数字资本的竞逐性经济

1897 至 1908 年间，不列颠哥伦比亚省 Quatsino 的 potlatch。Benjamin William Leeson 摄。公有领域图片，来源为 Wikimedia Commons（Leeson, ca. 1897–1908）。这一历史影像应放回其殖民语境中阅读，不能被视为对 potlatch 仪式多样性的完整呈现。

关于资料来源与比较范围的说明

本文以 Jon Hernández 对 Daron Acemoglu 的访谈为出发点。该访谈于 2026 年 7 月 16 日发布在 YouTube 频道 Inteligencia Artificial 上（Hernández, 2026）。

本文将当代人工智能经济与 potlatch（通常译作“夸富宴”）相比较，这是一种分析性类比，而不是历史或文化上的等同。Potlatch 不能被简化为非理性挥霍，也不能被简化为以竞争方式毁弃财富。对于北美西北海岸的不同原住民族而言，它过去是、现在仍然是一种政治、法律、仪式与经济制度，与再分配、等级、记忆、领地、名称以及权利传承紧密相连（Royal BC Museum, n.d.）。本文的类比仅限于一个具体问题：财富的展示、流通以及某些情况下的有意损失，如何生产声望、义务与等级关系。

对 hau 的援引也需要同样谨慎。Mauss 借助这一毛利语范畴思考使礼物持续流通的力量。将 hau 解释为“赠与者留存在物品中的精神”，长期以来一直受到广泛讨论，其中也包括毛利学者对这一概念被欧洲中心主义挪用的批评（Frank, 2016; Stewart, 2017）。本文并不把一种毛利本体论移植到数字世界，而是借助围绕 Mauss 的争论追问：看似免费的物品为何仍与提供者保持联系，又有哪些依赖关系随礼物一同进入接收方的生活。

人工智能常被描述成一种依靠自身力量不断前进的技术。在这套叙事中，模型规模持续扩大，能力不断增加，社会只能适应一个早已被决定的技术方向。制度随后才出现，用来纠正伤害、发放补偿或控制风险。然而，这种顺序颠倒了问题。创新的方向从一开始就受到经济激励、权力集中、文化想象以及“哪些问题值得解决”这一系列决定的塑造。

关键在于，谁来界定生产率的提升，谁能占有其成果，并把这些成果转化为持久的权力。一个经济体可以用更少的岗位生产更多产品，并把这种削减称为生产率提高。它也可以利用同一种技术扩展劳动者的能力、创造新任务，并提供过去无法获得的产品与服务。两条路径都可能提高某些效率指标，却会塑造截然不同的社会。

将 Daron Acemoglu 与 James A. Robinson 的制度经济学同礼物人类学结合起来，可以用另一种方式表述这一困境。Why Nations Fail（《国家为什么会失败》）指出，繁荣不仅取决于资源或技术是否可得，还取决于制度能否分配机会并限制精英群体的榨取（Acemoglu & Robinson, 2012）。Mauss（1925）、Codere（1950）、Piddocke（1965）、Kan（1989）以及经济人类学的其他传统则表明，制度并不止于宪法、合同和产权。制度也体现为给予、接受与回赠的义务，体现为公共仪式，也体现为将财富转化为正当声望的集体机制。

由此可以提出本文的核心论点。人工智能经济正在日益呈现出一种竞逐性形式。少数企业通过展示与牺牲资本展开竞争，以补贴方式分发技术访问权，并把这种表面上的慷慨转化为基础设施依赖与政治权威。Potlatch 中的声望与流通、互惠和承认等公共义务相联系；与之不同，数字制度允许行为主体积累合法性，却无需提供对等的社会回报。因此，人工智能的制度性难题，是如何把技术权力转化为可执行的再分配、开放、参与以及扩展人类能力的义务。

生产率幻象

Acemoglu 对这场讨论的一项核心贡献，是把具体任务中可见的收益与宏观经济效果区分开来。一个人可以更快地写作、总结文件、生成代码，或自动化部分客服流程。一家企业也可以在某一流程中节省数小时。然而，这些变化都不能保证总产出会按同样比例增长。

通用技术的扩散要求企业重组、团队培训、系统调整、错误吸收，并且往往需要整条工作链的转型。在受控实验中观察到的收益，并不会自动转移到那些高度依赖情境、责任、社会互动、默会知识或应对意外能力的职业中。

在 The Simple Macroeconomics of AI 中，Acemoglu（2025b）估计，人工智能在十年内可能使全要素生产率提高不到 0.53%。这一贡献并非无关紧要，却远低于最乐观的预测。在 2026 年 7 月的访谈中，他再次认为，短期内能够被有利可图地自动化的任务比例大约为 5%（Hernández, 2026）。这些数字依赖特定假设，是估计而不是封闭式预测。其意义在于提醒我们：一项任务在技术上“暴露于自动化”，并不等于它能够以有利可图、可靠或社会可接受的方式被自动化。

微观绩效与宏观结果之间的距离，并不意味着技术无关紧要。它说明，生产率首先是一种社会关系，其次才是工具本身的孤立属性。节省下来的时间可以转化为新产品、更好的服务和学习机会，也可以被用于裁员、强化劳动节奏，或把“必须生产更多”的责任转嫁给员工，却不相应改善工资和劳动条件。工具本身并不决定哪一种可能性最终占据主导。

