不能等待的人：K型经济、提取主义与斯多葛式的数字实践

一、当下的全球结构性矛盾

K 型经济最直观的数据是这样的：1980 年以来，美国劳动收入占比从 65% 下降到 57%，而资本收入占比相应上升。标准普尔 500 企业的利润率从 4% 上升到 12%，同期中位实际工资几乎没有增长。中国居民可支配收入占 GDP 比重从 2000 年的 68% 下降到 2020 年的 43% 左右，这个缺口流向了企业和政府。这是 K 型的宏观数字。

但这不是市场自然演化，它有一个更深层的推进装置。

这个推进装置是结构性的矛盾：系统依赖个体输出价值，同时又持续消灭个体输出价值的能力。工业时代，机器替代的是肌肉——锅炉工被挖掘机取代、纺纱工被纺织机取代。那时候，人是”会思考的劳动力”所以安全。你仍然需要人来设计挖掘机、操作生产线、管理仓库。

现在不一样了。机器替代的是阅读、写作、推理、翻译、初级编程、法务检索、会计核对、放射科初筛。2024 年，Klarna 宣布他们的 AI 客服处理了三分之二的客户咨询，相当于 700 名全职员工的工作量，而客服公司的人还在源源不断地毕业。这不是未来趋势，已经发生了。

矛盾在于：系统需要这些人做消费者。没有人买 iPhone，苹果的利润率毫无意义。没有人刷抖音，字节跳动的广告收入归零。但系统的逻辑——提取最大化、自动化替代、资本集中——正在压低这些人的收入、消除这些人的工作、最终消灭这些人的消费能力。你不可能一边把你客户的收入砍掉，一边指望他继续买你的产品。

这不是 bug，是 feature。提取主义的逻辑在单一企业内部是理性的——裁掉客服部门立刻降低运营成本。但这些理性决策叠加在一起产生的宏观后果，没有单个企业会去计算。系统没有大脑。

K 型分化就是这个叠加效应的名字，无用之人则是这个叠加效应的产物。

无用之人？这不是一个抽象的概念。它发生在每天的具体生活中。

一个做了八年编辑的人，被裁后发现新媒体公司招的不是编辑，是”AI 运营”——要求会用 ChatGPT 批量生成稿子，会跑 Stable Diffusion 配图，会用剪映剪短视频。他做了八年的事，被一个应届生加上几个能生成合格品的工具替代了。他还能做什么？转行？三十七岁了。降薪？房贷不允许。

一个在大型制造业公司做了十五年的质量检测员。工厂上了基于机器视觉的 AI 检测系统，良率提高了 17%，质检岗位从 80 人降到 8 人。他是那 8 个人之一，但他知道剩下的只是远程监控，不需要经验——一个初中毕业生学一天就能干。他的十五年经验——能通过听机器声音判断故障、能通过看产品表面知道前一道工序的温度是否偏高——这些经验没有被迁移，被废弃了。说”终身学习”的人告诉他可以学 AI。问题是，他每天工作 12 小时，下班后只想躺着。他剩下的精力只够刷手机。

一个广告公司的文案写了六年产品文案，从洗发水到手机到理财广告。2024 年，客户说：”你们团队用 AI 了吗？报价要降 40%。”不是公司不想用——公司用了。用 AI 写初稿，人工改。一个需要三个文案、两个美术、一个策略的 campaign，现在只需要一个会用 ChatGPT 和 Midjourney 的人。剩下的人呢？被裁了。公司不再需要他们。

“无用之人”不是标签——是位置描述。这些人不是没有能力，是这个系统不再需要他们的能力。机器替代了需要一段时间积累的那些技能——翻译、初级法律检索、基本的会计核对、标准化的文案撰写、语音客服——而”再找一个更匹配的工作”的解决方案，在一个整体性收缩的就业市场中，不是个体层面的努力能解决的问题。

这不是被淘汰的人不努力。这是系统从”需要你的劳动”转向”不需要你的劳动”但不提供替代方案。

二、提取的优先序

提取主义之所以能长期运行，是因为每一个权力集中的系统——不管是政府还是 AI 公司——都遵循同一个优先序：

第一优先：系统自身的稳定。任何威胁连续性的因素优先处理。 第二优先：增长与效率。停滞直接威胁第一优先。 第三优先：个体福祉。只有当崩溃反噬前两级时，才会被认真对待。

这个排序在 Facebook 的 AI 推荐系统上成立——你的注意力被持续提取，直到你意识到那 120 美元的广告收入（Meta 2023 年每个用户的平均年收入）是靠你刷了三小时垂直视频换来的。在 Uber 的定价算法上成立——动态加价让司机在高峰期的收入被平台抽走更大比例，但司机关了应用就没有收入。

