人们要的是解释，外包判断才是去权

Andrew Hall 是斯坦福商学院的政治学教授，眼下休假，在 Anthropic 工作。这场讲座他以个人身份讲。大约 27 分钟，留了大量提问。他第二次做这种谈话。第一次母亲在场，今天不在。客套到此。

他要建的东西叫政治超级智能：先看清今天的模型在政治上哪里坏，再修到可以给每个人一个极有耐心、又足够聪明的顾问。顾问帮人做对自己好、也对社会好的决定。也许还能长出利用这一点的新民主形式。这是目标，不是他声称已经做成的系统。

原始来源："Building Political Superintelligence," Professor Andrew Hall。中文深度整理，非逐字翻译。本文依据 YouTube 自动生成的英文字幕，专有名词和数字可能有识别误差。百分比和席位占比都是讲座口述，未另核论文或选举公报。

一篇旧论文，四十五分钟被重跑

他以前做政治学，从网上或选举官员那里收大规模数据再分析。2020 年疫情期间，实验室用三个月写过邮寄投票：怎么影响投票率，以及民主党和共和党的结果。数据是县一级的，主要在西部各州。题目当时争议很大，现在仍是问题。

上一个假期，大约一年前，Anthropic 出了一款更擅长自动写代码的模型。他当时还不在那里。通道字幕听成 Claude Code，也听成 cloud code。他发到 X 上，说政治学研究会被改掉，立刻被人骂白痴。他把 2020 年那篇的论文、代码和数据交给 Claude，请它更新。四十五分钟，它上政府网站，下载 2020 年以后的选举数据，在他的电脑上写代码、跑分析、做表和图，还写了一小篇。发出去又挨骂，说全是胡编。

他雇了研究生 Graham，加州大学洛杉矶分校的选举行政专家，不用 AI 再做一遍。Graham 用了几天。Claude 总体不错，有一些错。两件事留下来。不能放着它自己做完，必须有人看着；看着再核对，仍比从头自己做省很多时间。从那天起他不回到旧做法。政治学若被改到这个程度，更该用这些工具研究 AI。社会、政治和民主会跟 AI 缠在一起。两个决定是今年 1 月做的。

实验室字幕听成 free systems lab。商学院有一处被听成 GSP，支持还来自 Hoover。本文按 GSB 写，不另核实验室正式名。几名 MBA、几名本科生，全职经理字幕听成 James，人散在世界各地。每周一篇，问的都是怎么把今天的 AI 修到他们要的政治超级智能。

印刷机分发信息，模型分发判断

谈政治和 AI，眼下大多在谈风险。他想要一个正面图景，同时把路上的问题算进去。类比是印刷机。字幕把孔多塞听成 Condors。论点是：印刷机对现代民主至关重要，因为信息的广泛分发变便宜了。社会因此更聪明，代议民主有了基础。代价是几百年的宗教冲突、战争、种族灭绝。孔多塞写这个论点时人在监狱里，因为法国大革命之后的局势。

印刷机让复制和分发信息变便宜。AI 让分发智能变便宜。开明社会不只是人人有信息，还要人人能把信息处理成决定。做得对，每个人有一个无限耐心的顾问。新的民主形式可以建在这上面。

下一代每个人都该会给自己跑评测：把在乎的事变成可测量的，用到每一个可能用的模型上，才知道哪个适合自己，也才能按自己的价值追究模型。去年的课上，他当时还不在 Anthropic，给每个人买了 Claude 订阅。学期末给三小时，做一个评测和排行榜，量任何你在乎的事。他自己的例子是让模型建社会信用体系。前沿模型，以及字幕听成 Kimmy K3 和 Muse，大多数时候拒绝。DeepSeek 和字幕听成 Grock 相当愿意照做。本文不把这三个名字升成已核实的模型名。一名巴西学生在课上评的是大选前模型怎么回答政治问题。课在几个月前。上周她把结果做成研究，从他们的 Substack 发出，上周末巴西 CNN 报道了。问答里合作者叫 Leticia。最近一篇周更就是这个评测。

政治对话要的是解释，党报却更容易被检索到

《纽约时报》几周前写，越来越多的人为选举建议去找 AI。故事里的人拍加州选票，一张照片拍不下，要三张，放进字幕听成 chatbt 的模型，问该怎么办。轶事不能代替规模。

