NE，对技术和社会感兴趣的人的开拓性文本，是梅尔文克兰萨伯格的《技术六定律》，其中第一条说：“技术没有好坏之分；也不是中立的。”这样，Krans说，技术与社会的互动是“技术发展往往会带来环境、社会和人的后果，这些后果远远超出了技术设备和实践本身的直接目的，同样的技术引入后可能会产生完全不同的结果。在不同的背景下或在不同的情况下”。
车吧的说法是“技术有好有坏；这完全取决于如何使用它。这是技术传播者定期部署的策略，可用于停止对话。因此，使用克兰斯定律更好的方法是问一个简单的拉丁语问题：Cuibono？谁从任何提议或宣传的技术中受益？含蓄地说，谁输了？
借助任何一种通用技术( 已经成为这种技术)，答案都会变得复杂：各行各业、社会、部门甚至各大洲都输了，那么最后的问题归结为：谁受益？大多数？对于整个 来说，现在说还为时过早。然而，当我们专注于特定的数字技术时，事情会变得更加清晰。
一个典型的例子叫做“机器学习”，人工智能的一个表现就是德国名字JOURS，痴迷于高科技。它实际上是“训练”大数据(即巨大数据集)的算法组合。原则上，任何有计算能力并能使用TensorFlow等自由软件工具的人都可以进行机器学习。但事实上，他们不能，因为他们不能访问训练算法所需的海量数据。
这意味着，进行大部分领先机器学习研究的机构都是少数科技巨头，尤其是谷歌、脸书和亚马逊，它们在过去二十年中积累了巨大的行为数据孤岛。既然他们已经成为技术的领导者，克兰兹伯格的问题——谁受益？很容易回答：他们愿意。如今，机器学习驱动着这些业务的一切——服务、推荐、定向广告、行为预测的“个性化”.对他们来说，人工智能(通常称为机器学习)无处不在。这使他们成为资本主义历史上最赚钱的企业。
因此，目前主要是为了私有化的利益而部署具有巨大潜力的强大技术。在这个过程中，它的特点是不受控制的过早部署、算法偏差、日益加剧的不平等、破坏民主进程和将秘密监视提高到有毒水平。上周，领先的生物学杂志《细胞》 (Cell)上的一篇报道生动地证明，没有必要进行这样一个非凡的项目，它利用了机器学习的公共(相对于私人)兴趣。研究人员利用这项技术解决了细菌对常规抗生素的耐药性问题——这一问题在全球范围内急剧上升，并预测到2050年，耐药感染每年可能造成1000万人死亡。
麻省理工学院和哈佛大学的一组研究人员建立了一个神经网络(一种受大脑结构启发的算法)并对其进行了训练，利用已知的2335个分子的数据集来寻找抑制大肠杆菌生长的分子，其中包括一个包含300种目前批准的抗生素和800种来自植物、动物和微生物的天然产物的库。然后，他们要求网络预测哪种抗大肠杆菌有效，但它看起来与传统抗生素不同。这产生了100名身体测试的候选人，并导致一名(以2001年HAL 9000计算机“太空漫游”命名为“halicin”)对许多病原体具有活性——尤其是其中两种病原体对目前的抗生素完全耐药，因此这对世界各地的医院来说是一个迫在眉睫的噩梦。
标签：