前沿速递

资助人工智能向善：呼吁有意义的参与

核心概念

技术中心主义方法（Techno-centric Approach）：这是一种将技术置于干预措施核心的思维和实践模式，它倾向于将复杂的、结构性的社会挑战简化为可以通过技术手段解决的问题，即技术解决方案主义。这种方法往往由外部技术专家主导，缺乏与当地社区的深入互动，评估成功的标准也主要集中在技术指标上，如模型准确率或软件开发成果。举例来说，一个社区面临粮食短缺问题，技术中心主义的做法可能是直接引进一套先进的 AI 农业灌溉系统，并认为只要系统高效运行，问题就能解决。但这种方法可能完全忽略了社区的实际情况，比如当地缺乏维护先进系统的技术人员、电网不稳定无法支持系统运行，或是这种灌溉方式与当地传统耕作文化相冲突。最终，这套昂贵的技术设备可能因无法适应本土环境而被闲置，问题依旧没有解决。

平衡方法（Balanced Approach）：这是一种在承认并利用技术能力的同时，更强调对特定社区面临问题的深入理解和情境化知识的方法。它主张与社区进行协作，将社区成员视为平等的合作研究者，他们的生活经验和在地知识被认为是与技术专长同等重要的合法知识。这种方法不仅关注技术产出，也重视社区赋能、能力建设和关系建立等社会成果。例如，同样是解决社区粮食短缺问题，采用平衡方法的团队会首先花时间与社区居民共同生活和交流，理解他们面临的真正困难。他们可能会发现问题根源在于种子质量差或缺乏销售渠道。于是，团队与社区共同设计解决方案，可能是一个简单的信息平台，用于分享优质种子信息和对接市场，同时利用 AI 技术对市场价格进行预测。在这个过程中，技术只是工具之一，而最终的成功是社区自身解决了问题，并且获得了未来发展的能力。

认知正义（Epistemic Justice）：这个概念指的是在知识创造和认可过程中所体现的公平性，即承认谁被视为知情者以及哪种形式的知识被认为是合法和有价值的。在人工智能向善项目中，实现认知正义意味着要挑战技术专家的知识优于一切的观念，承认并尊重来自社区成员的生活经验、传统智慧和在地知识，并将其作为项目设计和决策中不可或缺的一部分。例如，一个旨在用 AI 保护某片森林的环保项目，如果只依赖卫星图像和传感器数据，而忽视了世代居住于此的原住民对森林生态系统的深刻理解，这就是一种认知上的不公正。而实现认知正义的做法，则是邀请原住民作为项目核心成员，将他们的口述历史、对动植物的观察经验与数据科学家的模型相结合，共同制定保护策略。这不仅让解决方案更有效，也尊重了社区的知识主权。

研究问题

人工智能向善（AI4SG）旨在利用数据驱动技术解决公共卫生等社会问题，但越来越多的证据表明，这些项目往往无法为目标社区带来预期的积极成果，常常面临社区参与不足和可持续性差的挑战。以往的研究大多关注项目团队（如技术专家和非营利组织）的角色，而忽视了资助方在塑造项目方向、设计和优先事项方面的关键影响力。资助方不仅是资金提供者，更是议程设定者，其资助议程深刻影响着项目如何开展，但我们对资助方如何构建 AI 的角色及实现路径却知之甚少。

因此，本研究的核心问题是：在 AI4SG 领域的资助文件中，资助方是如何界定社会公益的？他们设想人工智能在其中扮演什么角色？他们期望项目达成什么样的成果，并设想通过何种途径来实现这些目标？这些资助议程是倾向于技术中心主义，还是更注重技术能力与情境理解之间的平衡？