夜雨聆风最近围绕 AI 出现了一系列社会反应，在我看来已经不是简单的舆论波动，而是一个值得警惕的危险信号。
2026 年 5 月，前 Google CEO Eric Schmidt 在亚利桑那大学毕业典礼上谈到 AI 时，被现场学生多次嘘声打断。类似的事情也出现在 University of Central Florida 等学校。哈佛的场景则更直接：脱口秀演员 Ronny Chieng 在 Class Day 演讲中直接喊出 “Fuck AI”，并告诉毕业生这一代人的任务是“摧毁 AI”，现场反而响起欢呼。毕业典礼原本是年轻人进入社会的仪式，但当 AI 被反复包装成未来、机会和工业革命时，很多学生听到的并不是希望，而是对自己第一份工作、职业入口和技能价值的威胁。
国内也有类似的社会情绪。2026 年 6 月，粉笔 CEO 张小龙在中国人民大学一场讲座中引发争议。根据多家媒体报道，现场一个重要冲突在于：台上演讲者不断鼓吹 AI 时代的职业变化和个人选择，台下学生却并不买账，兴趣和回应都很冷淡，随后演讲者情绪失控，开始对学生进行斥责。这场风波不应被孤立地看成某一个人的表达问题，它只是这一串 AI 争议中的国内样本。
创作者、演员、编剧、画师对 AI 的反对，也在同一条线上。2023 年美国编剧和演员罢工时，AI 已经成为核心议题之一。创作者担心自己的作品被拿去训练模型，演员担心自己的声音、脸和表演被数字化复制后长期使用。到了 2025 年和 2026 年，反对 AI 的情绪又扩展到数据中心社区：居民担心电力、水资源、土地、噪音和税收优惠被 AI 公司占用，但本地就业和公共补偿却不成比例。
这些事件看似分散，背后其实指向同一个问题：AI 正在从技术议题变成生产关系议题。上层的人更容易从效率、趋势、选择自由和个人奋斗的角度谈 AI；对已经掌握资本、资源、经验和社会关系的人来说，AI 是工具，是杠杆，是下一轮机会。但对普通年轻人、创作者、白领和社区居民来说，AI 可能意味着岗位变少、竞争变强、学历贬值、试错成本上升、公共资源被占用，以及一毕业就面对更窄的上升通道。
这种错位才是当前 AI 争议的根源。很多年轻人不是不懂趋势，也不是拒绝努力，而是他们很清楚自己没有多少缓冲空间。上层可以说“不要只盯着稳定”“要拥抱变化”“要提升认知”，但底层面对的是房租、家庭压力、就业门槛、社保、收入不稳定和职业起点消失。一个已经拥有资源的人谈不确定性，和一个刚毕业、没有积累、没有退路的人谈不确定性，含义完全不同。
所以这一系列事件击中的不是某一句话，而是当下社会最敏感的问题，如果 AI 真的改变所有行业，那么普通人的职业起点在哪里？如果初级岗位被压缩，年轻人靠什么积累经验？如果效率收益主要流向资本、平台和少数掌握资源的人，而失业、收入下降、职业入口消失和公共资源消耗由普通人承担，那么 AI 到底是在创造普遍繁荣，还是在加速贫富分化？
这就是我担忧的地方：AI 当然是一轮重要的技术革命，但目前更先发生变化的，不是社会生产效率的整体重构，而是生产关系的重新排列。AI 提高效率本身并不可怕，可怕的是效率收益集中在资本端，而成本落在普通人身上。如果这种结构继续发展，AI 就不是单纯的生产力工具，而会成为贫富分化的加速器；当分化走到极端时，风险就不会停留在就业焦虑，而会进入社会秩序和政治秩序层面，甚至演化为大规模社会动乱和战争风险。
这句话可能和很多人的直觉不一样。因为我们每天看到的是 AI 写文章、写代码、画图、做 PPT、做客服、做数据分析，似乎效率已经大幅提升。但如果把视角从单个岗位拉到整个社会，会发现情况没有那么简单。AI 确实提高了很多信息处理环节的效率，但它还没有充分创造出新的产业、新的需求、新的就业吸纳能力。相反，它已经开始改变企业用人的方式、劳动者的议价能力、资本和劳动之间的收益分配。
