书籍译介 | 大数据杀死了哈耶克？亚马逊内部的计划帝国

编者按

沃尔玛与亚马逊的案例向我们展示，当代资本主义的核心运作机制并非市场自发秩序，而是高度集成的计划系统。菲利普斯和罗兹沃尔斯基在本书第四章中，将亚马逊置于计划与市场之二元范畴的张力场域，通过对其物流体系、算法推荐、预期运输及仓储管理的细致解剖，揭示出一个悖论：自由市场最富象征意义的垄断性平台，其内部运转的却是远比任何中央计划机构更精密的规划机器。

这一发现的意义并不止于经验层面。它直接触及哈耶克在二十世纪三十年代计算辩论中抛出的核心论题：分散于社会肌体中的局部知识无法由任何单一中心汇集，唯有市场价格才能承担信息传递与协调之功能。然而，亚马逊的大数据基础设施及其协同过滤算法、实时需求估计系统及基于数亿变量集的优化模型正在以技术实践回应该命题。数据采集与计算能力的指数级增长，使“群体知识”得以在市场交易之外被系统性地生成、存储与重组。这并非意味着哈耶克的论证被彻底推翻，而是表明信息的不可计算性已在技术条件下被相对化。算法提供了足够好的近似解，尽管远非完备，却足以支撑起覆盖数亿消费者的分配决策。

然而，必须审慎区分计划的技术形式与其社会形式。亚马逊的规划服从于资本积累的单一目的，其优化函数以利润最大化为核心约束，劳动条件、工人身心健康及社会外部性均未被纳入目标函数。仓库中的腕带监控、Kiva机器人驱动下的拣货节奏、临时工与正式工之间的制度性区隔，共同构成一套福柯意义上的规训装置，其运作逻辑与十九世纪工厂体制并无本质差异，只不过监视手段从视觉观察升级为数据流实时追踪。白领阶层同样被置于“有目的的达尔文主义”环境之中，这印证了马克思在《共产党宣言》中的观察：资产阶级除非不断革命化生产关系，否则无法生存。技术的持续革新与劳动主体的持续贬值，实为同一进程的两面。

由此产生一个理论难题：若计划的技术手段已具备可转移性，其社会关系能否被剥离并重新嵌入民主框架?本章作者以审慎态度指出三个障碍。其一，全经济范围的规划在数学上属于NP-hard类问题，即便现有算法与算力亦无法在有限时间内求得全局最优解，只能以启发式方法逼近局部最优。其二，亚马逊的内部计划仍然外在于市场价格网络，其投入品采购、资本品折旧及消费端定价均依赖市场信号，这意味着公司内部的无市场计划仅仅是一个更大市场系统的子系统，而非自足的替代方案。其三，大数据作为规划基础资源，同时具有监视与解放的双重潜能。Strava热图泄露军事基地位置的案例表明，去识别化在原则上可被逆转，数据集的重新识别是一种结构性可能而非偶然漏洞。这并非技术问题，而是政治问题：谁掌握数据，谁就掌握对人口行为进行预测与干预的权力。

因此，将亚马逊模式简单平移至公有体制，既非技术上立即可行，亦非政治上无需反思。阿甘本意义上的“装置”一旦被建立，其运作逻辑便具有自主性，无论其名义上服务于资本还是社会。若以哈贝马斯的视角审视，计划系统的工具理性必须受到交往理性的制约，决策过程的民主参与和透明监督不可或缺。法兰克福学派对工具理性扩张的批判，在此依然具有警示意义。

本书的这一章并未提供答案，却为提问设置了正确的坐标。在算法治理已然成为全球资本主义基础设施的今天，理论的使命不是构想乌托邦蓝图，而是对现实技术形态进行内在批判，揭示其运作机制与社会后果，并在此基础之上，追问另一种可能性的条件。市场与国家的二元框架已然不足以容纳这一问题域，一种超越二者的计划理论，必须同时面对数学复杂性、制度设计和权力制衡等多重维度。大数据这只猫已经出袋，问题在于，我们能否设计出既不让猫咬人、也不让它被关进更小的笼子的新容器。对此，尚无现成答案，但拒绝思考本身便是一种对现实的默认。

作者：Phillips and Rozworski

原文：The people's republics of walmart: Introduction

第四章：绘制亚马逊

亚马逊好像快要获得预知人心的超能力。或者至少在2014年夏天，人们完全有理由相信这样一种幻觉——当时，这家由在线书商转型而来的“万能商店”提交了一项名为“预判发货(anticipatory shipping)”的新流程专利申请，各大报刊铺天盖地争相报道，吹捧渲染。按照这套专利方案，亚马逊能比你更早摸清自己的购买意愿。不管你下单的是约翰・格林那部面向“非青少年”的青少年文学新作、一罐手工腌羽扇豆，还是那款可以光速出锅手撕猪肉的“Instant Pot”多功能电压力锅，在你提交订单的时候，包裹已经在路上了。

