AGI 前夜

写在前面

AGI，即通用人工智能 (Artificial General Intelligence)，按定义就是一种能像人一样理解、学习和运用知识的 AI 系统。它不只是专注于某一类特定任务的 AI，而是具备广泛的认知能力，在跨领域的场景中也能像人一样聪明地应对。¹

很多人不相信今天的 LLM（大语言模型 (Large Language Model)）有一天能带我们走到真正的 AGI（包括我在内）²。即便如此，LLM 已经取得的进展也足够让我们窥见 AGI 可能的方向。在之前的文章里，我对比了开源与闭源 LLM 的两条路径，衡量了双方各自的商业与地缘政治考量，进而追问这两种路径分别意味着什么样的 AI 安全后果。今天我想换个角度，用更宏观、也更哲学的眼光，看看 AGI 的到来可能对人类社会产生什么影响。

这篇文章想问的不是“AGI 什么时候来”，而是“它来的时候是什么形态”。能力只决定可能性的上界，形态则取决于所有权、制度和政治选择：我们是在迎接黎明，还是在制造长夜，答案不在模型的参数规模里。

还要说明一点：后面的论证并不依赖 AGI 何时到来。即便真正的 AGI 比我们预想的晚得多，甚至最终根本不走 LLM 这条路，今天 AI 已经释放出来的自动化效应，也足以支撑整篇文章的论点。

重新思考 AGI

把技术路径之争和实现细节放到一边，就会发现今天 AI 的用处早就不再由“有多聪明”决定。至少有几个因素在起作用：

1. 智能密度：AI 每单位时间、每单位资源能产出多少“智能”。

   这里的智能可以从很多维度定义：理解、推理、创造力等等。智能密度越高，同样的资源就能换来更多智能。我们不只是希望 AI 能解决某个难题，还希望它在当下就解决，而不是等到遥远的将来它才终于作答。同样，我们也希望有限的算力能产出尽可能多的智能，而不是要等到发明了通用量子计算机、大规模部署了可控核聚变，它才跑得起来。

2. 可靠性：AI 的输出是否可信，以及它能否在不确定性和复杂环境中做出合理的决策。

   可靠的 AGI 系统在什么情况下都表现稳定，说得清自己为什么这么决策，也能预判决策会带来什么风险。从某种角度说，AI 的道德感和价值观也属于可靠性的范畴：它能让 AI 做出符合人类社会主流价值观的选择，而不是盲从指令或者只求即时收益。我们常说的幻觉 (Hallucination)问题就是可靠性最简单的体现：如果一个 AI 频繁产出不符合当下情况的输出（哪怕这条信息在训练时确实成立，比如时效性较强的信息），那它就是不可靠的。

3. 可观测性：AI 的决策过程是否透明，人类能不能理解并解释它。

   一个可观测的 AGI 系统应该给出清晰的决策路径和依据，让人能追踪它做了什么，必要时介入。可观测性不只是建立信任，还能帮我们发现潜在的偏差和错误，从而提升系统整体的性能和安全性。今天研究者主要靠 CoT（思维链 (Chain of Thought)）这类方法来查看 LLM 是怎么得出结论的³，但这个领域还没有定论，未来 AGI 的决策过程很可能比我们今天见到的任何系统都更复杂、更难解释。

4. 可控性：人类能不能有效地引导和约束 AI 的行为，必要时能不能及时制止，避免造成（更大的）伤害。

   不难想象，未来的 AGI 系统会高度自主：因为其高可靠、高智能密度的特性，人们会习惯让它自己拿主意，不再事事盯着。但这种自主性也带来风险，尤其是在复杂、不可预测的环境里。这个时候，可控性就是 AGI 安全的最后一道防线。对 AGI 的控制，没有必要放弃，也不应该放弃。恰恰是因为它可能比人更聪明、更会做决策，执行力还更强，这种时候更不能撒手。AGI 的行为必须留在我们可控的范围之内，否则就可能出现灾难性的后果。

