范可，贵州民族大学社会学院特聘教授

摘要：人工智能是人类文明史上真正意义上的发明。此前称得上“革命”的发明，虽然都对人类社会影响深远，但都是开始于某些“偶然”发现。人工智能不是。它是人类数千年来的幻想、迷恋和实践尝试的结果。昨天的工作带来了今天的成就。尽管人工智能的成长也可能构成“对人类的生存威胁”，但其当下产生伦理困境和潜在的其他风险更是迫切的问题。如何理解人工智能，人类应该如何与人工智能互动，以及关于人工智能，人类学能做些什么？是本文的主要问题。

关键词：人工智能；人类学；算法；伦理；高科技现代主义；人机互动

一、问题的提出

人类文明的发展都建立在技术的发明之上，但发展和理性带来的并非总是光明的一面，也可以给人类带来前所未有的灾难。这应该是知识界总有人居安思危的原因。不管这是否杞人忧天，有人担心轰动性的现代科技成就可能有负面影响总不是坏事。今天，在人工智能领域，已有顶级学者对人工智能未来可能反噬人类表示担忧，解决这类问题非该领域专家所不能为。然而，人工智能已经带来的社会问题应该引起我们的关注。举例说，如果人工智能大规模取代人工，那么，作为传统生产力最重要要素的人，应该如何自处？当一个人在职场上没有任何位置，谁会给你发工资呢？ 在热议中国式现代化的当下，不能不关心这类问题。这类问题本质是如何正确处置人工智能，这又进一步涉及人类与科学技术如何互动的问题。

目前，国际社会人文学界关注人工智能者考虑的多是伦理方面的问题，如何规范和部署人工智能也就成为主要关怀。探讨如何更有效地在研究中运用人工智能技术也不少见，但社会关怀使这方面的讨论在国际社会科学界不占主流。人类学者更多地关注现代高科技发展如何影响社会文化以及政治经济的变迁，从而也对发展可能带来的负面效应保持警觉。因此，在“高科技现代主义”（High-Tech Modernism）的语境里，联系中国式现代化的问题，我们应该更多地关注人工智能与社会生活日常之间的关系。在许多方面，这些关系所涉及的多有伦理与道德上的问题，也关系到人类在人工智能时代的主体性问题。在以下的讨论中，本文首先扼要叙述人工智能在人类文明史上划时代的革命意义，及其研究和实践的沉浮，进而探索在人工智能日益普及的当下，人类学与之所应有概念性关系框架。在本文的后半部分论述人工智能的伦理问题，以及面对这些问题，人类学在哪些方面可以提供洞见。

二、“主动”与“被动”

技术发展不仅是文明史家，科学史家所关心的问题，人类学者也同样关心。但人类学的关心更多地出于对多样性的人类固有生活方式和文化的关怀。人类学家总是担心发展在给人类带来福祉的同时，是否会对人类多样性生存和文化方式带来消极影响，即便对看起来势不可挡的人工智能也做如此想。人工智能在人类文明史上已经占据极为重要的位置，它的出现和运用是一场革命，正如不久前谷歌CEO 皮查伊（Sundar Pichai）在一个访谈节目中所指出的那样：“人工智能是人类最深远的技术，意义将超越火与电，因为它可以自我迭代”。

虽然在人类学学说里，“革命”并非陌生，但就其严格意义而言，在文明史的意义上，唯柴尔德（Gordon Childe）“新石器革命”（Neolithic Revolution ）或“农业革命” (Agricultural Revolution ）最具人类学意义。柴尔德的革命之说基于新石器时代的农业发明。农业的发明之所以是一场革命乃在于随之而来的 “创新包”（innovation package），从而对人类的整体历史进程产生深远影响。发生在一万多年前的“新石器革命”是人类从食物搜寻者（food forager）转变成为食物生产者（food producer）的标志。因此，被认为是人类文明史上最重要的革命。而革命的意义就在于其激进和颠覆性，及其影响历史进程的后续作用。农业革命也是日后发生在人类生产生活领域所有“革命”或发明和创新的基础，而每一次的发明或创新，都是对人类认知边界的一种突破。

然而，在有关技术发展的大量叙述里，发明和创新都给人一种“被动”的印象。例如，在文明叙事里，驯化发生往往被解释为与一些“偶然性”的发现，如注意到的一些种子或果实可供食用的植物物种在相同地点有规律地反复出现，于是便尝试种植它们，于是有了植物的驯化；动物驯化也循此逻辑。狗的祖先狼最初可能随着狩猎采集人群移动，食用他们剩余带不走的猎物，而人们也习惯了它们的跟随并不时喂食，渐渐地，它们也就演化成为人类的伙伴。其他，如蒸汽机的问世、火和电的使用无不如此，都被认为是跟在一些“偶然”发现之后的发明。

如果上述各种发明的“被动”假设可以接受，那么，发明人工智能的特殊意义就在于因为它来自人类的“主动”追求；启动它的是人类自古以来对自身本质探索。这一对何以为人的探求，通过自古以来对“思考机器”（thinking machine）的迷恋和制作实践而得以体现。作为一项科学成就，人工智能也生成大量涂尔干意义上的“社会事实”（social facts）。社会事实指的是外在于个体的社会实践、规则、义务或者约束，这些都是结构性的。涂尔干认为，社会事实可以揭示普遍的社会规律。这些规律可以用来判断一个社会的福祉。

人工智能所引起的变化或正在发生的变化，已经开始成为这样的社会事实。它强烈地冲击着人类的认知边界，改变人类现有的职业形貌。正因为如此，才能如此强烈地引起学术界的关注。有些科学家，尤其是人工智能领域的科学家，或许对人工智能的理解更为透彻，较早地看到了人工智能潜在的风险。这些思考也是“关于人工智能，人类学能做些什么”应予考虑的问题。

三、“迷恋”与实践

研究人员主要从三方面寻找智能机器的线索以破解人工智能之谜：哲学和逻辑（抽象思考本身）、生命（研究包括人类在内的智能动物），以及工程学（研究制造的机器中的智能行为）。20世纪50年代，年轻的美国数学家约翰·麦卡锡（John McCarthy）因对《数学研究年鉴》的许多来稿感到失望，决定于次年夏天在他当时供职的达特茅斯学院举办一个工作坊。于是，在为工作坊做准备的手册中，人工智能被定义为一种研究，这种研究来自这样的推测，即“学习”（learning）的每一个方面, 或者智能的其他任何特征在原则上均能被精确地描述，从而可以据此制造模仿它的机器。这一定义包括了上述三方面的成分。人工智能自此成为计算机科学里的一个领域，聚焦于研究和创造各种能复制人类智能和解决问题能力的系统。通过吸收海量的数据进行处理，并学习它们的过去，使之顺畅和改善，而常规的计算机程序则需要人类的干预来处理程序错误或者漏洞。就此意义而言，人工智能意味着“人造人”(artificial human)。

