AI巨富时代：私人权力的百年争论重燃

当财富集中遇上算法霸权

人工智能浪潮正在以前所未有的速度制造新一代科技巨富。从OpenAI到Anthropic，从英伟达到微软，围绕AI核心技术的公司市值与创始人财富急剧膨胀。仅2023至2024年间，英伟达市值从约1万亿美元飙升至超过3万亿美元，其创始人黄仁勋的个人财富增长速度超过了历史上任何一位工业巨头。这一现象重新点燃了一场看似古老、却极具现实意义的辩论：私人力量究竟能够、也应该被允许扩张到何种程度？

据Hacker News社区近期讨论的一篇文章指出，AI时代积累的财富规模及其伴随的技术控制权，正让人联想到20世纪初的"镀金时代"——那个由铁路、石油和钢铁巨头主导的年代。所谓"镀金时代"（Gilded Age），是马克·吐温在1873年创造的讽刺性概念，意指表面繁荣之下掩盖着深刻的社会不平等与制度腐败。不同的是，今天的"巨头"掌控的不再是实体基础设施，而是可能重塑人类认知、决策与信息流动的智能系统。

为什么这场反垄断辩论在AI时代重新变得紧迫

从垄断资本到算力垄断

历史上，反垄断运动的核心逻辑是：当经济权力过度集中于少数私人手中，它便会侵蚀市场竞争、政治民主乃至社会公平。20世纪初美国的反托拉斯立法，正是对标准石油、卡内基钢铁等庞然大物的直接回应。1890年通过的《谢尔曼反托拉斯法》（Sherman Antitrust Act）是美国第一部联邦反垄断法律，它宣布任何限制贸易的合同、联合或共谋为非法。1914年的《克莱顿法》进一步细化了禁止反竞争行为的条款，包括价格歧视、排他性交易和损害竞争的兼并。这些法律的出台经历了数十年的社会运动和政治博弈，其间伴随着劳工运动、新闻揭黑（"扒粪运动"）和进步主义改革浪潮。

而在AI时代，权力集中的形态发生了质变。训练前沿大模型所需的算力、数据和资本门槛极高，实际上只有极少数企业有能力参与竞争。大语言模型的训练过程本质上是一种大规模优化问题：通过数万亿个文本token的学习，调整模型中数千亿个参数的数值，使模型能够预测下一个词的概率分布。这个过程需要的计算量通常以FLOP（浮点运算次数）衡量——GPT-4的训练估计消耗了约2×10^25 FLOP。以GPT-4级别的模型为例，单次训练成本估计在6000万至1亿美元之间，需要数万块高端GPU（如英伟达A100/H100）运行数月，还需要专门设计的分布式训练框架、高速网络互联（如InfiniBand或NVLink）和庞大的电力供应。据估算，一个万卡GPU集群的年度运营成本（含电力、冷却、维护）可达数亿美元。到2025年，业界预计训练下一代前沿模型的成本可能突破10亿美元。这种资本密集度意味着，即便是大型科技公司，也只有极少数能够负担得起持续参与前沿竞争——全球真正具备独立训练前沿模型能力的企业可能不超过十家。

这种结构性壁垒让"算力垄断"成为可能——不是通过传统的市场份额，而是通过对核心技术能力本身的独占。从技术经济学角度看，这是一种典型的"自然垄断"趋势：AI训练具有极高的固定成本和极低的边际成本（一旦模型训练完成，服务每个额外用户的成本微乎其微），这种成本结构天然倾向于"赢者通吃"的市场格局。更关键的是，算力基础设施的供应链本身高度集中——全球先进AI芯片的设计被英伟达主导（其在数据中心AI加速器市场的份额超过80%，CUDA软件生态经过十余年的积累形成了深厚的开发者锁定效应），制造被台积电垄断（占据约90%的先进制程产能），光刻设备则几乎完全依赖荷兰ASML公司（每台极紫外光刻设备售价超过3.5亿美元）。这种"沙漏型"多层嵌套的集中结构，使得算力垄断比传统的商品垄断更加难以打破，也意味着任何环节的中断——无论是地缘政治冲突、自然灾害还是出口管制——都可能对全球AI产业造成系统性冲击。美国2022年10月的对华半导体限制令正是利用了这种供应链瓶颈来实施技术遏制。

