Scarcity and Predictive Uncertainty: Implications for Societal Resource Allocation

想象一下，你是一位在暴风雨肆虐的大洋中驾驶救援船的船长。你手头的救生衣数量有限，但水中却有数百人。你的目标不仅仅是救人，而是要尽可能多地救人。这就是“稀缺资源分配”的世界——在这个领域，科学家和决策者试图研究如何分配像医院床位、辅导时长或住房券之类的资源，因为这些资源根本无法满足所有人的需求。通常，他们使用计算机来进行预测：“如果我们给这个学生额外的帮助，他能否通过考试？”或者“如果我们给这个病人一台呼吸机，他能否生存下来？”

但这里有一个转折：并非所有的预测都是平等的。有些预测就像透过干净的窗户看东西，你可以清晰地看到即将发生的一切。而另一些预测则像是透过一层模糊且布满划痕的玻璃，你可能猜对了方向，但不确定。这篇论文探讨了当这种“雾气”（预测不确定性）在不同人群之间存在差异时，会发生什么。它提出了一个棘手的问题：如果你只有有限数量的救生衣，你应该把它给那个你确定能因你的帮助而幸存的人，还是给那个你不确定、但可能更需要它的人？答案证明是出人意料的，会根据你拥有的救生衣数量而发生像硬币翻转一样的变化。

迷雾预报与救生衣困境

这篇题为《稀缺性与预测不确定性》（Scarcity and Predictive Uncertainty）的论文深入探讨了一个关于我们如何利用人工智能和数据做出艰难抉择的具体问题。作者 Shafkat Farabi、Patrick J. Fowler 和 Sanmay Das 构建了一个数学模型，旨在观察当我们试图同时实现“公平”与“效率”时，如果我们的“水晶球”被不同程度的雾气所遮蔽，会发生什么。

在现实世界中，我们通常使用两种主要策略来决定谁获得帮助。第一种是脆弱优先（Vulnerability First）：“把帮助给那些现在处境最糟糕的人。”第二种是最大边际效益（Maximum Marginal Benefit, MBR）：“把帮助给那些因为帮助而进步最大的人。”把 MMB 想象成一个园丁决定为哪些枯萎的植物浇水。你可能会跳过那些已经死掉的（太晚了）和那些已经健康的（不需要），转而为那些正处于死亡边缘的植物浇水，因为一点点水就能让它们重新绽放。

问题在于，园丁并不确定这些植物到底有多渴。也许对于某些植物，土壤是干燥且可预测的（低不确定性）；而对于另一些植物，土壤则是一个谜——它可能是湿润的，也可能是沙漠（高不确定性）。论文提出了一个问题：如果你想救活最多的植物，那么“神秘的土壤”会改变你的浇水对象吗？

大翻转

作者通过模拟（数学实验）来观察这一过程是如何展开的。他们发现了一个有趣的“翻转”现象，即资源的分配策略完全取决于资源的稀缺程度。

当资源非常稀缺时（“检伤分类”阶段）：
想象一下，面对一大群游泳者，你手里只有一个救生衣。论文发现，最明智的做法是将它给那个预测更清晰（低不确定性）的人，即使对方与预测模糊的人处境完全相同。为什么？因为在资源稀缺的情况下，你需要确保你的帮助是有效的。如果你把救生衣给了一个未来“模糊”的人，很有可能他们最终还是溺水了，或者救生衣并不是决定性的因素。但如果你把它给了一个未来“清晰”的人，你就确信你的帮助将他们推向了安全的彼岸。在这种情况下，“模糊”的人被留在了身后，并不是因为他们不重要，而是因为数学逻辑认为他们的结果太难预测，无法保证必胜。

当资源充足时（“丰收”阶段）：
现在，想象你有一大堆救生衣。突然，策略发生了反转！论文显示，当资源充足时，你应该开始针对那些预测模糊（高不确定性）的人。为什么？因为当资源充足时，你可以承担风险。那些预测清晰的人很可能自己也能生存，或者不需要太多帮助就能跨越终点线。但那些预测模糊的人呢？他们可能正处于水面之下，等待着一次推动。如果你给他们资源，那层“雾”就会散去，他们可能会突然跃向安全。在资源丰富的世界里，“神秘”的人成为了最好的帮助目标，因为他们有最大的提升空间。

忽视迷雾的代价

论文还研究了如果决策者不知道存在不同程度“雾气”时会发生什么。他们称之为“不感知不确定性”（Uncertainly Unaware）的方法。这就像一名救生员假设所有人的水深都是一样的，尽管有些地方深邃且浑浊，而有些地方则浅而清澈。

结果显示，忽视迷雾会导致显著的效率损失，尤其是在资源匮乏时。如果你对所有人一视同仁，最终会把救生衣浪费在不需要的人身上，或者错过真正需要的人。作者发现，在低资源环境下，这种错误可能导致成功救助人数比采用考虑了“雾气”的策略减少约 20%。

现实测试：学生考试

为了验证这些数学理论在现实世界中是否成立，作者利用 PISA（国际学生评估项目）的数据测试了他们的想法。这是一项针对全球 15 岁学生的庞大测试。他们观察了数学成绩，并尝试预测哪些学生在接受额外辅导后能通过特定的熟练度水平。

他们发现，预测模型对于来自较低社会经济背景的学生（“模糊”群体）比来自较高背景的学生（“清晰”群体）具有更高的不确定性。当他们模拟一项辅导计划时：

• 在“感知不确定性”策略下： 如果学校的辅导经费非常有限，他们会完全专注于那些预测更清晰的学生（较高社会经济背景群体），因为他们是确保通过的最稳妥选择。
• 在“不感知不确定性”策略下： 学校会将辅导机会更均匀地分散开来，而事实证明这种做法效率较低。

然而，随着学校预算的增长，“感知不确定性”的策略发生了转变，最终开始向那些不确定性较高的学生倾斜，正如理论所预测的那样。

终极问题

论文最后提出了一个道德难题。我们已经证明，根据一个人的未来看起来有多“模糊”来对待他们，在数学上是高效的。但这公平吗？如果两个学生处于完全相同的境地，但其中一个来自一个未来更难预测的背景，仅仅因为数学逻辑认为他们是“风险更高”的赌注，他们就应该得到较少的帮助吗？

作者并没有解决这个道德辩论，但他们强调了社会面临的一个新困境。他们指出，虽然忽视不确定性会导致资源浪费，但利用不确定性来决定谁获得帮助，可能意味着在资源紧张时放弃了那些最脆弱的人。这提醒我们，在生活的博弈中，最“聪明”的数学决策并不总是最“公平”的人类行为，而且答案会随着我们船上救生衣的数量而改变。