一、引言：从财富到算力
《财富的合法性上界》论证了一件事：财富越过某个阈值后，会从生活的资源相变成约束他人的变量。
不是钱多了以后能买更多东西，而是钱多到这个量级之后，它开始改写规则本身。诊断刻意止步于诊断。
但有一个问题一直没回答。
相变的本质是"资源从功能用途滑向控制用途"。那么这个机制只发生在财富上吗？
有一种东西正在逼近传统资本的经济重要性，但它不是货币，不是股权，不是不动产。它是训练前沿 AI 模型所需的算力、数据、权重。这些资源正在重新组织整个社会的认知生产能力——谁能生产知识，谁只能消费知识，谁连消费的资格都要看别人的脸色。
如果它们也有类似的相变机制，前作的诊断就必须被延伸。我用的工具和前作一样：产业组织、公共选择、罗尔斯、平台资本主义批评（斯尼赛克、祖博夫）。结论比这些框架通常支持的更激进——三阶级结构、算法租金的再分配、认知排斥作为基本权利侵害。不掩饰这一点。
但出发之前要先和最成熟的平台批判做个切割。斯尼赛克的《平台资本主义》诊断的核心机制是数据榨取：平台从用户行为里提取数据，加工变现。在那个框架里，用户还是用户，只是行为的副产品被无偿征用。
AI 时代发生的事情不太一样。
当一个 AI 提供商免费给你推理服务，同时把训练前沿模型的能力锁在不可逾越的算力壁垒后面，发生的不只是数据被榨取。发生的是：你在被收编为数据生产者的同时，丧失了自主生产认知能力的经济合理性。
这不是"使用—被观察"，是"依赖—被锁定"。
核心命题一句话能说清：AI 时代的结构性不平等，根源不在数据被榨取（表层），而在认知生产手段本身被集中化（深层）。
二、认知生产手段：概念与三重载体
2.1 概念定义
认知生产手段（means of cognitive production）指训练、改进与部署前沿 AI 模型所需的全部物质与社会条件。
这是马克思主义"生产手段"在认知生产领域的具体化。工业时代是工厂、机器、原料；信息时代早期，斯尼赛克将其识别为平台与数据；AI 时代则更复杂——它由三重载体构成，每一重都有不同的经济性质与不同的相变机制。
- 算力（compute）：训练与运行前沿模型所需的计算硬件、能源与集群基础设施。
- 数据（data）：用于预训练、微调与对齐的文本、代码、图像、多模态语料及其组织形式。
- 模型权重（model weights）：训练过程产生的参数集合，是模型能力的物质载体。
2.2 为什么恰好是三重
为什么是三重，而不是两重或五重？
三重载体构成认知生产过程的互补瓶颈（complementary bottlenecks）——必要的，且联合充分的。
必要性。前沿 AI 的完整生产链条有三个不可还原的环节：训练（需要算力）、学习（需要数据）、能力承载（需要权重作为训练成果的物质载体）。去掉任何一重，链条在物理上无法完成：没算力则训练无法运行，没数据则模型无可学习，没权重则训练成果无可物化。
联合充分性。控制三重即完全控制认知生产过程。反过来也成立：只要有一重不在控制之下，它就成为反抗的逃逸通道。控制算力和数据但开放权重，社区可以在开放权重上自行微调、蒸馏、建立替代生态；控制算力和权重但放任数据，竞争者可以通过独特数据来源训练出某些维度超越的模型；控制数据和权重但放任算力，竞争者可以买算力重新训练。
而且三重之间不只是互补的，更是协同的（synergistic）：控制全部三重所产生的控制力，远大于控制任意两重之和——持有者能同时锁定进入（算力）、改进（数据）、部署（权重）三个环节，形成任何单一环节的开放都无法瓦解的闭环。突破任何单一瓶颈不足以瓦解集中；维持任何单一瓶颈的开放就足以保留反抗的空间。 这决定了任何反抗策略都必须是多维度的。
为什么不是更多。能源是算力的物质前提，作为独立瓶颈被算力吸收。分发与部署基础设施（API 网关、推理优化层）是权重的下游延伸。人才更复杂：顶级研究员的流失确实是一种俘获通道，但人才不是"生产手段"——一个研究员的转移不会像权重的封闭那样改变他人的可行集合，因为研究员创造的知识一旦公开发表就是公共的。人才私有化影响的是知识生产的速度，而非生产手段的产权结构。
还有推论：单一变量的矫正注定失败。打破一重（如算力反垄断）会被另外两重重新制造集中。任何矫正方案必须同时覆盖三重。
2.3 三重载体的复制经济学
- 算力的边际复制成本高。万卡 GPU 集群需要数十亿美元的前沿硬件采购、数年建设、配套能源。大型数据中心电力需求可达数百兆瓦乃至吉瓦级。算力有传统的规模经济：规模越大，单位计算成本越低。它天然倾向于集中。
- 数据的边际复制成本接近零（一旦被数字化），但数据的生产成本不等于复制成本——高质量、领域专属、多语言对齐的数据集获取与清洗成本很高。数据的价值有强烈的飞轮效应：越多用户使用，越多行为数据被生成，模型越被改进，越吸引更多用户。数据因此不仅是资源，更是自我强化的垄断机制。
- 模型权重的边际复制成本精确为零。一份训练完成的权重文件可以被无损复制到任意存储介质上，分发给任意接收者，不增加任何边际生产成本。这是 AI 技术与所有此前工业技术的根本差异：核心生产力的复制在技术上几乎无成本。
三种复制经济学的差异，决定了各自相变的形态，也决定了任何矫正手段必须针对每一重的具体性质设计。
2.4 三重相变的互相强化
三重相变互相强化：
算力集中 → 训练出更强模型 → 模型吸引更多用户 → 用户生成更多数据 → 数据改进模型 → 吸引更多用户 → 生成更多收入 → 投入更多算力 → ……
每一环都加剧下一环。2.2 节从静态角度论证了"突破单一瓶颈不足以瓦解集中"，这里是它的动态机制：正反馈循环使得任何单点的开放或分散都会被其他环节吸收。静态的互补瓶颈结构与动态的正反馈闭环是同一个现象的两个面。
三、相变机制：三重载体各自如何发生
关于"相变"概念的方法论澄清。 这里"相变"（phase transition）指资源功能的显著转变：在某个区间内，资源的主要功能从"在给定规则下最大化自身效用"的工具，转变为"改写规则本身、改变他人选择空间"的工具。
