当AI学会民主投票：破解线性排序规则中的公平悖论
随着人工智能系统在招聘筛选、资源分配乃至政策制定等领域扮演越来越关键的角色，其决策过程是否真正代表了社会多元群体的声音，成为科技伦理界持续关注的焦点。一个看似简单却深具哲学意味的问题浮现出来：当我们需要让AI反复执行一项涉及排序的任务——比如从众多候选人中选出最优者，或从海量提案中确定优先级时，究竟应该采用什么样的‘投票’逻辑？
从算术平均到几何直觉：打破多数暴政的迷思
长期以来，业界默认将各利益相关方提出的评分向量取算术平均，作为集体判断的基础。这种方法直观且易于理解，但它潜藏着一个根本缺陷：它天然偏向那些表达强烈、立场明确的意见集群。换句话说，少数派的声音很容易被淹没在多数派的洪流之中，形成一种隐蔽的‘多数暴政’。这种现象在社会科学中早有警示，但在AI系统设计中，却常常被技术效率的光环所掩盖。
我们的研究发现，这个问题并非无解。通过对数学空间的重新审视，我们找到了一个优雅的解决方案：引入‘角均值’（angular mean）概念。这个名称听起来或许有些陌生，但它实际上是算术平均在单位球面上的自然推广。想象一下，每个选民提出的评分向量都指向三维空间中的一个特定方向，而角均值所做的，正是找到所有这些方向向量的‘质心’——不是简单相加再归一化，而是沿着球面寻找那个最平衡的位置。这种几何直觉，恰恰反映了民主的本质：尊重每一种立场的独立性与权重，而非将其粗暴地压缩进同一尺度内。
更令人振奋的是，理论推导表明，角均值能够完美满足‘长期比例代表性’（long-run IP）这一关键指标。这意味着，在大量重复决策过程中，每一个选民类型所期望的结果，都会以其人口占比的比例出现在最终排名中。这是一种动态、累积式的公平保障，超越了单次决策的局限性。
现实世界的验证：同质偏好 vs. 高争议场景
当然，理论上的优美并不总能转化为现实中的卓越表现。为此，我们在三个真实世界的多方偏好数据集上进行了对比实验。这些数据集涵盖了教育资源配置、公共政策评估以及技术路线选择等多个领域，具有高度的现实复杂性。
实验结果清晰地划分出两种截然不同的情境。在第一种情况下，当各群体的偏好相对一致、差异较小时，无论是算术平均还是角均值，都能交出相当接近的答卷。这说明，在共识基础牢固的场景中，传统方法依然稳健可靠。
然而，一旦进入‘高争议’环境——即不同群体之间存在深刻且不可调和的分歧时，角均值的优势便凸显无疑。此时，算术平均往往导致某些群体长期处于边缘地位，而角均值则能显著提升整体的比例代表性水平。它没有回避矛盾，反而通过精巧的空间映射，让每一方的关切都被听见、被考量。
超越批次限制的启示：规模效应下的公平跃迁
进一步的研究还揭示了一个有趣的边界条件：虽然固定线性规则无法保证每一次决策都严格满足‘每批比例代表性’（per-batch IP），但随着单个决策批次规模的扩大，这一差距会迅速收窄。这表明，在实践中结合大样本学习与渐进式优化策略，有望逼近甚至实现近乎完美的个体代表权。
这项工作的意义远不止于提出一个新的算法公式。它重新定义了我们在构建AI对齐机制时必须持有的基本信念：真正的公平，不在于消除差异，而在于赋予差异以结构化的表达渠道；不在于追求绝对的平均，而在于建立动态平衡的协商框架。