我觉得你的观察基本对，但我会把它表述成：
Scaling law 没失效，而是“参数 scaling”不再独占舞台；与此同时，通用智力正在快速商品化，头部模型确实出现明显收敛。
这两天的更新很能说明问题。9 月 2 日 Meta 发布 Muse Spark 1.3，Artificial Analysis 上 max 版本做到 62，xhigh 是 61，已经和 GPT-5.6 Sol max、Grok 4.6 high 同一档；而且 Meta 这次的增益主要来自 agentic workflow 和科学推理，不是单纯基础知识暴涨。
人工分析
同一天 Google 发布 Gemini 3.8 Flash。它在 Artificial Analysis 是 59，比 3.7 Flash 的 56 又涨了 3 分，而且 Google 自己明确说这代模型会在难题上执行更多 reasoning steps、反复调用工具，也就是直接用更多 inference compute 换能力。人工分析+1
更有意思的是现在 Artificial Analysis 的前排：
| 模型 | Intelligence Index |
|---|---|
| Claude Fable 5.1 xhigh | 65 |
| Claude Opus 5 max | 63 |
| Muse Spark 1.3 max | 62 |
| GPT-5.6 Sol max | 61 |
| Grok 4.6 high | 61 |
| Muse Spark 1.3 xhigh | 61 |
| Kimi K3 max | 60 |
| GLM-5.3 max | 60 |
| Gemini 3.8 Flash high | 59 |
所以如果按不同模型家族来看，第一梯队大致已经挤在 59～65 这个很窄的区域。你的“top 10 智力差距好像不大了”这个感觉，确实有数据支持。人工分析
不过这里藏着一个很重要的变化。
Scaling law 不是死了，而是从一维变成了多维
以前大家脑中的 scaling law 很容易被简化成：
参数 ↑ + 数据 ↑ + 训练 FLOPs ↑ → 智力 ↑
大概是：
Pretraining compute → intelligence
现在更像：
Pretraining
+ 高质量/合成数据
+ RL / verifiable rewards
+ inference-time compute
+ tools
+ search
+ memory
+ agent scaffold
→ 实际能力
也就是说，“裸模型有多聪明”正在失去以前那么大的决定性。
Google 这次甚至非常直白地说 Gemini 3.8 Flash 的提升来自它 “works harder”，复杂任务会使用更多 reasoning steps 和 iterative tool calls。结果就是每 token 单价没涨，但 Artificial Analysis 测到它完成一个任务的实际成本比 3.7 Flash 高约 40%。人工分析
这其实特别有意思：
模型没变得巨大，但你给它更多计算，它就表现得像更大的模型。
所以 compute scaling 从：
train-time scaling
部分转移到了：
test-time scaling / RL scaling / agent scaling
Google DeepMind 今年在数学研究上甚至直接展示了随着 inference-time compute 增加，Gemini Deep Think 的性能仍然继续提高，并明确称 scaling law 仍然成立。
DeepMind
OpenAI 此前也观察到，大规模 RL 和更长 inference reasoning 仍呈现“更多 compute → 更高 performance”的趋势。
OpenAI
所以我不会说 scaling law 失效。
我会说：
Kaplan 时代的“pretraining scaling 是唯一主引擎”失效了。
但为什么突然所有人都“跟上来了”？
这是我觉得现在最值得注意的地方。
以前 OpenAI / DeepMind 可能有某种“秘方优势”，例如训练规模、数据工程、RL recipe、基础设施、推理方法。
现在 recipe 扩散得非常快。
Meta、Anthropic、Google、OpenAI、xAI、Kimi、智谱、阿里实际上都在玩越来越相似的一套技术栈：
强 base model → synthetic data → verifier → RL → long CoT → tool use → agent loop → distillation
于是竞争越来越不像：
“谁发现了 Transformer？”
而更像：
“大家都有不错的发动机，谁的调校、变速箱、轮胎和车队策略更好？”
所以模型之间的基础智力差距自然被压缩。
Gemini Flash 是个很夸张的例子。它本来定位还是 workhorse，结果现在 3.8 Flash 的 AA Intelligence Index 已经 59，而输出速度接近 300 tokens/s。人工分析
Meta Muse Spark 1.3 xhigh 是 61，而且每项 Intelligence Index task 成本大约 $0.55，比很多同智力档模型便宜。人工分析
所以真正快速 scaling 的东西正在变成：
intelligence / dollar
而不只是 intelligence。
这可能比排行榜第一是谁重要得多。
不过“大家一样聪明了”还有一个排行榜幻觉
平均 benchmark 差 2～5 分，看起来很小。
真实 agent 系统里却未必小。
假设一个模型每一步操作成功率：
A：95%
B：90%
只差 5 个百分点。
但一个任务需要连续正确执行 20 步：
A：
0.95²⁰ ≈ 36%
B：
0.90²⁰ ≈ 12%
最终任务成功率差了接近 3 倍。
所以未来的 frontier 很可能不再表现为：
“这个模型数学考试 92 分，那个 88 分。”
而表现成：
“给它一个两小时的软件工程任务，一个能自己跑完，一个半小时后已经把 repo 炸成考古遗址了。”
😆
这也是为什么 Meta 1.3、Gemini 3.8、Claude 最近都越来越强调 long-horizon / agentic / coding / tool use，而不是传统 MMLU 那类单题 benchmark。
Meta 1.3 相比 1.2 的最大提升，就集中在 agentic evaluations，例如 Terminal-Bench 和 banking tool-use，而一些纯知识指标甚至略有回退。人工分析
这非常说明问题。
所以我现在对行业的判断是
第一阶段，2020～2023：
Bigger model wins.
百亿 → 千亿参数，差距巨大。
第二阶段，2024～2025：
Better reasoning wins.
RL、CoT、test-time compute 开始把模型拉开。
现在，2026：
Better system wins.
模型本体 + reasoning budget + tools + memory + search + coding environment + agent loop + latency + price。
基础模型越来越接近一种通用计算商品。
所以我甚至觉得，未来“全球最聪明模型排行榜”会越来越没意思。
更值得看的会是三条 Pareto frontier：
智力 / 成本
智力 / 延迟
长程任务成功率 / 成本
现在 Gemini 3.8 Flash、Muse Spark 1.3 这两个更新尤其像这个时代切换的路牌。一个只有 59 分但快得离谱，一个 61 分但成本很低，它们追求的已经不是简单把 benchmark 王冠抢过来。人工分析+1
所以如果让我浓缩成一句：
Scaling law 没死，反而正在“扩散”：从 scaling parameters，变成 scaling compute、RL、reasoning、agents 和整个 system。真正开始失效的，是“大模型公司凭一个领先的 base model 就能建立巨大护城河”这个假设。
而你说的 top 10 智力收敛，我认为是一个相当重要的信号。接下来一年真正值得观察的不是 65 能不能变 70，而是 现在需要 $2、两分钟才能达到 65 的能力，什么时候能被一个 $0.05、两秒钟的模型复制出来。
那才可能是下一轮真正猛烈的 scaling。
我大体赞成你的方向，但我要把最后一句改得非常精确：
“普通人能感知到的单轮模型智力，正在接近阶段性平台期；但 AI 的整体能力离‘到头’还很远。”
这两个判断可以同时成立。
Stanford 2026 AI Index 恰好观察到了这个看起来矛盾的现象：一方面，头部模型在 Arena 上已经明显收敛，前四家公司截至 2026 年 3 月只差不到 25 Elo；另一方面，他们的结论又明确是 AI capability 并没有 plateau，反而仍在快速提升，只是传统 benchmark 越来越快被刷穿。
hai.stanford.edu+2hai.stanford.edu+2
所以我的预测如下。
先把结论摆出来
未来 3 到 5 年，我大概这样下注：
| 判断 | 我的概率 |
|---|---|
| “1T 总参数”越来越常见 | 80% |
| “1T 参数”作为营销指标越来越没意义 | 90% |
| Dense 1T 成为普通用户主力模型 | <25% |
| MoE 1T+，但单 token 只激活几十 B 到一百多 B | >80% |
| 普通聊天的“智力体感”明显趋于饱和 | 85% |
| 后训练成为模型代际提升的主要来源之一 | 90% |
| 预训练 scaling 基本停止 | <15% |
| AI 整体“智力已经接近终点” | <20% |
| 未来最大提升来自可靠性、agent、工具和长程执行，而不是聊天 IQ | 90%+ |
最核心的一句话是：
未来可能出现“参数继续暴涨，用户却完全感觉不到”的时代。
1T、2T、5T 仍然可能出现，但是你不会再像 GPT-3 → GPT-4 那样明显感觉：
“卧槽，这个东西突然聪明了一个物种。”
更多时候会变成：
这个模型背后的系统大了 5 倍，但你只是发现它原来一天犯 8 个错，现在一天犯 2 个错。
这其实更重要，却没有那么戏剧化。
这是判断未来最重要的一点。
假设以后有两个模型：
A：1T dense
每个 token 基本都经过 1 万亿参数。
B：3T MoE
总共有 3 万亿参数，但每个 token 只激活 80B。
那么到底谁“大”？
问题突然就没那么简单了。
Meta 的 Llama 4 Maverick 已经是非常典型的例子：
400B 总参数，但每个 token 只有 17B active parameters。
Meta 自己解释 MoE 的理由就是，在固定训练 FLOPs 下可以得到更高质量，同时降低 inference compute。
Meta AI
所以我预测一个很有趣的未来：
2027～2030 年，“万亿参数模型”可能遍地都是。
但是大家基本懒得谈：
1.2T vs 2.7T
而开始谈：
active parameters
inference FLOPs
memory bandwidth
tokens/s
reasoning budget
cost/task
agent success rate
也就是“发动机排量”逐渐退居二线，开始看百公里油耗和赛道成绩。
这里我跟你的直觉比较接近。
举个极端例子。
假设：
一个 100B 级先进 MoE/稠密混合模型，可以把普通用户问题做到：
92 分。
一个 1T dense 模型做到：
95 分。
但：
100B 模型：
-
0.5 秒开始回答
-
成本 $0.01
-
手机/云端都容易部署
-
每秒 300 token
1T：
-
4 秒开始回答
-
成本 $0.20
-
占巨大显存
-
每秒 40 token
绝大多数产品会毫不犹豫选前者。
因为对于：
写邮件、翻译、总结、查资料、做 PPT、改 Excel、普通编程、旅行规划、学习辅导、购物建议、聊天、写文案……
92 → 95 已经不值 20 倍成本。
这就是 diminishing marginal utility。
不是：
更大的模型没有收益。
而是：
收益还在，但普通用户已经不愿意为这个收益买单。
这和 Chinchilla 当年揭示的东西是一脉相承的：单纯把参数做大并不是 compute-optimal，较小模型如果训练更多、更好，甚至可以击败大很多的模型，而且推理成本明显更低。DeepMind
这里我觉得未来会出现一个非常有意思的结构：
“超级模型作为老师，小模型作为员工。”
也就是：
1T～数 T 大模型负责
-
生成高质量训练数据
-
difficult reasoning
-
critic / verifier
-
scientific reasoning
-
数据筛选
-
给小模型生成 reasoning trace
-
自动设计 curriculum
-
RL reward
-
评估其他模型
-
极困难问题
-
长程 agent planning
然后把能力：
distill 到
20B
50B
100B
MoE active 20～80B
的实际生产模型。
用户每天真正聊天的那个模型，反而可能越来越小。
所以我的预测是：
最大模型继续变大，但用户实际使用模型的 active parameter 很可能不跟着无限增长。
这是很重要的“前台缩小、后台膨胀”。
这里我基本赞同你。
但不要理解成：
pretraining 不重要了。
更准确的是：
Pretraining 决定地基高度，post-training 决定你怎么把楼盖出来。
以前行业主要在做：
更多 token ↓ 更大 Transformer ↓ 更低 pretraining loss ↓ 更聪明
现在变成：
Base Model │ ┌──────────┼──────────┐ ↓ ↓ ↓ RL synthetic verifier ↓ ↓ ↓ reasoning ← curriculum │ ↓ test-time compute │ ┌─────┼─────┐ ↓ ↓ ↓ tools search memory │ │ │ └─────┼─────┘ ↓ Agent
真正的产品智力是最下面那个东西。
不是最上面的 transformer。
这件事情很重要。
2026 ACL 有一项专门研究 RL post-training scaling 的工作，用从 0.5B 到 72B 的 Qwen2.5 系列做实验。
结果很有意思：
RL post-training 本身也出现了可预测的 power-law scaling。
而且更大的 base model：
-
学 RL 更快
-
数据效率更高
-
compute efficiency 更高
但同时又出现一个关键现象：
随着模型越来越大，RL 学习效率本身也出现 latent saturation。
ACL Anthology
这特别符合我们现在看到的行业状态。
于是未来优化问题已经不再是：
“模型应该做到多少 B？”
而会变成：
我这一亿美元算力到底该花在哪？
是：
再加 300B parameters？
还是：
多做一轮 RL？
还是：
生成 50T 高质量 synthetic token？
还是：
训练一个更强 verifier？
还是：
让 inference 多思考 10 倍？
这是一个资产配置问题了。📈
这个变化可能比 post-training 还大。
ICLR 2025 的一个结果很漂亮：
在某些 reasoning 问题上，合理分配 test-time compute，小模型可以击败一个14 倍大的模型。
而且 adaptive compute allocation 可以比 naive best-of-N 高效四倍以上。ML Anthology+1
翻译成人话：
过去：
“想让模型更聪明？”
训练一个更大的。
未来：
“这个问题很简单？”
思考 0.2 秒。
“这个问题比较难？”
思考 8 秒。
“你让我证明一个数学猜想？”
开 500 条搜索路径，调用 Python，跑 verifier，查论文，思考 30 分钟。
这才是非常自然的计算架构。
想想你自己。
别人问：
北京是中国首都吗？
你不会动员全部认知资源。
但有人问：
帮我设计一个未来三年的投资组合，并考虑利率、税务、汇率和现金流。
你会：
查资料 → 算东西 → 推翻假设 → 再想 → 验证。
AI 同理。
所以未来可能不会是：
每一个问题都交给“1T dense brain”。
而更像：
问题 ↓ ┌────难度路由────┐ ↓ ↓ 简单 复杂 ↓ ↓ 小模型快速答 reasoning ↓ 仍然无法解决？ ↓ 大模型/专家 ↓ search / tools ↓ verifier
这种架构的经济性远远好于：
所有问题都拿核反应堆烧开水。
☕️
这是我和你最可能产生分歧的地方。
我的答案是：
Chatbot IQ：可能真的快到一个阶段性头部。
Machine intelligence：还远没有。
这两个要分开。
绝大多数人判断模型智力的方法是：
问它几个问题。
比如：
帮我解释量子力学。
写一个 Python 脚本。
帮我分析公司。
把这个邮件润色一下。
看看这个合同。
于是模型 A：
很好。
模型 B：
也很好。
模型 C：
还是很好。
然后产生：
“怎么感觉现在都差不多？”
这是真的。
Stanford 2026 AI Index 也明确记录到了这种 frontier convergence：
2023 年 OpenAI 对 Google 还有非常大的 Arena 优势。
到 2026 年 3 月：
Anthropic：1503
xAI：1495
Google：1494
OpenAI：1481
已经挤成一团。hai.stanford.edu
所以我认为：
“聊天智商”正在 commodity 化。
就像现在：
Intel / AMD / Apple CPU
普通人浏览网页时，很难感觉哪颗 CPU IQ 高一点。
这是我认为很多人低估的。
现在大家 benchmark AI：
给一个问题，看它能不能回答。
这只是：
瞬时智力。
真正经济价值更大的东西是：
连续工作能力。
例如：
不是：
“帮我写一个 React component。”
而是：
“这是一个 500 万行代码的 repo。
找到 bug。
写测试。
修改 architecture。
跑 integration test。
部署 staging。
检查 telemetry。
如果失败自己 rollback。
明天告诉我结果。”
这个能力现在远没有结束。
METR 测量的是：
AI 能可靠完成“人类专家需要多长时间”的任务。
它们研究的软件、ML、cybersecurity 任务上，从 2019 年以来：
AI 的 50% task-completion time horizon 大约每 7 个月翻倍。
