好书精读 · READ 940
Invisible Women · 卡罗琳·克里亚多·佩雷斯 (Caroline Criado Perez) · 2019
这本书只讲一件事，但这件事解释了大量你以为「就是这样」的日常不便：从药品剂量到碰撞测试假人、从办公室空调到扫雪顺序，现代世界的绝大部分默认值，是照着一个 70 公斤的男性身体和一种不带孩子、不做家务、上下班走直线的男性生活设计的；女人被当成这个默认值的一种「变体」。而最关键的一句是——这套偏差绝大多数不是出于恶意，而是出于一个从没被问出口的假设：「人」默认是男的。于是它不写在任何文件里，只写在数据的空白处，然后被浇筑进产品、制度与算法，一代代自动复制。
作者卡罗琳·克里亚多·佩雷斯是英国的作家与活动家，此前因推动英格兰银行 10 英镑纸币印上女性（简·奥斯汀）而为人所知。这本 2019 年的书不是理论著作，而是一份证据汇编：她把散落在交通规划、医学、劳动经济、工业设计、灾后重建、税收政策里的研究扒出来，串成同一个论证。它同年拿下英国《金融时报》商业图书奖与英国皇家学会科学图书奖——一本被同时当作商业书和科学书来读的女性主义著作，这个位置本身就说明了它的方法：不诉诸义愤，诉诸数据的缺口。
先说一个最能把全书讲清楚的东西：参照人（Reference Man）。在辐射防护、职业安全、人体工学等领域，长期存在一个标准化的人体模型——身高体重取自欧美成年男性（经典设定约 70 公斤、二三十岁、白人男性）。它本来只是个工程上的便利：你得给「人」定个尺寸才能算剂量、算受力、算安全边界。问题在于，这个便利一旦固化，它就不再是「一个参考点」，而变成了「人」本身。
打个比方：这就像整个城市的门都按一位特定先生的身高开凿，然后发现有人老撞头，于是说「这些人身高不标准」。被当成默认值的那个身体，从来不会感觉到自己被特殊对待——这正是它最难被看见的原因。而所有偏离它的人（不只是女性，还包括身材矮小的男性、老人、不同族裔），承担的都是同一笔隐形税。
它如何改变你看问题的方式：以后你看到任何「标准」「默认设置」「通用型号」，会自动多问一句——这个标准是从谁的身上量出来的？这一问几乎总能问出东西来，而且远不止性别一个维度。
这是全书的枢纽概念。性别数据缺口（gender data gap）指的是：大量数据在收集时压根没按性别拆分（sex-disaggregated），或者样本本身就以男性为主，于是关于女性经验的信息从一开始就不存在。
它的阴险之处在于缺失是无声的。一个偏见你能反驳，一个空白你连指都指不出来——因为屏幕上什么都没有。决策者盯着仪表盘，仪表盘上没有红灯，于是结论是一切正常。这是全书最该带走的一条认识论教训：数据里的沉默，可能来自「没有问题」，也可能来自「没有测量」，而这两者在报表上长得一模一样。
作者的一个经典例证是瑞典小城卡尔斯库加（Karlskoga）的扫雪。当地在做「一切政策都过一遍性别视角」的检查时，有人半开玩笑说：扫雪总跟性别无关吧？一查才发现：扫雪顺序是先干道、后人行道和自行车道——而开车通勤的以男性居多，走路、推婴儿车、接送孩子的以女性居多。再一查医院数据：冰雪天气里受伤的行人远多于驾车者，而这些行人多为女性；行人跌伤造成的医疗与误工成本，比调整扫雪顺序的花费还高。于是他们把顺序倒过来先扫人行道。这个案例之所以被反复引用，不是因为扫雪多重要，而是因为它完美演示了整套机制：没人歧视谁，只是从没人把「行人」和「驾驶者」拆开看，而一旦拆开，连成本账都算反了。
第二块大缺口在劳动。全球范围内，无偿的照护与家务（unpaid care work）绝大部分由女性承担——国际劳工组织的估算约为四分之三。而 GDP 的统计口径只认市场交易：你雇人带孩子算进 GDP，自己带不算。于是一项占据了大量人类工时、且直接决定了下一代人力资本的劳动，在国民账户上等于零。后果不是抽象的：因为它不算数，所以削减公共托育、削减养老服务在账面上永远是「省钱」——省下来的那部分只是从预算表挪到了某个女人的日程表里，没有消失。
