算法是个奇异果
美国大选已经进入胶着状态，各家机构已经开始摩拳擦掌，谁能预测对谁就是新一代的国师，我们在这里谈到了预测，说明我们用的是数学思维，谁能摸准最准确的选民心思，谁就能赢。
但人类的行为不能被统计学模拟，至少是无法被精准拟合，要不然四年前该当选的就是希拉里了，地堡男孩也就无法给我们提供这四年的快乐。
现在美国大选民调回复率一直在走低，2015年只有7%，1997年还有36%，我感觉是说自己支持特朗普不太好意思，所以干脆不表态，调查的样本都有问题那这结果还能准确吗？
这可不是我瞎说，盖洛普10月1号的数据显示，56%的美国人认为现在的生活比四年前好，即使是800万+的感染率，20万+的死亡率。
☉中国人民真争气，美国人民真头铁
遇上这情况，大活人都弄不懂美国人现在啥情况，就难为统计学了，说到底，还是人类过于奇异，不像三体人那么老实。
“我们撒谎，我们欺骗”，有样学样，美国大选预测彻底成了因信称义的玄学问题，计算机表示属实无能为力。
政治如此，商家只会更肆无忌惮运用数学工具，美其名曰数字营销。
好家伙，我直接好家伙，双重压制下，我们彻底变成了单向透明，商家可以为所欲为，最近甚至在某些网络交易平台上，1000张人脸照片卖2元，可管理部门姗姗来迟。
淘宝差评都变成了体验不佳，就像雪中悍刀行的全员主演，没有人说不好。那就是都好。
怪完了政治怪商家，这不是说技术就是无辜的。
技术作为人造物，无论有形硬件还是无形软件，都会带有人类的特性。
其实大家考虑一下，统计学本身就自带偏差，比如很简单的众数和平均数概念，应用到人类社会那就是对少数群体的合理歧视，你跟马云平均一下你也是人均300亿美元的男人。
所以大家都要求统计局公布中位数，那问题来了，那最底层的人均能被中位数表现出来吗？
这些数字看起来都是价值中立的，但是人类社会谁能没有立场，当我们大踏步进入计算机世界，发展出AI技术，言必称算法强大，算法本质上由数据驱动，数据反映的是人间真实，人解决不了的问题，别指望计算机去解决。
2018年，就有旅游App进行歧视性定价，一位罗先生拿自己手机一查房间价格是380，朋友手机300，这80块钱就被算法误判了，误判是某旅游App自己说的。
人间保安临时派遣工，计算机算法有误差，懂得都懂，看来临时工才是人类进步的阻碍。
美国离我们有点遥远，可是算法歧视每天浸润在我们的生活中，给大家简单盘一盘算法是怎么歧视我们的。
鲁迅先生说做奴隶而不自知是最可悲的，我们努力让自己的生活不那么可悲。
算法歧视包罗万象
?
20世纪三大矛盾：性别、种族和阶级，具体到我们的生活，我们没有阶级矛盾，人民富豪也是人民的一份子，只有消费者和商家的纠纷。
消费者行为是近年来的集中暴雷区，iOS多个版本现身说法，苹果上买点东西总是比安卓机贵点。
商家说是苹果税，苹果说跟我没关系是商家乱定价，谁对谁错难分，但操作很简单，只要App开发者标识探测到你的机型就可以改改价格标签，这在算法操作上难度不超过1+1=2的级别。
更别说还有老客户不如狗，联通京东老用户可以现身说法，更别说还有新用户专区和首单包邮，这里面的逻辑在于绑定用户以获取数据，你认为1元包邮很便宜，商家看来1元买来算法的优化类似于白捡。
她不知道现在所拥有一切，早已在命运中标好了价格
——茨威格
?
种族问题更是跟我们没关系，这是美国人的专属 ，暂时还是留给他们去烦恼吧，我们不被歧视就不错了。
那剩下的就是性别了，也是唯一可以被讨论的矛盾议题，分布范围也广泛，像什么消费者行为、P2P裸贷，甚至是学术界，道貌岸然的学术界历来是男性的天下。
“女孩不适合学数学”是我们从小听到大的唠叨，长大了可不就都去学文科了。
2014年伊朗裔美国人米尔札哈尼获得菲尔兹奖，研究领域是几何学和动力系统，这是什么东东我不知道，但世界都知道她是女性。
☉米尔札哈尼（1977~2017），首位女性菲尔兹奖获得者
2020年自然子刊神经科学一篇论文显示，女性研究者被引数量远低于男性，还有发文数量，2017年，美国就有研究显示在STEM领域中，女性的同行审议只占20%。
不过情况确实在好转，2018年神经科学研究中女性发文数量已经占比50%，希望在前方。
学术界受害者最主要是女性，但现实里阶级被模糊化为消费能力，反而是在歧视穷人，还可以叠个buff，如果你不幸是小镇出来到上海打工的江西男青年，恭喜你，基本上在网络中被歧视的最底层。
唯一能共情的，也只有河南老乡可以感受到这种痛苦的了。
城市里还有女性发声，小资们有钱有闲可以为自己呐喊，打个很简单的比方，微博需要流量，这些话题讨论的越热烈微博流量越高，算法在推荐机制上会给她们更高的权重。
☉可预测就意味着知道哪些是流量爆点
假名媛也是要有一定消费能力才能扮演的，乡村小妹辍学后只能去富士康，拼单也消费不起下午茶。
最惨的是农村妇女，那位要找靳东的老年妇女，虽然主流舆论是群嘲，但准确来说是算法精准定位用户人群，而且你也看到了效果简直拔群，如果运用到保健品领域呢？
面对算法，谁也不能免俗，看看双十一的红包机制就一目了然，年轻人有年轻版的智商税。
计算机为啥看不起人
算法歧视的社会学本质是“污名化”，也就是对特定人群的非人化表述，俗称开除人籍，把你当做纯粹的商品来看待。按照马克思的观点就是分化群众让他们无法团结，具体操作上是把歧视分层，总有最顶层和最底层，你不满就向上爬，而不考虑爬不爬得上去。
算法歧视首先是人的问题，人在设计模型的时候带有意识形态，比如有监督模型中的人工特征选取，可以加高某些权重，比如以前谷歌搜索idiot会出现特朗普的照片，大总统还特地发推抗议。
☉领会一下就好，真放idiot号就没了
?
