11 min read

AI 思想家 Amba Kak :所谓\"AI革命\",本质上是一场少数巨头的\"权力革命\",而不是社会的\"进步革命\"

Source: http://x.com/i/article/2050826943772393472

最近在看 Time 评选的最有影响 AI 100 有谁。Thinker 分类下的 Amba Kak 的观点我觉得非常深刻。

*Amba Kak的核心论点:所谓"AI革命",本质上是一场少数巨头的"权力革命",而不是社会的"进步革命"。

要理解她为什么坚持这个立场,关键是要看她的知识背景和工作经历。Amba Kak是罗德学者(Rhodes Scholar,印度名额)出身,做过印度电信监管机构的法律顾问、Mozilla的全球政策顾问、美国联邦贸易委员会(FTC)AI高级顾问,现在是纽约AI Now Institute的联合执行主任,同时还是Signal基金会的董事。她整个职业轨迹都在"公共利益技术政策"这条线上——不是研究模型怎么变得更聪明,而是研究当一项技术变得强大时,谁拥有它、谁定义它、它的代价由谁承担。她的TIME 100入选理由也正是这种"权力批判"视角。

ainowinstitute.org

一、她的核心隐喻:AI不是"新事物",是"监控商业模式"的延续

Kak反复强调的一个判断是:很多人误以为生成式AI是从天而降的新革命,但其实它是过去十五年互联网"监控商业模式"(surveillance business model)的自然延伸和升级版。过去十年,Google、Meta、Amazon、Microsoft靠平台垄断、数据吸纳、网络效应建立起优势——海量用户数据、最强算力、最贵的人才、最深的资本——这些恰好就是训练大模型必需的所有要素。所以当生成式AI爆发时,能"上桌"的玩家几乎只有这几家老巨头,加上它们投资或绑定的那一小撮"新贵"(OpenAI被Microsoft绑定、Anthropic被Amazon和Google绑定)。

她在2023年与Sarah Myers West、Meredith Whittaker合写的MIT Technology Review文章标题就毫不含糊——"Make no mistake—AI is owned by Big Tech"(别搞错了,AI是大科技公司的)。她指出,许多看起来在"百花齐放"的AI初创公司,实际上只是在许可、转售、再包装几家巨头的模型。表面上是新生态,实质是"租来的革命"。她在2024年TechCrunch的访谈里把这件事说得更直白:真正的问题不是模型本身,而是"一小群公司——以及这些公司里更小一群个人——史无前例地累积了资本、网络和权力,并且在拥有巨大社会经济影响力的同时,几乎不受任何约束地行使这种权力"。 `technologyreview.com` `techcrunch.com`

她在2024年向参议院商业委员会作证时给出了一个非常锋利的比喻:我们正在见证"大科技公司从监控垄断者无缝过渡为AI垄断者"(the seamless transition of Big Tech from surveillance monopolies to AI monopolies)。这句话是理解她整套观点的钥匙——AI不是打破旧秩序,而是给旧秩序换了一层皮、加了一倍杠杆。 `ainowinstitute.org`

二、"集中"具体集中在哪里:拆开AI技术栈来看

Kak的研究方法有一个特点:她拒绝把"AI"当一个抽象概念来谈,而是坚持把它拆成"AI stack"——也就是一层一层的技术栈和供应链——再追问每一层的权力归属。这个方法她在国会作证、UN演讲、AI Now的多份报告里都反复用。归纳起来主要是四层:

算力层(Compute)。

训练前沿模型需要数万张高端GPU、专用数据中心和稳定电力。这一层被英伟达(芯片)和三朵云(AWS、Azure、Google Cloud)几乎完全锁死。即便OpenAI、Anthropic这种"前沿实验室",也必须租用云巨头的算力,这就是为什么巨头能通过"投资+算力捆绑"的方式把它们牢牢握在手里。

数据层(Data)。 训练数据来自十多年互联网监控积累下来的用户行为、内容、关系图谱。Google用搜索数据训练AI、Meta用社交数据训练AI——新进入者几乎不可能复制这种数据资产。她特别警告:研究表明大模型可以从最普通的提示词中推断出高度个人化的信息,所以"所有道路都可能再次通向监控广告这套老路,连生成式AI也不例外"。

劳动层(Labor)。 这是Kak强调得特别多、但主流AI叙事最常忽略的一层。AI看起来是"算法的胜利",但其实背后有数以百万计的"数据工人"——肯尼亚、菲律宾、委内瑞拉的数据标注员、内容审核员,他们以极低工资完成数据集的清洗和RLHF反馈。她在UN演讲中称这是"被隐形化的劳动"(invisibilized labor),让数据集变成"AI-ready"的关键,却几乎没有得到任何价值分成。除此之外,还有被AI替代或被迫训练自己替代品的白领劳动者——她在Q2L Summit 2025上指出,"即便AI还没有真正能力取代人类劳动,它也已经被当作正当化资本进一步集中控制权的借口"。

规则层(Rules / Policy)。 这一层是她作为政策学者最关注的。她的判断是:巨头不仅控制了算力、数据、劳动,还在主导规则的制定本身——通过游说、通过参与"AI安全"叙事、通过自愿承诺替代强制监管、通过"自我评估"代替独立科学评估。她在UN大会上说得很重:我们不能让"公司给自己的作业打分"(companies grading their own homework),更不能让它们"先来定义评估标准本身"。 `ainowinstitute.org`

