第四部分 · 新战场：数据、算法与规模

当探测变得免费：大规模监控与隐私

上一课的攻防还在「盯住一个目标」的量级里较劲。可当探测的单价跌到近乎为零，一件事悄悄翻转了：既然看谁都不要钱，那就谁都看、事后再筛。这一课我们把第 03 课那笔基率的账，放到一亿人的尺度上重新算一遍——你会看到它算出一个吓人、且无法靠更好的技术抹掉的结论。

钩子：当看一个人不要钱，逻辑就翻转了

先讲一个成本的故事。冷战年代，要持续监视一个人是一桩昂贵的工程：得排出轮班的盯梢小组、租下对街的房间、冲洗一卷卷胶卷、雇人逐字誊写窃听录音。东德的斯塔西 (Stasi) 把这件事做到了极致——靠着几十万正式与非正式的线人，去盯住一个国家。它之所以令人窒息，恰恰因为监控贵：为了看住所有人，它不得不把社会的相当一部分变成监视机器本身。贵，是有代价的；而代价，构成了某种自然的节制。

现在把单价归零。一台摄像头一秒钟能比对上百万张脸；一次数据聚合能把你散落在几十个平台的消费、位置、社交、出行记录拼成一份完整的画像；一个模型能同时给上千万人打「风险分」，不知疲倦，不要加班费。「看一个人」的边际成本，从一支盯梢小组，跌到了几乎为零。这不是量的变化，是质的变化——它让一件过去不可能的事，第一次变得可行：不必再挑目标。

请盯住这个顺序的翻转——它是本课全部麻烦的根源。定向监视里，怀疑在前，观看在后；那个「为什么怀疑他」的先验，既是效率的来源（第 03 课已证），也是一道要向谁交代的门槛。而大规模监控把顺序倒过来：先观看，后怀疑——先把每个人都收进网里，再让算法从这片汪洋里「捞」出目标。听起来更强大：不放过任何人。可正是这个「捞」的动作，把我们直接推回第 03 课那个还没清算完的账本——只不过这次，汪洋的尺度是一个国家。

本课的硬核：基率谬误，在人口尺度上引爆

请把第 03 课那条铁律取回来：报警的可信度 = 命中 /（命中 + 虚警）；目标越稀有，分母被虚警灌得越满，报警越不可信。当时我们只在一万人里演算它。现在，把同一台传感器架到一亿人头上，去猎捕一个极稀有的目标——比如，在一亿人里，真正的危险分子只有 100 个（基率 100 / 100,000,000 = 百万分之一）。再给这台分类器一个听起来近乎完美的准确率：99.9%（真目标 99.9% 抓得到；无辜者只有 0.1% 会被误报）。

算两笔账，和第 03 课一模一样，只是把 N 换成一亿：

读一遍这个数字。报警里，每 1000 次，只有大约 1 次是真的。换个更刺痛的说法：为了抓到那 100 个真目标，系统点名了十万个无辜者——每抓对 1 个，牵连约 1000 个。而这台分类器的准确率是 99.9%，它没坏、没撒谎，那个数字货真价实。出问题的不是技术，是规模 × 稀有这对组合本身的数学后果。

这里要格外小心一个偷换概念，它是为大规模监控辩护时最常见的说法：「可我们准确率有 99.9% 啊，误伤率只有千分之一，很低了。」——注意，「千分之一的误报率」和「十万个被误报的人」是同一件事的两种说法，而后者才是真实世界里那十万个要被盘查、被约谈、被列入名单的活人。率(rate)很小，不代表数(count)很小。当分母是一个国家，再小的率乘上去，都是一座城市的人。规模，把「可以忽略不计的误差」放大成了「无法忽视的伤害」。

代价一：误报不是抽象的数字，是被点名的人

上面那十万个虚警，不是电子表格里的一个格子。每一个，都是一个突然发现自己上了某份名单的普通人。后果是具体而沉重的：出行时被反复拦下二次安检;贷款或求职时莫名其妙被拒，却查不到原因;因为一次算法误判被列入禁飞名单，申诉无门——因为你甚至不被告知自己在名单上，也不知道凭什么。在「先观看、后怀疑」的逻辑下，举证责任被悄悄倒置了：不再是系统要证明你可疑，而是你要自证清白——去反驳一个你看不见、也无法质询的算法。

更麻烦的是，虚警会自我固化。一次误判进了某个数据库，就可能被下游的另一个系统当作「既往记录」读取，喂进下一个模型，滚成一份越来越「可疑」的画像。第 08 课讲过「多源融合」是侦查方的王牌——可当融合的其中一源本身就是错的，融合就成了把一个错误洗成多方印证的机器。稀有目标的虚警，在人口尺度上不只是多，而且粘——它会附着在一个无辜者身上，很难甩掉。

