压迫算法

《压迫算法》的起点是一项看似简单的操作：在 Google 中搜索“Black girls”。Safiya Umoja Noble 从 2009 年起持续记录结果，发现没有输入任何色情词汇，首页却长期被色情网站、性化广告和侮辱性联想占据；搜索“white girls”得到的图景则明显不同。她不把这解释成一段后来可以修掉的坏代码，而是追问：当一个商业搜索引擎成为学校、媒体和普通人认识世界的入口时，谁有权决定哪些关于黑人女性的叙述最“相关”？

Noble 的答案把算法放回政治经济。搜索排序不是从整个互联网中客观提炼出来的真理，而是广告竞价、搜索优化、点击行为、企业规则和平台垄断共同作用的结果。色情产业与大型广告主能够投入远超过黑人女孩社群的资金，占据与身份词相关的可见性；Google 又以商业机密和自动化中立为由，把具体排序描述成没有主体的技术过程。所谓“用户想看什么”于是掩盖了谁有能力制造、购买和放大这种欲望。

这使搜索结果不只是令人不悦的再现，而是一种知识基础设施。人们会把排名靠前的页面当作更可信、更普遍、更值得存在的答案，教师和学生也越来越依赖搜索完成初步研究。平台因此同时扮演目录、编辑和广告市场，却不承担传统公共知识机构相应的问责。Noble 所说的“算法压迫”，正是旧有的种族与性别等级在新分类系统中获得速度、规模与可信外观，而非机器突然学会了人类本来没有的偏见。

黑人女性主义让她看见“黑人女孩”的超性化不能拆成两个独立错误：一部分是种族歧视，另一部分是性别歧视。Jezebel、愤怒黑人女性等历史刻板形象，在搜索摘要、自动补全、图片和广告中被重新组合；黑人女性既过度可见为性对象，又不可见为学生、专业人士和完整的人。若只用整体性的“女性数据”或“少数族裔数据”测试系统，这种交叉伤害很可能继续被平均值遮蔽。

本书的方法并不是打开 Google 的源代码，而是把搜索结果当作文化文本，长期观察关键词、广告和媒体排序，再与黑人研究、女性主义媒体史、信息科学和图书馆分类史相连。传统图书馆也曾用带有种族主义、殖民主义和性别偏见的主题词组织知识，因此数字平台并非第一次面对分类政治。不同之处在于，私人搜索公司控制了前所未有的知识入口，规则不可见、结果随时变化，公众也缺少能够申诉和审计的稳定机制。

因此，Noble 的建议不止是“招更多多元工程师”或改善训练数据。代表性很重要，但盈利模式、垄断权力和法律免责如果不变，少数个人很难抵消结构性激励。她要求把搜索与人工智能视为公共政策问题，建立反歧视责任、透明度、独立研究和公共利益信息系统，并让黑人研究、族裔研究、女性与性别研究、图书馆学等知识进入设计和治理。对社会进行技术设计，却不系统学习社会的压迫史，本身就是风险。

本书也有需要辨认的边界。它的核心案例来自特定年份、英语互联网和美国种族史，搜索结果后来已有变化；读者今日无法用一次搜索复现旧页面，并不意味着当年的分析失效，也不能证明所有现行系统已经安全。Noble 研究的是可见输出和商业结构，不是一次可重复的代码审计；对全球南方平台、非英语搜索及用户主动抵抗的讨论相对有限。把所有不满意的结果都叫“算法偏见”，同样会稀释她对制度权力的精确批判。

阅读时可以分三层记录：页面上出现了什么再现，商业系统为何奖励它，这种排序又如何影响教育、舆论和机会。再把书中的搜索案例与当下推荐系统、生成式人工智能和大语言模型对照，但不要假定新技术只是 2018 年 Google 的放大版；需要重新调查数据、商业模式和治理链条。《压迫算法》最持久的贡献不是提供一张旧错误清单，而是教会读者在每个“智能答案”前追问：相关性由谁定义，伤害由谁承担，又有谁能真正要求系统改变？