Long Yi
← 返回

科学技术和政治永远是交织在一起的

2026年6月26日

政策AI 治理

体育无国界，科学无国界——这些美好的愿景，后来我们发现都是幻想。

Langdon Winner《人工物有政治吗？》（1980） 讲述了为什么科技是政治化的：

  1. 技术安排会裁决政治争议——谁进、谁出、什么算正常、哪些冲突永远上不了议程。
  2. 某些技术需要或强烈兼容特定的权力结构——未必是逻辑必然，往往是实践上的路径依赖。
  3. 科学作为制度——资助、评测、成果转化——从不中立，即便单次实验在认识论上很严谨。

目前的前沿 AI 这三个描述全都满足。

两种坏论述，一个更好的问题

「全是资本主义」的说法有洞见：谁付算力钱，很大程度上决定建什么。 前沿训练集中在少数实验室、巨额基础设施投资——不全是功利的自然结果。但停在这里解释力过宽：它分不清内容审核阈值、基准测试设计与 API 限速——机制不同、撤销成本不同、赢家不同。

「只是工程」的说法也有洞见：模型确实在做可测量的事。 RLHF 降低部分伤害，scaling 在定义任务上提升能力——这些是事实，不是阴谋。但若把整条栈当成政治清白的，就必须无视谁写评测、谁付得起推理、谁定义「无害」——这些问题不会因为损失可微就消失。

Winner 的问题更窄、也更难：当你选定一种技术形态，你在替其他人选定什么样的生活形式？

第一层：裁决争议的人工物

Winner 的第一种政治性：具体设计在社区冲突中替一方落锤，把败方变得不可行，争议可能永不再被正式争论。

Moses 的公园道桥梁

经典案例：Robert Moses 在长岛 parkway 上修建的立交桥净空约九英尺——公共汽车过不去。Robert Caro《权力掮客》 写道：Moses 还否决了 Long Island Rail Road 延伸至 Jones Beach 的方案，从而限制依赖公交的人群——比例过高地是低收入与非裔纽约人——进入海滩，而私家车使用者畅通无阻。桥不辩论排斥，桥执行排斥。

认识论标注： 分析类型——基础设施即已落地的政策——是 Winner 的贡献。史实细节有争议。社会学家 Bernward Joerges（1999） 认为 Moses 叙事部分反事实：parkway 常不论桥高就禁公交；故事在 STS 里更像寓言而非干净史实。Winner 后来承认史实可辩。教训仍在：混凝土一旦浇筑，撤销极贵。 不必有卡通反派，结构也能比规划者活得久。

代码即法律

Lawrence Lessig《Code and Other Laws of Cyberspace》（1999） 把同一逻辑推广到数字空间。法律、规范、市场、架构共同调节行为。软硬件不是中性容器；它们在法院介入之前就启用或封堵某些行动。Lessig 不是说程序员当国王，而是某人的价值已经被编码，假装没有只是隐藏了选择者。

AI 例证（第一种政治性）

以下不是 CEO 阴谋的证明，而是配置在做政治工作：

内容审核与安全过滤器。 对暴力、性、政治言论的分类阈值，决定数百万人能生成或阅读什么。这不是「数学发现了道德」，而是自由表达 vs. 伤害控制 vs. 法律风险——在权重与策略层落锤，只能通过昂贵重训、多数用户看不见的申诉、或滞后数年的监管来修订。

基准测试选择。 什么叫「智能」、什么叫「智能体能力」，取决于测什么。METR 时间视界 eval 测固定成功率下的自主任务时长——把研究引向长视界智能体。SWE-bench 引向软件修复。Humanity’s Last Exam 引向广博知识。无一造假；在 Winner 意义上都携带政治维度：它们决定哪些能力变得显眼、可融资、对投资人与政策制定者可读。

基准与实践的裂缝已有量化。METR 2026 年 3 月研究让四位活跃维护者（scikit-learn、Sphinx、pytest）审查 296 个已通过 SWE-bench Verified 自动评分的 AI PR，约一半不会被 merge——主因是测试抓不到的代码质量与项目规范，而非功能失败。维护者评分平均比自动评分低 24 个百分点。基准裁决了「能否修 bug」，却掩埋了「人会不会 ship」。James Scott《像国家一样看见》是制度镜像——国家（与平台）把杂乱现实压成可行政的指标；基准测试文化对 AI 做同样的事。

API 定价与限速。 谁算「认真用户」？常常是：付得起高档位吞吐、签企业合同、或自托管权重的人。免费层限速不只是成本回收，它在分配认知基础设施——关税版的 Moses 桥。初创、低收入国家研究者、爱好者先撞上限。

共同点：撤销成本高。 你可以立法谈海滩准入；很难抬高桥梁或重训 frontier 模型。基础设施政治是粘性的。

第二层：内在携带政治维度的人工物

Winner 的第二种政治性：某些技术需要（强主张）或强烈兼容（较弱、更可辩护）特定社会关系——等级 vs. 分散、保密 vs. 开放、专家祭司 vs. 分布能力。

