再论计划经济——评B站up主思维实验室的最新视频

【实现计划经济的另一条可能道路 未来抑或是幻想？【思维实验室】-哔哩哔哩】 https://b23.tv/MeBEzNL 我在看了思维实验室的这个视频之后，觉得我还是需要重复我之前讲过的陈词滥调，希望大家能够看完。 这个视频说计划经济的问题是这样的：“如果计划经济的各个环节有人工参与，那么人的私心就不会让计划经济科学决策；而且经济系统的影响因素是如此繁多以至于需要能够模拟整个人类社会的模型”。 以下是我的论断：如果是社会主义公有制的计划经济，在消灭商品经济的情况下，这两个问题根本不需要考虑；如果是私有制计划经济，这两个问题根本无法克服。 计划经济学派中最著名的学者就是获得1975年诺贝尔经济学奖的利别尔曼和康特诺维奇。但是如果仔细地审视他们的理论，就会发现他们其实是想用算力来模拟市场中的自由交换，用行政命令替代自由交换（或者说行政命令只是自由交换的形式），这也是市场经济派攻击计划经济派的常用理由。但是很多人没有注意到的是，自由交换恰恰是属于私有制经济的专利，而自由交换的本质是商品持有者之间主观上因而是意识层面确定商品交换的比例。这就是为什么商品经济系统会受到各种不确定因素的影响，比如一场疫情或者某个小国发生内战，市场尤其是股市就会大幅波动。这种意识层面的活动是不可能被任何模型精确预测的，否则就会与意识的主观能动性性相悖。 但是在社会主义公有制下，经济不是立足于交换的，然而由于仍然存在商品经济，所以必须有货币的流通，这种情况下经济上的贪污就无法避免，再加上劳动人民在政治经济上没有民主（指没有在“程序上”和“实质上”从整体上支配精英阶层的权力），计划经济的决策自然会“官僚主义”严重，我国当年大跃进时干部队伍内部的“四风”就是活生生的例子。所以只有也只能在公有制的基础上消灭商品经济才能把人在计划中异化于计划的“私心”消灭掉。 有人可能会说模型是可以对社会进行定量分析的，社会学不就是这么干的吗？首先，大部分的社会学与经济学一样，都是在错误的逻辑前提下用数学工具进行所谓的定量分析；其次，即使有些模型预测准了，也是把事物的意识因素剔除掉的结果。比如流行病传播模型，其实就是一个微分方程，而其中的传染概率r其实是一个统计值，这样这个模型就不需要考虑每个人每天出门的目的，它把意识的因素剔除掉只对自然本身进行分析。所以计划经济要想成立，就必须只对自然进行分析而扔掉意识的因素，而意识的因素不是主观上想要扔掉就能扔掉的，你的经济结构必须废除交换且在经济层面废除货币这个形而上学的价值尺度才能只分析自然。 那么，我们需要什么样的计划经济呢？ https://zhuanlan.zhihu.com/p/456870072 ​zhuanlan.zhihu.com/p/456870072 https://zhuanlan.zhihu.com/p/489764212 ​zhuanlan.zhihu.com/p/489764212 https://zhuanlan.zhihu.com/p/492813912 ​zhuanlan.zhihu.com/p/492813912 www.zhihu.com/answer/1483785733 www.zhihu.com/answer/1804273779 在这里我为喜欢乌托邦的人介绍一下： 首先，需求方提出的需求的文字描述先经过Transformer先变成一系列向量（提取关键词）再变成Triz理论中的79个系数（39个特征，40个发明原理）以及产品的数量值，共80个系数； 然后再经过一个神经网络生成该产品的组成部分数、以及各个部分的前面说的80个系数以及重要性系数，这里可以将产品组成部分作为坐标 x ，那81个系数作为坐标 y ，然后将 x 轴区间 [0, 81] 按组成部分数平分，接着分别取每一个 x 值和 y 轴上系数值对应的f(x, y) 值，这个二元函数的一阶偏导函数 f_{x}(x, y) 用二维傅里叶级数表示，即 ： f_{x}(x, y)=∑∑A_{ij}sin(ω_{i}x+φ_{i})sin(ω_{j}y+φ_{j}) 接着再把上一个神经网络生成的各个参数输出下一个神经网络生成制造这个组成部分所需要的生产设备、原料产地、劳动力工厂、研发设备和研发人员单位的数量以及它们分别的那81个系数和被选择的概率值共83个参数（还有类别参数），注意，这里的生产设备和研发设备可能是现在还没有的设备，所以还需要把未有设备相关的参数重新输入这个神经网络并重复这个过程直到所有输出的设备参数是已有的设备参数为止。这期间根据每次循环输入数据组的个数和循环输入的次数用另一个神经网络生成一个毒丸系数，当毒丸系数达到阈值时就停止循环并驳回需求的申请。 接着把这些参数根据类别参数分别输入对应的五个神经网络中生成其对应的失效概率的概率密度函数和最优的被选概率密度函数，即生成某一种设备比如炼钢炉在全国的设备的失效概率和被选概率的概率密度函数，这些概率密度函数是一元函数，自变量是设备的编号，函数的一阶导函数 f'(x) 可以用一维傅里叶级数表示，即： f'(x)=∑A_{i}sin(ω_{i}x+φ_{i}) 最后将这五个神经网络生成的参数输入一个映射 f: 中，输入值 P 和 P_{c} 并代入判定式 P≤P_{c} 中，当结果满足判定式时则将该需求放入计划中，然后把之前各个神经网络生成的数值利用起来制订灵活的生产计划。 这些神经网络的训练需要用基于马尔科夫决策过程的蒙特卡洛树搜索，而蒙特卡洛树搜索产生的价值和可能性两个系数是蒙特卡洛树搜索的依据，而最终即输出的参数不再变化时的价值通过一个用极大似然估计法生成的函数判定，相关的函数关系式如下： z=Q(s, t)+\frac {P(s,t)}{1+N(s,t)} G(x_{1},x_{2},...,x_{n})=\frac{L(θ|x_{1},x_{2},...,x_{n})}{maxL(θ|x_{1},x_{2},...,x_{n})} lnL(θ|x_{1},x_{2},...,x_{n})=∑lnf(θ|x_{1},x_{2},...,x_{n})