在 OpenAI 和 Google 的模型训练上同样成立——你的对话数据和你的搜索历史被转化为训练信号，然后被卖给下一个用户，但你没有收到任何分成。你的数据被提取了，但系统不会因此为你考虑。

这不是道德判断——是指出结构。

三、提取主义

提取的要素

K 型分化的引擎是提取主义。提取主义不是一个道德概念，是一个结构描述：当系统中的价值持续从分散的生产者向集中的控制者流动时，提取主义就在运作。

工业时代，提取依赖于对生产的垄断——谁的工厂大、谁的机器多、谁控制运输线，谁就有提取能力。

数字时代，提取依赖于四个新的垄断要素：

算力垄断。训练 GPT-4 据说花费了 1 亿到 2 亿美元，大部分花在 GPU 上。全球 90% 以上的大模型训练算力掌握在 NVIDIA 一家手里。AWS、Azure、GCP 三家控制了全球 67% 的云计算市场。这不是市场结构，是基础设施层面的永久性提取——每一次推理调用，不管用的是什么模型，7% 到 30% 的费用流向了云厂商。2024 年，仅 AWS 的运营利润就超过 360 亿美元。开源模型降低的是软件的边际成本，不是算力的边际成本。

数据垄断。Reddit 2024 年与 Google 签订了每年 6000 万美元的数据授权协议——这家公司之前十几年的社区运营几乎完全依赖无偿的版主和用户发帖。Stack Overflow 对 AI 公司开始收费。Twitter API 关闭了免费访问。每一家拥有大规模人类生成数据的公司都在意识到：数据是 AI 时代最有价值的资产。但数据最初的生产者——那些在 Reddit 上认真回答陌生人问题的用户、在 Stack Overflow 上花半小时写答案的程序员、在 Twitter 上发帖表达观点的人——从来没有被纳入价值分配体系。他们的贡献是最关键的，他们的分成是零。

分发垄断。App Store 30% 佣金。Google Play 30% 佣金。Meta 和 Google 两家吃掉了全球数字广告市场 50% 以上的收入。OpenAI 的 ChatGPT 有 1.8 亿月活用户，底层依赖微软的 Azure 云。一个新的 AI 应用能触达用户，不走这几家渠道的可能性接近于零。

预期垄断。 这是 AI 时代独有的提取形态。OpenAI 从 2020 年的 120 亿美元估值涨到 2024 年的 3000 亿美元，同期实际收入不到估值的 3%。这三千亿不是基于今天的经济事实——是基于对”AI 将统治一切”这个叙事的信念。而这个预期本身就在改变资源流向：最聪明的人才不去做基础科学研究了，去做 AI 应用。最大的 VC 不去投生物科技了，去投 AI。这些流向进一步强化了”AI 就是一切”的叙事，挤压一切非 AI 方向的生存空间。预期提取的本质是：未来被提前消费了，当下被掏空了。

提取的类型

数据提取。你每次用 Google 搜索、每次用 GitHub Copilot 补全代码、每次用 Grammarly 检查语法、每次用 ChatGPT 写邮件——这些交互都在产生训练数据。ChatGPT 的每一个回答背后，都有数以万计的人类对话被匿名化后作为训练样本。古典剥削是”你的劳动成果被拿走”。数据提取更彻底——你的行为本身成为生产资料，你不仅没有报酬，你还为这个产品的训练付费了（订阅费）。

劳动提取。肯尼亚的数据标注工人每天要花 8 小时在中东在线内容上标注暴力、色情和仇恨言论，时薪大约 2 美元。菲律宾的审核员每天浏览数千条 Facebook 帖子，筛选什么是允许的，什么不是。印度工程师为自动驾驶公司的传感器数据做人工标注。这些岗位的从业人员在全球范围内以数十万计。他们不被视为 AI 产业的一部分——因为 AI 的叙事是”自动化”，而自动化的真相是一张巨大的、看不见的全球劳动力网络。

与此同时，创意劳动者被更加隐蔽地提取。插画师在 ArtStation 上发布作品，这些作品被 Laion-5B 数据集抓取，输入 Stable Diffusion 的训练管道，然后产出的图像在市场上被说”像他的风格”。程序员在 GitHub 上开源代码，这些代码被 Copilot 学习，然后按行出售——一行代码的补全价格可能已经超过了原作者写那行代码的时间成本。作家在 Reddit 上写长篇分析，一年后发现自己的文风被大模型学会了。创作者为被提取付出了代价，提取者获得了一切。

基础设施提取。这是最隐蔽的一层——因为你常常没有意识到自己正在被提取。你用 Llama 做推理，但 Llama 跑在 AWS 上。你部署 Mistral，但 Mistral 跑在 GCP 上。你基于 Stable Diffusion 做应用，但每次推理跑的是 HuggingFace 的推理端点——底层还是 Azure。订阅费、按量付费、预留实例——不管叫什么名字，你每跑一次推理，一部分钱流向了模型开发者，一部分流向了云厂商。而云厂商没有开源云。云厂商不会开源他们的 GPU 调度、不会开源他们的全球分发网络、不会开源他们和 NVIDIA 的价格谈判能力。

预期提取。这层提取影响的不只是用户，还包括整个创业生态。2023 年到 2024 年，AI 方向的创业融资占全球创业融资总额的比例从 10% 左右飙升至 30% 以上。非 AI 方向的创业公司发现融资变难了——不是因为他们的项目变差了，是 LP 的钱都追着 AI 叙事走了。这导致一个后果：大量有价值的非 AI 方向（生物技术、清洁能源、教育工具、社区建设）被”先放进抽屉”——不是因为没有需求，是因为预期被提取走了。

四层叠加的结果是一个封闭的提取栈：

拥有数据 → 训练模型
训练模型 → 锁定用户在云上
锁定用户 → 提取基础设施租金
控制基础设施 → 决定谁能参与游戏
拥有资本 → 收割未来预期

少数公司同时控制全部四层。它们不需要每个层次都获得最大利润——只要能控制这个栈，利润可以在任何一层出现，而竞争者无法绕开。

四、功绩社会

提取主义需要一个心理基础设施。韩炳哲在《倦怠社会》中提供了诊断。

规训社会运作于否定性。法律说不能，道德说不该，父母说不行，工厂说迟到扣钱。主体在他者的否定中形成边界，知道什么是对的、什么是错的、什么是自己的位置。

功绩社会运作于肯定性。没有人说不能——所有人都在说 Yes you can、成为更好的自己、拥抱变化、不要掉队。没有外部的规训者，因为主体成为了自己的规训者。每个人都是自己的企业家、自己的项目经理、自己的品牌经理。

这个转型是提取主义的转折点。工业时代的剥削需要外部强制——监工拿着表、打卡机记录迟到、资本家决定工厂关闭。数字时代的剥削不需要这些，因为每个人都在”自我优化”的名义下主动付出更多。

自由职业者在 Upwork 上竞标更低的单价、熬夜完成三个时区之外的客户的订单——因为你不做别人会做。创作者在小红书上日更、在抖音上做直播、在 B 站上剪长视频——因为算法更青睐高频更新的账号。程序员在 GitHub 上刷星星、周末学新框架、下班后做开源项目——因为简历需要。没有人拿刀架在他们脖子上。他们甚至觉得自己在做自己选择的事。

这比外部剥削更高效。高效是因为不需要监督，主体主动耗尽自己。高效是因为不需要强制，主体主动降低了自己的单价。高效是因为不满不指向系统——指向自己：我还不够努力。我还没找到窍门。我没有在正确的时间做了正确的选择。

倦怠、抑郁、注意力障碍不是这个时代的心理疾病——是这个系统在主体层面的正常反应。当一个人被迫不断优化自己却永远到不了终点时，持续的倦怠是理性的反应。

功绩社会的运作不是发生在宏观层面——它发生在每一个普通人的日常里。

早上醒来，第一件事是看手机。不是有意识的选择，是一种神经反射。微信通知、钉钉消息、未读邮件、短视频推荐、APP 推送——你的注意力在醒来的第一分钟就被分配完了。你还没有想今天要做什么，系统已经决定了你今天要关注什么。

白天的工作是在不断的被打断中度过的。一个文案在写稿，消息弹窗来了——客户催修改、运营问排期、领导要求加一个新项目的脑暴。她回完了消息，发现之前写的那段思路接不上了。重新读一遍，找到感觉，再写。十分钟后，又被打断。一天结束后，她做了很多事，但没有一件事是完整的。她感到累，但说不清今天做了什么。这种感觉不是她的问题——是她的工作方式被设计成了零散的、应激的、永远不可能完整的。因为完整需要专注，专注需要不被打断，而不被打断在当前的工作流里不被允许。

下班后，躺在沙发上刷短视频。不是她想刷——是她太累了，没有精力做别的事。读书需要专注、运动需要意志力、学新技能需要启动成本——刷短视频不需要任何成本。算法在她疲惫的时候是最强大的，因为疲惫的人最没有抵抗力。她刷了一个半小时，什么都没记住。她感到空虚，但空虚也是一种休息。

睡前，她刷了一下社交媒体。前女友升职了。老同学买房了。一个她从来不喜欢的人出了一本书。她的焦虑在凌晨一点达到了峰值。她关掉手机，睡不着。第二天早上，又是同样的循环。

这不是个别案例——这是功绩社会的中下层每天都在经历的事。系统不要求你996——系统让你自己告诉自己不够好，然后你主动把每一分钟填满。系统不需要监控你——你的焦虑就是最好的监控。

这个心理结构解释了为什么 K 型底部的人很难组织起来。不是因为他们不在乎，是因为功绩社会的主体把失败归咎于自己。你怎么反抗”你自己不够好”？

五、平台经济——提取主义的训练场

AI 时代的提取不是凭空出现的。它在平台经济中已经演练了二十年。不理解平台经济的提取结构，就无法理解 AI 提取主义为什么能这么顺利地落地。

平台是什么

平台不是普通企业。普通企业生产商品或服务卖给客户。平台做的是匹配和定价：它不生产房间（Airbnb）、不生产出租车（Uber）、不生产内容（YouTube）、不生产商品（淘宝）、不生产代码（GitHub）——它让供给者和需求者找到彼此，然后从每一笔匹配中收费。

这个商业模式决定了平台的增长逻辑不是”造更好的东西”，而是”控制更大的匹配量”。控制匹配量的手段是：降低进入门槛（让你很容易开始用），提高锁定成本（让你很难不用）。

平台提取的六种机制

佣金抽成。 这是最直观的提取方式。Uber 从每笔车费中抽走 25% 到 30%。一个开 Uber 的人，一天跑了 12 小时，流水 400 美元，平台拿走 120 美元。他付完油费和车辆折旧，时薪可能不到 15 美元——在一个需要自己承担全部风险（车险、维修、事故、乘客投诉被封号）的工作里。DoorDash 每单抽成最高可达 25%。Airbnb 向房东收取约 3% 的服务费，向房客收取约 14%，合计约 17%。苹果 App Store 和 Google Play 对数字商品和服务抽成 30%。亚马逊 MarketPlace 上，第三方卖家的交易费加广告费合计相当于销售价的 15% 到 25%。这些比例不是根据成本定的——是根据平台对供给端和需求端的控制力定的。没有司机可以不用 Uber（因为 90% 的乘客在 Uber 上），没有卖家可以不用亚马逊（因为流量在那里）。平台知道这一点。

广告竞价。 这是 Meta 和 Google 的核心提取模式。你不是 Google 的客户——你是 Google 的产品。广告商才是客户，你的注意力是原料。2023 年，Google 的广告收入超过 2300 亿美元，Meta 超过 1300 亿美元，两家合计约占全球数字广告市场的一半。一个淘宝小商家如果想在搜索结果里排在前面，每个月要花几千到几万元买直通车关键词——平台的变现效率远远高于这个小商家自己产品的利润率。

广告竞价的残酷之处在于：你看到什么、什么时候看到、以什么顺序看到，不是由信息价值决定的，是由哪个广告主出价最高决定的。你的信息环境被拍卖了。一个人在刷朋友圈时看到的第三条是植发广告——不是因为他脱发，是因为大数据判定他的年龄和收入段属于植发的潜在客户。一个高三学生在抖音上反复刷到专升本培训机构——不是大数据知道他成绩不好，是他的浏览行为被归入了”需要焦虑”的类别。每个人看到的世界都不一样，但不是因为他选择了自己的世界——是广告算法替他选了最容易让他产生购买冲动的那一个。

算法控制。 平台不直接指挥你做什么，但算法决定你能看到什么、你能被谁看到、你的收入是多少。

对外卖骑手来说，算法是每单 28 分钟还是 22 分钟的区别。2020 年《人物》杂志报道《外卖骑手，困在系统里》时，骑手为了不被算法惩罚，逆行、闯红灯、超速——因为迟到一单，后面所有的订单派送优先级就会降低。一天的收入损失可能超过 50 元。不是他们不知道危险——是他们没有选择。

对短视频创作者来说，算法是”你这条视频能不能过 1000 播放量”的决定者。发布了，投了流量券，前 200 次曝光完，如果完播率和互动率低于某条看不见的线，算法就不给你推了。你做了一晚上的内容，四小时后就停在 873 次播放。你不知道为什么。没有人告诉你那条看不见的线到底是什么。你只能做下一期，希望下一次能过线。

对刷抖音的用户来说，算法是一个你明知在消耗你、但停不下来的自动播放。你打开抖音准备看两分钟，四十分钟后抬头，瞳孔是散的。你在刷什么？你不记得。两个小时前那个短视频把你逗笑了，现在已经铺了六轮广告，你看了几个十五秒的广告。你的时间被切成了细碎且不值一提的片段。你不觉得损失了什么——因为没有一段损失足够大到让你感受到。但四十分钟就是四十分钟。一天只有那么多个四十分钟。

算法不骂你、不逼你、不罚你的款。它只是在你每次想停下来的时候，给你一段你可能感兴趣的内容。再一段。再一段。凌晨一点，你还在刷。系统需要你醒着，因为醒着才有广告曝光。

