（来源：新发展研究院 中国银河证券新发展研究院）

导读

当前人工智能技术的爆发式迭代，正在深刻重塑生产方式、社会关系与全球权力格局。然而公共领域的主流叙事始终困于双重认知迷思：要么将AI神化为自主演进的独立技术主体，渲染人机对立的末日焦虑；要么将其简化为中性的效率提升工具，沉迷于技术参数优化的路径依赖。两类叙事共享同一个意识形态遮蔽：它们都刻意消解了人类内部的利益分化与分配冲突，将资本主导的技术发展路径包装为不可阻挡的客观必然，回避了“AI为谁服务、由谁控制”这一核心政治命题。

本书跳出纯技术视角，以政治经济学为分析框架，系统拆解了人工智能的技术本质、权力结构与社会影响，核心主张是：人工智能并非中立的技术工具，其发展方向与应用逻辑由控制“预测手段”的主体决定；当前主流AI叙事通过意识形态遮蔽将分配冲突包装为技术问题，而实现AI普惠发展的根本路径，是建立对AI目标与核心资源的民主治理。

书籍内容

当前公共讨论与行业叙事普遍存在三大认知偏差，构成了对AI社会本质的意识形态遮蔽。

第一，将AI塑造为独立于人类社会的“外部主体”，构建“人机对立”的冲突框架。无论是“AI存在风险”的末日叙事，还是“AI替代人类”的失业叙事，都刻意消解了人类内部的利益分化与分配冲突，将科技企业的利益包装为全人类的共同利益。

第二，将技术发展路径描述为不可阻挡的客观必然，用“技术决定论”否定社会选择的空间。“如果我们不做，其他国家就会做”的话术，本质是用竞争焦虑压制对技术方向的公共讨论，将资本主导的技术路径合法化。

第三，将所有社会问题简化为“优化错误”，主张靠技术升级与专家修正解决问题。这种框架默认算法的目标本身是合理的，只存在“实现得好不好”的技术问题，完全回避了“目标是谁设定的、为谁的利益服务”这一核心政治问题。

本书重新定义了人工智能的本质：AI是一套自动化决策系统，其核心逻辑是通过数据与算法，在给定的行动空间内最大化可测量的目标（奖励函数）。一个完整的AI决策问题包含四个要素：一是行动空间，即算法可选择的操作范围；二是目标函数，即算法需要最大化的奖励或最小化的损失；三是先验知识，即内置的规则与约束；四是数据，即算法可调用的经验信息。

这一技术定义与经济学的理性人假设形成对话：经济学假设人会最大化自身效用，是描述性判断；而AI研究致力于让机器实现目标最大化，是规范性工程。二者共享“优化”的底层逻辑，但AI的单一目标属性与社会的多元利益属性存在根本冲突。由此本书提出，评价AI的根本标准不应是“优化得好不好”，而应是“是否增进社会福利”。社会福利的判断需要回答三个核心问题：其一，谁的福利应当被纳入考量；其二，如何衡量个体的福利水平；其三，如何在不同群体的福利之间做权衡，也就是如何处理不平等与分配冲突。

本章的核心目的是破除技术神秘主义，证明公众无需掌握工程细节，即可参与AI的公共治理。

监督学习是当前应用最广泛的AI范式，其核心是从历史数据中学习特征与结果的关联，对新样本做出预测。从在线广告投放、内容推荐，到招聘筛选、司法风险评估、医疗诊断，甚至军事目标选定，本质都是预测问题。

本书提出了“识别”（identification）这一关键概念：当数据量足够充足时，无论使用线性回归、随机森林还是深度学习，所有监督学习算法都会收敛到同一个最优解，也就是真实的条件概率。这意味着，算法的技术选型在大数据场景下是次要问题，真正决定社会影响的，是“预测什么”“用预测结果做什么决策”。例如大学招生算法，核心争议不是用什么模型预测成绩，而是“该不该用考试成绩作为唯一录取标准”——这是一个社会选择问题，而非技术问题。这一结论为民主参与AI治理提供了理论支撑：公众不需要理解算法的技术细节，只需要对决策目标与后果进行审议。

同时，监督学习存在根本局限：它无法学习从未观测过的数据分布，也无法识别因果关系，只能捕捉相关性。这决定了纯数据驱动的AI在罕见场景、创新领域的应用存在天花板。

所有学习算法都面临过拟合与欠拟合的双重困境，如同奥德修斯穿越墨西拿海峡时遭遇的两头怪兽。欠拟合是模型过于简单，无法捕捉数据中真实存在的规律；过拟合是模型过于复杂，将数据中的随机噪声当成普遍规律，产生“迷信”。

