MIT研究：算法单一化在招聘中未必更糟，取决于具体条件和算法精度
MIT研究人员系统评估了算法单一化的主要反对意见，认为系统性排斥等论点不成立，但单一化会加剧信息回音室效应、抑制探索，可通过将多个算法打包成“集成算法”来缓解。
AI解读：MIT一项新研究重新审视了“算法单一化”的担忧：如果整个行业都用同一个算法做决策，结果未必更差，得看具体场景和算法本身有多准。
研究者逐一检验了常见的反对理由。在招聘场景中，系统性排斥这一担忧并不成立，因为所有岗位仍会被填满，用同一算法反而可能推高求职者的议价能力。
真正更值得担心的是信息同质化：单一算法会形成信息回音室，减少探索，可能让最合适的候选人被漏掉。把多个算法整合成“集成算法”有时能克服这一限制，甚至不输于多算法并存的“多文化”状态。
对招聘方和设计者来说，关键不是“单一化好不好”的口号，而是你用的这个算法是否足够准确，以及系统是否保留了随机性或集成机制来维持探索空间。
MIT研究人员对“算法单一化”这一概念进行了系统评估。所谓算法单一化，是指某一领域内的所有决策都由同一个算法做出。相关论文发表于《Philosophical Perspectives》，作者为MIT语言学与哲学系教授Brian Hedden和MIT斯隆管理学院教授Manish Raghavan，两人均为LIDS首席研究员。
研究聚焦招聘场景，但方法可适用于贷款等其他领域。作者指出，生成式AI内容创作或AI引导的科学研究等领域可能有所不同，其中某些领域的单一化问题或许更严重。
研究系统检验了针对算法单一化的常见反对意见。其中“系统性排斥”的论点被认为不成立：如果所有公司使用同一招聘算法，一名求职者被一家公司拒绝后确实很可能被其他公司也拒绝，但岗位总数不变，所有岗位仍会被填满，被雇用的人数不受影响。论文认为，这种单一化反而可能提高求职者的议价能力，因为公司之间在争夺同一批候选人，会推高工资。
在“能动性”方面，研究者考察了求职者无法根据不同公司调整简历的论点。他们指出，如果单一化系统允许求职者修改并重新提交材料，这一反对意见就不成立。反过来，单一化也可能让个人更容易钻系统空子，比如统一简历格式就能改善结果，但作者认为，多算法并存时求职者同样可以针对少数几家公司算法进行优化，因此单一化是否更助长投机并不明显。
研究者还考察了一个较少被讨论的反对意见：单一化会加剧信息同质化。基于社会心理学的“群体智慧”理论，多元且独立的决策者群体可能优于单一个人决策。在招聘中，不同公司使用不同算法可能带来更高质量的录用池；而算法单一化可能让特征和资历相同的候选人每次都被所有公司录用，从而阻碍公司发现可能更合适的替代人选。
论文指出，在单一化平台中引入随机性可以提升探索水平，从而缓解这一问题。此外，单一化的表现取决于算法本身：如果单一算法比不同公司使用的多种算法准确得多，单一化可能是更好的系统。研究者通过一系列招聘情境模拟确认，将多家公司的招聘算法打包成一个“集成算法”，根据平均值为求职者打分，有时能胜过使用多个独立算法。但作者表示，这种算法“集成”在实践中的可行性仍有待探索。
研究者对系统性排斥和能动性论点的具体反驳
研究以招聘为例，逐一评估反对算法单一化的常见论点。其中系统性排斥被认为不具说服力：虽然同一算法可能让被拒的求职者在每家公司都遭拒，但所有岗位仍会被填满，总录用人数不变。
作者Manish Raghavan表示，公司争夺同一批候选人反而会推高工资。在能动性问题上，研究者认为如果系统允许修改并重新提交简历，就无法指责单一化剥夺了求职者调整机会；而关于助长投机的担忧，在多算法并存时同样存在。
研究者强调，单一化是否带来问题取决于具体条件，包括应用领域和算法本身的准确度。
- 系统性排斥论点被认为不成立：岗位总会被填满，录用人数不受影响。
- 单一化可能提高求职者议价能力，推动工资上涨。
- 若允许修改并重新提交材料，能动性反对意见不成立。
- 投机问题在多算法并存时同样可能出现，单一化未必更严重。
信息同质化与集成算法的应对
研究还关注单一化对信息多样性的影响。基于“群体智慧”理论，多元独立决策者可能优于单一个人决策；对应到招聘，不同公司使用不同算法可能带来更高质量的录用池。
单一化可能导致特征和资历相同的候选人反复被所有公司录用，阻碍发现更合适的替代人选，从而减少整体探索。Raghavan指出，这在科学、艺术或写作等AI应用设计上尤其值得担忧。
缓解方式包括在单一化平台中引入随机性以提升探索水平。另一种方式是构建“集成算法”，将多家公司的招聘算法打包，按平均值为候选人打分。模拟显示，这种集成算法有时能胜过使用多个独立算法。
但Hedden表示，集成算法在实践中是否可行仍有待研究。Raghavan也指出，关于算法单一化的利弊，很多答案将取决于具体情境，仍需大量实证研究。
- 单一化可能形成信息回音室，抑制探索和发现。
- 在单一化平台引入随机性可提升探索水平。
- 集成算法——将多个招聘算法打包取平均分——在模拟中有时优于多算法并存。
- 集成算法实际可行性未知，研究者呼吁更多实证工作。