在高校课堂上谈论AI时代的伦理问题时，讨论往往集中在用户端：该如何使用、如何避免误用，以及如何承担使用后果。原因并不复杂——学生首先是AI产品的使用者，因此课堂更容易围绕“怎么用”展开。但问题在于，现有AI本身就带有偏见和能力边界，再叠加其高度便利性，不同使用方式会导向截然不同的结果，甚至造成非预期伤害。

正因如此，“主要由用户承担责任”的认知长期占据主流。这背后，很大程度上来自开发者与用户之间对AI理解程度的巨大落差。尤其是基于大规模语言模型的生成式AI，在技术和治理尚未完全成熟之际便迅速扩散，用户规模甚至在不到一周内突破1亿。

ChatGPT中的“P”指的是“Pre-Trained（预训练）”，也就是先汇集可供学习的数据，再据此完成训练。从这个意义上说，它更像是一种仍带有“半成品”属性的技术产品，无法在所有场景下都给出完全贴合现实的答案。近来多起公开案例也显示，AI相关问题所造成的伤害，往往更容易集中落在弱势群体身上。

关注AI社会影响的记者Karen Hao在《帝国、权力、资本、劳动（2026）》一书中，便从多个层面梳理了这些问题。其影响早已不止于个体层面，也正在社会层面引发严重后果。比如，警方或金融机构采购的自动化决策软件，被发现会固化种族、性别和阶层差异所带来的歧视。甚至有独立调查披露，美国刑事司法体系所使用的算法，可能将无辜黑人判定为“高风险”，其风险评级反而高于犯罪前科更多的白人。

用户与AI厂商之间发生的问题，终究更容易暴露出来，一旦出现也往往迅速进入公众视野。相比之下，AI服务开发公司内部围绕技术逻辑与伦理边界的冲突，以及为打磨产品而在幕后完成的大量工作，外界却很难真正了解。更难判断的是，这些厂商是否承担了与当下社会要求用户“合规、负责任使用AI”相匹配的伦理责任。

回顾历史，塞拉利昂、安哥拉和刚果等地在上世纪曾因剥削童工开采钻石而引发整个钻石供应链的伦理危机。TikTok也曾被指出通过算法强化成瘾性设计，过度占用用户时间和注意力，并可能诱发青少年心理健康问题。英国咨询公司Cambridge Analytica则因未经同意收集数千万Facebook用户数据并用于政治广告定向，引发外界对个人信息滥用及其影响民主进程的强烈质疑。相关审判结果显示，Cambridge Analytica破产，Facebook被处以50万英镑罚款。如今，类似的问题正在AI产业链上再次出现。

要在竞争中推进AI研发并实现商业化运营，离不开由GPU服务器支撑的数据中心。高性能GPU服务器不仅噪声巨大，还需要大量冷却水来处理运行过程中产生的热量。AI数据中心的用电规模，甚至可能接近一座普通城市的用电量，而其带来的碳排放影响，也可能进一步外溢为全球性问题。

美国硅谷企业正尝试在智利、玻利维亚等国建设数据中心。对于这些“全球南方”国家的领导人而言，引入相关项目有助于展示政绩与发展能力；但对于长期遭受干旱的当地民众来说，原本就紧张的饮用水资源却可能被用于数据中心冷却，由此带来新的人为环境风险。

在同属全球南方的肯尼亚和委内瑞拉，一些受失业和恶性通胀挤压的民众，正从事“内容审核”工作，为欧洲汽车企业和美国AI公司生产自动驾驶与AI训练所需的数据。他们的时薪约为2美元，长期重复筛除色情、暴力和侮辱性内容，承受沉重的心理负担；与此同时，由于多处于非正规雇佣状态，他们甚至难以获得及时而适当的治疗。

这一现实，与OpenAI早期提出的“让全世界因AI受益”的理念形成鲜明反差。AI供应链上的伦理问题仍在持续发酵，而发展中国家和弱势群体尤其承受了主要代价。作者认为，这并非与大多数人无关：一旦AI生态的伦理基础发生动摇，最终受到影响的不会只是某一群体，而是所有人。社会对此需要投入更多关注。