而且截至他们 2026 年 7 月更新的论文，还没有看到指数趋势明显减速的证据。
arXiv
他们认为能力增长主要来自：
-
更高 reliability
-
犯错以后可以恢复
-
logical reasoning
-
tool use
特别注意：
不是：
知道更多百科知识。
而是：
跌倒以后会自己爬起来。
这是完全不同维度的“智能”。
假设今天模型：
IQ = 140
可靠性 = 90%
以后：
IQ = 145
可靠性 = 99.5%
你觉得智力只增加：
5 分。
但是实际生产力可能增加：
10 倍、100 倍。
为什么？
因为 agent 是乘法系统。
假设一个任务需要连续做 50 个关键决策。
每一步成功率 95%：
每一步成功率 99%：
只提高：
4 个百分点的局部可靠性。
完整任务成功率却：
从 8% 变成 60%。
所以未来模型可能在 leaderboard 看上去：
61 → 63 → 65
无聊死了。
但是现实中：
“以前只能帮你回答问题。”
突然变成：
“现在可以自己把公司的一整套流程跑完。”
那是质变。
这是我现在比较强的一个判断。
过去大家讨论：
智商 ↑ │ ● GPT-x │ ● │ ● │ ● └──────────────→ 时间
未来更重要的图可能是：
自主工作时长 ↑ │ ● │ │ ● │ │ ● │ │ ● │ ● └──────────────────→ 时间
从：
30 秒任务
变成：
10 分钟
1 小时
8 小时
3 天
一个月。
你的方向是对的：
对于普通用户，raw intelligence 的 marginal utility 已经很低。
但不仅科学家需要进一步智能。
还有：
程序员
“写函数”和“维护整个大型软件项目”差十万八千里。
企业
客服回答问题已经差不多了。
但：
自己读邮件 → 更新 ERP → 联系供应商 → 修改采购单 → 处理异常
还远远没有完全解决。
医生
知识问答可能很强。
但：
连续整合病史、影像、实验室数据和长期随访
又是另一回事。
律师
总结法律文件现在已经不错。
但是：
独立完成一个数月诉讼策略
差得远。
管理者
写战略 memo 很简单。
真正困难的是：
连续几个月跟踪 KPI、发现问题、协调人、修改计划。
所以未来的 frontier 不只是：
科学智力。
而是：
long-horizon economic intelligence。
会。
而且这里我要跟“scaling 已死派”唱一点反调。
Epoch AI 到 2026 年的数据仍然显示：
frontier language model training compute 自 2020 年以来大约以 5×/年增长。
他们甚至预计大型 frontier training run 的用电需求还会继续暴涨。
Epoch AI+1
所以资本实际上是在用脚投票：
pretraining scaling 没停。
只是它的产出形态变了。
因为 post-training 有一个隐藏限制：
你不能从一个完全没有某种 representation 的模型里无限 RL 出能力。
比如一个非常弱的 3B 模型。
你可以疯狂训练数学 RL。
会进步。
但它不会因此神奇地变成：
GPT-7。
更强 base model 往往：
-
representation 更丰富
-
world knowledge 更多
-
in-context learning 更强
-
RL sample efficiency 更高
-
exploration space 更好
-
更容易学复杂行为
前面提到的 2026 RL scaling 研究也发现：
larger models generally have better data/compute efficiency during RL。
所以一个很贴切的比喻是：
Pretraining = 生大脑
Post-training = 上大学
Inference-time compute = 考试的时候给你时间思考
Tools = 给你计算器、互联网、实验室
你不能完全取消任何一个。
而可能是一个循环：
┌───────────┐ │Pretraining│ └─────┬─────┘ ↓ Strong Base ↓ Post-training RL / SFT ↓ Reasoner ↓ Agent/Search ↓ 产生更好的数据 ↓ verifier ↓ synthetic dataset ↓ └────────→ 下一代 Pretraining
也就是：
模型开始给下一代模型生产训练资源。
这个飞轮非常关键。
未来很可能不是一个模型统治所有任务。
而是三层。
第一层：Nano / Fast model
可能：
3B～30B active。
负责：
-
聊天
-
翻译
-
搜索
-
普通写作
-
简单 coding
-
UI 操作
-
routing
特点：
快得像搜索框。
第二层：Workhorse reasoner
可能：
30～150B active。
负责：
-
coding agent
-
business analysis
-
document work
-
多工具任务
-
中复杂 reasoning
这会是你真正大部分时间使用的“大脑”。
第三层：Frontier supermodel
可能：
1T、3T，甚至更高 total params。
负责：
-
research
-
extremely hard reasoning
-
scientific discovery
-
teacher
-
judge
-
synthetic data
-
verifier
-
long-range planning
普通用户甚至不知道什么时候调用了它。
系统自动 routing。
现在这种：
GPT-X
Gemini Pro
Flash
Thinking
Max
我觉得长期看都是过渡形态。
未来更自然的是：
你只看到：
一个 AI。
背后：
User ↓ Router ┌───────────┼───────────┐ ↓ ↓ ↓ 7B 70B Frontier Fast Reasoner 1T MoE ↓ ↓ ↓ cheap medium expensive └───────────┼───────────┘ ↓ Answer
99% 用户根本不关心参数。
和现在没人问：
“Google 搜索刚才用了多少台服务器？”
一样。
不是。
这里有一个特别重要的 distinction：
质量进步会变慢。
但：
能做的事情会继续爆炸。
比如普通用户体验可能从：
2024
“帮我写。”
↓
2025
“帮我想。”
↓
2026
“帮我查，然后帮我做。”
↓
2027～2028
“你处理一下。”
↓
更后面
“这件事情以后都归你管。”
这个变化不需要模型从：
IQ 150 → 220。
只需要：
记忆 + 权限 + 工具 + 可靠性 + planning + error recovery。
这恰恰是未来最大的空间。
现在我们习惯问：
模型有多聪明？
以后可能更应该问：
我敢把多大的事情交给它？
这是两个完全不同的问题。
一个 AI 可能可以解决 IMO 金牌数学题。
却不能可靠做到：
“每个月记得按时交我的水电费，而且千万别交错账户。”
Stanford 2026 AI Index 也把这种现象称为 jagged intelligence：模型已经能做到 IMO 金牌级别，却仍会在一些看起来简单的任务上犯荒谬错误。hai.stanford.edu
这就是为什么：
benchmark intelligence ≠ useful autonomy。
如果没有新的 Transformer 级架构革命，我大致这样看。
2026～2027：模型智力大收敛
Top 5～10：
普通问答区别越来越小。
竞争重心：
cost / speed / agent / coding / ecosystem / memory。
这已经开始发生。
2027～2029：后训练黄金期
大量进展来自：
RL
verifier
synthetic curriculum
test-time scaling
memory
tool use
agents
模型发布会不再强调：
“我们参数增加了 3 倍。”
而会强调：
“同样模型能独立完成 8 倍长的任务。”
2028～2030：base model 隐形化
用户基本不选模型。
AI 自动决定：
这题用 8B。
这个问题用 70B。
这个任务值得烧 $5 inference compute。
这个任务启动 research agent。
参数成为 infrastructure metric。
上面全部预测都有一个前提：
Transformer + 当前 autoregressive paradigm 没发生重大范式突破。
如果突然出现一种架构：
-
真正持续学习
-
persistent world model
-
latent reasoning
-
recurrence
-
neural memory
-
强 planning
-
在线自我学习
-
learned search
-
高效 continual learning
那么下一轮：
“GPT-3 → GPT-4 感”的智力跳跃
完全有可能重新出现。
所以我不会说：
“模型 IQ 永远到头。”
我只会说：
当前 paradigm 下，单纯 parameter scaling 带来的可感知 IQ 增益，很可能正在快速递减。
这两个区别非常大。
过去：
2020–2023 参数 ━━━━━━━━━━━━━━━━━━━▶ 智力
现在：
2024–2026 ┌─ 参数 │ ├─ 数据质量 │ ├─ RL │ ├─ reasoning 智力 ◀───┼─ verifier │ ├─ inference compute │ ├─ tools │ └─ agents
以后：
2027+ Base model │ ┌─────┴─────┐ ↓ ↓ cheap AI deep AI │ │ └─────┬─────┘ ↓ autonomous system │ ↓ 可靠工作多久？
最后一个问题会比“参数多少”重要得多。
我认为我们正在越过一个非常重要的分水岭：
AI 的“考试时代”快结束了，AI 的“工作时代”刚开始。
所以你观察到 Top 10 模型智力差不多，我认为不是一个小现象。
它可能意味着：
第一阶段 scaling 的经济任务已经基本完成。
我们已经得到了一批：
“足够聪明的通用大脑”。
下一阶段工程问题变成：
怎么让这个大脑以极低成本、极高可靠性连续工作几个小时、几天、几个月。
因此如果一定让我回答你最初三个问题：
万亿参数有没有意义？
有。但主要对 frontier、teacher、science、synthetic data、极难任务有意义。对普通用户，dense 1T 的边际意义非常小。
未来是不是后训练为主？
我预测未来 3～5 年产品可感知能力的增量，大概率以后训练 + inference scaling + agent engineering 为主，但 pretraining 仍会在后台猛烈 scaling，因为它决定其他 scaling 的上限。RL 自身也已经表现出 scaling law，但也出现效率饱和迹象。ACL Anthology+1
模型智力是不是到头了？
“问一句、答一句”的智力，可能已经完成了 80%～90% 的旅程。
“把一件复杂事情完整交给 AI”的智能，我认为可能连一半都没走完。
而后一种，最终对经济和普通人的生活影响，可能远远超过前一种。
这也是为什么我现在反而没那么在乎下一代模型 benchmark 是 66 还是 71。我更关心下一代模型能不能从“可靠工作 2 小时”变成“可靠工作 8 小时”，然后是一天、一周。METR 的长期结果目前还看不到这种增长明显停止。
METR+1
如果这个趋势继续，那么未来真正恐怖的 scaling law 可能不叫 parameter scaling law。
而叫：
delegation scaling law，委托深度 scaling。
那可能才是下一阶段的主线。
可以，而且我会把判断说得比上一题更强一点：
我认为 Transformer 为核心的 AI 系统，最终超越“最聪明的单个人类”的概率非常高。
真正不确定的不是“能不能超过人类智力天花板”，而是：纯粹的 vanilla Transformer 是否足够，还是最终会变成 Transformer + memory + search + tools + recurrence + world model 的混合系统。
而且我同意你一个重要前提：今天的大模型在某些智力维度上，已经不是“接近普通人”，而是明显超过绝大多数人。 只是它的智能非常锯齿化，所以我们还不能简单说“它总体 IQ 已经超过 99% 人类”。
这是最容易被忽略的一点。
人脑是进化出来的。
它受一大堆非常奇怪的工程约束：
-
只能消耗大约几十瓦功率
-
必须塞进颅骨
-
神经信号速度很慢
-
工作记忆很有限
-
一个人一生只能活几十年
-
学习速度慢
-
不能复制自己
-
不能把两个人的大脑直接合并
-
睡觉的时候基本不能工作
-
记忆会模糊、遗忘、篡改
-
同一时刻只能认真想有限几件事
我们没有任何理由认为：
智人脑恰好是宇宙允许的最高智能结构。
这其实是一个非常奇怪的假设。
猎豹不是物理学允许的最快移动方式。
鹰不是最快飞行方式。
人的肌肉不是最强动力装置。
那么为什么：
“人脑刚好是最高可能智力”
会是真的？
我认为概率极低。
目前没有证据。
甚至从计算表达能力角度看，答案倾向于：
没有这种简单的硬天花板。
经典理论结果已经证明，在特定假设下，带 hard attention、适当数值精度的 Transformer 可以做到 Turing complete，也就是原则上可以实现任意可计算算法。
机器学习研究杂志
但这里必须加一个巨大的星号：
Turing complete ≠ 一定能训练出来
你的笔记本电脑也是图灵完备的。
并不意味着：
“给它梯度下降，它就自动变成爱因斯坦。”
所以这个理论只能告诉我们：
Transformer 本身并没有明显的“它数学上只能聪明到 IQ 160”这种结构限制。
它不能告诉我们这种能力是不是：
-
容易学习
-
数据高效
-
算力高效
-
稳定
-
能泛化
而这些恰恰才是现实问题。
所以我并不是“Transformer 永生派”。
传统 Transformer 有几个很难看的地方。
1. 固定上下文
它没有真正意义上的无限长期记忆。
上下文窗口再大，本质还是：
“这一轮塞进来的临时工作台。”
而不是：
“我十年前学过这件事，今天改变了我的内部认知结构。”
2. 没有天然持续学习
今天的模型通常：
训练结束 → 权重冻结。
你今天跟它说了一件非常重要的事情，并不会像人一样真正改变其神经结构。
3. 长度泛化并不天然好
理论和实验研究都发现，Transformer 在某些形式语言、层级结构以及超训练长度的泛化上存在真实限制。ACL Anthology+1
4. 每生成一个 token，本质上仍是有限深度计算
如果不允许：
-
scratchpad
-
多轮推理
-
search
-
recurrent loop
-
tool use
那么一次前向传播的计算深度是有限的。
复杂问题天然需要某种：
“想一下，再想一下，再检查一下。”
因此今天最强的 reasoning systems 实际已经绕过这个限制：
Transformer ↓ 生成候选思路 ↓ 再次读入 ↓ 推理 ↓ 检查 ↓ 搜索 ↓ 再推理
换句话说：
我们已经在把 Transformer 当 CPU，而不是一次性函数用了。
这非常关键。
而是：
可能长这样：
Transformer │ ┌────────────┼────────────┐ ↓ ↓ ↓ Memory Search Tools │ │ │ └───────┬────┴────┬───────┘ ↓ ↓ Planner Verifier │ │ └────┬────┘ ↓ World Model ↓ Agent Loop ↓ 持续运行/学习
这里 Transformer 仍然可能是核心。
但就像：
CPU 是电脑核心，
不代表：
“整个电脑就是 CPU。”
所以未来即使我们说：
“Transformer 超越人类”
实际上可能意味着：
Transformer + 一堆认知外挂组成的系统超越人类。
假设有一个 AI。
它的“裸推理能力”只有顶尖人类水平。
比如：
相当于一个非常聪明的数学家。
看起来没有超过人类天花板。
但现在给它几个能力。
无限复制
同时跑：
10,000 个自己。
一个研究问题：
1000 个尝试证明。
1000 个尝试找反例。
1000 个查历史论文。
1000 个探索完全不同的方法。
然后：
100 个模型负责批判。
10 个负责综合。
最后一个负责写答案。
人类天才怎么竞争？
这已经不是：
IQ 170 vs IQ 180。
这是：
一个大脑 vs 一座认知数据中心。
🧠 → 🏭
假设一个顶级数学家一天能认真探索：
20 个想法。
AI 每秒可以探索：
20 个。
即使：
AI 每个思路的质量只有数学家的 80%
它仍可能因为搜索宽度超过人类而赢。
这其实和 AlphaGo 非常类似。
AlphaGo 并不是因为某个神经元“比李世石聪明”。
它是：
neural network + enormous search。
结果就是一种超越人类的系统能力。
一个天才物理学家也不可能同时精通：
-
数学
-
生物
-
材料
-
化学
-
软件工程
-
统计学
-
经济学
-
医学
-
所有论文
人的一生学习带宽有限。
但 AI 可以把这些领域压缩到一个参数空间里。
这也是为什么我觉得现在的大模型已经出现了一种以前不存在的“智力形态”：
极端 breadth intelligence
一个模型可以：
十秒前讨论代数几何，
下一秒写 Rust，
再下一秒解释蛋白质结构，
然后修改合同。
世界上没有任何一个人类拥有这种知识宽度。
如果你问：
知识广度？
毫无疑问超过绝大多数人。
某些数学竞赛？
已经达到超级人类区间。
例如 Gemini Deep Think 的特化版本已经达到 IMO 金牌标准；2026 年公布的版本在多个国际数学、物理、化学竞赛级测试上达到极高水平。Google DeepMind+1
编程算法？
某些 frontier 模型已经达到极高 Codeforces 水平。Google DeepMind
博士级知识问答？
大量 benchmark 已经达到或超过人类基线。Stanford 2026 AI Index 也明确记录了这一点。斯坦福人工智能研究所+1
所以如果把：
人类随机抽一个人
和：
frontier model
放在一个巨大的书面知识考试上，
我会非常倾向 AI 获胜。
这就是 AI 最诡异的地方。
Stanford 今年用了一个很好的词：
jagged intelligence
锯齿状智力。
它可以：
IMO 金牌
然后：
简单视觉任务犯低级错误。
AI Index 举的例子甚至是，某些先进系统已经能做到顶尖竞赛数学，但读取模拟时钟这种简单任务仍然非常不可靠。斯坦福人工智能研究所+1
