人工智能能否助力战胜贫困？研究人员探索帮扶最贫困人口的方法

衡量贫困状况是提供援助的第一步，但长期以来，这一直是一项成本高昂、耗时费力且颇具争议的工作。

一幅合成插图，展示了非洲农村地区的照片（部分区域经过像素化处理），前景中有一个穷人在行走，背景是具有象征意义的数据。

从2020年末开始，在新冠疫情肆虐之际，多哥成千上万贫困村民的手机收到了好消息。他们的钱已经到账。在人工智能（AI）的帮助下，这些身处西非狭长地带的村民获批每两周领取约10美元，款项会直接存入他们的移动钱包账户。虽然这听起来可能不算多，但这笔钱能让人们免于挨饿。

传统的扶贫项目依赖于通过面对面调查收集的数据，而在疫情期间这种调查方式无法进行。但多哥的这项名为“Novissi”的项目（在当地埃维语中意为“团结”）引入了人工智能来确定哪些人应该获得援助。该项目由多哥数字经济与转型部长西娜·劳森（Cina Lawson），以及来自加州大学伯克利分校的科学家和非政府组织“直接给予”（GiveDirectly）共同领导，通过分析卫星图像和来自移动电话网络的数据，来评估特定地区和个人的财富状况。劳森说：“我们需要一种精准的方法。” 她表示，这是人工智能在扶贫工作中应用的一个重要时刻。

全球约有7亿人生活在极端贫困中，世界银行将极端贫困定义为每天生活费不足2.15美元。要实现联合国可持续发展目标之一——消除贫困，就需要了解哪些人需要帮助以及他们的需求是什么。但长期以来，衡量贫困一直是一个挑战，很大程度上是因为试图从最贫困和最脆弱的人群中收集数据既耗时又耗钱。

人工智能让劳森得以跨越使用陈旧且不完整数据的传统障碍，迅速充分利用她有限的预算。参与了Novissi项目的加州大学伯克利分校计算机科学家约书亚·布卢门斯托克（Joshua Blumenstock）表示，这是一种既引起了人们兴趣又引发争议的方法。

弗吉尼亚州威廉斯堡威廉与玛丽学院（William & Mary）援助数据研究实验室（AidData Research Lab）的发展经济学家阿里尔·本伊沙伊（Ariel BenYishay）说，人工智能工具不仅速度快，而且与家庭调查相比，它们能够涵盖更大范围、更具代表性的人群，还能识别出即使是专家也可能忽略的数据模式。人工智能或许还能帮助研究人员评估项目实现目标的程度，并证明在健康、农业、教育和基础设施等领域的投资是否有所回报。世界银行认识到了这一价值，一直在开发先进的人工智能工具，试图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提取有价值的信息。世界银行在2024年10月发布的《贫困、繁荣与地球》报告中指出，扶贫 “工作应专注于利用机器学习和人工智能模型来填补数据空白，并实现更及时的监测”。

然而，瑞典隆德大学研究人工智能与贫困交叉领域的人文地理学家奥拉·霍尔（Ola Hall）表示，我们有理由保持谨慎。人工智能模型曾因存在种族主义、性别歧视和其他偏见而受到批评。霍尔说，就像家庭调查常常因为最贫困的家庭没有固定住所而遗漏他们一样，由人工智能驱动的项目可能也无法帮助那些没有数字数据记录的人。他说，人工智能远远不够准确，无法确定谁有资格获得援助或现金补贴，谁没有资格。

不过，本伊沙伊表示，尽管人工智能可能存在缺陷，但目前评估贫困的系统同样糟糕。“基线数据并非完美数据。实际上，那是非常糟糕的数据。” 他说。

英国社会改革家查尔斯·布思（Charles Booth）在1886年至1903年间进行了一项早期的量化贫困的努力。他穿梭于伦敦的大街小巷，收集有关人们收入和社会阶层的数据。他绘制了一幅用颜色编码的伦敦地图，并在一篇题为《伦敦人民的生活与劳动》的论文中报告了他的研究结果。英国社会学家西博姆·朗特里（Seebohm Rowntree）和他的团队对英国约克郡的11560个家庭进行了访谈，并在1901年出版的一本名为《贫困：城镇生活研究》的书中公布了研究结果。该团队根据一个人满足 “身体效能”（即最低营养需求）的能力来计算贫困程度。一份最低限度的饮食样本可能包括面包、粥、煮培根、土豆、脱脂牛奶，几乎没有其他东西。

1964年，美国总统林登·约翰逊（Lyndon Johnson）宣布 “向贫困宣战” 后，经济机会办公室采用了经济学家莫莉·奥尔尚斯基（Mollie Orshansky）设计的贫困线标准，该标准采用了类似的方法。它将贫困定义为满足食品、住房和其他基本生活费用所需的最低收入。大约在同一时期，印度也为其民众进行了类似的计算。尽管每位专家都对自己的公式进行了调整，以考虑当地房租和食品成本的差异，但他们都根据一个人每天的生活费用来定义贫困。

