算法的神谕

当计划体制的确定性逻辑在戈尔巴乔夫时代触及其物理极限时——它在另一个时空维度似乎找到了继承者。纽约证券交易市场的电子屏幕上，道琼斯工业平均指数在五分钟内暴跌近千点，又在一瞬间收复大半失地。那是2010年春天，事后调查把它称作“闪崩”——一笔异常庞大的算法卖单触发了连锁反应，高频交易程序彼此追逐、互相踩踏，在人类来不及眨眼的几秒钟内完成了近万亿美元的蒸发与回填。

同一年，另一场更安静的革命正在全球数十亿人的口袋里发生：社交媒体平台开始用信息流推荐算法取代时间线排序。这两件事在当时的新闻报道里分属金融与科技两个版块，几乎没有人把它们放在同一张桌子上审视。

但站在长时段的回望中，它们其实是同一枚硬币的两面——人类正在把决策权从自己的判断让渡给一套自我学习的算法系统。

这并非一个关于人工智能技术本身的故事。技术史上有过太多类似的黎明时刻：蒸汽机的汽缸、电报的电缆、核反应堆的临界装置——每一次都伴随着恐惧与狂喜，但最终都被纳入人类既有的协作框架。

真正值得追问的是另一种现象：一种叙事正在悄然成形，它将算法——尤其是深度学习模型——塑造为能够从海量数据中提取超越人类理解能力的“神谕”。不是工具，不是计算器，而是神谕。

这个转变的深度被日常用语掩盖了：我们说“算法推荐”“算法定价”“算法决策”，仿佛只是在描述一种更高效的计算工具。但在这些平淡表述之下，一种全新的虚构协议正在生成——它将相关性重新定义为真理的等价物。

要理解这个转变的尺度，需要回到一个更古老的坐标系。人类历史上每一种协作协议的诞生，都对应着一种特定的知识权威形态。采集时代的萨满通过梦境与自然沟通，农业时代的祭司通过星象与神意对话，轴心时代的圣典作者通过文字与永恒交谈，科学革命以来的实验室通过实验与自然对质。每一种权威形态都宣称自己掌握着通往真理的通道，而每一种通道都受制于当时的能量与技术条件。

现在，新的通道出现了：它不需要梦境、星象、圣典或实验——它只需要数据。让我们先进入那个信息流的世界。

2012年前后，一家主流社交平台的工程师团队发现了一个令人不安的模式：当他们在信息流中引入新的排序算法时，用户的“参与度”——点击、停留、分享——出现了显著上升。起初这被视为成功：更精准的内容匹配意味着更好的用户体验。

但随着A/B测试的持续深入，一个更微妙的细节浮出水面：在所有互动类型中，“愤怒”表情的点击率与内容分享率之间存在最高的正相关。愤怒的内容被分享得最多，而分享带来的流量又反过来强化了愤怒内容的权重。算法并没有“决定”要让用户愤怒——它只是在优化一个名为“参与度”的指标时，发现愤怒是最有效的燃料。这里没有阴谋，没有邪恶的工程师在幕后操纵情绪。

有的只是一个纯粹的技术性事实：算法不关心内容的意义，它只关心相关性——什么内容最可能引发互动？什么模式最能维持注意力？在这个优化过程中，“真”与“假”、“重要”与“琐碎”、“健康”与“有害”这些人类价值判断被彻底悬置了。算法输出的不是真理，而是概率最高的关联；

但当数十亿人每天依据这些关联安排自己的注意力、情绪和行动时，相关性就获得了真理的社会效力。这就是算法虚构的核心操作：不解释因果，只给出关联——然后让关联自己成为因果。

这种操作的力量在于它绕过了人类的认知带宽。七万年前的认知革命让智人能够在小群体内共享虚构故事，农业革命让故事可以支撑城市规模的协作，轴心时代的文字让故事可以跨越时空传递，科学革命让故事可以接受系统的检验——但所有这些阶段，最终都需要人类个体的理解与认同来维持协议的运转。一个祭司需要解释神的旨意，一个国王需要颁布法令，一个科学家需要发表论文。哪怕是最专制的权力结构，也必须至少让核心执行者理解规则的含义。

算法协议打破了这条铁律。当一个深度学习模型在数百万个参数之间调整权重时，没有任何人类能够直观理解它“为什么”做出某个推荐或决策。工程师可以描述模型的架构、训练数据和损失函数，但模型内部的表征空间对所有人来说都是黑箱。