技术控制即社会控制

更值得警惕的是，AI并非普通商品。当一家公司的模型成为数亿人获取信息、辅助决策乃至进行创作的默认工具时，其运营者实际上获得了塑造公共话语的隐性权力。

这一现象在学术界被称为"信息中介权力"（informational intermediary power）。传播学者早已注意到，控制信息流动渠道的实体——无论是印刷时代的报业集团还是互联网时代的搜索引擎——都拥有超越其商业角色的社会性权力。但AI系统与以往的信息中介有本质区别：搜索引擎组织现有信息，而大语言模型生成信息；推荐算法筛选已有内容，而AI助手创造回答。从技术机制看，大语言模型基于Transformer架构的自注意力机制，通过计算输入序列中所有token之间的关联权重来生成输出，其产出不对应任何单一来源，而是训练数据中模式的加权混合。这意味着AI公司不仅仅是信息的"看门人"，更是信息的"制造者"，其对公共认知的塑造力度远超任何传统媒体。更值得关注的是，通过指令微调（instruction tuning）和人类反馈强化学习（RLHF），模型的回答风格和价值倾向可以被系统性地塑造，而这些塑造决策通常由企业内部的少数团队做出，缺乏外部审计和公众参与。模型可能产生的"幻觉"（hallucination）——看似可信但实际错误的内容——进一步加剧了这种信息权力的风险维度。

法学家弗兰克·帕斯奎尔（Frank Pasquale）将此类系统称为"黑箱社会"的核心组件——公众依赖其运作，却无法理解其内部逻辑。当AI模型的对齐策略、内容过滤规则和价值嵌入决策由少数工程师在封闭环境中做出时，这实质上是一种"私人立法"：它规定了什么信息可以被传播、什么观点被优先呈现、什么表达被标记为不当。这种权力不体现在资产负债表上，却可能比任何一家19世纪的托拉斯都更深刻地影响社会运转。

从社会学视角看，前沿AI系统正在演变为一种"制度性基础设施"（institutional infrastructure）——类似于电网、道路网络或法律体系，它们构成社会运行的底层条件。当这样的基础设施由私人实体控制、以商业利润为导向运营时，公共利益与私人利益之间的张力将不可避免地持续加剧。

历史镜鉴与当代分歧

"镀金时代"的两种解读

对于当前局面，社区讨论中存在两种截然不同的视角。

一方认为，历史正在重演：正如当年需要通过立法拆分垄断巨头、建立监管框架，今天同样需要对AI巨头施加约束，防止少数私人实体掌握不受制衡的权力。持这一观点者常引述1911年美国最高法院拆分标准石油公司的标志性案例——彼时约翰·D·洛克菲勒通过标准石油信托控制了美国90%以上的炼油产能，法院依据《谢尔曼法》将其强制拆分为34家独立公司。此后，AT&T在1984年被拆分为七家地区贝尔公司（"Baby Bells"），也是反垄断执法的经典案例。他们认为，当今的AI巨头——尤其是同时控制云计算基础设施、操作系统生态和AI模型的微软、谷歌等公司——正在复刻百年前的垂直整合策略，需要类似的结构性干预。

另一方则强调，技术创新本身依赖于资本集中和规模效应。过度监管可能扼杀创新活力，将领先优势拱手让给监管更宽松的国家和地区。这种担忧并非空穴来风：在地缘政治竞争的背景下，"监管套利"（regulatory arbitrage）已成为现实问题。如果美国或欧盟对本国AI企业施加严苛限制，而中国、中东等地区以更宽松的政策吸引资本和人才，那么监管不仅可能无法达到预期效果，反而可能削弱民主国家在关键技术领域的竞争力。在他们看来，市场竞争与技术迭代最终会削弱任何单一巨头的地位——正如IBM曾主导计算机行业却被个人电脑浪潮颠覆，诺基亚曾统治手机市场却被智能手机革命推翻。然而，反对这一类比的人指出，AI行业的网络效应和数据飞轮效应可能使其比传统硬件行业更难被颠覆——每多一个用户的交互数据都会改善模型性能，进而吸引更多用户，形成正反馈循环。

