爱吱声

标题: 理性审视人工智能发展挑战：关于“2028智能危机”的思考 [打印本页]

作者: xiejin77 时间: 昨天 17:03
标题: 理性审视人工智能发展挑战：关于“2028智能危机”的思考
神牛老师的日志

其实这篇研报我在刚刚看到的时候就自然而然的忽视了，但是后来朋友圈刷屏，坛子里也有神牛老师的日志说到，连单位久未谋面的数据中心的老朋友也再电话里问我AI的危机的时候说到了这个研报。我才觉得需要解释并拆解一下。

理性审视人工智能发展挑战：关于“2028智能危机”的思考
——对 Citrini Research 原文的系统性拆解

2026年2月，Citrini Research 在其 Substack 平台上发布了一篇题为《THE 2028 GLOBAL INTELLIGENCE CRISIS》的长文，署名 Citrini 与 Alap Shah。该文以"来自2028年6月的宏观备忘录"为体裁，构造了一幅AI在两年内摧毁白领就业、击穿住房按揭市场、引爆系统性金融危机的末日图景。文章在短时间内就获得了极高的传播量——4,467个赞、946次分享——成为投研社区中被广泛讨论的"恐慌型内容产品"。国内的各类媒体也都纷纷热议，形成了一个潮流行的话题。

原文链接：

https://www.citriniresearch.com/p/2028gic

然而，投研报告的传播度从来不是真理的度量衡。这篇文章的硬伤不少，我将顺着原文的论述链条进行梳理，从方法论底色、经济机制、技术能力断言、行业冲击推演、金融传染叙事以及劳动市场叙事等多个维度展开系统性批判与思考。

一、"情景推演"的体裁伪装与数字锚定
通读原文的第一步，是理解它的体裁策略。作者在文章开头明确声明："This is a scenario, not a prediction"，声称文章的目的仅是"建模左尾风险"，帮助投资者思考极端情景下的资产配置。这一免责声明在修辞上是精巧的，但在功能上是失效的。

真正的情景推演方法论——无论是壳牌公司的经典双情景模型，还是军事领域的红蓝对抗推演——都要求分析者在多个关键变量上设定不同的假设，以条件分支结构（"若X发生，则Y；若X不发生，则Z"）来组织叙事，并分别追踪各分支的后果。然而原文并未采取这种结构，而是以高度确定的语气、精确到小数点的宏观数据、虚构但拟真的彭博终端标题与机构名称，系统性地营造了"这已经发生过"的沉浸体验。全文没有任何分支节点，没有"另一种可能"，没有概率区间，更没有对关键假设进行敏感性分析。

这种"单路径叙事"的效果在文章的第一个段落就显露无遗。原文以"2028年6月30日宏观备忘录"为开篇，在标题与前两段中即抛出美国失业率飙升至10.2%、标普500从高点回撤38%、消费者信心指数跌至历史低点附近等一系列震撼性数字。这些数字没有任何推导过程，没有任何模型支撑——它们被直接呈现为"事实"，其唯一功能是在读者心中植入一个恐慌性的数字锚点。行为金融学中的锚定效应（anchoring effect）早已被广泛研究：当人们接触到一个数字——即便知道该数字是虚构的——后续的判断仍会被该数字不成比例地影响。从历史比较的角度看，10.2%的失业率对应的是2009年10月——全球金融危机最深处的水平，那是由房地产泡沫破裂、金融衍生品连环爆仓、全球银行体系流动性枯竭等多重因素叠加的结果；标普500回撤38%则接近2020年COVID冲击的最大幅度。原文将这种级别的冲击归因于单一的技术变量——"AI替代白领"——不仅在因果链条上过于单薄，而且系统性地忽略了在此过程中会被激活的无数制度缓冲机制。

换言之，"scenario not a prediction"这句话与其说是方法论边界的诚实说明，不如说是一种精心计算的修辞策略——它为整篇文章的恐慌叙事提供了保险单（也可以说是甩锅的理由）：它既让作者在事后可以说"我只是在推演"，又让读者在当下感到"我必须为这个未来做准备"。

二、"自我增强循环"与"Ghost GDP"——供给侧叙事的需求侧盲区

体裁策略之后，原文迅速构建起一套核心经济叙事。这套叙事的引擎是一个所谓的"自我增强循环"：2026年初，企业开始用AI替代白领岗位→节省的工资支出转化为利润→利润被再投入算力采购→更强的AI能力进一步替代更多岗位→循环加速。作者将此描述为"一个没有自然刹车的负反馈循环"，并在此基础上提出了一个核心宏观概念——"Ghost GDP"：产出增长出现在国民账户中，但由于产出是由机器而非人类劳动者创造的，收入不再通过工资渠道流回消费端。"机器会在可选消费上花多少钱？答案是零。"原文由此推论：货币流通速度将趋近于零，有效需求枯竭，通缩螺旋不可避免。

这一循环模型的致命缺陷在于，它只建模了供给侧的替代逻辑，而完全忽略了需求侧的连锁反应。当大量白领被裁员时，这些人不会立刻消失——他们会减少消费。而他们原本的消费恰恰是其他企业的收入来源。一家企业节省的工资成本，对应的是其他企业失去的收入来源。当这一逻辑在经济体中同时展开时，企业面临的不是"利润增加→投入更多AI"，而是"利润增加→但收入下降→净效果不确定"。这是宏观经济学中最基本的"合成谬误"（fallacy of composition）：对个体理性的行为，在集体层面可能产生自我毁灭的后果——而自我毁灭的后果本身会反过来遏制循环的继续加速。原文对这一基本的宏观经济学反馈回路视而不见。

至于"Ghost GDP"概念，它作为一个隐喻具有直觉上的吸引力，但作为经济分析框架则过于粗糙。GDP是一个生产指标，它衡量的是经济体在一定时期内生产的最终商品和服务的市场价值。GDP所对应的收入——根据国民收入核算恒等式——必然以某种形式分配给某个经济主体：要么是劳动报酬，要么是资本收益（利润、利息、租金），要么是政府税收。机器确实不消费，但机器的所有者会消费。即使资本所有者的边际消费倾向低于工薪阶层，"低"不等于"零"。根据美国商务部经济分析局（BEA）的数据，美国劳动报酬占GDP比例从1974年的约64%缓慢下降到2023年的约57%——这意味着资本份额在过去半个世纪中确实在上升。但即便在资本份额最高的年份，消费支出占GDP的比重也从未出现断崖式下跌。原因在于：资本收入的持有者（无论是企业还是个人）最终会通过三种渠道将收入返回经济循环——一是直接消费，二是再投资（形成新的生产和就业），三是通过税收被政府二次分配。

