوق و رفاه انسان را در اولویت قرار دهد.

درک این محرک‌ها روشن می‌سازد که: اخلاق هوش مصنوعی یک تمرین آکادمیک نیست، بلکه یک ضرورت عملی برای پیشرفت پایدار، عادلانه و سودمند هوش مصنوعی است.

اصول اخلاقی اصلی برای توسعه و استفاده مسئولانه از هوش مصنوعی

در حالی که دستورالعمل‌های اخلاقی خاص ممکن است در سازمان‌ها و حوزه‌های قضایی مختلف متفاوت باشد، چندین اصل اصلی به طور مداوم به عنوان پایه‌ای برای هوش مصنوعی مسئولانه ظاهر می‌شوند. این اصول چارچوبی برای ارزیابی، طراحی و استقرار سیستم‌های هوش مصنوعی فراهم می‌کنند.

شفافیت و قابلیت توضیح

برای اینکه سیستم‌های هوش مصنوعی قابل اعتماد و استفاده مسئولانه باشند، عملیات و فرآیندهای تصمیم‌گیری آن‌ها باید برای انسان قابل درک و در دسترس باشد. این اصل که اغلب به آن «هوش مصنوعی قابل توضیح» (XAI) گفته می‌شود، به این معناست که ذینفعان باید بتوانند درک کنند چرا یک سیستم هوش مصنوعی به یک نتیجه خاص رسیده یا یک اقدام مشخص را انجام داده است. این امر به ویژه در کاربردهای پرمخاطره مانند تشخیص پزشکی، درخواست وام یا صدور احکام قضایی حیاتی است.

چرا اهمیت دارد:

• پاسخگویی: بدون شفافیت، شناسایی منبع خطاها، سوگیری‌ها یا نتایج نامطلوب غیرممکن است و ایجاد پاسخگویی را دشوار می‌سازد.
• اعتماد: کاربران بیشتر به سیستمی اعتماد می‌کنند که بتوانند آن را، حتی به طور جزئی، درک کنند.
• اشکال‌زدایی و بهبود: توسعه‌دهندگان برای شناسایی و رفع نواقص باید نحوه کار مدل‌های خود را درک کنند.
• انطباق قانونی: مقرراتی مانند «حق توضیح» در GDPR در حال ظهور هستند که نیازمند هوش مصنوعی شفاف است.

پیامدهای عملی: این لزوماً به معنای درک هر خط کد در یک شبکه عصبی پیچیده نیست، بلکه به معنای ارائه بینش‌های قابل تفسیر در مورد عوامل کلیدی مؤثر بر تصمیمات است. تکنیک‌ها شامل تحلیل اهمیت ویژگی‌ها، توضیحات متقابل (counterfactual) و توضیحات مستقل از مدل است.

انصاف و عدم تبعیض

سیستم‌های هوش مصنوعی باید به گونه‌ای طراحی و پیاده‌سازی شوند که از تبعیض اجتناب کرده و نتایج عادلانه را برای همه افراد و گروه‌ها ترویج کنند. این امر مستلزم اقدامات پیشگیرانه برای شناسایی و کاهش سوگیری‌ها در داده‌ها، الگوریتم‌ها و استراتژی‌های استقرار است. سوگیری می‌تواند از طریق داده‌های آموزشی غیرنماینده، فرضیات ناقص توسعه‌دهندگان یا خود طراحی الگوریتم نفوذ کند.

چرا اهمیت دارد:

• جلوگیری از آسیب: هوش مصنوعی ناعادلانه می‌تواند منجر به از دست رفتن فرصت‌ها (مانند وام، شغل)، تشخیص نادرست یا نظارت نامتناسب برای گروه‌های جمعیتی خاص شود.
• برابری اجتماعی: هوش مصنوعی نباید نابرابری‌های اجتماعی موجود را تداوم بخشد یا تقویت کند. باید تلاش کند تا به دنیایی عادلانه‌تر و برابرتر کمک کند.
• الزام قانونی و اخلاقی: تبعیض در بسیاری از زمینه‌ها غیرقانونی و در همه زمینه‌ها عمیقاً غیراخلاقی است.

پیامدهای عملی: ممیزی دقیق داده‌های آموزشی برای نمایندگی، استفاده از معیارهای انصاف (مانند برابری جمعیتی، شانس‌های برابر)، توسعه تکنیک‌های کاهش سوگیری و اطمینان از مشارکت تیم‌های متنوع در توسعه و آزمایش هوش مصنوعی. به عنوان مثال، اطمینان از اینکه سیستم‌های تشخیص چهره در تمام رنگ‌های پوست و جنسیت‌ها به یک اندازه خوب عمل می‌کنند، یا اینکه الگوریتم‌های استخدام به طور ناخواسته یک گروه جمعیتی را بر اساس داده‌های تاریخی بر دیگری ترجیح نمی‌دهند.

پاسخگویی و حاکمیت

باید خطوط مسئولیت روشنی برای طراحی، توسعه، استقرار و نتایج نهایی سیستم‌های هوش مصنوعی وجود داشته باشد. هنگامی که یک سیستم هوش مصنوعی باعث آسیب می‌شود، باید امکان شناسایی فرد پاسخگو و مکانیسم‌های جبران خسارت وجود داشته باشد. این اصل به ایجاد ساختارهای حاکمیتی قوی که بر کل چرخه عمر هوش مصنوعی نظارت دارند، گسترش می‌یابد.