（一）“迷恋”与“追梦”

虽然达特茅斯工作坊始有“人工智能”，但类似概念早在计算机时代之前便已存在。它甚至可以追溯到古代哲人对生与死的思考。从古希腊起，人类对想象和制造“思考机器”就有种超乎寻常的迷恋。纵观历史，人类一直在思考存在、意识和创造的本质，这些思考自然而然地催生了各种各样的神话和艺术。通过人工手段创造的智能生物在很多神话体系中都占据着重要的地位。

进入工业社会，大众媒体上的例子就更多了。其中，最有名者当属捷克作家卡雷尔·恰佩克 1921 年的科幻剧《罗素姆的万能机器人》（Rossum’s Universal Robots），这一作品首次出现了“机器人” 。恰佩克将之命名为“robot” ——捷克语“奴隶劳工”（slave labor）的意思。在恰佩克的剧作里，工厂生产了这些奴隶，它们起先对人类帮助很大，但最后却发动叛乱，消灭了人类。查佩克是否以此暗喻“机器人”未来将取代人类也未可知，但这种悲观预测今日早已不是空谷足音。无论如何，因为恰佩克，世界始有“机器人”之名, 也因为恰佩克，“机器人反叛”的叙事母题得以开启。同一时期的类似题材还有德国导演弗里茨·朗格（Fritz Lang）于1927年创作的表现主义电影《大都会》（Metropolis）。这些作品流行之余，也让构造人工智能的伦理困境和风险自此一直萦绕在人类心头，它们就像一面迷人的镜子，映照出我们自身的自主性、存在，以及作为创造者的角色定位等方面的挣扎。

（二）造梦成真

进入20世纪，人工智能的概念终于成为现实。数学理论和理解的进步，加上对理性和逻辑的正式研究——建立在古代到 20 世纪之交哲学家的工作基础上，计算机先驱始有“计算理论”。这种理解是由阿兰·图灵（Alan Turing）和阿隆佐·丘奇(Alonzo Church)发展起来的：机器只需使用一个具有代表性的符号系统就可以模拟任何数学推理。这一系统可以像两个单独的符号那么简单——例如“0”和“1”，它令人惊叹地将机器从“计算器”变成了真正意义上的“计算机”。机器不再仅仅完成算术过程，而且能够应用和理解复杂的规则系统。1950年，图灵发表了“图灵测试”(Turing Test) 的想法。这是对计算机智能的简单评估，旨在观察机器是否可以合理地欺骗人类，让人们相信机器也拥有人类智能。

在20世纪50年代，科学家们开始考虑是否可以制造出“罐子里的大脑” （brain in a jar ）。关于如何实现人工智能，渐渐形成了两个派别。“象征人工智能”(the Symbolic AI）学派试图在计算机语言中重建类似人类的逻辑过程和语义系统。另一种与此竞争的机器智能方法被称为“联结主义方法”（connectionist approach），它试图更紧密地模仿人脑的运作方式。联结主义学派力求创建行为类似大脑神经元网络的人工神经网络。这一学派后来逐渐占据上风。

（三）沉浮与复兴

达特茅斯工作坊迎来了人工智能研究的迅速发展。到了20世纪60年代，这一领域的许多科学家认为，成熟的人工智能机器的诞生指日可待。但到了20世纪70年代中期，许多技术和经费的限制严重阻碍了进步。1974年，美英两国政府出于预算考虑，不再资助人工智能研究，其后果便是“人工智能冬天”（the AI winter）的来临。尽管如此，计算机技术还是取得了显著进步，“专家系统”（expert system）便是进步的标志。专家系统是模仿真实人类专家的思维过程、逻辑和决策的计算机程序，采用“如果-那么”（if-then）规则来推理现有知识以解决问题，而不是传统的程序代码。专家系统在商业上的成功使人工智能得以复苏。到20世纪90年代后期，人工智能再次成为技术的宠儿。21世纪以来，人工智能更是在大数据、深度学习（deep learning）和云计算推动下迎来复兴和大爆发。

四、人机互动模式及人类学

与AI关系的三重透镜

虽然不断有能动者（agents）挑战认知和生活的边界，但人类对所痴迷之物的某种风险感几乎与生俱来。人类迷恋思考机器和进行各种的 “自动机”（automaton）的实践历史也是如此，对自身所构想的“造物”总是无法完全放心。这类担心与创造欲望的张力在各种有关的剧作、文学作品、神话，以及科幻小说中表露无遗。同时，这类作品常有人类为了挽救自身与他们自己创造出来的各种智能生命奋战的故事。很自然的，在设计、研发机器人和人工智能的同时，很早就对人机应该如何互动有一定之规。概而言之，机器不能赋权人类，而是人类赋权机器，这是人机互动不容颠覆的基本模式。

（一）人机互动模式不容颠覆

人机互动在此泛指人工智能与人的互动，亦即人与技术的互动。人是为主体，但机器不是，而且必须永远不是。美国科幻作家艾萨克·阿西莫夫（Isaac Asimov）于1942年出版了短篇小说《环舞》（Runaround）。阿西莫夫在书中提出机器人（Robot）三大法则（Three Laws of Robotic）：1. 机器人不得伤害人类或者坐视人类受到伤害；2. 机器人必须服从人类的命令，除非命令与第一法则发生冲突；3.在不违背第一或第二法则的前提下，机器人可以保护自己。阿西莫夫的三大法则激励了后来的机器人、计算机和人工智能领域的科学家，他在1985年又提出凌驾于三大法则之上的“第零法则”，即机器人不得伤害整体人类或者坐视人类受到伤害。

阿西莫夫是波士顿大学的物理学家，他的法则反映了科学家对“人造人”未来可能反噬人类的担忧。这样的担忧不是毫无道理。辛顿（Geoffrey Hinton）——这位被MIT人工智能科学家尤金·查尼雅克（Eugene Charniak）誉为“基于新的深度学习（new deep-learning）基础之上的人工智能教父”，近些年来就一直呼吁人们关注人工智能伤害人类的可能性。按照他的神经网络理论，人工智能体将产生自我意识。若如是，人类与人工智能的互动关系将彻底被颠覆。

因此，辛顿主张，应该让人工智能产生“母性本能”（maternal instincts）。前不久，在拉斯维加斯的一次业界会议接受采访时，辛顿说“如果它不想养育我，那就将取代我”（If it’s not going to parent me, it’s going to replace me）。他指出人工智能正在成为 “对人类生存的威胁”（existential threat to humanity），而解除这一威胁的办法不是强迫人工智能屈服于人类，而是应该将“母性本能”构建到人工智能模型中。这样，它们就会真正关心我们人类，因此不会想消灭我们。

