非线性金字塔:AI能力变迁下的社会模型

大模型发布时，最醒目的往往是跑分。GPQA考的是物理、化学、生物等领域的高难度选择题，分数表示答对了多少；SWE-bench Verified筛选出500个真实软件问题，让模型修改代码，再用测试检查问题是否解决，分数表示通过判定的任务比例。[1][2]它们各自说明模型在规定任务上做到了什么。

这些成绩已经很高。GPT-6 Astra的发布报告给出的GPQA Diamond成绩为96.0%，取报告中不同推理投入水平的最高值，研究环境与实际产品的提示和工具等设置也可能不同。[3]近期GPT-6.1 Sol的报告还纳入了专业文档、复杂代码库和多步骤业务流程。[4]测评本身正在接近工作场景，AI能处理的事情也在增加。

一份咨询报告可以很快生成，但地方情况是否判断准确，甲方的要求是否真正落实，方案能否拿去执行，还需要逐项处理。假设半小时得到初稿，随后花两天核实和返工，这项业务就应当按两天多来算。跑分测到的本领，要经过这些环节，才能变成实际可用的成果。

这类反差已有具体研究。METR针对2025年初工具开展的实验，让有经验的开源开发者处理自己熟悉代码库中的真实问题，结果允许使用AI的任务平均耗时增加了19%。[5]代码生成以后，仍然有人需要理解、检查和整合。到了社区事务中，还要把方案落实到资源和协商上：停车位怎样分、费用谁来出、居民能否接受，都关系到事情最后是否办成。

AI与人类完整业务能力之间，目前仍有这样的距离。需求理解、成果核查、持续执行等能力还在发展，数据、工具和业务流程也会随之调整。今天需要人补上的部分，将来可能由系统接过去。当前的水土不服，可以成为下一阶段继续改进的方向。

要比较这段距离，可以设两个指标：一个衡量人类在实际业务中能交出多少合格成果，一个衡量AI在同样条件下能独立交出多少。两边采用相同的业务范围、验收要求、时间和总投入，把人类基准看作100，AI就可以相应地表示为30、50或80。核实、返工和人工接管消耗的资源也要算进去，不能把人补做的工作全部记成AI的能力。这两个指标提供一把比较的尺子，如图1所示。

图1　以人类现有交付水平为100，设想AI怎样逐步接近并超过这一基准。曲线为理论示意。

把AI的能力阶段与社会分层放在一起，可以形成一个“非线性金字塔”模型。金字塔表示人们取得收入和资源的机会有高低差别；AI每提高一个阶段，受惠的人群以及取得优势的条件，都可能重新排列。模型据此讨论谁先得到好处、谁的原有优势减弱，以及新的差距凭什么形成。

专业能力、客户关系、资金和组织资源，原本就会影响人们在市场上获得收入的机会。韦伯讨论阶级处境时，把这种市场机会放在重要位置。[6]AI进入业务以后，同样会改变一个人能够提供什么、别人愿意为它付多少钱，以及哪些资源更难被替代。

AI的能力提高，与社会结构的变化未必同步。查资料和写初稿都快了一倍，原来的团队和收入安排仍然可能延续；等到整项业务都能由系统接下来，团队需要多少人、专业服务怎样定价，就可能一起改变。“非线性”要表达的，就是技术逐步提高时，社会分化的依据也会发生转换。

下面以30%、50%、80%和100%设想几个阶段。这些比例表示相对于人类基准的交付能力，每个阶段再配合相应的业务条件，推演可能出现的受惠结构。

在30%的情景中，AI主要能处理资料、初步分析和文字制作，完整业务仍由人组织。最先受惠的，往往是本来就懂业务、又能用好工具的人。咨询人员知道甲方真正需要什么，也能判断AI哪里写错，便可以用更少时间做出可交付的成果。此时拉开差距的，主要还是专业判断与使用工具的能力。

假设AI提高到人类基准的50%，已经能够接下某些完整业务，一个小团队就可能做出过去十人团队的成果。受惠者开始从“把自己的工作做快一点的人”，扩大到“能用AI组织起一门生意的人”。这时，能否找到客户、取得订单、把成果卖出去，会拉开新的差距。同样能做一份报告，一个人只能在平台等单，另一个人握有稳定客户，最后拿到的收益很可能相差很大。