چرا اهمیت دارد:

• مسئولیت‌پذیری: تضمین می‌کند که افراد و سازمان‌ها مالکیت سیستم‌های هوش مصنوعی را که ایجاد و مستقر می‌کنند، بر عهده می‌گیرند.
• جبران خسارت: مسیری را برای افراد آسیب‌دیده فراهم می‌کند تا برای آسیب‌های ناشی از هوش مصنوعی به دنبال جبران باشند.
• اعتماد و پذیرش: دانستن اینکه مکانیسم‌هایی برای پاسخگویی وجود دارد، اعتماد عمومی و تمایل به پذیرش فناوری‌های هوش مصنوعی را افزایش می‌دهد.
• چارچوب‌های قانونی: برای توسعه چارچوب‌های قانونی و نظارتی مؤثر برای هوش مصنوعی ضروری است.

پیامدهای عملی: پیاده‌سازی کمیته‌های داخلی اخلاق هوش مصنوعی، ایجاد نقش‌ها و مسئولیت‌های روشن در تیم‌های توسعه، ارزیابی‌های تأثیر اجباری و مستندسازی قوی از انتخاب‌های طراحی و عملکرد سیستم هوش مصنوعی. این همچنین شامل تعریف پاسخگویی برای سیستم‌های خودران است که در آن‌ها نظارت انسانی ممکن است حداقل باشد.

حریم خصوصی و حفاظت از داده‌ها

سیستم‌های هوش مصنوعی اغلب به مقادیر عظیمی از داده‌ها متکی هستند که بسیاری از آن‌ها می‌توانند شخصی یا حساس باشند. رعایت حریم خصوصی به معنای اطمینان از این است که داده‌های شخصی به طور مسئولانه، با پادمان‌های مناسب و مکانیسم‌های رضایت، جمع‌آوری، ذخیره، پردازش و استفاده می‌شوند. این شامل پایبندی به مقررات جهانی حفاظت از داده‌ها مانند مقررات عمومی حفاظت از داده اتحادیه اروپا (GDPR) یا قانون عمومی حفاظت از داده برزیل (LGPD) است.

چرا اهمیت دارد:

• حق اساسی: حریم خصوصی در بسیاری از چارچوب‌های قانونی و اخلاقی یک حق اساسی بشر محسوب می‌شود.
• جلوگیری از سوءاستفاده: افراد را از بهره‌کشی، نظارت یا دستکاری بالقوه از طریق داده‌هایشان محافظت می‌کند.
• ایجاد اعتماد: کاربران تمایل بیشتری به اشتراک‌گذاری داده‌ها دارند اگر اعتماد داشته باشند که با آن‌ها به طور مسئولانه رفتار خواهد شد.

پیامدهای عملی: پیاده‌سازی اصول حریم خصوصی از طریق طراحی، استفاده از فناوری‌های تقویت‌کننده حریم خصوصی (مانند حریم خصوصی تفاضلی، یادگیری فدرال، رمزنگاری همومورفیک)، تکنیک‌های ناشناس‌سازی و نام مستعار، کنترل‌های دسترسی دقیق و سیاست‌های شفاف استفاده از داده‌ها.

نظارت و کنترل انسانی

حتی پیشرفته‌ترین سیستم‌های هوش مصنوعی نیز باید به گونه‌ای طراحی شوند که امکان نظارت و مداخله معنادار انسانی را فراهم کنند. این اصل تأکید می‌کند که انسان‌ها باید در نهایت کنترل تصمیمات حیاتی را در دست داشته باشند، به ویژه در حوزه‌های پرمخاطره که اقدامات هوش مصنوعی می‌تواند پیامدهای غیرقابل بازگشت یا شدیدی داشته باشد. این اصل از تصمیم‌گیری سیستم‌های کاملاً خودران بدون درک یا توانایی مداخله انسانی جلوگیری می‌کند.

چرا اهمیت دارد:

• حفظ عاملیت انسانی: تضمین می‌کند که ارزش‌ها و قضاوت انسانی در مرکز تصمیم‌گیری باقی می‌مانند، به ویژه در معضلات اخلاقی.
• اصلاح خطا: مکانیزمی برای شناسایی و اصلاح خطاهای هوش مصنوعی قبل از ایجاد آسیب قابل توجه فراهم می‌کند.
• مسئولیت اخلاقی: این ایده را تقویت می‌کند که انسان‌ها، نه ماشین‌ها، مسئولیت اخلاقی نهایی را بر عهده دارند.

پیامدهای عملی: طراحی سیستم‌های انسان-در-حلقه، پروتکل‌های روشن برای بازبینی و مداخله انسانی، توسعه داشبوردهای بصری برای نظارت بر عملکرد هوش مصنوعی و تعریف دامنه استقلال هوش مصنوعی در مقابل اختیار انسان. به عنوان مثال، در یک وسیله نقلیه خودران، راننده انسانی باید توانایی به دست گرفتن کنترل را در هر زمان حفظ کند.

ایمنی و استواری

سیستم‌های هوش مصنوعی باید ایمن، امن و قابل اعتماد باشند. آن‌ها باید طبق برنامه عمل کنند، در برابر حملات مخرب مقاومت کنند و حتی در هنگام مواجهه با ورودی‌های غیرمنتظره یا تغییرات محیطی، به طور استوار عمل کنند. این اصل به نیاز سیستم‌های هوش مصنوعی برای انعطاف‌پذیری و عدم ایجاد خطرات بی‌مورد برای افراد یا جامعه می‌پردازد.

چرا اهمیت دارد:

• جلوگیری از آسیب: هوش مصنوعی معیوب یا ناامن می‌تواند باعث آسیب فیزیکی، مالی یا روانی شود.
• یکپارچگی سیستم: از سیستم‌های هوش مصنوعی در برابر حملات متخاصم (مانند مسمومیت داده‌ها، نمونه‌های متخاصم) که می‌تواند یکپارچگی آن‌ها را به خطر اندازد یا منجر به رفتار نادرست شود، محافظت می‌کند.
• قابلیت اطمینان: تضمین می‌کند که سیستم‌ها در عملکرد خود قابل اعتماد و سازگار هستند.