术语借用自复杂性经济学的惯例（W. Brian Arthur, 1989），而非统计物理学中要求严格不连续性的强含义。在经济学与政治经济学的门槛传统里——Hansen (2000) 的门槛回归、Marwell & Oliver (1988) 的临界质量理论、Centola et al. (2018) 在社会规范临界点上的经验证据——"阈值"标记的是功能在某个区间内显著改变性质的 regime 变化，而非数学意义上的不连续点。
论证目标不是证明存在一个精确的不连续相变点，而是证明存在一个功能显著转变的区间（critical interval），且这种转变的道德意义是实质性的。
pro tanto 非正义的论证力量不依赖于"阈值前后道德地位根本不同"的二元声称，而依赖一个梯度声称：随着资源的功能从功能资源向控制变量转变，持有者对超额集中的道德保护主张逐渐减弱。 浅层减弱轻微，深层减弱显著；当转变触及基本权利（如认知排斥），非正义从 pro tanto 升级为结构性侵害。这是一个连续的道德权重变化，不是不连续的开关——承认这一点反而使得论证更难被"你的相变点在哪里"的追问所动摇。
3.1 算力的相变
在某个规模之下，算力是功能资源：训练模型、运行推理、提供服务，就像工厂用机器生产商品。
当算力规模跨过特定阈值，它的功能发生相变。追加的算力不再仅用于扩大自身生产能力，而开始改变他人的可行集合（feasible set）：
- 设置进入壁垒：当前沿模型的训练成本达到数亿至数十亿美元量级（GPT-4 级模型的训练成本估计在 1 亿美元以上），任何无法调动这一规模算力的潜在竞争者，从结构上被排除在前沿赛道之外。算力规模成为市场准入的物理门槛。
- 制造"杀戮地带"（kill zone）：算力优势玩家可以快速复制或吸纳任何初创企业的创新，在初创企业建立市场地位之前用免费或补贴服务将其扼杀。2024 年以可观测的"伪收购"（pseudo-acquisition）模式集中出现——Microsoft 以约 6.2 亿美元许可 Inflection AI 的模型并雇佣其 80% 以上的团队，Amazon 以约 3.3 亿美元吸纳 Adept AI 约 66% 的团队，Google 以类似模式吸收 Character.AI 的创始团队。这些交易刻意规避了传统并购审查门槛（许可技术+雇佣团队+少数股权三件套），FTC、英国 CMA、欧盟均已展开调查。杀戮地带的宏观净效应在实证文献中仍有争议：Kamepalli, Rajan & Zingales (2020) 提出假说，《Management Science》2024 年形式化证明了收购可制造杀戮地带，但 Prado & Bauer 的实证研究发现 Big Tech 收购对 VC 与创新活动有正向因果影响，Barnett (U. Chicago Business Law Review, 2024) 综述认为整体证据薄弱。论证不需要宏观净效应——它只需要一个更弱的命题：算力优势提供了压制或吸纳竞争者的能力，它的存在已经构成了对他人可行集合的潜在压缩。
- 俘获下游依赖者：当云算力服务集中化，依赖云算力的整个 AI 创业生态都被纳入少数基础设施提供商的规则之下。算力提供者可以单方面改变定价、访问条件、数据政策，下游几乎没有议价能力。
相变的阈值由训练前沿模型所需的最低有效算力规模定义。低于这个规模，算力无法生产出有竞争力的前沿模型；超过这个规模，算力开始系统性决定谁能进入赛道、谁被排除、谁的创新能存活。
Epoch AI 数据显示，2010 至 2024 年间，前沿语言模型的训练算力以每年约 4–5 倍的速度增长，训练功率需求每年增长约 2.2–2.9 倍。单个前沿模型的训练算力成本从 GPT-3（2020）的约 400 万美元，跃升至 GPT-4（2023）的约 7800 万美元、Gemini Ultra（2024）的约 1.91 亿美元（Stanford HAI 2024 AI Index，仅算力成本）。门槛加速，能跨越者递减——这是相变的典型特征。
这一功能性转变区间不只是一个理论构造，它已有制度性的经验近似。Biden 政府的行政令（EO 14110）、加州 SB 1047、欧盟 AI Act 共同将 10²⁶ FLOP 采纳为"前沿模型"的监管门槛，要求跨越此门槛的模型承担额外的安全与透明义务。Epoch AI 数据显示，截至 2025 年已有约 2 个公开模型跨越这一门槛，2026 年预计约 10 个，2030 年可能达到 200 个以上。
监管机构已经在用某种门槛区分"需要特殊治理的前沿模型"与其他模型——门槛标记的不是数量的多寡，而是功能性质的转变。能跨越门槛的实体构成一个"极窄的集合"（Carnegie Endowment 2025）。Stanford HAI 2025 AI Index 显示，2024 年近 90%、2025 年超过 90% 的"知名 AI 模型"来自产业界。跨越门槛的代价已经高到只有极少数实体能够承担。
3.2 数据的相变
在某个规模之下，数据是功能资源：训练模型所需的素材。
当数据积累跨过特定阈值，其功能发生相变。关键机制是数据飞轮的自我强化：
- 一个拥有更多用户的模型获得更多反馈数据，改进后的模型吸引更多用户，更多用户生成更多数据。这个正反馈循环在达到临界规模后，使得任何缺乏同等用户基础的竞争者无法在数据质量上追赶，无论它投入多少算力。
- 数据飞轮不仅压缩竞争者的可行集合，还压缩用户的可行集合：当某个模型的数据优势使其成为事实标准，用户即使想迁移到替代品，也会因为替代品的模型质量差距而无法迁移。
