AI 的发展趋势必定是基础设施。基础设施不应该只属于少数人。更不应该被保持神秘。
现在的 AI 产业固有结构是：输入端是几十亿人的无偿知识、公共资助的基础研究、社会承担的环境成本。输出端，模型权重、API 访问权、定价、使用条款，全控制在几家不承担公共问责的公司手里。输入社会化，输出私有化。
随着顶级大模型的日益封闭化以及强政治表达，我产生了完成这篇文章的想法，且专门避开了西方的敏感点。
其实本来想叫另一个名字《第二次圈地运动 —— 大模型如何把公共品变为私产》但是感觉有些尖锐，也不会有人看。
有感而发，希望轻喷
不可复制的公共品 —— 大模型与数字时代的公地困境
2026 年 7 月
一
二〇二六年春天，一家美国人工智能公司与联邦政府之间的对峙进入了公众视野。这场对峙的起点可以追溯到一年前：该公司与五角大楼签署了合同，而后合同重新谈判破裂。破裂的原因，据公开报道，是该公司拒绝放弃对其技术使用范围的限制：拒绝将其模型用于大规模国内监控和无需人类监督的全自主武器系统。
政府随后做出了一系列回应。政府要求所有联邦机构立即停用该公司的技术。国防部将其定性为 “供应链风险”。这是美国历史上首次将这一标签贴在本国公司身上。商务部下达了史上首次对商业 AI 模型的出口管制令，禁止所有非美国公民访问其最新模型，该公司被迫对全球用户关闭了这些模型。
一家私人公司掌握了被认为具有战略武器级别的重要技术。它按照自己的伦理判断，拒绝了其所属政府提出的使用要求。政府随后动用了为外国对手设计的法律工具来对付它。双方都有自己合法的理由。公司认为自己在坚守原则，政府认为自己在保护国家安全。但在这个合法性对合法性的碰撞中，暴露了一个更深层的问题：
当一项技术的控制权集中在极少数私人实体手中时 —— 无论这少数实体是公司还是政府 —— 社会的其他部分都只能旁观。用户只能在服务开启时付费使用，在服务关闭时束手无策。开发者只能祈祷自己依赖的 API 不会在明天被一纸行政命令切断。研究者只能在黑箱外面猜测内部的运行逻辑。公众只能阅读声明、猜测动机、然后等待下一次出乎意料的决定。
这不是一个关于谁对谁错的故事。这是一个关于结构的故事。讨论的焦点不在某一家公司，而在一个正在形成的结构。一个值得被仔细审视的结构。
二
要理解这个结构，需要先回答一个问题：AI 到底是什么？
从商业角度看，它是一项服务：用户付费，获得智能输出。一手交钱一手交货，交易完成。但这个答案回避了一个关键事实：AI 正在系统性、不可逆地嵌入社会运行的基础层面。
它已经出现在医疗诊断的辅助系统中。出现在司法系统的风险评估工具里。出现在教育的作业批改和学习路径规划中。出现在金融信贷的审批流程里。出现在代码的生产管道和软件开发的自动化链条上。出现在搜索引擎的信息过滤和内容排序逻辑中。
当一个技术产品所承载的功能，不再只是 “让生活更方便”，而开始影响一个人能否获得贷款、一个被告能否获得保释、一个学生能否获得正确的学业评估、一个企业能否维持正常运行，这个产品就不再是一件商品。它是基础设施。
基础设施和商品的本质区别不在于规模，而在于依赖度。一家社交媒体平台如果明天倒闭，用户可以迁移到另一家。一座城市的供水系统如果明天停运，城市无法运转。依赖度决定了一件产品是否已经从市场中的可选消费品，演变为社会运行所必需的基础构件。
基础设施的治理在历史上有一条清晰可见的轨迹：道路、电网、供水系统、电信网络。它们都曾经历过从私有运营到公共治理或者受严格监管的开放竞争的转型。这个转型的推动力不是意识形态。是基础设施经济学的一个基本事实：当全社会在结构上依赖单一供应商时，该供应商的私人利益与社会公共利益之间的张力，无法通过市场机制自行消解。它只能通过制度化的公共约束来管理。
电信行业的历史提供了一个参照。AT & T 在二十世纪的大部分时间里垄断了美国的电话服务。它控制着线路、设备和定价。它的论点是：这种集中化对技术质量和社会利益都是最优解。一九八四年，AT & T 被拆分。随后二十年间，电信领域的创新以前所未有的速度爆发。一项 2023 年的实证研究（Watzinger & Schnitzer, “The Breakup of the Bell System and its Impact on US Innovation”）显示，拆分后美国电信相关专利总量上升了 19%。
AI 目前治理结构的特征，与那个被拆解前的 AT & T 有着令人不安的相似性：核心技术的控制权集中在极少数私人实体手中。定价策略、使用条款和内容边界由这些实体在封闭环境中单方面决定。外部社会（包括依赖该技术的开发者、企业、教育机构和公共部门）对这些决策没有制度化的参与渠道。如果说有什么区别，那就是 AI 比电话系统渗透进了更多、也更底层的社会功能。
这里触及了一个更根本的问题：当一个资源在技术上可以被共享、但制度上被少数人控制时，会发生什么？
当一个社会的基础设施层由不受公共问责的私人实体控制时，社会本身还剩下多少自主性？
