摘要

随着生成式人工智能（genAI）技术在各个领域的日益渗透，其潜在的加剧或延续歧视的风险成为一个紧迫的问题。本文探讨了genAI如何与现有的反歧视法律交叉，并挑战这些法律的界限，特别是在输出可能包含贬低和辱骂内容或通过不充分的代表性展现微妙偏见的情况下。文章识别了genAI产生的两种主要类型的歧视性输出：（i）贬低和辱骂内容；（ii）通过不充分的代表性展现的微妙偏见。文章从法律角度分析了这些问题的输出，并提出了改进法律的建议。文章还强调了在训练和输入数据中预防偏见的必要性，并建议通过法律修订来更好地解决无形伤害，并通过强制测试、审计和包容性内容策略来影响genAI技术，确保AI输出的公平性。

原理

生成式人工智能（genAI）通过训练大型数据集来生成文本、图像和视频等内容。然而，这些模型可能会反映出训练数据中的偏见和歧视，从而在输出中产生贬低和辱骂内容或不充分的代表性。文章详细分析了genAI输出的三种主要类型：（i）歧视性内容；（ii）骚扰；（iii）难以归类的生成伤害。这些输出类型挑战了传统的直接和间接歧视以及骚扰的法律定义，因为它们可能不涉及具体的歧视性决策，也不达到法律定义的骚扰门槛。文章还讨论了责任和赔偿责任，主张开发者和部署者应共同承担责任。

流程

文章通过案例分析和法律框架的探讨，展示了genAI如何产生歧视性输出，并探讨了这些输出如何与现有的反歧视法律相交叉。工作流程包括：（1）识别genAI输出的歧视性类型；（2）分析这些输出如何挑战现有法律；（3）提出改进法律的建议；（4）讨论责任和赔偿责任。文章还提供了政策选项，包括澄清法律、更新法律和使用法律塑造技术，以确保genAI的输出不会延续或加剧歧视。

应用

文章提出的政策选项和法律改进建议，旨在确保genAI技术的应用不会延续或加剧社会中的歧视问题。通过更严格的测试、审计和包容性内容策略，可以减少genAI输出中的偏见和歧视。这些措施的应用前景广泛，涉及金融、医疗、就业、媒体和执法等多个领域，有助于构建一个更加公平和包容的社会。