人工智能與機器學習如何能夠影響市場設計 *

保羅?米爾格羅姆 史蒂文?泰迪里斯/文 劉佳平/譯

一、導 言

幾千年來，市場在為個人和企業提供從貿易中獲益的機會方面發揮了關鍵作用。市場往往需要結構和各種機制支持才能有效運作。例如，當價格發現（price discovery）成為一種必需，拍賣就成為了一種常用的從貿易中獲得收益的機制。 這一領域的研究現在通常被稱為市場設計（market design）——最早由威廉?維克瑞（William Vickrey）于1961年在《反投機、拍賣和競爭密封投標》（Counterspeculation, Auctions, and Competitive Sealed Tenders）一文中提出——這表明，為了取得有效的結果，更廣泛地設計拍賣和市場機構是至關重要的。任何市場設計師者都需要了解預期完成的交易的一些基本細節，以便設計最有效果且最有效率的市場結構來支持這些交易。例如，將醫生與住院醫生相匹配的國家，住院醫生匹配項目最初設計的時候，幾乎所有的醫生都是男性，而他們的妻子往往跟隨他們到所駐醫院。到了20世紀90年代，這一項目就需要重新設計，以滿足雙方都是醫生的夫婦的需要，因為男女醫生不能被分配到不同的城市。即使是像農民死亡后出售農場這樣稀松平常的事情，也需要掌握關于結構和決策的知識，究竟是將農場作為整體出售；還是房子作為周末度假別墅單獨出售，同時將土地出售給鄰近的農民；還是將森林單獨出售給野生動物保護基金。

在復雜的環境中，理解交易的基本特征可能是不容易的，更不用說充分了解它們，以便設計出最好的機制，有效地從貿易中獲得收益，這是很有挑戰性的。 例如，最近互聯網廣告交易平臺快速發展，許多廣告代理被使用實時拍賣的廣告商獲得。但是，出版商應該如何設計這些拍賣，以充分利用他們的廣告空間，以及他們如何最大限度地提高他們的回報？羅杰?邁爾森（Roger B. Myerson）的早期理論拍賣設計研究，以及邁克爾?奧斯特洛夫斯基（Michael Ostrovsky）和邁克爾?施瓦茨（Michael Schwartz）近年對互聯網廣告定價的研究都已經表明，只要在市場設計時對起拍價設定稍作優化，就可以對在線廣告平臺的盈利產生戲劇性的影響。

但是，市場設計者如何能獲知設定最優或至少更好的起拍價所必需的交易特征呢？或者更廣泛地說，市場設計者如何才能更好地了解其市場環境？針對這些挑戰，人工智能和機器學習正日益成為市場設計的重要工具。零售商和交易平臺，如eBay、淘寶、亞馬遜、優步和許多其他企業，都在進行海量數據挖掘，以建立更優化的市場模式，幫助他們為客戶創造更好的體驗，并提高他們的市場效率。 通過更好的預測工具，這些公司可以預測，并更好地管理復雜和動態的市場環境。人工智能和機器學習算法改進了預測效度，有助于市場和零售商更好地預測消費者需求和生產商供應，并幫助產品和服務能夠進入到更細分的市場。

回到在線廣告的市場，像谷歌這樣的雙邊市場（two-sided market），它將廣告商與消費者相匹配，不僅使用人工智能來設置起拍價，還將消費者細分，進行廣告定位，而且他們還開發了基于人工智能的工具來幫助廣告商進行廣告競價。 在2017年4月，谷歌推出了“智能競價”，這是一項基于人工智能和機器學習的產品，幫助廣告商根據廣告轉化率自動出價，以便他們能夠更好地確定他們的最優出價。谷歌解釋說，這些算法使用了大量的數據，并不斷地完善用戶轉化模型，以便使廣告商的投入都能用在刀刃上，給他們帶來最高的轉化率。

二、機器學習與激勵拍賣

在20世紀上半葉，美國最重要的基礎設施項目都在運輸和能源領域。然而，到21世紀初，需要大量運輸的不僅僅是人員和貨物，還有信息。移動設備、無線網絡、視頻點播、物聯網、云服務以及更多新技術新事物的出現，已經創造了對通信網絡進行重大投資的需求。隨著5G技術的發展，更多的技術將紛至沓來。

然而，無線通信依賴于基礎設施和其他資源。無線通信速率取決于信道容量，而信道容量又取決于所使用的通信技術和專用于無線電頻譜帶寬的數量。為了鼓勵帶寬的增長和新用途的快速發展，奧巴馬政府于2010年發布了《國家寬帶計劃》（National Broadband Plan）。該計劃目標將大量帶寬從舊的、生產力較低的用途中解放出來，投入到現代數據高速公路系統中。

