由于大数据把所有行业壁垒打通，每个人的信息就像一个个标签，形成一个数据库，无论做什么，只要动动手指查一下就能知道在何时何地做了什么事。
尤其在劳动就业领域，人工智能也成为公司招聘、选人、用人的主要工具。
但是有一点，只要是算法，就会有人的影响因素，也就是在利用大数据解决照片用人中就会出现就业歧视。
法律专家和英国职工大会近期发布警告称，劳动法在人工智能中存在巨大漏洞，会导致更多人在职场中因此受歧视。
报告指出，由于人工智能技术迭代过快，劳动法不能及时更新以确保人工智能可以在所有招聘、绩效考核和辞退环节受用，员工可能无力招架不合常理的绩效管理，而且很有可能在招聘和辞退中受歧视。
基于人工智能的歧视并非一日之寒，早多年前就已经在求职中出现端倪。
美国卡内基梅隆大学学者就曾经用钓鱼软件模拟普通用户浏览求职网站的实验，然后统计谷歌推送“年薪20万美元以上的职位”的广告数据，结果男性收到1852次推送，女性收到318次。
结果很明显，平台可以通过后台进行关键词设置，可以“操作”每类人群收到的信息频率。
2018年，路透社就曝光亚马逊在招聘时就存在性别歧视的现象，在筛选简历时，就对包含“女性”在内的关键词进行降权处理，
但是这并不是“私人订制”，而是赤裸裸的限制了求职者访问数据的权利，数据不公平会直接导致某类人直接被平台pass掉，而原因与工作完全无关，有必要对这种求职模式进行审查。
但要注意，算法在这个领域所影响的不仅是求职。
拿工资举例，还知道所处城市的工资水平吗？是不是很低？这些数据就和“算法黑箱”有关系了，那么什么是算法暗箱？
由于技术本身的复杂性以及媒体机构、技术公司的排他性商业政策，算法犹如一个未知的“黑箱”用户并不清楚算法的目标和意图，也无从获悉算法设计者、实际控制者以及机器生成内容的责任归属等信息，更谈不上对其进行评判和监督。
正是由于就业数据统计的复杂性，让大众对统计的过程和结果不了解，不能提出反对意见，也不能该参与其中，只能被迫接受，导致数据经过“算法暗箱”便成了企业和平台私下真正的“暗箱操作”，最终会导致求职结果、工资水平和职位变动等信息的不准确性。
这种暗箱模式就一再被放纵，久而久之成了固化，求职者就像待宰的羔羊，只能听之任之。
除了求职，平时的工作也会遇到歧视现象。
《中国日报》双语新闻就曾经报道了Enaible公司的人工智能技术存在的不平等性。这家公司是一家致力于阻止政府和大公司滥用技术的非盈利法律公司，机器学习算法在训练的数据集中也会存在偏差，如果企业用这些算法作为考核员工表现的标准，歧视便出现了。
再举一个例子，如果用人单位以通勤时间长短作为决定是否录用员工的重要标准，那么通勤时间太长的员工因上班成本高而可能被用人单位拒绝录用，这很可能会对居住在边远郊区的低收入群体构成歧视。
要知道普通个人信息的收集是再平常不过的，而且电话、邮政编码、通勤时间等并不起眼的信息的获得都是合法的，但是算法就把这些信息集中起来形成每个人的“画像”，再和某些群体产生虚假的关联。
就像某求职平台，在招聘的时候把这些受保护群体的敏感性数据恰好在其他合法获得的数据中编码，但是有没有公示这些敏感数据和结果的关系，于是就形成了歧视。
但就算算法是透明的，普通人在找工作时也不会知道算法背后所指向的个人特征，也就是平台很可能把所有的特征都列出来，但普通人还是没有能力判断所产生的歧视和全部或其中某一个特征相关联。
于是人工智能这种歧视问题就一再被纵容。
Latanya Sweeney的研究显示：与搜索白种人相关的姓名相比，在谷歌上搜索非裔美国人相关的姓名，系统就会更多地弹出犯罪背景审查广告。这意味着算法可以将姓名与种族关联起来，并在就业等方面上做出不利于少数种族的决定。
这些“中性”信息不易察觉，难道有人会在找完工作后留意弹出的广告内容和犯罪背景审查相关吗？没有多少人会在意的。
疫情大流行让每个行业都向自动化发展，企业不得不强制休假或裁员以弥补损失，虽然人工智能并不能主导一切，但是对人们日常生活作出“高风险、改变性强”决定的趋势愈发明显，这种态势在未来几年会更严重。
就像一个分岔路口，虽然人工智能可以提高工作效率和生活质量，但是也已经渗透到一些敏感领域，就像让一个机器决定在工作中谁去谁留，谁更合适。
如果缺乏公允，人工智能很可能会导致广泛的歧视和不公问题，尤其对没有工作保障的人群的作用更明显，因此必须完善劳动法，跟上人工智能的变迁，让所有环节有法可依，再经由人类最终的审核把关，让人工智能技术得到合理良性的利用，而不是设定惩罚性考核目标，剥夺员工的尊严。
毕竟谁都不想做人工智能的一枚棋子。