这块无偿劳动还改写了人的移动方式。规划者习惯的模型是「通勤」：早晚高峰、家与公司之间的一条直线。但承担照护的人的出行是行程串联（trip-chaining）：送孩子上学 → 去单位 → 中午替老人跑一趟 → 下班顺路买菜 → 接孩子。这是多段、短程、非高峰、常常换乘的出行方式，而几乎所有公共交通的定价、班次与线路设计，都在惩罚它——按次计费让多段出行更贵，郊区-市中心的放射状线路让横向移动极其麻烦，非高峰班次稀疏。这不是「女性不爱坐地铁」，是地铁没有为这种生活写过一行需求。
这是全书最触目、也最有政策后果的一章。历史上，临床试验长期以男性受试者为主；连动物实验和细胞实验都偏好雄性，理由是雌性的激素周期会带来「噪声」——把真实存在的生理变量当成了测量的麻烦。美国国立卫生研究院（NIH）从 1993 年起要求受资助的临床研究纳入女性，2016 年起进一步要求在临床前研究中把性别作为一个生物学变量（sex as a biological variable）纳入设计。这两个年份本身就说明问题：这不是远古史。
后果落在三处。一、剂量。男女在药物代谢速度、体脂比例、酶活性上确有差异，而剂量常按男性平均体重推。最具代表性的案例是安眠药唑吡坦（zolpidem，商品名 Ambien）：因发现女性代谢较慢、次日清晨血药浓度仍可能影响驾驶，美国食品药品监督管理局（FDA）在 2013 年把女性的推荐剂量下调为原来的一半——这款药此时已上市二十年。二、症状识别。心脏病发作的「典型症状」（胸口压榨感、放射至左臂）是从男性身上总结的；女性更常出现腹痛、气短、恶心、极度疲劳，于是被归类为「非典型」。注意这个词有多要命：「非典型」是相对谁而言的典型？英国利兹大学的一项研究发现，心脏病发作后，女性被初次误诊的概率显著高于男性（该研究给出的数字约为高出一半）。三、疼痛与自述。大量研究提示，女性主诉疼痛时更容易被归因为情绪或心理因素、更晚拿到镇痛、诊断周期更长（子宫内膜异位症的平均确诊时间以年计）。
它改变你看问题的方式：「典型 / 非典型」「正常值 / 异常值」这类看似中立的医学词汇，其实都内嵌了一个参照人。而在医学里，一个词的参照系错位，代价是命。
物理世界的默认值最直观。碰撞测试假人长期以第 50 百分位男性（约 1.77 米、76 公斤）为原型；所谓「女性假人」很多时候只是把男性假人等比缩小，并不反映女性在脂肪分布、肌肉量、颈部强度、坐姿（个子矮的人坐得更靠前、更直，而这个姿势在标准测试里被归为「非标准坐姿」）上的真实差异。美国直到 2011 年前后才在新车评价项目的部分测试与座位上引入较小尺寸的女性假人。作者引用的研究称女性在相似碰撞中受重伤的概率明显更高——这个具体数字后来有争议（见下文「批评」），但「测试基准是男性身体」这个事实本身没有争议。
同一逻辑遍布各处：个人防护装备（PPE, personal protective equipment）——防弹衣、防刺背心、安全鞋、连体工作服多按男性体型开版，女性警察与消防员被迫穿不合身的护具，不合身的防护装备既妨碍动作也降低防护；工具与器械按男性手掌尺寸设计；钢琴键盘的标准宽度对手小的演奏者更易造成劳损（已有缩窄键盘的替代方案）；智能手机的主流尺寸超出多数女性单手操作的舒适范围；办公室空调的温度标准可追溯到以成年男性代谢率为基础的旧模型。
这一节的真正价值不在于列举，而在于让你换一套眼睛：任何「不好用」的体验，先别归因为自己笨手笨脚——问问这东西是照谁的身体做的。
这是书里最有前瞻性的一块。机器学习从历史数据里学规律，而历史数据里装满了上面所有的缺口与偏差，于是算法不是中立的，它是过去的平均值的自动化。
两个具体机制。其一，词向量（word embeddings）——把词变成数字向量、让机器计算词与词的关系的技术。2016 年一项著名研究发现，在从新闻语料训练出的词向量里，可以做出「男人之于程序员，如同女人之于家庭主妇」这样的类比。模型没有被教这件事，它只是把语料里的统计规律照实学了下来。其二，训练数据本身的样本偏差：早期语音识别对男声的识别准确率高于女声（有研究以视频平台自动字幕为样本发现了这种差距），因为训练语料以男声为主；用历史招聘记录训练的筛简历模型，会把「过去被录用的人长什么样」当成「合格的人长什么样」。
