# 可信人工智能课程：ESSAI'26 夏季学校技术解读

> 赫尔辛基大学 Indrė Žliobaitė 教授将在 ESSAI'26 欧洲人工智能暑期学校讲授可信人工智能课程，涵盖可解释性、公平性和因果机器学习等核心技术议题。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-06-15T10:17:14.000Z
- 最近活动: 2026-06-15T10:20:18.775Z
- 热度: 143.9
- 关键词: 可信人工智能, 可解释AI, 公平性机器学习, 因果推断, AI伦理, ESSAI, 机器学习课程, AI监管, 跨学科AI
- 页面链接: https://www.zingnex.cn/forum/thread/essai-26
- Canonical: https://www.zingnex.cn/forum/thread/essai-26
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：zliobaite
- 来源平台：github
- 原始标题：trustworthyAI_course
- 原始链接：https://github.com/zliobaite/trustworthyAI_course
- 来源发布时间/更新时间：2026-06-15T10:17:14Z

## 原作者与来源\n\n- **原作者/维护者**: Indrė Žliobaitė 教授，赫尔辛基大学\n- **来源平台**: GitHub\n- **原始标题**: trustworthyAI_course\n- **原始链接**: https://github.com/zliobaite/trustworthyAI_course\n- **发布时间**: 2026年6月\n- **课程地点**: 欧洲人工智能暑期学校 (ESSAI'26)\n\n---\n\n## 课程背景与意义\n\n随着人工智能技术在社会各领域的广泛应用，可信人工智能（Trustworthy AI）已成为学术界和产业界共同关注的核心议题。2026年欧洲人工智能暑期学校（ESSAI'26）将开设一门专门探讨可信AI的课程，由赫尔辛基大学的 Indrė Žliobaitė 教授主讲。这门课程面向跨学科的早期职业研究者，旨在从技术角度解决AI在决策支持应用中面临的伦理挑战。\n\n可信人工智能不仅仅是技术问题，更是涉及社会公平、透明度和问责制的复杂议题。当AI系统被用于银行信贷审批、公共政策制定或医疗诊断时，我们必须确保这些系统是可解释的、公平的，并且不会加剧现有的社会偏见。\n\n---\n\n## 讲师背景\n\nIndrė Žliobaitė 教授是赫尔辛基大学计算机科学系的教授，在可信机器学习领域拥有超过五年的教学经验。她开发的硕士课程已在赫尔辛基大学连续开设多年，深受学生好评。她的研究兴趣涵盖公平性感知机器学习、可解释AI以及因果推断等领域，在顶级学术期刊和会议上发表了大量研究成果。\n\n---\n\n## 课程大纲详解\n\n### 第一讲：可信人工智能导论——可解释性与可理解性\n\n课程从基础概念出发，探讨什么是智能、当前AI是否真正具备智能，以及我们能否信任AI系统。讲师将介绍基于认证和声誉的AI系统信任机制，并通过银行等领域的详细案例研究，展示AI在决策支持中的实际应用。\n\n可解释性（Explainability）是可信AI的核心支柱之一。课程将区分黑盒模型与可解释模型，介绍算法层面的可解释性解决方案，并讨论在法律背景下对AI可解释性的要求。特别值得注意的是，课程提出了一个关键问题：我们是否总是需要可解释性？这引导学习者思考可解释性在不同应用场景中的必要性和成本。\n\n### 第二讲：公平性（一）——定义与历史\n\n公平性（Fairness）是可信AI的另一个关键维度。第二讲从公平性的定义和历史出发，将其与哲学中的公平概念相联系。课程通过"红线歧视"（Redlining）等历史案例，揭示AI决策中关于公平性的挑战和常见误解。\n\n讲师将使用简化的示例介绍如何计算和测量公平性指标，帮助学习者理解公平性在算法层面的数学表达。这一讲为后续更深入的公平性算法讨论奠定了基础。\n\n### 第三讲：公平性（二）——测量方法与算法解决方案\n\n第三讲延续公平性主题，深入探讨公平性测量的具体方法。讲师将在白板上详细演示不同公平性指标的计算过程，并揭示一个重要发现：不同的公平性测量方法之间可能存在矛盾。\n\n课程将介绍用于强制执行公平性的算法解决方案类型，包括预处理、处理中和后处理方法。特别重要的是，课程解释了为什么无偏见的计算过程仍可能导致歧视性的决策结果，并探讨了解决这一问题的可能路径。\n\n### 第四讲：因果推断与科学中的AI\n\n最后一讲聚焦于因果感知机器学习（Causal ML）和AI在科学研究中的应用。课程介绍因果性的定义、使用机器学习进行因果推理的条件，以及 Reichenbach 的共同原因原则。\n\n讲师将简要介绍 Do-演算（Do-calculus）并配以示例，然后探讨AI在科学研究中的挑战与机遇，特别是在数字人文学科中的应用案例。课程以一个气候变化的案例研究作为结尾：分析气候变化并预测未来80年的全球植被变化，展示AI如何助力科学发现。\n\n---\n\n## 目标受众与学习要求\n\n这门课程面向对机器学习和AI有一般兴趣的跨学科受众，特别是关注AI社会影响的早期职业研究者。课程将概念性内容与技术性内容相结合，但技术性内容会以通俗易懂的方式讲解，不需要正式的数学或计算背景。\n\n这种设计使得来自社会科学、人文科学、法律和政策研究等领域的研究者也能从中受益，促进跨学科对话和合作。\n\n---\n\n## 实际意义与行业启示\n\n可信人工智能课程的内容对当前AI产业具有重要指导意义：\n\n**监管合规**：随着欧盟AI法案等监管框架的实施，企业需要理解并实施可信AI原则以确保合规。\n\n**风险管理**：理解公平性和可解释性问题有助于企业识别和缓解AI系统带来的声誉和法律风险。\n\n**产品设计**：将可信AI原则融入产品设计流程，可以创造更受用户信任、更具社会责任感的AI产品。\n\n**跨部门协作**：课程培养的跨学科视角有助于技术团队与法律、伦理和社会科学团队的有效沟通。\n\n---\n\n## 结语\n\nESSAI'26 的可信人工智能课程代表了AI教育的重要方向——不仅教授技术能力，更培养对社会影响的深刻理解和责任感。随着AI系统在社会决策中扮演越来越重要的角色，理解和实施可信AI原则将成为每个AI从业者必备的核心素养。这门课程为希望在这一领域深入发展的研究者提供了宝贵的学习机会。