调节这一平衡的核心杠杆是模型复杂度，对应方法论上的奥卡姆剃刀原则：在同等效果下优先选择更简单的模型。交叉验证、留出样本、早停等技术，本质都是通过样本拆分模拟真实预测场景，找到模型复杂度的最优平衡点。本书指出，大数据时代深度学习的兴起，本质是数据规模的提升大幅降低了过拟合风险，使得复杂模型能够同时实现低偏差与低泛化误差。这也说明，AI的进步更多源于数据与算力的扩张，而非基础理论的颠覆性突破。

本书专门破除了“深度学习=人工大脑”的营销口号。从技术本质看，深度学习是通过多层简单函数的堆叠，构建复杂的预测函数，“深度”仅指函数的层级数量。神经网络中的“神经元”是高度简化的计算单元，与生物神经元存在三点根本差异：第一，人工神经网络通过反向传播更新参数，而生物神经元不存在反向传递信息修正连接的机制；第二，生物神经网络存在大量循环与反馈回路，而主流人工神经网络是单向前馈结构；第三，人工神经元的设计优先考虑计算简便性，而非模拟生物真实运作机制。

基于深度学习的发展，生成式AI实现了突破：自监督学习解决了标注数据不足的瓶颈，通过“预测下一个词”“从噪声还原图像”等方式，从海量无标注数据中学习规律；Transformer架构通过自注意力机制处理长距离语义依赖，成为大语言模型的基础；扩散模型则实现了高质量图像生成。但生成式AI的崛起也伴随着深刻的产权问题：训练数据大量来自公有领域内容与受版权保护的作品，本质是对数字公共资源的圈地运动。

当AI需要通过行动获取数据、边做边学时，就进入了强化学习的范畴。这类场景的核心矛盾是探索与利用的权衡：是选择已知最优的选项获取收益，还是尝试新选项以获得更优的长期回报。多臂老虎机算法是解决这一矛盾的基础方案，遵循“面对不确定性保持乐观”的原则，在收益未知的选项上适度投入试错。

更进一步的强化学习引入了状态转移与长期规划，通过学习不同状态的长期价值，实现序列决策优化，AlphaGo就是深度强化学习的典型成果。但强化学习在现实场景中存在严重局限：一是现实世界是部分可观测的，算法无法掌握全部环境信息；二是强化学习极其消耗数据，需要海量试错，而现实场景无法承担试错成本。这决定了纯强化学习很难直接落地于高风险的真实场景。

本章借鉴马克思“生产资料”的概念，提出了“预测手段”（Means of Prediction）这一核心概念，指出控制预测手段就是控制AI的发展方向与利益分配。预测手段包含数据、计算基础设施、技术专家、能源四大要素，对每类要素的产权属性、可扩展性与外部性的分析，构成了AI政治经济学的基础。

数据是AI的基础资源，也是当前圈地运动最激烈的领域。数据主要有三个来源：一是互联网用户的行为数据，由科技公司通过监控式资本主义模式无偿采集；二是公有领域的知识资源，包括维基百科、开源代码、公开学术成果等；三是受版权保护的创作内容，包括文字、音乐、图像等。

本书提出了数据外部性理论：机器学习的核心是挖掘群体层面的统计规律，而非个体数据本身。一个人的数据可以用来预测另一个人的行为，因此数据采集会产生广泛的外部性。这一属性决定了两大关键结论：

第一，个人数据产权制度无法保护个体免受算法伤害。无论是GDPR赋予的数据控制权，还是差分隐私技术，都只能保护“个体是否被纳入数据集”，但无法阻止算法利用群体规律对个体做出判断。只要有足够多的同类人贡献了数据，算法对个体的预测就不会受影响，个体也就无法通过拒绝提供数据来保障自身权益。

第二，数据的可扩展性存在领域差异。游戏类场景可以通过自我对弈生成无限数据；通用语言与图像可以从互联网获取海量数据；但罕见病诊断、宏观经济预测等领域，数据存在天然上限，纯数据驱动的AI会遇到天花板。

计算基础设施是AI的硬件底座，呈现高度垄断格局。GPU市场由英伟达占据90%以上的份额，云计算市场由少数科技巨头主导，芯片生产的高固定成本形成了极强的规模壁垒。算力的地缘政治竞争日益激烈，芯片出口管制、本土芯片产业扶持成为大国博弈的核心议题。

技术专家是AI的人力要素。AI的基础理论大多是公开的学术成果，但大规模模型的调优技巧属于企业商业秘密。短期内AI专家供给有限，具备一定议价能力；但长期来看，知识扩散会降低专家的稀缺性，工程师的个体权力会逐步弱化。

