人工不智能：AI狂飙三十年 第109章 年龄、学历、地域都成标签
热门推荐：
魂穿大宋皇叔，我成水浒总瓢把子
名义：汉大崛起，气晕老沙
以十岁之名，唤一场温柔
负鼎
镇天棺
联盟：从G2青训开始
红楼之捡君记
恶毒皇女不装了，开局纳三千美男
穿越云南虫谷：献王妃求生指南
招聘系统的问题，比林凡 58 分更深。
评估继续进行后，项目组发现系统很爱给人贴标签。学历不只是学历，是“学习能力代理指标”；年龄不只是年龄，是“适应速度风险”；地域不只是地域，是“流动稳定性”；职业空窗不只是空窗，是“抗压与连续性存疑”。
每个词都很体面。
体面到让人很难一眼看出它在歧视。
张磊看着报告，说：“它把偏见穿上了西装。”
林凡说：“还打了领带。”
小吴的样本被系统标记为“非重点院校，基础能力需验证”。小吴看到后，表情很难看：“它怎么知道我基础能力不行？”
马骏安慰：“它不知道，它猜的。”
小吴说：“那更难受。被了解后否定，至少说明它看过我；被猜着否定，像我连解释机会都没有。”
阿宁转岗样本被标记为“职业路径不连续”。她说：“我从设计转视觉风控，明明是因为岗位变化，怎么到它这里变成我不稳定？”
何苗说：“系统喜欢直线。现实里很多人是被时代拐弯的。”
最刺眼的是地域标签。某些地区候选人在“稳定性”和“信用风险”上平均分偏低。供应商解释，这是根据历史离职率、薪资水平和履约数据形成的统计关联。
苏晓问：“统计关联能不能用于个人判断？”
供应商说：“只是参考。”
“如果参考导致排序靠后，靠后导致看不见，看不见导致没有面试机会，那它就不是参考，是筛选。”苏晓语气很平，“你们不能把群体统计压力压到个人身上。”
会议室里没人说话。
林凡想起金融风控。贷款系统里，地域、职业、年龄也常常是变量。招聘和金融看似不同，本质都在问一个问题：系统根据过去的数据，推测你未来值不值得信任。
可人不是一组平均值。
一个来自低分地区的人，可能很可靠；一个年龄偏大的候选人，可能学习很快；一个学历普通的人，可能靠真实项目练出判断；一个职业空窗的人，可能只是照顾家人、养病、被裁员，或者像张磊一样正在从坑里爬出来。
张磊看到“职业波动风险”那项，忍不住说：“我申请把我的人生从训练数据里移除，避免污染模型。”
周舟说：“你的波动很有教育意义。”
“这是夸吗？”
“看你怎么理解。”
林凡和苏晓一起整理了一份偏见评估清单。清单要求：敏感标签不得直接用于淘汰；半敏感标签需要做影响测试；模型报告必须区分事实和推断；候选人有权补充解释；招聘方必须定期检查不同群体的通过率；对被低分但岗位核心能力匹配的人进行人工复核。
项目经理看完，头疼：“这套下来，客户会觉得麻烦。”
林凡说：“歧视本来就是因为图省事。”
苏晓补：“精准不等于公平。很多不公平也很精准。”
这句话让林凡愣了一下。
他把它记下来。
客户最终接受了一部分修改，因为监管风向已经不允许他们完全无视。系统界面新增了“推断标签”提示，明确标注哪些是事实，哪些是模型推断；年龄和地域不再显示给一线面试官，只保留必要合规字段；低分候选人抽检比例提高。
不完美。
但比原来好。
小吴问林凡：“这些修改真的有用吗？”
林凡说：“有一点。”
“一点够吗？”
“不够。”林凡说，“但没有这一点，就更不够。”
晚上，云启未来白板写：
标签越体面，越要问它压住了谁。
何苗写：
职业路径不直，不代表人走错了。
张磊写：
我的人生波动，不得作为硬淘汰依据。
苏晓发来：
群体统计不能替个人判决。
林凡写：
精准如果没有申诉，就是精准地不公平。
林桂兰看到白板，问：“那我这种退休阿姨会被打什么标签？”
张磊说：“社区高活跃风险观察员。”
林桂兰满意地点头：“听着挺厉害。”
林凡笑了。
笑完，他看向那句“精准地不公平”。
工作被机器追着跑那阵子的风，已经不只是吹岗位了。
它开始吹到每个人的标签上。
偏见评估报告提交后，客户 hR 私下找林凡聊天。
“你们说得都对。”她说，“但人工招聘也有偏见。面试官也看学历、年龄、地域，甚至看长相和说话口音。AI 至少把规则摆出来了。”
林凡承认：“是。AI 不是凭空制造偏见，它把偏见规模化、稳定化，还让它看起来更客观。”
hR 叹气：“那我们是不是不用 AI 更好？”
“不是。”林凡说，“用，但要知道它在继承谁的眼光。以前一个面试官偏见，伤一批人；现在一个模型偏见，可能伤几万人。工具越大，纠偏越不能靠良心。”
hR 沉默很久，说：“我会把抽检比例再往上提一点。”
这不是胜利，只是一点松动。
林凡越来越明白，很多改变不是靠一场漂亮辩论赢来的，而是靠一次次把“这不对”说到别人愿意多改一行配置。
张磊把偏见报告转给维权群，群里有人说自己三十六岁投简历全是已读不回，有人说二本学历像写在脸上的水印，还有人说离开一线城市后，系统推荐的岗位自动降了一个档次。
张磊看完，半天没贫。
他在群里发：