当专业知识可以便宜调用时，技能本身带来的收入优势就可能变小，资格、声誉和客户关系的作用会更突出。布尔迪厄讨论文化资本时，区分了个人积累的能力、知识资源和获得承认的资格，并分析它们转化为收益的条件。[7]沿着这一思路看，AI普及后，掌握知识与靠知识获得收入之间的距离，可能反而扩大。

在80%的设想中，AI已经可以稳定承担多数日常业务。收益差别会越来越受系统、客户和收费规则的影响。平台若掌握系统和订单，就可以让许多小团队借助AI工作，再通过抽成和使用费分享他们的产出。个人的工作能力提高，平台控制的业务范围也可能同时扩大。

马克思分析机器大工业时，把生产能力的提高同机器在特定生产关系中的使用联系起来。[8]这条线索在AI时代依然直接：系统属于谁，业务由谁组织，新增收益就会经过谁的安排。技术提高了多少生产能力，与一个普通使用者最后分到多少好处，需要放在一起观察。

如果AI达到人类基准的100%，就意味着在同一组业务和相同条件下，它已经能交出与人类相当的合格成果。原先依靠“只有我能做”取得的优势，会进一步减弱。稀缺的东西可能转到系统所有权、客户入口和收益分配权上，社会的高低差别也会围绕这些条件重新形成。

如果系统与订单集中在少数主体手中，大量人可以使用AI，却只能分享较少收益，中等收入群体可能变薄。如果更多人能够持续使用系统、直接经营客户、保有成果，新增收益又能通过公共服务和分配安排进入生活，受惠范围就会扩大，社会中部也可能变厚。同样强的AI，可以对应很不一样的受惠结构。

图2用几座金字塔把这些设想画出来：上面收入较高，下面收入较低，越宽表示这一层的人越多。前三幅沿着收益趋于集中的方向，设想中等收入群体逐步收缩；最后一幅把“收益集中”和“广泛分享”放在一起。收入形态是受惠差异的一种表现，这里用它说明两种分配方式可能把社会推成什么样。

图2　四个假设阶段的金字塔截面。灰色虚线表示起始形态；100%处同时画出收益集中和广泛分享两种结果。图形为理论设想。

AI也会在实际业务中卡住。厂商围绕跑分继续改进，行业内部却把数据、系统接口和处理经验留在自己手里，模型就会反复做好局部任务，却接不住完整业务。于是，跑分不断上涨，实际交付却长期在人类基准的某个比例附近徘徊。维护既有收益的行业力量，会参与塑造这条曲线。关于既得利益与技术采用的研究，已经揭示了利益群体阻挡更高效技术进入的机制。[9]

这些门槛有很具体的样子。OECD对七国中小企业的调查显示，业务不适配、法律和信息保护顾虑、技能不足，都会妨碍生成式AI采用。[10]企业可以不购买一套工具，也可以把关键数据和操作权限留在内部。后一种门槛会让完整交付所需的条件迟迟凑不齐，局部技术进步与业务中的阻力便反复拉扯。

更尖锐的变化来自内部提效、对外守门的组合。掌握行业入口的机构，用AI压缩资料整理、分析和协调岗位，同时守住客户、数据和完整订单。原先靠这些工作获得中等收入的人，工作被压缩，却又难以借助AI独立经营，只能去接更零散、议价能力更弱的任务。收益继续向控制入口的主体集中，中等收入群体被挤薄，低收入底座变厚。AI还没有追平人类，社会分化已经可以先走一步。

图3画出这条极端路径：实际交付在50%附近反复浮动，局部替代和封闭入口却继续把社会推向细脖子、厚底座。新进入者能否打开接口、接触客户，会影响这种格局延续多久。

图3　交付停滞与收入极化同时延续的情景。50%附近的波动和收入轮廓均为理论示意。

行业愿意让AI进来，也可能等不到投入。开发者和交付商会把资金、算力和团队投向预期回报更高的业务，回款速度也会影响排序。同样投入一支团队，一套可以卖给许多客户的工具，与一项需要逐户整理数据、反复调整流程的服务，回报相差很大。商业吸引力较弱的业务便不断被推后，完整服务迟迟接不上。