- 数据的相变还表现为对数据生产者（用户）的收编。用户在使用免费推理服务时，其行为（提问方式、偏好反馈、纠错行为）成为模型改进的关键数据。用户以为自己在"使用"服务，实际上同时在被"征用"为数据生产者。这种征用是隐蔽的：用户没有得到关于其数据贡献的任何回报，也没有被承认为生产环节的参与者。
数据相变的阈值比算力更难量化，但它的存在性可以由一个弱命题保证：存在一个数据规模，超过该规模后，追加的数据主要不是用于改进持有者自身的模型，而是用于锁死竞争者和用户。 资源的边际产出在某处发生非线性跃升，从"改进自身"变为"约束他人"。
3.3 模型权重的相变
模型权重是三重载体中最特殊的一个，因为它的边际复制成本为零。
在某个条件之下，模型权重是功能资源：训练过程的产物，用于部署推理服务。
当模型权重的封闭跨过特定阈值（即某个前沿模型的权重不公开，且其在生态中的地位足够主导），权重的封闭功能发生相变，从"保护自身商业利益"变为"控制整个生态"：
- API 控制：闭源权重持有者可以通过 API 的定价、访问限制、使用条款，单方面决定下游所有应用的成本结构与能力边界。
- 微调权限的控制：如果持有者只开放有限的微调接口（甚至完全封闭梯度），下游开发者的微调资产就被锁定在持有者的基座上，无法迁移。
- 标准定义权：当某个闭源模型成为事实标准，持有者就获得了定义 AI 能力评价标准、安全标准、对齐标准的权力。
模型权重的相变有一个独有的特征：它的矫正成本最低，但政治阻力最大。
因为权重的边际复制成本为零，"强制公开权重"在技术上几乎无成本——复制一份权重文件并不消耗任何稀缺资源。
算力相变的矫正需要"建造公共算力"的高昂物质成本；数据相变的矫正需要"数据信托制度"的复杂法律设计；模型权重相变的矫正所需物质成本接近于零。它所需的只是产权规则的改变。三重相变中，权重最容易在技术上被矫正——但恰恰因为矫正几乎无物质成本，阻力完全来自政治：维护权重封闭所带来的超额租金的既得利益。
3.4 过渡带的存在性
前作在论证财富阈值时引入了"过渡带"（transition zone）：在直接使用功能下降与控制功能上升之间存在一个区间，财富的性质在这个区间内从生活资源滑向控制变量。
三重载体不需要分别定义精确的过渡带边界，只需要论证过渡带的存在性。算力与数据都遵循同一种形态：既被用于扩大自身能力（这部分随规模增长趋于饱和），也开始被用于设置进入壁垒或锁死竞争者（这部分在门槛/飞轮临界点处显著加速）。模型权重的过渡带更特殊——它的相变不是"积累到某个量"触发的，而是"封闭到某个生态地位"触发的：一个权重刚发布、尚无生态依赖时，它的封闭不构成控制；当它成为生态主导标准时，封闭就构成了对整个生态的控制。
每一重的精确边界可能因技术环境、市场结构、法律框架而异，不需要被界定。重要的是：存在区间，在其中认知生产手段的性质从功能资源滑向了控制变量。 pro tanto 非正义的强度随过渡带深度递增。
四、三阶级结构：相变的人的结果
相变诊断的是资源。但资源相变最终落实为人与人之间的权力关系。
4.1 计算领主
计算领主（compute lords）是控制相变后认知生产手段的少数实体。他们拥有（或控制）阈值以上的算力、主导性的数据飞轮、以及封闭的前沿模型权重。不必同时控制三重的全部，但至少控制足以构成相变的一重或两重。
计算领主的核心权力不在于他们"拥有 AI"，而在于他们决定了其他人能否、以何种条件、在何种规则下参与认知生产——与前作中财富持有者在相变后的权力性质相同：不是消费更多，而是改写他人的可行集合。
计算领主之间的关系有一种张力：一方面争夺生态依赖（开发者、企业用户、数据贡献者），另一方面在维护"认知生产手段应当私有化"这一根本规则上利益一致。这种张力本身就是反抗可能的缝隙。
4.2 认知佃农
认知佃农（cognitive serfs）是三阶级结构的中间层。他们是 AI 服务的主要用户，同时也是数据的主要生产者。他们享受免费或低价的推理服务，以此获得显著的认知能力增益——但在使用服务的同时，他们丧失了自主训练前沿模型的能力与经济合理性。
"佃农"这个类比是精确的。封建时代的佃农在领主的土地上耕作，向领主缴纳地租，换取使用土地的权利——不是奴隶（有某种自由），也不是地主（不拥有土地），处境由他对土地这一生产手段的依赖所定义。
认知佃农在计算领主的"基座"（foundation model）上构建自己的应用、工作流、微调资产，向领主缴纳"算法地租"（API 调用费、数据贡献、生态绑定），换取使用基座的权利。
关键类比点在于依附性：佃农的积累（微调资产、应用、客户）都建立在领主的基座之上，一旦基座的规则改变（提价、降级、封闭接口），积累就会贬值甚至归零。这种依附性是结构性的，不取决于佃农个人的努力或才能。
但认知佃农与封建佃农有一个关键差异，为反抗留出了空间：认知佃农的"人力资本"（使用 AI 的技能、领域知识、问题定义能力）是可携带的。 一个熟练的佃农可以在不同领主的基座之间迁移，如果他拥有可迁移的工具链和标准化的微调资产。
4.3 认知被排斥者
认知被排斥者（cognitively excluded）是三阶级结构中最边缘的群体。他们不是"使用得少"的佃农，而是根本无法进入认知生产—消费循环的人。被排斥的原因不是个人选择，而是结构性条件：
- 语言排斥：前沿模型在低资源语言上的表现极差。世界上约 7000 种语言中，绝大多数在主流 AI 模型中几乎不可见。实证研究显示，即便是开源模型在约鲁巴语等语言上的 LoRA 微调错误率仍超过 60%，因为基座在这些语言上的表征空间几乎是噪声。
- 基础设施排斥：稳定的网络接入、足够的终端设备、可承受的数据流量是使用 AI 服务的前提。全球仍有数十亿人缺乏这些条件。
- 经济排斥：即使免费推理存在，许多需要付费的高级能力对低收入群体不可及。
- 素养排斥：有效使用 AI 需要一定的数字素养和语言能力，构成额外的门槛。
认知被排斥者的处境比认知佃农更严峻。佃农至少在被收编的同时获得了能力增益；被排斥者连被收编的资格都没有。
