形而上学（二）

彭特兰对社会物理学的预期结果表现出无限的乐观：“我们将首次拥有真正了解自己和了解我们社会如何发展所需的数据。通过更好地了解自己，我们有可能建立一个没有战争或金融崩溃的世界（！），在这个世界里，传染病被迅速被发现和阻止，能源、水和其他资源不再被浪费，政府是解决方案的一部分，而不是问题的一部分。（Pentland 2015，18f。）

我们还将把“更好的政府”归功于社会物理学（Pentland 2015，138），如果我正确理解Pentland，政治话语的传统手段可以省略。因此，彭特兰的观点可以被视为表明，资本主义的“设计能力”在历史上通过政治话语达到了极限，因此政治话语本身变得毫无意义，因为它在资本主义的真实类别中移动，今天他们达到了绝对的障碍，因此他们只能在野外调动“设计潜力”。因此，Robert Kurz一直谈论“政治的终结”。（短1994）

在上面已经提到的“想法”下，彭特兰理解以下内容：“想法是工具行为的战略（确定何时应用行动的行动、结果和特征）。兼容的、有价值的想法成为“快速思维”反应中使用的“行动习惯”。（Pentland 2015，20）整个事件的工具性特征无法更清楚地表达。正如书中的各个地方所指出的，激励措施旨在让人们改变或优化他们的行为，这也不足为奇。评论家们将此视为有意为的行为操纵。预期的操纵恰如彭特兰多次解释的方式所示，即数据收集和对社交网络动态的研究也使干预“改变社交网络”成为可能。（Pentland 2015，5）

这里已经很容易看出，由于其概念和方法的范围相当狭窄，社会物理学永远不会（可以）担心解放；当然不是恋物癖批判的社会分析，这是充分和批判性地理解这个社会所必需的。只关注据称客观直接存在的个人，他只被视为一个信息和刺激处理系统。因此，声称理解人类的途径是最终的，倾向于极权主义。人们还假设，人们作为单纯的刺激处理机器，可以被动地按照预期的方向操纵或控制（无论是通过社会物理学还是通过其一些批评）。然而，这意味着人们假设统治只是主体的外部，与自身的积极份额无关。通过这种对社会心理层面的隐藏以及对个人及其数据的理解，社会整体完全消失在视线之外，对于像彭特兰这样的人来说，这当然只不过是形而上学的胡说八道。如上所述，如果人类内部是抽象的，这也是一致的，因为这很难在数学上建模或形式化。它的行为类似于早期的行为主义。人类也只被他视为需要控制和控制的肉类集合。彭特兰恳求进行相应的大型实地测试并非偶然：“我们需要建造活生生的实验室——愿意尝试新做事方式的社区，或者坦率地说，成为豚鼠（！）——以测试和证明我们的想法。”（Pentland 2015，186）当人们被公开和直截了当地称为豚鼠时，这种傲慢对于技术官僚世界观来说并不奇怪！但这很难被理解为一个彩色的隐喻，而更像是一种威胁。然而，称人们为豚鼠，用它使他们失去人性，只意味着人们声称要这样对待他们。这种现象也从医学研究中知道，参与实验的人被统称为“材料”，通常会得到相应的治疗。（Pappworth 1967，XI）特别清楚的是，这种科学支持的精神病学对人类的非人化，其中人（或成为9）实际上被简化为一块蔬菜。

如前所述，Pentland及其社会物理学主要与生产力以及如何优化生产力有关。例如，相应的研究发现，人们相互沟通或互动越多，想法的流动就越好，这对公司的生产力有积极影响。（Pentland 2015，93f.）谁会想到呢？这本书还以进一步的突破性发现脱颖而出：例如，一个家庭更具流动性，当它有更多的钱时，会与更多种类的人互动。（Pentland 2015，164）鉴于Pentland传播大数据社会物理学的能量和主张，这些极其深刻的研究结果似乎有些荒谬和微不足道。这种现象已经很明显，需要解释，当科学声称用他们的技术和数学仪器和能量最终能够理解人和社会时，如果他们不产生或多或少的“神话”，就会像神经科学所确立的那样，往往以相当微不足道的结果结束。（Hasler 2012）斯坦尼斯瓦夫·安德烈斯基（1919-2007）也已经注意到了这一点，他当时写了一篇反对当时社会科学的论战，特别是反对斯金纳的行为主义，斯金纳也是。E.也可以提出反对彭特兰的数字行为主义：“如何通过惩罚和奖励来控制人类和动物行为的问题已经在无数关于刑法、立法、教育、管理和动物教育的论文中得到处理，从亚里士多德和孔子的作品开始，以不用说白话的无数谚语和智慧。关于这个项目，总是可以说一些重要和新的东西，但它也非常困难。但一个伪科学术语可以迷惑和恐吓人们，因此他们认为高度简化的、因此不太有效的旧民间智慧版本是一个重大发展。”（Andreski 1977，72）