2016—2017年，美國聯邦通信委員會（FCC）設計并召開拍賣來完成上述計劃的部分工作。那次拍賣的頻率使用許可總金額高達200億美元。為了優化頻率資源，給新許可證騰出空間，FCC先以100億美元的價格向廣播電視運營商購買了轉播權，又支付了近30億美元將其他廣播公司轉移到新頻道。最終，共提供約84MHz頻率資源，其中70MHz作為授權頻率，另外14MHz作無牌用途。本節將詳細描述這一過程，以及人工智能和機器學習在改進這一市場的基本算法方面所起的作用。

總體而言，重新分配頻率資源，無論是規劃還是實施都不容易，也沒有直截了當的方法。這一計劃的規劃過程就遭遇到前所未有的計算困難，實施階段則需要各部門的高度協調。特別是重新分配的一部分頻率資源是用于超高頻廣播電視的頻譜帶，需要預先設定要清理多少個原有頻道；暫停哪些電臺電視臺（為新的用途騰出頻率空間）；哪些頻道會繼續留給原有電臺電視臺使用；何時進行頻道切換，以避免信號干擾。這一極為復雜的市場設計問題涉及多了個計算難題，其中最主要的就是非確定性多項式時間（NP）。這一過程中最關鍵的算法之一——“可行性檢查器”（feasibility checker），已經借助機器學習的方法被開發出來。

那么，為什么要重新分配頻率資源呢？電視轉播技術在20世紀末發生了巨大的變化。早期都是通過模擬技術傳播；其后幾十年里，有線電視和衛星服務不斷擴展，到2010年，90%以上的美國人都獲得了這些替代服務。標清電視信號被高清信號和4K信號所取代。數字電視和調諧器的出現降低了頻道資源分配的重要性，因此消費者/觀眾使用的頻道不需要與廣播電視公司所使用的頻道相匹配。數字編碼能夠更有效地利用波段，它使多路復用成為可能，因此曾經只能加載單一標清信號的頻道現在可以加載多個高清頻道，邊際譜（marginal spectrum）的價值有所下降。

然而，頻道資源的重新分配是一項困難重重的項目，并非普通市場機制可實現的。美國有數以千計的電視廣播塔，它們發射出信號能夠造成半徑為200英里的干擾范圍，所以這些頻率中的廣播內容需要清理干凈，以用于新用途。這一過程不僅需要美國不同地區間的協調，還需要協調與美國接壤的加拿大和墨西哥邊境地區。由于任一頻率只能在所有相關廣播公司停止運作之后才能使用，因此及時協調各方棄用頻率方可保證效率，也即要求同步操作。

需要解決的問題很多，其中之一是如何確定哪些電臺將在頻道資源重新分配后繼續保留。如果目標是效率，那么解決方案就是在拍賣后，使這些得以保留的頻道的價值最大化。設N是所有當前電臺電視臺的集合，S N，設為這些電臺電視臺的一個子集。設集合C為拍賣后可分配給電臺電視臺的頻道，代表不再能繼續廣播的電臺電視臺所獲得的零分配空集。頻道分配是映射A : N → C ∪ {}。 可供分配的頻道都是有條件的，即排除了電臺電視臺之間的相互干擾，采用公式：A（n1） = c1 A（n2） ≠ c2，（c1，c2） ∈ C2。每一個限制條件都可由一個四元組合來描述：（N1，c1n2，c2）。FCC面臨的問題中，這樣的限制條件超過百萬。如果能滿足所有抗干擾條件，那么頻道分配即是可行的，此時A代表可行的分配集合；設集合A為可行的分配。集合S為可繼續廣播的電臺電視臺，S ∈ F（C ），如果A ∈ A，則∈ A（S ）。

大多抗干擾條件采取了特殊形式，即地理位置臨近的兩個電臺電視臺無法共用同一頻道，這類電臺電視臺被稱為“鏈接臺”，它們之間的關系設為（n1，n2） ∈ L。對這樣一對“鏈接臺”，限制條件可設為A（N1）=A（N2） A（N1）=。這些就是同信道干擾條件。（N,L）則構成一個節點N與弧L組成的圖譜。如果同信道干擾是唯一限制條件，那么確定S ∈F是否成立，就決定了能否將集合C中的頻道分配給集合N中的電臺電視臺，以便保證沒有兩個鏈接節點被分配到同一頻道上。

圖1顯示了美國和加拿大的同信道干擾圖。圖顯示，美國東部地區和太平洋沿岸干擾最為最密集。問題是能否正確地將顏色（通道）分配給圖中的每個節點（電臺電視臺），保證兩個鏈接節點被分配到不同的顏色。圖著色是NP完全問題（NP-complete problem）的一類，對于這種問題，沒有已知的算法能夠快速解決，并且通常假設最壞情況下的求解時間與問題大小呈指數增長關系。由于一般的站點分配問題包括圖著色問題，因此它也是NP完全問題，并且因為FCC的問題體量，其求解難度會變得極為棘手。

