无害的数据竟然能做到几乎读心术
我们大多数人开始使用人工智能的方式基本相同： 提问 → 获得答案。.
然后我们中的许多人又做了更多准备：更好的指导、更多的背景信息，或许还有一些文件： 信息 + 指示 → 交付成果。.
一份报告。一场演讲。一份分析报告。一份计划。.
但还有另一种使用人工智能的方式，我觉得这更有趣： 散点信息 → AI → 推理。.
我们可以不要让人工智能根据我们给它的信息生成东西，而是问：当我们把这些信息结合起来时，这些信息告诉我们什么？
这可以产生一些令人惊讶的强大结果。.
人工智能可以帮助我们了解别人实际上并没有说出的内容。
想象一下，两位同事在对一项决策存在强烈分歧。给 AI 提供对话双方的信息，并问：每位成员可能看到了哪些方面，而对方却忽略了？哪些担忧可能导致他们持有不同的立场？
或者想象一下，你在准备一场重要的客户对话：给 AI 提供之前的讨论内容、你希望实现的目标以及有关客户组织的相关公开信息。要求它识别可能的优先事项、担忧、对话起点和可能存在的异议。同样，在组织变革方面也是如此：财务、工程、销售和运营部门可能会对同一消息有截然不同的理解。AI 可以帮助我们提前预测这些观点，从而在沟通之前就做好准备。.
这一切都不是读心术。这只是推断——人类一直以来通过聆听、观察和整合信息来完成这一过程。而真正发生的变化在于，人工智能在处理大量信息时能够做到这一点，而此前，连接这些信息需要大量人力劳动。.
越来越多的人都能使用通用人工智能工具，只需简单地问：“你觉得这里到底发生了什么？”这正是令人极其有用的功能开始成为我们需要认真思考的方面。.
当无害的数据不再感觉无害时
想想我们每天所留下的信息吧。比如在社交媒体上发布的信息、一些搜索结果、我们阅读的文章、我们提出的问题、我们选择的词语。甚至连我们如何回应这些信息，也可能很少引起人们的注意。但人工智能不必一一查看这些信息，它可以把它们联系起来。.
从看似普通的信息中，或许可以推导出人们从未明确透露的兴趣、担忧、偏好、情况或可能的行为。此外，还可以添加其他数字信号——例如 Cookie、跟踪像素或浏览器指纹——这样一来，这个画面就能够变得更加丰富。人工智能无法真正读取我们的思想。.
但或许不必如此。如果人工智能能够将足够多的看似无害的片段连接起来，从而合理地推断出某人想要做什么、在担心什么，或者下一步会做什么，那么一个组织就可以根据其认为自己了解的人的信息采取行动，即使这个人从未明确透露过这些信息。.
而这正是真正意义上的影响开始的地方。真正重要的问题不再只是人工智能能得出什么结论。而是当有人根据这些结论采取行动时会发生什么。.
同样的结论，截然不同的结果。.
想象一下，一家组织利用人工智能分析了一系列普通的信号，得出结论：这个客户可能正面临日益加剧的财务压力。而这个客户从未说过这话。而人工智能却得出这一结论。.
接下来应该怎么办？
或许该组织会利用这种洞察，意识到客户可能需要额外的支持。或许它会避免向他们提供不合适的产品。这些都是人工智能的真正有益应用。但同样的数据也可以用不同的方式进行分析。.
或许该组织会认为这个人不再具有吸引力，或者他们会发现财务压力会使特定的信息、优惠或紧迫感更容易影响他们的决策。.
还有一个可能性：人工智能的推理是概率性的，可能导致错误。一组看似说明某一事实的信号，其实可能有着完全不同的解释。但这并不意味着我们应该停止使用推理。治理问题在于我们如何使用它，我们正试图解决的问题是什么，以及如果推理出错会发生什么。.
价值和风险不仅来自人工智能能够推断出的信息，还来自我们对人工智能的使用方式。.
这不是监管真空状态。
推理本身并不是隐私领域的全新概念。根据数据保护法，分析和推断信息早已被视为令人担忧的问题。关于公平性、透明性、限制目的、数据最小化以及自动化决策等方面的现有原则仍然具有高度相关性。.
这 欧盟人工智能法案 这为特定人工智能实践和高风险应用增添了另一层。因此，令人感兴趣的问题不在于有人是否突然发现了一种完全不受监管的活动——所谓的“人工智能推理”。真正改变的是，如今更多的人能够更轻松地进行复杂化的推理，而且这种推理的难度远低于以前。.
从日常人工智能应用到企业级规模
使用普通通用人工智能工具的员工已经能够将对话、内部背景信息和公开信息相结合，并询问这些信息可能对客户有什么启示。因此，人工智能政策不仅需要考虑人工智能中包含的信息，还需要考虑从中可以推导出哪些新的信息，以及如何利用这些推断结果。.
在企业层面，同样的功能可以嵌入产品、客户旅程和业务流程中。在这方面蕴藏着巨大的价值。更好的理解可以提高客户服务水平，识别真正的需求，并支持更好的决策。因此，答案不能简单地是“不要使用它”。.
挑战在于要认真考虑我们为何得出这一推论、我们有多大的把握认为它是正确的，以及我们允许发生的结果是什么。对于规模较大的投资，组织还应该问自己，客户是否合理地预期他们的信息会被以这种方式使用，以及随着监管、客户期望和运营环境的变化，这一能力是否会保持可持续性。.
如果某个功能无法如设计的那样发挥作用，而且在使用后变得难以证明、控制或调整，那么它就可能成为一项糟糕的投资。这就是数字信任的实际应用之处。人工智能正变得越来越擅长学习人们从未明确告诉我们的事物。人工智能如何能对某人进行学习，而无需他们向我们透露任何信息？我们应该如何利用这些知识？
请浏览我们的网站以了解更多信息 Resillion 的人工智能服务。.