许多关于"AI 不平等"的讨论默认了一个"使用者—非使用者"的二元框架，把所有不平等归结为"访问差异"。但三阶级结构揭示，访问差异只是佃农内部的差异，而在佃农之下还有一个被根本排斥的阶层，他们的处境无法通过"扩大访问"来解决。 给一个母语不被模型支持的人提供免费推理，等于没有提供任何东西。
4.4 三阶级结构与传统阶级结构的关键差异
最显著的差异是收编代替了剥夺。传统资本主义通过显性剥夺（圈地运动、殖民掠夺、剩余价值榨取）制造阶级。计算领主通过免费收编制造阶级：他们不强迫你使用，而是让你自愿使用，因为不使用的代价更高。免费推理消除了使用的价格门槛，使得拒绝使用变得不理性。这种自愿性掩盖了结构性的依赖锁定。
与收编相伴的是流动性幻觉。传统阶级结构的边界相对刚性。三阶级结构的边界看似流动：任何佃农都可以"学习 AI"成为高级用户，甚至创办 AI 公司成为准领主。但这种流动性是选择性的、少数的，被放大为"任何人都可以"的意识形态。绝大多数佃农永远无法跨越到领主，因为跨越所需的不是技能而是对认知生产手段的控制。
最后，三阶级结构具有传统阶级分析缺乏的全球维度。计算领主高度集中于少数国家（主要是美国和中国），认知佃农分布于全球有网络接入的中产与专业阶层，认知被排斥者高度集中于全球南方、边缘语言社区、以及发达国家内部的数字底层。三阶级结构不仅是阶级问题，也是地缘政治问题。
4.5 与斯尼赛克框架的关系
斯尼赛克诊断的是平台如何通过数据榨取积累权力。他的框架适用于广告驱动的平台经济（Google、Facebook、Uber）。在那里，用户是被观察的对象，数据是榨取的原材料。
当平台经济演进到 AI 时代，数据榨取只是表象，认知生产手段的集中化才是深层机制。一个被斯尼赛克框架描述为"数据被榨取"的佃农，在这里被识别为"丧失了自主认知生产能力"的依赖者。
前者关注"数据归谁、如何补偿"，后者关注"认知生产手段归谁、如何分散"。两个框架不是对立的，而是不同抽象层级的诊断。前者处方是数据补偿，后者处方是生产手段的分散——后者更深，也更难实现，但它指向的是结构本身。
五、租金归谁
当认知生产手段的相变通过制度俘获扭曲规则、压缩他人可行集合时，超额集中构成 pro tanto 非正义。
"pro tanto"的含义与前作一致：这是一个初步的、可被其他考量压倒的非正义判断——不是绝对的非正义，而是在某一维度（分配正义与政治平等）上成立的非正义。承认 pro tanto 性质是为了诚实：不声称 AI 集中是"绝对邪恶的"，而是论证它丧失了正当性。
5.1 算法租金的生成与独占
算法租金（algorithmic rent）指 AI 系统产生的效率增益中，超过维持系统运行所需最低成本而形成的经济剩余。它的获取不依赖于持有者的生产性贡献，而依赖于其对稀缺资源（算力、数据、封闭权重）的垄断地位——这符合经济学对"租金"的经典定义（超过机会成本的超额回报）。
算法租金的生成依赖多元投入。一个前沿模型的训练不仅需要计算领主投入的资本与算力，还需要：
- 亿万用户的行为数据：没有这些数据，模型无法被对齐到人类偏好，无法在实际使用中改进。
- 公共资金支持的基础研究：Transformer 架构、强化学习、反向传播，这些使当代 AI 成为可能的核心技术突破，绝大多数诞生于公共资助的学术研究或半公共实验室。
- 全社会提供的基础设施：能源网络、光纤骨干、互联网协议、教育系统培养的工程师劳动力。
- 开源社区的集体劳动：PyTorch、Hugging Face 生态、无数开源数据集与工具，计算领主的闭源产品建立在这些公共品之上。
如果算法租金的生成依赖如此多元的投入，那么当这些租金近乎完全地被计算领主独占时，这种独占的道德正当性就需要被追问。它不是"奖励创造价值"（价值的创造是多元的），而是"攫取共同生产的剩余"（剩余的分配没有反映其来源的多元性）。
一个会计层面的洞察强化了这一判断。 当前会计准则（GAAP/IFRS）下，数据基本不进资产负债表：数据在收集时即被费用化，尽管企业无形资产占企业价值的约 90%（其中数据是主要构成）。数据贡献者（用户、标注工人）生产的价值在企业财务报表上不可见——既不被承认为资产，也不产生对应的负债。当一个用户与 ChatGPT 的数万次对话显著改进了模型，这一贡献在企业年报中没有任何痕迹；当一个肯尼亚标注工人以每小时不到 2 美元的报酬为模型进行 RLHF 标注，他创造的价值在 OpenAI 的资产负债表上同样无迹可寻。会计框架把多元投入简化为单方产出——这一简化本身就是分配不正义在核算层面的化身。
AI 数据贡献与"超市购物数据"有何不同？ 一个自然的质疑：顾客在超市购物时也产生销售数据，这些数据对超市的库存优化不可或缺，但我们不会因此说顾客是超市的"共同生产者"。如果"不可或缺的投入"就等于"生产性贡献"，那几乎所有经济交易都蕴含"共同生产"，论证的特异性会消失。
Kim, Lee, Xu & Routledge (2021) 用"马粪"隐喻提出类似批评：个人数据是活动的自然副产品，用户没有"有意生产"它。Jonker (2025) 进一步论证：多数用户数据只是"被动副产品"，构不成"劳动"。
回应压成一层。超市销售数据优化了一个已经存在的商品货架——没有销售数据，超市仍能运作（只是效率降低）；而 AI 训练数据构成了模型本身——"数据即程序"（the data is the program）：深度学习模型的能力在相当程度上由训练数据集构成，而非由代码决定，没有训练数据模型在物理上不可能存在。这是生产理论中"必要/不可替代投入"（Leontief 型）与"可替代/优化投入"的区别。