پیامدهای عملی: آزمایش و اعتبارسنجی کامل در سناریوهای متنوع، گنجاندن بهترین شیوه‌های امنیت سایبری در توسعه هوش مصنوعی، طراحی برای تخریب تدریجی (graceful degradation) و پیاده‌سازی نظارت مستمر برای ناهنجاری‌ها یا افت عملکرد.

رفاه اجتماعی و زیست‌محیطی

توسعه و استقرار هوش مصنوعی باید به طور مثبت به توسعه پایدار، رفاه اجتماعی و حفاظت از محیط زیست کمک کند. این اصل گسترده، دیدگاهی کل‌نگر را تشویق می‌کند و تأثیر گسترده‌تر هوش مصنوعی بر اشتغال، انسجام اجتماعی، مصرف منابع و دستیابی به اهداف جهانی مانند اهداف توسعه پایدار سازمان ملل (SDGs) را در نظر می‌گیرد.

چرا اهمیت دارد:

• تأثیر مثبت: نوآوری هوش مصنوعی را به سمت حل چالش‌های حیاتی جهانی به جای تشدید آن‌ها هدایت می‌کند.
• آینده پایدار: تشویق به در نظر گرفتن ردپای زیست‌محیطی بلندمدت هوش مصنوعی (مانند مصرف انرژی مدل‌های بزرگ).
• رشد عادلانه: ترویج کاربردهای هوش مصنوعی که به نفع همه اقشار جامعه باشد، نه فقط عده‌ای ممتاز.

پیامدهای عملی: انجام ارزیابی‌های تأثیر اجتماعی، اولویت‌بندی کاربردهای هوش مصنوعی که به چالش‌های عمده جهانی می‌پردازند (مانند تغییرات اقلیمی، دسترسی به مراقبت‌های بهداشتی، کاهش فقر)، سرمایه‌گذاری در برنامه‌های بازآموزی مهارت‌ها برای کارگرانی که توسط اتوماسیون جابجا شده‌اند و کاوش در معماری‌های هوش مصنوعی با بهره‌وری انرژی.

چالش‌ها در توسعه و استقرار اخلاقی هوش مصنوعی

پایبندی به این اصول بدون چالش‌های قابل توجه نیست. سرعت سریع نوآوری در هوش مصنوعی، همراه با پیچیدگی این سیستم‌ها و زمینه‌های متنوع جهانی، موانع متعددی را ایجاد می‌کند.

سوگیری الگوریتمی

یکی از پایدارترین و مورد بحث‌ترین چالش‌ها، سوگیری الگوریتمی است. این اتفاق زمانی رخ می‌دهد که یک سیستم هوش مصنوعی به طور سیستماتیک نتایج ناعادلانه‌ای برای گروه‌های خاص تولید می‌کند. سوگیری می‌تواند ناشی از موارد زیر باشد:

• داده‌های آموزشی مغرضانه: اگر داده‌های مورد استفاده برای آموزش یک مدل هوش مصنوعی منعکس‌کننده سوگیری‌های تاریخی یا اجتماعی باشد، مدل آن سوگیری‌ها را یاد گرفته و تداوم می‌بخشد. به عنوان مثال، یک مجموعه داده برای تشخیص چهره که عمدتاً بر روی چهره‌های مردان با پوست روشن آموزش دیده باشد، عملکرد ضعیفی بر روی افراد با پوست تیره‌تر یا زنان خواهد داشت، همانطور که در چندین مورد برجسته مشاهده شده است. به طور مشابه، داده‌های تاریخی جرم و جنایت که برای پیش‌بینی تکرار جرم استفاده می‌شود، ممکن است منعکس‌کننده شیوه‌های پلیسی تبعیض‌آمیز باشد و منجر به پیش‌بینی‌های مغرضانه شود.
• سوگیری انسانی در طراحی: فرضیات و ارزش‌های توسعه‌دهندگان هوش مصنوعی، اغلب به طور ناخودآگاه، می‌توانند در طراحی الگوریتم یا انتخاب ویژگی‌ها تعبیه شوند.
• تبعیض نیابتی: الگوریتم‌ها ممکن است به طور ناخواسته از نقاط داده به ظاهر خنثی به عنوان جایگزینی برای ویژگی‌های محافظت‌شده استفاده کنند (مانند کد پستی برای نژاد، یا حقوق قبلی برای جنسیت) که منجر به تبعیض غیرمستقیم می‌شود.

کاهش سوگیری الگوریتمی نیازمند رویکردهای چندوجهی، از جمله ممیزی دقیق داده‌ها، تکنیک‌های یادگیری ماشین آگاه از انصاف و تیم‌های توسعه متنوع است.

نگرانی‌های مربوط به حریم خصوصی داده‌ها

عطش هوش مصنوعی برای مجموعه داده‌های عظیم، مستقیماً با حقوق افراد برای حریم خصوصی در تضاد است. مدل‌های مدرن هوش مصنوعی، به ویژه شبکه‌های یادگیری عمیق، برای دستیابی به عملکرد بالا به حجم عظیمی از داده‌ها نیاز دارند. این اغلب شامل اطلاعات شخصی حساس است که در صورت مدیریت نادرست، می‌تواند منجر به نقض، نظارت و از دست دادن استقلال فردی شود.

چالش‌ها عبارتند از:

• نقض داده‌ها: حجم عظیم داده‌ها، سیستم‌های هوش مصنوعی را به اهداف جذابی برای حملات سایبری تبدیل می‌کند.
• استنتاج ویژگی‌های حساس: هوش مصنوعی می‌تواند اطلاعات شخصی حساس (مانند شرایط سلامتی، وابستگی‌های سیاسی) را از داده‌های به ظاهر بی‌ضرر استنتاج کند.
• شناسایی مجدد: داده‌های ناشناس شده گاهی اوقات می‌توانند مجدداً شناسایی شوند، به ویژه هنگامی که با سایر مجموعه داده‌ها ترکیب شوند.
• عدم شفافیت در استفاده از داده‌ها: کاربران اغلب از نحوه جمع‌آوری، پردازش و استفاده از داده‌هایشان توسط سیستم‌های هوش مصنوعی بی‌اطلاع هستند.

