智能手机对女性来说太大了，这个问题的解决方案似乎显而易见：设计更小的手机。当然，市场上也有一些小型手机，其中最著名的要属苹果的iPhone SE系列。但是SE系列已经两年没有更新了②，因此与标准的iPhone系列（只提供大尺寸或更大尺寸）相比，它的性能规格较差，现在已经停产了。在中国，无论男女，手小的人都可以买到Keecoo K1③，它采用六边形设计，试图应对女性手掌较小的问题——这一点很好。[18]但它的处理能力较差，而且内置了美颜功能：这很糟糕。非常糟糕。

语音识别也被认为有助于解决智能手机相关的肢体重复性劳损症，[19]但这实际上并不能解决许多女性的问题，因为语音识别软件通常都无条件地偏向男性。2016年，华盛顿大学的语言学研究员蕾切尔·塔特曼发现，谷歌的语音识别软件准确识别男性语音的可能性比准确识别女性语音的可能性高出70%[20]——这还是目前市场上最好的语音识别软件。[21]

显然，女性在购买产品时支付了与男性相同的价格，得到的服务却较为逊色，这不仅不公平，还可能存在严重的安全隐患。例如，汽车安装的语音识别软件旨在减少干扰，让驾驶更安全。但如果软件不管用，结果就会适得其反——而且它常常不管用，至少对女性来说是这样。汽车网站Autoblog上登载了一篇文章，引用一位女士的说法：她购买了2012款的福特福克斯，却发现车上的声控系统只听她丈夫的，即使他坐在副驾驶座上也如此。[22]另一位女士的别克汽车声控电话系统不听使唤，于是她向制造商求助：“那人直截了当地告诉我，我永远都别指望它了。他们叫我找个男人来安装它。”写完上面这段话，我就坐进我母亲的沃尔沃越野车，看着她试图通过语音识别系统给我姨妈打电话，但没能成功。经过5次失败的尝试，我建议她尝试把声音压低。居然1次就成功了。

语音识别软件越来越复杂，应用领域也越来越广泛，其中包括医学，在这些领域出错的后果同样很严重。2016年的一篇论文随机抽选出100条急诊主治医生的口述医嘱，都是通过语音识别软件识别的，结果发现其中有15%的错误非常严重，“可能会导致沟通错误，从而影响对病人的治疗护理”。[23]遗憾的是，作者并没有将他们的数据按性别分类，但有相关文献报道说，女性语音的转录错误率明显高于男性。[24]赛义德·阿里博士是其中一项医学听写研究的主要作者，他观察到其研究的“直接影响”是，女性“可能要比男性多费点力气，才能成功使用（语音识别）系统”。[25]蕾切尔·塔特曼表示认同：“男性在使用这些技术时的效果更好，这意味着女性更难做好自己的工作。即使改正一个错误只需要一秒钟，但这些时间日积月累下来就不再是个小数字，相比之下，你的男同事不会将这些时间浪费在跟技术折腾上。”

汽车导航系统供应商ATX的语音技术副总裁汤姆·沙尔克提出了一种新颖的方案来解决“女性语音的诸多问题”，世界各地受挫的女士看来得为此击节相庆了。[26]他说，女性需要的是“长期培训”——只要女人们“愿意”接受培训就行。沙尔克感叹道，但她们根本不想。就像在孟加拉国那些固执己见、总是买错炉子的女人一样，买车的女人也总是不合理地期望软件开发人员设计出一款适合她们的语音识别产品，但很明显，需要解决的问题是女人自己。为什么女人不能更像男人呢？

蕾切尔·塔特曼驳斥了这种认为问题在于女性的声音而不在于技术无法识别女性声音的说法：研究发现，女性具有“明显更高的语音可辨度”，[27]这可能是因为女性发出的元音往往较长，[28]语速比男性稍慢。[29]与此同时，男性“说话不流畅的概率更高，使用的单词持续时间略短，而且使用的替代（‘含混’）发音更多”。[30]考虑到所有这些因素，语音识别技术应该更容易识别女性而不是男性的声音——事实上，塔特曼写道，她已经“利用女性的语音数据对分类器进行了训练，而且谢天谢地，效果很好”。