前述对谷歌Alphabet的CEO桑达尔·皮查伊的访谈，也涉及这方面的问题，即：“AI末日概率”（P(Doom)）。“AI末日概率”的存在前提是AGI和ASI，前者即通用人工智能（Artificial General Intelligence），被定义为几乎在所有认知任务上都能匹敌或者超越人类能力的人工智能；后者则是人工超级智能（Artificial Super Intelligence），是AGI通过自我改进后达到的，远超人类的智能形态 。皮查伊认为，通用人工智能可能在2030年以后出现。此后，自我迭代速度加快，危险随之升高。

但与辛顿不同，皮查伊并不担心AI对人类生存的威胁，而是提供了一个独特的、基于社会动力学的乐观视角。他做了一个类比，即在一个大型组织中，如果你能统一所有人的动机和激励，几乎可以实现任何目标 。他认为，虽然统一全人类的目标极为困难，但如果AI的末日风险真的变得非常高且具体，它反而会促成一个强大的统一力量去对付它。他认为，这种威胁的真实性会激发人类前所未有的集体智慧和行动力去解决问题 。因此，他认为这里存在一个“自我调节”的机制。所以，对P(Doom)的情景，皮查伊感到乐观，但这并不意味着潜在的风险不高。 但没有AI的末日概率是多少呢？这是弗里德曼提出的另一个变量。气候变化、核战争、流行病等风险同样威胁着人类文明。人工智能或许不仅是风险，更是帮助我们解决这些复杂问题的关键工具 。皮查伊对此表示赞同，他认为在应对一些最棘手的全球性挑战时，拥有一个人工智能“伙伴”将大有裨益 。

人类学者也多有阿西莫夫式的担忧者。但在目前，人类学者的观察和思考就像霍布斯（Thomas Hobbs）在《利维坦》中所说的——“思考不过是侦察”（Thinking is but reconning）。换言之，“居安思危”不过是在侦察。于是，结合社会科学的理解，侦察包括了经验的方式，也包括了广泛和深入的思维活动，以及预警。对于具体的被侦察对象而言，当然包括与之相关的所有可能性。就此而言，人类学可以担当AI时代的侦察兵角色。

（二）人类学与AI 关系的概念性框架

人工智能在人类学领域主要涉及两个方面：

一是人工智能工具在人类学研究中的应用。概而言之，国际有些人类学家已经开始利用人工智能来提升研究方法和分析能力。他们运用人工智能处理大量数据——从生物人类学中的遗传信息到社会文化研究中的图像和文本——来识别传统方法可能忽略的模式和联系。在考古学方面，人工智能协助文物的分析与分类以及历史遗址的解读，带来对过去人类生活和行为的新见解；语言人类学通过运用人工智能工具可以分析语言数据和协助翻译，帮助研究和保护濒危语言。运用人工智能技术有助于推动公众参与，能帮助把复杂的研究成果转化为互动的、可视化的和沉浸式体验，使人类学知识更易被公众获取。

二是将人工智能作为人类文化现象的人类学研究。该领域提供了关键洞见，确保人工智能的开发和部署以人为本，且具备伦理性。人类学研究将人工智能作为人类文化产物，重点关注其发展和实施过程中的社会政治和伦理动态。人类学在识别、排除和纠正偏见上具有独特优势，能够识别并挑战嵌入人工智能系统中的隐性偏见，这些偏见往往反映了其创造者或训练数据（如种族、性别或阶级）的偏见；人类学提供的伦理框架倡导在人工智能开发中纳入多元文化视角，以确保技术具有文化敏感性，尊重人类价值观，并遵守知情同意、隐私和数据主权的原则。

人类学强调人工智能项目的开发、设计都应该以人为本，通过观察人工智能系统开发和部署的现实环境（民族志研究），人类学家可以倡导人工智能设计更直观、更有效，更符合真实的人类需求；人类学家研究人工智能如何影响人类行为、社交互动、文化身份和权力结构，并引发对就业流失、虚假信息和监控的担忧；人类学者重新思考“智能”，强调人类智能与我们的身体、情感及多样化的文化实践密不可分。本质上，人工智能既是人类学中强大的、全新的研究工具，也是理解人类未来、确保技术服务于公共利益的关键课题。

2022年6月，英国皇家人类学学会举办了一次线上研讨会，人工智能、未来主义（futurism）是这次会议的热点，涵盖了人工智能与新技术和人类学与未来的关系，涉及如下思考：人工智能的人类学（anthropology of AI）、未来人类学（anthropology of future）,以及人类学的实践中的人工智能（artificiail intelligency in the practice of anthropology）。与会人类学者提出了一些问题，如：人类学家应该“简单地”绘制出技术中的社会以及人与未来的关系，还是应该利用这些知识来塑造一个不断变化的世界？这里的关键在于，学科应该在知识生产的制度生态中站在什么立场上。那么，人工智能和相关技术可以为人类学实践本身提供什么？假设人类学家收集了大量信息，以便进行相关的自动分析。在这种情况下，人工智能如果仍然是一种旨在帮助人类的技术，那么它如何对民族志的语境意义产生敏感性？这是人工智能几乎无法证明其具有相关能力的最后一个领域，而只有身临其境者才能在这样的领域里有所作为。所以，“如果真有机器取代人类学家的那一天，我们不仅会失业——而且很可能意味着人类的终结”。

美国应用人类学学会 （Society for Applied Anthropology）在2024年的年会上，与会者就人类学和人工智能的交叉点进行了富有洞察力的探讨。该会议汇集了多元化的专家小组，就人工智能的能力和局限性、伦理，以及人类学家在塑造这项快速发展的技术未来方面的作用等，广泛交换了意见。会议深入讨论人工智能开发和部署的伦理影响，强调了人类学参与人工智能开发过程的重要性，以及持续监控和调整的必要性。人类学家兰斯·拉金 （Lance Larkin）分享了一个安全操作员拉动紧急制动以阻止人工智能车辆离行人太近的例子，以此说明人类监督的关键作用。他说：

