1. 本章学习目标

学完本章后，你应该能够理解：

1. 为什么机器学习既可以被用于有益场景，也可能被用于有害场景。

2. 数据偏差 Bias 如何影响模型表现，以及为什么“训练数据代表性”非常重要。

3. AI / ML 系统常见的伦理风险，包括隐私泄露、数据安全、算法偏见、黑箱模型、能源消耗、过度宣传和责任归属。

4. Trustworthy AI，可信 AI，为什么需要同时满足合法 Lawful、伦理 Ethical、稳健 Robust 三个方面。

5. 欧盟可信 AI 指南提出的七项关键要求。

6. Responsible AI Licenses，RAIL，负责任 AI 许可证的基本作用。

7. Edge Impulse 等 TinyML 平台在产品开发中涉及的使用限制、数据合规和责任问题。

8. 如何把本章内容迁移到 EEG、ECG、EMG、PPG、HRV、GSR / EDA 等生理信号 TinyML 项目中。

2. 本章内容导读

本章讨论机器学习和人工智能中的伦理问题。课程先通过一个很有趣的万圣节“语音激活南瓜”案例说明：即使开发者本意是做一个好玩的项目，如果训练数据不包含目标用户群体，也会导致模型产生偏差。随后，Alex 从更宏观的角度解释 AI 的伦理风险，包括隐私泄露、数据安全、能源消耗、算法黑箱、历史偏见、社会歧视、AI 过度宣传和责任归属。最后，本章介绍了可信 AI 的基本框架、欧盟可信 AI 七项要求、Responsible AI Licenses，以及 Edge Impulse 等平台对 AI 使用场景的限制。对于 TinyML 项目来说，本章提醒我们：模型部署到设备端之前，不能只看准确率，还要考虑数据是否公平、系统是否安全、输出是否可解释、应用是否合规，以及出现问题时谁负责。

3. 正文笔记

3.1 机器学习不是天然“善”的工具

任何技术都可能被用于好的目的，也可能被用于坏的目的，机器学习也不例外。一个模型可以用来帮助医生辅助分析影像，也可以被滥用于监控、歧视、诈骗或生成虚假信息。更麻烦的是，即使开发者主观上想做好事，模型也可能因为数据、算法或应用场景设计不当而造成意外伤害。

本章开头的观点非常重要：

机器学习可以被用于善，也可以被用于恶，
还可能在开发者没有意识到的情况下，
因为数据偏差、隐私泄露或模型误判造成伤害。

这对 TinyML 尤其关键。TinyML 模型通常部署在嵌入式设备、传感器节点、可穿戴设备和边缘设备上，它们会直接接触真实世界的数据。如果这些设备采集的是语音、图像、位置信息或生理信号，那么伦理问题就不是“附加题”，而是项目设计的一部分。

---

3.2 语音激活南瓜：一个看似搞笑但很典型的数据偏差案例

主讲人 Shawn Hymel 分享了一个个人项目：2020 年万圣节，他做了一个 voice activated pumpkin，语音激活南瓜。

他的想法很简单：

孩子来到门口
→ 喊出 “trick or treat”
→ 南瓜识别到关键词
→ 南瓜亮灯并发出笑声
→ 给孩子一个惊喜

从 TinyML 项目角度看，这其实是一个典型的关键词识别项目：

麦克风采集音频
→ 提取音频特征
→ 训练关键词识别模型
→ 部署到嵌入式设备
→ 本地实时推理

但实际运行时，这个项目翻车了。孩子们喊 “trick or treat” 时，南瓜没有反应。后来 Shawn 发现，问题出在训练数据上：他只采集了成年男性和成年女性说 “trick or treat” 的数据，却没有采集儿童声音。

也就是说，模型学到的是：

成年人的 “trick or treat”

而不是：

目标用户，也就是儿童的 “trick or treat”

