Lucas 批判

Goodhart 定律有个孪生兄弟：Lucas 批判（Lucas Critique），1976 年由经济学家 Robert Lucas 提出（B01 结尾埋过这条线）。白话版是：你从历史数据里发现一条稳定规律，想拿它当操纵杆用。可这条规律里藏着人们对旧规则的预期：你一动手，扳动的正是这份预期——预期一变，行为跟着变，规律当场瓦解。你用来预测的规律，因为你使用它而失效。它解释了为什么用旧数据算出来的关系撑不住新政策，也解释了为什么一个 benchmark（给模型统一出题打分的公开题库）一被当成目标就开始失灵。

先讲那场教科书级的事故。1960 年代的数据显示，通胀和失业之间有一条看似稳定的取舍曲线，叫菲利普斯曲线：通胀高一点，失业就低一点。决策者读出的操作含义诱人：只要容忍持续的温和通胀，就能买到持续的低失业。可这条曲线的斜率本身，内含了公众对旧政策环境的预期。政府一旦开始系统地利用它——靠维持温和通胀换低失业——这套操作就被公众看在眼里：公众看穿了套路，工资与价格的设定方式随之改变，权衡消失。1970 年代的收场是滞胀：高通胀与高失业并存，曲线承诺的交易根本不存在。规律没有错，错的是把被动观测到的规律当成可以主动踩的杠杆。曲线不是被证伪的，是被使用坏的。这句话几乎可以原样刻在每一个饱和的 benchmark 上。

Lucas 把这场事故背后的逻辑压缩成他自称的「单个三段论」。用白话展开：第一步，计量模型（用历史数据估出来的那套方程）的参数，来自千万个普通人在旧政策下的最优决策；第二步，人们的最优决策会随规则变化而系统地变化；第三步，所以任何政策改变都会系统地改变模型的参数。三句话没有一句多余：参数不是自然常数，是人们在旧规则下行为的化约投影，规则一换，投影重排。结论也就跟着来了：用当前的计量模型去比较备选政策的效果，是无效的，无论这个模型历史拟合得多漂亮、短期预测多准。

Goodhart 的英国现场（B01 讲过的货币目标制失败）可以逐句套进这个三段论，两条定律在同一段历史里互为注脚。货币总量与经济之间的稳定关系，是银行与企业在旧管制下最优行为的化约投影；央行两度改写政策规则（1971 年放松管制、1973 年底硬管制），主体重新优化，银行发明不计入管制口径的新负债，被瞄准的总量与经济的关系应声瓦解。差别只在叙述者站的位置：Lucas 站在建模者一侧说「你的参数会漂」，Goodhart 站在央行一侧说「你的目标会崩」，说的是同一场事故。

Lucas 的建设性主张常被忽略：批判的出路是把模型建立在深层结构参数上，也就是偏好、技术、资源约束这些不随政策变化的量（术语叫 policy-invariant，政策不变量），而把会随政策漂移的表层参数从外推链条里请出去。一句话：想要不被反应性摧毁的预测，必须建立在因果结构上，而不是表层相关上。这一判断五十年后在机器学习里得到了形式化的对应结论：Y10（策略性分类）证明防博弈的预测必须做因果建模，Y09（表演性预测）把「预测本身会改变分布」写成了数学。

它和 Goodhart 定律的关系比「雷同」更近。Chrystal 与 Mizen 2003 年的裁定原文是：可以论证 Goodhart 定律与 Lucas 批判本质上是同一件事，若果真如此，Lucas 几乎肯定先说。两者的分工在语域：Lucas 批判改变了宏观计量的方法论（模型要建立在深层参数上），Goodhart 定律改变了货币政策的设计（货币目标制退场、通胀目标制登场）。至于「谁先」，取决于把会议宣读还是正式出版算作首发：Goodhart 1975 年 7 月在悉尼宣读在前，Lucas 1976 年正式刊出在后，而 Lucas 的会议文稿实际流传得更早。这桩优先权公案至今没有定论。

放进更大的家谱，Lucas 批判是同一洞见的经济学方法论版本。Ridgway 1956 年已在组织研究里综述指标失效（B01 讲过的前传），Campbell 的腐蚀命题 1969 年已具雏形（B02：指标会腐蚀被测的社会过程），Goodhart 1975 年给出货币制度的经验概括，Lucas 1976 年给出微观基础与一般性定理：机制是理性预期（假设人们会预判政策并据此调整行为），出路是分清深参数与化约参数。几个学科先后撞上同一堵墙，Lucas 是把墙的力学写成定理的那个人。

这层差别，前面银行发明新负债绕开管制口径那处细节已经露过面——那已经不只是重新优化，还多了一层主动躲闪。也因此，Goodhart 定律可以粗略读作 Lucas 批判加上博弈规避在货币语境的特例：Lucas 讲的主体只是重新优化自己的决策，Goodhart 面对的银行还会主动发明新负债工具绕开管制口径，多出的那一层是对抗。对抗型机制的完整分类在 B08（Goodhart 四型：把指标崩塌拆成回归、极值、对抗、因果四种机制的词表）。

这套区分对评测的对应非常直接。一个静态 benchmark 的「分数与能力相关」，是在没人针对它优化的分布上估出来的化约参数：模型的训练配方、数据配比、采样策略在当时都没把这个 benchmark 当作目标。它发布并被当作目标的那一刻，等价于一次政策变更；训练方重新优化，分数的生成机制改变，原先的相关不再对部署后的真实能力负责。Y02（自适应过拟合）与 Y03（基准饱和）就是这条参数漂移曲线在排行榜上的两种读法。

留一个问题：深参数在 eval 语境里到底是什么？经济学把偏好与技术当作不随政策变的底层，但对一个会被训练重塑的模型，几乎没有哪个内部量是「优化不变」的。找到 eval 的深参数，或者证明它不存在，你赌哪一个先发生？

一句话带走：历史规律是旧规则下众人行为的影子，你一改规则，影子跟着动；想做经得起干预的预测，得抓住不随规则变的东西。