三
如果 AI 是基础设施，那接下来的问题是：这个基础设施是用什么建造的？
答案被分散存放在不同的领域中，需要一片一片地拼合。
第一片：训练数据。
打开任何一个前沿大模型的技术报告，训练数据那一栏通常不会列出具体的数据集来源。但学术界和独立研究者的逆向分析已经勾勒出了大致轮廓。
互联网公开文本构成了训练语料的主体。这些文本来自：Wikipedia 上数百万志愿者无偿编纂和校对的词条。Stack Overflow 上开发者社区二十年间积累的问答。Reddit 上普通用户日复一日的讨论和分享。GitHub 上以开源许可发布的代码库，数以亿计的提交记录。arXiv 上全球科研人员公开发表的前沿论文。Flickr 上的图片、YouTube 上的视频字幕、数以万计的个人博客和新闻网站。
这些内容的生产者覆盖了几十亿人，跨越数十年的时间跨度，投入了不可计量的无偿劳动。他们生产这些内容时，是在分享知识、交流想法、展示创作、参与社区。绝大多数作者从未被告知自己的劳动已成为商业 AI 产品的核心原材料，且从未被征求意见，从未参与收益分配的讨论。
在法律意义上，这当然不是 “偷窃”。现行法律框架下，公开可访问的文本被抓取和用于训练模型，属于合理使用的灰色地带，至少在美国法律下尚未被明确禁止。但合法性等于合理性吗？当一个系统将几十亿人的集体知识产出转化为少数实体的商业资产时，法律条文的模糊不会让这个问题消失。
第二片：基础研究。
推动大模型能力跃迁的核心技术突破，几乎全部来自公开发表的学术论文。
Transformer 架构、今天所有前沿大模型的底层骨架、来自一篇 2017 年发表在 NeurIPS 上的论文，标题是 “Attention Is All You Need”，作者是 Google Brain 和多伦多大学的研究者。在它成为数十亿美元产品的基础之前，它是公共知识。
Transformer 架构。基于人类反馈的强化学习（RLHF）。混合专家模型（MoE）。思维链推理。这些术语构成了当前 AI 产业的技术支柱，而它们最初全部出现在公开的学术出版物中。
这些研究背后的资金来源是大学（以公共拨款为主）、公共基金会和企业的研究部门。基础研究的社会化投入与产品化的私人占有之间的不对称，与其说是个别公司的问题，不如说是当前 AI 产业的系统性特征。
第三片：算力基础设施的外部成本。
训练和运行大模型需要能耗密集的计算基础设施。数据中心消耗的电力推高区域电价。美国电力研究院（EPRI）在 2026 年 2 月发布的报告中预测，到 2030 年，数据中心用电可能占美国全国总发电量的 9% 至 17%，是当前占比的两倍以上。在水资源方面，在美国第二大数据中心市场所在的亚利桑那州，凤凰城地区数据中心用水量预计从当前的 3.85 亿加仑跃升至 2030 年的 37 亿加仑，增幅近 900%。单个超大规模数据中心日用水量可达 500 万加仑，相当于一个五万人口城镇的日供水。芯片制造的碳排放扩散到全球大气。
这些成本不由模型运营者一家承担。它们通过电价、水价、税收和环境退化，分散到周边社区和更广泛的人群。成本的社会化与收益的私有化，构成了 AI 基础设施的另一个结构性不对称。同样的逻辑适用于用户反馈：每一次交互中的选择、纠错和偏好信号，都在无偿地为模型的对齐和准确性提供训练数据。
这几组事实拼合出一幅完整的画面：大模型的能力依赖于一个彻底社会化的输入端：集体生产的数据、公共投资的研究、社会承担的外部成本、用户无偿提供的反馈信号。但输出端的控制权（模型权重、API 访问、定价策略、使用条款）高度集中在极少数不承担公共问责义务的实体手中。
这种 “输入社会化、输出私有化” 的结构，与其说是个别公司的道德缺陷，不如说是当前 AI 产业的基础制度安排。而制度安排的合理性，是可以、也应该被公开讨论的。
四
一个训练完成的大模型，在技术层面是一个数字文件：包含数十亿到数万亿参数权重值的二进制数据块。作为数字文件，它的经济学特征清晰而简单：可以无损复制，可以无限分发，每增加一个使用者的额外成本趋近于零。在经济学的基础分类中，这种具有 “非排他性” 和 “非竞争性” 特征的商品被称为公共品。大模型在技术上天然趋近公共品。
但它的市场形态迥异于此：前沿闭源模型通过 API 提供服务，价格远高于边际成本。这个偏离来自缺乏替代选项，而非来自技术本身。
这里有一个反驳值得认真对待。
模型作为数字文件可以无损复制，但运行模型所需的算力基础设施是高度排他的 —— 不是每个人都有万卡 GPU 集群。这个区分是真实的。但它的意义被一个正在加速的技术趋势削弱：模型量化和推理优化正在快速降低运行门槛。两年前需要数据中心才能运行的能力，今天在消费级显卡上已经可以部署。排他性是当前技术阶段的暂时特征，不是模型的固有属性。这个阶段正在加速结束和已经结束之间，仍然有一个闭源模式可以持续收取租金的窗口。承认这个窗口的存在，不等于承认它应该被无限延长。
