在上一篇《當語言改變答案：從語料污染、GEO 到大語言模型的判斷邊界》中，我討論了大語言模型如何受到資訊環境、訓練數據和檢索來源的影響。

文章最後留下了一個問題：當模型已經能夠接觸大量資訊，它究竟能否分辨哪些內容是可靠證據，哪些只是同一觀點的重複傳播？如果新的證據與原來的判斷發生衝突，它又能否據此修正自己的認識？

但這個問題不只存在於人工智能之中。

人同樣生活在由語言、媒體、歷史經驗和社會關系構成的資訊環境里。我們會依據自己掌握的證據作出判斷，也會通過情感理解風險、利益和公平。一個人可以認真思考，卻依然因為掌握的資訊不同、對因果關系的理解不同，而與別人得出截然不同的結論。

尤其當討論對象從歷史事實變成財富分配、就業和技術進步時，認識上的差異可能進一步影響現實中的經濟與政治行動。

最近有關 AI 泡沫的爭議，讓我重新注意到了這個問題。

AI 的繁榮，究竟意味著什麼？

2026年11月9日，Anthropic 發布 Claude Fable 5.2。工程師 Felix Rieseberg 隨後展示了一個由模型生成的網頁射擊游戲 Saltline。

根據開發者公開的資訊，模型在沒有中途人工反饋的情況下運行約八小時，按照 API 價格估算耗費約550美元，累計使用約4.45億輸入 Token 和270萬輸出 Token，其中大量輸入命中了緩存。

這是一項相當值得關注的技術實驗。過去可能需要程式開發、美術和聲音設計共同完成的游戲原型，如今可以由模型承擔大量制作工作。

但如果我們繼續觀察，這個案例還揭示了另一個問題。

開發者獲得了一款游戲，卻需要依靠遠程模型完成此前的生產過程。模型服務涉及雲端計算、伺服器、電力以及供應商的持續維護。

游戲完成後，若源代碼和資源能夠獨立保存，程式可以脫離原模型繼續運行；如果部分功能需要遠程服務，網路中斷或供應商停止提供服務就可能影響使用。

這說明 AI 改變了軟體的生產方式，卻沒有消除生產所需要的資源。部分成本從人工開發轉移到了模型推理、雲端基礎設施和持續維護。

另一項值得注意的進展來自開放權重模型。

2026年，Kimi K3 以約2.8萬億參數的規模發布。社區隨後出現了 kimi-k3-in-c 等項目，嘗試在沒有 GPU 的環境下，通過磁盤流式讀取、低精度權重和緩存管理運行大型模型。

