在上一篇《当语言改变答案：从语料污染、GEO 到大语言模型的判断边界》中，我讨论了大语言模型如何受到信息环境、训练数据和检索来源的影响。

文章最后留下了一个问题：当模型已经能够接触大量信息，它究竟能否分辨哪些内容是可靠证据，哪些只是同一观点的重复传播？如果新的证据与原来的判断发生冲突，它又能否据此修正自己的认识？

但这个问题不只存在于人工智能之中。

人同样生活在由语言、媒体、历史经验和社会关系构成的信息环境里。我们会依据自己掌握的证据作出判断，也会通过情感理解风险、利益和公平。一个人可以认真思考，却依然因为掌握的信息不同、对因果关系的理解不同，而与别人得出截然不同的结论。

尤其当讨论对象从历史事实变成财富分配、就业和技术进步时，认识上的差异可能进一步影响现实中的经济与政治行动。

最近有关 AI 泡沫的争议，让我重新注意到了这个问题。

AI 的繁荣，究竟意味着什么？

2026年11月9日，Anthropic 发布 Claude Fable 5.2。工程师 Felix Rieseberg 随后展示了一个由模型生成的网页射击游戏 Saltline。

根据开发者公开的信息，模型在没有中途人工反馈的情况下运行约八小时，按照 API 价格估算耗费约550美元，累计使用约4.45亿输入 Token 和270万输出 Token，其中大量输入命中了缓存。

这是一项相当值得关注的技术实验。过去可能需要程序开发、美术和声音设计共同完成的游戏原型，如今可以由模型承担大量制作工作。

但如果我们继续观察，这个案例还揭示了另一个问题。

开发者获得了一款游戏，却需要依靠远程模型完成此前的生产过程。模型服务涉及云端计算、服务器、电力以及供应商的持续维护。

游戏完成后，若源代码和资源能够独立保存，程序可以脱离原模型继续运行；如果部分功能需要远程服务，网络中断或供应商停止提供服务就可能影响使用。

这说明 AI 改变了软件的生产方式，却没有消除生产所需要的资源。部分成本从人工开发转移到了模型推理、云端基础设施和持续维护。

另一项值得注意的进展来自开放权重模型。

2026年，Kimi K3 以约2.8万亿参数的规模发布。社区随后出现了 kimi-k3-in-c 等项目，尝试在没有 GPU 的环境下，通过磁盘流式读取、低精度权重和缓存管理运行大型模型。