代价二：寒蝉效应——「知道自己可能被看」本身就改变你

第 10 课我们讲过一个反转：反侦察的最高境界有时不是藏，而是故意被看见——警戒色、武力展示、核威慑，都是靠「让你知道我在看/我能打」来改变你的行为。大规模监控，把这套「可见性的威慑」反过来，压在了普通公民身上。它甚至不需要真的时时看你——只要你知道自己可能随时被看，就够了。

这就是寒蝉效应 (chilling effect)：一个自觉可能被观察的人，会先一步收敛自己——少搜索敏感的话题，少去参加有争议的集会，群里少说几句出格的话，把某些念头咽回去。哲学家边沁设想过一座全景监狱 (Panopticon)：牢房环形排列，中央一座看守塔，囚犯永远看不清塔里此刻有没有人在看——但正因为可能随时被看，他们最终会自己监视自己，无需真有人看守。福柯把它提炼成一句冷峻的话：最高效的权力，是让被管束者内化那道凝视，自己完成规训。

代价三：权力的不对称，与「我没什么好藏的」

大规模监控还带来一种结构性的不对称：看的人和被看的人，权力天差地别。看的一方(国家机器、大平台)能看见你的一切，你却几乎看不见它——看不见它收了你什么数据、喂进了什么模型、给你打了什么分、和谁共享。第 06、13 课那条线在这里兑现到了极致：关于你的信息，成了一种施加于你的权力，而你对这权力几乎没有对等的知情与制衡。

面对这一切，最常听到的一句回应是：「我又没干坏事，我没什么好藏的。」这句话听起来通情达理，却站不住脚，值得拆开：

• 隐私不等于藏坏事。你拉上窗帘、给日记上锁、关上洗手间的门，不是因为你在里面犯罪，而是因为不被围观本身就是正常生活的一部分。把「要隐私」等同于「心里有鬼」，是偷换概念。
• 「无害」不由你定义。你今天觉得无害的东西——某本书、某场集会、某个信仰、某种取向——在别的时代、别的当权者眼里可能正是「问题」。你是在赌未来所有翻看这份记录的人，都和今天的你持同样的标准。历史一再表明，这个赌注很危险。
• 这不只是你一个人的账。就算你真的甘愿放弃自己的隐私，寒蝉效应伤害的是整个社会说话与纠错的能力——那是一件公共品，不是你一个人有权替所有人放弃的。
• 门槛消失，滥用几乎必然。「先观看后怀疑」拆掉了「得先说清为什么盯你」那道程序门槛。一套能看所有人的系统，一旦建成，它被谁用、用来干什么，取决于未来握着它的人——而那个人，你今天并不认识。

但要公允：另一面是真实的诉求，不是幌子

如果这一课只讲监控的恶，那它就成了另一种偏见。诚实要求我们把天平的另一端也如实摆上：大规模监控之所以被建起来，是因为它回应着一些真实、正当、甚至紧迫的需求。摄像头确实帮助破获过恶性案件、找回过走失的孩子;疫情期间的接触者追踪，在权衡中也确实挽救过生命;金融系统对海量交易的实时筛查，拦下过洗钱与诈骗。安全、公共卫生、防灾——这些不是拿来骗人的幌子，而是货真价实的公共利益。假装它们不存在，和假装监控没有代价，是同一种不诚实。

普通人怎么办：OPSEC，以及它诚实的局限

把镜头拉回到个体。作为一个想保护自己的普通人，你能做的，是管理自己的数字签名——这正是第 09 课「隐真」和第 13 课「数字之影」在日常生活里的落地。几条务实、正当、防御性的原则：

还有两条值得单独点名。其一，端到端加密是把内容沉进噪声(第 09 课)最实在的一招——用加密的通信工具，让第三方即使截获也读不出内容。其二，也是最反直觉、最该记住的一条：元数据比内容更暴露你。第 06、13 课反复讲过——就算内容全加密了，「谁在什么时候、从哪里、给谁、发了多久」这些元数据本身就能重建出你的关系网、作息、行踪。加密保护了你说了什么，却往往保护不了你和谁说、何时说。真正难藏的，从来是元数据。

