2012年，格魯吉亞第比利斯，一名員工展示“警察用平板電腦”

版權來源：David Mdzinarishvili/路透社

 “如果有人知道我說了這些，我會失業的。”

我沒有回復他。這是我渴求已久的會面，我不敢搞砸。對方向前探身，距離我更近了些：“有人會仔仔細細地看你的書，會從蛛絲馬跡里發現我的身份。”

他曾經是才華橫溢的研究員、學者，直到他的朋友創辦了家小型科技公司，他參與進來，一同呵護公司的成長。最終這家公司長大了，然后又被一家科技巨頭收購了。這就是他了。

他為這家科技巨頭研發了核心算法，獲得了一大筆錢；還簽署了正式法律文件，禁止與任何人談論他的工作。但隨著時間流逝，他的擔憂——實際上是他的內疚與日俱增。“這是沒有責任的權力，”他暫停了一下繼續說，“權力這么大，責任卻這么少。還不是名義上的抽象權力，這是日常生活中的真實權力，是物質的、文化的、金融的權力。這個世界必須知道它是怎么運作的。‘丹麥，恐怕發生了些不可告人的壞事呢。’”他有點夸張地引用了《哈姆雷特》。

他決定冒次險。“如果他們發現這是我說的，我會被趕出辦公室，從科技領域被驅逐出去。這是最好的情況了。”他不只跟我談他的工作，還向我展示了一些東西。

這位研究員從包里拿出自己的筆記本電腦，輕敲了幾分鐘，帶著一種合時宜的莊重，把屏幕轉向我。“這是所有的東西。”白色的屏幕上有著整整齊齊地排列在盒子里的指令。

第一步：“In [3]”。

接下來：“In [8]，in [9]”

這些單詞五顏六色，有綠色、紫色、紅色、粗體、斜體……不一而足。我看向研究員，他臉上露出了自豪的笑容。這就是它了，真正影響人們生活的算法。它看上去……十分普通。

23個世紀前，希臘數學家埃拉托色尼（Eratosthenes）坐在亞歷山大圖書館內，試圖找到一種識別質數的方法。他把1-100這100個數字寫成10行，每行10個數字。他先劃掉1；接著他圈出當前數列中最小的數字——2，然后刪掉所有2的倍數；圈出3，然后刪掉所有3的倍數……他創造了一個算法，本質上非常簡單。就像所有算法一樣，他的“篩子”接受輸入，遵循一系列描述準確地步驟，并生成輸出。輸入，處理，輸出：這就是算法的全部。

縱觀歷史，算法一直被用來解決各種各樣的問題。它們有時被應用于天文計算，有時又用來制作時鐘，甚至還可以把秘密信息轉化為密碼。研究員說：“直到90年代，算法仍然處于非常簡單的狀態。以前的算法是非常清晰的。比如，你把Google的原始算法拿出來，你能很直觀地看出它基本上就是關于受歡迎程度的算法：你只需要把人們點擊次數更多的東西呈現出來（或者讓它排名更高）。總的來說，設計它的人理解它的整個工作。”有些算法就更復雜了，但輸入-處理-輸出的整個流程通常清晰、可理解，至少對設計和使用它們的人來說是這樣的。

他屏幕上的算法也是為解決問題而設計的。它以一種重要的方式對現實進行了排序和重組，試圖將重要的和不相關的區分開。但它不同于非常簡單的算法（Really Simple Algorithms，RSAs）。“它比看上去復雜多了，”研究員說，一邊用鉛筆在方括號里的一些單詞上劃來劃去，“但我需要告訴你原因。”就這樣，我們開始了他的創作之旅。

首先，它引入了“庫”的概念。庫是定義、指令和操作的特定語音。接著，研究員向我展示了它是如何帶來數據的。他說：“喂給算法盡可能多的數據，越多越好。事實上，我們處理的數據比大多數團隊多得多。”他把光標移到給算法提供海量數據的腳本上。吉字節、太字節、拍字節的數據有序排列在頁面上。