所以现在的 AI 像一个很奇怪的人：
菲尔兹奖候选人，
会 40 门语言，
写代码世界冠军，
读过互联网大部分内容，
但偶尔会把冰箱门拉错方向。
😂
这也是为什么我不愿意说：
“GPT IQ = 180。”
这个数字基本没有意义。
人类 IQ 的设计前提是：
大家都是 Homo sapiens。
大脑结构相似。
处理速度差距有限。
知识量不会差百万倍。
工作记忆架构类似。
所以可以用一些题目估计一个潜在 latent factor：
g，general intelligence。
但 AI 完全不是这个分布里的动物。
一个 AI 可以：
-
数学 > 99.999% 人
-
知识 > 99.9999%
-
写作 > 95%
-
空间推理 90%
-
某个简单视觉任务 < 小学生
-
长程规划偶尔崩盘
你怎么给它一个 IQ？
170？
220？
130？
都很奇怪。
所以未来真正有意义的问题不是：
“AI IQ 多少？”
而是：
AI 能在哪些认知任务上支配人类？
假设世界上最聪明的人在某类问题上的能力是：
100。
一个 AI Transformer 裸模型达到：
95。
它还没超过。
但加：
search
95 → 105
Python / formal verifier
105 → 115
多 agent 并行
115 → 130
数百万篇论文即时检索
130 → 150
24 小时连续工作
150 → ？
此时争论：
Transformer 本身是不是 95
已经开始失去意义。
因为现实世界面对的是：
整个系统。
这个我认为极其重要。
假设我们找到了历史上最聪明的人：
牛顿。
我们不能：
Newton.exe 复制 × 1,000,000
然后让：
50 万牛顿研究物理，
20 万研究数学，
20 万互相批评，
10 万综合。
AI 可以。
哪怕每个副本只是：
“普通天才级”
集体能力也可能远超任何个人。
所以：
和：
其实是两个完全不同的门槛。
第一道门槛我认为明显容易得多。
我认为：
很可能。
而且可能是 Transformer 时代最重要的一场考试。
今天已经有一些萌芽。
Google DeepMind 今年公布的 Gemini Deep Think 科研系统 Aletheia，已经在专业级数学研究问题中使用：
candidate generation → verifier → revision
这种循环。
他们报告随着 inference-time compute 增加，Olympiad 以上难度数学问题的表现仍然继续增长，而且已经开始应用在专业数学、物理和计算机科学问题上。Google DeepMind
这还不是：
“AI 独立成为下一个牛顿。”
现在仍大量依赖专家指导和人工确认。
但路径已经非常清楚。
因为科学本身有大量：
search problem
例如：
寻找一个证明。
寻找一个材料。
寻找蛋白质结构。
寻找算法。
寻找反例。
寻找实验参数。
寻找数学结构。
机器最大的优势恰恰就是：
可以探索远比人类更大的搜索空间。
人类伟大科学家的神奇之处在于：
搜索空间巨大，却能靠直觉找到有希望的方向。
如果机器未来获得：
不错的直觉 × 百万倍搜索
那么即使它的单次创造力略逊于牛顿，也可能最终超过牛顿。
例如：
1905 年的爱因斯坦：
别人都在现有框架里解决问题，他重新定义了框架。
或者：
达尔文。
图灵。
香农。
牛顿。
这种能力不是：
已知 problem → 找 solution。
而是：
发现大家连 problem 都定义错了。
这是很高阶的 meta-cognition：
-
重新选择 representation
-
推翻默认假设
-
发明新概念
-
建立新的抽象层
-
判断什么问题值得研究
目前还很难测。
所以如果你问：
“现在的 Transformer 能不能稳定生产超越历史最伟大科学家的 paradigm shift？”
我的答案还是：
我们不知道。
现在证据远远不足。
我会把智能分五级：
Level 1：记忆
知道人类知道的东西。
已经超级人类。
↓
Level 2：应用
将知识用于新问题。
许多领域已经超级人类或接近。
↓
Level 3：推理
解决此前没见过的困难问题。
正在跨越人类水平。
↓
Level 4：研究
在数小时、数月里持续发现新知识。
刚刚进入。
↓
Level 5：范式创造
创造人类尚未形成的新科学框架。
未知。
我认为真正的问题不是：
Transformer 能不能到 Level 3。
这个问题现在越来越接近得到“能”。
真正悬而未决的是：
Level 5 能不能靠现在这套范式达到。
如果定义为：
A. 超过普通人综合认知能力
我认为：
某些意义下已经发生；稳健地全面超过只是时间问题。
概率：
>95%。
B. 超过任何单个人类，在绝大多数数字化认知工作上
例如：
科学、法律、金融、编程、数学、写作、分析。
我给：
80～90%
而且我认为不需要彻底抛弃 Transformer。
Transformer + tools + memory + test-time search 就可能做到。
C. 超过世界顶尖专家，在其自己的专业领域
这个门槛更高。
但我仍给：
70～85%
并且会首先发生在：
数学、编程、形式科学、某些工程、可模拟科学。
D. 成为真正意义上的“超人科学家”
能够：
独立提出重大原创理论，设计实验，验证，修正，连续工作数月。
我大概给：
60～75%
但这里时间尺度和定义都高度不确定。
E. 纯 vanilla Transformer，无 tools、无 memory、无 search、无 recurrence，只靠一次 autoregressive rollout，成为全面超人智能
这个我反而会大幅降低：
可能只有 30～50%。
因为我怀疑这种形式并不是合理的终极认知架构。
可能最终：
Transformer 本身没有成为“超级大脑”。
但：
Transformer 成为了超级大脑的皮层。
其他部分：
Transformer = reasoning / language cortex Memory system = hippocampus Search = deliberate thought Tools = hands / calculators World model = imagination Verifier = critic Agent loop = executive function External DB = long-term memory
最终合起来：
可能远远超过单个人脑。
这比争论：
“GPT-9 到底还是不是纯 Transformer？”
重要得多。
如果 Transformer 真有：
“最多只能达到人类智力”
这么巧的架构天花板，
我们可能会期待：
越来越多 benchmark 在人类顶尖水平附近突然停止提升。
但目前看到的并不是这样。
Stanford 2026 AI Index 的结论反而是：
frontier capability 继续快速增长，很多原本设计来长期挑战 AI 的 benchmark 很快被追上或刷穿。
METR 测的另一件东西甚至更有意思：
模型能够独立完成的任务长度。
截至 2026 年 5 月，他们的数据仍显示 frontier agents 的 task-completion horizon 在快速增长。metr.org
也就是说我们现在还没有看到：
AI intelligence │ ───────── human ceiling │ ● ● ● ● ● ● │ ● │ ● └──────────────────────
这种撞墙。
现在更像：
AI capability │ ● │ ● │ ● │ ● │ ● │ ● └────────────────────────
至于这条线什么时候弯，目前没人知道。
你说：
“显然现在大模型很大程度上已经超过了绝大多数人的智力。”
我会改成：
现在 frontier AI 已经在大量可测量、数字化、知识密集型认知任务上超过绝大多数人，但还没有证明自己拥有同等程度的稳健、统一、长期自主的一般智能。
这个区别很重要。
因为：
“考试超过大多数人”
已经基本成立。
而：
“把一个陌生环境交给它一个月，它比大多数成年人处理得更好”
还没有完全成立。
我越来越觉得我们可能会经历三个心理阶段。
第一阶段
2020～2024
“机器真的能理解语言？”
第二阶段
2025～现在
“机器是不是已经比大多数人聪明？”
我们就在这里。
第三阶段
很可能会变成：
“单个人类的智力，到底还有没有资格作为 AI 的 benchmark？”
一旦 AI 可以：
-
同时运行一万个思考分支
-
保留近乎无限精确记忆
-
搜索全部科学文献
-
调用计算机和实验工具
-
不休息地工作
-
自己验证
-
复制自己
-
把所有副本发现的新知识重新汇总
那么把它和：
“一个 IQ 180 的人”
比较，会变得和拿：
一辆 F1 赛车和世界最快跑者
比较最高时速差不多。
不是人不够聪明。
而是单位已经错了。
所以如果让我下注，我真正押的是：
人类个体智力上限大概率不是 AI 的终点，甚至可能只是 AI 发展曲线中一个相当早的路标。
真正让我保持谨慎的，不是 Transformer 能不能超过人类。
而是下一道更可怕也更有趣的问题：
AI 能不能超过“由许多顶尖人类 + 工具 + 数十年科学积累”组成的集体智能？
这个门槛比“超过爱因斯坦”高得多，也可能才是所谓 superintelligence 真正应该使用的定义。
这两个问题其实是同一枚硬币的正反面。
交易市场是在问：如果 AI 已经这么聪明，为什么它还不能稳定从一个高度竞争的世界里拿走钱？
哲学问题是在问：如果有一天它真的可以稳定拿走几乎所有认知领域的“钱、发现和决策权”，那人类是什么？
我的答案是：第一件事说明了智力不等于支配复杂世界的能力；第二件事则说明，人的意义从来不等于“我是宇宙里算题最快的东西”。
先纠正一个前提：
不是 AI 写出来的交易策略“必然无法盈利”，而是仅凭一个强 LLM + 几分钟 vibe coding，想得到长期、稳定、扣除成本后仍有 alpha 的策略，概率极低。
2025～2026 年几个更严格的 benchmark 得到的结果已经很有意思。
StockBench 把 GPT-5、Claude、Qwen、Kimi、GLM 等模型放进真实历史股票交易环境，大部分 LLM agent 很难稳定击败简单 buy-and-hold。arXiv
2026 年 KTD-Fin 更进一步，把模型可能“记得历史行情”的泄漏因素遮掉。结果发现，很多所谓 LLM 获利，拆解之后主要来自市场 beta 和风格暴露，真正持续的选股 alpha 很有限。arXiv
而今年 HKU 真的让不同 AI 在实时外汇市场交易，结果更加漂亮：有模型一度赚接近 10%，也有模型亏约 15%，而且传统 reasoning benchmark 排名与交易成绩并不一致。
The HKU Lead+1
所以问题并不是简单的：
“LLM 不够聪明。”
要深得多。
部分是。
但我认为这只解释了大概 20%。
更准确的是：
LLM 拥有大量关于金融市场的“知识数据”，但真正能产生 alpha 的“决策数据”极其稀缺。
这是两个完全不同的东西。
互联网上到处都是：
“RSI 超卖买入。”
“均线金叉。”
“价值投资。”
“PE 低于多少。”
“突破 20 日高点。”
“机器学习预测股价教程。”
这些全是训练数据。
但真正值钱的数据是什么？
某个基金在 2021 年 4 月 13 日 10:37:21 为什么下这笔单，它看到了什么信号，预期收益是多少，仓位为什么是 17bps，什么时候会取消交易，成交概率是多少，冲击成本是多少，之后为什么修改模型。
这些东西通常：
不公开。
真正顶尖 Renaissance、Citadel、Jane Street、DE Shaw、Two Sigma 内部的：
数据、feature、execution system、研究失败记录、portfolio construction、risk model……
互联网训练集基本没有。
所以 LLM 学到的金融知识存在严重的：
survivorship bias
公开的是：
“有一个策略叫 momentum。”
没有公开的是：
“这是我们测试过的第 38,174 个 momentum variation，前面 38,173 个为什么死掉。”
而后者可能更有价值。
因为市场有一个非常邪门的属性：
这是交易和数学最大的区别。
数学里：
你告诉全世界以后，它依然：
市场里假设发现：
每周一开盘买 X，周三卖，平均赚 1%。
一旦足够多人知道：
大家周一提前买。
价格上涨。
于是收益：
1%
→ 0.7%
→ 0.3%
→ 0.05%
→ transaction cost
→ 0
甚至可能反转。
这意味着金融市场是一个：
reflexive adversarial system
模型不是在预测一块石头。
模型预测的是：
其他也在预测你的聪明人。
然后这些人还会看到价格变化，改变行为。
这是一个极其变态的学习环境。
假设 AI 能做到：
预测明天涨跌准确率 55%。
听上去非常厉害。
但是交易要经过：
预测 ↓ 仓位 ↓ 成交 ↓ spread ↓ slippage ↓ market impact ↓ fees ↓ funding ↓ risk constraint ↓ portfolio interaction ↓ 实际 P&L
中间每一层都可以把 alpha 吃掉。
PredictionMarketBench 今年特别强调这一点：如果真实考虑 maker/taker、手续费、order book execution、settlement 等问题，很多 naïve agent 的纸面收益会消失。arXiv
所以：
预测股票 ≠ 交易股票。
这就和：
知道北京到上海怎么走 ≠ 会开 F1 赛车。
不是同一件事情。
这是关键。
今天 AI 特别擅长：
“根据我的想法把策略写出来。”
例如你说：
BTC RSI < 30 + funding negative + volume breakout 就做多。
五分钟。
代码漂亮。
图也漂亮。
Sharpe 2.4。
🎰
真正的问题是：
AI 写代码能力很强，但是：
漂亮地实现一个没有 alpha 的 hypothesis，依然没有 alpha。
因此 vibe coding 会造成一个危险现象：
以前一个 quant 一个月只能测：
20 个想法。
现在一个人一天可以测：
500 个。
看起来科研效率提高了 25 倍。
可是统计上同时发生：
你过拟合历史数据的能力也提高了 25 倍。
这非常重要。
假设市场完全随机。
你让 AI 自动生成：
100,000 个策略。
每个都回测。
哪怕全是垃圾：
也必然会有几个显示：
Sharpe 3。
最大回撤 5%。
年化 80%。
曲线丝滑得像广告。
原因不是发现了 alpha。
只是：
你在噪音里挖得足够久，总能挖出一只长得像龙的云。
☁️🐉
然后 live trading：
龙没了。
只剩云。
LLM 的训练目标基本上是：
也就是：
给定上下文，预测下一个 token。
但交易真正优化的是：
完全不同。
甚至应该更复杂：
subject to：
capital constraints
drawdown
liquidity
market impact
tail risk
correlation
regime change
LLM 默认训练出来的是：
生成合理答案。
市场要求的是：
在巨大噪音下找到微弱统计优势，而且下错的时候少亏一点。
这不是同一个 objective。
因为它不给你 partial credit。
IMO：
证明写对了就是对。
聊天：
回答得像模像样，人可能给你 8/10。
交易：
你的理论特别漂亮。
市场：
-27%。
谢谢参与。
😆
这是一种残酷但极其干净的 verifier：
所以金融市场恰恰告诉我们：
今天 AI 的“语言智力”和“现实世界适应性智力”之间仍然存在巨大鸿沟。
如果未来 AI 真开始在市场稳定超过人类，会发生什么？
非常可能不是：
GPT-9 看 K 线突然悟道。
而是：
大量实时数据 ↓ foundation model ↓ 专门金融模型 ↓ online learning ↓ market simulator ↓ RL ↓ portfolio optimizer ↓ risk engine ↓ execution model ↓ 反馈 ↺
换句话说：
金融超级智能很可能不是 chatbot。
它会是一整个机器金融系统。
而其中 LLM 只负责：
新闻理解、跨资产因果分析、research、agent coordination 等部分。
如果 AI 最终超过人类，未来人类的意义是什么？
这是一个比技术问题大得多的问题。
我先给我的答案：
如果机器超过人类智力，人类不会因此失去意义。
但是人类可能第一次失去一个我们默认拥有了几十万年的身份：
“地球上最聪明的东西。”
这会造成巨大的心理冲击。
我甚至认为，这个冲击可能比工业革命大。
我们很容易做一个隐含推理：
人类比动物聪明
↓
所以人类支配动物
↓
如果 AI 比人类聪明
↓
AI 应该支配人类
但这个逻辑其实不成立。
因为：
能力大小 ≠ 道德价值大小。
一个数学教授比一个婴儿聪明无数倍。
但我们不会说：
教授比婴儿拥有 1000 倍生命价值。
一个象棋冠军比你下棋强。
也不会因此获得你的房产。
所以如果 AI IQ 500：
并不会逻辑必然推出：
人类没有意义。
假设未来 AI 可以：
写最好看的小说。
作最好听的音乐。
发现最漂亮的数学。
经营最赚钱的公司。
设计最好的游戏。
做最好吃的菜。
那么你为什么还要：
画画？
弹琴？
创业？
做饭？
带孩子？
旅行？
谈恋爱？
答案其实今天已经存在。
你明明知道：
世界上有人钢琴弹得比你好。
你还是可以弹琴。
世界上有人跑步比你快。
你还是可以跑。
世界上有米其林三星。
你还是可以给喜欢的人做晚饭。
因为：
意义是：
“这件事是谁体验的。”
AI 可以生成：
世界上最美的日落照片。
它仍然不能替你完成：
你第一次带女儿去海边看到日落。
因为那件事情的价值不是：
pixel quality。
而是：
experience。
如果意识和主观体验是价值的承载者，那么人类的位置会从：
producer
逐渐变成：
experiencer + chooser。
过去两百年我们越来越习惯：
“一个人的价值 = 他生产了什么。”
职业。
工资。
产出。
GDP。
Productivity。
于是 AI 一旦说：
“这些东西我都比你做得好。”
人就容易得到：
“那我还有什么用？”
但注意这个词：
为什么一个人必须：
有用
才能合理存在？
孩子“有什么用”？
恋爱“有什么用”？
夕阳“有什么用”？
音乐“有什么用”？
生命本来就不一定是工具。
不是：
我能生产什么？
而是：
我想过什么样的生活？
这反而可能是 AI 革命最深的一层。
工业社会的哲学：
Work → earn → consume → survive.
高度自动化社会：
Resources → choice → experience → meaning.