但并不是所有人都热衷于炮制夸张吸睛标题，当时就有记者指出，这项专利所描述的机制，其实和亚马逊现有的运营模式相差无几。它无非是在企业已有的海量数据体系、盘根错节的巨型物流网络基础上稍作拓展。亚马逊依托互联网革命崛起，建立起自身的零售市场地位，如今已成为利用现代信息技术成果来分销消费品的最大的科技公司。简而言之，亚马逊是一位做计划的行家里手。据说，即便计划能够统筹钢铁厂、铁路、医疗等大型产业，但它一面对消费品就会束手无策，正是亚马逊这类物流和算法上的创新，戳穿了以上陈腐的自由市场论调。更进一步说，亚马逊这套生产、分销的运作技术完全可以拿来改造，另作他用。

亚马逊的计划

90年代末互联网泡沫刚刚兴起之时，亚马逊还只是一家只卖书的在线书商，如今它的业务版图已扩张到足以覆盖家庭的大部分日常消费需求。与沃尔玛的横向整合如出一辙，亚马逊甚至将合作生产商纳入自身的分销网络，派遣自家员工进驻部分核心供应商的工厂与仓库。例如强生公司生产的创可贴等产品，在所谓“弹性供应商(Vendor Flex)”项目下便能够根据亚马逊的采购需求调整产能，这赋予了这家零售巨头一种超越其自身企业边界的管理生产的角色。

亚马逊的业务早已不止商品分销，和沃尔玛一样，它也在“拉动”需求。事实上，在亚马逊成立初期，它从沃尔玛挖走了大量高层管理人员，看中的正是他们的物流专长，沃尔顿家族还为此提起了诉讼。亚马逊收集了海量的客户数据，并依靠精巧的算法进行解析，最终描绘出了一幅细致入微的图景：人们想购买什么，又在什么时候想要选购。与此同时，与生产商的运营整合则确保了产品能够备货充足。这套经济体量庞大，我们能从中窥见一套更为一体化的产销计划模式的雏形，只是它目前仍然等级森严，一切都对企业管理层唯命是从。因此我们不妨将杰夫·贝索斯看作一个秃顶无须的线上零售界的斯大林。

然而，从本质上讲，亚马逊目前(暂时)仍然是一个庞大的消费品分销网络。互联网时代催生了一种新型零售模式，将商品从生产者手中运送到消费者手中，而亚马逊比任何竞争对手都更好地抓住了这一机遇。如今，亚马逊控制着美国在线零售总额的近一半。因此，当亚马逊制订计划时，它也能玩得起大手笔。它目前在计划层面遇到的难题中，有一部分无异于其他大型分销网络，另一部分则是前所未有的。不过，归根结底，亚马逊的故事依然是一个关于如何把物流搞好的故事，一个力图以尽可能低的成本把货物从A点运到B点的故事。虽然这任务听起来足够简单，但它需要从仓库选址、商品组织，到降低包裹配送成本和缩短运输路线等方方面面的计划。《连线》杂志将该公司描述为“一台庞大、网络化、智能化的机器，专门用来满足消费者的各类需求。”

除此之外，和所有互联网企业一样，亚马逊会采集数量惊人的用户消费数据。一家传统的实体店不会知道你看过哪些商品、在它们上面花了多长时间浏览、哪些被你放进了购物车又在抵达收银台之前放了回去，甚至不会知道哪些是你“希望”拥有的。但亚马逊都知道。这股数据海啸不仅涉及消费者信息，还延伸到了整个供应链，公司则尽可能地利用这些数据为己所用。它的计划问题不再是以往互联网时代之前任何大公司所面临的那种平淡无奇的优化挑战，而是“大数据”的优化——这类数据拥有超大体量、多样类型与高速生成速度，传统的数据处理技术与软件根本无法承载。

亚马逊体量巨大，并且致力于打造“万物商店”，这给自身信息技术系统带来了棘手的难题。传统供应商只需向几百乃至上千家线下门店配送上千件商品，但这本身已是一项工程。而要为数百万消费者配送数百万种商品，则完全是另一回事。亚马逊为了实现最高效率而必须解决的问题非常棘手，即便乍看之下可能并不那么明显。