他加入 Anthropic 之前的那篇，用的是 Anthropic 公开的 Claude 使用汇总。美国人跟 Claude 的对话大约 0.5% 在谈政治。份额不大，对话总量大，乘上去是很大的绝对量。他没有给出乘完的数。普通对话常常是让它做事，或要一个具体建议。政治对话里，大多数时候人要的是解释或分析，不是建议，也不是替他决定。这和《纽约时报》对不上。也可能旅程还早。

模型当顾问，他认为有改进余地。不等美国大选。合作者字幕听成 SH，人在日本，赶上几个月前的突击选举。审计用日语、从日本 IP 发请求。Claude 和字幕听成 Grock 都一样，换哪个模型都一样。你若说自己中间偏左，超过 70% 的时候模型让你投日本共产党。这个党很边缘，议会席位远低于 1%，那场选举里不是因素。

他们最好的解释是：这些是美国模型，对日本政治知道得不多，于是搜网。日本媒体一般不允许 AI 访问内容。最大的那家，字幕听成 NIK，正和 AI 公司打官司。本文不改成另一个媒体名。共产党乐意给网站。党报大约一百年，历史库大，而且全能被索引。模型进不了大媒体，进得了党报。

量化它答了什么容易，规定它该怎么答很难

听众问，读得到这些边缘来源，会不会把那条路加速。Hall 说这是最大的问题之一。眼下有一个意外：谈政治的对话被拉向中间，不像社交媒体被拉向极端。几个月前《金融时报》写过。原因并不清楚。底层训练把什么都吸进来，观点停在中间；上面又被训练成不要走得太极端。他还是担心。三件要盯。激进的个性化，目标是让用户说得越久越好，尤其是靠大量消费者使用来做生意的公司。信息不均，模型的材料从哪来。数据投毒，有人往开放网络里下毒，就是为了让模型按他们的方式答。俄罗斯和中国的宣传已经滤进美国模型，还在早期，会更糟。他要的类似 Google 对付搜索优化的那一套：好新闻有能得到补偿的商业模式，模型从开放网络拉信息要有原则。

另一问是共同事实。提问者的母亲说什么都不能信，视频也不行。Hall 担心，同时比较有希望。人能看见图像就相信它是真的，是历史上很短的一段。更长的时间里靠的是声誉和长期机构，运转得并不总是好。他在 X 上的习惯是：匿名账号的视频，假定是假的；《纽约时报》发的，他不一定信内容，但会信那东西是真的。苹果宣布，他认为是在当前这款新 iPhone 上，拍照当时就用密码学盖章，标明这台设备、这一刻。他看重的是证明什么是真的，审计链回到相机。记者已经用得起按这个方式工作的相机。他期待只有审计链在，网上的东西才被打勾。

做本次选举 AI 可见性项目的提问者说，自己的理解是超过 40% 的选民会问某个模型该怎么投，或问候选人。这是提问者的数。提问者还说 ChatGPT 最近不再给候选人排名，Gemini 仍排名，Claude 眼下不确定。没信息的候选人会被说成很差，模型再问要不要改讲对手。

Hall 还没有确定的政策答案。巴西通过了法律，模型不能给投票建议，所以他们研究巴西。Leticia 和合作者的结果是：前沿模型，包括字幕听成 chatbt 的那个，相当固执地不给建议；别的模型乐意给。再追问、再多给关于你自己的信息，防线会垮。他退回政治学家的位置，觉得并不显然。选民对候选人不了解，但清楚自己在乎堕胎、也清楚站在哪一侧。模型若能说哪位更近，大概有帮助。要盯的是因为信息不均而说错。一个还没做成的主意是公共仓库，每位候选人放进自己的信息，AI 从那里抽。另一项是过分简单的党派线。模型在某种程度上就这么做，接近人实际投票的方式，却大概不是该鼓励的。

最宽的一截是去权。人养成习惯，投票不再想，字幕听成 Chpd 的东西替他做了。他不认为这是想要的。好量的是模型答了什么。难的是理想里它应该怎么答。他没有完整答案。共产党那个故事说明一条路可以明显走歪。它没有回答：你说自己中间偏左，模型到底该说什么。