ایجاد تعادل بین نوآوری و حفاظت از حریم خصوصی، اقدامی ظریف است که نیازمند راه‌حل‌های فنی قوی و چارچوب‌های نظارتی محکم است.

مشکل «جعبه سیاه»

بسیاری از مدل‌های پیشرفته هوش مصنوعی، به ویژه شبکه‌های عصبی عمیق، آنقدر پیچیده هستند که عملکرد داخلی آن‌ها حتی برای سازندگانشان نیز مبهم است. این ماهیت «جعبه سیاه» درک اینکه چرا یک تصمیم خاص گرفته شده است را دشوار می‌کند و مانع تلاش‌ها برای شفافیت، پاسخگویی و اشکال‌زدایی می‌شود. هنگامی که یک سیستم هوش مصنوعی یک درمان پزشکی را توصیه می‌کند یا یک وام را تأیید می‌کند، ناتوانی در توضیح استدلال آن می‌تواند اعتماد را تضعیف کرده و از نظارت انسانی جلوگیری کند.

این چالش با ماهیت جهانی استقرار هوش مصنوعی تشدید می‌شود. الگوریتمی که در یک زمینه فرهنگی یا قانونی آموزش دیده است ممکن است به دلیل تعاملات پیش‌بینی‌نشده با داده‌ها یا هنجارهای محلی، در زمینه دیگری به طور غیرقابل‌پیش‌بینی یا ناعادلانه رفتار کند و ابهام آن، عیب‌یابی را بسیار دشوار می‌سازد.

معضلات دوگانه

بسیاری از فناوری‌های قدرتمند هوش مصنوعی «دوگانه» هستند، به این معنی که می‌توانند هم برای اهداف سودمند و هم برای اهداف مخرب به کار روند. به عنوان مثال، بینایی کامپیوتری مجهز به هوش مصنوعی می‌تواند برای کمک‌های بشردوستانه (مانند نقشه‌برداری امداد در بلایا) یا برای نظارت گسترده و سلاح‌های خودران استفاده شود. پردازش زبان طبیعی (NLP) می‌تواند ارتباطات را تسهیل کند اما همچنین اطلاعات نادرست بسیار واقع‌گرایانه (دیپ‌فیک، اخبار جعلی) ایجاد کند یا حملات سایبری را تقویت نماید.

ماهیت دوگانه هوش مصنوعی یک چالش اخلاقی قابل توجه ایجاد می‌کند و توسعه‌دهندگان و سیاست‌گذاران را مجبور می‌کند تا پتانسیل سوءاستفاده را حتی هنگام توسعه فناوری‌هایی با اهداف خوش‌خیم در نظر بگیرند. این امر نیازمند دستورالعمل‌های اخلاقی قوی در مورد استفاده مسئولانه از هوش مصنوعی، به ویژه در زمینه‌های حساس مانند دفاع و امنیت است.

شکاف‌ها و پراکندگی نظارتی

تحول سریع فناوری هوش مصنوعی اغلب از توانایی چارچوب‌های قانونی و نظارتی برای انطباق، پیشی می‌گیرد. بسیاری از کشورها هنوز در حال توسعه استراتژی‌ها و مقررات هوش مصنوعی خود هستند که منجر به مجموعه‌ای از قوانین و استانداردهای متفاوت در حوزه‌های قضایی مختلف می‌شود. این پراکندگی می‌تواند برای شرکت‌های جهانی که در سراسر مرزها فعالیت می‌کنند چالش‌هایی ایجاد کند و ممکن است منجر به «خرید اخلاقی» یا آربیتراژ نظارتی شود، جایی که توسعه هوش مصنوعی به مناطقی با نظارت کمتر سختگیرانه مهاجرت می‌کند.

علاوه بر این، تنظیم هوش مصنوعی به دلیل ماهیت انتزاعی، قابلیت‌های یادگیری مداوم و دشواری در تعیین مسئولیت، ذاتاً پیچیده است. هماهنگ‌سازی رویکردهای جهانی ضمن احترام به ارزش‌های فرهنگی و سیستم‌های حقوقی متنوع، یک کار عظیم است.

تفاوت‌های جهانی در بلوغ اخلاق هوش مصنوعی

گفت‌وگو پیرامون اخلاق هوش مصنوعی اغلب تحت سلطه کشورهای توسعه‌یافته است، جایی که تحقیق و توسعه هوش مصنوعی پیشرفته‌تر است. با این حال، تأثیر هوش مصنوعی جهانی است و کشورهای در حال توسعه ممکن است با چالش‌های منحصر به فردی روبرو شوند یا اولویت‌های اخلاقی متفاوتی داشته باشند که در چارچوب‌های فعلی به اندازه کافی نمایندگی نمی‌شوند. این می‌تواند منجر به «شکاف دیجیتالی» در هوش مصنوعی اخلاقی شود، جایی که برخی مناطق فاقد منابع، تخصص یا زیرساخت برای توسعه، استقرار و حاکمیت مسئولانه هوش مصنوعی هستند.

اطمینان از مشارکت فراگیر در بحث‌های جهانی اخلاق هوش مصنوعی و ایجاد ظرفیت برای هوش مصنوعی مسئولانه در سراسر جهان برای جلوگیری از آینده‌ای که در آن هوش مصنوعی فقط به نفع عده‌ای منتخب باشد، حیاتی است.