圖1. 頻率資源再分配中同信道干擾圖譜

FCC最希望通過拍賣方式解決的問題是，在頻率集合C變小的情況下，使繼續廣播的電臺電視臺的價值得以最大化。設電臺電視臺J的價值為Vj，則：

這個問題非常復雜。事實上，正如上文所述的，即便是檢驗S∈ F（C）也是一個NP完全問題，更不用說在實踐中解決相關優化問題，更是難上加難。計算實驗表明，如果計算可以持續數周，那么有可能獲得近似優化，但仍會有幾個百分點的優化缺陷。

這場拍賣對于一個電臺電視臺而言是令人生畏的，因為即便是掌握所有出價信息的拍賣師也很難判斷出誰會成為贏家。在這種情況下，一些電臺電視臺可能會選擇退出。這一顧慮導致了FCC更傾向于使用防策略設計（Strategy-proof design），這能使每一家參與競拍的電臺電視臺可以相對簡單地作出最優出價——至少從理論上計算出價值并出價。眾所周知，有一種特別的防策略拍賣能夠做到優化配置，即維克里拍賣（Vickrey auction）。根據維克里拍賣的規則，若拍賣商從J臺購買廣播權，他必須支付的價格如下：

對于贏得拍賣的電視臺i，維克里拍賣價為pi則大于電視臺價值。如果有2000家電臺電視臺需要優化，那么兩個最大值中只要任意一個出現1%的錯誤，就會導致pi定價錯誤，差錯值可高達平均價值的2000%。如此巨大的潛在定價錯誤會引起某些潛在參與者的強烈不滿。

要解決維克里拍賣這一問題，我們可以想象FCC會如何寫信鼓勵頻道持有者參與拍賣：

親愛的廣播公司：

聽聞貴司對廣播頻率再分配流程過于復雜有所顧慮，以至于尚不能確定是否參與競拍或如何定價。為了簡化事項，我們已經采用了一種已獲諾貝爾獎的拍賣程序，稱為“維克里拍賣”。在這一拍賣過程中，貴司所需做的就是告知我們，您的廣播權對您而言價值幾何。之后的事情就交由我們處理，包括您交拍的廣播權如成交，成交價格多少。拍賣規則能夠保證拍賣完全符合貴司的利益。這就是維克里拍賣的神奇之處！然而我們運用的算法是非常復雜的，因此我們不能保證計算完全正確。

這樣一封信會讓許多電臺電視臺感到不悅，更加猶豫是否參拍。因此FCC決定使用另一種設計，即廣播公司只需要決定是同意出售其廣播權，還是拒絕FCC的出價保留其廣播權，繼續使用原頻率廣播。所有廣播公司都很滿意這一拍賣設計，即便還有其他的選項（例如變更保留廣播權，但變更頻率），也不予以考慮。

在這一簡化了的拍賣中，每位參拍者i在拍賣輪次t時的出價為pi（t），這一價格每一輪遞減。每一輪中，參拍者都可以選擇“退出”，拒絕當前出價，并保留自己的廣播權；或者選擇接受當前出價。t輪結束后，所有參拍臺被同時進行算法處理。在處理電視臺t時，考慮到有些臺已經選擇退出，因此必須有空余頻道供再分配，這時拍賣軟件會使用“可行性檢查器”校驗電視臺t能否繼續保留其廣播權。這就是上述提到的廣義圖著色問題。如果軟件運行超時，或計算結果為無法分配該電視臺，則這家電視臺即成為本輪拍賣贏家，成交價為pi（t– 1）。否則，出價將降至pi（t） ，它可以根據規則選擇退出或者繼續。因此，對于電臺電視臺而言，無論定價算法和軟件如何設定運行，在pi（t）

這種針對難解計算問題（hard computation）的時鐘拍賣理論是由保羅?米爾格羅姆和厄爾文?塞加爾（Irving Segal）提出的，他們模擬出超低成本且高效的電視廣播權購買實例。

這種下降式拍賣設計的表現在很大程度上取決于“可行性檢查器”的質量。 根據早期的模擬，我們粗略估計，每1%的可行性檢查失敗將增加約1.5%，即約1.5億美元的廣播權購買成本。 因此，快速解決大部分問題成為拍賣設計團隊的當務之急。