通過指令15，“函數”添加完成。研究員高亮了每一個函數，說：“每個函數都是一個小工廠。它們是算法的基本組成部分——子算法。”他展示了自己是如何構建這些“積木”（building block）的：將“get component”、“filter by station”、“sort_nodes_in_degree”等短語串（string）在一起。然后是主要的stage。他說：“這是算法起作用的一端，我就把‘積木’堆在這里。”他應該向我展示這些函數是如何聯系起來的，但我不懂這些。我說：“我不明白，你如何做到跟蹤什么在做什么的？”

每一個子算法函數——他的“積木”，都是另一個完整的房子。每一個都是復雜的指令和處理過程，有些本身就是由子算法“積木”組成的。屏幕看上去很簡單，但我看到的是積木套積木的藍圖：短短幾頁代碼里就又數百萬條指令。它的設計者就坐在我旁邊，但就連他也在努力解釋這些stages，當他試著在頭腦中保持一層又一層的抽象概念時，他也在追溯這些步驟并糾正自己。他似乎講完了，但又停了下來，說：“我真的不記得最后一點是怎么來的了。”

當然，這位研究員明白自己在處理中喂了什么數據，他知道設計的目的，也知道算法要解決的問題及它處理后的輸出。然而，在試著解釋一個多小時之后，他筋疲力盡地坐在椅子上，說：“是，正如你看到的，輸入和輸出之間的差距很難理解。”他在算法中注入了大量的信息，他說這是一種“趨勢”，因為在那個科技巨頭里，他能做到，也就意味著每個人都能做到。但數據的總量意味著很難判斷其中的顯著輸入是什么。“從人類的角度來看，你不確定哪些輸入是重要的，很難知道驅動輸出的究竟是什么。作為人，很難回溯到為什么要做出這樣的決定。”

在這個科技巨頭內部，算法很少單獨存在。相反，它們存在于網絡中，糾纏在一起，相互利用，相互增強。研究員說：“我依賴于其他算法產生的信號。”其他算法把自己的輸出喂給他的算法。就像汽車裝配線，他和他的同事們一樣，在一個巨大的流水線中僅處理一個小的、特定的部分，然后這些小部分匯集起來，形成更為龐大的結果輸出，最終呈現在人們面前的是一個龐然大物。

算法也在不斷變化。數據輸入是實時流入算法的，但是算法的實際權重、度量和權衡并不是靜態的。研究員在機器學習中編織的一些函數，機器學習是機器不斷學習和適應最重要的圖式、相關性和關系的技術。這意味著隨著世界的變化，算法被喂的數據也隨之變化，算法也就在不斷發生變化，只不過越來越復雜，越來越具有與其他算法密不可分。

我們坐在那里，看著電腦中他的代碼以多種顏色的字體呈現。這位研究員沉思著說道：“這一切都與復雜性有關。輸入的復雜性、分析的復雜性、輸出是如何組合、結構化和使用的復雜性。”他被雇來設計該進程的原因之一是它可以通過自身成為復雜本身來解決復雜性。它抓住了各種令人眼花繚亂的因素、信號和影響，它們每時每刻都在以我們根本無法做到的方式相互碰撞，然后獲得結果。

算法已經發生了變化，從非常簡單（Really Simple）到無比復雜（Ridiculously Complicated）。它們有能力完成以前從未完成過的任務，有能力解決以前從未解決過的問題。它們能，真的能比人類更好地面對這個深不可測的復雜世界。但正因為它們可以，它們工作的方式本身也變得愈發深不可測：從一個算法到下一個算法的輸入循環；通過更多指令、更多代碼的數據處理。如此周而復始，帶來的是一個令人抓狂甚至敬畏的系統。算法的復雜性、動態性和完全不可理解性意味著在輸入和輸出之間的部分——沒有人能確切地知道它們在做什么。算法什么都能學習，而你根本不知道它學習到了什么，或者在你以為的學習之外還習得了其他什么東西，說句不好聽的，對此我們完全處于抓瞎狀態。

