给政策一次彩排

每隔一段时间，就会看到这样的新闻：一项本意良好的政策推出之后，结果和初衷南辕北辙。想保护的人没有被保护，反而被进一步挤压；想遏制的行为没有减少，反而换了一种更隐蔽的形式蔓延开来。事后复盘，人们常说：制定政策的人太不了解人性了。

这句话我只同意一半。不了解人性是真的，但很难全部归咎于某个人的能力。一项政策要落到成千上万种处境各异的人身上，每个人都会按自己的利益重新算一遍，没有哪个大脑能事先把这些账都算完。我最近一直在想：这笔账，能不能先交给 AI 算一遍？

设想是这样的：用 AI 搭一个政策模拟平台，让模型扮演政策会触及的各种身份，企业主、打工者、房东、租客、中介、基层执行者，让他们在新规则下各自追求自己的利益，看看会发生什么。在政策真正落地之前，先在模拟世界里彩排一次，把那些钻漏洞、适得其反的路径提前找出来，再回头修改条文。

这篇文章想把这个想法理清楚：问题到底出在哪里，现有的办法为什么不够，AI 能补上哪一块，这样一个平台大致长什么样，以及它最容易在哪里出错。

好心办坏事的老故事

经济学课上常讲一个「眼镜蛇效应」的故事。据说英国殖民印度时期，德里蛇患严重，政府悬赏收购死眼镜蛇。起初确实有效，后来有人开始专门养蛇换赏金。政府发现后取消悬赏，养蛇的人把没用了的蛇放掉，蛇反而比以前更多。这个故事的细节未必可考，但它流传这么广，是因为类似的事一再发生。

1989 年，墨西哥城为治理空气污染推出「今日不开车」：按车牌尾号，每辆车每周停驶一天，设想是路上的车少五分之一。后来的研究发现，空气质量并没有明显改善。不少家庭买了第二辆车来绕开限行，而为了省钱，买的往往是更老、更脏的二手车。

美国许多地方推行过「Ban the Box」，禁止雇主在招聘初期询问求职者有没有犯罪记录，本意是给有前科的人一个公平面试的机会。可研究发现，雇主拿不到这条信息后，顾虑并没有消失，而是转而凭种族去猜。年轻黑人男性整体收到面试邀请的机会反而下降了，其中包括大量本来就没有任何记录的人。

旧金山扩大租金管制的范围后，研究者追踪发现，受管制的房东通过改建、出售、转为自住等方式，让这批房子的出租供给减少了约 15%，推高了全市的房租。已经住在里面的租客受益了，后来的租客替他们付了账。

身边的例子也不少。一些城市的限购政策催生了「假离婚」，夫妻为了多一个购房名额先离后复。劳动合同法规定连续工作满十年可以签无固定期限合同，消息一出，就有企业在新法实施前让大批老员工先「主动辞职」再重新签约，把工龄清零。还有更常见的：延长产假本来是为了保护女性，有些雇主的应对方式，却是在招聘时悄悄避开育龄女性。

问题不在坏心，在模型

这些故事的共同点，不是制定者心怀恶意，而是他们脑子里的那个模型太简单了。

写条文的时候，人们心里通常有一个「典型的人」：他读懂规则，然后照着规则的本意去做。现实里的人不是这样。他们处境各异，资源和信息差别巨大，而且会对规则做出反应，把新规则当成一道题，去解自己利益最大化的那个解。条文写的是「不许做 A」，人们读到的是「A 之外还能做什么」。

经济学里对此有几个熟悉的说法。古德哈特定律说，一个指标一旦成为目标，就不再是好指标。卢卡斯批判说，人的行为会随政策改变，所以拿旧规则下的历史数据去预测新规则的效果，本身就靠不住。说的都是同一件事：政策不是作用在静止物体上的一个力，而是投进一个会回应的系统里的一步棋。

还有一条更让人难受的规律：规则一变，最先调整、调整得最好的，往往是信息最多、资源最多、组织得最好的那一方。大企业有法务，房东有中介，有钱人有顾问。而政策想保护的人，常常恰好是最没有能力博弈的那一方。于是一项保护性的政策，经过各方一轮轮调整，成本被层层转嫁，最后又落回被保护者身上。这几乎是政策适得其反时最典型的形状。

现有的办法为什么不够

并不是没人想过要提前检验政策。常见的做法有几种，各有短处。

试点。先小范围试行，效果好再推广。这是最接近真实的检验，但它慢，代价是真实的，而且试点里的人知道自己在试点，执行者也格外上心，推广之后的行为未必一样。更要紧的是，很多漏洞要等规则稳定下来、「攻略」流传开以后才会出现，试点期太短根本看不到。