5. 可持续性：AI 能否可持续地发展和自我改进。

   这件事不只是技术问题，还牵涉社会、经济、政治和环境。一个可持续的 AGI 系统应该能随着环境变化而调整和进化，同时与当下人类社会的核心价值观和目标保持一致。我们要确保 AGI 的发展不会对人类社会和生态系统造成不可逆转的损害，而是能与人类一起走向长期的共同利益。Dario 和 Sam 在 2026 年 9 月也讲过类似的话：AI 发展过快时应该放慢脚步⁴，好让我们有时间评估它的影响和风险。他们给出的主要理由是 AI 已经出现了递归自我改进 (Recursive Self Improvement)（RSI）的苗头，也就是 AI 开始参与构建下一代 AI，进步的节奏因此可能快到人类跟不上。不过单就这个论点而言，我看不到明确的证据表明 AGI 的发展已经到了必须减速的地步：RSI 目前还是个预防性判断，缺证据支撑，而不是已经观测到的事实。但这股苗头值得一直盯着。

在这五个维度之外，还有一个更重要的维度，它既决定我们怎么迎来 AGI，也决定我们能从中得到什么：可及性。

6. 可及性：AI 能否被广泛使用，而且公平、用得起。

   可及性不只是技术普不普及，它至少同样要看经济、社会结构和政策。一个可及的 AGI 系统，不同背景、不同收入的人都用得上，不只服务少数精英和富裕阶层。AGI 应该把机会和资源带给更多人，而不是把不平等拉得更深，好处要真正落到大多数人身上。这些事牵动社会结构、经济模式和政策设计，把模型做出来并不能自动解决。

之所以把它单独列出来，是因为与其说可及性是清单上的第六项，不如说它是其他五项转动的枢纽：前五个维度决定 AGI 能做成什么，可及性决定谁能用上、谁从中受益。同样一次技术跃迁，握在少数公司手里，或者作为公共基础设施运营，会长成完全不同的两种社会。后面几节要谈的劳动、分配与政策，都从这个维度展开，而最先变化的就是劳动。

大自动化时代

不久前，DeepSeek 工程师刘胜与在《我不得不把才华埋葬在昨天》中写道：“我算子写得越好，我们的新模型的训练、推理速度就会越快，模型能力进步就会更快，我就会更早地被取代。”⁵ 这是一个 AI 开发者站在风口正中央的自画像：看着自己划出的涟漪长成足以打翻自己那条船的浪。同一篇文章里，他也点出了自己最可能的出路：机器接手了人手上的活，不管愿不愿意，想在行业里活下去就得改用机器；古法手作只能作为一种“奢侈品”存在，多半只是提供情绪价值，产出却不见得比机器好，甚至可能更差。

Daron Acemoglu 和 Simon Johnson 在《权力与进步 (Power and Progress)》里提出，重大的技术进步往往改变的是一个社会里工作本身的性质，尤其是当这项技术偏向自动化、而不是增强工人时。以工厂制度的发明为例：它一方面把生产力抬得如此之高，逼得大量企业不得不采用它，否则就跟不上竞争；另一方面也重创了手工业者，把他们挤向别的行当，或者“去技能化”成低技能劳动力，受工厂的管理和约束。即便走增强工人这条路，也不自动意味着更好的待遇或者更大的劳动力需求。书里给了一条明确的推导，说明技术进步为什么会带来失业：

1. 整个行业有一个平均的人均产出，但落到单个企业或者生产经营单位内部，人越多，人均产出越低，这就是递减的边际收益 (Diminishing Marginal Returns)（即边际收益递减，见下图）。就像那个经典的程序员笑话：

   项目经理要一个月内拿到孩子，可怀胎要九个月，于是他派了九个孕妇上阵。

   现实里也有绕不过的限制：企业光靠多招人，并不能无限提高总产出。

2. 企业上了自动化，边际生产率可能不升反降，于是会裁掉这个岗位上的一些人，同样的活照样能干完，甚至干得更多（见下图）。这种情况下，资本投入直接替代了人的劳动，对劳动的需求随之减少。

