从巨头垄断到创新民主化：破解AI发展的三重悖论

【科技纵览】当人形机器人在真实的半程马拉松赛道上与人类选手并肩奔跑，并且最终以超越人类世界纪录的50分26秒完赛，这已经不是科幻电影中的场景了。而在一年前的同样比赛中，我们还在嘲笑机器人跑步像“醉汉”，短短一年时间机器人进步速度之快，令人咋舌。其背后所展现的技术突破，远比比赛本身更具深远意义。尤其值得关注的是，2026北京人形机器人半程马拉松比赛，参赛队伍总数超过100支，近四成队伍搭载自主导航技术，智能化水平显著提升，这更是5G-A（5G-Advanced）网络技术在高速移动、高并发、高可靠场景下，对具身智能产业提供支撑的一次关键性验证。5G-A网络：具身智能的“云端运动神经”具身智能机器人要实现真正的自主化，其核心瓶颈往往不在于本体的机械结构，而在于数据流的实时性与可靠性。一台人形机器人在奔跑过程中，需要实时处理海量的激光雷达、视觉摄像头、IMU等传感器数据，并进行毫秒级的决策。这对于本体的算力与能耗是巨大的挑战，因此云、端协同是当下的最优选择。

9月26日，中美双方公布八点成果共识，提出建立中美人工智能对话机制，就人工智能的风险与惠益开展交流，下一次对话定于今年11月举行。9月29日，美国总统特朗普签署行政令，要求联邦政府在官方文件中以“超级智能(SI)”取代“人工智能(AI)”，并在60天内提出“超级智能”的联邦法定定义。多方分析认为，此举在于在联邦层面推进AI监管立法，并将各州参差不齐的监管标准进一步收束至联邦。同日，特朗普与OpenAI、Anthropic、Meta、谷歌、英伟达等企业签署了名为《前沿责任联合承诺》的“自愿性”AI安全协议，承诺通过独立评估等方式加强AI系统安全管理。但关于AI，或许我们需要考虑更根本的问题：AI将沿着什么方向发展？当创新资源集中于少数科技巨头，技术路线偏向自动化和替代劳动时，AI带来的生产力与收益能否惠及更广泛的行业、劳动者和社会群体？如何让更多人参与塑造AI，又怎样让AI的发展成果更广泛地惠及社会？蒋余浩的文章从“生产率悖论”“波兰尼悖论”和“创新悖论”出发，指出当下AI发展并非只有技术能力的问题：新技术尚未普遍转化为各行业的生产率提升，应用仍受限于可编码、可重复的任务，而由巨头主导的创新方向，也未必回应经济社会多样的实际需求。问题不只在于AI能做什么，也在于谁有能力定义问题、配置资源并决定技术如何落地。因此，让更多企业、科研人员和一线劳动者能够获得创新资源，在具体应用中参与技术改进与方向探索。开源、共享平台、公共支持和劳动者参与，都是让AI从少数巨头的创新议程走向更广泛社会需求的可能路径。本文原载《文化纵横》2026年第5期，仅代表作者观点，供诸君参考。

从巨头主导到“创新民主化”：人工智能迈向包容性与供给端快速迭代的火热状况形成对照，人工智能（AI）在需求端还未能产生理想的效果。更严重的是，目前人工智能偏向节省劳动力的自动化技术路线，正在加剧不同技能人群之间以及发展中国家与发达国家之间的贫富差距。2025年4月联合国贸易与发展委员会（UNCTAD）公布报告，倡议“包容性人工智能”的政策方案。中国近年来实施“人工智能+”行动，推动新技术广泛应用，其治理理念与政策部署在海内外赢得高度重视，被视为一条区别于由少数科技巨头引领的美国范式的人工智能发展路径。以此为背景，本文针对人工智能实际发展中存在的问题，根据其创新特性和实践探索状况，分析通过普及应用进而发展成为有助于包容性增长的技术工具的可能性。

▍人工智能的发展问题：三重“悖论”分析

从机械化技术兴起以来，技术进步引发的“技术焦虑”始终充斥在各式讨论中。乐观的经济史叙事指出，长期来看，即使在自动化水平较高的经济体，仍然有大量人类可从事的有用的工作岗位。[1]但这一断言不足以回应剧烈转型中的现实问题，人工智能技术发展过程中显著存在三重“悖论”，对此形成了巨大挑战。第一，“生产率悖论”（Productivity Paradox）：人工智能的非包容性。测度技术进步是否对社会有益，一个重要指标是生产率。1987年，诺贝尔经济学奖得主罗伯特·索洛提出“计算机时代处处可见，唯独没有出现在生产率统计数据中”，激发了围绕着信息通信技术（ICT）的争论。进入21世纪，信息通信技术出现重大发展，但美国的生产率增速却陷入持续停滞，这导致学界开始集中讨论信息通信技术的“生产率悖论”问题：ICT行业的大规模投入是否有助于改善生产效率？罗伯特·戈登指出，1994年至2004年的信息通信技术投资短暂推高了制造能力增长，但之后经济年均全要素生产率再次陷入长期停滞。戈登由此质疑信息通信技术的“革命性”：与改变了经济社会方方面面的第二次工业革命相比，个人电脑、互联网等新兴科技产品的影响范围相对有限。[2]近年来人工智能等新一代信息通信技术的发展，在各个行业产生的影响也非常不同：UNCTAD报告指出，无论在发达国家或是发展中国家，使用人工智能提升了生产效率的企业主要集中在信息通信技术行业。有研究指出，2025年上半年美国GDP增长主要得益于数据中心和信息处理技术方面的投资；若排除与新技术相关的类别，年化后的GDP增长率仅为0.1%。[3]在中国，ICT行业扩张未能带动其他行业效率改善，密集使用ICT的服务业组对全要素生产率的贡献率为-0.5%。[4]换言之，中美两国当前存在着明显的“生产率悖论”：与人工智能相关的产业获得了急速发展，新技术的供给却未能带来诸多行业生产效率的大幅提升。“生产率悖论”提出了一个问题：新技术的非包容性，究竟源于多数企业不会利用，还是人工智能不够“革命性”？本文讨论的第二个悖论说明：现有的人工智能先进技术还难以深度融入企业的关键业务活动，这甚至不是等待技术适应或者技术的快速发展可以解决的问题。第二，“波兰尼悖论”（Polanyi’s Paradox）：人工智能的实际效用。经济学家戴维·奥托曾借助迈克尔·波兰尼关于显性知识与隐性知识的区分，刻画信息通信技术的实际效用：计算机较容易取代人完成遵循显性的、可编码的流程的常规任务，但较难取代人完成需要灵活性、判断力和常识的非常规任务，后者涉及仅能意会的知识。美国1979年至2012年的工作岗位及相应的工资变化情况，证实了波兰尼悖论的存在：信息通信技术发展后，属于常规任务的中技能工作岗位被取代的趋势比较明显，而更多需要不可言传的隐性知识的高技能与低技能的工作岗位都有所增加。[5]近年来，生成式人工智能技术发展迅猛，新技术对人类工作的影响在增强。一项针对5172名客服人员的数据分析指出，生成式人工智能提高了员工工作效率，经验不足、技能水平较低的新员工也通过人工智能辅助提升了工作能力。[6]此外，沃顿商学院和GBK Collective在2025年10月发布的年度调查报告指出：大型企业正在快速缩小生成式人工智能的应用差距，可重复性任务成为主要应用场景，“人工智能换人”集中在数据分析、文档/会议纪要生成、文件编辑/演示文稿制作和头脑风暴等岗位。然而，上述两项研究也说明，人工智能技术并未突破波兰尼悖论：企业应用生成式人工智能，受影响的工作多属于显著重复性的常规任务，更多需要隐性知识的工作岗位则未产生深刻影响。这决定了前沿技术的应用限度。其实，隐性知识构成生产环境的底层逻辑，贸然打破这个生态，会产生难以预料的损失。例如在工业制造领域，传统OT控制系统在长期运作下，能够严格按确定性属性设计并提供预期的稳定行为，由此造就的环境，不是目前仍主要属于概率性且无法获得完整结构化数据进行训练的智能体可以适应的。因此，即使实现了超强的语言处理和一定的泛化能力，生成式人工智能也难以融入生产领域的关键核心环节。但是，日益加剧的技术焦虑却在助长过激的人工智能策略。大型企业不断传出为部署人工智能战略而大幅裁员的消息；联想集团发布的《全球首席信息官（CIO）报告：迈入全新AI经济时代》指出，2025年调查的企业中，人工智能支出同比增长2倍，数据科学/商业智能成为最大投入领域，超过40%的资金涌向生成式人工智能；但有37%受访者表达对人工智能能否产生价值的怀疑。在强烈的技术焦虑下，围绕着前沿科技的金融、政策、营销泡沫不断涌现，而有关技术实际效用如何、能够在哪些领域提高生产效率、如何使技术进步对经济社会发展产生帮助等更为重要的问题却讨论不多。第三，“创新悖论”（Innovation Paradox）：人工智能的创新方向。2017年世界银行发布了以“创新悖论”为题的研究报告，分析参与全球价值链形成的发展中国家为何无力适用发达国家外溢的各类新知识、新技术和新组织模式。罗德里克进一步指出：发达国家创造的新技术多以自动化、技能偏向型为主，不符合发展中国家劳动力密集的比较优势。[7]这个关注点揭示出了“创新悖论”更深刻的问题指向：什么是能实际促进经济社会发展的创新方向？目前的主流人工智能创新方向并不利于经济社会整体发展。就功能而言，当前的人工智能以自动化与监控为取向，这个技术路线在少数科技巨头的推进下急速发展，使得“取代人类工作”成为新技术发展前景的主流想象。[8]但是，这种自动化取向的技术路线忽视了经济社会发展的多样性需求。例如，对于相当多企业而言，节省用工成本或许不是当务之急；在全球价值链遭遇冲击之际，新的技术需求正在兴起：眼下的通信技术主要用于协调产品内生产任务的跨国外包成本，但基于产品内生产任务分工的全球化模式如今已难以为继，企业越来越需要能够辅助工人完成多项生产任务的新信息技术。[9]与自动化智能技术的迅猛发展相比，这类技术过于稀缺。总之，对人工智能发展三重悖论的分析，既回答了当前人工智能为何仍是非包容性状况的问题，又启发了一个应对当前技术焦虑的新思路：快速扩张的信息通信技术行业，没有带动其他诸多部门的效率提升，但这未必是由于人工智能技术发展不具有足够的“革命性”，而在于其创新方向“不正确”；缓解日显严峻的转型危机的路径，除了再分配和社会保障体系完善等之外，更重要的也许是探索更具包容性的技术路线，推进多样发展。