而且，前沿能力的垄断可以向下游辐射。当一家公司的旗舰模型被公认为 “最强”，这种认知会渗入它的中等产品线。顶端和主流之间，不是两个互不连通的市场。
从技术公共品到市场稀缺商品，中间的转化依赖的不是技术手段，而是三套相互配合的法律和商业机制。
法律层面的围墙。 使用许可禁止逆向工程，禁止使用模型输出训练竞争模型，限制商业部署的场景范围。
架构层面的锁链。 API 作为唯一的访问方式，用户不拥有模型，不在自己的硬件上运行，不知道模型架构。他们只拥有一个 “提问并获得回答” 的权限。每次提问产生一笔费用。
生态层面的锁定。 开发者将业务逻辑建立在特定 API 的工具调用格式、模型行为和提示工程习惯之上后，迁移成本是代码重写、提示词重新调试、微调模型重新训练、团队技能重新培养，且随时间呈指数级增长。
一个在技术上趋近公共品的东西，被法律和商业结构制造成了按次收费的稀缺资源。“稀缺” 在这里不是技术属性。它是一个制度选择。
开源模型的崛起为这个判断提供了近乎实验性的证据。当开源模型在多数现实任务中逼近闭源前沿水平，一个经济上非常关键的事实浮现出来：绝大多数的商业应用场景，不需要最拔尖的那一小部分前沿能力。文档摘要不需要顶级数学推理。客服对话不需要击败人类奥数冠军。代码补全不需要多模态视觉最优。从纯技术经济的角度看，这部分市场天然属于边际成本趋近于零的开源方案。而且在许多领域，这种转变已经在发生。
闭源模式在这部分市场中继续收取溢价的理由，不再是技术优越性本身。是品牌惯性。是迁移成本。是信息不对称。大量潜在用户不清楚开源替代方案的能力已经到了什么程度。
五
以上的分析勾勒出了 AI 产业当前结构的外部轮廓。但要理解这个结构是否可持续，需要进入它的内部：观察那些在运行过程中自行产生、自行激化、无法仅在现有框架内化解的多重矛盾。
这些矛盾不需要外部批评者来 “发现”。它们是系统在运行中自行制造的反作用力。它们不依赖外部干预就会自行发挥作用。这就是 “内爆” 的含义。
第一个矛盾：开放科学的生产基础与封闭产品的商业模式。
人工智能作为一个学科，诞生于学术机构。它的知识生产模式：同行评议的公开论文、可复现的实验、开源代码，是科学共同体几个世纪以来积累的基础设施。深度学习革命的每一个关键节点，从反向传播到卷积神经网络到 Transformers，都是在开放的学术交流中实现的。NeurIPS、ICML、ICLR，这些学术会议的名称在 AI 研究者心中的分量不低于任何公司的产品发布会。
这个传统至今仍在支撑着 AI 产业的持续进步。产业界研究者的职业流动依赖于他们在公开学术社区中的声誉。一篇在顶级会议上被广泛引用的论文，就是一个研究者最重要的硬通货。基础能力的突破仍然首先出现在公开发表的论文中。企业内部的闭门研究如果没有外部学术界的信息流动，其进步速度会显著下降。
但与此同时，训练完成的权重这一前沿模型的核心产物，被严密封闭。训练数据的构成、模型架构的细节、对齐流程的具体参数，这些在科学传统中本该被公开讨论和验证的信息，在商业逻辑中变成了需要保密的竞争优势。
产业依赖开放科学来推进前沿。产业依赖封闭产品来获取利润。当一个研究者发表了一篇突破性的论文，这篇论文可能让竞争对手迅速追赶，从而侵蚀自己公司的技术壁垒。当同一家公司既鼓励研究者发表论文以维护学术声誉，又需要保护产品秘密以维持商业优势时，这两个目标之间的张力是结构性的，不可能通过管理层的善意来彻底调和。
问题不在 “他们应该更开放”。是制度设计本身的问题：当知识生产的公共基础设施（科学共同体）和知识产品的私有控制（闭源模型）绑定在同一家实体内时，两者之间的张力只能通过两种方式解决。要么牺牲商业壁垒，走向开放；要么牺牲学术透明度，走向封闭。中间的平衡状态只是暂时的、不稳定的。
这个抽象的张力的一个具体承载者，是产业界内部的研究者。
许多 AI 研究者选择进入产业界，不是因为单一的薪酬动机。产业界提供的真正不可替代的资源 —— 万卡级别 GPU 集群、互联网规模的数据集、将理论验证为数十亿参数模型的工程能力 —— 是学术界无法匹配的。但当研究成果被融入封闭的商业产品后，科学的职业道德（可复现的结果、公开的方法论、同行审查）与商业的职业道德（保护竞争优势、控制信息流速）之间的冲突不可回避。
一个研究者花了六个月改进了一套对齐算法。她的论文被公司内部的发表审查委员会反复审查，不是为了科学准确性，而是为了确认不泄露竞争优势。最终发表的版本删掉了关键参数、简化了方法描述、省略了失败的实验路径。从商业角度看，这是合理的。从科学角度看，这是一篇不完整的报告。
这种张力不是偶发的个例。大多数研究者找到了个人层面的妥协方式。但个人妥协不消解结构性矛盾。它只是将矛盾从 “是否” 的问题变成了 “还能忍受多久” 的问题。
第二个矛盾：安全承诺与竞争压力。
浏览任何一家前沿 AI 公司的公开声明，“安全” 和 “负责任” 是出现频率最高的词汇。安全研究部门被设立，安全框架被发布，CEO 在国会听证会上承诺 “不会为了速度牺牲安全”。
