智能体的社会科学

一个课堂上的三秒钟

去年我在浙大给 MBA 学员上课，讲企业怎么部署智能体系统。讲到一半，一个学员举手问了一个问题：

“如果智能体做了一个错误决策，导致客户蒙受损失，责任在谁？”

全场安静了大概三秒钟。

我给了一个回答，但那个回答我自己不满意——它是用几个不太合身的旧框架拼凑出来的，能用，但总有些地方对不上。而台下没有人追问，因为大家心里大概都清楚：这个问题目前没有一个标准答案。

那三秒钟的沉默，是一个知识体系意识到自己边界的时刻。

这个系列，就是从那三秒钟开始的。

那不是一个技术问题

那个学员问的，表面上是一个技术管理问题，实际上是一个制度问题。

我们习惯把 AI 当成技术话题来讨论：哪个模型更强，哪个场景更有前景，哪种能力正在被替代。这些讨论有价值，但它们共同忽略了一件更根本的事——技术本身改变不了世界，真正决定技术去向何处的，是制度。

这不是我的观察。李约瑟花了一辈子研究中国古代科技史，最后困惑于同一个问题：中国在唐宋明时期的技术积累远远领先于欧洲，为什么工业革命没有发生在中国？他自己倾向的答案可以压缩成一句话——先进的技术不等于生产力的释放，生产力的释放需要对的制度。瓦特改良了蒸汽机，但让蒸汽机改变世界的，是他背后的专利法、投资人、工厂和市场。

今天的 AI 正在以惊人的相似度重演这件事，只是速度快了几百倍。而我们大多数人的注意力，还停在技术本身。

更麻烦的是，制度有一个特性：它在成型期是可塑的，一旦固化，改变的代价会以数量级上升。我们现在正好在窗口期里——智能体已经进入真实的社会应用，而围绕它的规则还在成型。这个成型过程，正在被大量“局部的、一事一议的”决策填满，而做这些决策的人，大多没有意识到自己做的不只是技术选择或商业选择，而是制度选择。

这个系列是什么

所以这个系列研究的不是 AI 的能力，而是：当一个不是人的行动者进入社会，规则要怎么重写。

它不是“AI 会不会取代人”的讨论——那是能力问题，本系列研究制度问题。它也不是伦理倡议或政策主张——本系列产出的是分析工具和可以被检验的命题，立场留给使用者。

九篇文章，一条主线：判断的委托。当判断可以被大规模交给智能体，而责任交不出去，每一门社会科学的地基都会被撬动一次。经济学要重新想稀缺性，管理学要重新想激励，法学要重新想责任，教育学要重新想我们究竟该培养什么。

如果你想直接看骨架，可以从总论主篇开始——三条公理、一个基本单元、七个环节，一次讲完。如果你更喜欢先看全景，体系架构图把整条推导线画在了一页纸上。

而开篇那个问题——智能体做错了，责任在谁——我在总论主篇的最后一节正面回答了它。那是我欠那个课堂的一个答案。

技术改变不了世界，制度才决定技术去向何处

1954年，英国生物化学家李约瑟出版了《中国的科学与文明》第一卷。这套书他写了一辈子，系统梳理了中国古代的科学技术成就。但他越写，越困惑于一个问题：中国在唐宋明时期的技术积累远远领先于同时期的欧洲，按理说，工业革命应该首先发生在中国——但没有，它发生在18世纪的英国。

这个问题后来被称为“李约瑟难题”。各种解释都有，但李约瑟自己最终倾向的判断，可以浓缩成一句话：先进的技术不等于生产力的释放，生产力的释放需要对的制度。中国古代有技术，但缺一批“技术之外的东西”——保护发明者的产权制度、鼓励冒险的商业文化、自由交流的学术共同体、把发明变成商品的市场。瓦特改良了蒸汽机，但让蒸汽机改变世界的，是他背后的专利法、投资人、工厂和市场。

我用这个故事开场，是因为今天的 AI 正在以惊人的相似度重演它——只是速度快了几百倍，而大多数人的注意力还停在技术本身：模型有多强、能做什么、会不会出错。技术提供可能性，制度决定可能性通向哪里。真正的战场在制度层，而制度正处在还没固化、还改得动的窗口期。

所以这个系列研究的不是 AI 的能力，而是它进入社会之后，规则要怎么重写。要回答这个问题，得先看清一件事：我们的社会科学，建立在什么前提上。

知识体系都有一个从不说出口的前提

每一套知识体系，都有一批它从来不说出口的前提——不是因为这些前提不重要，恰恰相反，是因为它们太基础了，基础到生活在这个知识体系里的人根本感受不到它们的存在，就像鱼感受不到水。

经济学有一个这样的前提：资源是稀缺的，因此需要配置，因此产生价格，因此有市场。政治学有一个：权力倾向于扩张，因此需要被约束。法学有一个：行为产生责任，责任可以被追溯到具体的主体。

但这些学科还有一个更深的、被所有具体前提共同依赖的隐藏前提，那就是：行动者是人类。

这个前提从来不需要被说出来，因为在智能体出现之前，它从来没有被真正挑战过。公司作为“法人”出现，是一个重要的扩展，但公司背后始终有人，法律追责的终点始终是具体的人。国家、机构、跨国资本——无论形式多复杂，追到底都是人在做决定，人在承担后果。

智能体正在第一次真正地动摇这个前提。当一个系统以行动者的方式在社会里运作——做推荐、做判断、影响结果——但它背后的责任链条无法被清晰地追溯到任何一个具体的人做出的任何一个具体的决定，“行动者是人类”这个假设就开始了真正意义上的松动。

三个具体的假设，三个具体的裂缝

“行动者是人类”这个大前提，可以拆成三个更具体的假设。理解这三个假设，是理解整个体系的钥匙。

假设一：行动者有情感，因此可以被激励。经济学里的“理性人”有欲望和偏好；管理学里的“员工”需要被激励和认可；政治学里的“选民”有利益需要被满足。所有这些理论的运作，都依赖“被管理的对象有内在的欲望结构”。智能体没有欲望——或者更准确地说，我们不知道它有没有，也没法确认。当激励手段失效，用什么让一个系统稳定地朝你想要的方向行动？目前最接近答案的东西是更精确的定义、更清晰的边界、更严格的评估——用结构约束替代动机引导。而管理学的大多数工具，是为动机引导设计的。

假设二：行动者会死，因此责任和知识都有自然的边界。因为人会死，知识产权有保护期，遗嘱制度有意义，代际更替让文化传承成为必须认真对待的事。“死亡”为一切行为提供了收束点，也为责任提供了最终的归宿。智能体没有这个收束点：一个版本可以被关闭，但能力可以被复制、继承、无限迭代。当一个智能体两年前的判断在今天产生后果，而它已经迭代了十几个版本——“行为主体是否还存在”这个问题，现有法律体系给出的是沉默。

假设三：行动者的认知能力有限，且局限的方式与人类相似。信息不对称、有限理性、正当程序——这些理论成立，是因为人类的认知局限相对一致：我们都会累，都会分心，都会在复杂情境下犯类似的错。智能体的认知特征和人类是非对称的：它能不疲惫地处理海量信息，却会非常自信地给出错误答案；它失效的方式，和人类失效的方式完全不同。为人类认知局限设计的制度，放到它身上，就像用公路交通规则来管理飞行器。

把三条裂缝拧成一股绳：三位一体被拆开了

这三个假设看起来分属三个话题：激励、法律、认知。但把它们并排放在一起，会看出一个共同的形状——

现代社会的全部制度，其实都默认了一件事：做事的、拿主意的、出了错兜底的，是同一个人。

你自己开车，自己决定超不超车，撞了自己负责。你开公司，自己拍板，亏了自己认。哪怕是雇人干活，员工做事、老板担责，中间也有一整套劳动合同和问责链条把两者缝在一起。行动、判断、担责，三位一体——这件事太天经地义了，以至于没有一门学科觉得需要把它写下来。我把它叫作同一性公理，这个体系的 A1。前面那三个假设，其实是它的三个侧面：担责的人有欲望（所以激励有用），担责的人会死（所以责任能收束），拿主意的人和担责的人共用同一副脑子（所以问责问得到点子上）。

智能体做的事情，是把这个三位一体拆开了：行动可以交出去，判断可以交出去，但担责跟不过去。每一门学科被击中的地基，都是这次拆分在那门学科里的具体表现。

说到这里，需要把这个体系研究的对象说得再准一点。我说的智能体行动者，指的是：能够行动、能够拿主意，但不承担后果、不会死、没有自身利益的行动者。三个“不”就是判据（体系的 A0）。这同时也划出了边界：如果一个系统还需要人逐项审批才能动，或者只提供信息不做选择，或者它的运营方和它绑在一起担责、出了事完全追得到人——那它还不算这个体系意义上的智能体行动者，旧制度完全够用，不需要这套新学问。

最后还有一条底线，体系的 A2：责任只能由人承担，意义只在人身上发生。判断可以交出去，执行可以交出去，甚至“判断这个判断做得好不好”也可以部分交出去——但有两样东西交不出去。一样是“做错了由谁疼”：智能体不会疼，罚它没有意义。另一样是“这件事为什么值得做”：智能体没有“值得”。这条底线是整个体系的锚。往后你会看到，所有制度重写的方向，说到底就一句话：判断大规模交出去之后，把责任和意义重新安放到人身上。

这个体系的基本单元：一次委托

物理学有原子，经济学有交易。一个想成为体系的学问，需要一个基本单元——所有大问题都能拆到它，所有结论都能从它搭起来。

这个体系的基本单元，是一次委托：一个判断点，从人交给智能体的那层关系。

注意，交出去的是判断，不是任务。让 AI 排版周报，是任务外包，没什么新鲜的；让 AI 给客户定报价、筛掉一半简历、决定给哪个学生什么难度的题——这是判断的委托，因为做错了，有人要担责。“做错了有人担责”就是判断点的判据。

一次委托拆开看，有六个要素：判断点（交出去的到底是哪个“做错了有人担责的事”）、让渡程度（判断权交了多少——AI 只供参考，还是人机共判，还是基本托管）、授权契约（边界和标准写下来了吗，哪些事必须人点头）、保留权（人还能不能推翻它，推翻的通道还在不在）、责任残留（交出去之后，做错了谁疼——这一项不允许为空，这是 A2 的直接推论）、反馈回路（委托的质量有没有人验收、验收的结果有没有用来校准）。

