人工不智慧

《人工不智慧》針對的不是電腦本身，而是 Meredith Broussard 所稱的「技術沙文主義」：一旦問題能被數位化，技術方案就必然比人的判斷更客觀、高效與先進。她曾是軟體開發者，後來成為資料記者，因此能從技術實作內部說明這種信念為何誘人，也揭示它如何讓機構跳過最基本的問題——軟體是否真的有效、資料能否代表現實，以及某件事是否應該自動化。

書名刻意反轉「人工智慧」。Broussard 區分科幻式的通用智慧與現實中的窄域系統：後者能在規則清楚、目標可計算的工作上表現出色，卻不理解脈絡、意義或受輸出影響的人。機器學習不是神祕心智，而是資料、模型、最佳化目標、硬體與組織決定的組合。把預測稱作「智慧」，容易隱藏誰定義成功、哪些錯誤可以容忍，以及失敗的代價由誰承擔。

本書最有說服力之處，是以親自程式設計和調查取代抽象恐慌。Broussard 試乘自動駕駛汽車，以機器學習重做鐵達尼號生存預測，研究學生為何無法通過標準化測驗，並嘗試用軟體整理美國競選資金。案例反覆顯示，困難往往不在演算法不夠強，而在現實問題本就包含衝突目標、殘缺證據、制度誘因和需要公共辯論的價值。更複雜的程式碼不能自行修好錯誤的考試、扭曲的政治制度或危險道路。

這套批判具有女性主義意義，因為它拒絕把「客觀」視為不受質問的權威。招聘、教育、信貸、醫療和公共服務的紀錄產自不平等社會；缺失資料與分類方式決定誰被看見、誰被懷疑、誰必須證明自己。自動化也可能把照護、解釋、申訴和處理例外貶為低效，而女性與邊緣工作者往往承擔這些勞動。統計上更快的系統，可能把制度責任變成當事人無法更正的介面決定。

Broussard 不是要求拒絕所有技術，而是恢復對「適切性」的判斷。電腦擅長重複計算、搜尋與大規模整理；人仍須負責選擇目標、理解例外、解釋結果並接受質疑。公共機構採購 AI 時不能只問準確率，還要問基準如何建立、錯誤落在哪些群體、是否保留非自動化途徑、當事人如何申訴，以及什麼證據足以停止系統。技術素養也包括知道何時不該寫程式。

本書早於當前生成式 AI 浪潮出版，既有預見性也有範圍限制。它清楚拆解技術炒作和通用智慧神話，卻未涵蓋後來大模型帶來的訓練資料同意、內容勞動、深度偽造、算力資源和平台集中等規模。部分案例以作者親身探索為中心，對種族、性別、障礙與全球供應鏈的系統分析不如後來的資料正義研究充分。它是辨認問題的基礎語法，不是今日 AI 權力地圖的終卷。

對 FemRes 讀者而言，可把「技術沙文主義」變成檢查表：系統把什麼社會問題改寫為可計算目標？誰的資料缺席？誰處理失敗和例外？技術承諾是否被用來逃避資源重分配或政治責任？與《演算法壓迫》《自動化不平等》和 Broussard 後來的《More Than a Glitch》並讀，問題就不再是機器會不會像人一樣聰明，而是誰有權決定機器做什麼，以及被判斷的人如何拒絕。