作為一個理論命題，對于頻道打包1有些情況，如廣播頻道的帶寬為6MHz，而移動通信信道帶寬需要是5MHz的倍數，因此必須對將要回收的頻譜進行重新打包。——譯者注問題中的可行性檢查，任何已知的算法都會隨著問題的體量增大而增加。然而，如果我們知道可能的問題的分布，仍然可以大概率地找到快速算法。但是我們如何知道問題的分布，又如何找到這樣的算法呢？

FCC拍賣使用了由凱文?萊頓-布朗（Kevin Leyton- Brown）教授領導的不列顛哥倫比亞大學拍賣經濟學研究團隊研發的可行性檢查器。研發過程包含許多步驟，但在這里我們聚焦其中機器學習的作用。拍賣經濟學的目標是能夠在一分鐘或更短的時間內解決99%的問題。

研發工作首先是模擬拍賣產生可行性問題，如在實際拍賣中可能遇到的問題。模擬產生了大約140萬個問題，可用于訓練和測試可行性檢查算法。分析的第一步是將問題描述為混合整數規劃（mixed integer programs），并測試標準商業軟件CPLEX和Gurobi，以判斷實驗結果與實驗目標相距幾何。結論卻是，相去甚遠。每100秒時間段內，Gurobi只能解決大約10%的問題，而CPLEX只能解決大約25%。對于實時拍賣，這一結果是不盡人意的。

接下來，同樣的問題被描述為布爾可滿足性問題（Boolean satisfiability problem，SAT），并測試了近期參與SAT求解大賽的17個求解器。這次結果差強人意，但是100秒內仍沒有哪個求解器的解決能力能超過2/3。而實驗目標是在60秒內，解決99%的問題。

下一步是使用自動算法配置（automated algorithm configuration），這是由弗蘭克?亨特（Frank Hutter）、霍格?胡斯（Holger H. Hoos）和凱文?萊頓-布朗2011年開發的程序，并由萊頓-布朗和他的學生在實驗中進行應用測試。首先使用解決可滿足性問題的高度參數化算法，訓練隨機森林算法模型（random forest model）。為了做到這一點，我們首先進行模擬拍賣，假設參拍者作出理性行為，以產生大量具有代表性的數據。然后，使用大量不同參數組合，來確定每個參數向量的求解時間分布，最終解決問題。這一過程產生了一個帶有參數和測量指標的數據集。運行過程中最有趣的兩點是，中位運行時間和在一分鐘內解決問題的比例。然后，通過使用貝葉斯模型，我們加入了不確定性，實驗者“相信”結果呈正態分布，隨機森林算法所決定的平均值，和取決于參數向量與數據集最近點的距離的方差。 接下來，參考先驗的均值和方差以及已知最佳參數向量的結果，系統識別能最大限度地提高預期結果改進的參數向量。最后，系統測試實際運行，識別參數并將其作為對數據集的觀察。系統迭代處理，識別出更多的參數進行測試、校驗，并將它們添加到數據中，以提高模型的精度，直到預算時間耗盡。

最終，這種機器學習方法會導致投入時間的回報遞減。當參數化算法“夠慢”，我們就能從中創建一個新的數據集，所謂慢指的是需要超過15秒的時間來解決。通過訓練新算法，以及并行兩種參數化算法，機器學習技術能夠使模型結果得到顯著提高。

在實際拍賣中，還有其他一些解決特定問題的技巧也可以用來提高運算速度。例如，一定程度上，可以將整體問題拆分成若干小問題；重用舊解決方案作為研究的起點；部分采取某一方案，指導解決未來的問題，等等。所有這些技術技巧最終就形成了快速的可行性檢查器，在分配時間內就可以解決幾乎所有的問題。

三、使用人工智能提高在線市場的信任

在線市場，如eBay、淘寶、Airbnb等，在最近20多年中實現了飛速增長，為企業和個人提供了前所未有的機會，能夠在線購買，或從在線交易中獲利。批發商和零售商可以在線推銷他們的商品，或者避免庫存積壓；而消費者則可以很容易地搜索到他們需要的商品。在線市場的誕生還使企業無需投資建設自己的電子商務網站；個人可以出售閑置品。最近出現的所謂“零工經濟”（gig economy）則是由Airbnb等平臺組成，個人可以在這類平臺上通過進行不同的生產活動，充分利用、分享他們的時間或資產，賺取額外收入。

在線市場的成果是出人意料的，主要得益于匿名貿易和信息不對稱。例如，那些從來沒有和對方交易過，而且可能相距數千英里的陌生人怎么會愿意信任對方呢？交易雙方的相互信任對于各方交易愿意和平臺成功至關重要。 eBay的早期成功往往被歸功于創新性地引入了其著名的在線反饋和聲譽機制，其后，各大平臺都采用了這一機制，只是根據各自特點做了微調。這些在線反饋和聲譽機制就是中世紀歐洲貿易集市中古老聲譽機制的現代版。