最后只有当孩子们故意压低声音、模仿成年人说话时，南瓜才会被触发。

这个例子很有趣，但背后的问题非常严肃：模型的表现取决于训练数据是否覆盖真实使用场景。

---

3.3 什么是数据偏差 Bias？

Bias，偏差，在机器学习中可以理解为：训练数据、标签、采样方式或算法设计让模型更偏向某些群体、场景或结果，从而导致模型在其他群体或场景上表现较差。

语音南瓜案例中的偏差来自训练样本不完整：

项目	实际情况
目标用户	儿童
训练数据	成年男性、成年女性
缺失数据	儿童声音
结果	模型无法识别真正目标用户的语音

这就是典型的 数据代表性不足。

如果只是一个玩具南瓜，最多是项目效果不好。但如果类似问题发生在医疗、金融、招聘、司法或健康监测场景中，后果就可能非常严重。

例如：

应用场景	数据偏差可能造成的问题
医学影像识别	某些人群的疾病识别准确率更低
贷款审批	历史不公平数据导致模型继续歧视某些群体
招聘筛选	模型继承过往招聘数据中的性别或学历偏见
语音识别	对儿童、老人、口音人群识别率较低
可穿戴健康监测	对不同年龄、性别、肤色、体质的人群泛化能力不足
生理信号疼痛监测	对不同个体的疼痛反应差异识别不稳定

所以，TinyML 项目不能只问“模型准确率是多少”，还要问：

数据来自谁？
数据覆盖了哪些场景？
哪些人群没有被采集？
哪些标签可能不可靠？
模型在不同人群上表现是否一致？

---

3.4 AI 发展的四个推动因素，也有反面风险

前一章讲过当前 AI 快速发展的四个关键推动因素：

更多数据
更强算力
算法进步
广泛社会关注

本章进一步指出：这四个因素都有对应的风险。

AI 推动因素	正面作用	反面风险
更多数据	帮助模型学习更复杂规律	隐私泄露、数据滥用、数据完整性问题
更强算力	支持训练更大模型和更复杂系统	高能耗、高成本、环境影响
算法进步	提升准确率、效率和自动化能力	黑箱模型、偏见放大、不可解释
广泛关注	推动投资、教育、工具链发展	AI 过度宣传、能力夸大、盲目部署

3.4.1 数据越多，隐私风险也越大

今天的 AI 系统大量依赖数据，尤其是语音、图像、行为数据、金融数据和健康数据。如果这些数据存储在云端数据库中，一旦数据库被攻击或泄露，数据可能被恶意复制、传播和长期滥用。

对于生理信号项目来说，这一点尤其重要。EEG、ECG、EMG、PPG、HRV、GSR / EDA 都可能反映人的身体状态、压力、疲劳、疼痛、情绪唤醒或健康状况。因此，这些数据不能被当成普通传感器数据随意上传、公开或共享。

Edge Impulse 的开发者服务条款中也明确包含使用限制和数据责任相关内容，例如不得上传违法、欺诈、歧视、未经明确同意使用他人数据等内容，并要求用户对其 Customer Data 的权利、授权和合法性负责。

3.4.2 算力越强，能源消耗也越值得关注

AI 的训练和部署需要计算资源。虽然芯片越来越强，单位计算效率也在提升，但社会对计算的需求增长更快。国际能源署 IEA 对 AI 与能源需求的分析中提到，数据中心用电预计在 2024 到 2030 年间快速增长，并可能到 2030 年接近全球总用电量的约 3%。

TinyML 的一个重要价值正好与此相关：并不是所有推理都必须放在云端完成。对于简单、连续、实时的任务，把模型部署到 MCU 或边缘设备上，可以减少不必要的数据上传和云端计算压力。

但也不能简单说 TinyML 一定“更环保”。如果设备数量巨大，或者模型设计不合理、采样过高、无线通信过于频繁，同样会带来能耗问题。因此，TinyML 项目也需要考虑低功耗运行、合理采样率和模型轻量化。

3.4.3 算法越复杂，越需要解释性和审计能力

深度学习模型通常像一个黑箱。我们知道它在训练集或测试集上准确率很高，但很难完全解释它为什么做出某个判断。

在普通应用中，这可能只是“不够透明”。但在高风险场景中，这就非常关键。例如：

AI 医生判断 X 光片中可能存在疾病
贷款模型拒绝某个人的贷款申请
招聘模型筛掉某个候选人
生理信号模型判断用户处于疼痛或高压力状态

这类结果会影响人的健康、权利或机会，因此不能只给出一个结果，还需要解释模型依据、数据来源、误差范围和适用边界。欧盟可信 AI 指南也把透明性、可追踪性、可解释性和人类知情列为可信 AI 的关键要求之一。

3.4.4 AI 关注度越高，越容易出现过度宣传

AI 现在很热门，政府、大学、企业和媒体都在投入资源。这有利于技术发展，但也会带来一个问题：很多产品会夸大 AI 能力。

在 TinyML 领域，常见的过度宣传包括：

模型在小样本上准确率很高 → 宣称可以真实场景使用
实验室数据效果不错 → 宣称可以产品化
相关性明显 → 宣称可以诊断疾病
单一生理信号有变化 → 宣称可以准确识别情绪或疼痛

这些说法都需要谨慎。尤其是健康和生理信号项目，模型输出更适合被称为“状态估计”“风险提示”或“辅助判断”，不能直接等同于医学诊断。

---

4. 什么是 Trustworthy AI，可信 AI？

本章提出一个重要概念：Trustworthy AI，可信 AI。

可以先从人与人之间的信任理解。我们为什么信任某个人？可能是因为：

他遵守道德
他有稳定的人格
他遵守法律
他尊重社会规范
他有同理心
他愿意承担责任

但是 AI 没有真正的人格、情绪和同理心。因此，要让人信任 AI，就不能依赖“它是好人”，而要依赖系统设计、法律约束、技术验证和责任机制。

欧盟可信 AI 指南提出，可信 AI 应在整个生命周期中满足三个组成部分：合法 Lawful、伦理 Ethical、稳健 Robust。

可以理解为：

Lawful：符合法律法规
Ethical：符合伦理原则和价值观
Robust：技术和社会层面都足够稳健

这对 TinyML 项目非常适用。一个部署到 MCU 上的模型，不是能跑起来就可以了，还需要考虑：

它采集的数据是否合法？
用户是否知情同意？
模型是否对不同人群公平？
设备是否足够安全？
模型是否容易被攻击？
出错后谁负责？

---

5. 欧盟可信 AI 七项关键要求

欧盟高层专家组发布的《Ethics Guidelines for Trustworthy AI》提出了七项关键要求，官方页面也列出了这些要求：人类主体性与监督、技术稳健性和安全、隐私和数据治理、透明性、多样性与公平、社会和环境福祉、问责机制。

序号	要求	通俗解释	在 TinyML 项目中的体现
1	Human agency and oversight 人类主体性与监督	人类应保留最终控制权	模型不能完全替代人的判断，特别是医疗和安全场景
2	Technical robustness and safety 技术稳健性与安全	系统要可靠、安全、可恢复	MCU 模型要测试误判、断电、异常输入和攻击风险
3	Privacy and data governance 隐私与数据治理	数据采集、存储、使用要合规	生理信号、语音、图像数据要获得同意并妥善保护
4	Transparency 透明性	系统能力和限制要说明清楚	不能只给用户一个黑箱结果，要说明模型适用范围
5	Diversity, non-discrimination and fairness 多样性、公平与非歧视	避免模型对某些群体不公平	训练数据要覆盖不同年龄、性别、体质、实验状态
6	Societal and environmental well-being 社会与环境福祉	AI 应对社会和环境有益	考虑低功耗、减少无意义计算和避免有害用途
7	Accountability 问责	出现问题时要知道谁负责	明确开发者、公司、使用者和部署方责任

这些要求不是只适用于大型 AI 系统。只要 TinyML 设备会影响人的健康、安全、隐私或权益，就应该参考这些原则。

---

6. Responsible AI Licenses，RAIL，是什么？

课程最后提到，由于 AI 可能被用于有害目的，很多公司和社区开始通过 End User License Agreement，EULA，或 Responsible AI Licenses，RAIL，来限制 AI 系统的使用范围。

RAIL 的基本思想是：不仅规定版权和知识产权，还规定模型、代码、服务或数据不能被用于某些有害用途。Responsible AI Licenses 官方说明中提到，RAIL 旨在让开发者限制 AI 技术的使用，以防止不负责任和有害的应用，并且包含行为用途限制条款。

可以这样理解：

传统开源许可证：
主要规定代码能不能复制、修改、分发、商用。

Responsible AI License：
除了代码使用权，还规定不能把 AI 用于歧视、伤害、欺骗、违法、滥用等场景。

RAIL 并不能解决所有伦理问题，但它提供了一种法律和社区规范工具，让开发者在发布 AI 模型、代码或服务时表达清楚：哪些使用是允许的，哪些使用是不允许的。

Edge Impulse / Qualcomm 的 Responsible AI License 中也包含禁止或高风险用途相关条款，例如涉及犯罪预测、伤害他人、散布虚假信息、生成可用于伤害个人的可识别信息、冒充他人、全自动影响个人法律权利的决策、社会评分、基于受保护特征歧视，以及某些生物识别和情绪识别场景等。

