人工智能可以帮贫困吗？研究人员测试方法来帮助最贫穷的人

从2020年底开始，随着共同的19日大流行全面展开，多哥在多哥的贫困村民的手机上充满了好消息。他们的钱已经准备好了。在人工智能（AI）的帮助下，这些村民在西非狭窄的土地上已被批准每两周收到约10美元，直接交付给其移动货币帐户。尽管这听起来不那么多，但它可能会使人们不饿。

传统的贫困项目依赖于通过亲自调查收集的数据大流行期间不可能。但是多哥被称为诺维西（Novissi）的努力，这意味着在当地的语言中“团结一致”。该项目由多哥数字经济和转型部长Cina Lawson以及加利福尼亚大学伯克利分校的科学家以及非政府组织（NGO）进行了分析，分析了卫星图像和非政府组织（NGO）来自移动电话网络的数据估计特定地区和个人的财富¹。劳森说，我们需要一种手术方法。她说，这是在反贫困工作中使用AI的重要时刻。

全球约有7亿人生活在极端贫困中，由世界银行定义为每天不到2.15美元。结束贫困，联合国之一可持续发展目标，需要了解谁有需要的人以及他们的需求。但是，长期以来，衡量贫困一直是一个挑战，在很大程度上是由于试图从最贫穷，最脆弱的人群中收集数据所涉及的时间和成本。

将人工智能与公民科学相结合以抵抗贫困

AI允许Lawson超越使用旧数据和不完整数据来迅速充分利用其预算有限的传统障碍。加州大学伯克利分校的计算机科学家约书亚·布鲁门斯托克（Joshua Blumenstock）说，这是一种引起兴趣和争议的方法。

弗吉尼亚州威廉斯堡大学的AIDDATA研究实验室的开发经济学家Ariel Benyishay说，AI工具不仅可以快速发展，而且还可以包括比家庭调查更大，更具代表性的人口的一部分，并且在数据中识别数据模式甚至是专家可能会错过的。AI还可以帮助研究人员评估计划如何满足其目标，并证明在健康，农业，教育和基础设施等领域的投资如何得到回报。世界银行承认这一价值，并一直在开发高级的AI工具来试图预测食品危机和暴力冲突，并从援助干预后收集的大量数据中吸引见解。它得出结论的贫穷，繁荣和星球报告²2024年10月，指出反贫困的努力应着重于利用机器学习和人工智能模型来缩小数据差距并实现更及时的监视。

瑞典隆德大学的人类地理学家奥拉·霍尔（Ola Hall）说，但是有理由谨慎，他研究了人工智能和贫困的交汇处。AI模型被批评为种族主义者，性别歧视和其他偏见。霍尔说，正如家庭调查常常因为没有永久性住房而错过最贫穷的家庭一样，AI驱动的计划可能无法帮助没有数字数据踪迹的个人。他说，他们几乎没有足够的准确性，无法确定谁符合援助或现金补贴的资格，而谁没有。

Benyishay说，但是AI的缺陷可能是当前评估贫困的系统一样糟糕。基线不是完美的数据。他说，这实际上是非常糟糕的数据。

衡量贫困

英国社会改革者查尔斯·布斯（Charles Booth）做出了早期的努力，以量化从1886年到1903年的贫困，当时他纵横交错伦敦的鹅卵石，收集了有关人们的收入和社会阶层的数据。他创建了一张彩色编码的城市地图，并在伦敦人民的生活和劳动的论文中报告了他的发现。英国社会学家Seebohm Rowntree和他的团队采访了英国约克的11,560个家庭，并在1901年的书中发表了调查结果贫困：城镇生活的研究。该团队根据满足人的身体效率或最低营养要求的能力来计算贫困。样品最少的饮食可能包括面包，稀饭，煮培根，土豆，脱脂牛奶等。

在美国总统林登·约翰逊（Lyndon Johnson）在1964年宣布对贫困战争之后，经济机会办公室采用了经济学家莫莉·奥尔桑斯基（Mollie Orshansky）设计的贫困门槛，采取了类似的方法。它将贫困定义为支付食物，住所和其他基本费用所需的最低收入。大约在同一时间，印度对其民众进行了类似的计算。尽管每个专家都对其公式进行修补以说明租金和食品成本的当地差异，但他们都根据每个人的每天居住的钱定义了贫困。