但 “安全审查需要时间” 和 “竞争对手不会等你” 这两个事实同时成立。
当一个竞争对手刚刚发布了在关键基准测试上表现突破的新模型 —— 伴随着实时评分的攀升、媒体头条的铺天盖地、社交媒体的疯狂传播 —— 其他公司面临一个选择。选项 A：按照最严格的安全流程，花三到四个月进行全面审计、对抗性测试、第三方评估和逐步发布。选项 B：两周后发布一个 “有限预览” 版本，在安全审查流程走完之前先占领媒体叙事和开发者心智。
选项 A 在经济上是理性的。一次安全事件可能导致监管介入、用户流失和品牌损害。选项 B 在经济上也是理性的。在人们注意力转移极快的市场环境中，先发优势的窗口可能只有几周。两个 “理性” 之间不存在可以事先计算的最优解，因为安全和速度的权重不是由客观公式决定的，而是由竞争压力实时塑造的。
公开可查的事实是：在过去的十二个月中，多家前沿 AI 公司都选择了在全面安全评估完成之前发布产品。不是 “他们没有安全流程”。Anthropic 的 “负责任扩展政策”（RSP）、OpenAI 的 “准备框架”（Preparedness Framework）等安全机制确实存在，并持续更新迭代。是竞争节奏不允许这些流程在发布之前走完。安全在声明中是第一优先级，在发布节奏中是弹性优先级。个别决策者的道德品质无法解释这一模式。解释它的是竞争性市场结构施加在安全审慎之上的系统性压力。
第三个矛盾：“民主化”的宣称与权力集中的现实。
“让更多人用上 AI。” “赋能每一位开发者。”
这些宣传语言的核心叙事是：前沿 AI 公司正在将曾经属于少数精英的能力，分发到每一个人手中。但如果 “赋能” 的含义是让用户拥有对工具的控制权 —— 了解它如何运作、能够修改它的行为、可以将它部署在自己的环境中不受第三方的持续监控 —— 那么当前的前沿 AI 服务几乎在每一个维度上都与 “赋能” 相反。用户只能通过 API 在允许的参数范围内获得回答，无法看到权重、无法修改行为、无法在自己的硬件上部署、甚至无法知道下一次使用时的模型是否已被静默更新。
AI 行业搬用了 “新电力” 的比喻来描述自己的重要性，却没有搬用 “电力” 背后的治理逻辑：当一项资源成为所有人生活所必需时，它的治理必须接受公共问责。
第四个矛盾：政府自身的立场分裂。
同一个政府的不同分支机构，在面对 AI 时采取了彼此矛盾的态度。
美国政府内部，某机构的安全评估部门将前沿 AI 模型定性为 “具有安全敏感性”，以至于需要严格的出口管制，需要限制特定国家的访问权限，甚至需要在历史上首次对商业 AI 模型动用出口禁令。该机构的核心逻辑是：这项技术如果落入对手手中，将构成国家安全威胁。
同一政府的商业推广部门在推动这些 AI 服务的广泛国内部署和商业出口。同一政府的国际竞争部门在警告美国正在 “AI 竞赛” 中被追赶，需要加速部署和推广。
如果一个技术能力确实具有如此高的安全敏感性以至于需要动用历史上针对外国对手的法律工具来限制其传播，那么同样的能力在国内的大规模、缺乏问询、无防护的商业部署，其逻辑基础是什么？安全是一种地理属性吗？同样的模型能力，在加州数据中心里就是安全的，在另一国的服务器上就是不安全的？还是说，安全风险取决于治理结构？谁在控制这项能力、出于什么目的、接受什么约束，而不是数据中心的经纬度坐标？
政府不同机构之间的立场差异本身不是问题。复杂官僚体系中的内部矛盾是常态。但当前 AI 政策领域中，这种矛盾的公开化程度和直接影响范围已经超出了正常的内部协调问题。当出口管制部门将一个模型定性为 “安全风险” 的同时，商业部门在鼓励同一家公司扩大该模型的市场份额，而公众收到的是一个自相矛盾的信号。
这个自相矛盾本身，成为了公共讨论中最有力的引用来源。不需要任何外部批评者来 “提出” AI 安全的问题。政府自身的安全机构已经做出了正式定性。外部批评者只需要追问一个问题：如果政府自己在内部都达不成一致，公众应该相信谁的判断？
第五个矛盾：竞争论证的自我消解。
“让市场竞争来解决。”“如果用户不喜欢，他们可以不用。”“监管会扼杀创新，市场才是最有效的筛选机制。”
这是头部 AI 产业对 “是否需要公共监管” 的潜台词。它的底层论证是：市场竞争本身会驱动更好的产品、更合理的定价和更负责任的行为。
这个论证要成立，需要两个前提：市场中存在真正的竞争，以及用户有真实的选择权。前文已经分别讨论了这两个前提在当前 AI 产业结构中是否成立。前沿市场的进入壁垒将参与者压缩到了个位数，深度锁定使迁移的经济代价等同于放弃全部技术资产。这里不重复展开。
值得单独审视的是这个论证的形式本身：用 “市场竞争” 来论证不需要公共监管。但市场的实际结构正在系统性地消解竞争的前提。论证赖以成立的竞争，恰好是被论证所维护的集中化结构正在消灭的东西。