我们需要解开这个黑匣子，以便我们了解该编程在后台做什么，它如何出错，以及为什么它提出的这些建议实际上不知来自何处。

这段话说明，人们担心人工智能的上游，即语料输入者的道德操守。同时，与会者还讨论了由于训练数据有限或扭曲而导致的人工智能系统中潜在的偏见和歪曲。他们指出，必须考虑偏见和虚假陈述等问题，因为它们将对下游产生影响。索尼娅·霍奇森 （Sonja Hodgson）指出，人类学者需要更好地为那些处于阈限空间（liminal space）的人辩护，并了解如何从人工智能解释和预测中挖掘出异常信息。霍奇森的这一立场强调了为支持被社会边缘化或被忽视群体的人们进行宣传的迫切需要，确保人工智能系统以包容、公平的方式开发和部署。上述这些说明了对人工智能伦理采取细致入微、全面的方法的重要性，而不仅仅是技术调整，倡导在人工智能开发中采用更全面、更以人为本的视角。鉴于人工智能越来越多地在人类学中被运用或者正在被尝试地运用，近来有学者在播客中提出一个概念化的人类学和人工智能之间相互关系的框架，笔者认为该框架可视为人机关系的三重透镜：

1.人工智能人类学（anthropology of AI）

将人工智能作为一种文化和情境技术进行研究，人类学可以发挥重要作用。通过研究人工智能系统在不同文化背景下如何被概念化、设计、营销、监管和采用（或抵制），人类学家可以揭示影响这些技术开发和部署的复杂社会、政治和经济因素。而且，人工智能人类学的民族志研究可以探讨以下问题：不同的文化价值观和信仰如何影响不同社会对人工智能的感知和使用方式？人工智能系统中嵌入或放大的权力动态和不平等是什么？与人工智能技术的关系应该如何磋商，在这个过程中出现了哪些新的社会性和身份形式？ 通过批判性地参与这些问题，人类学家能为围绕人工智能的公共讨论和政策辩论做出贡献，帮助确保这些技术的开发和部署以造福整个社会的方式进行。

2.人工智能的人类学(anthropology for AI)

人类学在人工智能系统的设计和开发方面也有很多东西可以提供。通过应用人类学知识和方法，可以确保人工智能具有文化敏感性、道德基础，并符合人类价值观。民族志研究可以深入了解人们在日常生活中与技术互动和理解技术的多种方式。这些见解可用于创建更直观，对用户友好，且适应不同文化背景的人工智能系统。此外，人类认知、沟通和社会行为的人类学理论可以促进人工智能系统的发展，这些系统表现出更强的社会智能和情境意识。

但是，这样做至少要具备两个条件。第一，人类学家直接介入人工智能系统的设计和开发——这不是容易的事情，除非科学家和工程师们愿意接受来自其他学科专家的“指导”；第二，人工智能科学家或者工程师本人也接受过人类学训练，拥有人类学学位，或者具有人类学的素养。这是最理想的状况，但也可遇不可求。所以，建立人工智能的人类学应该是人类学的奋斗目标。

3.人工智能跟人类学（AI with anthropology）

人工智能跟人类学的框架凸显了两个领域之间合作的潜力。通过合作，人类学家和人工智能研究人员可以利用他们互补的技能和知识来解决复杂的问题并产生新的见解。例如，人类学家可以人工智能为研究工具来分析海量数据，识别模式，从而产生新的见解。人工智能还能协助完成编码和分析民族志数据、对文化变迁和动态进行建模以及模拟社会互动等任务。同时，人类学家可以提供文化专业知识和道德指导，以确保人工智能系统的开发和使用在文化上负责任和行为适当。而人机协作团队还可以参与联合研究项目，将计算能力与人类学观点相结合，研究复杂的社会现象。例如，人工智能模式可以根据民族志数据进行训练，生成对文化习俗和信仰的见解，然后由人类学家对其进行解释和语境化（contextualization）。

通过三重透镜，人类学与人工智能进行良性互动。人类学家可以为开发更具文化敏感性和道德基础的人工智能系统做出贡献，同时还可以通过选择性地结合计算技术和观点来丰富自己的研究和实践。当驾驭人工智能的复杂格局时，人类学者必须促进人类学和人工智能之间的建设性对话与合作，共同努力建设一个造福全人类的未来。

五、算法、伦理与“高科技现代主义”

（一）算法与伦理

人工智能的伦理问题在很大程度上来自算法（algorithm）。算法的工作方式就是分类，但分类会带来伦理上的风险。人类学家维罗尼卡·巴拉什（Veronica Barassi）是《儿童数据公民》的作者，在一次访谈中，她强烈建议应该关注孩子们如何被数据化（dataficated）的问题。在研究了五年的儿童和数据化公民之后，她不得不为她的女儿创建一个谷歌课堂账户。许多家庭也陷入了这样的状况，大多数时候别无选择。它发生得非常快，特别是因为政府和学校机构总体上比以前更快、更广泛地实施了这些转型。人们在很短的时间里看到的是人工智能技术用于分析人物方式的扩展。无论在教育领域或者在工作场所，已经使用不同软件来分析面部特征。例如，Proctorio 用于确保学生在考试期间不会作弊。虽然Proctorio的监考功能无可厚非，但由于平台缺乏足够的保密设置，许多人担心隐私得不到保护。

人类学面对这些技术时，可能会采取不同的方法应对，而且会在具体语境里，理解现在正在发生的一切。但巴拉什认为，在使用这些新技术上，确实有许多社会、政治批评的影响和意义。积极的一面是，关于算法偏见（algorithm bias），已经有了些规范、限制的技术，强调了保护儿童权利的重要性。一些关键的步骤非常积极，例如欧盟关于人工智能监管的白皮书。

在社会科学如何研究人工智能问题上，巴拉什相信人类学能给数据技术和人工智能带来独一无二的认识。来自其他领域的学者也会用民族志方法，如弗吉尼亚·尤班克斯（Virginia Eubanks），而且对当地发生的事情的特定背景也有着切实理解。但巴拉什指出，人类学做法与尤班克斯的做法有着根本区别。民族志作为一种方法，在其他学科里，通常是探索生活的定性维度（qualitative dimension），但对于人类学，民族志更应是一种观照和分析视角。通过民族志透镜，人类学家观察日常生活并提出问题，这是人类学除了理论之外的另一独一无二之处。

虽然尤班克斯的民族志可能在一些人类学者眼里“不够人类学”，但她的获奖著作《自动化不平等：高科技工具如何定性、监管和惩罚穷人》的影响力和价值毋庸置疑。如果我们将民族志定义为身临其境的经验研究，那尤班克斯的研究便是人类学的。即便不这么定义，她的研究在一般意义上也是人类学的。尤班克斯是纽约州立奥尔巴尼大学的政治学家，她研究了大数据、算法等当代高科技手段如何使穷人进一步陷于无助之境，揭露了高科技在权力操控下显示出的冷酷的一面。该书获得2019年莉莲·史密斯（Lillian Smith）图书奖，2018年麦甘农中心（McGannon Center）图书奖，并入围 “戈达河畔斯蒂芬·鲁索（Goddard Riverside Stephan Russo ）社会正义图书奖” 。她的视角和方法对人类学在高科技现代性时代从事研究不无借鉴。

