141 lines
17 KiB
Markdown
141 lines
17 KiB
Markdown
# 如果最终AI取代了大部分工人，那么阶级斗争将如何发展？
|
||
|
||
**回答者:** 名字
|
||
**日期:** 未知
|
||
|
||
---
|
||
|
||
1765年，东印度公司拿到孟加拉的税收征管权之后，做的第一件事是把税率提高到原来的三倍。六年时间，三倍。孟加拉当时的GDP占全球约12%，织布业产能冠绝亚洲。到1770年，饥荒杀死了孟加拉三分之一的人口。公司的利润报表上，那一年的数字没有下降。
|
||
|
||
经济学家Utsa Patnaik用出口顺差法计算，从1765年到1938年，英国从印度累计汲取的财富折算到2016年价值约45万亿美元。这个数字大约是今天印度GDP的13倍。而整个过程中，东印度公司的内部文件里从头到尾没有出现过"掠夺"这个词。他们用的词是"贸易"。具体操作是：用从印度人身上征来的税款，购买印度人生产的商品，再把这些商品运回英国出售。账面上看，每一笔都是"公平交易"。买方付了钱，卖方交了货。只是那笔"钱"本来就是从卖方口袋里拿的。
|
||
|
||
2024年，Nvidia每名员工创造360万美元营收。Meta每名员工创造的净利润是84.2万美元。微软的AI业务Azure增速40%，运营利润率47%。同一年，美国工人平均时薪的实际增速远低于生产率增速。1979年到2024年间，生产率增长了80.9%，而平均时薪仅增长了29.4%。差额去了哪里？去了资本。去了那些拥有非人类生产资料的人。
|
||
|
||
这两组数据之间隔了260年。地理位置从孟加拉换到了硅谷。汲取的对象从棉布和香料变成了数据和注意力。但如果你从热力学的角度看，发生的事情在物理结构上完全一致：一个系统在从另一个系统中抽取有序能量，同时把熵留给对方。
|
||
|
||
---
|
||
|
||
热力学第二定律说，在一个孤立系统中，熵永远只增不减。但这里有个关键的限定词：孤立系统。如果系统不是孤立的，如果它能从外部环境中汲取低熵能量，把高熵废热排放出去，它就可以维持甚至增加自身的有序度。
|
||
|
||
Ilya Prigogine在1977年拿诺贝尔化学奖时解释了这个机制。他把这类系统叫做耗散结构(dissipative structure)。一个耗散结构通过持续消耗外部资源来维持自身的低熵状态。飓风是耗散结构，它从温暖的海面汲取热能，在内部组织出高度有序的螺旋气流，同时向高空排放废热。生命体是耗散结构，你吃低熵的食物，排出高熵的废物，中间那个差值维持着你体内37度的精密生化反应。
|
||
|
||
城市也是耗散结构。公司也是。帝国也是。
|
||
|
||
东印度公司是一个经典的耗散结构。它从印度次大陆汲取低熵资源(有组织的劳动力、精加工的纺织品、结构化的农业产出)，在内部维持伦敦金融城的高度有序运转(董事会决议、股息分配、舰队调度)，同时把熵(饥荒、去工业化、社会瓦解)排放到殖民地。
|
||
|
||
这个框架的厉害之处在于：它解释了为什么殖民者从来不觉得自己在做坏事。从耗散结构的内部视角看，它只是在"维持运转"。飓风不觉得自己在破坏海面。你的身体不觉得自己在"剥削"食物。东印度公司不觉得自己在殖民。它只是在做一个让系统保持低熵的事情：优化贸易路线。
|
||
|
||
今天的AI平台公司也是耗散结构。它们从用户端汲取低熵数据(你的搜索意图、消费偏好、社交关系、注意力时间)，在内部维持极低熵的算法有序度(推荐模型、定价引擎、广告竞价系统)，同时把熵排放到劳动力市场(技能贬值、岗位消失、收入极化)。OpenAI 2025年推理计算成本84亿美元，营收200亿。差额从哪来？从那些被AI替代了部分工作但还没失业的人的薪资差额中来。从那些企业省下的人力成本中来。
|
||
|
||
话术变了。"优化贸易路线"变成了"优化资源配置"。物理结构没变。
|
||
|
||
---
|
||
|
||
如果只有热力学框架，这篇文章就只是在说"天下乌鸦一般黑"。有意思的问题是：为什么这种汲取结构总能稳定存在？为什么被汲取的一方不反抗？
|
||
|