如果想让一项新技术带来就业，有三个条件必须同时成立：

1. 新技术把企业的生产成本压得足够低，企业因此有很强的动力去扩大产量或者进入新市场，就业会在其他环节被创造出来。比如汽车制造业自动化之后，汽车生产线上的工人减少了，上游的钢铁、石油化工、电子元件等行业却新增了岗位，甚至催生了新的下游服务业和物流业，整体就业反而增加。
2. 新技术为人类劳动开辟出新用途，工人能贡献的价值随之提高，边际生产率上升，这个行业也就有动力多雇人。计算机普及之后，打字员、排版工大量消失，但软件开发、IT 支持、数据分析这些新职业出现了，企业也确实为这些岗位增加了雇员。
3. 新技术是互补性的，没法直接替代人类劳动，必须由人和机器协作完成任务，企业同样有动力多雇人。在医疗领域，诊断设备的出现并没有减少对医生的需求，反而提高了医生的边际生产率：多雇一个专门操作设备的医生，整体效率还能再往上走，需求也就跟着增加了。

再看今天 AI 走向 AGI 的趋势，尤其是 LLM，它更偏向“自动化”而不是“增强”。上面三条，一条都不成立：

1. 企业引入 AI 后，生产成本可能降了下来，但没有明显迹象表明它会带来足够大的新市场或新需求，从而创造就业。比如律所引入 AI，文书处理是更快了，但对律师的需求并没有明显增加，对初级律师和助理的需求反而可能减少。
2. AI 没有为人类劳动开辟新用途，至少规模还不足以形成新产业。几年前，数据标注员的需求曾经因为 AI 的发展而增加，技术成熟之后，标注本身被自动化工具取代，这个岗位的需求迅速萎缩。今天 AI 的发展方向仍然是在替代人类劳动，程序员、客服、文案，甚至一部分创意工作都在其中，而不是开辟新的职业领域。
3. AI 的互补性很弱，替代性却很强。在客服领域，AI 直接回答用户的问题，对人工客服的需求随之减少；在内容创作领域，它直接生成文章、图片、视频，不再需要人类创作者参与。医疗、教育等特定场景里确实有 AI 与人类协作，但整体趋势仍然是替代人类劳动，而不是增强人类劳动。

把这件事放到企业的账本上看，AI 更像是一种资本品，而不只是一件工具。工具放大的是一双手能做的事，资本品替代的是投入要素。当一台机器的产出成本低于一个工人的工资，企业的选择就不是“更多人 + AI”，而是“更少人 + AI”：同样的工作量，用更少的工时完成。总产出会因此增加，工资总额却不一定跟着增加，劳动收入在国民收入中的份额也随之下降。⁶ 更麻烦的是议价能力这一头：工人一旦知道自己随时可以被替换，谈判的起点就已经不同了，而这一切甚至不需要真的发生裁员。

这里要区分三种替代：任务、职业、行业。自动化最先替换的是任务，而不是整个职业。会计的凭证录入迟早会被替代，但和客户沟通、签字担责的环节不会。当某个职业里可被自动化的任务多到一定程度，雇主就不再需要这个岗位，这是职业替代；行业替代更少见，也更剧烈，整个行业的需求会被另一种产品逻辑吞掉。AGI 和以往的技术相比，特别之处可能就在这里：它替代的不是某个孤立的任务，而是一次性替代一整组任务，这也是“哪些工作会消失”这个问题如此难回答的原因。

所以，AGI 的六个维度，没有一个是悬而未决的：可靠性决定企业敢把多少工作交出去，可观测性决定出了问题时能不能追责，可控性决定 AI 能不能被放进关键环节，智能密度和可持续性则共同决定这条路线的成本曲线。也正因为如此，自动化带来的分配变化，会先于 AGI 本身到来。

那么，自动化在什么条件下会带动就业？说到底，还是替代效应和补偿效应谁更强的问题。替代效应是机器把人挤出去，补偿效应是效率提升带来新需求和新产业。Acemoglu 和 Restrepo 提醒过一个容易被忽略的中间状态：有些自动化既没有明显提高生产率，也没有创造新需求，只是把劳动替换掉了。他们把这类技术叫做平庸自动化 (so-so Automation)⁷。这类技术对企业是省钱的，对整个经济却接近零和。如果自动化覆盖了整个流程，新需求又始终不出现，结果就不是“机器替我们干活”，而是失业和不平等一起上升。

数据也已经在往这个方向走。Stanford 的一项研究跟踪了 AI 高暴露职业的就业变化，发现在这些职业里，22 到 25 岁的年轻人就业率比低暴露职业的同龄人低大约 19%，而这一差距主要来自招聘端：企业并没有解雇谁，只是不再招人。⁸ 作者强调这是早期的描述性证据，不是因果估计，但它至少说明进入这些职业的门正在变窄，而这道门通常是一代人职业生涯的起点。