呼应军备竞赛：天平被成本结构压向了监控方

退一步，用第 12 课「军备竞赛/红皇后」的眼睛看这整件事：监控 vs 隐私，不过是「形人 vs 我无形」这场永恒决斗，在社会尺度上的最新一条战线。侦查方(监控)升级一步，反侦察方(隐私)就被迫应一步，永无终局。但这条战线有个不同以往的特点值得点破：成本结构，把天平明显压向了监控的一方。

侦查方这边，探测的边际成本在塌陷——多看一个人几乎不要钱，规模只会越铺越大。反侦察方这边，普通人管理签名的成本却居高不下、且需要专业知识和持续的自律。一边越来越便宜，一边始终昂贵——这不是一场势均力敌的军备竞赛。正因为这份结构性的不对称，单靠个体的对抗(OPSEC)注定追不上;要让天平不至于彻底倒向一边，砝码只能来自另一个量级的力量——集体的规则、法律的红线、制度的制衡。这，又一次把我们带回那条必须由社会共同来划的「线」。

动手：人口尺度虚警

下面这台机器，就是第 03 课那台「基率放大镜」——只是把人口从一万，换成了一个可以从一万拖到一亿的滑块。你拧两个旋钮：人口规模和分类器准确率。目标基率固定在极稀有的百万分之一(每一百万人里有一个真目标)，模拟「在人群里猎极少数危险分子」的真实情形。机器实时数出并画出三种人：真目标(命中)、被误报的无辜者(虚警)、以及安然通过的其余人;并给出那个最刺痛的比值——每抓对 1 个真目标，牵连了多少无辜者。请亲手把人口往上拖，盯着「被误报的无辜者」那个绝对人数：你会看到它如何从几十、几百，暴涨到骇人的量级——而准确率一直都很高。

玩几下，两件事会烙进直觉。其一，把人口往上拖，红色(被误报的无辜者)几乎线性地暴涨，而绿色(真目标)始终只有可怜的几个——因为真目标正比于基率(几乎不长)，虚警正比于人口(疯长)。到一亿人口、99.9% 准确率时，你为了那约 100 个真目标，点名了约十万个无辜者。其二，把准确率往上拧，救不回来：哪怕拧到 99.99%，只要人口在一亿这个量级，被误报的无辜者仍是成千上万的活人。这台机器让你亲眼确认那句话——对抗人口尺度的虚警，靠的不是更准的算法，而是别在整个人口上撒网(定向优先于普遍)，以及一条尊重这笔账的制度红线。技术再进步，也改不掉「规模 × 稀有 = 海量无辜者」这个数学。

常见误解

• 误解：分类器准确率有 99.9%，那报警了基本就是坏人，误伤可以忽略。 (澄清：这是基率谬误的人口尺度版，也是本课的靶心。在百万分之一的基率下，一亿人里被误报的无辜者约十万个，而真目标才约 100 个——报警可信度约 0.1%，即每 1000 次报警才 1 次是真的。准确率高≠报警可信，更≠误伤少;当分母是一个国家，再小的误报率乘上去都是一座城市的人。)
• 误解：只要不停把算法做得更准，就能既抓全坏人又不冤枉好人。 (澄清：救不回来。虚警数≈无辜者总数×误报率，而无辜者是压倒性多数。把误报率再压十倍，人口翻十倍就抵消了。「规模 × 稀有 → 海量虚警」是数学的必然，不是等更好的技术就能修的 bug。真正的杠杆是缩小被监控的人群(定向优先)，不是死磕精度。)
• 误解：「我没干坏事，没什么好藏的，监控对我无所谓。」 (澄清：隐私≠藏坏事(你也会关洗手间的门);「无害」的标准会随时代与当权者改变，你是在替未来所有翻看记录的人下赌注;而寒蝉效应伤害的是整个社会说话与纠错的公共能力，不是你一个人有权替所有人放弃的。而且哪怕你被正确地放过，只要人人感到被看，寒蝉效应就已生效。)
• 误解：讲监控的代价，就是反对一切监控、不要安全。 (澄清：不是。安全、公共卫生、破案是真实的公共利益，本课如实承认。这一课反对的不是「监控」，而是不成比例、不受制衡、拆掉程序门槛的监控。结论不是站队，而是一个治理问题：那条线该划在哪——用比例原则、定向优先、独立监督、透明可申诉、数据最小化去划。见《政治的逻辑》。)
• 误解：学好 OPSEC，普通人就能在系统性监控下「隐身」。 (澄清：这是虚假的安全感。个人技巧能减损暴露、能提高被定向盯上的成本，但对抗基础设施级的系统性监控有硬边界(街上的脸、绕不开的元数据)。把集体的、制度的问题甩回给个人去扛，本身就是一种误导。真正的解药更多在法律与制度的红线上。)