原文将这三个渠道全部设定为"失效"或"严重滞后"：资本所有者不消费、再投资只投AI基础设施而不创造新就业、政府反应迟钝且被政治极化瘫痪。这是一种"为了让叙事成立而把所有可能的缓冲机制设定为同时失效"的论证策略——它不是在分析危机的概率，而是在构造危机的必然性。在真正的压力测试方法论中，分析者有义务评估缓冲机制的韧性，而不仅仅是假设它们不存在。打个不太恰当的比方，就好比为了能够出现美剧《行尸走肉》里的场景，而刻意的规避掉了完整的健康防疫体系。

与这一宏观逻辑链条直接相关的，是原文关于企业投资行为的另一个关键假设：即使经济进入衰退，企业也不会减少AI支出——因为AI本质上是"OpEx替代OpEx"（用AI运营支出替代人工运营支出），而非传统的"CapEx扩张"，因此不受经济周期约束。这一论证在微观层面有一定直觉吸引力，但在宏观层面经不起推敲。企业的支出决策不仅取决于成本结构，还取决于收入预期。当经济衰退导致需求下降时，企业面临的首要问题不是"用人还是用AI"，而是"有没有足够的收入来维持任何水平的运营支出"。麦肯锡的全球AI采纳调查显示，即使在经济扩张期，超过半数的受访企业将"缺乏明确的商业案例"列为AI采纳的主要障碍。在经济下行期，这一障碍只会更加突出：当收入前景不明朗时，企业更倾向于保守行事，削减一切非核心支出——无论是人工还是AI。此外，解雇员工（遣散费、法律风险、组织知识流失）、部署AI系统（集成成本、培训成本、可靠性验证）、以及调整业务流程——这些转换成本都是实实在在的一次性支出。在衰退环境下启动大规模的人机替换，对企业而言不仅有财务风险，还有运营风险和声誉风险。原文将这些摩擦系统性地忽略，把企业描绘成纯粹的成本优化机器——这不符合组织行为学和企业战略研究的基本发现。

三、技术能力的膨胀断言——从"通用智能"幻象到SaaS"几周复刻"的工程现实

原文的经济叙事建立在一个技术前提之上：AI已经接近"通用智能"，几乎可以做任何人做的事情，可以"写几乎所有代码"，因此创新与就业之间的历史正相关关系将首次失效。这是全文中最不负责任的能力断言之一。截至2026年初，没有任何主流AI研究机构——无论是OpenAI、DeepMind、Anthropic还是学术界——声称当前的大语言模型已经实现"通用智能"（AGI）。斯坦福HAI的年度AI指数报告反复强调，当前最先进的模型在开放性推理和复杂规划任务上表现远逊人类、缺乏持久记忆和稳定的自我模型、在对抗性输入下容易产生幻觉和错误、且在伦理判断和常识推理方面存在系统性缺陷。历史上，从1960年代的感知机热潮到1980年代的专家系统繁荣，每一波AI进步都伴随着"通用智能即将到来"的宣言——事后无一不被证明为过度乐观。原文声称"创新-就业曲线首次失效"，本质上是在说"以前的技术进步都创造了新就业，但这次例外"——这一论断需要远比一篇投研文章更扎实的证据支撑。

这一技术断言的具体化版本，是原文关于软件行业的核心论点：2025年底代理型编码工具发生"阶梯函数式跃迁"，使得"一个称职的开发者配合Claude Code或Codex，可以在几周内复刻一个中端SaaS产品的核心功能"。文章进而推论CIO们会质疑续费合理性，SaaS价格战全面爆发，行业估值体系崩塌——甚至虚构了ServiceNow被迫降低指引、启动裁员的新闻场景。

任何有企业软件经验的人都知道，"复刻核心功能"与"可以替代生产系统"之间存在巨大鸿沟。一个SaaS产品的价值远不止其核心功能代码——它包括多年积累的边缘场景处理（edge cases）、安全合规认证（SOC 2、HIPAA、GDPR等）、与企业既有系统的深度集成（ERP、CRM、身份认证、数据仓库）、持续的运维与SLA保障、以及最关键的数据迁移成本。一个几周内搭建的原型与一个生产级系统之间的差距，正是企业软件行业数十年来的核心护城河。

更关键的是，METR（Model Evaluation & Threat Research）在2025年发布的开发者生产率随机对照试验（RCT）提供了直接反例。该研究在真实开源代码仓库中测试了经验丰富的开发者在有无AI工具辅助下的任务完成速度，结果发现：允许使用AI工具的开发者平均多花了19%的时间完成任务——不是快了，而是慢了。研究者明确指出，基准测试中的高分数可能不会直接转化为真实生产环境中的效率提升，因为真实任务涉及更复杂的上下文理解、代码库熟悉度和协作流程。如果在相对规范化的开源项目中AI尚且无法稳定提升效率，那么在更加复杂、更加定制化的企业软件环境中——涉及私有API、内部安全策略、业务特定逻辑——期望AI在"几周内复刻"生产级系统就更加不切实际了。原文的论证策略是把"技术演示"（demo）等同于"生产部署"（production），把"可能性"等同于"普遍性"——这是技术乐观主义与技术恐慌主义共享的认知偏差。

从公司财报和行业观察来看，截至2025-2026年，ServiceNow、Salesforce、Workday等头部SaaS企业的净收入留存率（Net Revenue Retention Rate）普遍仍维持在110-130%的区间，意味着既有客户不仅没有流失，反而在增加支出。部分企业确实面临增长放缓的压力，但这更多反映了宏观周期和IT支出优先级调整，而非原文所描绘的"AI工具几周内复刻核心功能→客户大规模流失"。福布斯等商业媒体的报道也指出，虽然有企业尝试用AI工具替代部分SaaS功能，但绝大多数仍选择在既有平台上叠加AI能力，而非推翻重来——因为替换成本实在太高。这些平台深度嵌入了客户的业务流程、数据管道和组织工作流，"复刻核心功能"完全无法触及这一层深度集成。