然而，最近的研究發現，基于在線買家對賣家反饋的在線聲譽度量并不能準確地反映他們的實際表現。事實上，越來越多的文獻表明，用戶產生的（user-generated）反饋機制往往是帶有偏見的，受到“等級通脹”（grade inflation）的影響，并且容易被賣家操縱。 例如，eBay賣家的平均好評率高達99.4%。這對解釋在線市場滿意率的真實性提出了挑戰。

那么問題來了，在線市場能否利用它收集的海量數據來衡量交易的質量，并預測哪些賣家會為買家提供更好的服務？眾所周知，作為貿易過程的一部分，所有在線市場以及其他基于網絡的服務都收集了大量數據。有些人把這些來自于每天上百萬次交易、搜索、瀏覽所產生的數據稱為“數據廢氣”（exhausts data）。 通過利用這些數據，市場可以創造一個促進信任的環境，這與歐洲中世紀貿易集市中出現的有助于促進信任的機制并無不同。市場設計的范圍遠遠超出了如制定招標規則和起拍價或設計服務層次等主流的應用，而是包含了有助于培育市場信任的機制設計。下面是最近的兩項研究，都顯示了市場可以通過許多方式將人工智能應用于數據處理，以促進市場信任，并提供更好的用戶體驗。

（一）使用人工智能評估賣家質量

在線交易平臺幫助參與者建立互信的方法之一是讓他們通過在線消息平臺進行交流。例如，在eBay上買家可以聯系賣家，向他們詢問關于產品的問題，這可能對二手商品或特殊商品尤其有用，因為買家希望獲得比商品介紹中更精細的信息。類似地，Airbnb允許潛在租賃者向房東發送消息，確認房屋介紹中所沒有提及的問題。

使用人工智能中一個成熟的技術領域自然語言處理（NLP），市場可以挖掘由這些在線消息生成的數據，以便更好地預測客戶所看重的內容。然而，也可能有更微妙的方法來應用人工智能來管理平臺的質量。消息傳遞平臺不僅限于交易前查詢，而且還提供交易完成后各方相互發送的消息。那就出現了一個明顯的問題，即：平臺如何分析買賣雙方在交易后發送的信息，以此推斷出評論反饋沒能反映出的交易質量？

迪米特里?馬斯特羅夫（Dimitriy Masterov）、烏韋?梅爾（Uwe Mayer）和史蒂文?塔德利斯（Steven Tadelis）2015年發表的一篇論文，1Dimitriy Masterov, Uwe F. Mayer and Steven Tadelis, Canary in the E-commerce Coal Mine: Detecting and Predicting Poor Experiences Using Buyer- to-Seller Messages, In Proceedings of the Sixteenth ACM Conference on Economics and Computation, EC ‘15, 81– 93.使用了來自eBay的內部數據，對上述問題進行了回應。他們進行的分析分為兩個階段。第一階段的目標是檢驗在有獨立跡象表明買家有所不滿的情況下，NLP能否在有獨立跡象表明買方不滿意的情況下，識別出“壞”交易。為了做到這一點，他們從交易中收集內部數據，這些信息包含了交易完成后買方發送給賣方的，并將其與另一個內部數據源進行匹配，該內部數據源記錄買家的行為，表明買家在交易中體驗不佳。買家不滿的行為包括未收到貨物，或商品與描述明顯不符，或留下負面或折中的反饋。

他們使用簡單的NLP方法創建了一個“體驗不佳”的指標作為目標（因變量），機器學習模型將嘗試預測，并使用消息內容作為自變量。將正則表達式（regular expression）搜索作為一個概念驗證（proof of concept, POC），使用其最簡單的形式——負面詞匯（如生氣、不滿、損壞、負面反饋）標準列表來識別負面信息。如果沒有出現負面詞匯表的任意一詞，那么這條信息被定性為中性。利用這一分類，他們將交易分成三類：（a）交易完成后買家未再向賣家發送信息；（b）一條或以上負面信息；（c）一條或以上中性信息，且無負面信息。

圖2描述了屬于不同消息分類的交易的分布，以及它們與不良消費體驗的關聯。圖2中x軸顯示，大約85%的交易屬于第一類。其余15%的交易中，買家至少發送了一條消息，其中中性信息和負面信息各占一半。y軸的頂部顯示了每一信息類型的不良消費體驗率。當沒有互發信息時，只有4%的買家報告說他們的體驗很差。每當發送中立信息時，不良消費體驗率就會升至13%，如果信息的內容是負面時，則超過1/3的買家表示體驗糟糕。

