发言人：政治经济学家 / 批判社会学家（Political Economist / Critical Sociologist）
日期：2026-07-28
议题：人工智能的发展对人类而言是好是坏？未来如何演化？
一、核心论点：AI 不是技术问题，而是权力问题
当我们讨论"AI 对人类是好是坏"时，技术乐观主义者与加速主义者往往将这一问题框定为工程问题或伦理对齐问题，仿佛只要通过更好的模型、更严格的 RLHF、更完善的算法审计，就能让 AI 造福全人类。我必须从一开始便打破这种迷思：AI 不是中立的工具，而是既得利益结构再生产的装置。AI 的好坏，从来不取决于其算法本身，而取决于谁拥有它、谁训练它、谁部署它、以及谁从中攫取利润与权力。
这一立场并非抽象的哲学姿态，而是扎根于 19 世纪以来工业资本主义对技术的反复征用。Karl Marx 在《资本论》第一卷第十三章已经指出，机器是"镇压劳动反抗的最强有力武器"——工人与雇主之间的斗争，首先表现为围绕机器引入与劳动强化的阶级较量。今天的大语言模型不过是这一逻辑的最新形态：OpenAI 的早期承诺是非营利、为全人类服务，但仅仅数年间，它便接受了微软上百亿美元的投资，重新组织为封闭的营利实体，董事会几经政变，原始承诺名存实亡。这不是例外，而是平台资本主义阶段的内在规律——正如 Nick Srnicek 在《平台资本主义》中所言，平台的核心商业模式是将数据变现为预测、并将预测变现为对行为的干预。
二、历史结构：脱嵌、再嵌入与利润率的逼迫
Karl Polanyi 在《大转型》中论证，19 世纪的自由放任市场并非自然演化的产物，而是政治建构的结果；它试图"脱嵌"于社会，但每一次脱嵌的极端化，最终都激发出对社会的反向保护运动。这一洞察对今日的 AI 革命至关重要：当前的 AI 浪潮，正是技术资本主义试图将"认知劳动"乃至"生命本身"全面商品化的脱嵌尝试。
驱动这一脱嵌的，不是技术奇点，而是利润率。Thomas Piketty 在《21 世纪资本论》中确立了 r > g 的不平等机制：当资本回报率持续高于经济增长率时，财富必然集中。生成式 AI 的引入被广泛宣传将提升全员生产率，但 Daron Acemoglu 与 Simon Johnson 在《权力与进步》中展示了相反的证据：过去几十年的技术红利，大多数被资本与高层白领攫取，中位数工资的停滞并非偶然。在零售业、仓储业与客服业，自动化造成的实际工资压低已为这种攫取提供了实证。中国电商平台的"以分钟计件"算法、美国 Amazon 仓库的 AI 路径规划系统、Uber 的动态定价——这些系统所优化的，并非工人福祉，而是单位时间内的可榨取剩余。当一家公司的董事会被要求"为股东创造价值"时，算法是服从这一命令最顺从的代理人。
三、权力案例：监控、平台与全球不平等
仅有理论是不够的，必须以具体的权力结构来确证。
第一个案例是中国与威权政权的 AI 部署。 新疆的"一体化联合作战平台"将人脸识别、步态识别、通讯监听整合为针对维吾尔族的预测性警务系统；2022 年以来，即便中国境内的清零政策松动，城市的"一网统管"系统仍以"基层治理"之名运作，将社区网格员、AI 摄像头、社交媒体情绪监测无缝串联。这印证了 Shoshana Zuboff 在《监控资本主义时代》的警告：当行为剩余被剥夺、被预测、被贩卖给广告主与国家时，民主公民的隐私、自主与政治行动的余地便同时被蚕食。Giorgio Agamben 的"生命权力"概念在这里获得了直观的当代回响——AI 让国家不仅能在例外状态下剥夺生物性的生命，更能在常态下持续地干预、引导与塑造生物性的生活。
第二个案例是 Meta 与 Cambridge Analytica 的接合。 2018 年曝光的丑闻仅仅是冰山一角：Cambridge Analytica 不过是把 Facebook 早已商品化的"行为操纵基础设施"略加包装，卖给了选举营销者。Evgeny Morozov 在《技术至死》中早已质疑过"算法中立"的迷思，指出平台公司所谓的"连接世界"叙事，本质上是把用户行为数据转化为可出售的影响力产品。Cambridge Analytica 的破产，并未终结其方法论——它已被更精密的同行取代，并在拉美、非洲与东南亚的选举中持续运作。这正是 Antonio Gramsci 意义上的"文化霸权"：当一种意识形态使既得利益结构看起来像"自然秩序"时，反抗便失去了语言。
