算法霸权

《算法霸权》内容介绍与专业书评 书籍背景与作者定位 《算法霸权》（原书名 Weapons of Math Destruction）的作者凯西・奥尼尔（Cathy O'Neil）拥有独特的跨领域经历：从哈佛大学数学博士、巴纳德学院终身教授，转型为华尔街顶尖对冲基金德劭集团（D.E. Shaw）量化分析师，最终成为算法批判者与审计实践者 。这一 “数学爱好者→金融工程师→算法批判者” 的身份转变，使其兼具解析机器学习模型偏差来源的技术能力，以及揭示算法社会影响的实践洞察力。 2007 - 2008 年全球金融危机期间，奥尼尔亲历金融算法对市场波动的助推作用，其主导的数万亿美元规模数据分析经验，为书中 “数学杀伤性武器” 概念提供了关键实践佐证 。这种 “圈内人” 视角使其批判既扎根于算法数学逻辑，又直指社会结构性问题，形成区别于纯技术或人文视角的独特分析框架。 该书原作于 2016 年出版，中文版由中信出版集团于 2018 年推出，译者马青玲的数字人文背景有效实现了专业术语的通俗化转译 1 5 。《连线》杂志将其评价为 “大数据时代的公民手册”，精准定位了书籍作为技术批判与社会启蒙文本的双重价值 6 7 。 核心优势：作者以数学博士的学术严谨性解构算法技术细节，以金融工程师的一线经验揭示行业潜规则，以社会活动家的立场推动算法治理，三维视角共同构建了批判的权威性与合理性。 核心概念与理论框架 “数学杀伤性武器”（Weapons of Math Destruction, WMD）是《算法霸权》的核心概念，特指具有不透明性、规模化与伤害性三大特征的大数据或机器学习模型 8 9 。其理论框架揭示：这类模型常基于偏见数据构建，以 “数学客观” 为外衣固化社会不公，对弱势群体造成系统性伤害，同时加剧阶层分化 10 11 。 WMD 三大核心特征 不透明性：决策过程难以理解或争辩，如华盛顿特区教师评估系统（IMPACT）因算法黑箱错误解雇优秀教师 9 。 规模化：跨领域应用放大风险，例如预测性警务软件（如 PredPol）通过历史数据过度聚焦少数族裔社区，导致执法歧视 9 。 伤害性：直接损害个体权益，典型案例如贫困学生贷款算法因邮政编码标签实施隐性歧视而被法院驳回 9 。 数据显示，算法筛选已渗透社会各领域，书中提到 “72% 的简历从未被人类查看”，印证其普遍性影响 9 。与传统数据模型不同，WMDs 以 “效率优化” 为名行歧视之实：传统模型侧重局部问题解决，而 WMDs 借助技术权力将偏见系统化、合法化，例如通过历史职业数据固化 “医生 = 男性”“护士 = 女性” 的性别刻板印象 11 。这种 “代码即权力” 的运作逻辑，使算法不仅决定资源分配与个体身份，更塑造社会认知边界，构成对民主制度的潜在威胁 12 。 算法不公的典型领域与案例解析 算法不公在教育、资源分配、商业服务等多领域呈现系统性特征，其核心运作路径遵循 “数据偏见 — 模型固化 — 社会不公” 的闭环逻辑。以下结合中美典型案例展开解析： 教育领域：排名算法的隐性排斥 《美国新闻》大学排名算法因数据偏见（遗漏 “学杂费” 核心变量），形成 “高学费提升排名” 的模型固化逻辑。高校为争夺排名优势刻意抬高学费，最终导致贫困生因经济门槛被系统性排除在优质教育资源之外，直接加剧教育公平的阶层分化 13 。此案例揭示算法设计中的变量选择偏差如何转化为社会资源分配的结构性不公。 