历史也提供了一个参照。英国工业革命的头半个世纪里，生产率持续上升，工人的实际工资却几乎没动，这段时间后来被称为“恩格斯停顿 (Engels' Pause)”，持续了大约五十年。⁹ 分配的改善靠的是工会、选举权、社会保险和税制改革，而不是时间流逝本身。这也正好回到开头那个判断：转型期可以很长，长到覆盖一代人的整个职业生涯，而它的终点取决于人们做了什么。

也并非所有经济学家都这么悲观。Autor 认为，如果用 AI 来增强而不是替代劳动者，它有可能重建那些被掏空的中层岗位。¹⁰ 这个分歧本身比任何一方的结论都更有意思：技术能做什么，和它被用来做什么，是两回事，而后者才是后半部分要谈的东西。

谁吃肉、谁喝汤、谁舔盘？

AGI 不是一件中性的工具，它的形态会决定我们生活在怎样的社会里。

这六个维度会相乘。同样是高智能密度，配上高可及性就是公共基础设施，配上低可及性就是私人收税权；同样是高可靠性，落在少数公司手里，意味着决策权被让渡出去，落在公共机构手里，则意味着还有人可以被问责。形态是维度组合出来的结果，不是能力的线性外推。

组合决定的是格局，钱具体怎么分，还要看谁在链条上占着不可替代的位置。算力、模型权重、数据、分发渠道，这四样里只要有一样被垄断，垄断者就能从中抽租：云厂商按算力收钱，模型厂商按调用量收钱，平台按流量收钱。¹¹ 一个环节的产出没有替代品，它就能定规则，处在它下游的人和公司只能接受。这也是为什么谈 AI 时，所有权往往比能力更关键。

顺着这条线看，上一篇文章里那场开源与闭源之争就有了分配上的含义：开放权重压低的不只是 API 调用价格，还有整条链条上能收的租金；闭源则把这些租金集中在少数几个节点上。安全叙事和商业叙事之所以难以分开，原因大概也在这里。

这四种组合各自指向一种分配结构。不妨设想一下：把最极端的一种推到底，会变成什么样。

两种未来

刘胜与在那篇文章的结尾写了两个极端：共产主义与赛博朋克 2077。这个二分当然是简化的，但它抓住了要害：技术能力大致相当的世界，分配结构不同，就会长成完全不同的社会。⁵ 下面两节不是预测，而是把今天的几条趋势分别推到底，看看它们各自会走到哪里。

“共产主义” AI

先看第一个方向：以具身形态出现的 AGI 基本取代了人类劳动，农业、制造、物流、护理、研究，几乎所有需要体力和脑力的环节都由机器完成，物资的极大丰富不再是一句口号，而是一道工程题。劳动与生存解耦之后，人不必再为了活下去而工作，工作回到它本来的样子：自愿去做，自己挑。

在那个世界里，个人财富会逐渐失去意义。它买不到别人的时间，也不再代表地位，人们比较的东西从资产变成能力和贡献：谁做成了什么，谁解决了什么问题，谁在某个领域走得最远。这样的状态很少有人认真想象过，连“阶级”这个词都会变得难以定义。

这个方向也不是新的想象。Bastani 给它取过一个直白的名字：全自动化奢侈共产主义，而在那种尺度上，稀缺一旦没了，分配逻辑就得整个重写。¹² Keynes 在 1930 年也预言过类似的场景，他认为自动化会把人类从生存压力里解放出来，一百年后每周只需要工作 15 小时。¹³ 一百年过去，我们并没有走到那一步，但问题反而更清楚了：最后被解放出来的，到底是闲暇还是失业，取决于谁拥有机器、谁来分配产出。

科幻里也有现成的样本。Iain M. Banks 的《文明 (Culture)》系列设定了一群自愿承担管理与生产的机器，人类按兴趣生活，把工作当成爱好而不是谋生手段。¹⁴ 就连动画电影《机器人总动员 (WALL-E)》里，人类也是被机器解放出来的，虽然他们的生活方式被描绘成了极端的消费主义，但至少没有生存压力。

通往这个未来要付代价。它假定社会既有时间也有意愿完成再分配；但如果转型来得突然，通往丰裕的路会先经过失业、技能贬值和没完没了的争吵，而这一段有多长不由技术决定，前面提到的那些制度才是真正的保障。一个社会还没等到物资极大丰富，就先撞上剧烈的分配冲击，结果就是大规模失业、贫困和社会动荡，没人愿意看到，社会也扛不住。我们既要往前推进技术，也得守住稳定和公平，这件事没有第二个选项。

“赛博朋克” AI

赛博朋克这个词来自 1980 年代的科幻。Gibson 的《神经漫游者 (Neuromancer)》给它定了调¹⁵，Stephenson 的《雪崩 (Snow Crash)》则想象出公司取代政府的城邦¹⁶，而这两个设定里当时看起来最夸张的部分，如今读起来并不像虚构。

在这个设想中，AI 掌握在少数人手里，成为他们获取利润和地位的私人工具。顶层垄断算力、模型、数据与分发渠道，向整个经济收取租金；中间层的企业迫于竞争不得不用 AI，却发现自己卡在一条收支临界线上：不用 AI 活不下去，用了 AI 利润率反而更低，多出来的效率很快被平台抽成和模型订阅吃掉；底层的劳动由算法调度、按件计酬、去技能化，始终攒不出谈判的筹码。

这种结构有一种自我强化的能力。算法调度看起来是中立的技术安排，实际上却在重新分配工人之间的竞争关系：谁接单快、谁评分高、谁最服从，都由系统说了算，而规则本身不公开、不可协商。¹⁷ 当数据从生产的副产品变成生产投入，监控就从事后追责变成提前干预，被交易的对象也从产品扩展到对未来的预期。¹⁸ 与此同时，真正有能力审视前沿模型的机构，往往要靠这些公司提供人才、算力和信息，监管于是越写越像行业的自我约束。¹⁹ 一个近在眼前的例子是，2026 年 9 月 Anthropic 就四起网络安全评估事故委托 模型评估与威胁研究 (Model Evaluation& Threat Research)（METR）做独立调查，权限宽到可以覆盖事件窗口之外的记录和对员工的访谈，Dario Amodei 也在《We Must Pace the Frontier》里点名 METR，作为嵌入式评估者的样板。但“第三方”并没有真的把评估者和实验室隔开：前 Anthropic 研究员 Joe Benton 在 9 月转到 METR 做嵌入式评估，而 METR 的 Joel Becker 更早就反向流动，加入了 Anthropic²⁰。METR 自己在 2026 年 5 月的 前沿风险报告 (Frontier Risk Report) 附录里承认，这个项目启动时没有正式的利益冲突回避政策，评估所需的模型访问权限与 token 由前沿实验室免费提供，部分员工跟 AI 公司的雇员有很深的私交，试点也没有完全达到 AEF-1（第三方评估运作标准）的要求²¹。钱的问题同样没有制度答案：现在是各家自己出钱、自己挑评估者，Anthropic 另外出资委托了一家机构做嵌入式评估，同时在公告里承认这类工作长期应当由汇集式资金或公共资金支持¹⁹。阶层固化则来得更慢：等到信贷、教育、医疗的门槛都由算法打分，往上走的路就悄悄变窄了。

把同样的逻辑放大到国家之间，会得到另一层结构。算力成了战略资源，各国都想把它锁在自己境内，Hogarth 早在 2018 年就用“AI 民族主义”来描述这种冲动。²² 上游国家掌握算力和模型，下游国家提供数据、劳动力和市场，收益却按上游的定价权分配。一些研究者把这种关系称为算法殖民，它的物质基础同样清楚：算力要靠电力、水和稀有金属，标注与审核要靠大量低薪劳动，Crawford 把这条链一路追溯到了矿场和数据中心。²³ 与历史上的殖民不同，这次被运走的不是矿石和土地，而是可以远程调用的数据与算力，代价也因此更隐蔽。

还有一点需要说明：这个方向不需要任何人有意为之。顶层只是在追求利润，中间层只是在应对竞争，底层只是在完成指标，每一方在自己的位置上都是理性的，但这些选择叠在一起，结果就是越来越集中，退出的路越来越少。某种意义上，它更像默认路径：滑向赛博朋克不需要有人按下按钮，走向另一个方向才需要刻意设计。