開發者公布的一組測試記錄寫道：

8 tokens in 261.5 s

即生成8個 Token 耗時261.5秒。

雖然該測試報告的峰值內存約為8.24GB，但完整模型仍然需要約1.56TB的權重存儲空間，還需要額外空間保存預處理後的模型數據。

這項探索的意義不是讓普通電腦立即擁有流暢運行萬億參數模型的能力，而是展示了社區如何利用不同的計算方法降低模型運行門檻。

開放權重使外部開發者能夠研究、部署和改進模型，而不必將所有技術使用都綁定到原廠的在線接口。

這兩項技術進展都是真實的。然而，技術能力的增長並不直接等於企業利潤的增長。

一款游戲能夠自動生成，不代表有人願意長期購買；一款模型能夠在本地運行，也不代表所有使用者都擁有足夠的存儲和計算資源。

這些技術變化最終創造了多少經濟價值，仍然取決於它們幫助人們完成了哪些工作、降低了多少實際成本，以及有多少成果能夠被持續使用。

當資本市場根據技術進展不斷提高未來收益預期時，這個區別尤其重要。

2026年10月，國際貨幣基金組織在《全球金融穩定報告》中指出，AI 投資與盈利表現低於市場預期，可能引發相關資產價格調整，而債務融資和集中持倉會放大衝擊。

一項技術可以真正改變生產方式，圍繞它建設的部分基礎設施卻仍然可能出現投資過剩。

AI 技術是否成功、企業是否產生持續利潤，以及社會是否真正獲得相應收益，是需要分別檢驗的經濟結果。

當機器生產的東西，越來越多地由機器使用

網際網路正在發生一種變化。

AI 可以生成文章、圖片、代碼、影片和商品描述；搜索機器人與 AI Agent 又可以讀取這些內容，將其組織成摘要、推薦或進一步的生成結果。

更進一步，機器已經能夠執行支付。

2026年7月，Visa 與 Artemis 發布《Agentic Payments from the Ground Up》，研究 AI 代理參與的實際交易。

報告統計發現，x402 支付協議自2025年5月推出後，累計處理約1.096億筆交易，經過調整的交易金額約為1500萬美元。

Visa 將其中一類交易描述為：

payments that one piece of software makes to another

即軟體向另一個軟體支付費用。

這說明機器間支付已經不只是未來的設想。

但是，能夠完成支付，並不意味著機器擁有脫離人類經濟活動而獨立產生的購買力。

如果 AI 代理替用戶購買機票，支付的費用來自用戶預算。如果它替企業採購 API 或計算資源，支出則來自企業的經營資金。

機器負責執行交易，真正承擔費用的仍然是擁有資金並提出需求的人或機構。

因此，一億次機器支付，並不代表出現了一億次新的獨立人類消費需求。

如果一家企業使用 AI 批量生成文章，另一家企業購買算力讓 AI 閱讀這些文章，第三家企業再根據閱讀結果生成新的內容，那麼這一過程會不斷產生計算調用和商業支出。

但這些交易最終為人創造了什麼？

如果文章幫助人們獲得知識，程式完成了實際工作，或者自動化減少了企業的成本，那麼價值具有明確的現實來源。

可如果數字內容主要為了吸引自動化流量而生成，隨後又由機器讀取、改寫和重新發布，那麼內容數量和計算調用的增加，就不能直接解釋為相同規模的社會福利增長。

這也讓我重新想到上一篇文章關於 GEO 的討論。

當內容生產者越來越重視自己的材料能否被生成式搜索引用，資訊生產的目標也在發生變化。

一份資料被 AI 引用，並不證明它已經通過事實核查；一篇文章得到大量爬蟲訪問，也不證明有相應數量的人真正閱讀並從中受益。

當機器越來越多地生產、讀取和購買數字服務，我們更需要追蹤經濟活動最終由誰承擔成本，以及誰從中獲得實際價值。

企業節省了勞動成本，人們的收入怎樣變化？

如果只是討論 AI 企業之間的交易，我們依然停留在技術產業內部。

我更關心的是，普通人的經濟生活正在發生什麼變化。

2026年9月，美國人口普查局發表工作論文《Graduating into Disruption: Labor Market Outcomes for AI-Exposed College Majors》。

研究者利用大學畢業生的行政就業和收入記錄，比較不同專業在生成式 AI 普及後的勞動市場表現。

結果顯示，在經過統計調整後，AI 暴露程度最高的10%專業畢業生，首次就業概率下降約5個百分點，畢業初期完整季度的收入下降約13%。

論文摘要中的原文是：

full-quarter initial earnings declined by thirteen percent

研究還發現，收入下降大約一半來自相關行業內部的收入降低，其余部分與畢業生轉向餐飲、零售等工資較低的行業有關。

這項研究發現的是 AI 暴露程度與畢業生就業結果之間的差異，不能把全部變化都直接歸因於 AI 替代。但它已經把技術變化與部分年輕人真實的收入處境聯系起來。

另一項研究提供了相近的就業證據。

2026年8月，斯坦福大學數字經濟實驗室更新《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》。

研究使用 ADP 覆蓋數百萬名美國勞動者的薪資行政數據，發現22至25歲的年輕員工，在 AI 暴露程度較高的職業中，就業人數比按照低暴露職業同齡人趨勢推算的水平低約19%。