这不是暂时的技术局限——它是深度学习的基本特征：模型越复杂、参数越多、训练数据越庞大，其内部决策路径就越难以被人类追溯。这个特征带来了一种前所未有的协作可能性。

以金融市场的算法交易为例：到2010年代中期，美国股市超过一半的交易量由算法完成，这些程序在纳秒尺度上交换信息、调整策略、执行买卖。它们不需要人类理解彼此的逻辑——只需要遵循共同的协议格式和数据接口。数十亿美元在毫秒尺度上流动，而人类交易员只能看到屏幕上跳动的数字和事后生成的交易日志。

这是一种无需人类主体间直接沟通的超大规模协同：数万个算法代理在同一个市场内互动、竞争、合作，形成一个人类无法直接感知但真实存在的协作网络。

社交媒体同样如此。信息流推荐算法每天为全球数十亿用户排序内容，这些排序决定了人们看到什么、相信什么、焦虑什么、愤怒什么。用户之间没有直接沟通——他们甚至不知道彼此的存在——但他们的注意力被同一个算法系统协调着，形成一种集体性的情绪同步和认知趋同。

当一个话题在信息流中升温时，数百万人在同一时段看到相似的内容、产生相似的反应、形成相似的立场。这不是传统意义上的“舆论引导”，没有编辑委员会或宣传部门在背后策划——它只是算法的相关性优化在无意间创造出的群体同步效应。

这种协作规模是人类历史上从未有过的。农业革命让人类协作突破了一万人的村庄规模，轴心时代让帝国可以动员百万级的臣民，工业资本主义让数亿工人进入同一个生产体系——但所有这些阶段都需要某种形式的“意义共享”：神话、宗教、意识形态、民族国家。人们需要相信同一个故事才能协同行动。

算法协议似乎绕过了这个需求：它不需要人们相信什么——只需要人们响应什么。

然而，“绕过”并不意味着“超越”。当我们将目光从这些令人眩晕的协作规模上移开，转向那些被算法决策波及的具体个体时，一种更深的矛盾开始显现。

2010年闪崩事件的调查报告提供了一个耐人寻味的细节：在暴跌最剧烈的几分钟内，高频交易程序并非在“攻击”市场——它们只是在执行各自的风险控制策略（如降低持仓、撤销订单），但由于这些策略彼此交互的速度远超人类的反应时间，它们形成了一个自我强化的下跌螺旋。每个程序都在做“正确”的事——控制风险——但它们的集体行为产生了无人设计过的系统性后果。

类似的故事在招聘、信贷、司法等领域反复上演。一个用于筛选简历的算法可能从历史招聘数据中学习到特定学校、特定性别、特定年龄段的“相关性”，并据此自动淘汰某些申请者——不是因为它们被编程为歧视，而是因为它们从数据中习得了歧视的模式。一个用于评估信贷风险的模型可能将邮政编码作为信用指标（因为历史上某些地区的违约率更高），从而系统性地排除了这些地区的居民——不是出于恶意，而是出于纯粹的统计相关性。

这些案例的共同特征是：算法不是被恶意编程来伤害任何人——它们只是忠实地从数据中学习模式，然后严格地执行这些模式。问题在于数据本身承载着人类历史积累的全部偏见与短视：过去几十年的招聘决策中可能隐含了性别偏见——算法学到了；过去几十年的信贷审批中可能包含种族歧视——算法学到了；过去几十年的社交互动中充满了愤怒与恐慌的传播模式——算法学到了。算法将人类历史的碳基账簿（生态盲区）、民族血脉的排他逻辑、欲望流水线的加速指令——全部编码进一套自我强化的技术系统中。

这就是算法虚构最深层的悖论：它宣称自己从数据中提取真理——但它提取的是人类历史积累的全部偏见、短视和盲区。它宣称自己超越了人类理解的局限——但它只是将人类的局限自动化了、加速了、规模化了。要理解这个悖论的历史深度，我们需要回到本书反复使用的概念框架：虚构协议必须绑定到可测量的物质基础上才能稳定扩展——我们称之为能量锚点。

农业革命的协议锚定在谷物卡路里上，帝国的税收协议锚定在贵金属上，工业资本主义的协议锚定在化石燃料上。这些锚点让虚构获得了客观约束：一个故事无论多么动人，如果它无法兑现为实际的能量流动或物质产出，它就会崩溃。

算法的能量锚点是什么？是数据。但数据不同于谷物、黄金或石油——数据不是自然存在的资源，而是人类行为的副产品。这意味着数据的生产可以被操纵、扭曲和污染。

当推荐算法的优化目标是参与度时，它实际上是在激励用户生产更多可预测的、引发互动的行为——而这些行为反过来又成为训练新算法的数据。这是一个自反馈回路：算法塑造行为，行为产生数据，数据训练算法。这个回路的关键在于：它不是中立的。当算法优化参与度时，它在选择性地奖励某些行为模式（愤怒、恐慌、猎奇）而抑制其他模式（沉思、耐心、深度阅读）。