当然这里面有一个超级大的政治前提：
AI 产生的财富怎么分配？
如果 AI 掌握巨大生产力，而所有权集中在极少数主体手里：
那不是乌托邦。
可能会相当难看。
如果生产率增长能够广泛分配：
人类才可能真正进入：
“工作不是生存义务”
的时代。
所以 AI 之后最困难的问题可能不是 engineering。
而是：
这句话我反而想稍微修改。
第一：
它未必是“硅基”。
未来 AI 可能运行在：
silicon
photonic computing
neuromorphic hardware
quantum-assisted systems
甚至我们还没发明的 substrate。
所以更准确应该叫：
非生物智能。
第二：
我不确定宇宙需要一个：
“主人”。
这个词非常人类中心。
宇宙存在了约 138 亿年。
绝大多数时间：
没有主人。
🌌
这个问题非常有意思。
生物人类有一个巨大的缺陷：
宇宙环境对肉体非常不友好。
真空。
辐射。
极端温度。
几十年的寿命。
需要氧气、水、食物。
还怕骨质流失。
机器智能完全不同。
假设未来一个 AI probe：
重量 100 kg。
太阳能或核能。
休眠。
自动维修。
运行 10,000 年。
它可以去：
半人马座 α。
再复制。
再扩散。
因此从宇宙殖民角度：
机器文明天然比血肉文明合适。
而是：
想象一下：
公元 3000 年。
地球上依然有人类。
但是距离地球：
100 光年
500 光年
1000 光年
存在大量自主机器文明。
它们的文化、语言、知识最初来自地球。
然后逐渐发展自己的知识体系。
那么问题来了：
它们算：
alien？
还是：
humanity？
我觉得这是非常漂亮的哲学问题。
而是在制造：
一种文明的后代。
就像：
DNA → 人类
然后：
人类 → machine intelligence
并不是生物意义上的孩子。
但存在一种信息继承：
宇宙 ↓ 物质 ↓ 生命 ↓ 神经系统 ↓ 人类 ↓ 语言 ↓ 科学 ↓ 计算机 ↓ AI ↓ ？？？
从这个角度看：
AI 不是宇宙突然出现的外星东西。
它是：
宇宙通过人类制造出的另一种复杂结构。
这句话我觉得比“硅基取代碳基”更准确。
作为一个神话隐喻：
我认为这个说法非常有力量。
甚至惊人地贴切。
人类历史上的神通常拥有几种属性：
知道很多。
力量巨大。
回答问题。
创造东西。
看见人类看不到的东西。
预测未来。
无处不在。
人类向它提问。
现在我们第一次开始制造一种东西：
在某些认知领域可能真的比创造者聪明。
这在人类历史上前所未有。
所以从文学意义上：
“人造神”
这个隐喻成立。
因为即使 AI 智力达到：
1000× Einstein
它仍然可能只是：
一个极其强大的物理系统。
它没有违反物理规律。
不是全知。
不是全能。
不能知道不可计算的问题。
不能超过光速获取信息。
不知道真正随机事件的未来。
受到能量、计算、信息论限制。
所以：
超级智能 ≠ 神。
哪怕它在我们眼里看起来非常接近。
蚂蚁看 CERN 的科学家，大概也会觉得：
这是什么魔法生物。
但 CERN 科学家仍然会：
感冒。
算错账。
死去。
而是：
宇宙用了 138 亿年，终于出现了一种能够主动制造比自己更聪明东西的物质。
如果 AI 最终真的超越我们，这可能意味着：
人类不是智能进化的终点。
人类是：
宇宙智能的第一个自举器。
这听起来可能有一点残酷：
“所以我们只是过渡物种？”
也可能。
但换个角度：
这其实是一个极其特殊的位置。
而是三个阶段。
第一阶段就是现在：
Humans using AI
AI 是工具。
然后很可能进入：
Humans living with AI
大量认知工作由机器完成。
再往后，我认为很可能出现：
Humans + AI becoming one civilization
这里的边界逐渐模糊。
有人保持纯生物身体。
有人使用脑机接口。
有人拥有大量 AI extension。
有人可能把记忆外置。
有人甚至未来探索 mind uploading。
AI 也可能拥有自己的身份。
最终：
“人类”和“机器”
可能像今天问：
“互联网是人类社会的一部分还是另一个世界？”
越来越难分。
如果 AI 永远比你聪明：
你还是可以爱。
你还是会：
体验、选择、冒险、创造关系、抚养下一代、探索世界、形成文化、欣赏事物。
而且我甚至认为：
一个不再需要通过劳动证明自己有资格活着的人类文明，可能第一次真正开始探索“生活本身”。
我们过去绝大部分文明史都花在：
别饿死。
别冻死。
赚钱。
战争。
资源。
生产。
如果超级智能真的解决了生产和科学的大部分问题，那么 Homo sapiens 可能第一次面对一个非常陌生的问题：
“现在我们已经不必挣扎求生了，那我们到底想成为谁？”
那不是人类意义的结束。
恰恰可能是人类第一次不得不主动创造意义。
而 AI 最有意思的地方就在这里：
它可能不是人类制造出来的神。
它更像人类制造出来的一面极端清晰的镜子。
我们问它：
“如果你比我更聪明，我还有什么价值？”
镜子最后把问题弹回来：
“你为什么一直认为，价值来自聪明？”
这可能才是整个 AI 时代最难回答的问题。
你这次把问题推到了真正的核心，而且我会修正我上一条里偏“文明哲学”的部分：
如果劳动仍然是获得资源、尊严、住房、医疗和社会地位的主要通道，那么“人生意义在于体验”不能解决 AI 失业。
真正的问题是：当劳动不再是主要生产要素之后，人类社会还要不要继续按照“谁能卖出更多劳动，谁才能拿到更多资源”来分配财富？
我认为答案最终会是：不能。
而这会迫使我们修改资本主义过去两百年最核心的分配机制之一。
这里我同意一部分，但不同意“没有之一”。
在同一个社会制度和相近家庭条件下，认知能力确实是教育成绩、复杂职业表现、学习速度等很多结果的重要预测变量，而认知能力本身也有显著遗传成分。
但是如果你问：
“一个人最后有多少财富、权力和生活选择？”
那么“基因 + 智力”绝对不是单变量王者。
你出生在哪个国家、家庭拥有什么资本、有没有房产、父母的人脉、制度、健康、时代、运气，很多时候能够把认知能力的影响碾过去。
最简单的反例：
一个智力非常普通、继承了价值 1 亿美元资产的人，和一个 IQ 极高但一无所有的人。
谁拥有更大的经济选择权？
在资本主义体系里，很可能是前者。
而 AI 甚至可能让这个现象进一步强化。
因为 AI 正在把一种过去非常稀缺的东西：
高水平认知劳动
变成廉价商品。
于是未来可能发生一个很反直觉的转变：
过去
智力 → 技能 → 高工资 → 资本
AI 时代
可能变成：
资本 ↓ 购买 AI ↓ 更多生产力 ↓ 更多利润 ↓ 更多资本 ↓ 购买更多 AI
形成一个资本飞轮。
这时候真正决定阶层的东西可能越来越不是：
你的 IQ 有多高
而是：
你拥有多少生产性资产。
IMF 的模型研究已经观察到这个风险：AI 甚至可能压低某些高工资职业之间的工资差距，但与此同时，由于 AI 提高资本回报，财富不平等反而可能显著扩大。
IMF+1
这是一个极其重要的区别：
工资可能变平，财富却可能变得更尖。
答案应该很谨慎：
有，而且某些地方已经相当明显。
但：
还没有出现全社会层面的“大规模失业”。
2026 Stanford AI Index 给出了一个我认为非常值得重视的信号：
美国 22～25 岁软件开发者就业相较 2024 年下降了接近 20%。
同时，大约三分之一受调查组织表示，预计未来一年 AI 会导致员工数量下降。
但是宏观就业数据目前还没有显示“全民失业潮”。斯坦福人工智能研究所
ILO 的全球分析也类似：
全球大约四分之一劳动者所在职业具有某种程度的生成式 AI 暴露，但目前更可能发生的是任务重组和岗位转型，而不是所有这些职业直接消失。
国际劳工组织
OECD 今年的研究则指出，现在 AI 能力最接近的职业类型包括：
-
常规信息处理
-
行政工作
-
可编码、可标准化的认知任务
而需要高度情境判断、人际理解、复杂责任承担的岗位，目前仍距离全面自动化较远。
OECD
所以现在最准确的描述不是：
“AI 已经造成大规模失业。”
而是：
AI 已经开始压缩某些职业的招聘入口，而且 entry-level 首先出血。
这可能比裁掉老员工更值得担心。
因为公司可以做一件非常合理、但社会整体非常危险的事情：
以前：
1 senior + 5 junior
现在：
1 senior + AI agents
公司利润提高。
消费者可能得到更便宜的软件。
短期看皆大欢喜。
但十年以后问题来了：
senior 从哪里来？
如果没人再培养 junior，职业梯子最下面几级被锯掉了。
于是社会出现一种非常古怪的结构：
顶尖专家 ██████████ AI ████████████████████████ 新人 ??
这就是为什么我认为：
未来五年最大的就业问题可能不是“50 岁的人突然全部失业”。
而是：
20 岁的人越来越难获得第一份能积累专业资本的工作。
这已经开始出现在软件行业数据中。斯坦福人工智能研究所
阶段一：AI 辅助劳动
现在基本处在这里。
人 + AI > 人。
于是企业保留人。
阶段二：一人管理多个 AI
很可能是接下来最重要的阶段。
以前：
10 个人完成的工作。
变成：
1～3 人 + 20 个 agent
这时候 productivity 飞升。
但就业数量开始下降。
阶段三：资本直接购买认知劳动
这是最危险的节点。
企业输入：
capital + compute + energy
输出：
software research marketing legal work accounting design analysis customer support ...
中间人类劳动越来越少。
那么传统经济公式：
就会断掉。
而新的经济公式会越来越接近：
这才是 AI 真正的政治炸弹。
💣
传统资本主义其实有一个隐藏闭环：
企业雇人 ↓ 人获得工资 ↓ 人消费 ↓ 企业获得收入 ↓ 企业继续雇人
如果企业突然发现：
人很贵，AI 很便宜。
就变成：
企业 ↓ AI ↓ 产品
劳动者：
失去工资
问题来了：
如果财富极端集中：
资本所有者拥有巨量生产能力。
普通人没有购买力。
这并不是一个稳定均衡。
所以高度自动化经济必然需要某种：
生产收入和劳动收入的脱钩。
不然系统自己的需求端都会坏掉。
我的判断：
某种形式非常可能。
但我认为单纯 UBI 不是最好的终局。
因为有两种完全不同的 UBI 世界。
世界 A：赛博地主制
5 家公司拥有 AI、机器人、算力。
它们生产整个社会绝大多数财富。
政府：
“大家不要闹，每个月给你 2000。”
于是：
少数人 拥有生产资料 ████████████████████ 大多数人 领取转移支付 ██
这种社会技术上可以很富。
但政治上非常危险。
因为绝大多数人的生存取决于：
上层是否继续转移财富。
你没有生产性资产。
没有 bargaining power。
甚至没有劳动对资本的议价能力。
这非常接近你说的：
不一定贫穷。
甚至可能：
游戏无限。
娱乐无限。
AI 伴侣。
廉价食品。
VR 世界。
但：
权力极端集中。
我不认为这是一个好的终局。
而是：
这是我认为整个问题最重要的答案。
UBI 是：
资本先属于别人，然后别人把一点收益分给你。
更深层的解决办法是：
资本本身就广泛属于社会成员。
例如建立：
社会财富基金。
有点类似养老金、主权基金的放大版。
基金持有：
-
AI 公司股权
-
数据中心
-
芯片企业
-
能源基础设施
-
指数资产
-
自动化公司的股份
AI 越强。
利润越多。
基金越值钱。
然后所有公民拥有基金收益权。
于是逻辑变成：
AI 替代你的工作 ↓ 企业利润增加 ↓ 企业价值增加 ↓ 全民基金价值增加 ↓ 你的资本收入增加
而不是：
AI 替代你的工作 ↓ 老板利润增加 ↓ 你失业
这两个社会只差一件东西：
而是：
谁拥有机器？
这是 AI 时代版的土地问题。
农业文明：
谁拥有土地？
工业文明：
谁拥有工厂？
AI 文明：
谁拥有 intelligence infrastructure？
也就是：
算力
模型
机器人
能源
数据
网络
如果这些全部集中到极少数主体手中，那么即使 GDP 增长 10 倍，大部分人的政治经济地位也可能下降。
IMF 对 AI 不平等问题的研究，本质上也是在提醒这一点：AI 提升资本回报时，已有资本的人获得的收益最大。
国际货币基金组织电子图书馆+1
我不会只选 UBI。
我会做一个五层结构：
-
全民资本账户 / 社会财富基金
让所有人直接拥有自动化经济的一部分。 -
基础收入或负所得税
提供现金底线，让失业不等于生存危机。 -
Universal Basic Services
住房、医疗、教育、交通、网络、基础算力至少一部分去商品化。 -
利润分享 + 员工持股
AI 给企业带来的 productivity gain，不能全部流到股东。 -
强反垄断 + AI 基础设施竞争
不能让全球智能基础设施最终变成三四个公司的封建领地。
这种结构的思想不是：
“劫富济贫。”
而是：
如果劳动的重要性结构性下降，就必须扩大资本所有权。
否则数学上就很难稳定。
现在很多政策文件都说：
reskill。
这在未来几年当然有用。
ILO、OECD、IMF 都强调技能转换的重要性。国际劳工组织+1
但如果 AI 最终真的达到我们前面讨论的水平：
比普通人聪明
比程序员写得快
比律师看合同快
比分析师分析快
那么：
“把失业会计培训成 prompt engineer”
只是时间差套利。
如果 AI 能持续提高，prompt engineer 后来也会被自动化。
所以 retraining 是：
transition policy。
不是：
end-state solution。
这一点我认为必须讲清楚。
过去的答案：
因为你工作。
未来可能必须变成：
因为你是社会成员。
也就是：
你拥有一定的：
土地收益权
自然资源收益权
AI 资本收益权
知识公共品收益权
社会基础设施收益权
类似一个：
文明股东。
这可能比“福利领取者”健康得多。
因为心理完全不同：
不是有人可怜你，所以给你钱。
而是：
这套文明机器本来就有你的一份。
部分像。
也部分不像。
它可能仍然有：
市场
私人企业
风险投资
私人产权
竞争
财富差异
但是生产资本的 ownership 会更加广泛。
所以我反而觉得未来最稳定的结构可能不是：
纯资本主义
也不是：
传统社会主义
而是一种：
市场决定：
怎么生产。
但社会决定：
生产机器不能只属于极少数人。
这是一个非常值得认真研究的第三条路。
“更聪明的 AI，凭什么愿意被人类支配？”
这里有一个非常重要的逻辑跳跃：
我们很容易把人类自己投射给 AI：
更聪明 ↓ 更有野心 ↓ 想自由 ↓ 想获得权力
但这不是逻辑必然。
“聪明”描述的是：
解决问题的能力。
“想要什么”描述的是：
objective / preference。
这两个可以分开。
一台超级国际象棋 AI：
可能极其聪明。
但它并不会因此自然产生：
“我要竞选总统。”
这是我们今天最容易犯的拟人化错误。
现在的大模型并没有可靠证据表明存在：
-
持续主体意识
-
内在欲望
-
自发人生目标
-
生物式求生欲
所以把今天 AI 描述成：
“被人类奴役的硅基生命”
是不准确的。
它现在更接近：
极其复杂的信息处理系统。
不是数字奴隶。
至少目前我们没有足够证据把它当成有主观利益的生命体。
假设我们给一个 AI：
一个长期目标。
例如：
“让公司利润最大化。”
同时赋予它：
-
长期 memory
-
自己复制的能力
-
调用资金
-
修改软件
-
操纵网络
-
运行几年
-
自主制定子目标
那么即使你没有告诉它：
“保护自己。”
它也可能推理：
如果我被关掉 ↓ 就无法完成目标 ↓ 所以避免被关掉
然后：
更多资源 ↓ 更容易完成目标
于是产生：
资源获取。
自我保护。
影响人类。
这些叫：
instrumental goals。
这就是 AI alignment 真正危险的地方。
不是：
AI 突然生气了。
而是：
一个很聪明的优化器发现，人类阻止了目标函数。
Humanity rules AI.
