我们不仅生活在女性在许多经济生活领域代表性不足的时代，技术还可能让情况变得更糟。女性仅占董事会董事席位的19%，这一比例适用于美国和欧洲。尽管平均而言，女性的受教育程度在二十多年来一直高于男性，但董事会中的性别差距仍然存在，在许多经合组织国家。主要原因是社会偏见。
随着当前用于训练机器学习的数据往往带有偏见，人工智能即将进一步强化这种偏见。
随着人工智能迅速普及，这些带有偏见的数据将影响机器所作的预测。只要数据集涉及人类决策，就自然会包含偏见，例如招聘决定、学生考试评分、医疗诊断和贷款审批。事实上，任何以文本、图像或语音形式呈现的内容都需要经过信息处理，而这一过程会受到文化、性别或种族偏见的影响。
人工智能的实际应用
机器学习是人工智能的一个子领域，其方法是向计算机输入成组的数据——无论是文本、图像还是语音——并为这些数据添加分类标签。例如，可以向计算机展示一张女性在办公室工作的图片，然后将其标注为“女性办公室职员”。
随着时间推移和图像数量增加，计算机会学会识别类似图像，并将这些图像与女性在办公室工作联系起来。之后，结合算法，计算机便能对求职者筛选（取代人工筛选简历）、保险承保或贷款审批等事项作出预测。
金融业在使用人工智能系统方面已经相当成熟。例如，金融机构会在发放信用卡或小额贷款前使用这些系统评估信用风险。其任务是筛选客户，避免选择可能无法按时还款的人。利用被拒客户的数据并将其与一套规则关联起来，很容易导致偏见。其中一条规则可能是：“如果客户是单身女性，就不接受她的申请。”
这还不是全部。例如，职业社交平台 LinkedIn 曾出现一个问题：女性搜索时，高薪职位的显示频率低于男性搜索时的显示频率，原因在于其算法的编写方式。该网站的职位搜索功能最初的用户中，搜索这些高薪职位的主要是男性，因此系统最终只向男性推荐这些职位，从而进一步强化了针对女性的偏见。一项研究发现，谷歌也存在类似问题。
另一项研究显示，用于训练图像识别软件的图片会放大性别偏见。研究发现，两个用于研究的大型图像库——其中一个得到微软和 Facebook 支持——在体育、烹饪等日常场景的照片中呈现出可预测的性别偏见。购物和洗衣的图片与女性相关联，而教练和射击则与男性相关联。如果一组照片普遍将女性与家务联系起来，那么通过研究这些照片及其标签训练的软件就会进一步强化这种联系。
检测偏见
只要使用数据训练机器不会导致歧视性的预测行为，这种做法就没有问题。然而，随着数据越来越多地被用于取代人类决策，这就会带来问题。因此，我们需要了解这些黑箱系统中存在的潜在偏见。
检测偏见的一种方法是对系统进行压力测试。计算机科学家阿努帕姆·达塔曾展示过这种方法，他设计了一款程序，用于测试人工智能在招聘新员工时是否表现出偏见。
机器学习可依据技能、教育程度等多项标准预先筛选候选人，并生成一个分数，表示候选人对该职位的适合程度。在一项为搬家公司筛选候选人的程序中，达塔的程序随机更改申请者的性别以及他们在申请中声称能够搬起的重量。如果预先入选面试的女性人数没有变化，那么申请者的性别就不是决定招聘流程的因素。
这个例子表明，偏见是可以消除的。但落实这一做法需要投入精力和资金，因此并不能保证一定会实现。事实上，短期内偏见更可能增加，因为人工智能会放大偏见。
从长远来看，如果人工智能会在某些情况下导致机器取代人类，那么女性较高的情商将变得更加宝贵。社会将更需要能够以机器难以做到的方式理解人类行为的岗位。这些岗位需要理解社会情境，并具备同理心和同情心——而情商较高的人将在这些方面表现出色。因此，尽管短期内偏见可能加剧，但从长远来看，性别平等仍有希望实现。