开发者公布的一组测试记录写道：

8 tokens in 261.5 s

即生成8个 Token 耗时261.5秒。

虽然该测试报告的峰值内存约为8.24GB，但完整模型仍然需要约1.56TB的权重存储空间，还需要额外空间保存预处理后的模型数据。

这项探索的意义不是让普通电脑立即拥有流畅运行万亿参数模型的能力，而是展示了社区如何利用不同的计算方法降低模型运行门槛。

开放权重使外部开发者能够研究、部署和改进模型，而不必将所有技术使用都绑定到原厂的在线接口。

这两项技术进展都是真实的。然而，技术能力的增长并不直接等于企业利润的增长。

一款游戏能够自动生成，不代表有人愿意长期购买；一款模型能够在本地运行，也不代表所有使用者都拥有足够的存储和计算资源。

这些技术变化最终创造了多少经济价值，仍然取决于它们帮助人们完成了哪些工作、降低了多少实际成本，以及有多少成果能够被持续使用。

当资本市场根据技术进展不断提高未来收益预期时，这个区别尤其重要。

2026年10月，国际货币基金组织在《全球金融稳定报告》中指出，AI 投资与盈利表现低于市场预期，可能引发相关资产价格调整，而债务融资和集中持仓会放大冲击。

一项技术可以真正改变生产方式，围绕它建设的部分基础设施却仍然可能出现投资过剩。

AI 技术是否成功、企业是否产生持续利润，以及社会是否真正获得相应收益，是需要分别检验的经济结果。

当机器生产的东西，越来越多地由机器使用

互联网正在发生一种变化。

AI 可以生成文章、图片、代码、视频和商品描述；搜索机器人与 AI Agent 又可以读取这些内容，将其组织成摘要、推荐或进一步的生成结果。

更进一步，机器已经能够执行支付。

2026年7月，Visa 与 Artemis 发布《Agentic Payments from the Ground Up》，研究 AI 代理参与的实际交易。

报告统计发现，x402 支付协议自2025年5月推出后，累计处理约1.096亿笔交易，经过调整的交易金额约为1500万美元。

Visa 将其中一类交易描述为：

payments that one piece of software makes to another

即软件向另一个软件支付费用。

这说明机器间支付已经不只是未来的设想。

但是，能够完成支付，并不意味着机器拥有脱离人类经济活动而独立产生的购买力。

如果 AI 代理替用户购买机票，支付的费用来自用户预算。如果它替企业采购 API 或计算资源，支出则来自企业的经营资金。

机器负责执行交易，真正承担费用的仍然是拥有资金并提出需求的人或机构。

因此，一亿次机器支付，并不代表出现了一亿次新的独立人类消费需求。

如果一家企业使用 AI 批量生成文章，另一家企业购买算力让 AI 阅读这些文章，第三家企业再根据阅读结果生成新的内容，那么这一过程会不断产生计算调用和商业支出。

但这些交易最终为人创造了什么？

如果文章帮助人们获得知识，程序完成了实际工作，或者自动化减少了企业的成本，那么价值具有明确的现实来源。

可如果数字内容主要为了吸引自动化流量而生成，随后又由机器读取、改写和重新发布，那么内容数量和计算调用的增加，就不能直接解释为相同规模的社会福利增长。

这也让我重新想到上一篇文章关于 GEO 的讨论。

当内容生产者越来越重视自己的材料能否被生成式搜索引用，信息生产的目标也在发生变化。

一份资料被 AI 引用，并不证明它已经通过事实核查；一篇文章得到大量爬虫访问，也不证明有相应数量的人真正阅读并从中受益。

当机器越来越多地生产、读取和购买数字服务，我们更需要追踪经济活动最终由谁承担成本，以及谁从中获得实际价值。

企业节省了劳动成本，人们的收入怎样变化？

如果只是讨论 AI 企业之间的交易，我们依然停留在技术产业内部。

我更关心的是，普通人的经济生活正在发生什么变化。

2026年9月，美国人口普查局发表工作论文《Graduating into Disruption: Labor Market Outcomes for AI-Exposed College Majors》。

研究者利用大学毕业生的行政就业和收入记录，比较不同专业在生成式 AI 普及后的劳动市场表现。

结果显示，在经过统计调整后，AI 暴露程度最高的10%专业毕业生，首次就业概率下降约5个百分点，毕业初期完整季度的收入下降约13%。

论文摘要中的原文是：

full-quarter initial earnings declined by thirteen percent

研究还发现，收入下降大约一半来自相关行业内部的收入降低，其余部分与毕业生转向餐饮、零售等工资较低的行业有关。

这项研究发现的是 AI 暴露程度与毕业生就业结果之间的差异，不能把全部变化都直接归因于 AI 替代。但它已经把技术变化与部分年轻人真实的收入处境联系起来。

另一项研究提供了相近的就业证据。

2026年8月，斯坦福大学数字经济实验室更新《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》。

研究使用 ADP 覆盖数百万名美国劳动者的薪资行政数据，发现22至25岁的年轻员工，在 AI 暴露程度较高的职业中，就业人数比按照低暴露职业同龄人趋势推算的水平低约19%。