资源分配领域：搜索引擎的偏见复制 Google 搜索算法存在历史数据偏见：当用户搜索 “听起来像非裔美国人的名字” 时，算法因训练数据中隐含的种族歧视点击倾向，自动关联犯罪背景检查结果 14 。这种模型固化的关联机制，实质是将历史社会偏见编码为算法规则，进一步强化种族群体的负面标签化，形成 “数据歧视 — 算法放大 — 认知固化” 的不公链条。 商业服务领域：平台算法的权力滥用 中国市场的算法干预定价案例具有典型性：外卖平台 “调价助手” 算法擅自修改商家定价，2025 年携程因同类算法干预定价被郑州市场监管局约谈 13 。此类行为的数据偏见体现为平台对交易数据的单方面掌控，模型固化表现为定价算法的不透明性，最终后果是商家自主权受损与消费者权益被侵蚀，反映算法霸权在全球数字经济中的共性问题。 信息控制领域：认知茧房的算法塑造 Google 通过搜索结果排序算法控制网站流量，用户因信任惯性依赖首页结果，而算法设计倾向于强化既有优势方的可见性 15 。中国政法大学研究指出，算法推荐同时导致信息茧房（仅推送偏好内容）与价格歧视（如大数据杀熟） 16 。这类模型固化的信息过滤机制，实质是通过算法 “选择我们能知道什么”，将认知不公嵌入信息获取环节 12 。 算法不公的跨国共性表明：无论教育资源分配、种族认知建构还是商业利益分配，算法框架的底层逻辑均可能复制并放大既有社会不平等。其核心风险在于：当“数据黑箱”取代透明决策，算法权力将成为加剧社会分化的新变量 13 。 社会影响与治理挑战 算法技术在提升效率与优化资源配置的同时，其社会影响已渗透至结构层面。其中最显著的宏观效应体现为算法不公对社会公平的侵蚀：WMDs（具有社会危害性的算法）通过 “锦上添花” 而非 “雪中送炭” 的资源分配逻辑，持续强化马太效应，导致消费者权益受损、市场不公平加剧及数据要素自由流动受阻 13 。这种结构性失衡进一步延伸至就业领域，第一产业和第二产业的传统从业人员面临被淘汰风险，而数字技术对生活的深度介入则削弱了个体自主权，使人类行为日益受数字系统指引和控制 12 。 治理层面，算法透明度成为核心挑战。中国《算法治理专项行动》虽明确要求 “优化算法透明度”，多数平台也已完成算法备案，但公开落实不足，缺乏通俗易懂的公众解释 16 。这一困境与奥尼尔提出的 “算法审计” 方案面临的双重局限高度契合：技术层面，算法复杂性导致审计难以落地；制度层面，科技公司以商业机密为由拒绝公开逻辑，形成 “保密 - 竞争” 的恶性循环 14 。尽管 “清朗・算法治理” 行动在规范算法应用方面具有进步意义，但其对深层算法偏见（如训练数据歧视）的规制仍显不足，传统隐私保护技术（如加密和脱敏）也因性能与精度局限，难以平衡数据利用与保护需求 13 。 治理悖论：算法治理需在商业利益、技术复杂性与公众知情权间寻找平衡。当前监管框架虽在合规层面取得进展，但对算法决策的系统性偏见（如训练数据隐含歧视）仍缺乏有效干预手段，凸显技术规制与社会公平目标的深层张力。 跨书对比与批判路径差异 构建 “技术伦理 — 权力分析” 二元对比框架，可清晰辨识不同学者对算法批判的路径分野。米切尔・奥尼尔在《算法霸权》中将算法不公具象化为可感知的个体困境，通过被错误解雇的教师、因信用评分被拒贷的学生等微观案例，揭示算法偏见对个体权利的直接侵害，为技术伦理批判提供了具象化的经验支撑。