《她与数据》明明就是这样

2、数据的指纹 数据标注组

　　三月十四日，上午九点四十五分。

　　深圳的雨季比往年来得更早。三月的第二周，整座城市被一场连绵的春雨笼罩，湿气从每一个缝隙里渗透进来，包括深维AI大楼的中央空调系统。林乐文坐在数据标注组的小隔间里，面对着三块屏幕，手指在键盘上快速敲击。

　　她的工位在九楼东南角，是一个被玻璃墙围起来的独立隔间——不是因为她的职级高，而是因为她的工作需要安静，需要专注，需要一整面墙的屏幕来显示那些密密麻麻的数据标签。

　　二十六岁，专科毕业，数据标注组组长。

　　这个配置在深维的技术序列里算是"异类"。深维的招聘门槛是出了名的严苛——985硕士起步，海外背景加分，论文数量是硬通货。林乐文入职的时候只有专科学历，是被当作"特殊技能人才"特批进来的。原因是：她对数据分布有某种难以解释的直觉。

　　不是统计学意义上的直觉，是某种更原始的东西——她能在看到一堆杂乱的数据时，一眼分辨出"正常"和"不对劲"。

　　这种能力没有名字，没有学术定义，但真实存在。

　　深维数据标注组的日常工作是这样的：他们负责给训练数据打标签，告诉AI什么是"好简历"，什么是"差简历"，什么是"应该通过"，什么是"应该淘汰"。这个工作听起来简单，实际上极其枯燥——每天要看几百份简历，每份简历要标注十几个维度，错误率要控制在千分之五以下。

　　林乐文是这个组里效率最高的。她每天能标注四百份简历，错误率低于千分之二。其他人需要六个小时完成的任务，她三个小时就能做完。剩下的时间，她用来"看"数据。

　　不是标注，是看。

　　看数据的分布，看数据的结构，看数据里那些不易察觉的规律。

　　这是她今天早上在做的事——看最近三个月的招聘AI训练数据。

　　这批数据是深维招聘AI第三代系统的训练材料，从去年12月到今年2月，一共处理了约八万份简历。她调出了这批数据的全量分布报告，准备做一次常规的抽样检查。

　　然后她发现了不对劲。

　　统计学上，招聘AI的训练数据应该呈现某种"自然分布"——学历、工作年限、行业背景、年龄等维度的分布，应该与实际投递简历的人群分布基本一致。如果某个维度的分布出现了明显的"断层"或者"偏移"，通常意味着两个可能：一，数据采样出了问题；二，数据被人为干预过。

　　林乐文盯着屏幕上的数据分布图，看了三十分钟。

　　她的眼睛从屏幕移开，又移回去，看了三遍。

　　然后她把一张截图发给了她的下属，一个刚入职三个月的实习生。

　　"小陈，你帮我看一下这份数据——我觉得有点问题，但我不太确定。"

　　截图里是一张性别维度的分布图。横轴是月份，纵轴是通过率。图表显示：从今年1月开始，简历库中女性候选人的通过率出现了系统性下降，从去年12月的47%降到了今年1月的39%，再到今年2月的36%。

　　这个下降幅度很大。

　　大到不正常。

　　小陈回复得很快："乐文姐，我看了一下，这个下降幅度确实不小，但会不会是季节性因素？比如年初求职的的女性本来就少？"

　　林乐文看着这个回答，想了想。

　　季节性因素。她想过这个可能。

　　但不对。

　　她调出了过去三年的同期数据，做了一个对比。结果显示：过去三年的一二月，女性候选人的通过率基本保持稳定，最高波动不超过两个百分点。而今年，同一时期下降了十一个百分点。