前文提到的仓储与运输难题属于一类名为“优化问题”的数学难题。在优化问题中，我们的目标是以最优方式完成某项工作，同时行动会受到诸多限制，也就是所谓的“约束条件”。比如说，给定穿过一座城市的三条不同配送路线，在红绿灯数量和单行道等因素的制约下，哪条最快?或者更贴近亚马逊的现实情况：在每天配送一定数量包裹时，公司除了要应对城市交通之外，还受到配送航班时刻表、飞机速度、配送卡车可用性等一系列约束条件的限制。此外还存在随机事件，比如恶劣天气可能导致机场关闭，这类状况虽未偶发，但部分地区、特定时段出现的概率会更高。

每天通勤上班时你其实都在解决一个相对简单的优化问题。但是，一旦给这些问题加上新的约束条件，哪怕只是几个，其背后的数学就变得极为复杂。倘若待优化的变量(可变条件)与约束条件数量足够庞大，即便动用当下性能最强的超级计算机，搭配我们所能设计出的最优算法，有的问题也算一辈子都算不出结果，有些甚至穷尽宇宙存续时间都无法求解。亚马逊面临的诸多难题正属于此类。

因此，尽管媒体都聚焦在无人机送货的专利上，但亚马逊商业内核的真正精妙之处，实际上是一套用于处理优化问题的深奥数学方法。举个例子，这些关键专利帮助亚马逊计划如何在仓库货架与客户家门口之间最有效地移动商品。“负载均衡”是这个问题解决流程中的一环：原理和电脑调度任务、避免单个系统崩溃一致，亚马逊会确定大型仓库的修建位置，并计划各仓库间的货品调配，确保整套体系没有一个环节会超负荷运转。

实话实说，亚马逊的各类计划手段并不能完备解决那种算到宇宙毁灭才能算出答案的优化问题，它只是给出最优近似解，以此规避数学运算爆炸式增长的复杂度。即便如此，亚马逊仍然选择主动制订计划，而不是把优化问题交给市场的价格信号去处理。亚马逊的工程师会将复杂问题拆解为若干小块，或是简化问题，或是采用其他方式，让计算机能在数秒内完成运算，而不用耗费亿万年时间。亚马逊追求的是问题可解性，其目标是让难题变得能够应对，而非追求绝对精准的求解结果。

我们再看看以最低成本配送订单的问题，也就是为每天的订单找到最低成本的配送方案，即便是精确回答这个看似简单的问题，其复杂度也可能迅速失控。在一天内成千上万乃至以百万计的订单中，并不存在一种放之四海皆准的最佳配送方式，因为每一个订单的成本都与其他所有订单紧密关联。从优比速(UPS)位于肯塔基州路易斯维尔的“世界港”枢纽飞往凤凰城的航班会不会满载?同街区邻居下单的电动牙刷是否需要快件加急，还是可以和你订的书合并，次日一同派送?倘若不仅要考虑亚马逊自身所能控制的所有可能替代路线，还要考虑恶劣天气等随机事件的可能性，尝试预测次日的订单，那么复杂度还会进一步攀升。这个“订单分配”优化问题包含数以亿计的变量，没有简单的解法。这是一个复杂度极高的问题，甚至连能兼顾各个影响因素的近似求解方案都没有。

尽管面临这些难题，亚马逊内部的计划流程并未崩溃。即便它或许依赖于恶劣的工作条件、低税低薪的经营方式，但这套体系却仍在正常运作。资本主义制度下，个体企业所面临的计划问题确实拥有近似的、“尚可”的解决方案。正如本书一再强调的那样，计划在企业这个“黑箱”内部广泛存在——即便它只是“尚可”而非完美无缺。

诀窍就在这里：找出尽可能最优、哪怕只是局部适用的近似解。亚马逊的建模人员会将棘手复杂的问题化繁为简，搭建各类计划方案，这种计划不会无休无止地投入时间，也不会覆盖每一步可能发生的随机事件，而只求起码能够运行。这意味着要在现实的时间框架内、利用现有算力，尽可能逼近计划问题的答案。当无法用一个“元算法”来机械地找出最逼近原问题的算法时，创造力便有了用武之地。

随着计算能力的提升和数学科学的进步，我们对优化问题的求解也在不断精进。计划层面的诉求并非追求百分之百精准，而是充分利用现有算力，把最优解推进到80%或95%的水准。别忘了，市场本身也远非百分之百精确，价格始终在波动，经济也始终在调整，绝没有经济学入门教材里描绘的那种均衡幻象，也未曾触及“我们想要的”与“生产出来的”之间的完美适配。