AI 数据的价值还是集体涌现的：单个用户的行为数据是边际可替代的（Kim et al. 的批评在这一层有效），但大规模用户行为的集合构成不可替代的训练信号——集体退出的"数据罢工"会摧毁模型，而单个顾客停止购物不会摧毁超市。AI 训练数据具有强正外部性和非竞争性（Jones & Tonetti, 2020），Viljoen (2021) 的关系性数据治理理论捕捉了这一结构：数据不是个人交易的集合，而是由法律/技术系统构成的社会关系，产生"超个人的"法律利益。
对 AI 价值链最底层的群体，"被动副产品"的批评完全不适用。RLHF 标注工人有明确的劳动意图（被雇佣来标注）、付出努力（处理创伤性内容）、创造价值（模型对齐的核心输入），却被支付时薪 1–2 美元。这是比"亿万用户的对话数据"更硬的剥削案例——它不需要"数据即劳动"的有争议框架，只需要传统的劳动剥削判断。
规范判断不依赖于用户的自我理解。用户可能不知道自己的数据被用于训练，但"无知地贡献了价值"不等于"没有贡献价值"——正如一个不知道自己脚踩金矿的农夫不因此丧失对矿藏的主张权。
5.2 制度俘获：超额集中如何扭曲规则
认知生产手段的超额集中通过传统财富俘获的五条同构通道扭曲规则——限制竞争者（杀戮地带、算力壁垒、专利壁垒）、改变监管（以"AI 安全"为名设置高合规门槛使只有大企业能负担）、塑造舆论（资助智库、收购媒体、放大"AI 不可避免由少数大公司主导"的叙事）、支配人才（用远超学术界的薪酬把研究从公共机构抽走，人才的私有化即知识生产的私有化）、定义标准（使闭源模型成为事实标准，边缘化任何替代方案）。
AI 特有的通道：捕获数据基础设施。这是传统财富俘获所没有的通道。训练前沿模型所需的数据很大程度上来自公共互联网——人类共同的知识遗产。当计算领主通过爬取、协议、付费墙将公共数据圈占为私有训练语料，并在新一代模型中拒绝回馈，它俘获的不仅是竞争者，更是整个社会未来进行 AI 研究的数据基础。这是一个自我强化的闭环：公共数据被私有化 → 私有模型更强 → 吸引更多公共数据 → 公共研究的数据基础更薄弱。
5.3 制度俘获的自我强化循环
以上通道构成一个自我强化的循环：
算法租金独占 → 超额利润 → 投入更多游说、收购、人才争夺 → 监管框架更有利于集中 → 算法租金进一步独占 → ……
与传统财富的制度俘获循环（资本集中 → 制度俘获 → 规则偏斜 → 资本进一步集中）结构同构，区别只在载体（从货币变为认知生产手段）和通道（新增数据基础设施捕获和标准定义权）。一旦认知生产手段的集中深入功能性转变区间，它就获得了改写规则的能力，而被改写的规则会进一步加剧集中。 除非有外力介入，否则它不会自行停止。
5.4 pro tanto 非正义的成立
成立链条：
- 认知生产手段在三重载体上存在功能性转变区间，进入该区间后，资源的主要功能从功能资源向控制变量转变（第三节）。
- 处于转变区间深处的计算领主通过制度俘获扭曲规则，压缩他人的可行集合（本节）。
- 算法租金的生成依赖多元投入，但其分配近乎完全独占，构成对共同生产剩余的攫取（5.1 节）。
- 制度俘获是自我强化的，除非有外力介入，否则不会自行停止（5.3 节）。
当认知生产手段的集中深入功能性转变区间，并通过制度俘获系统性扭曲规则、压缩他人可行集合时，这种集中构成 pro tanto 非正义。 这一判断是初步的、可被其他考量（如创新激励、安全考量）压倒的，但在分配正义与政治平等的维度上，它丧失了不言自明的正当性。
六、基本权利侵害：认知排斥的规范升级
6.1 认知排斥的规范性质
当认知生产手段的集中导致的不是"使用得差"而是"根本无法参与"时，非正义升级为对基本权利的结构性侵害。
认知被排斥者的处境不是"少了某种便利"，而是被排除在当代认知生产基础设施之外。在一个 AI 能力日益成为教育、就业、医疗、法律、公共服务获取之前提的世界里，这意味着被排除在参与社会认知生产的基本条件之外。
这与舒（Shue）的生存权框架有结构性相似。舒论证，生存权是基本权利，因为它是享有其他一切权利的物质前提。这里提出一个并行的命题：在 AI 日益成为社会认知基础设施的时代，参与认知生产—消费循环的权利，正在成为享有其他社会权利的认知前提。 一个人如果无法有效使用 AI（因为他的语言不被支持、他缺乏网络接入、他负担不起设备），他在教育、就业、信息获取、公共服务参与上的可行集合会被系统性地压缩。
这不是比喻。当政府服务、医疗咨询、教育资源越来越多地通过 AI 中介提供（或假设用户有 AI 辅助），一个被排斥者面对的不是"少了某种工具"，而是获取基本社会服务的渠道被关闭。这与"数字鸿沟"不同：数字鸿沟是程度的差异（用得好与用得差），认知排斥是性质的差异（能用与完全不能用）。
6.2 语言排斥作为基本权利问题
语言排斥是认知排斥中最尖锐、也最容易被主流讨论忽视的维度。
世界上约 7000 种语言中，被主流 AI 模型良好支持的不到 100 种。这意味着绝大多数人类语言的母语使用者，无法以母语获得有效的 AI 服务。如果一个社会的认知生产基础设施只服务于少数主流语言的使用者，那么它在结构上排斥了其他语言使用者参与认知生产的资格。
这与语言权的国际规范框架有直接关联。联合国《公民权利和政治权利国际公约》第 27 条保护少数群体使用自己语言的权利。如果 AI 基础设施日益成为社会认知生产的核心通道，那么以结构性方式排斥某些语言，就构成了对语言权的当代侵蚀。
问题不在于 AI 企业"没有义务"支持所有语言——在转变区间之前，这确实只是商业选择；问题在于，当 AI 基础设施深入功能性转变区间、成为认知生产的主导通道后，对某些语言的结构性排斥就不再是中性的商业决策，而变成了对基本参与权利的剥夺。 功能性转变改变了道德权重——这种改变在转变区间内逐渐加深，而非在某一点突然翻转。
6.3 全球正义维度
认知被排斥者高度集中于全球南方、边缘语言社区。三阶级结构不仅是国内正义问题，也是全球正义问题。