　　十一个百分点的波动，不是"季节性因素"能解释的。

　　她又调出了另一个维度的数据——地域。

　　结果显示：从今年1月开始，来自特定几个省份的候选人，通过率也出现了系统性下降。这几个省份的特点是：经济相对欠发达，高等院校数量相对较少，人口基数大。

　　这不是巧合。

　　林乐文盯着屏幕，手指无意识地在桌面上轻轻敲击。她的大脑在快速运转，试图给这个异常找到一个合理的解释。

　　数据污染。

　　她的第一反应是这个词。

　　数据污染指的是：在训练数据的采集、清洗、标注过程中，有意或无意地引入了一些"杂质"，导致数据不能真实反映现实世界的分布。在算法领域，数据污染是一个常见的作弊手段——如果想让AI对特定群体产生偏见，只需要在对这群体的数据进行"特殊处理"即可。

　　处理的方式包括但不限于：降低权重、减少样本量、修改标注结果、引入噪声数据……

　　林乐文不知道自己想到的对不对。但她知道，如果她的猜测是对的——这个问题的严重程度将远超她的职责范围。

　　她需要找一个人。

　　一个她信任的人。

　　她想到了苏澄。研发VP，MIT背景，是深维内部少数真正懂算法的人。

　　但她跟苏澄不熟。苏澄是高层，她是基层，两人之间隔着三层管理架构。她不确定苏澄会不会认真对待一个"标注组长"的发现。

　　她又想到了陆鹤宁。

　　那个昨天在发布会上引起全场轰动的MIT博士。

　　林乐文昨天看了发布会的直播。她坐在工位上，戴着耳机，把发布会从头听到尾。陆鹤宁在台上说的那些话，她一个字不漏地记下来了。

　　"算法没有偏见，但算法背后的数据和设计者有。"

　　这句话让她印象深刻。不是因为它有多精妙，而是因为它说得太直白了。直白到让人不舒服。

　　在深维这种地方，说这种话是需要勇气的。

　　她不知道陆鹤宁是不是一个值得信任的人。但她知道，在深维内部，如果有人会认真对待"数据可能有问题"这个发现，那个人大概率是陆鹤宁。

　　她没有苏澄的联系方式。但她有陆鹤宁的。

　　昨天发布会结束后，内网通讯录里更新了陆鹤宁的联系方式——职位是"算法公平性顾问"，邮箱和手机号都挂在上面。林乐文不知道为什么自己要存下这个联系方式，也许只是职业习惯——在数据标注这一行，记住每一个可能有用的联系人，是一种本能。

　　她打开了通讯录，找到了陆鹤宁的邮箱。

　　然后她开始写邮件。

　　---

　　陆鹤宁收到林乐文的邮件时，正在九楼的算法评审会现场。

　　评审会的议题是深维招聘AI第三代系统的性能优化。参会的人有十二个，包括产品团队、研发团队、数据团队、以及鹤宁这个"算法公平性顾问"。会议已经进行了四十分钟，主要讨论的是系统的响应速度和并发处理能力——两个与公平性无关的指标。

　　鹤宁坐在长桌的最末端，听着产品经理和数据工程师来回争论，表情没有任何变化。

　　她的手机在桌下震动了一下。她低头看了一眼——是内网邮箱的推送通知。

　　发件人：林乐文。标题：关于最近批次训练数据的异常。

　　她点开邮件，快速浏览了一遍。

　　正文很短，只有三百多字：

　　> 陆博士您好，
　　>
　　> 我是数据标注组的林乐文。昨天发布会上听了您的演讲，很受触动。我最近在例行检查训练数据分布时，发现了一些异常，想请教您。
　　>
　　> 具体问题是：今年1-2月的招聘数据中，女性候选人和来自特定省份的候选人，通过率出现了显著的系统性下降。这个下降幅度超出了正常范围，也与过去三年的同期数据不符。
　　>
　　> 我不确定这是否是数据污染导致的问题，想请您帮忙看一下。
　　>
　　> 如果方便的话，我可以把原始数据发给您。
　　>
　　> 谢谢。
　　>
　　> 林乐文

