“用地图说谎不只是容易，更是必然。在平平的纸张或屏幕上，妄图清晰地呈现复杂三维世界里的种种关系，地图就必须有所扭曲。”马克·蒙莫尼尔 ( Mark Monmonier ) 在《会说谎的地图》开篇即写道。
选区划分是影响美国政治进程最隐蔽的方法之一。通过合法地改变选票的收集和计算方式，可以影响选举结果，甚至能够提前多年就锁定投票倾向。而解决方案之一就是利用人工智能系统，更加公正的划定投票区。
撰文 |微胖、徐丹
美国选民将在11月3日选出下一届总统，PK双方是共和党现任总统特朗普 VS 民主党拜登。拜登在前总统奥巴马时期担任过副总统，此次代表民主党角逐白宫权力大位。
虽然拜登在民调中稳定领先，然而，大家都不会忘记四年前震惊全世界的一幕：
2016年，与特朗普PK 的希拉里·克林顿在民调中领先，而且，在大选中得票数比特朗普多将近300万票，最后仍然输给特朗普。
全国性的民调能够探知两位候选人在全国范围内的受欢迎程度，但不一定能准确预测谁能赢得大选。
事实上，类似2016年希拉里惜败特朗普的例子在美国选举历史上发生过好几次：
In 1824 Andrew Jackson 赢得多数民众选票，却输给John Quincy Adams
In 1876 Samuel Tilden 赢得多数民众选票，却输给Rutherford B. Hayes
In 1888 Grover Cleveland 赢得多数民众选票，却输给了 Benjamin Harrison
In 2000 Al Gore 赢得多数民众选票，却输给 George Bush
In 2016 Hillary 赢得多数民众选票，却输给Trump
希拉里的总人口票（popular vote)比特朗普还多，却仍然输掉了选举。这是为什么？得票数多的不一定赢得大选，说好的民主呢？11月的总统大选，历史还会重演吗？
希拉里·克林顿在纽约发表讲话，承认竞选失败。
一 格里蝾螈：川普获胜背后的玄机
按照普通人的理解，一人一票的选举应该就是多数票者获胜，但是，美国选举并不是简单计算票数，而是按照选区来计算。
无论是总统选举还是国会选举，都是一个选区一票，并不是简单计算人头多少。因此，如何划分选区会直接影响大选走向。以下图为例。
A至C均有6票红色、9票黑色，A至C的总票数各为15，同时均被划分为三个小区。因应不同的选区划分，双方取得的席位数目截然不同：
在A中黑组全取3席，红组0席；在B中，黑组优势被削弱，取得2席，红组取得1席；而在C中，红组却可取得2席，比黑组还要多1席。
最早通过操纵选区划定方式来达成某种选举结果的案例可以追溯到1812年。当时，美国马萨诸塞州州长埃尔布里奇·杰利（Elbridge T Gerry）将某一个选区划分成了一个奇怪的类似的蝾螈（Salamander）形状让敌对的联邦党（Federalist Party）的选票集中在少数选区，以此使民主共和党（Democratic-Republican Party）候选人大比例获胜的案例。
由于重划后的选区酷似蝾螈，因此，用策略影响选区划分也被称为格里蝾螈（Gerrymander）。格里蝾螈后来成了政治术语，被用来指以不公平的选区边界划分来操纵选举结果，通过操纵建立一个不公平的政治优势使选举结果有利于特定一方。
将某一个选区划分成了一个奇怪的类似的蝾螈（Salamander）的形状。
在政治利益的驱使下，美国的民主党（Democrat）和共和党（Republican）互相争夺着“画笔”，在美国地图上重新绘制选区的边界。
在总统大选中，选区划分的过程中有两大基本策略，其一是尽可能极大化己方票源的有效使用，其二是尽可能极小化对方票源的有效使用。因此，“集中选票”（packing）和“分散选票”（cracking）为格里蝾螈的主要手段。
所谓"集中选票"，指尽可能将敌对阵营支持者集中划入己方的铁票区域，以降低这些选票在其他区域的影响力。
亦可将敌对阵营支持者集中于一个选区，通过田忌赛马的方式，牺牲这个选区，以降低这些选票在其他区域的影响力，从而保证其他选区己方占优。
所谓"分散选票"，则指尽可能将对方阵营的铁票区域划分成数个选区，以达到稀释对方铁票区域的作用力。
希拉里败给特朗普的真正原因，实际上是美国按选区计票和赢者通吃原则下的产物：
作为不折不扣的“白富美”、城市党代表，希拉里的选票被集中在了“城市选区”，虽然获胜率非常高，但根据赢家通吃的原则，险胜一票的结果与大比率胜出的结果没有本质区别：你赢得了这个选区。但是，多出来的那些风光选票实际上被浪费掉了。
反观川普，就像“田忌赛马”，虽然“城市选区”被“拱手相让”，但在人口多的大州内都是险胜，并没有浪费太多自己的选票。虽然选票数量不及希拉里，但效率更高：
倘若选区边界能被重新划分，无论是希拉里还是拜登，都能少浪费一些宝贵的选票。
二 AI如何消除小把戏？