METR的研究发现在这里提供了一个更广泛的方法论警示：它说明，AI能力在基准测试环境中的表现与在真实生产环境中的表现之间存在系统性差距。原文反复引用的"AI能力跃迁"很可能更多反映的是基准测试分数的提高，而非真实世界效率的同等提升——这一差距是整篇文章"两年内经济巨变"叙事的阿喀琉斯之踵。

四、"摩擦消除"与"代理经济"——在制度、信任与能源面前的幻想

在技术能力断言的基础上，原文进而系统性地推演了AI对各行业的冲击。其核心逻辑是"摩擦消除论"：AI代理将系统性地消除信息不对称或流程复杂性，使得依赖中介服务获利的行业全面萎缩。文章列举了保险续保、旅行预订、税务咨询、法律服务、超市配送、房地产经纪、信用卡支付等诸多领域，甚至声称到2027年AI代理将成为消费者生活中的"默认基础设施"——在后台持续运行，自动帮用户续保险、找最低价、做税务、谈价格，消费者像接受"自动完成功能"一样自然地接受代理的全面介入，"中间商将无立足之地"。原文还引用了一个虚构的"2027年3月"数据点——美国成年人日均token消耗中位数达到40万——作为代理经济全面铺开的量化标志。

这一宏大叙事犯的根本性错误是将三种性质完全不同的"摩擦"混为一谈。第一种是信息摩擦——即消费者因信息不对称而支付更高价格，这种摩擦确实可能被AI代理显著降低。第二种是制度摩擦——即由法律、监管、资质要求、责任归属等制度安排所创造的复杂性，这种摩擦不能被技术"消除"，因为它本身就是社会有意设置的风险管理机制。第三种是社会摩擦——即由信任、情感、文化偏好、人际关系等因素所驱动的复杂性，这种摩擦根植于人类社会的基本运作逻辑。原文将所有这些摩擦统统归为"AI可以消除的低效"，并把"辅助"直接等同于"替代"。

以税务咨询为例：AI确实可以自动化标准化的报税流程（信息摩擦部分），但涉及跨境税务筹划、争议解决、审计应对等高价值服务时，法律解释的开放性、监管机构的裁量权、以及客户与顾问之间的信任关系都是AI难以替代的。当一个AI代理为客户提供税务建议时，谁为错误建议承担法律责任？当一个AI代理替客户签署保险合同时，合同是否具有法律效力？这些问题并非"技术可行即可解决"的工程问题，而是需要立法、司法判例和监管框架共同演进的制度问题。斯坦福大学HAI的报告指出，在医疗、法律、金融咨询等高风险领域，AI系统的实际部署受到专业资质要求、错误后果严重性和消费者信任度的多重约束，其价值更多体现在"增强人类专家的能力"而非"替代人类专家"。OECD的报告也多次强调，AI自动化对就业的影响是"任务级"的而非"岗位级"的——即AI通常替代的是一个岗位中的部分任务，而非整个岗位。原文将"任务自动化"直接等同于"岗位消灭"，是其分析中反复出现的逻辑跳跃。

房地产和消费支付领域的推演同样经不起制度现实的检验。原文声称AI代理将压低房产佣金至接近零，但美国房产交易中的法律合规、产权调查、按揭协调、验房等环节都有独立的制度要求和从业资质门槛——即便没有AI干预，行业佣金结构的调整也需要修改行业惯例、调整MLS规则、重新定义买方代理义务等多层制度变革，需时数年。原文更大胆地提出，AI代理为了节省2-3%的信用卡交换费将系统性地将支付路由切换到Solana或Ethereum L2上的稳定币结算，重创Visa和Mastercard。然而，信用卡网络之所以能收取2-3%的费率并持续数十年，恰恰因为它提供的不仅是支付通道，还有一整套信任基础设施：欺诈检测与防护、争议仲裁机制、全球商户受理网络、信用功能、以及附加的保险和积分奖励。Visa自身虽已宣布在部分场景中接入USDC结算，但这面向机构客户而非消费者。消费支付市场受各国消费者保护法、反洗钱和KYC法规的严格约束——金融时报的报道指出，各国监管机构对稳定币用于零售支付的态度从谨慎到严格不等，美国国会关于稳定币立法的讨论截至2026年初仍在进行中。大规模"绕开Visa/Mastercard"的设想需要同时跨越技术、监管、商户接入和消费者保护等多重门槛，这不是两年内可以完成的。OECD在其关于平台经济和竞争政策的报告中还指出，"代理对代理"的自动化竞争模式虽然在理论上可以提高市场效率，但也引发了算法共谋、价格歧视、数据滥用、消费者自主权被侵蚀等新的监管问题——这些问题本身就会催生新的监管介入，从而减缓"摩擦消除"的速度。技术存在不等于制度允许，制度演变的速度从来不以技术进步的速度为准。

关于消费者采纳速度，"AI代理2027年成为默认基础设施"的预设更是远超当前现实。这需要两个前提同时成立：AI代理在高风险消费决策中足够可靠和安全，以及消费者愿意将这些决策交给机器。斯坦福AI Index报告总结的研究显示，在ToolEmu框架的测试中，即便是安全优化最充分的LM代理，在关键场景中仍有约23.9%的失败率——包括执行危险指令、发起错误金融交易等。将近四分之一的关键场景失败率，与原文所描绘的"代理自动替你做税务、买保险、签合同"的畅通假设之间存在不可忽视的鸿沟。OECD在2025-2026年的调查数据显示，报告使用AI的企业占比仅为20.2%左右，消费级AI代理的采纳更加滞后。从历史经验看，从ATM到网上银行，从电话购物到移动支付，每一种消费金融技术的大规模渗透都经历了十年以上的周期。原文假设AI代理在不到两年内从"早期试用"跃升至"默认基础设施"，与技术扩散的历史规律严重不符。

至于人均日消耗40万token的虚构数据点，从当前技术参数来看，这意味着每个美国成年人每天相当于进行数十次长对话或数百次复杂查询——不仅需要远超当前规模的推理基础设施，还需要巨额能源供给。国际能源署的报告指出，AI相关电力需求正以每年两位数速度增长，部分地区已出现数据中心电力供应瓶颈。如果将40万token/天外推到2.6亿美国成年人，所需的推理算力和电力将是天文数字——而原文对此完全没有讨论。将一个缺乏推导过程的虚构数字作为宏观论证的关键支点，再次反映了原文以"精确数字创造确定性幻觉"的叙事策略。