征求意见。公开草案，收集反馈。问题在于谁会来提意见：写得出有分量意见的，多半是组织化的利益方；真正会被影响的普通人，要么不知道，要么说不清。而且很少有人会在意见里写「我打算这样钻空子」。

计量模型。用历史数据估计政策效果。它擅长回答「平均会怎样」，不擅长回答「有人会怎样绕开」，而且逃不开卢卡斯批判：一条从没出现过的规则，历史数据里没有它的答案。

传统的多主体仿真。用程序模拟大量个体的互动，这个思路已经很接近我想要的。但传统做法里，每个个体的行为规则都要人事先写好，比如「房租超过收入三成就搬家」。它能模拟人写进去的行为，却想不出人没想到的行为，而钻漏洞恰恰就是那种没人想到的行为。

AI 能补上的那一块

大语言模型带来的变化在于：它可以被要求扮演一个具体的人，带着这个人的处境、目标和常识去理解一段规则，再推理出他可能怎么做。它不需要事先被写好行为规则，它会自己「想」。

这一点对模拟政策尤其要紧。告诉一个扮演小餐馆老板的模型：「下个月起，雇满十人的企业要额外缴纳一笔费用」，不用任何人提醒，它就可能想到把员工控制在九个，把一部分人转成外包，或者拆成两家店分别登记。这正是起草者最容易漏掉的东西：不是有人违法，而是有人在规则允许的范围内，找到了一条起草者没想到的路。

学术界已经有人在往这个方向走。斯坦福的研究者 2023 年做过一个「小镇」实验，让二十多个由模型驱动的角色在虚拟小镇里生活，它们会自发地组织聚会、传播消息。之后又有研究根据一千多名真实受访者的访谈，为每个人生成一个模拟角色，这些角色回答社会调查的表现，已经接近真人两周后重答自己问卷的一致程度。经济学家也开始讨论把模型当作「硅基受试者」，在模拟中复现经典的行为经济学实验。更早还有用强化学习寻找最优税制的「AI 经济学家」。

这些研究离一个能检验真实政策的平台还很远，但它们说明了一件事：让模型扮演不同的人，并在互动中产生没有被预先写好的行为，已经不是空想。

政策彩排平台大概的样子

把这个想法再具体一点。我设想的平台大致由这样几部分组成。

政策解析。先把政策文本拆成可以执行的规则：适用于谁，要求什么，奖惩是什么，怎么认定，由谁执行。拆的过程本身就有价值：那些含糊的、可以有多种理解的地方，往往就是日后被钻的空子，应该先被标出来。

身份库。依据人口普查、抽样调查和行业数据，构建一个尽量贴近真实分布的人群。每个身份不只是一个标签，而是一组具体的处境：收入和资产，家庭负担，信息渠道，风险偏好，手里有什么资源，受什么约束。除了政策直接针对的人，还应该放进三类常被忽略的角色：执行者，基层工作人员也会为了完成考核指标而变形执行；中介，专门研究规则、出售「攻略」的人，往往是漏洞最早的发现者和传播者；以及旁观的第三方，政策没有提到他们，成本却可能被转嫁到他们头上。

环境与互动。人不是孤立地做决定的。房东的选择会改变租客面对的市场，一个人想出的办法会顺着社交网络传给更多人，执行者看到大家都在绕路，会调整自己的松紧。所以模拟应该是多轮的，让行为在互动中演化，这样才看得到二阶、三阶效应，而不只是每个人第一反应的简单加总。

红队。除了模拟「普通人会怎么做」，还应该专门放进一批角色，它们唯一的任务就是在规则之内把自己的利益做到最大，想尽办法找漏洞。这借用的是网络安全的做法：系统上线之前，先请人来攻击它。政策同样值得一次渗透测试。

评估。输出不该只是一个总分。它至少要回答几个问题：政策的目标指标有没有达到；收益和成本分别落在谁身上，尤其是政策原本想保护的那群人，处境变好了还是变坏了；出现了哪些意料之外的行为，按可能性和危害排序；执行成本有多高，执行者有没有变形的动机。