当然，问题不在于女性的声音，而在于我们的老朋友——性别数据缺口。语音识别技术是在名为语料库的大型语音记录数据库上进行训练的。这些语料库主要收录了男性声音的录音。无论如何，就我们所知：大多数语料库中的声音素材都未按性别分类，当然，这本身就是一个数据缺口。[31]当塔特曼研究语音语料库的性别比例时，只有TIMIT（“语言数据联盟中最受欢迎的语音语料库”）一家提供了按性别分类的数据。当中69%是男性。但与这些发现所暗示的相反，事实上有可能找到女性说话的录音：从英国国家语料库（BNC）[32]网站上的数据来看，该语料库是性别平衡的。[33]

不光是语音语料库会催生偏向男性的算法。文本语料库（由小说、报纸文章、法律教科书等各种文本组成）被用来训练翻译软件、简历扫描软件和网络搜索算法，它们的数据也充斥着性别数据缺口。我搜索了英国国家语料库[34]（收录了20世纪晚期大量文本中的1亿个单词），发现女性代词的出现率始终只有男性代词的一半左右。[35]尽管当代美国英语语料库有5.2亿个词，收录了近至2015年的文本，但男女代词的比例也是2比1。[36]依据这些满是缺口的语料库来训练的算法，就给人留下这样一种印象：这个世界实际上是由男性主宰的。

图像数据集看来也存在性别数据缺口的问题：2017年，一项对两组常用数据集的分析发现，男性图像的数量远超女性图像；这两组数据集包含“来自网络的10万多张复杂场景的图像，并附有说明”。[37]华盛顿大学的一项类似研究发现，在他们所测试的45种职业中，女性在谷歌图像搜索中出现的比例偏低，其中CEO的比例最为悬殊：美国27%的CEO是女性，但在谷歌图像的搜索结果中，女性只占11%。[38]搜索“作家”的结果也是不平衡的，谷歌图片中只有25%的搜索结果是女性，相比之下，美国作家中女性的实际占比有56%，研究还发现，至少在短期内，这种差异确实影响了人们对某个领域性别比例的看法。当然，对于算法来说，影响会更长远。

这些数据集不仅未能充分代表女性，而且歪曲了她们的形象。2017年一项对常用文本语料库的分析发现，女性的名字和相关用词（“妇女”“女孩”等）与家庭的关系大于与职业的关系，而男性的情况正好相反。[39]2016年，一项基于谷歌新闻的流行公共数据集分析发现，与女性相关的最热门职业是“家庭主妇”，与男性相关的最热门职业是“名家大师”。[40]与性别相关的十大职业还包括：哲学家、社交名人、队长、前台接待员、建筑师和保姆——你可以自行猜测，哪些是男性，哪些是女性。2017年的图像数据集分析还发现，图像中包含的活动和物体表现出“明显的”性别偏见。[41]研究人员之一马克·亚茨卡尔预见了这样一种未来：如果机器人是通过这些数据集来训练的，当它不确定人们正在厨房里做什么的时候，它就会“给一个男人一杯啤酒，让一个女人帮忙洗碗”。[42]

这些文化成见可从现已广泛使用的人工智能技术中找到。例如，斯坦福大学的教授隆达·席宾格想把报纸对她的采访从西班牙语译成英语，而谷歌翻译和Systran翻译系统都反复使用男性代词指代她，尽管文中出现了像profesora（女教授）这类明显指代女性的术语。[43]谷歌翻译还在将土耳其语译成英语时，赋予了原本性别中立的句子刻板成见的意味。O bir doktor的意思是“她/他是一个医生”，但被翻译成“他是一个医生”，而O bir hemsire（意思是“她/他是一个护士”）被译成“她是一个护士”。研究人员发现，翻译软件在将芬兰语、爱沙尼亚语、匈牙利语和波斯语译成英语时，也出现了同样的现象。