阿西莫格鲁的“定向技术变迁”理论，将创新方向同利润激励、价格和市场规模联系起来。[11]沿着这条线索，AI在各行业的成长也会有先后：一些业务持续得到研发和部署投入，另一些业务只留下零散工具。较早获得成熟系统的经营者先得到提效条件，投入不足业务中的人则继续等待。同一时期，各行业会处在不同的能力阶段，受惠的先后也会受到资源投向的影响。

社会价值也会把资源带到商业投入不足的地方。公益机构、公共部门、研究者和开发者，可以因为一种服务对社会有用而持续投入。开源模型和工具让后来者能够在已有成果上继续开发，共享数据和技术协作减少重复劳动，公益资金与公共采购则能承担那些一时难以靠收费收回的成本。原先没有交付商愿意接的业务，由此有了把服务做起来的条件。

这样的力量已经在行动。印度理工学院马德拉斯分校的AI4Bharat，将印度语言技术的开放资源视为数字公共品，开放工具、数据和模型。项目早期的IndicBERT和IndicBART模型获得了EkStep Foundation和Nilekani Philanthropies的资助。[12]让更多人能够用自己的语言获得信息和服务，成为组织技术投入的理由。

当这些支持进入，原先停在中途的业务就有机会继续向前。开源成果降低从头开发的成本，公益与公共投入接上数据整理、系统适配和人员培训，社会价值便能通过具体服务转成实际交付。图4在原先投入不足的曲线上，补出社会支持加入后继续上升的路径。两类业务仍各以同样条件下的人类现有交付水平为100%。

图4　持续商业投入、部署投入不足，以及社会支持加入后的三条路径。虚线从原先投入不足的业务分出；曲线和数值为理论示意。

一个人能借助AI完成过去团队的工作，是个体受惠；提供系统的平台从许多这样的人身上取得收入，是另一种受惠。两者可以同时发生，而且规模相差很大。看到更多“超级个体”，还需要继续看这些个体有没有自己的客户、能保留多少收益，才能判断社会的金字塔正在变平还是变陡。

行业利益、商业回报和社会价值，会同时影响AI往哪里走。它们各有多大分量，要看谁能调动资金和算力、开放数据和业务入口，以及决定服务怎样收费、收益怎样分配。行业组织守住入口，旧秩序就有延续的力量；投资者决定资源去向，商业回报就有更大的分量；公共资金、公益组织和开放社区能够持续组织资源，社会需要也能转化成技术发展的方向。

非线性金字塔所要框住的，正是能力成长、发展方向与受惠结构之间的关系。AI达到同样的能力水平，社会可以走向细脖子、厚底座，也可以让更多人获得经营和生活改善的机会。三种力量的主导程度改变，金字塔就会沿着不同方向变形。未来智能社会的形状，取决于谁有能力把自己的价值取向变成持续的投入和规则，以及更多人能否参与决定这个过程。

[1] Rein D等. GPQA: A Graduate-Level Google-Proof Q&A Benchmark. 2023.

[2] SWE-bench团队. SWE-bench Verified. 基准说明。

[3] OpenAI. GPT-6 Astra: A New Generation of Intelligence. 2026.

[4] OpenAI. Introducing GPT-6.1 Sol. 2026.

[5] Becker J、Rush N、Barnes B、Rein D. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR，2025.

[6] Weber M. “Klassen”, “Stände” und “Parteien”. Max Weber-Gesamtausgabe数字版原文。

[7] Bourdieu P. The Forms of Capital. In: Richardson J (ed.). Handbook of Theory and Research for the Sociology of Education. Greenwood，1986：241—258.

[8] Marx K. Capital, Volume I, Chapter 15: Machinery and Modern Industry.

[9] Bridgman B R、Livshits I D、MacGee J C. Vested Interests and Technology Adoption. Journal of Monetary Economics，2007，54(3)：649—666.

[10] OECD. Generative AI and the SME Workforce: New Survey Evidence. OECD Publishing，2025.

[11] Acemoglu D. Directed Technical Change. The Review of Economic Studies，2002，69(4)：781—809.

[12] IIT Madras. AI4Bharat. Centre for Responsible AI，项目介绍；Khan M S U R、Khapra M M. Indic LLM Suite. AI4Bharat，2024-03-14.