五、金融传染叙事的解构——真实的脆弱性，虚构的触发器

在经济和行业冲击的叙事之后，原文将分析推向金融层面，构造了两条传染链条：一条从白领收入崩塌通向13万亿美元住房按揭市场，另一条从企业贷款违约通向私募信贷—寿险—再保险链条的系统性崩溃。

先看按揭市场。原文将"白领收入崩塌"直接连接到美国住房按揭市场，声称"780 FICO分、20%首付的优质借款人"的偿债能力高度依赖白领薪资，而AI替代将使这些原本"安全"的贷款变得不再可靠。这一论述的震撼力来自其反直觉性，但反直觉不等于正确。"白领收入是优质按揭的基础"这一前提过度简化了美国房贷市场的结构。美国的按揭承销过程不仅评估借款人当前收入，还综合考量信用历史、资产储备、债务收入比、就业稳定性等多维指标。780 FICO分数的借款人通常拥有多年良好的信用记录和一定的储蓄缓冲——即使发生短期收入中断，其违约概率也不会像原文暗示的那样迅速飙升。路透社在2023年的报道中指出，美国房贷体系在2008年危机后经历了系统性的承销标准收紧，当前的优质贷款组合在压力测试中表现出远高于次贷危机前的韧性。

更重要的是，原文假设白领失业是大规模的、持久的、且没有任何政策缓冲的——但这三个假设中任何一个不成立，整个按揭危机叙事就会大打折扣。如果失业是摩擦性的（白领在数月内找到新岗位或转型），按揭违约率不会显著上升。如果政府介入（延长失业保险、提供按揭宽限期、降低利率），违约率同样会被抑制。2020年COVID期间，美国联邦政府和住房机构（Fannie Mae、Freddie Mac）在数周内推出了大规模的按揭宽限计划（forbearance programs），使得即使在失业率飙升至14.7%的情况下，实际止赎率也远低于2008年。值得注意的是，原文自己在极端情景中也承认"违约率仍远低于2008年水平"——但它随即用"轨迹才是真正的威胁"将叙事推向更恐怖的方向。这种"当前数据不支持我的结论，但趋势会证明我是对的"的论证方式，恰恰是恐慌叙事最常用的修辞结构：它永远无法被当下的数据证伪，因为它的"证据"总在未来。

再看私募信贷链条。原文详细描绘了一个金融传染路径：私募信贷规模飙涨至2.5万亿美元以上→大量寿险资金被私募股权收购的保险公司投入私募信贷→再保险通过离岸结构转移风险→评级机构未能充分反映底层资产恶化→AI引发的白领失业导致消费贷款和企业贷款违约率飙升→链条断裂→系统性金融危机。公允地说，原文对私募信贷—寿险—再保险链条的描述并非空穴来风。国际货币基金组织（IMF）、金融稳定委员会（FSB）和芝加哥联储等机构均已关注私募信贷的快速膨胀、估值不透明、流动性错配等风险——这些是真实存在的金融脆弱性，对此应予承认。

然而，原文犯的根本性错误是把一个可能由多种触发因素引爆的真实脆弱性，绑定到了一个特定的、高度不确定的触发器上——即"AI在两年内替代通用白领劳动力"。这等于说：炸弹是真的，但引爆它的那根导火线是想象出来的。私募信贷的风险可能被利率走势突变、地缘政治冲击、商业地产持续下行、某个大型基金管理人的信用事件等任何因素触发，将AI替代设定为唯一触发器，更多是为了服务其整体叙事的连贯性。此外，从2008年金融危机以来，全球金融监管体系已经建立了远比当时更完善的宏观审慎工具：逆周期资本缓冲、压力测试框架、系统重要性机构的额外资本要求、以及对影子银行的加强监控。IMF的全球金融稳定报告虽然对私募信贷的风险表示关注，但同时也指出监管机构正在积极收集数据和完善监管框架。FSB在其关于非银行金融中介的年度报告中更明确指出，虽然私募信贷的透明度不足令人担忧，但该市场的杠杆水平、交叉暴露和流动性错配程度目前远不及2008年前的结构化信贷市场。将私募信贷的风险与次贷危机相提并论，需要更多的实证支撑，而非原文那种纯叙事性的类比。

在市场信号的解读上，原文同样犯了归因错误。它以NVIDIA、台积电股价走强与美国债市利率下行为证据，声称市场已经在"定价"AI引发的结构性变革——资本涌向算力供应链，同时债市反映未来消费崩塌预期。但NVIDIA和台积电的股价走强反映的是全球对AI训练和推理芯片的需求，来自科技巨头的资本开支竞赛、云计算厂商的基础设施扩建等多重因素，与"白领消费将崩塌"几乎没有直接逻辑联系；美国债市利率下行同样受到联储货币政策预期、全球避险情绪、通胀数据走势、海外央行需求等多重因素驱动。路透社在2025年的金融市场分析中指出，当时的利率走势更多反映了市场对美联储降息节奏的预期调整。把两个独立的市场现象用一个统一的叙事串联起来制造因果关系的幻觉——这是典型的"叙事套利"（narrative arbitrage），是投研内容中常见的认知偏差，也是原文反复使用的修辞手法。

六、劳动市场叙事——"全白领服务经济"的迷思与"阶梯下滑"的戏剧化

原文对劳动市场冲击的描述建立在一个关键的结构性断言之上：美国经济本质上是"全白领服务经济"，白领占就业的50%、贡献了75%的可选消费支出，因此AI对白领的冲击将直接摧毁整个消费基础。这一断言将"服务业"等同于"白领"，再将"白领"等同于"可被AI替代的岗位"——是一系列不加限定的简化。根据美国劳工统计局（BLS）的数据，美国非农就业中，广义的"办公室类"（office and administrative support）岗位约占11-12%，而更广泛的"专业和商业服务"虽然占比较高，但其内部异质性极大——包括清洁服务、安保服务、临时劳务派遣等大量非白领岗位。将所有服务业就业都归为"白领"会严重高估AI替代的直接影响面。"白领贡献75%的可选消费"这一数字更是缺乏明确的数据来源和定义标准——可选消费的定义本身就有争议，不同定义下白领的贡献占比差异显著。简单地把"白领=可选消费=AI冲击=经济崩溃"这条链条画出来，忽略了劳动市场中持续发生的结构调整、技能转型和岗位重新定义，是对复杂经济系统的严重过度简化。