圖2. eBay上的信息內容與不良消費體驗

第二階段分析利用了負面信息與不良消費體驗相關聯這一事實，并基于這樣一種觀點，即收到高頻負面信息越多，賣家的質量越差，在此基礎上構建了一種新的賣家質量評價方法。例如，假設賣家A和賣家B都出售了100件商品，賣家A有五次交易至少包含一條負面信息，而賣家B則有八次這樣的交易。那么賣家A的質量評分為0.05，賣家B為0.08，則賣家B比賣家A更差。研究表明，使用過去交易中的負面信息計算出的這一比率與當前交易導致不良消費體驗的可能性之間，呈單調遞增的關系。

這個簡單的練習是一個概念驗證，它表明，通過使用信息數據和簡單NLP過程，就能夠更好地預測哪些賣家會帶來糟糕的體驗，而不必從某些夸大其詞的反饋數據中推斷出這一結論。eBay不是唯一允許交易各方進行信息溝通的平臺，這一研究的結論很容易推廣到其他各個平臺。其中的關鍵點就是市場參與者之間的溝通中包含信息，過去的溝通可以幫助識別和預測那些會給買家帶來不良體驗，并對市場互信產生負面影響的賣家或商家。

（二）使用人工智能創建一個反饋市場

除了像前面所描述的反饋經常被夸大之外，另一個問題是，大部分買家都會留下評論反饋。事實上，從主流經濟理論看，在線消費者留下反饋量是驚人的。 畢竟，這是一種需要耗費個人時間的無私行為，也是一例經典的搭便車問題。 此外，由于潛在買家被擁有良好反饋記錄的賣家或商品吸引，這就產生了一個“冷啟動”問題（cold-start problem）：沒有反饋的新賣家（或產品）將面臨“入場”障礙，因為買家會猶豫是否給他們一個公平的機會。應該如何解決這些搭便車和冷啟動的問題？

這些問題在李玲芳、史蒂文?塔德利斯和周曉嵐2016年發表的一篇論文1Li, L. I., S. Tadelis and X. Zhou, Buying Reputation as a Signal of Quality: Evidence from an Online Marketplace,NBER Working Paper no. 22584, 2016, Cambridge, MA.中進行了分析。他們利用淘寶這一巨大的中國在線交易平臺上的反饋做了一次全新的獨特嘗試，淘寶賣家有時會付費給買家要求好評。當然，人們會對付費評論感到擔憂，因為賣家只會為好評買單，并打壓一切差評，這本身并不利于提升信任。然而，淘寶巧妙地利用NLP解決了這一問題：由使用NLP的AL模型來決定評論是否相關，而非由付費的賣家決定。因此，實際上是由平臺管理買家反饋，傳播的是有信息量的反饋而非只是好評。

具體來說，2012年3月，淘寶推出了一個“評論有禮”功能，通過這個功能，賣家可以為他們銷售的任何商品設定現金或優惠券回饋，作為對買家反饋的獎勵。如果賣方選擇此選項，那么淘寶保證評論禮將從賣方的帳戶轉賬至留下高質量評論的買方賬戶。重要的是，反饋質量只取決于評論的信息量，而非等同于好評。淘寶用一個NLP算法來測度反饋的質量，該算法檢查評論的內容和長度，確定關于商品的重要信息是否被提及。也就是說，平臺通過迫使賣方在選定的一段時間內將一定數量的資金存入淘寶，來管理反饋市場，從而獎勵評論標準的買家，而一切都是由淘寶決定的。

“評論有禮”機制背后的動機是鼓勵更多的有信息量反饋，但正如研究者所指出的，經濟學理論能夠說明“評論有禮”如何作為一種強有力的信號機制，進一步將高質量的賣家與商品和低質量的賣家與商品區隔開來。回想一下菲利普?尼爾森（Philip Nelson）1970年發表的論文，1Philip Nelson, Information and Consumer Behavior, Journal of Political Economy, 1979, 78 (2), pp. 311– 329.研究表明廣告是質量的信號。根據這一理論，廣告這種燒錢的形式作為一種信號能吸引來那些堅信高質量賣家會選擇廣告的買家。激勵相容（incentive compatibility）是通過重復購買來實現的，即購買和體驗了廣告宣傳的商品的買家只有商品質量足夠高的情況下才會回購。 廣告成本很高，足以使低質量的賣家望而生畏，這些賣家的原則是只賣一次，因為他們吸引不了回頭客；但對于高質量賣家而言，與廣告帶來的利潤相比，它的成本仍然很低。因此，廣告是一種區隔不同質量賣家的信號，并為高質量賣家吸引來更多買家。