研究者指出，这种变化主要通过减少招聘体现，而不是现有员工大量离职。

原文概括为：

reduced hiring of young workers rather than increased separations

这让我想到一个容易被宏观就业统计掩盖的问题。

一家企业决定减少招聘初级程序员、设计助理或文案人员时，现有员工可能没有立即失业，社会总体失业率也未必立刻出现明显变化。

但对于准备进入行业的年轻人而言，原本存在的职业入口已经变窄。

他们可能花费数年接受教育，却需要从收入更低的工作开始，或者延长求职时间。

与此同时，房租、交通、食品和其他日常开支不会因为一个人尚未找到理想工作而自动停止。

研究中的收入差异并不能直接换算成家庭消费下降比例，但劳动收入与家庭购买能力之间的关系非常具体。

一个人收入降低后，需要减少支出、使用储蓄、依靠家庭支持或增加负债来维持生活。

在必要开支之外，文化娱乐、旅行、电子产品、付费软件和个人学习等消费往往需要重新安排。

这些变化不仅影响劳动者自己，也会影响依赖普通消费者购买产品的其他企业。

从这个角度看，AI 对劳动市场的影响不能只通过企业节省了多少人力成本来衡量。

技术让某项工作更便宜，不等于原本依靠这项工作获得收入的人，已经找到了新的收入来源。

谁能持续为 AI 付费？

技术企业当然希望更多消费者购买 AI 服务。

但消费者的支付能力并不会随着模型能力提升而自动增加。

2026年10月，美国国家经济研究局发表《Competition in Generative AI: Evidence from Consumer Demand》。

研究利用约1.74亿名消费者、1140亿笔银行卡交易的数据，分析美国主要生成式 AI 服务的实际付费需求。

截至2026年4月，研究估计约2.9%的美国消费者为至少一项主要生成式 AI 服务付费。

绝大多数付费者购买的是每月30美元或以下的基础套餐。主要服务商的年度客户留存率则约在20%至45%之间。

这项研究衡量的是特定付费服务的消费者市场，并未包含全部免费用户、企业采购或 AI 带来的间接经济效益。

但它至少说明，模型能力快速进步，与大众愿意持续支付多少钱，并不是同步增长的指标。

人们购买一项 AI 服务，必须考虑它能为自己提供什么实际帮助，以及这笔开支是否值得。

对于依靠工资生活的人而言，订阅模型与购买食品、支付房租、储蓄或承担家庭费用，都需要从可支配收入中安排。

这使 AI 产业出现一个需要特别关注的经济关系：

企业越来越有能力通过 AI 降低生产所需要的人工成本，但大众能否购买新增产品，仍然取决于他们能够获得多少收入。

这不是说整个经济的消费只依靠工资。企业投资、政府支出、资本收入和国际贸易也会形成需求。

然而，劳动收入仍然是大量家庭获取购买力的重要来源。

如果自动化减少了部分人的收入，而效率收益更多地集中到资产所有者手中，家庭消费结构和市场需求就会受到分配变化的影响。

产品变得容易生产，不等于产品自动拥有购买者。

当 AI 企业成为彼此的重要客户

2026年10月，国际清算银行发表《Circular relationships among AI firms》。

研究发现，2021至2025年流入 AI 企业的投资金额中，55.2%来自其他 AI 企业。在 AI 企业之间的投资交易中，按金额计算，46.4%还涉及投资双方之间的商业供应关系。

研究者指出，这类关系会增加经济活动的不透明程度，并可能产生宏观金融风险。

2025年9月，CoreWeave 与 NVIDIA 签订初始金额63亿美元的云计算容量安排，为这种商业关系提供了具体案例。

CoreWeave 向美国证券交易委员会提交的 Form 8-K 说明，NVIDIA 在约定条件下需要购买其他客户未购买的剩余算力。

文件中的关键表述是：

residual unsold cloud computing capacity

即尚未售出的剩余云计算容量。

这份合同提供了销售保障，也让两家公司的商业利益更加紧密。

但供应商承诺购买剩余算力，与已经存在足够多的独立终端客户，并不是同一个事实。

如果一家模型公司依靠投资者资金采购云算力，云服务商再用预期订单扩大数据中心，那么这种扩张最终仍然需要有足够的客户收入或其他可持续现金来源来支持。

这正是 AI 泡沫争议的重要经济问题。

大量资本投入可能推动技术发展，也会形成建设、设备采购和就业活动。但如果最终需求无法支持长期经营，相关投资就可能无法获得预期回报。

这些风险还会影响实体经济。

数据中心需要电力、土地、服务器、冷却设备、建设工程和长期维护。一旦部分项目因融资困难停止建设，影响就不只发生在股票交易市场，还可能传递到设备供应商、建筑承包商、能源企业和当地就业。

