表征性伤害（representational harm）
/ rep-ri-zen-TAY-shun-ul HARM /
关于AI伤害的讨论，多数聚焦于「分配性伤害」——也就是系统发放或扣留某种具体之物，比如一笔贷款或一份工作。表征性伤害则是它那个更安静、也更阴险的表亲：当一套系统强化了对某一群人贬损或扭曲的形象时，哪怕此刻并没有任何资源被发放出去。如果一个图像生成器，在被要求画「一位CEO」时只给出中年男性，或被要求画「一名罪犯」时偏向某个族裔，它并没有克扣谁的薪水——但它正在一幅图、一幅图地，把一种刻板印象教给每一个使用它的人。
研究者把它拆成几种可辨认的形态：刻板化（把某群体与一个固定、往往负面的特征绑在一起）；贬低（使用侮辱性或非人化的语言）；代表不足或抹除（一个翻译系统默认把「the doctor」译成「他」、把「the nurse」译成「她」，悄悄把某些人从某个角色里抹掉）；以及误认（一个照片标注器把某群体的人标成物体或动物——这是真实发生过、声名狼藉的失败）。它损害的是尊严、身份认同，以及人人都呼吸着的那片文化空气，而非银行账户余额。
它为何重要：表征性伤害很容易被轻描淡写地打发掉，因为它在某一天里并没有明显的受害者，也没有一个美元数字贴在上面。但在数十亿条搜索结果、自动补全和生成图像的规模上，这些系统会变成强有力的「老师」，教人「谁才算正常、有能力、或可疑」。诚实的难处在于：它比分配性伤害更难度量——你没法只算一个通过率了事——而受影响最深的人，往往正是最没有力量去申诉的那群人。
让一个图像模型画「一名护士」，得到的几乎全是女性；让它画「一名软件工程师」，得到的几乎全是年轻男性。没有哪一个具体的用户被剥夺了什么，但这个模型正悄悄地把社会上最古老的那些职业刻板印象，重新教给每一个使用它的人。
没有任何资源被扣留——但一种刻板印象，被放大到了全球的规模。
不要把表征性伤害与分配性伤害混为一谈。后者关乎「谁拿到资源」（贷款、工作）；前者关乎「人被如何描绘与看待」。一个系统可能在分配指标上完美「公平」，却仍在散播侵蚀人心的刻板印象——所以只查通过率，会漏掉一半的图景。