委托还有三个尺度。一个人把一个判断交给一个智能体，是单次委托；A 交给 B、B 再转给 C，两层以上转手，就成了委托网络，意图会在每次转手中丢掉一点；一个社会里全部委托关系的分布，以及“谁有权定委托的规则”，是委托社会的尺度。后面的篇章会在这三个尺度之间切换，切换时我会说明。

一次委托的一生：七个环节

把一次委托从生到死走一遍，会经过七个环节。每个环节，都对应一个必须回答的问题；每个环节缺了位，都会出一种叫得出名字的事故。

① 对象——交出去的到底是什么？分不清判断和任务，就会把判断当任务外包，最后酿成“无人做出的决定”。② 条件——凭什么敢交？信任从哪来，谁来认证。③ 契约——授权怎么写清楚？授权模糊的地方，就是失控从“合理”开始的地方。④ 保留——人留下什么权力？不被行使的否决权会退化成橡皮图章。⑤ 失败——搞砸了算谁的？这一环缺位的名字，就是“责任缺口”。⑥ 侵蚀——长期用下来，人会怎样？判断力会退化，差距会拉大，而且是温水煮蛙式的。⑦ 规则——谁来定以上这一切的规则？定规则本身，就是这个时代的立法权。

这七个环节，就是后面七篇的分工表：经济学篇管①②（交出去的是什么、凭什么值钱），管理学篇管③（契约怎么写），政治学篇管④和⑦（人留什么权、谁定规则），法学篇管⑤（搞砸了算谁的），社会学篇管⑥和⑦（隐性代价和规范来源），教育学篇管⑥里最深的那一层（什么东西绝对不能交出去）。网络篇不占环——它研究当委托层层转手时，这七个环节会一起变形。

你可以检验这个结构：试着删掉任何一环，看看会不会出事故。删得掉，算我结构冗余；删不掉，说明这是一个环环咬合的体系，而不是一份话题清单。

这套问题不是凭空冒出来的

需要说明的是：这些问题不是我第一个碰到的，几支学术传统早就在各自的角度上碰过它们。

经济学里的委托代理理论研究了半个世纪“老板和经理人”之间的委托——但它的全部精巧设计，都建立在“代理人有自己的利益、会偷懒、要用激励对付”上。智能体没有自己的利益，问题正好反过来：不是怎么防它偷懒，而是怎么给一个没有利益的行动者划边界。法学界从 Matthias（2004）开始正式讨论责任缺口（responsibility gap），欧盟也认真辩论过要不要给智能系统“电子人格”——本体系第五篇（法学）直接接在这条文献线上，“责任缺口”这个词就是从那里来的。科学技术学（STS）则一直在研究技术和社会如何互相塑造。

这个体系不打算替代它们。它做的事情是：站在“委托”这个基本单元上，把这几支各管一角的讨论，放进同一条推导线里——从公理，推到单元，推到七个环节，推到每门学科的具体命题。原来散落各处的问题，在这条线上互相成了对方的上下游。

为什么是现在

有一种常见的想法：等问题成熟了、答案清晰了，再认真思考。这在很多情况下是明智的，但有一类问题不适用——一旦固化就很难改变的结构性问题。制度就是这种问题：成型期是可塑的，固化之后，改变的代价会以数量级上升。

我们现在就处在窗口期。智能体正在快速进入真实的社会应用，而围绕它的规则——法律、管理范式、市场规范——还在成型。这个成型过程正在被大量“局部的、一事一议的”决策填满，而做这些决策的人，大多没有意识到自己做的不只是技术选择或商业选择，而是制度选择。李约瑟难题告诉我们：窗口期的选择，几百年后依然可见。

把这些制度选择背后的问题说清楚，让更多人意识到这里有一批必须认真对待的结构性问题——这是这个系列想做的事。不只是让问题可见，而且给出可以被检验、也可以被推翻的回答。

回到那三秒钟的沉默

序章一里我讲过一件事：在浙大给 MBA 学员上课，讲到企业部署智能体，一个学员举手问——“如果智能体做了一个错误决策，导致客户蒙受损失，责任在谁？”全场安静了大概三秒钟。我当时给了一个自己都不满意的回答，因为它是用几个不合身的旧框架拼出来的。

现在，这个体系可以正面回答它了。

用这个体系的语言重新念一遍，这个问题其实在问：这次委托的“责任残留”落在谁身上？答案分三步。第一，责任不在智能体身上，永远不在——它不会疼，罚它没有意义，这是底线公理 A2 说死的。第二，责任也不会因此消失——它只会悬空。悬空不等于“没有责任”，而是“出了事找不到人”，这恰恰是七个环节里第⑤环缺位的事故，法学篇叫它责任缺口。第三，所以正确的做法不是出了事再找，而是事前写清楚：在把报价、筛选、决策交给智能体之前，把“做错了谁担”写进授权契约——责任残留不允许为空。

我当年的回答之所以不合身，是因为手里的每一个旧框架都默认“做事的人自己担责”，没有一个框架是为“行动和担责分了家”的世界设计的。这个体系，就是给那三秒钟沉默补的一堂课。

接下来七篇，按七个环节逐一进入。如果你想先看骨架，去架构图一条线看完；如果你想马上上手，委托体检器可以在十分钟内体检你手上正在进行的任何一次委托。

一个你可以自己验证的事实

过去几年，我花了大量时间把专家知识编码进智能体系统。其中一个项目，是把好设计奖几十年积累的案例知识，以及一套叫“五大构成”的设计创新认知框架，变成一个可以被普通教师调用的智能体。

在做这件事的过程中，我注意到了一个有意思的经济现象。把这套知识编码进去，需要投入大量的时间、专家资源和反复的迭代——这是一次性的高固定成本。但一旦编码完成，第一个教师调用它的成本，和第一百万个教师调用它的成本，几乎没有差别。

这不是我的发明。软件行业在几十年前就遇到过这个逻辑：写出第一行代码的成本很高，但复制这段代码的成本趋近于零。信息产品的边际成本问题，经济学家早就研究过了。

但智能体带来的，不只是“信息产品的边际成本问题”的升级版。它带来的，是这个问题第一次发生在“认知劳动”这个领域——而认知劳动，恰好是人类经济活动里最后一个没有经历过这种冲击的稀缺资源。

这件事正在发生。它的影响，比我们目前讨论的大得多。

先说清楚：这一篇算的是什么的价格

这个系列有一个统一的基本单元：一次委托——一个判断点，从人交给智能体的那层关系。九篇各自认领这次委托从生到死的一段。

这一篇认领最前面的两段：交出去的到底是什么，以及凭什么敢交出去。翻译成经济学的问题就是：被让渡的那个东西，价格由什么决定；以及，什么条件下这笔交易才谈得成。

还要做一次改名。这个系列早先的版本里我一直用“认知劳动”这个词，现在把它废掉，统一改叫判断的委托。原因是“认知劳动”太宽了——查资料是认知劳动，整理会议纪要也是认知劳动，但这些活被 AI 拿走，社会结构不会有任何变化。真正让制度松动的是另一类：做错了有人要担责的那种判断。给客户定报价、筛掉一半简历、决定哪个病人先上手术台——这些才是。

所以本篇的判据只有一句：做错了有人担责，才叫判断点。下文里凡是还留着“认知劳动”字样的地方，说的都是它宽泛的那一面；而这个系列真正要算价格的，是窄的那一面。

稀缺性是经济学的基石

经济学为什么存在？最简洁的回答是：因为资源是稀缺的，而欲望是无限的。所有的经济理论，从价格机制到市场均衡，从产权理论到分配正义，都建立在“资源有限”这个基本前提上。如果所有东西都可以无限获取，经济学这门学科就没有存在的必要了。

人类历史上，每一次大的技术革命，本质上都是让某一类稀缺资源变得更加丰沛——同时让另一类资源变得更加稀缺。蒸汽机让物理劳动力的稀缺性大幅降低：一台机器能做几百个人的力气活，不需要吃饭，不需要睡觉。这重写了十九世纪的生产要素价格体系，也重写了那个时代的社会结构。

电力和自动化让这个过程延续：越来越多的体力劳动可以被机器替代，越来越多的重复性脑力劳动可以被计算机替代。但有一类资源，在整个工业化进程中始终保持着它的稀缺性——那就是“高质量的认知劳动”。

一个优秀的律师能同时服务的客户数量是有限的，不是因为她不努力，而是因为法律判断需要深度的情境理解，需要经验积累，需要专注力。一个好的医生、一个有效的心理咨询师、一个真正懂某个领域的顾问——他们的服务时间，历来是经济学意义上的稀缺资源，它的稀缺性由人类认知能力的生物上限所保证。

现在，这个保证正在失效。

一个先行者：音乐产业的前车之鉴

在进入智能体的话题之前，我想先看一个已经发生过的历史案例。

二十年前，音乐产业遭遇了一场危机。不是因为人们不爱听音乐了，而是因为数字化让音乐这个信息产品的边际复制成本变成了零。一首歌录制完成之后，第一百万次播放和第一次播放，对创作者的边际成本没有任何区别。这打碎了唱片公司的商业模式——那个模式的核心正是“控制稀缺的复制品”：把歌曲压制成磁带或CD，控制发行渠道，靠每一份实物的销售收费。当数字复制让这种稀缺性消失，整个商业逻辑的地基就塌了。

音乐产业花了将近二十年才找到新的平衡：把商业模式从“出售复制品”转向“出售访问权”（流媒体订阅），同时把真正无法被数字化复制的东西——现场演出体验、艺人与听众的真实关系——变成了新的价值支点。

判断的委托正在经历类似的冲击，但有一个地方比音乐更复杂，也更根本。

音乐是一种创作物：它一旦被创作出来，价值就固定在那首歌里了。认知劳动不同——它是“情境化的判断”。一份法律建议不只是文字，它包含了对特定情境的理解、对风险的权衡、对策略的选择。这种判断能力一直被认为很难被系统化，因为它需要处理的情境太复杂、太独特。

但智能体正在改变这个判断。一旦某类认知判断能力被足够好地编码进一个可以大量部署的系统，它的边际供给成本就开始趋向于零。这不是说智能体能替代所有的认知劳动——就像流媒体没有让所有音乐人都消失一样。但它会让“认知劳动的稀缺性”以一种我们还没有完全理解的方式重新分布。

