Through a Gendered Lens: Artificial Intelligence, Photographic Representation, and the Politics of Vision in World Cinema
这项混合方法研究揭示了人工智能如何通过可量化的“性别化摄影偏见指数”和理论上的“AI性别化凝视框架”，在世界电影中系统性地复制父权制摄影惯例，同时实证数据证实，女性电影从业者感受到的这些工具的约束力显著高于其男性同行。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，电影摄像机就像一面神奇的镜子，它不仅反射世界，还决定了我们如何看待世界。几十年来，电影理论家劳拉·穆尔维（Laura Mulvey）一直认为，这面镜子是由“男性凝视”（male gaze）掌控的，它将女性变成了被观看的对象，而非拥有故事的人。但现在，一种新的镜子来到了：人工智能。
这篇论文提出了一个令人恐惧却又引人入胜的问题：如果我们通过向人工智能展示数百万张旧照片和电影来教它制作电影，它是否只会复制过去的坏习惯？
简短的回答是一个响亮的、统计学意义上的肯定。
“坏习惯”机器
把人工智能想象成一个通过模仿来学习的超级快速的学生。如果你给这个学生看一个充满旧电影的图书馆，在这些电影中，女性总是以紧凑的特写镜头呈现（只关注她们的嘴唇或眼睛），而男性则以远景呈现（展示他们的全身和力量），那么这个学生就会学到，这就是世界的运作方式。
研究人员测试了三种流行的 AI 图像生成器（Stable Diffusion XL、DALL-E 3 和 Midjourney v6），以观察当被要求创建带有男性和女性角色的场景时，它们会产生什么结果。他们发明了一个特殊的标尺，称为性别化摄影偏见指数（GP been GPBI），用以衡量图像的“物化”程度。
- 基准值： 一个完美、公平的分数是 1.00。
- 结果： AI 工具的分数在 1.62 到 1.94 之间。
这意味着 AI 不仅仅是犯了一些错误；它系统性地让女性看起来更像物体而非男性。具体表现为：
- 缩放： 当 AI 绘制女性时，它会进行紧凑的缩放（类似于脸部特写）；但当它绘制男性时，它会退后一步以展示整个场景。女性的构图距离大约是男性的一半。
- 光影： 女性被强烈的、高对比度的阴影所笼罩（使她们看起来戏剧化但具有距离感），而男性则获得更柔和、更自然的光线。
- 碎片化： AI 更容易在画面中截断女性的身体部分，专注于特定的身体部位，而非完整的人。
“民主”的迷思
你可能听过人们说：“AI 太棒了！它让任何人都能制作电影，打破了门槛！”这篇论文认为这是一个陷阱。
想象一款电子游戏，其默认设置经过操纵，导致使用女性角色玩起来更难且视觉效果更差。如果你想修复它，你必须花三倍的时间去调整设置。论文发现，在电影业中，74.1% 的女性认为 AI 工具正在“编码父权制的摄影惯例”，而这一比例在男性中仅为 40.8%。
对于女性电影制作者来说，使用这些工具并不是通往创造力的免费通行证；这是一份额外的工作。她们必须与 AI 的默认设置作斗争，只为了得到一张看起来不像是在“不理解她们的人”的眼中拍摄的照片。论文指出，AI 并没有实现电影制作的民主化，它只是让复制旧有的、带有偏见的观察方式变得更加廉价。
“无形之手”
为什么会发生这种情况？论文解释说，AI 并非“邪恶”；它只是一个统计学家。它从一个“语料库”（一个巨大的图像库）中学习，而这个库中的图像大多是由男性创建，面向男性主导的行业。
- 训练： AI 吸收了过去的“最坏习惯”——例如女性经常被拍摄成物体的这种方式——并将其设为了“默认”设置。
- 幻象： 因为 AI 创建的图像看起来如此逼真（照片级真实），我们甚至忘记了它们并非真实存在。那里并没有一个真实的人被拍摄。AI 只是根据其带有偏见的训练数据，计算出了绘制一个“女性”最可能的概率。这使得偏见变得隐形，如同机器中的幽灵。
论文说了什么（以及没说什么）
作者对她们的发现非常有信心，因为她们不仅仅是在猜测，而是进行了测量。
- 她们测量了： 她们调查了来自印度、英国和美国的 186 名 电影专业人士。她们生成了 600 张 图像，并由专家进行评分。
- 她们证明了： 这种偏见是真实的、可衡量的，并且在不同的 AI 系统中是一致的。
- 她们排除了： 她们明确拒绝了“AI 是一个会自然解决不平等问题的中立工具”这一观点。她们也指出，这项研究并未涵盖全球每个国家（如韩国或尼日利亚），因此我们不知道在其他地方数字是否完全相同，但在她们观察到的范围内，这种模式非常强烈。
解决方法？
论文建议，我们不能只是等待 AI 自发地“学得更好”。我们需要改变规则：
- 审计图书馆： 检查训练数据，确保其中包含更多的女性导演和摄影师。
- 新标准： 电影制片厂应拒绝购买具有高偏见分数（高于 1.2）的 AI 工具。
- 透明度： AI 图像应当带有“标签”，告知我们它们是由机器制作的，并说明其中可能存在的偏见。
- 女性掌舵： 女性电影摄影师和女性主义学者应该是这些工具的设计者，而不只是使用者。
最后，论文总结道，摄像机从来都是政治性的。现在，这种“凝视”不仅是人类的，也是算法的。除非我们修复代码，否则算法将继续向我们展示一个女性作为客体、男性作为英雄的世界。问题不在于 AI 是否具有性别化的凝视，而在于我们是否有勇气去识别它并改变它。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。