گام‌های عملی برای توسعه مسئولانه هوش مصنوعی

پرداختن به این چالش‌ها نیازمند یک رویکرد پیشگیرانه و چندجانبه است. سازمان‌ها، دولت‌ها، دانشگاهیان و جامعه مدنی باید برای تعبیه اخلاق در کل چرخه عمر هوش مصنوعی همکاری کنند. در اینجا گام‌های عملی برای سازمان‌ها و توسعه‌دهندگان متعهد به هوش مصنوعی مسئولانه آورده شده است.

ایجاد دستورالعمل‌ها و چارچوب‌های اخلاقی هوش مصنوعی

رسمی کردن مجموعه‌ای از اصول اخلاقی و ترجمه آن‌ها به دستورالعمل‌های عملی، اولین گام حیاتی است. بسیاری از سازمان‌ها، مانند گوگل، آی‌بی‌ام و مایکروسافت، اصول اخلاقی هوش مصنوعی خود را منتشر کرده‌اند. دولت‌ها و نهادهای بین‌المللی (مانند OECD، یونسکو) نیز چارچوب‌هایی را پیشنهاد کرده‌اند. این دستورالعمل‌ها باید واضح، جامع و به طور گسترده در سراسر سازمان ابلاغ شوند.

بینش عملی: با اتخاذ یک چارچوب جهانی شناخته شده (مانند اصول هوش مصنوعی OECD) شروع کنید و آن را با زمینه خاص سازمان خود تطبیق دهید. یک «منشور اخلاق هوش مصنوعی» یا «آیین‌نامه رفتار برای هوش مصنوعی» ایجاد کنید که ارزش‌های اصلی و رفتارهای مورد انتظار را برای همه افراد درگیر در توسعه و استقرار هوش مصنوعی مشخص کند.

پیاده‌سازی هیئت‌های بازبینی اخلاق هوش مصنوعی

همانطور که تحقیقات پزشکی کمیته‌های اخلاق دارند، توسعه هوش مصنوعی نیز باید هیئت‌های بازبینی اخلاق اختصاصی را شامل شود. این هیئت‌ها، متشکل از کارشناسان متنوع (فناوران، متخصصان اخلاق، وکلا، دانشمندان علوم اجتماعی و نمایندگان جوامع آسیب‌دیده)، می‌توانند پروژه‌های هوش مصنوعی را در مراحل مختلف بررسی کنند، خطرات اخلاقی بالقوه را شناسایی کرده و استراتژی‌های کاهش را قبل از استقرار پیشنهاد دهند. آنها به عنوان یک کنترل و تعادل حیاتی عمل می‌کنند.

بینش عملی: یک هیئت بازبینی اخلاق هوش مصنوعی بین‌رشته‌ای ایجاد کنید یا بازبینی اخلاقی را در ساختارهای حاکمیتی موجود ادغام کنید. ارزیابی‌های تأثیر اخلاقی را برای همه پروژه‌های جدید هوش مصنوعی الزامی کنید و از تیم‌های پروژه بخواهید که از همان ابتدا آسیب‌های بالقوه و برنامه‌های کاهش را در نظر بگیرند.

پرورش تیم‌های هوش مصنوعی متنوع و فراگیر

یکی از مؤثرترین راه‌ها برای کاهش سوگیری و اطمینان از دیدگاه اخلاقی گسترده‌تر، ایجاد تیم‌های هوش مصنوعی متنوع است. تیم‌های متشکل از افراد با پیشینه‌ها، فرهنگ‌ها، جنسیت‌ها، قومیت‌ها و وضعیت‌های اقتصادی-اجتماعی متفاوت، احتمال بیشتری دارد که سوگیری‌های بالقوه در داده‌ها و الگوریتم‌ها را شناسایی و برطرف کنند و تأثیرات اجتماعی ناخواسته را پیش‌بینی کنند. تیم‌های همگن خطر تعبیه دیدگاه‌های محدود خود را در فناوری دارند.

بینش عملی: تنوع و فراگیری را در شیوه‌های استخدام برای نقش‌های هوش مصنوعی در اولویت قرار دهید. به طور فعال به دنبال نامزدهایی از گروه‌های کمتر نمایندگی شده باشید. آموزش سوگیری ناخودآگاه را برای همه اعضای تیم پیاده‌سازی کنید. فرهنگی فراگیر را پرورش دهید که در آن از دیدگاه‌های مختلف استقبال و برای آنها ارزش قائل شود.

حاکمیت داده و تضمین کیفیت

از آنجا که داده سوخت هوش مصنوعی است، حاکمیت قوی داده برای هوش مصنوعی اخلاقی اساسی است. این شامل تضمین کیفیت داده، اصل و نسب، رضایت، حریم خصوصی و نمایندگی است. این به معنای ممیزی دقیق مجموعه داده‌ها برای سوگیری‌های ذاتی، شناسایی شکاف‌ها و پیاده‌سازی استراتژی‌هایی برای جمع‌آوری یا سنتز داده‌های فراگیرتر و نماینده‌تر است.

بینش عملی: یک استراتژی جامع حاکمیت داده را پیاده‌سازی کنید. ممیزی‌های منظم داده را برای شناسایی و اصلاح سوگیری‌ها یا شکاف‌ها در مجموعه داده‌های آموزشی انجام دهید. سیاست‌های روشن جمع‌آوری و استفاده از داده را توسعه دهید و از شفافیت و رضایت آگاهانه از سوژه‌های داده اطمینان حاصل کنید. تکنیک‌هایی مانند تولید داده‌های مصنوعی یا افزایش داده را برای متعادل کردن اخلاقی مجموعه داده‌های نامتوازن در نظر بگیرید.

