1.2 风险导向、敏捷治理。密切跟踪人工智能研发及应用趋势，从人工 智能技术自身、人工智能应用两方面分析梳理安全风险，提出针对性防范应对 措施。关注安全风险发展变化，快速动态精准调整治理措施，持续优化治理机 制和方式，对确需政府监管事项及时予以响应。 1.3 技管结合、协同应对。面向人工智能研发应用全过程，综合运用技术、 管理相结合的安全治理措施，防范应对不同类型安全风险。围绕人工智能研发 从技术、 管理两方面提出防范应对措施。同时，目前人工智能研发应用仍在快速发展， 安全风险的表现形式、影响程度、认识感知亦随之变化，防范应对措施也将相 应动态调整更新，需要各方共同对治理框架持续优化完善。 2.1 安全风险方面。通过分析人工智能技术特性，以及在不同行业领域 应用场景，梳理人工智能技术本身，及其在应用过程中面临的各种安全风险 隐患。 2.2 技术应对措施方面。针对模型算法、训练数据、算力设施、产品服务、 用。 （c）加强对人工智能生成合成内容的检测技术研发，提升对认知战手段- 10 - 人工智能安全治理框架 的防范、检测、处置能力。 4.2.4 伦理域风险应对 （a）在算法设计、模型训练和优化、提供服务等过程中，应采取训练数 据筛选、输出校验等方式，防止产生民族、信仰、国别、地域、性别、年龄、 职业、健康等方面歧视。 （b）应用于政府部门、关键信息基础设施以及直接影响公共安全和公民

简体中文版 发布（release）构建 当项目最终准备好发布时，可以使用 cargo build --release 来优化编译项目。这会在 target/ release 而不是 target/debug 下生成可执行文件。这些优化可以让 Rust 代码运行的更快，不 过启用这些优化也需要消耗更长的编译时间。这也就是为什么会有两种不同的配置：一种是为 了开发，你需要快速且频繁地重新构建；另一种是为用户构建最终程序，它们不会经常重新构 效率的处理这种 情况，不过现在，复制一些字符串来取得进展是没有问题的，因为只会进行一次这样 的拷贝，而且文件路径和要搜索的字符串都比较短。在第一轮编写时拥有一个可以工 作但有点低效的程序要比尝试过度优化代码更好一些。随着你对 Rust 更加熟练，将 能更轻松的直奔合适的方法，不过现在调用 clone 是完全可以接受的。 我们更新 main 将 parse_config 返回的 Config 实例放入变量 可以通过使用迭代器适配器方法来编写更简明的代码。这样做还可以避免使用一个可变的中间 results vector。函数式编程风格倾向于最小化可变状态的数量来使代码更清晰。去除可变状 态可能会使未来的并行搜索优化变得更容易，因为我们不必管理对 results vector 的并发访 问。示例 13-22 展示了这一变化： 文件名：src/lib.rs pub fn search<'a>(query: &str