一、引言：诊断之后
前篇做完了诊断。它论证了认知生产手段的功能性转变——算力、数据、模型权重进入功能性转变区间后，主要用途从训练与推理工具变为约束他人可行集合的控制变量；这一转变在三重载体上各自发生且互相强化；它制造了三阶级结构；超额集中通过制度俘获扭曲规则，构成 pro tanto 非正义；当扭曲触及认知排斥，非正义升级为基本权利侵害。
诊断刻意止步于诊断。前篇不处方，不开药，不 prescribe 政策工具。诊断有诊断的诚实。
但诊断之后的问题绕不开：被剥夺者怎么办？
如果认知生产手段的超额集中已丧失道德保护，那么从这种集中中夺回参与认知生产的条件，是否具有正当性？如果具有正当性，如何防止它退化为无序的技术卢德主义？如果不具有正当性，或者虽然有正当性但不能实践，那么被剥夺者的出路在哪里？
一旦触及行动，前篇使用的工具（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。
要承认这一点，并切换话语——走向集体行动与阶级分析的叙事。不是因为它更"正确"，而是因为它是历史上最系统地发展了"被压迫者如何通过集体行动改变结构"这一命题的思想传统。
但还有财富三部曲第二篇没有的一个额外困难：AI时代的被剥夺者比传统工人更难被组织起来。 这是本文的主要问题之一。
二、技术退出的正当性与死路
2.1 正当性：从诊断中推出
先承认前提：被剥夺者有权拒绝参与不义的结构。
这一权利从前篇的诊断中直接推出。超额集中已构成 pro tanto 非正义（算法租金的独占攫取了共同生产的剩余，制度俘获扭曲了规则，认知排斥剥夺了基本参与权利），那么对这一结构的拒绝就不等同于普通的"违约"或"搭便车"。如同一个已丧失正当性的政权下的反抗不构成叛乱。
在AI语境下，这种拒绝可以表现为多种形式：拒绝使用某个闭源模型，拒绝贡献数据，拒绝在某个基座上构建应用，转向开源替代品，甚至退出AI使用。
2.2 死路：个体退出的结构无效性
问题不在于逻辑。问题在于实践。
个体化的技术退出（一个人或一小群人拒绝使用某个AI服务）在实践中面临三重困境。
第一重：退出的代价不对称。 免费推理是收编的核心工具，它消除了使用的价格门槛，使得拒绝使用变得不理性。一个拒绝使用主流AI的认知佃农，付出的代价是丧失与同行竞争的认知能力增益。在一个AI能力日益成为就业、教育、信息获取前提的市场中，退出者不是"保持了纯洁"，而是"被竞争淘汰"。计算领主不因个别佃农的退出而受损，退出者却因退出而失去生存空间。每个人理性地计算后都会选择继续使用，即使他知道这种使用在结构上是被收编的。
第二重：退出不触及结构。 即使某个个体以某种方式承受了退出的代价，他的退出也不改变任何东西。算力依然集中，数据飞轮依然运转，闭源权重依然封闭，三阶级结构依然不变。个体退出是在一个不义的结构中表达了一种姿态，但结构本身纹丝不动。它不改变结构，它只在一个不义的结构中重新分配了一点（个体的）位置。 它是症状，不是治疗。
第三重：退出加剧边缘化。 最残酷的是，个体退出的代价主要由最脆弱的群体承担。一个有充足资源的认知佃农（高技能、有储蓄、有替代选项）或许能够承受退出某个闭源生态的代价；但一个勉强维持的认知佃农，或一个认知被排斥者，根本无法承受任何形式的退出——他们连参与都困难，何谈退出。个体退出作为一种"反抗策略"，实际上只对少数有特权的群体开放。能退出的退出，不能退出的被迫留下，二者之间的差距进一步拉大。
2.3 卢德主义的现代变体
值得警惕的是，个体化的技术退出如果以集体形式出现（如一场"拒绝AI"的社会运动），它会退化为卢德主义的现代变体。
十九世纪的卢德派砸毁织布机，因为他们正确地识别了机器是剥夺他们生计的工具。但砸毁机器不改变资本主义的生产关系，资本家可以买新的机器，而卢德派工人却被绞死或流放。卢德派的悲剧不在于他们的愤怒没有道理，而在于他们把矛头对准了技术而非结构。他们砸毁的是症状，不是病因。
AI时代的"砸机器"会以新的形式出现：拒绝使用AI、妖魔化AI、要求禁止AI、攻击AI基础设施。这些行动可能有强烈的情感正当性（愤怒来自真实的被剥夺），但它们在结构上是无效的：计算领主不会因为一部分人拒绝AI而放弃集中认知生产手段。更糟的是，"拒绝AI"的运动会被利用——计算领主可以借此将反对者描绘为"反进步"、"反创新"的卢德分子，从而在舆论上巩固"AI必然由少数大公司主导"的叙事。
正确的方向不是拒绝技术，而是改变技术的产权结构。问题的性质不允许个体层面的解决，也不允许无序层面的解决。它要求的是结构层面的解决。
