KeyFrame內部研究專用

AI封建時代到來!國家權力衰落,科技公司成為新的封建領主,我們的生存法則將徹底改變|政經孫老師 Mr. Sun Official

政經孫老師·6月25日週四·14 min中文

三句話摘要

AI時代的技術封建主義——從中心化國家體系衰落到去中心化經濟結構的必然演化。 AI時代的適應是不可逆的歷史趨勢,與其被動等待被系統分配最差的位置,不如主動融合AI提升生產力,在新的去中心化經濟結構中搶佔先機。 經濟演化的必然邏輯:根據演化經濟學,AI就像生物演化中的「變異」,在穩定的經濟體系內突然出現,然後迅速複製擴散,最終改變整個系統的結構與生產關係。這不是可選項而是不可逆的歷史趨勢。

重點整理

重點
  • 1

    經濟演化的必然邏輯:根據演化經濟學,AI就像生物演化中的「變異」,在穩定的經濟體系內突然出現,然後迅速複製擴散,最終改變整個系統的結構與生產關係。這不是可選項而是不可逆的歷史趨勢。

  • 2

    技術封建主義的實質:雲資本(數據、算法、數字平台)取代工業資本,成為新經濟的核心。大科技公司如Google、Amazon成為「封建領主」,個人創作者與小商家成為「領民」,他們在平台上勞動同時向平台繳納「租金」(收入分成)。

  • 3

    中心化體系的必然衰落:官僚數量膨脹導致系統僵化。美國數據顯示生產率增長從1972年前的年均2.36%下降到現在的1.24%,同期管理人員數量翻倍而實際勞動力占比下降,最終導致財政破產與系統瓦解。

  • 4

    個人適應決定生死:能將自身與AI融合、提升生產效率的「超級個體」將存活,拒絕融合的人被淘汰。未來只有三條路:加入平台經濟、轉入地下經濟、或躺平吃福利(但國家財政已無法支撐)。

實用技巧與重點

乾貨
  • 投資數據與經濟回報:
  • 2025年至少20位萬富豪通過AI投資獲得接近5000億美元額外利潤(福布斯報道)
  • 微軟投資OpenAI近1000億美元;OpenAI反過來購買英偉達GPU擴展數據中心
  • 亞洲頂級富人家族2026年通過AI投資財富增長16%,達647億美元(2019年以來最大年度增幅)
  • 軟銀孫正義表示:AI投資機會可能比互聯網泡沫規模大50倍以上
  • 美國生產率數據:
  • 1972年前80年:平均每年增長2.36%
  • 1972-2008年:平均每年增長1.59%
  • 2008年後:平均每年僅增長1.24%
  • 照此速度,收入翻倍需要56年
  • 就業與人員結構:
  • 1983年以來美國企業經理主管及行政人員數量翻了一倍
  • 同期其他職業就業增長不到40%
  • 美國公務員總數達2200萬人以上(地方政府與州政府增速最快)
  • 關鍵人物與觀點:
  • 黃仁勳(英偉達CEO):人的工作不是被AI取代,而是被「人+AI融合的超級個體」取代
  • 孫正義(軟銀):AI投資規模遠超互聯網泡沫
  • 經濟學家瓦羅·法基斯《技術封建主義》:描述雲資本取代工業資本的過程
  • 經濟學家約翰希克斯1969年發現:官僚膨脹與權力集中必然導致經濟產出下降

結論

結論

AI時代的適應是不可逆的歷史趨勢,與其被動等待被系統分配最差的位置,不如主動融合AI提升生產力,在新的去中心化經濟結構中搶佔先機。

完整解析

詳細

講者從一個核心問題開始:AI的發展看似技術進步,但實際上帶著明確的立場與價值判斷,將改變整個社會結構。這不是中性的,而是決定未來人類政治經濟生活的根本變化。

首先看經濟層面。全球頂級富豪與科技公司已意識到這場變革的規模,正在大規模投資AI。福布斯報道顯示,2025年至少20位萬富豪單從AI投資就賺取接近5000億美元。更深層的是,這些投資形成了一個內循環:微軟投資OpenAI 1000億美元,OpenAI用這筆錢購買英偉達GPU,英偉達因此股價上漲,吸引更多資本進入。這個小圈子內的資本不斷利滾利,形成難以突破的行業壁壘。亞洲頂級富人家族通過AI相關投資,2026年財富增長達16%(647億美元),創2019年統計以來的最大年度增幅。

這種新的經濟形態被稱為「技術封建主義」。經濟學家瓦羅·法基斯指出,傳統資本主義以工業資本(機器、工廠、土地)為核心,但現在雲資本(數據、算法、數字平台)成為主導。這種新形態正像病毒一樣快速繁殖,逐漸取代傳統資本主義。

同時發生的是大規模的結構性失業。被裁員的不是創造價值的人,而是行政人員與流程式工作崗位——被稱為「私營企業的公務員」。這背後反映了一個更大的經濟規律。經濟學家約翰希克斯在1969年就發現,每當權力集中、官僚膨脹時,經濟產出就會下跌。美國的數據證實了這一點:1972年前生產率年均增長2.36%,之後只有1.59%,2008年後更低至1.24%。同期,企業管理人員數量翻倍,而實際勞動力占比下降。美國公務員總數達2200萬人,成為系統的沉重負擔。這個邏輯解釋了為什麼國家體系最終將解構——官僚體系本質是寄生性的,膨脹越大,經濟產出越低。

用演化經濟學的視角,AI就像生物演化中的「變異」。在穩定的遺傳狀態中,突然出現變異,這種變異先在少數個體身上發生,然後迅速複製擴散,最終改變整個物種的特徵與生存方式。AI正在扮演這個角色——改變不僅是生產力,更是整個經濟系統的生產關係。

在這種變革下,個人的選擇決定生死。黃仁勳說得清楚:人工作的喪失不是被AI取代,而是被「人+AI融合的超級個體」取代。能夠與AI結合、提升生產效率的人會存活;拒絕融合的人會被淘汰。未來的經濟結構類似於中世紀封建制:大科技公司是「領主」,提供平台與算力;個人創作者(YouTuber、Shopify商家等)是「領民」,在領主的領地上勞動,同時繳納「租金」(YouTube以廣告收入分成形式、Shopify以手續費形式)。進入這個系統有門檻——你必須展示足夠的生產力,能用AI提升效率;否則你會被踢出去,成為失業者或轉入地下經濟。

有趣的是,地下經濟中同樣有「封建結構」。走私、毒品、非法業務的從業者也需要向黑社會「領主」繳納保護費,換取安全與專屬地盤。本質上,無論是合法的平台經濟還是非法的地下經濟,結構都是封建的——領主、騎士(保安)、領民(勞動者)的三層結構。

因此,系統給出的出路只有三條:主動參與平台經濟、進入地下經濟、或躺平等待國家福利(但國家財政已破產,不可能長期負擔)。講者強調的關鍵是:不主動選擇會被系統分配最差的選擇,主動選擇至少還有機會爭取更好的未來。歷史上,第一批主動從樹上下來走向地面的猴子,最終進化成了人。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。