评分系统的隐性控制。 平台的评分系统不是中立的——它是一个控制系统。Uber 司机的评分低于某个阈值就会被平台暂停接单，但乘客给低分的理由可以是主观的（”路线不熟”、”车里有味道”）。外卖骑手的准时率被实时追踪，迟到一次就影响接下来的订单分配。Airbnb 房东和房客都不敢给真实差评——因为害怕收到对等报复。评分系统的名义功能是透明和信任——实际功能是将控制权从供给者转移给平台：平台通过评分标准来决定谁能继续参与、谁的账户会被降权。

一个美团骑手的体验是：系统派单，必须接。不接，接单率下降。接单率低于门槛，系统减少派单。收入下降。你不敢不接。你也不敢迟到。你不敢在高峰期休息——因为巅峰时段的单子最多、单价最高，也是一天中唯一能赚到”正常时薪”的几小时。你一天跑下来，打开美团看日收入——扣掉保险、扣掉电动车充电、扣掉午餐饮料，落在兜里的可能不到 200 块。这不是谁的错——系统就是这样设计的。平台不需要最大化你的收入，只需要保证你的收入刚好够让你明天还来。

网络效应锁定。 这是平台最深的护城河。你用微信不是因为微信本身多好——是你认识的人都在上面。你用淘宝不是因为淘宝界面最好看——是商家都开在淘宝上，便宜的东西只在淘宝有。你写代码用 GitHub 不是因为 GitHub 是最完美的平台——是你的 Pull Request 历史、你的 Issue 记录、你的 CI 配置、你的 Stars、你给别人的代码 Review——都在上面。迁移成本高到让大多数人不值得迁。转移成本本身，就是锁定的来源。

数据飞轮。 每一次用户交互都在产生数据。这些数据用来训练推荐算法、优化定价模型、预测用户行为。优化后的算法让用户花更多时间在平台上，产生更多数据，进一步优化算法。这是一个正反馈循环，意味着越大的平台提取效率越高，而后来者无法复制这个数据优势——不是因为他们技术不够，是因为他们拿不到同样规模的用户行为数据。这就是为什么 Google 的广告精准度高于任何竞争对手——不是模型更好，是数据更多。

但数据飞轮还有一个更深的后果：它塑造你以为是自己选择的世界观。

一个十八岁的年轻人，短视频平台连续三个月给他推的内容包括：谁谁谁能轻松月入十万的创业故事、谁谁谁的速成课能让你三个月改变人生、某些医院治死了人必须大规模曝光、外国哪里又发生了一件证明体制落后的新闻。不是因为这些内容是最重要的——是因为这些内容的完播率和互动率最高。算法不判断真假，算法判断的是”什么能让你停住”。能让你停住的内容，往往是让你焦虑的、愤怒的、或者给你快速成功幻觉的。三个月后，这个年轻人对世界的看法被算法重塑了。他不知道自己被洗脑了——因为他看到的每一段”证据”都是真的，他只是不知道算法的选择逻辑是放大极端、不放大真实。

这不是阴谋论。这是推荐系统在商业目标下的必然行为。平台不关心他长期以后能否形成对世界的均衡认知——平台关心的是他的广告点击率。而焦虑的人、愤怒的人、幻想快速致富的人，点击率最高。

平台经济的两阶段

连接阶段。 2000 年代末到 2010 年代中期，平台的利益与参与者的利益在方向上是一致的。平台需要供给者来吸引需求者，需要创作者来吸引用户。淘宝让浙江的工厂第一次面对全国消费者。YouTube 的分成模式让早期的 YouTuber 获得可观的广告收入。Uber 让有车的人可以在空闲时间赚钱。Airbnb 让普通房东也能从旅游经济中获利。这个阶段的普惠是真实的。

提取阶段。 2010 年代中期开始，连接阶段的边际收益递减。平台面对的问题变了：增长不会再从”连接更多人”来了——用户已经连接了。下一轮增长只能从”从已有连接中提取更多价值”来。广告层级增加、推荐位竞价推高、佣金比例上调、算法从”推荐你可能喜欢的”变成”推荐能让平台赚更多的”。

Uber 在连接阶段的补贴是真实的——早期司机确实能拿到不错的收入。进入提取阶段后，动态定价模型从”激励供给”变成了”最大化每单平台收入”——司机的收入占比从早期的 80% 以上下降到 60% 左右。DoorDash 在公开文件里明确指出：它可以从三个方向提价——降低配送员的补贴、提高商户的佣金、提高消费者的定价和运费。它不是选择提哪个——是三个一起提。2024 年，DoorDash 实现了首次盈利——但这不是因为业务更有效率了，是因为提取率到了。

这次翻转后，平台积累的资本和议价能力，开始系统性地震慑那些曾经被它赋能的人。2015 年到 2020 年期间创业的一代年轻人，大量依靠平台经济提供的弹性工作维持生活。五年后，同样的平台从他们的收入中抽取的比例比连接阶段高了 10 到 15 个百分点。

平台经济的物理上限

平台经济的提取有一个物理上限：用户时间有限，注意力有限，交易次数有限。2023 年，Facebook 的日活用户增长已经停滞。Spotify 的付费用户增长在减速。Google 搜索量的增长在放缓。App Store 的新应用下载总量趋于平稳。

当增长上限达到时，平台有三个出路：提高提取率（涨价）、扩展到更多领域（跨界）、或者找到新的提取层次（AI）。三个都是实际发生的。

平台经济的提取，最终的形态不是最大化任何单一方向的收入，而是建立一个全方位的提取网络：每一次注意力的消耗、每一次交易、每一次人际互动、每一次内容创作——都在贡献平台的价值，同时缩减你在平台之外的选择空间。

这就是为什么平台经济是 AI 提取主义的训练场。平台经济培育了用户对”免费服务换数据”的接受度。平台经济验证了”通过算法管理大规模劳动力”的可行性。平台经济建立了算力和分发的集中基础设施。AI 提取主义不需要自己建立这些——它直接继承了平台经济已经铺设好的管道。

AI 时代的提取升级

平台经济的提取上限是物理的。AI 的提取在广度和深度上没有这个上限。

深度上： 平台经济提取你的注意力和行为数据——你在哪、你点了什么、你买了什么、你停留了多久。AI 提取你的写作、对话、思考过程——不是消费数据的副产品，而是创造数据本身。这些数据不只反映行为，还反映能力。提取者用这些数据训练替代你的模型。2022 年，一个自由职业写手在 Upwork 上接一篇千字文章可以赚到 50-80 美元。2024 年，用 ChatGPT 生成+人工润色，客户的预算降到了 10-15 美元。不是写手的水平下降了——是提取者用写手历史产出训练的模型，替代了写手本人。而且这个替代还在继续——当模型足够好时，那 10-15 美元的人工润色也不需要了。

广度上： 平台经济的提取主要在屏幕内——注意力、交易、社交行为。AI 提取渗透到实体世界。医疗诊断：Lawson Health Research Institute 用 AI 分析 CT 影像，准确率达到甚至超过放射科医生。法律：Harvey AI 可以在一分钟内检索完人类律师需要几小时的法条并生成初步分析。教育：Khan Academy 的 Khanmigo 辅导学生，理论上可以覆盖一个班级所有学生的个性化辅导需求。金融：逐笔交易的实时风险评估模型让信贷决策自动化。每次 AI 进入一个行业，那个行业的核心资产——专业知识、经验判断、信任关系——就被部分地转化为训练数据，然后部分地转移到算力和模型持有者手中。这个转移不创造新的价值——它是存量价值的再分配。

2024 年，全球 AI 相关市场的总收入约 2000 亿美元。而全球被 AI 侵蚀岗位的劳动者收入损失，即使是粗略估计，也显著超过了这个数字。这不是同步增长——是一方增长时另一方在被消耗。

六、开源的两面性

开源在这个结构中占据一个无法调和的双重位置。因为它同时服务于两个相反的方向，而且无法把它们分开。

提取的燃料

没有开源就没有 LLM。这已经不需要论证了——GPT 的训练数据中，GitHub 代码库和维基百科是核心组成部分。但不仅于此：Google 的 BERT 论文在训练中引用了 Wikipedia dump；Meta 的 Llama 系列的训练数据包含 Stack Exchange 和 GitHub；Stable Diffusion 训练于 CLIP dataset，其图像来自 Laion-5B，后者抓取了数十亿张互联网图片——大部分是 Flickr、DeviantArt、Behance 上创作者公开分享的作品。

AI 公司不需要为这些支付任何费用。开源社区无偿贡献的代码和知识，是数千亿美元 AI 公司估值的基础。Reddit 用户为一个陌生人写下的算法调试建议——无偿的、热心的、耗时十分钟打出来的——最终进入了训练数据，成为了十二年后某个 AI 回答的隐性参数。

反提取的底座

但同样因为开源，Llama 可以本地跑。Whisper 可以不经过云端转写 90 多种语言的语音。Ollama 让一个笔记本电脑可以执行 7B 参数的模型。Stable Diffusion 可以在没有互联网的离线环境生成图像。Mistral 的开源模型可以在公司的私有服务器上部署，数据不出内网。

没有开源，个体对 AI 的使用权限完全取决于 API 提供商的价格和条款。有了开源，一个人可以在自有的硬件上运行一个够用的 AI 服务，不需要向任何公司付费，不需要担心数据泄露，不需要关心 API 价格的变化。

同一个开源，既是提取主义者最廉价的原料来源，也是个体脱离提取主义最可靠的通道。

关键变量不是开源本身——是谁有资本在开源之上构建闭环。有资本的人拿开源训练模型、构建闭源 API、收取提取费。没有资本的人拿开源搭建基础设施、减少被提取的幅度、降低对平台的依赖。

