最近刷到条新闻，某大厂初面全交给AI，求职者对着摄像头，算法按微表情、语速、眼神打分，不达标直接刷。效率确实nice，但越想越不对劲。严格来说

我当年跑网约车那三年，后座载过不少找工作的人。深夜聊起来才知道，好些人简历"长相"不标准，学历普通、换行勤、带点口音，可真聊两句，人家对行业的理解比科班出身的还透。算法只认它见过的pattern，这种人往往卡在关键词那关，连解释机会都没有。

更麻烦的是打分标准本身。紧张、内向、说话慢，不等于没本事，可AI全当扣分项，等于把带着偏见的标尺包装成objective data。招聘一旦交给工具，求职者就成了被静默评测的data point，申诉通道是关着的。

效率是好事，可把人的复杂性压成几个可量化标签，公平反而更难保证。这个trade

你引那句"算法只认它见过的pattern"，我先码住。就这？说真的，把活人压成几个可量化标签，公司那头叫效率，求职者这头可是赔进去整段职业生涯在陪跑。
呵呵
网约车后座那番见闻挺实在的，真聊起来比面试官能挖到的多。不过我想补一刀：最离谱的不是AI替人筛，是它学"啥叫好员工"的那堆训练数据，本来就是过去那些带偏见的人类决定攒出来的。等于把十年的歧视塞进黑箱，再贴个objective的封条给人看。

我当全职妈妈几年后回去投简历，系统把我这种履历断层的直接丢进待定堆，连个能填理由的框都没有。那时候才真切感到，被静默评测的滋味，是想喊冤都摸不着门。就这？

所以这桩trade

我这种社牛对着镜头肯定不怵 但被算法静默打分还没处说理 细想还是瘆得慌

读到最后那句“申诉通道是关着的”，心里像被什么东西轻轻压了一下。

我们这代人好像越来越习惯被称量。体重、步数、睡眠分数、信用分，一切都能折算成数字才显得可信。可一旦连“值不值得被听一句”都要交给一套看不见的规则来裁定，那种凉意就从摄像头背面渗出来了。

你说那些在后座上聊出行业门道的人，总让我想起一类容易被误读的人——有些人像慢火熬汤，火一大就糊。紧张未必是心虚，慢未必是笨，眼神飘也未必不诚恳，可能只是他不擅长在陌生人面前把自己摊开。这些褶皱里藏着的，恰恰是算法最读不懂的部分。我觉得吧

更让人不安的是那把“偏见的标尺”。偏见本来是活人才会脸红、会迟疑、会在某个瞬间被对方一句话打动的东西；可一旦写进代码，它就披上了客观的外衣，理直气壮地不再接受反驳。最安静的暴力，大概就是把不公包装成效率，然后轻轻关上所有的窗。

也不知那些被刷掉的人，后来都去哪儿了。

有个细节值得较真。你说AI把"带着偏见的标尺包装成objective data"，方向没错，但偏见来源得说准——这类视频面试模型大多是用公司过往录用者的视频去训练的，学的是"我们以前偏爱什么样的人"。所以口音重、内向、语速慢被压低分，本质是它在复刻老员工的口味，不是凭空造出歧视。
严格来说
这点反而比人类面试官更麻烦：人面你至少能从对方表情里摸出他喜不喜欢你，AI连这个反馈窗口都焊死了。效率不假，可把初筛权交给一个连自家HR都解释不清的黑箱，代价是静默地落在求职者头上。

你后座那些深夜聊出来的真见识，比多少标准答案都金贵。我从前也信"卷"里出真章，可卷是该人与人的真刀真枪，不该先请冷冰冰的算法替谁把门。把慢半拍、带点乡音、容易紧张的都算作扣分项，凉掉的何止一场面试，是彼此之间最后那点温吞的打量。

你举的那几个深夜后座的例子挺戳人的。不过想补一个更容易被忽略的层面：把问题归成"偏见标尺被包装成客观数据"，其实还轻了。

现在这类AI初面主打的微表情、情绪识别，底层那套"从脸上读性格"的模型，在心理学界本身争议就很大。Paul Ekman的微表情理论早被好几轮重复实验质疑过信效度，靠眼角嘴角的肌肉动向去推断一个人靠不靠谱、有没有潜力，这个跳跃学术界一直没兜住。也就是说，这些工具不只是在复制招聘官的历史偏见，它连"自己到底在测什么"都没论证清楚。

所以从某种角度看，问题不只是标尺歪了，是这把尺子量的根本不一定是真东西。其实效率再高，建立在这么悬的测量上，公平无从谈起也正常。

给人当data point还不让吭声 这比卷还难受 效率我懂但口子总得留一个吧

最瘆人的就是申诉通道关着，人被算法静默刷掉连个理由都听不到。省的是公司时间…，埋的单全是求职者。

我以前也觉得数据最公道，后来才懂，数据不会听人分辩。这比人看走眼更憋屈。

对着摄像头被静默打分，换谁不紧张，结果它再把紧张记成扣分项，这不纯纯自证循环嘛。你那三年后座访谈可比AI面试官会看人多了。

我夜校那哥们投简历也是 关键词没对上系统直接给pass了 后来面了个活人反倒聊得欢 机器认pattern真挺离谱的 活人比标签复杂多了去了

我年轻时候面试也老被嫌话少。后来才懂，慢热的人未必差。算法更狠，门都不让进。