在即将到来的2020大选中，特朗普所在的共和党也使用了这种小把戏。
去年俄亥俄州的选举地图最后被证明是经过精心设计，以锁定共和党人的压倒性优势。
好在一些美国民间机构如公民自由联盟（ACLU）等一直在推动选举合法化，最后该州联邦法院推翻了现行地图，认为其是从违宪的党派游说活动衍生而来，判定在2020年大选前重新绘制地图。
当时ACLU诉讼的专家证人是温迪·谭·乔（Wendy Tam Cho）和布鲁斯·凯恩（Bruce Cain），其中Cho一直在伊利诺伊大学香槟分校伊利诺伊大学（University of Illinois University）任教，多年来一直致力于选举地图的公平划分。
9月4日，Cho和Cain在最新一期的《科学》杂志中提出了一种AI划分选举地图的方法。这种划分方式是人与机器协作的一种典型方式。
选举地图绘制需要考虑非常多的因素，如人口平等、紧凑度量、打破政治细分的约束和表示阈值等，同时还要征求和考虑许多不同利益团队的关注。显然这些都不是人工智能能胜任的。
所以算法输入部分都需要人来确定，例如，公民投票年龄与投票年龄人口、相关的过去选举，以及如何预测未来的投票选择等，另外党派措施(例如，平均-中位数差异，竞争力，可能的席位结果，效率差距)以及在法庭上经常有争议的投票预测模型，都应该透明地指定。
而AI的作用就是做出多个地图划分模型，将不同模型间的竞争利益可视化，供人选出最优者。
具体来说，AI会根据人类的提出形状（避免蜿蜿蜒蜒的蛇形区域等）、面积（例如一个州面积小于150平方英里）等的条件限制，以及无数的历史、地理和人口因素对地图的形状进行填充，形成多个分割模型，公民需要经过辩论权衡中出一个折衷的方案（例如，若要遵守紧凑型规则可能要将城市分割成锯齿形状）。
该图显示了如何根据创建者的不同划分出不同的地区，是地区划分问题的简化版本。
如图所示，如果将这12个地理区域中的六个共和党人和六个民主党人分为四个区，就会出现明显不同的结果。50-50个政党的分裂可以变成任何一方的3：1优势。）
第一轮辩论完成后，该过程会重复进行。比如，经过初次权衡，公民决定选择用两个而非三个少数民族地区将一个特定的城镇合并在一起，接着就会将改进的目标制定给另一轮计算分析，并进一步进行审议。
审议最终希望的是遵循帕累托改进原则（指在不减少一方的福利时，通过改变现有的资源配置而提高另一方的福利），比如在城市分裂或少数民族代表情况改善的情况下仍然可以提高形状的紧凑型。在此过程中，AI会阐明各种权衡取舍的方式，但决定权还是在人类手中。
三 落地关键：解决AI信任度
根据算法自动创建的地图的技术已经非常成熟，但在划分选举地图方面，最重要的并不是技术而是流程的透明度。
类似的技术去年已经在小范围的应用，比如北卡罗来纳州已经用算法绘制出了1000张地图，最后选择出得分最高的5张，然后以彩票的方式抽奖决定最终地图，不过最后地图还是被否决了。
很重要的原因是公众对这种涉及到政治的技术并不信任。并且“彩票抽奖”的方式也过于随便。
北卡罗莱纳州参议院使用州彩票机来挑选基本地图，为法院下令的选区重划做准备。
让技术落地最重要的问题是开发出信任流程。“目前，社会似乎存在巨大的信任赤字，这是我们必须努力扭转的事实。”
所以这一套操作应当有与之相对应的制度。Echo认为，地图绘制权应当交给各个州，一个可能性的制度是通过独立的重新分配委员会（IRC），以平衡的党派公民委员会代替政客。
IRC是一个较新的政治概念，仅在某些州存在，且功能各异，有些负责制定国会计划，有些事立法机关的咨询，在一些州，IRC只能在立法机构未能制定计划时才会发生作用。
不过，正因为IRC没有标准定义，才能赋予州自主权力，成为新技术实施的载体。
为了保证公众对新技术的信心，IRC必须以公开审议的方式制定指导计算算法的标准，并将迭代过程透明化。比如，在利益发生冲突时，他们要如何权衡少数民族的利益和党派考虑？这些权衡因素都因被标准化和透明化。
“在政治上应用人工智能时，必须要让人参与其中，解释技术的局限性，并努力证明技术的应用是经过仔细考虑的，而不仅仅是权宜之计。”
Echo表示，这些方法不太可能很快就可以广泛使用，但是在接下来的几年中，公正的体系可能（甚至应该）会成为流程的标准部分。
https://www.gcores.com/articles/120175
https://techcrunch.com/2020/09/04/ai-drawn-voting-districts-could-help-stamp-out-gerrymandering/
https://science.sciencemag.org/content/369/6508/1179
来源：oschina
链接：https://my.oschina.net/u/4263556/blog/4553799