波格（Pogge）论证，全球贫困是现存全球制度秩序的可预见后果，发达国家公民对此负有消极义务（不维持不义秩序的义务）。这一框架可以延伸：如果全球 AI 基础设施系统性地以英语、汉语、少数主流语言为中心，而忽视绝大多数人类语言，那么这一基础设施的设计本身就是全球认知不正义的制度载体。计算领主（集中于少数国家）通过设计一种以自己的语言和文化为中心的认知基础设施，系统性地再生产了全球的认知不对称。这不是"自然的市场结果"，而是制度设计的可预见后果。
七、算法租金分配率：诊断与规范的连接
需要一个统一变量，把诊断与规范连接起来。它在本文中作为规范锚点被引入，其政策操作化是独立的制度设计课题。
7.1 概念定义
算法租金分配率（Algorithmic Rent Allocation Ratio，记为 ρARA）定义为：
分子包括以任何形式（货币补偿、公共服务、数据权益、所有权份额）回流给数据提供者（用户）、模型贡献者（标注者、研究者、开源社区）、以及全社会（通过税收或公共基金）的算法租金份额。分母是 AI 系统产生的全部算法租金。
当 ρARA → 0，几乎全部算法租金被计算领主独占；当 ρARA → 1，算法租金在被生成它的社会主体中广泛分配。
关于分母的必要澄清。 一个直觉困惑：当前主要前沿 AI 企业（OpenAI、Anthropic 等）仍在巨额亏损（OpenAI 2025 年收入逾 200 亿美元但亏损约 40 亿美元），如果企业本身不盈利，"算法租金被独占"的诊断是否还成立？
成立，但分母需要更精确的界定。算法租金的流向可以分解为三个部分：(1) 流向资本品供应商的租金，NVIDIA（2024 财年收入 1305 亿美元，同比增长 114%）和云服务商从 AI 企业的算力采购中获取的巨额回报；(2) 被计算领主留存/预期的租金——即使当前亏损，企业的估值（OpenAI 2026 年估值约 8520 亿美元，Anthropic 约 9650 亿美元）资本化了未来租金的预期，这些估值体现了市场对租金独占的信心；(3) 回流给共同生产者的租金，当前近乎为零。
亏损不否定租金的存在，只是说明租金当前主要流向了上游资本品供应商和被资本化为估值，而非以利润形式实现。ρARA 关注第 (3) 部分相对于三部分之和的比例——当前的极低水平不因企业是否盈利而改变。
7.2 作为诊断的描述性指标
ρARA 把"AI 的利益被谁拿走了"这个模糊判断转化为一个原则上可测量的量。精确测量面临数据不透明（计算领主的内部定价、数据估值、成本归因都是商业机密），但数量级可以通过以下方式估计：
- AI 企业的总利润中，有多少比例以税收形式回流社会？（进入分子）
- AI 企业以任何形式向数据贡献者的补偿支出占总收入的比例？（进入分子）
- 公共 AI 研究基金、开源模型维护支出、低资源语言支持项目的规模？（进入分子）
- AI 企业的净利润、股票回购、高管薪酬中超出行使管理职能所需的部分？（留在分母但不进入分子）
"算法租金"作为可货币化概念的最佳锚点，目前并非来自大语言模型领域，而是一个结构同构的案例：RealPage 算法定价案。白宫经济顾问委员会（CEA）2024 年估计，RealPage 的算法定价软件使美国租户每年超额支付约 38 亿美元租金（下限估计），覆盖全美至少 10% 以上的出租单元。2024 年 8 月美国司法部依《谢尔曼法》起诉，2025 年 11 月和解。算法被用于系统性压缩租户的可行集合（抬高他们不得不支付的租金），并将差额转化为房东和软件提供商的租金。ρARA 在这个案例中的对应物是：这 38 亿美元的超额支付中，有多少比例回流给了被抽取的租户？答案接近零。
回到 AI 领域本身，分配率的证据同样指向极低水平。在分配的收端（分子）：为 OpenAI 训练 ChatGPT 的肯尼亚 RLHF 标注工人时薪约 1.32–1.44 美元，菲律宾 Remotasks 工人每任务仅 0.02–0.50 美元，而普通用户（对话数据贡献者）的补偿为零——"数据分红"至今仍停留在政策提议阶段。在分配的支端（分母）：2024 年全球企业/私人 AI 投资达 2523 亿美元（创纪录，同比增长 26%），而公共 AI 研究基金的规模与之相差约一个数量级（企业:公共投资比约 10:1 量级）。在低资源语言支持方面——这直接关系到认知被排斥者的被纳入——投入近乎为零。
当前 AI 经济在分配率上，可能比传统工业经济更为极端。传统工业至少通过工资、税收、福利国家制度实现了某种程度的租金再分配，而 AI 经济的分配机制几乎没有建立。
7.3 作为规范的正义锚点
规范命题是一个弱命题：当 ρARA 显著低于某个阈值时，AI 经济的分配结构构成 pro tanto 非正义。 如果 AI 的效率增益主要是由全社会共同生产的，那么当这些增益被少数计算领主近乎完全地独占时，这种独占就丧失了道德保护——它不是"奖励创造价值"，而是"攫取共同生产的剩余"。
ρARA 把分配正义的追问从"应不应该有 AI 企业"（过于宏大）转化为"AI 产生的剩余应当以什么比例回流给它的共同生产者"（可争论、可量化、可立法）。这与罗尔斯差别原则有结构上的相似性：差别原则要求社会基本结构的安排使得最不利者的利益最大化；ρARA 要求 AI 经济的分配使得共同生产者（尤其是认知佃农和被排斥者）获得与其贡献相称的份额。合法的不平等必须能够为所有人（尤其是最不利者）带来利益，否则它丧失正当性。
7.4 为什么是分配率而不是分配量
为什么不直接讨论"给每个人分多少钱"（分配量）？
因为分配量无法捕捉结构性问题。一个计算领主可以发放可观的数据分红（分配量很高），但如果它同时通过算法地租从用户那里抽取了更多的价值，那么净分配可能是负的。分配率捕捉的是结构：在 AI 产生的全部剩余中，有多少比例回流给了共同生产者。它不受"先榨取再返还一点"的粉饰策略欺骗。
这与"财富相变"在精神上一致：相变关注的不是财富的绝对量，而是财富的功能（生活资源 vs 控制变量）。ρARA 关注的不是分配的绝对量，而是分配的结构比例（独占 vs 共享）。