能源是AI运行的物理基础。大模型训练与推理消耗巨量电力，数据中心能耗占全球用电量的比例持续上升。作者引用辛顿的观点指出：数字信息的可复制、可永久存储特性，是以极高的能耗为代价的；生物大脑虽然易错、无法直接拷贝，但能耗远低于数字系统。AI的能源消耗带来了严重的负外部性，加剧了气候变化风险。

作者系统评估了不同社会主体推动AI向善的潜力，否定了“靠工程师伦理自觉”的主流路径。在利润最大化的企业制度约束下，个体工程师的伦理空间极其有限；将伦理问题转化为“商业案例”，本质还是用利润逻辑收编伦理诉求。

各类主体的变革潜力如下：

1.工人群体：是最具变革潜力的主体，但内部分化明显。高薪科技工程师掌握技术细节，但普遍认同个人奋斗叙事，组织化程度低；点击工人、零工工人、仓库工人受算法管理直接压迫，但分散化、流动性高，组织难度大；全行业的普通劳动者受AI就业冲击，有动力争取话语权。北欧的参与式设计实践证明，当工人拥有组织权力时，可以推动技术向增强劳动能力、改善工作条件的方向发展。

2.消费者：力量受网络效应严重制约。平台通过封闭生态制造转换成本，经历“先补贴吸引用户、再锁定生态、最后收割利润”的“垃圾化”（enshittification）过程。消费者的零散抵制难以形成有效压力，只有配合监管打破网络效应、推行互操作性，才能提升消费者议价权。

3.媒体与公共舆论：可以通过曝光丑闻推动议程设置，影响企业品牌形象，但容易被企业公关与“负责任AI”的营销话术消解。

4.国家与法律：是最具制度性力量的主体，可运用的政策工具包括：知识产权规则、隐私立法、反垄断与互操作性要求、劳动共决制度、反歧视法、劳动保护法等。

接下来，本章对价值对齐、隐私、自动化、公平性、可解释性五大核心治理议题进行了逐一分析，批判了主流技术化治理路径的局限，提出了以民主治理为核心的替代方案。

主流价值对齐研究以“回形针最大化”的思想实验为原型，关注AI因目标错配毁灭人类的末日场景。本书指出，这是一种避重就轻的叙事：现实中最紧迫的价值错位，不是AI与全人类的冲突，而是控制AI的资本与社会公众的利益冲突。社交媒体算法放大极化情绪、招聘算法歧视育儿责任群体、保险算法筛选慢性病患者，都不是“优化错误”，而是精准实现了利润最大化的目标——其伤害是算法正常运作的结果，而非故障。

从委托代理理论的视角看，价值对齐的根本困境是多任务问题：当目标的关键维度不可测量时，强激励必然导致行为扭曲。如同应试教育会让教师忽视批判性思维培养，社交媒体算法会为了点击量牺牲公共讨论质量。反向强化学习等技术方案无法解决这一问题，因为不可测量的维度始终无法被纳入奖励函数。短期来看，可以通过皮古税、监管处罚将社会成本内部化；长期来看，只有民主控制算法目标，才能实现真正的价值对齐。

隐私治理的主流路径分为技术派的差分隐私与法律派的个人数据产权。差分隐私通过向输出结果添加随机噪声，保证个体是否在数据集中无法被识别，是严谨的隐私保护技术。但本书指出，差分隐私只能保护“个体数据的存在性”，无法保护个体免受群体统计规律的伤害。保险公司可以在满足差分隐私的前提下，从人群数据中学习健康规律，据此拒保高风险人群——个体的隐私权益看似得到了保护，但实际利益受到了损害。

以GDPR为代表的个人数据产权制度同样存在根本缺陷：由于数据外部性的存在，个体是否提供数据不影响最终的算法效果，个人也就无法通过行使数据权利来抵御算法伤害。因此，隐私保护的根本出路不是个人产权，而是集体治理：通过数据税、行业监管、数据信托等机制，由受影响群体共同决定数据采集与使用的规则。

关于AI与就业的讨论长期在“技术乐观论”与“失业末日论”之间摇摆。本书指出，技术对劳动的影响不是预先注定的，而是由技术的设计方向与控制权决定的。

从经济学原理看，技术进步必然提升平均生产率，但对边际生产率的影响是不确定的：自动化技术替代工人劳动，会降低工人的边际生产率，压低工资、减少就业；增强型技术提升工人的能力，会提高边际生产率，带动工资上涨。历史上的卢德运动、技能偏向型技术变革、劳动市场极化，本质都是技术路径选择的分配结果。

因此，应对AI的就业冲击，不能只靠再分配补偿，更要从源头干预技术方向。通过工会参与、共决制度、参与式设计，让工人拥有技术部署的话语权，才能推动AI走向增强劳动、共享繁荣的路径。

