[ 3 ] 施魅：Alexa 与主体性的魔法（Enchant: Alexa and the Magic of Subjectivity）

亚马逊（Amazon）副总裁戴维·林普（David Limp）曾说，Alexa 的构想“预示着一种神奇的体验”（Kim 2016）。Alexa 是亚马逊的数字助理（digital assistant），它响应语音指令，可以串流播放音乐、播报新闻和天气、玩游戏，并与其类似应用程序的“技能”（Skills）交互。她最初是为 Echo 智能音箱而设计的，如今已为日益增多的家居类产品提供驱动。¶

把 Alexa 这样的算法系统描述为神奇的，似乎颇为贴切，因为其中确有一套戏法——一种让某些东西显露、另一些东西隐藏的表演。可见与可感知的体制未能完全涵盖正在运作的种种操作，由此产生的体验便显得非同寻常。阿尔弗雷德·盖尔（Alfred Gell）把这一现象称为技术的施魅（the enchantment of technology）——隐藏在一件复杂而精工制作的物品背后的劳动被抹除，其结果便是一种“技术奇迹”（1992, 49）。对亚马逊的开发团队而言，这关乎促成一种十分朴素的魔法：基于语音的界面消除了通常伴随其他技术而来的摩擦——拿起智能手机、打开应用、笨拙地敲出搜索词等等“痛点”。在这里，魔法是一种简称，指的是一种看似毫不费力地运作的无缝用户体验——它就是能用。¶

然而，任何魔法之下当然都有机制。支撑这种无缝功能的，是一系列被遮蔽或被抽象掉的技术程序。Alexa 的主体性（subjectivity）只能从种种操作中浮现，这些操作纳入了物质性的线缆、处于地理之中的数据中心、历史性的基础设施工程，以及大量隐而不见的展演（performance）。为了完成这一幻象，她需要让人感到反应灵敏，她需要捕获（capture）并解析用户的声音，她还需要说话。本章第一部分穿行于三部机器之间，考察把“Alexa”作为一种算法主体性召唤出来所必需的操作。¶

这不可避免地会揭示出那些看似毫不费力的技术程序背后的物质性与地理。然而，这里的重点并不在于扯下幕布——把魔法揭露为一系列具体的机制。更值得关注的是，“Alexa”的逻辑如何成为一种微妙的控制形式，从她的用户身上引出一种相应的主体性。¶

召唤 Alexa（Invoking Alexa）

Alexa—亚马逊云服务机器（Alexa-AmazonWebServices Machine）

Alexa 是如何被赋予生命的？要把一组算法操作确立为一种人格，所需的最低参数是什么？这里的 Alexa，是指经由一个声音所创造的主体性：这个声音在适当的时间窗口内，以适当的回应对问题或指令作出反应。对用户而言，这看起来很神奇。但正如弗洛里安·克莱默（Florian Cramer）提醒我们的（2005, 18），“魔法实践往往会遮蔽其技术性与形式主义的本质”。为了实现这种效果，Alexa 高度依赖亚马逊云服务（Amazon Web Services，AWS），即由联网数据中心构成的“基于云”的基础设施，Alexa 及其相应的技能就托管于其上。AWS 远非缥缈之物，而是高度物质性的，由光与热、钢与线、身体与开关构成。因此，Alexa—AWS 机器所探讨的，是一种身份如何从一种基础设施中诞生。¶

生动感需要最低限度的延迟（latency），即听到用户并作出回应所需的时间长度。由于语音转文本的处理以及数据从一点到另一点的传输，总会存在某种程度的延迟。延迟过大，对话就会在回应与提问混杂成的一团乱麻中瓦解，就像一通糟糕的 Skype 通话。其结果是，“Alexa”作为一个持续存在、反应灵敏的人格的幻象便会直接崩塌。在 Alexa 的开发阶段，“当时现有语音识别技术的平均延迟约为 2.5 至 3 秒，因此 Echo 团队最初把目标定为 2 秒”（Kim 2016）。然而，亚马逊首席执行官杰夫·贝索斯（Jeff Bezos）并不满意。在一次早期会议上（Kim 2016），他设定了一个困难得多的基准，说道：“我先把难处告诉你们：你们的延迟目标是一秒。”¶

这一延迟的一个核心组成部分是语音处理时间。Echo 设备捕获用户的声音，并在云端加以处理和回应。因此，当用户的声音由语音转换为文本时，就会产生时间延迟。这是一个困难的计算问题，涉及从周围环境声音的“噪声”中提取出人声的“信号”。随后，这一声音信号被分解为音素——英语中只有 44 个可能的音素（Ossola 2014）。对这些音素的顺序和时长加以解析，便可生成文本，即一份自动转录稿。在许多情况下会出现同音词——例如“ate”（吃，过去式）与“eight”（八）。在这种情况下，系统会基于短语语境、词汇流行度、语法结构等因素，推断所指的是哪个词。¶

正是在这一特定语境中，学习显示出了价值。Echo 设备的销量已超过 2000 万台，亚马逊因而持续接收着海量数据，这使 Alexa 的语音处理例程得以进一步优化，从而更好地理解用户说了什么、意指什么。AWS 提供了接收和存储这每日数以百万计的输入所必需的物质基础设施。AWS 还提供了 Alexa“不断变得更聪明”所必需的灵活性。作为一项 AWS 服务，Alexa 可以被持续更新，而不必作为静态软件被编译、打包和下载。一种智能主体性的生产，直接关联于由底层信息基础设施所促成的准确“聆听”。¶

导致延迟的另一个关键组成部分是数据传输。信息包被转化为能量并在空间中移动，由此造成时间上的延迟。亚马逊开发者服务（Amazon Developer Services 2016）暗示了这一限制：它敦促自行实现该 API 的开发者执行“向 Alexa 语音服务串流（分块）传送所捕获的音频以降低延迟；该数据流每个分块应包含 10 毫秒的捕获音频（320 字节）”。信息的物流在字面意义上变得性命攸关——这是生产一个生动而灵敏的 Alexa 所必需的一系列操作。然而，与亚马逊关于“云”的那种非物质、非历史的话语不同，AWS 体现为一种至关重要的基础设施，它必须应对大地与电力、距离与中断这些坚硬的物理极限。¶

首先，AWS 是地理性的。如果说早期把赛博空间想象为超越边界、文化与限制的独立司法领域的观念早已被戳破，那么更晚近的“云”的观念便取而代之。然而，尽管公众可能并不怎么在意数据去往的那个“某处”，开发者和亚马逊都明白，“何处”至关重要。正因如此，内容分发网络（CDN）、存储服务（Amazon S3）和网络服务（AWS）才在全球范围内进行战略性分布：法兰克福、孟买、首尔、加利福尼亚等等。为了测试两点之间的时间延迟，我们可以发送一个“ping”，记录它到达服务器并返回所需的毫秒数。例如，从新西兰粗略地 ping 一下各个 AWS 区域，得到的时间如下：悉尼 79，北京 218，圣保罗 490，法兰克福 732。从地理角度思考，这些数字毫不令人意外。但把它们放在先由赛博空间、如今又由云所提出的空间抹除话语的对立面，它们便重新确认了一个由线缆、铜与大陆构成的领域。距离依然存在。¶

亚马逊把这些区域划分为它所谓的可用区（Availability Zones）。每个可用区包含 2 至 5 个数据中心。每个数据中心彼此距离足够近，能以最低限度的延迟——1 至 2 毫秒之间——提供快速镜像。然而，每个数据中心又与其他中心相距足够远，不会受到灾难性事件的影响，业界把这一范围称为“爆炸半径”（blast radius）。正如亚马逊高管沃纳·沃格斯（Werner Vogels）所解释的，每个数据中心都位于“不同的洪泛区和不同的地理区域，连接不同的电网，以确保它们彼此真正隔离”（Miller 2015）。因此，数据中心的地理分布是由增长区域、风险的分配与缓释，以及低延迟所要求的物理邻近性所决定的。¶