---

7. 本章案例复盘：语音南瓜为什么失败？

项目	内容
案例目标	做一个能识别 “trick or treat” 的万圣节语音激活南瓜
使用数据	成年男性和成年女性说出关键词
目标用户	上门要糖果的儿童
失败原因	训练数据没有覆盖目标用户的声音
暴露问题	数据偏差、样本代表性不足、模型泛化能力差
对 TinyML 的启发	采集数据时必须覆盖真实使用场景和目标人群
对生理信号项目的启发	不能只采集少数人的生理数据就宣称模型适用于所有人

这个案例可以总结成一句话：

模型不是只学习“任务本身”，它学习的是训练数据中的任务表现。
如果训练数据偏了，模型也会偏。

对于你的生理信号 TinyML 项目，这一点尤其重要。例如，如果 GSR / EDA 疼痛监测只采集少数被试者的数据，或者只采集某一种运动、某一种疼痛强度、某一种佩戴方式下的数据，模型就可能只适用于这个小范围场景。

---

8. 关键概念解释

概念	通俗解释	技术解释	在本章中的作用
Bias 偏差	模型偏向某些人或场景	数据、标签或算法导致模型输出系统性不公平或不准确	解释语音南瓜失败的根本原因
Data Privacy 数据隐私	数据不能被随便使用	个人数据采集、存储、处理和共享需要保护和授权	对语音、图像、生理信号项目非常重要
Data Integrity 数据完整性	数据不能被篡改或污染	数据应保持准确、完整、可追踪	影响训练质量和模型可信度
Black Box 黑箱	看不清模型怎么判断	模型内部决策过程难以解释	影响医疗、金融等高风险场景使用
Fairness 公平性	不应对某些群体更差	模型在不同群体中应保持合理表现	防止数据偏差造成歧视
Robustness 稳健性	换场景也能可靠运行	模型对噪声、攻击、异常输入保持稳定	MCU 真实部署必须考虑
Trustworthy AI 可信 AI	让人可以放心使用的 AI	合法、伦理、稳健的 AI 系统	本章核心框架
Accountability 问责	出问题要知道谁负责	明确开发者、公司、用户、部署方责任	产品化和医疗健康项目必须考虑
RAIL	负责任 AI 许可证	通过许可证限制 AI 有害用途	约束模型、代码、服务的使用边界
Human oversight 人类监督	人不能完全退出决策	高风险场景中保留人工复核或干预	医疗、生理信号和安全系统尤其重要

---

9. 与生理信号监测 TinyML 项目的联系

9.1 共性：生理信号项目天然涉及隐私和伦理

EEG、ECG、EMG、PPG、HRV、GSR / EDA 都不是普通传感器数据。它们可能反映人的身体状态、精神压力、疲劳程度、疼痛反应、情绪唤醒或健康风险。

因此，生理信号 TinyML 项目必须关注：

知情同意
数据匿名化
受试者编号管理
数据安全存储
采集范围最小化
标签可靠性
模型公平性
结果解释
医学边界
部署责任

尤其是疼痛、疲劳、情绪识别这类任务，模型输出应被描述为“辅助估计”或“状态识别结果”，不能直接包装成医学诊断。

9.2 不同生理信号的伦理风险差异

信号	可能涉及的伦理风险	TinyML 项目中的注意点
EEG	可能涉及注意力、疲劳、睡眠、认知状态	避免夸大“读脑”能力，明确模型只能识别特定实验条件下的信号模式
ECG	可能涉及心脏健康和心律异常	不能直接替代医生诊断，异常检测结果要谨慎表达
EMG	可能涉及动作能力、康复状态、肌肉疲劳	注意康复评估和运动能力数据的隐私
PPG	可能涉及心率、血氧、疲劳和压力	运动干扰明显，不能把低质量数据输出包装成准确健康判断
HRV	可能涉及压力、自主神经状态和疲劳	HRV 个体差异大，窗口长度和算法选择会显著影响结果
GSR / EDA	可能涉及情绪唤醒、压力、疼痛反应	皮肤电受汗液、温度、紧张和电极接触影响，不能简单等同于疼痛或情绪

9.3 数据偏差在生理信号项目中会如何出现？

语音南瓜的偏差来自“没有儿童声音”。生理信号项目中也可能出现类似问题：

偏差来源	举例	后果
被试者偏差	只采集年轻男性	模型不一定适合女性、老人或不同体质人群
场景偏差	只在安静环境采集	真实运动或日常佩戴时效果下降
标签偏差	评分不稳定	模型学习到错误标签
设备偏差	只用一种传感器或电极	换设备后数据分布变化
佩戴偏差	电极位置不同	信号幅值和噪声变化
时间偏差	只采集短时间数据	长时间佩戴后生理信号变化影响模型

