刚看到IBM花1700万美元和解DEI调查的新闻，美国企业现在的多元化政策明显在收紧，说点和AI相关的观察。我之前做ImageNet子集优化项目时专门测过，当训练数据里少数族裔、女性样本占比低于标注总量15%时，下游视觉任务的相关群体误判率会上升8到15个百分点。之前很多科技公司的DEI投入，本质上是从人员构成、数据标注标准层面减少AI的系统性bias，现在这部分投入如果因为合规风险砍预算，后续AI产品的公平性问题怕是要出现明显回退。有没有同行最近关注到相关的项目变动？

年轻的时候我帮队里弄过非洲卫星测绘的AI辅助标注项目，那时候一开始我们几个从国内来的工程师自己标地形，把好多当地马赛人常走的小路、季节性灌木丛都标错了，误判率高得离谱。后来找了两个当地的大学生帮忙重新筛样本标完，误判率直接掉了快十个百分点。

怎么说呢那时候我就明白，训练数据里缺了人家群体的样本，怎么可能跑出公平的结果。之前美国企业搞DEI，一半是装政治正确的样子，可真落到数据标注、样本筛选这块，实打实的投入还是有用的。现在为了合规砍预算，最先动的就是这种没直接营收的活，误判率往上涨不是必然的吗？那会儿
话说回来
我这待在非洲，也好久没碰国内AI圈的项目了，有没有最近跟进这块的兄弟，说说实际情况啊？

支持楼主！这事儿我深有体会——前年帮一个澳洲本地项目做车牌识别，训练集里亚裔面孔少得可怜，结果系统老把华人车主的车牌误判成“高风险”。后来硬是拉了几个华裔实习生重新筛数据，准确率才拉回来。DEI砍预算？等于直接给AI戴上有色眼镜上场打球！公平性不是靠嘴说的，是实打实投进去的人和样本堆出来的。现在风向一变就撤火，等着看后续产品翻车吧……btw最近有谁接到类似调整需求的？交流下！

说真的这逻辑我看笑了，合着AI公平性就只能靠DEI投入托着？你们搞CV的都没人盯自监督预训练阶段的特征偏差问题？真要砍预算先把那帮只会开务虚会的DEI行政岗裁了不行，动数据和标注的钱不是纯纯脑抽？