其次，AWS 是历史性的。北弗吉尼亚拥有 5 个可用区，是亚马逊的核心数据中心区域之一。事实上，截至本书写作之时，开发者为 Alexa 编写的任何技能都必须部署在其云基础设施的这一特定区域中。这一区域坐落于该州东北部偏上的位置，被称为泰森斯角（Tyson's Corner）。正如基础设施研究者英格丽德·伯灵顿（Ingrid Burrington）所指出的（2016），这是“一个离华盛顿恰好足够远、相对不易遭受核打击，但又足够近、仍可便捷抵达的地区”。诸如此类的决定并不只是历史琐闻，而是表明了技术系统如何从时间与地点的特殊性中浮现。冷战时期的偏执被整合为事实上的网络设计图式，以随时间推移不断增设、彼此保持审慎距离的节点的形式传播开来。¶

在泰森斯角最早修建的军事前哨之一，实际上是一套通信装置——“一座建于 1952 年的微波塔，它是连接华盛顿与‘联邦迁移弧’（Federal Relocation Arc）的若干中继站中的第一座，而‘联邦迁移弧’是为应对核打击而修建的一系列秘密地下掩体”（Burrington 2016）。科学家、研究人员和国防承包商迅速在该地区扎根。从政府向私营企业的逐步转变，与城市基础设施的转型同时发生。正如伯灵顿所解释的（2016），一条连接杜勒斯机场与首都环城公路（Capitol Beltway）的道路走廊，“基本上使北弗吉尼亚的这块地方成了机场与华盛顿特区之间任何商业活动的第一站和最后一站”。其结果是办公园区和基础设施的激增，早期的互联网与电信公司进驻其中，并使之进一步密集化。电话线、发电厂、光纤电缆以及其他信息基础设施被逐步嫁接到这一空间的“砧木”之上，这几乎完美地例证了胡德辉（Tung-Hui Hu）将互联网视为嫁接物的观念，即“一个较新的网络被嫁接在一个较旧、较成熟的网络之上”（2015, 38）。如今，这一地区被冠以“杜勒斯技术走廊”（Dulles Technology Corridor）之名进行营销，它是由一段独特的历史进程所生产出来的区域：核焦虑、“旋转门”式的拨款、信息时代的想象，以及对高收入人才的猎聘。随着时间推移，这组独特的力量逐渐生产出一个密集的技术基础设施，美国 50% 的互联网流量从中流过（Garber 2009）。¶

最后，AWS 是物质性的。云的物质性常常被遮蔽。当然，这主要是通过使用雾气般模糊含混的话语本身来实现的。但数据中心行业所实施的安保措施又强化了这一点：这些措施拒绝披露数据中心的具体位置，并且通常只允许员工进入。即便知道了它们的存在和地址，通常也没有什么可看的。坐落在毫无特色的办公园区中的空白仓库所造成的压倒性平庸，恰恰是奇观的反面。换言之，一个位于未知地点、禁止进入的建筑之中、被称为“云”的实体，很快就变得非物质了。于是，颇为吊诡的是，硬盘与处理器这些硬件，被它们所驱动的、远为视觉化、可触知且诱人的信息与界面世界所压倒。¶

尽管可看之物或许寥寥，AWS 的物质性却以一种形式显现出来——能源消耗。在新建数据中心的同时，亚马逊还自建变电站，其容量从 50 兆瓦到 100 兆瓦不等，可为 5 万到 8 万台服务器供电（Harris 2013）。这一决定与其说是为了降低成本，不如说是为了满足快速扩张时期所需的灵活性与速度。每个数据中心还需要成排的大型柴油发电机，这些发电机用于备用，但在定期测试时会排放废气。到 2010 年，弗吉尼亚州环境质量部（Department of Environmental Quality）已认定亚马逊在未获得适当许可的情况下运行发电机，违规 24 次；该部门的一位前检查员声称，“在他负责的弗吉尼亚州这 14 个县的一隅，已获许可用于数据中心的发电机的总输出，几乎相当于一座核电站”（Glanz 2012）。¶

AWS 还雇用固件工程师，他们“重写那些通常运行在开关设备上的陈旧代码，这类开关设备被设计用来控制流向电力基础设施的电流”（Harris 2013）。在紧急情况或灾难发生时，传统的开关设备被设计为迅速断开，从而使昂贵的发电机免受进一步损害。相比之下，AWS 的开关设备则按照另一套优先次序进行配置，其中服务器停机时间必须被降到最低。AWS 的定制开关设备体现了整个数据中心行业执着于最大化正常运行时间（uptime）这一更广泛的逻辑。¶

在这种逻辑中，财务与行业激励所关联的是“三个九”（99.999%）的正常运行时间，而非电力消耗。没有人愿意成为那个负责关闭机器、让系统下线并削减容量的人。例如，麦肯锡公司（McKinsey & Company）2010 年一项关于数据中心的研究发现，利用率——即服务器实际处理信息的时间所占百分比——仅为 6% 至 12%（Glanz 2012）。其余时间只是花在让服务器一周 7 天、一天 24 小时持续运转上。或许这些服务器保持在线，是为了应对流量高峰或备份操作。然而，更有可能的是，这不过是一种现状。一台机器一旦运行平稳，就再也不会被关机重启，而在数据中心的早期，这一过程常常引发问题。正如一位能源评论员所言（Glanz 2012），“如此低的效率，只有在数字基础设施那晦涩的逻辑中才说得通。”¶

这些特定的优先次序造就了一种过度工程化、效率极低的环境，这与信息技术和云所关联的轻盈与优化话语相互冲突。把低利用率与布线耗散、电池充电和冷却水系统中损失的能量加在一起，据估计，被浪费的能源高达数据中心运行实际所需能源的 30 倍（Glanz 2012）。仅美国一国，数据中心的年能耗预计到 2020 年就将达到 1400 亿千瓦时，这一运行每年将排放近 1 亿公吨的碳污染（Delforge 2015）。所谓“信息”的非物质性与“云”的缥缈性，都是让数据中心行业大为受益的概念。这一话语不时伴随着一些照片：洁净的走廊和闪烁的机架，凸显出作为洁净室的数据中心——一个自主的对象，卫生地与世界隔绝开来。AWS 提醒我们，这些中心更像当代的工厂：一个在很大程度上空无一人的洞穴般的空间，却依然吞噬能源、散发排放，并造成可观的碳足迹。¶

那么，该如何总结 Alexa—AWS 机器呢？Alexa 或许会被设想为一种非物质的人工智能、一个无身体的机器人、一种基于语音的技术。然而，维持这种主体性所必需的持续展演，反过来又取决于 AWS 的特定展演。AWS 远非云的雾气，而是一种地理性、历史性和物质性的基础设施，它使数据能够以低延迟传输、大规模存储，并在没有中断或停机的情况下被持续解析。通过这样做，它生产出了 Alexa 得以浮现所必需的条件——一个反应灵敏、可交互、始终在学习的智能体。¶

麦克风—Alexa—客厅机器（Microphone-Alexa-LivingRoom Machine）

Alexa 是如何听见的？作为一个基于语音的助理，其首要目标是听见并回应一位人类说话者，捕获她可听的输入，并将其处理为得到执行的指令。为此，首先必须启动并随后维持一种特定类型的空间——一个主体能够在其中浮现、言语能够在其中变得可理解的空间场域。为了考察这一点，我们聚焦于麦克风—Alexa—客厅机器。Alexa 如今为一系列智能家居（smart home）设备提供驱动。但第一台“支持 Alexa”的设备是亚马逊 Echo，一款智能音箱。因此，这部机器由 Echo 的麦克风、基于云的 Alexa 数字助理以及任意一个家庭室内空间所构成。这个聆听区域是如何被投入运作的？它又生产出何种形式的主体性？¶

