智慧邊界 (生成式人工智能技術風險及其治理)

前言
第一章 生成式人工智能的底層邏輯與技術架構
第一節 機器學習
一、人工智能緣起
二、機器學習的歷史嬗變
三、機器學習、深度學習與強化學習
第二節 大數據
一、何為大數據？
二、大數據與機器學習
第三節 對抗學習機制
一、何為對抗學習？
二、對抗學習原理
三、生成對抗網絡
第四節 大語言模型
一、自回歸模型
二、生成式預訓練
三、自註意力機制
四、微調/五、提示學習
六、思維鏈
第二章 生成式人工智能的應用場景與產業落地
第一節 內容生成
一、文本生成
二、圖像生成
三、視頻生成
四、機器翻譯
第二節 輔助決策
一、醫療領域：助力診斷治療與藥物研發
二、金融領域：輔助風險評估與信貸決策
三、教育領域：優化教學方案與資源配置
四、法律領域：賦能風險預判與文書審查
第三章 生成式人工智能的未來展望
第一節 由機械智能到通用智能
一、由機械智能到思維智能和情感智能
二、生成式人工智能兼具部分思維智能與情感智能
三、通用人工智能時代已然降臨了嗎？
第二節 生成式人工智能的演進態勢
一、自然語言處理能力的突破與局限
二、可解釋性與可信賴性的提升與瓶頸
三、數據安全和隱私保護的推進與掣肘
四、深度人機融合與多模態生成式人工智能的實現與隱憂
第三節 生成式人工智能的未來圖景
一、劃定人機智能邊界
二、推進人機協作
三、實現人機共生
第四章 生成式人工智能技術風險多重樣態
第一節 數據相關風險
一、數據缺失或不足
二、數據本身的“先天缺陷”
三、“模擬-現實”鴻溝放大數據風險
第二節 算法相關風險
一、算法黑箱風險
二、算法透明性與決策可解釋性風險
三、算法問責風險
四、算法歧視風險
第三節 大模型的成本問題
一、高昂的經濟成本
二、巨大的生態能耗成本
第四節 大模型的固有缺陷
一、大模型幻覺
二、邏輯推理與決策分析能力較弱
三、“模型崩潰”現象
第五章 生成式人工智能技術風險案例剖析
第一節 虛假信息與深度偽造風險與治理
一、虛假信息與深度偽造風險的相關案例
二、虛假信息與深度偽造風險的成因分析
三、虛假信息與深度偽造風險的治理路徑
第二節 數據隱私泄露風險與治理
一、數據隱私泄露風險的相關案例
二、數據隱私泄露風險的成因分析
三、數據隱私泄露風險的應對策略
第三節 算法歧視風險與治理
一、算法歧視風險的相關案例
二、算法歧視風險的成因分析
三、算法歧視風險的治理框架
第四節 就業沖擊風險與治理
一、就業沖擊風險的相關案例
二、就業沖擊風險的成因分析
三、就業沖擊風險的應對措施
第六章 生成式人工智能技術風險治理
第一節 生成式人工智能技術風險治理的理念與原則
一、增進人民福祉與尊重生命權利的目標導向
二、公平公正與公開透明的價值追求
三、技術發展與安全治理的協同推進
四、科學立法與倫理規制的雙重約束
五、系統治理與情景治理的深度融合
第二節 生成式人工智能技術風險治理的國外經驗鏡鑒
一、歐盟模式：嚴格監管，立法先行
二、美國模式：創新優先，內外雙標
三、日本模式：軟法規制，安全為重
第三節 生成式人工智能技術風險治理的中國方案
一、推進頂層設計與場景落地相結合
二、註重基礎理論研究與跨學科深度合作相融合
三、健全數據適度共享和開放，完善算法治理框架
四、健全模型反饋機制，實現大模型與小模型相結合
五、加大人才培養力度，提升公眾數智素養
後記