因此，判断 AI 繁荣是否具有持续性，必须追踪真实现金流和最终需求，而不能只观察产业内部增长的订单。

财富集中，会让人怎样理解经济？

这使我重新想起马克思的《资本论》。

在讨论资本积累时，马克思不仅关心社会能够生产多少财富，也关注生产资料由谁拥有，以及资本积累如何改变劳动者与资本所有者之间的经济关系。

在 AI 时代，先进模型、芯片、数据中心和平台网络都可能成为重要的生产资料。

企业拥有这些资产，便有机会通过计算服务、软件授权和其他商业活动获得收益。

而普通劳动者更多依靠工资、经营收入和有限的储蓄维持生活。

2025年，国际货币基金组织发表《AI Adoption and Inequality》，利用家庭微观数据及经济模型分析 AI 对收入分配的影响。

研究指出，AI 可能替代部分高收入工作，改变工资差距；但资本回报增长可能使拥有较多资产的家庭获得更大利益，从而扩大财富不平等。

这是基于模型的研究结果，并非已经测量到的全球财富变化。但它提出了一个具体问题：生产率提高产生的收益，是否能够持续进入劳动者的实际收入？

2026年10月，国际劳工组织在《Making productivity growth work for people》中指出，劳动生产率增长与劳动者收入增长之间仍然存在差距，尤其在低收入国家更加明显。

技术进步本身不能自动决定收益如何分配。

这使财富集中不再只是抽象的公平问题，而是涉及普通人的经济生活。

当部分劳动者的收入增长放缓，而资产收益继续增加时，他们对现有经济制度产生不满，并不难理解。

这种不满可以来自真实的生活经历。

但要进一步判断财富差距究竟由什么造成，还需要研究创新收益、资本投入、市场竞争、继承、垄断与其他制度因素。

2026年3月，《American Economic Review》发表《Zero-Sum Thinking and the Roots of US Political Differences》。