这并非一个论证被事实推翻，外部事实和论证之间的冲突可以修正论证。这是论证在逻辑上自我消解。它预设了一个条件，而这个条件恰恰是它自己在实践中正在消灭的。当 “让市场解决” 的结果是市场本身的竞争机制被侵蚀，“让市场解决” 就不再是一个可持续的回答。
以上五个矛盾，没有一个是外部批评者 “发现” 的。它们是系统运行中自行产生的反作用力。
当这些矛盾被公开讨论时，一个回应往往先于论证本身出现。这个回应不针对论证的内容，而是质疑论证者的资格：这种对技术权力的批判，不过是旧意识形态穿上了新技术的外衣。
六
对集中式技术权力的质疑，有人会说是二十世纪意识形态在新技术时代的 “借尸还魂”。但它在西方技术文化内部有其独立的、深厚的、至今仍在运行的传统。
这个传统可以追溯到至少四十年以前。
一九八三年，MIT 人工智能实验室的研究员 Richard Stallman 发起了一个名为 GNU 的项目，目标是从零开始构建一套完全自由的操作系统。他的驱动力来自一段具体的经历：当他无法获得一台打印机的源代码进行适配修改时，他意识到法律工具正在被用于打破黑客文化中不言自明的协作传统：共享代码，共同改进。Stallman 决定反击。
他提出了四项 “基本自由”。运行的自由：你可以为了任何目的使用软件。研究的自由：你可以查看源代码并学习它是如何工作的。再分发的自由：你可以与他人分享副本。改进的自由：你可以修改软件并公开发布你改进后的版本，让整个社区受益。
注意 Stallman 使用的词汇。他没有说 “公有”“共有”“共享”。他说的是 “自由”。这个词，在西方政治哲学的传统中，是权利论证的最核心概念。他的框架不是 “软件不应该属于任何人”，而是 “软件的使用者应该拥有控制自己所使用工具的自由”。这是一个关于个人自主性的论证，不是关于集体所有的论证。
后来越来越多的人加入了这场运动。Linux 证明了分布式协作不仅在道德上有吸引力，在工程质量上也可以打败集中式的等级开发模式。Apache、MySQL、PHP、Python—— 构成今天互联网基础的开源技术栈，绝大多数来自这场运动催生的生态。
一九九七年，Eric Raymond 发表了一篇后来被广泛引用的文章《大教堂与集市》。他的核心观察是：Linux 的开发模式是成千上万个互不认识的开发者在没有中央指挥的情况下并行协作，产出了一个比任何私有公司产品都更稳定的操作系统。Raymond 做的是工程分析：为什么分布式的、透明的、任何人都可以参与的方式，在技术上优于集中式的、封闭的、少数人控制的方式。
一九九九年，斯坦福法学院的 Lawrence Lessig 出版了《代码：以及其他网络空间的法律》。他的核心论点是：在网络空间中，真正控制你行为的不只是政府制定的法律，更重要的是 “代码”，即技术架构。一个浏览器可以访问什么网站，一个操作系统允许安装什么应用，一个数据库如何排序信息，这些由少数人编写的架构规则，对行为的影响力不亚于议会的立法。
如果写代码的人就是立法者，那么谁在写代码？多少人参与了 “立法”？这个 “立法” 过程是否接受任何形式的公众参与和监督？Lessig 没有用任何激进的政治词汇。他只是指出了技术架构中已经存在的权力分配。
二〇〇二年，耶鲁法学院的 Yochai Benkler 发表了一篇影响深远的论文，提出了一个概念：“基于公地的同行生产”（commons-based peer production）。他指出，Wikipedia、开源软件、SETI@home 分布式计算，这些项目代表了一种新的生产模式。它既不依赖市场信号（价格、利润、工资），也不依赖政府指令（法律、审批、预算拨款），而是依赖自愿参与者在共享资源上的协作。
这种生产模式在某些领域的效率，如百科全书编纂、操作系统开发、软件库建设，已经超过了传统的公司和政府机构。Benkler 的论证不是意识形态的，是效率分析的：在特定条件下，公地的开放协作比产权的专有控制产出更好的结果。
再往后，哈佛商学院的 Shoshana Zuboff 在二〇一四年的一篇论文中首次提出了 “监控资本主义” 这一分析框架，并在二〇一九年出版了《监控资本主义时代》一书。她的路径与前四人有所不同 —— 前四人关心的是技术架构中的自由和效率，她关心的是数据提取背后的积累逻辑。但不同路径抵达了同一个底层直觉：技术架构中的权力分配不是一个自然状态，是一个可以被理性审视的对象。她分析的核心是：Google 和 Facebook 这类公司的商业模式，不是传统意义上 “卖广告”。它们从人类行为中提取原始数据，通过算法转化为预测产品，然后在 “行为期货市场” 中交易。这种 “提取 - 转化 - 交易” 的循环，构成了一种新的资本积累逻辑。
Zuboff 是哈佛商学院的教授。她的分析框架来自制度经济学和组织行为学，不是来自十九世纪的政治经济学批判。
这五条线索：Stallman 的权利论证、Raymond 的效率论证、Lessig 的权力分析、Benkler 的模式描述、Zuboff 的积累逻辑解剖，各自独立起源，却又彼此引用和交织，形成了一套完整的分析传统。它们共享一个底层直觉：技术架构中的权力分配，是一个可以被理性分析、被公开讨论、被制度约束的对象。它不是 “自然规律”，不是 “市场的必然结果”，不是碰不得的 “创新黑箱”。