宾夕法尼亚大学的著名社会学家和法学家多萝西·罗伯茨（Dorothy Roberts）指出，自动化系统（而不是人类）控制着哪些社区受到监管，哪些家庭获得了所需的资源，以及谁因欺诈而受到调查。虽然我们都生活在这种新的数据制度下，但最具侵入性和惩罚性的系统是针对穷人的。在《自动化不平等》一书中，尤班克斯系统性地调查了数据挖掘、政策算法和预测风险模型对美国贫困人口和工人阶级的影响。这本书充满了令人心碎和大开眼界的故事，例如来自印第安纳州的一位妇女的福利在临终时被切断，她每天都担心失去女儿，因为他们符合某种统计数据。

一切正如尤班克斯在书中所言：乔治·奥威尔（George Orwell）在他的《1984》中有一点是错的。“大哥”（Big Brother）不是在注意你, 他是在注意我们。大多数人是作为社会群体的成员而不是作为个人成为数字审查（digital scrutiny）的目标。有色人（people of color）、移民、不讨喜的宗教群体、性少数群体（sexual minorities）、穷人，以及其他被压迫和被剥削者，比优势群体背负着更严重的监测和跟踪负担。边缘化群体在获得公共福利、经过高度监管的邻里（neighborhood）、进入公共卫生系统，或者经过国境时，面临更高水平的数据收集。当数据被用来因怀疑和额外审查而锁定他们时，会强化他们的边缘性。那些被视为“不值得”的群体被挑出来实施惩罚性公共政策和更严格的监控，这就在以后不断的循环中有了个难以摆脱的标签。这是一种危险的信号，不公正地反复循环。

尽管巴拉什对尤班克斯的民族志方法有不同的看法，但两人都同样感觉到：人们正在被大数据、算法等人工智能工具所分类。而且这样的分类是在个体根本不知情的情况下循环往复，当被运用在有关公共福利、公共卫生、医保这类政府提供较多公共产品的场合里，社会底层或者边缘群体便被进一步边缘化——算法几乎使他们万劫不复，个人征信系统因个人被算法所归入的类别而不被信任从而失去信用，这几乎就是一种“有罪推定”。算法之下——借用福山（Francis Fukuyama）的概念，“高信任度社会”(high trust society)

遂转变为“低信任度社会”（low trust society）。福山的这一区分是建立在文化和社会政治环境互动的分析之上的，对不同族裔社会和不同文化的人与人关系的区分。例如，创业者是否倚重社会资本，倚重者多来自低度信任社会，如中国、韩国、南欧国家，这与文化有关；而美国非裔社区内人与人普遍互不信任则与政治经济学条件有关。

值得注意的是，由于算法的功能严格而言就是分类，因此这样的情况完全可能发生在任何体制下的任何社会。尤班克斯较早提出这样的警告与她个人经历的事情有关系。2015年，她的男友在他们纽约住处附近遭到暴徒袭击严重受伤，在向保险公司申请费用以支付其男友修复整容费用时遇到麻烦，保险公司说没有他们何时买保险的记录，保险公司无责任为他们支付这笔费用。总之，最终他们虽然得到保险公司的赔付，但在这一过程中，属于中产阶级的尤班克斯体会到了工薪阶级、少数族裔、穷人和老年人等群体在数字经济里生活的艰辛。她认为算法加剧了社会不平等。她的观点得到了许多研究者的佐证与支持。正因为如此，道德经济成了算法时代的话题。在传统上，道德经济意味着“供给（provisioning），人们的共同体意识决定了在任何条件下，都不能无视社会最底层和弱势者的生命权。

（二）算法与“高科技现代主义”

社会学家法雷尔（Henry Farrell）和福卡德（Marion Fourcade）关心人工智能的伦理问题，提出了一个概念来定义因为高科技的普及和发展而瞬息万变的时代——“高科技现代主义”（HighTech Modernism）。这一概念被定义为用“机器学习算法”（machine learning algorithms）组织我们这个时代的社会、经济和政治生活。高科技现代主义具有双重逻辑。一方面，就像传统的官僚体制，它是一个分类的引擎，即使它对人和事物的分类与传统的官僚体制非常不同。另一方面，就像市场，它提供了一种自我调整配置的手段，尽管其反馈循环的方式与价格系统不同。高科技现代主义对当代道德政治经济最重要的影响，或许是它如何将等级制度收集编织进日常生活中，用无形的反馈循环取代可见的反馈循环，同时也暗示着，其结果是人们自己真实愿望的直接表达。这不能不令人想起布迪厄（Pierre Bourdieu）的“误认”（misrecognition）。本质而言，这种“误认”是权力关系（power relations）意义上的，来自布迪厄所理解的马克思有关象征系统履行阶级不平等的统治和再生产的社会功能。

人工智能对现行的制度层面产生最大影响的就是算法，尤其是机器学习算法。法雷尔和福卡德借用人类学家玛丽·道格拉斯(Mary Douglas)的说法指出，算法“做分类”（doing the classifying）。算法聚拢和分类——民众、事件、事物，还分配物质机会和社会威望。所以，算法是高科技现代主义最为核心的驱动之源。

然而，因为算法的分类，人们都成为各种播客平台上的数据。对此，巴拉什称之为“数据化公民”（datafied citizen/s），这就暗示着，“你已经不是你，你是谁由算法说了算”——这是一位两个孩子的父亲在接受巴拉什的采访时说的。这位父亲直言，他担心他和他的孩子因为他们的数据而被定性的方式。但是，他自己无法说清楚他究竟害怕什么。巴拉什觉得她自己也说不清楚究竟为什么担心。这是一种感觉：从你身上不断收集数据，而你却无从选择。这意味着一个人无法摆脱高科技, 被监控并被转变为数据。这方面例子多不胜数。无论我们在哪里，都会遇到众多的技术收集、存档和传送我们每个人的个人数据——无论你是成年人或者未成年人；人脸识别也是数据收集的一种方式，但我们许多人都在用；现在很多事都可以在手机上处理，为此我们经常得签署很长的协议或者知情同意之类的文件，但都没有阅读其中款项和条件，因为对签署者而言，这些文件冗长、晦涩、模糊，令人费解而难以卒读。然而，当开始意识到我们的个人数据不断被用来分析、分类或者将我们变成数据主体时，就会有一种不安和担忧的感觉。

