在讨论AI能否通往解放前，先走进生产过程

人工智能会带来大规模失业，还是把人类从重复劳动中解放出来?这一争论伴随AI诞生至今。马克思主义政治经济学认为，抽象讨论“技术理性”无法回答这个问题，必须深入生产组织模式，才能看清AI如何重塑社会。从政治经济学视角看，AI首先是一种自动化技术：它将原本依赖劳动者经验与判断的劳动过程，转化为机器系统可执行、资本可持续调用的生产能力。马克思早已揭示：机器不仅是提高生产力的工具，更会通过将工人的经验、技能与协作能力吸纳进机器体系，改变劳资之间的权力关系。

然而，正如马克思对机器大工业的技术特征的细致分析提醒我们的，在今天仅仅重复“AI服务资本”“技术非中性”等口号，远不足以理解当下的问题，我们需要进入AI相关的技术细节与生产过程。长期关注数字劳动和人工智能的政治经济学者James Steinhoff在Automation and Autonomy: Labour, Capital and Machines in the Artificial Intelligence Industry一书中，将AI放回技术史、产业史和劳动过程来分析。该书基于对AI企业劳动者和管理者的访谈，讨论AI如何从边缘研究变成当今平台资本的重要生产能力。本文基于这本书以及我与一位从事AI的好友讨论撰写而成，希望能对大家提供一些启发。

一、AI的前世今生：从专家系统到机器学习

自AI这个概念被提出以来，公共叙事常将其描述为机器逼近人类智能的故事，这容易滑向一系列诸如AI是否会取代人类的科幻式思辨。政治经济学更关心：哪些人类能力被转化为机器能力？这些能力如何从劳动者身上剥离，又如何变成资本可占有、复制、出售的技术？

在20世纪七八十年代的商业化AI中，专家系统是最有代表性的形态之一。它由知识库和推理引擎构成：知识库存放某领域的事实、规则与经验判断，推理引擎按规则处理问题。它试图在特定领域模拟或辅助专业判断，例如医疗诊断、工程设计、地质勘探和配置决策等。从劳动过程角度看，它可以被类比为知识劳动领域的泰勒制——传统泰勒制拆解工人的肢体动作，将其标准化为管理层控制的流程;专家系统则拆解专家的经验判断，将其编码为系统可调用的规则。这种思路对资本极具吸引力：知识被写入系统后，企业可以在一定程度上减少对个别专家即时判断的依赖，并尝试把部分专业经验固化为可复制、可出售的技术资产。但专家系统很快遭遇瓶颈：专业判断中大量是默会知识，且规则仅适用于极窄场景，环境稍变便失效。

机器学习的兴起，在相当程度上绕开了专家系统依赖显性规则的瓶颈。它不再要求人类预先编写规则，而是让算法从数据中“学习”模式。例如，无需编写“识别猫”的完整规则，只要提供足够多的训练样本，模型就可能通过训练形成区分猫与非猫的统计能力。这一转变重构了AI的自动化逻辑。

但这并不意味着人类劳动的消失——劳动只是转移了位置。过去的判断直接发生于工作现场，现在的判断、行为与经验先转化为数据，如用户点击、消费记录、聊天文本、标注结果等，再进入模型训练。AI的能力很大程度上仍然依赖人类活动，包含文本、图像、标注等物化劳动，也依赖模型架构、训练方法和算力组织的活劳动投入。因此，AI发展史更准确的叙事是：人类知识、经验与行为被持续转化为机器可处理的数据、规则与模型的过程——这既是技术进步，更是资本将知识与劳动重新吸纳进机器体系的过程。

这一点在今天的生成式人工智能中表现得更集中。与过去商业化应用中常见的分类、预测、识别和推荐型机器学习相比，生成式AI的生产链条更为复杂：大规模预训练、指令微调、基于人类或AI反馈的偏好优化与强化学习、安全评测、内容审核、推理服务和应用集成，共同构成了模型能力的形成过程。换言之，生成式AI是把更大规模的社会文本、用户反馈、工程调试和平台基础设施压缩进模型与接口之中。

二、AI产业的生产条件

公共讨论常常把AI想象成算法的堆砌，好像几个聪明的研究者写出好模型，就能改变世界。现实中的AI产业要复杂得多。它需要数据中心、云计算平台、GPU和专用芯片，需要成熟的软件框架、训练数据集、模型库和部署环境，也需要工程团队长期维护。AI看起来是“非物质”的，实际生产条件却非常物质，而且越来越昂贵。