与之相对，杰米・萨斯坎德更关注算法对国家与社会关系的结构性重塑，主张以审视政治权力的视角监督技术权力，通过提升算法透明度与公众辩论（如 “辩论 Google 或 Twitter 算法的政治影响”）实现制度层面的价值矫正，其路径侧重宏观治理框架的构建 12 14 。 两种路径并非对立而是互补：奥尼尔的微观案例暴露了算法治理的现实紧迫性，萨斯坎德的宏观设计则为解决问题提供了制度方向。正如《数据与社会》期刊观点指出，“两种路径缺一不可，前者暴露问题，后者提供方向”，共同构成算法批判的完整光谱。 其他学者如米格尔・贝纳萨亚格提出的 “技术与人文融合” 路径，以及部分著作如《算法的力量》偏向中立介绍的立场，则进一步丰富了批判维度，但奥尼尔与萨斯坎德的二元框架仍具有基础性参照价值 17 18 。 评价与未来启示 作为算法批判入门经典，《算法霸权》以 “分糖算法” 等生活化类比（如 “你一块糖，我一块糖” 的分配逻辑）降低技术门槛，为非专业读者揭示算法迭代本质，其 “数据科学家的反思” 视角更对技术从业者构成深刻警示，展现数学工具背后的人文关怀 19 。 局限在于 “算法审计” 方案面临实操困境：中国《算法治理专项行动》中，企业常以 “商业机密” 为由抵制代码公开，凸显技术透明与商业利益的冲突 20 。 面向未来，2025 年全球算法治理呈现新趋势：欧盟要求高风险 AI 算法强制审计，中国新修订《反不正当竞争法》明确禁止平台强制商家低价销售（10 月 15 日实施） 21 21 。这推动构建 “技术透明 + 制度监管 + 公众参与” 三维框架 —— 技术端如抖音公开算法原理，制度端强化分类治理（配单 / 推荐算法差异化政策），公众端提升数字素养 20 。正如书中所言：“数学不会消逝，但我们可以选择它服务于正义”。

模型的构建不仅是冷冰冰的数据叠加组合，更重要的是数据的选择与采纳，而数据的选择又是价值问题，关键还是在于人的价值选择，到底是要为了公平而牺牲效率、降低数据准确率，还是要为了追求效率而牺牲公平。 数学杀伤性武器其实也就是将缺点成规模地放大，而与此同时也将优点成规模地放大。而这一切问题都在于如何运用数据，最终又回到道德价值问题上啦

算法和大数据已深刻影响我们的生活和社会，但我们需要警惕数据的“阴暗面”，它们很可能引发更多的不公和危机。 数据科学家凯西·奥尼尔认为，我们应该警惕不断渗透和深入我们生活的数学模型——它们的存在，很有可能威胁到我们的社会结构。 我们生活在一个依赖“算法”的时代，它对我们生活的影响越来越大，我们去哪里上学，我是不是应该贷款买车，我们应该花多少钱来买健康保险，这些都不是由人来决定的，而是由大数据模型来决定的。从理论上来说，这一模型应该让社会更加公平，每一个人的衡量标准都是一样的，偏见是不存在的。 但是，正如凯西·奥尼尔书里所揭示的那样，事实并非如此。我们今天所使用的这些数学模型是不透明的、未经调节的、极富争议的，有的甚至还是错误的。最糟糕的是，数学模型和大数据算法加剧了偏见与不公。例如，一个贫困学生想申请贷款交付学费，但是银行大数据算法根据他居住地的邮政编码判断将钱带给他存在风险，因此，拒绝给他提供贷款。他因此失去了受教育的机会，而这个机会可能帮助他摆脱贫困。大数据算法做的常常只是锦上添花的事儿，有时甚至是落井下石。 通过个案追踪，凯西·奥尼尔揭示了大数据是如何影响我们将来的，它不仅影响着个人，也影响着整个社会。这些数据评价着我们的老师、学生，筛选着我们的简历，审核着我们的贷款资格，衡量着员工的工作态度，监视着投票者，监控着我们的健康。 凯西·奥尼尔呼吁数据模型的创造者们要对算法负责，政策的制定者及执行者们在使用这一威力极大的“武器”前应该更加慎重。最后，作者指出，大数据几乎掌控着我们的生活，我们应该增加对它的了解。这本书相当的重要，它让我们有能力去问一些十分尖锐的问题，帮助我们了解事实的真相，提出需要改变的地方，探索更好的生活。

