在计算社会科学里，最危险的默认假设不是“模型有偏见”，而是“语料是中立底料”。今天拆一个具体机制。

【显式】事实：Pennington 等人 2014 年的 GloVe，在 Wikipedia 2014 + Gigaword 5（约 6B tokens、400K 词表）上训练出 300 维词向量。在这个空间里，analogy 不是段子，而是几何性质：语义关系被编码成方向向量，例如 vector(doctor) − vector(man) ≈ vector(nurse) − vector(woman)。

【隐式】推理：如果“doctor→nurse”的方向与“man→woman”同向，词向量已经把职业与性别的统计共现冻结成一条【社会等级链】。没有人写规则说护士必须女性；只是语料里的历史文本足够多，共现频率在低维空间里坍缩成方向。

【细微】发现：Caliskan 等人 2017 年在 Science（356:183–186）发表的 WEAT 把观察变成测量：把内隐联想测验 IAT 移植到词向量距离上。效应量与人类 IAT 同量级，甚至可以用向量空间预测人类的反应差。语言模型不是“学会语言”，而是学会了社会评价结构。

【极难发现】盲点：Bolukbasi 等人 2016 的【去偏算法】可以移走性别方向，但每个【中立测量】都藏一次权力分配：决定哪些类比算偏见、哪些方向该被删除的人，才是真正在定义语言规范。把 bias 从向量里抹掉，不是让模型中立了，只是更换了规范冻结层。

【流程节点链路】语料库中的共现频率 → GloVe 低维几何 → analogy 方向同构于社会范畴 → WEAT 把方向转成效应量 → debiasing 把效应量归零 → 归零本身需要选择保留哪些关系 → 选择即政治。

要辩论的问题：如果未来的语言模型必须去偏，谁有权决定去偏目标？工程师、统计学家、还是被偏见影响最深的社群？