时值2020年，伴随着“叮”的一声，位于西非的多哥数万名贫困村民的手机发来了资助到账的好消息。在人工智能的帮助下，面临生活困顿的村民每两周可以获得政府10美元的资助。虽然钱不多，但是可以帮助他们在新冠肺炎疫情期间免于挨饿。

图源：Barbara Gibson

多哥是传统农业国家，国土面积狭长，工业基础薄弱，人口只有800万人，是世界上最不发达国家之一。疫情期间，多哥政府推出了名为 Novissi的数字现金转移支付援助项目，旨在帮助有需要的人群渡过难关。然而，项目刚刚推出时，如何精准定位“哪些人需要援助”成了问题。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，调查没有包含可以判断家庭经济状况的信息。而其最近的国家生活水平调查仅仅涵盖了一部分家庭。项目执行者无法判断，到底应该把钱发给谁？

传统的扶贫项目依赖于通过面对面调查收集的数据来划定帮扶对象，而这在疫情期间是无法实现的。多哥数字经济和转型部长Cina Lawson联合了加州大学伯克利分校的科学家，以及非政府组织“ Give Directly ”，采取分析卫星图像和手机网络数据的方法，来判断特定地区和个人的财富情况。Lawson说：“我们需要非常精准的定位，人工智能在扶贫中发挥了重要作用。”

世界银行对于“极端贫困”的最新定义为：每天生活费不足 2.15 美元。据此标准，全球约有 7 亿人生活在极端贫困中。消除贫困是联合国可持续发展目标之一。消除贫困，首先需要了解“谁需要帮助”以及他们的需求。但衡量贫困一直是一项挑战，因为收集最贫困人群的数据需要花费大量时间和成本。

人工智能让多哥政府“跳过”使用旧的、不完整的数据的障碍，快速充分利用有限的预算。这是人工智能在扶贫工作中的一次“亮相”。然而，使用人工智能来“定义”贫困，有赞同，也有争议。

美国威廉与玛丽大学AidData研究实验室的发展经济学家Ariel BenYishay对于使用人工智能扶贫表示赞成。因为其最大的优点就是快速、高效、覆盖范围广，并且可以识别出人工调查可能遗漏的数据。人工智能还可以帮助研究人员评估项目的执行度，并判断出扶贫资金投入后是否能够真正带动医疗、农业、教育和基础设施等领域的进步。

世界银行认识到了人工智能的这一价值，试图开发先进工具来预测粮食危机和暴力冲突，并从援助干预后收集的大量数据中开展后期评估。2024 年10 月，世界银行表示：“反贫困工作应侧重于利用机器学习和人工智能模型来缩小数据缺口，实现更及时的监测”。

但是，瑞典隆德大学人文地理学家Ola Hall表示，对此应该保持谨慎。在研究人工智能与脱贫工作的过程中，他发现，人工智能完全依赖数据。那些真正极度贫困，以至于没有机会接触互联网、没有手机，没有留下数字轨迹的家庭和个人，是无法纳入到人工智能统计范围内的。以此而建立的贫困数据模型往往会导致种族主义、性别歧视和其他偏见。他认为，目前来看，人工智能在“定义贫困”上还远不够准确，不能单凭人工智能来决定哪些人可以获得资助，哪些人不能。

人工智能系统不够完美，传统评估系统也不甚令人满意。那么，到底如何才能全面、准确地划分贫困人群范围？世界机构、社会组织和科学家们一直在努力尝试，寻找一种更为合理的“定位”系统。

贫困的定义

图源：Kelvin Juma

英国社会改革家Charles Booth在 1886 年至 1903 年间曾经进行过一项量化贫困的尝试。采用人工调查的方式，他走遍了伦敦的大街小巷，来收集人们的收入以及关于社会阶层的数据。他在题为《伦敦人民的生活和劳动》的论文中绘制了一张彩色城市地图，报告了他的发现。英国社会学家Seebohm Rowntree和他的团队在英国约克采访了 11560 个家庭，根据满足一个人生存最低营养需求来计算贫困度，并在 1901 年出版的《贫困：城镇生活研究》一书中发表了研究结果。

1964 年，美国总统Lyndon Johnson宣布“向贫困宣战”后，采用了经济学家Mollie Orshansky设计的贫困线。该标准将“贫困”定义为衣食住行所需的最低收入。与此同时，印度也对其民众进行了类似的统计，同样是根据一个人每天的生活费来定义贫困。

世界银行经济学家Dean Jolliffe认为，按照每天需要花多少钱的方法来定义贫困最为直接了当。然而，除了饿肚子之外，很多研究人员认为，贫困并非只有“吃饱”这一个维度要素，是否有稳定居所，是否接受教育等，都应该纳入评判是否贫穷的标准。

到了21 世纪初期，牛津大学的牛津贫困与人类发展计划主任Alkire希望找到一个多维系统来衡量贫困。2008 年，他与华盛顿大学经济学家James Foster合作开发了多维贫困指数 (Multidimensional Poverty Index，MPI) ，从健康、教育和生活条件三个维度，将营养、儿童死亡率、入学年限、儿童入学率、烹饪燃料、卫生间、水、电、地板以及资产等10个指标纳入评价系统，从多层面生动反映贫困人群所面临的挑战。这是一个巨大的变化。它使政策制定者能够衡量、分析和确定导致家庭贫困的相互作用变量。2010 年，联合国开发计划署用MPI 取代了人类贫困指数，打破了原有单一的贫困线模式。

