从变量出发,而不是从剧情出发
目前并不存在对某个后 AGI 社会的实际观察。因此,「AGI 之后」并不是一个我们能像描述一次选举、一场衰退或一款产品发布那样去描述的既成事实的时期。它是一整个由关于能力、成本、获取渠道、所有权、安全性与政治应对方式的假设所构建出来的情景家族。一个有用的情景,会让这些假设清晰可见;一个糟糕的情景,则会把它们藏在一个生动的故事背后。
即便是这个技术层面的起点,也充满不确定性。《2026 年国际 AI 安全报告》描述了一种快速的进步,与参差不齐的能力、测试与真实世界表现之间的评估落差,以及通往 2030 年的若干条说得通的发展路径并存的局面。它并未认可某一个到来日期,也没有认可某一条必然的发展轨迹。这种不确定性应当延续到社会层面的分析之中。
以下四个变量,承担了其中大部分的解释工作:
- 速度: 广泛具有变革性的能力,是在数年间逐步扩散,还是来得比雇主、监管者、学校与家庭所能调整适应的速度更快?
- 获取渠道: 这种能力是数以百万计的组织与个人都能获得,还是由少数几家供应商与政府所掌控?
- 所有权: 谁拥有这些模型、芯片、能源基础设施、数据中心、配套业务,以及由此产生的收入?
- 控制: 各类机构是否保留了审查、限制、替换与申诉由 AI 中介做出的决定的能力?
下文的各个情景,并不是附带具体概率的预测,而是压力测试。现实可能同时融合这四者的特征,可能因国家而异,也可能从其中一种情景转向另一种。
情景一:有管理的扩散
在有管理的扩散情景中,能力提升得很快,但并非一蹴而就。系统能够自动化更大范围的工作,但部署仍然受到整合成本、可靠性、法律、实体基础设施与组织惯性的制约。在任何一套系统变得不可或缺之前,政府就已扩大了转型支持,企业已经重新设计了岗位,安全方面的要求也已经趋于成熟。
这是与当前证据最为连贯一致的情景。国际劳工组织 2025 年的暴露度指数发现,每四名劳动者中就有一人所处的职业存在某种程度的生成式 AI 暴露,但该组织认为,职业的转型比整体替代更有可能发生,因为各种职业中都包含着仍然需要人类投入的任务。「暴露」不等于「采用」,而「采用」也不等于「消灭一份工作」。
有管理的扩散并不能保证公平。在整个职业彻底消失之前,入门级的路径就可能先行收窄。生产率的提升,可能会流向所有者,而工资却停滞不前。数字基础设施薄弱的地区,可能会被甩在后面。区别在于,各类机构有时间去观察这些影响,并通过培训、集体谈判、税收、竞争政策、公共投资与调整工作时间来加以应对。
在这样一个世界里,家庭的策略是适应,而不是退缩:培养能与新工具互补的技能,减少对单一雇主的依赖,维系人际网络,并参与到那些决定这些系统该如何部署的机构之中。
情景二:集中式的加速
在集中式的加速情景中,少数几家公司获得了巨大的能力领先优势,并将获取渠道牢牢掌控在自己手中。它们的系统,成为研究、软件、金融、物流、媒体与公共行政不可或缺的关键投入。经济产出上升,但议价能力却向模型与算力的所有者一方倾斜。
即便 AGI 本身仍是假设性的,集中化本身却并不是假设。一项美国联邦贸易委员会工作人员研究记录了三项将 Alphabet、亚马逊与微软,同 Anthropic 或 OpenAI 联系在一起的合作关系中所涉及的股权与收入分成权、咨询或控制权、排他性条款、云支出承诺,以及信息共享安排。该研究样本仅限于这几项合作关系,反映的是工作人员截至 2024 年 9 月所能获得的信息,以及截至 2025 年 1 月的公开材料;不应将其推广到每一段云服务商与开发者之间的关系上。该报告识别出的是潜在的转换成本与依赖关系,而不是对某项反垄断违规行为的裁定。
在这一情景中,物质上的富足可以与政治上的脆弱性并存。政府可能会依赖那些自己无法轻易替换的供应商。劳动者可能会获得更便宜的服务,却同时失去收入与议价能力。公民或许在形式上依然保有权利,却难以对那些通过专有系统做出的决定提出质疑。一家公司并不需要有意去治理整个社会,依赖关系本身就足以赋予它一种类似治理的权力。
真正具有决定性的政策,不是应急储备,而是所有权、互操作性、税收、反垄断、公共采购、审计权限、公共选项,以及对让渡主权职能的限制。核心问题在于:公众能否在不使自身日常生活所依赖的系统失灵的前提下,更换供应商或改变政策。
情景三:开放式的扩散