Acemoglu、Autor 与 Johnson 的研究进一步细化了自动化与面向劳动者的人工智能之间的区别。他们提出的类型学区分了技术变迁的五种方向（Acemoglu, Autor, et al., 2026）：技术可以增强劳动、增强资本、自动化任务、拉平专业能力差距，或创造新任务。所谓 expertise-levelling，可以使经验较少的人完成过去只有专业人员才能承担的工作，但也可能使专业能力变成一种供给充足的商品，从而降低其报酬。只有创造新任务能够明确地有利于劳动者，因为它会形成对人类能力的新需求，而不是仅仅降低现有任务的成本。

难点在于，当前激励机制偏向自动化。一家企业可以相对容易地计算，取消一项任务或不再补招一个职位能够节省多少成本。相比之下，培训一个人、提升公共服务质量或创造广泛分布的能力所产生的社会收益，却更难被私人主体独占。当市场奖励即时降本和封闭平台的所有权时，技术发展就会倾向于替代，即使其他应用具有更高的社会生产力。

智能体式人工智能可能进一步强化这种张力。本文所说的智能体系统，是指能够连续执行行动、调用工具，并以不同程度的操作自主性追求目标的系统。近期进展更像一种阶段性演化：突破与吸收期相互交替，而不是一条恒定、可预测的指数曲线。因此必须避免两种简化。第一种因为当前系统仍然脆弱，便否认快速进步的可能性。第二种则认为，这些进步必然会在短期内导向一种能够承担所有人类职能的通用人工智能。

当前模型在可靠性、情境理解、社会互动、责任归属和物理行动方面仍存在重要限制。这些限制未必永恒，也未必不可克服，但它们依然是尚未解决的结构性问题。即使技术能力出现显著提升，也仍然必须通过组织、专业规范与法律责任的过滤。经济问题还包括：模型能够可靠地做什么，为谁服务，在何种监督下运行，以及由谁承担错误的后果。

从国家制度到技术制度

在 Why Nations Fail 中，Acemoglu 与 Robinson（2012）区分了包容性制度和榨取型制度。前者分配机会，限制权力的任意行使，并使社会中的广泛群体能够参与经济活动。后者则组织社会，把资源与租金转移给占主导地位的群体。这一区分并不是在描述两种纯粹状态，而是用于分析过程、冲突与反馈循环。

经济资源的分配会产生事实上的政治权力。掌握资本、信息、媒体或战略基础设施的主体，即使没有正式执政，也能够影响规则。这种影响力有助于建立保护其地位的制度，从而造成进一步集中，并再次扩大其权力。只要存在多元主义、社会组织以及能够把私人财富置于公共义务之下的制衡力量，这一循环也可能被逆转（Acemoglu et al., 2005）。

人工智能放大了这一机制，因为其基础设施叠加了多层集中。开发前沿模型需要巨额资本、先进芯片、能源、数据中心、网络、专业人才以及对海量数据集的访问。系统的日常使用也通过云服务、应用程序接口和平台来组织；这些平台可以记录交互、制定价格，并单方面改变使用条件。

我们没有必要假设所有科技企业之间存在完全协调。只需观察到这样一种结构即可：少数组织拥有不成比例的权力，能够决定训练哪些模型、纳入哪些语言和知识、哪些应用获得投资，以及哪些风险被视为可以接受。在作为本文出发点的访谈中，Acemoglu 用一个刻意具有冲击力的说法概括这种集中：一种具有变革性的技术被留在了“五到十个人”手中（Hernández, 2026）。

这种混合制度既没有取代国家，也不是在国家之外运行。它形成于跨国企业、产业政策、知识产权、公共采购、金融市场、能源监管和地缘政治竞争的交叉地带。国家资助研究、划拨土地和能源、购买服务、限制出口，并决定哪些基础设施属于战略资源。国家可以成为民主制衡力量，也可以成为集中过程的合作伙伴，或成为同一场竞逐性竞争的参与者（Acemoglu, 2025a）。

地缘政治进一步强化了这一趋势。与中国的竞争经常被用来把任何监管描述成对技术领导权的单方面放弃。这种论证确实包含对安全、供应链和威权式数字控制模式的真实担忧，但它也可能成为封闭讨论空间的装置。当所有选择被缩减为西方大企业与威权国家之间的竞赛时，民主治理、国际合作、开放科学和公共能力便会从讨论中消失。

于是，社会被迫在企业加速主义和全面国家控制之间做出虚假选择。制度分析可以提出一个更有建设性的问题：怎样的权力分配能够既允许创新，又不把单方面定义共同未来的能力交给基础设施控制者？

然而，这个问题仍然留下第二个难题。Why Nations Fail 解释了规则与事实上的权力如何使榨取成为可能，却较少提供理解“榨取如何变得令人钦佩、不可避免或在道德上可接受”的词汇。集中并不仅仅依靠合同和准入壁垒维持，它还需要仪式、承诺与公开展示，把私人支出转化为社会领导权。正是在这里，礼物人类学不再只是装饰性的补充，而成为必要的分析工具。

作为关键节点的人工智能

Acemoglu 与 Robinson（2012）把战争、危机、经济转型或创新打破既有平衡，并扩大制度路径可能性的时期称为关键节点。初始差异即使很小，只要与这些断裂相互作用，也可能产生显著分化的结果。

人工智能可以被理解为一个技术性的关键节点。这并不意味着模型本身是一种足以在制度之外重塑制度的外部事件。这个节点由技术能力、巨额投资、劳动重组、地缘政治竞争和监管决定共同构成。其“关键性”在于，这些力量正在动摇围绕知识、就业、知识产权和国家能力形成的既有安排。