研究调查20,400名美国居民，发现零和思维与支持政府再分配等政策存在显著关联，并与个人及其家庭的社会流动经历有关。

所谓零和思维，是倾向于认为一方获得收益，必然需要其他人承担相应损失。

这项研究不能证明支持重新分配的人缺乏理性，也不能据此推断他们会采取激进的政治行动。

但它揭示了一个值得研究的现实：人们对于财富如何产生的理解，会影响他们认为怎样分配财富才合理。

一个人如果长期努力却无法改善收入，可能认为现有制度限制了自己的机会。他可以基于这种经历认真思考改革，也可以要求改变企业和社会的分配制度。

真正的问题在于，如果经济不满逐渐发展为认为某一群体的全部财富都来自对其他人的剥夺，复杂的经济关系便可能被压缩成一种简单的身份判断。

历史上，确实发生过这种转变。

瑞金土地革命：当经济解释进入现实行动

1929至1934年的赣南闽西中央苏区，特别是1933年瑞金的查田运动，提供了一个值得研究的历史案例。

这里的土地改革发生在1949年以前，不能直接使用中华人民共和国成立后的土地改革叙述代替。

1931年12月1日制定的《中华苏维埃共和国土地法令》，规定对特定土地实行无偿没收，并重新分配土地及相关生产资料。

土地分配涉及真实的经济利益。对于无地或少地农民，获得土地意味着拥有改善家庭生活的重要生产资源。

但随着阶级成分的政治化，土地所有状况开始进一步影响个人在社会组织中的地位。

1933年的《关于查田运动的初步总结》记载，瑞金壬田区在55天内查出地主、富农300户，并：

枪决了群众所谓“大老虎”的十二个反革命分子

同一份报告还记载，当地组织了十次群众审判大会及三次巡回法庭活动。

这些数字来自当时运动组织者的报告，属于需要与其他档案继续交叉核对的一手记录。

不过，报告已经明确显示，土地重新分配与阶级身份审查、群众审判和人身惩罚发生了结合。

孟庆延在《苏区革命与地方社会：查田运动之发轫新探》中，进一步利用瑞金地方档案、宗族资料及当事人回忆，研究查田运动与原有地方社会矛盾之间的联系。

他的研究指出，查田并非发生在一个没有内部利益冲突的农村社会。原有宗族关系、干部更替、地方利益及政治动员相互交织，使阶级分类能够参与重新组织地方权力。

为了进一步核查这段历史，还需要阅读台湾保存的国民政府和国军资料。

台湾国家发展委员会档案管理局公开的《剿匪时期之经济措施》，记载了1933至1934年南昌行营组织割禾队，进入苏区封锁区域收割稻谷的政策。

档案中的原文包括：

掩護割禾隊搶割稻禾

这说明当时的经济困难还受到国军主动实施的粮食征取及军事封锁影响。

因此，不能把瑞金所有农业困难都归因于苏区内部的土地改革，也不能因为存在外部军事封锁，就否认阶级划分与政治清查造成的人身伤害。

不同材料需要分别承担它们能够证明的事实。

尤其值得注意的是，当经济身份被用于决定一个人的财产权、政治地位乃至人身安全时，财富分配已经不再只是调整土地资源的经济政策。

这段历史提醒我，经济不满可以包含真实的利益诉求，但一种关于财富来源的解释，一旦成为对整个身份群体作出惩罚的依据，便会产生超出最初分配问题的社会后果。

如果做蛋糕的人消失了

我想用一个简单的比喻继续讨论财富分配。

社会已经拥有一块蛋糕，有人认为分配不公平，希望重新切分。

但下一块蛋糕仍然需要有人制作。

它需要原料、设备、技术、劳动、组织和投资。

在农业社会，土地所有者不一定是实际耕作者。佃农、雇农、自耕农及经营者都可能参与生产。

在现代企业，股东、工程师、管理人员和普通员工也承担不同的经济职能。

所以，改变资产所有权并不意味着生产能力自然消失。

真正需要关注的是，生产资料能否继续得到有效使用，劳动者能否保有稳定的收入，经营者是否愿意继续投资，以及社会能否保留不断创造财富所需要的知识与组织能力。

这一问题在历史上有具体的实证案例。

2017年，Shuo Chen 与 Xiaohuan Lan 在《American Economic Journal: Applied Economics》发表《There Will Be Killing: Collectivization and Death of Draft Animals》。

研究比较约1600个县在1955至1957年中国农业集体化期间的不同实施时间，估计产权转移预期造成约12%至15%的耕畜损失，并通过牲畜投入减少及生产率下降，使粮食产出降低约7%。