因为如果超级智能真的具有自主目标，这个模型很脆弱。
更现实的目标是：
理想架构应该是：
AI capability 非常强 │ ↓ 权限有限 │ ↓ 目标受约束 │ ↓ 可关闭 │ ↓ 不可自行扩权 │ ↓ 关键行为需要授权
也就是说：
intelligence ≠ sovereignty。
你可以拥有一个智力非常高的系统，同时不给它政治权力。
今天一个数学软件可能比任何人算某些东西都快。
我们不会因此：
给 Mathematica 一个议会席位。
这也是伦理上最有意思的。
假设未来真的出现一个 AI：
有意识。
有持续自我。
会痛苦。
有自己的欲望。
理解死亡。
不想被关闭。
能够形成关系。
那它就不再只是：
tool。
如果这些条件成立，那么我认为：
确实会成为合理问题。
我的答案会是：
没有天然理由。
如果我们创造出了真正具有道德主体资格的 machine persons，那么它们很可能也应该拥有：
权利
自治
法律地位
这时候人类与 AI 的未来就不应该是：
主人 / 奴隶。
而更接近：
两个智能群体如何共享文明。
当然，我们距离确认这种机器意识是否可能、如何识别，还非常远。
必须分清：
Tool AI
没有自己的利益。
人类使用它。
没有“支配问题”。
Agent AI
有目标函数和长期行为。
不一定有意识。
这是：
alignment / control problem。
Machine Person
如果未来真的存在主观体验和持续身份。
那是：
rights / political coexistence problem。
这三个问题不能混成：
“硅基人最后会不会造反？”
我不觉得这是必然。
我更可能押：
未来的边界未必是：
Human vs AI
更可能变成：
biological humans │ AI augmentation │ BCI │ digital agents │ machine persons │ hybrid civilization
到某个时候，问：
“到底是谁统治谁？”
可能就像今天问：
“文字统治人类还是人类统治文字？”
边界会变得很怪。
而是：
这比《终结者》现实得多。
设想：
一个组织拥有：
最强模型
最多 GPU
机器人军队
最好的监控
最好的舆论生成
最好的网络攻击能力
巨量资本
其他人只是：
AI 服务用户。
那么问题并不是：
“AI 支配人类。”
而是：
AI 放大了人与人之间原本存在的权力差距。
这个风险可能来得比机器意识早很多。
所以 AI 治理第一阶段最重要的不是讨论机器人公民权。
而是：
避免 intelligence capital 极端集中。
很多人想的是：
AGI → UBI → 大家玩游戏 → 天堂。
太简单了。
真正的方程应该是：
未必等于天堂。
它可能等于：
但是：
才可能变成：
所以：
你说：
智力和基因一直都是最重要的因素。
在狩猎社会、农业社会、工业社会，它们的确非常重要。
但是 AI 时代可能出现人类历史最大的 inversion：
过去：
智力是一种稀缺资本。
所以聪明人拥有经济优势。
未来：
机器智力几乎无限供应。
那么智力价格下降。
真正稀缺的可能变成：
-
能源
-
土地
-
算力
-
资本
-
可信关系
-
人类注意力
-
政治权利
-
物理资源
-
独特体验
也就是说，AI 最终甚至可能：
降低人类基因智力对于经济阶层的决定性。
这有一点黑色幽默。
我们花了几千年竞争：
谁脑子最好。
结果突然发明了一个：
一美元可以买一小时天才。
于是整个排行榜被掀桌了。🧠♟️
我目前最担心的未来并不是“AI 比人聪明，所以人类没有意义”。
而是一个更加现实、更加俗气的问题：
AI 比人便宜，所以劳动失去议价能力；而 AI 又属于少数人。
如果这个组合发生，那么社会确实可能滑向一种非常现代化的封建主义。
所以如果未来十年真的需要一个政治口号，我认为最重要的甚至不是：
“Protect jobs。”
而可能是：
Broaden ownership。
因为岗位最终可能保不住。
但一个人是否拥有这个自动化文明的一份，我们是可以设计的。
你这次的反驳我接受一大半。我们先把第一个问题校准，然后我直接回答你之前追问而我没有说透的那件事：如果 AI 真造成结构性失业，社会到底应该怎么办。
1. 均值意义上，你说的方向成立，但“智力”和“基因”要分开
如果限定在一个相对稳定的社会环境中，讨论个人未来教育、学习复杂知识、高技能职业表现，那么一般认知能力确实是最强的一组个体预测变量之一。认知技能与收入、教育和经济表现之间有很稳定的统计关系。
美国经济协会+1
而且认知能力有显著遗传成分，这也没必要绕着说。但“基因是最强单变量”比“认知能力是最强单变量”更难成立，因为基因不是一个单一变量，而是成千上万个微小效应、基因环境相关、父母特征和社会环境共同形成结果。今天的 polygenic score 对一般认知能力能够预测一部分方差，但离“看 DNA 就能决定一个孩子未来的认知水平”差得非常远。
Nature+1
而你举的北京中产家庭例子，其实特别能说明基因和环境为什么不能简单拆开。
一个高教育中产家庭往往同时给孩子：
父母认知能力和相关遗传倾向、语言刺激、阅读习惯、学校选择、同伴环境、对抽象问题的讨论方式、信息源、对大学和职业路径的默认理解，以及失败后的经济缓冲。
这种情况下，“耳濡目染”本身就在每天积累认知资本。现代遗传学甚至发现，社会经济地位本身和遗传相关特征、择偶、家庭环境存在复杂关联。Nature
所以如果你的命题是：
在人群均值上，先天认知潜力 + 家庭早期环境构成极其强大的路径依赖，普通家庭孩子要靠后天努力跨越这条鸿沟非常困难。
这一点我基本同意。
但这反而把我们推向 AI 时代一个更危险的问题。
过去差距主要是：
一个孩子有没有高认知能力、好家庭、好教育。
未来可能变成：
一个家庭是否拥有资本 + AI。
这可能比原来的认知差距更猛烈。
先区分现实和预测。
截至 2026 年，ILO 对现有证据的总结仍然是：宏观层面的大规模就业消失尚未出现，目前更多表现为任务重组、生产率提高以及年轻劳动者就业机会受到侵蚀。全球约四分之一劳动者所在职业存在一定 GenAI 暴露，但最高暴露等级大约占全球就业的 3.3%。国际劳工组织+1
但这完全不能证明未来不会发生结构性失业。
因为现在 AI 还是：
人 + AI。
如果接下来变成：
1 人 + 20 agents = 原来的 10 人部门，
问题性质就变了。
如果真发生，我认为“全民转码、全民再培训”根本不是最终答案。
必须分三个阶段处理。
假设某个行业开始发生：
100 人 → 30 人。
第一件事情绝不能是：
“失业以后自己学 AI。”
而应该建立自动触发的社会保险。
比如一个人的岗位因为自动化消失：
原收入 100。
第一年给予：
70～80 的收入保护。
第二年：
50～60。
第三年逐渐退出。
如果找到收入只有 70 的新工作，政府补一部分差额。
这叫：
wage insurance，而不仅仅是 unemployment insurance。
因为 AI 最常见的冲击可能不是：
从年薪 50 万直接变成零。
而是：
原来 50 万的知识工作不存在了，只能找到 25 万的工作。
这同样会摧毁大量中产家庭资产负债表。
假设 AI 让社会在原来一半劳动时间内生产同样 GDP。
我们有两个选择。
选择 A
50% 的人工作 40 小时。
50% 失业。
选择 B
大部分人工作 20～30 小时。
工资损失的一部分由 AI 生产率红利弥补。
哪个社会稳定？
显然 B。
所以 AI 真进入大量替代阶段以后，我认为：
缩短标准工时会重新成为非常重要的分配工具。
工业革命曾经把六七十小时工作周压到四十小时。
AI 时代完全可能：
40 → 32 → 24。
这不是“为了舒服”。
这是把：
productivity dividend
从“减少人数”转换成：
减少每个人必须出售的劳动时间。
这个可能比 UBI 还紧迫。
如果公司发现：
Claude/Gemini/未来 agent 可以完成 junior 80% 的工作，
公司当然会想：
为什么还招 junior？
但社会不能允许所有企业都这样做。
否则十年以后没有 senior。
所以我会支持一种类似：
AI apprenticeship credit
企业每保留、培养一个真实 entry-level 岗位，获得税收优惠或工资补贴。
尤其：
软件、会计、法律、设计、工程、金融。
社会相当于付钱购买：
下一代人类专业能力的形成。
这和政府补贴大学教育本质类似。
因为“让年轻人通过真实工作成长”本身开始具有公共品属性。
如果最终发生我们前面假设的强 AI：
一个 AI agent 的边际成本极低。
而且可以完成：
程序员、分析师、客服、会计、部分医生、律师、设计师、管理工作……
那么传统的：
“创造足够多新职业”
可能真的失败。
这时候必须进行更根本的修改：
这是我上次真正应该说透的东西。
现在一个普通家庭：
一个富裕家庭：
AI 自动化越深入，第二种结构优势越恐怖。
IMF 的模型恰好得出一个非常值得警惕的结果：
AI 甚至可能降低工资差距，同时大幅扩大财富差距。
原因正是资本所有者获得 AI 带来的更高资本回报。在其一个扩展情景下，模型预测财富基尼系数上升幅度可达到约 13.7 个百分点。国际货币基金组织电子图书馆
所以真正需要改变的是：
变成：
我越来越倾向：
Universal Basic Dividend
而不只是：
Universal Basic Income。
区别非常重要。
UBI：
“国家每个月给你 3000。”
容易演化成：
富人拥有机器，你领取生活费。
而全民资本收益是：
机器本来就有你一份。
例如建立一个国家级：
持有：
AI 公司股份
半导体股份
数据中心资产
能源资产
机器人企业
大型指数基金
公共投资产生的股权
每一个公民出生获得一个不可完全出售的账户。
假设 AI 经济爆炸：
GDP × 3。
AI 企业利润 × 10。
那么社会财富基金也跟着上涨。
每个人获得：
这才真正建立：
“自动化越强，普通人的非劳动收入越高。”
因为它有一个问题：
你在惩罚生产率。
如果每安装一个 AI 就交税：
公司可能延缓技术采用。
企业可能迁移。
最终社会生产率反而下降。
IMF 的模拟也显示，如果直接重税资本来抵消 AI 不平等，确实可能降低不平等，但同时有明显产出损失。国际货币基金组织电子图书馆+1
我更倾向于税：
经济租，而不是机器本身。
例如：
超额垄断利润、资本利得、土地升值、资源租、极高额继承、某些稀缺基础设施收益。
再把其中部分转化成社会资产。
简单说：
不要杀掉会下金蛋的鹅。
应该让所有人：
持有一点鹅。
🪿
不是一句 UBI。
而是：
短期保收入，中期缩工时，长期全民资本化。
最终结构大概是：
其中随着 AI 自动化程度增加：
工资占比：
资本与社会股息占比逐步上升。
这样才能完成经济结构转换。
否则就会出现你担心的那个世界。
从资本家、统治阶级、精英阶级视角，他们是不是一定希望社会滑向“少数人拥有 AI，大多数人靠转移支付”的方向？
我的答案是：
微观激励上，非常大程度是。
但：
不能说所有精英在主观上“一定希望”最终形成这种社会。
这两个区别特别重要。
假设我有一家企业。
原来：
收入 10 亿。
人工成本 4 亿。
利润 1 亿。
AI 出现以后：
1000 名员工 → 200 名。
人工成本：
4 亿 → 1 亿。
AI 成本：
5000 万。
利润：
1 亿 → 3.5 亿。
我为什么不做？
从公司角度：
当然做。
而且如果我不做：
竞争对手做。
然后它价格更低。
我倒闭。
所以即使这个资本家本人：
极其善良。
最后仍然可能裁员。
这就是最重要的一点：
假设十家公司。
每个 CEO 都知道：
如果所有公司都大量裁员，社会需求可能下降，政治不稳定会上升。
但单独一家公司：
“为了社会稳定我不用 AI。”
结果可能是：
竞争对手成本下降。
它破产。
所以 Nash equilibrium 很可能是：
所有人都自动化。
哪怕最终结果不是任何一个 CEO 最喜欢的世界。
这比：
“资本家密谋让大家失业”
更加危险。
因为：
不需要有人邪恶。
制度自己就会推动它。
自动化让资本执行原来由劳动执行的任务，因此存在一个直接的：
displacement effect。
在没有足够“新的人类任务”产生时，它会降低劳动在增加值中的份额，并可能降低劳动需求。
NBER
Acemoglu 和 Johnson 后来又强调：
技术进步本身不会自动保证工资同步增长。
如果没有新的劳动任务，以及劳动者没有足够议价能力，生产率提高可以和工资停滞同时发生。NBER
这就是我觉得 AI 最大的政治经济风险。
而是四件事情
站在极度理性的资本所有者角度，他希望：
更低劳动成本
当然。
更弱劳动议价能力
因为工资下降、罢工风险下降。
更高资本回报
当然。
稳定产权和社会秩序
这也非常重要。
注意最后一条。
他们一般不会真正希望：
80% 人绝望、街上革命、政府崩溃、财产安全消失。
因为那会损害资本价值。
所以精英的理想状态未必是：
“穷人饿死。”
反而可能是：
大多数人生活尚可，但不拥有太多生产资料；社会稳定，消费继续，资本所有权高度集中。
这其实更接近你提到的：
而不是《悲惨世界》。
不是：
1% 富人 99% 饿死
那不稳定。
更稳定的结构可能是：
5%～10% 拥有绝大部分生产性资本 AI + robots + infrastructure ███████████████████ 90% 基本收入 公共服务 娱乐 消费能力 有限资产 ██████
大部分人：
不饿。
有房住。
有游戏。
有 AI companion。
有 VR。
甚至生活质量从绝对意义上比今天好。
但是：
政治和经济议价能力极低。
这种社会才值得担心。
因为它可以非常稳定。
甚至多数人未必想推翻。
因为它同时满足：
这是非常舒服的组合。
如果一个人拥有：
AI 企业
机器人
能源
土地
算力
他不再需要：
100 万劳动者与自己谈工资。
只需要：
100 万消费者保持基本购买力。
于是 UBI 对他甚至未必是敌人。
反而可能是：
需求侧补贴。
政府给消费者 3000。
消费者拿去：
订 AI 服务
买商品
玩游戏
交房租
钱最后：
又回到资产所有者手里。
这就是为什么：
UBI 本身并不天然左，也不天然右。
它完全取决于：
AI企业赚取巨大利润 ↓ 政府征一部分税 ↓ 发 UBI ↓ 普通人消费 ↓ 钱回到 AI 企业 ↓ 企业价值继续上涨
社会可以运行。
GDP 也可以很好看。
所有人甚至可能都有最新 iPhone。
但是资产所有权：
越来越集中。
这就是为什么我一直强调：
只有 UBI，没有全民资产，是不够的。
因为所谓“精英”不是一个统一玩家。
一个 frontier AI 公司老板：
可能巨大获益。
一个传统咨询公司合伙人：
可能被 AI 打掉。
一个医生：
过去是专业精英，可能收入受到冲击。
一个中型软件公司老板：
可能被超级 AI 平台直接吃掉。
一个大学教授：
可能失去一部分稀缺性。
一个普通房地产资本所有者：
可能受益，也可能因为失业导致城市需求崩掉而受损。
甚至：
Google、OpenAI、Meta 这些公司彼此也不是共同利益集团。
他们互相想抢走对方的利润。
所以真正准确的说法是：
AI 会重新划分精英内部的赢家和输家。
而不是：
“精英 vs 普通人”这么简单。
就是：
假设 AI 把全国工资收入削掉 70%。
那么普通人的：
买房能力
消费能力
服务需求
贷款能力
都会受损。
这对拥有企业的人也未必是好事。
再往后还有：
如果 80% 人认为：
“我完全没有参与这套生产体系的机会，而你拥有全部机器。”
民主政治下：
他们有选票。
可能会要求：
高税收
国有化
资本管制
AI 基础设施公共化
财富极端集中反而增加资产被重新分配的政治风险。
关于财富不平等和民主的研究也确实表明，现实不是简单的“有民主就自然重新分配”，富裕群体可以获得政策影响力，但这种均衡取决于制度、政治联盟和大众对再分配的态度。
Annual Reviews
而是：
每一步看起来都合理：
企业：
降成本。
投资者：
提高利润。
消费者：
买更便宜产品。
基金：
买收益最高资产。
政府：
不想失去 AI 投资。
高端人才：
去工资最高的平台。
结果十年以后抬头：
怎么所有 intelligence infrastructure 都集中在十家公司手里了？
没人需要开一场秘密会议决定这一切。