迭代。根据结果修改条文，再跑一遍，比较不同版本。平台真正的价值不在于给一份政策打分，而在于让「改一条、试一次」变得足够便宜，便宜到可以在发布之前试上几十次。

用一个例子走一遍

拿延长产假试一试。假设草案是：女性产假从 98 天延长到 180 天，期间工资由用人单位照常发放。

模拟里放进几类身份：不同规模的企业主和人事主管，未婚和已婚未育的年轻女性，已经生育的女性，同岗位的男性求职者，招聘平台，劳动监察部门。让它们跑上几个招聘季。

大企业的人事角色大概会说，成本扛得住，但同等条件下会更倾向于招已育女性或男性。小企业主的反应会激烈得多：一个十几人的公司，一名员工休半年假，意味着要多雇一个人顶岗，工资发两份。他不会在招聘启事里写明性别，但面试时会多问一句婚育计划，或者干脆在筛简历时就把人刷掉。招聘平台上可能冒出隐晦的筛选标签。年轻女性角色会察觉到面试中的变化，一部分人开始隐瞒婚育计划。劳动监察角色则会发现，这类歧视几乎无法取证。

评估的结论可能是：已经在岗、能顺利休满产假的女性受益了；还没进入职场、正在求职的年轻女性，境况反而变差了。这正是「想保护的人被进一步蚕食」的样子。

接下来改条文，再试。比如把延长部分的工资改由生育保险统一支付，企业不再直接承担；再比如给男性设立不可转让的育儿假，让雇用男性也带上相近的「风险」，雇主就失去了专门避开女性的理由。重新跑一遍，看小企业主的筛选动机有没有下降，已育和未育女性的结果是否更均衡。这些修改方向本身并不新鲜，不少国家早就这样做了。平台的意义在于：让起草者在落笔之前，就亲眼看到第一个版本会怎样伤到它想保护的人。

它最可能在哪里出错

说到这里，必须把这个想法的软肋也讲清楚。一个模拟平台如果被过度相信，危害可能比没有它还大。

模型不是人。语言模型的「人性」来自它读过的文字，而这些文字过度代表了上网多、会写字、说主流语言的人。它扮演农民工、老人、少数群体时，给出的很可能是刻板印象，而不是真实的处境。它还常常比真人更讲道理、更守规矩；或者反过来，把每个人都演成精于算计的理性人。真实的人会拖延，会怕麻烦，会因为根本不知道有这项政策而什么都不做，这些「不作为」同样决定政策效果。

必须校准。平台需要拿结局已知的旧政策来回测：在不提示的情况下，它能不能复现墨西哥城的第二辆车，复现限购下的假离婚？这里有个陷阱：模型很可能在训练数据里读过这些结局，复现出来不等于真有预见力。更可靠的检验，是用模型训练之后才出台、结果才揭晓的政策。

它是压力测试，不是预言。我认为这个平台最合适的定位，不是预测「失业率会上升 0.3 个百分点」，而是列出一份「可能出现的行为清单」，告诉起草者哪些地方值得担心。它更像风洞、兵棋推演和安全红队，而不是天气预报。它的价值在于找到问题，而不在于证明没有问题。

不能变成背书工具。最危险的用法，是拿「模拟显示没有问题」为一项政策辩护，堵住批评的声音。模拟没找到漏洞，只说明模拟没找到。为了防止这一点，模拟的设定、身份库、提示词和结果都应该公开，让任何人都能质疑、复跑，补上自己知道而平台没想到的情形。

不能代替真实的人。模拟应该告诉我们该去问谁、问什么，而不是让我们不必再问。模拟显示小企业主会筛掉育龄女性，下一步就该真的去找小企业主和求职的女性聊一聊。尤其是政策想保护的那些人，他们的声音最容易被统计和模型抹平。

同一套工具，谁都能用。能帮制定者找漏洞的平台，也能帮利益方更早找到漏洞。但我不太担心这一点：专业地钻空子，本来就是利益方一直在做、而且做得很好的事。今天缺的，恰恰是站在规则制定这一边的同等能力。平台做的，是让制定者和最会博弈的那些人，至少站上同一条起跑线。

先彩排，再上演

写条文的人想象的是规则之下的人，而真实的人会反过来想象规则。这中间的落差，过去只能靠经验、试点和事后补救去填，代价常常由最没有能力博弈的人来付。

AI 不会让政策变得完美，也不该替任何人做决定。但它第一次让我们有机会在一项政策落地之前，先让它在成千上万个各怀心思的模拟者身上走一遍：看谁会绕路，看成本最后落到谁身上，看原本想保护的人，是不是又被挤到了更边缘的地方。

舞台剧上演之前都要彩排。影响千万人生活的规则，更值得先彩排一次。