時值2020年，伴隨著“?！钡囊宦暎挥谖鞣堑亩喔鐢等f名貧困村民的手機發(fā)來了資助到賬的好消息。在人工智能的幫助下，面臨生活困頓的村民每兩周可以獲得政府10美元的資助。雖然錢不多，但是可以幫助他們在新冠肺炎疫情期間免于挨餓。

圖源：Barbara Gibson

多哥是傳統農業(yè)國家，國土面積狹長，工業(yè)基礎薄弱，人口只有800萬人，是世界上最不發(fā)達國家之一。疫情期間，多哥政府推出了名為 Novissi的數字現金轉移支付援助項目，旨在幫助有需要的人群渡過難關。然而，項目剛剛推出時，如何精準定位“哪些人需要援助”成了問題。由于多哥最近的一次人口普查完成于2011年，也就是9年之前，調查沒有包含可以判斷家庭經濟狀況的信息。而其最近的國家生活水平調查僅僅涵蓋了一部分家庭。項目執(zhí)行者無法判斷，到底應該把錢發(fā)給誰？

傳統的扶貧項目依賴于通過面對面調查收集的數據來劃定幫扶對象，而這在疫情期間是無法實現的。多哥數字經濟和轉型部長Cina Lawson聯合了加州大學伯克利分校的科學家，以及非政府組織“ Give Directly ”，采取分析衛(wèi)星圖像和手機網絡數據的方法，來判斷特定地區(qū)和個人的財富情況。Lawson說：“我們需要非常精準的定位，人工智能在扶貧中發(fā)揮了重要作用?！?/p>

世界銀行對于“極端貧困”的最新定義為：每天生活費不足 2.15 美元。據此標準，全球約有 7 億人生活在極端貧困中。消除貧困是聯合國可持續(xù)發(fā)展目標之一。消除貧困，首先需要了解“誰需要幫助”以及他們的需求。但衡量貧困一直是一項挑戰(zhàn)，因為收集最貧困人群的數據需要花費大量時間和成本。

人工智能讓多哥政府“跳過”使用舊的、不完整的數據的障礙，快速充分利用有限的預算。這是人工智能在扶貧工作中的一次“亮相”。然而，使用人工智能來“定義”貧困，有贊同，也有爭議。

美國威廉與瑪麗大學AidData研究實驗室的發(fā)展經濟學家Ariel BenYishay對于使用人工智能扶貧表示贊成。因為其最大的優(yōu)點就是快速、高效、覆蓋范圍廣，并且可以識別出人工調查可能遺漏的數據。人工智能還可以幫助研究人員評估項目的執(zhí)行度，并判斷出扶貧資金投入后是否能夠真正帶動醫(yī)療、農業(yè)、教育和基礎設施等領域的進步。

世界銀行認識到了人工智能的這一價值，試圖開發(fā)先進工具來預測糧食危機和暴力沖突，并從援助干預后收集的大量數據中開展后期評估。2024 年10 月，世界銀行表示：“反貧困工作應側重于利用機器學習和人工智能模型來縮小數據缺口，實現更及時的監(jiān)測”。

但是，瑞典隆德大學人文地理學家Ola Hall表示，對此應該保持謹慎。在研究人工智能與脫貧工作的過程中，他發(fā)現，人工智能完全依賴數據。那些真正極度貧困，以至于沒有機會接觸互聯網、沒有手機，沒有留下數字軌跡的家庭和個人，是無法納入到人工智能統計范圍內的。以此而建立的貧困數據模型往往會導致種族主義、性別歧視和其他偏見。他認為，目前來看，人工智能在“定義貧困”上還遠不夠準確，不能單憑人工智能來決定哪些人可以獲得資助，哪些人不能。

人工智能系統不夠完美，傳統評估系統也不甚令人滿意。那么，到底如何才能全面、準確地劃分貧困人群范圍？世界機構、社會組織和科學家們一直在努力嘗試，尋找一種更為合理的“定位”系統。