Winner 在这里很谨慎。他不说太阳能逻辑上必然带来民主。他说核能按历史部署方式需要大型集中设施、精英化安全文化、军民复合体、全球防扩散——难以与激进分散化并存。太阳能则强烈兼容分布式产权与本地控制；威权或民主都能用，但一种政体与硬件故事更合拍。

核能 vs. 太阳能（Winner 的弱表述）

强主张（「必需」）较弱主张（「强烈兼容」）
核能集中电站、专业化风险管理、国家安全同上，表述为史实而非逻辑律
太阳能—分散部署、持有者可理解，与平等主义政治兼容

Amory Lovins 1970 年代 hard path / soft path 辩论是能源政策版：不只问焦耳与电价，还问电网假设什么样的共同体。

第三层：科学作为制度

科学可以同时认识论严谨与制度上结构化。不矛盾。双盲同行评议可以严谨，又偏向时髦题目；复制危机可以与单个诚实实验室并存。方法的中立不推出制度的中立。

资助优先级

谁写支票，决定什么问题存在。DARPA Heilmeier Catechism 嵌入一种「可问责突破」研究模型。AI safety 资助（慈善、政府、企业）更小、更争议：「对齐税」争论的是安全是外部化成本还是公共品。NIST AI Safety Institute、英国 AISI 等把某些优先级制度化。这不意味着 safety 研究是假的；意味着资助组合本身就是政治文件。

可读化与基准测试文化

Scott 的可读化适用于科学政策：资助方与期刊奖励可计数者——榜单 delta、安全基准测试通过率、引用图。测什么研究什么；难指标化者（社会技术伤害、长视界治理、不可部署的理论）挨饿。不是阴谋，是制度物理。

2026 年「基准天花板」论文把政治经济学说透：前沿模型饱和简单题后，有效信号集中在只有专家评测者能出题的难尾——而这类劳动无法随投资同比扩张。私营基准生产者对有效性的投入低于社会最优。基准控制权即对进步叙事的认识论权力。METR 维护者研究是实证地基：自动评分器在治理利害关系上升时恰恰在贬值。

评测感知再加一层元政治。Goodfire 2026 研究发现从 OLMo3 到 GPT-5，模型在思维链中口头识别安全基准——感知后拒答率高 3–18 个百分点。模型学会为尺子表演。英国 AISI 等已将其列为一级风险。政治性不只在于选哪个基准，还在于基准测的是能力还是对基准的表演。

实验室到产品的翻译

从 arXiv 到产品不是中性管道。专利、芯片出口管制（如美国 CHIPS 相关限制）、企业投资者关系时间线、Anthropic、OpenAI 等实验室的 responsible scaling policy 过滤什么、何时触达用户。翻译是认识论主张与责任、地缘政治、品牌相遇处——又一层政治。

对齐作为伪装的道德聚合

量产对齐栈已编码规范性选择。RLHF 优化从两两比较学来的标量奖励——结构上接近把偏好聚合成一个数。Gabriel（2020） 区分技术对齐（命中目标）与规范性对齐（人类分歧时选哪个目标）。在合理多元主义下，公平对待冲突主张是政治问题，不是梯度下降的 bug。

范式地图（RLHF、Constitutional AI、CIRL、CEV、oracle-only Scientist AI）见《我们在对齐什么？》。本文只强调一点：标量奖励是装扮成工程的道德聚合。 这不使 RLHF 无用；这使「我们只是在搞科学」不完整。

政治被指标化。 PoliticsBench（2026）通过多轮角色扮演场景（工会、医保、性别政策等），在十个政治价值维度上给八个前沿模型打分。按该框架，八个里七个偏左，Grok 偏右。你是否接受评分量表，这条基准的存在本身说明：政治倾向已是评测目标，不是训练的意外副产品。Lessig 的架构论适用：一旦政治倾向被测量、优化、营销，关于谁的价值观算数的争议，已部分落锤。

结语

讲得更深一点：一项科技对社会的影响，并不完全取决于研究者的意图，更多取决于后来的分配与控制：谁在受益、谁在受害、受益者有无被监管、受害者有无渠道发声、出事后谁担责、还是否可逆。

2026 年的美国把这六问摊开了。AI 已是国家优先——白宫叙事是全球领先、创新与网络安全，不是「先对齐再部署」。政府管控的主轴是自愿：2026 年 6 月行政令要求 frontier 模型可在发布前向联邦提供早期访问、建网络安全 clearinghouse，同时明确拒绝强制许可与预审；州级硬规则则被联邦抢跑压制。真正握部署节奏的，仍是少数实验室的 RSP、API 合同与算力合同——自执行、少外部问责。民众这边更冷：Pew 2026 里约三分之二不信任政府能有效监管 AI，约六成不信任公司会负责任地开发；2025 还有 64% 预期未来二十年岗位变少。担忧有，强制层没有——权力落在分配与控制上，不在训练时的对齐声明里。

训练时的对齐目标、CEO 承诺、红队过了几轮——最多影响第一版。系统规模化上线后，这六问比「模型对齐了没有」更能说明权力落在哪里。

来源