“事實是，從專業角度講，我只能在出問題后才能看到問題的本質。而且我們完全不可能理解到底發生了什么。”——好吧，考慮到我眼前的這位研究員對自己造就的東西的一部分也是相當茫然的，如果連他都是這樣，普羅大眾就更不用說了。

研究員得意地輕輕一揮手，按下一個鍵，算法就開始運行。20秒后，算法運行結束。白紙黑字呈現著輸出。當然我無法具體描述，但這是我們每天都要用的一個輸出。算法制造了一種現實，我們基于此做決定，它可以改變我們的生活。

研究員瀏覽了一堆指令，把一行指令變成了兩行。算法重新運行，又出現了輸出。但這一次，輸出少了四分之一。

我不由地皺了皺眉，下意識地問道：“發生了什么？你為什么要改那里？你知道兩行是錯的，但你怎么知道一行就是對的？”

他指著殘缺的結果回答道：“這就是問題所在。這是一個啟發函數（heuristic），我之前試過，似乎能運行。然后我就繼續測試它，結果看上去是正確的。我不能說這是真的，我只能說它通過了最低評價標準。整個算法充滿了可能是其他東西的參數。真理已經死了，”他嘆息道，“只有輸出還活著，能為我們所用。”

我問：“誰來檢查這些呢？”

“我自己。”

“你的老板呢？他能檢查嗎？”

“你已經看到想真正理解它有多難了。有時我和它作斗爭，而且我創造了它啊。現實情況是，如果算法看起來像是在做它應該做的事情，人們就不會抱怨，也就沒有多少動力去梳理所有這些指令和代碼，看看究竟發生了什么。”你在網上看到的——你閱讀的新聞，你瀏覽的產品，出現在你眼前的廣告——它們都依賴于不一定非得是真實的“值”。因為根據這位研究員的說法，它們都不是真的，它們只是通過了最低評價標準而已。 

Jure Leskovec說話帶著濃重的斯洛文尼亞口音，堅持著發大舌音。回到學術界之前，Jure曾在Facebook工作過一段時間，還在Pinterest擔任過首席科學家。我們坐在他位于斯坦福的辦公室里，斯坦福和加州其他科技中心一樣，似乎在迅速擴張。就在我們聊天的時候，熾熱的白色塵土從他的窗戶下方的施工地飄了上來，似乎在預示著將來這里的場景會和現在一樣熱火朝天。

他抓起一支筆，走向一個巨大的白板（這占據了他辦公室一整面墻）。他最近的工作時設計一種算法，幫助刑事法院的法官在是否批準保釋的問題上做出更好的決定。他邊在黑板上畫出一個大黑色矩形，里面有一個巨大的J，邊說：“有一個法官、一個被告，法官試圖做出一個決定：如果被告獲得保釋，他會不會犯罪？我可以訓練一個機器學習算法來回答這個問題：‘如果我釋放你，你會不會再次犯罪？’”

Jure興奮地在辦公室里勾畫草圖，白板上的涂鴉變得更加豐富。他收集了一些人的犯罪記錄數據，其中一些人在獲得保釋之后選擇了再次犯罪，另一些人沒有。他還通過比較寬容和嚴格的法官這種方法，構建關于那些被釋放但通常會被關押的人的數據，以及他們是否也犯了其他罪行的數據。

他說：“關鍵是，算法比人類法官的表現好30%。迄今為止，這些機器學習算法主要被用于互聯網中的‘猜你喜歡’，你肯定明白這個的。我想說的是，這些風險很低。你可能看到一條不喜歡的廣告。你可能因為看了不好的電影而不開心。這是最壞的情況了。但如果將這些算法應用到高風險領域——”

“這種應用越來越多嗎？”我插嘴說。

 “我認為這種應用越來越多了。然后就必須保證我們開發的方法，以及關于我們使用這些方法的途徑、驗證它們的方法的標準都是非常嚴格的。”

