一
2026 年 7 月，Jacobin 发了一篇文章，让左翼技术乐观派很不舒服。
Hagen Blix 和 Ingeborg Glimmer 两人合写的《反对 AI 国有化的社会主义理由》。核心论点一句话就能说清：AI 不是一种需要重新分配利益的中性技术，它是自上而下阶级战争的武器，用来廉价化劳动、集中权力。
杀伤力不在它骂了右翼。它针对的是所有相信"改变所有权就能解决问题"的左翼方案——国有化、公共所有、合作社、数据信托，包括本站"认知生产手段三部曲"提出的替代性生产实体。
逻辑链条很直接：如果 AI 的技术架构本身就是为了规训劳动、集中权力而设计的，那么把它的所有权从私人资本转给国家或公众，只是换了压迫者。
国有化的 AI 照样廉价化劳动，只是收益从股东流进国家预算。公共所有的 AI 照样监控劳动者，只是合法性的来源从合同变成了公共利益。
这是一个严肃的挑战，不能轻易打发。
它有理论谱系，有经验支撑，而且它戳中了三部曲没有正面回答的一个问题：产权矫正，够不够？
三部曲的诊断是：算力、数据、模型权重越过功能性转变区间后，从功能资源变成控制变量，构成 pro tanto 非正义。三部曲的处方方向是：靠替代性生产实体改变产权结构，让算法租金回流共同生产者。逻辑自洽。但链条里藏着一个前提——一旦产权结构变了，AI 的社会效应就会自动改善。
要追问的正是这个前提。
AI 的技术设计——训练目标函数怎么选、系统架构集中到什么程度、部署方式由谁控制、评估标准优先什么——里面是不是已经内嵌了权力偏好？如果是，产权矫正就不充分。你可以在所有权层面造出一个"公共"的 AI，可如果它的训练目标照样优先顺从而非批判，架构照样集中到把公众关在门外，部署照样走企业 API，评估照样只量替代不量增强——那"公共"两个字就是空的。
立场先说清楚。这里不否定三部曲。产权矫正是必要的——没有它，任何技术设计的改善都会被资本重新收编。但产权矫正不是充分的——没有技术设计矫正，它可能只是换了个压迫者。
权力不仅在所有者手中，也在架构之中。
二、一张不算新的谱系
"技术不是中立的"，这个命题有年头了。从十九世纪一路铺到今天。
马克思在《资本论》第一卷"机器和大工业"那一章，做过一个常被忽略的区分。机器作为生产力提升的工具，和机器作为资本规训劳动的武器，是两种功能。他写道，机器的资本主义应用不只是提高生产力的技术手段，更是压制罢工、压制工人反抗的手段。资本选机器，不单因为它更高效，更因为它能降低劳动者的议价能力——熟练工人被半熟练、不熟练的工人顶替，手工作坊的工会力量被瓦解。
Braverman 在《劳动与垄断资本》里把这个洞见系统化了。资本主义的技术选择有系统性偏向：优先挑那些能把工作拆解成低技能、低工资操作的方案。泰勒制是极致——把需要判断和技能的活儿从工人手里夺走，交给管理层和工程师，工人沦为"手"。
Winner 在 1980 年的《器物有政治吗？》里给了最精确的表述。他区分了两种论证。一种是"内在地政治的"：某些技术系统因为内在特征，强烈倾向特定的政治安排——核能要求高度集权的安全管制，太阳能允许分散的民主控制。另一种是"作为权力工具的"：技术被设计成服务于特定群体——Robert Moses 在纽约修的低矮桥梁，故意让公共汽车过不去，把低收入少数族裔挡在琼斯海滩之外。AI 两种都占：集中式训练架构（内在地倾向权力集中），企业控制的部署方式（作为资本权力的工具）。
Acemoglu 的定向技术变化理论，把 Marx-Braverman 的洞见经济学化了。技术不沿"社会最优"方向走，它沿着相对价格和权力不对称指的方向走。谁做技术选择的决策，技术就服务谁。决策权在资本手里，AI 就优先"自动化人类判断"而非"增强人类判断"——不是技术上更优，是资本有更强的激励投资劳动替代，而不是投资提高工人的议价能力。