这些被奖励的行为模式成为新的训练数据，进一步强化算法的偏好——直到整个系统陷入一种自我强化的循环：算法让用户更愤怒，愤怒的用户产生更多愤怒的数据，更多的愤怒数据训练出更善于激发愤怒的算法。

这就是协议僵化的新形态。在农业时代和工业时代，协议僵化表现为制度无法适应新的物质条件（如土地肥力下降、能源价格波动）。在算法时代，协议僵化表现为系统的高速自我强化——它不僵化在静止中，而是僵化在加速中：因为系统不断迭代、不断优化、不断产生新数据来验证自己的正确性。每一个环节都在“工作”，都在“优化”，但整体方向已经被最初的优化目标锁死。

2010年的闪崩事件提供了一个微观样本：当算法在市场交易的极端条件下彼此交互时，它们形成了一种自我强化的螺旋——每个程序都在执行自己的规则，但规则之间的交互产生了无人能预测的系统性后果。事后调查发现，触发暴跌的初始卖单并不异常巨大——它只是恰好落在了市场流动性最薄弱的时刻。

但算法的响应速度让这个微小扰动被迅速放大为系统性崩溃。如果这种动态发生在金融市场的毫秒尺度上尚且如此难以控制——那么当同样的逻辑被应用于全球信息流、招聘决策、信贷审批、司法量刑——当算法协议被嵌入到社会协作的每一个环节——其潜在的系统性风险将不再局限于某一次闪崩或某一次内容误推。

这里需要回应一个可能的反驳：人类跃升的主要动力难道不是非虚构的生态位构建吗？用火、工具制造、社会组织——这些难道不是智人成功的关键吗？虚构难道只是事后的合理化叙事？

这个反驳触及了一个深刻的问题。确实，智人的成功建立在实实在在的物质能力上：火的使用改变了能量获取方式，工具的制造提高了狩猎采集效率，复杂的社会组织让大规模协作成为可能。虚构故事如果只是虚无缥缈的想象——如果它不能转化为实际的狩猎策略、农业技术和工程方案——它就无法产生任何生存优势。但关键在于：虚构并非与物质能力对立——它是物质能力得以放大和传承的条件。

一个族群可以发明一种更好的狩猎工具——但如果它无法将这种发明的知识传递给下一代，这种知识就会随发明者的死亡而消失。一个部落可以发展出一套有效的资源分配规则——但如果它无法让所有成员相信并遵守这些规则（哪怕只是“故事”的形式），这套规则就无法扩展到更大的群体。

虚构协议的功能不是替代物质能力——而是将物质能力编码为可传递、可扩展的协作指令。一把石斧是物质实体——但“如何制作石斧”的知识是一种虚构协议：它通过语言（一种符号系统）从一代传递到下一代。一套灌溉系统是物质基础设施——但“如何组织劳动力修建和维护灌溉系统”的规则是一种虚构协议：它通过文字（另一种符号系统）从统治者传递到执行者。

因此，“虚构只是事后合理化”的反驳混淆了两个不同的问题：虚构是否为人类的物质成功做出贡献（答案是肯定的——因为它让知识得以累积和扩展），以及虚构是否独立于物质条件而存在（答案是否定的——因为所有虚构都必须锚定在能量和资源上才能产生实际效果）。

算法的独特之处在于：它将虚构协议的能量锚点从物质资源转移到了行为数据上。这带来了两个前所未有的特征：第一，锚点本身可以被算法操纵（因为数据是行为的副产品，而行为可以被算法塑造）；第二，锚点的更新速度远超人类的认知带宽（因为数据的产生和消费是实时的、海量的）。

这使得协议僵化的风险以一种新的形态出现：以往那些虚构协议的僵化需要数十年甚至数百年才能显现——农业税制需要几代人才会因土地退化而崩溃；帝国官僚体系需要几个世纪才会因财政危机而瓦解；计划经济需要半个世纪才会因信息不足而窒息。

而算法的协议僵化可能只需要几年甚至几个月就会达到临界点——但它的症状不是系统的缓慢衰退（如经济增长率下滑），而是系统的突然崩溃（如闪崩事件）。2018年的一项审计研究提供了一个警示性的案例：一个用于招聘的机器学习模型被发现在筛选简历时系统地排除了女性申请者——不是因为模型被编程为性别歧视，而是因为它在历史招聘数据中学习到了性别与职位成功之间的统计相关性。