توسعه راه‌حل‌های هوش مصنوعی قابل توضیح (XAI)

برای حل مشکل «جعبه سیاه»، در تحقیق و توسعه تکنیک‌های هوش مصنوعی قابل توضیح (XAI) سرمایه‌گذاری کنید. این فناوری‌ها با هدف قابل تفسیرتر و شفاف‌تر کردن مدل‌های هوش مصنوعی، ارائه بینش‌هایی در مورد فرآیندهای تصمیم‌گیری آن‌ها هستند. روش‌های XAI می‌توانند از سیستم‌های ساده مبتنی بر قانون تا توضیحات پس از وقوع برای مدل‌های پیچیده یادگیری عمیق متغیر باشند.

بینش عملی: در صورت امکان، قابلیت تفسیر را در انتخاب مدل در اولویت قرار دهید. برای مدل‌های پیچیده، ابزارهای XAI را در خط لوله توسعه ادغام کنید. توسعه‌دهندگان را برای استفاده و تفسیر خروجی‌های XAI برای درک بهتر و اشکال‌زدایی مدل‌ها آموزش دهید. رابط‌های کاربری طراحی کنید که تصمیمات هوش مصنوعی و منطق آن‌ها را به وضوح به کاربران نهایی منتقل کند.

آزمایش و اعتبارسنجی قوی

هوش مصنوعی اخلاقی نیازمند آزمایش دقیق فراتر از معیارهای عملکرد استاندارد است. این شامل آزمایش برای انصاف در گروه‌های جمعیتی مختلف، استواری در برابر حملات متخاصم و قابلیت اطمینان در محیط‌های واقعی و پویا است. تست استرس مداوم و برنامه‌ریزی سناریو برای کشف آسیب‌پذیری‌ها یا سوگیری‌های پیش‌بینی‌نشده حیاتی است.

بینش عملی: مجموعه‌های آزمایشی جامعی را توسعه دهید که به طور خاص ملاحظات اخلاقی مانند انصاف، حریم خصوصی و استواری را هدف قرار می‌دهند. تمرینات «تیم قرمز» را شامل شوید که در آن از تکنیک‌های متخاصم برای یافتن نقاط ضعف استفاده می‌شود. مدل‌ها را در محیط‌های کنترل‌شده یا برنامه‌های آزمایشی با گروه‌های کاربری متنوع قبل از عرضه در مقیاس وسیع مستقر کنید.

نظارت و ممیزی مستمر

مدل‌های هوش مصنوعی ایستا نیستند؛ آنها یاد می‌گیرند و تکامل می‌یابند، که اغلب منجر به «افت مدل» می‌شود که در آن عملکرد به دلیل تغییرات در توزیع داده‌ها در طول زمان کاهش می‌یابد یا سوگیری‌ها ظاهر می‌شوند. نظارت مستمر برای تشخیص این مسائل پس از استقرار ضروری است. ممیزی‌های مستقل منظم، هم داخلی و هم خارجی، برای تأیید انطباق با دستورالعمل‌ها و مقررات اخلاقی ضروری است.

بینش عملی: سیستم‌های نظارت خودکار را برای ردیابی عملکرد مدل، معیارهای سوگیری و افت داده در زمان واقعی پیاده‌سازی کنید. ممیزی‌های اخلاقی منظم داخلی و خارجی از سیستم‌های هوش مصنوعی مستقر شده را برنامه‌ریزی کنید. پروتکل‌های روشنی برای پاسخ سریع و اصلاح در صورت شناسایی مسائل اخلاقی ایجاد کنید.

تعامل با ذینفعان و آموزش عمومی

هوش مصنوعی مسئولانه را نمی‌توان در انزوا توسعه داد. تعامل با ذینفعان متنوع - از جمله جوامع آسیب‌دیده، سازمان‌های جامعه مدنی، سیاست‌گذاران و دانشگاهیان - برای درک تأثیرات اجتماعی و جمع‌آوری بازخورد حیاتی است. کمپین‌های آموزش عمومی نیز می‌توانند هوش مصنوعی را رمزگشایی کنند، انتظارات را مدیریت کنند و گفتمان عمومی آگاهانه در مورد پیامدهای اخلاقی آن را تقویت کنند.

بینش عملی: کانال‌هایی برای بازخورد و مشاوره عمومی در مورد طرح‌های هوش مصنوعی ایجاد کنید. از برنامه‌های آموزشی برای بهبود سواد هوش مصنوعی در میان عموم مردم و سیاست‌گذاران حمایت کنید. در گفتگوهای چندجانبه در مورد حاکمیت و اخلاق هوش مصنوعی در سطوح محلی، ملی و بین‌المللی شرکت کنید.

استفاده و حاکمیت مسئولانه از هوش مصنوعی: یک ضرورت جهانی

فراتر از مرحله توسعه، استفاده و حاکمیت مسئولانه از هوش مصنوعی نیازمند تلاش‌های هماهنگ از سوی دولت‌ها، سازمان‌های بین‌المللی و جامعه جهانی گسترده‌تر است. ایجاد یک چشم‌انداز نظارتی منسجم و مؤثر بسیار مهم است.

سیاست و مقررات

دولت‌ها در سراسر جهان در حال دست و پنجه نرم کردن با چگونگی تنظیم هوش مصنوعی هستند. سیاست مؤثر هوش مصنوعی بین نوآوری و حفاظت از حقوق اساسی تعادل برقرار می‌کند. حوزه‌های کلیدی برای تنظیم عبارتند از:

• سیستم‌های هوش مصنوعی پرخطر: تعریف و تنظیم کاربردهای هوش مصنوعی که خطرات قابل توجهی برای حقوق بشر، ایمنی یا فرآیندهای دموکراتیک ایجاد می‌کنند (مانند هوش مصنوعی در زیرساخت‌های حیاتی، اجرای قانون، امتیازدهی اعتباری). قانون پیشنهادی هوش مصنوعی اتحادیه اروپا یک نمونه پیشرو در این زمینه است که سیستم‌های هوش مصنوعی را بر اساس سطح خطر طبقه‌بندی می‌کند.
• حاکمیت داده: تقویت و گسترش قوانین حفاظت از داده‌ها برای پرداختن به طور خاص به نیازهای داده‌ای هوش مصنوعی، با تمرکز بر رضایت، کیفیت داده و امنیت.
• چارچوب‌های مسئولیت: روشن کردن مسئولیت قانونی زمانی که سیستم‌های هوش مصنوعی باعث آسیب می‌شوند، با در نظر گرفتن تولیدکنندگان، استقراردهندگان و کاربران.
• کاهش سوگیری: الزام به شفافیت در مورد معیارهای انصاف و الزام بالقوه ممیزی‌های مستقل برای سیستم‌های هوش مصنوعی با تأثیر بالا.
• نظارت انسانی: الزام به مکانیسم‌های انسان-در-حلقه برای برخی کاربردهای حیاتی.

