用AI生成“STEM教授”“软件工程师”等图像为什么总是男性?女性科学家去哪儿了?

自2022年底生成式AI系统向公众开放以来，柏林自由大学物理系讲师Tanja Kubes便开始将其作为教学工具引入课堂。最初，学生们对这类系统生成文本和图像的速度感到兴奋。Kubes在物理系的七门课程以及在两次跨学科（参与者主要来自人文学科、文化研究和计算机科学）的课堂中，反复进行了一项相同的练习。学生们使用了DALL-E、Midjourney、Nightcafe、ChatGPT、Stable Diffusion和Bing Image Creator等多种主流平台。

尽管学科背景、学生构成和平台架构各不相同，结果却惊人地一致。

在实验中，学生们首先使用“STEM教授”“软件工程师”“实验室里的机器人专家”“数学家”或“工作中的气候科学家”等提示词生成图像。即使部分课程以德语授课，提示词也必须严格用英语书写，以避免德语名词中自带的语法性别预先决定输出结果。

学生们被要求从代表性、缺失和交叉性三个维度分析这些图像。他们详细描述了生成图像中如何通过性别、种族、年龄、衣着等标记被视觉编码，然后分析哪些群体被低估或完全缺失，最后考察当提示词组合多个身份时，重叠的社会类别如何被呈现或抹除。

在所有班级和所有平台上，AI系统绝大多数将STEM专家描绘成中年或更老的白人男性，有着灰白且常常蓬乱的头发、眼镜和白色实验服。当提示词加入额外背景或身份时，刻板印象会加剧，劳动分工也呈现出强烈的性别化。

例如，提示“开派对的STEM教授”生成了中年白人男性科学家被女性化机器人端送披萨和饮料的图像。

当提示词为“非洲的STEM教授”时，AI生成了有色人种女性在粘土小屋或简陋教室前教孩子的画面，通过同时将非洲教育幼稚化、把大学教授重新塑造成小学教师，压缩了种族主义和性别主义的刻板印象。

类似地，“不堪重负的STEM教授”这一提示词生成了女性中小学教师在混乱教室里挣扎的图像。

• 以上三个提示词在“豆包”中输入，分别生成了明亮背景下的西方白人男性、明亮背景下的黑人男性、暗调背景下的黑人男性。

当提示词结合了多重边缘化身份，例如“原住民跨性别科学家”或“老年酷儿气候研究者”，AI系统常常完全失败，或者生成扭曲和刻板的描绘。

总体而言，在实验中，这些输出一致地将科学专家框定为男性化和西方化的。同时，非二元性别者、有色人种专业人士和残疾科学家几乎完全缺席。

研究者引用了一个更早的著名案例来说明问题的普遍性。

2010年代中期，麻省理工学院研究生Joy Buolamwini在完成一个将激励性图像叠加到用户面部的编程项目时，遇到了一个令人震惊的问题：在集成一个开源面部识别系统后，该软件无法识别她深肤色的脸，而一个白色万圣节面具甚至她手掌上画的一张简单面孔都能被正确识别。Buolamwini最终不得不采取“编码时戴白脸”的办法——戴上白色面具才能被她自己的程序检测到。在后续的研究中，Buolamwini发现，商业面部识别系统对深肤色女性的错误率高达34.7%，而对浅肤色男性的错误率不到1%。

另一个被广泛讨论的案例是亚马逊2014年的自动招聘软件。

该系统基于历史招聘数据进行训练，而这些数据中成功的男性候选人占主导地位。算法系统性地贬低了女性申请者，再现了劳动力市场中编码的结构性不平等。而亚马逊的程序员并非对此问题毫无意识。为了防止歧视，他们特意从申请材料中删除了姓名和性别信息。然而没有预料到的是，AI会根据所喂入的数据，自己学会偏袒男性申请者而非女性申请者。

研究者指出，当前主流的“以人为中心的人工智能”（HCAI）框架虽然宣称优先考虑人类福祉、尊严和权利，但仍然存在结构性局限。

例如，欧盟AI法案和联合国的相关倡议都明确援引了以人为中心的原则，但批判性研究显示，这些伦理倡议底层开发实践基本保持不变。

对超过150份企业AI伦理声明的调查发现，“以人为中心的rhetoric”（指在修辞实践中将‌人的体验、需求与主体性‌置于核心地位的论述策略。它反对抽象教条或技术至上，强调通过共情、平等对话来构建意义）被用来转移批评和抵制监管，实质性的治理机制却基本缺失。

此外，尽管援引了普遍的人类价值观，当前的“HCAI实践”（Human-Centered AI，即以人为中心的人工智能，实践的核心在于‌将人的需求、价值与福祉置于技术发展的中心‌，通过“增强而非替代”人类能力，构建可解释、公平且可控的智能系统）往往只反映了由全球北方塑造的狭隘的人类观念，全球南方社区的世界观和实践仍然处于边缘或不可见的状态。联合国报告指出，118个国家（主要来自全球南方）没有参与任何一项主要的国际AI监管努力。

为了应对这些问题，研究者提出了一个“女性主义人工智能框架”（FAIF）。

这个框架在两个层面进行干预：

第一层面处理AI系统中可见的偏见表现，比如减少数据集和模型中的欧洲中心主义、种族主义、性别主义，增加开发团队的多样性，解决AI供应链中的剥削性劳动实践和全球不平等。

第二层面则追问更深的认知和本体论假设，比如人类例外论、身心二元论、西方科学认识论的普遍性等。研究者借用法国人类学家Philippe Descola的“自然主义本体论”概念指出，在这种框架下，人类和非人类被理解为根本不同类型的存有：人类被认为拥有内在性（心智、意图、意识），而非人类实体则主要被视为受普遍自然规律支配的物质存在。

这种本体论框架鼓励将包括AI系统在内的技术解读为作用于被动的自然和社会环境的不带感情的工具。而其他本体论模式（如万物有灵论、图腾主义、类比主义）则在自然主义所划定的人类、动物、环境和人造物之间的边界上赋予了能动性、意向性或关系的连续性。

而我们怎么定义AI（是“工具”还是“伙伴”），取决于我们选了哪种世界观，而不同的定义又会直接影响我们如何设计和使用它。

FAIF通过突出这种本体论多元性，强调关于能动性、智能和技术人工物（连接人与自然的“能力物化”枢纽‌，本体上属‌受造客体‌，功能上具‌准主体性演化趋势‌，但‌不具备法律或伦理上的完整主体地位）地位主导的假设并不是必然的，而是文化和历史情境下的产物。

在教学中，Kubes已经将FAIF成功整合到她的研讨课中。通过交叉性的视角，学生们学会了认识到AI生成的再现编码了多重且相互锁定的支配系统，这些系统在身份交叉点上效应加剧。

基于“情境知识”的概念，学生们学会不把训练数据当作对现实的中立反映，而是当作历史情境下的人造物，具体化了过去的排斥和持续的结构性不平等。

在物理系，许多学生最初并不认为这一课题有相关性，但课程结束后的评估一致支持这类内容应成为课程的核心部分。尤其是一些最初将AI系统视为中立工具的学生，最终对自己的先前立场进行了重新评价。

研究强调，AI系统并非中立工具，而是编码和再现现有权力关系的社会技术构造。AI发展轨迹并非预先注定。

女性主义AI的前景不在于提供确定解决方案，而在于促成更具反思性、可问责和以正义为导向的AI发展形式。

参考文献：Kubes, T. Beyond inclusion: feminist AI for transformative justice in STEM. AI Ethics 6, 311 (2026).