社会如何回应，将决定这种断裂是强化榨取循环，还是打开一条更具包容性的路径。第一种可能性会导向榨取型制度漂移。公共支持巩固私人基础设施，免费访问制造依赖，自动化削弱集体谈判，而地缘政治例外主义降低民主控制。其结果可能接近某些理论所谓的“数字封建主义”，但这一比喻必须谨慎使用。这里并不是封建关系的字面回归，而是一种结构：对关键生产与知识手段的访问，依赖于能够规定持续使用条件的基础设施领主。

第二条路径则把断裂转化为生产率的民主化。算力、数据与模型被组织成多元基础设施；劳动者参与设计；公共支持产生开放义务；自动化被置于创造能力和新任务的目标之下。两条路径都不是必然结果。关键节点扩大了可能性，同时也加剧了封闭这些可能性的斗争。

这种偶然性十分重要。技术性 potlatch 并不是写入人工智能本性的宿命，而是在规模、金融声望和基础设施控制获得的承认高于社会收益流通时，出现的一种历史性竞争形式。

超越“挥霍”的 potlatch

Mauss（1925）把礼物分析为一种“总体性社会事实”。给予、接受与回赠，并不是从宗教、法律或政治中分离出来的经济操作，而是同时调动这些维度的行动。礼物并非现代意义上“不产生任何后果的无偿转移”。它会创造关系、记忆、义务与债务。

Potlatch 在这一分析中占据核心位置。它由北美西北海岸的不同民族实践，并不是一种同质化的制度，也不能被简化为殖民时期早期人类学留下的描述。在 Kwakwaka’wakw、Haida、Tlingit 及其他民族的语境中，这些仪式曾经并继续承担分配物品、确认名称与身份、传递权利，以及召集共同体作为见证者的功能。加拿大殖民政权对 potlatch 的禁令，所要摧毁的正是这种政治与文化能力（Royal BC Museum, n.d.）。

Codere（1950）把 Kwakwaka’wakw 的 potlatch 描述成一种“以财产进行斗争”的方式。竞争可以从身体暴力转移到由分配、债务和财富展示所规制的较量之中。Kan（1989）在对 Tlingit 丧葬 potlatch 的研究中进一步指出，交换也组织着记忆、哀悼，以及生者与逝者之间的连续性。这些研究使我们无法把 potlatch 简化为一场追逐经济声望的竞赛。财产是在亲属关系、法律、领地与记忆所构成的世界中流通的（Rosman & Rubel, 1972）。

Piddocke（1965）还提出，可以把南部 Kwakwaka’wakw 的 potlatch 理解为不同群体之间的再分配机制。这些群体会受到生态和生产波动的影响，而围绕等级展开的竞争，能够推动剩余资源流向暂时处于短缺状态的共同体。象征性的竞争与物质性的生计并非彼此排斥的功能。

这种解读必须避免理想化。Potlatch 也可能再生产等级、制造债务，并排除不处于特定位置的人。它的分析价值恰恰在于说明，流通不会消除权力，而会组织权力，并使权力变得可见。财富之所以转化为权威，是因为一个共同体承认某一主体的分配能力，并保存对由此产生的义务的记忆。

Bataille（1949）借助 potlatch 思考一种“普遍经济”，即社会会生产必须被耗费的剩余。他对非生产性支出和损失的强调，有助于分析那些首先面向声望、而不是面向即时回报的投资。不过，如果缺少谨慎，这一解读会再次把原住民族制度表现为毁灭性的景观。只有在服从真实 potlatch 制度的政治、法律和再分配复杂性的前提下，“耗费理论”在本文中才具有意义。

技术性 potlatch 及其公众

当代人工智能竞赛可以被理解为一种声望经济。企业之间的竞争并不只围绕客户或当期利润展开，它们还在争相证明，自己拥有建造未来所需的规模。数据中心、芯片集群、能源投资和更大模型的公告，会向投资者、政府、专业人员、依赖平台的企业以及竞争对手发出信号。

支出会生产权威。能够承诺投入数百亿乃至数千亿美元的企业，看起来像一个无法绕开的主体。它的经济规模由此转化为象征资本。用 Bourdieu（1986）的语言来说，物质资本获得了一种被社会承认为能力、领导地位和“代表未来发言之权”的形式。

数字让这种展示的规模变得可测量。2026 年 2 月，Reuters 估算 Alphabet、Microsoft、Amazon 与 Meta 当年计划合计投入超过 6000 亿美元，其中很大一部分用于扩展与人工智能相关的能力（Raitano et al., 2026）。以 Alphabet 为例，该公司把全年资本支出预测定在 1750 亿至 1850 亿美元之间，并表示其中约 60% 将用于服务器（Alphabet Inc., 2026）。这些预测可能发生变化，而且并非所有支出都构成损失。然而，它们说明，持续承担如此规模投资的能力，已经同时成为竞争壁垒和技术主权的公共信号。

如果要把这种动态称为竞逐性的，那么其中有意毁弃或损失的部分究竟在哪里？并非每一次硬件采购都是仪式性的毁坏。建筑、电力连接、光纤以及部分冷却系统可以使用多年。专用加速器的替换与折旧周期更短，但不存在一条普遍规律，规定它们会在十二或十八个月内完全失去价值。

损失产生于一组相互结合的实践。风险资本被持续“烧掉”，以维持低于完整成本的价格；为了留在技术前沿，仍可使用的硬件世代被提前淘汰；为了不依赖竞争对手，基础设施被重复建设；商业回报尚不确定的模型也被投入训练。能够吸收这些损失的主体，可以迫使较小企业退出，或融入能够长期承受亏损者的基础设施。毁灭不一定是每一笔投资的自觉目标，但它作为一种准入条件发挥作用，把偿付能力变成竞争武器。

