《民主需要摩擦，而不是被 AI 提前抹平成共识》

导语

这篇文章讨论 AI 能否帮助民主“更好地倾听”。作者并不反对在民主场景中使用 AI，而是警惕一种更深的替代：当系统把共识、偏好满足或平滑综合当成目标时，它已经预先决定了哪些分歧值得被看见，哪些分歧应该退到后台。文章的中心判断是，民主的价值恰恰在于让冲突保持可见、可争论、可修正。

1. Team Mirai 的例子：AI 可以发现未被代表的选民

1.1 日本选举中的 AI 倾听

• 日本新党 Team Mirai 在众议院选举前使用 AI chatbot，向选民解释政策、回答问题、追问关切。最终它处理了 38,000 多个问题，收集了 6,000 多条建议。
• 这些反馈让团队看到一个常规政治没有充分代表的群体：他们担心物价上涨，却怀疑削减消费税会损害由税收资助的社会项目。日本债务已超过 GDP 的 200%，为 G7 最高，这让这种担心并非空穴来风。

1.2 技术有边界，政治仍要负责

• Team Mirai 最终选择代表那些怀疑减税方案的选民，并在首次全国选举中以超过 300 万票、接近 7% 得票率赢得 11 个席位。
• 但作者马上补上限定：chatbot 并没有听见一切。无论是有意设置的边界，还是底层系统和平台约束，都会决定哪些话题被回应、哪些话题被排除。

2. 倾听假设的问题：谁决定什么算被听见

2.1 公民大会、全国大辩论和二次投票都在筛选声音

• 民主创新者常假设，民主困境部分来自倾听不足：如果制度能听见公民真正关心什么，分歧就会更可处理。作者承认这个愿望有吸引力，但指出它隐含权力：谁被纳入，意见如何解释，什么算共识，哪些问题重要，都必须有人决定。
• 这就是作者要拆开的“倾听”神话：技术可以扩大输入规模，却不能让输入解释本身变成中性的。每一种倾听机制都要把纷乱表达转成某种可处理格式，而格式本身已经在塑造政治。

2.2 公民大会和全国大辩论说明规模不是答案

• 爱尔兰 Citizens’ Assembly 由 99 名随机抽取公民组成，帮助打破堕胎议题僵局，建议最终获得约 66% 选民支持。法国 Macron 在黄背心危机后启动 Great National Debate，包含约 10,000 场 town hall、19,000 本地方诉求簿、21 个随机公民大会和 190 万条线上贡献。规模扩大后，听见更多人并不等于听得更好。

2.3 Polis 与 Habermas Machine 把价值选择移进算法

• Quadratic voting 让选民用点数表达偏好强度，但听不见那些还不知道自己多在乎、没时间想清楚或以不同方式表达关切的人。Polis 允许大规模提交和投票，但它会突出跨群体支持的陈述，让更分裂的观点退到背景。
• 2024 年 Google DeepMind 研究者测试 Habermas Machine，超过 5,700 名参与者围绕 Brexit、移民和气候变化等议题讨论。参与者更喜欢 AI 综合出的群体声明，群体也更趋同。问题在于，系统把 convergence 当成成功指标，于是先行决定了民主的目标是达成一致。

3. 民主的目的：不是消灭冲突，而是合法地管理冲突

3.1 Isaiah Berlin 的价值多元论

• 作者借 Berlin 说明，更深的问题不是我们还没听得足够仔细，而是有些人类价值本来就不可调和。自由会与平等冲突，正义会与怜悯冲突，安全会与自由冲突。
• 如果价值冲突是 moral landscape 的永久特征，政治就不能承诺最终和谐；它只能在冲突价值之间维持一种不安定、可修补的平衡。

3.2 民主把“失败者仍有地位”制度化

• 从这个角度看，民主的优点不是让大家同意，而是 institutionalizes losing。反对权利、少数保护、司法审查和两院制，都让不同价值在失败后仍保留政治地位。
• 今天的决定可以被明天挑战和修正。民主让价值分歧持续存在，而不是要求一个最终解决方案。

4. AI 的类别问题：优化必然意味着选择

4.1 算法没有让失败方继续争辩的制度位置

• AI 系统必须优化某个目标：可能是共识，也可能是推荐系统里的偏好满足。无论目标是什么，系统都会朝它移动，并在设计上优先某些价值。
• 算法的失败方没有 standing。价值选择写在代码里，由不在选票上的人做出，也不能通过民主程序被受影响者争辩。即使代码开源，也不等于价值选择可被民主 contest。

4.2 Habermas Machine 把争议变成已完成流程

• 作者认为，Habermas Machine 的问题不是输出坏，而是它预先用“达成一致”取代了民主本该保持开放的东西。它接近 Michael Sandel 所说的 tolerance of avoidance：绕开道德分歧，而不是进入分歧。
• Nicolás Palomo Hernández 批评它过度强调 agreement，嵌入了狭窄的 deliberative democracy 理解；Henrik Skaug Sætra 警告它可能变成 consensus machine。Robert Dahl 强调人们应能决定议程，但 Habermas Machine 的问题由研究者和 LLM 生成并筛选，参与者并不控制哪些冲突值得被讨论。

5. 相似失败与可接受的 AI 用法

5.1 平台和大模型会改变分歧出现的方式

• 社交媒体放大愤怒、极化和误导内容，把政治冲突从问责和制度回应中切开；冲突能带来点击和收入，却未必进入民主程序。
• 大语言模型则可能用中性语气和可规模化文本同质化公共话语，把不同观点平滑合成，在分歧还没形成政治形态之前就把它们调和掉。

5.2 Team Mirai 与 Habermas Machine 的分界

• Team Mirai 的工具之所以仍然较民主，是因为它没有直接产出一致意见。它解释政策、收集问题和建议，但政党仍要决定代表哪些担心、公开捍卫哪些取舍，选民也能用选票回应。
• 这个分界很关键：AI 可以把分歧线照亮，把被代表不足的担忧交给政治过程；但一旦 AI 把分歧综合成“群体声明”并把趋同当成成功，它就从听筒变成了裁判。
• 作者最终主张，AI 可以照亮 disagreement 的结构，把冲突线和取舍展示给政治家、法院、立法机关和公民；但它不能替政治做选择。民主任务是让技术系统里的价值选择变得可见、可争辩，不要在政治开始前就关闭冲突。

思想框架

文章先用 Team Mirai 说明 AI 确实能扩大政治倾听，发现传统政治遗漏的群体；随后回顾多种民主创新，指出所有倾听机制都会隐含“什么算被听见”的权力选择。中段借 Berlin 的价值多元论把问题推进到民主目的：政治不是消除分歧，而是让不可调和的价值冲突公开、合法、可修正地存在。接着作者批评 Habermas Machine 和类似系统，因为它们以优化目标预设民主应趋向共识。最后文章区分两种 AI 用法：一种是为民主冲突提供输入，另一种是替民主冲突给出结果。作者支持前者，反对后者。