上述事实是“高科技现代主义”给人们带来的感觉，是否有这样的感觉与人们有没有权利意识有关。在有些社会里，人们对自上而下的一切，如来自政府或者大商家，往往更为信任，不会有什么疑虑。直到不断接到各种电话才会问“为什么谁都知道我的电话号码？”——这样的问题。所以，在有些社会，人们对高科技现代主义的质疑往往是从个人信息被泄露，或者被诈骗后开始的。

“高科技现代主义”在概念上受到著名政治学家詹姆斯·司各特（James Scott）“高度现代主义”（high modernism）的启发。典型的高度现代主义和高科技现代主义的机器学习算法(MLA)，在等级分类和干预技术上有着共同的根源。但是，官僚主义强化了民众的千人一面，并在规模和尺度上倾向于大型和垄断（通常是基于国家的），而算法则鼓励人们竞争，这一过程由大型的，近乎垄断的（通常是基于市场的）机构和公司带头。高科技现代主义和高度现代主义源于相同的控制冲动，但表现方式却截然不同，对社会官僚机构和计算（computation）二者都强化了一种重要的社会权力形式——分类权（the power to classify）。官僚机构部署文件柜和备忘录来组织世界，其可读性首先是一个分类问题。司各特解释了“高度现代主义”官僚机构如何精心设计类别和标准化流程，将丰富但模棱两可的社会关系变成单薄但易于处理的信息。对这些信息进行分类、组织和利用的官僚能力彻底改变了国家完成工作的能力。它还导致国家用这样的分类的方式重新安排社会秩序并付诸实施。因此，社会、政治甚至自然地理都被简化，以使公职人员能够阅读它们。姓氏被强加是为了个人征税;重新设计的巴黎街道是为了便于控制，凡此种种。 所谓的高度现代主义也使市场被标准化。分类的权力（the power of categorization）制造和型塑了市场，允许粮商去创建类别使他们在与农民交易中总是赢家。商业缔造了自己的官僚机构来主宰他们的世界，决定谁能参与市场和商品应该如何分类。

高科技现代主义的分类是建立在定量技术和数字化的信息之上，计算算法（computational algorithms）——尤其是机器学习算法（MLA）——执行与司各特描述的官僚技术的类似功能，但其功能之强大使对非结构性的数据进行分类变得更为容易。与官僚机构中习惯于文件工作（paperpushing）的前辈不同，高科技现代主义使人类消失在算法幕后。算法的运作方式可见度极低——尽管它们比官僚机构的运作更深入地渗透到社会机构中。而智能环境和物联网的发展，使有关人员的信息收集和处理过于全面、精确，不可避免，且增长迅速，无法考虑同意和抵制。

虽然被机器学习所剥离的信息实际上远少于传统的现代国家的分类体系，但前者的类别种类远多于后者，人们因此被归入更窄的类别。电影流媒体平台——“网飞”（Netflix ）会将观影的个体归入其两千多个“微共同体”之一，并将个体和其他众多的子类型中的一个子集相匹配。个体的观影选择会改变个体在此方案中的位置，原则上甚至可能改变分类网格本身，从而创建一个新的观看者的类别，以反映个体独特的观看实践。有人担心人工智能时代人类会变得更蠢的原因大概就在于此。当今，高度现代主义的官僚机构的许多粗略、广泛的类别，已被由机器学习驱动的新的、多维的分类所取代，而人的头脑很难掌握这些分类。人们可能会发现自己被分组为特定的行为或经历，有时是短暂的。我们在微信中观看视频就会发现，每天都会被大量的“同类”内容所淹没，从各种流量平台获得的节目的主题或者内容也都大体如此。在这样的条件下，如果一个人获得信息的渠道过窄，日复一日地听和看相同类别的节目，认知必然由“误认”构成。

被分类的“我们”与“我们”之内的个人之间实际上差别很大，只不过有那么一点相同的兴趣而已。司各特的高度现代主义的分类是刻板的，如安德森（Benedict Anderson）所谓的“封闭的序列”（bound seriality），该序列为“限定的、屈指可数的人口类别”；归类之后，一个人只能是1，或者是0，不可能是1.5。例如，美国白人和非裔通婚所生子女只能选择非裔，不允许选择白人或者其他类别，而不能选择白人与种族主义背景的“一滴血法则”有关；许多国家都有人口分类，这在一定程度上，人口的种族、族群与文化多样性可能部分地被消解或者重组。

高科技现代主义类别则不一样，它们不仅是新兴的,而且在技术上是动态的，适应新的行为和信息的出现。它们有时以正确的，有时则以令人不安和误导的方式，融入隐性信息：模仿特定艺术家风格的音乐制作算法、模仿社会背景的语言模型，或者据称可以掌握一个人的心理状态的移情人工智能。当今的生成式人工智能技术可以接受提示并生成原创图片、视频、诗歌或文章，在不经意的观察者看来，这些东西就好像是由人类制作的一样。

高度现代主义和高科技现代主义之间的一个关键区别是反馈。人们很容易将高度现代主义视为完全自上而下强加的东西。但后者不一样，正如加拿大科学哲学家伊恩·哈金（Ian Hacking）所解释的那样，某些类型的分类——通常是适用于人类或社会集体的分类——是“互动的”，因为当人们知道周围的人在机构中工作时，他们会改变个人自我体验的方式，甚至可能导致人们改变他们的感受和行为，部分原因是他们被如此分类。这种情况就像是人类学家巴特（Fredrik Barth）视族群性为个人分类实践，这种实践的前提是一个地方至少有两个或两个以上的族群存在。由此看来，二者的分类结果在逻辑上基本相同。在一定的客观条件下，高度现代主义的人口分类会诱发认同政治，而高科技现代主义的分类则会诱发人们一些习惯的改变，例如当发现自己的观影习惯与同事格格不入，你可能会改变自己的习惯。这么一来，算法可能很快地将你归入与同事相同的观影“微社区”，但你可能未必知道你已经被重新分类。

总之，从高度现代主义到高科技现代主义的转变如何影响人们与其分类的关系呢？在最坏的情况下，高度现代主义剥离了隐性知识，忽视了公众的愿望和抱怨，并通过全面的改革和宏大的分类整理了人们的社区生活，人们不仅在更容易被关注的同时，也更容易察觉宏大的分类所引起的变化，也因此更容易采取行动。换言之，人们可以主动地和知情地对指派给他们的分类作出反应，甚至引发认同政治。然而，高科技现代主义分类通过计算算法来实现。因而，它更为微妙，因为信息收集编织了我们存在的经纬，因为法人实体从我们的手机、计算机、摄像头、采购和汽车中收集更精细的数据。这些数据在机器中被筛选。由于结构不同，高科技现代主义的反馈循环使人的反馈已经不那么常见了。数字分类系统对人们进行分组可能不是社会所理解的方式（如性别、婚姻、种族、民族或宗教等传统类别）。因此，人类反馈通常需要具有丰富计算专业知识的专家的调解，但即使是他们也常常对自己设计的系统的运作感到困惑。

这种不在场的等级制度能使高科技现代主义声称它最能代表人们的愿望。科技精英们称颂高科技现代主义，认为它捍卫个人的自由，摆脱身体和社会束缚，反对传统的地位等级制度。事实上，等级制度并没有消失，只是变得不那么明显而已。平台公司的业务优先事项决定了所采用的算法，以及它们的“目标函数”，即便它们应该是最大化的加权目标。社交媒体公司采用的算法可以最大限度地提高“参与度”，让消费者滚动浏览提要或观看视频剪辑，以便他们不断看到本身可能具有误导性的付费内容。亚马逊则剑走偏锋，更关心人们购买的东西和采购行为，它利用其详细的交易信息和对搜索结果进行排名的能力，来巩固其市场主导地位。平台公司甚至不喜欢根据监管机构的要求调整他们的算法，因为担心这可能会为与其商业模式相冲突的进一步干预创造先例。

六、人类学观照里的人机互动

在人工智能和先进技术日益主导的世界中，人类学思考（anthropological thinking）从未像现在这样重要。当我们见证人工智能的快速发展时，了解人类与技术之间复杂的相互作用是应对未来挑战和机遇的必要条件。那么，什么样的思维才算是人类学的？人类学历来喜欢追溯或者考察关系，如：同与异、个人与集体、人与自然、文化与自然，以及各种文化和社会事项之间的互联性，等等。这样的观察和思考方式来自人类学的整体观视角。整体观意味着整体大于部分之和，因此整体的各部分之间存在着互动关系，如同机器那样，是一种协同运作的存在。

在方法上，人类学的整体观并不意味着民族志田野工作必须面面俱到，而是意味着在一种“关系化”(relativization )或者“关联”（association）的框架内观察和思考。按照拉图尔（Bruno Latour）的说法，人与物（包括有生命和无生命之物）都可以是行动者，它们之间的关系是转译的，即行动者之间的关系会生成其他意义有所不同的关系。在这样的思考框架里，在人工智能时代,人类学或者民族学工作者至少应该关心以下问题：

（一）“赋权”与“赋能”

不知从什么时候起，这两个概念在国内人文社会科学领域里成为一个颇为时髦的术语。现在许多人思考人与AI的关系时，常用赋能这个概念。可能不少人认为，所谓赋权或者赋能就是某种外在的技术为我们增能。我们首先应该清楚，赋权和赋能是外来概念，原文都是empower, 但这个英文字的首要意思是“授予”，这就意味着授予者或者赋予者与被授予者或被赋予者之间有上下之分——额外的权力是上级授予下级，不可能反过来;这个字还另有“使能够”（enable）的意思。因此在中文里，二者便有了不同。比之于赋权，赋能没有自上而下的感觉，而且能赋能给被赋能者，不一定必须是上下级。赋权则不能用在人机关系场合，谁是授予即赋权的一方？是人工智能授予/赋予人权力，还是人授予/赋予人工智能权力？ 答案一目了然。唯有此，方能保证人类的安全。因此“赋权”在这样的语境里，具有伦理的意义。考虑在人机关系中，赋能是双向的，但也具有一定的伦理。机器学习需要人来训练，人应该有能力在赋能人工智能的同时对它加以限制。同时，人工智能也赋予人类强大的解决问题的能力。

阿西莫夫的机器人法则在当今的AI时代又被反复提起。许多人认为，人类应该对AI进行限制和规范；必须由人类授予其权限，规定它可以做什么不可以做什么。如果反过来，那将是人类的梦魇。再过几年或几十年（皮查伊认为在2030年之后，辛顿则认为在50年之内），如果通用人工智能（AGI）成为现实，让其赋权人类岂不是让它掌控人类命运？ 而由于AI运用带来的伦理问题，国际上许多学者和组织，一直就如何规范限制AI进行讨论。“赋权”已然成为隐喻指代AI的权限必须由人类授予。

在赋权人工智能的问题上，欧盟在世界范围内走在前头。早在2020年2月9日欧盟就已经发表了关于规范人工智能的白皮书。但在白皮书发表之前的2018年，欧盟就制定了欧洲人工智能战略，该战略旨在使欧洲成为世界级的人工智能中心，并确保人工智能以人为本值得信赖。这样的目标在2020年转译到白皮书，强调通过具体的法规和行动推进人工智能领域在欧洲的发展。

欧盟强调其人工智能取向以卓越和信任为中心，旨在提高研究和工业能力，同时确保安全和基本权利。他们认识到，处理人工智能的方式将定义人类未来生活的世界。为了在“数字十年”（the digital decade），即在2030年之前，建立一个强韧的欧洲，使人们和企业既能享受人工智能的益处，又让人受到保护。从白皮书发表迄今，欧盟委员会每年都发表报告，阐述人工智能在欧洲的进步和存在的问题。欧洲的做法和经验说明，人工智能虽然能加强人类解决问题的能力，在一定程度上赋能人类，但必须是人类赋权人工智能。

（二）道德经济

关怀和同情底层和弱势是人类学的应有之义。人类学思维必须有道德经济（moral economy）的维度。道德经济在此不只是汤普森（E. P. Thompson）和司各特意义上的，而是该理念在高科技现代主义时代框架性的升级版，其核心在于思考政府和社会如何选择解决数据和数据驱动的人工智能的政治、经济和社会影响。因而“道德经济”又指支撑国家和私营部门行动者如何共同分配、生产和分配各种商品和服务的价值观和规范的组合。每一套经济安排都隐含地嵌入并促进了一套关于该经济参与者应该如何相互联系的道德假设; 换言之，它们定义了他们的权利和责任。由是观之，当今发达经济体或者产业化社会的道德经济的重心，在于考虑技术发展成果和效益能在何种程度上普惠众生，以及如何做到。

尼尔斯·吉尔曼（Nils Gilman）和亨利·法雷尔认为，自由市场资本主义道德经济植根于这样一种信念，即市场允许人们做出自己的选择，从而促进自由（liberty），市场鼓励有效利用资源，从而增加总体繁荣。但自由市场资本主义不太关心平等或促进共同体团结的问题。不同的经济体都有自己的基础道德体系，而且都有特定的潜在道德。新兴经济体也是如此。新兴的数据经济催生了新的道德经济和应有的价值观，并塑造人们行为的标准。然而，新技术不会自动产生特定的道德经济，但可以实现许多具有不同可能性的道德经济。其结果取决于与之相交的现有政治、经济和社会制度，以及个人和集体行为者如何解释和引导协调。此外，正如技术重塑道德经济一样，道德经济也可以重塑技术的发展方式，产生压力，推动某些发展道路而远离其他发展道路。