研究者指出，這種變化主要通過減少招聘體現，而不是現有員工大量離職。

原文概括為：

reduced hiring of young workers rather than increased separations

這讓我想到一個容易被宏觀就業統計掩蓋的問題。

一家企業決定減少招聘初級程式員、設計助理或文案人員時，現有員工可能沒有立即失業，社會總體失業率也未必立刻出現明顯變化。

但對於准備進入行業的年輕人而言，原本存在的職業入口已經變窄。

他們可能花費數年接受教育，卻需要從收入更低的工作開始，或者延長求職時間。

與此同時，房租、交通、食品和其他日常開支不會因為一個人尚未找到理想工作而自動停止。

研究中的收入差異並不能直接換算成家庭消費下降比例，但勞動收入與家庭購買能力之間的關系非常具體。

一個人收入降低後，需要減少支出、使用儲蓄、依靠家庭支持或增加負債來維持生活。

在必要開支之外，文化娛樂、旅行、電子產品、付費軟體和個人學習等消費往往需要重新安排。

這些變化不僅影響勞動者自己，也會影響依賴普通消費者購買產品的其他企業。

從這個角度看，AI 對勞動市場的影響不能只通過企業節省了多少人力成本來衡量。

技術讓某項工作更便宜，不等於原本依靠這項工作獲得收入的人，已經找到了新的收入來源。

誰能持續為 AI 付費？

技術企業當然希望更多消費者購買 AI 服務。

但消費者的支付能力並不會隨著模型能力提升而自動增加。

2026年10月，美國國家經濟研究局發表《Competition in Generative AI: Evidence from Consumer Demand》。

研究利用約1.74億名消費者、1140億筆銀行卡交易的數據，分析美國主要生成式 AI 服務的實際付費需求。

截至2026年4月，研究估計約2.9%的美國消費者為至少一項主要生成式 AI 服務付費。

絕大多數付費者購買的是每月30美元或以下的基礎套餐。主要服務商的年度客戶留存率則約在20%至45%之間。

這項研究衡量的是特定付費服務的消費者市場，並未包含全部免費用戶、企業採購或 AI 帶來的間接經濟效益。

但它至少說明，模型能力快速進步，與大眾願意持續支付多少錢，並不是同步增長的指標。

人們購買一項 AI 服務，必須考慮它能為自己提供什麼實際幫助，以及這筆開支是否值得。

對於依靠工資生活的人而言，訂閱模型與購買食品、支付房租、儲蓄或承擔家庭費用，都需要從可支配收入中安排。

這使 AI 產業出現一個需要特別關注的經濟關系：

企業越來越有能力通過 AI 降低生產所需要的人工成本，但大眾能否購買新增產品，仍然取決於他們能夠獲得多少收入。

這不是說整個經濟的消費只依靠工資。企業投資、政府支出、資本收入和國際貿易也會形成需求。

然而，勞動收入仍然是大量家庭獲取購買力的重要來源。

如果自動化減少了部分人的收入，而效率收益更多地集中到資產所有者手中，家庭消費結構和市場需求就會受到分配變化的影響。

產品變得容易生產，不等於產品自動擁有購買者。

當 AI 企業成為彼此的重要客戶

2026年10月，國際清算銀行發表《Circular relationships among AI firms》。

研究發現，2021至2025年流入 AI 企業的投資金額中，55.2%來自其他 AI 企業。在 AI 企業之間的投資交易中，按金額計算，46.4%還涉及投資雙方之間的商業供應關系。

研究者指出，這類關系會增加經濟活動的不透明程度，並可能產生宏觀金融風險。

2025年9月，CoreWeave 與 NVIDIA 簽訂初始金額63億美元的雲計算容量安排，為這種商業關系提供了具體案例。

CoreWeave 向美國證券交易委員會提交的 Form 8-K 說明，NVIDIA 在約定條件下需要購買其他客戶未購買的剩余算力。

文件中的關鍵表述是：

residual unsold cloud computing capacity

即尚未售出的剩余雲計算容量。

這份合同提供了銷售保障，也讓兩家公司的商業利益更加緊密。

但供應商承諾購買剩余算力，與已經存在足夠多的獨立終端客戶，並不是同一個事實。

如果一家模型公司依靠投資者資金採購雲算力，雲服務商再用預期訂單擴大資料中心，那麼這種擴張最終仍然需要有足夠的客戶收入或其他可持續現金來源來支持。

這正是 AI 泡沫爭議的重要經濟問題。

大量資本投入可能推動技術發展，也會形成建設、設備採購和就業活動。但如果最終需求無法支持長期經營，相關投資就可能無法獲得預期回報。

這些風險還會影響實體經濟。

資料中心需要電力、土地、伺服器、冷卻設備、建設工程和長期維護。一旦部分項目因融資困難停止建設，影響就不只發生在股票交易市場，還可能傳遞到設備供應商、建築承包商、能源企業和當地就業。