چشم‌انداز جهانی: در حالی که اتحادیه اروپا رویکردی مبتنی بر ریسک را اتخاذ کرده است، مناطق دیگری مانند ایالات متحده بر دستورالعمل‌های داوطلبانه و مقررات بخشی تمرکز دارند. چین به سرعت در حال پیشبرد حاکمیت هوش مصنوعی خود، به ویژه در مورد امنیت داده‌ها و توصیه‌های الگوریتمی است. چالش در یافتن زمینه مشترک و قابلیت همکاری بین این رویکردهای نظارتی متنوع برای تسهیل نوآوری جهانی و در عین حال تضمین پادمان‌های اخلاقی است.

همکاری بین‌المللی

با توجه به ماهیت بدون مرز هوش مصنوعی، همکاری بین‌المللی برای حاکمیت مؤثر ضروری است. هیچ کشوری به تنهایی نمی‌تواند پیچیدگی‌های اخلاقی هوش مصنوعی را مدیریت کند. تلاش‌های مشترک برای موارد زیر مورد نیاز است:

• هماهنگ‌سازی استانداردها: توسعه استانداردهای شناخته شده بین‌المللی و بهترین شیوه‌ها برای هوش مصنوعی اخلاقی، جلوگیری از «خرید اخلاقی» و تضمین سطح پایه‌ای از حفاظت در سطح جهانی. سازمان‌هایی مانند OECD، یونسکو و شورای اروپا به طور فعال روی این موضوع کار می‌کنند.
• پرداختن به چالش‌های فراملی: مقابله با مسائلی مانند گسترش اطلاعات نادرست مجهز به هوش مصنوعی، سیستم‌های تسلیحات خودران و جریان‌های داده فرامرزی.
• ظرفیت‌سازی: حمایت از کشورهای در حال توسعه در ایجاد تخصص اخلاق هوش مصنوعی و چارچوب‌های نظارتی.
• ترویج ارزش‌های مشترک: fostering a global dialogue on shared human values that should underpin AI development and use.

مثال: مشارکت جهانی در هوش مصنوعی (GPAI)، ابتکاری از رهبران G7، با هدف پر کردن شکاف بین تئوری و عمل هوش مصنوعی، حمایت از توسعه مسئولانه هوش مصنوعی مبتنی بر حقوق بشر، فراگیری، تنوع، نوآوری و رشد اقتصادی است.

بهترین شیوه‌ها و استانداردهای صنعت

فراتر از مقررات دولتی، انجمن‌های صنعتی و شرکت‌های فردی نقش مهمی در خودتنظیمی و ایجاد بهترین شیوه‌ها ایفا می‌کنند. توسعه آیین‌نامه‌های رفتار خاص صنعت، گواهینامه‌ها و استانداردهای فنی برای هوش مصنوعی اخلاقی می‌تواند پذیرش مسئولانه را تسریع کند.

بینش عملی: تشویق به مشارکت در طرح‌های چندجانبه برای توسعه استانداردهای اخلاق هوش مصنوعی (مانند ابتکار جهانی IEEE در مورد اخلاق سیستم‌های خودران و هوشمند). ترویج اشتراک‌گذاری بهترین شیوه‌ها و درس‌های آموخته شده در پیاده‌سازی اخلاقی هوش مصنوعی در سراسر صنعت.

تدارکات و زنجیره‌های تأمین اخلاقی

سازمان‌ها باید ملاحظات اخلاقی خود را به تدارکات سیستم‌ها و خدمات هوش مصنوعی گسترش دهند. این شامل بررسی دقیق سیاست‌های اخلاق هوش مصنوعی فروشندگان، شیوه‌های داده و تعهد به انصاف و شفافیت است. اطمینان از رعایت اصول اخلاقی هوش مصنوعی در کل زنجیره تأمین هوش مصنوعی حیاتی است.

بینش عملی: گنجاندن بندهای اخلاقی هوش مصنوعی در قراردادها با فروشندگان و ارائه‌دهندگان خدمات هوش مصنوعی. انجام بررسی‌های لازم در مورد چارچوب‌های اخلاق هوش مصنوعی و سوابق آنها. اولویت دادن به فروشندگانی که تعهد قوی به شیوه‌های مسئولانه هوش مصنوعی نشان می‌دهند.

توانمندسازی و حقوق کاربر

در نهایت، افراد باید بر تعاملات خود با سیستم‌های هوش مصنوعی عاملیت داشته باشند. این شامل حق اطلاع‌رسانی هنگام تعامل با هوش مصنوعی، حق بازبینی انسانی تصمیمات مبتنی بر هوش مصنوعی و حق حریم خصوصی و قابلیت حمل داده‌ها است. توانمندسازی کاربران از طریق آموزش و ابزارها برای تقویت اعتماد و پذیرش مسئولانه ضروری است.