混沌中的结构

将亚马逊描述为一台庞大的计划机器，似乎与它作为“新经济”颠覆者形象格格不入。早在硅谷成为全球资本主义的中心之前，计划就早已被巧妙地隐藏在竞争的门面之后。而如今，这层门面变得更加华丽：你所能看到的只是一个网站，然后是送到家门口的包裹。然而在幕后，亚马逊呈现出的景象，却是形形色色的商品在仓库、供应商和最终目的地之间飞速流转，场面全然一片混沌。事实上，亚马逊擅长的正是这种高度可控的混沌。其中最典型的两个例子，便是仓库内采用的“混沌储存(chaotic storage)”系统，以及网页后台持续运转的商品推荐系统，后者会向你推送可能感兴趣的书籍、园艺工具等商品。

亚马逊的商品推荐系统是公司快速崛起的核心支柱。这个系统驱动着那些通常有用(尽管有时也令人发笑——“经常一起购买：棒球棒+黑色巴拉克拉瓦面罩”)的商品出现在网站“购买此商品的顾客也购买了……”的板块中。推荐系统解决了一些长久以来计划行为伴随的信息难题。对于那些梦想在满足消费者需求的同时也能实现计划经济的构想者而言，这是一项至关重要的创新，而满足消费者需求历来是斯大林式体制的痼疾。个人品位与观点中的无序被浓缩成了可用的东西。一个由最五花八门的评分与评论——总是片面的且常常相互矛盾——所构成的浩瀚宇宙，只要解析得当，就能提供极其有用且有利可图的信息。

亚马逊还采用了一套名为“物物协同过滤”的系统。这是这家公司在研发推荐算法时取得的突破性进展，亚马逊由此规避了早期其他推荐引擎普遍存在的缺陷。这套系统并不会去寻找用户群体之间的相似之处：在录入以百万计的用户画像以后，基于用户的推荐机制就会变得运行迟缓，还常会把实际喜好天差地别的用户判定为偏好重合(例如同样购买热门畅销书的潮流青年与婴儿潮一代人)。亚马逊也不会将用户划分成各类客群，这种做法往往会忽略个人喜好的复杂性，最终导致推荐内容过度简化。除此之外，亚马逊的推荐逻辑也不依靠浅显的相似特征，以图书为例，不会单纯依据关键词、作者或是图书品类做推荐。

相反，亚马逊的推荐算法基于人们的行为来寻找商品之间的关联。例如，一本自行车维修手册可能会和一套特定的自行车专用内六角扳手被频繁地一起购买，而两者却没有搭配起来营销的先例。这两样东西可能并没有非常明显的关联，但只要有一些人会一并购买或浏览，那便足矣。通过整合数百万次这样的人与物之间的互动，亚马逊的算法便绘制出了一张其商品目录的虚拟图谱，这张图谱能很好地适应新信息，甚至与那些试图匹配相似用户或寻找抽象相似性的、更笨拙的推荐系统相比，它还能节省宝贵的算力资源。

IBM的研究人员如此描述亚马逊的推荐系统：“协同过滤会参考其他用户的行为，依托群体信息，向用户推送和其喜好相近人群青睐的商品。”哈耶克曾在20世纪30年代的经济核算论战中批判社会主义阵营，提出唯有市场才能汇总并运用散布在社会各处的碎片化信息，而协同过滤这类信息技术工具，恰恰从技术层面给出了反驳这一观点的答案。大数据时代正在推翻哈耶克的论断。如今这套人为计划搭建的信息技术体系，能够从每个人的需求与偏好中提炼出 “群体知识”，也就是群体内部或群体间交互才会生成的集体智慧、共享信息。而且亚马逊追踪的远不止市场交易。除了你买了什么，公司还收集你浏览过什么、你在商品之间走过的路径、你在每个浏览商品页面上停留了多久、你把什么放进了购物车后来又移了出去等等，不一而足。

哈耶克无法预见到，今天在市场交易之外能够存储和处理如此海量的数据(公平地说，即便是许多马克思主义者也一直认为，特别是与流行消费品相关的那些变幻莫测的变量之多，本身就已排除了将其社会化的可能性)。不过倘若哈耶克看到贝佐斯这类掌控海量数据、借此积累巨额财富的资本家，想必也会心生赞许。讽刺的是，大数据这一孕育和发现如此多新知识的源泉，有朝一日竟可能促成哈耶克认为只有市场才能做到的事情。

实际上，从一套成熟的商品推荐系统，到亚马逊申请的“预判发货”专利，二者之间并没有什么难以跨越的技术鸿沟。它具备切实落地的可行性，绝非硅谷那种TED演讲一样的夸夸其谈，也不是科技媒体一味吹捧的空中楼阁。这种近乎预知顾客需求、看似充满玄学色彩的配送模式之所以能够运转，依靠的并非心理操控、潜意识广告技巧或是读心般的暗示，而是一种十分平实的技术手段：需求预估。依托海量记录用户与商品关联的数据集，亚马逊如今能精准测算各类商品的市场需求，精细程度在过去完全无法想象，且这套机制已经取得了显著成效。