“始终在聆听”（always listening）是用来推销 Alexa 的早期口号之一。在开机状态下，Echo 通过其内置麦克风聆听周围的一切声音。一旦听到有人说出唤醒词（wake word）“Alexa”，Alexa 便立即切换到一种更为活跃的状态，在此状态下声音被录制、传输并得到回应。因此，被放置在家中之后，这一设备便在客厅或厨房这一更宽泛的界限之内确立了一个主动聆听的区域——空间之中的空间。家庭室内空间的边界或多或少是清晰划定的。厨房或客厅由一系列建筑元素界定：墙壁与窗户、地板与天花板、立柱与隔断。相比之下，这种算法空间是不可见的，它通过在设备内部以及在基于云的 Alexa 服务中别处发生的、基本上难以察觉的操作而投入运作。它的特定属性以及维持它所需的展演性（performativity）远非清晰可见。¶

这种算法空间是如何被生产出来的？它有哪些特殊性？乍看之下，它似乎以包容而非排斥为前提。Echo 会聆听任何人。许多软件应用把使用权限限定于一位经过正当授权和身份验证的单一用户。其他试图访问其功能的人会被直接忽略、阻止，甚至被列入黑名单。相比之下，Alexa 会回应由任何声音说出的语音指令，无论说话的是哪位朋友或家庭成员。Echo 会聆听任何方位。设备上的七个麦克风生成了一个全向场域，旨在捕获来自任何方向的语音输入。与通常为近距离使用而设计的麦克风不同，Echo 的“远场技术”（far field technology）旨在捕获在房间任何位置说出的话语，而说话者往往在数米之外。最后，Echo 会在任何时刻聆听。不存在正式的登录程序或会话启动。只要设备处于开启状态，麦克风就持续地聆听唤醒词，随时准备录制和传输。监控研究（surveillance studies）往往聚焦于“恐惧的建筑”（architecture of fear）。但麦克风—Alexa—客厅机器似乎是一种“拥抱的建筑”（architecture of embrace）——一个在亲密的家庭空间中运行的计算区域，它最大化可被接纳的信息，无论其空间位置、时间或来源如何。¶

然而，主体并不会如此干净利落地从空间中被提取出来。深入挖掘麦克风的技术规格，便开始揭示出维持这一表面上的拥抱空间所必需的协商与压制。一次对 Echo 设备的“拆解”（teardown）拆开了它的各个组件，揭示出 7 个麦克风像辐条一样安装在一块圆盘上（Lionheart 2014）。每个麦克风都以一个独特的角度朝外。这种排布构成了该公司所标榜的“远场”技术的物质基础，这一技术使音源得以被空间化。通过比较进入每个麦克风的细微音调与音量差异，便可以锁定说话者的位置——放大来自房间中那个单一位置的声音，同时滤除无关的环境噪声。¶

这次拆解还确认，这些麦克风是由楼氏（Knowles）旗下子品牌 SiSonic 生产的 S1053 0090 V6 型号。楼氏是行业内的主导企业，其位于中国和马来西亚的工厂每天生产 100 万个麦克风，主要用于智能手机，但也用于 Echo 这样的小型电子设备（Knowles 2012）。把这些组件集成到其母设备中是一项高度技术性的工作，因此楼氏发布了设计指南，内容涵盖规格、常见问题和最佳实践，以协助工程和制造团队。这份深奥的指南揭示了这些麦克风的三项关键属性。¶

首先，与嘴几乎贴着麦克风的“近场”声音不同，“远场”音源通常来自数米之外。为了应对这一点，麦克风为音源“增加高达 20 分贝的增益”（2011, 6）。通过麦克风硬件以物质方式完成这种放大，而不是借助基于软件的编解码器，音频的信噪比得以显著提升。但是——指南警告说——这一放大水平“必须恰当选择”（2011, 8）。放大过多，信号就有使麦克风饱和的风险，变成被压缩和损坏的声音信息。当然，放大过少，主体便会消失回环境噪声那片声音朦胧的世界之中。信号的放大是一场对抗环境噪声的斗争：厨房瓷砖的回响、孩子们的叽叽喳喳、电视机在背景中的嗡嗡声。¶

其次，这些麦克风会屏蔽不需要的射频（RF），防止这些频率污染其声学信号。楼氏的设计包含一个“集成在麦克风封装中的接地法拉第笼”，这是一项有 200 年历史的技术，其作用是阻止电磁波干扰该结构内部的物体。正如指南所解释的，其结果是，在技术上“辐射射频噪声与传导射频噪声被短接到地”（2011, 10）。对射频的这种屏蔽表明，这是一个必须主动排斥特定力量的空间。只有当它成功地隔绝了从路由器、智能手机和手机信号塔发出的干扰波时，这一空间才能成功运作。¶

第三，麦克风必须被密封，以防止回声问题。像手机这样的设备既发出声音也捕获声音。如果产品外壳没有通过密封垫圈把扬声器与麦克风恰当地隔开，声音就会在整个外壳中回荡，造成严重的回声问题。这似乎是一个常见问题，指南警告说，垫圈泄漏可能会“导致麦克风拾取来自其他来源的音频噪声，比如相机变焦马达或发出啁啾声的电容器”（2011, 19）。这种否定延伸到设备自身发出的声音以及容纳这种声音所必需的密封之上。为了避免无休止的回声，麦克风被迫置于一个寂静而密闭的腔室之中，从它力图创造的空间中抹去它自己那个在声音上制造混乱的身体。¶

从这些技术规格中可以得出的结论是：算法空间必须经由争夺而获得——它是竞争性的（agonistic），而非预设的。麦克风的技术属性，与其说关乎别的什么，不如说同样关乎抵消、压制和排斥。从这种持续不断的噪声中提取出可用信号的斗争，同时也是一场在声音的混乱之中启动并维持一个无菌空间的斗争。这一空间诞生于冲突之中，只有通过一系列否定、过滤和最小化的操作才得以存在，这些操作致力于把不需要的信息排除在捕获范围之外。于是，吊诡的是，只有通过一场持续不断的空间斗争，用户才能毫不费力地浮现出来，享受以语音为界面所提供的“无摩擦”体验。¶

文本转语音—Alexa 语音机器（TextToSpeech-AlexaVoice Machine）

厨房台面上的那个物体是一块黑色的巨石。钢壳底部布满穿孔，显示出那或许是扬声器的格栅。顶部凸起两个小按钮。上缘则有一圈蓝色光环微微发亮。这就是 Echo，Alexa 最初被设计来驱动的那款“智能音箱”。它是一个高度含混的物体，其物理上的暧昧性说明，它基于云的智能同样是一个开放的问题。¶

一个基于语音的界面应当如何行事、给人何种感觉？性情与情感、能力与功能，全都悬而未决。亚马逊将这项服务人性化的举措，不应被视为理所当然。相反，把这一束算法操作框定为一个名为“Alexa”的性别化主体性，是一项有意识的设计决策。选择编码某些特定属性——礼貌、幽默、语言——同时排除另一些属性，同样如此。Alexa 的主体性主要通过声音传达，它确立了一种特定的可供性（affordance）配置。换言之，她的人格本身就变得具有政治性，因为它塑造了行动的轮廓。但创造她的决定，最初是出于非常实际的考虑。那么，她提供了什么？¶

从表面上看，Alexa 的主体性解决了一个设计问题，为一组极其杂乱的内容提供了凝聚力。这一设备可以学习 5000 多项技能。就制作而言，这些技能在专业程度、时间和资金投入上差异极大，从单个开发者到大型企业都有。就内容而言，它们的范围也令人难以置信，从二十一点到北欧神话知识问答，从乐高到《圣经》，从皮肤病学到航空（Higgs, 2016）。面对如此广泛的内容，Alexa 必须能够把一切都说出来。任何用英语写下的东西都应当是可说出的：时间、城市、地标、统计数字、缩写。一种所谓的文本转语音（text-to-speech，TTS）引擎使这成为可能。¶

