Simone Browne《Dark Matters》為什麼讓監控不再中立？種族化監控從來不是 AI 才開始

Simone Browne《Dark Matters》為什麼讓監控不再中立？種族化監控從來不是 AI 才開始

監控常被說成對所有人一視同仁：鏡頭拍到誰、系統就分析誰，資料夠多就能做出更客觀的判斷。Simone Browne在《Dark Matters: On the Surveillance of Blackness》提出的問題是，這種說法忽略了一個關鍵事實：監控從來不是在空白歷史裡發明的。它會沿著種族、身分、身體、移動與可見度不均分配，並把某些人更早、更頻繁地當成需要被辨認、追蹤、分類與懷疑的對象。

《Dark Matters》真正改變的，重點落在要求我們回到監控的歷史：誰曾被迫證明自己是誰、誰的身體被標記、誰的移動被限制、誰的存在被當成需要治理的問題。當人理解這層歷史，再看臉部辨識、預測系統、邊境技術與平台身分驗證，問題就不只剩下準確率，而是系統到底在延續誰的被看見方式。

實體索引｜Simone Browne 與《Dark Matters》

• 人物：Simone Browne，研究種族、監控與黑人民族生活的學者。
• 著作：《Dark Matters》，把監控歷史放回奴隸制度、殖民、警務與邊境管理。
• 監控實體：身分證件、門禁、照明、警察資料、臉部辨識與邊境檢查，都是分配可見性與移動權的制度。
• 核心問題：種族化監控早在 AI 之前就存在；新技術可能只是把舊有分類與不平等自動化。

快速抓住這篇文章

• 《Dark Matters》重點落在指出監控技術與制度長期在種族化權力中發展，不能被當成中立工具理解。
• Browne所說的種族化監控，關心的是誰更常被辨認、懷疑、標記、追蹤與要求證明自身正當性。
• 監控除了發生在警察與攝影機，也包含邊境、身分文件、資料庫、臉部辨識、平台驗證與日常分類。
• 「看得見」不一定等於被公平承認；有些人是在過度可見與缺乏主體性之間被系統化管理。
• AI監控的問題除了偏差率，還涵蓋系統是否把歷史中的種族化懷疑重新做成自動化的預設。

Simone Browne、《Dark Matters》與種族化監控

名稱	在作品中的位置	今天仍值得追問的問題
Simone Browne	研究監控、種族與科技的學者	監控研究如何把種族與黑人民族歷史放回核心
Dark Matters	2015年出版的重要著作	當代監控如何和奴役、隔離與種族化治理的歷史相連
種族化監控	Browne的核心問題	誰被特別辨認、追蹤、分類或預先視為風險
數位表皮化	理解身體與資料的概念	皮膚、身分與可辨識特徵如何被技術化處理
反監控實作	不只拒絕監控的行動方向	人如何利用可見性、藝術、技術與敘事對抗被單一定義

《Dark Matters: On the Surveillance of Blackness》出版於2015年。Browne將監控研究與黑人民族研究放在一起，分析從奴役制度、隔離時代到當代數位技術之間的連續與變形。她重點落在提醒人：若不理解監控如何曾被用來管理、限制與標記黑人身體，就很難真正理解今天的辨識系統、資料庫與安全技術在做什麼。

監控不是先有技術，才有權力；它往往先有誰需要被管的想像

人們談監控時，容易先想到技術：鏡頭、感測器、臉部辨識、手機定位、資料庫。但Browne的問題從來更早一步。任何監控系統都先包含一個判斷：誰需要被看、被證明、被記錄、被限制，誰則被默認為不必承受同樣程度的懷疑？

這使監控不是單純把世界拍下來。它會把某些人放進更密集的檢查網絡，也會把某些人的移動、身體與社會位置理解成潛在風險。當這些判斷與歷史上的種族化治理連在一起，技術看似客觀的外表，就可能遮住它其實繼承了哪些不平等的出發點。

種族化監控不是「監控有偏見」這麼簡單

把問題說成「系統有偏見」有時太輕。偏見聽起來像可以靠修正資料、增加樣本或調整參數解決的技術瑕疵。Browne所談的種族化監控更深：它問的是，某些群體為什麼長期更容易被視為需要監督的對象，而這種懷疑又如何被制度、法律、空間與技術不斷重複。

這個差別很重要。若只把問題當成模型誤差，就容易以為模型更準就能解決一切。但一套技術即使準確率提高，若它仍被部署在不對稱的盤查、治安、邊境或風險管理結構裡，結果仍可能讓同一群人承受更多被看、被攔與被解釋的負擔。

過度可見，不等於被完整看見

監控社會常被說成大家都變得更透明。但Browne的視角提醒人，可見性從來不平均。有些人重點落在被看得太多：他們的身體、移動、情緒與存在被不斷記錄，卻不一定被當成複雜、有權說明自己的人。

這是一種很矛盾的狀態。系統可能擁有大量關於某個人的資料，卻仍無法理解他的處境；也可能把他辨識得很準，卻只把他辨識成風險、統計類別或需要被管理的對象。被系統看見，不代表被社會公平地承認。

數位表皮化：當身體特徵被轉成可管理的資料

Browne用「數位表皮化」來思考種族、身體與技術如何交會。它重點落在更廣泛地問：當技術把外觀、身分、行為與可辨識特徵轉成資料時，人的身體會被放進哪些分類與管理關係？