高标准最终导致相当微不足道的结果的一个原因可能是，技术官僚和以数学为导向的方法没有公正地对待其要调查的主题。彭特兰还拒绝审视社会结构背景。他拒绝“市场”和“阶级”等类别，因为它们对他来说太简单了。当然，这不是要求阶级或市场等类别再次强大，这充其量只会导致对传统马克思主义来源的社会分析和批评。然而，重要的是要注意，资产阶级情报的一部分正在最终告别社会术语。我们从中看到，彭特兰有一种明显的方法论个人主义。然而，这阻碍了将社会关系视为已成为历史关系的观点，因此不可能分析和质疑社会关系，甚至更无法质疑社会关系的恋物癖构成。因此，使社会物理学成为可能的方法是一种技术官僚主义和支配权主义，因为这首先使任何历史思维都变得不可能。确定“社会事实”的历史成为，这将构成他们批评的基本先决条件，因此也是解放克服它的可能性，但社会物理学并没有被社会物理学所看到。

资产阶级情报部门的一些代表也注意到了这一点。因此，记者兼互联网评论家尼古拉斯·卡尔（Nicholas Carr）在关于这种方法时写道：“一个无视阶级问题的社会统计模型，将影响力模式视为给定的模式，而不是作为历史意外事件，将倾向于延续现有的社会结构和动态。它将鼓励我们优化现状，而不是挑战它。（Carr 2014）

左派还抱怨说，社会物理学会使“统治关系”变得不可见（Wagner 2016，149）。然而，必须拒绝一个统治的概念，因为它被许多左翼分子特别使用，通常更多地被理解为外部或个人的概念。这在各种左翼评论中也听起来，如瓦格纳的反对大数据等。然而，统治关系应被理解为恋物癖关系。这就是Robert Kurz在“无主体统治”文本中写道的：“因此，“人对人的统治”不能从粗略的主观-外部意义上来理解，而应被理解为人类意识本身的强迫形式的综合构成。[...]统治的概念不能轻易被抛弃，以取代恋物癖宪法的概念，这将使主题和他的陈述沦为单纯的傀儡。相反，统治的概念及其媒介“权力”的概念作为一般表现的概念必须来自恋物癖体质，而恋物癖体质又以不同的形式，在不同的层面上，作为压抑的光谱或自我压抑出现。他自我的形式，从无意识到意识，在各个层面上都具有统治地位。以统治的形式，主体作为恋物癖构成的存在，真正与自己和他人打交道。宪法的客观类别构成了（各自的）统治模式或矩阵。（短2004，206f。）

对统治的批评，无论是简略意义上的批评，还是对恋物癖宪法的批评，基本上不是彭特兰和其他社会物理学家的事。但彭特兰至少（！）看到，数据量也可能被滥用并用于攻击人们。这也适用于匿名数据，因为它通常可以相对容易地匿名化。（Pentland 2015，228，204）这就是为什么他认真提出“数据新政”。（Pentland 2015，180f。）因此，一系列措施旨在确保个人应保持其数据的主权，即每个个人都规定必须用自己的数据做什么。然而，他没有提到原则上质疑这种过高的数据收集的可能性，并至少使其有可能结束（因为对个人流量的质疑使其废除成为可能）。相反，给人的印象是，技术和科学发展将被接受为不可避免的自然事实，充其量只能由国家监管。

原则上，彭特兰概述的这些措施已经有意义，并承认对这些措施的承诺。另一方面，如果你看看一些可能的应用，他关于捍卫隐私的请求（由于技术和社会发展，隐私已经受到侵蚀）不是很可信：原则上，一切都可以被监控。这些技术几乎是命中注定的，这正是它们发展的重要动力。在接受“Spiegel-Online”采访时，他回答了如果看到一个父亲喝得太多的家庭，他是否会干预的问题：“不，永远不会。但我们将来可能会。科学越向前发展，我们越了解人类行为，你就越有义务采取行动。（Pentland 2014）有一种东西可以被称为“数字化家长主义”；这种态度在所谓的“推动”中也发挥着重要作用。我会再往下走。