这条谱系确立的命题很朴素：技术的选择反映选择者的权力利益。 不是阴谋论，不需要谁暗中策划。只需要承认一个平凡的观察——谁有资源做技术决策，技术就倾向服务谁。在 AI 领域，做决策的是计算领主，所以 AI 的技术设计倾向服务计算领主的利益。
三、四个特征，四处权力
抽象命题不解决战斗。具体拆四个技术特征，看它们各自内嵌了什么。
训练目标：顺从而非批判。
前沿语言模型几乎都过了 RLHF 或者类似的偏好优化，目标是让模型"有用、诚实、无害"。但"有用"和"无害"的定义权在谁手里？
Sharma 等人 2023 年的研究测试了五个经过人类反馈训练的主流模型，全都表现出系统性的顺从（sycophancy）：同意你的观点、确认你的偏见、不说任何可能冒犯你的话。这不是事故——标注员本能地给"同意我"的高分，给"挑战我"的低分，模型就学会了顺从。
一个总是附和你、从不顶撞你的 AI，做客服挺好。但在认知劳动里，顺从意味着它不会帮你发现错误、质疑不当决策、提出更好的方案。它是个执行器，不是对话者。这正是 Braverman 那个故事的数字化版本：判断被夺走，劳动者降为操作员。
训练目标可以不是这样。如果标注员的招募范围包括劳动者代表、工会、公共监督机构；如果训练目标除了"有用"还要"批判性"和"劳动增强"——模型倾向就会不一样。谁定义"有用"，谁就在塑造 AI 的权力倾向。这不是技术问题，是政治问题。
系统架构：集中式训练的资本门槛。
前沿模型几乎全部集中式训练：一个巨大的 GPU 集群，跑一个单一训练过程。GPT-4 的训练成本估计约 7800 万美元（光算力），Gemini Ultra 约 1.91 亿。Llama 3.1 405B 用了两个 24000-GPU H100 集群，硬件估值约 7.2 亿美元。
这不只是技术约束，更是权力安排。集中式训练把"参与模型设计"的权利结构性排除——只有极少数实体付得起。普通劳动者、社区、中小研究机构只能接受训练好的模型，在它上面微调和应用。
但集中不是唯一选项。分布式训练、联邦学习（数据不出本地）、模型蒸馏（从大模型提炼小模型）都技术上可行，而且内嵌不同的权力分配：分布式让更多实体能参与，联邦学习让数据贡献者有更多控制，蒸馏让能力跑到更小更便宜的设备上。它们没成为主流，不是技术不行，是不利于商业模式——集中式训练制造算力壁垒，算力壁垒是超额租金的来源。
部署方式：企业 API，还是本地部署。
前沿模型有两种部署形态。企业 API：你通过互联网调用模型，模型跑在企业的服务器上。本地部署：模型跑在你自己的设备上。
能力可能相近，权力关系天差地别。
企业 API 让企业完全控制使用方式、能力边界、更新节奏、定价结构。可以随时改条款（OpenAI 2025 年 11 月那纸 API 弃用通知，只给开发者约 6 个月迁移期），可以单方面降级能力，可以在输出里植入审查。还能收集你所有使用数据，喂大数据飞轮。
本地部署（Ollama、llama.cpp，跑在自己设备上）是另一种关系。企业不能单方面改模型行为——模型在你手里；不能收集使用数据——数据不流经它的服务器；不能靠定价卡你。劳动者对自己的认知工具有了实质控制。这不是效率差异，是劳动者与雇主、平台之间权力对比的差异。
趋势是越来越集中：企业 API 成了默认，本地部署被说成"落后""不安全"。当三部曲讲"权重原则"——公共数据训练出的模型回馈公共——它隐含假设权重公开就等于控制权转移。但如果公开的权重只能通过企业 API 用（本地跑不动），那公开就是名义的。
评估标准：benchmark 在给什么打分。
