上午十点，林风在办公室整理项目排期表。
入驻几天了，办公桌上多了一盆绿植。窗台上还是空的。今天的工作安排本来很常规——几个项目的进度需要更新，几封邮件需要回復。
手机亮了，是苏晚。
“推荐个项目，做ai情绪识別的，想融资。技术上有些特点，但遇到合规问题，被几个投资方连续拒投。团队技术底子不错，就是对伦理合规这套东西不太熟，需要有人帮他们理清楚哪些能修正、哪些是红线。”
林风把手机换到另一只手上。ai情绪识別。这个方向他知道一点——近年来有不少团队在做，应用场景听起来都很宏大，但真正跑出来的不多。不仅仅是技术原因，伦理这关也比较复杂。
“材料发我。”
“已经发了。”
源创这个平台讲究通过协作网络做事，乐於把项目推荐出来，收10%-30%管理费。也就是说，源创推荐给林风，林风的公司赚到20万服务费的话，源创收2-6万，具体一事一议。看起来不多，但利益、双贏是激活协作网络的关键。真正有价值的是协作网络。
常在技术转移圈子活动的朋友都知道，联盟、协作网络各个区域都有，但往往仅仅是一年一度的活动。究其原因，真实世界的业务才是关键。
“先看材料。”
项目材料比预想的厚。
创始团队来自某高校ai实验室，核心算法基於深度学习，通过微表情和语音特徵判断情绪状態。技术白皮书写得很扎实，识別准確率的数据也有第三方测试背书。问题出在测试报告的附页——算法在几个特定人群样本上的误差率偏高。报告措辞审慎，但结论指向明確：训练数据分布不均衡，导致模型在某些特徵上存在系统性偏差。
林风翻完材料，靠在椅背上。
“小欧。”意识里面幻想
“在。”or的声音在意识中响起，平稳如常。
“刚才看的那份材料，帮我理一下。”
几秒后，or开始逐条梳理。“基於现有信息，该项目的伦理风险集中在三个层面。第一，算法偏差——训练数据分布不均衡，导致模型在某些人群样本上误差率偏高。技术层面可修正，已梳理三种修正路径。第二，训练数据来源——部分数据涉及隱私合规问题，需补授权或重新採集。第三，应用场景——金融风控和教育辅助属於现行政策规定的高风险领域，需专家覆核后方可实施。”
她同时列出了相关政策文件的关键条款，標註了各应用场景的风险等级。
林风將这些要点记在笔记本上，又翻了一遍or梳理的政策条款。她给的框架很清晰——偏差来源、修正路径、合规边界，每一条都对应著具体的政策依据或技术事实。
【记住全网最快小説站 读小说选 101 看书网，101??????.??????超省心 】
…………
下午三点，项目方创始人登门。
姓周，三十出头，原高校副教授，说话语速快，带著学者特有的那种较真。进门第一句话不是寒暄，是：“我知道我的算法有偏差，我能修正。但投资人一听『偏差』『合规』几个字，就不往下听了。”
林风给他倒了杯水。周教授接过去没喝，放在桌上，继续讲。
他讲了自己怎么从微表情研究转向情绪识別，怎么花了两年搭建训练数据集，怎么在第三年发现数据分布有问题——然后怎么被三个投资方连续拒绝。第一家说“方向太敏感”，第二家说“政策不明朗”，第三家说“你们技术有硬伤”。
“偏差不是硬伤。”周教授说这话时语速更快了，“是训练数据的问题，可以修正。我给他们看了修正方案，他们不看。他们说ai伦理是大趋势，然后就把门关上了。我说我知道是大趋势，但我的算法是可以修正的——他们不听。”
林风等他说完。
“周老师，偏差的来源你清楚吗？”
“训练数据不均衡。我们的数据集在某些群体上的样本量不够，导致模型对这些群体的情绪特徵擬合不足。这个问题是可控的。”
“修正周期多长？”
“三个月。重新採集数据、调整训练权重、重新验证。我们做过模擬，修正后各群体间的误差率可以拉到业內认可范围內。”
林风在笔记本上记了一笔。然后把or梳理的技术事实和政策边界逐一说明。
偏差来源可以技术修正，修正路径已有三种方案，每种方案的周期和成本不同。训练数据合规问题需要补授权或重建数据集，具体取决於原始数据的来源方式——如果是公开数据集，需要追溯授权条款；如果是自行採集，需要確认当时的知情同意范围是否覆盖情绪识別这个场景。应用场景中，金融风控和教育辅助属於高风险领域，按现行政策需相关覆核后方可实施。
本章未完，点击下一页继续阅读。