用科学包装偏见，AI时代的颅相学

当AI被要求生成"医生"的图像时，100次里94次是白人男性时，这不是技术问题，是偏见的历史重复上演。

颅相学用颅骨形状判断性格（科学包装），算法用训练数据判断信用：包装换了，偏见没变。

真正的问题不是"算法公不公平"，而是"谁有权定义什么是客观"。

AI生成"医生"图像：100次中94次是白人男性

AI生成"医生"图像：100次中94次是白人男性

COMPAS的数据很直观：

• 黑人被预测为高风险的比例：45%（白人23%）
• 实际再犯被错误标记的比例：黑人47%、白人25%
• 被标记为低风险但实际再犯的比例：黑人28%、白人48%

作为一款在美国司法系统中广泛使用的人工智能风险评估软件，COMPAS对黑人有明显的歧视性预测。

系统开发方的辩解是：预测的是"相似人群的平均再犯率"，不考虑种族。

实际上系统使用的变量（如邮编）与种族高度相关，所谓的"客观"实际上是复制了历史上的歧视。

历史总是这么相似

用"科学"包装偏见

历史上，有典型的三次用"科学"包装偏见：

• 19世纪颅相学：用颅骨形状判断性格，声称依据是客观的生理特征，实质是种族歧视
• 20世纪优生学：用基因遗传决定命运，声称依据是客观的遗传学，实质是优生歧视
• 21世纪算法偏见：用训练数据判断信用，声称依据是客观的数据，实质是用历史偏见继续歧视

历史三角：从颅相学到算法偏见

历史三角：从颅相学到算法偏见

每一次"科学化"的歧视都声称自己是客观的，而批评它的人仿佛是在批评科学本身。

当质疑算法仿佛是质疑科学，科学就变得不可挑战。

这个逻辑的精妙之处在于：它把对偏见的批评变成了对科学的攻击，从而让任何对算法的质疑都显得像是在反对科学进步。

算法偏见

算法偏见不是单一环节的问题，它在三个层面同时发生：

算法偏见三层复制：数据、设计、应用

算法偏见三层复制：数据、设计、应用

数据：训练数据来自人类社会，而人类社会是有偏见的。历史数据反映了数十年的歧视性做法。互联网数据放大了既有偏见。

设计：谁在设计算法？多为白人男性。设计者的无意识偏见进入系统。"标准用户"默认为某一群体。

应用：算法输出被当作"客观事实"使用。质疑算法输出=质疑数据=质疑科学。偏见被自动化和规模化。

2026年NYU Abu Dhabi的研究做了一个实验：要求AI生成"医生"图像，94%是白人男性；要求AI生成"罪犯"图像，结果更多是黑人男性。

研究人员认为："AI图像生成器训练于互联网上的照片。互联网包含了数十年来谁在什么角色中被拍照的照片。哪些面孔出现在哪些背景中。哪些身体被放在权威位置，哪些被放在可疑位置。"

换句话说，AI不是偏见的发明者，它只是偏见的超级放大器

为何算法偏见难以挑战

原因有几个：

科学包装：声称基于数据，有"客观"光环。普通人很难质疑一个声称"我们只是用了数据"的系统。

规模放大：一次偏见影响数百万人。传统偏见影响范围有限，而算法偏见一旦规模化，后果呈指数级放大。

难以追溯：决策链条不透明。当一个贷款申请被拒绝，用户很难知道是因为信用评分、邮编还是其他什么变量。

法律模糊：反歧视法未明确覆盖算法决策。法律是在算法时代之前制定的，它假设决策是由人做出的，而不是由模型做出的。

还有一个更隐蔽的问题：循环论证。

循环论证：算法=客观=数据=偏见现实=客观现实

循环论证：算法=客观=数据=偏见现实=客观现实

算法输出偏见结果
    ↓
算法是基于数据的
    ↓
数据来自历史记录
    ↓
历史记录反映偏见现实
    ↓
偏见现实 = 客观现实
    ↓
算法输出 = 客观事实
    ↓
验证算法偏见的方式：看是否反映"现实"
    ↓
但"现实"本身就是偏见的结果

这是一个自我验证的闭环。一旦你接受了"算法是客观的因为它基于数据"这个前提，你就无法通过引用数据来批评算法，因为数据本身被认为是客观的。

数据素养#人工智能教育

空白区域

当前的治理框架包括：EU AI Act要求高风险AI进行偏见评估；美国EEOC扩展反歧视法覆盖算法决策；Alan Turing Institute提供AI公平性评估与缓解课程。

技术解决方案包括：偏见影响评估（在部署前评估潜在偏见）、公平性约束（在算法中添加公平性约束条件，重新平衡训练数据）、包容性生成（允许用户指定种族和性别分布）。

但治理空白依然明显：缺乏独立的跨国监督机构、反歧视法未明确覆盖AI决策、算法透明度与商业机密冲突、追责机制不明确。

责任分散是这个问题的核心。

责任分散：每个人都在推卸，没人站出来

责任分散：每个人都在推卸，没人站出来

每个角色都可以推卸责任：

数据科学家说"我只是用了可用的数据"，公司说"系统是基于统计的"，开发者说"我没有设计偏见"，用户说"这是算法的决策，不是我"。

当每个人都不用负责，实际上就是没有人负责

破局？

打破这个循环需要的不是更好的算法，而是对"客观"概念的重新审视。

当算法声称自己是客观的时候，它实际上在声称：它反映了数据所代表的现实。但如果数据本身是偏见的历史产物，那么"反映数据"就等于"复制偏见"。

真正的客观性不是"不加批判地使用可获得的数据"，而是"主动识别和纠正数据中的偏见"。

这需要人的判断，而不是纯粹的计算。

问题是：在"算法比人更客观"的叙事下，谁会站出来说数据是偏见的？

参考

[1] ProPublica - 机器偏见调查 — 2016-05

[2] NYU Abu Dhabi - AI生成面孔研究 — 2026

[3] KFF - AI健康错误信息报告 — 2026