正如李玲芳等人所指出的，“評價有禮”機制與廣告起著類似的信號作用。 假設消費者在書面反饋中真實地表達他們的消費體驗，那么所有消費者只會在滿意的情況下才會留下好評。因此，只有當賣方期望得到好評時，才會向買方提供“評價有禮”的激勵；也只有當賣方提供高質量商品時，這種情況才會發生。如果賣方知道他們的商品和服務不盡如人意，那么“評價有禮”機制就會給賣方帶來差評。均衡行為就意味著“評價有禮”作為高質量的信號，將吸引更多的買家，并提高銷售額。人工智能的作用恰恰是為了獎勵買家提供的真實信息，而不是只是好評。

李玲芳等人繼續分析“評價有禮”機制出現期間的數據，并確認首先正如預期的那樣，該機制激勵買家更積極地反饋。更重要的是，額外的反饋沒有表現出任何偏見，這表明所使用的NLP算法能夠創建選擇信息反饋所需的篩選模型。 此外，數據也證實了，使用NLP來支持一個新的反饋市場確實解決了搭便車和冷啟動等可能阻礙在線平臺發展的問題。

四、使用人工智能減少搜尋摩擦 2

2搜尋摩擦（search friction），也稱“搜索摩擦”，由2010年諾貝爾經濟學獎獲得者彼得?戴蒙德（Peter Diamond）、戴爾?默藤森（Dale T. Mortensen）和克里斯托弗?皮薩里德斯（Christopher Pissarides）提出。簡單地講，“搜尋摩擦”理論認為失業和職位空缺現象同時并存的原因在于供需雙方的需求異質性，諸如雙方對于工資、工作時間和地點等因素的不同預期，從而造成匹配失敗。這一理論最初是針對勞動力市場提出的，但其應用不僅限于此，也適用于對其他市場的分析。——譯者注

人工智能和機器學習在在線市場的一個重要應用是使潛在買家與網站接觸，并繼續搜索產品或服務。用于搜索商品的搜索引擎是基于各種人工智能算法，這些算法被訓練以實現賣家目標最大化。這通常被歸結轉化，消費者越早將搜索行為轉化為購買行為，他就能越快獲得長期和短期的快樂。原因很簡單，搜索行為本身就是一種摩擦（friction），因此，實現搜索向購買的有效轉化，并使其最大化，就能夠減少摩擦。

經濟理論將搜索模擬成一個不可避免的、成本高昂的過程，使消費者與他們想要的商品區隔開來，上述分析與之并不矛盾。經濟學中的典型搜索模型要么建立在約瑟夫?斯蒂格勒（Joseph Stigler）的開創性研究1Joseph Stigler, The Economics of Information, Journal of Political Economy, 1961, 69 (3), pp.213– 225.基礎上，他假設消費者對固定數量的商店進行抽樣，選擇購買價格最低的商品；要么更多地是建立在約翰?麥考恩（John McCall）和戴爾?默藤森的模型2John McCall, Economics of Information and Job Search, Quarterly Journal of Economics, 1970, 84 (1), pp.113– 126.3Dale T. Mortensen, Job Search, the Duration of Unemployment and the Phillips Curve, American Economic Review,1970, 60 (5), pp.847– 862.上，認為順序搜索模型（model of sequential search）是對消費者搜索行為更好的描述。在這兩種建模方法中，消費者都明確知道他們想買什么。

然而，事實證明，在經濟理論所使用的簡單搜索模型中，消費者知道他們在尋找什么，搜索行為只是一種成本高昂的摩擦；與之不同，在現實中，人們的搜索行為是豐富而多樣的。托馬斯?布萊克（Thomas Blake）、克里斯?諾斯克（Chris Nosko）和史蒂文?塔德利斯2016年發表的一篇論文4Thomas Blake, Chris Nosko and Steven Tadelis, Returns to Consumer Search: Evidence from eBay, 17th ACM Conference on Electronic Commerce (EC 2016), pp. 531– 545.使用了來自eBay的全面數據，以最小的建模假設來闡明搜索過程。他們的數據表明，消費者的搜索量實際上已經遠遠超過了之前研究所發現的，因為之前的研究都會隨著時間的推移，能觀察到的搜索行為越來越有限。

此外，搜索通常是從模糊到清晰確定。例如，在搜索早期，用戶使用的搜索詞為“手表”，然后將其細化為“男士手表”，然后進一步添加限定詞，如顏色、形狀、表帶類型等。這表明，作為搜索過程的一部分，消費者經常在此過程中逐步明確自己的品位以及產品的特征。的確，布萊克等人的研究表明，隨著時間的推移，查詢中搜索關鍵詞的平均數量會增加；并且隨著用戶轉向更聚焦的搜索，如價格排序，使用默認排序算法的偏好會隨著時間的推移而下降。