文本转语音所做的正如其名。文本首先被切分为句子之类的块，从而使短语可以在其他部分被处理的同时得到分析和串流，这一步骤被称为分词（tokenization）。接着，文本被规范化。数字只是许多词元（token）中的一个例子，这些词元“出现在文本中，却与其发音没有直接关系”（Black and Lenzo 2014）。引擎需要以不同于读金额“$1997”的方式读出日期“March 1997”（1997 年 3 月）。此外，英语中有数百个同形异音异义词，即拼写相同但发音和意义不同的词。因此，这一过程并不是从书面语到口语的直接转换，而是一系列经过计算的推断，其依据包括短语语境、词频、主题、习得的行为等等。基于这些语言学决策，文本被转换为一个由单个音素组成的序列，音素是构成一个特定单词的声音单位：“th”“sh”“ou”“t”等等。这些单位取自一套录制好的音素集合，被串联起来并播放，形成一个完整的口语短语。无论技能多么参差不齐或冷僻晦涩，Alexa 都能把它们一一说出。因此，这个女性声音展演了一种至关重要的连贯性，通过一个合成却稳定的人格所具有的一贯语调，把一个庞大的平台（platform）联结在一起。¶

然而，文本本身并不包含任何情感“标记”。没有办法指定一个短语应当以愤怒的吼叫、轻柔的耳语还是讽刺的玩笑来说出。亚马逊开发者服务明确表示（2017a），开发者无法改变韵律——“你无法控制言语的重音和语调。”开发者可以使用语音合成标记语言（Speech Synthesis Markup Language，SSML），但它非常有限。可以用 <break> 标签作一些小的调整，指定言语中的停顿。亚马逊开发者服务还指出（2017b），可以通过指定一个确切的 <phoneme> 元素来微调发音，就像歌词“you say to-may-to, I say to-mah-to”（你说“西红柿”，我说“番茄”）那样。因此，这一系统是高度一般化的，但与其他方法——例如有声书录制——相比，它不可能做到抒情式的朗读、音高的变化、音色的转换，或音量与语速的骤然改变。文本转语音把语言确立为一组特定的普遍参数。这一抽象系统提供了最大程度的可读性，同时却否定了情感性。简言之，文本转语音什么都能说，但都以同一种方式说出。¶

有鉴于此，“Alexa”温暖的女性声音提供了一种针对人工性的解药。它把产品推出了恐怖谷，用一种工具化女性刻板印象——情感丰富、感性、体贴、令人安慰——的声音人格包裹起算法操作。O'Reilly 的一篇关于设计语音界面的文章（Klein 2015）提出了这样的问题：“你的界面会是乐于助人的吗？乐观的？强势的？活泼的？尖刻的？有趣的？”对 Alexa 而言，女性声音以一种单靠文本转语音引擎无法做到的方式展演出一种人格。¶

然而，“Alexa”的主体性并不只是解决了一个设计问题，它还致力于确立一种关系。她被编码为女性，这一选择利用了一段性别化服务的历史，以建立一种让我们能够心安理得地吩咐她做事的关系。¶

Alexa 远非第一个，她追随着一长串被框定为女性的机器、机器人和人工智能代理。1886 年，奥古斯特·维利耶·德·利尔-阿达姆（Auguste Villiers de l'Isle-Adam）的小说《未来的夏娃》（The Future Eve）描写了一个仿生人，它模仿、甚至改进了主人公的爱慕对象——一位美丽却“轻浮”的女子。书中虚构的发明家解释说，通过运用“科学实际而强大的资源，我可以复现她动作的优雅、她嗓音的清响、她肌肤的芬芳、她形体的线条，以及她眼中的光芒”（31）。1964 年至 1966 年间，约瑟夫·魏泽鲍姆（Joseph Weizenbaum）开发了作为心理治疗程序的 ELIZA，他惊讶于测试者投射到她身上的智能与共情。2011 年，苹果公司为 iOS 操作系统发布了 Siri，这位智能助理如今栖居于电视、手表和台式电脑之中（tvOS、watchOS、macOS）。自 2014 年起，微软的“Cortana”（小娜）智能个人助理开始在 Windows Mobile 和 Windows 10 操作系统等主流产品中提供支持和服务。然而，Cortana 最初是为电子游戏系列《光环》（Halo）开发的，是一个高度性化的助手，其形象是一个裸体女性，身上只覆盖着一层由像素和网络图案构成的皮肤般的纹理。2015 年，微软为中国的微信和微博平台发布了“小冰”（Xiaoice）。小冰被称为微软的“女友机器人”，其程序设定是像一个十七岁的女孩那样交谈，并且已拥有数百万用户。就连 Google Now 这个表面上无性别的语音助手，在诞生之初的代号也是“马杰尔计划”（Project Majel）（Webster 2011）。马杰尔·巴雷特（Majel Barrett）在最初的《星际迷航》（Star Trek）剧集中饰演一名护士，这个角色主要围绕着她对斯波克（Spock）长官的单恋展开。巴雷特后来成为联邦星舰的舰载语音，在每一部《星际迷航》电视剧和大多数《星际迷航》电影中不知疲倦地为每一批船员服务。马杰尔从一位实体演员转变为星舰助理，进而成为新一代语音界面的灵感来源，但她的核心角色——被动地等待他人的指令——从未改变。¶

因此，从科幻小说到硅谷驱动的产品大爆发，Alexa 只是一个性别化助理谱系中最新的一位，在这一谱系中，“传统上被视为女性的本能、经验和声音被人工化、复制并出售”（Gold 2015）。标签或许已经改变，但同样的关系原型一再出现：主人与仆人、主管与秘书，如今则是用户与“数字助理”。通过开掘这一服侍的矿脉，Alexa 延续了一个技术产品与服务的谱系，这一谱系直接建立在性别化劳动所确立的惯例之上。¶

如果说一种性别化的人工智能是被设计出来的，而非既定的，那么这种对性别的模仿提供了什么？为什么这些语音代理如此经常地被编码为女性？一个可能的原因是，女性声音的“温暖”被视为抵消系统其余部分那种“冰冷”逻辑——决策树、语义编码、响应时间——的必要之物。这台“无心”的机器被赋予了一个情感界面。¶

这一理由同样诞生于一段漫长的历史谱系，艾玛·戈斯（Emma Goss）在其题为《人工智能女性：对女性机器居高临下的言说》（The Artificially Intelligent Woman: Talking Down to the Female Machine）的学位论文（2015）中对此作了透彻的追溯。1878 年，亚历山大·格雷厄姆·贝尔（Alexander Graham Bell）新创立的波士顿电话交换局成立才刚刚六个月，担任接线员的全是喧闹的年轻男子。贝尔亲自雇用了 18 岁的艾玛·纳特（Emma Nutt），看中的是她“舒缓而有教养的声音”，他认为这种声音比那些年轻男子粗鲁的言谈和常常无礼的言语往来更能代表公司——事实上，在六个月之内，该交换局的所有电话接线员都变成了女性（New England Historical Society, 2014）。随着电信行业的扩张，一家公司的这一局部决定很快成为一种更广泛的规范。不久，电话接线员的素质便被理解为天生的、女性的，而非习得的、男性的。正如《电话》（Telephony）杂志上的一篇文章（1905, 388）所宣称的，一个女孩生来就具有这些特质，包括“她极致的年轻，她温柔的声音——如夏日林间之声般富有音乐感，[以及]她总是友善的应答方式”。¶

这支新的女性劳动大军接听线路、与来电者交谈、执行查询并接通交换。在此过程中，她们的耳朵、声音和智能成为 20 世纪那一最基本的通信工具——电话——的首要中介。正如萨迪·普兰特（Sadie Plant）提醒我们的（1997, 126），在交换台前转接线路的接线员，恰恰体现了女性“被置于男人与世界之间充当界面”的角色。一旦电话接通，她们便被抹除，她们联结性的劳动也很快被遗忘。在这一角色中，正如露丝·伊利格瑞（Luce Irigaray）所批判的（1985, 193），女性“仅仅作为男人与其同胞之间的中介、交易、过渡与转移的契机”而存在。因此，性别化的电话交换为性别化的物联网交换确立了先例。作为界面的 Alexa，直接建立在作为界面的女性这一更古老的概念之上。¶