今天的生物辨識、身分驗證、機場安檢、智慧門禁與影像分析，都會把人轉成可比對的訊號。這些服務可能帶來便利與安全，但也需要追問：哪些身體更常被要求證明？哪些特徵更容易被誤讀？當系統無法辨認某個人時，他會被排除；當系統太容易辨認某個人時，他又可能被過度追蹤。兩種問題都與權力有關。

歷史重點落在技術今天仍在使用的資料條件

AI與監控系統常被說成面向未來，但它們訓練與部署的世界，都是從歷史中長出來的。若一個社會過去已經在居住、教育、就業、治安與公共資源上留下種族化的不平等，資料系統就可能把那些結果讀成正常模式，再用來推測未來。

這也是Browne的觀點為什麼比「技術很新」更有力量。技術可以是新的，懷疑與管理的對象卻可能是舊的。真正要處理的，除了讓模型少犯錯，還涵蓋避免系統把歷史上的不平等，轉譯成今天更快、更廣、更難反駁的自動化判定。

反監控不是只能躲避，也包括重新掌握可見性

讀《Dark Matters》時，很容易以為反監控就是關閉鏡頭、拒絕資料或完全隱形。但Browne關心的抵抗不只如此。對某些群體來說，完全看不見也可能意味著經驗被忽略、傷害無法被證明、歷史無法被保存。問題不在於可見或不可見的單選，而在於誰有權決定何時被看、如何被看、又能否回看系統。

藝術、影像、敘事、社群記錄與技術實作，都可能成為重新安排可見性的方式。這種抵抗不必然是逃離所有系統，而是拒絕被系統用單一風險、單一身分或單一資料輪廓定義。真正重要的是讓人保有敘述自己的權利，也有質疑監控如何敘述自己的能力。

Browne和Foucault、Zuboff、Benjamin有什麼不同

• Foucault：規訓如何透過可見性、考核與正常化塑造人。
• Zuboff：企業如何把行為資料轉成預測與商業影響力。
• Ruha Benjamin：技術如何將歷史不平等重新編碼成現代制度。
• Browne：監控如何沿著黑人民族歷史、種族化身體與可見性不均被理解與延續。

這些概念可以互相補充，但不能互相取代。若只用Foucault，容易忽略監控並不是平均落在所有身體上；若只用資料商業模式，也可能忽略監控如何長期與種族、邊境、警務與身分治理相連。Browne讓監控研究回到一個更具體的問題：誰先被當成需要監控的人？

AI監控的問題，不是只要「更準」就能解決

臉部辨識、預測分析、風險評分與智慧城市系統常被視為更有效率的治理工具。面對爭議，常見回答是提升資料品質、減少錯誤率、加入更多樣本。這些措施可能有幫助，但Browne的觀點會追問更前面的問題：這些系統為什麼要被部署？誰成為被測試、被辨認、被攔截的對象？有沒有不依賴持續監控的替代方案？

若一項技術被放在本來就不平等的制度裡，更準可能意味著更有效率地執行不平等。AI倫理因此不能只停在技術指標，也要處理部署範圍、責任歸屬、拒絕權、人工覆核與受影響者能否參與決策。

對台灣讀者來說，不能直接挪用美國黑人民族經驗

Browne的分析扎根於美國與跨大西洋奴役、種族隔離、黑人身體被標記與治理的歷史。這段脈絡不能被簡化成任何地方都能直接套用的「監控理論」。對台灣讀者來說，更負責的讀法重點落在學習她的方法：先問本地社會裡，哪些人更常被要求證明身分、接受盤查、被資料化或被預先視為風險。

這可以讓人回看移工、無家者、身心障礙者、原住民族、不同語言社群、性別少數與被高度資料化的工作者，在不同制度裡是否承受更多可見性與審核壓力。但這些比較必須建立在各自的歷史與當事人經驗上，而不是用一句概念就取代複雜處境。

對讀者的實際意義

讀《Dark Matters》最實用的地方，是在任何監控技術出現時，先把問題從「它能不能看得更準」改成「它會優先看誰？」「誰更難拒絕被看？」「誰能要求系統說明？」這些問題能讓人看見，監控重點落在社會如何分配懷疑、信任與自由的問題。

讀者常問

《Dark Matters》主要在談什麼？

《Dark Matters》討論監控如何與黑人民族歷史、種族化身體與權力關係相連。Browne要求監控研究不要把科技當成中立起點，而要看見誰長期被當成需要辨認、限制與管理的對象。

種族化監控是什麼？

種族化監控指監控的部署、規則與後果並不平均，而可能沿著種族化的歷史與制度落在特定群體身上。它除了某個系統誤判，還涵蓋誰更常被辨認、懷疑、追蹤與要求證明自己的問題。

監控系統只要更準確，就會更公平嗎？

不一定。準確率只能處理部分技術問題。若系統被部署在本來就不平等的盤查、治安、邊境或資格管理中，更準確也可能讓既有的不平等被執行得更有效率。

Browne的理論能直接套用到台灣嗎？

不能直接套用。她的分析扎根於美國與黑人民族歷史。對台灣較有用的做法，是借用她追問權力與可見度的方法，回到本地不同群體實際承受的身分驗證、資料化與監控條件。

Browne留下的，不是把所有鏡頭都視為敵人

《Dark Matters》真正留下的，是一種不把監控當成中性背景的能力。鏡頭、資料庫與模型可以被用於不同目的，但它們永遠會先回答一個問題：誰值得被看、誰需要被管、誰能替自己說明。當這些問題被放回歷史與權力之中，監控才不會只剩下一場關於科技效率的討論。