人工智能应与原住民知识体系共建而非相悖AI must be built with Indigenous Knowledges, not against them | Pursuit by the University of Melbourne

环球医讯 / AI与医疗健康来源:pursuit.unimelb.edu.au澳大利亚 - 英语2026-07-19 22:31:33 - 阅读时长5分钟 - 2136字
本文深入探讨人工智能与原住民知识体系的复杂关系,指出同一项AI技术既能助力濒危语言复兴和传统文化保护,也可能加剧历史不公。研究揭示关键在于设计初期是否将原住民知识体系纳入考量,通过澳大利亚、新西兰及台湾等地的医疗健康案例,既展示AI在糖尿病视网膜病变筛查等领域的积极应用,也揭露数据偏见导致的误诊问题,强调必须以CARE和OCAP等原住民主导原则规范AI开发,确保技术真正反映多元文化视角而非延续殖民权力结构,这对构建公平包容的人工智能未来具有根本性意义。
原住民医疗AI辅助筛查糖尿病视网膜病变中耳疾病跌倒风险眼部健康耳部健康长者健康
人工智能应与原住民知识体系共建而非相悖

澳大利亚正值纪念原住民及托雷斯海峡岛民周(NAIDOC Week)五十周年之际,这一活动旨在致敬世界上最古老的活态文化,而人类最新技术却仍未正视一个基本原则:"事关我们,必有我们参与"。

令人担忧的是,人工智能(AI)如同此前众多技术一样,可能成为又一种掠夺性力量,在未经同意、不给予认可或回报的情况下"攫取"原住民知识体系。

这一矛盾已登上全球舞台。在首份通谕《人类尊严》(Magnifica Humanitas)中,教皇利奥十四世将AI视为我们这个时代关键的道德考验之一。他谈及AI可能沦为压迫工具的危险,强调其可能对少数群体、边缘化人口及原住民造成歧视,并最终指出我们必须直面关于AI所有权、治理、问责及收益分配的根本问题。

我们的研究发现了一种双重现实:尽管AI具有赋能潜力,但也存在固化现有及历史偏见的重大风险。

本研究基于早于当前AI产业显著扩张期的原住民主导型研究伙伴关系,旨在探索原住民知识体系与AI的交汇点,同时评估其对全球原住民的潜在风险与机遇。

我们对2012至2023年间发表的53项学术研究进行综述,归纳出AI影响原住民知识持有者及社区的四种方式。研究发现AI可能固化既有偏见,加速而非预防伤害。因此,保护社区需要采用新的、积极参与且获得共识的方法来训练大型语言模型(LLMs)。在此过程中,原住民知识必须以合乎伦理的方式嵌入,并得到适当认可与真正重视。

但也有积极面。AI可成为社区受益的知识保护工具,并设计解决原住民主导问题的方案。事实上,全球研究人员已开始运用AI复兴濒危语言、绘制文化意义重大的土地并记录口头传统。

在西澳大利亚,科廷大学开发了一款原型应用,可识别当地野花并播放其在诺恩加尔语(Noongar)中的名称,辅助发音。在加利福尼亚,研究人员正与阿玛·穆茨恩部落联盟(Amah Mutsun Tribal Band)合作,利用机器学习绘制对部落文化复兴至关重要的植物分布图。此类计算工具可支持原住民知识持有者记录、保护并延续其文化遗产。

AI还在应对原住民社区自身优先事项方面发挥作用。在澳大利亚区域及偏远地区,原住民医疗诊所正试用AI辅助筛查技术对抗糖尿病视网膜病变——这一可预防性失明的主要诱因。该举措直接解决了历史上筛查率较低地区的关键缺口。澳大利亚其他医疗提供者正利用AI工具通过检测中耳疾病改善原住民和托雷斯海峡岛民儿童的耳部健康。在台湾,医疗项目正运用预测模型评估原住民长者的跌倒风险,弥补因距离遥远、技能短缺及高成本造成的缺口。

但这些案例并非全部图景。

支持系统的同一技术也可能不尊重甚至损害原住民及其知识体系。在澳大利亚,一款AI眼科筛查工具因仅使用中国诊所的数据集训练,导致对原住民患者的误诊率居高不下——算法可能未能考虑视网膜色素的自然差异。在新西兰,一款用于儿童保护的AI系统不成比例地针对原住民家庭,研究发现该算法将毛利儿童转介至保护服务的比例远超实际案例数据所能证明的水平。

这些并非技术故障,而是基于未能反映特定人群需求的通用数据构建系统的可预见后果。更深层的忧虑在于:开放数据采集是AI开发者构建技术的核心方式。对数世纪来饱受"掠夺式研究"之苦的原住民而言,这种做法违反了"自由、事先和知情同意"原则,直接剥夺了社区管理自身信息的权利。

两项原住民主导的全球框架明确指出这一点。《关怀原则》(CARE原则:集体受益、控制权、责任与伦理)和《OCAP原则》(所有权、控制权、获取权与 possession权)确认社区应是其自身数据的决策者。而当今大多数AI系统在设计时并未考虑这些原则。

批评者早已警告AI可能强化现有权力结构。以欧洲为中心的意识形态塑造了AI,偏爱个人主义及西方世界观,系统随后在学习的类别中复制这些假设。许多研究者认为AI必须通过去殖民化视角审视,揭示殖民权力的历史与持续运作。

原住民知识体系提供了不同的起点。在新西兰,毛利知识体系(Mātauranga Māori)将人类与自然界(te taiao)的关系置于核心;在撒哈拉以南非洲,乌班图哲学(Ubuntu philosophy)以集体福祉为中心。这些并非AI设计流程末端可添加的"调味剂",而是可设计新型AI的替代性基础。

前方工作在于监管而非善意。监管机构必须将CARE和OCAP等原则从愿景转化为法律,使"原住民数据主权"成为每个使用原住民数据的AI系统必须满足的强制标准。澳大利亚自愿性的《AI伦理框架》可作为此项工作的起点。

技术产业必须接受:与社区的共同设计是部署的前提而非事后补救。为健康、儿童保护等高风险场景构建系统的公司,仅应使用原住民认定有效的数据训练模型。这涉及在数据训练过程中通过认可、尊重及经济补偿来重视原住民知识体系。

这引向一系列需澄清的更广泛问题:我们所用AI背后的训练数据归谁所有?运作成功时谁受益?算法出错时谁承担代价?

随着AI蓬勃发展,我们发现的模式愈发清晰。我们正在构建AI并固化其假设与偏见。唯一的问题是:它反映的是单一世界观,还是多元视角?

【全文结束】