如果这些论述在今天听起来显得 “激进”，那是因为它们在根本处是激进的，但它们激进的方向，恰好是西方价值观的最核心处：个人的自主、群体的自治、权力必须受到被影响者的问责。
这个传统在过去的二十年里，被一套更强大的叙事系统性地边缘化了。“开源” 被重新定义为 “一种商业模式”—— 意思是，它只是获取用户的一种低成本手段，最终还是要通过云服务和增值功能来变现。“自由软件” 被重新定义为 “免费增值的获客策略”。它不再被理解为一项关于用户主权的权利论述，而是被简化为一个关于价格（零元）的市场定位。“去中心化” 被重新定义为 “区块链 ICO”。技术上的分布式架构被金融投机叙事彻底覆盖。
这套传统没有被遗忘。它被覆盖了。覆盖层的厚度，取决于有没有人愿意往下挖一层，重新读一读原典。
如果这套传统在今天听起来陌生，它没有失传。另一套更响亮的叙事占据了它的位置。
七
翻看任何一家前沿 AI 公司的产品发布博客，“改变世界”“赋能每一个人”“让智能触手可及” 是固定的开篇措辞。读第一遍觉得振奋。读到第十遍仍然会被这种叙事触动 —— 不管你是否认同这种叙事。这些公司确实在做此前被认为不可能的事。敬佩是最自然的反应。
值得注意的不是敬佩本身。是敬佩之后发生的事。
定价为什么定在这个数字？训练数据从哪来、征求过谁的同意？如果有朝一日服务条款变更、API 版本退役、或者整个产品线被一纸行政令切断，备用方案是什么？这些问题在敬佩的情绪里没有空间。而且不仅仅是 “没有空间”，它们变得不太礼貌了。当你把一家公司放在 “他们在做伟大的事” 这个心理位置上之后，追问这些细节有一种微妙的冒犯感。而 “冒犯感” 是由谁设定的、服务于谁？很少被追问。
媒体的叙事惯性在同一方向上加固。CEO 的作息时间、日常冥想、社交网络上的简短回复被逐字解读。产品发布会 —— 舞台、灯光、虔诚的观众、站在中央用平静语调讲述未来的演讲者 —— 在外界报道中被呈现给不在场的人。这些报道不一定是公司授意的。它们自己会生长，因为 “天才改变世界” 比 “供应链风险分析” 更容易写、更易传播、也更符合读者在信息过载中节省认知资源的需求。在技术变化远超个人理解速度的时代，“他们在做伟大的事” 比 “自己搞清楚” 轻松很多。这和一个人的智力水平没有关系。它是一种认知节能策略。
当这个模式就位之后，一套免疫机制随之附加上来。任何对处于这一心理位置上的公司的质疑，关于定价、关于隐私、关于安全、关于治理，被预先标记为 “反创新”“阻碍进步”“你不懂技术”。免疫机制不回答质疑的内容。它只需要否定质疑者的资格。你不在行业内，你不懂技术细节，你没有资格判断什么算合理的安全措施。这种 “技术复杂性即免于公共审查的豁免权” 的论证，在核能、基因工程和药品审批的早期历史中都曾被使用。回头看，它哪一次都不持久。
选技术供应商的时候，“谁强用谁” 在大多数场景下是理性的。选云服务商，看性能。选数据库，看基准测试。选编程语言，看生态和效率。这个逻辑在选餐厅、选手机、选航空公司时都在工作。“最好的产品自然会赢” 被日常经验反复验证，直到它从决策方法变成条件反射。
当这个条件反射被平移到 AI 基础设施的选择上，有几个前提在日常经验中从来不出现、但在这里恰恰是核心变量。
竞争是否存在？前沿 AI 的入场券，数十亿美元资本、万卡级 GPU 集群、互联网规模的数据管道，已将有能力参与者的数量压到了个位数。在位者还可以通过专利、许可协议和生态锁定增加后来者的进入成本。日常经验中的 “竞争” 假设的是众多参与者自由进出。这里的实际结构是寡头在极高壁垒保护下的局部博弈。自然选择中的生物不能立法禁止新物种进入其生态位。市场中的在位者可以。
选择是否真实？当三年工作积累绑定在特定 API 的提示词范式、微调模型和工具链上之后，换供应商意味着：所有提示词重新调试、不同模型的期望结果不同、所有微调模型在新平台重新训练、工具链和内部文档从零适配，理论上永远可以选择。经济上的选择，当迁移代价接近放弃全部现有资产，等于没有选择。
在上面两种叙事里，一个人可以完全自洽地同时持有两者。前者提供情感层的信任：“他们在做伟大的事”。后者提供理性层的自洽：“他们赢了，说明他们是最好的”。情感和理性之间形成闭环，每一个质疑的入口都预先被闭环内部的自洽覆盖。一个值得被审视的权力结构，在这个闭环里看起来是自然的、甚至值得庆祝的。
前一种叙事有着浓厚的 “技术神学主义” 色彩，后一种则像是进一步的 “技术达尔文主义”。命名不是归纳，更不是判决，只提供一个可以被指认的形状。一个模式一旦可以被指认，就不再是 “事情本来的样子”。
八
面对以上分析，一个务实的回应是：谁强我用谁。