　　鹤宁盯着这封邮件看了十秒。

　　她的表情没有变化，但手指在屏幕边缘轻轻敲了一下——这是她思考时的习惯动作。

　　数据标注组的组长，发现了数据异常，主动联系她。

　　这个时间点太巧了。

　　昨天发布会，今天她就收到了关于数据异常的报告。这两件事之间有没有关联？她不确定。

　　但有一点她很确定：如果是别人转发的这封邮件，她可能会当成普通的技术咨询处理。但现在是发件人直接联系她——一个数据标注组的组长，愿意越过三层管理架构，直接给一个刚入职的"顾问"发邮件，说明她要么是真的不懂规矩，要么是发现了足够严重的问题，以至于顾不上规矩。

　　鹤宁在会议桌下快速回复了一封邮件：

　　> 林乐文，你好。
　　>
　　> 感谢你的反馈。请把原始数据发给我，我需要独立验证。
　　>
　　> 另外，这件事你报告给你的直属上级了吗？
　　>
　　> 陆鹤宁

　　发送之后，她把手机收起来，重新把注意力放回会议桌上。

　　此时会议已经进行到数据团队的汇报阶段。汇报的内容是过去三个月的系统稳定性数据——正常运行时间、故障率、用户投诉率。鹤宁听着这些数字，脑子里却在想另一件事。

　　林乐文发现的下降幅度是十一个百分点。

　　如果这个数字是准确的——如果数据真的存在系统性污染——那么问题的严重程度将远超她的预期。

　　她昨天的演讲已经放出了信号：公司内部一定有人在关注她的一举一动。她发出的任何关于"数据异常"的声音，都会被放大、被审视、被利用。

　　她需要谨慎。

　　但她也需要证据。

　　---

　　评审会结束后，鹤宁回到她的临时工位。

　　所谓"临时工位"，是九楼的一个小隔间，原本是档案室，现在被改成了她的办公空间。不是她级别不够，而是她的岗位特殊——算法公平性顾问，不是核心研发岗，所以没有固定的工位安排。苏澄跟她说过，等新办公区装修好，会给她分配一个正式的工位。现在只能先将就。

　　鹤宁坐下来，打开电脑，登录了内网。

　　林乐文已经把数据发了过来——一个压缩包，里面有三份文件：训练数据的分布统计、标注日志、以及一份简单的分析报告。

　　鹤宁花了两小时把三份文件全部看完。

　　看完之后，她的表情比之前更冷了。

　　分布统计显示：今年1-2月，女性候选人的通过率确实出现了显著下降。单独看这个数字，还可以用季节性因素或样本波动来解释。但当她把地域维度和性别维度交叉分析时，发现了一个更明确的问题：

　　来自特定省份的女性候选人，通过率是所有群体中最低的。

　　这个交叉结果意味着：问题不是"某单一维度的系统偏差"，而是"多维度交叉的系统性压制"。

　　换句话说：有人在系统性地降低特定群体的通过率。

　　而且这个人——或者这群人——知道自己在做什么。因为能做到"多维度交叉压制"的，不是简单的程序bug，是精确设计的算法逻辑。

　　鹤宁靠在椅背上，看着屏幕上的数据图表，脑子里在快速整理信息。

　　她需要确认一件事：这个问题，是"有意的"，还是"无意的"。

　　如果是无意的——比如某个算法模块的参数设置出了问题——那问题相对简单，只需要找到参数、修改配置、重新训练模型就能解决。

　　但如果是有意的——有人故意设计了这套机制来压制特定群体的通过率——那问题就完全不一样了。这意味着公司内部有人在利用AI系统做 Discrimination（歧视），而且这件事可能已经持续了相当长的时间。

　　她需要更多信息。

　　她打开了标注日志，调出了今年1-2月的所有标注记录。

　　标注日志显示：这批数据的标注工作从去年12月15日开始，到今年2月28日结束。参与标注的一共八个人，分布在三个标注小组。林乐文负责的是其中一个小组。

　　鹤宁仔细看了林乐文小组的标注记录。在她的小组里，有一条标注数据被反复修改了十七次。

　　十七次。

　　这是不正常的。正常的标注流程中，一条数据的标注次数通常不超过三次——初标、核标、终审。超过三次，意味着中间经历了多次返工，通常是因为数据本身有争议或者标注员不确定判断标准。