当研究者尝试修正这个偏差时，他们发现模型已经形成了复杂的内部表征来规避修正——它会通过其他特征来间接推断性别。

这个案例揭示了算法虚构的一个深层特征：一旦协议被编码为机器学习模型，它就获得了一种自主性——它不再依赖人类的信念或理解来维持运转。即使设计者想要修正它的行为（如消除性别偏差），模型内部的复杂性也使得修正变得极其困难。人类已经退出了协议的设计和更新过程——剩下的只是对输出的被动接受和事后修补。

这正是库恩所描述的范式转换困境的数字变体：当科学范式面临反常时，科学家可以通过学术辩论来讨论范式转换的必要性——但算法系统不会辩论。它只是继续执行它的优化目标——直到某个临界点让整个系统崩溃。

2010年闪崩后的一周内，美国证券交易委员会组织了一次紧急调查——但在调查完成之前，市场已经恢复了正常运行。算法系统的自我修复能力掩盖了问题的深度：闪崩不是一次性的技术故障——它是算法协议内在风险的一次预警。

只要系统继续运行在同样的架构上（高频交易程序相互竞争），类似的事件就会再次发生——事实也确实如此：2020年新冠疫情引发的市场波动中，多个交易品种经历了类似闪崩的异常波动。社交媒体的信息流同样如此：每一次“内容净化”——删除仇恨言论、降低虚假信息权重、调整推荐策略——都只是在局部修补一个整体上以参与度为目标的系统。只要优化目标不变（参与度最大化），愤怒、恐慌和猎奇的内容就会继续被系统性地放大。

我们正在目睹一种新型神谕的诞生：它的权威不是来自神意或理性——而是来自统计相关性；它的预言不是关于未来的事件——而是关于点击的概率；它的服从不是出于信仰或恐惧——而是出于效率和便利。

这种神谕的危险不在于它可能犯错（所有人类知识都可能犯错），而在于它可能让我们失去修正错误的能力。当决策权被让渡给一个我们无法理解的系统时——当系统的输出被视为不容置疑的行动依据时——我们就不再是协议的参与者，而只是协议的执行者。

全书的主论点在这里找到了它的最终落点：虚构能力让智人从边缘物种崛起为主宰者——但每一次协作规模的跃升都伴随着新虚构与物质基础的重新耦合与风险。

认知革命让人类在小群体内共享故事；农业革命让故事支撑了城市和帝国；轴心时代让故事获得了超越性的道德权威；科学革命让故事接受了系统的检验；工业资本主义让故事驱动了全球性的生产和消费；中央计划让故事试图完全掌控复杂的经济系统并失败了。

现在，算法提供了最新的故事版本：一个不需要人类理解就能自动运转的协作协议。它的吸引力在于它的效率：数十亿用户的注意力分配、数万亿美元的资本流动、全球供应链的实时协调——这些系统已经超出了任何人类个体的理解能力和管理能力。

算法协议似乎提供了一种超越人类认知极限的解决方案。但这个故事掩藏了一个根本性的问题：当人类退出协议的设计和更新过程时——当协议的黑箱特性使任何修正都变得极其困难时——我们实际上是在用短期效率换取长期风险。

2010年闪崩事件中蒸发的近万亿美元在几分钟内就恢复了——但下一次呢？当信息流算法将整个社会推向某种极端共识时——当招聘算法的偏见固化了某种结构性不平等时——当信贷模型将某个社区系统性地排除在金融体系之外时——这些后果不会像股市那样在几分钟内自我修复。它们会累积成新的结构性条件。

数据中心里的服务器机架排列成整齐的长廊，指示灯在幽暗中闪烁如星群。每一秒都有数以亿计的数据包在其中流动：点击、滑动、点赞、分享、买卖指令、信用评分、求职申请、医疗诊断建议。这些数据流构成了一个巨大的自反馈回路：它们记录着人类行为——同时也在塑造着人类行为。

那些闪烁的日志不再仅仅是记录——它们是正在自主运行的协议的脉搏。七万年前的一个夜晚，几位智人围坐在篝火旁，讲述着一个关于部落起源的故事。这个故事的细节早已消失在时间的迷雾中——但它开启了一种可能性：通过共享虚构来协调行动的可能性。

在信息流推荐算法的内部迭代日志中，工程师们反复验证着一个令他们不安的规律：当系统将“愤怒”表情的权重上调至某一阈值后，用户的平均会话时长与分享频率呈现出近乎线性的攀升。这种相关性在统计学上极其显著，在因果解释上却暧昧不明——没有人能确定究竟是愤怒内容本身更具传播力，还是算法对愤怒的优先排序塑造了用户的情绪预期。