所以当下 AI 的核心矛盾，不是“AI 有没有用”，而是“AI 提高的局部效率，能不能转化为全社会的增量”，以及这个增量最终由谁分享。如果不能，那么 AI 带来的就不是单纯的生产力革命，而是生产关系先行重组下的就业压力、贫富分化和社会风险。
本文主要从五条逻辑入手：生产关系重组、企业降本逻辑、效率传导逻辑、资本市场外推、贫富分化风险。几条线相互勾连：AI 会先被资本用来重组劳动过程；企业会优先用 AI 降低人工成本；资本市场会把 AI 收益提前定价；但局部效率提升不等于社会总需求扩张。如果效率收益向资本集中，而新岗位形成慢于旧岗位消失，那么失业风险和贫富分化风险就会同时被放大。
一、从资本论看AI风险的来源
先看《资本论》第一卷第十三章“机器和大工业”中的一段原文。
约翰·斯图亚特·穆勒在他的《政治经济学原理》一书中说道：
“值得怀疑的是，一切已有的机械发明，是否减轻了任何人每天的辛劳。”
但是，这也决不是资本主义使用机器的目的。象其他一切发展劳动生产力的方法一样，机器是要使商品便宜，是要缩短工人为自己花费的工作日部分，以便延长他无偿地给予资本家的工作日部分。机器是生产剩余价值的手段。
《资本论》第一卷第二十三章“资本主义积累的一般规律”中有一段更直接：
过剩的工人人口是积累或资本主义基础上的财富发展的必然产物，但是这种过剩人口反过来又成为资本主义积累的杠杆，甚至成为资本主义生产方式存在的一个条件。过剩的工人人口形成一支可供支配的产业后备军，它绝对地隶属于资本，就好象它是由资本出钱养大的一样。
马克思后面又进一步说：
产业后备军在停滞和中等繁荣时期加压力于现役劳动军，在生产过剩和亢进时期又抑制现役劳动军的要求。
这几段和贫富分化的关系，可以概括为一条传导链：机器提高效率，剩余价值更多流向资本；机器排挤劳动者，形成产业后备军；产业后备军压低在岗劳动者的议价能力，使工资和劳动条件更难改善；资本端则通过继续投资机器、生产资料和金融资产滚动积累。结果就是资本收益越来越集中，劳动收入相对被压制，贫富分化不断扩大。
所以这里引用《资本论》，并不是为了简单说“机器不好”或“技术不好”，而是为了说明一个更关键的问题：同样是技术进步，如果收益分配和生产关系不变，它就可能一边提高生产力，一边把效率红利推向资本端，并削弱劳动者的收入和安全感。
这段话放在 AI 时代，仍然非常有解释力。关键不在于机器本身好不好，也不在于技术是否提高效率，而在于技术被放进怎样的生产关系中使用。
如果 AI 被放进资本主导的生产关系里，它最直接的用途就不是“让全社会更幸福”，而是降低成本、提高利润率、扩大资本回报。也就是说，AI 最大的风险并不在于“机器变聪明”本身，而在于机器进入生产过程以后，会重新改变资本和劳动之间的关系。
这个框架放到 AI 时代，真正要论证的是风险：AI 可能把一部分知识劳动固化到模型、算力和软件系统里，使企业更容易用少数核心人员加工具替代大量初级和中间岗位；效率收益更多沉淀为利润、股东回报、平台估值和资本市场叙事，而不是工资增长；模型训练又依赖公共知识、创作者作品、用户数据、电力基础设施和社会教育体系，形成“技术社会化、收益资本化”的结构。
也就是说，AI 不是天然重新洗牌。它如果被放在既有资本逻辑中使用，就可能一边提高局部效率，一边制造新的相对过剩人口；一边扩大资本收益，一边压低劳动议价；一边依赖社会资源，一边把主要收益集中到少数平台和资本主体手里。
因此，资本论的生产关系框架说明了 AI 风险为什么会被放大：当 AI 还没有充分重构生产效率、创造新需求和新岗位时，它已经被资本用来重组劳动过程、压低劳动成本、提高资本收益。这个时间差，就是失业风险、分配风险、贫富分化风险和社会反对情绪的根源。
