AI泡沫是几个潜在的社会问题
AI泡沫是几个潜在的社会问题
作为前沿AI的前沿实践者，不管是我自己创业还是在AI创业公司打工，对于 AI 产品的商业化总有一种无力感，和割裂感。
无力感是来自于尽管在 AI 的加持之下觉得自己的简直就像是拥有了超能力，感觉自己可以做到任何事情。但是却看不到有什么真实需求的商业场景。
割裂感来自于，少数做偏底层的公司（模型、模型公司做harness）市场新闻非常多，融资也很多，人才也很多，但是他们的产品有点自产自销的感觉，也就是实际使用者还是在这个AI行业内想抓住风口的人。但是脱离出AI行业，其他行业、下沉市场，大家的生活中几乎是不用AI的。
唯一感到有市场的应用场景就是一帮做自媒体的。不论是玄学、漫剧、AI短剧…，愿意给AI产品付真钱的人就是这帮人。这不是体感，而是创业公司的真实情况。现在什么卖得最好？中转站、生图、视频平台。
这个现象让我思考。AI在C端市场的闭环商业逻辑，仍然是十年前出现的抖音带来的流量-广告-电商的变现逻辑。
B端市场，在中国没有好到哪里去。在真实和少数企业老板的接触之后，甚至在和前沿的AI从业者接触之后，我发现，绝大多数（这个绝大多数可能是99.99%的比例）对 agent 技术的理解几乎为零。有限的理解也是错误的。所以会导致：不知道怎么应用；更要命的是，不敢期待、也无法想象能用 agent 来做些什么。
另外，在真实的企业落地场景中，我发现阻碍还来自于这三个地方。
第一，中国很多企业是依靠便宜劳动力的。一个月三四千就能养个干杂活的人，随叫随到。虽然智能水平一定是比AI低的。但是对于管理者来说最大的好处就是可以甩锅。这个甩锅的意思是：原本需要管理者定义清楚的业务流程、数据规范、决策原则，管理者都可以不用那么勤奋地思考了，都交给下属。如果结果不好，那就训下属就行了，但是就是不主动给解决方案。我认为这样的管理者极其傻逼，但是现实情况就是这种傻逼遍地都是。
Agent 虽然智能水平高，但是依靠使用者清晰地描述需求、定义北极星指标、决策可用资源的限制水平并对此负责、抽象业务逻辑成为可执行的循环步骤……这里面的每一条，其实对人的要求都非常高。而普通管理者，不论是不是老板，决策慵懒、习惯用训骂下属来转移焦虑情绪才是最常见的做法，在中国这个人均教育水平不高的环境内，更加是被人习以为常。
第二，账算下来用人比用AI划算。AI只能代劳数字世界的行为，但是在制造业场景、还有一些因为生态限制（比如微信）的场景，AI无法代劳。所以在全流程上看的的话，能加速的环节、带来的价值增量非常有限。比如，有些数据必须要人手去输入、有些消息在微信中必须要人手去发送。当然有办法可以绕开这些限制，但是这所带来的自动化升级成本就比单纯应用 agent 要高很多了，比如做一套自动化实验室、微信的收发外挂（还有封号风险）。
这也解释了为什么在纯数字化的业务中 AI 是被更先应用的场景。最重要的是需要数字化的环节是商业场景中价值最高的环节，这时候做 AI 升级才是最划算的。但是中国主流业态其实还是人力密集型的产业居多。最终老板会发现，用AI还要给他配一套数字化升级系统，还要自己做艰难的决策，带来的价值还不高，所以算到最后还是用人划算。
第三，打工人的抗拒。B端场景的产品都是老板买单，使用者则是打工人。已经有调查发现了，打工人很抗拒使用公司采购的AI产品，但是自己却会背地里偷偷地用。
打工的工资定价逻辑是劳动力在市场上的不可替代性。如果随便一个什么人只要用 AI 就能把工作完成得十分出色，那么最大的价值就是 AI工具，而不再是操作工具的人。就像被淘汰的很多岗位：打字员、接线员……工具进步了，就不需要这些“操作者”了。
但是打工人偷偷用，则是误导老板认为产生的额外价值是来自于他的人，而非工具。这样老板就会给他涨薪，而不是开了他、去雇佣更便宜的年轻劳动力、再给这些年轻劳动力配上好的 AI 工具。
从经济学的角度来看，这些现象的根本原因，是当代社会的经济制度中的分配原则已经不能适用在AI领域。
AI 的产出物是智力，也就是做决策：写代码、写文章、生图……都是在做决策。使其成为现实的是给AI 大模型配了很多软件工具。这些所有之前人类来做的事情，本质上靠的是人类在学习成长过程中的经验积累。人类的经验积累其实也就是和训练大模型一样，只不过训练的是人脑中的神经元网络。
大模型公司用非常低的成本获取了海量的训练数据。按照旧的逻辑，如果要获取这些数据，那就要雇佣每一个产生这些数据的人——基本上就是有互联网以来的每一位参与者——而这是不可能的。
所以按照道理，AI模型厂商就应该给这些贡献数据的人分收入。但是这在实际操作上基本做不到。那么最好的方式就是向模型厂商收税。然后把这部分税收再通过某种形式返回给继续贡献的人手中。
实际上现在模型的迭代已经不是简单的数据预训练了。现在最宝贵的数据是用户在真实使用 agent 的过程中所产生的 agent trace（也就是agent调用工具的执行步骤细节）。用这些数据来继续训练模型，用户们通过真实场景所催生出来的 agent 执行经验就会被继续内化到模型里面去，变成下一代的更厉害的模型。
现实就是，各大厂商都在通过各种手段获取 agent trace 数据。甚至不少在动歪脑筋，比如从 agent 应用创业公司购买、通过某种 agent 行为安全监控产品偷偷收集。但是厂商依旧是没有为这些数据付出相应的钱，即使付了，这些钱也没有回到催生出这些数据的人手中。
所以，国家应该向模型厂商收税，并把税收补贴给高强度使用 AI 的人手中。
AI 大模型技术所隐含的社会叙事，已经和传统资本主义定义的社会组织结构已经发生了分歧。
AI 大模型所要求的是大家一起为一个”智力的共同体”贡献价值，然后这个共同体的价值大家一起用。而在传统叙事中，稀缺性才是市场存在的根本要素。当一个元素不再稀缺，那就不会有市场形成。你听说过交易空气的市场吗？
所以 AI 用得越多、AI 模型越强，智力市场（就业市场）就瓦解得越快。所以你会看到大家都偷偷用。而且虽然 vibe coding 的产品越来越不值钱，但是还是有人在做。为什么？因为软件才能收费，教别人用 AI 是无法收费的。除非你卖课割韭菜，这个市场一直很活跃。
所以大模型的诞生有一种智力上有了一个“人类智力共同体”的感觉，但目前还是被包装成了一种存在于过去时代的软件形态。这是非常不合理的。
一边是越应用 AI 越被替代，一边是以稀缺性为基础的智力市场（就业、设计、咨询、软件开发……）仍然继续存在着，参与者还要不断偷偷用 AI 来提升竞争力。这种撕裂会越来越明显，分配的差距也会越来越大：模型公司赚了很多钱，模型变得越来越聪明了，但是越来越多的人都失业了。
这种撕裂不会自行消退，只会越来越大。
因为社会经济是需要流动性的。当智力服务行业的流动性都流向闭源 AI 厂商的时候、当 AI 所能改造和增益的生产环节都做得差不多的时候，那么流动性就会枯竭。