不仅仅是MPI ，研究人员和援助机构还开发出了无数种定义贫困的方法。斯坦福大学水资源、健康与发展项目负责人 Jennifer Davis表示，这些方法所包含的因素各不相同，取决于使用者想要衡量的内容和手头拥有的数据。2024 年，她和团队用其中四种方法来分别对埃塞俄比亚、加纳和乌干达的家庭贫富情况进行排名，结果存在巨大差异。原因在于样本差异大，而且没有将城市最底层的20%的家庭和个人，乃至于最为贫困的1%的家庭和个人纳入统计。

最需要帮助的人，不在被帮助的范围内。这样的尴尬，正是扶贫工作的难点所在。如何去发现这1%的贫困人口，人们把希望再次寄托在人工智能身上。

人工智能另辟蹊径

尽管研究人员一直在不断改进评价指标，使用最新的算法来分析数据。然而，这些数据的来源很大程度上仍然以人工实地调查的方式来获取。然而，即使是一支训练有素的实地调查小组也需要几个小时才能完成对一个家庭的调查。这种“笨办法”在科技高速发展的当下常常让人感到吃惊。这种“吃惊”颇有“何不食肉糜”之感。世界银行经济学家Dean Jolliffe表示，天生应该拥有个人数据的想法，本身就是一种富裕世界的观点。

作为农业和资源经济学博士生Marshall Burke曾在肯尼亚和乌干达用几个月的时间了解当地农业发展。2015 年，他在斯坦福大学创办环境变化与人类成果实验室时，与遥感专业的David Lobell以及人工智能和图像识别专家Stefano Ermon合作。三人尝试利用不断增加的卫星图像数据来帮助识别世界各地生活在贫困中的人们。由于夜间照明可以粗略地反映财富。因此，他们使用非洲各地夜间卫星图像和白天图像，通过对比来教计算机模型识别与财富相关的特征。

“让计算机比较贫穷地区和富裕地区的差别，就像是电子游戏‘找不同’差不多。”Burke介绍，算法会比较道路分布和状况、绿地面积、建筑物大小和间距以及许多其他变量，并对这些数据进行分类来确定哪些变量反映了财富的变化。

研究期间，团队利用机器学习的发展，不断改进调整数据模型。到了2020 年，他们利用一组涵盖整个非洲的公开卫星图像数据集，测试了一种更新的方法。当团队将机器学习的预测与来自 20000 个村庄的财富调查数据进行比较时，该算法的表现与费力的人工调查一样好，但付出的调查成本却大为降低。

这对开发界来说是一次开创性的改进。随着这项研究的成功，科学家们开始通过机器学习来分析气候、农业生产、基础设施投资等产生的影响。虽然该领域还处于起步阶段，在各方面存在一定风险。但是，从实际应用中的效果来看，仍然让人感到乐观。

实践应用任重道远

多哥政府官员Lawson为Novissi项目准备了3400 万美元的预算。这些资金来自政府和非政府组织，用于帮助该国800多万人口度过疫情期间的困境。她需要想办法合理分配这笔资金。但多哥没有足够详细的贫困数据来支撑这次救援。

在顾问的推荐下，Lawson联系了加州大学伯克利分校计算机科学家Joshua Blumenstock。他从2015年开始用算法分析手机数据的方法来预测卢旺达的财富情况。他还一直在使用卫星图像来绘制所有中低收入国家的贫困地图。

在多哥，人们广泛使用手机。该国还使用移动货币。Blumenstock建议，根据手机使用情况（包括移动货币交易、通信频率等）来识别富裕人群和贫困人群。结合卫星图像分析，人工智能可以确定“谁最需要钱”。

虽然这次实践的结果在2022年的报告中反馈良好，但是人工智能在全球范围内的扶贫工作中仍然面临不少挑战。比如，2022年，人工智能预测非洲部分地区将面临洪水灾害。根据这一结果，慈善组织将援助资金发到了非洲6000个家庭的账户上。这笔钱让了受到洪水袭击的农民可以加固房屋，清理田地。然而部分地区的洪水并没有按照人工智能的“预期”发生在预测的位置。这意味着一些未受洪水影响的家庭收到了钱，而一些受影响的家庭却没有受到援助。

是否精准，是考量人工智能在扶贫工作中表现的重要依据。开发多维贫困指数的Alkire始终认为，冰冷扁平的数据无法真实反映贫富差距。再先进的计算也无法弥补数据不足的问题。

瑞典人文地理学家Hall认为，贫困线的制定应该是动态的。谁需要援助、需要哪种形式的援助，这些都在不断变化。尽管算法正在不断改进，但他仍将人工智能识别贫困人口的能力定位于“进度条”的20%。

成功运用人工智能识别非洲贫富状况的Burke表示，算法方法和传统调查都是有价值的，也是必要的。他不想将两者对立起来。他说，当政府和援助机构面临有限预算和突然而至的经济冲击时，人工智能也许是帮助人们摆脱困境的关键工具。

参考文献：

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