其次是数据采集的问题，即原始数据集存在问题，上过初中数学大家就明白，错误可以避免，误差只能缩小，人类社会都做不到全然公正，何必难为数据集呢？
初始训练的数据集都会存有问题，所有要不断调优，但是应用到工程中问题就变成了胎里带，再优化也解决不了。以往商业银行风控模型，明显偏重大企业和机关事业单位，马云的普惠金融为什么敢给个人放款，不是因为善良，而是你用淘宝和天猫、支付宝，你有几斤几两他很清楚。
此外还有一个隐藏的问题，那就是相关≠因果，算法模型吞吐数据本质上是相关性的建模和计算，但是因果律是时序和逻辑链传导，这也是计算机难以模拟人类思维的核心问题所在，也就是说计算机的或与非逻辑多大程度上符合人类真实思维，这是个数学问题，但也是个脑科学和哲学问题。
我们的意识真的能够思考构成我们的物质吗？还是只能缩小误差而不可能把置信度做到100%，人类吵了两千年都没解决的问题，真的别难为计算机。
最后就是资本主义的痼疾——为利润而生，为利润而死。只要有300%的利润预期，就敢去挑战监管给自己买条绞绳。
市场竞争，自然就是各个市场领域条块分割，主要分割我们的的时间片段，出门有交警摄像头，打车有地图记录行踪，刷短视频有快手，购物有京东。
你的本来样貌都被扭曲了，各家公司都按照你的片段去推断你是什么样的人，所以怎么解决？我有一计，全都交给政府，做一个统一的数据平台，让个人信息成为公共资产，让各大公司把算法开源，一起探索数字共产主义实现的可能性。
这病其实不好治
?
现实里的传染病，中国治得了，老百姓统一调配听指挥，一个健康码就已经让全国信息一盘局了，泡泡算法更是简单。
西方为啥管不了，因为20世纪80年代以来，新自由主义思潮影响下大幅度弱化政府监管，结果就是个人不听话，政府没效率，最后就是一起上天堂。
现在欧洲要反谷歌垄断，美国要计划拆分Chrome，甚至立法禁止谷歌搜索的垄断，吓得苹果都要自研搜索技术了，好像恶都是谷歌做的，棱镜门才过去几年呐？忘了，莫斯科里的斯诺登还看着你们表演呢！
“黑命贵”之火烧起来的时候，多个AI大牛被惹火烧身，包括获得过图灵计算机科学奖的Hinton都被批判设计的算法歧视黑人。这股风蔓延到学术界，很多人要求改变算法模型对黑人的歧视，因为相关性的存在，黑人在暴力犯罪和银行贷款上受到普遍歧视，甚至有位女黑人计算机学家要求白人男性科学家多引用她的论文，否则就是歧视。
☉谷歌，Don't be evil
?
AI算法框架中TensorFlow是谷歌的，PyTorch是Facebook的，从过往风评看，他们设计的算法有其实也实属正常。
瓜田李下，有理也说不清楚。
可能还是看中国，治病救人惩前毖后我党是专业的。现实里的病治得了，虚拟世界的病也差不多，算法的问题，看似是虚拟世界的价值中立的技术问题，但究其本质是人类世界传染到计算机的问题，这样一想难道人类才是病毒源头？
个人信息保护法是个起点，但是算法、数据、监管、个人保护意识缺一不可，2019年针对就业歧视规定罚款上限是5万，真的是很有特色了。
所以这次你看好吗？欢迎和我们讨论一下，万一新的算法模型设计思想能摆脱歧视呢~
参考文献：
陈力简：看完荒唐的主流民调，我押1000美元赌特朗普连任https://www.guancha.cn/Chenlijian/2020_10_28_569475_s.shtml
数据告诉你，论文引文里有多少性别偏见https://www.zhishifenzi.com/depth/depth/10241.html
微博机制和转发预测研究https://www.researchgate.net/profile/Li_Weigang/publication/272621063_Research_on_the_Micro-blog_Mechanism_and_Re-posting_Prediction/links/551013ce0cf224726ac4fe75/Research-on-the-Micro-blog-Mechanism-and-Re-posting-Prediction.pdf
杨成越, 罗先觉. 算法歧视的综合治理初探[J]. 科学与社会, 2018, 8(4): 1-12, 64.
本回完
