《Frontiers in Artificial Intelligence》：AI inclusivity and the centrality of Africa: a systematic review of representation, innovation, and governance in global artificial intelligence
编辑推荐：
人工智能（AI）正在重塑教育、医疗保健、金融和农业等领域的全球系统。尽管具有变革潜力，但对包容性的担忧持续存在，特别是关于非洲背景在AI开发中的代表性不足。本研究探讨了非洲在实现全球包容性AI中的作用，并探讨了其边缘化的影响。采用定性系统综述设计，遵循PRIS
人工智能（AI）正在重塑教育、医疗保健、金融和农业等领域的全球系统。尽管具有变革潜力，但对包容性的担忧持续存在，特别是关于非洲背景在AI开发中的代表性不足。本研究探讨了非洲在实现全球包容性AI中的作用，并探讨了其边缘化的影响。采用定性系统综述设计，遵循PRISMA协议，综合了2018年至2025年发表的同行评审文献、政策文件和灰色文献。分析围绕一个概念框架展开，该框架关联了数据多样性、开发过程和AI结果。研究结果表明，非洲在数据集、治理机构和创新生态系统中的有限代表性导致了算法偏见、上下文相关性降低以及全球数字不平等的强化。相反，非洲的贡献，包括上下文敏感的创新、特定行业的AI创新以及基于Ubuntu等公共哲学的伦理框架，证明了非洲对公平AI系统的中心地位。基础设施差距、资金限制和不平等的全球伙伴关系等结构性障碍继续限制参与。该研究得出结论，没有非洲在数据生产、模型开发和治理结构中的有意义参与，AI包容性就无法实现。政策建议强调能力建设、数据主权、公平伙伴关系和加强非洲大陆AI战略。将非洲作为核心参与者整合不仅是道德要求，也是构建具有全球代表性和社会响应性的AI系统的技术必要性。
1 引言
人工智能（AI）已成为21世纪最具变革性的技术之一，重塑了全球经济系统、治理结构、教育、医疗保健、农业和工业生产。机器学习、生成式AI、自然语言处理和预测分析的进展加速了AI在公共和私营部门的整合。这种快速采用创造了创新、生产力和 socio-economic 发展的新机会，但也引发了关于公平性、问责制、透明度和包容性的担忧。AI包容性概念因AI系统经常反映和复制现有社会、经济和政治不平等的证据而凸显。算法偏见研究表明，基于不完整或不具代表性数据集训练的AI系统可能在种族、民族、语言、性别和地理等维度产生歧视性结果。数字殖民和数据治理的新兴学术认为，AI开发高度集中在少数国家、公司和领先研究机构，主要位于全球北方，造成了数据、计算基础设施、投资和技术专业知识获取的不对称，导致全球范围内AI知识、技术、标准和监管框架生产参与的不均衡。非洲拥有超过14亿人口、数千种语言、多元文化传统和快速扩张的数字生态系统，代表了未来AI发展的最重要前沿之一。然而，许多非洲国家在AI研究能力、计算基础设施、资金可用性、数据代表性和全球治理结构参与方面存在持续差距，引发了对当代AI系统是否充分反映非洲现实、需求和视角的担忧。有限非洲参与的影响超出了区域代表性问题：主要在北方数据上训练的AI系统在非洲背景下可能表现不佳，非洲语言、文化和社会经济条件在AI开发过程中的代表性不足可能限制新兴技术的全球适用性和公平性。因此，有意义的包容性不仅需要在数据集中更广泛的 demographic 代表性，还需要在创新生态系统、政策开发、治理机构和知识生产过程中的更大参与。同时，非洲正通过研究网络、创新枢纽、初创生态系统和政策倡议日益贡献于全球AI创新，但非洲内部AI准备度、基础设施、政策能力和创新生态系统存在显著差异，需避免将非洲视为同质技术景观。尽管对AI伦理、治理、偏见和数字转型的学术关注增加，但文献仍然碎片化，对非洲对包容性AI生态系统贡献的综合有限。先前研究常将算法公平性、数据殖民、治理、创新能力和技术采用作为独立领域。因此，对非洲代表性、创新和治理参与如何共同影响全球包容性AI系统发展的理解有限。为填补这一空白，本研究对非洲背景下AI包容性文献进行系统综述，综合关于代表性、创新、治理和影响非洲参与的 structural 障碍的现有证据，并回答四个研究问题：RQ1：非洲在当代AI数据集、开发过程和治理结构中如何被代表？RQ2：非洲创新生态系统对包容性和上下文相关AI开发做出哪些贡献？RQ3：哪些 structural 障碍限制非洲参与全球AI生态系统？RQ4：这些发现对开发公平、有代表性和全球包容性AI系统有何启示？
2 理论和概念框架
2.1 理论框架