因此，判斷 AI 繁榮是否具有持續性，必須追蹤真實現金流和最終需求，而不能只觀察產業內部增長的訂單。

財富集中，會讓人怎樣理解經濟？

這使我重新想起馬克思的《資本論》。

在討論資本積累時，馬克思不僅關心社會能夠生產多少財富，也關注生產資料由誰擁有，以及資本積累如何改變勞動者與資本所有者之間的經濟關系。

在 AI 時代，先進模型、芯片、資料中心和平台網路都可能成為重要的生產資料。

企業擁有這些資產，便有機會通過計算服務、軟體授權和其他商業活動獲得收益。

而普通勞動者更多依靠工資、經營收入和有限的儲蓄維持生活。

2025年，國際貨幣基金組織發表《AI Adoption and Inequality》，利用家庭微觀數據及經濟模型分析 AI 對收入分配的影響。

研究指出，AI 可能替代部分高收入工作，改變工資差距；但資本回報增長可能使擁有較多資產的家庭獲得更大利益，從而擴大財富不平等。

這是基於模型的研究結果，並非已經測量到的全球財富變化。但它提出了一個具體問題：生產率提高產生的收益，是否能夠持續進入勞動者的實際收入？

2026年10月，國際勞工組織在《Making productivity growth work for people》中指出，勞動生產率增長與勞動者收入增長之間仍然存在差距，尤其在低收入國家更加明顯。

