在康奈尔大学领导的一项开创性研究中，研究人员在经典游戏俄罗斯方块的两人版本中开始了对算法公平领域的探索之旅。该实验建立在一个简单而深刻的前提之上：在游戏过程中获得较少回合的玩家认为他们的对手不太讨人喜欢，无论是人类还是算法负责分配回合。

这种方法标志着算法公平性研究传统重点的重大转变，传统算法主要关注算法或决策本身。 相反，康奈尔大学的研究决定揭示受算法决策影响的人们之间的关系。 这种焦点选择是由人工智能决策的现实世界影响驱动的。

牵头这项研究的康奈尔大学信息科学副教授马尔特·荣格 (Malte Jung) 表示：“我们开始看到很多情况下，人工智能会决定如何在人们之间分配资源。” 随着人工智能越来越融入生活的各个方面，荣格强调需要了解这些机器做出的决策如何塑造人际互动和感知。 “我们看到越来越多的证据表明机器扰乱了我们彼此互动的方式，”他评论道。

为了进行这项研究，耶鲁大学博士后研究员休斯顿·克劳尔利用开源软件开发了俄罗斯方块的修改版本。 这个新版本被称为“Co-Tetris”，允许两名玩家轮流一起工作。 玩家的共同目标是操纵下落的几何块，将它们整齐地堆叠起来，不留间隙，并防止块堆积到屏幕顶部。

与传统游戏不同的是，“分配者”（人类或人工智能）决定每个回合由哪个玩家进行。 轮次分配的方式是让玩家获得 90%、10% 或 50% 的轮次。

研究人员假设，接受较少回合的玩家会认识到这种不平衡。 然而，他们没有预料到的是，无论分配者是人类还是人工智能，玩家对搭档的感情都会基本保持不变。 这一意想不到的结果导致研究人员创造了“机器分配行为”这个术语。

这个概念是指人们根据机器做出的分配决策所表现出的可观察行为。 它与“资源分配行为”的既定现象相似，“资源分配行为”描述了人们对资源分配决策的反应。 机器分配行为的出现证明了算法决策如何塑造社会动态和人际互动。

然而，这项研究并没有停留在探索公平感上。它还探讨了分配和游戏性能之间的关系。在这里，研究结果有些矛盾：公平分配反过来并不一定会带来更好的绩效。事实上，与分配不均等的情况相比，均等的轮次分配通常会导致更差的游戏分数。

克劳尔在解释这一点时说道：“如果一个强大的球员获得了大部分的盖帽，那么球队就会做得更好。 如果一个人得到了 90%，最终他们会比两个普通玩家分块做得更好。”

在我们不断发展的世界中，人工智能越来越多地融入各个领域的决策过程，这项研究提供了宝贵的见解。 它对算法决策如何影响感知、关系甚至游戏表现进行了有趣的探索。 通过强调人工智能与人类行为和互动交叉时出现的复杂性，该研究促使我们思考如何更好地理解和驾驭这个动态的、技术驱动的景观的关键问题。