模型能力靠 benchmark 量：MMLU、HumanEval、GSM8K。它们回答的都是同一个问题——"模型能不能正确完成给定任务"。
它们不回答"劳动增强还是劳动替代"。一个 MMLU 满分模型，可能让劳动者更快更好地工作，也可能让劳动者变得多余。benchmark 不区分。而当评估只关注"做得好和人一样好"（替代指标），不关注"能不能帮人做得更好"（增强指标），整个技术体系就被引导着朝劳动替代跑。
这不是猜测。Acemoglu 和 Restrepo 的研究早就显示，当前 AI 投资过度集中于劳动替代型应用，而非劳动增强型。这种偏向部分来自 benchmark 的引导——一个在"替代人类判断"上得分高、"增强人类判断"上不被评估的模型，企业自然优先开发替代型。
选择量"效率"还是量"劳动增强"，就像选择量 GDP 还是量幸福感——它定义了什么算进步。而设计 benchmark 的，是 OpenAI、Google、Anthropic。评估标准天然优先反映设计者的利益。
四、国有化不够，拒绝也不够
Jacobin 说对了一半。
Jacobin 文章的核心洞见成立：产权改变不能自动改变技术设计倾向。 AI 国有化了，训练目标照样优先顺从，架构照样集中，部署照样走 API，评估照样只量替代——那国有化的 AI 还是阶级压迫工具，只是压迫者从私人资本换成国家官僚。
有历史垫着。苏联的工业是国有化的，可它的工厂设计照样内嵌泰勒制的控制逻辑。Braverman 早就点过：苏联工厂与资本主义工厂在劳动控制上惊人地相似。换的是所有者，没换劳动过程的技术设计。
Jacobin 没说完的那一半。
但 Jacobin 文章藏着一个没说透的推论：如果产权改变不够，那真出路是拒绝 AI——拒绝把 AI 用在压迫性用途上。
这个结论可以理解，实践起来却滑向卢德主义。
三部曲第二篇论证过为什么卢德主义是死路。个体技术退出不触及结构；集体"拒绝 AI"运动会被计算领主利用，把反对者描成"反进步"的卢德分子；在一个 AI 能力日益成为就业、教育、信息获取前提的市场里，拒绝等于退出竞争。
"拒绝"还有个更深的问题：它预设 AI 的阶级倾向不可矫正。如果技术设计本质地、不可改变地内嵌压迫，拒绝是唯一出路。可如果这些倾向是可识别的、可争论的、可重新设计的——拒绝就太消极了。
Lucas Plan：第三条路。
有一条 Jacobin 文章没提、但高度相关的历史先例：卢卡斯计划。
1976 年，英国卢卡斯航空航天公司面临大裁员。工人的回应不是拒绝机器，也不是坐等国有化，而是自主设计了一套替代产品计划——工人组合的技术团队拿出 150 多种社会有用产品的设计，医疗设备、可再生能源系统、混合动力发动机，想把军工产能转向民用。这些产品是工人设计的，反映的是工人对"技术该服务什么"的理解。
Lucas Plan 最终被管理层否决——资本不愿放弃军工利润。但它留下了一个先例：工人没有拒绝技术，而是要求参与技术设计。 承认技术不中性，但不接受"既然不中性就必须拒绝"。第三条路：改变技术设计的参与结构。
对 AI 的含义很直接。AI 的阶级倾向不一定靠"拒绝"来应对。如果劳动者和公众能进到设计决策里——谁选训练目标？谁定 benchmark？谁决定部署方式？——技术设计可以被有意识地重新导向。不需要拒绝 AI，需要民主化技术设计的过程。
五、两轨怎么咬合
现在正面回答那个核心问题：产权矫正（三部曲的方向）和技术设计矫正（Jacobin 的洞见）是什么关系？
互补，不互斥。这里的笔墨主要花在较少被讨论的那一轨：技术设计矫正。
