类型b

本文由Craig Johnson和Emad Mohamed共同撰写，两位作者均来自英国布拉德福德大学管理学院商业分析、循环经济与创业系。论文于2025年发表在期刊《Action Learning: Research and Practice》第22卷第1期，标题为《Responsible AI and Action Learning》，主题探讨行动学习（action learning）在推动负责任人工智能（Responsible AI）发展中的潜在作用。

主要观点一：人工智能发展的社会维度缺失现状
论文指出当前AI研究过度集中于技术和商业层面，其社会影响和伦理问题被严重忽视。作者引用Bostrom（2014）、Lee（2018）等学者的定义，阐明AI本质上是通过计算机实现人类认知功能（如推理、决策、创造力）的技术，但特别强调生成式AI（Generative AI，GenAI）与传统AI的区别：前者基于Transformer架构（Vaswani等2017），具备发散思维（divergent thinking）能力，可应用于创意生成等领域。通过ChatGPT用户60天内破亿的案例（Leonardi 2023），作者证实AI已引发社会级应用热潮，但监管框架仍滞后于技术发展。

主要观点二：行动学习对AI治理的互补价值
该研究提出行动学习可作为跨学科协作的方法论工具：
1. 促进多学科对话：基于Revans的学习公式L=P+Q（学习=程序性知识+质疑洞察），行动学习能整合哲学、法律、社会学等非技术学科视角。论文列举MIT等机构伦理委员会因缺乏多样性失败的案例（Le Bui & Noble 2020），反证跨学科对话的必要性。
2. 劳动力重塑：针对AI导致的就业极化（job polarization）现象（Frey & Osborne 2017），作者引用“任务侵蚀”（task encroachment）理论（Susskind 2020），提出通过行动学习进行技能重组。美国1300万社交媒体内容创作者的就业案例（Hund 2024）佐证了劳动力市场的动态性。
3. 伦理治理实践：通过医疗AI的三大失败案例（癌症误诊、哮喘优先级错判、老年患者数据偏差），实证纯技术团队开发的系统存在重大伦理风险，需引入医生、法律人士等组成行动学习组（action learning set）提前介入开发流程。

主要观点三：责任AI的三重实施框架
1. 法律合规层面：系统分析欧盟《AI法案》（European Commission 2024）的风险分级制度，强调禁止类AI（如决策操纵系统）需在2024年底前清除。相较美国NIST AI风险治理框架（Department of Commerce 2023），欧盟方案更具强制性。
2. 伦理原则层面：对比Asilomar原则（Future of Life Institute 2024）与Z-Inspection®等评估体系，指出现有框架多忽视就业影响。肯定罗尔斯·罗伊斯Aletheia框架（Rolls Royce 2024）首次纳入岗位流失评估的创新。
3. 技术实施层面：主张采用”人机协同”（human plus machine）模式（Wilson & Daugherty 2018），通过行动学习将伦理审查嵌入AI开发生命周期，并引用医疗诊断AI提升医生准确率的成功案例（Christian 2020）证明该模式可行性。

主要观点四：AI治理的“棘手问题”属性
作者引用Rittel和Webber（1973）的“棘手问题”（wicked problem）理论，指出AI治理具有目标模糊性、利益相关者冲突等特征。通过”钟摆理论”（Barley & Kunda 1992）分析管理思潮在效率导向（理论X）与人文导向间的摇摆，预言当前AI发展正滑向过度技术中心主义。提出”批判性行动学习”（critical action learning, Pedler & Hsu 2014）可培育对AI系统的批判性思维，避免陷入技术决定论陷阱。

论文价值与意义
1. 理论创新：首次系统构建行动学习与AI伦理的交叉研究框架，拓展了Revans行动学习理论在数字时代的应用边界。
2. 实践指导：为组织提供可操作的AI治理工具，特别是针对高风险AI系统的多利益方协作机制设计。
3. 政策参考：通过比较欧美监管路径，揭示法律强制与行业自律的平衡点，对后续AI立法的演进具有预警价值。

文中特别强调”阿马拉法则”（Amara’s Law）的警示作用——技术短期影响常被高估而长期影响被低估（Susskind 2020），主张以行动学习的持续反思机制应对AI发展的不确定性。这种将管理学研究方法与技术治理结合的跨学科视角，是其区别于纯技术或纯伦理讨论的核心特色。