技術進步本身不能自動決定收益如何分配。

這使財富集中不再只是抽象的公平問題，而是涉及普通人的經濟生活。

當部分勞動者的收入增長放緩，而資產收益繼續增加時，他們對現有經濟制度產生不滿，並不難理解。

這種不滿可以來自真實的生活經歷。

但要進一步判斷財富差距究竟由什麼造成，還需要研究創新收益、資本投入、市場競爭、繼承、壟斷與其他制度因素。

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

研究調查20,400名美國居民，發現零和思維與支持政府再分配等政策存在顯著關聯，並與個人及其家庭的社會流動經歷有關。

所謂零和思維，是傾向於認為一方獲得收益，必然需要其他人承擔相應損失。

這項研究不能證明支持重新分配的人缺乏理性，也不能據此推斷他們會採取激進的政治行動。

但它揭示了一個值得研究的現實：人們對於財富如何產生的理解，會影響他們認為怎樣分配財富才合理。

一個人如果長期努力卻無法改善收入，可能認為現有制度限制了自己的機會。他可以基於這種經歷認真思考改革，也可以要求改變企業和社會的分配制度。

真正的問題在於，如果經濟不滿逐漸發展為認為某一群體的全部財富都來自對其他人的剝奪，復雜的經濟關系便可能被壓縮成一種簡單的身份判斷。

歷史上，確實發生過這種轉變。

瑞金土地革命：當經濟解釋進入現實行動

1929至1934年的贛南閩西中央蘇區，特別是1933年瑞金的查田運動，提供了一個值得研究的歷史案例。

這里的土地改革發生在1949年以前，不能直接使用中華人民共和國成立後的土地改革敘述代替。

1931年12月1日制定的《中華蘇維埃共和國土地法令》，規定對特定土地實行無償沒收，並重新分配土地及相關生產資料。

土地分配涉及真實的經濟利益。對於無地或少地農民，獲得土地意味著擁有改善家庭生活的重要生產資源。

但隨著階級成分的政治化，土地所有狀況開始進一步影響個人在社會組織中的地位。

1933年的《關於查田運動的初步總結》記載，瑞金壬田區在55天內查出地主、富農300戶，並：

槍決了群眾所謂“大老虎”的十二個反革命分子

同一份報告還記載，當地組織了十次群眾審判大會及三次巡回法庭活動。

這些數字來自當時運動組織者的報告，屬於需要與其他檔案繼續交叉核對的一手記錄。

不過，報告已經明確顯示，土地重新分配與階級身份審查、群眾審判和人身懲罰發生了結合。

孟慶延在《蘇區革命與地方社會：查田運動之發軔新探》中，進一步利用瑞金地方檔案、宗族資料及當事人回憶，研究查田運動與原有地方社會矛盾之間的聯系。

他的研究指出，查田並非發生在一個沒有內部利益衝突的農村社會。原有宗族關系、幹部更替、地方利益及政治動員相互交織，使階級分類能夠參與重新組織地方權力。

為了進一步核查這段歷史，還需要閱讀臺灣保存的國民政府和國軍資料。

臺灣國家發展委員會檔案管理局公開的《剿匪時期之經濟措施》，記載了1933至1934年南昌行營組織割禾隊，進入蘇區封鎖區域收割稻谷的政策。

檔案中的原文包括：

掩護割禾隊搶割稻禾

這說明當時的經濟困難還受到國軍主動實施的糧食徵取及軍事封鎖影響。

因此，不能把瑞金所有農業困難都歸因於蘇區內部的土地改革，也不能因為存在外部軍事封鎖，就否認階級划分與政治清查造成的人身傷害。

不同材料需要分別承擔它們能夠證明的事實。

尤其值得注意的是，當經濟身份被用於決定一個人的財產權、政治地位乃至人身安全時，財富分配已經不再只是調整土地資源的經濟政策。

這段歷史提醒我，經濟不滿可以包含真實的利益訴求，但一種關於財富來源的解釋，一旦成為對整個身份群體作出懲罰的依據，便會產生超出最初分配問題的社會後果。

如果做蛋糕的人消失了

我想用一個簡單的比喻繼續討論財富分配。

社會已經擁有一塊蛋糕，有人認為分配不公平，希望重新切分。

但下一塊蛋糕仍然需要有人制作。

它需要原料、設備、技術、勞動、組織和投資。

在農業社會，土地所有者不一定是實際耕作者。佃農、雇農、自耕農及經營者都可能參與生產。

在現代企業，股東、工程師、管理人員和普通員工也承擔不同的經濟職能。

所以，改變資產所有權並不意味著生產能力自然消失。

真正需要關注的是，生產資料能否繼續得到有效使用，勞動者能否保有穩定的收入，經營者是否願意繼續投資，以及社會能否保留不斷創造財富所需要的知識與組織能力。

這一問題在歷史上有具體的實證案例。

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

研究比較約1600個縣在1955至1957年中國農業集體化期間的不同實施時間，估計產權轉移預期造成約12%至15%的耕畜損失，並通過牲畜投入減少及生產率下降，使糧食產出降低約7%。

這一事件發生在1950年代中期，不是1933年的瑞金查田運動，不能將其產量損失數字套用到瑞金。

但它證明了一個可以觀察的經濟機制：人們對未來財產權的預期，會改變他們如何處理現有生產資料。

對於個體農民而言，如果認為自己的耕牛即將失去控制權，提前宰殺可能是保護眼前收益的選擇；對整個農業社會而言，耕牛損失意味著未來能夠投入耕作的生產資源減少。

個人作出的選擇可以具有經濟邏輯，大量類似行為匯總之後，卻可能降低整體產出。

這比簡單地說人們為了分蛋糕忘記做蛋糕，更能解釋制度為什麼會影響生產。

對 AI 時代而言，問題同樣不止於誰擁有現有財富。

如果 AI 讓部分勞動者的收入下降，而新增資本收益沒有充分轉化為新的工作機會、實際工資或更低的生活成本，那麼普通人分享技術進步成果的渠道就會受到影響。

如果企業只關注減少人工開支，卻忽略勞動者同樣是現實市場的重要消費者，技術帶來的效率增長就可能與家庭購買力出現脫節。

反過來，維持長期生產也需要保護知識、技能、投資與持續創新的條件。

我們需要研究的是，怎樣讓更多人獲得先進生產工具的使用機會，並通過勞動、經營和其他正當經濟活動分享收益，而不只是圍繞已經形成的財富存量展開爭奪。

危險的不是提出問題，而是某種解釋不再允許被檢驗

回到 AI 泡沫。

現在已經能夠觀察到幾種真實發生的現象。

先進模型完成了以前難以自動化的軟體任務，但並沒有因此直接證明全部 AI 投資都能獲得預期回報。

AI 企業之間形成了大量投資和採購關系，部分算力供應商還通過承購協議保障未來銷售，但這些合同不能代替獨立終端需求的測量。

美國勞動市場的研究也已經發現，部分 AI 暴露程度較高的年輕勞動者面臨就業入口收窄和初期收入下降的現象。

與此同時，真實付費的消費者仍然會根據價格和需求選擇 AI 服務，而不會因為模型變得更強，就無限增加自己的訂閱預算。

這些事實共同指向一個值得繼續調查的經濟問題：AI 產業生產能力和資本投資正在迅速擴張，技術收益能否充分進入普通人的收入和消費，仍然需要通過實際數據檢驗。

危險的認知，恰恰可能從忽略這種聯系開始。

上一篇文章中的 Qwen 測試，已經展示過模型可以通過遺漏重要材料改變用戶最終得到的資訊結構，而不必直接編造事實。

今天的 AI 經濟敘事也存在類似的問題。

如果行業報告大量強調模型參數、計算需求、資本開支、合同金額和交易次數，卻很少衡量勞動者收入、居民購買能力與真實生產率，那麼這些數字即使全部正確，呈現出來的經濟圖景仍然可能不完整。