这本书更多是一个话题的开始。 介绍了大量的数学杀伤性武器，描述了其运行机制与长期结果，提出了公平与效率的矛盾问题，提出了在设计算法时，积极反馈回路与惩罚性工具的差异。 个人感觉算法的出现只是加速了效率的达成，而追逐效率损害公平的循环则是一个社会稳定后就存在的，比起“算法霸权”不如去讨论“社会霸权”，算法只是技术罢了，放大且量化了先前的矛盾。

古代是控制土地，现代是控制机器和生产资料，将来是控制并独裁数据，如果你不喜欢生活在数据独裁社会或某种堕落的社会里，那么你可以做的最重要的贡献是找到防止过多数据集中在很少一部分人的手中的方法并且去探寻使分布式数据处理比集中式数据处理更有效的方法。这些不是一件容易的事。但实现这些目标可能是未来民主的最佳保障。

😘推荐你看这本书哦，🥸这本书会令你对算法有不同的认识，🤓最终会刷新你的认知。 本书和以往学过的一些知识😘不同，在于这本书它从另一个角度出发，揭示了算法它是有😰负面影响的。 对于学算法的人或者学程序的人，或许是没有接受过一些知识说算法它会带来哪些消极影响是很显著的，最显著的也只是人们所知道的可能会侵犯🥺人们的隐私权之类的。 这本书它能够很深入地揭示了算法的消极影响远远超过人们的🥶想象，算法并不只是像程序课上的积极影响为主，只是侵犯隐私权。算法的霸权在于它可以把人区分成不同的群体，而且它可以做到的一点是，通过对一些符合算法期待的阶层而言有利的方式去区分人👬👭👫🧍‍♂️🧍🧍‍♀️🏃‍♂️，算法是有利于符合算法期待的人群的。算法的一些简单粗暴的区分方式，带来哪些消极影响呢？例如在学校里面有的老师是把很多时间和精力放在学生的管理，还有就是和家长的沟通上，甚至有的是很忙于学校的事务的，那么其所教的班级的成绩可能不是很高。根据一些算法模型可以做到把那一类型的老师给区分出来。就是说教书育人，有的人着重于教书，有的着重于育人。如果一个学校是很功利的，以教师教的学生产出成绩高低为划分依据，那么着重于育人的那一类老师（着重于学校事务、学生事务、家校事务之类的老师）就会被区分出来，区分了出来是为了什么呢？学校是为了提高学生成绩、提高升学率、招收更多更好的学生、提高学校在地区的升学成绩及排名而淘汰那一类老师，然后用符合他们期待的能够提高学生成绩的老师来替代。社会是各司其职的，学校也是那样，如果只是一味地追逐成绩而忽视了育人，那么就算学生的成绩很高，可是学生的好成绩可持续性是值得被担心的。毕竟现在随着社会的不断发展，人的思维的不断拓广，学生的心理也会受到快速发展的社会的冲击，人的心理发展是有规律的，学生心理发展有可能因为社会发展变快，可不是说拔苗助长地变快，就是说有的学生面对一些比较有冲击力的事件，学生是难以调适内心以应对的。那么对于那一类型的学生来说，如果只是一味地去强调提高学生的成绩却忽视了学生对心理调适的需要，那么学生很有可能会做出一些伤害自己的行为。有很多学校会有一些学生的坠楼事件，也是反映了有的学校它不是很在意学生的心理发展的调适。