||
这里需要引入控制论。
|
||
|
||
W. Ross Ashby在1956年提出了必要多样性定律(Law of Requisite Variety)。原始表述很简单：只有多样性才能吸收多样性。翻译成人话就是：一个控制系统必须至少和它试图控制的环境一样复杂，才能有效地实施控制。用公式写就是 V(C) ≥ V(D)，控制器的多样性必须大于或等于干扰源的多样性。
|
||
|
||
这个定律的逆否命题更有启发性：如果你的多样性低于对手，你就会被对手支配。环境的复杂度超过了系统的应对能力时，环境就会主导并最终摧毁那个系统。
|
||
|
||
东印度公司能控制孟加拉，靠的从来都不是军队数量(早期真不多)，而在于它的组织多样性远超当地政权。它有全球贸易网络、金融工具(股票、债券、保险)、信息系统(定期的邮船报告)、法律工具(特许状、议会法案)。孟加拉的纳瓦布有什么？一支军队，一套税收系统，一个宫廷。多样性差距决定了控制方向。
|
||
|
||
现在看AI平台。一个普通劳动者面对AI系统时的多样性是多少？他有一套技能、一个社交网络、有限的资金、一天24小时。AI平台那边呢？它有算法多样性(几百个模型同时运行A/B测试)、数据多样性(几十亿用户的行为记录)、资本多样性(几百亿美元的投入能力)、时间多样性(7x24小时不间断运转，没有疲劳曲线)。
|
||
|
||
V(C)和V(D)之间的差距，比东印度公司对孟加拉纳瓦布的优势还大。
|
||
|
||
这就解释了一个看起来矛盾的现象：为什么AI时代的劳动者明明知道自己在被替代，却很少有效反抗。他们想反抗，但Ashby定律告诉我们，当多样性差距过大时，被控制方甚至无法准确识别控制正在发生。你只能感知到与你复杂度匹配的那部分现实。一个只有三个维度感知能力的系统，面对一个在十七个维度同时操作的控制器，它甚至不知道自己在被控制。它只是觉得"市场变了""技术进步了""这是大势所趋"。
|
||
|
||
这就是Ashby定律最阴暗的推论：足够复杂的控制看起来像自然规律。
|
||
|
||
---
|
||
|
||
第一个可操作的视角在这里浮现。
|
||
|
||
如果被控制的根源是多样性不足，那么个体的应对策略就很清楚：增加自己的多样性。这不是抽象的建议。它有具体的操作含义。
|
||
|
||
多样性在控制论中的度量方式是：一个系统能区分的状态数量。你能区分的状态越多，你的多样性越大。一个只会写代码的程序员，面对AI编程工具时的多样性极低，因为他的技能和AI的能力高度重叠，都在同一个维度上竞争。但如果他同时理解业务逻辑、能做用户研究、会写技术文档、懂法规合规，他的多样性就突然从一个维度跳到了四个维度。AI在每个单独维度上可能都比他强，但跨维度的组合能力是目前AI还做不好的。
|
||
|
||
这不是说"多学几样"这么简单。关键是学的东西之间要有正交性(orthogonality)。两个高度相关的技能(比如Python和JavaScript)增加的多样性很有限。两个正交的技能(比如Python和合同法)增加的多样性是乘法关系。东印度公司之所以能用几千人控制几亿人，正是因为它把军事、金融、法律、情报这些正交维度组合在了一起。
|
||
|
||
你要做的是在个体层面复制这个逻辑。
|
||
|
||
---
|
||
|
||
现在把时间尺度拉长，引入演化博弈论。
|
||
|
||
John Maynard Smith和George Price在1973年提出的鹰鸽博弈(Hawk-Dove game)描述了一个关于资源争夺的基本模型。鹰策略是：争到底，要么赢得全部资源，要么在冲突中受伤。鸽策略是：展示一下姿态，如果对方升级就退让，如果对方也是鸽就平分资源。
|
||
|
||
经典结论是：如果冲突的成本(cost)大于资源的价值(value)，种群会演化到一个混合均衡，鹰的比例等于V/C。冲突成本越高，鹰越少。这解释了为什么自然界大多数动物争斗都是仪式化的，很少真打到你死我活。
|
||
|
||
