这些例子说明了识别个体不知情动机的影响，并且展示了知识和无知的问题可以有多复杂，特别是在涉及人工智能的时候。关于集体不知情在什么时候有益处，或者在道德上合理的问题，没有现成的答案。理想的做法是单独考虑每个案例，进行风险收益分析。理想情况下，鉴于争论的复杂性和后果的重要性，这一分析将公开进行，考虑各种利益相关者和专家意见，并考虑所有可能的未来结果，包括最坏的情况。

这其中涉及的问题太多了……事实上，理想做法在大多数情况下都是行不通的。那么，我们又该如何做呢？

一种方法是控制和限制机器根据已采集数据进行的推理。例如，我们可以“禁止”使用种族作为预测变量的司法算法，或者从潜在求职者的预测分析中排除性别。但是，这种方法也存在问题。

首先，限制大公司使用信息的成本太高，技术难度也很大。这需要这些公司将算法开源，同时要求大型政府机构不断对其审查。另一方面，一旦采集到大量的数据集，总是会有很多迂回的方法来推理出“禁止的知识”。假设政府宣布使用性别信息来预测学术成功是非法的，那就可能出现使用“拥有汽车类型”和“最喜欢的音乐流派”作为性别替代指标，直接进行替代指标的二级推理。有时候，尽管一家公司的意图是好的，但有关性别的推理也可能意外地嵌入到算法中。这些二级推理导致对算法的审查更加困难。一个分析中包含的变量越多，发生二级推理的可能性就越大。

相关报道: