杰伦·拉尼尔：所谓AI，本质上只是人

一个反直觉的命题：没有AI，只有人

虚拟现实先驱、计算机科学家杰伦·拉尼尔（Jaron Lanier）提出了一个在当下AI热潮中颇为逆流的观点——「根本不存在所谓的AI，那不过是人而已」（There Is No AI, It's Just People）。这一表述看似简单，却直指当前技术叙事的核心问题：我们习惯于把大语言模型、生成式系统拟人化，赋予它们「智能」「思考」「创造」的光环，而拉尼尔认为这种叙事在根本上是一种误导。

在他看来，今天的所谓人工智能系统，实质上是把海量人类创造的文本、图像、代码汇聚、重组后再呈现出来的产物。系统本身并不「理解」什么，它所展现的一切能力，追根溯源都来自无数真实的人类劳动与表达。因此与其说是机器在生成内容，不如说是人类的集体智慧被以一种新的方式重新编排和调用。

为什么「拟人化叙事」值得警惕

拉尼尔长期以来对硅谷的技术乌托邦叙事持批判态度。他担忧的核心在于：当我们把AI描述成一个独立的、拥有自主智能的「实体」时，实际上模糊了它背后真实的人类贡献者，也回避了责任归属的问题。

掩盖数据背后的人

把系统称为「智能」，会让人忽视训练数据从何而来。每一段流畅的回答、每一幅逼真的图像，背后都是被抓取、被使用的人类作品。当这些贡献被抽象成「模型能力」时，原创者既得不到署名，也得不到回报。拉尼尔曾在多本著作中主张「数据尊严」（data dignity）——即人们应当为自己贡献的数据获得认可与补偿。

「数据尊严」（data dignity）是拉尼尔在其2013年著作《谁拥有未来》（Who Owns the Future?）中系统阐述的核心概念。他的基本主张是：互联网经济的商业模式建立在免费获取用户数据之上，而这些数据实际上构成了平台核心资产。他提出应为每一条被商业化使用的数据设立微支付（micropayment）机制——当你的一条评论、一张照片或一段写作被用于训练模型并由此产生商业价值时，你作为原创者应当获得一笔微小但真实的报酬。这一构想在生成式AI大规模抓取网络内容的今天显得尤为切题：Stability AI、OpenAI等公司均面临来自艺术家和作者的版权诉讼，核心争议正是训练数据的使用授权与补偿问题。尽管微支付方案在技术实现和规模化上仍面临极大挑战，但它率先将「数据贡献者权益」纳入了主流讨论框架。

责任的转移

一旦AI被当作独立主体，出错时人们容易归咎于「算法」或「模型」，而非设计、部署、盈利于这套系统的公司和个人。把技术还原为「人的产物」，本质上是把责任重新拉回到人类身上。

这一观点对行业意味着什么

拉尼尔的框架并非否定这些系统的实用价值，而是要求我们用更清醒的语言去描述它们。这种视角至少带来三重启示：

第一，它促使我们重新思考知识产权与数据经济。如果AI输出本质上是人类作品的再加工，那么围绕数据来源的补偿机制、版权问题就不再是边缘议题，而是核心议题。

第二，它挑战了「AI取代人类」的恐慌叙事。既然系统的能力来自人，那么真正的竞争与协作关系存在于人与人之间，而非人与机器之间。技术只是放大和中介人类能力的工具。

第三，它提醒从业者保持术语上的诚实。用「智能」「理解」「意识」这类词汇描述统计模型，可能在无形中扭曲公众认知，进而影响政策制定与社会预期。

一场关于语言与认知的辩论

值得指出的是，拉尼尔的立场在学界与业界都存在争议。支持者认为这是对技术炒作的必要纠偏，有助于建立更健康的技术伦理框架；而部分研究者则认为，无论我们如何命名，这些系统所展现出的涌现能力（emergent abilities）在功能层面确实超出了简单「重组」的解释范畴，值得独立研究。

这场争论的本质，其实是关于我们该如何理解智能、如何为技术定性的哲学问题。拉尼尔选择站在「人本主义」一侧——无论技术多么复杂，其源头和意义最终都要回归到人。

「涌现能力」（emergent abilities）在AI研究中特指：当模型规模扩大到某个阈值后，突然出现了在小模型上完全观察不到的能力，例如多步推理、代码调试或少样本类比。这一现象最初由谷歌Brain团队在2022年的论文《大型语言模型的涌现》中系统记录，被视为支持「LLM具有某种超越统计重组的内在能力」的重要依据。然而，斯坦福大学后续研究指出，「涌现」在一定程度上是评估指标不连续性造成的统计假象——换用不同的评估方式，能力提升实际上是平滑渐进的。这场争论至今未有定论，但它直接关系到拉尼尔命题的有效边界：如果涌现能力确实存在，那么「系统只是重组人类内容」的解释就需要更精细的修正；如果涌现只是测量幻觉，拉尼尔的框架则获得更强的支撑。

结语

「没有AI，只有人」不是一句技术判断，而是一种立场宣言。在生成式AI席卷各行各业的当下，这样的提醒或许比任何时候都更有价值：技术不会凭空产生智慧，它承载的是我们每个人的贡献、选择与责任。当我们讨论AI的未来时，真正需要审视的，始终是站在系统背后的那些人。