理解项飙三问：算法中的劳动者，劳动者的“算法”

zhixun

BY 腾讯研究院 2021-03-03 19:29

本文来自微信公众号：腾讯研究院（ID：cyberlawrc），作者：庄家炽（中央财经大学社会与心理学院社会学系讲师），题图来自视觉中国

2020年9月，《人物》发表的一篇文章《外卖骑手，困在系统里》在互联网引发广泛讨论，舆论矛头直指外卖平台公司的系统和算法。文章中指出，在机器算法的压力下，外卖骑手受到派送时间被不断压缩、送餐高峰时期被指定逆行路线、超时罚款等问题的困扰。

1月9日，人类学家项飙在腾讯科技向善暨数字未来大会上发表了题为《从“社会人”到“系统人”》的发言，并提出了三个问题（编者注：点击《项飙的三个问题》查看项飙发言全文），其中的第二个问题就是系统与劳动的关系。本文试图接续项飙的这一问题，并试图探讨：这个“系统”到底是什么？为什么会对劳动者产生如此大的影响？系统对劳动者的影响还有没有另外一种可能？

算法与系统

这里的“算法”指的其实是机器学习算法，即计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的过程。算法需要以数据结构为基础。机器学习算法在大数据的基础上确立算法，通过不断优化算法，提升处理数据的能力。而算法优化的过程，则是不断犯有益的错误的过程，即以明确、简单又有效的新算法淘汰和过滤旧算法。

现在，算法已经成为许多数字平台的核心资产。许多数字平台会追踪用户的喜好和点击的内容，将这些用户偏好集中起来之后，向同样具有这类偏好特征的用户做出所谓的“个性化定制”推送。譬如，美国网飞（Netflix）公司运用算法生成数据驱动型的推荐结果，向我们介绍我们可能会感兴趣的电影，脸书是推荐我们可能认识的人，而网购平台是推销我们可能想买的东西——这些都来自平台对客户行为数据的跟踪和记录[1]。

这里所说的系统其实是工人管理系统，是一系列关于劳动者、劳动对象、劳动工具、劳动环境以及产品的制度设计，平台经济工人管理系统最大的特点就是将机器学习算法引进了这套管理系统。

被算法规制的劳动者

问题在于，机器学习算法进入工人管理系统之后对工人会产生何种影响？

首先，工人生产劳动产品的过程也是生产劳动数据的过程。以优步公司为例，公司会通过智能手机记录司机的一系列个人数据，包括评分、接单率、拒单率、在线时长、行程次数，甚至是平均手机震动时间等各种数据。

其次，平台会根据这些数据（当然还有用户的数据）对工人的劳动过程进行学习，然后模拟出一个“科学”的工作流程，其中包括完成工作的规范动作，正确流程及标准时间。

最后，平台会以这个“科学”的工作流程为模板反过来要求工人。所以我们发现，网约车司机在你上车之后都会例行跟你说一句“请系好安全带”，哪怕你早已经系好安全带；外卖行业中，“2016年，3公里送餐距离的最长时限是1小时，2017年，变成了45分钟，2018年，又缩短了7分钟……”[2]。

算法进入工人管理系统看似是一个新现象，新潮流，但是其本质依然是一种科学管理的思想，这种思想并不新鲜，早在一百前就已经诞生。科学管理的集大成者是泰勒，因此又被称为“泰勒制”。泰勒制有如下几个特征：

首先，这是一种管理别人的工作的科学，而不是一种工作科学，其所要解答的是：如何最好地管理与规划工人的劳动过程。第二个特征是它的关于控制的观念。在此之前，管理的控制一般是一些外部的监督。但是泰勒把控制提高到一个完全新的水平，直接深入到工人具体的劳动过程中，甚至是他们劳动过程的每一个动作中。他主张给工人规定完成工作的一套精密方法，并认为这是充分的管理所绝对必需的[3]。

泰勒的思想迅速被运用到各个领域，其中最有名的就是生铁搬运的例子。泰勒所在的钢铁公司有一个生铁搬运小组，每人每天装货约12.5吨。泰勒通过工时和动作研究，把工作分成极小的基本动作逐项论证，对工人的负荷、时间、动作进行精密的设计，以科学的方法合理安排工作程序、技术办法以及劳动速度，减少不必要的消耗，省略多余的动作，节约工人的劳动，最后计算出（而不是根据经验估计出）每个生铁搬运工每天能够搬运的定额为47～48吨。然后，他挑选了一位人称“施密特”的工人，让他严格按照管理人员的指示进行工作，由一名拿着秒表的管理者掌握施密特工作中的动作、程序和间隔休息时间。这样，施密特在一天之内完成了47.5吨生铁的搬运工作。

因此，机器学习算法和工人管理系统的结合本质上是科学管理思想的技术升级，只是用机器学习的方法取代管理者对工人劳动过程的管理和规划，其精神内核并没有改变：管理者负责设计工作流程，工人只负责执行，不需要知其然，更不需要知其所以然。即概念和执行的分离，工作的设计权上移管理层，工人只需要负责执行。也就是计算的最大化，算计（工人自主性）的最小化[4]。

在此情况下，工人无法控制他直接的劳动过程，无法感到自身在整体组织运转中的角色与地位，无法感到对组织社区的归属，无法感到劳动本身是自身的一种表达。工人因而很容易产生无力感 （powerlessness）、无意义感（meaninglessness）、隔离（Isolation）和自我疏远（self-estrangement）的感觉。所以，泰勒制在使生产率大幅度提高是以工人的高度工具化为代价，这也使工人的劳动变得异常紧张、单调和劳累，因而引起了工人们的强烈不满，并导致工人的怠工、罢工以及劳资关系日益紧张等事件的出现。

