山岚模型发布时,宣传语说它“读过整个互联网”。用户输入一句问题,几秒钟后就得到一段流畅回答。很少有人追问:它读过的那些文字是谁写的?谁把它们扫描、清洗、分类、标注?谁在回答被拒绝、被辱骂、被删除时做人工审核?谁支付电费、水费与土地?谁的声音在训练材料中反复出现,谁的声音几乎没有?
这个模型是本站为教学虚构的。它不对应任何真实产品,也不承担判断某一公司或某一技术优劣的任务。我们让它拥有一个看似中性的“语料库”,是为了追问一个当代马克思主义问题:当知识生产被重新组织为数据、模型与平台,劳动、租金、所有权与生态条件如何重新分配?
本文使用两个分析概念,并明确标为本站的教学提法。“语料剩余劳动”指在语料形成与模型维护中被支付不足、不可见或无偿的劳动,包括写作、扫描、清洗、标注、审核与反馈。“认知租金”指模型所有者凭借对模型、数据与接口的控制而获得的租金性收入。两个概念都还不是成熟学派术语,它们只帮助我们把问题拆开,不能替代具体经验研究。
贯穿全文的是一份虚构的“语料账本”。账本记录四层:公开网页与用户内容、扫描图书与档案、外包标注与审核、合成数据与算力。每一层都涉及不同的劳动、同意、报酬、可见性与生态成本。我们沿着这份账本,从“智能”的表面回到它得以出现的物质条件。
一份语料库由什么组成?
当互联网被当作训练材料,哪些劳动与关系被折叠进“数据”?
山岚模型的语料账本第一页列着来源:公开网页、论坛帖子、新闻、代码仓库、扫描图书、用户上传的文件、外包标注的问答对,以及后来加入的合成数据。每一行都写着“已清洗”“已去重”“已过滤”。这些词让语料看起来像一种自然原料,仿佛只要从互联网上采集,就能得到可训练的数据。
但网页不是自然长出来的。一篇教程、一条评论、一份产品说明、一段同人小说,都有人写作、编辑、发布与维护。论坛帖子背后有版主、社区规范与争吵;新闻背后有记者、编辑与广告;代码仓库背后有维护者、 Issue 讨论与无偿贡献。把它们统称为“公开数据”,会把写作与维护的劳动折叠成一个技术类别。
扫描图书涉及另一组关系。图书馆、档案馆与数字化项目投入人力整理、扫描、校对与元数据;版权、许可与公共领域规则决定哪些书可以被使用。把图书称为“语料”,容易忽略作者、译者、编辑与公共机构的劳动,也容易把版权争议简化为“技术是否方便”。
从一篇文字,走到一次模型调用
沿语料账本把“自动回答”展开。文本进入下一环时,前面各环的劳动与公共投入仍是它的条件。
- 01写作与公共知识
作者、维护者和公共机构积累文字、代码与档案。
↓ 收集、扫描与整理 - 02语料加工
清洗、标注和审核劳动把材料转为训练输入。
↓ 训练与评估 - 03模型与基础设施
算力、能源、土地和持续维护支持服务运行。
↓ 控制调用通道 - 04接口与收益分配
模型、接口和分发渠道的控制决定谁能使用、谁能收费。
用户上传的文件又不同。用户在平台上写作、分享、求助与争吵,往往没有预期自己的文字会成为训练材料。平台的服务条款可能允许广泛使用,但“同意”是否真实、可撤回、可理解,仍是问题。语料账本因此不能只记录“来源”,还要记录:谁写的、谁同意的、谁获得报酬、谁能够删除。
合成数据看起来绕开了这些问题。模型生成文本,再用于训练下一代模型。可是合成数据仍依赖原始语料、算力、人工评估与过滤规则。它把劳动推得更远,却没有取消劳动。语料库的每一层都在重新分配可见性:有些写作被反复使用,有些语言几乎没有进入训练,有些群体只以被标注、被审核、被分类的方式出现。
所以,语料不是一堆中性的文本。它是社会关系的沉淀:写作、编辑、版权、平台条款、扫描、标注、审核与算力共同构成它。把这些关系折叠成“数据”,再宣布数据是新的石油,会让最有权力的一方看起来像自然资源的发现者,而不是社会劳动的组织者。
语料账本的第一行
账本选择记录什么,就已经在决定谁的工作可见。先选一项,再看它如何改变成本与责任的分布。
一份模型语料账本最容易被漏记的是哪一项?
谁在标注、清洗与审核?
为什么“智能”背后总有一群不可见的劳动者?
