AI 促进社会公益

“AI 促进社会公益”（AI for Social Good，AI4SG/AI4SI）是 AI 研究中的一个子领域，其主要目标是产生可测量的社会影响，特别关注弱势和资源不足群体，并重点解决历史上缺乏足够 AI 研发投入的问题。

核心要点

• 伦理且以影响为导向的 AI 开发： 过去十年 AI4SG 项目随着 AI 和机器学习进展显著增长，并更加重视伦理、公平与社会效益，确保技术以负责任方式解决现实问题。
• 跨学科合作至关重要： 成功的 AI4SG 项目需要 AI 研究者、领域专家、政策制定者和当地社区之间建立紧密伙伴关系，以保证方案具有现实相关性和长期可持续性。
• 可扩展性与可持续性： AI4SG 已显示巨大潜力，但在资源有限环境中长期维护和扩大解决方案仍是关键挑战。

本章主席： Millind Tambe

背景与历史

“AI 促进社会影响”已经成为 AI 中一个独立子领域，其特点是把可测量的社会影响，尤其是对弱势与服务不足人群的影响，置于核心位置。

传统 AI 研究通常优先追求方法学进步，而 AI4SI 则把直接社会影响作为主要目标。它关注那些历史上在 AI 研究中投入不足的问题，希望弥合 AI 技术能力与现实社会挑战之间的差距，例如贫困、农业、公共卫生和环境保护。

AI4SI 的目标是面向现实问题构建真正产生影响的解决方案，而且这些问题往往位于资源受限环境。

这类研究必须深入接触领域专家和社区成员，以确定真正重要的问题、设计有效干预，并严格评估其影响。它需要吸收人机交互、公共卫生、社会工作等领域的知识，理解目标社区的具体需求，并在技术创新、伦理考量和现实可行性之间取得平衡。

2016 年，美国白宫科学与技术政策办公室组织的“AI for Social Good”工作坊，可以被认为是显著推动这一主题发展的单一事件 [1]。它把原本分散的社会影响工作整合到一个逐渐成形的领域中。

这一兴趣增长源于多个因素：

• 深度学习、自然语言处理和强化学习等 AI 技术迅速进步，提供了能够用于广泛社会问题的强大工具；
• 计算能力和大型数据集更加可得；
• 政府和产业界建立专门资助计划；
• 主要 AI 会议增加专题工作坊、会议和特别赛道 [2,3]；
• 相关论文数量快速增长，表明领域逐渐成熟 [4]。

当前状态与趋势

跨学科协作成为常态

社会挑战本身非常复杂，通常必须结合多领域知识。与领域专家、当地实践者和政策制定者密切合作，可以确保 AI 方案不仅技术正确，而且在现实中真正相关和有效。

这种合作有助于形成共同的问题理解，并使解决方案能够适配具体社区需求。

伦理 AI 成为核心要求

公平、透明和隐私尤其重要。数据收集偏差以及 AI 部署的非预期后果，必须从项目早期就加以处理，保证系统与社会价值一致并避免伤害。

AI4SG 项目往往直接面向弱势群体，并处理敏感数据，因此伦理问题更加突出。主动处理伦理风险可以建立社区信任，并避免 AI 加剧现有不平等。

新机会

1. 云平台用于可扩展部署。
   云基础设施使 AI 工具可以部署到偏远或资源不足地区，扩大技术可及性。

2. 增强可解释性与透明度。
   在灾害响应和公共卫生等高风险场景中，能够解释推理和决策的系统更容易获得实践者和受益群体信任。

3. 本地化和可持续维护。
   如果最终用户能够长期维护解决方案，就更容易形成持续影响和社区所有权。

4. 利用基础模型。
   预训练基础模型可以成为特定社会问题解决方案的起点，减少开发时间和资源 [5]。

研究挑战

设计真正具有情境相关性的 AI

AI4SG 方案不能只在技术上有效，还必须深入理解目标社区的具体需求、文化敏感性和现实约束。

研究者需要超越纯算法视角，采用参与式设计，将最终用户的声音和经验置于重要位置，使解决方案真正符合现实需求。

数据限制

AI4SG 项目经常面对：

• 数据稀缺；
• 数据质量低；
• 数据偏差严重。

这些问题会直接损害模型性能与公平性。需要发展稳健数据收集方法、数据增强、偏差缓解以及替代数据源。

同时，数据收集必须适应当地文化实践，而不是简单施加外部标准。

在资源受限环境中保持可持续与可扩展

项目不能停留在原型阶段。长期可行性取决于 NGO、政府机构等资源有限组织能否维护和扩大系统。

这要求：

• 可持续的软件架构；
• 易用界面；
• 对当地利益相关者提供培训和支持；
• 建立长期资金来源。

很多项目缺乏商业可行性，因此持续融资本身就是主要困难。

建立现实场景中的稳健评估框架

影响评估不能只看传统性能指标，还要衡量社会影响、用户满意度、伦理结果和长期可持续性。

无障碍社区的原则“没有我们的参与，就不要替我们做决定”（Nothing about us without us）[6]，提醒研究者应在评估全过程中纳入利益相关者。

还必须警惕企业“伦理漂绿”或“绿色漂洗”，确保社会公益项目真正由社会目标驱动，而不只是公关活动。

教育能力缺口

传统 AI 教育主要关注算法设计、分析、理论概念和基准数据集性能，但 AI4SG 需要更广技能：

• 与公共卫生、环境科学、社会工作等领域专家合作；
• 与受技术影响的社区成员有效沟通；
• 理解社会经济和文化情境；
• 将技术进展转化为可操作、以用户为中心的干预。

社区意见

AAAI 调查共有 475 名受访者，其中 119 人回答了 AI 促进社会公益相关问题。

在这 119 人中：

• 33.61% 认为该主题“非常相关”；
• 26.89% 认为“相关”；
• 21.01% 认为“有些相关”。

主要障碍包括：

• 在真实现场测试解决方案：47.06%
• 商业模式可持续性：42.86%
• 扩大解决方案：38.66%
• 问题定义：36.13%
• 与非营利组织或政府机构建立联系：32.77%
• 评估 AI 准备程度：30.25%

扩展社会影响 AI 方案所需的关键资源中，“资金”和“数据”被大量受访者认为极其重要；此外还包括政府—企业伙伴关系、政府—大学伙伴关系以及技术支持。

衡量 AI 干预成功时：

• “采用率”：48.74%
• “结果改善”：47.90%
• “可持续结果”：37.82%

参考文献

参考文献保持原报告编号；完整英文书目信息见原报告第 46 页。