华盛顿特区世界银行的经济学家迪恩·乔利夫（Dean Jolliffe）说，以每天几美元来衡量贫困的方法简单直接，易于表述。然而，一个人维持生计所需的花费只是贫困的一个方面。经济学家、圣公会牧师萨比娜·阿尔基尔（Sabina Alkire）主张采用一种更细致入微的方式来定义贫困。阿尔基尔是英国牛津大学牛津贫困与人类发展倡议组织的主任，她说：“我想知道有多少贫困人口没有房子，有多少贫困人口的孩子失学，这样我才能以非常切实、直接的方式做出回应。”

在肯尼亚卡贾多，一名女子在她的杂货摊前用手机查看客户最近的付款情况。

移动电话数据可以与卫星图像和其他数据一起使用，来估算不同地区和国家的贫困状况。图片来源：凯尔文·朱马（Kelvin Juma）

21世纪初，阿尔基尔想找到一种方法来全面衡量贫困对人们的各种影响。阿尔基尔说，仅仅因为某人有足够的钱购买食物，并不意味着他们有足够的钱支付医疗费用或学费。2008年，阿尔基尔与华盛顿特区乔治·华盛顿大学的经济学家詹姆斯·福斯特（James Foster）合作，开发了所谓的多维贫困指数（MPI）。这种方法通过计算贫困的程度和强度来估算一个统一的贫困衡量指标，共有十个指标，包括营养状况、上学情况、获得饮用水的途径以及家庭使用的烹饪燃料等。

对于贫困研究领域来说，这是一个重大转变。它使政策制定者和其他相关人员能够衡量、剖析和针对导致家庭贫困的相互作用的变量。2010年，联合国开发计划署用阿尔基尔和福斯特的多维贫困指数取代了其之前关注生存、识字率和生活水平的人类贫困指数，尽管某些联合国机构和世界银行仍然继续采用以每天几美元来定义贫困的标准。

研究人员和援助机构除了多维贫困指数之外，还开发了无数种定义贫困的方法。加州斯坦福大学水、健康与发展项目负责人詹妮弗·戴维斯（Jennifer Davis）说，这些方法所考虑的因素各不相同，具体取决于他们想要衡量的内容和手头的数据。在2024年的一篇论文中，由戴维斯和她的研究生克里斯汀·普（Christine Pu）领导的一个团队评估了该领域使用的四种贫困定义，其中包括人均每日支出，但不包括多维贫困指数，结果发现这些定义在对埃塞俄比亚、加纳和乌干达的家庭进行排序时存在巨大差异。普说：“当我们进行分析时，不仅在整个样本中没有发现太多一致的结果，而且在城市家庭中没有，在最底层20%的家庭中没有，甚至在我们认为最需要帮助的最底层1%的家庭中也没有发现一致的结果。”

除了在贫困定义上缺乏共识之外，还有时间方面的问题。乔利夫说，即使是一个运作良好的实地调查团队，调查一个家庭也需要几个小时。尽管贫困研究人员已经完善了他们的衡量标准，并采用了最新的计算方法来分析数据，但他们往往仍然依赖实地调查来收集这些数据。乔利夫说，很多人都很惊讶我们仍然在进行家庭调查。但是，“认为我们拥有关于每个人的所有数据的这种想法，在很大程度上是富裕国家的观点”。

转向人工智能

马歇尔·伯克（Marshall Burke）在攻读农业与资源经济学博士学位时，就对繁琐的数据收集工作很熟悉。为了了解东非的农业和农耕实践，伯克前往肯尼亚和乌干达，在那里他花了几个月的时间与农民交谈，并在他们的田地里实地考察。但在2015年伯克在斯坦福大学创办环境变化与人类成果实验室时，他开始思考计算机革命是否能提供更好的方法。

在遥感领域拥有丰富经验的大卫·洛贝尔（David Lobell）的办公室就在他隔壁。大约在同一时间，人工智能和图像识别专家斯特凡诺·埃尔蒙（Stefano Ermon）也加入了斯坦福大学。这三人的讨论转向了如何利用卫星图像中不断增加的数据，来帮助识别全球生活在贫困中的人群。研究人员知道夜间灯光可以粗略地反映一个地区的富裕程度，于是他们将非洲各地的夜间卫星图像与白天的图像结合起来，用来训练计算机模型识别与财富相关的特征。

伯克说，让计算机比较已知的极其富裕或极其贫困地区的图像，就像是电子版本的 “找不同” 游戏。这些算法会比较道路的分布和状况、绿地的面积、建筑物的大小和间距以及许多其他变量。伯克说：“所有那些你我会想到在图像中寻找的东西，都能在一定程度上预测（财富状况）。‘机器可以筛选所有这些数据’，并确定哪些方面是最相关的。”