八、回应可能的反驳
8.1 "激励神话"：超额集中是创新的必要代价
最常见的反驳：前沿 AI 开发需要巨额投资，只有允许超额回报才能激励企业承担风险；打破集中会扼杀创新。
这个反驳混淆了两件事：激励创新与允许无限集中。奖励创造价值与允许无限占有是两件事，前者正当，后者需要追问。
承认激励的必要性，不等于承认当前的集中程度是激励所必需的。关键问题是：激励所需的回报水平，与计算领主当前获取的超额租金，之间有多大差距？如果一个企业的合理回报（覆盖成本加风险溢价加合理利润）是其当前收入的若干分之一，那么超出部分就不是"激励"，而是"转变区间深处的控制租金"——追加的财富不再服务于激励，而服务于控制。
AI 创新的特殊性反而削弱了"集中即创新"的论证。AI 领域的大量核心创新（Transformer 架构、强化学习对齐方法、扩散模型）诞生于学术界或被公开发表。前沿 AI 企业的主要贡献往往是工程规模化（把已知架构训练到更大规模），而非基础创新。如果基础创新是公共的，而规模化是工程问题，那么"只有超额集中才能创新"就失去了大部分力量——它混淆了"工程规模化需要资本"（正确）与"只有垄断才能实现工程规模化"（不正确，公共算力和协作式训练也是可行路径）。
8.2 "开源已经解决问题"
第二种反驳：开源模型（Llama、Mistral、Qwen 等）的存在已经打破了认知生产手段的集中，三阶级结构是过时的描述。
这个反驳忽视了开源模型在 AI 产业链中的真实位置。当前的开源模型大多处于"接近前沿但非最前沿"的位置，最前沿的能力仍然掌握在闭源模型手中。开源确实为反抗提供了条件，但它没有瓦解三阶级结构。
第一，开源模型的训练本身依赖集中化的算力。一个开源模型在被发布之前，仍然是由一个拥有阈值以上算力的实体训练的。开源的是权重，不是训练能力。计算领主仍然控制着前沿能力的生成，开源只是事后释放了某些能力。
第二，开源模型的生态地位受制于闭源模型的功能性转变优势。当闭源模型通过数据飞轮和算力优势持续领先，开源模型处于"追赶者"位置，其生态影响力受限于它落后于前沿的程度。开源没有消除功能性转变，它只是在转变结构中提供了一个替代选择——这个替代选择的价值恰恰依赖于闭源模型没有完全锁死所有生态通道。一旦通道被锁死，开源模型就退化为纯粹的装饰。
"开源已经解决问题"混淆了"存在替代品"与"结构已被改变"。替代品的存在是重要的（它是反抗的条件），但它不等于结构的改变。
8.3 "权重的零复制成本意味着自然开放"
第三种反驳利用了本文自己强调的事实：模型权重的零边际复制成本。既然复制权重无成本，市场自然会走向开放，集中会自行瓦解。
这个反驳混淆了复制成本与开放激励。权重复制无成本，不意味着持有者有激励去开放。相反，正因为权重是相变后的控制变量（3.3 节），持有者有强烈的激励维持封闭——封闭带来的超额租金远高于开放的收益。零复制成本降低了开放的物质门槛，但它不改变持有者的策略计算。如果封闭带来的租金流足够大，持有者会投入大量资源维护封闭（法律保护、技术加密、生态绑定），即使复制本身无成本。
权重的零复制成本不是"自然开放"的保证，而是"开放在技术上几乎无成本、因此不开放的唯一理由是维护超额租金"的诊断。政治含义是：权重的开放不需要克服物质障碍，只需要克服政治障碍。
九、当前状况是否已越过阈值
在论证了财富阈值的存在性后，前作给出了一个经验估计：美国顶层财富水平已合理地落在过渡带内。这里做一个并行的经验估计。AI 基础设施的功能性转变区间比传统财富更难精确量化（因为认知生产手段缺乏财富那样的生理性硬约束），但近年公开数据已足以支撑方向性判断——这些方向性判断的力度足以支撑规范结论。
9.1 算力维度
算力相变已经发生，且正在加深。三个数据点足以支撑这一判断。
第一，训练成本已跨越只有极少数实体能够承担的门槛。GPT-4（2023）的训练算力成本约 7800 万美元，Gemini Ultra（2024）约 1.91 亿美元（Stanford HAI 2024 AI Index，仅算力成本）。前沿模型的下一代训练成本估计在 2.5 亿至 10 亿美元区间。
第二，10²⁶ FLOP 作为功能性转变区间的制度性近似已被多国监管采纳，能跨越该门槛的实体构成"极窄的集合"（Carnegie Endowment 2025）。监管阈值不是功能性转变的"证据"，而是监管机构对转变区间的行政近似。Stanford HAI 2025 AI Index 显示，2024 年近 90%、2025 年超过 90% 的"知名 AI 模型"来自产业界，学术与公共研究机构的贡献份额持续萎缩。
第三，算力供应链高度集中：NVIDIA 在 AI 加速芯片市场的份额达 80–95%，其 2024 财年收入 1305 亿美元（同比增长 114%），H100 的主要买家为 Meta（目标 35 万张）、Microsoft、OpenAI。
9.2 数据维度
数据相变已经发生。ChatGPT 的周活跃用户在 2025 年 10 月达到约 8 亿，2026 年初约 9 亿；而 Claude 的周活约 1900 万——两者差距达 40 倍以上。这一用户规模差距直接映射为数据飞轮的转速差距：更多用户→更多行为数据→更好的模型→更多用户。缺乏可比用户基础的竞争者，无论投入多少算力，在数据质量上无法追赶。数据飞轮的临界规模已经被少数模型跨越。
9.3 模型权重维度
权重相变已经发生。最前沿的模型权重（GPT-4、Gemini、Claude）均未公开，它们在生态中的主导地位使得封闭构成了对整个生态的控制。