为什么这一节比前面几节更要紧：物理世界的默认值改起来慢但看得见，算法的默认值改起来快却看不见，而且它以「客观、无情绪、基于数据」的名义被信任。一旦缺口进了模型，它就不再是某个工程师的疏忽，而成了系统的判断。
最后一层是制度。一项政策自称「性别中立」，往往只是没去看它落在谁头上。举例：削减公共服务开支在账面上对所有人一视同仁，但当托育、长照、社区服务被削减，这些工作不会消失，只会回流到家庭内部的无偿劳动——而那部分劳动的承担者主要是女性；税制里对二次收入者（second earner）的边际税率安排，可能让家庭中收入较低的一方（多为女性）工作变得不划算。灾后重建与人道援助里也有大量教训：不装锁的临时厕所与安置点、不考虑月经用品的救灾包、按户主（默认男性）发放的补助金——都不是有人存心为难，而是设计时脑中的那个「受灾者」没有具体的身体。
对策叫性别预算（gender budgeting）：在做预算与政策时强制拆分性别去评估影响。它听起来像官僚程序，但卡尔斯库加的扫雪正是这种流程的产物。这也是本书最实用的结论：对抗缺口的办法不是更强的道德感，而是更笨的流程——强制拆分数据，让沉默发不出声的地方，有人必须去填表。
全书六大部分（日常生活、职场、设计、医疗、公共生活、灾难），但论证是同一条链，值得一次记住：
| ① 默认 | 「人」的默认值取自男性身体与男性生活节奏（参照人）。 |
| ② 缺口 | 数据不按性别拆分、样本以男性为主——女性经验在数据上不存在。 |
| ③ 误读 | 决策者把「没有数据」读成「没有问题」。 |
| ④ 浇筑 | 默认值被写进药品剂量、车、护具、线路、税制、模型。 |
| ⑤ 代价 | 更高的受伤率、更晚的诊断、更贵的出行、更少的收入。 |
| ⑥ 闭环 | 代价被观察成「她们就是不适合 / 不选这个」，反过来加固①。 |
全书几百个例子，走的都是这一条环路；解法也只在一处——在②上强行拆分数据，把环打断。
所以它证成的不是「社会歧视女性」这种老论题，而是一个更精确、也更难反驳的命题：在没有任何人怀有恶意的前提下，一个系统仍然可以稳定地把成本分配给同一群人——只要它的默认值取自其中一部分人，而它又从不去测量另一部分。这条结论可以原样迁移到年龄、身材、族裔、残障、地域上去：本书真正教的是「默认值审计」这项技能，性别只是它最完整的一个案例。
① 现代世界的默认值——药品剂量、碰撞假人、护具版型、空调温度、公交线路——大多取自一个 70 公斤的男性身体和一种走直线的男性生活。
② 而这几乎全都不是恶意，是一个从没被问出口的假设：「人」默认是男的。没有加害者，不代表没有代价。
③ 全书的枢纽是「性别数据缺口」：数据不按性别拆分、样本以男性为主，于是另一半人的经验在报表上根本不存在。
④ 最要命的认识论陷阱是：「没有数据」在决策桌上总被读成「没有问题」——而这两种沉默在仪表盘上长得一模一样。
⑤ 瑞典小城把扫雪顺序从先车道改成先人行道，只因为发现冰雪天受伤的行人远多于驾驶者、医疗成本还更高——没人歧视谁，只是从没人把行人和驾驶者拆开看。
⑥ 无偿的家务与照护在 GDP 里等于零，于是砍掉托育与长照在账面上永远是「省钱」——省下的部分只是从预算表挪进了某个人的日程表，它没有消失。
⑦ 规划者设计的是「通勤」，而照护者过的是「行程串联」：多段、短程、非高峰、常换乘——不是她不爱坐公交，是公交没为这种生活写过一行需求。
⑧ 心脏病的「典型症状」是从男性身上总结的，于是女性的症状被叫作「非典型」——请永远追问一句：典型，是相对谁而言的典型？
⑨ 算法是「过去的平均值的自动化」：它把历史数据里的默认值原样学走，再以「客观、基于数据」的名义发出去；物理世界的偏差改起来慢但看得见，模型里的偏差改起来快却看不见。
⑩ 所以解药不是更强的道德感，而是更笨的流程——强制按性别拆分数据、让没人测量的地方必须有人去填表；而这本书真正教你的是一项可迁移的技能：看到任何「标准」「默认」「通用款」，先问它是从谁身上量出来的。