這並不需要有人故意制造虛假資訊。

只要某些指標長期獲得更多關注，另一些指標不斷被忽略，公眾對於經濟發展的理解就可能逐漸圍繞少數可見數字形成。

當一種解釋被不斷傳播，它便可能成為人們理解新事件的默認框架。

如果模型完成了新的復雜任務，人們可能更加相信 AI 產業必然繁榮；如果一家科技企業公布更大的投資計划，市場可能將其理解為未來需求繼續擴張的信號。

但這些判斷最終仍然需要回到真實現金流和實際經濟收益。

同樣，當人們看到貧富差距擴大、就業機會減少，也需要繼續研究問題由什麼機制形成，而不能只根據經濟身份認定某個群體應承擔全部責任。

瑞金土地革命的歷史說明，一種經濟解釋一旦進入階級分類、群眾審判與財產處理制度，就能夠產生非常具體的現實後果。

人不是單純由情緒驅動的對象。

一個人可能認真衡量自己的利益和風險，也可能基於所掌握的資訊，形成一套邏輯自洽的解釋。

問題在於，如果最初的資訊存在缺漏，或者對因果關系的理解已經偏離事實，繼續推理並不一定能夠自動糾正錯誤。

這使我重新理解上一篇文章留下的問題。

真正危險的認知，不一定表現為明顯的謊言，而可能是一套看起來完整、能夠解釋許多現象，卻不斷排除不符合自身判斷的證據的世界觀。

當這種認知只是影響一次模型回答，錯誤還可以通過資料核查得到糾正。

但當它進一步影響企業投資、就業安排、公共政策與個人權利時，錯誤就可能產生持續的現實成本。

AI 泡沫最終需要回答什麼？

我越來越覺得，預測 AI 泡沫什麼時候破裂，不應該成為這場討論唯一的目標。

即使資本市場發生大規模調整，已經開發出來的軟體、模型和工程技術也不會因此自動消失。

技術也可能持續進步，而普通人的生活條件沒有同步改善。

因此，真正需要觀察的，是生產率增長如何轉化為收入，企業投資能否得到持續的客戶需求支持，以及社會成員有沒有能力參與和享受新增的經濟成果。

如果 AI 讓商品和服務變得更便宜，我們應該能夠從價格和購買能力中看到變化。

如果 AI 讓勞動者節省了時間，我們應該繼續觀察這種效率是否帶來更高收入、更合理的工作安排，或者新的發展機會。

如果 AI 企業持續擴大投資，我們應該追蹤這些支出創造了多少能夠長期存在的產出，而不是只看資金如何在產業鏈內部循環。

這些問題最終都與人的生活有關。

因為人不只是企業成本表上的勞動費用，也不是技術產業需要爭取的一個訂閱帳戶。

人需要收入來維持生活，需要機會來積累能力，也希望能夠參與創造，而不只是被動接受技術生產出來的商品。

從瑞金的歷史到今天的 AI 產業，生產工具、財產所有權和資源分配方式都發生了巨大變化，但有一個經濟問題始終值得討論：

當社會創造財富的能力不斷增長，人們是否仍然擁有參與生產、獲得收入和分享成果的機會？

上一篇文章討論模型如何理解世界。

這一次，我更希望討論我們如何理解所謂的經濟繁榮。

如果最終的評價只剩下模型參數、算力規模、機器交易次數和企業估值，卻忽略了普通人的勞動收入、消費能力與生活質量，那麼這種繁榮敘事便沒有完整回答經濟發展究竟為了什麼。

而當一種解釋開始決定哪些證據值得關注，並不斷排除無法支持它的事實時，我們更應該重新審視自己的判斷。

我們究竟是在依據證據理解世界，還是在依據已經形成的世界觀決定什麼能夠成為證據？