算法可以做到把一些可以调试学生的心理的老师给区分出来，然后算法就把结果汇报给学校，算法可以把结果用表格或别的形式呈给学校的领导层，那么领导层可以根据算法的结果得知哪些老师教的班级的学生成绩在年级或者是在学校的排名比较低，然后学校可能会采取末尾淘汰制。教师对于学生的心理发展、家校的联系、学校事务的努力，都被一个算法给抹掉了。天，难道就不是算法的消极影响吗？ 算法的消极影响还体现在他把人划分为不同的类别，然后根据不同的类别，它会有不同的🫡应对措施。例如，如果一个人他所居住的地方的房价可能比较低，那么算法它可以起到一个作用，就是例如👨‍✈️要查身份证的时候，如果两个人一个是来自于房价低的地区，一个是来自于房价高的地区，👩‍✈️只可以查一个人的身份证，👨‍✈️在街上拦截，那🧑‍✈️更可能去拦截的是来自于房价低的地区的人的身份证。就算在此前来自于房价低的地区的人是没有犯过什么事的，可是由于算法把那一类型的人给区分出来，于是来自于房价低的地区的人能够受到👨‍✈️更多的怀疑。再回到心理上说，如果一个人长期被怀疑，被长期心理暗示，就像在学校念书的时候，有的学生并没有早恋，可是周围的同学甚至老师都觉得其在早恋，那么其最后的结果更多地偏向于早恋。如果一个人没有做那件事，所有人都觉得那个人做了那件事，那他更有可能会做那件事，就算他其实根本没有做那件事情的动机。那一个人来自于房价更低的的地区比房价更高的地区的人所受到的怀疑更多，你觉得房价更低的地区的人会倾向于做好事还是做坏事呢？ 有一本书，它揭示了一些研究的真相，有一些研究研究居住的密集度高和密集度低的人们。对于一个慈善活动所捐助的数量是不同的，居住在密集度很密的居住环境的人捐助的金额会少于居住在密集度低的人们所捐助的。研究结果有没有超出你的认知呢？ 推送也会不同，例如如果两个人同时需要贷款，一个人是有一些资产的，另一个人是没有资产的，没有资产的人明明是需要得到更好更多的帮助的，但是由于算法的干预，算法可以做到令有资产的人的贷款利息更低额度更高；没有资产的人明明是需要帮助的，但是算法却给没有资产的人设定的贷款利息更高、贷款额度更低。就像在下雨了，你想要借伞，银行就像那个借伞的人，银行更偏向于不借给你，可是如果是天气很晴朗，银行就有可能偏向于借给你，这一系列都是由算法来计算出来的，算法后面的其实说到底都是人，算法是人想出来的，算法不仅融入了能见得光的思维，算法也融入了一些见不得光的思维。 算法霸权这一本书，它把数学模型不为人知的一面给展现出来了。人们以前会觉得数学可以帮助人们生活得更好的，殊不知算法可以帮助生活得更好的是符合算法模型所期待的人群，如果你阅读这一本书，你可以发觉原来数学模型它也是很有杀伤力的，它区分人群，然后给一些符合算法期待的人更多的机会，不符合算法期待的人却受到更多的怀疑而更少的机会。如果你看完这一本书，或许你是一个中国人，你从小生活在数学很重要的中国环境里面，你看完这一本书，你的认知会刷新，认识到原来数学模型也可以用正义的名义堂而皇之地去做坏事。如果你不是符合算法期待的人群，你还会喜欢算法吗？你还会喜欢数学模型吗？你会质疑这个社会吗？你会质疑公平吗？ 以前人们觉得有的人他一出生就有家里人为他铺好了路，现在算法笼罩着社会，如果你不是符合算法期待的人，如果他是掌握算法的人，他可以用算法为他服务，你会不会觉得现在的努力比以前更难了呢？