原文还特别将冲击链条延伸到全球——声称NVIDIA、台积电等AI基础设施企业将逆势繁荣，而印度IT外包行业将遭受毁灭性打击。AI芯片和数据中心确实受益于全球AI投资热潮，但将印度IT行业的挑战单纯归因于AI替代，是以偏概全。印度IT外包行业面临的压力来自全球科技支出放缓、主要客户的成本削减压力、印度国内的工资通胀、以及来自东南亚和东欧的竞争等多重因素。国际劳工组织（ILO）的研究明确指出，生成式AI对全球就业的影响呈现明显的行业、性别、国别差异——不能用一个统一的"替代"叙事覆盖所有地区和行业。ILO的分析框架强调，AI的总体效应更可能是"增强而非完全替代"——对印度IT行业而言，AI更可能意味着业务模式的转型，而非行业性崩溃。

原文中最具戏剧性的劳动市场叙事，是所谓的"阶梯下滑"：高薪白领（如产品经理）被AI替代后，被迫进入零工经济（送外卖、开网约车），随后又被自动驾驶和无人配送取代——形成双重打击，失业率不可遏制地飙升。这一叙事的戏剧性远大于其分析性。社会学和劳动经济学的研究表明，高技能工人在面临失业时的行为模式远比原文描绘的更加复杂和多元。OECD的未来工作报告指出，高技能劳动者在失业后的主要路径包括：转行到相关领域（利用可迁移技能）、接受再培训后进入新兴行业、创业（利用行业知识和人脉）、以及暂时退出劳动力市场（依靠储蓄或家庭支持）。直接从高薪产品经理"下沉"到外卖骑手，虽然在个案中可能发生，但作为大规模的系统性现象则缺乏证据支撑——因为高技能工人通常拥有更多的储蓄缓冲、更强的社会网络和更广泛的就业选择。

此外，原文将"自动驾驶取代零工"作为第二波打击，但截至2026年，自动驾驶的规模化商用仍然面临技术（长尾场景处理）、监管（各州法规不一）、保险（责任归属）和基础设施（车路协同）等多重障碍。将一个自身时间线高度不确定的技术叠加到另一个时间线高度不确定的技术之上，产生的不是分析洞见，而是恐慌叠加。更重要的是，每一次重大技术变革都伴随着新职业的出现——这不是盲目乐观，而是历史规律。ATM没有消灭银行柜员（分支机构反而增加了），电子表格没有消灭会计师（反而创造了更多的分析师岗位），互联网没有消灭中间商（反而催生了全新的平台经济生态）。原文声称"这次不一样，因为AI是通用的"——但如前文所述，这一"通用性"的断言本身就缺乏证据支撑。

未完待续

作者: xiejin77 时间: 1 小时前
七、被系统性忽视的调节力量

在以上各维度的具体批判之外，有必要指出原文在整体叙事框架上系统性忽视的三股调节力量。

第一，国家的财政—金融调节能力被预设为瘫痪。原文虽然讨论了"算力税"和转移支付方案，但将政策进程设定为"左右互骂、持续滞后、来不及反应"。然而，历史反复证明，当危机足够严重时，国家的反应速度可以非常快——2008年金融危机期间TARP方案在数周内通过，2020年COVID期间CARES法案以前所未有的速度立法。原文将国家能力预设为僵化，是为叙事服务的设定，而非对制度韧性的客观评估。

第二，垄断与集中的双重效应被选择性忽略。原文一方面预设"摩擦型租金被代理清零"（平台护城河消失），另一方面又预设"算力租金可长期集中攫取"（NVIDIA、TSM逆势繁荣）。但这两个假设在逻辑上存在自相矛盾：如果AI代理真的能消灭一切中介摩擦，那么控制AI代理的大平台和大模型提供商本身也会面临去中介化的压力——除非它们通过数据壁垒、知识产权、排他协议和监管俘获来维持垄断。原文对前者大肆渲染，对后者几乎不着墨，选择性地忽略了垄断资本自我保护的强大能力。

第三，劳动者的集体行动与政治反馈被降格为背景噪音。原文虽然虚构了"占领硅谷"运动，但仅将其作为社会氛围的装饰，而非分析资本—劳动博弈如何通过政治过程反作用于技术扩散速度。现实中，当技术变革威胁到足够大的社会群体时，政治反弹会直接影响监管框架和技术部署节奏——欧盟AI法案、各国对算法管理劳动的立法、好莱坞编剧罢工、以及美国码头工人工会对自动化的成功抵制都是近年的例证。

八、恐慌叙事的生产经济学——这种投研意识形态背后

话说回来，其实我们在评估任何一篇投研内容时，都需要追问其生产条件和激励结构；这不是杠精的"诛心之论"，而是基本的审慎思考。正如马克思在《德意志意识形态》中指出的，思想的生产首先受制于物质交往的生产——要理解一篇文章为什么这样写、为什么此时发表、为什么以这种方式传播；就必须思考清楚背后的问题，它在什么样的生产关系中被生产出来、为谁服务、并以何种方式实现价值变现。

Citrini Research 是一家定位于机构投资者的独立研究服务机构，其内容发布在Substack平台上——这一平台的核心商业模式是付费订阅，创作者的收入直接取决于订阅者数量与订阅价格。在这一模式下，内容的传播度与付费转化率构成创作者最核心的KPI。而传播度的驱动力——尤其是在投研领域——并非平淡的真理陈述，而是能够激发强烈情绪反应的叙事产品。行为科学的研究已经反复证明，恐惧与焦虑是所有情绪中传播力最强的——它们触发人类演化形成的"威胁检测"系统，使得恐慌性内容在注意力竞争中天然占据优势。4,467个赞、946次分享——这一传播量级本身就是对恐慌叙事商业效能的最佳注脚。