对平等主义者而言，更根本的问题在于：谁的需求才算数，以及算得了多少。在资本主义制度下实行的是“一美元一票”：钱包越鼓的人，对社会生产什么的影响力就越大——仅仅是因为他们拥有大得多的购买力。于是我们便搞出了几艘超级游艇，而不是人人均有的充足住房。在各类消费品的生产与分配时，情况大体亦然。

在我们这个不合理的体系中，产品推荐的最终目的无非是为亚马逊驱动销售、创造利润。数据科学家发现，真正提升亚马逊销量的并非那些数量庞大但影响甚微的用户评论，而正是商品推荐系统本身。推荐系统既能带动冷门小众商品的成交——这类商品信息很难被用户主动发掘，有时一条推荐就足以改变消费者选择，同时也能助推浏览页面反复出现的爆款热销品。

把视角从亚马逊的企业利益拉高一层来看，推荐系统本质上是一套管理、整合大规模社会劳动的工具。我们绝大多数人都无偿投入时间与精力，为商品撰写评价、给出星级评分，或是只是漫无目的地在亚马逊及其他科技平台浏览，并不奢求任何回报。这类劳动最终会惠及包括我们自己在内的所有人。我们每天可能都会反复进行一些无酬劳动，小到给 Skype 通话音质打分，大到在脸书、推特发布帖子、评论、分享链接，还有能切实影响他人生活的评价，比如给优步司机的服务“质量”打分。在资本主义制度下，多数人的社会劳动被转化为少数人的利润：过滤或许是“协同”的，但它所服务的利益却是竞争的、高度私有的资本利益。

迷失在亚马逊的工人

我们中的许多人最终都在用空闲时间从事着那种使亚马逊得以完善其推荐系统的社会劳动，而亚马逊的仓库则依靠付薪劳动来运转，这些工人没有工会组织，常常在骇人恶劣的，受大数据支配的条件下工作。在具体了解这类工作的内容前，我们可以先浏览一下他们的工作场所。亚马逊配送网络的枢纽是其仓库，公司称之为“履约中心(fulfillment centers)”。这些仓库通常占据相当于数个足球场大小的楼面面积，当中塞满了货架单元。在亚马逊采用的“混沌存储”的独特组织形式下，商品实际上并无条理：没有专门的图书区，更没有推理小说子类。所有东西都混杂在一起。你可能会发现一本童书与一件性玩具共处一箱或同一货架，鱼子酱紧挨着狗粮。

完备高效的计划机制，让亚马逊省去仓库里多余的规整分类工作。每件进入履约中心的商品都会被分配一个唯一条形码。进入仓库后，商品会被放入货箱，每个货箱也都有一个唯一编码。亚马逊的软件系统会追踪商品与储物箱在仓库内的流转位置，随时精准掌握某件商品存放于哪个箱子、箱子又处在仓库何处。由于商品总能被轻松找到，供应商的货物可以在方便的位置卸货，不再需要耗费心力地反复分类、规整。

亚马逊的混沌存储，其实可以看作自由市场体系的一个隐喻：乍看之下，混沌似乎自行生出了秩序。订单和包裹在系统中飞速流转，顾客拿到了他们想要的东西。但和自由市场一样，仔细深究就会发现，每一个环节背后都密布着人为设计的周密计划。高度精密的信息技术系统梳理着混沌储存的货品，追踪每一件商品从进入仓库到离开仓库的整个过程，确保一切以一种近乎超自然的方式各就各位。一切都井井有条、协调一致、计划周全，而在作出这数十亿项分配决策的过程中，唯独不见市场的踪影。

计划管控同样渗透在仓库工人日常工作的细微之处。手持扫码设备会指引工人前往对应货架拣选订单商品，工人如同机器的附属部件，系统精确规划货架间的行进路线，还规定好每段路程的标准耗时。英国广播公司一名卧底体验工作的记者这样描述这份工作：“我们就是机器、就是机器人，手里握着扫码设备，这设备基本上是直接接在了我们身上。”参与这项 BBC 调查的一名英国职场压力领域权威研究者表示，亚马逊仓库的工作条件对工人的身心健康构成了严重风险。

在21世纪10年代初，亚马逊高层运营管理人员判定旗下仓库运营效率仍有很大提升空间，于是着手寻求更优解决方案。2012 年亚马逊收购机器人企业基瓦系统公司，此后便开始利用机器人驱动货架系统运转。升级后的亚马逊履约中心自动化程度更高，其特点是货架在场地中移动，而人则站在原地——这与传统仓库的景象截然相反。扁平的、形似扫地机器人的机器沿着指定的路径在仓库地板上穿梭。它们能将整个货架单元稍稍抬离地面，沿着轨道将其运送到拣货位。拣货位是划定的小片区域，分拣工人固定站在此处，在往返不断的货架抵达后，从储物箱中取出商品放入对应的订单收纳箱中。