科技巨头在此占据绝对优势。一方面，它们拥有海量用户数据、自建云平台与芯片研发能力，能以高薪吸引顶尖人才。创业公司虽能开发应用，却普遍依赖巨头的云服务、开源框架与生态。不少创业公司也会通过被收购、接入大平台生态或依赖云服务来完成商业化。另一方面，这种垄断与技术演化路径相联系。在许多平台化场景中，机器学习容易形成规模优势：用户越多，数据和反馈越多，模型和产品越容易迭代，进而吸引更多用户和客户。云计算进一步固化了这一优势，中小企业即使可调用AI工具，但训练、部署与扩展始终绕不开大型云平台。

开放权重模型和开源AI生态不能自发打破这一格局，因为权重开放不等于训练数据、训练流程、算力条件和部署渠道开放。从政治经济学角度看，框架开源同时也是大型科技企业构建技术生态的一种方式。在其中，开发者围绕框架工作，社区为其贡献代码，学生通过学习绑定工具链，最终应用仍接入巨头平台。更关键的是，许多开源项目往往只开放了生产结果和部分工具，而没有开放训练这些结果所需的生产资料。即使代码或权重开放，数据、算力、部署渠道和分发能力仍可能高度集中。小团队可用开源框架训练模型，但若要处理海量数据、服务百万用户，仍逃不开云计算与硬件的成本枷锁。这并不意味着开放权重没有价值;它确实降低了下游部署、教学、行业适配和技术自主的门槛。但这些门槛下降发生在使用层面，不等于前沿模型生产能力被平等分配。

与早期主要用于识别、分类、预测和推荐的AI相比，生成式AI直接进入文本、图像、代码、视频和知识问答等符号生产过程，看起来更接近“非物质劳动”的自动化。但它对生产条件的依赖反而更强：大模型训练需要巨量语料、GPU集群、数据中心、电力供应、云平台和持续工程维护，模型上线后还需要高成本的推理服务、安全评测、内容审核和应用集成。也就是说，生成式AI并不是一种轻盈的、去物质化的智能，而是建立在高度集中的数据、算力和平台基础设施之上的工业系统。它越是以聊天窗口、写作助手和代码助手的形式显得方便易用，越容易遮蔽背后庞大的物质投入和劳动组织。正是在这个意义上，生成式AI并没有削弱前面所说的集中趋势，反而使AI生产条件的集中更加明显。

三、机器学习中的劳动过程

要理解AI如何改变劳动，不能只停留在产业结构层面，还必须深入一个机器学习项目内部，审视其实际的劳动过程。一个AI模型从构想走向产品，通常贯穿着数据处理、模型建构与部署这三个环节。

很多人谈论AI时，严重低估了数据处理这一基础性环节。在现实的项目中，数据科学家和工程师的大量时间并非用于炫酷的建模，而是消耗在整理那些杂乱无章的原始数据上。无论是平台积累的用户行为、企业保存的业务记录，还是传感器捕捉的信息，都充满了缺失值、重复项和格式差异。这些“原材料”必须经过收集、清洗、筛选、转换和标注，才能变成机器可以“吞入”的训练材料。这意味着，数据本身也是一种劳动产品，数据劳动决定了模型能看到什么、忽略什么。反过来说，许多模型固有的偏差与歧视，其实早在数据准备的阶段就已经被埋下了伏笔。

当进入模型建构环节，无论采用监督学习、无监督学习还是强化学习，劳动的痕迹依然无处不在。监督学习依赖大量标注数据，这需要标注员对图片、文本、语音或视频进行识别、分类和校验;无监督学习虽然减少了对现成标签的依赖，但仍需人类去准备数据、选择算法并解释那些晦涩的输出结果;即便是看起来最“自主”的强化学习，也需要人类或组织系统设计环境、任务边界、奖励函数、奖励模型或评价信号。AI并没有让劳动消失，它只是将原本显性的劳动分散到了数据准备、模型调优、工程集成和系统维护的各个角落，使得劳动变得更加隐蔽。在生成式AI中，数据劳动还包括更隐蔽的形式，例如指令数据编写、回答质量排序、有害内容过滤、模型输出审核、红队测试以及对用户反馈的持续整理。