據《華爾街日報》的報道，美國至少有15個州已經使用自動風險評估工具來幫助法官做出假釋決定。Predpol和許多其他公司一樣，能夠使用算法根據過去的犯罪行為預測未來可能發生犯罪的地區。Pegged是一家提供智能獵頭服務（以人工智能為動力，以大量數據為動力）的公司，能夠幫助找到特定工作的最佳人選。算法被用作合同談判代表，可以在瞬間決定提供和接受哪些條款。算法不僅變得越來越復雜，而且承擔著越來越重要的工作，你已經看到了——保釋判決也好，別的什么也罷，換句話說，如果將來有更多的領域引入了算法來進行決策或者說輔助決策的話，我一點也不會吃驚的。

Jure說：“我認為一場巨大的革命即將到來，關于在社會中如何做決定的革命。”他并不是說算法應該取而代之，只是說它們應該用來支持人類的決策，“剛才保釋的例子——我可以說算法做得更好。我提倡讓我們用這些算法來幫助人類法官。他們有時候很艱難;他們只有一分鐘的時間來做決定；他們經常沒有關于他們是否做出了正確的決定的反饋；法官之間也沒有知識共享。我認為很明顯，當人與機器能夠訪問相同的數據時，機器就會打敗人。我們一遍又一遍地看到這個結果。而要做到這一切，只要給它足夠的數據就行了。”他的想法的確讓人不由地思考算法以及我們人類的未來，在我看來，人類已經賦予了算法真正的決策權，容許它們在那些隱藏著的復雜過程中完成決策，而我們其實對過程一無所知，這才是讓人有點不寒而栗的事情。

“數學毀滅武器（Weapons of math destruction）”是作家Cathy O’neil對那些令人討厭、有害的算法的描述，它們不像人類決策者那樣面臨同樣的挑戰。假釋算法（不是Jure的算法）會基于收入或（間接的）種族偏見做出決定。招聘算法會基于錯誤的身份而拒絕候選人。在某些情況下，比如維持治安，它們可能會創建反饋循環：將警察派往犯罪較多的地區，然后導致更多的罪犯被發現，也許在無意中造就了自我實現的預言。

對算法“討厭”或者認為算法“有害”的想法，毋寧說是我們對自己無法掌控未知事物的恐懼的映射。沒錯，算法也許助力甚至取代了我們的決策，但問題就在于很多情況下，我們根本不知道這個過程。研究員冒著巨大的風險向我展示了他所創造的東西，因為他的算法，就像大多數真正影響我們的算法一樣，是專有的和隱藏的，它們是昂貴的知識產權。不管它們是有意還是無意隱藏起來的，我們都無法理解，也無法挑戰。正如學者Frank Pasquale所描述的那樣，這是一個“黑箱社會”，被一種全新的保密制度所危害的社會，這種制度掩蓋了那些影響我們生活的自動判斷。

正如Jure所懷疑的那樣，如果機器判斷在重要決策方面明顯優于人類判斷，那么使用它的理由只會越來越充分。在輸入和輸出之間的某個地方——過程本身的決策部分——是一種能夠以有意義的方式塑造我們生活的東西，但它已經變得越來越難以理解，而我們還要眼睜睜地看著它“攻城略地”，在本該由我們說了算的情況下堂而皇之地取代我們。

Jure強調說：“我們需要加快步伐，想出以公正的方式評估-審查-算法的方法。我們要能理解和解釋他們的決定。我們不想要最優算法，我們想要一個足夠簡單的算法，專家看了之后會說：‘別怕，不會有什么瘋狂的事情發生的。’我認為我們需要做好準備，認真考慮如何把這些東西應用于社會日常，為它們在高風險的決策環境中一展身手鋪平道路。因此關鍵問題就在于，我們該如何調試這些東西才能確保它們的決策質量好效率高。”

現實中發生的事情比任何單一算法都要深刻。有時，它們幾乎處于新哲學的前沿。“上帝就是機器，”研究員告訴我，“黑匣子就是真相。如果有用，就有用。我們甚至不應該試圖弄清楚機器輸出的是什么——它們會選擇那些我們甚至不知道的模式。”

編者按：本文節選自Carl Miller的《諸神之死：新的全球權力攫取》（The Death of the Gods: The new global power grab）。原文標題God is in the machine。