在开放式的扩散情景中,高水平的能力通过开放权重、廉价推理、被复制的系统,或激烈的竞争,变得广泛可及。创新迅速传播开来。小型企业、研究人员、社区与低收入国家,得以获得那些原本会被锁在昂贵 API 背后的工具。没有任何一家供应商,能够成为不可绕开的把关者。
这样做的好处,是分散化的行动能力;而风险,则是分散化的危险能力。一旦模型权重被广泛镜像存储,最初的发布者就无法可靠地召回每一份副本,防护措施也可能被人修改。美国国家电信和信息管理局 2024 年 7 月关于开放模型的报告得出结论认为,当时可获得的证据尚不足以支持全面限制,但同时建议持续监测,并保持在未来模型改变这一力量平衡时作出响应的能力。这种带有时间标注、附带条件的立场,比简单地把「开放」等同于「天然安全」或「天然鲁莽」要有用得多。
一个开放式扩散的社会,需要在模型本身之外建立起防线:安全的生物供应链、经过加固的关键基础设施、能抵御欺诈的身份认证系统、快速的事件通报共享机制,以及不依赖于压制一般性知识就能运作的执法能力。它还需要一套治理机制,能够区分一个小型研究模型,与一个能够实质性地助力网络攻击行动、武器开发或自主复制的系统。
这一情景让更多人获得了生产能力,但获取渠道本身并不能解决分配问题。人们依然需要算力、能源、专业知识、客户,以及把一个模型转化为持久收入所需的法律许可。
情景四:能力冲击与制度滞后
在一次能力冲击中,可靠的系统开始以比各类组织能够重新设计岗位、比各国政府能够替代已流失的收入与税收更快的速度,完成具有重大经济意义的工作。其决定性的特征,不是抽象意义上的智能,而是技术变革与制度回应之间的落差。
这一落差可能制造出自相矛盾的局面:高生产能力与失业并存,有价值的自动化服务与不断崩溃的商业模式并存,而政府一边被要求提供更多支持,一边却眼看着传统的工薪税税基不断削弱。它还可能加大把决策权下放的压力,因为恰恰在监督最为重要的时刻,人工审核却显得过于缓慢。
最坏的结果并非注定会发生。失业保险、存款保险、自动化的财政稳定器、集体谈判、应急拨款与公共采购等既有体系,提供了一套起步的基础设施。但那些为应对短期衰退而设计的项目,未必适合应对劳动价值发生的一场持久性变化。关于收入、所有权与公共财政收入的决策,将需要迅速从学术争论转化为可操作的政策。
家庭无法针对一场全社会范围的能力冲击进行私人层面的投保。个人储蓄能够为你争取时间,但真正持久的应对方式是集体性的:那些能够分配购买力、维持基本服务运转、防止掠夺性集中,并随着证据的出现不断修订政策的各类机构。
用以区分各情景的信号
请关注可衡量的具体状况,而不是「AGI」这个标签本身:
- 完成整套工作流程(而不是孤立的基准测试题目)的可靠性与成本;
- 系统的采用,导致的是招聘减少、工时缩短、工资下降,还是真正的裁员;
- 云服务、芯片、模型、能源与分发渠道方面的市场集中度;
- 处于领先地位的能力中,有多大比例是以开放权重、受控 API,还是内部系统的形式提供的;
- 公共机构是否保留了经过检验的非 AI 运作模式,以及更换供应商的能力;
- 生产率的提升,在价格、工资、利润、税收与更短的工时之间是如何分配的;
- 从一项危险能力被证实存在,到一项可强制执行的缓解措施出台之间,间隔了多长时间。
这些信号可能会朝着不同的方向移动。廉价的开放模型,可能一边降低企业层面的集中度,一边提高滥用的风险。严格的许可制度,可能一边改善监督,一边巩固既有巨头的地位。生产率的快速增长,既可能为慷慨的转型政策提供资金,也可能加剧不平等,这取决于所有权结构与政治层面的选择。
规范性目标:追求稳健性,而非确定性
一项稳健的政策,能够在多种情景下都表现得尚可接受。无论系统是集中化的还是开放的,一套抗钓鱼的身份认证体系都会有所帮助。无论工作岗位是彻底消失,还是仅仅更快地更替,可携带的福利都会有所帮助。互操作性能够在不需要预测哪家供应商会胜出的前提下,降低依赖程度。无论是在自愿性框架下,还是在具有约束力的监管之下,事件报告机制都能改善各方的学习能力。对教育、能源、卫生与行政能力的公共投资,即便能力增长本身放缓,也依然能够创造价值。
情景分析的意义,不在于选出最富戏剧性的那个未来,而在于识别出那些一旦形成、日后便难以逆转、代价高昂的决定。所有权结构、对关键基础设施的依赖、监控系统,以及人类专业能力的流失,都可能在任何人都还没有就「AGI 已经到来」达成一致之前,就已经被锁定下来。而这些,正是眼下最值得深思熟虑地去做出的决定。