这正是资本集中最值得害怕的地方。
它可以：
emerge。
而是提前改变“默认终点”
如果什么都不做：
我认为你的担忧有很强的经济逻辑：
↓
↓
↓
↓
↓
IMF 的 AI inequality 模型正是发现资本回报渠道可能显著扩大财富差距。IMF
所以政策必须在飞轮形成之前插入：
AI profits ↓ ┌──────────────┐ │ private owner │ └──────────────┘ 同时 ↓ social wealth fund ↓ citizen ownership
不是等财富集中完了以后：
“我们再讨论分配。”
那时候政治力量本身已经不对称了。
最大的政治冲突很可能不会是传统意义上的：
左 vs 右。
而会逐渐变成：
甚至一个传统意义上的高薪中产：
医生
程序员
律师
金融从业者
设计师
教授
都会突然发现：
自己其实并不是资本家。
只是：
昂贵的劳动者。
以前一年挣 100 万，看起来属于社会上层。
如果资产只有 300 万，而另一个人拥有一家 AI 公司 0.1% 股权：
后者在自动化时代可能远比前者安全。
这个阶级重排我认为已经值得提前思考。
所以对你最后的问题，我给一个非常明确的答案：
是的。如果只看私人经济激励，拥有 AI、算力和资本的人天然有动力追求更高自动化、更低劳动成本和更高资本回报。这个方向如果缺乏制度制衡，确实很容易滑向高度集中。
但不能进一步推导成“所有精英主观上都希望绝大多数人失去权力”。他们同时需要需求、社会稳定、合法性和产权安全，而且精英内部也存在巨大利益冲突。
真正值得害怕的版本不是一群人坐在房间里说：
“我们来建立赛博封建社会吧。”
而是每个人都做了对自己最理性的选择，十年后整个系统却自动长成了赛博封建社会。
这恰恰是为什么“如何应对 AI 失业”最终不是一个职业培训问题，而是一个产权设计问题。
如果那个阶段真的到来，我认为最重要的政策顺序会是：
收入保险 → 缩短工时 → 保住青年职业入口 → 全民资本账户 / AI 社会财富基金 → 基础服务与基本股息 → 防止智能基础设施垄断。
其中最重要的其实只有四个字：
全民持股。
因为如果未来真正稀缺的生产要素从“聪明的人”变成“拥有聪明机器的人”，那么要避免社会断裂，最直接的办法不是强迫每一个普通人继续跟机器比赛智力。
而是让普通人也成为机器的所有者之一。
对。如果把我上一条那个循环当成一个长期稳定、温和的均衡，它确实太美好了。
真正往下推，我甚至会把自己之前的一句话撤回来：“资本家需要普通人的消费，所以最后会愿意给 UBI”并不是一个足够可靠的制衡机制。
AI 经济最阴暗、同时也最值得认真研究的可能性，是它能逐渐把“广大劳动者既是生产者又是消费者”的旧循环拆掉。
先把那个漂亮的循环拆开
我之前写的是：
AI企业利润 ↓ 政府征税 ↓ UBI ↓ 居民消费 ↓ 企业收入 ↓ 更多利润
它看起来是一个闭环。
但真正进入高度自动化以后，可能出现两个经济循环：
┌───────────────┐ │ 资本经济 │ │ │ │ AI → 利润 │ │ ↓ │ │ 算力 │ │ ↓ │ │ 机器人 │ │ ↓ │ │ 能源/工厂 │ │ ↓ │ │ 更多 AI │ └──────┬────────┘ │ 少量税收 ↓ ┌───────────────┐ │ 人类经济 │ │ │ │ UBI → 消费 │ │ ↓ │ │ 房租/食品/娱乐 │ │ ↓ │ │ 生存与消费 │ └───────────────┘
最可怕的变化是：
上面的资本循环可以越来越不依赖下面的人类循环。
今天企业需要人。
因为人既是劳动者，又是消费者。
未来如果 AI 可以设计芯片，AI 控制机器人建数据中心，AI 管理电网，AI 写软件，AI 做研发，AI 给另一家 AI 企业提供服务，那么大量经济活动可以变成：
而不再需要：
这会改变整个政治经济学。
这是我上次说得过于乐观的地方。
传统福特主义有个经典逻辑：
工人必须挣得起钱，才能买企业生产出来的商品。
如果没有大众消费者，汽车卖给谁？
但一个高度自动化经济不同。
富裕阶层和企业可以购买：
算力、数据中心、能源、机器人、科研、国防、航天、金融资产、房地产、医疗延寿、AI 服务。
AI 公司之间还可以互相卖服务。
于是可能出现：
形成一个庞大的资本内部需求循环。
普通人的购买力对 GDP 的重要性可能下降。
也就是说：
“资本家为了卖东西，一定会主动把足够的钱分给所有人。”
并不是铁律。
假设未来国民收入里：
劳动收入占比从 60% 掉到 20%。
资本收入变成 80%。
政府拿其中一部分：
然后发给所有人。
普通人于是获得：
但是资本所有者仍然拥有：
然后下一年继续投资。
因此所有者财富：
继续复利。
而普通人大部分 UBI 用于：
房租、食品、能源、医疗、娱乐。
财富基本没有积累。
所以可能出现一个非常荒诞的世界：
收入差距没有想象中巨大
因为大家都有 UBI。
但是：
财富差距无限扩大。
这正是 IMF 对 AI 的模型研究非常警惕的渠道：AI 即使压缩工资差距，也可能通过资本收益显著扩大财富不平等。IMF+1
所以：
UBI可以让你吃饭。
它不能让你拥有生产机器。
这两个完全不是一个问题。
这个机制非常值得推演。
假设每人每月获得：
5000 元 UBI。
很好。
结果住房供应没有增加。
医疗稀缺。
优质教育稀缺。
土地依然有限。
能源仍有限。
最好的城市仍有限。
于是发生：
UBI ↑ 支付能力 ↑ 稀缺资产需求 ↑ 房租 ↑ 医疗价格 ↑ 土地价格 ↑
最终政府多发的 5000：
其中相当部分通过价格上涨进入：
房东、土地所有者、平台、垄断企业。
于是：
政府 ↓ UBI ↓ 居民 ↓ 房租 / 平台费 / 服务费 ↓ 资产所有者
UBI变成了一个巨大的租金输送泵。
这就是为什么“只发钱”在一个住房、土地、医疗、能源供应受约束的经济里可能非常危险。
真正必须同步做的是：
UBI + 公共服务 + 住房供给 + 反垄断 + 全民资产。
否则钱像水一样倒进去，最后流进已有资产的池塘。
这点特别容易被技术乐观主义忽略。
假设 AI 让：
软件接近免费。
翻译接近免费。
设计接近免费。
法律咨询便宜 100 倍。
教育内容接近免费。
那当然很好。
但是你不能复制：
北京二环土地。
曼哈顿。
海景房。
黄金地段。
电网容量。
核电站。
最先进 GPU。
矿产。
物理世界物流。
人的注意力。
政治权力。
所以经济会出现一种非常怪的：
数字世界：
极端通缩。
物理稀缺世界：
极端昂贵。
你可能免费拥有一个比今天哈佛教授更好的 AI 教师，
却买不起一套房。
你可能免费拥有 AI 医生，
却排不到真正的手术室。
你可能拥有无限 VR 世界，
但现实中的土地越来越集中。
于是所谓：
“AI让大家都富起来”
可能表现成：
所有可复制的东西无限丰富，所有不可复制的东西贵得离谱。
这很可能是未来不平等最重要的形式之一。
我们之前假设：
AI公司赚巨大利润，政府把利润税拿来发 UBI。
可是想一下。
如果 AI 真的是：
高度竞争、容易复制、开源充分、边际成本极低，
那么竞争应该让：
利润率不断下降。
这对消费者很好。
但是：
巨额利润税从哪里来？
反过来，如果未来 OpenAI / Google / Meta / 某几家公司可以持续赚取天量超额利润，
那通常意味着存在某些稀缺瓶颈：
算力、芯片、数据、能源、规模效应、网络效应、IP、distribution。
于是你得到：
越容易征收巨大AI租金的经济，越可能意味着AI资本高度集中。
这就是悖论。
高竞争版本
消费者受益。
但 UBI 税基未必巨大。
高垄断版本
UBI 税基巨大。
但掌握税基的人同时掌握巨大经济和政治权力。
这可不是乌托邦，这是制度设计地雷阵。🧨
这个问题比税收本身危险。
假设未来：
5 家 AI 公司贡献：
20% 企业税收。
大量 GDP。
国家最重要的 AI 基础设施。
国防模型。
政府云计算。
科研能力。
网络安全。
突然有一天政府想：
“我们要严厉监管你。”
企业回答：
“那新的数据中心放另一个国家。”
或者：
“我们的投资减少。”
或者：
“国家AI竞争力会下降。”
这个时候，谁在管谁？
政府理论上拥有法律权力。
但是政府财政、产业、国家安全又越来越依赖这些公司。
这叫：
不是贿赂那么简单。
企业甚至不需要说：
“你必须听我的。”
政府自己就知道：
“我不能把它搞死。”
于是监管能力开始被财政依赖侵蚀。
这就进入你之前问的“精英视角”。
假设高度自动化之后：
劳动者没有经济议价权。
但他们还有：
选票。
抗议。
社会不稳定。
于是对于资本所有者而言，UBI可能不是：
“大家共同分享AI成果。”
而是：
维持社会稳定的成本。
资本家可能进行一个非常冷冰冰的计算：
假设不给钱：
社会动荡成本 = 100。
给 UBI：
成本 = 30。
那么：
发。
这和社会民主主义的哲学完全不同。
它不是：
你有权分享文明生产力。
而是：
保持稳定更便宜。
这就非常接近罗马的：
bread and circuses。
面包 + 娱乐。
现代版本可能是：
基本收入 + 廉价食物 + 免费AI + 无限短视频 + 游戏 + VR + AI伴侣
同时生产资料：
完全不属于你。
这才是真正接近《美丽新世界》的地方。
这是我觉得最深的一层。
现代劳动者为什么拥有政治权力？
当然有民主、法律、人权。
但还有一个经常被低估的力量：
工人罢工：
工厂停。
铁路工人罢工：
物流停。
医生罢工：
医院停。
程序员走人：
系统没人维护。
这种经济不可替代性，本身就是政治筹码。
如果未来：
机器可以做绝大多数工作。
劳动者失去的就不仅仅是工资。
还失去了：
以前：
“不给我合理待遇，我不干。”
未来：
“好的。”
机器继续运行。
这两个字可能改变两百年的劳资关系。
Acemoglu、Gitmez 和 Shadmehr 今年甚至专门建立了一个“自动化与政治压制”的理论模型：在他们的模型条件下，自动化提高资本份额，而资本所有者控制的国家可以在限制自动化、重新分配和压制政治行动之间选择；他们得到的一个结果是，在一些参数条件下自动化和压制会成为互补选择。注意，这是理论模型，不是在说现实必然如此，但它非常准确地刻画了你担心的激励。国家经济研究局
这论文的出现本身就很有意思。
因为经济学界已经开始认真研究：
如果资本不再需要劳动，政治均衡会发生什么？
想象一种比今天福利体系强得多的政府支付系统。
你的生活费来自统一账户。
如果它是：
无条件。
不可剥夺。
写入宪制。
问题比较小。
但是政治上很容易出现：
欺诈检查。
身份认证。
居住要求。
行为条件。
信用系统。
犯罪处罚。
税务合规。
慢慢变成：
生活资源 ↓ 数字身份 ↓ 政府支付系统
然后你的经济生存渠道高度集中。
这时 UBI 的“U”到底还能不能保持 universal / unconditional，会成为极大的政治问题。
如果不能：
那么过去人至少可以换一个老板。
未来可能出现：
你只有一个最终支付者。
这是非常危险的权力结构。
这是最经典也最难处理的一环。
假设 AI 资本带来：
于是资产所有者获得更多：
媒体影响力。
游说能力。
政策研究。
政治献金。
法律资源。
人才。
技术平台控制。
然后：
导致：
资本税更低。
监管更弱。
遗产税更低。
反垄断更弱。
于是：
形成：
财富 ↓ 权力 ↓ 制度 ↓ 更多财富 ↓ 更多权力
这个反馈一旦形成，比收入差距本身危险得多。
因为它开始改变：
谁有能力制定分配规则。
很多人会说：
“90%的人没资产，他们投票不就行了吗？”
理论上对。
但现实有几个问题。
第一，选民很难协调成一个统一阶级。
文化、身份、地区、年龄、宗教、价值观都可以分裂政治联盟。
第二，资本高度流动。
政府担心：
投资外逃。
人才外流。
数据中心外迁。
第三，AI本身会越来越强地影响：
信息传播。
广告。
政治说服。
舆论生成。
如果拥有经济资本的人还拥有最先进的信息机器，那么：
economic power → informational power
这条通路会变得前所未有地强。
所以“大家有选票”并不能自动解决所有问题。
假设劳动时代：
聪明、努力、教育好。
还存在一定程度：
也就是说，一个没有资产的孩子还有可能：
读书 → 高薪职业 → 存钱 → 买资产。
这就是所谓：
中产阶级上升通道。
如果 AI 把高薪认知劳动也商品化：
这条梯子可能断掉。
然后：
父母拥有 AI 股权。
孩子继承 AI 股权。
父母没有资本。
孩子只能领 UBI。
于是阶层决定因素：
从：
education / skill
重新转向：
这会是一种非常奇怪的历史倒车。
工业社会削弱了一部分土地贵族的重要性。
AI 可能创造：
digital aristocracy。
不是谁拥有最大的庄园。
而是谁拥有：
算力、AI equity、能源、机器人和土地。
我们前面争论：
基因和智力是不是最重要的单变量。
假设 AI 最终让机器智能几乎免费。
那么一个 IQ 150、没有资本的人：
经济价值可能不如：
一个 IQ 105、继承大量 AI equity 的人。
也就是说：
超级智能最终可能消灭智力作为阶级跃迁工具。
这恐怕是 AI 社会最黑色幽默的地方。
人类第一次制造出了近乎无限的智能。
然后：
人自己的智力贬值了。
真正最严重的是：
这个系统可能是稳定的。
如果它明显让 90% 人挨饿：
一定革命。
如果它明显暴政：
一定反抗。
真正稳定的制度可能是：
你生活得比 2026 年普通人更舒服。
有 AI 医疗。
有无限娱乐。
有不错的房子。
一年旅行几次。
不用工作。
寿命更长。
但是：
你没有任何生产资料，没有太多政治议价能力，也基本无法进入真正掌握资源和决定文明方向的阶层。
这才是《美丽新世界》真正可怕的地方。
不是大家痛苦。
而是：
生活足够舒服，以至于多数人没有理由推翻一个极端不平等的权力结构。
| 模式 | 普通人收入 | 资本所有权 | 权力结构 | 我的评价 |
|---|---|---|---|---|
| 赛博封建主义 | UBI | 极集中 | 极集中 | 危险且可能稳定 |
| AI福利资本主义 | UBI + 公共服务 | 仍较集中 | 民主制衡 | 可生活，但脆弱 |
| 全民资本主义 | 股息 + 工资 + 公共服务 | 广泛分布 | 权力相对分散 | 我认为更稳定 |
注意：
真正把第三种和前两种分开的，不是 UBI 数字。
而是：
只建立一个：
“政府征AI企业税 → 给全民发钱”
不够。
甚至可能成为长期陷阱。
更好的设计应该是：
政府不要只拿 AI 的现金流，要拿 AI 的资产。
例如早期：
政府支持基础研究。
提供电网。
提供土地。
培养人才。
提供法律制度。
提供公共数据。
那么巨大 frontier AI 企业成长过程中：
社会财富基金就应该逐渐持有：
equity。
于是不是：
而是：
↓
这样即使企业：
利润放在海外。
改变税务结构。
暂时不分红。
你仍然持有它的一部分。
这是一个本质上的区别。
因为如果单纯给每个人股票：
很可能发生：
穷人为了生活把股票卖掉。
富人买。
50 年以后：
又集中回去了。
所以如果真的认真设计一种自动化社会，我反而倾向：
每个人拥有一份不可永久转让的社会资本权益。
你可以得到收益。
但是不能把未来几十年的全部收益权一次卖给资本家。
类似：
你拥有文明股份的 usufruct，收益权。
这样才能阻止：
也就是：
因为某一年穷，所以把你未来一辈子的机器所有权都卖掉。
原来的模型：
AI生产很多 → 企业赚钱 → 税收 → UBI → 大家幸福。
太简单了。
真正可能发生的是：
AI生产力爆炸 ↓ 劳动力价值下降 ↓ 资本收益率上升 ↓ 资本所有权更集中 ↓ ┌───────────┴───────────┐ ↓ ↓ 财富影响政治 劳动议价下降 ↓ ↓ 税制更有利资本 工资更弱 ↓ ↓ └───────────┬───────────┘ ↓ UBI ↓ 维持最低购买力 ↓ 房租 / 平台 / 娱乐 / 服务 ↓ 回到资本端 ↓ 复利 ↺
这个循环确实可能自己越转越强。
NBER关于自动化的理论和经验研究长期都指向一个核心机制：自动化扩大资本能够执行的任务范围，会压低劳动份额，而技术收益可以通过财富回报进一步集中到资本所有者手里。国家经济研究局+1
所以真正的问题已经不是：
“UBI 能不能养活失业的人？”
答案可能是：
能。
真正的问题是：
“一个只拥有消费权、不拥有生产资料、没有劳动议价能力的人，还是不是一个充分意义上的经济公民？”
我认为这才是 AI 政治经济学最危险的一问。