华盛顿特区世界银行的经济学家迪恩·乔利夫（Dean Jolliffe）说，每天的美元态度是直率且易于交流的。但是，一个人花费多少钱只是贫困的一个方面。经济学家和英国国教牧师萨比娜·阿尔基尔（Sabina Alkire）提倡一种更细微的定义贫困的方式。我想知道有多少穷人缺乏房子，有多少穷人在学校外面有一个孩子，所以我实际上可以以非常有形的直接方式做出回应，”阿尔基尔说，他是牛津贫困与人类发展倡议的主任，他是英国牛津大学的倡议。

在2000年代初期，Alkire想要一种捕捉贫困对人的各种影响的方法。Alkire说，仅仅因为有人有足够的钱购买食物并不意味着他们有足够的医疗服务或学费。2008年，Alkire与华盛顿特区乔治华盛顿大学的经济学家詹姆斯·福斯特（James Foster）合作，开发了所谓的多维贫困指数（MPI）³。该方法通过提高剥夺及其强度来估算统一的贫困度量，总共有十个指标，包括营养，上学，饮用水的机会以及家庭用来烹饪燃料的方法。

对于贫困领域，这是一种变化。它允许决策者和其他人衡量，剖析和针对在家庭一级造成贫困的相互作用变量。联合国发展计划取代了其人类贫困指数，该指数的重点是生存，识字和生活水平，尽管Alkire和Foster的MPI在2010年，尽管某些联合国机构以及世界银行继续依靠每天的定义。

这是混乱：美国的资金冻结正在危害全球健康

研究人员和援助机构已经开发了无数方法来定义贫困。詹妮弗·戴维斯（Jennifer Davis）说，这些方法在其中包括的因素以及手头的数据方面有所不同。在2024年的一篇论文中，由戴维斯（Davis）和她的研究生克里斯汀·普（Christine PU）领导的一支团队评估了该领域中使用的四个定义，包括每日人均支出，而不是MPI，并在这些定义中发现了巨大的差异4。^{``当我们进行分析时，我们根本没有找到对完整样本的共识，我们没有为城市家庭找到它，也没有找到最底层的20％，也没有找到最低的1％，我们可能会期望最大的需求。”}除了对定义缺乏一致性，时间问题。

乔利夫说，即使是油腻的野外团队也需要几个小时来调查一个家庭。尽管贫困研究人员已经完善了他们的指标，并纳入了用于分析数据的最新计算方法，但他们经常继续依靠地面调查来收集这些数据。Jolliffe说，很多人仍然对我们仍然进行家庭调查感到惊讶。但是，这一观念是，我们拥有有关每个人的所有数据的数据，这是一个很丰富的观点。

转向AI

作为农业和资源经济学的博士学位学生，马歇尔·伯克（Marshall Burke）熟悉了费力的数据收集。为了了解东非的农业和农业实践，伯克前往肯尼亚和乌干达，在那里他花了几个月的时间与农民交谈并走上了田野。但是，当伯克（Burke）于2015年在斯坦福大学（Stanford University）开始环境变化和人类成果实验室时，他想知道计算机革命是否会提供更好的方法。

这些实验可能会使数百万的贫困降低

在遥感方面拥有丰富经验的大卫·洛贝尔（David Lobell）占领了他旁边的办公室。大约在同一时间，AI和图像认可的专家Stefano Ermon也加入了斯坦福大学。这三人的讨论转向了如何使用卫星图像的不断增长的数据来帮助识别生活在世界各地贫困中的人们。研究人员知道夜间照明可能是财富的粗略代理，因此使用了夜间卫星图像，以及白天图像以及白天图像的各个区域，以教授计算机模型来识别与财富相关的特征。

伯克说，要求计算机比较已经知道已经非常富裕或极差的区域的图像是游戏的电子版本。该算法比较了道路的分布和条件，绿色空间的数量，建筑物的大小和间距以及许多其他变量。伯克说：'伯克说：'伯克说，您和我认为在图像中寻找的所有东西都是有点预测的。”机器可以整理所有数据，并确定哪些方面最相关。

2016年，该小组报告说，卫星图像的AI分析与贫困的地面测量很密切⁵。随着机器学习的发展，Lobell，Burke和Ermon通过合并最新技术来完善了他们的模型。

使用泛非的数据集，包括公开可用的卫星图像，三人在2020年5月测试了一种更新的方法。当团队将其机器学习预测与20,000个村庄的财富相关的调查数据进行比较时，算法的执行方式以及劳动性调查，但在努力和成本和成本的努力和成本和成本的一小部分。⁶（请参阅“贫困预测”）。

Benyishay说，这是开发界的一个相当开创性的改进概念。他说，其他团队正在加入实验，抛出了许多不同的想法。他说，科学家正在应用机器学习来寻找卫星图像和移动电话数据中的模式，并分析干旱，农业生产力，基础设施投资等的影响。