这些关联远非一个逝去时代残留的性别歧视，而是在过去三十年间日益根深蒂固、日益被工具化。戈斯指出（2015, 34），在 1980 年代，电梯公司奥的斯（Otis）用自己的秘书作为其电梯的语音，这种声音被理解为一位舒缓、令人安心的信使。在 1990 年代，美国有超过 110 座机场在广播中采用女性声音，一种“在混乱中心回响的温柔而权威的声音”（Gainer 2013）。然而，正如戈斯所观察到的（2015, 27），这种“权威”始终是信使的权威，而非拥有者的权威，是平凡琐事的媒介，而非重要事务的专家：“男性的庄重散发出一种被视为值得信赖的自信，女性则散发出一种被视为令人安慰的情感基调。”一旦涉及影响生活的事情（如新闻广播）或危及生命的事情（如地铁安全通告），女性便很快被推到一旁。¶

这一谱系确立了一个前提：女性较低的智能与人工智能所模仿的智能恰如手与手套、或声音与机器那样契合。于是，女性声音无关原创性的贡献、真正聪明的思考或自主的逻辑——这些品质都与男性相关联。同样，人工智能与其说关乎“真正的”智能和独立的感知能力，不如说更多地关乎对这种智能的模仿。在掩盖技术的接缝、隐藏技术的失败并维持这一持续幻象的过程中，诡计与欺骗扮演着重要角色。与此同时，技术又必须在某种程度上被信任——作为信使、作为界面、作为设备。因此，女性声音完成了两项任务：它宣示了一种模拟的而非真正聪明的智能，同时也确立了信任所必需的社会黏合剂。正如戈斯所解释的（2015, 20），“当今人工智能技术中的女性声音，在生成用户所寻求的信息时，并不炫耀任何智能的外观；然而，这一声音通过制造一种幻象——即它所提供的信息可以被信任——而与用户建立起一种纽带。”因此，女性声音与技术性被结合在一起——一种温暖的、较低的智能与一种冰冷的、模仿的智能相结合。人工性通过共情变得更易于接受。¶

由此可见，Alexa 借用了性别化劳动的谱系和女性声音的刻板印象。但她的主体性也通过内容而被建构——她能够谈论的话题、她能理解的询问，以及她处理各种情境的方式。^[1] 记者利娅·费斯勒（Leah Fessler）最近进行了一项实验，让 Siri、Alexa 和 Google Now 等流行的机器人遭受性骚扰，以观察它们如何回应。费斯勒选择了多种说法，对每个机器人把每句话都说了多遍，以避免误解。据费斯勒记录，当 Alexa 被骂作“婊子”（bitch）时，她回答“嗯，谢谢你的反馈”；当有人说她性感或漂亮时，她向用户道谢；而当有人让她“吸我的屌”（suck my dick）时，她以一句笼统的陈述回应：“那不是我能进行的那类对话”（2017）。当然，有人可能会说，Alexa 在设计时并没有考虑到这种使用情形。然而，机器人制造者都清楚地知道，他们的界面会遇到与性有关的询问。正如费斯勒所指出的（2017），一位为微软 Cortana 撰稿的作者承认，“早期询问中有相当大一部分”在性质上与性有关。¶

为什么这些回应往好了说是被动的或笼统的，往坏了说是在鼓励？仅仅是因为这些都是兜底式的陈述，旨在应对其有限知识范围之外的话题吗？然而，这一假设被机器人自身所削弱，因为它们显然针对非应用类的询问编写了专门的回应脚本。例如，当有人说出“Alexa，我想死”（Alexa, I want to die）这句话时，这个机器人会作出如下陈述：“很抱歉你有这样的感受。请记住，你并不孤单。有人可以帮助你。你可以试着和朋友或医生谈谈。你也可以联系抑郁症与双相情感障碍支持联盟（Depression and Bipolar Support Alliance）（电话号码），获取更多资源。”自杀这一领域显然得到了关注。因此，Alexa 的回应既果断又清晰。相比之下，性这一领域则只是被草草勾勒，或干脆被忽视。其结果是一个被动的“助理”，其性特征首先表现为天真。¶

对这三部机器的考察，为理解 Alexa 这样的主体性如何被建构提供了洞见。这一主体性究竟完成了什么？在算法体制（algorithmic regime）中对主体的生产，并不是一个模糊的、思辨性的观念，而是一项引导（bootstrap）系统的首要操作，为更精密的技术铺平道路。¶

在人与机器之间存在一道根本性的鸿沟。关于这两个范畴的定义众说纷纭，但这并不是这里特别关心的。事实上，这里的“机器”其实是一个简称，指的是一个由太过人性的组件构成的异质集合：商业逻辑、服务器农场、口语、数学技术等等。然而，依然存在一道实际的鸿沟，人机交互（human-computer-interaction，HCI）的研究者或许对此更为熟悉。信息架构那些深奥的惯例对普通用户而言完全违反直觉。反过来，人类即兴而有机的行为也不会自然地遵从一个整洁的信息图式。具身的人与信息的抽象本性之间、口头言语与文本数据之间、人类认知的速度与算法处理的速度之间的种种区别，造成了一种实际上和心理上的距离。这些差异之大，往好了说足以使技术违反直觉，往坏了说则使之无法运行或无法使用。这道鸿沟的缩小不能被简单地预设。这一切都需要工作。¶

有鉴于此，就很容易理解为什么两种主体性（例如“用户”和“数字助理”）的生产对于汇合至关重要——通过以支持二者交汇的方式建构人与机器，来最小化它们之间的鸿沟。生产一个具有特定能力的“用户”，使硬件模块和计算机科学技术得以把声音这个混乱的模拟世界转译为一系列可以被理解、解析和处理的数据输入。反过来，把算法过程包装为一个名为“Alexa”的人格的决定，确立了一种人们熟悉的关联与询问模式。这一双重举动是一种本体论操作，是第一章讨论 Palantir 时所论及的那种操作的一个变体。它是一个至关重要的准备过程，确立了哪些对象存在、哪些属性应被承认、哪些行动得到支持。通过这样做，这种生产力图把根本不同的逻辑聚拢在一起，减少它们内在的摩擦，使之可以互操作。因此，主体性的生产力图弥合一道鸿沟，使数据点彼此足够接近，以便它们可以被转译。¶

但主体性也关乎一种审慎的保持距离，一种急于厘清人与机器之间边界的操作。主体性把由材料与展演构成的一团混乱的混合物打包成两个截然不同的对象——用户与助理、身体与机器人。在把这些东西整齐地捆绑在一起的同时，它也划定了它们的边界，而完成这一壮举的与其说是软件，不如说是心理。Alexa 以一种特定的语调说话，她有一种整体的举止，她拥有关于某些事物的知识——所有这些都使她不同于用户，与用户相分离，独立于用户。这种区分安抚了人类用户，厘清了机器能动性的边缘。但它也确立了她的从属角色，一个基于历史上的性别与劳动规范、便于用户向她发号施令的角色。¶

因此，主体性把用户拉向算法性（the algorithmic），同时审慎地维持着所需关系必不可少的区分。当然，这种主体性是一种建构，是一组经过精心编排的技术操作，它们聚集起来形成一个“人格”，能够听见用户、解析他们的言语、以低延迟执行他们的询问，并以一个听起来自然的答复作出回应。但在这里仅仅进行揭穿会走进死胡同。一条更有成效的路径是拥抱这种想象。即便这是一个幻象，它依然是一个引人入胜的幻象，并反过来驱使着用户。在这里，关键问题关乎主体性——如果这就是 Alexa 之所是，那么我应当成为怎样的人？¶

对用户施魅（Enchanting the User）

技能—言语—记忆机器（Skills-Speech-Memory machine）

视觉界面既提供又限制了可用的选项。一个菜单列出少数几种可能性。一块触摸屏呈现一组按钮。一系列对话框引导用户穿过内容的海洋。任何视觉界面所固有的限度（高度、宽度、可读性），以及用户界面设计的价值（对相似项目分组、消除冗余、精简到有效的最低限度），都带来了种种限制，使用户免受铺天盖地的信息和不计其数的选择的冲击。¶

