当AI把“护士”默认画成女性、“CEO”自动生成白人男性时，我们不是在训练一个中立的工具，而是在用人类社会的历史数据“重播”旧有的性别与种族刻板印象——这种偏见是训练数据、算法设计与社会结构共同作用的产物，而非AI的主动立场。
一、AI偏见是普遍存在的技术现实，而非个别模型的偶然失误
普遍性：2023年彭博社测试Stable Diffusion发现，生成CEO、医生或法官时结果均为白人男性，女性极少出现；联合国妇女署针对133个人工智能系统的研究发现，44%的系统存在性别偏见。
典型表现：让大模型画医院照顾病人的图像，护士均为女性；为企业家画像则清一色男性；研究显示GPT-2有70.59%的概率将教师预测为男性、64.03%的概率将医生预测为男性。
自我承认：DeepSeek在被问及时承认自己会表现出性别偏见，说明这并非个别模型的立场问题，而是系统性的数据与统计副产品。
二、偏见根源：模型只是“照镜子”，问题出在训练数据与社会结构
数据偏差：大模型从互联网文本、书籍等语料中学习，这些语料本身携带“护士多为女性”“程序员多为男性”等刻板关联，AI在拟合数据分布时会放大这些统计规律。
算法与设计局限：训练数据不平衡、语料库中发言者性别比例失衡，以及开发者群体的无意识偏见（如技术研发领域女性占比偏低），都会传导至模型输出。
社会投射：多位专家指出，AI的性别偏差实际是社会偏见的一种投射，模型中反映出的问题需要人类自身反思。
三、影响与应对：偏见正在从数字世界反噬现实社会
现实危害：若将带偏见的大模型应用于招聘筛选等场景，可能对女性及少数群体求职者造成实质性不公；亚马逊曾因招聘系统给女性和少数族裔简历打低分而停用该算法。
行业应对：部分模型已开始采取拒答或“去刻板化”策略，如豆包拒绝按国内省份生成特定人群形象、千问直接拒绝地域相关生图请求。
治理方向：专家呼吁通过训练数据平衡化、引入公平性约束，以及在AI开发团队中增加多元背景成员，从源头减少偏见。 (以上内容均由AI生成)