为了让山岚模型学会区分“有帮助的回答”与“有害的回答”,项目外包了一批标注员。他们阅读成千上万段对话,给每一段打标签:安全、不安全、有帮助、无帮助、冒犯、歧视。标注指南很厚,边界却常常模糊。一个标注员可能花几分钟判断一句反讽是否构成仇恨,也可能因为赶指标而草率选择。
这类劳动常被称为“幽灵工作”:它分布在全球南方、零工平台与低薪外包公司,按件计酬,难以组织,也很少出现在产品发布会。标注员需要语言能力、文化判断与情绪劳动,却常被描述为“简单操作”。他们的工作直接塑造模型的行为,却没有出现在“智能”的功劳簿上。
审核劳动更直接地消耗身体与心理。内容审核员每天观看暴力、仇恨与虐待材料,以保护其他用户。平台可能提供心理支持,也可能把审核外包给条件更差的团队。审核员知道许多被删除的内容,却很少有权决定规则;他们执行规则,也承受规则的后果。
本站把这类劳动称为“语料剩余劳动”,以突出它与剩余价值的关系:资本通过模型与平台获得收益,而语料形成与维护中的大量劳动被支付不足、外包或无偿化。这个提法需要谨慎使用。标注与审核具有不同的劳动过程、技能与制度,不能简单等同于工厂劳动;它们也并非全部无偿。概念只帮助我们看见一条共同的线索:模型的能力依赖大量不可见的劳动。
这条线索与马克思主义女性主义的再生产分析有相似之处。家务劳动与标注劳动都被自然化、私人化或技术化,因而难以被计入“生产”。两者也都涉及身体、情感与注意力。把它们并置,不表示它们完全相同,而表示我们可以用同一组问题追问:谁在做?谁付钱?谁受益?谁有权退出?
当模型被宣传为“自动”时,这些劳动被推到背景。自动化的叙事有一种吸引力:它让使用者感到技术独立于社会关系。可是每一次“自动”回答背后,都有语料选择、标注规则、审核决定与算力调度。把自动化理解为劳动的消失,会让我们看不见谁在承担维持自动化的成本。
模型所有者收取的是什么?
认知租金与剩余价值,应当怎样区分?
山岚模型不直接出售。它通过 API 按调用量收费,通过订阅提供更高配额,通过企业合同提供定制服务。模型所有者并不拥有全部语料,也不直接雇用全部标注员;它控制的是模型、接口、分发渠道与品牌。开发者与用户被锁定在一个生态中,迁移成本很高。
本站用“认知租金”描述这种收入结构:模型所有者凭借对模型、数据与接口的排他控制,获得类似于地租的收入。租金的来源不只是劳动,也包括所有权、网络效应、标准制定与平台权力。把它全部称为剩余价值,会模糊雇佣劳动与租金性收入的区别;把它全部称为租金,又会忽略模型生产中的劳动与剥削。
马克思的地租理论可以帮助我们提问,却不能直接套用。土地所有者凭借对土地的垄断收取地租;平台与模型所有者凭借对基础设施、数据与接口的控制收取费用。两者都涉及排他性与依赖关系,但模型的生产需要大量劳动、资本与公共知识。认知租金因此是一个混合概念,需要具体分析哪些部分来自劳动,哪些来自所有权与网络效应。
租金结构会影响谁能使用模型、谁能修改模型、谁能从中获利。公共机构可能负担不起企业级接口;小开发者可能依赖大平台的 API;研究者可能无法访问训练数据与模型权重。所谓“民主化 AI”常指更多人可以使用工具,却不等于更多人能够决定工具如何运作。
租金也会塑造劳动。平台可以把成本转嫁给标注员与审核员,也可以通过自动化压缩部分岗位;模型所有者则可以凭借接口控制获取收益。把注意力只放在“技术是否取代工作”,会漏掉谁拥有技术、谁收取租金、谁承担成本。政治经济学的问题在这里重新出现:所有权与控制权,不能被“创新”叙事取代。
这不是说模型没有生产力。模型确实可以协助写作、翻译、编程与诊断;问题在于生产力收益如何分配。若收益主要流向模型所有者,而语料劳动、审核劳动与公共知识被低价使用,所谓“智能红利”就只是一种新的分配结构。分析这一结构,需要同时使用劳动价值论、租金理论与平台权力分析。
利润从哪里来
租金、剩余劳动与平台权力可能同时存在。选一个判断,检查它解释了哪一部分,又遗漏了什么。
一家模型公司按调用收费,同时把标注外包给低薪工人。它的利润主要应当怎样分析?
代价去了哪里?
算力、水、土地与版权,如何进入同一本账?