▍哪种自动化？如何成为“问题”？

在讨论如何探索新的技术路线之前，有必要回答一个疑问：17世纪以来，生产过程的标准化、自动化显著提高了生产率，为人类社会创造出惊人的财富，反对人工智能的自动化取向，是否等于否定这一技术追求？这取决于如何理解“自动化”。“自动化”一词于20世纪40~50年代明确进入工业领域，福特汽车公司管理层以这个概念来描述原材料和零部件自动进出机床。但对于自动化技术的追求，早在机械化兴起之时就已出现，并在20世纪下半叶因电子技术和信息技术的相继飞速发展而突飞猛进。自动化大致有两种：一是由工人监督和维护机器运作，控制生产过程的自动化技术；二是把工人作为机器生产的辅助，使人力在流水线上完成作业的自动化技术。在前者，工人照看和管理着机器，以其经验推动机器更贴近具体的生产要求；在后者，工人只是作为机器尚未发展完善时期辅助机器运作的眼和手，并随着技术进一步发展不可避免地被边缘化。技术进步的每一个历史阶段，都几乎同时存在这两种自动化技术，只要“因地制宜”地加以利用，均能带来工业生产力的提升。英国在18世纪出于劳动力短缺、能源开采成本较低的经济社会特点，发明了如珍妮纺纱机等一系列节省劳动力、低成本利用能源的技术，为形成集中化、流水线生产方式创造条件；而法国在19世纪初为适应其棉纺织业广泛分布在农村的特征，发明出雅卡尔纺纱机，通过打孔纸带的程序设置方法来控制产品标准，既便于农户自主的分散作业，又能满足标准化生产的需求，同样带来棉纺工业的重大突破。有意思的是，随着电、蒸汽机等技术的发展，同一种自动化技术既能节省劳动力，又能提高人类劳动，费孝通在20世纪40年代就发现，电力和内燃机可以把集中在都市的生产线分布到乡村中去，同时提高乡村工业的机器生产水平和农户的手工艺能力。[10]但是，技术的发明及其应用并不单纯遵循技术逻辑，而是受到多重复杂因素的综合影响。在管理层和用户强烈的控制生产过程不确定性的需求下，自动化技术日益走向偏重节省劳动力、排挤一线工人参与技术创新过程的发展路径。技术史研究揭示，20世纪50、60年代，美国的工业自动化技术领域，曾有过两种技术路线并行探索的时期，一种是记录熟练机械工的动作，根据记录向机器发出指令的“记录—回放”方法；另一种是工程师事先编制程序，对生产过程予以控制的“编程—控制”方法。前者依赖熟练工人，后者更能满足管理层和科技界控制技术偏差、管理生产秩序的需要。随着军方的大批量、标准化产品订单成为最大的市场需求，形成了军方资助并决定技术发展方向的局面，科技界仅对军方需求提供科学证明，管理层则将其推行到企业生产层面。在这三股力量共同作用下，不依赖工人实践经验的技术路线成了自动化的主要发展方向。[11]随后的经济社会条件变化，加速了上述自动化的进展。1952年，信息技术专家约翰·迪宝德重新定义“自动化”这一术语，提出计算机技术是“建立在通信和控制基础理论的数学公式基础之上，可以制造出能自我控制、自我编程的机器”。通过简单地在磁带程序之间切换，一台机器可以运行多项应用程序，而储存程序的创新又使每个磁带程序都能包括一系列不同的指令供机器执行，最终的结果是，组织内完成多项任务时所需人员可以大幅缩减。