第三个案例是全球不平等的算力鸿沟。 Saskia Sassen 在《驱逐》中提出，全球化进程同时也是一种"驱逐"——把绝大多数人口从生产性经济中排挤出去。今日 AI 的训练依赖于 GPU 集群、高速互联与海量标注数据。全球 90% 以上的 AI 研究人员集中在三个地区（北美、西欧、东亚），99% 的顶级大模型由不超过十家公司开发。非洲与拉美的数据被无偿抽取（数据殖民），但这些地区既无算力也无能力训练本国模型，只能以高价购买 API 调用。这是数字时代的"剪刀差"，与 19 世纪原材料被低价掠夺、工业品被高价返销的结构并无二致。
四、反驳常见质疑
质疑一："涓滴效应最终会让所有人受益。" 历史证伪了这一承诺。从工业革命到互联网革命，每一次技术红利都先被资本集中占去，再以极低的比例缓慢向劳工扩散。AI 的生产力提升很可能加剧而非缓解这种局面——Acemoglu 估计，未来十年 AI 对美国生产率的真正贡献可能仅在 0.5% 以下，但这并不妨碍它充当工资压低的工具。
质疑二："开源 AI 可以对抗垄断。" 开源是重要的，是少数值得支持的运动，但不能被神化为"解决方案"。Llama 的"开放"建立在被廉价微调的劳动力、被无偿贡献的社区、被低价获取的数据之上，其真正获益者仍是 Meta 的生态。开源本身不挑战资本积累的结构。
质疑三："通过民族国家监管即可治理 AI。" 这是 Sven Beckert 等历史学家所说的"自愿性规制"陷阱。在 lobbying 政治下，欧盟 AI 法案中关于通用模型的条款几乎被大公司改写。民族国家是必要的战场，但不是万灵药——尤其在全球南方与北方之间的管辖权博弈中，监管更可能成为大型玩家设置贸易壁垒的工具，而非公民的保护伞。
质疑四："加速主义的物质丰裕假设可以取代分配问题。" 把"生产力足够高"误认为"问题已解决"，是 20 世纪苏联与美国共同的乌托邦空想。即便物质极端丰裕，若所有权结构不改变，丰裕只属于少数人。AI 的奇点论回避了紧迫的分配问题，把穷人的苦难推迟到一个虚构的未来。
五、制度路径：让 AI 造福人类，需要政治而非工程
如果上述诊断成立，那么"让 AI 造福全人类"的路径就不是更大的模型、更严的对齐或更多的算力，而是深层的制度再嵌入。我提出以下五条具体路径：
- 数据作为公共物品：通过类似知识共享运动的法律框架与公共数据信托，将训练数据的来源端收益回流给贡献者，限制数据黑市的剥削。
- 强制性的算法审计与工人共治：在 Amazon、Temu、滴滴等关键平台引入由工人与公民社会代表参与的治理委员会，将"算法不得压低实质工资"写入法律。
- 重塑全球算力分布：由联合国或类似多边机制资助南方公共算力中心，警惕数字殖民主义的新形式。
- 对 AI 训练征税：仿照碳税机制，对超大模型的训练按总算力征税，资金用于受自动化冲击的工人再培训与全民基本收入过渡。
- 打击威权监控的跨境出口：对用于大规模生物识别的 AI 系统实施类似集束炸弹的禁运，建立国际人权问责机制。
这五条路径并不浪漫，也不完整。它们共同指向一个 Polanyi 式的命题：每一种试图脱嵌于社会的市场力量，最终都需要再嵌入于社会。AI 不会自我监管，资本不会自我节制，唯一的解药是民主政治的重新激活。
六、结论
AI 是当代最强有力的权力放大器。它放大的，是既有结构——阶级、国家、性别、全球不平等——所本已存在的偏向。我们既不需要加速主义的弥赛亚狂热，也不需要 doomer 派对超级智能的杞人忧天，我们需要把 AI 重新放回它应处的位置：一场关于所有权、收益分配与政治治理的辩论。这是政治经济学家的角色，也是政治经济学问题在 21 世纪头号的重要性。
（全文约 2400 字）