用大数据可以完成的一件可能确实有意义的事情（或相当有负面意义），包括遵循实际存在的材料生产方式。然而，不是为了在资本主义上“优化”它们，而是首先确定和谴责它们的完全疯狂：在一些地方，已经调查了资本主义由于其加工动态而实现的荒谬材料分销链，例如在苹果种植或酸奶生产方面，正如Stefanie Böge所研究的那样。（Böge 1992，2001）

众所周知，资本主义生产方式的目标是成功的资本开采。个人资本通过试图通过竞争吸引整个社会产生的尽可能大比例的价值来做到这一点。正如马克思所描述的那样，其后果是资本日益集中。凭借“曾经一个资本家打败许多人死亡”，他把它说到了点子上。（马克思2005，790）今天，这种现象尤其需要考虑在过去几十年的全球化背景下，即与马克思时代不同，资本集中和合并不能被理解为总资本扩张的表达，而应被理解为总资本收缩过程中的合理化投资，作为其危机过程的一种模式。（参见2005年简报，288f.）

然而，从这种合并动态中，“赢家”接管了死者的市场份额，这意味着获胜的苹果生产商随后向全世界提供实际上可以“现场”种植的苹果。通过这种方式，在相应的资源消耗下创建了更大的运输路线，但这是可以接受的，而且是宿命论的。这种疯狂存在于物质方面，而不是商业管理中：在剥削方面，这种荒谬绝不是荒谬的；它起源于商业“理性”，因此这个世界被生产性地玷污了。

因此，在批评资本主义的物质结果时，必须坚持认为，导致环境破坏、资源浪费等的不是卓越的物质水平，而是“使用价值”必须移动的社会形式，从而相应地准备形式的物质内容。然而，如果许多个人只分析数据废料，而整个世界只考虑“优化”，资本的日益集中，更何以及“物质和形式之间的矛盾”（Ortlieb 2009）就不会出现。

正如我们将在未来清楚地看到的那样，大数据的功能及其应用显然是社会压制性的（在国家和个人资本方面），正如彭特兰已经公开和直言不讳地指出的那样。因此，大数据长期以来一直被用作压制的工具，正如数学家凯西·奥尼尔在她的《数学毁灭的武器》一书中从现象学上展示的那样。

4.应用数学作为压制的手段

在我们美丽的数字新世界里，收集各种数据，然后在巨大的数据库中找到空间。它们由某些算法或数学模型进行评估。通过这种方式，要计算某个人是否有信誉，申请人是否应该被雇用，罪犯复发的概率是多少（！）（因此，法院裁决被取消）犯罪在某个季度发生的可能性有多大（！）。算法还用于进行评估，以确定教师就业的未来。奥尼尔在她的书中提供了各种例子。关于算法的背信弃义在于，它们做什么以及如何做通常仍然是一个商业秘密。因此，算法的判断是绝对的，矛盾是不可能的。这种情况通常仍然存在，因为这些算法通常没有“错误反馈”（O'Neil 2016，133）（或只是对自己的积极反馈，“恶性循环反馈”），可以检查算法是否实际正确。很明显，这些算法对许多人都有极其压抑的后果，这就是为什么O'Neil也称它们为“数学毁灭武器”（WMD）。这些“武器”是“设计上的，难以捉摸的黑匣子；[t]它们定义了自己的现实，并用它来证明它们的结果。这种类型的模型是自我延续的，具有高度的破坏性，而且非常常见。（O'Neil 2016，29，7）

其中一个问题是，许多人（应用）数学是无法访问的，因此面对这种模型的判断，他们往往无能为力。也许我们这个时代对数字的信仰和对“客观科学”的不加批判的声誉也促成了这一点。但这种模型一点也不客观：“模型的盲点反映了其创造者的判断和优先级。[...]模型是嵌入数学中的观点。[...]这些模型不仅由数据构建，而且由我们选择关注哪些数据以及省略哪些数据构建。”（O'Neil 2016，21，21，218，突出显示。TM）

O'Neil继续说：“然而，这些模型中有许多编码了人类的偏见、误解[...]像神一样，这些数学模型是不透明的，除了他们领域的最高牧师外，所有人都看不到它们的工作原理：数学家和计算机科学家。他们的判决，即使是错误或有害的，也无可争议或上诉。（O'Neil 2016，3）