开源协议无法解决这个矛盾。GPL、AGPL、MIT——不管什么协议，只要 AI 公司可以用你的开源代码生成一个 API 服务，而你没有同等规模的算力和分发渠道去竞争，提取就发生了。协议保护了代码不被闭源使用——但它保护不了你的代码变成别人的训练数据。

七、自托管：让等待成为可能

自托管常被理解为省钱或隐私。这两个动机都存在，但它们不是自托管的根本意义。

三个层次

第一层：省钱。自己用 Nextcloud 替代 Dropbox，一年省 120 美元。自己跑 Gitea 替代 GitHub Team，一年省 480 美元。自己部署 Whisper 替代 Deepgram 语音转写，一年省几个月的费用。这个层次的动机是真实的，但天花板很低——你不做 SaaS 生意，省出来的钱对生活没有实质性影响。

第二层：控制权。”我的数据我做主”——笔记文件不经过第三方服务器，代码不被 AI 训练，个人文件不被扫瞄分析。这个层次的动机也是真实的，但不是所有人都把这个当刚需。

第三层：退出期权。这才是自托管的根本意义。

退出期权

平台经济的本质是每一次交互都在增加你的转移成本。你用 Gmail 越久，转移到一个新邮件服务商的成本就越高——109 个联系人、几千封邮件、十几个用到邮箱注册的账户。你用 GitHub 越久，你的代码、你的 issue、你的 PR 记录、你的 CI 配置就锁定得越深。

提取主义的理想节奏是：让你的转移成本稳步上升，然后利用这个锁定状态慢慢涨价。

自托管对这个节奏的打击是：它让你的关键基础设施的更换成本趋近于零。

邮件服务商涨价了？改 MX 记录。五分钟。Git 平台改条款了？改 remote URL。十秒钟。CI 提供商变贵了？在自己的 Runner 上跑。不依赖任何厂商的 API。笔记应用改名了？你的笔记是 Markdown 文件，随便换一个渲染工具都能打开。AI 模型收费变了？换个 endpoint，或者本地部署。本地 AI 不会涨价。

这些操作在技术上微小，在结构意义上却很大：每一次低成本更换都是对提取者议价能力的削薄。 他们不能在你头上建立一个缓慢的涨租螺旋。

等待的物质基础

但自托管最不被注意的后果是这个：自托管的人是等待能力最强的人。

提取主义经济的节奏是”跟上，不然掉队”。ChatGPT 出 GPT-4，你要跟上。Google 出 Gemini，你要跟上。Midjourney 出 V6，你要跟上。SaaS 涨价了，你要付。API 改格式了，你要迁移。不能等的人只能不断追赶别人设定的方向。

自托管的人有等的能力。不是说他不需要追赶技术——而是他可以自己决定什么值得追、什么时候追。他有自己的节奏，不是被平台的发布节奏牵着走。

不要低估这个差异。判断力来自沉思，沉思需要时间。等待是产生判断和洞察的前提。当系统取消了这个前提——当你不能等——你就失去了形成判断的能力。

这是自托管最隐秘的回报。

八、斯多葛式的实践

所有线索汇入斯多葛的控制二分法。

你在数字经济中无法控制的变量：

• K 型分化的趋势和深度
• AI 公司的提取策略和定价
• 平台的涨租节奏和条款变更
• 监管框架的有效性和方向
• 下一波技术冲击的方向和时间
• 金融市场的波动

你在数字经济中可以控制的变量：

• 你的工具链是否可离线运行
• 你的私有数据是否存储在你控制的设备上
• 你的核心技能是否不依赖特定平台的 API
• 你的人际关系是否不经过中间人去维护
• 你的关键基础设施的更换成本是否足够低
• 你是否有能力说”我不追这个”而不会掉队

自托管是围墙——把可控的圈进来，不可控的留在外面。开源软件提供了墙的砖石。Crypto 提供了墙的锁。

这不是消极。不是什么都不做，而是把精力放到真正能改变结果的变量上。你不能阻止 OpenAI 训练你的数据，但你可以让本地 Whisper 模型达到够用的准确率。你不能阻止 Google 改变搜索算法，但你可以确保你的博客内容在自己域名上而不是在 Medium 上。你不能阻止 Slack 涨价，但你知道下一家团队协作工具可以五分钟配上。

控制二分法的经济含义

当不可控变量占比太大时，人的心态会出问题——焦虑、无力感、决策瘫痪。这是因为你把注意力放在了无法影响的事情上。

当你把注意力转移到可控变量时，即使外部环境没有改善，你的心态和决策质量也在改善——因为你在做的每一件事都是在提升自己的实际能力。不是自我安慰——是真实的。你的本地 AI 确实产生了有用的输出。你的自托管服务确实省钱了。你的技能确实在变得平台无关。