本研究理论上受解殖民理论（Decolonial Theory）和社会技术系统理论（Socio-Technical Systems Theory, STS）指导。解殖民理论强调历史结构如何持续影响知识生产和技术发展，STS强调技术结果通过技术基础设施与嵌入的社会、制度、政治、经济和文化背景的互动产生。结合这些视角，AI包容性被概念化为不同人口、知识系统、语言、文化、机构和治理行为者在AI生命周期中被代表、赋权和有意义参与的程度。分析围绕四个相互关联的维度：数据代表性、创新参与、治理包容和社会相关性。
2.2 概念框架
研究开发了概念框架，说明包容性AI通过数据代表性、创新参与、治理包容和社会相关性的互动出现，这些维度影响AI开发过程，包括共同创造、上下文化开发、能力建设、伦理治理和多利益相关者协作，最终导致减少偏见、提高公平性、非洲知识系统更大代表性、公平参与、社会经济赋权和上下文相关可持续AI解决方案等包容性结果。
2.3 文献综述
2.4 AI包容性、代表性和数据殖民
AI采用的增长加剧了关于包容性、公平性和代表性的关注。训练数据的质量和多样性显著影响算法性能和公平性。数据集常低估全球南方人口，特别是非洲社区，导致算法偏见和模型准确性降低。数据殖民学术认为数据收集、计算资源和AI开发集中在少数国家和公司，复制了全球不平等的历史模式。非洲社区频繁贡献数据却被排除在决策之外。一些研究强调数据集多样化、偏见缓解和算法审计作为主要解决方案，而其他学者认为必须解决知识生产、数据治理和制度权力的 structural 不平等。因此，包容性日益被理解为不仅是技术问题，也是涉及整个AI生命周期中参与、权力和代表的社会政治挑战。
2.5 非洲AI创新生态系统
非洲在技术创新中的作用日益受到关注。创新枢纽、研究网络、初创生态系统和学术合作促进了针对医疗保健、农业、教育和金融服务的上下文敏感AI应用。然而，非洲AI创新远非统一，各国在基础设施、研究能力、政策开发和投资水平上存在显著差异。南非拥有最发达的研究环境，肯尼亚是数字创新中心，尼日利亚由创业和金融科技驱动，卢旺达采取国家主导方式，埃及投资国家AI战略。这些差异挑战了非洲作为同质技术景观的表征，表明多个AI生态系统由不同的政治、经济、制度和监管条件塑造。
2.6 AI治理、伦理和Ubuntu
治理和伦理问题对负责任AI至关重要。现有框架主要来自北美、欧洲和亚洲，强调透明度、问责制、隐私等原则。学者质疑这些框架是否充分反映非洲社会的价值观和现实。非洲学者倡导将本土知识系统和Ubuntu哲学纳入治理，Ubuntu强调关系性、共同福祉和相互责任。治理文献还强调非洲在国际AI监管过程中参与有限，全球倡议主要由全球北方行为者主导，导致非洲视角代表性不足。研究认为需要非洲政策制定者、研究人员和民间社会更积极参与全球AI治理，以解决数据治理、数字主权和算法公平等问题。
2.7 研究空白
现有研究在AI代表性、创新、治理、伦理和 structural 不平等方面取得进展，但常独立检查这些维度。算法偏见研究聚焦数据质量和技术缓解，创新生态系统研究强调技术发展和能力建设，治理和伦理研究未充分整合创新能力和基础设施不平等。因此，关于代表性、创新、治理参与和 structural 障碍如何共同影响AI包容性的系统证据有限。本研究通过系统综述填补这一空白。
3 方法论
3.1 研究设计
采用定性系统文献综述，遵循PRISMA指南，包括文献识别、筛选、资格评估、数据提取、质量评估和数据合成。
3.2 搜索策略
在Scopus、Web of Science、IEEE Xplore和Google Scholar中系统搜索，使用关键词组合和布尔运算符，并进行前后引用追踪。
3.3 资格标准
3.3.1 纳入标准
研究需涉及AI、治理、伦理、算法公平性、创新生态系统或非洲背景的参与障碍，发表时间为2018-2025年，英文全文。
3.3.2 排除标准
不关注AI、与非洲背景或AI包容性无关、超出指定期间或缺乏实质性分析内容的编辑、新闻、评论或重复记录被排除。
3.4 研究选择过程
根据PRISMA指南，去除重复、标题和摘要筛选及全文资格评估后，18项研究符合纳入标准。排除主要原因包括与非洲背景AI包容性无关、有限对齐、概念或实证相关性不足以及重复或无法访问全文。
3.5 数据提取
从18项研究中手动提取数据到结构化Excel模板，包括作者、年份、特征、方法、地理背景、分析焦点、关键发现和相关性。提取数据用于主题合成和比较分析。地理分布显示证据主要集中于非洲，部分全球研究为解释提供理论见解。
3.6 质量评估
基于目标清晰度、方法透明度、与AI包容性和非洲背景的相关性、证据质量和对代表性、治理、创新或包容性的贡献评估所有纳入研究。