二、AI冲击的现实传导链
资本论的框架解释了风险来源，放到 AI 时代，现实传导链其实很清楚。
第一步，是企业用人逻辑改变。过去企业雇佣一个人，本质上是在购买他的时间、经验和执行能力；AI 出现后，很多岗位被拆成“模型可生成的标准化信息劳动”和“人来判断、负责、落地的决策劳动”。前者被快速压缩，后者集中到少数核心人员手里。于是企业最直接的选择不是创造更多岗位，而是压缩岗位、合并岗位、提高单个人的产出要求。
第二步，是局部效率提升没有同步转化为社会总量效率。一个公司原来需要 10 个人写文案，现在 5 个人配合 AI 就够了，对公司来说是降本增效；但如果社会并没有因此产生两倍的文案需求，也没有创造足够的新岗位吸收另外 5 个人，那么这只是企业成本下降和劳动岗位减少，并不自动等于社会总产出上升。
第三步，是就业入口和职业阶梯被压缩。AI 最容易替代的，恰恰是助理、初级分析师、初级程序员、文案、运营、客服、研究员这类标准化、流程化、可拆解的初级任务。年轻人如果失去这些入口，就很难通过基础工作积累经验；行业可能一边抱怨缺高级人才，一边把培养高级人才的低阶岗位砍掉。
第四步，是需求不足反过来限制增长。单个企业用 AI 裁员降本是理性的，但如果大量企业同时这么做，劳动者收入下降，消费能力就会被削弱。劳动者既是成本，也是消费者；如果收入分配过度向资本集中，企业最终也会面对需求不足的问题。
第五步，是资本市场把 AI 收益线性外推。资本市场最容易看到的是企业利润率提升、人工成本下降、云服务和算力需求增长、平台估值扩张，于是会把 AI 叙事不断折现到股价和融资里。但资本市场往往低估一个问题：如果 AI 的效率收益主要来自压缩劳动成本，而没有同步创造足够的新需求和新就业，那么它带来的社会成本最终会反过来影响需求、监管、税收、政治稳定和企业经营环境。
这五步连起来，就是 AI 风险的现实路径：企业先降本，资本市场先定价，岗位先收缩，收入预期先变差，而新产业、新需求和新岗位的形成更慢。风险不是来自 AI 没有效率，而是来自效率红利没有顺利扩散到社会多数人。
三、贫富分化与尾部风险
AI 风险最核心的落点，是贫富分化。
越靠近资本、数据、算力、模型和场景的人，越容易获得 AI 带来的收益；越依赖工资、标准化劳动和初级岗位的人，越容易承受冲击。大型平台和科技公司可以把 AI 变成基础设施，企业管理层可以用 AI 提高利润率，金融资产持有者可以享受估值扩张；普通劳动者如果只是被要求“用 AI 提高效率”，却没有相应的收益分享机制，那么结果就是工作强度上升、岗位安全性下降、收入不一定提高。
美国的风险尤其尖锐，因为 AI 不是发生在一个收入分配均衡、阶层流动顺畅、社会保障充分的社会里，而是发生在一个本就贫富分化严重、党派撕裂、身份政治冲突、制度信任下降，并且政治暴力明显上升的社会里。川普重新上台，本身只是这种社会结构的政治结果之一，而不是问题的全部。
川普的支持基础并不只是传统意义上的保守派，也包括大量对全球化、移民、华尔街、科技精英、主流媒体和建制派政治失去信任的中下层选民。美国过去几十年的产业转移和金融化，使很多制造业地区、乡镇地区和非大学学历劳动者感受到长期被抛下。疫情后的通胀又进一步放大了这种不安全感：宏观数据可以显示经济增长和就业强劲，但普通人面对的是食品、房租、汽油、医疗、教育和债务压力。对很多选民来说，问题不是 GDP 好不好，而是自己的生活有没有变得更难。
这也是为什么川普式政治能够反复获得动员能力。它把经济不满、阶层焦虑、身份焦虑和反建制情绪组织到一起，告诉选民：你们的困境不是个人失败，而是全球化、移民、精英集团和旧秩序背叛了你们。无论这种解释是否完整，它都说明美国社会已经积累了强烈的底层不满和制度不信任。
