你和我不断被调查。我们以惊人的小阻力透露自己的信息。社交媒体让我们中的许多人成为了自己个人数据的真正的老虎机。我们得到了一点小小的鼓励,也许还有人会喜欢我们,我们的手臂被轻轻地拉着,我们吐出一些我们希望人们会发现有价值的东西,开始闲聊。无论是真实的还是琐碎的个人事实,我们最终披露的——也许是无意中披露的——都会立即经历不断的分析。这些分析得出的推论是关于我们的,因为人们正在被聚合、基线化、合成、审议和分析。我们喜欢什么,我们喜欢谁,我们说什么,我们想什么,我们想什么,我们说什么,都形成了模式。我们只是还不知道这些模式意味着什么。你会认为这里面有危险。有一天,你突然失去了某些重要服务的资格,比如在寒冷中恢复供电,因为你的个人资料属于错误的汇总组。但是,当有一天,这些民调和调查的结论变得非常准确时,会发生什么呢?一旦数据库对你有足够的了解,可以猜测你的信仰、动机、目标、理想,使你看到和听到的每一条信息都能直接吸引你,世界会发生什么变化?你出生了,你开机了,你登录了,有一个“你的频道”,在那里,屏幕上等着你的,是所有和你一样的竞选公职的人。
你可能会认为这也有危险——准确地预测你的决定,最终会为你做出决定。即时、万无一失、自动化的民主。然而,还有第三种可能性:如果我们发现这样一个完美预测偏好的乌托邦不可能成为现实,或者如果不是完全不可能的话,只会耗费太多的时间、精力和金钱而无法生存呢?也许舆论界可以用一个不完美的模型来满足,只要它能避免给公众太多关于它有多不完美的暗示。民主总会有一个小小的回旋余地,一个方便的误差范围,怀疑的种子。
这是一个介于两者之间的问题——不是那么难到让人难以置信的程度,就像最好的科幻小说一样,但也不是那么简单,它是大学一年级课本里的东西。这一切都源于这样一个问题:如果超级计算机不能提高选举前政治调查的准确性(例如,这样它们就不会引发骚乱),那么,一旦量子计算机最终变得实用,为什么量子计算机就不能做这项工作呢?接下来是寻找答案的迂回路线。它始于量子计算机(QC)对于这项工作来说,它太大了——当需要铲子时,它就是推土机。最后,QC没有足够的工具来完成这项工作——当需要的是一台电脑的时候,一把铲子。因此,知觉作为一个相对原始的、部分自主的、制度化的、理性的认知子系统出现了,它在相互替代的基础上,习惯性地对环境中极其相关的、最远的方面进行迅速而详尽的定位,相对受限和刻板化,不确定因素中的证据不足,导致相互作用和妥协,似乎以牺牲最高精度频率为代价,追求最小误差的最高概率。《感知与心理实验的代表性设计》,Egon Brunswik,1947年,昆尼皮亚克大学在2020年11月3日美国大选前进行的最后一次全国民意调查显示,民主党人乔·拜登领先共和党人11个百分点。NBC News/华尔街日报的最终民调显示,拜登领先10个百分点。他赢得了4.46%的选票,尽管这是确凿的事实。拜登几天后由ABC新闻发布的播客他认为民意测验的预测误差为3到4个百分点是“可以的”。西尔弗承认:“简单的事实是,民意测验平均差3个百分点左右。因此,如果我们是三岁半或四岁,这是很正常的。”他继续说:
我们需要谨慎地平衡。如果民调行业说,“好吧,好吧,三到四个点,没什么大不了的,让我们继续做我们正在做的事情吧,”那么可能性是,不管你今年会有什么问题,有新的问题,民调可能会变得非常遥远。所以如果我是一个民意调查者,我会说我们必须看看这里发生了什么。为什么我们不准确?
,2016年美国全国大选民意调查结果极不准确。每一个有点可信度的专业民调都预测前证交会。希拉里·克林顿在民意测验中以7分之多的优势击败共和党。事实证明,她只获得了2.1%的选票,这不足以弥补她在更具法律先例的选举团中的失败。
“2016年的总统选举对美国的投票来说是一个不和谐的事件,由美国民意研究协会,由几位专业民调专家组成的特设委员会编制。”人们普遍认为(并将继续认为)民调失败。”
显示大选总量差异程度的图表从1936年到2016年的民意调查。
AAPOR团队得出的结论是,这种共识——就像当时的许多共识一样——是错误的。”该团队写道:“2016年共和党和民主党初选的选前预测并不完美,但失分的范围和程度都很正常。绝大多数的初选民调都预测到了正确的胜利者。“他们写道,出现什么样的差异,可能是因为对调查对象的投票行为,以及他们所宣称的偏好如何转化为他们选区的实际行动,存在误解,或者根本没有理解。
2016年早些时候,英国民意调查委员会和市场研究学会公布了对2015年5月英国大选前政治调查差异的独立调查结果。就在那次选举的前一天,民调机构的最终统计数据使保守党和工党陷入了绝对的死胡同:34%对34%。事实证明,保守党以7个百分点击败工党。
BPC/MRS团队制作了这张图表,描绘了调查的惨淡表现,但在其他方面支持了他们的一般结论,即2015年是一个侥幸,一个离群值。”我们的结论是,2015年民调失利的主要原因是样本不具代表性,”报告的摘要写道,敢于察觉民调错误和数据错误之间的联系。研究小组继续说:
民意测验者用来收集选民样本的方法系统地代表工党支持者和代表性不足的保守派支持者。应用于原始数据的统计调整程序并未在任何显著程度上缓解这一基本问题。
报告的其余部分列出了导致这些差异的可能因素,其中一个因素涉及权重。民调机构负责对各种特定的人口群体进行抽样调查。趋势是在群体中确定的。然后对每个群体积累的数据进行调整,以说明其在一般人群中的相对代表性水平。例如,通过这种方式,如果某一地区五分之三的样本来自收入高于一定数额的人,而该地区每个人中只有三分之二的人收入如此之高,那么他们的影响力权重将降低6%。
加权的最终目的是https://www.zdnet.com/article/what-is-bias-in-ai-really-and-why-cant-ai-neutralize-it/“>克服偏见。这是一种渗透到所有预测方法中的方法,预示着是“科学的”。
有一些明显的现象——包括未能说明选民的教育水平、长期低估对挑战者的支持、人口调查中的差异、对民意聚合器过于信任的倾向——这些现象的数学模型尚未发明。然而,自其诞生以来,基于神经网络的机器学习系统已经成功地“学习”,或者至少识别出解释潜在现象的形成、行为或发展的模式,即使这些现象不被理解、识别,甚至是孤立的。因此,与其把头撞在同一堵墙上,期望得到不同的结果,或许我们应该把这个问题重新表述为一个机器学习应用程序。如果我们像量子飓风模拟对待空气分子那样对待每一位投票人,并根据她的登记意见如何反映她现有的记录来推断这个人的投票——她过去在网上说了些什么,她向哪些候选人捐款,也许是她的杂货账单,她会选择领导哪些名人一场政变——至少,统计误差造成的爆炸半径将最小化到小于一个城市街区。
这似乎正是量子计算机(QC)被发明的应用领域。量子计算机难道没有能力在最精细的层次上解决这个问题吗?
量子基准测试,量子信息系统软件和纠错软件的生产商,“基于对量子计算机所提供的基本误解。”
可靠,功能量子计算机(一旦这样的事情可行)应该能够运行https://physics.aps.org/articles/v12/112“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink