这带来了许多伦理问题。“隐形”设备的问题在于，我们可能错过其运行的一些细节。尤其是如果它与一个智能设备有类似功能的话，我们可以假设它们以完全相同的方式工作。比如，我们已经讨论了智能设备能够实现微观和宏观目标的方式。然而，这并不一定是仅对你这个使用者有利的目标，哪怕你已经拥有了讨论中的智能设备。打个比方，保险公司已经流露出将联网智能设备作为优化安全保费手段的渴望。简而言之，如果你生活得比较健康和安全，你的保费就会下降。当前保险费率是基于年同比进行计算，为你的实际情况变化留下余地。使用智能设备，费率可以不断调整，保费会根据你最新的读数像股票价格一样上下波动。
大公司正在大力采用可穿戴设备，使之作为一种追踪员工的方式。英国石油公司（BP）已经为14 000名雇员免费配备了Fitbit公司的Zip活动记录仪，条件是他们同意公司查看他们所行的步数。英国石油公司员工称之为“百万步大挑战”。如果他们步行超过100万步，就可以获得降低保费的奖励。根据Fitbit统计，在类似的公司健康计划中，使用Fitbit设备的雇员比普通人多行走60%—80%。从某种程度而言，这对参与各方都有利。公司降低了雇员的保险成本，雇员变得更加健康，国家医疗保健费用也相应减少。医疗保健研究公司CDW的报告称，5年间，可穿戴技术可以使医院成本下降16%。
“泰勒主义”（Taylorism）是20世纪初工程师弗雷德里克·泰勒（Frederick Taylor）所倡导的一项运动。在泰勒1911年出版的极具影响力的著作《科学管理原理》（The Principles of Scientific Management）中，他提出了自己的信仰，即人类工作与思考的目的应该是提高效率。泰勒实施了各种研究，旨在教育雇员如何测量先前无法测量的工作，以提升他们的工作效率。比如，在他的“铲投科学”实验中，泰勒将一个工人一铲提取的最佳重量精确到21磅[2]。通过这么做，有效的铲投速度可以保持得更加持久。这恰恰就是当前智能设备可以轻易测量并反馈给老板的情况。亚马逊当前在自己的工厂里使用类似的技术，将手持式电脑配发给“成品合作者”（也称产品采集器），以记录他们完成单个订单的速度。泰勒的科学管理设想不只是支持雇主。他坚信，测量工作的能力也将与激励报酬齐头并进，因此生产力不足的低业绩员工不会获得和高业绩员工一样多的收入。尽管所有这些在理论上几近完美，但批评人士仍指出一个事实：科学管理同样降低了自主性，而且人工智能这个概念颇具讽刺意味，它对待人如同对待机器一样。
另外，如果我们设备的某些方面旨在完全为我们造福，我们可能比较幸运。2014年，《福布斯》杂志的两位作者披露，智能设备制造商Nest已经与电力公司达成交易，会为它们提供显示其用户习惯的数据。尽管这些数据是匿名的，而且只是汇总数据，但电力公司仍然能用这些数据控制我们家里的智能设备。为了减轻电网的荷载，电力公司可以要求Nest在炎热天气里关闭用户的空调。Nest与电力公司分享节约的成本，而用户什么也没有得到。随着时间的流逝，Nest与电力公司交易产生的收益将使其销售恒温器的收入额“相形见绌”。Nest的智能设备依然为其主人服务，但对于我们一直期待的智能设备而言，这只是不同的主人而已。
由于用户数据由智能设备采集并用于城市规划，因此可能面临诸多相关挑战。根据人工智能的采用方式，智慧城市不是变得越来越紧密，而是变得越来越分散。麻省理工学院计算机科学与人工智能实验室（CSAIL）创立的一项深度学习项目发现，通过查看图像，某一地区的犯罪率是可以预测的。除了整合如旧金山犯罪定位地图（San Francisco CrimeSpotting）等应用上的犯罪数据，深度神经网络还对400万张谷歌街景图片进行了训练。深度神经网络很少专注于具体图像所呈现的内容，而是主要专注于推理。项目创建者之一的阿迪亚·科斯拉（Aditya Khosla）对我说：“我们努力在做的是，使展示出的图片研究不只限于分析看到的景象。如果人工智能的目标是建造可以模仿人类智能的机器，那么拥有抽象思维能力明显就是第二步了。”就像上一章所提到的大多数应用软件一样，计算机科学与人工智能实验室的项目是深度学习运转中一个令人印象深刻的案例。但是人们对它的使用方式有着不同的诠释。比如，城市规划者可以利用神经网络查明城市各个部分的需求详情，如哪里需要投资，哪里需要建立医院或学校但不是现在建立（神经网络的另一个用途）。与此同时，汽车公司可以利用同样的技术自动控制车门来锁定你的汽车，或当你需要时为你提供一条备选路线。
如果考虑到了这么多，你就不会因为想把一些工作转交给一个你可以信任的数字实体或者智能助手而受到责备。
幸运的是，人工智能在提高这种能力上也有所帮助。
[1] 1英寸=2.54厘米。——编者注
[2] 1磅= 0.453 592 4公斤。——编者注