m相比于机器，我们对人类的错误更加宽容吗？( 二 ) apple|ex|理想者|苹果|马斯克|乔

文章插图
自动驾驶汽车比人类驾驶员更负责任吗？
随着自动驾驶离现实越来越近，我们可能好奇：相比于人类驾驶员，用户如何看待自动驾驶汽车需要承担的责任？
为了回答这个问题，Hidalgo和他的团队把参与者置于各种各样的道路事故（包含了人类司机或自动驾驶汽车）之中。这些事故的严重程度可能取决于内在或外在因素，也包含了是伤害司机还是路人的抉择。
这项实验首次提出了自动驾驶汽车担负了巨大的责任。参与者对涉及自动驾驶汽车的事故判断更为消极，认为它们会造成更严重的伤害。其中一个原因是因为他们更容易把自己带入人类驾驶员的视角（而不是机器的视角），他们更能同理人类司机做出的反应（毕竟在自己身上可能也会发生这样的情况），尤其这是由外部因素导致的事故（比如一棵树倒在了路上）。
因此，参与者对造成事故的机器毫不宽容，希望它们更可靠安全。
五、机器的好坏完全取决于结果我们可以从这些研究中得出什么结论呢？

文章插图
César Hidalgo | How Humans Judge Machines | Talks at Google②（视频地址见相关阅读）
首先，当整体看待受伤害感和行为目的的关系时，人们认为人类行为比机器行为更带有目的。然而矛盾的是，参与者仍然会更容易原谅人类的行为，因为他们更容易将人为错误视为坏运气的结果，而机器错误则是需要纠正的错误。
当我们在研究行为目的和不公正之间的关系时，我们发现了一个更符合人类判断的事实：对于那些带有当事人强烈主观意图的场景（比如侮辱和歧视），人们显然会对人类行为做出更为负面的评价。人们认为人类需要为自己的邪恶意图负责任，而机器则被默认为没有自己的意图和目的。另一方面，一些本身不带有目的的情况（比如交通事故），机器则承担的责备会更多。因为我们已经假定了机器的程序可以避免任何错误。
最后通过评估不公正的感知和伤害范围之间的关系，我们发现：对涉及人造成的伤害越小，机器就越被视为罪魁祸首；相反，当伤害越大，人类当事人承担的评价就越为负面。
总之，我们看到了两种截然不同的判断模式。
当涉及人类当事人时，观众就会通过当事人的意图来评判他们的行为：他们可以犯错，但如果居心不良，他们就需要对自己的行为负责。
另一方面，机器的评估标准是行为的结果：如果它们无法避免破坏性的错误，无论发生的是什么，它们都会被批评。好的一面是，对于一些通常被定性为非常严重的情况（歧视或恶意羞辱），因为机器行为不带有目的，所以常常不被苛责。
但这也意味着，作为设计师的我们，需要尽量减少数字服务和智能应用程序可能产生的间接伤害和歧视。因为可没有人会同情设计糟糕的算法③。
③译者注：
设计师和算法的关系
由于译者正好从事自动驾驶行业，所以就简单聊聊这个话题。可能有人会认为糟糕算法能是程序员的问题，这和设计师有什么关系？
但事实上在以正向研发为主要流程的企业内，一个需求落地至少要经过产品经理，设计师，研发和测试四个阶段。产品和设计师需要根据客户/用户的诉求去定义和产品的功能和使用方式，然后研发才会在设计的框架内去实现这些功能。自然当设计师遗漏或者忽视一些安全问题时，研发是无法发现的，因为在他们的角度，功能的上下文是不明确的，他们只专注于功能本身的研发。
举个例子，假设我们设计一个工业园区内使用的远程自动驾驶汽车遥控器，它的功能是给车辆派发运货订单，并且可以远程启动车辆。那么如果设计师对于使用场景足够了解，他会发现如果远程启动车辆，突然的启动可能会对周围在装卸货的工人带来安全隐患。