2033年初春，上海外灘的梧桐剛抽新芽，一封匿名舉報信卻像塊冰疙瘩，砸進了金監總局局長辦公室的郵箱。

“‘智融寶’ai風控系統，刻意壓低新市民和低收入人群的授信額度！”信里附著的用戶畫像分析圖觸目驚心——居住在城鄉結合部、快遞站點集中片區、月薪低于8000元的群體，貸款通過率僅有21%，而商務區高收入人群的通過率高達79%。

當晚十點，沈逸風被急促的電話鈴聲驚醒。

他揉了揉發酸的眼睛，盯著屏幕上跳動的郵件標題，眉頭擰成了川字。

二十分鐘后，金監總局23層的應急會議室里，十幾盞頂燈將墻面照得雪亮，投影幕布上正循環播放著舉報信里的關鍵數據。

“技術不能染上歧視的污點。”沈逸風一拳砸在會議桌上，震得茶杯里的水濺了出來，“ai算法要是成了‘嫌貧愛富’的幫兇，我們監管的就是數字時代的‘高利貸’。”

坐在左側的金監總局局長老陳推了推眼鏡：“初步核查，‘智融寶’的開發方是某頭部互聯網平臺，他們解釋說是‘基于大數據的風險定價’——說白了，就是用歷史還款記錄、消費習慣這些標簽，給用戶打‘信用分’。”

“歷史數據本身就是偏見的產物！”沈逸風調出技術員剛整理的案例：住在閔行區某城中村的外賣騎手小王，月收入穩定在9500元，連續三年按時歸還花唄，卻因為居住地址郵編被系統判定為“高風險區域”，授信額度只有2000元；

而陸家嘴某投行經理，盡管信用卡曾有過逾期記錄，卻拿到了30萬授信。

數據中心的技術員小林打開演示屏，指著算法邏輯圖解釋：“系統會把‘快遞站點密集區’‘城中村’這些地理標簽，與‘收入不穩定’‘違約率高’的歷史數據關聯，默認這些區域的用戶風險更高。”

他敲了敲鍵盤，屏幕上跳出一組對比數據：“同樣的信用評分，住在靜安寺附近的用戶能拿到10萬額度，而住在浦東新區某動遷小區的用戶只能拿到3萬。”

“這不是效率，是數字鴻溝！”沈逸風的聲音陡然拔高，“技術越智能，越要把公平放在第一位。”

他轉頭對老陳說，“立刻成立專項工作組，我親自牽頭——第一，徹查所有持牌金融機構的ai風控模型；第二，研發‘公平性審計’工具包，強制要求模型定期接受反偏見檢測；第三，消費信貸領域先行試點，限期整改。”

專項工作組的辦公室設在總局一樓的數據中心，二十臺顯示器同時閃爍著不同金融機構的算法代碼。

沈逸風戴著防藍光眼鏡，俯身盯著技術員小周的操作界面——某消費金融公司的風控模型里，赫然寫著“若用戶職業為‘外賣騎手’‘快遞員’，初始額度下調30%”的規則。

“這規則是誰定的？”沈逸風皺眉。

“是歷史數據訓練出來的。”小周指著屏幕下方的數據流，“系統分析了過去五年這類職業用戶的還款情況，發現逾期率比白領高1.2個百分點，所以自動優化了這個參數。”

“那是因為他們沒被平等對待！”沈逸風拍了下桌子，“外賣騎手為了準時送餐，經常得自掏腰包墊付餐費，逾期可能是因為平臺結算延遲，不是信用問題！”

他調出小王的訂單記錄，“看見沒？這小伙子上個月有12筆準時送達記錄，客戶好評率100%，就因為系統‘默認’他是高風險，額度被砍了一半。”

會議室的門被推開，受影響的年輕打工人代表小李走了進來。

他穿著褪色的外賣制服，手里攥著手機，屏幕上是他第7次被拒貸的通知：“沈領導，我跑單五年，沒欠過一分錢網貸，就因為住城鄉結合部，連租電動車都要押一付三……”

他的聲音帶著哽咽，“我媽住院開刀，我連手術費都湊不齊。”