问题在于：重新分布之后，什么会变得更稀缺？

稀缺性转移之后，什么升值了

这里要用一条经济学的老规律：当某类投入变得丰沛，与它互补的、又无法被替代的那些投入，反而会升值。工业化让体力劳动变得丰沛，设计能力、组织能力、创新能力开始升值——不是因为这些能力变少了，而是因为在体力劳动不再稀缺的生产体系里，它们变得更重要了。

（这里订正一处。上面这条规律，我在本文的初版里写成了“杰文斯悖论”，是个误用。杰文斯讲的是另一件事：蒸汽机效率提高之后，煤的总消耗量不降反升——效率提升反而拉高了总需求。它和这里说的“互补品升值”是两条不同的逻辑，我当时张冠李戴了。把错处标出来改，比悄悄改掉更符合这个系列的规矩：一个欢迎别人推翻自己的体系，得先能推翻自己。）

当通用认知劳动趋向丰沛，有三类东西，我认为会因为稀缺而升值。

第一类是“不可复制的专有知识”。通用型的智能体——能写文章、能分析数据、能回答常见问题的那种——会经历价格竞争和快速贬值，因为这种能力太容易被模仿和替代。但一个嵌入了真正独特认知资产的专业型智能体，它的价值逻辑完全不同。好设计智能体的稀缺性，不来自它是一个智能体，而来自它背后几十年的案例积累、在全球范围内独一无二的认知框架、以及这套框架与真实设计教育场景之间的深度结合。这种稀缺性不因为智能体技术的普及而消失，反而因为技术的普及而被放大——因为它现在可以服务于以前根本到达不了的规模。

这不只是我的观察。人类劳动力市场里，“专才溢价”的规律已经被研究得很充分了：当自动化替代了大量通用工作，具有不可替代的深度专业能力的人，薪酬反而上涨了。智能体经济学里，这个规律会以更极端的形式出现，因为通用能力的复制速度比工业化时代快得多。

第二类是“信任”。当市场上充斥着大量的认知服务，如何判断“哪个是可以信赖的”本身就变成了稀缺资源。医生的执照、律师的资质、机构的声誉——这些东西的经济价值，从来不只是来自知识本身，而是来自一套社会性的信任认证机制。当智能体提供类似的服务，谁来提供类似的认证？目前没有答案。但这个答案将决定智能体经济里一大类商业模式的成败。

第三类是“判断力本身的判断”——也就是，对大量生成物的评估和筛选能力。当一个智能体能够生成十个方案，哪个方案真正适合你的具体情境？这个选择，需要的是人类的情境理解和价值判断，而这恰好是目前最难被编码的东西。某种意义上：当生成变得丰沛，筛选和评估反而变得稀缺。AI时代最稀缺的，不是生成内容的能力，而是从大量输出中判断哪些是真正有价值的能力。

价格是怎么被谈出来的：三个现场

上面这些是推理。下面是我这一年在真实的谈判桌上碰到的三件事——它们比推理更能说明“判断的价格”今天是个什么状态。

第一件：0 到 80 分和 80 到 90 分，不在一条曲线上。我给企业讲 AI 落地时反复说过一句话：0 做到 80 分特别容易，80 做到 90 分是深水区，得有专业才行，90 做到 95 就非常难了。这句话翻译成定价就是——智能体几乎白送前 80 分，而后面每一分都得为人的判断付费。委托能省掉的是前 80 分，省不掉的是后面那几分。麻烦在于：客户真正买单的，恰恰是后面那几分。

第二件：一位德资机械装备企业的老板当面问了我一个问题。他说，如果这套东西打通了，三五年之后你复制给同行不就很容易？那我的优势在哪里？

这是委托方最原始、也最要害的定价疑问：当我的判断被外包出去、而且外包出去的东西还能被复制，剩下的价值归谁？我当时的回答是“每家公司基因不一样，强行打进去没用”。这话逻辑上站得住，但它回避了一个对称的问题——如果基因真的不可迁移，那我自己的护城河又在哪里？这个问题我到现在也没有一个让自己满意的答案，所以把它立成了本篇的一条命题，放在文末。

第三件：那次会面能谈成，靠的是一位中间人的介绍。他的信用被双方默认转移到了这场会面上。这件小事说明了第②环的现状：判断的市场目前还没有自己的定价机制，它只能挂靠在传统的人际信任网络上——熟人背书、机构品牌、学历文凭。而这些旧凭证正在被质疑，新的凭证（真实案例、可查的过程痕迹、一个人改过多少版）还没有立起来。

所以“凭什么敢把判断交出去”这个问题，今天最诚实的答案是：大多数时候，凭的还是对人的信任，不是对系统的信任。

一个被低估的经济学问题：谁来提供认知领域的公共品

以上讨论的，都是“谁会在稀缺性重分配中受益”的问题。但还有一个被讨论得更少的问题，我认为从长远来看更重要。

经济学里有一个经典的“市场失灵”问题：公共品。公共品的特征是“非排他、非竞争”——你使用它不妨碍别人使用，而且无法把人排除在使用者之外。路灯、国防、基础科研，都是公共品的典型例子。市场对公共品的供给历来不足，因为私人提供者无法有效收费，倾向于“搭便车”，所以公共品通常需要政府介入。

现在，基础认知服务正在以一种前所未有的方式逼近“公共品”的边界。

教育、基础医疗咨询、法律常识、心理健康支持——这些认知服务，历史上始终是社会想要提供、但由于供给端的稀缺性而无法做到“人人可及”的东西。当这些服务的边际供给成本趋近于零，“技术上可以人人都有”的状态第一次成为可能。

但“技术上可能”和“实际上发生”之间，有一段距离，而这段距离是政策和制度设计需要填补的地方。谁来付钱？谁来保证质量？谁来防止低质量的“公共认知服务”反而强化了偏见，输出了错误的健康建议，给出了有缺陷的法律指引？

这不是五年后才需要想的问题。世界上已经有数亿人在用免费的AI服务获取认知支持。但现在的供给方式——由几家商业公司提供、商业逻辑驱动质量决策——是一个能够持续的公共认知品供给模式吗？还是说，我们只是在享受一段红利期，而真正困难的制度设计问题还没有被认真面对？

更深的一个问题是：一旦大量人口开始依赖智能体获取认知支持，这个依赖关系本身会产生什么样的经济效应？历史上，当某个社会基础设施（电力、通信、互联网）从“可选项”变成“必需品”，它的经济性质就发生了根本性的转变，围绕它的政治经济学也随之改变。认知基础设施，如果走上同样的路，会走到哪里？

经济学正在遇到的问题

我在想一个历史上的类比。工业革命让物理劳动力变得丰沛，古典经济学建立在“土地稀缺”假设上的那套地租理论，开始失去解释力——不是一夜之间崩塌的，而是在一个又一个真实问题上，发现旧的理论给不出好答案，然后慢慢地，一代经济学家重建了新的分析框架。

智能体让认知劳动变得丰沛，这件事正在以类似的方式，对建立在“认知劳动稀缺”假设上的那些经济学逻辑施加压力。这不是几年内能看清楚的事，但它是正在发生的事。

本篇留下的命题与招题

按这个系列的规矩，一篇的结尾不该是感慨，该是可以被检验、也可以被推翻的东西。本篇留下两条。

第一条，关于判断的定价。一个判断点值多少钱，由三件事决定——失误的后果 × 发生的频次 × 结果的可验证性。后果越重、频次越高、对错越难验证，这个判断点就越贵，也越不容易被完全交出去。这条公式可以拿真实交易数据去撞：咨询、律所、设计、医疗，哪一行都行。

第二条，就是德企老板那个问题的一般形式：人机共同产出里，人的边际贡献，无法用现有任何计量方法稳定测出。这是一条“不可能性猜想”——我证明不了它，只能把它挂在这里，欢迎有人拿一个真能稳定测出来的方法把它推翻。（这条与管理学篇共用，那边有更完整的展开。）

对应的招题也放在这里：谁手上有真实的判断类交易数据，可以拿第一条公式做一次实证。这是本系列公开招募的题目之一，虚位以待。

最后用一句话收住本篇能给的最硬的东西：一个判断如果做错了没有后果，它其实不值钱，也不需要什么契约；真正贵的、也真正需要制度的，永远是那些做错了有人要疼的判断。

我真正想留下的问题，不是“经济学的哪个理论需要被修订”，而是一个更前置的问题：

当稀缺性本身发生了结构性的重分配，这个社会将以什么样的速度、通过什么样的机制，完成它对“什么有价值”这个问题的重新共识？

历史上，这样的重分配从来都不是平稳发生的。它伴随着已有利益结构的抵制，伴随着新旧逻辑并存时期真实的混乱，伴随着在旧框架下占据优势的人对新框架的本能排斥。我们可能正处在这段混乱的早期，而大多数人还没有意识到这场混乱的性质。

智能体经济学，我们现在能描述的，可能只是这场转变的最初轮廓。真正的问题还在后面。

下一篇，我们进入管理学。当一个组织里同时存在人和智能体，“管理”这件事的本质发生了什么？

管理学研究了一百年“管人”，现在遇到了一个新问题

一个在企业里正在发生的真实困惑

我在给企业做智能体系统设计的时候，经常遇到一个很具体的问题。

一家公司花了几个月，把智能体部署进了他们的日常运营流程。智能体运行了一段时间之后，会出现一些他们没有预料到的情况——不是灾难性的失败，而是那种微妙的“跑偏”：它开始在某些场景下给出超出预期边界的建议，或者在某类问题上持续输出一种不太对劲的语气，或者在它理应熟悉的任务上，突然有一次表现得像没见过这个问题一样。

这时候，负责这个智能体的人——通常是某个业务负责人或者IT团队——会面临一个很奇怪的困境：他们不知道该怎么“管”这个问题。

如果是一个人类员工出现类似的情况，管理者有一套成熟的应对逻辑：找他谈谈，搞清楚原因，给反馈，调整预期，必要时换岗位。这套逻辑成立，是因为人类员工是一个可以沟通的主体，有自己的内部状态，对外部反馈会产生反应。

但面对一个智能体，这套逻辑的每一步都开始变得奇怪。你不能“找它谈谈”，它没有内部状态可以解释给你听，它对你的批评没有任何反应——除非你改变了它的输入，或者重新定义了它的规则。