三、自由主义行动理论的边界
不是说自由主义没有行动理论，恰恰相反，它有丰富的传统。但在"AI基础设施被深度俘获"这个前提下，这些行动理论的效力受到结构性限制。
3.1 自由主义在AI语境下的行动景观
自由主义在AI领域有一片丰富的行动景观。消费者选择与市场竞争是最经典的回答：如果某个AI提供商行为不当，用户可以用脚投票，转向替代品，市场竞争会惩罚不当行为。熊彼特式的回答是创新竞争：今天的计算领主可能是明天的被颠覆者——IBM曾被微软颠覆，微软曾被Google颠覆。制度改良派诉诸反垄断执法、数据保护立法、AI安全监管。奥斯特罗姆式的回答指向开源社区自治（Hugging Face、EleutherAI、LAION）作为公共池塘的实例。技术标准与互操作的倡导者认为，通过统一的模型格式、开放的API标准、可互操作的推理框架，可以降低用户在不同基座之间迁移的成本。
否认这些路径的存在是不诚实的。问题不在于它们不存在，而在于它们各自依赖的前提条件。
3.2 各路径的前提与失效条件
消费者选择失效于锁定效应。 当数据飞轮使得某个模型成为事实标准，用户即使想迁移也会因为质量差距而无法迁移。迁移的成本不是"换一个账号"，而是"接受显著的能力降级"。在一个AI能力日益关键的市场中，接受能力降级意味着接受竞争劣势。你"可以"选择离开，但选择的代价高到使得选择本身没有意义。
创新竞争失效于杀戮地带。 拥有压倒性算力和数据优势的玩家可以快速复制任何初创企业的创新，在初创企业建立市场地位之前将其扼杀。创新不是不可能发生，而是发生后很难存活。历史类比（IBM→微软→Google）的启发力在于那个时代的进入壁垒远低于今天：训练一个有用的软件产品不需要数十亿美元的算力，而训练一个前沿AI模型需要。进入壁垒的量级差异使得历史类比的力量大打折扣。
监管改良失效于制度俘获。 计算领主通过游说、旋转门、以"安全"为名设置高合规门槛，俘获了AI监管立法的过程。一个被俘获的监管机构，不可能有效约束俘获者。监管改良可以改善某些局部状况，但在深度俘获条件下，它不足以改变产生俘获的结构。
开源社区自治失效于规模不对等。 奥斯特罗姆的自治模型适用于地方性的、规模有限的公共池塘资源管理。开源社区依赖志愿劳动和有限资助，计算领主拥有数百亿美元的研发预算。训练前沿模型所需的算力规模，超出了任何开源社区的承担能力。开源可以提供替代品（这是反抗的条件），但它无法靠自身力量瓦解集中。
技术标准失效于生态绑定。 开放标准在理论上可以降低迁移成本，但在实践中，计算领主有强烈的激励抵制开放标准——因为开放标准削弱了他们的锁定能力。他们会推广自己的专有标准，通过生态工具绑定、API不兼容、微调资产不可迁移等方式，维持用户对他们基座的依赖。开放标准只有在有足够力量的多方共同推动下才能建立，而这种多方联盟的形成本身就是集体行动问题。
3.3 共同前提的崩塌
以上各路径的失效有一个共同的前提性原因：它们都预设了一个未被深度俘获的制度环境。 消费者选择预设市场是竞争性的（没有锁定），创新竞争预设进入壁垒是可跨越的（没有杀戮地带），监管改良预设监管机构是独立的（没有被俘获），开源自治预设规模是对等的（没有算力鸿沟），技术标准预设多方愿意合作（没有生态绑定）。
前篇的诊断恰恰对这些预设构成了挑战：当认知生产手段的集中达到系统性程度（算力、数据、权重的相变都已发生，制度俘获涵盖了立法、监管、舆论、人才、标准等多个通道），这些行动理论的解释力和效力迅速下降。
自由主义的行动理论在制度中立的预设下是强大的。当这个预设不成立，它的行动理论就走到了边界。
四、认知协调陷阱
自由主义的行动理论在深度俘获下效力递减。但这里还有一个更基本的问题：被剥夺者为什么不联合？原因不在于他们不认为制度有问题，而在于联合本身面临一个结构性的困境。
与既有平台劳动研究的关系。 Vallas & Schor (2020) 已经识别了平台劳动的一般性组织困难，平台使劳动过程对雇主比对工人更"可读"，使雇主能够"积极歧视其劳动力"。Prassl (2018) 系统分析了平台工人的集体权利困境。Tilly 的政治过程模型中的 repression/channeling 机制，以及 Earl (2022) 对数字镇压的研究，都为理解平台语境下的集体行动压制提供了成熟框架。下面要形式化的"认知协调陷阱"中，"空间分散"和"基础设施俘获"在平台劳动研究中已有表述。增量贡献在于：识别AI标注工人在雇主可见度和杠杆点两个维度上面临的、比一般零工经济更为严峻的特异性困难，并将这些困难整合为一个可命名的、可检验的结构性机制。
陷阱由四个互相约束的组件构成，前两个（空间分散、基础设施俘获）是平台劳动的一般特征，后两个（无触发点的收编、身份不透明）在AI标注劳动中被结构性加剧。四者共同构成一个多重约束（multiple binding constraints）结构：当多个约束同时绑定时，放松其中任何一个都不改善结果。
4.1 集体行动的经典悖论（前置）
奥尔森揭示了一个反直觉的真相：当一个群体的利益受到侵害时，群体中的每个个体都有动机等待别人出头，自己坐享其成。格拉诺维特的门槛模型进一步深化了这一困境：每个人加入集体行动都有一个"门槛"，如果门槛最低的那个人也不愿意做第一个，整个链条就不会启动。
经典理论隐含了一个前提：被剥夺者能够被组织起来，只是他们选择不组织。门槛模型的解是"有人先站出来"，一旦有人打破沉默，链条就能启动。传统工人运动的历史似乎印证了这一点：工会组织者站出来，工人跟进，罢工蔓延，制度回应。
在AI时代，这个隐含前提被动摇了。问题不再是"被剥夺者选择不组织"，而是"能够使被剥夺者联合起来的组织条件，恰恰被认知生产手段的集中结构所消除"。这不是经典协调困境的加剧版本，而是一个结构上不同的困境，一个陷阱。
4.2 陷阱的四个组件
组件一：空间分散（spatial dispersion）。
传统工人运动之所以可能，是因为工厂将工人物理地集中在同一个空间里。同一个工厂的工人每天在同一个空间工作，彼此认识，有日常交流，有共同劳动体验。工会可以在工厂建立支部，罢工可以从一个车间蔓延。十九世纪和二十世纪工人运动的组织力量，在很大程度上来自一个悖论性事实——资本把工人集中到生产场所中，反而为工人的集体行动提供了条件。
认知佃农没有这个条件。他们的"工作场所"是分散的：各自在电脑前使用AI服务，在各自的公司里构建应用，在各自的生活中贡献数据。一个在北京使用 GPT-4 的开发者，与一个在班加罗尔使用同一模型的开发者，与一个在柏林使用同一模型的开发者，他们之间没有任何日常的互动、共同的空间、可见的共同身份。认知佃农最底层的群体（数据标注工人）的分散性更为极端：他们各自在家中的网络节点上工作，甚至不知道谁在为同一平台标注同类任务。
组件二：基础设施俘获（infrastructure capture）。
集体行动需要沟通和组织的基础设施。传统工人运动依赖工会会堂、工人报刊、集会场所，这些基础设施虽然在政治上受到压制，但在物理上不掌握在雇主手中。
在AI时代，认知佃农能够用于组织的主要基础设施——数字平台、通讯工具、社交网络——恰恰掌握在集体行动的对象（或其同盟）手中。你不能用计算领主的平台来组织反对计算领主的行动。这不仅是技术问题，更是结构性的权力不对称：组织工具本身是俘获链条的一环。即使平台不主动审查（多数情况下它们不会，因为反抗规模太小不值得），它们对组织行动的可见性控制（算法推荐、内容审核）本身就构成了潜在的约束。标注工人在 WhatsApp 群组中协调，但这些群组运行在计算领主的云服务上，使用计算领主资助的通讯基础设施。
组件三：无触发点的收编（incorporation without trigger）。
传统工人运动往往由可见的压迫事件触发：裁员、降薪、工伤。"他们降了我们 20% 的工资"是一种强大的动员口号，因为它指向一个具体的、可见的、可归因的不义。
认知佃农的"被剥夺"没有这种可见的触发点。免费推理不是压迫，它是服务；数据贡献不是征用，它是使用；生态绑定不是囚禁，它是便利。计算领主提供的每一项服务都在改善认知佃农的即时处境（更高效、更有能力），即使这些服务同时巩固了结构性的依赖。这种"在被改善中被剥夺"的悖论，使得反抗难以获得情感动员的着力点。标注工人确实有可见的创伤（心理创伤、极端低薪），但他们的创伤被外包链路的四层中介（工人—承包商—平台—最终客户）稀释到无人认领，没有一个"具体的雇主"可以被指向、被抗议、被施压。
组件四：身份不透明（identity opacity）。
集体行动需要一个共同身份（"我们是工人"）。但"认知佃农"目前不是一个被广泛认同的身份，大多数 AI 用户认为自己是"消费者"或"用户"，不认为自己是"佃农"。共同身份的缺乏使得"我们"这个集体无法被建构，也就没有集体行动的主体。流动性幻觉（4.7 节进一步讨论）进一步瓦解了身份认同：如果每个人都相信"只要努力我就能成为领主"，就没有人会认同自己是佃农。
4.3 多重约束结构
