夜雨聆风AI不是中性的。当算法被用于信贷评估、招聘筛选、福利分配、保险定价时，它系统性地对低收入群体说"不"——不是因为数据不准，而是因为数据里压根没有"穷人"，或者数据本身带着对穷人的偏见。
这不是危言耸听。从福利申领到信用评分，从招聘筛选到平台派单，AI正在以我们几乎察觉不到的方式，把穷人挡在门外。
一、AI是怎么"学会"歧视穷人的？
AI没有价值观，它只是忠实地从被投喂的数据里寻找规律、建立关联、做出预测。问题就出在"被投喂的数据"上。
第一，训练数据里本来就没有穷人
布鲁金斯学会在一篇关于"算法排斥"的研究中指出，AI系统失效不仅因为做出了有偏见的预测，还因为对某些个体或群体根本做不出有意义的预测——原因是缺乏足够的数据。
这被定义为 "算法排斥"：当一个AI驱动系统因缺乏某个体的足够数据而无法对其返回输出时，就发生了算法排斥。通常，让个体在线下被边缘化的经济和社会力量——缺乏互联网接入、与收集数据的机构互动较少、参与产生可追踪数据的活动较少——同样降低了他们的数字可见性。
这些 "数据荒漠"，是AI无法有效运作的区域，导致那些本应受到公平政策保护的群体被系统性地忽视。
在AI的世界里，"看不见"和"不存在"是同一个意思。
第二，历史数据里藏着对穷人的偏见
原始数据本身就带有"偏见"：数据可能采集自本就歧视低收入者的历史体系。AI不是凭空产生偏见的，它只是忠实地把人类历史上的不平等"编码"进了自己的判断逻辑里。
第三，AI不仅复制偏见，还会放大它
有研究发现，大语言模型在复制人类知识生产机制的同时，也系统性地复制并放大了人类社会既有的认知不公。AI不是一面镜子，它是一面哈哈镜——不仅照出了偏见，还把偏见扭曲得更大、更离谱。
二、五个案例：AI歧视穷人，并非想象
案例一：福利申领的"风险评分"——穷人被AI标记为"可疑"
荷兰阿姆斯特丹曾试点名为"Smart Check"的AI程序，通过筛选市政记录中的大量数据点（地址、家庭构成、收入、资产、过往申领记录）分配"风险评分"，高风险的申请转人工额外审查。
结果：系统不成比例地标记了移民、女性和父母，且往往不给申请人明确理由或有效申诉途径。在持续批评下，该市今年早些时候暂停了该项目。
法国一家家庭福利机构（CNAF）的评分算法，自始即对身心障碍者、单亲家长、低收入与失业者等表现出怀疑态度，人权组织已向法国最高行政法院提交申诉。
AI把穷人当成"嫌疑人"来审查，而不是"需要帮助的人"来服务。
案例二：信用评分——低收入者被系统判定"高风险"
高盛与苹果合作的信用卡被指控在信用额度分配中存在性别偏见：夫妻收入与信用记录相近，妻子的额度却显著低于丈夫。
更深层的问题是：AI信贷评分因对低收入样本识别不足，往往更容易将低收入者错误归类为"高风险"，从而限制其获得金融服务。
穷人不是"还不起钱"，而是"数据里没有他们"——在AI看来，没有数据约等于高风险。
案例三：房屋场景识别——AI把穷人的家标记为"贫民窟"
《Nature》子刊一项研究分析了近百万张来自200多个国家和美国全部3320个县的用户照片与Airbnb房源图像，并确保照片中没有任何人物以隔离场景偏见。
结果令人震惊：所有模型都对低收入家庭的照片表现出显著显性偏见——更低分类准确率、更高不确定性，更易贴上"贫民窟"等冒犯性标签；隐性偏见上，低收入照片在词嵌入上与负面概念关联度更高。这一趋势在不同国家与美国多样的经济、种族格局中保持一致。
一旦这种判断被用于保险定价、房产估值或城市规划，穷人就会在不知情中被系统性降级。
案例四：网约车算法——AI决定穷人能赚多少钱
