枪支，是美国的立国之本，也是社会问题之源。每一次残忍的枪击案后，关于枪支泛滥和管理问题总能引起一场大讨论不同立场，也总是能给出各种结论。比如，据民调，有超过一半的美国人希望出台更严格的控抢法案。然而，另一半的人坚信，由于第二修正案赋予美国人的权利，这样的法案一定会因为违宪而遭否决。

2周前，佛罗里达的校园枪击案又将这个问题带回到了桌面上。惨剧之后，美国最大的体育用品连锁店Dick’s Sporting Goods宣布，不再销售突击式步枪，同时，停止向21岁以下的人出售枪支。除了商家的抵制之外，经济学家和机器学习的科学家们也给出了控枪手段建议，据悉，人工智能的方法也许能讨好两个不同阵营的美国人们。

“负外部性”是一个经济学的名词，指第三方为交易负担的额外成本。比如，社会为部分人造成的污染承担的环境受损的后果。庇古税，就是社会为了平衡这种负外部性行为而采取的手段。最典型的例子，就是政府收取的高额的烟草税。当然，这一手段往往并不能抵消负外部性行带来的后果，因为要在事前衡量它带来问题的程度，是一件极为困难的事情。

枪支暴力也是一种负外部性，几百万的美国人购买枪支，给社会造成了犯罪、谋杀、自杀、大规模枪击等安全隐患。简单地对枪支收取高额的税费，让买枪的成本变得难以负担是理论上消解枪支泛滥的解决之道。不过，现实当然是在强压之下，可能出现的大量的黑市，给社会带来另外的问题。

而经济学家认为，像强制车险那样，强制持枪人为枪支购买保险，可能是一个更好的办法。就像保险公司根据开车人的年龄、性别、驾驶历史、习惯等做出大数据统计，从而测定风险一样，他们也能为持枪人设计类似保险。类似的枪支保险在美国的不少州已经存在。再2012年的康涅狄格州桑迪胡克小学枪击案后，纽约、加州、康州都开始了类似的政策。

为了让保险的价格不至于太高，从而损害大部分人买枪的权利，即让政策不会违宪，人工智能和大数据分析就成了这个时代最重要的工具。才传统的保险计算的法则，如健康、年纪、犯罪记录等因素之外，机器学习和数据分析专家们给出了其他的参考意见。Facebook的人工智能部门主管、卷积网络之父Yann LeCun认为，在足够的数据之下人工智能会给出更周全的模型。

几年前，类似的枪支保险由于有着太多的设置条件、影响因素，让整个投保过程十分繁琐冗长。随着机器学习技术的进步，对几百项条件、因素的筛选变得更加容易，对于风险的预测也更加准确。它能够让符合条件的购买者，以几乎无负担的价格买到保险下的枪支，让绝大部分人在购买保险的同时不会损害自己的自由持枪权利。