金融损失之外，还存在不那么显眼的物质性毁坏。数据中心聚集了不断增长的电力需求；当它们采用蒸发式冷却时，也会消耗大量水资源，而这种压力在缺水地区尤其突出。硬件的快速制造与更替还需要关键矿产，并产生电子废弃物（International Energy Agency, 2025; United Nations Environment Programme, 2025）。因此，短周期硬件赋予这一比喻以物质维度：它像一种为了展示能力而被折毁的当代财富，但其生态代价却被排除在金融仪式之外。

技术性 potlatch 还面对一个碎片化的公众。这里没有一个统一的仪式共同体，能够记录义务并要求互惠。金融市场把支出视为增长信号；专业媒体把产品发布和基准测试变成事件；政府把规模解释为主权；开发者共同体则通过可比性经常受到质疑的性能榜单评估能力。这些公众都会承认声望，却没有任何一个主体单独拥有足以强制要求社会回报的权威。

互惠甚至可能采取负面形式。发布一个获得补贴的模型，或提供开放权重的模型，可能迫使竞争企业降价、重做产品或增加自己的支出。当“赠与者”能够放弃竞争者赖以生存的收入时，“慷慨”本身就具有羞辱性。这并不意味着所有开放模型都是榨取性策略，而是说明开放也可能成为声望竞争、生态系统捕获，以及把适配和维护成本转嫁给他者的手段。

真正相关的问题，不是某项技术在抽象意义上是开放还是封闭，而是它分配了哪些能力，保留了哪些依赖关系，又由谁能够改变其条件。

数字 hau 与价值捕获

在 Mauss（1925）的经典解读中，被接收的物品并不会保持静止。它保留着一种把自己与来源联系起来的力量，并由此帮助形成回赠要求。围绕 hau 的著名解释已经争论了一个世纪。一部分人类学家认为，Mauss 把一个具体的毛利范畴转化成了互惠关系的一般理论。当代毛利视角也指出，把这一概念同领地、谱系与原住民族知识之间的关系分离开来，存在严重风险（Frank, 2016; Stewart, 2017）。

这一争论比机械的字面移植更有启发性。免费的数字工具同样不是在交付之后便彻底脱离提供者的中性物品。它们连同许可证、格式、接口、遥测、账户、更新和服务条款一起进入使用环境。维持联系的并不是软件内部的某种精神，而是使服务持续附着于提供者的技术与法律架构。

回赠会采取多种形式。根据各平台的政策和适用的合同选项，一些平台可以利用交互记录与评价改进系统。另一些平台获得使用模式、知名度、市场地位，或使自己的产品被嵌入组织流程。即使内容本身没有被用于训练模型，采用过程也会生成需求信息、形成使用习惯，并提高离开该生态系统的成本。

使用者交付的不只是数据，还包括调适劳动。人们学习如何撰写提示词、纠正输出、重组任务、制作模板、连接服务，并教会其他人使用工具。即使这部分劳动提高了平台价值，它仍有一部分不会进入提供者的会计记录。

在保留前述所有限制的前提下，数字 hau 可以被理解为提供者持续存在于接收物之中。礼物携带着改变价格、撤回功能、更换模型或重新界定允许用途的能力。回赠义务不会以明确的仪式出现，而是表现为依赖关系的静默累积。

这个类比在此抵达最重要的边界。毛利语境中的 hau 不是一种可以任意用于解释所有流通形式的比喻。数字世界必须通过自身的法律与物质装置来描述。Mauss 的意义在于提醒我们，不应把免费供给同“没有关系”混为一谈。

基础设施债务

由补贴性访问制造的依赖，可以称为基础设施债务。这一概念与技术锁定效应（lock-in）有关，但不能被还原为后者。

锁定效应描述的是采用某项技术之后，更换提供者所面临的成本。基础设施债务强调补贴性礼物所制造的时间不对称。采用初期成本很低，但随着每一次系统集成、每一种技能的获得、每一套数据的适配，以及每一项围绕平台进行的流程重组，退出成本会不断增加。依赖在一个其价格仍被部分隐藏的阶段持续积累。

一个组织可能最初只是获得某个 API 的免费额度，随后却开始让软件适配特定的输出、限制与格式，培训团队，把数据存入相关服务，并向客户承诺依赖该模型的功能。当价格或条件发生变化时，迁移已经不再意味着替换一个组件，而是要求重建组织的一部分。

这种债务并不会平等地影响所有主体。大型企业可以谈判合同、建立冗余，或在多个供应商之间分配负载。小型组织、地方行政机构、合作社或新闻媒体则更难吸收迁移成本。初期免费供给可以使即时访问更加民主化，却把未来的自主性进一步集中起来。

开放模型、本地运行和可互操作标准能够降低这种债务。然而，“开放”并不是一个简单范畴。模型可以提供可下载的权重，同时对数据、训练过程或使其开发成为可能的条件保持不透明；它也可能需要只有少数组织负担得起的基础设施。衡量开放性的标准，应当是主体是否真正具备退出、适配、审计和治理的能力，而不是某个文件是否名义上可供下载。

工作、承认与“AI 洗白”

自动化对入门岗位的影响尤其敏感。许多看似常规的任务，同时也是学习空间。撰写初稿、分类信息、审查代码或协助分析，使人能够获得日后承担更多责任所需的默会知识。如果这些任务消失，却没有建立新的培养路径，企业便是在以侵蚀自身专业再生产能力为代价，换取眼前的节省。