不仅如此，一个旨在提升工人生产效率的照明试验中，研究人员发现，“当实验组照明度增大时，实验组和控制组都增产；当实验组照明度减弱时，两组依然都增产”[5]。最后，研究人员发现这种产生效率的提升主要来自于参加实验的荣誉感和工厂中良好的社会关系。这个实验就是享誉世界的霍桑实验，而这个试验之所以具有如此重要的影响力，是因为它扭转了当时将人过度工具化的趋势，重新把“社会人”带回了人们的视野。可以说，生产效率的提升和劳动者的主观感受和主观能动性并不矛盾，甚至是提升生产效率的一种重要手段。

劳动者自身的算法

机器学习算法基于大数据的算法优化过程看似有着一种天然的客观性与中立性，但现实是它不是中立的，而是体现了管理者的价值观，甚至是一些属于全社会的潜在偏见。换言之，对于系统应该怎么去用，怎么改进，更多的是管理层和用户（消费者）的声音，工人只负责执行不负责设计，只提供数据不提供意见。

那么，有没有另一种可能，在系统的框架下能否给工人以一定的自主性？

本人博士论文的田野是在北京的某快递公司做的，2016年7月到10月，我以参与式观察的方式调查了快递工人的劳动过程，跟他们同吃同住同劳动。在调查过程中，我发现快递公司也设计了一套严密的信息系统来监管快递工人的劳动过程，包括规范化的操作、严密的信息监控、严格的时效要求及明确的奖惩制度。举个例子，快递一般分为早班件和午班件，早班件需要在下午两点前派送完毕，午班件需要在晚上八点之前派送完毕。这个时间以快递工人在系统中录入的派送时间为准，超时要罚款，提前签收，即还未派送出去的快递在系统里录入签收也要罚款。

但是，在跟着快递工人一起派送快递的过程中，我却发现劳动者在劳动过程中有着自己的一套“算法”。在劳动者的“算法”中，一些“违规”操作对于按时按量地完成工作来说几乎是必不可少的。因为在派送快递的过程中，随时随地存在着各种突发情况，最常见的就是联系不上收件人。如果要按规定处理这种突发情况，快递工人要花费大量的时间，结果就是耽误了其他快递的派送，用他们的话来说就是“我一天啥也不用干了”。所以很多人会选择提前签收，将这些快递放门卫等处寄存或者等晚上再将这些快递派送出去。但如果客户发现自己明明没有收到快递，但是系统中却显示快递已经签收，那么他可以在系统里进行申诉。这时候快递工人的这种违规行为就被发现了，并需要面临相应的处罚。

由此可见，这个系统是严密的，既能制定规则，也能快速地发现违规的行为。但是在调查过程中我发现，这个严密的系统给工人留了一个出口——申述撤销制度。快递员可以通过事后的补救措施来避免公司规章制度对他们的“违规”行为的处罚，但是这种事后的补救措施必须通过申诉人，也就是消费者才能实现。这个“缺口”看上去像是制度设计上的一种“自我矛盾”。比如，明令禁止虚假签收，一经发现就对快递工人处罚700元。但是一旦这种情况真的发现，快递公司却是先让快递工人去跟收件人解释情况，让消费者撤诉。

这个制度不仅保留了劳动者在劳动过程中一定程度的自主性，提升了他们对工作过程的控制感，而且还能引导他们有意识地融入社区。因为快递工人和客户相识之后，不仅他们能对对方的行为有比较稳定的预期，而且在快递员派送快递中真的遇到困难时，客户也一般更愿意通融。此外，这些有过交往经历的收件客户也更可能成为发件的客户。所以，对公司来说，在系统中给快递工人留出一定程度的自主性未必不是一件好事。

算法的逻辑是科学管理的逻辑，这时候的劳动者工具属性比较强，很少需要考虑他们的主观感受、社会关系。但现实生活的劳动者首先是一个社会人，自有其一套生存哲学和劳动逻辑。因此，正如项飙老师所说的，在系统设计过程当中，其实需要考虑很多微观内容，包括怎样去精确化劳动的精准性，怎样去捕捉劳动最后有没有形成效果，怎样能够把劳动者本身的主观意识也作为一个数据进行反馈。这些皆是系统设计者应该仔细考虑的问题。

人工智能和机器人领域有个著名的莫拉维克悖论，即“让计算机在智力测试或者下棋中展现出一个成年人的水平是相对容易的，但是要让计算机拥有犹如一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。”

几十年来，机器人和人工智能虽然在智力上已经达到了很高的境界，但依旧难以拥有看似简单的与物理世界交互的能力。和机器相比，人类拥有巨大的灵活性优势。从这个角度看来，在算法系统中一味追求科学、理性，并以此剪裁现实的生活世界和劳动情境，难免有缘木求鱼、南辕北辙之憾。

参考文献：

[1]Rosenblat A.Uberland: How Algorithms Are Rewriting the Rules of Work[M].2018.

[2]赖祐萱.外卖骑手，困在系统里[N].人物.

[3]哈里·布雷弗曼.劳动与垄断资本[M].商务印书馆,1979.

[4]项飙.项飙的三个问题[N].腾讯研究院.

[5]张康之,齐明山.一般管理学原理[M].中国人民大学出版社,2010.


本文来自微信公众号：腾讯研究院（ID：cyberlawrc），作者：庄家炽