بینش عملی: طراحی سیستم‌های هوش مصنوعی با اصول کاربر-محور. ارائه اعلان‌های واضح هنگام استفاده از هوش مصنوعی و توضیح هدف آن. توسعه رابط‌های کاربرپسند برای مدیریت تنظیمات حریم خصوصی و ترجیحات داده. پیاده‌سازی مکانیسم‌های قابل دسترس برای کاربران برای به چالش کشیدن تصمیمات هوش مصنوعی و درخواست مداخله انسانی.

آینده اخلاق هوش مصنوعی: مسیری مشترک به پیش

سفر به سوی هوش مصنوعی واقعاً مسئولانه، مداوم و پیچیده است. این امر نیازمند انطباق مستمر با تکامل فناوری هوش مصنوعی و ظهور چالش‌های اخلاقی جدید است. چشم‌انداز اخلاقی هوش مصنوعی ایستا نیست؛ بلکه زمینه‌ای پویا است که نیازمند ارزیابی مجدد مداوم و شور عمومی است.

با نگاه به آینده، چندین روند آینده اخلاق هوش مصنوعی را شکل خواهند داد:

• سواد هوش مصنوعی: افزایش سواد هوش مصنوعی در تمام سطوح جامعه - از سیاست‌گذاران تا عموم مردم - برای بحث‌ها و تصمیم‌گیری‌های آگاهانه حیاتی خواهد بود.
• همکاری بین‌رشته‌ای: همکاری بیشتر بین فناوران، متخصصان اخلاق، دانشمندان علوم اجتماعی، وکلا، هنرمندان و فیلسوفان، گفتمان را غنی کرده و به راه‌حل‌های کل‌نگرتری منجر خواهد شد.
• تمرکز بر پیاده‌سازی: تمرکز از صرفاً بیان اصول به توسعه روش‌های مشخص و قابل اندازه‌گیری برای پیاده‌سازی و ممیزی هوش مصنوعی اخلاقی در عمل تغییر خواهد کرد.
• همگرایی جهانی: علی‌رغم پراکندگی اولیه، فشار و انگیزه فزاینده‌ای برای همگرایی جهانی بر روی اصول اصلی اخلاق هوش مصنوعی و رویکردهای نظارتی وجود خواهد داشت. این به معنای قوانین یکسان نیست، بلکه چارچوب‌های قابل همکاری است که نوآوری مسئولانه فرامرزی هوش مصنوعی را تسهیل می‌کند.
• اخلاق زیست‌محیطی هوش مصنوعی: با افزایش اندازه و پیچیدگی مدل‌های هوش مصنوعی، مصرف انرژی و ردپای زیست‌محیطی آنها به یک نگرانی اخلاقی برجسته‌تر تبدیل خواهد شد و منجر به تمرکز بیشتر بر «هوش مصنوعی سبز» می‌شود.
• همکاری انسان و هوش مصنوعی: تأکید بیشتری بر طراحی سیستم‌های هوش مصنوعی که قابلیت‌های انسانی را به جای جایگزینی آنها تقویت می‌کنند، قرار خواهد گرفت و همکاری اخلاقی انسان و هوش مصنوعی را تقویت می‌کند.

وعده هوش مصنوعی برای حل برخی از مبرم‌ترین چالش‌های بشریت - از ریشه‌کن کردن بیماری‌ها و تغییرات اقلیمی تا کاهش فقر - بسیار زیاد است. با این حال، تحقق این پتانسیل به تعهد جمعی ما برای توسعه و استقرار مسئولانه هوش مصنوعی، با هدایت اصول اخلاقی قوی و مکانیسم‌های حاکمیتی مستحکم بستگی دارد. این امر نیازمند گفتگوی جهانی، مسئولیت مشترک و تمرکز راسخ بر اطمینان از این است که هوش مصنوعی به عنوان نیرویی برای خیر عمل می‌کند، حقوق بشر را پاس می‌دارد و آینده‌ای عادلانه‌تر و پایدارتر را برای همه تقویت می‌کند.

نتیجه‌گیری: ساختن بنیادی از اعتماد برای فردای هوش مصنوعی

ابعاد اخلاقی هوش مصنوعی یک فکر ثانویه نیست، بلکه همان بنیادی است که توسعه پایدار و سودمند هوش مصنوعی باید بر آن بنا شود. از کاهش سوگیری‌های الگوریتمی تا حفاظت از حریم خصوصی، تضمین نظارت انسانی و تقویت همکاری جهانی، مسیر به سوی هوش مصنوعی مسئولانه با انتخاب‌های آگاهانه و اقدامات هماهنگ هموار می‌شود. این سفر نیازمند هوشیاری، سازگاری و تعهدی بی‌وقفه به ارزش‌های انسانی است.

همانطور که هوش مصنوعی به تغییر شکل دنیای ما ادامه می‌دهد، تصمیماتی که امروز در مورد پارامترهای اخلاقی آن می‌گیریم، تعیین خواهد کرد که آیا به ابزاری برای پیشرفت و برابری بی‌سابقه تبدیل می‌شود یا منبعی برای نابرابری‌ها و چالش‌های جدید. با پذیرش اصول اصلی شفافیت، انصاف، پاسخگویی، حریم خصوصی، نظارت انسانی، ایمنی و رفاه اجتماعی، و با مشارکت فعال در همکاری چندجانبه، می‌توانیم به طور جمعی مسیر هوش مصنوعی را به سوی آینده‌ای هدایت کنیم که در آن واقعاً در خدمت بهترین منافع بشریت باشد. مسئولیت هوش مصنوعی اخلاقی بر عهده همه ما - توسعه‌دهندگان، سیاست‌گذاران، سازمان‌ها و شهروندان در سراسر جهان - است تا اطمینان حاصل کنیم که قابلیت‌های قدرتمند هوش مصنوعی برای خیر عمومی به کار گرفته می‌شود و بنیادی از اعتماد را می‌سازد که برای نسل‌های آینده پایدار خواهد بود.