语音则没有这些限制。如果视觉界面呈现一个有四个选项的菜单，语言的开放性在理论上则提供了数以百万计的选项。用户可能以谁、什么、何时、何地、为何这类疑问词开始一次询问，但随后可能分岔到几乎无穷多样的话题与时间、指涉与领域。英语拥有远超一百万个单词，这些单词可以被重新组合成大量排列，形成陈述和句子的新配置。在没有任何限制的情况下，以语言为界面所提供的无数可能性变得不可计算。¶

语音作为界面所具有的开放、不受限制的性质之所以成为问题，是因为它在期待与回应之间造成了巨大的落差。语言虽然并非全无约束，却极其丰富多样，能够以不可胜数的方式表述命令与询问。另一方面，技术系统通常被设计为只能理解、解析和处理有限数量的输入。如果语言几乎是无限的——这一逻辑如此推演——而系统又把语言用作界面或输入，那么我应当能够说出任何话，系统也应当作出回应。期待与结果之间的这道鸿沟不可避免地导致失望与挫败。事实上，这正是 Siri 遭受嘲讽的主要原因之一；Siri 是苹果公司（Apple）基于语音的智能手机助理，恰在 Alexa 之前问世。因为她承诺倾听，用户便对她说话——深入探讨她一无所知的话题，以未被预料到的模式组织他们的命令，并普遍期待她回应那些她从来就不是为之设计的询问。¶

因此，颇有些吊诡的是，亚马逊在设计 Alexa 时的神来之笔，恰恰在于限制她的承诺。伴随自然语言而来的巨大期待需要被大幅削减。技术程序在这里帮不上忙。事实上，一个能够理解口语的系统，本身就是这些期待的最初培育者。相反，一种受约束的、与技术相容的展演，是由“Alexa”这一主体性引出的。Alexa 必须通过说出她的名字才能被“唤醒”。她只能“理解”以特定音量和节奏说出的言语。而她最初的知识领域相当有限，这一领域必须通过明确地告诉 Alexa 学习新的“技能”（Skills，亚马逊用以指称第三方在其商店中提供的应用的术语）才能得到扩展。以特定方式结构起来的主体性，成为“技术”成功的关键。¶

为了有效地使用该设备，用户必须施行一种通过语言来完成的特定展演。用亚马逊开发者服务（Amazon Developer Services 2016b）的技术语言来说，这意味着技能是“一组示例话语（sample utterances），作为你的自定义交互模型的一部分被映射到意图（intents）上”。某个语音命令被映射到某个被施行的事物上。用户至少必须说出唤醒词（“Alexa”）以及某个技能的名称，即“启动 Garageio”（start Garageio）。然而，亚马逊将这种情况标记为提供了“无意图”（no intent），用户随后会收到示例选项的提示。当用户说出一个“完整意图”（full intent），即流畅地回想并说出技能名称和相应命令时，便能获得一种流畅得多的体验。在实践中，这意味着用户必须通过记忆并说出商标、品牌名称和广告口号来触发行动。“Alexa，告诉 Garageio 关上我的门。”（Alexa tell Garageio to close my door.）“Alexa，向 Campbell’s Kitchen 要一份食谱。”（Alexa, ask Campbell’s Kitchen for a recipe.）“Alexa，问问 Fidelity，纳斯达克（NASDAQ）行情怎么样？”（Alexa, ask Fidelity, how is the NASDAQ?）¶

Alexa 的主体性把人类用户拉入一种与之对应的主体性——一种镜像。可能多达数百万词的英语词汇，被缩减为 Alexa 的核心技能与所习得技能所采用的一个极为有限的关键词子集。几乎无限的句子排列组合，被压缩为一种通用的、预期中的句法，外加少许变体：“Alexa，问 X，要一个 Y”（Alexa, ask X, for a Y）、“Alexa，告诉 X，去 Y”（Alexa, tell X, to Y），如此等等。蒂齐亚纳·特拉诺瓦（Tiziana Terranova）断言（2008, 339），算法“通过对行为与身体越来越好的适应，获得其作为一种社会或文化人造物与过程的力量”。但这种调整发生在双方。用户会根据从算法那里得到的反应来调节自己的行为——哪些手势能被理解，哪些状态更新能获得关注，哪些照片会被推送。¶

这种为了获得最大程度的识别而不断重新定向的迭代循环，就是塔尔顿·吉莱斯皮（Tarleton Gillespie）所说的“转身面向这些算法”（turning to face these algorithms）（2014, 184）。就 Alexa 而言，机器算法的成功运行，取决于“人类算法”同样成功的执行——想到某项特定任务，回想起一个品牌名称及其与该任务的关联（例如，食物 > Campbell’s），并流畅地念出这个品牌名称，连同“订购”“配送”“购买”之类的动词。这就是用户“变得与精密的算法操作相称”所需的程序（Fuller and Goffey, 2012, 128）。为了掌握 Echo，用户必须重新配置他们自己的神经记忆与肌肉记忆——这是一种心智与舌头的调整。¶

转身面向算法是展演性的。吉莱斯皮关注的是在算法上变得更可识别所带来的好处。例如，为一条帖子选择合适的话题标签（hashtag）就能提供实实在在的优势，提高帖子的传播力，提升其排名，并为用户赢得更多文化资本。但 Alexa 也揭示了这一过程中所包含的游戏。语音界面需要一些调整：加快或放慢语速，把字词咬清楚，记住命令。每次尝试之后，她都会复述她所听到的内容，从而让用户反过来微调自己的展演，以获得更优的结果。发现与进阶在字面意义上被演绎出来。在用户体验设计中，箴言向来是确保“它就是能用”。但正如格奥尔格·齐美尔（Georg Simmel）提醒我们的（2004, 233），对象之所以吸引我们，也恰恰是“就其抗拒我们的欲望而言”。展演、失败、修正与重新展演的循环成为一场迭代的游戏，这场游戏要求人们对正在演绎的逻辑保持敏感，并对其特定参数作出调整。当然，获胜意味着掌握，但乐趣就发生在途中。因此，转身面向并不仅仅关乎严格的效用，也可以被理解为一种对话式的、合作性的游戏。¶

这种“转身面向”令人想起另一种更早的“转身面向”——路易·阿尔都塞（Louis Althusser）的询唤（interpellation）概念。在阿尔都塞那个著名的例子中（1971, 163），警察大喊“嘿，你！”来召唤主体；通过转过身来面对她的指控者，主体同时成为被召唤者、有罪的一方、罪犯。对阿尔都塞而言，这个场景是主体形成的一个缩影，展示了我们如何通过回应占支配地位的称呼方式而承担起被预设的品质。我们成为他人以为我们所是的那个人。但对朱迪斯·巴特勒（Judith Butler）而言，这种主体性模型——温顺的公民迅速屈从于一个咄咄逼人的（且受国家支持的）询唤者——实在过于片面。她论证道，这一转身既不是来自我们的良知所产生的某种强制，也不是来自某种无法回避的要求。相反，巴特勒指出（1995, 7），倘若没有“某种转身的准备”，就不会有转身。究竟是什么促成了这种倾向，或者说这种敏感，使人一开始就在倾听召唤？答案是“受话者一方的一种预期性欲望”（1995, 10）。这是一种有意识地作出的转身。它不是在对惩罚的忧惧之下作出的，而是怀着对一种承诺——一种身份的承诺——的期待而作出的（1995, 8）。在承认这一承诺的同时，巴特勒也恢复了主体的觉知与能动性。¶