陷阱的要害在于四组件构成一个多重约束（multiple binding constraints）结构。在经济学中，"多重约束"指多个约束同时绑定的情境：当多个约束同时绑定时，放松其中任何一个都不改善结果，只有同时放松足够多的约束，系统的状态才会改变。这与单一约束情境根本不同。
四组件的关系不是因果反馈（"一个被突破导致另一个重新闭合"），而是同时绑定的多重约束：
- 空间分散约束了身份建构（不碰面就无法形成"我们"）
- 身份不透明约束了利益识别（不认同自己是佃农就无法识别共同利益）
- 无触发点约束了动员（没有可见的不义事件就没有行动契机）
- 基础设施俘获约束了组织化（即使前三者被克服，组织工具掌握在对象手中）
一个在线社区把分散的标注工人连接起来了（放松了空间分散约束），但他们不认为自己是"被剥削的工人"（身份不透明约束仍然绑定），因此集体行动仍然无法启动——不是因为空间分散"重新闭合"了，而是因为另一个约束仍然有效。陷阱的效力不来自于任何单一组件的自我修复，而来自于多个约束同时绑定所形成的联合约束。
"多重约束"结构在零工经济中同样部分存在（空间分散和基础设施俘获对Uber司机同样适用）。AI标注劳动的特异性在于两个额外约束——雇主可见度的遮蔽和杠杆点的丧失——使得零工经济中有时可行的策略（如区域性罢工、指向单一平台的立法施压）在AI标注劳动中更难奏效。
4.4 经验印证：零工突破与AI特异性
陷阱的四个组件都有可观测的经验对应物。最有说明力的是一个对照。
零工经济的突破。 2026 年 5 月，马萨诸塞州约 7 万名 Uber/Lyft 司机正式建立了美国首个有集体谈判权的零工司机工会，覆盖面超过 80 万司机。更早些时候的加州 Proposition 22 之争则是反向案例：Uber、Lyft、DoorDash 为通过 Prop 22（将零工工人定义为独立承包人，排除在集体谈判权利之外）投入了超过 2.24 亿美元，创下加州历史上最昂贵的公投记录；2024 年 7 月加州最高法院一致裁决维持 Prop 22。
零工经济已经展示了分散化劳动的组织困难，这些困难与CCT的前两个组件（空间分散、基础设施俘获）高度重叠。但零工司机能够在马萨诸塞突破——如果CCT的前两个组件足以锁死集体行动，Uber司机不应取得这一突破。
AI标注劳动的特异性何在。 他们之所以能够突破，恰恰因为零工司机在两个CCT第三、四组件相关的维度上比AI标注工人更有利。
第一，雇主可见度。Uber司机面对的是单一可见的平台（Uber或Lyft），他们知道"谁在剥削我"，可以指向具体的谈判对象。AI标注工人面对的是多重外包链——工人→承包商（如Sama）→平台（如Scale AI/Remotasks）→最终客户（如OpenAI/Meta），没有一个单一的"雇主"可以被指向、被施压、被谈判。Daniel Motaung 2022 年起诉 Meta 和 Sama 的案件，其核心困难正是被告身份的模糊：谁应当为标注工人的劳动条件负责？
第二，杠杆点。Uber司机有地域性杠杆，一座城市的司机集体停接单，会立即使该城市的出行服务瘫痪。AI标注工人的任务可以被平台在全球范围内重新分配：肯尼亚工人罢工，平台可以将标注任务转移到菲律宾或孟加拉国，生产链条不被中断。2024 年 Remotasks 从肯尼亚、尼日利亚、巴基斯坦整国撤出的案例更极端：平台不是被动应对工人罢工，而是主动撤离整个地区，使工人在一国建立的组织网络瞬间失效，且工人连讨薪的杠杆都失去。
空间分散与基础设施俘获的印证。 2023 年 5 月，约 150 名支撑 Facebook、TikTok、ChatGPT 等系统的非洲工人在内罗毕集会，宣誓建立非洲内容审核员工会（ACMU）。这是迄今 AI 标注领域最重要的组织化尝试，但 150 人相对于全球数以百万计的标注工人，只是极小的比例——这个比例本身就是空间分散组件的印证。对比参照：美国"专业与技术服务"行业的工会化率仅 1.3%，仅高于金融业。即使正式雇佣的美国科技工人组织率已极低，跨境外包的标注工人的组织化难度在此基础上更高一个量级。
标注工人在 WhatsApp 群组中协调，但这些群组运行在计算领主的云服务上——基础设施俘获不是抽象的。
无触发点收编的印证。 AI 领域迄今规模最大的集体行动尝试，是 2023 年 3 月 Future of Life Institute 发起的"暂停大型 AI 实验"公开信，获得超过 3 万人签名（包括 Bengio、Musk 等知名研究者）。实际效果为零，没有任何主要实验室暂停训练。表达性集体行动（签名、呼吁）缺乏传统罢工的杠杆——不停止生产就无法施压。3 万人的道德呼吁无法约束资本驱动的 AI 竞赛。