更危险的是，这种不满已经不只是停留在投票和舆论层面，而是越来越频繁地表现为现实暴力。2024 年川普经历两次遇刺未遂；2025 年明尼苏达州发生针对州议员的政治性枪击，前州众议院议长 Melissa Hortman 及其丈夫遇害，另一名州参议员及其妻子受伤；宾夕法尼亚州州长 Josh Shapiro 的官邸也曾遭纵火袭击。美国国会警察近年来处理的针对议员及其家属、工作人员的威胁数量也显著上升。也就是说，美国社会的政治撕裂已经开始从口号、选票和社交媒体，外溢到针对政客、公共人物和公共机构的暴力事件。
AI 如果继续把收益推向资本端，就不是重新洗牌，而是在原有裂缝上继续加杠杆。因为它会让最受冲击的人群再次感受到同一种叙事：技术精英和资本市场拿走了收益，普通劳动者承担了失业、收入不稳和社区资源被占用的成本。这样一来，AI 不只是经济变量，也会成为美国政治极化、民粹动员和政治暴力的新燃料。
资本市场在这里会放大风险。大量资本把 AI 的收益做线性外推：假设模型能力持续提升，企业持续降本，算力需求持续增长，利润率持续改善，估值也持续扩张。但这种外推经常只看到了资本端的收益，没有充分考虑社会端的反作用。失业扩大、收入预期下降、社区反对数据中心、创作者版权诉讼、年轻人反感 AI 叙事、政府加强监管，这些都不是估值模型里的小变量，而是可能改变 AI 商业化路径的真实约束。
更重要的是，资本市场越相信 AI 会带来降本增效，企业就越有动力迎合这种预期，通过裁员、岗位合并、自动化替代来证明自己的 AI 效率。这样一来，资本市场的线性外推会反过来推动企业更激进地重组劳动过程，进一步放大就业和分配风险。它不是旁观者，而是这轮生产关系重组的加速器。
贫富分化到一定程度以后，问题就不只是“谁赚得多、谁赚得少”，而是社会成员是否还相信现有制度能给自己提供基本公平和未来预期。年轻人如果长期找不到入口，中产如果持续下沉，底层如果看不到改善路径，而上层却通过 AI、资本市场和资产价格继续扩大财富，那么社会情绪就会从焦虑转向愤怒，从反感转向对抗。
这种对抗首先可能表现为罢工、抗议、诉讼、地方抵制和政治极化；如果经济压力继续恶化，就可能演化为更大规模的社会动乱。更极端的风险，是内部矛盾向外部转移。AI 时代的大国竞争本来就围绕算力、芯片、能源、数据、人才和军事技术展开，如果内部社会压力与外部技术竞争叠加，国家之间的摩擦就可能被放大，甚至演化为更直接的冲突。
所以 AI 的尾部风险不能只理解为“多一些人失业”。真正危险的情景是：AI 通过改变生产关系加剧贫富分化，贫富分化削弱社会共识，社会共识瓦解带来政治极化和社会动乱，而大国又可能把内部压力投射到外部竞争中，最终形成战争风险。
四、真正的分水岭：AI能否从生产关系冲击走向生产力革命
我认为未来几年最重要的观察点，是 AI 能不能从“替代存量劳动”走向“创造增量价值”。
如果 AI 主要停留在办公自动化、内容生成、客服替代、代码辅助这些场景，那么它会持续提高企业人效，但社会层面的主要表现可能是岗位压缩、收入分化和社会不稳定。
如果 AI 能真正进入科研、制造、医疗、教育、能源、农业、物流和城市治理，并且显著降低这些领域的成本、提高供给质量、创造新的商业模式和就业岗位，那么它才可能从生产关系冲击，转向真正的生产力革命。
换句话说，AI 的终局不取决于模型参数有多大，而取决于它能不能和真实产业结合。只有当 AI 不只是替代文案、客服和程序员的一部分工作，而是能提高药品研发效率、优化电网调度、提升工厂良率、降低教育成本、改善医疗可及性、帮助中小企业创造新产品时，它才真正重构了生产效率。
在此之前，AI 的风险会大于很多人想象。因为它已经足以改变企业用人和收益分配，却还不足以创造一个可以充分吸纳被替代者的新经济结构。