這些觀察表明，在線市場和零售商都可以設計他們的在線搜索算法來理解消費者的搜索意圖，以便更好地為他們服務。如果消費者處于搜索過程的早期探索階段，那么就為他提供一些寬泛的選擇范圍使之能更好地了解自己的品位和市場中的各類選項。而當消費者需要購買某種特定的商品時，就為他提供符合他偏好的較窄的商品選項，效果會更好。因此，機器學習和人工智能可以在識別客戶意圖方面發揮重要作用。

人工智能和機器學習不僅可以預測消費者的意圖，而且能夠考慮到消費者品位的巨大異質性，人工智能可以幫助在線市場或零售商更好地進行消費者細分，從而為其提供更好的定制信息。當然，使用人工智能進行更精細的消費者細分，甚至個性化體驗的想法，也引起了對價格歧視的關注。 例如，《華爾街日報》2012年曾報道：“Orbitz Worldwide Inc.5在線旅游業巨頭。——譯者注發現，使用Mac電腦的用戶每晚在酒店消費超過其他用戶30%，因此在線旅行社開始向他們展示不同于Windows訪問者的旅行選擇，有時甚至是更昂貴的。Orbitz的努力正處于早期階段，它展示了如何使用看似無害的信息（在這一情況下，即為通過Mac訪問該網站的用戶）來追蹤消費者的在線活動，并開始預測他們的品位和消費習慣。”

這些使用消費者數據和人工智能的做法對于消費者究竟是有利還是有弊，尚無定論，因為眾所周知經濟學理論認為價格歧視既可以增加消費者福利，也可能損害消費者利益。如果平均而言，Mac用戶更喜歡住在豪華昂貴的酒店，因為擁有Mac與更高的收入和奢侈的品味相關，那么Orbitz的做法是有益的，因為它向消費者展示了他們想要看到的東西，并減少了搜索摩擦。然而，如果部分消費者并非十分在意酒店客房是否時髦奢華，只是純粹對價格的不敏感，那利用消費者價格不敏感來賺取額外利益的做法無疑是傷害了消費者。

目前，決策層對基于人工智能的價格歧視和市場細分對消費者的潛在危害很感興趣。特瑞爾?麥克斯韋尼（Terrell McSweeny）和布萊恩?歐迪（Brian O’Dea）指出，1Terrell McSweeny and B. O’Dea, The Implications of Algorithmic Pricing for Coordinated Effects, Analysis and Price Discrimination Markets in Antitrust Enforcement, Antitrust, 2017, 32 (1), pp. 75– 81.一旦人工智能被用來創建更有針對性的市場細分，這可能不僅對消費者福利產生影響，而且對反壟斷政策（antitrust policy）和并購中的相關市場界定也會產生影響。但是，正如麥克?高爾（Michal Gal）和尼瓦?埃爾金-克蘭（Niva Elkin-Koren）所指出的，2Michal Gal and Niva Elkin- Koren, Algorithmic Consumers, Harvard Journal of Law & Technology, 2017, vol.30, pp. 1– 45.零售商和在線市場為更好地細分消費者所使用的人工智能目標鎖定工具（targeting tool）可能會演化成有利于消費者的工具，幫助他們買到更好的商品，并限制在線市場和零售商對其進行價格歧視。

五、結 論

早期的古典經濟學理論很少關注市場摩擦，且無視信息和計算。這一理論概括了效率、大多數商品的競爭性價格以及如何充分利用寶貴資源。為了解釋這一理論的失敗之處，經濟學家開始研究搜尋摩擦模型，這些模型預測價格競爭將減弱，一些工人可能仍然失業，一些資源也不能被充分利用，識別出可靠的貿易伙伴的溝通成本高昂。他們還為復雜的資源分配問題建立了市場，將計算和溝通高度集中化，從而減輕了市場參與個體的協作成本。

面對傳統經濟中的這些主要摩擦領域，人工智能在提高效率方面具有巨大的潛力。本文論述了，人工智能可以克服計算障礙、減少搜尋摩擦和識別可靠合作伙伴的一些方法。這些都是傳統經濟效率低下的最重要原因之一，毫無疑問，人工智能正在克服這些問題，并有可能為所有人帶來更廣泛的利益。正如阿爾文?羅斯（Alvin E. Roth）3Alvin Roth, The Economist as Engineer: Game Theory, Experimentation, and Computation as Tools for Design Economics, Econometrica, 2002, 70 (4), pp. 1341– 1378.所指出的，市場設計者“不能只以用于理論探究的簡單的概念模型來研究市場的一般運行規律。相反，市場設計需要一種工程方法”。人工智能已經被證明是作為工程師的經濟學家的“工具箱”中一類極有價值的工具。