机械客观性

「用数字说话，不带主观判断」，今天听起来像一句职业美德。这句美德的来历，结论可能让你意外：公共生活对数字的崇拜，不是因为科学证明了数字更准，而是因为不被信任的人需要数字来自保。提出这个反转的是科学史家 Theodore Porter，1995 年的《Trust in Numbers》（对数字的信任）。他给这种「按规则算、排除个人判断」的客观性起了个名字，机械客观性（mechanical objectivity）。它也是 R03 里那把压平一切的尺子被造出来的原因，以及后面审计社会、排名爆炸的共同地基。

Porter 区分两种客观性。学科客观性：一个受信任的专家共同体，凭训练、经验和同行默契下判断，比如资深医生看片子说「这个不对劲」，大家信，因为信这个共同体。机械客观性：遵循公开规则、排除个人判断，谁来算结果都一样，比如用一条公式决定保费。通常的叙事说，量化是从自然科学的成功「下渗」到其他领域的；Porter 翻检了会计、精算、工程的历史，把方向倒了过来：公共生活中量化的扩张，动力主要来自行政与政治，为了标准化，为了让信息跨越距离流通，为了借「客观」二字获得合法性。他把量化程序称作「距离的技术」：一个数字可以离开产生它的现场，被千里之外互不相识的人检查、比较、汇总，而一个专家判断做不到这一点。

招牌洞见由此而来：数字是弱者的武器。一个强势、受信任的专业共同体，比如权力鼎盛期的法国国立桥路学院工程师，或者精英医生，可以依赖自由裁量，没有人要求他们出示算式，他们的「我认为」就够用。而一个弱势、不被信任、暴露在外部审查之下的群体，被迫用数字把自己武装起来，因为数字看起来非个人、可核查、无法被指控徇私。所以 Porter 说，量化「是权力弱、地位低的标志」：客观性是一种防御姿态，是对外部不信任的屈从。这同时解释了机械客观性的另一面，去责任化：按规则算出来的决定，没有哪个具体的人需要为它站出来负责，判断被转移给了程序。对被审查者，这是庇护所；对想追责的人，这是一堵墙。

这条命题是整条红色分支的政治经济学钥匙。回想 R01：被排名逼到墙角的法学院，正是一个饱受外部审视的专业教育场域；公立学校、医院，都是同一类处境。越是缺乏自主权、越是暴露于问责压力的领域，越会被卷入量化和它的反应性后果，不是因为数字在这些地方更真，而是因为数字在这些地方更能抵御质疑。往上游看，R03 的可通约化是机械客观性的技术前提：要让数字跨距离流通，先得把异质的质压成同一把尺子上的量；往下游看，审计社会（R09）是它的制度化形态，核验仪式消费的正是机械客观性生产的合法性。这个家族还有更老的根：Simmel 在 1900 年的《货币哲学》里写过，货币就是最古老、最彻底的通约装置，把一切质的差异压成可加减的量；Weber 则把「可计算性」当作现代性的底色。Porter 做的是把这个宏大命题专门化，并回答了一个具体问题，谁最先拥抱数字：不是最强的，是最先被怀疑的。

法国统计学家 Alain Desrosières 从另一头补上了这幅图。他在法国国家统计局（INSEE）工作，又是科学史家，1993 年的《大数的政治》讲统计与国家如何互相成就：统计既规定国家该管什么，又度量国家干得怎样，「清点人口」这个动作本身就在巩固权威。他的核心动词值得记住：faire tenir ensemble，把东西拢在一起使之成立。失业率、社会阶级、GDP，这些范畴不是从地里长出来的，要先在政治与技术上被建构、约定、稳定下来，然后才谈得上「反映」现实；而一旦稳住，它们反过来成为现实赖以组织的框架，政策按 GDP 制定，人按阶级动员。这是循环效应的国家统计版：分类会改变被分类的世界，那一课在 R06，没读过也不妨碍理解这里。

Desrosières 还留下一件趁手的工具：人对「统计数字是否实在」的四种态度。度量实在论，数字如实反映一个独立存在的量，像测体温；会计实在论，数字是记账规则的产物，准不准要看规则；用中证明，数字好不好，用了才知道；建构论，数字是社会协商的产物。这套分类的妙处在 Espeland 与 Sauder 2007 年的排名研究里显形：排名生态的不同位置上，人持不同的本体论。排名的生产者与不明就里的申请人，都是天真的度量实在论者，「我把排名当客观质量看，不管它方法如何」；而深度参与造数的行政人员，几乎无一例外滑向建构论，一位受访者的原话是：我们被迫做的这些事很可耻，我们是天主教学校，讲诚实，可我们不得不像别人一样把非法律工作也算成就业。规律很残忍：你对数字的信仰程度，取决于你离数字生产线的距离，离得越近，信得越少。

还有一条边界，也是引用 Porter 最容易犯的错：机械客观性命题解释的是量化被采纳的动机，不判定量化的效度。「数字更能抵御质疑」和「数字更准确」是两个独立命题，Porter 的全部要点恰恰是别把前者误认成后者；反过来，他也没说规则化必然更糟，规则排除判断的同时，也确实排除了徇私的空间，代价与收益都是真的。把镜头拉到全球还能看到同一机制换名运行：Merry 2016 年的「指标文化」，指标把主观信息量化、打包，再当作客观可靠之物呈现；《以指标治理》（2012）说得更直白，谁定义指标，谁就重新分配全球的注意力、声誉与资源。

留一个问题：机械客观性的前提是规则可检查，任何人都能沿着公式把结果复算一遍。用深度模型当评分者，同样排除了个人判断，却无法被逐条复核，它的「规则」没有人能读出来。D1 报告把这列为开放问题：这算机械客观性的新形态，还是一种既无判断也无规则的第三种东西，「黑箱可通约化」？

一句话带走：对数字的信任，往往不是因为数字可信，而是因为人与人之间已经没有更便宜的信任可用。