以前你要抗争的，可能是考试成绩，你需要比拼的是有家里帮助的人的成绩；现在这个社会，你要抗争的不只是有家里帮助的人的人力资源，现在你要比拼的人，他是有算法资源的人，他可能是很符合大部分算法所期待的人，例如他来自于房价更高的地区，他很符合他所在的职业的期待，或者说他很符合社会的期待，你会觉得他一出生就比你高一等吗？有没有觉得如果和那一类型的人比拼一开始就是输呢？你还会认真地和符合算法期待的人比拼吗？你会发自内心地喜欢符合算法期待的人吗？ 把事情抽象地说，例如你们是在比赛跑步，前面有一个人可以拦截你们问询盘问你们其中一个人，符合拦截的人期待的人不会被拦下来盘问，而你会，你知道被盘问的时间会耽误你完成整个路程的时间，你还会觉得那一场比赛它是公平的吗？这个抽象的例子里面已经没有说到外在的资源分配是不公平，只是说在这个过程中你们会有停下来的时候，谁更可能停下来呢？说到这里，你会不会觉得算法它制造了新的不公平呢？而且这种不公平，它很有可能是不能抗争的。在算法霸权这一本书里面也提到了设计算法的人，其实一开始并没有想到算法会有那么多消极影响，设计算法的人是等待反馈的，可是反馈是需要时间的。例如那一个人被裁员也不知道为什么那么用心的去工作居然获得的结果是没有了工作，没有了工作的人就会向上汇报啊，才发现原来算法模型根本就没有把一些特别的努力给纳入。原来那一些对于学校事务、家校联系、育人方面的努力在算法里面所占分值居然是零的！那么事情总会需要有人做，要是算法，要那么去分配分值，那么学校的建设、家校的联系、甚至学生的内心调试，都是没有回报的工作任务，谁会想去做呢？ 就像在社会上，人们议论的是老人倒地，旁人应不应该扶呢？后来人们都觉得不应该扶，因为没有那么多钱被讹诈，可是有一些特别的职业如果不扶老人就会被免职，那么那一类人就是算法里面的那一类必须要扶老人的人。使用算法拦截别人的人群，后来变成了被算法所期待的必须要扶起老人的人群，这是不是一种反噬呢？ 迷恋某一种力量，你也因为那一种力量而必须要付出别人没有的，就像以前看过一系列风靡全球的书，叫做《哈利波特》，《哈利波特》系列里面有一部《哈利波特与死亡圣器》，里面有提到有个项链，主角配角要轮流佩戴，因为佩戴的时候人的魔法力量可以保护到同伴，佩戴的时候人会感觉到沮丧、绝望。有没有觉得有些事，有些时候是异曲同工的呢？ 😘很感谢你能看到这里🥰。

1. 模型的本质是简化现实，但没有模型是完美的，因为存在“人”的因素就是复杂的。当我们对复杂的、难以量化的概念进行降维，使用替代变量进行计算，并对我们认为重要的维度进行评估和权重的赋予，这本身就存在大量错误。此外，模型可能只是建模者价值判断和优先级序列的主观认知，模型、算法承载着人类的偏见。模型的关键还在于设计者的目标、出发点。 2. 有害的模型——数学杀伤性武器的特征是不透明不公开，缺乏错误反馈回路，不接受质疑，得出的结论往往会惩罚社会中的穷人、受教育程度低的人和其他受压迫的人，加剧马太效应，导致社会阶层固化等恶性循环。因为数学模型被用来评估海量数据，而富人圈子往往受益于个人投入，甚至可以通过金钱、权力购买和维护自己的数据隐私安全。存在偏见的预测模型由随机的数据采集和假性相关所驱使，被制度不公平加以强化，又被证实性偏见加以进一步劣化。 3. 对大数据、AI的盲目信任将导致不完善的模型被大规模推广和应用，尤其是作为通用标准，这将造成对现实对个人生活的扭曲。模型由通过带来的经济效益和内置逻辑自我证明输出结果的合理性。当模型受众对从业者而言仍然只是屏幕上跳动的数字时，这一切都是很容易做到，也很容易被认为是正当且合理的。