这台机器履行着将正确的物品送至正确的人手中的使命，而其所产生的社会、生理和精神的代价，最终却全都落在那让其得以运转的工人身上——无论是被手持扫描仪引导着在迷宫般的货架间穿行，还是站在原地，在机器人来回穿梭中分拣订单，概莫能外。《连线》杂志的拥趸们却对这部二十一世纪《摩登时代》中卓别林们被驯服的景象满怀敬仰：“包装站是一片活动与算法的漩涡，算法检验着人类的耐受能力。”

更具批判性的报道对亚马逊则没那么客气，而是深入地揭露了这些“耐力检验”究竟意味着什么。2011年，宾夕法尼亚州利哈伊谷的地方报纸《晨报》调查了其附近的亚马逊履约中心。工人们表示，他们经常面临不可能达成的指标、令人虚脱的高温，以及持续不断的解雇威胁。高温时节，亚马逊还在仓库外配备了护理人员来救治中暑的工人——这对其而言不过是一种廉价敷衍的权宜之计，也清楚地表明了它对健康与安全的轻视。显然，人道的劳动条件并不在其算法的优化考量之列。直到此事在全国媒体上发酵，损害了亚马逊主打科技创新、受众多为自由派群体的品牌形象，亚马逊才开始为部分仓库加装空调。实际上《晨报》报道里受访的二十名工人中，仅有一人认为亚马逊是份不错的工作。

接受媒体采访的亚马逊工人均表示，长期活在监控带来的持续高压之下。拣货、打包动作稍有迟缓，或是上厕所耗时稍久，都会被记过失分，累积到一定分值就会遭到辞退。很快，这种持续被监视的感觉将变得更加切肤：2018年2月，亚马逊为一款腕带申请了专利，该腕带能实时监测仓库工人的每一个手部动作。亚马逊不仅让工人与时间赛跑，还让他们互相竞争。仓库用工分为外包临时工与亚马逊直签正式工两类，正式岗位名额稀少，但能提供基础保障、略高的薪资以及一定的福利，它们像胡萝卜一样悬在临时工面前，鼓励竞争和过度工作，进一步营造出一种充满不确定性和恐惧的氛围。

借助机器人，采用基瓦自动化设备的仓库处理一单订单的平均耗时从九十分钟骤降至十五分钟。但工作环境却没有丝毫改善：劳动依旧枯燥耗神，仓库依旧闷热，无论自动化程度高低，作业节奏都快得离谱。自动化仓库里的工人整日站立，拼命跟上往来穿梭的机器人，非自动化仓库的工人每日当班的步行里程则几乎达到一名普通邮差的两倍。就连休息室的距离这种小事都成了负担，往返一趟往往就要耗掉大半段休息时间。

工时漫长、薪资微薄是亚马逊仓库的常态，而那些收入相对较高的白领工人也同样面临着令人窒息的工作环境。2015年《纽约时报》的一篇调查报道揭露了其中过度劳动和“有目的的达尔文主义”氛围，逼得许多员工身心双双透支。即便精密的计划是亚马逊的看家本领，它也是在一种残酷竞争的统治性意识形态框架内实施的——这种意识形态以不同的方式摧残着蓝领和白领工人。换句话说，亚马逊所做的，恰恰是马克思在《共产党宣言》中一段不太为人所引用的文字里所描述的：“资产阶级除非对生产工具，从而对生产关系，从而对全部社会关系不断地进行革命，否则就不能生存下去。”我们所要做的，是将技术带来的善，从依附其上的那个摧残工人、扭曲合理计划的制度之中剥离出来。

亚马逊以外的亚马逊技术

尽管亚马逊是依托互联网崛起、具备颠覆性的新型资本主义范本，但它和过往所有企业一样，本质上是一套计划体系。简单来说，亚马逊就是一台用于商品流通的巨型计划机器，负责预判、调配、满足人们五花八门的消费需求。它由成千上万个环环相扣的优化系统集合而成，这些系统协同运作，以完成那个看似简单实则不然的任务：把商品从生产者送到消费者手中。如果踏入亚马逊的商业体系当中，我们面对的不是市场的无序，而恰恰是一套精密的计划机制——它为我们勾勒出不以逐利为核心的社会该如何统筹消费品供需，也给未来那些致力于公共利益的计划者敲响了警钟。

