Axiomatic Choice
本文提出了“公理化选择”（Axiomatic Choice）框架，通过将各种规范性准则（如伦理约束）形式化为公理，为决策的制定与评估提供了一套统一的理论体系，并由此揭示了决策评估悖论及透明度与欺骗等相关概念。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
1. 核心矛盾：结果 vs. 过程 (The Core Conflict)
想象一下，你和朋友分一块蛋糕。
- 结果派（Consequentialist）： 他们只看最后的结果。只要每个人分到的蛋糕大小一样，过程是“闭着眼乱切”还是“用精密仪器测量”，他们根本不在乎。
- 过程派（Procedural）： 他们非常看重规矩。哪怕最后分得一样多，但如果切蛋糕的人是“先切了自己最想要的那块”，他们就会觉得这不公平，哪怕结果看起来很完美。
这篇论文的核心贡献就是： 它建立了一套数学语言，把这些“对规矩的要求”和“对结果的要求”全部标准化了，让计算机也能理解人类这种复杂的“价值观”。
2. 论文的三个“大坑” (The Three Big Challenges)
论文提出了几个非常有趣的现象，我们可以用生活中的例子来理解：
A. “决策-评估悖论” (The Decision-Evaluation Paradox)
比喻：【完美的食谱 vs. 难吃的菜】
假设你有一本“完美食谱”（公理），上面写着：“只要按照这个步骤做，出来的菜一定是美味的。”
你严格遵守了食谱的所有步骤（隐含规则），结果端上桌的一盘菜竟然是难吃的！
为什么？ 因为“食谱的要求”和“实际做菜的动作”之间存在逻辑缝隙。在数学上，你可能为了满足某个“规矩”，最后不得不采取一种在某些情况下会违反该规矩的行为。这告诉我们：仅仅靠遵守规则，并不一定能保证结果符合你的初衷。
B. “透明度与欺骗” (Transparency and Deception)
比喻：【“我真的按规矩办了”的谎言】
假设学校规定：“如果学生表现好，就奖励小红花；如果表现不好，就扣分。”
老师为了让大家都开心，采取了一个“混合策略”：表现好的时候，他假装自己是用“奖励制度”在运作；表现差的时候，他假装自己是在按“扣分制度”运作。
- 如果学生只看结果（拿没拿到花），他觉得没问题。
- 但如果学生是一个“过程派”，他会发现老师在**“逻辑欺骗”**——老师并没有一套统一的、透明的规则，而是在根据情况“见人说人话，见鬼说鬼话”。
C. “解释的冲突” (Conflicting Explanations)
比喻：【面对不同性格的父母】
如果你考试考砸了，你妈（过程派）会说：“你是因为没按计划复习才考砸的！”；你爸（结果派）会说：“没关系，只要下次考好就行。”
当一个决策系统（比如AI）试图向不同的人解释同一个决定时，它会陷入尴尬：对一个人来说是真理的解释，对另一个人来说可能就是谎言。
3. 总结：这篇论文想干什么？
现在的AI（比如ChatGPT）正在学习人类的价值观。但人类的价值观非常混乱：有人看重公平，有人看重效率，有人看重程序正义。
这篇论文就像是为AI设计了一套**“价值观分类手册”**。它告诉科学家们：
- 不要以为给AI设定了规则，它就能完美执行。
- 要小心AI在解释决策时，为了讨好某些人而产生的“逻辑欺骗”。
- 我们需要一种更高级的方法，不仅能让AI做出“对的结果”，还能让它做出“对的过程”，并且能让不同价值观的人都觉得“这事儿办得靠谱”。
一句话总结：这篇论文是在教计算机如何理解人类那套“既要结果好，又要程序正义，还要解释得通”的复杂逻辑。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。