AI的伦理问题指人工智能发展和应用中涉及的道德准则与价值冲突，涵盖公平性、隐私、责任等多维度。与传统技术伦理不同，AI因自主决策能力和数据依赖性，可能放大偏见、威胁个人信息安全，并引发责任界定难题，例如算法歧视或自动化决策失误时的追责问题。
实际应用中，常见伦理争议包括招聘AI系统因训练数据偏见导致性别或种族歧视，如某平台算法优先推荐男性候选人；医疗AI在诊断时过度依赖历史数据，可能忽视少数群体病例，影响诊疗公平性。此外，深度伪造技术滥用导致的信息欺诈也属于典型伦理挑战。
AI伦理的优势在于推动技术向善，但面临全球监管差异、算法透明度不足等限制。未来需建立跨学科伦理框架，平衡创新与风险，例如通过“伦理影响评估”强制化、算法审计标准化，确保AI发展符合人类共同价值观。
开源模型指源代码公开可访问、允许修改和分发的AI模型，闭源模型则由企业或机构控制，仅提供API或产品访问，不公开核心代码和训练数据。区别在于开放性：开源模型支持社区协作优化，用户可审查安全性、自定义功能；闭源模型由开发方维护，用户依赖其提供的服务和更新，无法直接修改底层架构。 例如，Llama 2（Meta）作为开源模型，开发者可下载微调用于科研或商业产品；而GPT-4（OpenAI）是闭源模型
确保移动端与PC端数据一致指的是通过技术手段，使同一用户在不同设备（手机、电脑等）上访问同一系统或应用时，数据信息保持同步和统一。其核心是建立跨设备的数据共享机制，区别于单一设备内的数据存储，需解决网络传输、设备差异、用户身份识别等问题，确保数据更新实时、准确，避免出现信息错位或冲突。 常见实践包括采用云同步技术，如用户在PC端编辑的文档自动同步至云端，移动端打开即可查看最新版本；电商平台通过统
反映大模型推荐效果的指标主要分为相关性指标、用户行为指标和系统效能指标三类。相关性指标衡量推荐内容与用户需求的匹配度，如准确率（推荐内容被用户接受的比例）和NDCG（归一化折损累积增益，评估排序质量）；用户行为指标包括点击率、停留时长、转化率等，反映用户对推荐的实际反馈；系统效能指标则关注推荐系统的响应速度和资源消耗。这些指标不同于传统推荐系统，更强调语义理解和上下文连贯性。 在电商领域，平台通