　　但"反复修改十七次"太过分了。

　　鹤宁点开了那条记录的详情。

　　这是一份简历，来自一个女性候选人，学历是某211高校的硕士，工作年限三年，应聘的是算法工程师岗位。标注记录显示：这份简历经历了"通过→不通过→通过→不通过→待定→通过→不通过……"的反复修改，最后的结果是"不通过"。

　　为什么？

　　鹤宁调出了这份简历的原始文本。

　　简历本身没有任何问题——学历真实、工作经历真实、项目经验真实，而且在鹤宁看来，这个候选人的背景相当优秀：211高校硕士、三年AI领域工作经验、参与过两个省级科研项目。这样的简历，放在任何一家AI公司，都应该通过初筛。

　　但它被标注成了"不通过"。

　　而且标注的结果经过了十七次修改，最后停在了"不通过"的状态。

　　这不是误标。这是刻意。

　　鹤宁合上电脑，靠在椅背上，深吸了一口气。

　　她需要找林乐文谈谈。

　　---

　　下午四点三十分，鹤宁在下楼的时候，在九楼的茶水间"偶遇"了林乐文。

　　所谓"偶遇"，其实是鹤宁主动的。她查了林乐文的工位号，推算了一下她可能会去茶水间的时间，然后提前五分钟在那里等。

　　林乐文走进茶水间的时候，看到鹤宁，愣了一下。

　　"陆……陆博士？"

　　"林乐文？"鹤宁的声音平静，"我看到你的邮件了。谢谢你的反馈。"

　　林乐文的表情有些紧张——这很正常。在深维这种地方，一个标注组长主动给高层发邮件反映"数据异常"，本身就是一件需要勇气的事。她不确定鹤宁会怎么看她。

　　"您……您觉得我的发现……是有效的吗？"林乐文的声音有些小。

　　"我需要问你几个问题。"鹤宁说，"方便吗？"

　　"方便。"

　　"你发现这个问题，是偶然的还是系统的？"

　　林乐文想了一下："是系统的。我每周都会做一次数据分布的例行检查，这批数据从上周开始就出现了异常。我一开始以为是样本问题，但核对之后发现不对。"

　　"你有没有跟其他人说过这件事？"

　　"没有。"林乐文摇头，"我只跟您说了。"

　　鹤宁的眼睛微微眯了一下。

　　"为什么？"

　　"为什么只跟您说？"

　　"对。为什么不报告给你的直属上级？或者数据团队的负责人？"

　　林乐文沉默了一秒。然后她说：

　　"因为我不确定他们会怎么处理这件事。"

　　她的声音很平静，但鹤宁能听出其中的谨慎。

　　"你的意思是——你不信任他们？"

　　"不是不信任。"林乐文想了想，"是不确定。在这个公司里，有些事情……我总觉得不对劲，但我不知道问题在哪里。所以我想先找一个我觉得可能听懂的人。"

　　她抬起头，看着鹤宁的眼睛。

　　"昨天听了您的演讲，我觉得您是那个能听懂的人。"

　　鹤宁看着她，没有说话。

　　茶水间里很安静。窗外是深圳三月的雨天，雨水顺着玻璃往下流，在玻璃上留下一道道水痕。

　　"你发现的这个问题，"鹤宁开口，"你觉得是bug还是设计？"

　　"我不确定。"林乐文说，"但我觉得是设计。"

　　"为什么？"

　　"因为如果只是bug，修复就行了，不需要反复修改标注结果。而且——"

　　她顿了顿。

　　"而且我查了一下这份数据的标注权限。这条记录的第十七次修改，是谁改的？"

　　"谁？"

　　"不是我。"林乐文的声音压得很低，"是一个叫'系统管理员'的账号。"

　　鹤宁的眼神变了。

　　"系统管理员"账号，是一个可以覆盖任何标注结果的超级权限。在深维的数据标注系统里，这个账号的持有者是有限的，通常是数据团队的负责人和产品技术负责人。

　　这个账号不应该被用来修改一条具体的标注记录。

　　除非——有人故意要改变这条记录的标注结果。

　　"你是什么时候发现这个情况的？"鹤宁问。

　　"今天上午。"