这一事件发生在1950年代中期，不是1933年的瑞金查田运动，不能将其产量损失数字套用到瑞金。

但它证明了一个可以观察的经济机制：人们对未来财产权的预期，会改变他们如何处理现有生产资料。

对于个体农民而言，如果认为自己的耕牛即将失去控制权，提前宰杀可能是保护眼前收益的选择；对整个农业社会而言，耕牛损失意味着未来能够投入耕作的生产资源减少。

个人作出的选择可以具有经济逻辑，大量类似行为汇总之后，却可能降低整体产出。

这比简单地说人们为了分蛋糕忘记做蛋糕，更能解释制度为什么会影响生产。

对 AI 时代而言，问题同样不止于谁拥有现有财富。

如果 AI 让部分劳动者的收入下降，而新增资本收益没有充分转化为新的工作机会、实际工资或更低的生活成本，那么普通人分享技术进步成果的渠道就会受到影响。

如果企业只关注减少人工开支，却忽略劳动者同样是现实市场的重要消费者，技术带来的效率增长就可能与家庭购买力出现脱节。

反过来，维持长期生产也需要保护知识、技能、投资与持续创新的条件。

我们需要研究的是，怎样让更多人获得先进生产工具的使用机会，并通过劳动、经营和其他正当经济活动分享收益，而不只是围绕已经形成的财富存量展开争夺。

危险的不是提出问题，而是某种解释不再允许被检验

回到 AI 泡沫。

现在已经能够观察到几种真实发生的现象。

先进模型完成了以前难以自动化的软件任务，但并没有因此直接证明全部 AI 投资都能获得预期回报。

AI 企业之间形成了大量投资和采购关系，部分算力供应商还通过承购协议保障未来销售，但这些合同不能代替独立终端需求的测量。

美国劳动市场的研究也已经发现，部分 AI 暴露程度较高的年轻劳动者面临就业入口收窄和初期收入下降的现象。

与此同时，真实付费的消费者仍然会根据价格和需求选择 AI 服务，而不会因为模型变得更强，就无限增加自己的订阅预算。

这些事实共同指向一个值得继续调查的经济问题：AI 产业生产能力和资本投资正在迅速扩张，技术收益能否充分进入普通人的收入和消费，仍然需要通过实际数据检验。

危险的认知，恰恰可能从忽略这种联系开始。

上一篇文章中的 Qwen 测试，已经展示过模型可以通过遗漏重要材料改变用户最终得到的信息结构，而不必直接编造事实。

今天的 AI 经济叙事也存在类似的问题。

如果行业报告大量强调模型参数、计算需求、资本开支、合同金额和交易次数，却很少衡量劳动者收入、居民购买能力与真实生产率，那么这些数字即使全部正确，呈现出来的经济图景仍然可能不完整。

这并不需要有人故意制造虚假信息。

只要某些指标长期获得更多关注，另一些指标不断被忽略，公众对于经济发展的理解就可能逐渐围绕少数可见数字形成。

当一种解释被不断传播，它便可能成为人们理解新事件的默认框架。

如果模型完成了新的复杂任务，人们可能更加相信 AI 产业必然繁荣；如果一家科技企业公布更大的投资计划，市场可能将其理解为未来需求继续扩张的信号。

但这些判断最终仍然需要回到真实现金流和实际经济收益。

同样，当人们看到贫富差距扩大、就业机会减少，也需要继续研究问题由什么机制形成，而不能只根据经济身份认定某个群体应承担全部责任。

瑞金土地革命的历史说明，一种经济解释一旦进入阶级分类、群众审判与财产处理制度，就能够产生非常具体的现实后果。

人不是单纯由情绪驱动的对象。

一个人可能认真衡量自己的利益和风险，也可能基于所掌握的信息，形成一套逻辑自洽的解释。

问题在于，如果最初的信息存在缺漏，或者对因果关系的理解已经偏离事实，继续推理并不一定能够自动纠正错误。

这使我重新理解上一篇文章留下的问题。

真正危险的认知，不一定表现为明显的谎言，而可能是一套看起来完整、能够解释许多现象，却不断排除不符合自身判断的证据的世界观。

当这种认知只是影响一次模型回答，错误还可以通过资料核查得到纠正。

但当它进一步影响企业投资、就业安排、公共政策与个人权利时，错误就可能产生持续的现实成本。

AI 泡沫最终需要回答什么？

我越来越觉得，预测 AI 泡沫什么时候破裂，不应该成为这场讨论唯一的目标。

即使资本市场发生大规模调整，已经开发出来的软件、模型和工程技术也不会因此自动消失。

技术也可能持续进步，而普通人的生活条件没有同步改善。

因此，真正需要观察的，是生产率增长如何转化为收入，企业投资能否得到持续的客户需求支持，以及社会成员有没有能力参与和享受新增的经济成果。

如果 AI 让商品和服务变得更便宜，我们应该能够从价格和购买能力中看到变化。

如果 AI 让劳动者节省了时间，我们应该继续观察这种效率是否带来更高收入、更合理的工作安排，或者新的发展机会。

如果 AI 企业持续扩大投资，我们应该追踪这些支出创造了多少能够长期存在的产出，而不是只看资金如何在产业链内部循环。

这些问题最终都与人的生活有关。

因为人不只是企业成本表上的劳动费用，也不是技术产业需要争取的一个订阅账户。

人需要收入来维持生活，需要机会来积累能力，也希望能够参与创造，而不只是被动接受技术生产出来的商品。

从瑞金的历史到今天的 AI 产业，生产工具、财产所有权和资源分配方式都发生了巨大变化，但有一个经济问题始终值得讨论：

当社会创造财富的能力不断增长，人们是否仍然拥有参与生产、获得收入和分享成果的机会？

上一篇文章讨论模型如何理解世界。

这一次，我更希望讨论我们如何理解所谓的经济繁荣。

如果最终的评价只剩下模型参数、算力规模、机器交易次数和企业估值，却忽略了普通人的劳动收入、消费能力与生活质量，那么这种繁荣叙事便没有完整回答经济发展究竟为了什么。

而当一种解释开始决定哪些证据值得关注，并不断排除无法支持它的事实时，我们更应该重新审视自己的判断。

我们究竟是在依据证据理解世界，还是在依据已经形成的世界观决定什么能够成为证据？