貧困的定義

圖源：Kelvin Juma

英國社會改革家Charles Booth在 1886 年至 1903 年間曾經進行過一項量化貧困的嘗試。采用人工調查的方式，他走遍了倫敦的大街小巷，來收集人們的收入以及關于社會階層的數據。他在題為《倫敦人民的生活和勞動》的論文中繪制了一張彩色城市地圖，報告了他的發(fā)現。英國社會學家Seebohm Rowntree和他的團隊在英國約克采訪了 11560 個家庭，根據滿足一個人生存最低營養(yǎng)需求來計算貧困度，并在 1901 年出版的《貧困：城鎮(zhèn)生活研究》一書中發(fā)表了研究結果。

1964 年，美國總統Lyndon Johnson宣布“向貧困宣戰(zhàn)”后，采用了經濟學家Mollie Orshansky設計的貧困線。該標準將“貧困”定義為衣食住行所需的最低收入。與此同時，印度也對其民眾進行了類似的統計，同樣是根據一個人每天的生活費來定義貧困。

世界銀行經濟學家Dean Jolliffe認為，按照每天需要花多少錢的方法來定義貧困最為直接了當。然而，除了餓肚子之外，很多研究人員認為，貧困并非只有“吃飽”這一個維度要素，是否有穩(wěn)定居所，是否接受教育等，都應該納入評判是否貧窮的標準。

到了21 世紀初期，牛津大學的牛津貧困與人類發(fā)展計劃主任Alkire希望找到一個多維系統來衡量貧困。2008 年，他與華盛頓大學經濟學家James Foster合作開發(fā)了多維貧困指數 (Multidimensional Poverty Index，MPI) ，從健康、教育和生活條件三個維度，將營養(yǎng)、兒童死亡率、入學年限、兒童入學率、烹飪燃料、衛(wèi)生間、水、電、地板以及資產等10個指標納入評價系統，從多層面生動反映貧困人群所面臨的挑戰(zhàn)。這是一個巨大的變化。它使政策制定者能夠衡量、分析和確定導致家庭貧困的相互作用變量。2010 年，聯合國開發(fā)計劃署用MPI 取代了人類貧困指數，打破了原有單一的貧困線模式。

不僅僅是MPI ，研究人員和援助機構還開發(fā)出了無數種定義貧困的方法。斯坦福大學水資源、健康與發(fā)展項目負責人 Jennifer Davis表示，這些方法所包含的因素各不相同，取決于使用者想要衡量的內容和手頭擁有的數據。2024 年，她和團隊用其中四種方法來分別對埃塞俄比亞、加納和烏干達的家庭貧富情況進行排名，結果存在巨大差異。原因在于樣本差異大，而且沒有將城市最底層的20%的家庭和個人，乃至于最為貧困的1%的家庭和個人納入統計。

最需要幫助的人，不在被幫助的范圍內。這樣的尷尬，正是扶貧工作的難點所在。如何去發(fā)現這1%的貧困人口，人們把希望再次寄托在人工智能身上。

人工智能另辟蹊徑

盡管研究人員一直在不斷改進評價指標，使用最新的算法來分析數據。然而，這些數據的來源很大程度上仍然以人工實地調查的方式來獲取。然而，即使是一支訓練有素的實地調查小組也需要幾個小時才能完成對一個家庭的調查。這種“笨辦法”在科技高速發(fā)展的當下常常讓人感到吃驚。這種“吃驚”頗有“何不食肉糜”之感。世界銀行經濟學家Dean Jolliffe表示，天生應該擁有個人數據的想法，本身就是一種富裕世界的觀點。

作為農業(yè)和資源經濟學博士生Marshall Burke曾在肯尼亞和烏干達用幾個月的時間了解當地農業(yè)發(fā)展。2015 年，他在斯坦福大學創(chuàng)辦環(huán)境變化與人類成果實驗室時，與遙感專業(yè)的David Lobell以及人工智能和圖像識別專家Stefano Ermon合作。三人嘗試利用不斷增加的衛(wèi)星圖像數據來幫助識別世界各地生活在貧困中的人們。由于夜間照明可以粗略地反映財富。因此，他們使用非洲各地夜間衛(wèi)星圖像和白天圖像，通過對比來教計算機模型識別與財富相關的特征。