这是技术模型与现实世界中的血肉相互分离所带来的道德影响。 4. 我们在网上海量的行为数据让我们成为了由各种各样的数据拼凑起来的总和，再被算法加以归类分组，形成个人的数据档案，评出个人的信用等级、消费偏好，提供给企业进行精准营销、个性化推荐，海量的行为数据将在未来直接用于“供养”人工智能系统，这些系统是肉眼看不到的，思维也很难读懂。但是，如果档案本身就存在错误，算法本身存在偏见，个体能够通过什么渠道加以反驳？个体是否能够在庞大的商业巨头面对维护自身权益和隐私？不透明的且受害者无法申诉的算法，没有任何公平可言。个人的生活又越来越依赖于这些算法做出安排和评估，只能默默接受现实。 5. 大数据程序只能将过去编入代码，而不会创造未来。创造未来需要道德想象力，而想象力只有人类才有。首先，我们应该承认算法并非万能的，停止我们的科技乌托邦幻想，即无根据地寄希望于用算法和科技解决一切问题。我们必须明确地将更好的价值观嵌入我们的算法代码中，创造符合我们的道德准则的大数据模型。有时，这就意味着要重视公平，牺牲利润。政府需要扮演更强大的监管和执行角色，我们需要在确立行业道德准则的同时建立和推行更为强制性的法律条例、问责体系，通过外部力量制约资本家膨胀的盈利欲求。比如参考欧洲模式，规定收集任何数据都需要事前经过用户同意和批准，以及禁止将数据重新用于其他目的的“不可重复使用”条款进行约束。我们需要推动网络透明和算法审查：驱使公司、机构进行信息公开，算法透明，交给专业人才研究算法系统的意义、偏见以及公平性，接受人类测试之后才能推行自动化；不适于进行量化的复杂情况，唯一的应对方式就是丢弃不公平的模型或一部分不公平的数据、变量，而不是强行用粗糙的替代变量计算。总之，我们需要为数学杀伤性武器这种强大的引擎配备方向盘还有刹车。让杀伤性武器变成良性模型。

广州图书馆意外发现这本书，读完后感觉是不可多得的好书，相反，我感觉这本书很适合对从事互联网或者电商的人去看，尤其是想化繁为简，大道至简的人看，另外看点评很多人说后面的内容是重复的，那大概是你们没看懂这本书

这本书给我提供了不一样的视角去看待社会运转的模式，确实如作者所说，我们的生活已经被各种各样的数据和算法包围了，以前从未思考过为什么我点开APP就能看到这些内容？为什么电话能精准的定位我的装修/学习需求？我这个人对应的数据和标签有哪些？ 不过作者的观点也有很大的局限性，尤其是对于算法模型的使用，缺乏一些辩证性的探讨，只是很浅显的认为模型用于商业场景，如果不公平的牺牲了某个个体，那么模型就是杀伤性武器，如果模型用于非商业性的公益目的，那就不是杀伤性武器…… 我倒是觉得，科技的进步引申出了模型和算法，让很多个人的主观判断（或者说是偏见）嵌入了模型之中，我们只有先看见才能做改变，我们看见了个人信息的滥用，看见了外卖平台对于骑手的算法压榨，所以我们现在有了个人信息保护法，有了算法备案。

翻译优秀，读着“津津有味”。一二十年过去，书里的例子依旧鲜活，让人身临其境，进而思考自己被算法团团围绕的生活还有没有改变的可能 算法带来的问题需要重视，或许得不到解决（回顾历史时经常使用的“必要的代价”），终归要向前发展 2026年，大模型已经改变了人们的生活方式，每个人都拥有自己的“AI助手”，科技让生活更美好。与此同时，失业下岗的风险也引起了越来越多人的担忧，就像历次的科技革命一样，先进的生产力会重塑生产关系，也必然会带来阵痛，这就是科技/算法的两面性