这个回应在单个维度上完全自洽。如果唯一的决策变量是模型性能（在基准测试上的得分、在具体任务上的表现），那么选择当前最强的方案不需要额外的论证。做生意也好，做研究也好，选最强的工具是直觉上的最优解。
这个逻辑本身没有问题。问题是它是否遗漏了其他应该进入决策算式的变量。以下四个变量，在使用闭源前沿模型时往往不在考虑范围内。
可审计性。 在传统供应链中，你不会接受一个拒绝接受第三方质量审计、拒绝披露原材料来源、拒绝让你检查生产流程的关键供应商。但当你依赖一个闭源模型时，模型的权重不可见：内部的推理路径是否包含你无法接受的偏见，你不知道。训练数据的具体构成不可查：是否包含了受版权保护的内容、错误信息或有害材料，你不知道。对齐流程的具体参数不可验证：“安全” 的定义是谁做出的、依据什么标准，你不知道。新版本发布时输出的微妙变化：响应风格的漂移、特定问题回答方式的转向，不会提前通知你，因为迭代在供应商内部完成。你的产品依赖一个你无法控制也不可审计的升级节奏。
连续性。 当你将核心能力外包给一个闭源 API 时，关键供应商可以在没有你参与的情况下，单方面调整定价、下架当前版本、强制迁移到行为不同的新版本、或者改变服务条款。供应链安全的传统定义关注的是地缘政治、自然灾害或经营失败导致的中断。AI 的供应链安全多了一个维度：供应商自身的商业决策，一次战略转型或一次定价重构，可以在无预警的情况下改变或终止你依赖的服务。而前沿闭源模型的能力边界并不重合。不存在一个随时可替代的备选方案。
能力累积方向。 当团队将越来越多代码编写、数据分析、表达推敲类的认知任务都外包给 AI，每个单独任务的效率确实提高了。但累计效应是另一个问题：三年 AI 辅助编程之后，开发者独立的编程能力还剩多少？两年 AI 辅助决策之后，团队判断力是否已经钝化？这和 “AI 让人变笨” 的恐惧是两回事。它是一个关于技能维持的具体问题：认知工具的使用频率超过某个阈值后，工具从 “增强” 滑向 “替代”，而替代在工具不可用时成为空白。选择什么样的工具，本身在塑造使用者的能力方向。
治理参与。 什么类型的研发值得投入资源？什么行为被定义为 “不安全”？模型的对齐往哪个价值观方向偏？这些决定当前由极少数实体在封闭会议室中做出。当这些决定影响你的产品行为、你的内容触达范围、你的商业模式可行性时，你有没有任何渠道表达意见？并非仅仅从客服工单的层面，而是制度化的参与。
这四个变量：可审计性、连续性、能力方向、治理，没有一个单独的权重超过 “性能”。性能仍然是决策中最重的变量，而且对许多前沿场景而言，闭源模型的性能领先是真实的。但 “谁强我用谁” 是一个只纳入了一个变量的决策公式。
一个有经验的从业者完全可能已经考虑过这四个变量，并且仍然选择闭源。她的计算可能是：我知道模型权重不可审计，我知道 API 可能明天就下架或涨价，我知道三年后团队独立判断力可能退化，我知道我对研发方向没有制度化的发言权。但竞品下周就要上线多模态功能，开源方案至少还差半年。不承担闭源风险的代价，是错失市场窗口 —— 这个代价比四个变量加在一起都大。这是计算过的风险。
这个计算在单个决策者层面是理性的。但它揭示了一个更深的问题：每一个个体的理性选择，都在集体层面加固那个让下一个个体更别无选择的结构。每一次 “没有替代方案所以选最强” 的决策，都在减少未来替代方案出现的概率。这是一个典型的集体行动困境 —— 没有人可以单方面退出。
把它们放回算式之后，结论可能仍然是闭源。也可能不是。取决于具体场景、风险承受能力、长期能力战略。
但无论结论是什么，这个结论至少是一个完整的决策，而不是一个省略了大部分变量的条件反射。
而一旦开始以完整的变量集合审视这个决策，一个自然浮现的追问是：替代方案的状态如何？
九
当前 AI 产业的结构：输入端社会化，输出端私有化，似乎已经固化为一个不可动摇的现实。但仔细审视，另一种可能不仅存在，而且正在自我组织。
开放权重模型的能力正在弥合差距。在标准基准上 ——MMLU 从 2023 年底的约 17.5 个百分点的差距缩小到了几乎为零；在 SWE-Bench Verified 编码测试上，四个模型挤在 0.6 分之内，其中两个是开放权重模型。在商业应用的主体场景中 —— 代码生成、文档摘要、客户服务、内容翻译、数据分析 —— 开源方案已经进入了 “够用” 的区间。
但基准不等于任务。“够用” 也不等于 “在所有场景中一样好”。在最前沿的数学推理、多模态视觉最优和长程智能体任务中，闭源模型仍然领先。在安全关键场景中，这种领先不是可有可无的装饰。诚实地承认差距，比宣称 “已经追平” 更可信。
趋势的方向是明确的。两年前能力代差超过 24 个月，当前的估计在 3 到 6 个月之间。本地部署的门槛同步下降：模型量化、蒸馏和推理优化让消费级硬件运行几十亿参数的模型成为现实。当一个开发者可以在一台笔记本上部署一个不需要向任何外部服务器发送数据的 AI 助手，“为什么还要付 API 费用” 变成了一个可以算账的问题。