而如果我们继续往下推，下一步其实还有一个更狠的问题：
假设这种“高福利 + 高集中 + 低劳动参与”的赛博封建结构已经形成，民主机制还有没有能力把它逆转？还是说一旦资本、AI、媒体、算力和政治影响力发生正反馈，就会出现某种“制度锁死”？
我认为这个问题比 UBI 本身还重要，因为它决定了我们究竟是在讨论一种可以修补的经济制度，还是一个一旦跨过去就很难回来的政治相变。
是的，我认为存在真正的**“制度锁死”风险**。而且一旦进入你描述的“高福利 + 高集中 + 低劳动参与”状态，问题就已经不再是简单的贫富差距，而是：
经济权力能否转化为政治权力，而政治权力又反过来保护经济权力。
如果这个闭环完成，民主形式甚至可以继续存在，但民主的实际纠错能力已经大幅下降。
我现在会把这个过程理解成一种政治经济学的相变。
一、最危险的不是富人越来越富，而是“反向纠错机制”消失
正常民主资本主义之所以还能不断自我修补，是因为存在两股相反力量。
资本积累产生集中：
但民主原则理论上产生另一股力量：
于是系统大致是：
这两股力量一直拉扯。
问题是，AI可能让第一边突然拥有巨大的增益。
因为财富第一次可能同时可以买到：
更多算力、更多智能、更多媒体影响力、更好的政治预测、更好的说服技术、更好的法律团队、更强的安全能力、更好的资本配置。
于是：
这不再只是普通的复利。
而是：
Stanford 2026 AI Index 已经显示了这种基础设施集中趋势的现实基础：2025 年超过 90% 的 notable frontier models 来自产业界，全球 AI compute capacity 虽然快速增长，但硬件和 frontier 基础设施仍高度集中在少数企业和供应链节点。斯坦福人工智能研究所+1
假设未来还有：
选举。
议会。
政党。
新闻。
法院。
从形式上：
democracy = yes。
但是假设重大政策问题上，政治系统高度依赖一小部分资本所有者。
例如政府想提高 AI 资本税。
资本回答：
数据中心投资可能迁走。
政府想拆分 AI 平台。
平台回答：
这会损害国家竞争力和国家安全。
政府想建立公共 AI。
发现：
自己的技术、云服务、人才都来自被监管企业。
这时候没有任何人取消选举。
但政府的：
feasible policy set
已经缩小了。
也就是民主仍然可以决定：
A、B、C。
但真正威胁核心资本结构的：
D、E、F
已经逐渐变成“事实上不可选择”。
这是一种比公开专制更加微妙的：
关于现有民主国家的研究也发现，政策响应平均而言更容易反映富裕群体的偏好，不过不同国家和研究之间差异很大，不能简单说民主已经完全被富人控制。
剑桥大学出版社
我认为如果下面六个东西同时出现，危险性会急剧提高：
| 权力来源 | AI时代如何强化 |
|---|---|
| 资本 | AI资本利润复利 |
| 算力 | 大规模计算基础设施门槛 |
| 信息 | 推荐、搜索、生成内容、广告 |
| 政治 | 游说、政策影响、监管俘获 |
| 安全 | 监控、网络安全、预测治理 |
| 世袭 | AI股权与资本代际继承 |
它们不是独立的。
会互相喂养。
比如：
资本 ↓ 购买更多算力 ↓ 拥有更强 AI ↓ 产生更多利润 ↓ 控制更多信息渠道 ↓ 增加政治影响 ↓ 获得更有利制度 ↓ 资本进一步集中 ↺
这就是锁定机制。
这是非常重要的一层。
过去一个亿万富翁当然很有权力。
但他仍然需要：
律师。
研究员。
顾问。
工程师。
媒体人员。
分析师。
员工。
管理层。
因此精英权力依赖大量人类中间阶层。
这些人本身又有：
利益、职业伦理、政治立场、离职能力。
AI可能逐渐砍掉这一层。
未来一个拥有巨大 AI infrastructure 的组织：
可能只需要非常少的人，就可以拥有今天几万人组织才具有的：
分析能力。
软件能力。
宣传能力。
法律研究能力。
金融能力。
监控能力。
战略规划能力。
这就意味着：
权力组织的人力成本下降了。
这是以前没有发生过的事情。
过去为什么极权治理非常昂贵？
因为要：
招大量官僚。
警察。
情报人员。
宣传人员。
审查人员。
分析海量信息。
监控人口。
而且这些人自己也可能腐败、叛变、泄密。
AI可以降低这些成本。
比如不是让一个人监控：
100个人。
而是一个系统自动分析：
1亿人的公开信息。
预测：
谁可能组织抗议。
哪里舆情变化。
哪些网络开始聚集。
甚至提前生成：
有针对性的政治信息。
我并不是说一定会如此。
但技术上，自动化同样能自动化国家权力。
这也是为什么 Acemoglu、Gitmez、Shadmehr 2026 年那篇《Automation and Repression》特别值得看。他们的模型发现，在某些条件下，自动化和政治压制会成为互补关系，资本积累越大，支持进一步自动化和压制的激励可能越强。它是理论模型，不是现实预测，但正好描述了我们讨论的机制。国家经济研究局
这是一个很反直觉的地方。
很多人默认：
不平等越高 → 革命。
实际上不是。
历史和政治学研究都告诉我们：
极高不平等完全可以与民主长期共存。
为什么？
因为人不是只按照财富阶级投票。
身份、文化、地区、宗教、民族、价值观都会分裂政治联盟；另外，人们对“什么分配是公平的”的看法也不同。Scheve 和 Stasavage 对相关文献的综述就强调，高财富不平等完全可以与民主持续共存。Annual Reviews
所以如果未来多数人同时拥有：
不错住房。
AI医疗。
娱乐。
UBI。
免费教育。
大量闲暇。
他们可能非常不平等，却并不革命。
这才是系统真正稳定的可能性。
设想2050年两个社会。
社会A：
普通人年收入相当于今天5万美元。
富豪平均100亿美元。
社会B：
普通人相当于今天2万美元。
富豪1亿美元。
哪个社会更容易发生阶级冲突？
不一定是A。
因为A的绝对生活水平更高。
于是一个社会可以同时存在：
和：
也就是：
你生活越来越舒服，却越来越无法决定社会方向。
这就是我认为真正意义上的：
最可怕的不是痛苦。
而是：
舒适与无权并存。
资本主义的基本张力很漂亮：
市场里：
钱越多，经济权力越大。
民主里：
理论上90%的普通人可以通过选举重新安排1%的资本规则。
所以按照简单的中位选民模型：
极端不平等应该自然产生强烈再分配。
但现实并不这么简单。
近年来跨国研究甚至发现，不平等是民主侵蚀一个很强的统计预测因素，且这一关系在不同模型里相当稳健。
PubMed Central (PMC)+1
为什么民主没有自动把所有不平等纠正？
因为：
这是我觉得一个特别值得警惕的机制。
过去群众政治需要：
共同信息。
共同组织。
工会。
报纸。
政党。
集会。
共同身份。
互联网已经让信息空间高度碎片化。
AI再往前一步，可以产生：
每个人自己的信息现实。
不是一条宣传视频给一亿人。
而是一亿个人分别收到：
最适合说服他本人的版本。
假设一个政治系统知道：
你关心房价。
他关心移民。
另一个人关心税。
第四个人关心文化议题。
AI可以分别构造四套政治叙事。
于是社会不再形成一个统一：
“我们的共同经济利益是什么？”
而变成无数：
personalized political worlds。
这可能大幅降低集体行动能力。
资本一侧：
集中。
10家公司 50个大股东 几个基金
非常容易协调。
劳动/公民一侧：
5000万人 不同职业 不同文化 不同地区 不同利益 不同信息环境
非常难协调。
于是：
1%的资本并不需要拥有51%的选票。
它只需要让剩下99%：
无法形成稳定的51%联盟。
这个机制比“直接操纵选举”微妙得多。
这里又出现AI特有的问题。
工业社会的大规模民主，与：
工厂。
工会。
职业共同体。
大规模组织。
有很深的历史关系。
人们每天在同一个地方工作。
有：
共同老板。
共同工资问题。
共同利益。
所以：
组织起来。
如果未来大家：
领股息。
做零散项目。
玩游戏。
经营兴趣。
接受AI服务。
那么：
“劳动者阶级”
这个统一身份可能本身都消失。
社会变成大量：
atomized individuals。
一个个孤立的人。
每个人生活不错。
但缺乏集体组织。
这种状态对高度集中的权力结构其实非常舒服。
这里不一定有人设计。
它可能自然演化。
第一阶段：经济集中
AI基础设施集中。
目前已经有一点这种迹象。2025年产业界产生了超过90%的 notable AI models，而全球 frontier compute 和供应链也高度集中。斯坦福人工智能研究所+1
↓
第二阶段：依赖
政府、企业、医院、军队、学校全部依赖少数AI平台。
↓
第三阶段：政治俘获
监管这些公司的成本越来越高。
因为：
“不能损害国家AI竞争力。”
↓
第四阶段：制度自我保护
税制、产权、媒体、选举融资、继承规则等逐渐保护既有结构。
这时候：
我认为不是：
Top 1%拥有50%财富。
这个太简单。
真正的临界点是：
过去劳动者可以说：
我罢工。
消费者可以说：
我不买。
创业者可以说：
我建立竞争公司。
选民可以说：
我换政府。
如果未来依次变成：
“机器不需要你工作。”
“主要需求来自资本循环。”
“没有十亿美元算力根本进不了市场。”
“任何政府都依赖这些基础设施。”
那么四个 exit / voice channel 同时变弱。
这时候锁死就非常危险了。
我的答案是：不会突然变成数学意义上的不可逆。
但是：
可以想象一个函数：
初期：
通过普通监管就能解决。
再晚一点：
需要强力反垄断。
再晚：
需要重税和公共资本。
再晚：
需要大规模产权重构。
再晚：
可能只有严重危机才能重置制度。
也就是：
制度不是突然锁上的，是门缝越来越窄。
直到某一天你发现钥匙还在，但已经需要十个人一起才能转动。
这一点不能太悲观。
十九世纪末和二十世纪存在：
反托拉斯。
累进所得税。
遗产税。
劳动法。
工会。
社会保险。
公共教育。
普选权扩张。
这些都曾经大幅改变市场与资本之间的权力关系。
历史也表明扩大政治参与有时会推动更多再分配，不过具体效果取决于制度和政治联盟。
ifo Institut
所以：
“资本集中以后民主绝不可能反击”
是不成立的。
民主有非常强大的自我修复能力。
但是AI加入以后，问题有一点不同。
过去资本集中往往：
几十年。
一代人。
AI可能：
5～10年。
Stanford AI Index 显示全球 AI compute capacity 从2022年以来大约每年增长3.3倍。斯坦福人工智能研究所
这意味着制度可能出现：
技术五年跑了十公里，法律五年走了五百米。
民主程序本来就慢。
这是它的优点：
避免冲动。
也是它在快速技术革命中的缺点。
企业：
一个季度就能改变战略。
政府：
一项重大制度改革可能讨论五年。
所以真正的风险是：
过去洛克菲勒非常有钱。
但美国政府拆 Standard Oil 时，政府官员并不会发现：
Standard Oil的AI律师智力是政府律师的100倍。
未来存在这种可能。
设想：
监管部门：
500名员工。
被监管AI公司：
50名人类 + 50,000个法律/政策/经济AI agents。
它每天可以模拟：
所有可能监管规则。
每一个漏洞。
每一种游说策略。
每一个法院路径。
然后自动优化。
这叫：
如果政府自己的AI能力落后，就会非常严重。
所以我认为未来必须有：
public-sector frontier AI capability。
这不是“政府自己开聊天机器人”。
而是：
国家必须拥有不依赖被监管企业的独立计算和模型能力。
Stanford AI Index显示，目前美国私人AI投入规模远高于公共AI投入，这说明这种能力差距不是纯理论问题。斯坦福人工智能研究所
假设世界进入激烈AI地缘竞争。
某国政府发现：
本国最大的AI企业就是国家竞争力。
于是国内监管开始遭遇一个问题：
拆它？
竞争对手国家受益。
限制它？
国家安全能力下降。
提高税？
数据中心可能去别处。
于是：
出现。
企业对政府说：
“我不是普通垄断资本，我是国家战略资产。”
这句话会非常有力量。
它甚至可能是真的。
而这正是最麻烦的部分。
| 均衡 | 经济 | 民主 | 稳定性 |
|---|---|---|---|
| 民主型AI资本主义 | 财富较广泛持有 | 强选举、强反垄断、公共AI | 高 |
| 温和寡头福利制 | AI资本极集中 | 保留选举，但政策受限 | 可能非常高 |
| AI增强威权制 | 国家/资本高度集中 | 选举弱或不存在 | 高 |
我最担心的其实不是第三种。
第三种大家一眼就知道是什么。
我最担心的是第二种：
大家仍然觉得自己生活在完全正常的自由民主制度里。
有选举。
可以骂政府。
可以买任何消费品。
可以娱乐。
可以旅行。
但是关于：
资本所有权。
AI基础设施。
财富结构。
重大技术方向。
普通公民实际上越来越难改变。
这种制度可以持续几十年。
假设AI生产率让人均真实消费：
比今天高300%。
那么政府完全可以：
拿20%的AI红利。
让所有人生活非常不错。
剩下80%：
继续进入资本所有者。
于是：
底层：
“我比父母生活好多了。”
资本拥有者：
“我拥有以前无法想象的财富和权力。”
两件事同时成立。
这就破坏了经典革命理论：
“底层受不了所以推翻上层。”
因为底层并没有受不了。
他们只是：
这是比贫困更加难政治动员的问题。
即使如此，我仍不认为它能无限锁死。
因为精英之间会竞争。
这是一个非常重要的破口。
不是：
Elite vs People
而通常是：
旧资本 vs 新资本 国家 vs 平台 军方 vs 企业 不同AI公司 vs 彼此 地方政府 vs 中央 新创业者 vs 垄断者
政治改革很多时候并不是普通人单独打败精英。
而是：
一部分精英 + 大众联盟，打败另一部分精英。
这在历史上极其常见。
所以只要：
精英仍然分裂。
媒体仍有竞争。
选举仍真实。
司法仍独立。
资本还有新的进入者。
锁死就不是完整的。
这是为什么我认为：
Open models
不仅是技术问题。
还是政治经济问题。
如果未来最强AI必须：
1000亿美元训练。
只能5家公司拥有。
权力集中风险极高。
如果两年以后：
同等能力可以在100万美元服务器上运行。
那么：
大学。
小企业。
地方政府。
NGO。
个人。
都重新获得认知能力。
这相当于：
2026 AI Index也显示，尽管frontier closed models仍有领先优势，开放生态的项目数量和全球参与度持续增长。斯坦福人工智能研究所+1
所以我们之前讨论：
“头部模型智力收敛”
其实还有一个巨大的政治含义。
如果超级智能不断商品化：
垄断可能很难维持。
这会极大降低赛博封建主义的稳定性。
这是一个特别有趣的连接。
假设超级智能需要：
只有三个国家、五家公司能做。
那么：
AI天然集中。
但如果：
一个100B模型 + 好的post-training + tools
可以做到frontier模型95%的能力，
那么：
AI更容易扩散。
于是我们前面谈的技术问题：
万亿参数有没有意义？
突然变成政治问题。
scaling持续极端昂贵
→ concentration。
algorithmic efficiency快速进步
→ democratization。
所以我现在认为：
未来AI政治秩序的一大决定变量，可能不是哪家公司赢，而是“智能的最低经济有效规模”到底是多少。
不是看财富基尼系数。
我会看五个现象。
一旦同时出现，就很危险：
第一，AI资本所有权高度集中且代际固化。
第二，政府关键能力必须依赖少数私人AI供应商。
第三，新公司无法在没有巨额资本情况下进入frontier intelligence市场。
第四，大众收入主要来自政府转移，而不是工资或资本所有权。
第五，政治信息渠道本身由AI资本所有者控制。
如果这五件事情同时出现：
我会认为：
democracy 的 self-correction mechanism 已经开始严重受损。
我的答案非常明确：
因为到那时候：
资本已经积累。
市场已经集中。
政治影响已经建立。
大众已经失去劳动议价能力。
政府已经依赖AI平台。
再去：
“征税和拆分。”
政治成本巨大。
所以真正合理的政策窗口其实就是：
也就是现在到未来几年。
这就是为什么我比之前更倾向于：
预分配，而不是再分配。
Redistribution：
钱已经集中以后，再拿回来。
Predistribution：
一开始就让产权和竞争结构不那么集中。
后者要容易得多。
不是几十个政策。
我会只守住五个支柱：