这个困境不是技术问题，而是管理学问题。

我们用来理解“如何管理一个工作中的个体”的那套知识，是为人类设计的。它的每一个工具——岗位说明书、绩效考核、组织架构、反馈机制——背后都有一套关于“被管理者是什么样的”的假设。当被管理的对象换了，这些工具还能用，但用起来总有些地方不顺手。

这篇想聊的，就是那些“不顺手”的地方究竟意味着什么。

先定位：这一篇处理的是委托的哪一段

这个系列的基本单元是一次委托——一个判断点，从人交给智能体的那层关系。九篇各认领这次委托生命周期里的一段。

这一篇认领第③环，契约：让渡怎么被写下来。边界在哪、什么算交付合格、哪些事必须由人点头——这些如果没有被显性地写出来，后面所有的环都会跟着松掉。

管理学之所以是处理这一环的学科，是因为它一百年来干的就是这件事：把人与人之间的授权关系变成可运作的制度。岗位说明书、绩效考核、审批流程，本质上都是委托契约的不同形态。现在只是委托的对象换了。

管理学是用来做什么的

要理解智能体给管理学带来了什么新问题，需要先回到管理学存在的根本原因。

十九世纪末，弗雷德里克·泰勒在美国的工厂里做了一系列研究，发展出了“科学管理”理论。他的核心洞察是：工人的工作效率是可以被测量、被优化、被标准化的。通过把工作分解成最小单元、为每个单元设定标准时间、用测量来驱动改进，管理者可以大幅提升工厂的整体产出。

泰勒的理论在当时是一场革命，但它建立在一个特定的假设上：工人的不确定性主要来自“努力程度不稳定”和“方法不科学”，而这两个问题可以通过激励和培训来解决。科学管理的本质，是用标准化来压缩人类行为的不确定性。

二十世纪中期，彼得·德鲁克提出了另一场管理学革命。他观察到，知识工作者和体力工作者是根本不同的——你不能用秒表测量一个程序员的生产率，你不能用标准动作来规范一个分析师的工作。对知识工作者的管理，需要的不是标准化，而是“目标设定”加“自主执行”加“结果评估”。这套逻辑演化成了后来无数管理工具的基础。

从泰勒到德鲁克，有一个深层的共同点：管理学的每一次演进，都是在回应一种新型“工作者”的出现——这种新的工作者，用旧的管理工具来管会有问题，需要新的理论框架。

体力工作者→知识工作者→智能体工作者，这是同一条线上的第三步。

但这第三步，和前两步有一个关键的不同：前两步，被管理的对象始终是人，有欲望、有疲惫、有成长、有理由不努力也有理由全力以赴。管理的本质，是在利用和约束这些人类特性。第三步，被管理的对象第一次变成了一个没有欲望、不会疲惫、不会成长也不会衰退的系统——管理的底层逻辑必须被重新想过。

岗位说明书：它真正的功能是什么

几乎每家公司都有岗位说明书（JD），但大多数人对它的理解是错的。

最常见的误解是把JD理解为“这个人要干什么的清单”。但JD真正的功能，是在企业和员工之间建立一份关于“期望”的契约——它规定边界：你负责这里，不负责那里；你交付这个，不交付那个。一份好的JD，它最重要的内容往往不是写进去的，而是它通过边界的设定所隐含的“不在这里”的东西。

这个逻辑，在智能体的定义上有一个非常直接的对应——但大多数企业在部署智能体的时候，都跳过了这一层，只定义了“这个智能体能做什么”，而没有认真定义“它不应该做什么”“它在什么情况下必须停下来等待人工判断”。

真正完整的智能体定义，应该包含三个层次。

第一层是任务边界：这个智能体被期望处理哪类任务，在什么样的场景里运作。这一层大多数人都会写。但任务边界有一个容易被忽略的维度，是“边缘情况”——当它遇到它的能力边界时，应该怎么处理？是拒绝、是降级处理、还是请求人工介入？没有明确定义边缘情况的任务边界，是不完整的。

第二层是交付标准：什么叫做“这个任务完成得好”？这不只是格式要求，而是质量判断标准。一份分析报告，什么程度算“可以直接用于决策”，什么程度算“需要人工复核的参考材料”，这个标准如果不被显性化，管理者就无法真正评估智能体的表现，智能体也无法真正“知道”自己应该做到什么程度。

第三层是授权范围：这个智能体被允许调用哪些数据，被允许做哪些类型的判断，哪些决定必须由人来最终确认。这一层在现有的智能体部署里最容易被忽略，也最容易在出问题的时候引发争议。没有清晰授权范围的智能体，要么因为过于保守而没有用，要么因为超越了应有的边界而产生风险——而管理者往往在出了事之后才意识到这件事从一开始就没有想清楚。

这三层合在一起，构成的不是一个“功能清单”，而是一份“人机契约”。

这个词我觉得是准确的。它意味着：定义一个智能体，不只是技术工作，而是一个需要管理层级认真参与的契约制定过程。就像一份好的雇佣合同不只是HR部门的事，它需要用人部门、法务、管理者共同确认——智能体的定义，同样不应该只是工程师在键盘上完成的事情。

绩效管理：期望对齐，不是打分

管理学里被误用最多的模块，大概是绩效管理。

KPI和绩效考核在大多数公司里被理解为“考核工具”——年底打个分，决定奖金和晋升。但它的本质功能其实不是考核，而是“期望校准”：让管理者和员工在“什么叫做做好了”这件事上持续对齐。当这个对齐做得好，绩效系统是有价值的；当它退化成一个每年填一次表的仪式，它就变成了一种负担。

把这个逻辑用到智能体评估上，会得到一个关键的认知转变：智能体评估不应该是一个事后的打分动作，而应该是贯穿整个生命周期的持续对齐过程。

这意味着几件具体的事。

评估标准要在构建之前就确立，不是做完了再想怎么评。在定义“这个智能体要输出什么”的时候，就应该同时定义“什么样的输出算合格，什么样的算不合格”。这一步被跳过的后果，是部署之后没有人能清晰地说出“它表现好不好”，只能靠模糊的感觉——这和没有KPI就开始管人一样，问题迟早会暴露。

评估要区分“上线前的验收”和“上线后的持续监控”，这两件事的逻辑是不同的。上线前的验收，类似于员工入职时的试用期评估，主要检验“它能不能完成定义中的任务”；上线后的持续监控，检验的是“它在真实使用中是否保持稳定，有没有开始漂移”。智能体有一个人类员工没有的特性：它不会因为疲劳或情绪而表现起伏，但它会因为输入分布的变化、或者某些边界情况的积累，出现一种缓慢的、不容易被察觉的行为漂移。这种漂移如果没有系统性的监控机制，往往是在出了问题之后才被发现。

评估结果要驱动具体的后续动作，不只是记录。表现稳定且满足标准的智能体，进入常规维护；出现漂移或者分数下降的，触发具体的优化流程；长期低于预期且场景已经发生变化的，需要被认真讨论是优化还是退役。这套分支逻辑，和人类员工的绩效管理有清晰的对应——但它需要被显性地设计进智能体的运营流程，而不是留给“出了问题再说”。

一个HR完全没有答案的新问题

以上这些，都是把管理学的成熟逻辑迁移到智能体语境上。它们有用，但有一个地方，是现有管理学体系给不出答案的——而我认为这恰好是智能体管理学里最需要认真对待的原创性问题。

当一个人和一个智能体共同完成了一项工作，产生的价值该如何归因？

这个问题比它初听起来更复杂。

在知识工作的场景里，协作产出的价值归因一直是个难题——一份策略报告是三个人写的，绩效该怎么算，这已经很难了。但至少，这三个人的每一个都有自己的利益，会主动声明自己的贡献，会在有争议的时候提出异议。

智能体不会主张自己的贡献。它生成了一份分析，人类审阅了它并基于它做了决策——这个过程里，人的价值是什么，智能体的价值是什么，中间的交互产生了什么新的价值？目前没有好的方法来测量这件事。

这不只是一个学术问题。它会在非常实际的地方产生影响：如果公司引入智能体之后，某个团队的产出提升了，这个提升应该被计入这个团队的绩效，还是计入“智能体工具”的投资回报？如果一个人借助智能体完成了一个他原本无法独立完成的复杂任务，这件事让他变得更有价值了，还是让他的角色开始变得可替代了？

这两个方向的答案，会产生截然不同的组织管理决策。

更根本的一层是：管理学一百年来一直假设，你在管理的对象是“想要有价值”的——人类员工有职业发展的需求，有被认可的渴望，有对自身价值的主张。正是这种“想要有价值”的特性，让激励机制、晋升路径、绩效反馈这些工具能够运作。

智能体不“想要”任何东西。它没有职业成就感，不在乎被认可，对自己的“价值”没有任何主张。这意味着驱动它表现的全部力量，来自外部——来自定义它的人、评估它的系统、调整它的机制。把所有驱动力外部化，是一种完全不同的管理逻辑，而管理学至今没有真正研究过这种情况。

让渡程度：先把“交出去多少”变成一把尺

岗位说明书那一节讲的是把边界写下来。但边界之外还有一个更要命的变量：这件事，你到底交出去了多少？

我在企业里讲课时用过一把粗糙但好用的尺子，借自动驾驶的分级：L1，它只提醒你（“这个数有点不对”）；L2，它给方案，你来定；L3，特定条件下它直接接管，你事后看；L4，限定场景里你完全放手；L5，全场景自动。

大多数企业以为自己在 L2，实际上已经滑到了 L3 而不自知——因为从来没有人规定过它在什么条件下可以直接接管，是“用着用着就那样了”。

L3 是最危险的一档，而危险的原因不是技术。在 L3，判断是它做的，责任还是你担的。行动、判断、担责的三位一体，在这一档上裂得最开：做事的是它，拿主意的一半是它，兜底的全是你。企业里绝大多数关于 AI 的争吵，翻译过来都是在吵 L3 的责任该怎么分。

这把尺子的价值不在精确——它并不精确，也没有公认标准，我自己用它的时候，更多是让人对着它自我定位。它的价值在于把一个原本只能靠感觉的东西，变成了可以被写下来的一档。授权契约上写着“L2，不得自动执行”，和什么都不写，是两个世界。