"开源 AI"在这一结构中的真实位置值得观察。所有主流"开源"模型——Llama（Meta）、Qwen（阿里云）、Mistral（Mistral AI，累计融资约 37 亿欧元）、DeepSeek（深度求索）——实际上都由大型科技公司或重资本支持的实体训练。Meta 用于训练 Llama 3.1 405B 的硬件为两个 24000-GPU H100 集群（共 48000 块，硬件估值约 7.2 亿美元）。传统开源（Linux、Apache）是分布式社区贡献；AI 领域的"开源"是大公司训练完成后释放的权重文件，训练过程不开放，社区只能做微调、适配、评估等边缘工作。开源没有消除权重相变，它只是在相变结构中提供了一条替代通道，而且这条通道本身由计算领主掌控开关。
9.4 算法租金分配率的经验估计
精确测量 ρARA 面临数据不透明，但第七节已给出方向性证据。这里补充一个能够直观呈现分配形态的量级对比：
| 报酬/价值 | |
|---|---|
| 肯尼亚 RLHF 标注员（为 OpenAI 工作） | 时薪 $1.32–1.44 |
| 菲律宾 Remotasks 工人 | 每任务 $0.02–0.50 |
| 普通用户（对话数据贡献者） | 零补偿 |
| OpenAI 估值（2026.3） | 约 $8520 亿 |
| Anthropic 估值（2026） | 约 $9650 亿（已超过 OpenAI） |
数量级落差直接呈现了三阶级结构的分配形态。这不是"市场对贡献的定价"：标注工人的创伤性劳动与他们的报酬之间不存在任何合理的对应关系；普通用户的数据贡献在会计上不可见。粗略的国际比较：福利国家鼎盛时期传统经济的租金再分配率可能在 0.3–0.6 之间，当前 AI 经济的 ρARA 可能远低于 0.1。这不是精确测量，而是方向性判断。
9.5 三阶级结构与认知排斥的规模
计算领主的身份是明确的：能跨越 10²⁶ FLOP 阈值的少数前沿 AI 企业（OpenAI、Google DeepMind、Anthropic、Meta、xAI 等），以及控制关键算力基础设施的云服务商。
认知佃农的规模庞大：全球数以亿计的 AI 服务用户。其中最底层的佃农——数据标注工人——集中在肯尼亚（估计近 200 万数字工人）、菲律宾等全球南方国家，他们的劳动是模型能力的基础，但他们的报酬和劳动保护处于全球价值链的最底端。
认知被排斥者的规模更为庞大，且有可量化的人口学边界。两个维度足以界定：接入维度——国际电信联盟（ITU）2025 年数据，全球仍有约 22 亿人离线，53% 的人口无高速互联网接入。语言维度——全球现存约 7170 种语言（Ethnologue），主流 AI 模型良好支持的不超过 100 种（约 1.4%），ChatGPT 完全无法识别（F1=0）的语言至少有 384 种。即便不计语言障碍，仅从接入层面就有约 22 亿人被结构性排除在认知生产—消费循环之外。
当前的 AI 基础设施状况已合理地落在过渡带内。 三重相变已经发生且正在加深，三阶级结构已经成型且有可量化的人口学边界，ρARA 处于极低水平且有可观测的分配形态。规范结论对当代 AI 经济的现实状况具有直接适用性。
十、诊断的诚实
诊断可以浓缩为一个判断和一个变量。
判断：认知生产手段的集中已经深入功能性转变区间，三阶级结构已经成型，当前 AI 经济的分配形态构成 pro tanto 非正义。
变量是 ρARA：它把"AI 的利益被谁拿走了"从一个模糊的直觉转化为一个原则上可测量的比率，使得规范判断有了经验抓手。
论证链条是：三重载体（算力、数据、权重）各自存在功能性转变区间，三重互相强化形成自我加固的闭环（第二、三节）；这一闭环制造了三阶级结构，其本质是认知生产手段本身的集中化，而非仅仅是对用户数据的抽取（第四节）；集中的非正义性通过对算法租金的独占和制度俘获的六条通道得以确立（第五节）；当集中触及认知排斥，非正义升级为基本权利的结构性侵害（第六节）；当前的 ρARA 处于极低水平，规范结论因此对现实状况具有直接适用性（第九节）。
扩展：前作的相变论证针对自然人财富和法人财富，载体是货币、股权、不动产。这里把相变论证扩展到一种新型生产资料——认知生产手段。相变不是传统财富的特殊性质，而是一种更普遍的机制：任何在跨过阈值后从功能用途滑向控制用途的资源，都会发生相变。
限定：认知生产手段的相变有一个传统财富不具备的特殊性——模型权重的零边际复制成本。这使得模型权重相变的矫正成本接近于零（只需改变产权规则），这在传统财富的矫正中没有对应物。AI 时代的相变矫正，在某一重（权重）上比传统财富更容易，而在另一重（算力）上可能更难（因为算力的规模经济是物理性的）。
和前作一样，这里以诊断为主，不处方。论证了认知生产手段相变的非正义性，论证了 ρARA 作为规范锚点的合理性，但没有规定具体的矫正制度。矫正的具体形式——是数据信托、公共算力、权重公开立法、算力反垄断，还是尚未被设想的安排——是独立的问题，取决于具体社会的制度禀赋、政治可能性与技术发展。
也不承诺乐观。三阶级结构的自我强化机制是强大的，制度俘获在 AI 领域可能比在传统金融领域更隐蔽（因为收编代替了剥夺，自愿性掩盖了强制性），而认知被排斥者的处境可能比传统被剥夺者更难改善（因为他们连被组织进集体行动的基础都缺乏）。
但诊断的诚实要求承认：相变机制的存在是可论证的，三阶级结构是非正义的，ρARA 的当前水平是过低的，矫正的方向是可指明的。 至于矫正能否实现、以何种速度实现、通过何种博弈实现，不在理论中决定，在斗争中决定。理论能做的，是为斗争指出一个方向正确的诊断出口。
诊断完成之后，无法回避的问题是：被剥夺者怎么办？ 认知佃农如何在计算领主的基座上争取空间？认知被排斥者如何在连参与资格都不被承认的处境中行动？
一旦触及行动，本文使用的工具（产业组织经济学、公共选择理论、罗尔斯的分配正义）开始力不从心：它们能诊断制度的不义，但在"制度被深度俘获"的前提下，对"被剥夺者如何行动"的指导力迅速下降。行动的逻辑、集体行动在 AI 语境下的特殊困难、反抗的条件性策略，是独立的行动研究的课题。