“友好型人工智能”？开发用于评估人工智能在地球观测领域应用的社会影响分析框架

《Social and Environmental Accountability Journal》：Convivial AI? Developing a societal impact analysis grid for assessing artificial intelligence in Earth observation

　　人工智能在生态观测中的应用及其社会影响分析，提出扩展共治技术矩阵的STIAG框架，评估数据生产、信息权力分配、可及性等八个维度，揭示观测-被观测权力失衡、数据垄断、技术封闭性等殖民主义遗留问题，建议加强全球合作、开放数据、包容性研究设计。

　　### 人工智能与社会可持续性的交织：以地球观测为例的分析框架

在当今社会，随着全球气候变化问题日益严峻，社会各界对可持续发展议题的关注也在不断加深。从交通、能源、工业到自然环境保护，各类领域的创新实践都在探索如何在满足当前社会需求的同时，为后代保留足够的资源和生态条件。在这一背景下，人工智能（AI）被广泛认为是一种能够推动可持续发展的关键技术。然而，尽管AI在生态友好型应用中的潜力备受瞩目，其自身在社会层面的影响却常常被忽视。特别是，那些专注于生态问题的AI应用，它们可能带来的社会后果，如数据隐私、知识权力分配、社会不平等加剧等问题，尚未得到充分研究。

本文旨在填补这一研究空白，通过提出一种新的分析框架——社会技术影响评估网格（STIAG），对AI在地球观测（EO）领域的应用进行深入探讨。STIAG是在现有技术影响评估框架——如“共在技术矩阵”（MCT）基础上扩展而来的，结合了社会公平、责任、透明度等社会理论，以及数据保护和信息科学的相关内容。通过这一框架，我们不仅能够全面评估AI在EO应用中的生态足迹，还能更深入地理解其对社会结构和权力关系的潜在影响。研究发现，AI在EO中的应用虽然在某些方面展现出积极的社会价值，如促进全球合作、提升环境监测能力等，但也伴随着一系列值得关注的问题，如数据获取的不平等、技术的高门槛、以及可能的殖民主义隐喻。

### 地球观测的现状与挑战

地球观测技术通过遥感手段，如卫星图像分析，对地球表面的物理、化学和生物特性进行系统性监测。这种技术不仅对环境治理至关重要，也为实现联合国可持续发展目标（SDGs）提供了关键数据支持。例如，森林和河流的监测、全球农业和粮食安全的跟踪、海洋监视以及灾害管理等，都是EO技术的重要应用领域。随着技术的发展，EO与人工智能的结合使得数据处理更加高效，能够自动识别和分类地表特征，从而提升环境研究的深度和广度。

然而，EO技术的广泛应用也带来了新的社会挑战。首先，AI在EO中的应用往往依赖于庞大的数据集和强大的计算基础设施，这些资源的获取和使用门槛极高，导致技术的普及和应用受限。其次，尽管AI能够提升数据处理效率，但其应用过程中的数据所有权和使用权问题仍然突出。许多数据和模型的开发由少数机构主导，这些机构往往位于全球北方，而数据的生产者和使用者则多来自全球南方，这种不对等的关系在某种程度上反映了历史上的殖民结构。此外，AI在EO中的使用可能加剧社会不平等，因为那些掌握数据和技术的群体能够从环境监测中获得更多好处，而受影响的社区则可能被边缘化。

### 社会技术影响评估网格（STIAG）的构建与应用

为了更全面地评估AI在EO中的社会影响，我们提出了STIAG这一分析框架。STIAG基于MCT，但在原有五个维度的基础上，增加了四个新的评估标准，包括数据与知识生产、信息权力的再分配、自我治理和公平性。这些新增标准旨在捕捉AI在社会层面的复杂影响，尤其是其对数据所有权、知识共享以及社会权力结构的潜在影响。

在应用STIAG对EO中的AI进行评估时，我们发现了一些关键的社会问题。例如，在“相关性”（relatedness）维度上，AI的使用有助于促进国际学术合作，但同时也可能强化观察者与被观察者之间的不对等关系。在“适应性”（adaptability）维度上，AI的高计算需求和复杂性限制了其在小型项目中的灵活性。而在“可及性”（accessibility）维度，数据和模型的获取门槛高，使得许多发展中国家和非专业群体难以参与其中。此外，数据与知识生产方面，AI虽然能够生成大量环境数据，但这些数据的使用往往缺乏透明性和公众参与，从而影响了知识的公平传播和利用。

### 评估结果与社会影响

通过对EO中AI应用的评估，我们发现其社会影响呈现出复杂性和多样性。在“相关性”和“数据与知识生产”方面，AI的使用具有明显的正面作用，如促进国际协作、增强环境监测能力等。然而，在“自我治理”和“适当性”方面，AI的应用则显得较为中性或存在争议。一方面，AI的使用可能增强某些群体的决策能力，另一方面，其高门槛和封闭性也限制了技术的广泛适用性。

在“信息权力的再分配”和“公平性”维度上，AI在EO中的应用则显示出负面倾向。由于数据和模型的开发主要由少数机构主导，这些机构往往位于全球北方，而数据的生产者和使用者则多来自全球南方，这种不对等的权力结构可能进一步加剧社会不平等。此外，AI在EO中的使用还可能带来新的社会问题，如数据的商业化利用、对本地知识的忽视以及对受影响社区的潜在威胁。

### 社会责任与未来展望

本文的研究不仅揭示了AI在EO中的社会影响，还提出了多项建议，以促进更可持续的AI应用。首先，我们需要推动开放科学和共同知识生产，确保所有利益相关者都能参与数据和模型的开发过程。其次，应加强数据共享和可及性，降低技术门槛，使更多社区能够受益于EO数据。此外，政策制定者和研究机构应关注AI在EO中的潜在社会风险，如数据所有权、知识权力分配等，并采取措施加以缓解。

最后，本文强调了AI在可持续发展中的潜力，但也提醒我们，不能将其视为解决所有社会问题的万能钥匙。AI的应用必须与社会公平、环境保护和知识共享等核心价值观相结合，才能真正实现可持续发展的目标。未来的研究可以进一步扩展STIAG的应用范围，不仅限于EO领域，还可以用于其他数字技术的评估。通过这种跨学科的方法，我们希望能够为AI在可持续发展中的应用提供更加全面和深入的理论支持和实践指导。