但问题的深层远不止于"恐慌更好卖"这一表层观察。我们需要追问的是：这种恐慌叙事的投研报告，在结构上服务于谁的利益？

作为直接目的，原文在末尾直接给出了资产配置建议：做多算力基础设施（NVIDIA、台积电）、做空白领消费板块、配置黄金与比特币作为对冲。这不是一个中立的学术分析结论，而是一个包含明确方向性的交易策略。而交易策略的价值恰恰取决于它能否说服足够多的人采取同向行动——当更多投资者被恐慌叙事说服去做空白领消费板块时，做空者的头寸才能获利。换言之，恐慌叙事本身就是其交易策略的执行条件的一部分。这不是说作者有意操纵市场——单篇文章的市场影响力有限——而是说，在投研内容的生产逻辑中，叙事的极端性与交易策略的获利空间之间存在系统性的正相关：叙事越极端，市场错误定价的空间越大（至少在叙事者的框架内如此），建议的潜在收益也越高，内容对订阅者的吸引力也越强。这构成了一个自我强化的激励循环——不是原文所描述的那种技术循环，而是一种叙事生产的商业循环。

为了确保传播效果，原文所采用的"来自2028年的备忘录"体裁，本身就是一种精心设计的话语权力技术。在传统投研报告中，分析师的预测附带概率估计、假设声明和免责条款，读者可以对其进行逐条审视。但原文通过将预测包装为"已经发生的历史回顾"，巧妙地将读者置于一种认知被动的位置：你不是在评估一个可能错误的预测，你是在"阅读"一段已经发生的"历史"——这种体裁通过激活人类大脑中"叙事运输"机制，系统性地降低了读者的批判性审视能力。社会心理学的研究表明，当人们被一个引人入胜的叙事"运输"进去时，他们对叙事中逻辑缺陷和事实错误的检测能力会显著下降。原文的高完成度——精确到小数点的虚构数据、拟真的彭博终端标题、具名的虚构机构和人物——恰恰服务于提高"叙事运输"的效率，使读者在情感上接受结论，而不是在理智上检验推理。

所以如果我们可以将这篇文章置于更广泛的投研内容生态中来理解，上面的思路也就容易明白了。在当代金融市场中，研究内容早已不仅仅是分析工具——它是一种注意力商品，其生产和消费遵循的是文化产业的逻辑。法兰克福学派早在半个世纪前就揭示了文化工业如何将焦虑标准化、商品化并大规模生产——今天的投研Substack生态是这一逻辑在金融领域的当代延伸。"末日情景备忘录"已经成为投研内容市场中一个成熟的"类型"，拥有稳定的读者群体、可预期的传播路径和明确的变现模式。从2008年次贷危机后的"做空一切"叙事，到2020年COVID期间的"社会崩溃"叙事，到2022年的"美元霸权终结"叙事，再到当前的"AI毁灭白领"叙事——每一轮恐慌产品都遵循着惊人相似的结构：识别一个真实存在的脆弱性→用单线性叙事将其放大为系统性灾难→附带方向性交易建议→以"我只是推演，不是预测"作为免责声明。这不是个别作者的方法论缺陷，而是投研内容市场的结构性特征——恐慌叙事的再生产不需要阴谋论来解释，它由市场的注意力竞争机制内生地、持续地驱动。

更进一步，这篇文章的传播成功揭示了当代金融话语的一个深层功能：将结构性的社会矛盾重新编码为可交易的市场信号。AI对劳动市场的冲击——无论其实际速度和规模如何——本质上是一个关于技术进步成果如何分配的政治经济学问题，它涉及产权制度、劳资关系、社会保障体系、教育体系的根本性重构。但在原文的框架中，这一切被压缩为"做多NVIDIA、做空消费"的资产配置信号。数以百万计可能受影响的劳动者的命运，被抽象为资产负债表上的数字和交易终端上的价格曲线。这正是马克思所说的"商品拜物教"在金融时代的最新表现形式：社会关系被物化为物与物之间（在这里是资产与资产之间）的关系，人的命运被降格为投资组合的风险参数。

原文甚至在无意中暴露了这一逻辑的自相矛盾：它一方面渲染白领失业的社会灾难——失去房子、家庭破裂、"占领硅谷"运动、社会撕裂——以制造情感冲击力；另一方面又将这些灾难精确地映射为投资机会——做空房地产、做空消费、做空SaaS，做多黄金、做多比特币、做多算力基础设施。灾难叙事和获利叙事在同一文本中共存，前者为后者提供情感合法性，后者为前者提供商业变现路径。读者在恐惧中被说服"必须行动"，而文章提供的唯一行动方案就是"调整你的投资组合"——不是去组织工会、不是去推动立法、不是去改变技术治理结构，而是去做一笔交易。这种将社会行动的想象力收窄为金融操作的话语策略，其意识形态效果远比文章的具体预测更加深远：它训练读者将自己首先定位为"投资者"而非"公民"或"劳动者"，将社会变革视为"风险"而非"机遇"，将集体行动视为"噪音"而非"力量"。换一个视角这不就是赌局上撺掇你押大押小的叠马仔嘛。

最后值得指出的是，这种恐慌叙事的生产具有明显的阶级选择性。原文的隐含读者是拥有可配置资产的投资者——他们有能力通过调整头寸来"对冲"AI冲击。对于没有金融资产、无法做空消费板块、甚至不知道什么是"做多算力基础设施"的普通劳动者而言，这篇文章提供的唯一信息就是"你将被替代，而且无处可逃"。恐慌被平等地传播给所有读者，但对冲恐慌的手段只提供给有产阶级——这不是内容的缺陷，而是其阶级本质的忠实反映。投研内容从来不是为全体社会写作的——它是资本阶级的内部通讯，而当它溢出到大众传播渠道时，其效果不是"信息民主化"，而是焦虑的民主化与对策的私有化——每个人都知道要恐慌，但只有少数人有能力从恐慌中获利。

九、马克思主义政治经济学视角的理论剖析

如果我们从马克思主义政治经济学的视角审视这篇文章，会发现它的问题比上述具体论断层面的错误更加根本——它在世界观和方法论层面就偏离了对资本主义技术变革的正确理解。

原文是技术决定论的典型样本，而马克思主义从来反对技术决定论。马克思在《资本论》和《政治经济学批判大纲》（Grundrisse）中反复强调，机器本身不是资本——机器只有在特定的社会关系下才成为资本。技术变革不是外生于社会关系的"冲击"，而是嵌入在资本积累逻辑中的内生过程。原文将AI描绘为一种来自"外部"的力量，以不可阻挡之势冲击"脆弱的"经济结构——但马克思主义的分析方式会追问：谁在开发AI？为了什么目的？在什么样的生产关系下？AI的开发和部署方向不是由技术本身决定的，而是由控制生产资料的阶级的利润动机决定的。原文将AI"拟人化"为一个有自身逻辑的行动者，遮蔽了它背后的阶级关系和权力结构。