她总结说:AI的供应链是全球分布的——稀土矿在非洲、数据中心建在水电资源紧张的地区、数据标注员在全球南方——但价值和财富的生成,却高度集中在极少数公司手里。这就是她最有穿透力的那个图景:分散的成本,集中的收益。

三、为什么"民主化AI"和"AI产业政策"也未必能解决问题

Kak最有原创性的贡献之一,是她对"AI民主化"和各国AI产业政策的批判。2024年3月她主导发布了AI Now的旗舰报告《AI Nationalism(s): Global Industrial Policy Approaches to AI》,系统比较了美国、欧盟、英国、印度的AI产业政策。她得出的结论非常反直觉:很多打着"民主化AI"、"自主可控"、"国家AI战略"旗号的政策,实质上反而在强化对美国大科技公司的结构性依赖。

她举的典型例子是美国的National AI Research Resource (NAIRR):表面上是建立"公共AI研究基础设施"让学界也能用上算力,但实际运作方式是请AI公司"捐赠"算力、数据集到一个由NSF托管的公私合营市场上——最终所有道路依然通向产业。英国政府投资15亿美元建算力,Microsoft紧接着承诺投入近双倍的资金——公共投资不仅没有制衡私人垄断,反而把私人垄断的位置进一步合法化。她和Sarah Myers West在该报告中提出一个尖锐的反问:如果"民主化AI"只意味着"让更多玩家加入到由商业公司定义的研究地平线里",那不过是装点门面的民主化,并没有真正挑战支配关系("simply diversifying the range of actors involved in AI development while commercial entities continue to define the horizon for development does little to contest their dominance")。 `ainowinstitute.org`

这一点对全球南方国家尤其重要。许多发展中国家的"主权AI"战略,最后变成了向英伟达买芯片、向AWS租云、用Meta开源的Llama做微调——主权两个字写在表面,底层依赖反而比以前更深。

四、她提出的替代方案:不是反对AI,而是争夺"权力的分配方式

Kak并不是技术悲观主义者,她明确反对"反技术"立场。她真正主张的是改变AI的权力结构,方案大致可以归为三条:

第一,反垄断和竞争政策必须真刀真枪用起来。

她认为这是这一代政策制定者拥有的最关键杠杆。她强调"现在的市场结构有重大扭曲——掌握资源的公司不能滥用'造王者'地位把门关在身后",需要全球协同的竞争政策来纠正。她在AI Now的2025年报告《Artificial Power》里把这一立场推到底:这不是关于"进步"的辩论,而是关于"权力"的辩论("This should be a fight about power, not progress.")。 `ainowinstitute.org`

第二,强隐私法和数据最小化是AI治理的前置条件。

她在国会作证的核心论点是:没有强隐私法,任何AI治理都是空中楼阁。因为大模型的优势恰恰建立在无节制吸纳个人数据之上,如果不在源头上限制数据攫取,所有"安全"、"对齐"的讨论都只是技术细节问题。她反对那种"AI是全新事物所以需要全新框架"的论调——她认为这正是巨头希望大家相信的,因为这样可以推迟监管、并让它们主导新框架的设计。

第三,明确禁止某些AI应用,而不是只谈"风险管理"。

她支持对情绪识别、工作场所/警务/移民场景中的生物识别等"已被科学证伪或社会有害"的应用直接禁用,而不是用"风险评估"这种容易被巨头操作的灵活工具来软处理。

第四,资源面向社区的另类AI路径,配合再分配性税收。

这是她在UN大会上提出的:产业政策应该资源化"由社区主导、对社区负责"的AI路径,配合再分配性税收政策——把巨头从AI热潮中获得的超额收益部分回馈到公共领域。

五、她为什么重要:把"AI辩论"从技术问题拉回到政治经济问题**

如果说Hinton、Bengio这些人提醒的是"AI可能很危险",Karpathy、Sutskever这些人讨论的是"AI能力前沿在哪里",那么Kak真正的贡献是把第三个维度强行推到桌面上——"AI的政治经济学":谁拥有它、谁从它身上赚钱、谁承担它的代价、谁有资格制定它的规则。

她对当下AI热潮还有一个非常冷静的判断,值得在最后单独提一下。她在UN大会上指出:考虑到"令人咋舌的资本支出、清晰盈利路径的缺失、急于抢先入市的疯狂",公司有强烈动机夸大收益、淡化风险。换句话说,她警示的不只是"垄断",还包括这场垄断本身可能建立在一个尚未被证明的商业故事之上——而泡沫一旦出问题,社会承担的代价(公共资金、能源、土地、就业冲击)将远比公司承担的代价更重。这也是为什么2025年她观察到密苏里州小镇居民投票罢免支持60亿美元数据中心交易的市议员等"草根反弹",并把它解读为公众情绪的转折点。 `linkedin.com`

总结她思想的一句话可以这样写:AI革命的真正问题不是"机器会不会取代人",而是"在机器变得越来越强的同时,决定一切的权力正在被前所未有地集中到极少数人手里"——而这件事,并不是技术决定的,是政策和制度选择的结果,所以也可以用政策和制度去改变。