更实用的是：让渡程度不用问，是可以看出来的。看三个数就够了——采纳率、修改幅度、否决频率。一个团队说自己是 L2，但三个月里一次都没否决过，那它其实在 L4。嘴上的让渡程度和真实的让渡程度，中间那条缝，就是风险待的地方。（这也正是本体系一条命题的观测方法：没有显性设计推翻权的系统，人类的否决频率会随时间单调趋零。）

契约之外还缺一样东西：判断的留痕

今年我参加过一家电商制造企业的战略会。那位老板给我举了两件切肤之痛的事：一批抽屉箱做了两千个，卖不动，中间没有人跟进；跨境业务的财务报表出了假账，亏了一年半才被发现。

他的诊断不是“数据不够”。这家公司在数字化上投入巨大，数据多得很。他说的是：我们完成了巨额的数字化，但没有把数字资产变成经营资产。再往下一句更准——我们的判断，没有形成文字的有效积累。

这两句话说的是同一件事：数据记录的是“发生了什么”，判断留痕记录的是“当时为什么这么定”。前者到处都是，后者几乎没有。而委托恰恰需要后者：你要把一个判断交出去，得先说得清这个判断原来是怎么做的。说不清，你能交出去的就只是一个任务，交不出去一个判断。

这位老板后来做了一件很聪明的事：他要求员工看到数据后先写下自己的判断，再和 AI 的判断放在一起对照。这一个动作同时办了三件事——给 AI 攒了判断样本，给委托契约攒了判断点的定义，也给绩效攒了一把新尺子。

第三件事有它锋利的一面，得说清楚：当“判断质量”变成可对照、可记录的东西，绩效考核的对象就从产出转向了判断本身。这对判断力强的人是解放，对靠信息差和流程位置生存的人是威胁。这已经不是管理问题，是分配问题——留到下一篇。

混合组织：最难的问题还没有出现

我在很多企业里看到的现状是：人和智能体在同一个工作流程里，但被当作两套完全平行的系统在管理。人有人的绩效管理，智能体有自己的监控看板，两者之间没有一套整合性的“混合组织管理逻辑”。

这种平行管理在初期说得过去，因为智能体的比重还小，还没有到影响整体组织设计的程度。但随着智能体深入进更多的核心流程，这种平行状态会越来越难以为继——你会开始遇到这样的问题：当一个工作流程的关键节点由智能体承担，这个节点的“管理者”是谁？当一个人类员工的工作内容因为引入了智能体而发生了根本性的变化，这个员工的岗位如何重新定义，他的绩效如何重新评估？

这些不是将来才需要想的问题。对于任何已经在认真使用智能体的企业来说，这些问题正在以各种具体形式出现，而大多数人在用临时的、case by case的方式处理它们，而不是用一套系统性的框架。

我没有一套完整的答案。但我越来越相信，真正需要被建立的，不是“智能体管理工具”——那只是在旧框架上打补丁——而是一套“混合组织管理学”，它从头开始问：当一个组织的工作者同时包含有欲望的人类和无欲望的系统，这个组织的运行逻辑应该是什么？

这个问题，德鲁克没有答案，泰勒也没有答案。但在未来几年里，会有大量企业在真实的代价里，摸索出这个答案的大致形状。

关于本篇的分工，需要交代一句。“混合组织管理学”这个空名，我在另一个体系里正在兑现——智能体管理学做的是工程那一半：把委托契约拆成企业能落地的框架和治理动作。本篇管的是理论那一半：混合组织作为一种制度现象，它的运行逻辑是什么。两边共用同一个基本单元（一次委托），一边出理论，一边出工程——这样分，是为了不让理论停在概念上，也不让工程失去可推导的根。

还有一条，本篇要正式立成命题而不是留作感慨：人机共同产出中，人的边际贡献，无法用现有任何计量方法稳定测出。这是一条“不可能性猜想”——我没法证明它，但我把它挂在这里，欢迎反例。谁能造出一个稳定测出人的边际贡献的方法，这条就被推翻了，而那大概会是管理学近年最重要的成果之一。

下一篇，我们离开组织内部，往外看一步，进入社会学的维度：智能体正在悄悄制造什么样的新型不平等？

一件我做了很久才意识到的事

我做了两三年的智能体方法论研究，写了大量关于“如何定义一个合格的智能体”的东西——它应该有哪些要素，边界应该怎么设，能力应该怎么评估，版本应该怎么管理。

有一天，一个朋友问我：“你有没有意识到，你在做的这件事，本质上是一种立法？”

我愣了一下。他解释说：你在定义“什么是标准的、规范的智能体”，这意味着你在定义什么是符合规范的，什么是不符合规范的。一旦这套定义被采纳，它就会成为别人开发、评估、交易智能体时的参照系。规则被谁制定，谁就在这个领域里拥有了某种权力——哪怕这种权力看起来只是“方法论层面的”。

我想了很久。我觉得他是对的。

政治学研究的核心问题，是权力——它从哪里来，如何分配，如何被制衡。人类历史上，权力最持久的形式，往往不是军事力量或者资本积累，而是规则制定权。谁定义了“游戏应该怎么玩”，谁就在这场游戏里拥有了其他人所没有的优势。

智能体这个领域，正处于规则还没有形成的阶段。这个阶段，从政治学的角度看，是权力格局最容易被塑造、也最容易被忽视的时刻。

先定位：这一篇处理的是委托的哪一段

这个系列的基本单元是一次委托。这一篇认领其中两段，而且是最容易被当成“技术细节”忽略掉的两段。

第④环，保留：判断交出去之后，人手里还剩什么权力——能不能推翻它，怎么推翻，推翻的通道会不会锈死。

第⑦环，元层：谁来定义以上这一切的规则。这一环最隐蔽，因为它不发生在任何一次具体的委托里，而是发生在所有委托之前。

本篇的核心主张只有一句：这两件事都不是技术问题，是政治问题。而政治问题有政治问题的处理传统——人类为此积累了几千年经验，只是还没有人把这套经验搬到智能体上来。

每一次技术革命，都有一场关于规则的政治博弈

这件事在历史上一再发生，但每次都以不同的面貌出现，所以每次都让人感觉是新鲜的。

互联网的底层协议——TCP/IP——是在二十世纪七十年代由一批美国研究人员制定的。这批人当时在做的，在他们自己看来是一个技术问题：如何让不同的计算机网络能够互相通信？但他们做的技术选择，包含了大量关于“这个网络应该是什么样的”的价值判断——它应该是去中心化的还是中心化的？应该是开放的还是封闭的？谁有权使用它？这些判断，被编码进了协议本身，然后成为了整个互联网时代的基础设施。

几十年后，我们才充分意识到那批决策的政治意涵：一个去中心化、开放的互联网架构，在技术上是一种设计选择，但在政治上，它意味着没有任何单一的政府或机构能够完全控制信息流通。这个“技术选择”，深刻影响了互联网时代的权力格局。

还有一个更古老的例子。十七世纪初，荷兰法学家雨果·格劳秀斯写了一篇文章，论证海洋是“公共的”，不能被任何国家所独占。这在当时是一个“法律理论”问题，但它实际上是在为荷兰争夺全球贸易权——因为如果海洋是公共的，荷兰的商船就可以自由航行，打破葡萄牙和西班牙对贸易路线的垄断。一个“理论命题”，直接服务于一个国家的地缘政治利益。

回到今天。“智能体应该如何被定义和评估”这个问题，表面上是技术和方法论的问题，但它的政治意涵，和以上两个历史案例是同一个级别的。谁的定义体系被采纳，谁就在接下来很长一段时间里，掌握了这个领域的“立法权”——决定什么是合格的，什么是劣质的，什么需要被规范，什么应该被鼓励。

这场博弈正在发生，但大多数参与者还没有意识到自己在参与一场政治博弈，他们以为自己只是在做技术决策。

认知基础设施，是新的权力争夺场

政治学里有一个关于权力的基本命题：谁控制了关键的基础设施，谁就在那个时代拥有了结构性的权力优势。

农业时代，关键基础设施是土地。控制土地的贵族和地主，拥有对整个社会的基本控制能力——因为所有人都需要吃饭，而食物来自土地。工业时代，关键基础设施变成了资本和工厂。二十世纪后半段，关键基础设施变成了信息渠道——媒体、互联网平台，成为新的权力核心。

每一次这种转变，都重写了一遍权力格局。原本处于权力中心的力量被边缘化，新的力量崛起。这个过程通常伴随着激烈的政治冲突，有时候是战争，更多时候是制度变革，有时候是几十年缓慢的社会重组。

现在，认知基础设施正在成为新的关键基础设施。

训练大型 AI 模型需要的算力、数据和研发能力，目前高度集中在极少数的机构手中。这不是市场自然选择的偶然结果，而是这类基础设施的技术特性所决定的——它有非常高的门槛，高到足以形成自然垄断。能够控制最先进认知基础设施的机构，在权力结构上的位置，和历史上控制关键基础设施的力量是类似的：他们不只是在提供一种服务，他们在塑造所有依赖这个基础设施的人的认知方式。

这不是一个关于“AI 公司很坏”的论断。大多数在做这件事的人，都有真诚的善意，都在认真思考如何负责任地部署这种能力。但善意和结构性权力是两件不同的事。历史上拥有结构性权力的力量，即便初衷是好的，也会因为权力本身的逻辑而产生问题——这是政治学几千年来反复观察到的规律。

政治学对此的标准答案是：制衡。权力不能被依赖它的人的善意来约束，必须有独立于权力本身的制约机制。但认知基础设施的制衡机制，今天几乎不存在。

智能体系统里真实的“宪政”问题

我想把视角从宏观的权力结构，拉到一个更具体的层面——企业或机构在部署智能体系统时，日常运营里真实存在的权力问题。

“宪政”这个词，在政治学里指的是通过根本性的规则来约束权力、防止权力滥用的制度设计。一部宪法的核心功能，不是告诉政府应该做什么，而是告诉政府不能做什么，以及当它越界时，谁有权力把它拉回来。

当一个企业部署了一套智能体系统，同样存在一组类似“宪政”的问题，只是没有人用这个词来描述它。

谁被授权做什么？每一个智能体都在一个授权框架里运作——它被允许访问哪些数据，被允许做哪些类型的决策，哪些操作需要人工确认。这个授权框架，就是这个智能体的“宪法”。但在大多数企业的实际部署里，这个框架是隐含的、模糊的，而不是被显性地设计和文档化的。模糊的授权是权力滥用的温床，这在人类政治史上反复被证明，在智能体系统里同样成立。