访谈提到，某些入门岗位的招聘需求下降了 37%（Hernández, 2026）。如果没有准确说明数据来源、观察时期和职业范围，就不应把这一数字转化为普遍诊断。访谈本身也承认，自动化、利率、科技行业此前的过度招聘，以及疫情后其他调整分别发挥了多大作用，仍然存在因果争论。

这种谨慎引出了**“AI 洗白”**这一概念。企业可能把裁员归因于自动化，即使主要原因其实是此前扩张过度、组织重组、财务压力或管理失误。技术解释具有吸引力，因为它能把企业问题转化为现代化的标志。与其承认需求下降，宣布“通过人工智能提高效率”往往更容易得到市场认可。

“AI 洗白”还有其他形式。传统系统被包装成高级智能；劳动场所的监控被描述为优化；数据捕获被解释为模型提升不可避免的需要；能源密集型产品则在不核算基础设施代价的情况下，被宣传成可持续解决方案。这些做法共享同一个机制：把注意力从组织决策转移到一种被假定为不可抗拒的技术必然性上。

即使技术叙事夸大了真实能力，它仍然会产生实际效果。说服投资者和劳动者相信替代不可避免，会削弱集体谈判能力，压低工资预期，并把适应责任转嫁给每一个个体。此时，自动化既是一种技术，也是一种权力叙事。

工作不能被简化为成本变量，也不能仅被理解为分配收入的机制。它还组织学习、社会交往、承认与集体能力。这并不意味着应当理想化工资劳动，因为工资劳动可能不稳定、异化甚至有害。这里的意思是，只把政策集中于补偿工资损失，会让生产权力的分配保持不变。

全民基本收入可以提供物质安全，并扩大人们拒绝虐待性劳动的自由。其效果取决于制度设计、资金来源以及与之配套的权利。如果缺少对技术决策的参与、稳固的公共服务和对生产资料的可及性，货币转移可能只是稳定一个高度不平等的社会。若被纳入更广泛的权利与能力制度，它也可能增强自主性。

缩短工作时间同样需要谨慎。如果企业在支付相同工资、减少工时的同时，仍保有完全替代岗位的自由，那么自动化的会计激励就会增强。但这并不意味着所有缩短工时政策都荒谬。当它与集体谈判、解雇限制、劳动者参与决策，以及防止企业单方面占有所节省时间的机制结合时，缩短工时可以成为分配生产率收益的方式。

对机器人或算力征税，可能放缓自动化或为转型提供资金，却不会自动改变创新方向。面向劳动者的政策需要积极激励，推动开发能够创造新任务、提升能力并改善高社会需求领域服务的工具。

当生产率侵蚀学习

问题并不限于就业。同一种工具可以改善即时表现，却削弱使这种表现得以长期维持的能力。

一篇发表于 2026 年的工作论文分析了中国 26,811 名七至十二年级学生连续三十个月的数据（Strömberg et al., 2026）。根据论文的估计，采用人工智能后，家庭作业成绩提高了 18%，完成时间减少了 30%。与此同时，在最初六个月中，不允许查阅资料的月度考试成绩下降了 20%；在更重要的升学考试中，成绩下降幅度介于 18% 至 24% 之间，且长期使用后的负面影响更加明显。

该研究采用的是基于分阶段使用的双重差分策略，而不是随机实验。它还是一项需要进一步检验的新近研究。因此，其结果并不足以支持“所有教育场景中的人工智能使用都会造成认知萎缩”这一结论。

现有证据表明，设计方式十分关键。另一些实验发现，当工具承担导师角色、要求学习者解释错误、引导探索，或被嵌入经过设计的教学实践时，人工智能能够带来收益（Fischer et al., 2025; Li et al., 2026）。风险尤其出现在系统直接交付完整答案，并取代知识建构所需努力的情况下。

Acemoglu、Kong 等人（2026）通过知识坍塌这一概念，对相关担忧进行了形式化分析。个体学习不仅会产生对学习者本人有用的私人信号，也会为集体知识存量贡献微小增量。能够提供情境化建议的智能体系统，可以改善当下决策，同时降低学习的激励。如果大量个体不再生产一般性知识，社会可能在一段时间内仍能保有高质量建议，却会逐步侵蚀这些建议所依赖的人类基础。

这种动态使我们可以讨论，在一种榨取型软件消费模式下，人力资本如何被降解。平台提供答案并捕获使用行为，同时把失去理解、判断和自主性的成本推离即时经验。任务层面的生产率掩盖了发展路径层面的非生产性。

包容性的教育人工智能必须扩展教学关系，而不是替代它。它可以帮助教师识别困难、调整材料，并释放用于个别支持的时间。系统也应被设计成促进解释、比较与主动回忆，而不是消除构成学习本身的认知努力。

以迫使分享的方式给予

从礼物人类学的视角来看，López García（2001）描述的一项实践，为思考这一方向提供了尤其有启发性的图像。在 Maya Ch’orti’ 共同体中，他识别出一种可以概括为“给予食物，同时迫使其被再次分配”的赠与模式。礼物的规模和形式使接收者无法独自消费，只能让其继续流通。

援引这一例子的目的，并不是把一种仪式实践变成数字政策配方。它帮助我们想象这样的制度：再分配不依赖受益者事后的善意，而是把继续流通的义务直接嵌入设计。

那么，提供一种无法被个体独自消费的物品，在数字世界中会对应什么？先进算力、大型数据集以及某些模型，只有借助集体资源才能获得社会价值。单独一所大学、一个小型公共机构或一家合作社，通常无力维持全部基础设施。然而，共享需求既可以通过一个中心化私人平台来解决，也可以通过共同制度来解决。两种方式都会聚合资源，却以不同方式分配决策权和依赖关系。