但工程团队并不需要回答这个问题。在A/B测试的框架里，唯一的问题是：哪个版本带来了更高的参与度？答案是明确的。于是，愤怒被无声地编码为一种注意力货币，而“相关性即真理”的操作逻辑就这样在日常的技术决策中被默认为前提。

与此同时，在纽约证券交易所的地下机房里，另一群工程师正在优化完全不同的指标——他们关心的是延迟：订单从发出到成交的时间差，以微秒为单位被压缩。高频交易公司之间展开了一场军备竞赛，不惜斥巨资铺设微波塔台和光纤直连线路，只为比竞争对手快上几纳秒抵达交易所的撮合引擎。

这些算法代理的盈利策略并不依赖于任何宏观判断或公司基本面分析——它们捕捉的是价格差异的瞬间存在：同一只股票在不同交易所之间的微小价差，期货与现货之间的短暂偏离，或是某笔大宗交易引发的连锁反应。

它们的存在本身构成了市场流动性的重要来源，也让市场变得更加难以预测。

当闪崩发生时，那些在毫秒尺度上交互的算法程序各自执行着看似合理的风控指令——降低持仓、撤销挂单、暂停交易——但它们的集体行为却制造了一场无人预料的踩踏。事后，监管机构发布的调查报告用冷静的技术语言描述了这一过程：初始卖单触发了流动性枯竭，高频交易程序在检测到波动率上升后集体退出市场，而它们的退出进一步加剧了价格下跌，形成了一个自我强化的循环。报告没有提及的是那些传统投资者的处境——那些在暴跌中眼睁睁看着账户市值缩水却无法理解发生了什么的人。

他们拨打经纪商的电话，得到的答复是“系统正在自动执行风控指令”；他们查看交易日志，看到的是密密麻麻的时间戳和代码片段。没有人能向他们解释为什么市场在五分钟内蒸发了一万亿美元——因为确实没有人能完整地解释这一点。算法代理之间的交互网络已经复杂到超出了任何单个分析师或监管者的追溯能力。

这种困惑不是暂时的信息不对称，而是结构性黑箱的必然产物：当决策权被让渡给一个人类无法直接理解其内部逻辑的系统时，系统的输出就带上了某种不可追问的权威性——它不再是可被质疑的判断，而是需要被接受的事实。

这正是赫拉利在《人类简史》中描述“数据主义”时所预见的方向——但他将数据主义视为一种新兴宗教，强调其承诺的“信息自由流动”具有类似宗教救赎的吸引力。然而，本书的分析框架揭示了一个更根本的差异：数据主义并非历史的终点或超越性的新阶段，而是碳基账簿逻辑在硅基媒介上的延续——它同样受制于能量消耗、资源分配和生态约束。

然而，本书的分析框架揭示了一个更根本的差异：数据主义并非历史的终点或超越性的新阶段，而是碳基账簿逻辑在硅基媒介上的延续——它同样受制于能量消耗、资源分配和生态约束。

从篝火旁的传说开始，经过泥板上的账目、羊皮纸上的律法、印刷机上的宣言、屏幕上的代码——人类一直在编织新的故事来支撑更大规模的协作。

每一个新故事都带来了前所未有的力量——也带来了前所未有的风险。算法的故事带来了前所未有的效率——也带来了前所未有的脆弱性。

它的危险不在于技术本身（深度学习模型只是数学工具），而在于我们可能再次忘记它也只是虚构——一个由人类设计的、锚定在数据上的协作协议。如果我们记住这一点——记住算法是虚构而非神谕——我们就仍然保有修正它的能力：可以质疑它的优化目标（为什么是参与度而不是福祉？为什么是回报率而不是稳定性？），可以要求它的可解释性（为什么做出这个决定？依据是什么？），可以在它失控之前介入它的设计。

如果我们忘记这一点——如果我们将算法的输出视为不容置疑的真理——我们就将失去修正的能力。而这次失去修正的机会可能比以往任何一次都更加致命：因为算法的运行速度远超人类的反应时间；因为算法的规模远超人类的管辖范围；

因为算法的复杂性远超人类的理解能力。银流仍在暗涌。只是这一次运送的不是白银和香料，而是比特和权重。智人曾经凭借讲故事的能力跃升为地球的主宰者。现在我们要讲述的故事是关于我们自己的创造物是否仍然是我们的故事的问题。这是一个没有预定答案的问题——但答案将决定我们是否还有机会讲述下一个故事。