原文描述的所谓"危机"本质上是资本主义生产方式固有矛盾的又一次表现，而非AI带来的全新问题。马克思早在19世纪就分析过机器替代工人的逻辑：资本家为了在竞争中获取超额利润，不断采用新技术替代活劳动——这在短期内提高了个别资本的利润率，但在社会层面导致"有机构成"（不变资本与可变资本的比率）提高，从而产生利润率下降的趋势。同时，工人被机器排挤出生产过程形成"产业后备军"，压低工资、抑制消费需求——这正是原文所描述的"Ghost GDP"的历史先声。但马克思的分析表明，这不是AI特有的问题，而是每一轮技术革命在资本主义生产方式下必然呈现的矛盾：从蒸汽机到电力，从流水线到计算机，资本主义一次又一次地面临"提高生产力→排挤工人→抑制需求→利润率承压"的循环——而每一次都通过危机、重组、新的积累模式和新的阶级妥协暂时解决。原文的根本性错误在于，它将这一结构性矛盾描绘为一个"两年内爆发的意外事件"，而非资本主义内在运动规律的长期展开。

原文对"解决方案"的想象力完全被禁锢在资产阶级政治经济学的框架内。文章讨论的政策工具——算力税、转移支付、央行利率调整——全部是在现有产权关系不变的前提下的技术性修补。马克思主义会追问一个更根本的问题：如果AI确实能够大幅降低社会必要劳动时间（这一点马克思本人在《Grundrisse》中就曾设想过），那么真正的问题不是"如何保住就业"，而是 "为什么在生产力空前发达的条件下，人类反而面临生存危机"——答案不在技术本身，而在于生产资料的私有制使得技术进步的成果被少数人垄断。如果AI生产出的巨大财富不是作为私人利润被极少数资本家占有，而是作为社会总产品被全体社会成员共享，那么所谓"Ghost GDP"根本就不会成为问题——它只是意味着全社会可以用更少的劳动生产更多的产品，每个人获得更多的自由时间。危机不是因为"机器太强"，而是因为机器太强但归太少人所有。

原文对劳动者主体性的系统性忽视，暴露了资产阶级经济学分析框架的根本缺陷。在原文的叙事中，劳动者始终是被动的客体——被替代、被裁员、被迫下沉、在街头抗议但无力改变结局。马克思主义的分析从不将劳动者视为被动的承受者，而是视为历史的主体。劳动者并非在技术变革面前束手无策——他们可以通过工会组织、政治动员、立法斗争来争取技术变革的方向和成果分配。正如恩格斯在《英国工人阶级状况》中记录的那样，每一次技术变革引发的阶级冲突，最终都推动了工人权利的扩展和社会保障制度的建立。原文将这一历史动力完全排除在分析框架之外，把历史描绘成一个纯粹由技术曲线和金融链条驱动的机械过程——这不仅在方法论上是贫乏的，在政治上也是有导向性的：它暗示劳动者除了恐慌之外别无选择，从而强化了"投资者才是需要被保护的主体"的阶级叙事。

显而易见，从马克思主义的立场看，原文之所以能够产生并获得广泛传播，本身就是晚期资本主义意识形态再生产的一个症候。它将一个可能需要根本性制度变革才能解决的社会矛盾，重新编码为一个可以通过资产配置来"对冲"的投资问题——"做多算力基础设施、做空白领消费"——从而将阶级分析降格为交易策略，将社会变革的可能性消解在金融市场的波动之中。这正是马克思所说的"意识形态倒置"的当代形态：不是通过改变产生危机的社会关系来消除危机，而是通过在危机中寻找获利机会来使危机常态化和可管理化。对于马克思主义者而言，这篇文章最深刻的意义不在于它对AI经济影响的（错误）预测，而在于它揭示了资产阶级投研话语如何将技术进步的社会成本内化为市场机会，从而在意识形态层面为资本积累逻辑的延续提供正当性。

结语：从恐慌叙事到新质生产力——两种文明对技术变革的不同回答

综合以上从方法论、经济机制、技术断言、行业冲击、金融传染、劳动市场到叙事生产经济学的系统性批判，我们可以明确地说：《2028全球智能危机》是一篇在修辞上高度精致、在传播上极为成功、但在分析上严重不足的投研产品。它的技术断言超越了可靠证据的支撑范围，它的经济逻辑系统性地忽略了需求侧反馈和多重缓冲机制，它的金融传染叙事将真实的脆弱性绑定在虚构的触发器上，它对行业冲击的推演混淆了信息摩擦与制度摩擦、将"技术可行"等同于"制度允许"、将"任务自动化"等同于"岗位消灭"，而它的劳动市场叙事则建立在对劳动者主体性和历史能动性的系统性否定之上。在最根本的层面上，它是技术决定论与阶级盲视的产物——它将一个需要通过政治经济学来理解的结构性矛盾，还原为一个可以通过资产配置来"解决"的投资问题。

然而，批判不应止步于解构。如果原文代表的是一种典型的盎格鲁-撒克逊资本市场话语对AI技术变革的回应方式——以恐慌为产品、以交易为出路、以个体对冲为唯一行动方案——那么我们有必要提供一个替代性的参照系。而在当今世界，中国关于"新质生产力"的理论建构与实践探索，恰恰提供了这样一个参照系。

2023年9月，习近平总书记在考察黑龙江期间首次提出"新质生产力"这一概念，随后在中央经济工作会议和2024年全国两会期间系统阐述了其内涵。新质生产力的核心要义可以概括为：以科技创新为主导、以高素质劳动者为支撑、以战略性新兴产业和未来产业为载体的先进生产力质态。2024年政府工作报告将"加快发展新质生产力"列为首要任务，明确提出要"以科技创新推动产业创新"，培育壮大新兴产业集群，同时前瞻布局量子技术、生命科学、人工智能等未来产业。