谁有权推翻它的决定？当一个智能体做出了一个判断，这个判断应该被执行，还是可以被质疑，被推翻？如果可以被推翻，谁有这个权力，通过什么程序？在人类组织里，这套“上诉”机制是经过漫长历史演化形成的，有明确的层级和程序。在智能体系统里，这个机制通常是缺失的，或者是非正式的。

出了问题，问责机制在哪里？这和管理学里的责任归因问题不同——不是“价值该如何分配”，而是“当系统失效并造成损害，谁必须出来回答”。政治学里，可问责性（accountability）是防止权力滥用的核心机制。一个没有可问责性的系统，无论它的初衷多么好，都会倾向于在边界处扩张自己的权力范围。

我在实际的项目里经常遇到这三个问题，而且经常发现企业客户没有系统性地想过它们。这不是他们不认真，而是现有的管理工具里没有处理这类问题的成熟框架。

把第二问单独拎出来：推翻权是会锈死的

上面三问并列着说，但它们的分量不一样。第一问（授权边界）在管理学篇已经处理过；第三问（问责）是法学篇的正题。真正属于政治学的，是第二问：谁有权推翻它，以及那个权力还在不在。

因为宪政史上最反复出现的一课，不是权力被明抢，而是权力在无人反对的情况下自己萎缩掉。一项权力如果长期不被行使，它会先变成形式，再变成传说，最后连程序都被简化掉——不是谁废除了它，是没有人再想起用它。

这件事在智能体系统里发生得特别快，因为它每一步都显得合理。

第一个月，人认真看每一条建议，改动很多；第三个月，发现它大部分时候是对的，改动变少；第半年，只在觉得奇怪的时候才看一眼；第一年，“它给什么就用什么”成了默认，而且谁也说不清这个转变是哪天发生的。推翻权从来没有被取消，它只是再没有被使用过。

我在企业管理那一篇里给过这种状态一个名字：L3。判断是它做的，责任还是你担的。从政治学的角度看，L3 是一种橡皮图章状态——名义主权还在人手里，实质决策权已经转移了。人类政治史上，橡皮图章议会从来不是被强行设立的，都是这么一步步“合理”出来的。

好消息是：这个过程有可观测的指标。不用问任何人，看三个数就够了——采纳率、修改幅度、否决频率。其中否决频率最要命：一个团队如果连续几个月一次都没有推翻过智能体的判断，那不是因为它从没犯错，而是因为推翻这个动作已经退出了这个组织的肌肉记忆。

宪政设计对这个问题的传统答案，也可以直接搬过来：不要指望权力被自觉行使，要把行使写成义务。定期强制复核、抽样人工重判、异议留痕——这些在人类制度里叫程序正义，搬到委托里就是保留权的维持机制。推翻权必须被定期使用，否则它会锈死。

一个被生产关系遮蔽的政治问题

马克思的分析框架，在今天的 AI 产业里有一种奇特的适用性——不是作为政治主张，而是作为描述性工具。

AI 产业里存在一个清晰的生产关系层级：底层是拥有模型权重和训练基础设施的公司——他们控制的是“生产资料”本身；中间层是使用 API 接口构建应用和智能体的开发者和企业——他们是使用生产资料的“工厂主”；最上层是最终用户——他们是这个体系的“消费者”。

这个层级结构，和工业时代的生产关系层级，在形式上是相似的。它带来了一些相似的政治经济学问题：谁从这个价值链中获益最多？底层基础设施的控制者，还是上面的创造者？当底层基础设施被极少数机构控制，“工厂主”和“用户”相对于这些机构，拥有多大的议价能力？

但有一个地方，智能体时代的生产关系比工业时代更复杂：智能体本身在这个价值链里的位置是什么？

当一个智能体通过大量的交互积累了独特的知识、形成了独特的“能力”，这个能力属于谁？属于使用它的企业，属于提供底层模型的公司，还是属于那些在交互中贡献了数据的用户？

这不是哲学问题，是一个在现实中已经开始产生商业冲突的法律政治问题。而我们目前处理这个问题的方式，基本上是“谁有最强的法律团队，谁的主张就更容易被支持”——这是权力不均衡状态下的典型解决方式，而不是一个公正设计出来的答案。

那么这三层结构，到底推出什么结论？v1 写到这里就停了，只留了三个问句。现在把它答完。

议价能力的高低，不取决于你在这条链上的层级，而取决于你在委托关系里的位置——你是判断的提供者，还是判断的搬运者。

模型公司控制着算力和权重，看起来是最上游的地主。但算力会越来越便宜，模型会越来越同质——真正稀缺的从来不是“能生成答案的能力”，而是定义什么算好答案的能力，以及验收它的能力。这两样东西不在模型公司手里，在具体的行业、具体的场景、具体的老手手里。

所以这条链上最脆弱的位置，不是最下游的用户，而是中间层——那些只做搬运的应用开发者。他们既不持有生产资料，也不持有判断点的定义权，两头都可以绕开他们。而最稳的位置有两个：一头是真正持有算力的，另一头是真正持有判断的。

这个结论对本篇的意义在于：权力的分配，最终仍然落回“谁能定义好坏”这件事上。而“定义好坏”正是第⑦环——谁来定规则。政治学在这里和经济学接上了：定义权就是定价权，也是立法权。

这个问题，学界已经有一条线索

说到这里需要交代一句：把“规则”和“代码”放在一起谈，不是我的发明。

1999 年，法学家劳伦斯·莱斯格写过一本关于网络空间法律的书，提出了一个后来被反复引用的判断：代码即法律——在数字空间里，真正约束人行为的往往不是成文法，而是系统被写成什么样。你能做什么、不能做什么，是由架构决定的，而架构是私人公司写的。

这个判断在智能体时代变得更锋利。莱斯格那时说的“代码”还是明确的规则；而今天决定你能看到什么、被推荐什么、被判断为什么样的人的，是一套连它的编写者也未必能完整解释的权重。后来有研究者把这类不可解释的决策系统称为“黑箱社会”，讨论的正是这件事：当决策规则本身不可见，问责就失去了对象。

近些年还有一个正在成形的方向，大意是问：那些事实上在行使公共权力的平台，是否应该受到某种宪法性的约束？——正当程序、申诉权利、透明度义务，这些原本用来约束政府的东西，能不能、该不该套到私营的基础设施上。

本篇和这条线索的关系是这样的：他们研究的是“平台作为权力”，而本篇往前推一步，研究的是“委托作为权力关系”。平台只是委托关系被固化下来之后的一种形态；在它固化之前，权力就已经在每一次具体的让渡里完成了转移。宪政三问之所以要问在企业内部、问在每一个部署现场，是因为等到它长成平台再问，就晚了。

权力的问题，需要政治的答案

技术领域的人有一种常见的倾向：相信技术问题有技术答案。这种倾向有它的合理性——技术问题通常确实需要技术解决方案。但当技术问题的核心是权力的分配时，纯粹的技术答案就不够了。

权力的问题，需要政治的答案——不是“政治游戏”意义上的政治，而是“如何组织集体生活、如何在不同利益之间找到可持续的平衡”意义上的政治。

人类在几千年的政治实践里，积累了一些关于如何处理权力问题的智慧：分权、制衡、透明度、可问责性、程序正义。这些原则不是完美的，历史上每一个应用了这些原则的制度都有它的缺陷和失败。但这些原则背后有一个深刻的洞察：权力不能靠权力拥有者的善意来约束，必须靠独立于权力的机制来约束。

智能体时代的权力问题，需要以这个洞察为起点来思考。不是“这些 AI 公司应该更负责任”——这是对善意的期待，不是对权力的约束。而是：什么样的制度设计，能够让认知基础设施的控制者，无论其主观意图如何，都受到有效的外部约束？

这个问题，今天几乎没有被认真讨论。不是因为它不重要，而是因为它太超前于现有的政治议程了。政治体系的运作，通常是在问题已经足够严重、代价已经足够真实的时候，才开始认真回应。

这意味着，等到政治体系准备好认真讨论这个问题的时候，权力格局可能已经固化了。这不是悲观，而是政治学给我们的一个诚实的历史提醒：制度建立总是滞后于权力的形成，而滞后的代价，通常由没有权力的人来承担。

我没有一个关于“智能体政治体制应该长什么样”的答案。但我觉得，首先需要的是更多的人意识到：这里存在一个权力问题，它不会因为技术进步而自然解决，它需要政治意志和制度设计来回应。

从意识到问题，到开始讨论问题，到真正形成有效的制度——这个过程需要时间，而时间是我们目前最稀缺的东西。

本篇留下的命题与招题

本篇认领第④⑦环，留下两条可以被检验、也可以被推翻的命题。

第一条，关于保留权的流失。没有显性设计推翻权的系统，其人类否决频率会随时间单调趋零。这一条在企业个案里我已经反复见到，可以算“已知”；但它是否在社会尺度上普遍成立，需要更大的样本。检验方式很现成：调运行日志，数否决次数。

第二条，关于窗口期。在委托规则固化之前的这段窗口期里，规则由供给方单方面写定的比例，超过九成。检验方式也很朴素——把主流智能体产品的服务条款收集起来，逐条统计：有多少条是双向约定的，有多少条是“我方有权随时修改”。

第二条如果成立，它说明的事情比它本身更重：我们正在经历一次立法，而绝大多数人既没有参与，也不知道它正在发生。这也是本系列公开招募的招题之一——把智能体的服务条款当宪法来审查，谁做，都是一件有价值的事。

下一篇，我们进入法学的维度：当行动者没有法律人格，我们现有的法律体系会遇到什么样的麻烦？

法律遇到了一个它没有准备好的问题

法学和其他社会科学有一个根本的不同：它必须给出答案。

经济学家可以说“这个问题我们还在研究”，社会学家可以说“这个现象需要更多数据”，但当一个真实的纠纷摆在法官面前，他不能说“这个问题法律还没想清楚，我们等一等”。他必须裁判。

这让法学在面对智能体时，处于一种独特的困境：它必须用现有的概念工具处理那些超出这些工具设计范围的情况，而且必须马上处理，因为案子已经来了。

让我描述一种正在真实发生的情形，不是某个具体的案例，而是一类情形的共同结构：一家公司部署了一个智能体，用于处理客户咨询。这个智能体在某一次交互里，给了一个客户一个信息，客户基于这个信息做了决定，结果造成了损失。客户想要追究责任。

