Ariel Procaccia教授特邀讲座：Generative Social Choice

这场讲座探讨的问题，听起来很学术，

其实和每个人都息息相关：

当一群人意见相左时，我们习惯用投票决定。

但传统投票的困境在于：

选项是给定的，而最优方案可能不在其中。

大家投出的，只能是“矮子里拔将军”。

Procaccia 教授的关注点正在于此：

如果借助AI生成更能代表民意的方案，

再从中形成更优的集体决策，

我们能否更有效地推进共识？
这正是“生成式社会选择”试图回答的核心问题。

教授以“英国脱欧”为例：

公众的真实立场往往是一整条光谱，

从完全脱欧到维持现状，中间存在许多层次。

（如名义脱欧但保留很多经济联系等）

若投票时只有“脱欧/不脱欧”两个选项，

那么制度就只能表达最粗糙的两端，

许多真实诉求便被压扁了。

这也发生在日常集体决策中。

比如改造学校食堂，学生诉求多元。

（如延长营业时间、增加窗口、降低价格……）

若只让在“涨价提质”和“维持现状”中二选一，

其政策结果往往会失真。

联系到传统“社会选择理论”，

尽管该理论旨在研究“如何公平展现民意”，

但它往往默认：选项已经给定了。

而今天很多复杂社会问题的难点恰恰在于：

真正好的选项，可能需要先“被创造出来”。

大模型的强项，是基于已有内容生成新内容。

比如综合多方意见，形成更平衡的政策表述。

那么能否让AI从众人的原始意见出发，

生成若干条有代表性的方案？

这正是“生成式社会选择”的基本方向。

注意，这不是“让AI随便总结”，

而是在一个严格、可检验的框架里做两件事：

（1）生成候选陈述；

（2）判断陈述是否真正代表不同人群的意见。

生成的内容要在理论上站得住脚，

能证明确实有代表性，而不只是“看起来像”。

这正是要解决的核心挑战。

如果只让AI总结，容易出现两个问题：

一是说得比较空泛，貌似沾边但不尽人意；

二是只照顾多数人，忽略少数群体意见。

为此，教授提出新标准：“平衡正当代表性”。

这个名字听着拗口，意思却很直白：

如果有一群人数可观且观点相近的人，

最能代表他们立场的关键陈述却被遗漏了，

那这个结果就不够“平衡正当”。

从数量关系看，

假设有 n 个人参与，要选出 k 条陈述。

若存在这样一群人， 

 那么 k 条陈述就未达到“平衡正当代表性”： 

 他们至少有 n/k 人， 

 且对某条已选陈述的满意度为 α， 

 但还有另一条未选陈述能让满意度都高于 α。

可以把它理解成：

把“民主决策”和“生成式AI”结合起来的方法。

传统社会选择更像是在做：

给定菜单，统计偏好，选出结果。

而生成式社会选择想做的是：

先收集很多人的真实意见，

再用AI生成更有代表性的说法或方案，

然后用一套公平原则筛选，

确保不是只照顾声音最大的那群人。

换句话说，它想解决的不只是“选哪个”，

而是连“候选内容本身”一起优化。

按讲座介绍，大致可以理解为如下流程：

“生成式社会选择”的意义在于：

它试图把提出候选方案这一步，

也纳入公平和民主的研究框架中。

这比传统投票更进一步。

这套方法可应用在很多现实场景里：

如面对城市规划、教育改革等复杂议题，

模型可将意见梳理成更有代表性的政策表述。

然而，教授也提到了现有大模型的局限：

如大模型上下文窗口有限，

如“代表性”不是非黑即白，很难精确评估，

如应用到真实议题，需考虑情绪、语境等因素。

总而言之，这个方向很有前景，

但距离成熟应用还有不少基础工作要做。