将这一战略框架与原文的恐慌叙事对照，可以发现两者在三个根本层面上的差异。

第一，在技术变革与社会关系的关系认知上，两者截然对立。原文将AI视为一种外生于社会的破坏性力量——它"冲击"就业、"摧毁"消费、"引爆"金融——社会在这一力量面前是被动的承受者。而新质生产力的理论起点恰恰相反：技术是嵌入社会关系之中的，技术变革的方向、速度和成果分配取决于社会的制度选择。中国的实践表明，国家可以通过产业政策引导技术向特定方向发展（例如新能源、智能制造、生物医药），通过教育和职业培训体系帮助劳动者适应技术变革（例如大规模的职业技能提升行动），通过社会保障体系为转型期的劳动者提供安全网（例如就业保险和再就业服务），通过竞争政策防止技术进步的成果被少数垄断企业独占。这不是说中国的做法没有挑战和不足——恰恰相反，产业政策的效率问题、技能培训的匹配问题、社会保障的覆盖问题都是持续存在的难题——但关键的区别在于问题被框定的方式：在原文的框架中，问题是"AI会不会摧毁经济"（答案被预设为"会"）；在新质生产力的框架中，问题是"如何让AI成为高质量发展的引擎"（答案取决于制度设计和政策执行）。前者是宿命论，后者是能动论。

第二，在对待劳动者的态度上，两者形成鲜明对比。原文将劳动者视为被动的"成本项"——白领是等待被替代的"OpEx"，蓝领是被下沉白领挤占的零工——整篇文章中没有一处讨论劳动者的再培训、技能升级或职业转型的可能性。而新质生产力理论将"高素质劳动者"列为新质生产力的核心要素之一——不是作为需要被对冲的风险，而是作为需要被投资的资产。2024年和2025年的政府工作报告反复强调"人才是第一资源"，并将"加快建设国家战略人才力量"和"大力培养数字技能人才"纳入具体政策议程。中国近年来在职业教育改革、产教融合、"双师型"教师队伍建设等方面的一系列举措，正是这一理念的制度化表达。国际劳工组织和OECD的多项研究都指出，技术变革对就业的净影响在很大程度上取决于劳动者能否通过教育和培训获得与新技术互补的技能——而这一条件的满足程度取决于公共投资的规模和效率，而非市场的自发调节。原文系统性地忽略了这一维度，因为在其叙事框架中，劳动者不是需要被赋能的主体，而是需要被计价的负债。

第三，在面对技术变革的行动方案上，两者的差距最为根本。原文提供的行动方案是个体层面的资产配置——做多算力、做空消费、买入黄金——这是一种将社会问题私人化、将集体命运原子化的解决路径。它隐含的世界观是：社会无法被有意识地组织和引导，个体只能在混乱中自保。而新质生产力的行动方案是社会层面的——它要求国家发挥引导作用，通过"有效市场"与"有为政府"的结合来推动经济结构转型。中国在人工智能领域的政策布局提供了具体案例。2023年以来，中国密集出台了多项涉及生成式AI治理的规范性文件，在全球率先建立了针对大模型和生成式AI服务的备案与监管框架。2025年政府工作报告提出"开展'人工智能+'行动"，明确要推动AI在制造业、医疗、教育、农业等实体经济领域的深度应用，同时强调"加强AI安全治理"。与此同时，中国在算力基础设施方面的"东数西算"工程、在芯片领域的自主可控战略、在数据要素市场化方面的制度探索，都是将AI发展纳入国家整体发展战略、而非放任其以市场逻辑自行展开的具体实践。这些实践当然面临各自的挑战——技术瓶颈、国际竞争压力、监管与创新的平衡等——但它们所代表的治理逻辑与原文所代表的市场放任逻辑之间的差距，是文明级别的。

从马克思主义政治经济学的视角来看，新质生产力概念的理论意义在于它重新确认了一个被新自由主义经济学遮蔽了数十年的基本命题：生产力的发展方向和社会效果不是由技术本身决定的，而是由生产关系——首先是生产资料所有制——决定的。同样的AI技术，在以私人利润最大化为唯一组织原则的社会中，可能表现为"Ghost GDP"和大规模失业；而在以社会整体福利为导向、由国家能力和制度安排来引导技术扩散方向和成果分配的社会中，则可能表现为全社会劳动生产率的提升、经济结构的优化和人民生活水平的改善。差异可能根本不在技术，而在制度。

虽然，这并不意味着中国模式是完美的，也不意味着所有问题都已经被解决。新质生产力从概念到落地之间存在大量有待克服的实践难题：如何在鼓励创新的同时防止资本无序扩张？如何在推动自动化的同时保障就业质量？如何在发展AI的同时保护数据权利和个人隐私？如何在产业政策引导下维持市场的竞争活力？这些问题没有简单的答案，需要在实践中不断探索和调整。但关键在于，这些问题是被作为需要集体回答的社会问题来对待的——而非像原文那样，被转化为个别投资者需要对冲的市场风险。

回到原文。《2028全球智能危机》的根本问题不在于它夸大了AI的能力或低估了经济的韧性——这些都是可以逐条讨论的具体分歧。它的根本问题在于世界观：它将技术变革视为命运，而非选择；将社会视为脆弱的被动结构，而非能动的历史主体；将个体对冲视为唯一出路，而非集体行动的可能前奏。在这种世界观下，唯一理性的回应就是恐慌——然后购买正确的资产。

而马克思主义和新质生产力理论共同提示我们的是另一种可能：在一个充满不确定性的世界里，真正需要回答的问题不是"AI会不会引发危机"，而是 "我们选择在什么样的制度框架下发展和部署AI" 。技术进步本身不制造危机——在特定的社会关系下对技术进步成果的垄断性占有才制造危机。当生产力足够发达、产品足够丰富时，问题从来不是"生产得太多"或"需要的劳动太少"，而是 "产品归谁所有、自由时间归谁享有" 。

在这个意义上，原文所描绘的那个"2028年的世界"——如果它真的到来的话——将不是AI的失败，而是特定制度安排的失败。而避免那个未来的方式，不是做多NVIDIA、做空消费—— 而是改变使得技术进步只能以危机形式呈现的那套社会关系本身。

欢迎光临爱吱声 (http://www.aswetalk.net/bbs/)