人工不智能

《人工不智能》针对的并不是计算机本身，而是一种 Meredith Broussard 称为“技术沙文主义”的信念：只要问题能被数字化，技术方案就必然比人的判断更客观、更高效、更先进。作为曾经的软件开发者和后来的数据记者，她从系统内部解释这种信念为何诱人，也展示它如何让机构跳过最基本的问题——软件是否真的有效，数据是否能代表现实，以及某件事是否应该被自动化。

书名刻意反转“人工智能”。Broussard 区分科幻式的通用智能与现实中的窄域系统：后者可以在规则明确、目标可计算的任务上表现出色，却不理解语境、意义或它所影响的人。机器学习不是神秘意识，而是数据、模型、优化目标、硬件和组织决定的组合。把预测结果称为“智能”，很容易隐藏是谁定义成功、哪些错误可以被容忍，以及系统失败时由谁承担代价。

本书最具说服力之处，是用亲自编程和调查的过程取代抽象恐慌。Broussard 体验自动驾驶汽车，以机器学习重做泰坦尼克号生存预测，研究学生为何无法通过标准化考试，并尝试用软件梳理美国竞选资金。案例反复显示，技术难点常常不是算法不够强，而是现实问题本就包含矛盾目标、残缺资料、制度激励和需要公共讨论的价值判断。更复杂的代码不会自动修复错误的考试、失真的政治制度或危险的道路环境。

这套批判与女性主义的关系，正在于它拒绝把“客观”当作不受审问的权威。招聘、教育、信贷、医疗和公共服务的记录从既有社会中产生，数据缺失与分类方式会延续谁被看见、谁被怀疑、谁必须证明自己。自动化还会把照护、解释、申诉和例外处理这些难以量化的劳动贬为低效，而这些劳动往往由女性和边缘群体承担。一个系统即使在统计上更快，也可能把制度责任变成个人面对界面时无法纠正的决定。

Broussard 的重要贡献不是要求所有人拒绝技术，而是恢复“适当性”的判断。计算机擅长重复计算、搜索和大规模整理；人类必须负责决定目标、理解例外、解释结果并接受质询。公共机构采购所谓 AI 时，不能只问准确率，还应询问基准如何建立、错误分布到哪些群体、是否有非自动化路径、当事人能否申诉，以及停止使用系统的条件。技术素养因此不只是会写代码，也包括知道什么时候不该写。

本书出版于当前生成式 AI 浪潮之前，这既让它具有预见性，也构成局限。它清楚拆解技术炒作和通用智能神话，却没有覆盖后来大模型带来的训练数据同意、内容劳动、深度伪造、算力资源和平台垄断等规模。部分案例以作者亲身探索为中心，对种族、性别、残障与全球供应链的系统分析不如后来的数据正义研究充分。读者应把它视为辨认问题的基础语法，而不是当代 AI 权力版图的最后一册。

对 FemRes 读者而言，最实用的读法是把“技术沙文主义”变成一组检查问题：这个系统把什么社会问题改写成了可计算目标？谁的数据缺席？谁处理失败和例外？技术承诺是否被用来回避重新分配资源或承担政治责任？与《算法压迫》《自动化不平等》及 Broussard 后来的《More Than a Glitch》并读，可以从“机器会不会像人一样聪明”的迷思，转向更紧迫的问题：谁有权决定机器做什么，以及被机器判断的人如何说不。