ApplE: A Modular Ontology of Applied Ethics and Event Context for Ethical Decision Modeling

想象一下这样一个世界：你的烤面包机可以根据一条道德准则来决定是否要把面包烤焦，或者一辆自动驾驶汽车必须在撞向行人或撞向墙壁之间做出选择。这不仅仅是科幻小说；这是人工智能（AI）的前沿领域。几十年来，我们一直在教机器变得聪明、快速和强大，但我们却一直难以教会它们如何变得“善良”。一个重大的问题是：我们如何让计算机理解有些事情是对的，而有些事情是错的，尤其是在规则变得复杂混乱的时候？

为了回答这个问题，我们需要理解两个主要成分。首先是伦理学（Ethics），即研究什么是“好”或“坏”的行为。你可以把它想象成一本生活准则手册，但它不仅仅只有一本，而是有很多本。有些准则说“始终说真话”（义务论），有些说“做对最多人有益的事”（功利主义），还有些说“做一个有美德的人”（德性伦理学）。第二是语境（Context），即决策发生的具体情境。这就是偷一块面包去喂饥饿的孩子，与仅仅因为无聊而偷面包之间的区别。同样的行为根据“谁、做什么、在哪里、为什么”的不同，其性质会完全不同。

挑战在于，计算机非常不擅长理解这些模糊的人类细微差别。它们通常需要非常清晰、僵化的指令。如果我们希望 AI 在现实世界中——比如在医院、企业或道路上——做出伦理决策，我们就需要一种方法，将这些模糊的人类概念转化为机器能够真正阅读并进行推理的语言。这正是这篇论文的切入点。

---

“ApplE”配方：教机器人像人类一样思考

见见 ApplE（应用伦理与事件语境）。不要把它仅仅看作一个机器人大脑，而要把它看作一个巨大的、高度组织化的“伦理构建模块”库，专为计算机设计。作者们——来自印度的一支研究团队——意识到，虽然我们有很多关于伦理的理论，但我们缺乏一种标准的方法来记录它们，以便机器可以使用。因此，他们构建了一个模块化本体（Modular Ontology）。

不要被“本体”这个高级词汇吓到。简单来说，本体就像是一张详细的地图或一本字典，定义了不同事物之间是如何相互关联的。想象你正在搭建一座乐高城堡：你有一盒积木（概念），但如果没有说明书，你不知道哪块积木该放在哪里。ApplE 就是那本说明书。它将复杂的伦理世界分解为两个可以完美拼接的主要部分：

1. “理论”模块（The "Theory" Module）： 这是规则库。它包含了不同的伦理哲学，比如“不伤害”原则或“最大利益”原则。
2. “语境”模块（The "Context" Module）： 这是故事书。它包含了特定事件的细节：谁做的？（主体/Agent）、做了什么？（行为/Action）、何时何地发生？（时间与地点），以及结果如何？（后果/Consequence）。

ApplE 的魔力在于它连接了这两者。它允许计算机观察一个特定的故事（比如医生开处方药），并将其与规则手册进行比对，以查看该行为是否符合规则。

“道德计算器”与阿片类药物的故事

为了证明他们的地图确实有效，研究人员不仅编写了代码，还用一个来自医疗领域的真实且复杂的案例进行了测试。他们研究了一个关于 21 世纪初一位医生给一名青少年患者开具强效止痛药（OxyContin）的故事。这位医生的初衷是好的：他想缓解孩子的疼痛，并避免孩子反复回到诊所。

然而，长期结果却是糟糕的：这名青少年对药物产生了依赖。

这就是 ApplE 展现魅力的地方。一个简单的计算机可能只会看“良好的初衷”并说：“做得好！”或者只看“糟糕的结果”并说：“做得不好。”但 ApplE 更聪明。它使用了一套特殊的指令，称为 SWRL 规则（你可以把它们想象成一种复杂的“道德数学”食谱）。它权衡了短期缓解疼痛的好处与长期成瘾的危害；它检查了医生了解药物风险的职责。

结果呢？使用 ApplE 地图的计算机正确地将医生的行为识别为**“在道德上是错误的”**。它不仅仅是在猜测，而是通过推理得出结论：尽管意图是好的，但该行为违反了“不伤害”（Nonmaleficence）原则以及医生的责任义务。该系统可以通过指出它所使用的具体规则和事实，来解释它是为什么得出这一结论的。

这为什么重要（以及它不是什么）

作者非常明确地说明了 ApplE 能做什么以及不能做什么。他们并不是声称自己制造出了一个突然能感受到愧疚或能自主做出完美道德选择的机器人。相反，他们构建的是一个工具，旨在帮助人类与机器协同工作。

他们反对那种认为我们可以通过喂给计算机数百万个故事并让它猜测答案来“教导”计算机伦理的想法（这种方法被称为机器学习）。他们指出，如果你只是向计算机输入数据，它可能会学习到隐藏在数据中的坏习惯或偏见，并且它无法解释自己为什么做出某种选择。这就像是一个只会背诵答案但并不理解数学原理的学生。相比之下，ApplE 更像是一个理解游戏规则并能展示解题过程的学生。

团队使用了一个名为 SAMOD 的严谨过程来测试他们的地图，这涉及专家反复检查工作成果。他们通过“能力问题”（类似于测验）来确保地图的准确性。他们发现，ApplE 可以处理不同类型的伦理困境，从医疗案例到商业决策（如公司雇用自闭症员工），甚至是环境问题（如为了开发而砍伐树木）。

最终，ApplE 是一个基础性的步骤。它表明，通过为 AI 提供一个结构化的、清晰的、模块化的方式来理解伦理规则和现实生活中的细节，我们可以开始构建不仅能行动、而且能进行“伦理行动”的机器。它不是解决所有道德问题的魔杖，但它是一束照进黑暗房间的强光，帮助我们看到通往伦理 AI 的前行之路。