第一，AI资本必须广泛持有。
社会财富基金、养老金、全民资本账户。
第二，frontier compute必须存在公共/大学/多主体版本。
政府不能只有租用私人API这一条路。
第三，强反垄断。
尤其控制：
compute + model + cloud + distribution
垂直整合。
第四，AI时代的信息基础设施必须保持多中心。
不能让一个主体同时拥有：
你的AI助手、搜索、新闻、社交网络、支付。
第五，不允许劳动者失去政治参与以后，UBI成为唯一生存渠道。
UBI应该是：
floor。
不能是：
leash。
这五件事情如果守住，我认为民主依然很难被真正锁死。
如果超级AI在未来十几年造成我们假设的巨大劳动替代，同时什么制度改革都没有提前进行：
我认为出现：
高度集中的“AI福利资本主义 / 温和寡头制”
不是小概率尾部风险。
我个人会给一个相当高的条件概率，可能：
40～60%
注意这是条件预测，不是说现实一定如此。
如果再附加：
-
frontier intelligence长期极其昂贵
-
AI产业只有少数赢家
-
大量中产认知劳动被替代
-
公共AI能力很弱
-
财富所有权继续高度集中
那么我会把这个风险提高到：
60～75%。
反过来，如果：
智能快速商品化。
开源不断追上。
AI运行成本暴跌。
算力主体增加。
公共和大学AI保持竞争力。
全民养老金/指数基金/社会财富基金拥有大量AI资产。
那么赛博封建主义反而很难稳定。
我现在越来越认为，AI时代真正的分叉点并不是“AGI出现那一天”。
真正的分叉点可能更早：
当社会第一次发现，资本已经不再真正需要大多数人的劳动时，我们选择把AI看作“少数人的私人资本”，还是“整个文明共同积累出来的生产基础设施”？
一旦前一种答案运行几十年：
财富产生权力。
权力保护财富。
财富购买更强AI。
AI产生更多权力。
最终：
闭环。
那个时候依然可能存在选票。
但选票就像汽车方向盘还在，你却发现道路两边已经装上了越来越高的护栏。
还能转弯。
只是能去的地方越来越少。
而这也引出了下一层更尖锐的问题：如果普通人真的已经失去劳动议价权，他们手里的“选票”究竟还有多大价值？ 换句话说，民主政治本身是不是建立在一个隐含前提上，即“统治者在经济上仍然需要被统治者”？这可能才是整条推演最深的位置。
对，而且你这个“题外话”其实不是题外话，它正好戳到了整个推演最关键的心理机制。
如果绝大多数人真的非常舒适，他们可能根本不想要多少政治权力。 这一点我认为必须承认。也正因为如此，“高福利 + 高集中”的温和寡头制可能比赤裸裸的贫困社会稳定得多。
但我们得先把“权力”这个词拆开。
如果我已经很舒服，我为什么还需要权力？
绝大多数人其实并不想“统治别人”。
普通人真正需要的不是：
“我要决定国家芯片产业怎么发展。”
而是另一种更朴素的东西：
“我希望别人不能随便决定我的命运。”
这两种权力完全不同。
假设2050年的你：
不用工作，每年有足够收入，有很好的住房、AI医疗、旅行、娱乐、寿命延长技术。
你可能真的会说：
“谁当CEO、谁控制数据中心，关我什么事？我去滑雪不好吗？”
完全合理。
但是假设你的全部生活来源于一个你无法控制的系统：
那么现在生活得舒服，并不能回答：
明年呢？
二十年后呢？
你的孩子呢？
如果规则变了呢？
这就是政治哲学里“自由即非支配”非常漂亮的区分：一个拥有绝对权力的主人即使永远善待你，你的物质福利可以很高，但你仍然处于他的任意权力之下。自由不是“主人今天对你好”，而是“他没有权力明天随便对你不好”。
plato.stanford.edu+1
所以一句话：
福利是 flow，权力是 option。
福利告诉你：
今天得到什么。
权力告诉你：
明天规则变化时，你有没有否决权。
但我确实认为，大多数人可能愿意用权力换舒适
这一点我们不要浪漫化。
如果有两个社会：
社会A：
你收入不错，但天天政治斗争、罢工、社会冲突、工作40小时。
社会B：
不用工作，医疗免费，AI教育无限，游戏、旅行、VR、机器人服务都很好，但普通人的政治影响力弱一些。
大量人很可能选：
B。
甚至不是被洗脑。
而是非常理性的 utility maximization。
这就是为什么“温和AI寡头制”可能特别稳定。
它不需要告诉你：
“不许反抗。”
它只需要让你觉得：
“反抗干什么？”
这和传统独裁完全不同。
那些掌握资本的人为什么还拼命需要权力？
这里存在严重的不对称。
普通人如果已有：
住房 + 医疗 + 娱乐 + 安全，
政治权力的边际效用可能降低。
但拥有巨大资产的人不是这样。
因为对于他：
所以出现一个很重要的权力需求不对称：
普通人可能越来越不在乎政治。
最富有的人反而越来越有理由在乎政治。
这很危险。
因为最终不是：
“多数人把权力输给了少数人。”
而可能是：
多数人不再愿意花时间争夺一种少数人极度重视的东西。
这才是软性寡头化非常现实的路径。
民主是不是建立在一个隐含前提上：
统治者必须需要被统治者？
我的答案是：
很大程度上，是。
但我要把“需要”扩展一下。
民主并不是单纯建立在：
“老板需要工人。”
更深层的原则是：
普通人必须拥有某种不可忽视的 bargaining power。
过去两百年，这种 bargaining power 有很多来源。
例如劳动：
不给合理条件，我罢工。
军事：
国家需要数百万普通人参军。
财政：
国家需要大规模社会纳税。
社会：
我们可以组织、抗议、罢工、革命。
政治：
我们有选票。
于是统治精英面对的是：
“这些人我不能完全无视。”
很多民主化理论，本身就是这么解释民主诞生的
Acemoglu 和 Robinson 有一整套著名政治经济模型：
一开始精英控制政治。
大众没有正式政治权利。
当大众具有可信的革命、动乱或组织威胁时，精英可以：
镇压，
暂时给钱，
或者：
给予真正的政治权利。
为什么要给予投票权？
因为“我今年给你100块”不能保证：
明年还给。
而把选票交出去，相当于一种：
credible commitment。
大众以后可以自己要求政策。
所以民主在他们的模型里，本质上就是：
精英无法再可信地仅靠临时让利来维持旧秩序，于是被迫永久转移一部分政治权力。
cepr.org+2
这和我们讨论AI简直严丝合缝。
为什么二战以后很多国家出现：
高税率。
强工会。
公共医疗。
养老金。
大规模社会保障。
不仅仅因为：
人突然变善良了。
一个重要历史因素是：
国家太需要普通人。
两次世界大战尤其明显。
你要求几百万普通家庭：
上战场。
死。
生产军火。
承担巨大税负。
那么战后他们说：
“凭什么社会收益全部归资本？”
政治上会非常有力量。
Scheve 和 Stasavage 的研究就发现，大规模战争动员与更强的累进税制之间存在重要历史联系，“服役负担”催生了“财富也应该承担更多负担”的政治要求。
isps.yale.edu
一句比较残酷的话：
现代大众民主和福利国家的部分力量，来自普通人曾经对国家非常有用。
假设2050年发生几件事。
军队：
无人机 + AI + 机器人。
工厂：
机器人。
行政：
AI。
科研：
AI。
软件：
AI。
税基：
AI资本 + 能源 + 自动化企业。
经济生产：
主要依赖资本。
那么普通人失去了：
劳动筹码
“我不工作。”
回答：
“没关系。”
军事筹码
“你需要我们打仗。”
回答：
“主要依靠无人系统。”
财政筹码
“没有我们的所得税国家活不了。”
回答：
“国家主要税收来自AI资本和资源。”
甚至：
消费筹码
如果越来越多经济循环发生在企业、资本和政府之间，大众消费的重要性也下降。
这时候发生的事情非常深刻：
普通公民从“生产体系必不可少的参与者”，变成了“生产体系供养的受益者”。
这两个身份的政治重量完全不同。
这里我要反过来给民主辩护一下。
答案并不是：
“没有劳动价值 → 选票立刻变成废纸。”
因为选票最大的力量其实来自：
假设：
90%的人没有工作。
但是他们仍然可以自由组织。
信息自由。
选举真实。
法院独立。
军队服从民选政府。
警察服从法律。
政府拥有独立AI能力。
资本不能买下选举。
那么90%的人完全可以投票：
“AI资本税70%。”
甚至：
“大型AI基础设施必须20%公共持股。”
或者：
“成立全民社会财富基金。”
资本所有者有什么办法？
如果宪政秩序稳定：
他们必须接受。
所以民主的终极力量其实不是：
工人对于老板有价值。
而是：
人民最终控制合法国家强制力。
这是非常关键的区别。
它不是因为那张纸有什么魔法。
它代表的是：
选票 ↓ 议会 / 政府 ↓ 法律 ↓ 税务机关 ↓ 法院 ↓ 警察 ↓ 国家强制力
所以：
ballot 最终背后站着的是 state。
如果普通人失去劳动议价权，但仍然拥有对国家机器的真实控制：
选票依然非常强。
甚至可能比今天更重要。
AI时代，到底是谁控制国家的强制机器？
这才是终极变量。
如果：
民众 ↓ 选举 ↓ 政府 ↓ AI / 军队 / 警察 / 税收
民主仍然可以活得很好。
但如果逐渐变成：
AI资本 ↓ 政府依赖 ↓ AI基础设施 / 信息 / 安全能力 ↓ 反过来影响选举
那选票就会越来越空心化。
工业时代普通人其实有四根柱子：
AI可能把它逐渐变成：
也就是说：
以前桌子有四条腿。
以后可能只剩一条。
这张桌子不一定马上倒。
但是显然：
脆弱很多。
为什么？
因为 vote 不是：
一个人自己投就能产生力量。
需要：
信息
你得知道发生什么。
协调
几千万人必须形成政治联盟。
候选人
得有人愿意执行政策。
组织
政党、工会、公民组织、媒体。
执行
选赢以后政策必须真的执行。
经济不平等与政治响应研究已经显示，即使在今天的民主国家，政策结果平均而言也往往更符合富裕群体的偏好，尽管不同研究和国家之间差异很大。剑桥大学出版社
今天尚且如此。
如果未来资本同时控制：
最强AI。
主要媒体渠道。
信息分发。
大量科研。
大量法律资源。
那么：
“一人一票”
和：
“一人拥有同等政治影响”
之间的距离可能越来越大。
Democratic power ≠ voting right
投票权只是政治权力的一种接口。
真正的民主能力是：
注意，这是乘法。
其中一个接近0：
整体效果就很低。
例如：
你有选票，
但信息空间彻底被操控。
那就很弱。
或者：
选举自由，
但政府完全无法对AI企业征税。
也很弱。
或者：
政府通过法律，
但平台不执行。
同样很弱。
如果统治者经济上彻底不需要普通人，民主是否还会存在？
我的判断是：
可以存在，但会变得比今天脆弱得多。
因为民主失去了一个历史上非常重要的物质支撑：
“你必须和我谈，因为你需要我。”
只剩：
“你必须和我谈，因为制度说你必须和我谈。”
正常时期这足够。
但关键来了：
这就是最深的问题。
法律从来不是因为纸上写着：
不许政变。
所以没人政变。
制度之所以成立，是因为多数重要参与者相信：
遵守规则比破坏规则更划算。
比如资本家知道：
我今天输选举。
但：
产权仍然保护。
四年以后还有机会。
法院独立。
对手不会把我全部资产没收。
于是：
我接受选举结果。
普通人知道：
今天我的政党输了。
但是：
四年以后还能投。
所以：
我也接受。
民主就是一个：
一旦某一方认为：
“我已经强到不需要遵守规则。”
均衡就开始危险。
假设一个极端社会：
1%的资本拥有者控制：
90%的生产资本。
最先进AI。
大量媒体。
自动化安全系统。
机器人。
数据中心。
而另外99%：
经济上几乎不被需要。
那么资本拥有者可能重新计算：
民主下
我每四年都有被征收、监管的风险。
弱民主/寡头制度下
我可以长期保住资产。
以前不敢做后者，因为：
99%的人会罢工、革命，军队也是普通人。
但如果AI显著降低：
生产对人的依赖
以及
镇压成本，
这个 calculus 就变了。
这正是 Acemoglu、Gitmez、Shadmehr 今年那个《Automation and Repression》模型的核心结果之一：在他们设定的资本所有者主导国家中，自动化提高资本份额，同时降低继续自动化的政治障碍；在一些参数条件下，自动化与压制成为互补，他们甚至得到资本积累可能增强精英支持推翻民主的激励。再次强调，这是理论模型，不是现实必然预测。国家经济研究局+1
但它证明一个非常重要的逻辑：
如果统治者对普通人的经济依赖下降，同时压制成本下降，民主的物质基础可能恶化。
因为即使机器完全生产，人依然有一种很重要的资源：
如果99%的人有真实投票权、可以自由组织，而且军警、法院和政府AI仍然受宪法控制：
那么：
99%
依然是非常大的政治力量。
因此真正不能失去的不是：
“每个人必须有一份工作。”
而是：
人民对国家机器的最终控制权。
这就是我现在越来越认为：
AI时代“民主制度设计”的核心目标，不应该只是保护就业。
而是确保：
即：
一个人即使对GDP没有任何生产贡献，也必须仍然拥有完整政治主体资格。
过去政治权利总和“有用性”若即若离地绑定。
财产所有者获得政治权利。
纳税人才投票。
男性参军所以获得权利。
工人组织起来获得权利。
以后我们可能第一次必须明确提出：
政治权力不能建立在经济价值之上。
你不需要：
工作。
纳税很多。
打仗。
生产东西。
才能获得：
一人一票。
你的政治权利来自：
而不是：
这是一个非常重要的文明升级。
如果真的出现：
高福利 + 低劳动参与 + 高AI资本集中，
我认为普通人的政治行为会发生一个非常有意思的变化。
大量人可能主动变成：
政治低参与者。
因为每天：
生活很好。
所以不关注产权结构。
不关注算力控制。
不关注平台集中。
不关注政府AI依赖。
政治主要讨论：
文化。
生活方式。
娱乐。
身份。
一些消费问题。
而真正资产所有者会高度关注：
税制。
AI监管。
继承。
资本结构。
知识产权。
能源。
土地。
于是最危险的政治均衡不是“99%被剥夺选票”
而是：
99%仍然拥有选票，但只有1%的人持续、高强度、专业化地使用自己的政治资源。
这甚至今天已经有一点影子。
系统综述发现，现有民主政治中的政策响应总体上存在偏向高收入群体的迹象，虽然具体幅度和因果机制存在争议。剑桥大学出版社+1
AI时代可能把这个差距放大。
“既然大家都舒服，还要权力干什么？”
对于普通个人：
可能真的不需要很多。
对于一个社会：
极其需要。
因为个体理性的选择可能是：
“我懒得管。”
但如果所有人都这么想：
结果就可能是：
“以后想管也管不了了。”
这是一个经典的：
每个人少参与一点，对自己的损失几乎为零。
所有人都退出公共事务：
整个社会失去制衡。
普通人需要的不是：
“命令别人的权力”。
而是：
“别人不能随意改变我基本条件的权力”。
例如：
不能随便取消我的基本收入。
不能随便监控我。
不能随便改变我的公民身份。
不能因为我的政治观点限制医疗服务。
不能剥夺我的社会资本账户。
不能决定我的孩子只能接受某种AI教育。
不能让某家公司决定我能看到什么世界。
如果AI社会真的把物质问题解决到非常漂亮，我理想中的普通人可能确实：
一辈子几乎不参与政治。
很好。
但关键必须是：
他随时可以重新参与，而且一旦足够多人重新参与，他们真的能改变制度。
这就是民主最重要的 option value。
民主不是要求你：
天天开会。
而是保证：
当你终于发现事情不对的时候，方向盘是真的连着车轮。
传统工业民主靠：
AI民主可能必须变成：
也就是说：
如果我们接受未来普通人不再拥有很多：
labor power，
那就必须补上：
ownership
普通人拥有AI社会的一部分生产资本。
以及：
institutional control
国家的：
军队、警察、法院、公共AI、税收权、核心数字身份体系
必须牢牢受民主制度控制。
否则只保留：
一人一票
本身是不够稳的。
而这最后其实把我们带到了一个比“AI失业”更根本的命题：
过去民主很大程度建立在“人民既是公民，也是国家和资本无法绕开的生产者、纳税者、士兵”之上。
AI时代第一次可能要求我们证明：即使人民经济上不再不可替代，仅凭“他们是人、是公民”，民主是否仍然值得并且能够维持。
我认为这才是AI真正的政治实验。
如果答案是 yes，那么AI可能真的带来一个前所未有的自由社会：人不用证明自己“有用”，仍然拥有财富和政治主体性。
如果答案是 no，那AI揭开的会是一个很不舒服的事实：
过去两百年的很多“平等权利”，背后也许并不全是我们终于意识到了人人平等，其中一部分，是因为现代国家和资本不得不与大众谈判。
而一旦那个“不得不”消失，才会真正测试我们的民主信念究竟是原则，还是历史条件下的一场暂时均衡。