控制二分法不是哲学安慰——是第一生产力。当大多数人在焦虑中做决策时，你在踏实提升自己的实际能力。这个差值，在这个阶段就是竞争力。

九、筹码

经济下行期，大部分资产被重估。金融资产缩水、房产流动性冻结、单一技能被 AI 替代。什么还在？

传统底盘

稳定的主业。主业的意义不是发财——是在一个不稳定的世界里给你一个稳定的时间表和心理空间。一个能稳定付房租的收入来源让你有资格做长期规划：可以花时间搭工具链、可以拒绝一个低质量的 gig、可以在下一波裁员中从容地找下一份而不是跳进第一个接到 offer 的公司。主业本身不是问题，问题是主业是否在消耗你全部的精力而不积累任何可转移的东西。一份让你有剩余精力构建侧翼的主业，和一份消耗所有时间让你没有余力做任何事的主业，是两种完全不同的东西。稳定不是福利——稳定是时间的复利积累空间。

真实的人际关系。不是 LinkedIn 连接数，不是微信联系人数量——是你有一天遇到麻烦时一个电话能叫到的人。这些人不需要算法推荐认识你，不需要平台的付费墙才能给你发消息，不需要经过 HR 部门的审核才能出现在你的联系人列表里。在一个被中介化的世界里，直接找到彼此的能力是最抗通胀的东西。

属于自己的资产或产业。一个独立运转的小生意、一家能给附近人提供价值的店、一个属于你的产品——不一定是科技产品。它产生现金流的速度很慢，但它有一个金融资产没有的性质：你有控制权。持有股票不是拥有——你不能决定那只股票的运营。能做决定的东西，再小也保值。

数字主权

不依赖云端的基础设施。你的笔记在你自己的服务器上，你的代码在你自己的 Git 实例上，你的文件在本地设备上。这意味着你可以随时决定不上传、不共享、不云训练。别人拿不到的东西，才是你的。

不依赖平台的人际触达。一个能通过手机号、邮箱、甚至在微信崩溃时也能找到你的人。平台的关系不是你的关系——微信删了你的号，那些联系人的价值就变成零。

不依赖雇主的技能。一个不需要经过大公司的 HR、不需要 LinkedIn 认证、不需要写在简历上也能被识别为”有价值”的能力。写代码、写文章、做设计、分析数据——如果离开公司环境就没有方向，那就不是技能，是职位。技能是换一个环境也能用到的东西。

两组筹码不是替代关系。稳定的主业给你时间，人际关系给你信任网络，自己的资产给你应用场景。数字主权给你不依赖系统善意的运行环境。合在一起才是完整的城墙。

十、等待

K 型分化的最深处——不是收入差距，是可以等待的人和不能等待的人之间的鸿沟。

等待不是消极。理解需要等待，创造需要等待，信任需要等待。雪不是被催出来的。

在数字经济中，等待被系统性地消灭。每一次滚动刷新都在争夺你的注意力。每一次推播都在剥夺你沉思的时间。每一次”跟上否则被淘汰”都在压缩你的决策空间。提取主义不仅提取你的收入和数据，还提取你对自己时间的主权。

当一个人不能等待时，他就失去了判断能力。不是因为他变笨了——判断需要时间，而他没有了。不能等待的人只能做两件事：追赶别人设定的方向，或者在恐慌中做错误决策。这两个选择都是系统的燃料——追赶的人为提取主义提供了需求端支撑，恐慌的人以最快速度清空了自己的筹码。

等待给你选择。不能等的人，不管多努力，都是系统的燃料。

十一、不可攻陷的

城墙之内是你的数据、你的工具链、你的时间节奏。城墙之外是系统、K 型分化、提取主义。城墙没有阻挡它们——它让你不需要它们变好也能运转。

城市不能改变世界。它不改变任何人——只划定一个你不受干扰的自治空间。亚历山大在底比斯城墙外转了一圈说这是不可能攻下的——不是因为城墙多厚，是打进去也拿不到任何东西。数据和代码属于设备本地，基础设施更换成本趋近零，网络基于真实关系不是虚拟平台——入侵者得到的只是密文和空壳。

不是每个人都值得建一座城市。大部分人不关心数据主权、不关心自托管、不关心模型提取。他们用 ChatGPT、用 Gmail、用 iCloud、付费给 SaaS、接受平台条款。这是他们的选择，而且——大多数时候——这些选择在他们看来是完全理性的。城市不能改变他们。也不需要。

城市只为那些看到墙外风暴的人建的。不是一个更高效的工具、不是一个更便宜的 SaaS——是一个在风暴中能站的底盘。

不管雪什么时候落下，雪不会带走你。因为你已经站在自己的土地上。