这时候，法律遇到了麻烦。

做出那个判断的主体，不是公司的某个员工，不是某个具体的人，而是一个系统——它的行为是由训练数据、模型参数、部署配置以及当时的对话上下文共同决定的，没有任何一个人在那一刻做出了“给这个客户这个建议”的决定。

用现有的法律概念处理这件事，像是用一套为下棋设计的规则来裁判一场篮球比赛——不是完全没有可以借用的地方，但总有一些关键时刻发现规则对不上。

先定位：这一篇处理的是委托的哪一段

这个系列的基本单元是一次委托。这一篇认领其中最不体面的一段：第⑤环，失败——委托搞砸之后，后果算谁的。

前面几环讲的是委托怎么建立、怎么被约束；这一环讲的是它塌掉的时候会发生什么。而法学是唯一必须给出可执行答案的学科：它不能停在“这个问题很复杂”，它最终必须判给某一方。

还有一条底线公理贯穿本篇：责任只能由人承担（体系里编号 A2）。本篇要做的，就是把这条底线推到它的法律后果上。

法律的历史：永远在事后追赶

法律从来不是预言家。它是历史的记录者——记录哪些冲突发生了，用什么方式解决了，然后把这些解决方案沉淀成规则，以便下次遇到类似情况时有据可循。

这套逻辑在一个变化缓慢的世界里运转得很好。当新的现象出现，法律会用“类推”的方式来处理它：这个新情况最像什么旧情况？把那套规则借过来试试看。如果不合适，在具体的案件里再调整，慢慢积累出新的判例，最终形成专门针对这类情况的法律规则。

这个过程，在汽车出现的时候发生过。汽车是新的，法律最初用“马车”的规则来处理它，慢慢发现不够用，于是逐渐发展出道路交通法、机动车强制保险、产品责任法里专门针对汽车的条款。这花了几十年，期间有大量的混乱和争议，但最终法律大致赶上来了。

智能体的出现，正在触发同样的“类推困境”：法律在寻找最接近的现有类别来处理智能体，但每个类别都不太合适。

类推为“工具”：锤子伤了人，是使用者的责任，不是锤子的责任。如果把智能体当工具，那么它造成的损害，完全由使用它的人或机构来承担。这在某些情况下说得通，但在智能体高度自主运作、运营者无法实时监控每一个输出的情况下，把所有责任压在运营者身上，既不公平，也不能有效激励底层模型开发者提高安全性。

类推为“员工”：雇主对员工在职务范围内的行为负有连带责任——这叫“替代责任”原则，在劳动法里有清晰的规定。智能体在某种程度上确实像一个执行特定职能的“员工”，这个类推有它的吸引力。但员工有法律人格，可以被单独起诉，有自己的权利和义务；智能体没有法律人格，这个类推的基础就缺了关键的一块。

类推为“产品”：产品责任法规定，如果一个产品存在设计缺陷或制造缺陷，导致了使用者损害，制造商承担责任。这对于智能体模型的开发者来说，是一个可能被适用的框架。但“缺陷”在产品责任里有很具体的含义——产品偏离了它应有的设计标准。智能体的“幻觉”和“漂移”，是它在技术上正常运作时产生的行为，不是“偏离设计标准”，这让产品责任的框架很难直接套用。

每一种类推，都能走一段，但都会在某个地方遇到一个关键的不匹配。法律就在这些不匹配里，一次次做出临时的判断，这些判断积累下来，形成了一个内部逻辑并不完全一致的拼图。

四个已经在发生的法律麻烦

从抽象的类推问题，落到四个具体的法律领域——这些问题不是将来才会出现的，而是法律系统今天已经在处理，但还没有处理好的。

第一个：法律人格的空白。

现代法律体系里有两种主体：自然人和法人。自然人就是活生生的人，从出生到死亡享有权利、承担义务。法人是法律创造的虚构主体，最典型的是公司——它可以签合同、可以持有财产、可以被起诉，但背后始终有真实的人在控制它、对它负责。

智能体两者都不是。它不是自然人，它也不是法人——它没有股东，没有董事会，没有任何人格意义上的“背后”。它是一个系统，一个过程。

当这个系统以行动者的方式在社会里运作——做推荐、做决策、发起交互、形成实质性的影响——法律体系对它的定性是什么？目前的答案是模糊的：它既不是主体，也不完全是客体，它是某种介于两者之间的存在，而法律体系还没有一个名字来准确描述它。

没有名字，意味着没有清晰的法律地位；没有清晰的法律地位，意味着所有涉及它的纠纷都需要临时决定用哪个框架来处理。这种临时性，在规模扩大之后会产生真实的成本。

第二个：责任链条的断裂。

当一个智能体造成了损害，法律需要找到“应该负责的人”。但这个链条，在智能体场景里，可能在好几个地方同时断裂。

开发底层模型的公司，声称他们只是提供了通用能力，不对特定的部署方式和使用结果负责。部署智能体的企业，声称他们按照供应商的指南部署，超出预期的行为不是他们能控制的。最终用户，声称他们只是在使用一个被提供给他们的工具。

每一方的说法，单独看都有一定的道理。但加在一起，结果是没有任何一方为损害承担充分的责任。这在法学上叫“责任缺口”——一个真实发生的损害，找不到一个能够被要求充分赔偿的主体。

目前处理这个问题的方式，主要是合同——通过服务条款、使用协议、合同条款来分配风险。但合同只约束签约方，不保护合同之外的第三方。当智能体的行为影响到一个和它没有直接合同关系的人，合同路径就不管用了。

第三个：数据主权在智能体语境里的新难题。

个人数据保护法律，在过去二十年里取得了很大的进展。欧洲的GDPR确立了一系列数据主体的权利，包括“被遗忘权”——你有权要求删除关于你的个人数据。

但这套权利体系，是在“数据存储”的模型下设计的：你的数据被存放在某个数据库里，要删除就从数据库里删掉。

智能体改变了这个模型。当一个模型用包含你个人信息的数据训练过之后，那些信息不是以“可以被查找和删除”的方式存储的，而是以某种弥散的、编码在模型参数里的方式被“记住”了。你如何行使“被遗忘权”？没有一个成熟的技术答案，法律也没有一个成熟的规则回应。

更复杂的情况是，当你在使用智能体的过程中，你的交互历史、你的偏好、你透露的各种信息，被用于改善这个系统——你同意了吗？这个同意是有效的吗？在一个几十页的服务条款里，有一条关于此的说明，算不算有效同意？

第四个：能力壁垒与竞争法的新战场。

传统的反垄断法，主要处理的是“市场支配地位的滥用”——当一个企业控制了足够大的市场份额，它就有能力排挤竞争者、伤害消费者，这时候反垄断法介入。

但在智能体时代，壁垒不只是市场份额，而是能力本身。拥有最先进模型的机构，不只是有“更多用户”，而是有“更强的认知能力”，而这种能力差距，会以一种旧反垄断框架没有对应概念的方式，形成结构性的竞争壁垒。

如何测量“认知能力”上的市场集中度？如何判断一个智能体系统的能力优势是“正当的竞争优势”还是“滥用市场支配地位”？这些问题，现有的竞争法体系没有工具来处理。

这些问题，法学界已经吵了二十年

前面说这四个麻烦“没有现成答案”，需要补一句：不是没有人研究过。这个体系不打算假装自己是第一个碰到它们的人。

2004 年，德国学者 Andreas Matthias 发表过一篇论文，给这类问题起了一个名字：责任缺口（responsibility gap）。他的论证很简单，也很致命：传统上制造者要为机器的行为负责，前提是他能够预见并控制这台机器会做什么。但学习型系统的行为是在使用过程中被数据不断塑造的，制造者既不能完全预见、也不能完全控制——于是出现了一个空位：机器造成了损害，而按照传统的归责原则，找不到一个“应当负责”的人。“责任缺口”这个词，本系列直接沿用，它不是我发明的。

欧盟在这条路上走得更远，也摔得更疼。2017 年，欧洲议会通过了一份关于机器人民事法律规则的决议，其中提出：可以考虑给最复杂的自主机器人一种“电子人格”的法律地位，让它自己成为责任主体。这个提议在 2018 年遭到一封多国专家联署公开信的强烈反对，反对的理由大意是——给机器一个法律人格，实际效果不是让机器负责，而是给它背后的公司递了一块挡箭牌。

这场辩论到今天也没有结论，但它把问题的两端都摆清楚了：不给人格，责任找不到主体；给了人格，责任可能被转移到一个赔不起、也不会疼的东西身上。

我把这两条线索放在这里，是为了说明本篇的位置。前面三节的四个麻烦，是这个二十年老问题在中国当下实践里的具体形态；本篇不重新发明轮子，而是把它接到一个新的推导起点上——行动、判断、担责的三位一体被拆开了，责任缺口不是一个孤立的法律技术难题，而是那次拆分在法学这一门里的必然结果。

法律的本质难题：它总是在事后

把这四个问题放在一起，有一个共同的深层逻辑：法律处理问题的方式，本质上是“事后的”。它需要等到冲突真实发生，在具体案例里积累判例，才能形成规则。这套逻辑在变化缓慢的世界里是有效的，因为“事后”的时间间隔不长，规则能够赶上现实。

但智能体进入社会的速度，比法律积累判例、形成规则的速度快得多。这意味着在法律体系追上来之前，会有一段相当长的时间，在这段时间里，所有涉及智能体的纠纷，都在一个规则不清晰的状态下被处理。

这段时间里，谁的利益受损最大？通常是那些在纠纷中议价能力最弱的一方。历史上每一次法律滞后的阶段，代价都不是平均分担的。

有没有可能这次做得更好？在损害大规模发生之前，主动建立智能体的法律框架，而不是等到足够多的案例积累之后再回头建立？

从历史规律看，这非常难。主动立法需要政治意志，政治意志需要足够广泛的社会认知，而社会认知的形成通常需要真实的、有显示度的损害作为触发器。这是一个令人沮丧的循环。

但这个循环也不是铁板一块的。历史上确实存在少数成功的“预防性”立法，它们往往发生在一个特定的条件下：有足够多的人能够清晰地预见到即将到来的问题，并且有能力把这个预见转化为有说服力的政策建议。