3.7 数据分析
采用主题合成分析，包括开放编码、主题开发（分为代表性、数据多样性与算法公平性；创新能力与上下文适应；伦理、治理与认知包容； structural 障碍与数字不平等）和通过解殖民理论和STS框架的解释性合成。
4 数据分析
4.1 代表性、数据多样性和算法公平性
对纳入研究进行结构化定性主题合成，开发编码矩阵基于概念框架，链接输入因素（代表性和基础设施）、AI开发过程（创新和治理）和结果（公平性、包容性和全球适用性）。分析揭示四个主导主题集群：代表性和数据多样性、创新能力和上下文相关性、伦理和治理框架、 structural 障碍和数字不平等。主题分析确定了四个一般模式：非洲数据系统边缘化导致算法偏见；非洲创新中心在农业、金融科技等领域的出现；治理不对称；以及基础设施、资金和计算能力限制形成的 nexus。这些趋势支持概念框架，表明代表性和参与直接影响AI包容性。
5 结果与讨论
5.1 代表性和数据多样性、算法公平性
解决RQ1。文献一致认为数据代表性是AI包容性的关键决定因素。非洲人口、语言和社会经济现实在标准AI训练数据集中有限，导致算法性能降低、偏见输出和上下文相关性减弱。数据集多样性和算法公平性相关，更代表性数据集有助于改善模型性能和公平结果。面部识别、自然语言处理和预测算法研究证明，主要在西方数据上训练的模型在非洲人口上准确性降低。
5.2 创新能力和上下文相关性
解决RQ2。非洲创新生态系统对AI开发的贡献日益增加，证据表明本地研究、创业和应用开发能力提升。发展了非洲中心AI框架和本地创新模型，使AI系统符合非洲社会文化和发展重点。在农业、医疗保健、教育和金融服务中，非洲创新者开发了上下文敏感AI解决方案，如AI支持精准农业、临床决策支持、自适应学习平台和AI驱动金融科技。这些创新解决了互联网连接有限、非正式经济、农村服务交付和语言多样性挑战。非洲AI景观异质，各国技术准备和创新能力不同。
5.3 伦理框架、治理和认知包容
解决RQ3和RQ4。治理和伦理是AI包容性的关键维度。现有框架过度受全球北方影响，限制非洲视角在决策中的代表性。解殖民学者认为这种不对称复制了知识提取和技术依赖模式。非洲伦理传统如Ubuntu提供关系性、集体福祉的规范框架，为西方个体主义方法提供替代。文献在包容性路径上存在分歧：一些倡导机构改革和政策协调，其他呼吁变革性解殖民方法挑战现有权力结构。实现包容性需要技术保障和治理框架，承认多样知识形式。
5.4 非洲参与的 structural 障碍
解决RQ3。结构性障碍包括数字基础设施不足、计算资源有限、AI研究投资不足、专业人才短缺、资金和国际合作机会不平等。这些约束相互强化，减少非洲开发、部署和治理AI的能力。机构治理挑战表现为碎片化框架、有限制度能力和不对称国际合作，常将非洲机构定位为数据或实施支持提供者，而非议程制定者。有希望路径包括投资基础设施、教育、区域网络、公平伙伴和上下文治理框架。
5.5 为什么没有非洲AI无法包容
综合所有主题，AI包容性由代表性、创新、治理和结构性参与互动塑造。有意义的非洲参与有助于改善数据集多样性、上下文相关创新、更广泛伦理视角和更具代表性治理安排。但非洲参与 alone 不保证包容性结果，还需要治理质量、制度能力和技术设计选择。从解殖民理论和STS视角，AI结果由技术基础设施和更广泛社会关系塑造，需要参与、知识生产和治理的更大公平性。
6 结论和建议
6.1 结论
本系统综述分析非洲在促进包容性AI中的作用，发现非洲在全球AI生态系统中许多维度代表性不足，包括数据生成、研究领导、技术基础设施和国际治理参与。同时，非洲学者、创新者、政策制定者和机构正通过特定行业创新、区域治理倡议、能力建设和政策改革做出贡献，表明从技术消费者向积极贡献者的转变。四个互联主题塑造AI包容性：代表性和数据多样性；创新能力和上下文适应；伦理和治理；以及参与的结构性障碍。有限非洲代表性可能限制AI系统的公平性、上下文相关性和全球适用性。非洲各国在创新能力、基础设施和准备度上存在多样性，不应视为同质。解殖民理论和STS强调需解决包容的技术和结构维度，AI系统由算法、数据集和更广泛社会政治安排共同塑造。
6.2 建议
提出五项建议：加强AI基础设施和研究能力；促进数据多样性和数据主权；扩大全球AI治理参与；支持包容性创新生态系统；发展AI教育和技能项目。
6.3 局限性和未来研究
局限包括仅限英文出版物、2018-2025年发表范围、定性系统综述未生成新数据。未来研究应进行跨区域和国家比较分析，并评估基于非洲伦理传统的治理模型长期影响。
