我们需要基于福祉的AI积极愿景

我们正处在一个AI迅速发展的时代，从自然对话到图像生成、代码编写、哲学辩论，AI的能力令人惊叹。然而，AI对社会的影响是复杂的，如何确保AI造福人类成为关键问题。本文提出，答案在于将AI的发展根植于人类福祉（wellbeing）之上。

福祉的复杂性可被接纳

福祉的定义虽无共识，但诸多研究指出了共同要素：支持性亲密关系、有意义且投入的工作、成长与成就感、积极情感体验。此外，长期的福祉还需依赖教育、政府、市场等社会基础设施。AI应致力于提升这些要素，而非仅追求利润或参与度。

亟需基于福祉的积极愿景

技术变革常超乎预期，AI的冲击将超越社交媒体。我们不能再仅停留在“减少危害”，而要主动设想并构建AI赋能下的美好世界：例如AI复兴教育、改善民主、促进有意义的人际联结。这种愿景需要想象力、现实性与技术可行性的结合。

从理解到行动：四个关键方向

1. 明确目标：通过跨学科对话探讨“何为美好生活”，并设计具体场景（如AI在恋爱、教育中的应用）。
2. 测量影响：建立从能力、行为到使用、影响的多层测量体系，例如评估AI对自主性的影响。
3. 训练模型：在预训练、微调和对齐阶段注入福祉相关数据，使模型理解并支持人类福祉。
4. 部署应用：积极打造直接促进福祉的AI产品，如心理健康辅导、新型社交网络，同时警惕风险。

平衡理想与现实

文章承认测量与优化的局限性，但主张以务实态度推进：采用多元指标、避免单一目标、随时修正。最终，AI应当服务于人类“值得活的一生”，这既是技术目标，也是道德责任。

详细论述

在更广阔的视角中，福祉不仅关乎个体，也依赖于健康的社会机构。教育、政府、市场等机构在AI时代需要重新构想。例如，生成式AI可以通过个性化导师丰富教育体验，通过分析政治家言行增强问责，或者通过促进科研合作加速发现。但这一切需要谨慎：AI必须尊重文化多样性，避免单一指标压制地方语境。

测量方面，文章提出一个分类框架，涵盖AI能力、行为、使用和影响。以自主性为例，从模型能力（理解用户意图）到行为（苏格拉底式对话），再到实际使用（辅助而非替代），最终影响（用户感到赋能）。这种分层测量有助于系统性地改进AI。

训练阶段同样关键。在预训练中融入心理健康、人生抉择等内容；在微调中聚焦专家示例；在对齐中结合长期福祉的代理指标（如亲密关系质量）。文章呼吁建立反馈循环，使评估结果指导模型迭代。

最后，部署需要勇气与智慧。像Replika这样的人工亲密关系应用既有风险也蕴含机遇，关键在于设计时以用户长期福祉为中心。通过深思熟虑的正面案例，我们可以为AI设立新标准，推动整个行业向更人性化的方向发展。