成百上千个独立开发者基于同一个开源基座模型，针对特定领域和特定语言进行社区驱动的精细调整，正在积累闭源 API 模式无法复制的长尾优势。闭源公司没有足够的工程师和算力去覆盖每一种小众语言和每一个细分行业。开源社区可以 —— 每个人处理自己最熟悉的领域，总和就是全面覆盖。
但技术追赶解决不了结构性问题。这不是技术路线之争 —— 开源和闭源各自有其适用的场景。问题是，当前的结构让其中一种成为无需辩护的默认选项，而另一种需要额外的理由才能被考虑。当不对称不在技术层面而在制度层面时，值得审视的就不是 “选哪个”，而是 “为什么其中一个连被比较的机会都很少得到”。
如果前文的诊断成立 —— 输入的社会化与输出的私有化之间的不对称是一个制度安排问题 —— 那么另一个问题自然浮现：什么样的制度安排可以让它对称回来？以下几个方向，各有先例。
公共AI基础设施。 公共资金资助的开放权重基座模型和共享训练算力，作为数字公共品投入市场。美国国立卫生研究院资助的医药研发、美国国防高级研究计划局（DARPA）资助的互联网基础协议 —— 公共投资孵化私有创新的模式不是新发明，需要在新的技术条件下重新提出这一模式。2009 年诺贝尔经济学奖得主 Elinor Ostrom 对公地治理的研究提供了另一个思路：共享资源不必然需要私有化或政府接管才能有效管理。社区在特定制度条件下可以实现自主的可持续治理。
强制性模型审计与透明标准。 部署前的第三方安全与偏见审计，结果公开可查。美国国家运输安全委员会调查每一次空难、FDA 审批每一种新药、核能管理委员会监管每一座反应堆 —— 对于已经深嵌社会运行的技术层，审计不是例外，而是基础设施行业的标准配置。同样的逻辑应用于 AI 系统，不是激进，是沿用已经验证有效的治理工具。
数据权益与贡献承认。 训练数据来源的强制披露。数据贡献者的集体议价权。ASCAP 和 BMI 这类版权集体管理组织为创作者的碎片化权益提供了一种集体行使的模式。英国 AI 委员会在 2020 年报告中提出的数据信托构想，是同一方向上的另一种制度设计。
互操作性与反锁定。 API 标准化、模型输出格式的可移植性、提示词范式的跨平台兼容。电信行业的号码可携带、银行业的账户可移植、欧盟强制采用的 USB - C 统一充电标准 —— 反锁定不是一个抽象的理想，而是已经在其他行业中运行的政策工具，等待被迁移到 AI 基础设施层。
公共采购作为杠杆。 政府作为 AI 服务的最大买家，可以在采购标准中纳入审计权要求、开源替代评估义务和反单一供应商锁定条款。美国联邦采购条例为其他行业建立了用公共购买力塑造市场结构的先例。同样的逻辑可以作用于 AI—— 不需要新的法律框架，只需要把已有的采购原则扩展到一个新的品类。
在历次基础设施转型中 —— 道路、电网、电信 —— 变革的动力很少来自顶层设计。它来自系统内部的张力积累到某个临界点之后，从裂隙中生长出来的替代方案。
分布式的算力网络是一个例子。全球数以百万计的消费级 GPU 大多数时间处于闲置状态。以今天的眼光看，通过点对点协议将这些闲置算力动员起来用于社区模型的联合训练和推理 —— 离实用还差得远。以发展的眼光看，算力分散化、芯片效率提升、模型优化压缩这三条曲线同时作用的方向，不是 “能否” 的问题，而是 “何时” 的问题。集中程度越高，离心力越大。锁定的代价越大，挣脱锁定的创新回报越高。
更根本的是知识生产本身。大模型的能力来自公共知识的持续输入 —— 新论文、新代码、新数据、新的用户反馈。闭源模式在每一轮循环中抽取这些知识，然后冻结权重。要更新，只能等待下一轮集中抽取、集中训练、再次冻结。开源模式走的是另一条路：社区在基座模型上持续注入自己领域的知识增量。知识在流动中更新，而非在冻结中过时。
以今天的眼光看，闭源的性能领先是真实的。以发展的眼光看，一个依赖公共知识持续输入却切断知识回流的模式，它的局限不是道德缺陷 —— 是结构上的必然。
它在自行运转。问题是，当这些力开始作用时，下一个结构由谁来塑造？
计算机科学家 Alan Kay 曾经说过：“预测未来的最好方式是创造它。” 他还有一句不那么被频繁引用的话：“换个角度看世界的最好方式，是意识到你看世界的角度只是一个角度。”
每个使用 AI 的人，不管是开发者、企业主、教育工作者还是普通用户，都在参与一个正在形成的历史结构。这个结构会往哪个方向走，不取决于某一篇宣言或某一个领袖。它取决于足够多的人是否开始追问一些此前没有被追问的问题。
互联网的前四十年给了世界一个开放的基础设施层。TCP / IP 没有所有者，HTTP 不收授权费，SMTP 不是任何公司的专利。没有人 “决定” 开放。开放是互联网技术架构在特定治理选择下呈现的方向。结果是一个任何公司都可以在此基础上竞争和创新的数字经济。
AI 的基础设施层正在形成。它会重复互联网的开放选择，还是会走向一条不同的路？这个问题，不应该只由几家公司的董事会来回答。
excing 07-07 11:182楼