如果说道德经济内涵与外延在不同客观条件下必须有所改变或者拓展，那么，推动生产力提升，包括人工智能等高新技术在内的新的技术和发明本身是无法做到的。所以，在高技术现代主义条件下，拓展符合这一条件的道德经济，必须是人的工作。人类学者在这方面具有优势。人类学和民族学对不同文化之核心价值的理解和对底层弱势的天然同情，必然对在算法时代遏制算法偏见起积极作用。社会科学研究人工智能应该更多地考虑其可能带来的社会问题，而不是把精力放在思考自己如何被人工智能“赋能”，所以还应该反过来赋权人工智能，即：规范它和限制它。

（三）人工智能开发中的伦理考虑

人类学思维在解决与人工智能相关的伦理方面能发挥关键作用。随着技术与我们的生活深深地交织在一起，隐私、偏见和问责制问题日益为人们所关注。人类学家可以通过研究人工智能的社会影响、揭示潜在陷阱以及倡导负责任和包容性的发展来做出贡献。在人工智能时代，确保技术进步符合我们共同的人类价值观至关重要。人类学思维强调以人为本，提醒我们技术应该为人类服务，而不是决定人类的进程。这一考虑与上述道德经济有关。当下，应该考虑的是，一旦人工智能体如机器人等普遍运用，大量员工下岗或者失业是意料之中的。如何规避发生这样的现象，是否需要有意识地保留一些工种？这是道德经济的考量，它的目的不是为了利润，而是道德伦理上的意义与价值，因为机器人和其他各种“无人”如无人驾驶，无人操作等所谓的“无人化”只对资方有利。

（四）弥合技术与社会之间的鸿沟

人类学思维最重要的贡献之一在于它能够弥合技术与社会之间的差距。随着人工智能的不断发展，在其开发、部署和监管中纳入不同的观点至关重要。人类学家对人类行为、社会动态和文化差异有着全面的理解，以更全面、更细致的视角丰富了围绕人工智能的对话。技术专家、政策制定者和人类学家之间的合作是创建人工智能系统的关键，这些系统不仅技术精通，而且对社会和文化敏感。这些不同观点的融合可以促进人工智能的发展，使其符合人类价值观，促进包容性，并促进积极的社会影响。

为什么人工智能技术与社会之间存在着鸿沟？美国人类学家黛安娜·福赛思（Diana E. Forsythe）是研究科学技术的人类学家，从20世纪80年代到90年代的8年多时间里，她一直在加州人工智能实验室，特别是涉及创造医疗人工智能工具的实验室从事民族志研究，可能是世界上最早从事人工智能研究的人类学家之一。她的研究揭示了一些反复出现的问题，这些问题说明了人工智能技术在某种程度上与社会存在着隔膜。根据她的归纳，这类问题大致有三类：

1. 实验室里社交元素阙如：工程师们常常忽视他们工作的文化和社会层面。因而人工智能系统反映了主要为男性白人创作者的偏见和假设，导致工具未能考虑多样化的用户需求。

2. 权力动态：知识被视为绝对的，从单一专家——通常是白人男性——中提取出来，并在未考虑人类专业知识的细微和语境差别的情况下被规范化。

3. 用户接受度问题：AI工具经常被闲置，因为它们无法满足临床医生的实际需求。研究人员不仅没有修改设计，反而指责用户不懂如何使用系统。

这些问题都很具体，但也让我们看到人工智能实验室的操作所带来的问题可能会影响下游的使用者，这是否也是今天许多人工智能系统或者人工智能体经常带有“AI偏见”或算法偏见的原因？所谓的AI偏见就是社会偏见，这些偏见包括阶层、种族、文化、宗教、性别、地域歧视，等等。

尽管人工智能不断发展，福赛斯指出的许多挑战依然存在。现代人工智能系统，如大型语言模型（LLM），在庞大的数据集中训练，但这些数据集往往延续了现有的偏见。关于包含哪些数据以及如何处理的决策仍集中在少数人手中，这引发了关于透明度和问责制的伦理疑虑。在现实世界中，人们见证了这些问题，从招聘算法歧视女性，到AI聊天机器人复制有害刻板印象。风险不仅限于偏见，还包括虚假信息、隐私侵犯以及在威权环境中潜在的滥用。这些虽然是国外学者归纳出的一些问题，但我们相信，类似甚至同样的偏见或多或少也存在于我国的业界。面对这些持续存在的偏见，社会需要人类学。

七、结语

人工智能在文明史上的独特意义在于它的发明是人类孜孜不倦地主动而为的结果。此前，包括发生在新石器时代的农业革命在内的许多发明，在某种程度上都是“被动的”。“偶然”的发现刺激了人类的好奇心，文明史上基础性的发明就是这样发生的。人工智能的历史表明，人类对于“思考机器”的迷恋自古以来就一直存在着，历史上各种“自动机”的设想与实践尝试屡见不鲜。计算机科学崛起之后，人类的造梦步步逼近这一目标。其间虽然有所起伏，挫折不断，但科学家锲而不舍，终于在21世纪之交取得重大突破，21世纪的头二十年，我们见证了人工智能领域目不暇接的突飞猛进。

然而，人工智能的迅速发展也给人类社会带来风险隐忧。且不说如辛顿所言的对人类的“生存威胁”，或者所谓的“末日概率”，仅在日常生活里，算法偏见就给我们所处的高科技现代主义时代带来一系列涉及个人隐私、人身自由等的伦理问题。因而，许多国家社会都有规范和限制人工智能的举措。人类学之所以重要，就在于其作为一门学科，在解决这些问题方面具有独特优势。人类学的整体观帮助我们理解技术与文化、社会、经济之间复杂的互联性。通过研究人类文化、行为和互动，人类学者可以识别并挑战嵌入系统中的文化偏见（如阶层、种族、性别），充当伦理的保护者；人类学者在以人为本的设计方面拥有专业知识，能确保技术直观且符合现实需求；通过关注文化细节和伦理问题，人类学可帮助创建能引起多元社会共鸣的人工智能系统，这意味着人类学有助于在人工智能系统中建立信任。因此，人类学的思考与洞见决定人类学在AI时代可以扮演侦察兵的角色，它的介入可以确保AI的设计与开发具有文化敏感性，符合人类的价值观和基本伦理。

注：原文载于《中央民族大学学报（哲学社会科学版）》2026年第1期。