但这里有一个不对称变体特别值得注意：领地持有者效应(territory holder effect)。当博弈双方存在一个先验不对称性(比如一方已经占据了领地)时，演化稳定策略(ESS)变成：持有者打鹰，入侵者打鸽。持有者未必更强。纯粹因为双方都"知道"谁先到的。这个信息本身就足以打破对称性，让入侵者选择退让成为理性策略。
|
||
|
||
把这个映射到AI资本的语境中。平台公司是领地持有者。它们先占据了数据、用户关系、基础设施。后来者(无论是新公司还是劳动者)是入侵者。领地持有者效应预测：即使入侵者的实际能力和持有者相当，仅仅是"对方先到了"这个信息，就足以让入侵者选择退让。
|
||
|
||
这就是为什么Google搜索引擎市场份额在AI时代几乎没有下降。这就是为什么Amazon在电商领域的统治力没有被AI初创公司撼动。这就是为什么大多数劳动者面对AI替代时选择"适应"而不是"对抗"。这与理性计算无关。这是演化博弈论预测的行为模式：当不对称性足够明显时，鸽策略就是ESS。
|
||
|
||
但鹰鸽博弈有一个前提：博弈重复进行，种群规模足够大，长期均衡才能形成。如果博弈只进行一次呢？如果"输一次就死"呢？
|
||
|
||
这正是AI替代的独特之处。传统的劳动力市场替代(机械化替代手工)是渐进的，工人有时间转行。但AI替代可能是跳跃式的。一个翻译2024年还能接到活，2025年Copilot普及后突然接不到了。这不是一个重复博弈中的渐进调整。这是一次性博弈。而在一次性博弈中，鹰鸽博弈的均衡预测不再适用。单次博弈的理性策略取决于你对对手类型的先验信念。如果你相信对手是鹰(AI系统会替代你的全部工作)，你的最优策略就是切换赛道，对抗毫无意义。
|
||
|
||
第二个可操作的要点：判断你所在领域是重复博弈还是一次性博弈。如果技术替代是渐进的(比如AI辅助设计，设计师还有价值)，你可以选择"适应"策略，学会和AI协作。如果替代是跳跃式的(比如AI直接替代初级翻译)，唯一的理性选择是尽快退出这个博弈，进入一个新的赛场。别想着"提升竞争力"，直接换场。
|
||
|
||
---
|
||
|
||
回到热力学。Alfred Lotka在1922年提出了一个原则，后来被Howard Odum发展为最大功率原理(Maximum Power Principle)：在竞争环境中，那些能以最大速率捕获和转化能量的系统会获得选择优势。最终胜出的往往是功率最大的系统，而非效率最高的。
|
||
|
||
这个区分至关重要。效率是输出除以输入。功率是单位时间内的输出。一个系统可以效率很低但功率很大(像早期的蒸汽机，热效率只有5%，但绝对做功能力超过任何人力)。在自然选择中，生物体优化的目标始终是功率，而非效率。能在单位时间内捕获更多能量的有机体，就有更多资源分配给繁殖和生存。
|
||
|
||
东印度公司的扩张符合最大功率原理。它的"效率"其实很低：大量的资源浪费在军事冲突、腐败、管理摩擦上。但它的功率极大：单位时间内从印度次大陆汲取的资源总量远超任何竞争者。同样，今天的AI平台公司不是效率最优的组织。OpenAI 2025年烧了84亿美元计算成本，利润率为负。但它的功率极大：它在单位时间内对全球劳动力市场的重组能力超过历史上任何技术变革。
|
||
|
||
最大功率原理还有一个推论：在竞争压力下，系统会演化出能最大化通过自身的能量流的结构。这意味着系统会自发地去除任何降低功率的"瓶颈"。对东印度公司来说，瓶颈是印度本地的手工业者(他们的生产速度跟不上公司的汲取速度)，所以公司系统性地摧毁了印度的本土制造业，改为直接种植原材料出口。对AI平台来说，瓶颈是人类劳动者(他们的速度、一致性和可扩展性跟不上算法的需求)，所以系统正在系统性地用模型替代人工环节。
|
||
|
||
这无关恶意，纯粹是物理规律。高功率系统在竞争中淘汰低功率系统，就像热力学第二定律一样不以人的意志为转移。
|
||
|
||
---
|
||
|
||
但最大功率原理有一个约束条件：资源是有限的。
|
||
|
||
一个持续以最大功率汲取资源的系统，如果资源池是有限的，最终会耗竭资源池，然后自身崩溃。这正是东印度公司的结局。1757年到1858年，一百年。然后孟加拉的税基被榨干了，印度的手工业被摧毁了，公司本身也入不敷出了，英国政府不得不接管。