Uber和Lyft的司机，是最直观感受"AI歧视穷人"的群体。AI被用来决定每一趟行程给司机多少钱，而司机永远不知道自己一天、一周或一个月能赚多少。
2024年，Uber和Lyft常向司机支付低于最低工资的报酬，即便同时提高对消费者的收费；平台抽成（take rate）通常约40%，个别行程高达70%。有司机写道："Uber使用软件以多种复杂方式操纵我们的工资，而这些收入已连续多年下降。"更有理由认为，平台利用私密数据精确计算"一个特定工人愿意接受多低的报酬"。
2025年7月，数百名司机在旧金山Uber总部抗议算法压低工资、操控派单；一项覆盖全美48州、2500名司机的调查显示，约七成司机表示平台算法让他们在不稳定劳动条件下挣扎求生。
AI不是帮穷人赚钱，而是算出穷人"最低愿意接受多少钱"来干活。
案例五：英国福利AI系统——"效率"背后的偏见与饥饿
英国政府使用AI系统评估福利案件，结果在"统计上显著"的程度上出错。《The Conversation》刊文直言："AI本应让英国福利系统更高效，结果却带来了偏见和饥饿。"
研究还揭示：社会福利领取者对AI辅助决策的拒绝率显著高于非领取者——即使系统承诺更快处理。最需要福利的人最不信任AI，而非领取者却系统性高估了受影响群体的信任度。这意味着：制定政策的人与承受政策的人之间，存在一个危险的认知鸿沟。
最需要被看见的人，在AI决策中最不被看见；最需要被倾听的人，在政策制定中最不被倾听。
三、更隐蔽的歧视：数字鸿沟正在变成"智能鸿沟"
第一，AI的普及本身就带有阶级烙印
研究表明，生成式AI的采用按人口和社会经济特征呈现明显模式：富人先用上AI、用AI变得更有钱；穷人用不上AI，被挡在门外。
第二，穷人在AI时代更易被"数字排斥"
在数字基础设施、技术能力和资本上占优的群体，更能率先捕捉AI红利；老年人、残障群体及低收入人群因培训资源匮乏，更易被排除在智能生态之外。
第三，AI正在制造新的不平等
算法歧视从财富、权力、声望三方面阻碍合理化社会流动，加剧结构失衡。当AI被用于招聘、信贷、福利、保险等关键场景，穷人被系统性排除在机会之外，而每一次排除，都会让他们更穷。
四、问题出在哪？——AI只是放大器，根源在人
AI没有"主观恶意"。它的偏见全部来自被投喂的数据。但问题恰恰在这里：AI把人类的偏见"包装"得更冷静、更体面，然后再重新塞给人类。
传统社会的歧视至少"可见"——一个信贷员拒绝贷款给穷人，你能看见、能投诉、能起诉。但算法歧视隐藏在复杂的模型结构中，你甚至不知道自己在被歧视，只知道"为什么我申请被拒了""为什么我刷到的岗位都是这些"。AI从业者可能自己都不知道自己的产品在歧视穷人。
写在最后
AI对穷人的歧视，不是"我讨厌穷人"那种赤裸裸的敌意。它是系统性的、隐蔽的、结构性的——在福利系统中把穷人标记为"可疑"、在信贷中给穷人贴"高风险"标签、在招聘中过滤掉"非名校"简历、在平台经济中算出穷人"最低能接受多少钱"。
AI不是歧视的发明者，而是歧视的放大器。它把人类社会中无形的阶层偏见，训练成了有偏见的输出；把历史上的不平等，编码成了未来的不平等。
联合国人权事务高级专员蒂尔克警告称：如不紧急设置防护措施，人工智能可能加剧不平等、放大偏见，并在现实世界中引发危害。
纠正AI的歧视，从来不是跟AI作对，而是跟我们自己作对。当我们要求AI停止输出阶层偏见时，我们其实是在要求自己——停止用一个充满不平等和偏见的世界去喂养它。
这是AI给人类出的最难的一道题：它不只是暴露了我们的偏见，还逼着我们直面它。
如果这篇文章对你有启发，欢迎点赞、在看、转发给更多人。关注我们，持续拆解AI时代的真问题。