财富作为权力的放大器

无论持何种立场，一个共识正在形成：AI创造的巨额财富不仅是经济现象，更是政治与社会现象。当个别创始人的财富足以影响政策游说、媒体舆论甚至选举时，私人权力与公共利益之间的边界变得愈发模糊。

政治经济学研究揭示了财富向政治权力转化的多重机制。最直接的路径是政治捐款与游说——美国科技行业的政治游说支出在过去十年中增长了数倍，2024年已成为华盛顿最大的游说力量之一。但更隐蔽也更强大的机制包括：通过收购媒体机构影响舆论（如贝索斯收购《华盛顿邮报》、马斯克收购Twitter）；通过慈善基金会设定公共政策议程（如盖茨基金会对全球卫生政策的深远影响）；通过"旋转门"机制将行业高管安插进政府监管岗位；以及通过对学术研究的资助影响知识生产和政策话语。

"旋转门"（revolving door）现象在美国科技政策领域尤为突出：谷歌前高管曾担任国防部和国家安全委员会的技术顾问职务，多位联邦贸易委员会（FTC）和司法部反垄断司的官员在离任后加入科技公司或为其服务的律所。诺贝尔经济学奖得主乔治·斯蒂格勒于1971年系统阐述的"监管俘获"（regulatory capture）理论揭示了其深层逻辑：监管机构倾向于服务被监管行业而非公众利益，因为被监管企业有强烈动机和充足资源来影响监管过程，而分散的公众利益群体则面临集体行动困境。在AI治理语境下，这一问题尤为棘手——AI政策的制定需要高度专业化的技术知识，而这些知识主要集中在少数企业内部，使得政府在人才和信息上都高度依赖被监管对象。

在AI领域，这种权力转化呈现出独特的形态：AI公司同时是技术标准的制定者、安全评估的执行者、政策建议的提供者和被监管的对象。当同一实体同时扮演运动员和裁判员的角色时，公共治理的中立性必然受到侵蚀。埃隆·马斯克通过xAI进入AI竞赛的同时深度介入美国政治、OpenAI创始人山姆·阿尔特曼频繁出入国会山进行AI政策游说——这些现象正是"财富-技术-政治"三角关系的具体体现。

这正是这场"古老辩论"的现代内核——它关乎的从来不只是钱，而是未经民主授权的私人权力，应当受到怎样的制约。

应对AI权力集中的制度路径

超越简单的"支持/反对"框架

将AI权力问题简化为"监管vs创新"是一种误导。真正的挑战在于设计一套既能保留创新激励、又能防止权力滥用的制度安排。全球范围内，已有多项重要的政策实践正在探索这一平衡：

欧盟于2024年正式通过的《人工智能法案》（AI Act）采用了"基于风险的分级监管"框架，将AI系统按风险等级分为不可接受风险、高风险、有限风险和最小风险四类，对不同类别施加不同程度的合规要求。这是全球首部综合性AI监管立法，其影响力可能通过"布鲁塞尔效应"而产生溢出效应。"布鲁塞尔效应"是哥伦比亚大学法学教授阿努·布拉德福德（Anu Bradford）在2012年提出的概念，用于描述欧盟通过单方面制定严格监管标准而对全球规则产生事实上的影响力——由于欧盟拥有约4.5亿消费者的庞大单一市场，跨国企业往往发现，与其为不同市场维护不同版本的产品和流程，不如将欧盟的高标准统一应用于全球运营。GDPR（《通用数据保护条例》）是这一效应最成功的案例，全球数以万计的企业调整了其数据处理实践以符合GDPR要求。AI法案能否复制这一效果尚待观察，但考虑到AI服务的全球化特征，其影响力很可能超越欧洲边界。美国则在2023年发布了关于AI安全的行政命令（Executive Order 14110），要求开发强大AI系统的企业向政府报告安全测试结果，并指示多个联邦机构制定行业特定的AI指导方针。