|
||
|
||
在热力学中，这种情况对应的是：一个耗散结构如果把它的"环境"当作一个封闭系统来消耗，最终系统和环境会趋向热平衡(即热寂)，不再有可利用的能量差。耗散结构本身也会消散。
|
||
|
||
AI平台面临同样的约束。它们的"资源池"是什么？是人类的购买力。是劳动者能花钱买产品的能力。当AI替代足够多的工作岗位，劳动者收入下降到一定程度，他们就买不起AI公司提供的服务了。这本质上是个热力学问题，跟政治无关。耗散结构需要持续的能量梯度才能维持。如果它把梯度消耗完了，它自己也完了。
|
||
|
||
Henry Ford在1914年把工人日薪翻倍到5美元时说的那句话，本质上就是这个意思：如果我的工人买不起我的车，我的车卖给谁？他可能不懂热力学，但他直觉地理解了耗散结构对能量梯度的依赖。
|
||
|
||
这引出第三个可操作的判断框架：评估一个AI公司(或任何平台)的长期可持续性时，不要只看它的增长曲线。看它的"环境"，也就是它汲取资源的那个池子，是在增长还是在萎缩。如果一个AI写作工具替代了自由撰稿人，但自由撰稿人群体随之收入锐减、开始退出这个行业，那么这个工具未来的"训练数据生产者"(高质量的人类写作者)就在减少。它在消耗自己的资源池。短期看它在增长，长期看它在接近热寂。
|
||
|
||
能区分"正在增长"和"正在接近热寂"的人，会做出完全不同的投资和职业决策。
|
||
|
||
---
|
||
|
||
把三个框架叠加在一起，你会看到一个完整的分析工具。
|
||
|
||
热力学告诉你：汲取结构的物理本质是什么(低熵资源流入，高熵废物流出)。它帮你穿透话术。"优化""赋能""提效"，所有这些词都是对同一个热力学过程的语言包装。当有人告诉你某个AI工具在"赋能"你的工作时，用热力学框架翻译一下：低熵从哪流入？流向谁？高熵排放到哪？留给谁？
|
||
|
||
控制论告诉你：为什么被汲取的一方很难反抗(多样性差距)，以及如何增加反抗能力(增加正交维度的多样性)。它给你一个个体层面的行动指南。
|
||
|
||
演化博弈论告诉你：什么时候该适应，什么时候该撤退(重复博弈vs一次性博弈)，以及为什么领地持有者总是看起来不可撼动(领地效应的本质是信息不对称，而非实力差距)。
|
||
|
||
最大功率原理告诉你：汲取结构的长期命运(资源池耗竭导致崩溃)，以及如何判断一个系统是在上升期还是在接近极限。
|
||
|
||
这四层分析工具合在一起，就是一套判断"谁在汲取谁、能持续多久、我该怎么站位"的框架。
|
||
|
||
---
|
||
|
||
回到开头的事实。印度在全球GDP中的占比从1700年的23%跌到1950年的4.2%。两百五十年，跌去了82%。东印度公司的董事们全程相信自己在做一件好事：把落后地区纳入全球贸易体系。
|
||
|
||
2024年，美国劳动收入占GDP的比重已经从1970年代的65%下降到60%以下，而且还在继续下降。AI公司的创始人们全程相信自己在做一件好事：用技术提升全社会的生产力。
|
||
|
||
物理结构相同。话术相同。自我认知也相同。
|
||
|
||
区别只有一个：东印度公司花了一百年耗竭孟加拉的资源池。AI平台可能只需要十年。因为信息传播的速度是光速，而帆船的速度是十节。最大功率原理在数字时代的功率，比蒸汽时代高了几个数量级。
|
||
|
||
你能做的事情很具体。第一，增加自己的多样性维度，让你不在任何单一维度上和AI正面竞争。第二，判断你所在领域的博弈类型，该切换赛道时果断切换。第三，当你评估任何AI产品或公司的前景时，看它的资源池是在扩大还是在萎缩。那些正在消耗自己资源池的系统，无论当前增速多漂亮，热力学第二定律都会收走终局账单。
|
||
|
||
殖民结构最隐蔽的特征是：身处其中的人觉得这是自然秩序。1770年的孟加拉农民觉得交税给公司是天经地义的。2026年用免费AI工具交出自己数据的用户觉得这是技术进步的红利。两者之间的共同点在于Ashby定律的作用：当控制者的复杂度远超被控制者时，控制本身变得不可感知。
|
||
|
||
唯一的解药是提升你自己的复杂度。目的不在赢，在于看见。
|