这两种未来不会自己平衡。天平往哪边倾斜，取决于中间那些看起来琐碎的制度选择：算力归谁，模型是否开放权重，收益怎么分配，工人在算法面前有没有说话的位置。

可及性议程

科技乐观主义是很多人的默认立场，尤其是科技从业者，其中也包括不久之前的我。理由也不难理解：过去两百年里，每一次技术跃迁都实打实地提高了生产率，我们也确实比两百年前的人过得富足。但技术突破并不会自动带来普惠。前面提到的英国工业革命就是一个例子：生产率上升了半个世纪，工人的生活水平却几乎没有跟上，分配改善靠的是组织与政治，而不是市场自己长出来的。

也正是在这个意义上，谁能受益取决于制度：税收、反垄断、劳工组织、公共服务。这些词听起来都没有模型架构那么吸引人，但决定的恰恰是谁能拿到好处。所以在讨论具体政策之前，得先问三个问题：谁承担转型的成本，谁从中抽租，谁有发言权。

这里列的六组政策和前面那六个维度不是一回事：维度描述的是 AGI 有什么属性，政策处理的是这些属性归谁掌握。可及性之所以是枢纽，是因为它两头都占：既是必须满足的条件，也是能设计出来的结果。

扩大可及性

最直接的一种做法是公共算力：欧盟的人工智能工厂 (AI Factories)用公共超算为初创公司和中小企业提供训练资源，美国的国家人工智能研究资源 (National Artificial Intelligence Research Resource)（NAIRR）试点走的是联邦与产业共建的路子。开放权重是另一条路，DeepSeek 一直坚持 MIT 协议，把接近前沿的推理能力放到公网上，让“用得起”不再等于“只能租”。²⁴ 剩下的是一些看起来纯属技术性的安排，接口标准、数据可携带性、互操作性，它们决定用户能不能从一个平台搬到另一个平台。

抑制集中

竞争政策在这里是现成的工具，只是要跟上新的锁定方式：投资加算力的纵向捆绑、模型与云服务的打包、平台对上下游的抽成。²⁵ 美国和英国的监管机构都已经就基础模型和云厂商的合作关系做过调查。问题不在于这些企业规模之大，麻烦在于入口被少数公司把持，后来者连入场资格都没有。

分享收益

让一部分收益回流公共部门的思路已经讨论了很多年，从 Bill Gates 2017 年主张对机器人征税，到美国国会 2026 年提出的人工智能税收与劳动保护法案 (AI Tax and Work Protection Act)，方向都是把自动化收益的一部分变成公共收入。²⁶ 更成熟的做法是资源租金分红：阿拉斯加四十多年来一直把石油收入变成发给每个居民的一年一笔分红，同一套逻辑完全可以搬到算力和数据上。至于基本收入，初步结果并不支持“给了钱人就不工作”的担忧：芬兰的试点里就业效应很小，安全感和心理健康却有明显改善；美国加州的 Stockton 也做过一轮每月 500 美元的保障收入试点。²⁷

劳动议价

算法管理需要透明度和人工复核。欧盟的平台工作指令要求平台说明自动化决策的逻辑，并且保留人工申诉的通道；国际劳工组织 (ILO)收集的案例里，有一个是德国电信的工作委员会参与 AI 系统的引入；经合组织 (OECD)的雇主调查则显示，这类管理已经跨越教育和收入层级，连白领的绩效评估也交给了系统。²⁸ 工会和再培训得配成一对，因为议价能力的前提是工人手里的技能在市场上还值钱。

缓冲转型

在分享收益的各种做法里，缩短工时最容易理解：英国的四天工作制试验里，九成以上的参与公司选择继续，离职率明显下降；冰岛把每周工时减到 35 到 36 小时，也没有出现预期中的效率崩塌。再培训和可携带福利管的是另一头：当岗位的寿命比人的寿命还短，跟着工作走的福利就不成立了。新加坡的终身学习账户和美国犹他州的《可携带福利法 (Portable Benefit Plan)》，都是这个方向上的尝试。²⁹