英国经济记者保罗·梅森在他2015年的著作《后资本主义》中提出了类似的设想，在他构想的未来中，亚马逊和其他大型面向消费者的企业所积累的数据被用来调节生产。他的愿景是，全面的计划将取代各自为政、杂乱无章的供需关系。对梅森而言，资本主义的技术终将成为我们超越现有资本体系的工具。但社会主义建设远非如此简单，亚马逊的计划并非旨在优化我们的需求和欲望的满足，也非改善工人的工作条件和生计，而是致力于实现股东利润，或者说预期利润最大化，它持续将营收投入研发、信息技术与实体基建，以此挤压竞争对手的生存空间，而这种以逐利为目的的计划模式，恰恰暴露了资本主义资源配置体系内部层层叠叠的低效问题。亚马逊工程师们所构想出的计划技术迎合的是一套扭曲的社会需求结构，其结果最终只让少数人获利，大量无偿社会性劳动被肆意消耗，劳动者也遭受压榨。一个为所有人利益服务的民主化经济，同样需要能够了解人们兴趣与需求的制度，需要借助信息技术系统进行优化，需要规划复杂的分销网络。但这些制度将呈现出不同的面貌，或许与我们今日的系统判若云泥，力求实现的目标也将今时不同往日。

在我们宣称民主计划这一难题已然解决之前，有三大挑战值得我们深思。

第一，是技术大规模可行性上的挑战。单是亚马逊的商品配送这一项任务，计划与优化就已困难重重，足见为整个经济体设计计划系统绝非易事。从亚马逊的推荐系统到谷歌的搜索引擎，驱动这一切的算法仍处于襁褓之中——它们相对简单，能做的只是近似估算，而且也容易出错。算法还会遇到系统性的问题，对更常使用共享设备购物的工人阶级和穷人，或者对非英语使用者而言，算法“解读”细微差别的能力还十分有限。故而我们既要攻占街垒，也要攻克优化问题。

第二，亚马逊和其他公司所实施的计划，在发生于企业边界之外的互动中，仍然严重依赖价格。亚马逊的生产投入都要从市场采购：从它储备的海量商品，到摆放货物的仓储货架，再到支撑数据库运转的服务器，无一例外。同时，消费者在决定是否将商品加入购物车时，也会考虑商品的相对价格。在企业边界之外，市场体系仍在继续运行。这意味着问题并不仅仅是踹开老板，重新利用现有技术，然后其他一切照旧那么简单。

企业内部确实存在脱离市场交易的计划模式，但这种计划建立在等级制之上，这对企业在市场环境中存续壮大必不可少，而民主在其间没有立锥之地。这种计划机制的诸多要素，乃至其形式和目的本身，都受制于其非民主的等级结构。一个从头建起的民主计划体系将与之大为不同。为了一览无市场世界可能的面貌，哪怕只是管中窥豹，我们不妨将亚马逊的图书版块与在线公共图书馆目录做个比较。图书馆目录同样收录海量书籍，可供检索、条目之间相互关联，但其间却完全不存在价格。我们完全可以采集远比现有图书馆目录更丰富的数据：比如人们浏览某本书的时长，阅读电子书时实际翻阅的页数，是否查询本地馆藏余量，是否愿意为了某本书排十多人的长队预约借阅，以及在在线目录中留下了哪些浏览轨迹。这个扩展版的图书馆目录足以表明，我们完全能够搭建起不依托价格机制的推荐工具，甚至是能够反映人们兴趣、诉求与真实需求的测算模型。

最后一点，亚马逊所收集、处理的大数据，恰好是能够助力我们克服大规模经济核算难题的工具——事实上全球的亚马逊们和沃尔玛们(更不用说脸书们和谷歌们)早已在这么做了——但我们必须认识到，但我们必须认清，企业与国家掌握的海量数据集固然蕴藏着极大的解放的潜力，同时也具备极强的束缚自由的能力。

沃尔玛的主要竞争对手塔吉特超市曾通过挖掘顾客个人消费行为数据，向一批尚不知情自己已怀孕的准妈妈推送纸尿裤与婴儿食品优惠活动，这件事放在如今看来，反倒显得算不上多大事。现如今，你只要在谷歌上搜一次 “睡眠不佳”，接下来好几个月里，你注册过的所有社交平台都会铺天盖地推送床垫广告。还有更阴险的：2012 年，一款名为《身边女孩》的应用短暂问世，它能够整合设备的地理位置与社交平台数据，使用者借此便可以查看到附近那些曾使用过脸书或四方打卡(Foursquare)“签到”功能的女性的各种个人信息。《每日邮报》直接将这个应用叫做“跟踪女人去吧”。科幻作家查尔斯・斯特罗斯还预想了近未来可能发生的另一种可能的数据整合方式 —— 反犹分子会不会开发出一款《身边犹太人》程序?除私营企业之外，全球各国政府也在越来越多地运用乃至滥用大数据。美国各地的警局已经开始试水所谓的“预测式警务”，尝试预判犯罪嫌疑人、受害人群、涉案人员身份以及案发地点，菲利普・K・迪克小说《少数派报告》里的所谓“预判犯罪”概念就此走进现实。

进步主义者只是庄严宣誓自己谨记彼得・帕克的叔叔本的忠告——能力越大，责任越大，而且这次我们掌权之后，做得会比东西方政府都要好——但这样做就足够了吗?