此外，其中一些模型的实际预测能力极差。安德烈亚斯·冯·韦斯特法伦批评道：“Pro Republica[...]的一项精心研究证明，至少有一种常用的算法根据肤色进行区分。该研究还表明，风险计算的准确性还有待改进：在未来两年内，只有20%的人被预测到暴力行为实际上犯下了暴力犯罪。亲共和党人讽刺地认为，即使包括所有犯罪和行政犯罪，预测也只比掷硬币准确一点。”（von Westphalen，2016，63f。）11

这种算法的决定性问题或模型是，它们往往是自我参照的。例如，在预防性打击犯罪的斗争中。数据库显示，在黑人“问题区”中发现了大量犯罪，特别是所谓的“毒品犯罪”。因此，该算法预测这些社区的犯罪概率很高。因此，警方以适当的存在做出反应——瞧瞧——发现了许多犯罪，因此算法是“成功的”。因此，该算法创造了一种总是自我确认的对世界的解释。很明显，这里有积极的反馈，这将导致更多的警察存在。通过这种方式，那些受影响的人仅仅因为他们的存在而受到惩罚，他们的贫困被定为刑事犯罪：“在这个系统中，穷人和非白人因为他们是谁和生活在他们生活的地方而受到更多的惩罚。[...]结果是，我们将贫困定为刑事犯罪，一直相信我们的工具不仅是科学的，而且是公平的。（O'Neil 2016，97，91）

因此，种族主义结构和社会条件被大数据和算法复制和巩固，尽管这些算法的主张实际上应该是“客观的”甚至“公平的”，正如司法系统特别寻求的那样；例如，算法根本无法在种族上“判断”。然而，这里忘记的是，发展这些的人可能是相当种族主义的；即使他们不是明确的，种族主义和社会压迫的现实也是通过它们进行数学建模的，并经过某些假设，它被复制。（O'Neil 2016，除其他外24-27）例如，风险评估算法计算犯罪者复发的概率，例如通过评估问卷。然而，这些问卷的结构是，在“问题领域”长大的人必然会得到更高的风险计算。种族主义结果不一定来自该方法；但是——这是至关重要的——无论什么假设和问卷，其目的是用这些方法模拟种族主义现实，目的是提高效率和更具成本效益的起诉。

因此，我认为大数据及其应用在这一点上可能只是次要的；因为在黑人“问题区”、“禁毒战争”、对穷人的大规模监禁（参见Wacquant 2013、Meyer 2017）等，在大数据时代之前就已经存在了。O'Neil的重点不是对种族主义和犯罪的社会原因的明确分析；她抱怨大数据及其应用或其中一些，即“数学毁灭武器”会危及民主；但她没有问一个问题，即民主本身是否还不是一个规则系统，以及应用算法在多大程度上只是受危机影响的资本主义如何处理其罪犯、穷人和堕落者的一种技术形式。

这种情况与数据收集赋予人们的社会后果的极其保守性相似。因为通过收集所有数据，人们决心要过去：“大数据进程编纂了过去。他们没有发明未来。做到这一点需要道德想象力，这是只有人类才能提供的东西。（O'Neil 2016，204）这与“数学模型本质上是基于过去，并假设模式会重复”这一事实有关。（O'Neil 2016，38）

所以有人因为几年前住在精神病院就找不到工作。相应的算法过滤掉这些候选人。然而，这也应该解决，即这种做法在早期同样常见，因此算法不能成为这里的主要问题。今天，这可能更加明目张胆，因为来自更多人的更多数据可以更快地获得。然而，在剥削的意义上，可以理解为什么有（以前）严重情感问题的人作为申请人被拒绝，因为他们确实对公司来说是功能失调或可能是。每一笔资本都必须存在于竞争中，但这也意味着人事成本与所有其他资本一样，应尽可能保持在低水平。因此，问题不是因果意义上的算法（无论它如何“判断”）多么准确，而是要求作为劳动容器存在，如果无法满足，必须进行分类或存储（也具有“善意”的教学和再社会化意图）。

这种算法确定的过滤做法现在在申请人中很常见：“这种测试现在用于美国60%至70%的潜在工人，大约五年前高达30%至40%[...]。”（O'Neil 2016，108）

然而，有趣的是，这通常不是通过整理来找到最好的候选人，而是最重要的是尽快、廉价地摆脱尽可能多的候选人。（O'Neil 2016，109）

数学联邦政治世界观提示您：看后求收藏（笔尖小说网http://www.bjxsw.cc），接着再看更方便。