2016年，该团队报告称，对卫星图像的人工智能分析结果与实地的贫困测量结果高度相关。随着机器学习技术的发展，洛贝尔、伯克和埃尔蒙通过采用最新技术完善了他们的模型。

2020年5月，这三人利用一套泛非地区的公开卫星图像数据集，测试了一种更新的方法。当该团队将其机器学习预测结果与来自2万个村庄的与财富相关的调查数据进行比较时，算法的表现与繁琐的实地调查一样好，但所花费的精力和成本却只是实地调查的一小部分（见 “贫困预测”）。

贫困预测：一张图表，展示了一个人工智能模型如何使用卫星数据来预测尼日利亚各地的财富状况。

本伊沙伊说：“对于发展领域来说，这是一个相当具有开创性的改进理念。” 他说，其他团队也加入了这项实验，提出了许多不同的想法。他说，科学家们正在应用机器学习来寻找卫星图像和移动电话数据中的模式，并分析干旱、农业生产力、基础设施投资等方面的影响。

加州帕洛阿尔托的公益公司Atlas AI的首席执行官阿贝·塔拉帕尼（Abe Tarapani）表示，由于这个领域还很年轻，目前大部分工作仍局限于学术研究。该公司由伯克、洛贝尔和埃尔蒙共同创立。塔拉帕尼说，风险太高，不能贸然行事。但当疫情来袭时，劳森觉得她别无选择。

一次现实世界的测试

劳森为Novissi项目争取到了3400万美元的预算，资金来自政府资源和非政府组织，旨在帮助800多万人口。她需要确定如何分配这笔资金。但多哥没有足够新或足够详细的贫困数据，尤其是对于该国的农业地区。

在一位顾问的推荐下，劳森联系了布卢门斯托克。2015年，布卢门斯托克曾报告称，他使用机器学习算法分析移动电话数据来预测卢旺达的财富状况，并且他一直在使用卫星图像，以2.4公里的分辨率绘制所有低收入和中等收入国家的贫困地图。

移动电话在多哥广泛使用，而且该国也采用了移动支付。布卢门斯托克告诉劳森，人工智能可以根据移动电话的使用情况，包括移动支付交易，以及通话和短信的频率和多样性，来区分农村地区较富裕的人和生活在贫困中的人。将这一点与对卫星图像的分析相结合，就提供了一种确定谁最需要这笔钱的方法。

2022年对Novissi项目的一项分析表明，与多哥当时考虑的其他方法相比，人工智能方法能更好地识别出需要援助的人。但布卢门斯托克说，目前还不清楚如果其他方法有更多的资源和时间来准备，是否会比人工智能方法做得更好。

其他由人工智能驱动的项目也面临着不确定性。2022年，慈善组织谷歌.org（Google.org）和 “直接给予” 合作，组织资金发放到6000个生活在非洲的家庭的移动钱包账户中。这些地区被人工智能预测为未来发生洪水的高风险地区。这笔钱让莫桑比克的农民能够在水位上涨之前加固他们的房屋和农田，在另一项试验中，洪水过后的援助在洪水发生后的几周内发放给了尼日利亚的农民。但莫桑比克的洪水并没有完全在预测的地方发生，这意味着一些未受影响的家庭收到了钱，而一些受影响的家庭却没有收到。

加州旧金山 “直接给予” 的主任丹尼尔·奎因（Daniel Quinn）说，这些失误并不意味着这个项目没有效果。奎因说：“那些刚好在我们目标范围之外的人仍然非常需要帮助。”

纽约市世界银行发展影响小组的数据科学家塞缪尔·弗赖伯格（Samuel Fraiberger）说，这项努力很有前景，后来还得到了扩展。弗赖伯格正在帮助领导世界银行的人工智能工作，他说：“这在很大程度上是这类方法在现实世界中的应用。” 不过，他也意识到，如果在实施过程中不小心，人工智能可能会延续现有的偏见。他说，开发评估用于训练人工智能的数据质量的方法将至关重要。将人工智能与大数据结合使用也会带来隐私问题；劳森的团队在实施Novissi项目时就不得不解决这些问题。

阿尔基尔和该领域的其他一些人仍然对任何可能简化数据收集和分析的努力持怀疑态度。阿尔基尔说：“目前地球上没有一个国家能够仅通过行政记录和卫星数据来进行多维贫困测量，因为你无法看到房子里面的情况，也无法判断哪个孩子营养不良。” 她还补充说，再多的先进计算也无法弥补数据质量差的问题。

霍尔指出，贫困研究人员总是需要一个基准来检验他们的算法预测结果。谁需要援助、需求的形式是什么以及什么样的援助是合适的，这些都在不断变化。尽管算法在不断改进，但他目前认为人工智能识别贫困人口的能力 “成熟度” 仅为十分之二。

但伯克表示，算法方法和传统调查都有价值且不可或缺；他不想让两者相互对立。他说，当政府和援助机构面临预算有限和突发经济冲击时，人工智能可能是帮助将援助送到最需要的人手中的关键工具。