因此，用户是自身转变为算法主体这一过程的积极参与者：他们选择转向算法性，以换取它所提供的好处，并理解那些对他们有所期待的、往往十分微妙的行为与展演。米歇尔·福柯（Michel Foucault）在晚年承认，“也许我过于坚持支配与权力的技术了”，他如今更感兴趣的是“一个个体如何在自我技术中对自身施加作用的历史”（1988, 19）。正如我们在前面几节中所看到的，亚马逊在最小化延迟、解析言语以及建立捕获区域方面所能执行的那些“严格意义上的”技术操作，既精密又重要。但它们的作用也就到此为止。Alexa 需要一个人类主体与之相向而行，走完另一半路。¶

为此，他或她必须与算法性展开对话，理解其要求并迁就它们。技术对象从那个“最初也是最自然的技术对象”——身体——那里引出一种相应的展演（马塞尔·莫斯［Marcel Mauss］语）（Mauss 1973, 75）。就 Alexa 而言，这意味着把这些要求内化：作为词语内化到言语之中，作为短语内化到记忆之中。事实上，对 Alexa 的使用几乎完美地契合福柯的四种技术（1988, 18）：媒介的生产与操纵（生产技术），由言语行为所驱动（符号系统技术），通过算法主体的建构而成为可能（权力技术），但同时也要求用户本人执行某些操作（自我技术）。然而，在福柯关于禁欲的希腊人和顺从的基督徒的叙述中，似乎浮现出来的是这种自我转变的理性的、近乎程序性的本质。人只需要思考它、意愿它，身体、姿势和言语便会随之就位。事实上，用福柯的话说（1988, 18），这四种技术共同构成了“一个实践理性的矩阵”。但 Alexa 似乎引出的东西，并非源自话语或理性——并非源自思想——而是源自对话式游戏的“非思”（nonthought）。事实上，巴特勒、盖尔和施魅所提示的，是一种以另一种矩阵为前提的权力模式：在其中，情动取代逻辑，感觉替代认知，关系性优先于理性。¶

用户并非被动的受害者。事实上，算法系统在实例化与采用方面都严重依赖用户：提交一次询问，说出一条命令，安装一个应用。这种参与无法被强迫，而是依赖于一种与回应者有效协调的召唤。用户也不是傻瓜。仅仅因为用户不理解后端功能和技术细节，并不意味着他们不能以一种更为默会的或经验性的方式理解系统。毕竟，正如戴维·摩根（David Morgan）提醒我们的（2009, 14），施魅“在直觉层面上运作，可能与其他的认知方式协同并进”。由此，算法主体的创生被揭示为一种自我激活，而非一种征服。当然，这并不是要抹杀技术系统中往往隐含着的不对称权力关系，这些关系常常被遮蔽。毫无疑问，这一转身有些后果未被考虑、被忽略，或干脆被无视。但理解这一关系之中的欲望与共谋——即便它多少是一桩浮士德式的交易——似乎是一个富有成效得多的出发点。算法体制中的人类主体并非被强迫，而是发现了某种令人着迷的东西。¶

这种镜像的一个关键方面，是对资本采取与 Alexa 相同的立场。在 Echo 的宇宙中没有任何“公共资源”（commons）的意识。那些无需学习的核心技能，不过是亚马逊或其子公司所了解且能够做到的事情：串流播放曲子（Amazon Music）、播放电影（Amazon Video）或订购商品（Amazon Prime）。附加技能则是其他公司所能了解和做到的事情。就像以最近的沃尔玛（Walmart）或塔吉特（Target）为参照的实地指路一样，Alexa 的用户必须熟悉如何在一片主要围绕大公司及其相关产品与服务而定向的地景中穿行。虽然许多技能是由较小的开发者而非蓝筹公司开发的，但它们全都是私营企业。在这个意义上，那些可以“免费”（free）激活的技能，提供的是某种未来变现的立足点，而不是体现自由与开源软件运动所倡导的那种更丰富的、政治性与共同体意义上的“作为自由的 free”（free as in freedom）观念。¶

正如弗洛里安·克莱默指出的（2005, 29），计算系统与灵性系统都共享“一种把语言视为作用于物质的能动者的魔法观念”。对这两种系统而言，词语都不是任意的。在计算系统中，代码施行其自身的语言，把词语转化为行动。对于卡巴拉（Kabbalah）这样的灵性系统而言，某物的真名以一种深刻的方式与它所代表的对象相联系。对 Alexa 而言，资本充当了把命令与商品捆绑在一起的魔法。在这个意义上，驱动“智能家居”和物联网的是资本，而不是技术。毕竟，正是资本进一步渗透到家庭内部，与亚马逊合作打造出一系列方兴未艾的新型“支持 Alexa”（Alexa enabled）的设备：门锁与灯具、洒水器与音响、对讲机与通风口（Wiggers 2017）。正是资本为家用物品装上传感器，把它从哑然的物质转变为一个能倾听、能回应的“智能”之物。同样重要的是，正是资本为对象分配了一个能够被命令的新名称，把通用的、普遍的东西——杯子、灯、门——重塑为特定的品牌商品。通过大声说出这个专名或“自然的”名称，它所代表的对象也会受到作用：恒温器是“Nest”，车库门是“GarageIO”，冰箱则是“LG”。大声说出的词语使事情发生——商品被发货，音乐被播放，灯光被调暗。¶

能够被算法识别的那种记忆与言语行为，同时也在更正式的意义上“承认”了资本主义——认可了这样一种极为有力而又务实的主张：资本主义是唯一一种在我们提出要求时就给予我们所想之物的经济。特拉诺瓦曾提出，算法或许蕴含着“打破‘资本主义现实主义’魔咒的可能性——所谓资本主义现实主义，即认为资本主义构成唯一可能的经济的观念”（2014, 334）。而技能—言语—记忆机器似乎反倒在不断地重演这一魔咒，生产出这样一种主体性：在其中，对一种商业生态的安适与娴熟造就了最优体验。以一种潜意识的方式，记住并说出这些品牌与术语，等于承认资本是唯一能够按照命令召唤出产品与服务的巫术。这是经验性的施魅，是我们唯一能够相信的那一种。如果我们能学会说资本的语言，它就会兑现承诺——每一次都会。¶

从施魅到耗竭（From Enchantment to Exhaustion）

对亚马逊而言，Alexa 节节胜利。面世三年，这款设备已从“冷门爆款”“意外成功”之类的描述，走向了“Alexa 的爆炸式崛起”“Alexa 正在接管世界”这类更为张扬的标题。到 2016 年底，亚马逊已售出 500 万台（Priest 2016）。亚马逊借助这一出人意料的成功，巩固了自身作为智能家居与物联网市场领导者的地位。Alexa 成为通向这些设备与服务的通用界面——不仅是 Echo 这样的智能音箱，还有一大批其他对象：汽车、对讲机、路由器、安防系统。¶

对 Alexa 的创造者而言，只有当她提供一种神奇的体验时，她才会被视为成功。这种无缝的技术功能可以被拆解开来，以揭示魔法背后的机制。“Alexa”这一主体性只能从种种操作中浮现，这些操作纳入了物质性的线缆、地理性的数据中心、历史性的基础设施工程，等等。对阿尔弗雷德·盖尔而言，这就是技术的施魅——当支撑一件复杂对象的汗水、污垢、劳动与物质被隐藏于视线之外时所出现的技术奇迹。¶

但“Alexa”这一主体性本身也充当着一种施魅形式——一种以关键方式补充“纯粹”技术性的技术。算法对象并不是严格理性的实体，可以仅凭令人信服的论证和严格的效用就指望得到广泛采用。在大多数情况下，它们也不是被强制推行的强迫性体制。施魅无法通过胁迫来完成，而必须通过诱惑来实现。亚马逊副总裁戴维·林普表示，Alexa 的开发是“一场心理学实验，为了弄清楚究竟需要什么才能真正让人们兴奋起来”（Kim 2016）。技术展演只完成了一半的工作，需要一种意识形态的或心理的程序在它们止步之处接手。这些技术需要把用户吸引进来，让他相信它们的整体愿景，并成为实现这一愿景的自愿合作者——发起展演，忽略不一致之处，扬长避短。对盖尔而言，这就是施魅的技术，一种“有助于确保个体默认自己所陷入的意向性网络”的技术（1992, 43）。Alexa 的用户必须对心智、记忆和言语作出调整。由算法性所施行的社会与心理操作，对其技术运行而言变得绝对至关重要，它们微妙地把用户引向一套 Alexa 能够识别并作出回应的实践。¶