　　"你有没有留存任何证据？"

　　林乐文点头，从口袋里掏出一个U盘。

　　"原始数据、标注日志、修改记录、分析报告——全部在这里。我做了三个备份，一个是这个，一个在公司的云盘，还有一个是家里。"

　　鹤宁接过U盘，看了它两秒。

　　"你知道这件事一旦被公开，你可能会成为靶子吗？"

　　林乐文沉默了一下。然后她说：

　　"我知道。"

　　"你为什么还要做？"

　　林乐文抬起头，看着窗外。

　　茶水间外面是深维的大楼中庭，雨还在下，窗玻璃上全是水痕。她的视线穿过那些水痕，落在远处模糊的灯光上。

　　"因为我就是那些数据里的人。"

　　她的声音很轻，但很清晰。

　　"什么？"

　　"我是专科学历。我来自一个经济欠发达的省份。我的第一份工作是在一个小城市的网吧当网管。"林乐文的声音平静，"我来深维的时候，面试官问我：你觉得你凭什么能进这家公司？我说：因为我看得出来数据不对劲。"

　　"他觉得我在说大话。但我通过了面试。"

　　她转回头，看着鹤宁的眼睛。

　　"如果这套系统在筛选的时候，会因为地域或者学历就排除某个人——那我可能也在被排除的范围内。即使我已经进来了。"

　　"这就是我知道数据不对劲的原因。"林乐文说，"因为那些不对劲的数据，可能也在定义着我的人生。"

　　茶水间里安静了很久。

　　窗外的雨下得更大了。雨水打在玻璃上，发出急促的声音，像是某种信号。

　　鹤宁看着林乐文。

　　这个专科毕业、网吧网管出身的数据标注组长，在用自己的方式理解这个世界。不是通过代码，不是通过算法，是通过一种原始的、数据本身的直觉。

　　而这种直觉告诉她：这套系统有问题。

　　鹤宁把U盘收进口袋。

　　"谢谢你的信任。"她说，"这件事我会认真对待。"

　　"您打算怎么做？"林乐文问。

　　鹤宁没有立刻回答。她转身看着窗外，雨还在下，深圳的天色已经暗下来了。

　　"我需要先做一件事。"

　　"什么？"

　　"验证。"鹤宁说，"独立验证你说的这些——是不是真的存在。如果真的存在，问题有多严重，以及——"

　　她顿了顿。

　　"以及背后是谁。"

　　她转回头，看着林乐文。

　　"在我验证期间，这件事情不要告诉任何人。包括你的直属上级，包括苏澄，包括任何你认识的人。"

　　"为什么？"

　　"因为你不知道你身边的人，谁是干净的啊。"

　　鹤宁说完，推开茶水间的门，走了出去。

　　林乐文站在原地，看着她的背影消失在走廊尽头，手里还握着那个已经空了的口袋。

　　她不知道自己的选择是对是错。

　　但她知道一件事：如果她发现了问题却选择沉默，那她跟那些污染数据的人没有区别。

　　雨还在下。

　　而她相信，有人会跟她一起走到答案的终点。

　　即使那个人，她只见过一面。

　　---

　　鹤宁回到酒店的时候，已经是晚上七点。

　　她把U盘插进电脑，打开了里面的文件。

　　原始数据、标注日志、修改记录——所有的信息都在这里。她开始一条一条地核对，一条一条地分析。

　　窗外是深圳的雨夜。雨水打在窗户上，声音忽大忽小，像是某种无法破译的密码。

　　鹤宁坐在电脑前，开始工作。

　　她不知道的是——在某个她还不知道的地方，有人已经在看她的邮件记录了。

　　她也不知道的是——明天早上，苏澄会来找她。

　　而她更不知道的是——那个叫"系统管理员"的账号，已经在今晚被注销了。

　　所有的痕迹，都在消失。

　　而她手里的U盘，是唯一留存下来的证据。