“讓計算機比較貧窮地區(qū)和富裕地區(qū)的差別，就像是電子游戲‘找不同’差不多?！盉urke介紹，算法會比較道路分布和狀況、綠地面積、建筑物大小和間距以及許多其他變量，并對這些數據進行分類來確定哪些變量反映了財富的變化。

研究期間，團隊利用機器學習的發(fā)展，不斷改進調整數據模型。到了2020 年，他們利用一組涵蓋整個非洲的公開衛(wèi)星圖像數據集，測試了一種更新的方法。當團隊將機器學習的預測與來自 20000 個村莊的財富調查數據進行比較時，該算法的表現與費力的人工調查一樣好，但付出的調查成本卻大為降低。

這對開發(fā)界來說是一次開創(chuàng)性的改進。隨著這項研究的成功，科學家們開始通過機器學習來分析氣候、農業(yè)生產、基礎設施投資等產生的影響。雖然該領域還處于起步階段，在各方面存在一定風險。但是，從實際應用中的效果來看，仍然讓人感到樂觀。

實踐應用任重道遠

多哥政府官員Lawson為Novissi項目準備了3400 萬美元的預算。這些資金來自政府和非政府組織，用于幫助該國800多萬人口度過疫情期間的困境。她需要想辦法合理分配這筆資金。但多哥沒有足夠詳細的貧困數據來支撐這次救援。

在顧問的推薦下，Lawson聯系了加州大學伯克利分校計算機科學家Joshua Blumenstock。他從2015年開始用算法分析手機數據的方法來預測盧旺達的財富情況。他還一直在使用衛(wèi)星圖像來繪制所有中低收入國家的貧困地圖。

在多哥，人們廣泛使用手機。該國還使用移動貨幣。Blumenstock建議，根據手機使用情況（包括移動貨幣交易、通信頻率等）來識別富裕人群和貧困人群。結合衛(wèi)星圖像分析，人工智能可以確定“誰最需要錢”。

雖然這次實踐的結果在2022年的報告中反饋良好，但是人工智能在全球范圍內的扶貧工作中仍然面臨不少挑戰(zhàn)。比如，2022年，人工智能預測非洲部分地區(qū)將面臨洪水災害。根據這一結果，慈善組織將援助資金發(fā)到了非洲6000個家庭的賬戶上。這筆錢讓了受到洪水襲擊的農民可以加固房屋，清理田地。然而部分地區(qū)的洪水并沒有按照人工智能的“預期”發(fā)生在預測的位置。這意味著一些未受洪水影響的家庭收到了錢，而一些受影響的家庭卻沒有受到援助。

是否精準，是考量人工智能在扶貧工作中表現的重要依據。開發(fā)多維貧困指數的Alkire始終認為，冰冷扁平的數據無法真實反映貧富差距。再先進的計算也無法彌補數據不足的問題。

瑞典人文地理學家Hall認為，貧困線的制定應該是動態(tài)的。誰需要援助、需要哪種形式的援助，這些都在不斷變化。盡管算法正在不斷改進，但他仍將人工智能識別貧困人口的能力定位于“進度條”的20%。

成功運用人工智能識別非洲貧富狀況的Burke表示，算法方法和傳統調查都是有價值的，也是必要的。他不想將兩者對立起來。他說，當政府和援助機構面臨有限預算和突然而至的經濟沖擊時，人工智能也許是幫助人們擺脫困境的關鍵工具。

參考文獻：

Carrie Arnold.(2025). Can AI help beat poverty? Researchers test ways to aid the poorest people. Nature 638, 878-880.

doi: https://doi.org/10.1038/d41586-025-00565-7