以前我们以为是没人看见我们，后来发现，有些系统看见了，但只看见标签。
这句话被很多人复制。
标签不是新东西，但 AI 让标签跑得更快，也更难追上去解释。
评估继续进行后，项目组发现系统很爱给人贴标签。学历不只是学历，是“学习能力代理指标”；年龄不只是年龄，是“适应速度风险”；地域不只是地域，是“流动稳定性”；职业空窗不只是空窗，是“抗压与连续性存疑”。
每个词都很体面。
体面到让人很难一眼看出它在歧视。
张磊看着报告，说：“它把偏见穿上了西装。”
林凡说：“还打了领带。”
小吴的样本被系统标记为“非重点院校，基础能力需验证”。小吴看到后，表情很难看：“它怎么知道我基础能力不行？”
马骏安慰：“它不知道，它猜的。”
小吴说：“那更难受。被了解后否定，至少说明它看过我；被猜着否定，像我连解释机会都没有。”
阿宁转岗样本被标记为“职业路径不连续”。她说：“我从设计转视觉风控，明明是因为岗位变化，怎么到它这里变成我不稳定？”
何苗说：“系统喜欢直线。现实里很多人是被时代拐弯的。”
最刺眼的是地域标签。某些地区候选人在“稳定性”和“信用风险”上平均分偏低。供应商解释，这是根据历史离职率、薪资水平和履约数据形成的统计关联。
苏晓问：“统计关联能不能用于个人判断？”
供应商说：“只是参考。”
“如果参考导致排序靠后，靠后导致看不见，看不见导致没有面试机会，那它就不是参考，是筛选。”苏晓语气很平，“你们不能把群体统计压力压到个人身上。”
会议室里没人说话。
林凡想起金融风控。贷款系统里，地域、职业、年龄也常常是变量。招聘和金融看似不同，本质都在问一个问题：系统根据过去的数据，推测你未来值不值得信任。
可人不是一组平均值。
一个来自低分地区的人，可能很可靠；一个年龄偏大的候选人，可能学习很快；一个学历普通的人，可能靠真实项目练出判断；一个职业空窗的人，可能只是照顾家人、养病、被裁员，或者像张磊一样正在从坑里爬出来。
张磊看到“职业波动风险”那项，忍不住说：“我申请把我的人生从训练数据里移除，避免污染模型。”
周舟说：“你的波动很有教育意义。”
“这是夸吗？”
“看你怎么理解。”
林凡和苏晓一起整理了一份偏见评估清单。清单要求：敏感标签不得直接用于淘汰；半敏感标签需要做影响测试；模型报告必须区分事实和推断；候选人有权补充解释；招聘方必须定期检查不同群体的通过率；对被低分但岗位核心能力匹配的人进行人工复核。
项目经理看完，头疼：“这套下来，客户会觉得麻烦。”
林凡说：“歧视本来就是因为图省事。”
苏晓补：“精准不等于公平。很多不公平也很精准。”
这句话让林凡愣了一下。
他把它记下来。
客户最终接受了一部分修改，因为监管风向已经不允许他们完全无视。系统界面新增了“推断标签”提示，明确标注哪些是事实，哪些是模型推断；年龄和地域不再显示给一线面试官，只保留必要合规字段；低分候选人抽检比例提高。
不完美。
但比原来好。
小吴问林凡：“这些修改真的有用吗？”
林凡说：“有一点。”
“一点够吗？”
“不够。”林凡说，“但没有这一点，就更不够。”
晚上，云启未来白板写：
标签越体面，越要问它压住了谁。
何苗写：
职业路径不直，不代表人走错了。
张磊写：
我的人生波动，不得作为硬淘汰依据。
苏晓发来：
群体统计不能替个人判决。
林凡写：
精准如果没有申诉，就是精准地不公平。
林桂兰看到白板，问：“那我这种退休阿姨会被打什么标签？”
张磊说：“社区高活跃风险观察员。”
林桂兰满意地点头：“听着挺厉害。”
林凡笑了。
笑完，他看向那句“精准地不公平”。
工作被机器追着跑那阵子的风，已经不只是吹岗位了。
它开始吹到每个人的标签上。
偏见评估报告提交后，客户 hR 私下找林凡聊天。
“你们说得都对。”她说，“但人工招聘也有偏见。面试官也看学历、年龄、地域，甚至看长相和说话口音。AI 至少把规则摆出来了。”
林凡承认：“是。AI 不是凭空制造偏见，它把偏见规模化、稳定化，还让它看起来更客观。”
hR 叹气：“那我们是不是不用 AI 更好？”
“不是。”林凡说，“用，但要知道它在继承谁的眼光。以前一个面试官偏见，伤一批人；现在一个模型偏见，可能伤几万人。工具越大，纠偏越不能靠良心。”
hR 沉默很久，说：“我会把抽检比例再往上提一点。”
这不是胜利，只是一点松动。
林凡越来越明白，很多改变不是靠一场漂亮辩论赢来的，而是靠一次次把“这不对”说到别人愿意多改一行配置。
张磊把偏见报告转给维权群，群里有人说自己三十六岁投简历全是已读不回，有人说二本学历像写在脸上的水印，还有人说离开一线城市后，系统推荐的岗位自动降了一个档次。
张磊看完，半天没贫。
他在群里发：
以前我们以为是没人看见我们，后来发现，有些系统看见了，但只看见标签。
这句话被很多人复制。
标签不是新东西，但 AI 让标签跑得更快，也更难追上去解释。