退出成本的印证。 行业数据显示，企业从一个 AI 基座迁移到另一个的平均成本约 31.5 万美元，切换成本占总 AI 投资的 19–34%，微调资产的沉没损失可达 10 万至 50 万美元。OpenAI 在 2025 年 11 月的 API 弃用通知只给开发者约 6 个月迁移期。即使认知佃农想集体"用脚投票"，退出成本使得大规模迁移几乎不可能发生。
这两个维度——雇主可见度的遮蔽和杠杆点的丧失——构成了AI标注劳动区别于一般零工经济的特异性约束。 它们与认知生产手段的特定结构（全球可分配的标注任务、多重中介的外包链）直接相关。CCT的特异性正在于此：不是声称发现了平台劳动组织困难的全部机制（那些在 Vallas & Schor、Prassl、Cant 的工作中已有系统论述），而是识别了AI标注劳动在这两个维度上的特异性加剧，并将之整合进多重约束框架。
4.5 陷阱的可证伪性
CCT的关键可检验主张不是一个定义性的命题（"AI领域比工厂更分散"是近同义反复），而是一个比较性的经验预测：
预测：在控制人均收入、劳动力市场规模和劳动法框架后，AI标注外包中心（如内罗毕、马尼拉）的工人组织化率与集体行动成功率，应当低于同地区的零工司机（网约车、配送），差异主要归因于雇主可见度（外包链遮蔽 vs 单一可见平台）和杠杆点（全球可分配 vs 地域性停工）两个维度。
这个预测是可证伪的：如果研究发现AI标注工人的组织化率与零工司机没有显著差异，那么CCT的"AI特异性"主张就被证伪，困难将归因于平台劳动的一般结构（空间分散+基础设施俘获），而非认知生产手段的特定结构。目前不存在以组织化率为因变量的系统性三方比较研究（AI标注工人 vs 零工司机 vs 传统服务业工人），现有数据（ACMU仅150人、BLS科技行业工会化率1.3%）提供了方向性支持，但系统性的比较研究仍有待开展。
4.6 认知被排斥者的组织不可能性
如果认知佃农的组织已经是困难的（陷阱四组件全部作用），那么认知被排斥者的组织几乎是不可能的，他们连陷阱的起点都无法达到。
认知排斥之所以发生，正是因为它剥夺了被排斥者参与认知生产—消费循环的条件（语言、基础设施、经济、素养）。而这些条件恰恰也是组织集体行动所必需的条件。一个无法有效使用互联网的人，无法参与在线的集体行动；一个母语不被任何主流平台支持的人，难以进入跨语言的动员网络；一个为基本生存而挣扎的人，没有余力参与任何形式的组织化行动。
这构成了一个残酷的悖论：最需要集体行动的群体（认知被排斥者），恰恰是最难组织进集体行动的群体。 结构与反抗能力在这里形成了一个闭环：结构剥夺了被排斥者的参与条件，参与条件的剥夺又使得被排斥者无法组织起来改变结构。
这个闭环没有纯逻辑的解。它只能被部分地、渐进地、从外部打破——通过那些尚未被完全排斥的群体（认知佃农中的同情者、国际NGO、边缘语言社区中已获得一定数字接入的成员）为被排斥者争取可见性和条件。这正是第五节第一层级中数据贡献策略的意义所在。
4.7 陷阱与结构的其他保护机制
认知协调陷阱构成了认知生产手段集中结构的最深层保护层。前篇诊断的显性保护机制是制度俘获（通过游说扭曲规则）、舆论塑造（通过媒体控制叙事）、标准定义（通过生态地位改写评价）。财富三部曲第二篇识别的保护机制是霸权（让人不质疑）、疲惫（让人无精力）、强制（让人不敢）。
在所有这些机制之下，还有这一更基础的层面：即使一个被剥夺者质疑了结构、有精力反抗、也敢反抗，协调陷阱仍然让他选择等待。 不需要任何人设计这个保护机制，它只需要被剥夺者各自处于分散、无身份、无触发点、无自主基础设施的状态就能自动运行。计算领主不需要主动分裂被剥夺者，陷阱的结构已经使被剥夺者无法联合。
两种辅助的叙事机制进一步加固了陷阱。其一是流动性幻觉：三阶级结构的边界看似流动（"只要努力就能成为领主"），它瓦解了阶级团结的认知基础。其二是技术必然性的叙事："AI 天然会由少数大公司主导，因为训练前沿模型需要巨大算力"——它把社会结构自然化为技术规律。前篇已经反驳了这两种叙事的事实基础（算力集中不是必然的，权重的零复制成本意味着开放在技术上几乎无成本），但叙事的力量不在于其真实性，而在于其可信性。
这是AI时代的被剥夺者比传统工人更难反抗的结构性原因。
五、反抗的两个层级：从结构内部到替代性生产实体