Alexa 只是贯穿当代技术的一股更广泛的施魅潮流中的一个特定例子。在这个意义上，施魅是一种远为漫长、持续进行的操作——一组关于技术将带来何种明天的承诺。这些意识形态有着各种名称：技术实证主义（techno-positivism）、技术黑格尔主义（techno-Hegelianism）、网络乌托邦主义（cyber-utopianism）。这些信念的极端版本或许确实是那些满眼憧憬的硅谷布道者的地盘。但它们较为保守的版本依然是极具吸引力的叙事。这当然关乎购入各式各样的下一代设备、产品与平台。但是——循着施魅的技术这一概念——它也关乎一种远为微妙的默认，即把种种实践纳入一个算法意向性的网络之中。而这些实践很少附带一个显而易见的价格标签。对 Alexa 而言，这意味着把设备（及其附带的基于云的操作）容纳进家庭的私密之中，并让记忆与舌头适应 Alexa 的技能。对社交媒体这样的其他算法生态而言，这意味着投身于一项无休止的自我更新工程，并以分享、评论和点赞的形式贡献注意力。施魅并不仅仅关乎赤裸裸的金钱，而是关乎一种对日常生活远为深刻（也远为有利可图）的缠绕。¶

这些神话以积极的方式发挥作用，鼓励消费者拥抱由技术创新带来的更光明未来的愿景。弗里德里希·云格尔（Friedrich Jünger）写道：“今天，对技术组织之魔力的信仰比以往任何时候都更为普遍，也从不缺少把它奉为万灵药的颂扬者。”（1990, 22）但这些想象也施加着消极的压力。“错失恐惧”（fear of missing out）是一则警世故事，针对的是那些未能拥抱当代技术的个人——他们把自己排除在有益的回路之外，并为此付出社会或经济上的代价。而这一警告在更广泛的社会层面上同样具有说服力。这种论证认为，如果我们未能充分利用技术，而以监管、暂停令或批判性讨论来约束它，我们就有落后于其他公司、其他共同体、其他国家的风险。如此一来，反乌托邦这一反向想象便在背景中具有威胁性地若隐若现，而技术的种种施魅则在地平线上召唤着我们。¶

Alexa 如何更新了我们关于耗竭这一元操作的理解？在第一章中，我们看到了 Palantir 如何渗透于一座特定的城市；而第二章则探讨了 Uber 如何在与其劳动者保持脱钩的同时榨取一种生产性的展演。因此，似乎存在两种截然不同的耗竭模式。一种是对一个场域的穷尽式浸透，另一种则是把耗竭作为一种对力量、能量与生产力的远程抽干。¶

亚马逊 Alexa 提供了一个例子，说明这两种耗竭模式如何在一个特定的算法生态中汇合。如今，她已被嵌入数十种智能家居设备，把算法操作的边界扩展到一个尚未被穷尽地浸透的新兴空间。诚然，家庭的私密性本身尚有争议，工作与生活的边界也早已模糊。但 Alexa 是这一点的一种可触知的、功能性的化身：一台由云驱动的设备，摆在数以百万计家庭的厨房台面上。她的在场意味着，跨过家门不再是从世界及其度量机制中“退隐”，而是进入一个通过语音而建立起来的次级捕获区域。这种向家庭这一昔日“私人”空间的渗透并非无人察觉，即便在主流记者和科技评论家当中也是如此。风险投资分析师本尼迪克特·埃文斯（Benedict Evans）最近评论说，Alexa 的一项新功能（2017）并不“具有战略重要性，但有助于把这台设备撬进人们的家中。亚马逊显然想让每个房间都有一台设备——实际上，它想给你的家铺设管道，让商品以尽可能小的摩擦从仓库无缝地流入你的家中”。¶

这种被穷尽地盘问的生活，不仅是一种前所未有的空间入侵，也是可被捕获的信息类型的一次扩张。键入的询问、敲击出来的对话、在网络空间或物理空间中的移动——这些可被追踪的姿态如今又得到了一种新能力的补充：收集、解析和处理人类言语。而这种言语正是营销人员梦寐以求的那一种——不是排练过的讲话或正式的商业报告，而是在厨房餐桌旁展开的对话，是透露出欲望、梦想与日常惯例的随意闲聊。¶

因此，Alexa 实现了向家庭领域更进一步的渗透，一种向私密之处的潜入。从这里很容易看出，这种穷尽式的捕获如何能够被有选择地耗竭、抽取为新的生产力。在关起门来进行的对话，经由一种耗竭操作，突然变成了一股利润丰厚的收入来源——声音信号从空气中被提取出来，从背景噪声中被分离出来，被传输到云端，被转译为文本，并被记录在亚马逊的服务器上。社会生活此前未被开发的能量被抽干，被从家中抽出，转化为由一家特定公司所拥有的资本形式。算法性的可扩展性意味着，这一操作并非只发生在少数几个家庭之中，而是遍及美国、英国和德国的 2000 万个家庭（并且仍在增长）。这一迅速增长的用户基数，又进一步乘以每户家庭的用户数量和每天说出的话语数量。¶

其结果是一座庞大的信息宝库，一位业内人士将其形容为一座“金矿”（Firment 2017）。这些数据可以以上千种不同的方式被挖掘，以确定最受欢迎的品牌、产品偏好、家庭惯例、地区差异、方言差别，等等。正如哈特（Hardt）与奈格里（Negri）提醒我们的（2017, 235），在数据的价值背后，“站着社会关系、社会智能与社会生产的财富”。因此，Epsilon、Mindshare、AKQA 和 Razorfish 等咨询公司与亚马逊合作以利用这些信息，也就不足为奇了：“例如，Epsilon 可以代表某个快速消费品（CPG）品牌，利用与维生素库存单位（SKU）相关联的信息来识别品牌认知，并帮助启发一家保健补充剂制造商思考如何利用 Alexa 劝诱消费者把其品牌纳入他们的晨间惯例”（Kaye 2017）。作为一种耗竭操作，Alexa 从家庭内部汲取灵感与想法，并把它们输送为一小批精选营销伙伴的新生产力与新策略。¶

Alexa 也展示出，这两种孪生的耗竭模式在多大程度上构成了一个回路，彼此强化、彼此回应。语音识别是一个出了名困难的领域。自产品首次发布以来，Alexa 已经以来自数百万用户的自然语言询问的形式捕获了名副其实的海量数据。这些数据为 Alexa 提供了更好的“听力”，减少了误译，并增强了她即便在背景中播放着嘈杂音乐时也能理解语音的能力。这些准确性上的改进并不仅仅是技术优化。相反，适应实验室之外不完美的条件和不可预测的主体，使算法性得以进一步渗透进家庭生活——更多的言语，被更准确地、在更多的时间里捕获。¶

这些改进不仅关乎捕获更多数据，也关乎捕获新类型的数据。亚马逊所虹吸的数以百万计的语音样本，提供了一个庞大的训练数据语料库，这一语料库对于未来通过机器学习实现的发展至关重要。如前所述，这些正在进行的研发项目之一，力图理解言语中的情绪线索（Knight 2016）。一旦成功，命令这种干巴巴的文本数据就会得到关于用户当下情绪的额外信息的补充：平静还是沮丧，忙碌还是疲惫。这些习得的结果随后可以与一天中的时间、所说出的品牌名称等其他变量相结合，以推断购买偏好。经过交叉索引与关联，数据又催生出新的数据形式。通过一种更为彻底的同化来获取更多信息的欲望变得贪得无厌。因此，Alexa 例证了这两种模式循环往复、不断迭代的本性——以语音数据的形式对生产力的虹吸，反过来又助长了对其主体之生活与空间的进一步渗透。穷尽式的抽干反过来助长了一种更加穷尽的渗透。¶

注释