[12]进入70、80年代，数字自动化技术进一步获得重大突破，尤其是微处理器的发展，将计算机中央处理器的所有关键部件组合成单一、微小、便宜的单元，由此发明出便宜、迅捷和可靠的小型计算机，使得文书工作及制造业中的常规工作的自动化变得更加容易。[13]IT专家和企业信息官一度成为商业世界所谓“专制者”（“软件定义一切”），工人在生产过程和创新系统中完全没有了地位。政策层面的变化也在加剧这一趋势：在去工业化的背景下，政府停止资助创造新工作任务的研究，此前有助于创造和维持“好工作”的劳动力市场制度同时被削弱，少数几家以自动化为商业模式的巨头主宰了经济，政府的税收政策更加向资本和自动化倾斜。[14]近十余年，新一代人工智能将自动化推进到全新阶段。一方面，神经网络深度学习模式取得重大突破，将知识体现于神经元之间相互连接的权重值上。这种迄今无法可靠解释的知识生产机制，排除了个体经验对深度学习程序的参与和诊断。[15]另一方面，机器学习应用于大型数据集，低成本、高效率完成基于预测的任务，以模式识别、对象分类和统计预测等技术取代了执行具体工作的数百万工人的现场差异性，管理层获得了无须深入生产和经营过程就能做出决策的“科学”依据。[16]可以明确，需要反对的是“非包容性”的自动化取向，它以替代人类劳动为主要功能，排除了具体生产经验对于创新过程的参与。但若能与经济社会的多样发展需求相结合，即使是目前的自动化智能技术同样也能起到提高而非取代劳动力的作用。UNCTAD报告记录了北京师范大学、华南农业大学等利用开源数据集、深度神经网络技术，结合农户的生产经验，开发出提高农作物收成预测精准度的智能产品。在企业应用端，目前大语言模型还难以形成精准、专业化的输出。一些企业探索出“基础模型+检索增强生成技术（RAG）”的应用方法，一方面突破了大模型难以本地化部署的性能限制，另一方面更加强调对于工程师和熟练工人的经验加以结构化处理的重要性。这些案例利用智能技术辅助劳动生产过程，使人工智能先进技术为解决具体的发展问题服务。然而，少数科技巨头主导了人工智能的创新发展前沿，使得全世界技术精英几乎都主要围绕着既定的主流路线实施探索，很少主动结合经济社会多样发展需求。甚至有科技精英宣称可以通过结合学习模式与神经符号模型来超越各类大语言模型，突破“波兰尼悖论”，从而彻底取代人类劳动。[17]少数科技巨头之所以能主导人工智能创新方向，与人工智能的创新特性有关。人工智能的基础研究与应用研究之间的边界非常模糊，相比于大学科研以及政府支持的其他实验室研究，科技巨头更能凭借庞大算力、超大规模数据集和众多技术专家，开展通用性强、跨学科且更受金融资本关注的前沿探索，由此产生“对应用端的主导也给予了它塑造基础研究方向的权力”的支配性效果。[18]阿西莫格鲁指出，随着公共资金对科研的资助大幅下降，科技巨头以三种重要方式设定研究议程。其一，科技巨头通过学术关系和慈善机构直接影响顶尖大学的课程设置和人工智能研究领域；其二，科技巨头在华盛顿和科研资助机构中有很大的话语权，而后二者决定学术研究的方向；其三，有志于人工智能相关领域的学生通常希望入职科技巨头，或是加入那些研发可向科技巨头销售的技术的初创企业，这就使得大学必须通过培养与科技巨头的联系来回应学生的实际需要。[19]需要进一步思考的是，如何挑战近几十年来的自动化技术发展趋势以及少数科技巨头占据人工智能创新主导地位的现状，探索更具包容性的人工智能？

