縱觀人類的發展史，每一次科技進步都將對性別平等產生深刻影響。尤其是當下，人們對于借助人工智能技術快速發展來彌合性別不平等寄予厚望。

但很多人沒想過，人工智能技術本身是客觀中立、不存在“算法歧視”“性別偏見的嗎？

弗吉尼亞大學計算機科學專業教授在測試圖像識別軟件時曾發現，人臉識別系統會將廚房圖片中的男性識別為女性；在烹飪和體育活動方面，用搜索引擎搜索出來的圖片也存在明顯的偏向性，如烹飪形象與女性相關，而體育形象則多為男性……

這些社會活動中的性別“刻板印象”，折現出算法本身的“性別偏見”。作為人工智能的核心要素，算法通過解決問題的邏輯規則，將數據轉化為決策或預測。而在從數據運行到結果呈現，算法過程的每個環節都可能存在社會偏見，“性別偏見”往往被忽視卻又真實存在。

如何消除算法中的“性別偏見”？如何平衡性別平等與個性化推薦？是人工智能發展過程中需要解決的倫理問題。

女性的“隱形”與“缺失”

數據是算法運行的基礎，更是人工智能學習成長的“養料”。但實際上，當前的數據更偏向男性，在數據采集環節就可能埋下性別偏差的“種子”。

例如，美國加利福尼亞大學、華盛頓大學的研究人員在《柳葉刀·公共衛生》雜志上刊發的研究結果顯示，女性遭受的非致命性疾病未得到足夠重視。其中一項原因是，由于歷史和社會原因，臨床試驗中納入女性數據較少。

這意味著，當此類數據被“投喂”給AI，并用于醫療領域時，針對女性的疾病診斷、治療和預防策略可能并不完全準確和有效，AI提供的決策參考也會存在偏差。

維基百科也曾被指出在內容的質與量上存在性別偏差，其中女性條目數量占比不到五分之一。聯合國教科文組織發起#Wiki4Women倡議，通過創建、編輯和翻譯維基百科上的女性簡介和列表，改善百科中性別失衡的情況。這一舉措恰恰證明，數據世界中的女性“隱形”與“缺失”。

算法運行中同樣存在性別偏差的風險，且隱蔽性更強，這往往體現在內容推薦層面。學者鄧松在論文《算法性別歧視的認定與法律規制——以消費領域為例》中表示，算法設計者直接或間接、顯性或隱性的性別主觀思想，會直接反映到算法之中。具體表現為，算法通過一套內生的“歧視性”運算流程，對所收集的消費者數據進行分析, 并做出針對不同性別的不同商品推薦、價格標簽等行為。

中華女子學院社會學系副教授周旅軍則舉例表示，在算法運行過程中，AI可能會向女性用戶更多推薦美容、育兒類內容，而向男性用戶更多推薦科技、體育等內容，看似基于用戶興趣，實則可能加深性別分化。