国际治理

前面五组都可以在一国之内推进，但算力和模型不按国界分布，所以还需要第六组。联合国《治理人工智能，助力造福人类 (Governing AI for Humanity)》报告和 2025 年设立的全球 AI 治理对话是目前最正式的两个平台，³⁰ 但它们都没有强制力，进展也远慢于模型的迭代速度。欧盟的 AI 法案是少有的、带惩罚机制的横向立法，高风险义务的适用时间已经被推迟到 2027 年 8 月，这既说明这类立法有多难，也说明法律一旦通过，就会被产业一次次拉回谈判桌。立法之外还有一类更细的工具：前沿模型的部署前审计与许可制度，以及把事故成本内部化的责任保险。³¹ 对全球南方来说，问题更直接：如果算力和标准都在上游，要想不被边缘化，需要的是在规则制定的桌上有位置，而不是事后接受援助。非洲联盟（非盟）2024 年通过的《非洲大陆人工智能战略 (Continental Artificial Intelligence Strategy)》，就是这种自我定位的尝试。

这六组之间也不是并列关系。扩大可及性决定有多少人能站上起跑线，抑制集中决定还有多少收益可分，分享收益、劳动议价和缓冲转型决定转型期的成本落在谁头上，国际治理则决定这套安排会不会被算力竞争冲垮。

这些政策不是互相排斥的备选，也不是一份必须全部实现的清单，更像一个工具箱：道路决定我们最终走向哪种形态，工具箱决定路上还有多少调整的余地。把两种未来当成二选一，就忽略了政治实际是怎么运转的，历史上几乎没有哪一次分配改革是一蹴而就的，都是一组政策慢慢叠加出来的。

那我们能做什么？

前面几节谈的都是机构能做什么：算力归谁、收益怎么分、规则由谁来写。但真正促使我写下这些文字的起因要具体得多：我身边的人确实在担心 AI 对行业的冲击。这种担心不是杞人忧天，它对应的是正在发生的变化。

如果一定要给一个务实的回答，我会说：更主动地用 AI。浅的一层是把它当作能力放大器，让自己能做的事情往前推一点；更重要的一层是把它当作探针，用得越多，越能摸清它的能力边界在哪里，它擅长什么，在什么地方出错，又会在什么时候把错的东西自信地交到你手上。这种认识不会从新闻标题里来，只能从具体的使用里一点点攒出来。

摸清边界只是准备，关键的一步在后面：拿这道边界去量自己，想清楚自己作为人、而不是作为 AI 的核心竞争力在哪里。前面说过，被替代的往往是任务，而不是整个职业；一个职业里需要判断、需要有人签字担责、需要和他人建立信任的那些环节，恰好落在模型的边界之外。这些环节你能占住多少，决定了自动化到来时你还剩多少余地。

这一点上我没有捷径可以给。边界要自己摸，位置也只能自己找；模型每迭代一次，边界就可能往外挪一格，那就得重新量一遍。总有一天，我们多数人会遇到需要“把才华埋葬在昨天”的处境，但至少可以把问题问对：不是“我会不会被取代？”，而是“我做的事情里，哪一部分是它做不到的？”这大概是我们这一代人绕不开的问题：大自动化时代，人的价值到底意味着什么？

如果你恰好在一个更有影响力的位置上，能做的事情就更多了：扩大可及性、抑制集中、分享收益、劳动议价、缓冲转型、国际治理，这六个方向都值得推进。它们不是互相排斥的备选，也不是一份必须全部打勾的清单，更像一个工具箱，多备几件总是好的。你的选择会影响到别人能走多远，也会影响整个社会最终走到哪里。

结语

回到开头那个问题。AGI 前夜真正的问题，不是“它什么时候来”，而是“它来的时候是什么形态”。前五个维度决定它能做成什么，可及性决定谁能用上它，自动化把这些选择变成企业账本上的数字，分配结构把结果固化成阶层，而政策决定这些结果还有多少可以逆转的空间。

我们是在迎接黎明，还是在制造长夜，取决于今天在所有权、制度和政治上做出的选择。“前夜”这个词本身就意味着还有时间，但时间不会替我们做决定。在那段被称为“恩格斯停顿”的半个世纪里，人们等来的不是自动到来的公平，而是自己组织起来的结果。

这篇文章没有时间表可以给，也不打算给。真要留下什么，大概是一句提醒：等到天亮之后再讨论光该归谁，可能已经太晚了。

参考资料