而部署环节则最直观体现了资本对生产过程的塑造。一个模型在实验室环境中表现优异，绝不代表它能顺利投入现实生产。部署意味着模型必须接入企业的业务流程、适应复杂的客户需求，并接受持续的监测与调整。资本训练模型的目的从来不是为了追求抽象的技术完美，而是为了制造出可交付、可出售、能提高效率的商品。因此，技术选择往往需要在交付周期、预算限制和商业场景之间进行妥协。与此同时，项目管理方式也发生了微妙的变化：传统工厂通过泰勒制拆解工人的肢体动作，而机器学习项目的不确定性让管理层难以规定每一步操作，但这并未削弱资本的控制。资本通过将项目切分为短周期任务、阶段性交付和绩效指标，将原本充满探索性的技术研发纳入了增殖的时间逻辑之中——劳动者或许拥有技术路径上的自由，但必须在规定时间内交付结果，这种灵活的表象下，实质是更深层次的隶属。

四、当AI开始自动化AI生产

AI值得注意的一个发展方向，是它开始进入AI生产过程本身。AutoML（自动化机器学习）用算法完成模型选择、参数调节、结构搜索等原本需工程师手动完成的任务，将高技能劳动中的重复试错转化为机器的自动化流程。今天这一趋势已经不只表现为自动调整参数，也表现为模型参与生产下一代模型所需的数据、反馈和评测。

Steinhoff用一个较为抽象的理论框架来理解AutoML的影响，即“计算递归与资本递归的同构”。所谓计算递归，简单说，就是计算系统可以把上一轮运行的结果重新作为下一轮运行的条件：模型自己生成的回答、用户对回答的选择、系统记录的错误、评测中暴露的问题，也会被整理进下一轮训练。当模型运行被平台记录、评估和反馈时，其输出、错误、用户交互和审核结果会被转化为下一轮训练或优化的材料。所谓资本递归，则是资本把上一轮生产和销售的结果重新投入下一轮生产，使货币、商品和技术不断回到增殖循环之中。AI进入资本主义生产以后，这两种循环会结合起来：劳动过程留下的数据、经验和反馈，被整理成训练材料、模型能力和平台规则，再作为新的生产条件反过来塑造劳动过程。

这一逻辑延续并强化了布雷弗曼对机器大工业的批判：资本不仅剥离低级技能，还开始分解高技能劳动——算法不仅替代工人的肢体动作，更参与模型开发、参数调整与工程决策。劳动者的知识仍不可或缺，但越来越多被固化到数据、模型与平台中，成为资本可支配的资产。

这里不能简单说AI消灭了劳动。现实情况要复杂得多。AI会替代一些任务，也会制造新的任务。它会减少某些岗位，也会增加数据标注、模型维护、系统集成和平台运营。它会提高部分高技能劳动者的效率，也会把另一部分工作拆得更细、更低价、更隐蔽。劳动没有消失，劳动过程的结构发生了变化：劳动被再配置到数据筛选、结果审核、评测标准制定、系统监控和安全治理上。于是问题就在于：谁控制这些新的训练材料、评测标准和平台基础设施。

五、结语

所以，AI不能自动通往解放。它确实可能减少重复劳动，也可能帮助人类获得更多自由时间。但在资本主义条件下，节省下来的劳动时间未必归劳动者所有。它可能表现为裁员，表现为外包，表现为更高劳动强度和资本利润的扩大。技术节约劳动和社会解放之间，没有自动通道。核心矛盾始终指向生产关系：数据归谁控制？算力由谁掌握？节省的时间又归谁支配？具体而言，模型自我改进所依赖的评测标准、训练数据和算力平台由谁控制？技术潜能不会自动改变社会关系，若这些问题不改变，AI越强大，就越可能成为资本强化控制的工具。

因此，分析AI最忌讳两种简单化。一种是技术乐观主义，认为机器越来越强，人类自然会走向解放。另一种是原则化批判，只反复说AI服务资本、服务于特权阶级，却不真正理解AI如何进入生产、如何部署、如何重组劳动过程。真正的政治经济学态度，应该接近马克思分析机器大工业的方式：进入机器体系内部，理解技术怎样改变生产组织，理解劳动怎样被重新安排，理解资本怎样把科学、技术和协作能力变成自己的力量。正因为AI不会自动通往解放，我们才需要具体理解AI的生产链条、基础设施和劳动组织方式，从而更清楚地看到解放究竟要改变什么。