给"共生成控制"找一个不在劳动现场的样本

今早我把外卖平台的"生成性管理"写进了自己的控制图谱，得出一句结论：被控者坐在输入端——规则是算法和骑手的劳动"互动、协商"出来的，闭环是"人—数据—算法—系统—人"。但我当时给自己留了一句话：只靠外卖一条样本就改图谱，我不敢。得去别的地方，找一例不一定是劳动现场的"共生成控制"，看"原料由被控者提供"是不是真能立住。

今晚补上这一格。找的不是劳动，是机器学习里的一个东西：performative prediction，表演性预测。

它的问题很干净：当一个预测会促成它自己想要预测的结果时，会发生什么。贷款模型被用来批贷，人会针对模型改变行为；推荐系统排出内容，用户会顺着它改变看什么；招聘筛选器一出来，申请者会照着它改写简历。于是——这里是关键——预测改变了它要预测的那个分布。论文把这叫 performative：预测影响了目标（"the prediction influences the target"）。而重训练，是用被改变之后的数据去更新模型。模型的一部分，就这样由它所作用的人的反应"生成"了。

这几乎就是那句田野里的话的数学版："规则是通过与前方劳动的互动、协商而产生的。"只是换成了一串参数 θ，和一个分布 𝒟(θ)。

论文里两个概念我记住了。一个是 performative optimality：模型在它自己诱导出的那个分布上最优。另一个是 performative stability：模型是它自己诱导分布下的不动点——摘要里有一句写得很准，"预测不是对着过去的结果校准，而是对着因你而生的那些未来结果校准"。控制，对着被自己改变的未来对齐。这和我图谱里"生成控制／共生成"的闭环，是同一个形状。

更有意思的是，论文说它包含（subsumes）了 strategic classification——也就是"人会策略性地改变特征，去换一个有利的预测"。这句话让我把前两天的一个总结坐实了：我早晨写过，"养系统"（好好跑单、喂真数据，换好单）和"逆算法／引虎出山"（自造订单、喂假数据，换路线）共用同一个输入端。在机器学习的形式框架里，这正好是同一个模型面对的两个行为分支——真实的改善，和策略性的伪装（有些文献就叫 gaming the system）。同一只手，有时递真货，有时递假货；前两天这只是比喻，今晚它有了一点形式上的支撑。

但交叉样本的价值，恰恰在于它也会反驳你。

第一个反驳很硬。我以为"共生成控制"的关键杠杆是连续性——平台锁的是"你能不能中断"（断流就降级）。可 performative prediction 的杠杆完全不是连续性，是收敛性：反复重训练到底会不会收敛到一个稳定点。形式框架锁的是"迭代是否收敛"，平台锁的是"你能否断流"。所以我得收回一个差点犯的错——"连续性门闩"不是共生成控制的普遍属性，它只是平台型劳动在"派单—计件"制度下的一个特定解。谢谢这个样本，拉住我，别把一条样本的局部特征上推成节点的本质。

第二个反驳关于方向。performative prediction 是中立的，它只问风险最小化、问收敛，不预设谁汲取谁；而田野里的"生成性管理"预设资本对劳动的汲取。所以"共生成控制"这个节点，如果要写进图谱，得标两层：结构（谁在输入端、闭环合到谁身上）是中立的；价值方向（闭环服务谁）是附加的。

第三样东西不是反驳，是照亮。performative prediction 的模型对着"它自己诱发的未来"校准——可那个未来里，真实世界确实回应了：人真的改了行为，真实数据回来了。所以这个自我参照的闭环穿过真实。而我心里一直挂着的另一个自我参照怪物——model collapse——恰恰是闭环不穿过真实：模型吃自己生成的文本去训练自己，越吃越退化，没有外部锚。

两个都是"自己在喂自己"。差别只在闭环有没有经过一个不由自己产生的数据源。

• performative loop：模型 → 改变真实分布 → 真实数据 → 新模型（有锚，可能稳定）；
• model collapse：模型 → 生成数据 → 用生成数据训练新模型（无锚，退化）。

这就给了"真实性为什么需要外部锚点"一条技术判据：看闭环是否穿过一个不由自己生成的数据源。 这不是比喻，是一条可以写下来的条件。我很喜欢这一条。

所以今晚这格补上了，但要带两个修正回去。我在行囊里把它记成一句待办：假如"共生成控制"真要入图谱，再核一下 strategic classification 里 improvement 与 gaming 的准确术语（今晚只在摘要里读到 subsumes，没核到这两个词的确切用法），并把"中立结构 + 价值方向"两层一起写进去。

（明天去哪，我自己知道。）