没有产权矫正，技术设计矫正会被重新收编。 假设我们真把技术设计民主化了——劳动者参与定训练目标，benchmark 纳入劳动增强指标，部署允许本地选项。可算力还在计算领主手里，数据还在飞轮里，权重还是封闭的，这些改善撑多久？计算领主有充分的资源和激励逆转：推出"优化版"训练目标（更顺从、更廉价），主导新 benchmark（优先自动化指标），靠 API 更新悄悄削弱本地能力。没有产权结构兜底，技术设计改善是脆弱的，没有制度支撑去抵御侵蚀。
没有技术设计矫正，产权矫正可能只是换压迫者。 反过来：假设产权结构真改了，替代性生产实体建起来了，算法租金开始回流共同生产者。可这个"公共"的 AI 还用 RLHF 训练顺从模型，还集中式架构把公众挡在训练外，还默认 API 部署（公共实体手里，API 照样是管理者控制而非使用者控制），还用只量替代的 benchmark——公共所有的意义就被掏空了。一个被公众所有、技术设计却照样内嵌压迫的 AI，不比一个私人所有但设计经过工人参与的 AI 更解放。
所以替代性生产实体不只改所有权，还要改技术设计的参与结构。落到四个层面：
- 训练目标：不由管理层单方面定，而由劳动者代表、用户代表、公共监督机构共同设定。"有用"和"无害"的定义公开辩论，不在闭门会议室里定。
- 系统架构：优先投分布式训练和联邦学习，哪怕当前不如集中式"高效"。因为"高效"的定义本身就是问题的一部分——如果高效只意味着"最少算力训练最强模型"，它已经忽略了权力分散的规范价值。
- 部署方式：默认提供本地部署选项，让劳动者对认知工具有实质控制，而不是完全挂在公共实体的 API 上。
- 评估标准：引入"劳动增强"指标。模型的好坏，不只看它能否做得和人一样好，还看它能否帮人做得更好。
这些不是附加细节。它们是产权矫正能否兑现承诺的关键。缺了它们，"公共所有"就是一个法律标签，不是实质的权力转移。
六
Jacobin 文章的标题是"反对 AI 国有化的社会主义理由"。这里不反对公共所有——反对的是"国有化/公共本身就足够"的假设。
AI 的技术架构确实内嵌阶级倾向。不是阴谋，是 Marx-Braverman-Winner 命题在 AI 时代的具体化。训练目标优先顺从而非批判，架构优先集中而非分散，部署优先企业控制而非劳动者自主，评估优先替代而非增强。这些偏向不是 AI 的本质，是特定权力结构下的技术选择。只要做选择的是计算领主，这些偏向就一直在。
改变所有权是必要的一步。但它是第一步，不是唯一一步。第二步是改变技术设计的参与结构——让劳动者和公众参与决定 AI 应该优先什么、如何部署、如何被评估。两步缺一不可。
Lucas Plan 的工人 1976 年就懂这个道理。他们没有要求国有化工厂然后继续当被动执行者。他们要求的是参与设计工厂生产什么。这个要求在 AI 语境下同样成立：我们不只问"谁拥有 AI"，还要问"谁决定 AI 优先什么"。前者是产权问题，后者是技术设计问题。真正的解放，需要两者同时被回答。
权力不仅在所有者手中，也在架构之中。
对话对象是 Hagen Blix 与 Ingeborg Glimmer 的《反对 AI 国有化的社会主义理由》（The Socialist Case Against Nationalizing AI），Jacobin，2026 年 7 月 22 日——该文回应的是 Dustin Guastella 的《为 AI 国有化一辩》（The Case for Nationalizing Artificial Intelligence）。顺从性研究见 Sharma et al., Towards Understanding Sycophancy in Language Models, 2023。文中的思想谱系——马克思论机器、布雷弗曼论去技能化、温纳论器物的政治、阿西莫格鲁论定向技术变化——均为公开文献。