山岚模型的数据中心建在河边。冷却需要水,训练需要电,服务器需要土地。当地居民发现,夏季用水紧张时,数据中心的取水优先级高于部分农业用水。公司说,它支付了水费与电费,也创造了就业;居民问,谁决定了优先顺序,谁承担了水位下降的后果。
算力的生态成本常被“云端”这个词遮蔽。云不是天空,它是服务器、电缆、冷却塔、土地与电网。模型训练与推理消耗能源与水,也产生电子废弃物。若电力来自化石燃料,模型的碳足迹会进入气候危机;若数据中心占用农业用地或原住民土地,生态代价会与殖民、种族化关系交织。
把被移出去的成本放回账本
勾选你准备收集的材料,检查哪些研究问题有了相互核对的线索,哪些成本仍留在账外。
- 劳动条件 ↔ 收益归属条件待补
只记录工资或收入的一端,无法追查劳动和收益之间的关系。
还缺:标注与审核的劳动条件、模型与接口的控制关系 - 公共知识 ↔ 排他控制条件待补
公共投入或控制关系缺席,语料便容易被当作天然原料。
还缺:文本与公共知识的来源、模型与接口的控制关系 - 技术收益 ↔ 生态负担条件待补
生态和控制关系需要同时进入账本,才能研究谁受益、谁承担。
还缺:模型与接口的控制关系、能源、水与土地的承担者
尚未勾选条件。
版权与隐私是另一本账。训练语料包含大量作者、记者、译者与普通用户的文字。模型可以生成与某些风格高度相似的文本,却不直接向原作者支付报酬。版权法在不同国家有不同规则,合理使用、转换性使用与侵权之间的边界仍在争论。把语料称为“公开”,不能自动回答作者是否同意、是否应获得报酬、是否可以退出。
这些代价按阶级、种族与地理分配。数据中心可能建在电价低、监管松、土地便宜的地区;标注工作可能外包给劳动保护较弱的国家;电子废弃物可能运往边缘地区。所谓“全球南方”并非自然地理;它指全球分工中的位置。模型看似无形,它的物质足迹却沿着旧的殖民与不平等路线分布。
这也是生态马克思主义与种族资本主义能够进入 AI 分析的地方。代谢断裂提醒我们,算力依赖自然条件,资本倾向于把生态成本外部化;种族资本主义提醒我们,廉价劳动、廉价土地与廉价能源的获取常与种族化、殖民历史交织。把 AI 分析成纯粹的技术或纯粹的文化,会漏掉这些物质关系。
语料账本因此需要第四层:代价。每一层都要记录能源、水、土地、版权、隐私与劳动条件。代价不会因为不被记录而消失,它只会转移到没有能力记录的人身上。把这些代价写进账本,是把“智能”重新放回社会与自然关系的第一步。
反做什么?
在技术乐观与技术恐惧之外,还有哪些可检验的方案?
面对语料政治经济学,常见的反应有两种。一种说技术不可阻挡,任何限制都会阻碍创新;另一种说模型全是骗局,应当拒绝使用。两种反应都太快。前者把所有权与分配问题推给“趋势”,后者把具体劳动与技术能力一起否定。更有用的做法,是提出可检验的制度方案。
第一类是数据共同性与同意。公共语料、公共档案与公共模型可以由公共机构维护,明确许可、退出机制与收益分配。同意不能只是一次性的服务条款;它应当可理解、可撤回、可集体谈判。对普通用户,平台应说明哪些内容被用于训练、如何删除、如何获得补偿。对作者与译者,需要更清晰的许可与报酬机制。
第二类是劳动组织与供应链透明。标注员、审核员与数据工作者应当有权组织、获得心理支持、合理工时与可申诉的规则。平台与模型公司应披露劳动外包链条,接受独立审计。把“幽灵工作”变成可见劳动,不只是道德要求,也是质量控制:如果标注员被迫赶工,模型的行为也会受影响。
第三类是公共选择与技术民主。模型的所有权、接口与标准不应完全由少数公司决定。公共采购、开源模型、研究访问权与反垄断政策都可以影响谁能够使用与修改技术。技术民主不要求每个人都成为工程师,它要求受技术影响的人能够参与决定技术如何运作。
第四类是生态与全球正义。数据中心的水、电、土地与电子废弃物应纳入环境评估与公共监督;全球供应链中的劳动与生态代价应被计入价格与政策。气候正义与 AI 治理不能分开,因为算力扩张已经成为能源与资源需求的一部分。
这些方案都不保证成功。数据共同性可能被资本收编,劳动组织可能被平台打散,开源模型可能被大公司利用,公共治理可能缺乏技术能力。但把它们放回具体制度与权力关系,比在“乐观/悲观”之间站队更有用。语料账本的意义,也在这里:它让代价可见,让选择可以被讨论。
语料的政治经济学不要求我们拒绝模型。它要求我们拒绝一种叙事:仿佛模型的能力来自无人的智能,仿佛语料是自然原料,仿佛租金只是创新的回报,仿佛代价可以消失在云端。把这些关系写进一本账,才有可能讨论谁应当获得什么、谁应当决定什么。
后马克思主义提醒我们,知识与政治身份在话语中被建构;当代批判提醒我们,建构依赖劳动、自然、殖民与种族关系。把两者接起来,模型就不再只是“技术”;它是一个由写作、标注、审核、算力、土地与所有权共同构成的社会形式。理解它,是改变它的前提。
沿着问题继续读
Wikipedia: Empire (Hardt and Negri book) ↗ · 非物质劳动、帝国与诸众。
Wikipedia: Jodi Dean ↗ · 传播资本主义与数字参与。
Wikipedia: Silvia Federici ↗ · 社会再生产、家务劳动与共同性。
Wikipedia: Metabolic rift ↗ · 生态马克思主义与资本积累的代谢断裂。
Wikipedia: Data set ↗ · 数据集的基本概念;本文的“语料账本”为本站教学框架。