9.4 对 EEG、ECG、EMG、PPG、HRV、GSR / EDA 的共同开发建议

这些生理信号虽然不同，但从负责任 TinyML 的角度，都应该遵循类似流程：

明确任务边界
→ 获得知情同意
→ 采集多样化数据
→ 记录受试者和实验信息
→ 避免上传可识别个人身份的数据
→ 进行训练集 / 验证集 / 测试集划分
→ 分析不同人群和不同场景下的表现
→ 保留人类监督和人工复核
→ 明确模型不能替代医学诊断
→ 部署前检查平台许可证和使用条款

如果使用 Edge Impulse 进行训练和部署，还需要认真阅读其服务条款、隐私条款和 Responsible AI License，特别是在涉及健康、生理信号、可穿戴设备和潜在高风险应用时。Edge Impulse 的条款中要求用户遵守其 RAIL，并说明如果知道或合理怀疑某些用途被 RAIL 禁止，需要通知并与平台方审查；武器相关用途被明确禁止。

---

10. 主控平台迁移分析：伦理不只发生在云端

很多人会以为伦理问题主要发生在云端大模型中，但 TinyML 设备同样需要考虑。因为模型一旦部署到 MCU，就可能在本地实时影响设备行为。

主控平台	常见优势	与伦理和安全相关的注意点
ESP32 / ESP32-S3	Wi-Fi / BLE 方便，适合快速联网和原型开发	无线传输生理数据时要考虑隐私、安全和加密
Nordic nRF52 / nRF53	BLE 低功耗，适合可穿戴设备	适合减少云端上传，但仍需保护蓝牙通信和本地数据
Arduino Nano 33 BLE Sense	入门简单，适合语音 / IMU TinyML 教学	教学项目也要注意不要上传隐私音频或个人数据
STM32	实时性和工业部署能力强	医疗和工业场景中要重视可靠性、故障处理和责任边界
RP2040 / Raspberry Pi Pico	成本低，适合基础实验	安全机制较弱，适合教学验证，不应直接用于高风险健康判断
Edge Impulse 支持开发板	便于快速部署模型	平台使用条款和 Responsible AI License 需要提前确认

对生理信号项目来说，端侧推理有一个重要优点：可以减少原始生理数据上传，降低隐私风险。但端侧部署也有新的要求：设备本地存储、蓝牙通信、模型误判、固件更新、用户提示和安全关闭机制都要设计清楚。

---

11. 本章内容对未来项目的启发

11.1 疼痛监测

GSR / EDA 疼痛监测不能只依赖一个人的数据，也不能只看模型准确率。疼痛是高度主观的体验，NRS / VAS / McGill 等标签本身也存在个体差异。模型输出应被描述为“疼痛相关生理反应识别”或“疼痛评分辅助估计”，而不是直接宣称能够准确诊断疼痛。

11.2 情绪识别

GSR / EDA、HRV、PPG、EEG 可以用于情绪相关研究，但情绪状态不能简单由单一信号直接决定。不同人对同一刺激的生理反应可能完全不同，因此模型必须明确实验条件、标签来源和适用范围。

11.3 疲劳检测

EEG、HRV、PPG、EMG 和 IMU 都可用于疲劳检测，但疲劳标签往往需要结合主观量表、任务表现和生理指标。只用单一信号训练模型容易产生误判。

11.4 运动状态识别

EMG + IMU 的运动识别与语音南瓜案例类似，关键是训练数据要覆盖真实用户和真实动作。如果只采集标准动作，模型可能无法识别真实使用中的动作变形和个体差异。

11.5 可穿戴生理信号监测

可穿戴设备需要长时间采集数据，因此必须重视数据最小化和隐私保护。能在本地完成判断的数据，就不一定要上传原始波形。TinyML 的低功耗和端侧推理价值在这里非常明显。

11.6 多模态生理信号融合

多模态融合可以提升鲁棒性，但也会增加隐私风险。GSR / EDA、PPG、HRV、EMG、IMU 等信号组合后，可能更容易推断用户状态，因此更需要匿名化、权限控制和明确用途边界。