如果陷阱是多重约束（放松单一约束无效），那么有效的反抗不能是单一策略，而必须是多层次的。反抗策略可以组织为两个层级：第一层级是在计算领主定义的游戏规则内博弈（结构内部的策略），第二层级是创造一个不同性质的生产实体（超越结构的策略）。第一层级有天花板，第二层级试图打破天花板。
5.1 第一层级：结构内部的策略
以下三种策略的共同特征是：它们都在计算领主控制的认知生产手段框架内运作，通过利用结构的缝隙来为被剥夺者争取有限的空间。 它们不是解放方案，而是在不改变产权结构的前提下改善处境的实用策略。
（一）数据贡献，突破认知被排斥者的不可见性
针对群体：认知被排斥者，尤其是低资源语言社区。被排斥者的首要困境不是"使用得差"，而是"根本不被看见"——他们的语言、文化、需求在训练语料中几乎不存在。通过参与 Common Voice（Mozilla 的众包语音数据集）、Masakhane（非洲语言NLP社区合作）、OPUS（开源平行语料库）等项目，边缘语言社区可以让自己的语言进入公共训练语料。这些贡献是缓慢的、代际的——一种语言从"不可见"到"有基本表征"可能需要数年的集体标注工作。但它是结构松动的前提：没有数据中的存在，任何后续的微调、适配、服务都是无米之炊。
边界：这一层依赖于社区的组织能力和集体意愿，不解决即时的服务缺失。另一个风险是：数据贡献如果只进入公共语料，可能被计算领主免费使用（爬取公共数据训练闭源模型），而不回馈贡献社区。因此，数据贡献需要与社区数据治理（数据合作社、使用条件协议）结合。但即使在没有完美数据治理的条件下，存在性贡献本身仍有价值——它至少打破了完全不可见的状态。
（二）社区微调，在开源基座上争取适配
针对群体：其语言或领域在开源基座模型中有一定表征（虽然不完美）的社区。通过 LoRA 等轻量微调技术，社区可以在开源基座上适配自己的语言和领域。一个在英语上有良好表征、但在斯瓦希里语上表现平平的开源模型，可以通过社区组织的标注数据进行微调，改善在特定任务上的表现。
但必须诚实承认这一策略的反抗限度。 并非所有在开源基座上的微调活动都构成"反抗"。大部分 HuggingFace 上的微调实际上是开发者在 Llama 上做应用开发、发布到商业市场，这更多是在为 Meta 完善 Llama 的生态粘性，而非挑战计算领主的结构。区分反抗性微调与依附性微调的标准是：前者填补计算领主不愿提供的服务空白（低资源语言、去审查对话、特定社区的文化适配），后者增加开源基座的商业生态价值（最大受益者是训练基座的大厂）。
无论哪种微调，都面临一个共同的深层限制：只要劳动者没有从零开始训练模型的能力，就必须依赖一个有这种能力的大厂来提供基座，并希望这个大厂保持开源策略。 大厂可以随时改变开源策略（HashiCorp、Redis、MongoDB 从开源转向"source available"的先例已经存在），届时基于旧版本的全部微调资产面临贬值。
实证研究还表明，社区微调的有效性高度依赖于基座在目标语言上的预训练表征质量。对几乎不可见的语言（基座在预训练中几乎没见过），微调只会产生"更自信的噪声"：LoRA 无法凭空创造不存在的表征。因此，数据贡献（一）与社区微调（二）是互补的：先有数据让基座产生基本表征，微调才有意义。
（三）佃农竞争，在领主之间争取可迁移性
针对群体：认知佃农中较有技术能力的群体（开发者、企业用户、AI工程师）。不拒绝使用领主的基座（那是死路），而是利用领主之间的竞争，迫使它们释放更多的微调权和生态开放。
机制：领主之间在争夺生态依赖（开发者、企业客户、数据贡献者）。为了吸引这些依赖，某个领主可能主动开放更多，类似 Google 开源 Android 对抗苹果的垂直整合。佃农作为"超级用户"，通过构建可移植的微调工具链（如 llama.cpp、Ollama、vLLM 等统一推理框架），将自己的微调资产变成可在不同基座间迁移的标准，从而倒逼更多领主跟进开放。DeepSeek、阿里通义千问、智谱等中国厂商的低价开源策略，已经在客观上对 OpenAI、Anthropic 构成了价格和开放性压力——这是佃农竞争逻辑的现实印证。
边界：这一策略依赖一个关键前提——领主之间没有达成全封闭的默契。 如果主要计算领主形成联合封闭的默契（共同限制微调、共同提高迁移成本、共同抵制开放标准），这一策略的根基就会坍塌。目前商业竞争倾向于某种程度的开放，但这是动态的、可逆转的条件。