有些人想当然地声称，如果要依托大数据开展计划，我们只需要对数据做匿名化，或者说“去标识化”处理——即彻底、不可逆地清除数据里所有身份识别信息就足矣。谷歌和脸书称，它们在推送基于用户行为的定向广告时正是这么做的。医疗及各类科学实验里，人体受试者的信息都会经过去标识化处理以保护隐私，电子健康档案在交由卫生部门或科研人员使用前，姓名、出生日期、手机号、住址等患者身份标识信息也都会全部剔除。这一切看起来简单完美。但这里存在一个核心难题：越来越多计算机科学家达成共识，彻底永久的去标识化不仅在技术层面无法实现，而且从原理上来说本身就不可能做到。

究其原因，无论你对数据集的匿名化处理做得多么严密，未来总有可能将这份数据集与另一套公开(或泄露)的数据集交叉比对，从而重新定位到具体个人。科幻作家、数字权利活动家科里・多克托罗曾在私人通信中向我们解释过该过程的运作原理：

试想英国国家医疗服务体系(NHS)把收集的处方数据(包含开方医生、购药时间与地点等等)在简单抹掉患者姓名以后悉数公开。再假设优步或伦敦交通局发生数据泄露，大量出行记录被曝光。如果将出行轨迹与处方信息交叉比对，那你大概率能从这份经过“匿名化”处理的医疗服务体系数据里还原出大量人员的真实身份…… 亚马逊这类企业存储的数据库，藏着足以毁掉数百万人个人生活的信息：从情趣用品、治真菌的药膏，到讲述社会主义、无神论的书籍，再到疝气托带，各类记录一应俱全。一旦这份数据库被公之于众，将会引发波及甚广、后果深重的灾难，我们绝不能对此轻描淡写、敷衍了事。

数据泄密隐患并非只存在于科幻小说之中。2017 年，热门运动轨迹记录应用 Strava 对外发布了约 13 万亿个用户 GPS 定位点，也就是其打造的“全球热力图”。这份经过去标识化处理的公开数据集，囊括 7 亿次骑行、跑步、慢跑与游泳记录，总计 1.4 万亿组经纬度坐标，用户累计运动里程达 160 亿公里，折算总活动时长相当于 10 万年。公司对此引以为傲，称其为 “同类数据集中体量最大、信息维度最丰富、可视化效果最出色的一份素材，完整呈现了全球运动爱好者两年间留存的轨迹数据”。几个月后，澳大利亚战略政策研究所(一家防务领域智库)的分析师内森·鲁瑟在推特上指出，由于有的士兵、水手和飞行员同样有使用Strava、穿戴运动追踪装备的用户，他们留下的运动轨迹让这份公开数据无意间暴露了美国、俄罗斯、澳大利亚、土耳其多处军事基地的精确坐标，轮廓清晰可辨、能够直接绘制出地图，而其中不少基地在此之前始终对外保密。热力图还暴露了阿富汗赫尔曼德省前沿作战基地的完整活动轨迹，任何人都可以在其上一览无余。鲁泽甚至在南极区域发现了几处 GPS 点位，它们匹配不上任何已知的科考站点，他半开玩笑地发问：“这里会不会藏着一处秘密基地?”

我们能够跨越“资本监控体制”与“国家监控体制”?像亚马逊这样的大型商品分销商，或者像脸书这样的社交网络，能否被建设成一个非营利的国际合作社，由一个独立于市场和国家之外的社会进行民主控制?

我们承认这些问题确实棘手，其答案也尚付阙如。但我们都有必要开始思考它们究竟可能是什么。

如今我们不能再停留于抽象的理论构建，而是亟须拿出可行的方案，推动全球治理、经济与计划的民主化，这种方案需要广泛地涵盖地理位置采集、社交平台、搜索引擎、数据挖掘、机器学习、泛在计算等相关领域。核心症结在于：因为事实就是：大数据的滥用已是纸包不住火，企业的全方位监控与政府的全方位监控，已然同在耳目之前。我们需要第三种选项——一种超越政府与市场的二分之上的选项。