---

12. 本章还不能解决的问题

本章主要讨论机器学习伦理和责任问题，还不能直接解决以下技术问题：

1. 如何设计医学级别的生理信号采集电路。

2. 如何验证 GSR / EDA、ECG、EMG、PPG、EEG 的采样质量。

3. 如何制定疼痛、压力、疲劳等标签的金标准。

4. 如何证明模型在不同人群中公平有效。

5. 如何量化模型偏差和误判风险。

6. 如何在 MCU 上实现安全存储和加密通信。

7. 如何设计人体实验伦理审批材料。

8. 如何判断一个生理信号 TinyML 项目是否属于医疗器械范畴。

9. 如何在产品中呈现模型不确定性和风险提示。

10. 如何处理模型误判后的责任归属。

---

13. 本章总结

本章最重要的收获是：机器学习项目不能只看功能是否实现，也不能只看模型准确率。语音激活南瓜的失败说明，训练数据如果没有覆盖目标用户，模型就会产生偏差；在更严肃的场景中，这种偏差可能导致歧视、误判或安全风险。可信 AI 要同时考虑合法性、伦理性和稳健性，尤其在生理信号、健康监测、可穿戴设备和 TinyML 部署中，更要关注隐私保护、数据代表性、模型解释性、人类监督和责任归属。对于 EEG、ECG、EMG、PPG、HRV、GSR / EDA 等生理信号 TinyML 项目，负责任的开发流程应该从数据采集阶段就开始，而不是等模型训练完成后再补伦理说明。

14. 参考资料

资料名称	类型	链接	与本章内容的关系
Ethics Guidelines for Trustworthy AI	官方指南	Ethics guidelines for trustworthy AI | Shaping Europe’s digital future	用于说明欧盟可信 AI 七项关键要求，官方页面说明该指南提出了 AI 系统应满足的 7 项关键要求。(欧洲数字战略)
Ethics Guidelines for Trustworthy AI — Publications Office of the EU	官方出版物	https://op.europa.eu/en/publication-detail/-/publication/d3988569-0434-11ea-8c1f-01aa75ed71a1	用于解释可信 AI 的三组成部分：合法、伦理、稳健。(Publications Office of the EU)
Responsible AI Licenses，RAIL	官方资料	Responsible AI Licenses (RAIL)	用于说明 RAIL 如何通过行为用途条款限制 AI 有害使用，RAIL 官方说明其目标是帮助开发者限制 AI 技术的不负责任和有害应用。(Responsible AI Licenses (RAIL))
Edge Impulse Developer Plan Terms of Service	官方条款	Developer Plan Terms of Service	用于说明 Edge Impulse 使用限制、数据责任和 RAIL 合规要求。(edgeimpulse.com)
Edge Impulse / Qualcomm Responsible AI License	官方许可证	https://www.edgeimpulse.com/legal/responsible-ai-license	用于说明禁止或高风险 AI 用途，例如伤害、歧视、虚假信息、犯罪预测等。(edgeimpulse.com)
Energy demand from AI — IEA	权威报告	Energy demand from AI – Energy and AI – Analysis - IEA	用于补充 AI 算力增长和数据中心能源消耗问题，IEA 预计全球数据中心用电到 2030 年约达 945 TWh。(IEA)
AI Act — European Commission	官方政策资料	AI Act | Shaping Europe’s digital future	用于说明 AI 监管正在围绕风险、信任和安全展开；欧盟页面称 AI Act 是首个 AI 法律框架。(欧洲数字战略)
Responsible AI Licenses: a practical tool for implementing trustworthy AI — OECD.AI	政策解读	https://oecd.ai/en/wonk/rails-licenses-trustworthy-ai	用于理解 RAIL 作为可信 AI 实践工具的作用，OECD.AI 说明 RAIL 可用于模型、源代码、应用服务和数据。(OECD.AI)
Behavioral Use Licensing for Responsible AI	学术论文	[2011.03116] Behavioral Use Licensing for Responsible AI	用于补充行为用途许可证如何为 AI 提供可执行的责任约束。(arXiv)
On the Standardization of Behavioral Use Clauses and Their Adoption for Responsible Licensing of AI	学术论文	[2402.05979] On the Standardization of Behavioral Use Clauses and Their Adoption for Responsible Licensing of AI	用于说明负责任 AI 许可证的采用、标准化和适应问题。(arXiv)
Trustworthy AI: A Computational Perspective	综述论文	[2107.06641] Trustworthy AI: A Computational Perspective	用于扩展可信 AI 在安全、公平、可解释、隐私、问责和环境方面的技术视角。(arXiv)