第一层级的共同天花板。 以上三种策略有一个共同的结构性局限：它们都在计算领主定义的产权框架内运作。 数据贡献者贡献的数据可能被领主免费使用；社区微调者依赖领主释放的基座；佃农竞争者依赖领主之间的竞争格局。无论策略多么巧妙，它们的效力最终取决于计算领主的策略选择，而不是被剥夺者自身的控制。在不改变认知生产手段的产权结构的前提下，反抗只能争取空间，不能改变规则。
5.2 第二层级：替代性生产实体
第一层级的共同天花板指向一个更根本的策略方向：不是在计算领主的基座上博弈，而是创造一个不同性质的生产实体——一个不追求利润最大化、由公众或社区所有、收益回流共同生产者的AI基础设施。 这不是在结构内部争取空间，而是试图改变结构本身。
规范性要求。 一个真正具有反抗性的替代性生产实体，必须满足三个规范性条件：
- 所有权归属：实体由公众或社区持有，而非私人股东。这与"低价"或"开源"不同：低价是一个价格参数（任何竞争者都可以暂时使用），开源是一个许可策略（任何大厂都可以选择或放弃），而所有权归属是产权结构的根本安排。一个实体的"公共性"不在于它是否低价（DeepSeek 的低价是竞争策略），而在于它的剩余索取权归谁——算法租金流向全体所有者（公众/社区）还是少数股东。这是 ρARA 的产权基础。
- 民主治理：实体的治理不由资本独裁（股东会→董事会→经理层），而由多元利益相关者参与，包括所有者（公众）、技术专家、劳动者、用户代表。治理的难点在于民主参与与决策效率之间的张力：AI前沿竞争的速度极快，多方制衡的民主流程可能在决策速度上慢于私营竞争者。这一张力不能通过放弃民主治理来化解（那会退回传统的"行政集权"公有制），而需要通过诚实设定技术目标来缓解。
- 收益回流：实体的运营收益（扣除再投资后）不以利润形式归于股东，而以普惠分红或公共服务形式回流给共同生产者（公众、数据贡献者、标注工人）。这使得 ρARA 从接近零跃升到一个显著高于私营AI企业的水平。
技术目标的诚实定位。 替代性生产实体不需要在AI军备竞赛中取胜。一个诚实的目标是追赶前沿而非领先前沿：通过效率创新（而非规模堆砌）降低训练和服务成本，在关键领域保持"够用且不落后"的能力，优先服务被闭源巨头忽视的领域（低资源语言、公共服务业、边缘社区）。DeepSeek 已经证明，通过架构创新（MoE、多token预测等），可以在远低于前沿模型训练成本的条件下获得"接近前沿"的能力。替代性生产实体的目标不是复制 OpenAI，而是证明：在公共所有的产权框架下，认知生产可以不服从资本增殖的逻辑。
历史先例。 公共广播（BBC、NHK）在商业媒体之外提供公共服务，改变了媒体生态的竞争性质。公共事业（电力、水务、电信的普遍服务原则）在自然垄断领域以受规制或公共所有的形式防止私人收割。在具有强规模经济和公共品属性的领域，公共实体的存在能够改变整个市场的竞争性质——不是因为公共实体总是更高效，而是因为它的存在使得私人实体不能肆无忌惮地收割。AI基础设施具有类似的规模经济和公共品属性。
与第一层级的关系。 第二层级不是替代第一层级，而是为第一层级提供一个结构性的锚点。数据贡献者的劳动在替代性实体中有真正的归宿（数据回流社区而非被领主免费爬取）；社区微调者在公共基座上工作（不会突然改变开源策略）；佃农竞争者获得了更强的谈判杠杆（"退出"不再只是另一个领主，而是一个不同性质的实体）。
条件与边界。 替代性生产实体的建立面临的困难远大于第一层级的任何策略。它需要政治力量推动产权重构（不可能由个体或小社区自发完成），需要应对制度俘获风险（公共实体的管理者可能被计算领主游说或收买，第三篇的反俘获悖论在此同样适用），需要在民主治理与技术效率之间找到可行的平衡。其完整的产权与治理设计（所有权锁定、收益权安排、多方制衡架构、防集中机制）是独立的研究课题。
六、团结：两个层级的共同基础
第五节的两个反抗层级在性质上不同，但它们有一个共同的前提：都需要集体行动。 数据贡献需要社区协作，社区微调需要集体标注，佃农竞争需要标准化工具链的广泛采纳；替代性生产实体更是需要政治力量推动产权重构。没有一个反抗策略可以通过纯粹个体行动实现。集体行动需要团结。
6.1 团结的逻辑必然性
个体无法改变结构。但个体不是孤立的：在认知生产手段集中结构中被剥夺的不是一个人，而是千千万万人。他们分散时毫无力量，但如果他们联合起来，就构成了结构中能够对抗计算领主制度俘获的力量。
这就是团结的必要性——不是道德呼吁，而是结构使然。一个人拒绝不了不义的规则，一百万人可以。一个人无法让制度回应，一场社会运动可以。
