表徵性傷害（representational harm）
/ rep-ri-zen-TAY-shun-ul HARM /
關於AI傷害的討論，多數聚焦於「分配性傷害」——也就是系統發放或扣留某種具體之物，比如一筆貸款或一份工作。表徵性傷害則是它那個更安靜、也更陰險的表親：當一套系統強化了對某一群人貶損或扭曲的形象時，哪怕此刻並沒有任何資源被發放出去。如果一個圖像生成器，在被要求畫「一位CEO」時只給出中年男性，或被要求畫「一名罪犯」時偏向某個族裔，它並沒有剋扣誰的薪水——但它正在一幅圖、一幅圖地，把一種刻板印象教給每一個使用它的人。
研究者把它拆成幾種可辨認的形態：刻板化（把某群體與一個固定、往往負面的特徵綁在一起）；貶低（使用侮辱性或非人化的語言）；代表不足或抹除（一個翻譯系統預設把「the doctor」譯成「他」、把「the nurse」譯成「她」，悄悄把某些人從某個角色裡抹掉）；以及誤認（一個照片標註器把某群體的人標成物體或動物——這是真實發生過、聲名狼藉的失敗）。它損害的是尊嚴、身份認同，以及人人都呼吸著的那片文化空氣，而非銀行帳戶餘額。
它為何重要：表徵性傷害很容易被輕描淡寫地打發掉，因為它在某一天裡並沒有明顯的受害者，也沒有一個美元數字貼在上面。但在數十億條搜尋結果、自動補全和生成圖像的規模上，這些系統會變成強有力的「老師」，教人「誰才算正常、有能力、或可疑」。誠實的難處在於：它比分配性傷害更難度量——你沒法只算一個通過率了事——而受影響最深的人，往往正是最沒有力量去申訴的那群人。
讓一個圖像模型畫「一名護士」，得到的幾乎全是女性；讓它畫「一名軟體工程師」，得到的幾乎全是年輕男性。沒有哪一個具體的使用者被剝奪了什麼，但這個模型正悄悄地把社會上最古老的那些職業刻板印象，重新教給每一個使用它的人。
沒有任何資源被扣留——但一種刻板印象，被放大到了全球的規模。
不要把表徵性傷害與分配性傷害混為一談。後者關乎「誰拿到資源」（貸款、工作）；前者關乎「人被如何描繪與看待」。一個系統可能在分配指標上完美「公平」，卻仍在散播侵蝕人心的刻板印象——所以只查通過率，會漏掉一半的圖景。