▍以“创新民主化”理念推进包容性人工智能探索

少数科技巨头主导的人工智能主流技术路线，并不关注经济社会的多样发展需求。信息通信技术产业快速扩张，少数大型企业通过前沿技术增强自身处理复杂信息的能力，只是昂格尔所称的“伪先锋主义”：[20]信息通信技术行业和大型企业拥有应付人工智能基础设施高昂成本的政策优势、规模优势和技术优势，而这些优势难以扩散到其他产业和企业。打破少数行业和企业对于创新资源的垄断，激励多样的发展主体共同开展创新研究，是探索更具包容性的新型技术路线的必循之路。已有研究对创新资源扩散经验有过系统的理论化阐释。希普尔分析了用户在许多领域进行的产品改良和开发的活动，指出创新所需的能力和信息事实上广泛分散，将资源集中于少数预定创新者的模式效率低下。只有在设计和原型制作成本大幅下降时，创新资源才能广泛扩散，减少创新资源的配置难题。并且，“其最后结果是并且应该是创造机会的民主化”[21]。创新资源的扩散，所期望的正是实现“创新民主化”：使多元发展主体能够获得资源，共同探索更具包容性的人工智能技术路线。就人工智能而言，“创新民主化”可以使创新资源与各类生产体系紧密连接，产生意料不到的创新效果。一是促进较为成熟的人工智能技术落地，如中国工程院李国杰院士提出的：“我们要认识人工智能的局限性，不能盲目追求能够解决所有问题的人工智能。重点还是要根据实际需求，将相对通用的人工智能技术落地到各个行业，让一定范围内的人工智能技术见到实效。”[22]二是激发各类主体在应用中创新，乃至重新思考技术发展路线。人工智能是多学科知识、多技术发明集合，基础原理突破与关键技术攻关协同演化的产物，从科学研究到产品应用的任一环节的改善，都有可能创造出新的探索可能性。[23]在这方面，曾有一个颇具启发性的政策设计：2019年10月，美国国家科学基金会联合多个部门发起国家人工智能研究院项目，不仅强调各个研究院的建立需要承担“基础研究与应用启发性研究一体推进”的任务，还在多个发展条件不同的区域进行部署，力图使人工智能研究涵盖多样的发展领域——既有发达地区领先的大数据、机器学习、算法优化等新信息通信技术行业的应用方向，也包括在欠发达地区有广泛应用基础的农业、教育、网络等领域。[24]但特朗普政府大幅削减联邦科研支出后，该项目受到的关注下降。中国的“人工智能+”行动意见强调推动人工智能与6大重点领域广泛深度融合、布局建设国家人工智能应用中试基地、支持人工智能开源社区建设等举措，以及出台根据典型应用场景推进人工智能与具体产业深度融合的方案，等等，同样坚持了以多样发展需求为导向的人工智能先进技术探索路径。迄今为止，多地打造了开源社区平台，在推动人工智能普及应用和多元探索上迈出了坚实的一步。无论如何，“创新民主化”的首要目的在于推动多样发展主体更便利地获取创新资源，并在应用过程中创新。可以从如下两个案例初步看到创新资源扩散的效果。华南地区几位制浆造纸、食品等专业出身的科研人员初创一家科技公司，借助开源模型来为传统行业设计和运行工艺大模型，结合专业知识、“老师傅经验”改造模型性能，其智能产品的实测数据显示，行业术语与隐喻识别准确率达95%，专业问题回答准确率达90%。在另一个案例中，一家早期从事模具生产的企业，近年在当地政府大力引入科研资源的帮助下向科技企业转型，借助基础模型研发出一套“数据采集推理一体化解决方案”，基于其对模具生产流程和工艺的熟稔程度与大模型处理数据的能力，构建从采集、训练到推理、控制的全链条系统，一定程度上克服了模具生产这类非标准化、离散型行业难以建立优质、实时、准确、完整的数据集的问题。这两个案例的成功经验可以归纳为两条：开源路线使众多用户低成本、便利地接触多种人工智能模型成为可能；在先进技术的应用中，以行业实践知识和需求为核心来优化智能模型。与此同时，“创新民主化”还对既有的创新系统提出一系列改革要求，以确保创新资源为多样而且具体的经济社会发展需求服务。其一，突破既有的部门之间的壁垒，搭建支持各类企业发展的共享性科创平台，推动科研人员、企业家、科技金融机构以及一线工人等加强协作，共同进行解决具体发展问题的创新活动。其二，设立公共资金，支持科研机构与企业前瞻性研发应对发展环境剧变的新型技术。如3D打印等新型智能技术，有可能在新的技术高度上推进“灵活专业化”“团队合作”的生产方式，帮助企业应对全球化模式的剧烈重构，而要最终落地，必须一线工人深度参与，因而值得以公共资源持续支持。[25]其三，增强技术工人、工程师等在创新系统中的话语权，让生产体系内生的创新需求和实践得到更充分的重视。例如（针对获取财政补贴和科研奖补的企业）强制性增加裁员方案说明义务、设立要求一线工人参与的技术创新项目、将数据权利纳入工人权益保护体系、推动工人广泛参与劳动力发展和转型计划等，形成“以工人为核心的AI发展进路”：围绕工人的生活水准提升和职业成长来规划人工智能发展路径。总而言之，“创新民主化”是对多元主体参与创新过程的支持，以此理念为核心重构创新系统，可以突破制约创新资源、优惠政策、技术能力扩散的障碍。（图2）只有以“创新民主化”理念来指导创新系统的重构，才能使创新议程涵盖广泛的生产系统，促使丰富的创新资源与经济社会多样发展需求相结合，为实现有助于多元主体发展的包容性人工智能创造条件。

▍结语

人工智能的突破性技术能力在当前更多体现在制造贫富差距和技术焦虑上，少数科技巨头主导创新方向，使得非包容性的自动化取向成为一种不易受到挑战的主流技术路线。必须改变这个主流路线，促使人工智能成为有助于经济社会包容性增长的技术力量。以这个思路针对的技术发展、体制机制等一系列问题为参照，观察中国的人工智能政策，可以体会其意义不仅在于强调了“人工智能产业应用”的重要性，更有可能激发“创新民主化”的巨大潜力：使创新资源与经济社会多样发展需求结合起来，保障多元主体共同进行新的技术路线的探索。据此实施的努力，才能保证在人工智能先进技术领域实现“让现代化建设成果更多更公平惠及全体人民”的包容性。