免费提供一个模型，并不必然意味着能力被分配出去。能力包括知识、基础设施、自主性、修改权、免受单方面变更影响的保护，以及决定开发哪些应用的权力。

一种“以迫使分享的方式给予”的政策，可以为补贴、公共合同以及对稀缺资源的优先访问设置条件。获得资金、能源、土地、公共研究成果或税收优惠的企业，应承担可验证的互操作性、培训、审计、新任务创造和知识回馈义务。公共支持既不是无需回报的转移，也不是纯粹金融意义上的股权投资，而是一种流通架构。

这一视角改变了“谁应获得声望”的判断标准。在 potlatch 中，权威不只来自占有，还来自在能够见证这一行动的共同体面前进行分配。包容性数字经济应把扩展公共资源的能力，而不是单纯调动资本的规模，承认为领导力。最大的模型未必最有价值；真正更有价值的，可能是那个在控制组织之外强化最多能力的模型。

包容性数字基础设施

制度性替代方案可以通过包容性数字基础设施这一概念来加以形式化。它是由算力资源、数据、模型、知识、标准以及公共或共有能力组成的整体，使多元主体能够在不从属于单一供应商的情况下开发和治理人工智能。

这一表达并不意味着把整个产业国有化，也不意味着在国家所有制之下复制同一场规模竞赛。当基础设施既扩展实际访问，又分配决策能力时，它才具有包容性。这要求透明的分配标准、互操作性、审计、受影响共同体的代表机制以及退出机制。公共所有权可能有助于形成这些条件，却不能自动保证它们。

与工业革命的历史比较必须保持谨慎。扩大的产权、公共教育、城市基础设施和劳动保护，并不是工业化的自动后果，而是不完整且分布不均的政治斗争成果。它们的重要性在于，防止所有生产率收益都留在工厂内部，或留在控制工厂的财富集团手中。包容性数字基础设施试图在知识经济中发挥类似作用。

欧盟提供了一个方向尚未封闭的例子。截至 2026 年 8 月，EuroHPC 网络包括 19 座“AI 工厂”和 13 个“AI 工厂天线节点”，旨在连接超级计算、大学、中小企业、产业与公共机构。欧盟委员会和参与国家计划在 2021 至 2027 年间为超级计算与 AI 工厂调动 100 亿欧元（European Commission, 2026; European High Performance Computing Joint Undertaking, 2026）。对算力和技术支持的访问，可以降低任何一家初创企业都难以独自跨越的准入壁垒。

与此同时，这一项目也显示出公共能力的两面性。未来的欧洲 AI 超级工厂同样以主权、全球竞争以及拥有数万亿参数的模型作为正当化理由。如果缺少访问规则、社会评估和多元治理，公共基础设施也可能在国家尺度上复制技术性 potlatch。它是否包容，取决于谁设定优先事项、谁获得算力，以及什么义务伴随这种访问。

包容性数字基础设施应当包含四个不可分割的部分。

第一是共享的物质能力。它包括超级计算、存储、网络与能源，并为研究机构、公共部门、合作社、社会组织和小型企业预留配额。

第二是开放且可审计的知识。它包括文档、评估、负责任治理的公共数据、可调整模型，以及在不泄露个人信息或正当秘密的情况下检查输出的工具。

第三是人的能力。基础设施需要合格的公共部门人员、面向劳动者的培训、共同体协调，以及能够审计复杂系统的团队。只购买芯片而不建设知识制度，会再生产依赖。

第四是民主治理。优先事项必须回应可验证的社会需求，并让劳动者和受影响共同体参与。审计必须产生后果，公共访问也必须产生公共回报。

使互惠制度化

当前监管往往采取事后反应模式。产品先被部署，伤害出现之后，制度才试图纠正。Acemoglu 主张颠倒这种逻辑。社会应当首先决定自身追求什么目标，再把技术激励引向这些目标。

这并不意味着政府能够预见所有创新，也不意味着模型应由某个中央办公室统一设计。它意味着承认，人工智能产业政策事实上已经存在。有关能源、芯片、公共采购、税收、知识产权、研究与竞争的决定，即使被描述为中立，也正在引导市场。

包容性议程可以围绕五项义务来组织。这些主张以 Regulation (EU) 2024/1689 建立、并由 Regulation (EU) 2026/1744 于 2026 年 7 月修订的监管底线为起点。欧盟《人工智能法》自 2026 年 8 月 2 日起总体适用，但这次修订把高风险制度的很大一部分推迟到 2027 年 12 月 2 日；嵌入受监管实体产品的相关人工智能系统，则自 2028 年 8 月 2 日起适用有关规则。本文并不暗示所有高风险义务在 2026 年 8 月已经生效，而是主张把这一监管底线进一步扩展到互操作性、有效退出权和劳动者参与（Regulation (EU) 2024/1689, 2024; Regulation (EU) 2026/1744, 2026）。

1. 部署前参与

在系统重组工资、工时、评价、监控或任务分配之前，劳动者和受影响共同体必须能够参与。围绕算法展开的集体谈判，可以讨论工作节奏、监督、生产率收益分配以及岗位职能变化。欧洲议会已经提出，对实质性影响劳动的算法管理系统进行事前协商，并提供有关数据、偏差、职业健康和人类监督的信息（European Parliament, 2025）。