具体而言，有效的制度安排可能包括：

• 透明度要求：强制披露模型能力、训练数据来源与潜在风险。欧盟AI法案已要求通用AI模型的提供者公开模型训练中使用的受版权保护内容的摘要，并要求高风险AI系统提供充分的技术文档。更进一步的提议包括要求强制披露模型的已知失败模式、偏见评估结果和红队测试报告。这种透明度不仅有助于公众监督，也为独立研究者和民间社会组织提供了开展问责工作的基础；

• 互操作性标准：降低生态锁定，让用户不被单一平台绑定。互操作性（interoperability）是指不同系统或组件之间交换和使用信息的能力。在AI语境下，这意味着用户的数据、对话历史、自定义设置应当能够在不同AI服务之间无缝迁移，类似于电话号码携号转网或银行账户间的自由转账。欧盟《数字市场法》（DMA）已对大型平台提出了互操作性要求，类似原则可以扩展到AI生态系统。如果用户可以轻松从一个AI助手切换到另一个而不损失任何数据或功能，那么市场竞争将更加有效，用户议价能力也将大幅增强；

• 算力与数据的公共供给：通过国家级基础设施降低创新门槛，避免能力被少数企业垄断。这一路径已有多个国家在实践：美国国家科学基金会（NSF）正在建设国家AI研究资源（NAIR），为学术研究者提供计算资源和高质量数据集；欧盟通过"欧洲高性能计算联合体"（EuroHPC JU）为成员国的AI研发提供超算支持；日本、新加坡、阿联酋等国也在建设主权AI计算基础设施。其理念是将算力视为类似公路、电网的公共品——由公共投资建设，向广泛的研究者和创业者开放使用，从而打破"只有巨头才能做AI"的资本门槛；

• 开源生态的培育与平衡：开源AI模型——如Meta的LLaMA系列、Mistral AI的模型、以及阿里巴巴的通义千问^广告——正在成为对抗AI权力集中的重要力量。开源模式允许任何人下载、修改和部署模型权重，从而打破封闭模型的"黑箱"壁垒，使中小企业和研究机构也能在前沿AI能力上进行创新。然而，开源AI的"反垄断效果"存在争议：开源模型仍然依赖巨额资本进行初始训练，开源策略可能本身就是巨头巩固生态主导权的竞争手段；模型权重的开放不等于训练数据和流程的开放，"开放"的程度存在光谱；安全研究者也警告完全开源强大AI系统可能降低恶意使用的门槛。如何在开放性与安全性之间取得平衡，是AI治理的核心难题之一。

一场必须提前进行的对话

镀金时代的反垄断改革花了数十年才成型——从19世纪80年代的社会运动到1890年的《谢尔曼法》，再到1914年的《克莱顿法》和联邦贸易委员会的成立，中间经历了超过三十年的酝酿期。而AI技术的迭代速度以月计。GPT-3到GPT-4之间不过两年，而从GPT-4到更强大系统的间隔可能更短。这意味着社会没有足够的"事后纠错"时间窗口。等到权力格局固化再去应对，成本将高得多——正如许多学者指出的，互联网时代的监管教训恰恰在于"先放任，后追赶"的模式导致了今天难以撼动的平台垄断格局。

从这个角度看，这场讨论实际上触及了一个可能定义未来十年的核心命题：在智能技术重塑权力结构的时代，我们如何守护公共利益与个体自主？

结语

AI财富的爆发式增长，本质上是把一个尘封百年的问题重新推到了台前。技术在变，但权力集中带来的风险从未改变。无论最终答案是加强监管、推动开源，还是构建全新的治理范式，有一点是明确的——这场辩论不应被少数受益者主导，而应成为整个社会共同参与的议题。

历史不会简单重复，但它常常押着相似的韵脚。面对AI巨富时代，我们需要的不是恐慌，而是清醒的制度想象力。