在AI语境下，团结的对象扩展到了认知佃农和认知被排斥者，他们的"被剥夺"形式不同（不是工资被压低，而是认知生产手段被垄断），但团结的逻辑结构是相同的：分散的个体无力改变结构，联合的集体是唯一能够对抗制度俘获自我强化循环的力量。
6.2 陷阱的团结维度
团结在逻辑上是必然的，但在实践中是困难的——困难正是陷阱本身的另一种表达。陷阱的四个组件不仅是集体行动的障碍，也是团结的障碍：空间分散阻止信任网络的建构，基础设施俘获使团结的组织工具掌握在对象手中，无触发点的收编消除了团结的情感契机，身份不透明使得"我们"无法被建构。
真正需要追问的是：在陷阱的约束下，团结以什么形式可能？
6.3 团结的可能形式
尽管困难重重，团结并非不可能。它的可能形式可能是非传统的。高技能开发者、企业用户、普通AI用户之间存在足够多的共同利益（都受制于计算领主的基座控制、API定价、生态锁定），可能形成跨阶层的认知佃农联盟，通过标准化工具链、开源生态、行业自律来争取迁移性和议价能力——这种联盟不需要传统工会的形式，它可能以"开源社区+开发者协会+企业联盟"的形式出现。
类似于环保运动或人权的国际化，AI时代的团结可能以国际数字权利运动的形式出现——跨越国界的NGO、学术网络、政策倡导联盟，推动数据权益立法、算法租金分配、低资源语言支持等制度变革。认知被排斥者高度集中于全球南方和边缘语言社区，他们的团结可能以"全球南方AI主权"的形式出现，类似于历史上的资源主权运动：BRICS新开发银行、区域性AI研究合作、多语言模型倡议可能是这种团结的雏形。
这些形式都是初步的、脆弱的、不确定的。但它们的存在表明，团结在AI时代虽然困难，但并非没有萌芽的可能。
七、这不是说服，是表态
前篇的工具（产业组织、公共选择、罗尔斯）能够切开"认知生产手段的集中是否正义"这个问题。但到了"怎么办"，那些工具沉默了——自由主义行动理论在深度俘获下效力递减，个体退出是死路，认知协调陷阱锁住了集体行动的组织条件。集体行动与团结的叙事从这里接手，不是因为它更"正确"，而是因为它是历史上最系统地发展了"被压迫者如何通过集体行动改变结构"这一命题的思想传统。
这一节不会说服任何不认同的人。认同的人（那些已经感受到认知生产手段集中之压迫的人）不需要这一节来告诉他们团结是必要的。不认同的人（那些从现有结构中获益或相信现有结构可以自我修正的人）永远不会被这一节说服。
这一节的功能不是说服，是表态：如果你跟随着本文的逻辑走到了这里，那么你不应该假装这一切对被剥夺者来说没有任何行动含义。
逻辑的终点在这里。结构内部的策略争取有限空间，替代性生产实体指向改变规则本身。制度变革需要团结，团结需要组织，组织需要行动。
八、结论：行动的条件性
本文的推进可以浓缩为一句话：在AI时代，个体反抗是死路，集体行动面临认知协调陷阱这一多重约束结构，而打破陷阱天花板的方向是创造替代性生产实体。
个体技术退出不触及结构（第二节），自由主义行动理论在深度俘获下效力递减（第三节），认知协调陷阱使得集体行动的组织条件本身被结构消除（第四节）。陷阱的独创之处不在于发现平台劳动的一般性组织困难（Vallas & Schor, Prassl 已有论述），而在于识别AI标注劳动在雇主可见度和杠杆点两个维度上的特异性加剧。马萨诸塞7万Uber/Lyft司机2026年建立工会与AI标注工人迄今最大组织化尝试仅150人的对照，为陷阱的可证伪预测提供了初步支持。
反抗策略因此被组织为两个层级。结构内部的策略（数据贡献、社区微调、佃农竞争）有不可逾越的天花板：只要产权结构不变，反抗效力就始终受制于计算领主的选择。替代性生产实体指向改变产权结构本身。两者互补，前提都是集体行动和团结。
本文也面临财富三部曲第二篇没有的一个额外悖论：认知被排斥者的组织不可能性。 最需要集体行动的群体恰恰是最无法被组织进集体行动的群体。这个悖论没有纯逻辑的解，它只能被部分地、从外部打破——这赋予了第一层级中数据贡献策略与外部团结者（国际NGO、已获得数字接入的边缘社区成员）的特殊重要性，也使得第二层级的替代性生产实体具有特殊意义（它可以为被排斥者提供不需要"先被组织"就能受益的公共AI服务）。
行动的诚实要求承认另一面：不行动是确定性地维持现状。 认知生产手段的集中不会因为被诊断就自行瓦解，三阶级结构不会因为被识别就自动松动，ρARA 不会因为被提出就自动提高，认知协调陷阱不会因为被命名就自行解锁。一切改变都需要行动者的实践——从第一层级中与自身位置最切近的策略开始，同时为第二层级的制度变革积累条件和组织经验。
至于走出之后如何设计不被俘获的新制度，那是第三篇的问题。