2. 有效开放与退出权

可移植性、可互操作标准以及公共或合作社替代方案，可以降低基础设施债务。欧盟《人工智能法》第 53 条要求通用人工智能模型的提供者保存技术文档，向模型集成者提供信息，并发布一份足够详细的训练内容摘要（Regulation (EU) 2024/1689, 2024）。这一最低透明标准应进一步扩展为有效互操作性。开放性应以它能够创造多少自主性来衡量。退出权包括导出数据、在迁移期间保留关键功能，以及防止格式或合同把迁移变成不成比例的惩罚。

3. 能力再分配

公共资金应优先支持能够创造人类任务、扩展知识，并改善健康、教育、照护、科学、无障碍和生态转型等领域的技术。每一种重要支持都应包含可测量的社会回报条款。公共资金、能源和数据必须形成公共能力。

4. 实质性问责

只有能够改变决定、实施补救并停止不可接受用途的审计、评估和协商，才具有实际价值。欧盟《人工智能法》第 43 条规定了高风险系统的合格评定程序，第 72 条保留了上市后监督。Regulation (EU) 2026/1744 改变了高风险制度的实施时间表，并取消了制定单一统一上市后监测计划的要求，但并未消除在系统整个生命周期内实行实质性问责与上市后监督的更广泛需要（Regulation (EU) 2024/1689, 2024; Regulation (EU) 2026/1744, 2026）。这一原则应扩展到任何实质性重组劳动的系统，即使它尚未被正式归类为高风险系统。组织必须说明，一项决定的哪些部分来自系统，由谁负责，又可以通过什么方式提出异议。审计必须能够触发纠正、暂停和赔偿；否则，它只会成为一场空洞的合法化仪式。

5. 多元基础设施

公共、大学、市政、合作社或共享算力，可以把实验空间扩展到大型平台之外。它不会取代所有私人投资，却能防止先进知识的获取完全依赖少数企业。不同网络应当协调共享数据、服务、培训与良好实践，同时避免建立一个新的垄断中心。

这五项义务不会消除竞争，而会重组竞争。Potlatch 表明，当制度把等级与分配联系起来时，对声望的追求也能够推动资源流通。真正的挑战，是建立这样一种制度：企业与国家也必须竞争展示自己开放了多少知识、分配了多少能力，以及把多大比例的权力交由公共决策约束。

结论

人工智能的成败不会只由模型质量决定。它的发展轨迹取决于，制度如何把技术能力转化为特定的权力分配。

Why Nations Fail 的框架揭示了榨取循环的危险。算力、数据和资本的集中产生政治影响力；这种影响力推动有利于进一步集中的规则；这些规则巩固基础设施控制，并削弱社会引导技术变迁的能力。人工智能形成的关键节点，既可能加深这种漂移，也可能将其打断。

礼物人类学提出了制度经济学并不总会追问的问题：这种集中如何获得合法性？人工智能产业不仅积累资源，还展示支出、分发访问权、承诺丰裕，并把规模转化为道德权威。它表面上的慷慨制造依赖，而向社会回馈价值的义务仍然薄弱或仅属自愿。

只有在保持差异的前提下，把这一过程称为“技术性 potlatch”才有意义。原住民族的 potlatch 制度不是经济非理性的比喻，它们组织着流通、权利、记忆、领地与公共承认。正因如此，它们揭示出数字制度的核心缺陷：企业可以通过支出和赠与获得声望，却无需面对一个拥有对等权力、能够要求互惠的共同体。

Hau 也不是解释数据捕获的神秘力量。围绕它的讨论提醒我们，被赠与之物仍会保留同其来源的联系。在数字世界中，这些联系体现为许可证、账户、遥测、格式和依赖。免费礼物可能携带基础设施债务，而其成本只有在接收者试图离开时才会显现。

教育证据在另一个尺度上揭示了同一问题。一项工具可以提高即时结果，却侵蚀维持未来自主性的学习。此时，榨取不再只针对工资或数据，还可能占有社会为了保存知识与判断能力所必需的认知努力。

面向劳动者的人工智能，需要的不只是更好的模型或事后补偿。它要求制度把流通嵌入设计，分配决策能力，并把生产率收益转化为时间、知识、服务和共享权力。

包容性数字基础设施提供了一个具体方向，却不是保证。公共算力可以使能力民主化，也可能成为另一处地缘政治展示场。它是否具有包容性，将取决于所施加的义务、参与的主体，以及它能否使某些公共资源持续流通。

因此，决定性标准不应是一个组织能够调动多少资本来建造最大的模型，而应是这一过程产生了多么密集的公共义务。当社会贡献数据、能源、劳动、知识和基础设施时，也获得了决定收益如何流通，以及应当为技术能力集中者设置哪些限制的权利。没有可执行的义务，技术礼物就会转化为债务。只要制度能够分配其回报，人工智能这一关键节点仍然可以被导向共同善。

参考文献

Acemoglu, D. (2025a). Institutions, technology and prosperity (NBER Working Paper No. 33442). National Bureau of Economic Research. https://doi.org/10.3386/w33442

Acemoglu, D. (2025b). The simple macroeconomics of AI. Economic Policy, 40(121), 13–58. https://doi.org/10.1093/epolic/eiae042

Acemoglu, D., Autor, D. H., & Johnson, S. (2026). Building pro-worker artificial intelligence (NBER Working Paper No. 34854). National Bureau of Economic Research. https://doi.org/10.3386/w34854

Acemoglu, D., Johnson, S., & Robinson, J. A. (2005). Institutions as a fundamental cause of long-run growth. In P. Aghion & S. N. Durlauf (Eds.), Handbook of economic growth (Vol. 1A, pp. 385–472). Elsevier. https://doi.org/10.1016/S1574-0684(05)01006-3

Acemoglu, D., Kong, D., & Ozdaglar, A. (2026). AI, human cognition and knowledge collapse (NBER Working Paper No. 34910). National Bureau of Economic Research. https://doi.org/10.3386/w34910

Acemoglu, D., & Robinson, J. A. (2012). Why nations fail: The origins of power, prosperity, and poverty. Crown Publishers.

