为何 AI 危害无法逐一身份类别解决：5300 份事件报告对交叉性的揭示

AI 风险评估是识别 AI 系统造成危害的主要工具。这些危害包括交叉性危害，它们源于身份类别（例如阶级和肤色）之间的交互，当这些类别被单独考虑时，此类危害不会发生或表现不同。然而，现有的 AI 风险评估仍建立在孤立的身份类别之上，当考虑交叉性时，它们几乎只关注种族和性别。基于对已记录 AI 事件的大规模分析，我们表明 AI 危害并非一次仅发生在一个身份类别上。利用大型语言模型（LLM）应用结构化评分标准，我们分析了 AI 事件数据库中 1,200 起已记录事件的 5,300 份报告，该数据库是经过最严格筛选的事件数据源。从这些报告中，我们识别出 1,513 名受害主体及其关联的身份类别，达到了 98% 的准确率。在单个类别层面上，我们发现年龄和政治身份在已记录的 AI 危害中的出现频率与种族和性别相当。在交叉类别层面上，特定交叉点（未成年女性、有色人种低收入群体以及上层阶级政治精英）的危害被放大了高达三倍。我们论证交叉性应成为 AI 风险评估的核心组成部分，以更准确地捕捉危害是如何在社会群体中产生和分布的。