命運和算法：一些人生重大決定算法替你做了，活在算法中的人們

貝多芬：我要扼住命運的咽喉。那個年代沒有大數據、算法。假如他活在今天呢？

大數據、算法、人工智慧、網際網路、物聯網......科技的發展為人類生活帶來各種便利的同時，也在靜悄悄地決定著人們的生活軌跡和命運。

假設，如果中國有一年取消高考，用算法根據歷年成績給每個應屆畢業生打分，然後大學根據這個分數決定是否錄取，錄取到什麼專業。

英國今年的中學畢業生對算法的這種威力有切身體驗。

因為新冠疫情而取消了決定數萬名中學畢業生命運的考試，用電腦算法( algorithm）給學生打分，讓機器根據學校往年的考試結果，經過一番運算，得出今年畢業生的成績。

決定命運的是高中畢業生的A-level 考試也決定了能否上大學，能上哪所大學。初中畢業，不再上學而開始求職謀生的，需要憑GCSE考試成績去找工作。如果準備繼續上學，日後申請大學時，這組成績也是重要參考數據。

除了這種「十字路口」式的人生關鍵節點，算法在現代人生活中很多方面扮演著「無形之手」的角色，而我們未必知道。

記者克雷頓（James Clayton）和克萊恩曼（Zoe Kleinman）梳理了幾個算法左右命運的平臺。

社交媒體

從許多方面來看，社交媒體平臺基本上就是龐然大物般的算法。

它們根據你所提供的，以及來自其他各種渠道的數據，確定你的興趣、愛好、口味，然後為你推送更多它們認為你喜歡的內容。

這些數據包括你點的每一個「贊」，看的每一條訊息或視頻，點擊的每一個連結，都被記錄存檔。大部分應用軟體還會從你的上網習慣和特點，以及地理位置等信息提取更多數據，關於你的數據。這些數據用來判斷你喜歡什麼，哪些內容吸引你的眼球，能讓你在網上流連。

這個算法對你了解越多，對你生活的影響力就越大。 除了推送更多合你口味的內容，它自然還會用這個知識向你推銷產品。

社交媒體公司收集儲存的數據也被用來定製個人化的廣告，定向投放，而且精準度高得令人咂舌。

當然，這類算法也會犯很嚴重的錯誤，惹大禍。比如它發現極端的、刺激的、重口味的、充滿仇恨和煽動性的內容，在社交媒體上很吃香，比平淡普通的內容更賺眼球、點擊和轉發更多。所以有些人發現自己收到各種極端主義的、暴力的、仇恨的推送內容。

臉書針對民權問題做過一次內部審計，審計報告中明確提到，公司必須盡一切所能阻止它的算法把用戶「驅趕到極端主義自我強化的回音室裡去」。

算法還有一個盲點，那就是對種族歧視和仇恨類產品不加分辨地推送，導致投訴甚至吃官司。

如果搬家，你的房屋保險或汽車保險保費可能會變，因為不同郵編的風險和「索賠機率」不同

保險

保險公司需要評估風險，要做精算，無論是房產險、汽車險、壽險、醫療險，保費的多少依據這個評估結果來定。

許多人不知道的是，保險業很早就開始探索利用歷年積累儲存的數據來分析、預測未來；在電腦和算法尚未普及的時候就開始了。

有了算法，保險公司如虎添翼。

哈克尼斯（Timandra Harkness）是這方面專家，有一部關於大數據的專著（Big Data: Does Size Matter）。

有些顯而易見但人們通常不太在意的事，背後就有算法的無形之手。

她舉了個例子，比如家庭住址的郵編就決定了你的保費高低，而你在這些問題上毫無發言權，完全被動。

你的房產或車保險保費在搬家後漲了還是降了，跟你個人沒有直接關係，而是跟這個地區的其他居民曾經，或者在多大程度上可能成為犯罪分子的受害者，或者遭遇水淹，或者出車禍，等等。

現在比較普遍的行車記錄儀，汽車上的「黑匣子」，可以用來記錄司機的駕車習慣，如果記錄顯示車主基本上是安全駕駛，即使其他指標都屬於高風險群體，他/她的汽車險保費也可能降低。

這是利用算法制定個人化保險產品的一個例子。

保險行業的 實質是風險分攤，人人交保費，需要的人從錢庫裡取。個人化的保險產品能否普及，或許還需要算法來幫忙，確定這類新業務對保險公司有何利弊。

看片子診斷病灶，比如乳癌，人工智慧比醫生肉眼更精準

醫療

人工智慧（AI）在疾病診斷方面的應用日益普及，有些地方AI甚至可以提出治療方案和療法建議。

2020年1月一項研究結果顯示，通過X光片子診斷乳癌，算法的表現超過醫生。

其他例子也有，比如可以預測子宮癌患者生存率的工具，這個工具還能幫助確定治療方案。

倫敦大學學院（UCL）研發的人工智慧可以分辨出哪些病人最容易忘記就診預約，因此需要提醒服務。

海量數據是訓練人工智慧的必要前提。這就涉及到許多棘手的問題，包括病人隱私和個人數據保護。

2017年，英國信息委員會裁定，皇家自由醫院NHS信託沒有妥善保管病人數據，跟谷歌的人工智慧子公司DeepMind分享了160萬病人的數據。

警務

大數據和機器學習對警察機構來說具有顛覆性的巨大潛力。

理論上，算法具備了科幻作品中描述的那種「預測警務」（predictive policing）的功能，可以利用歷年刑事罪案的數據分析來確定警察資源的部署。

問題在於這種算法有先天缺陷，容易產生算法偏見，甚至形成算法種族歧視。

科技智庫WebRoots Democracy專家喬杜裡（Areeq Chowdhury）解釋說，這就跟算法確定考試分數類似，實際上是根據別人過往的學業表現來給你打分，有什麼道理？

他說，根據算法，一個特定社區很可能被不成比例地突出和強調。

國防和安全智庫RUSI今年稍早發表了一份報告，闡述算法在警務實踐中的應用。

報告提出一些需要關注的問題，包括沒有全國統一的準則，也沒有影響評估機制。

另一個需要深入研究的問題是算法如何放大、加劇種族主義傾向。

警務部門已經在使用的人臉識別技術受到批評，矛頭集中在用於機器學習的資料庫是否會導致算法種族主義。

比如，用於人臉識別的攝像機識別白人更準確，是否因為它們背後的資料庫裏白人的面部數據更多？

這方面，數據是否足夠多，足夠多元化，就至關重要。

喬杜裡說，最應該避免的是因為算法誤判而錯抓無辜。