Alphabet Inc. (2026, February 4). 2025 Q4 earnings call. https://abc.xyz/investor/events/event-details/2026/2025-Q4-Earnings-Call-2026-Dr_C033hS6/default.aspx

Bataille, G. (1949). La part maudite. Les Éditions de Minuit.

Bourdieu, P. (1986). The forms of capital. In J. G. Richardson (Ed.), Handbook of theory and research for the sociology of education (pp. 241–258). Greenwood Press.

Codere, H. (1950). Fighting with property: A study of Kwakiutl potlatching and warfare, 1792–1930 (American Ethnological Society Monograph No. 18). University of Washington Press.

European Commission. (2026, April 23). AI factories. Shaping Europe’s Digital Future. https://digital-strategy.ec.europa.eu/en/policies/ai-factories

European High Performance Computing Joint Undertaking. (2026, April 28). Cooperation of artificial intelligence factories and factories antennas. https://www.eurohpc-ju.europa.eu/cooperation-artificial-intelligence-factories-and-factories-antennas-0_en

European Parliament. (2025, December 17). Digitalisation, artificial intelligence and algorithmic management in the workplace—Shaping the future of work (P10_TA(2025)0337). https://eur-lex.europa.eu/eli/C/2026/2154/oj/eng

Fischer, M., Rau, H. A., & Rilke, R. M. (2025). AI tutoring enhances student learning without crowding out reading effort (IZA Discussion Paper No. 18338). IZA Institute of Labor Economics. https://www.iza.org/publications/dp/18338/ai-tutoring-enhances-student-learning-without-crowding-out-reading-effort

Frank, S. (2016). The “force in the thing”: Mauss’ nonauthoritarian sociality in The gift. HAU: Journal of Ethnographic Theory, 6(2), 255–277. https://doi.org/10.14318/hau6.2.017

Hernández, J. [Inteligencia Artificial]. (2026, July 16). El impacto económico de la IA con el Premio Nobel Daron Acemoglu [人工智能对经济的影响：与诺贝尔奖得主 Daron Acemoglu 的对话] [Video]. YouTube. https://youtu.be/CDzTaO_nhAc

International Energy Agency. (2025, April 10). Energy and AI. https://www.iea.org/reports/energy-and-ai

Kan, S. (1989). Symbolic immortality: The Tlingit potlatch of the nineteenth century. Smithsonian Institution Press.

Leeson, B. W. (ca. 1897–1908). Quatsino potlatch [Photograph]. Wikimedia Commons. https://commons.wikimedia.org/wiki/File:Quatsino_potlatch.jpg

Li, A. T., Liu, D., & Ye, T. (2026). Is ChatGPT a boon or a bane for learning? Experimental evidence across task formats and chatbot designs [Working paper]. SSRN. https://doi.org/10.2139/ssrn.5533921

López García, J. (2001). «Dar comida obligando a repartirla». Un modelo de don maya-ch’orti’ en proceso de transformación [“给予食物，同时迫使其被再次分配”：转型中的 Maya Ch’orti’ 礼物模式]. Revista de Dialectología y Tradiciones Populares, 56(2), 75–98. https://doi.org/10.3989/rdtp.2001.v56.i2.210

Mauss, M. (1925). Essai sur le don. Forme et raison de l’échange dans les sociétés archaïques. L’Année Sociologique, nouvelle série, 1, 30–186.

Piddocke, S. (1965). The potlatch system of the Southern Kwakiutl: A new perspective. Southwestern Journal of Anthropology, 21(3), 244–264. https://doi.org/10.1086/soutjanth.21.3.3629231

Raitano, L., Ranasinghe, D., & Oguh, C. (2026, February 6). Big Tech’s $600 billion spending plans exacerbate investors’ AI headache. Reuters. https://www.investing.com/news/stock-market-news/global-software-data-firms-slide-as-ai-disruption-fears-compound-jitters-over-600-billion-capex-plans-4489820

Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), Official Journal of the European Union, L, 2024/1689 (2024). https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng

Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI), Official Journal of the European Union, L, 2026/1744 (2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng

Rosman, A., & Rubel, P. G. (1972). The potlatch: A structural analysis. American Anthropologist, 74(3), 658–671. https://doi.org/10.1525/aa.1972.74.3.02a00280

Royal BC Museum. (n.d.). Kwakwa̱ka̱ʼwakw: Stories carved in cedar. Retrieved August 5, 2026, from https://totems.royalbcmuseum.bc.ca/en/story/Legacy

Stewart, G. (2017). The ‘hau’ of research: Mauss meets Kaupapa Māori. Journal of World Philosophies, 2(1), 1–11. https://doi.org/10.2979/jourworlphil.2.1.01

Strömberg, D., Lei, V., & Wu, Y. (2026). The generative AI learning penalty: Evidence from Chinese secondary education (CEPR Discussion Paper No. 21577). CEPR Press. https://cepr.org/publications/dp21577

United Nations Environment Programme. (2025, November 13). AI has an environmental problem. Here’s what the world can do about that. https://www.unep.org/news-and-stories/story/ai-has-environmental-problem-heres-what-world-can-do-about