算法公平研究存在两种根本对立的范式。第一种是贝克尔范式，源自芝加哥学派的歧视经济学：将歧视定义为“对利润最大化的偏离”，算法偏差就是预测不准导致的利润损失。按照这一范式，只要算法精准实现了利润最大化，就不存在歧视。第二种是福利范式，源自马丁·路德·金的正义观：公平的核心是分配后果，是弱势群体的福利与权利，而非企业利润是否最大化。

本书批判主流算法公平研究深陷贝克尔范式，用数百种技术定义衡量“预测偏差”，却从不追问“用预测结果分配机会是否正义”。平权行动在公平范式下被视为“对效率的偏离”，但在福利范式下是纠正结构性不平等的必要手段。真正的算法公平，应该从“是否偏离利润”转向“是否增进社会正义”。

可解释性研究通常关注两类问题：一是解释决策函数的内部逻辑，供工程师调试；二是解释单个决策的原因，供个人申诉。本书提出，对民主治理最重要的是第三类可解释性：对决策问题本身的解释，也就是说明算法在最大化什么目标、基于什么数据、拥有哪些行动选项。

当前的可解释性讨论过度聚焦技术黑箱，无形中强化了“AI太复杂、公众不懂、只能交给专家”的叙事。但正如“识别”概念所揭示的，大数据下不同算法的结果趋同，技术细节不是影响社会后果的关键。公众真正需要知道的，是算法的目标是谁设定的、为了谁的利益、会带来什么分配后果。推动目标透明与决策审议，才是可解释性的核心价值。

作者在结论部分指出，AI带来的挑战并非全新事物，而是人类古老命题的当代呈现：如何从经验中学习、如何在世界中行动、如何构建良善正义的社会。应对AI的社会风险，不能局限于技术修补与企业自律，必须推动制度层面的深层变革，实现对预测手段的民主控制。

作者批判了传统代议制民主与直接民主的局限，提出可以探索更丰富的民主形态：一是抽签制（Sortition），通过随机抽样产生代表性议事机构，进行深度审议后形成决策，避免职业政客的利益绑定；二是流动式民主（Liquid Democracy），允许选民灵活委托与撤回投票权，兼顾直接民主的参与性与代表制的专业性；三是经济民主，将民主治理延伸到企业内部与工作场所，让劳动者拥有技术部署的话语权。

本书最后强调，民主治理不能停留在象征性的“公众咨询”层面，必须赋予公众实质的决策权力。只有当受AI影响的群体真正掌握了对预测手段的控制权，能够决定AI的目标与应用边界时，人工智能才能从资本积累的工具，转变为增进全社会福祉的力量。这一目标不仅是技术治理的任务，更是整个社会的政治议程。

思考与拓展

作者将AI从纯工程学议题还原为关乎权力、分配与正义的政治经济命题。其提出的“预测手段”，既承接了政治经济学对生产资料控制权的经典分析，也精准切中了数字时代资本积累的新形态，为理解当下AI产业的垄断格局与社会冲突提供了有力的分析工具。

然而，“预测手段”的垄断逻辑与传统生产资料存在本质差异，书中对此的区分仍不彻底。工业时代的生产资料垄断依靠排他性占有，而AI时代的数据垄断本质是规模优势下的边际收益递增——数据本身可复制、非排他，但模型性能随数据规模非线性提升，最终形成“赢者通吃”的闭环。这意味着仅靠产权拆分无法打破垄断，即便开放数据，中小主体也缺乏算力与工程能力将其转化为同等性能的模型。真正的民主化不仅是分配数据产权，更是建立普惠性的算力公共基础设施与公共模型服务体系。同时，书中“技术祛魅—公众参与”的推导存在理想化倾向。其核心判断是公众无需懂技术细节，只需审议决策目标，但现实中目标与技术可行性深度绑定：当企业以“技术实现不了”为由拒绝调整算法目标时，普通公众缺乏鉴别能力，审议极易沦为形式。真正的民主治理不能简单切割“目标”与“技术”，应让公众在充分知情的前提下做价值选择，而非在“专家黑箱”和“外行决策”之间二选一。

从根本上看，这场围绕“预测手段”的权力讨论，最终指向的是数字文明的价值底色。人工智能从来不是外在于人类社会的独立革命，而是对现有权力结构、分配秩序与价值体系的技术投射——资本对预测手段的垄断，本质是把社会生活的广阔领域逐步纳入利润最大化的单一函数之中，让效率逻辑持续挤压正义、关怀与人的多元发展空间。因此，推动预测手段的民主化，绝非单纯的技术治理改良，而是数字时代对人的主体性的重新锚定。它要回答的终极问题从来不是“如何让AI更先进”，而是“AI的进步究竟要服务于谁的美好生活”。

推荐人：杨晓