这大概是为什么，把智能体面临的法律问题说清楚，不只是法学家的工作。

本篇的结论：责任残留不允许为空

说了这么多没有答案的问题，这个体系在法律这一侧能给出的、唯一一条足够硬的结论，是从底线公理直接推出来的——责任只能由人承担，所以：任何一次委托，责任残留都不允许为空。

“责任残留”就是这次委托做错了之后，由谁疼。说它不允许为空，不是在说“总会有人倒霉”，而是一条设计要求：在把一个判断交出去之前，责任落点必须已经被指定，而且被指定的那个人知道自己被指定了。

这条结论有一个让人不舒服的推论：如果一个判断，你找不到任何人愿意、或者能够为它的错误结果负责，那么正确的做法不是“先上线，出了事再说”，而是——这个判断此刻还不该被交出去。责任残留为空，是委托的中止条件，不是待办事项。

为什么这一条能立住，而前面那些问题还悬着？因为它不需要等立法。它是委托方自己此刻就能执行的条款，写进授权契约就是一行字的事。法律是事后的，契约是事前的——在法律追上来之前，契约是唯一能提前把责任接住的东西。

这条结论对应本体系的一条可检验命题：法律人格空白导致的“找不到充分赔偿主体”的案件数，会比委托规模本身涨得更快。检验方式很朴素——建一个判例库，逐年数。如果数下来它不成立，比如现有的产品责任、雇主责任框架被证明足以吸收全部纠纷，那就是本篇的紧迫性判断错了，我认。

一个诚实的承认

写完这篇，我想说一件实话：法律问题是这个系列里我最不专业的领域。我不是法学家，以上这些分析，是一个在实践里碰到这些问题的从业者的观察，不是受过严格法学训练的人的判断。

所以这篇能交出的东西是有限的、也是具体的：一条现在就能写进契约的结论（责任残留不允许为空）、一条可以被判例数据推翻的命题，以及四个问题位置的描述。真正的立法工作和教义学工作，得由受过训练的人来做。

如果这些描述能让更多真正懂法律的人觉得“这件事确实值得认真研究”——甚至觉得“这条命题错得值得反驳”——这篇文章就达到了它的目的。被反驳，也是一种被认真对待。

法律是所有社会制度里最贴近现实的那一层。它不能停留在“这个问题很复杂”的层面，它必须最终给出一个可以执行的答案。正是这种“必须给答案”的特性，让法律成为衡量社会对一个新现象准备程度的最诚实的指标。

从这个标准看，我们今天面对智能体，还没有准备好。

最后一篇，我们把视角从社会的各个维度，转向一个更具体的结构：当大量智能体开始相互连接、相互调用，会涌现出什么？

一个需要认真对待的观察

我做AI教育工作，经常在不同的场合给不同的人讲AI。这些年下来，我注意到了一个让我有些不安的现象。

同样是一个十岁的孩子，在两种家庭环境里，接触AI的方式可以是完全不同的。一种情况是：家长本身对AI有深度理解，家里的AI工具是精心筛选过的，孩子在使用AI的同时，旁边有人在引导他们理解“这个工具在做什么、它的边界在哪里、我应该信任它多少”。另一种情况是：孩子接触的是随机推送给他的免费工具，没有任何引导，用AI写作业、用AI偷懒，从来没有人帮他想过“这件事对我的思维方式意味着什么”。

这不是有没有“学AI”的问题。这是两种完全不同的认知发展轨迹——一条轨迹上，AI在放大孩子的思维能力；另一条轨迹上，AI在替代孩子思考，同时让他感觉自己在变聪明。

我在教育领域观察到的这个分化，其实是一个更大的社会学现象的局部。社会学研究的核心问题，是不平等如何被生产和维系。人类历史上，每一次重大的技术变革，都会在初期加剧不平等——因为新技术首先惠及那些有能力、有资源、有网络去接触它的人。然后经过一段时间的扩散，不平等可能会收窄，也可能会在新的层面上固化。

智能体带来的，很可能不只是一次更快的“技术扩散的不平等”，而是一种在性质上就不同的新型分层——它不在财富层面运作，而在认知层面运作。而认知层面的不平等，历史上还没有出现过可以参照的先例。

先定位：这一篇处理的是委托的哪一段

这个系列的基本单元是一次委托——一个判断点，从人交给智能体的那层关系。九篇各认领这次委托生命周期里的一段。

这一篇认领最难看见的两段：第⑥环，侵蚀——委托的长期代价，判断力怎么在不知不觉中退掉；第⑦环，元层——谁在定义这些委托的规则。

之所以说“最难看见”，是因为前面几环的失败都有事故：责任找不到人、系统出错、契约扯皮，都是看得见的。而这两环的失败没有事故，只有缓慢的分层。等到它变得可见，结构已经固化了。

社会分层的历史逻辑

社会学从诞生之初，就在试图理解一件事：为什么社会总是分层的，这些层级是如何形成的，又是如何把自己维持下去的？

马克思的答案是：生产资料的占有。谁控制了生产资料，谁就在经济结构里占据主导位置，这种占据会转化为政治权力、文化权力，最终形成稳定的阶级结构。

韦伯的回答更复杂：分层不只是经济的，还有身份地位和政治权力这两个独立的维度，三者相互影响但不能简单地互相化约。

二十世纪的社会学家皮埃尔·布尔迪厄提出了“资本”的扩展概念：社会里流通的不只是经济资本，还有文化资本（知识、品味、文凭）和社会资本（关系网络、社会信任）。这三种资本可以互相转化，共同构成一个人的社会位置。

这些理论框架，在智能体时代依然有解释力，但它们共同缺少了一个在今天变得越来越重要的维度——认知资本，或者说：思维能力的放大程度。

历史上，人与人之间的认知能力差异是存在的，但它有一个生物层面的均衡机制：人类大脑的硬件差异有限。最聪明的人和普通人之间，在单位时间内的思维处理能力上，差距是有上限的。这个上限让“认知能力”这个变量在社会分层中扮演了重要但有边界的角色。

智能体正在移除这个上限。

一个具备深度AI使用能力的人，和一个不具备这种能力的人，在同样的时间里能够处理的认知任务，能够调用的知识深度，能够做出的决策质量——这个差距正在迅速扩大，而且还没有看到收敛的迹象。

认知放大的不平等：为什么这一次不一样

每一次技术革命带来的不平等，历史上都有过类似的讨论。工业革命让机器拥有者和劳动者之间的差距扩大；互联网让有信息渠道的人和没有的人之间产生了“数字鸿沟”。但这两次，不平等最终都在一定程度上收窄了——因为技术有其自身的扩散逻辑，随着成本下降、基础设施普及，曾经的门槛逐渐降低。

为什么我觉得认知放大的不平等，可能在性质上不同？

第一，它在运作层面更深。工业革命的不平等，主要运作在“你能做什么”的层面——有没有机器，决定了你能生产多少。数字鸿沟的不平等，运作在“你能获取什么信息”的层面。认知放大的不平等，运作在“你怎么思考”的层面——不是你能获取什么，而是你用什么质量的思维过程在处理你获取的东西。

这是一个更难被“普及”消解的不平等，因为它嵌入在思维方式本身里，而不是嵌入在工具的有无里。

第二，它有自我强化的机制。经济资本可以生息，文化资本可以转化为更多资本——布尔迪厄早就指出了资本的自我增殖逻辑。认知放大的不平等同样有这个特性，而且可能更强。一个被高质量智能体持续辅助的人，他做的决策更好，他积累的经验更有价值，他能接触到的机会质量更高——这些反过来让他更有能力利用更好的智能体。而一个被低质量工具替代思考的人，他的判断力在退化，他越来越依赖工具，越来越难以辨别工具给出的答案是否正确。

两条轨迹，起点的差距可能只是一台更好的工具和更好的指导，但随着时间积累，它们之间的距离会以复利的方式扩大。

第三，这种不平等目前很难被“看见”。经济不平等有GDP、基尼系数、收入分布可以测量。认知放大的不平等，目前没有成熟的测量工具，也没有被纳入任何国家的政策议程。它在发生，但它发生在一个还没有统计学语言来描述它的领域里。

认知资本：把它从比喻变成一个能算的量

上一节我说“认知资本”的时候，其实是在赊账。布尔迪厄的经济资本、文化资本、社会资本，都有相对成熟的测量传统；而我提出的这个第四种资本，如果只停在比喻，它就是一句漂亮话。一个概念如果测不了，它就不能进入社会科学，只能进入演讲稿。

所以这一版把它算清楚。一个人的认知资本 = 个人智能密度 × 验收能力。

个人智能密度，指的是你把多少判断交给了智能体，交得有多深。它不等于你用不用 AI，也不等于你用得熟不熟——一个人整天用 AI 写周报、做 PPT、查资料，密度可以接近于零，因为这些事本来就没有判断点。真正计入密度的，是那些做错了有人担责的判断：定价、录用、诊断、投资、给孩子选路。把这些判断点按“失误后果 × 让渡深度”加起来，就是你的密度。

验收能力，指的是它把东西交回来之后，你能不能判断这东西是好是坏。这个能力不来自 AI，只来自你自己的经验存量。

关键在于中间那个乘号。它们是乘法，不是加法。

加法意味着两者可以互相弥补——验收能力差一点，多用点 AI 补回来。乘法意味着不能：验收能力如果是零，密度再高，认知资本还是零。而且它可以是负的——当一个人把大量高后果判断交出去，却完全没有能力判断交回来的东西对不对，AI 不是在放大他的能力，是在加速他犯错。你可以在很多“AI 转型失败”的现场看到这个负值。

这个乘法结构，解释了一件让很多人困惑的事。

平权悖论：工具在平权，能力在分化

我在很多场合说过一句话：AI 是一个巨大的放大器，它对每个人都是公平的。这句话是对的——同一个模型，教授能用，中学生也能用，价格一样，不看出身。历史上很少有哪种能力增强手段像它这样普惠。

但这句话常常被当成好消息听，而它其实是个中性的物理描述。放大器不产生内容，它只放大已经存在的东西。而已经存在的东西，本来就是不平等的。

把它接到上一节的公式上，机制就清楚了：模型能力是普惠的，可是要把模型能力变成认知资本，需要两样东西——知道该把哪个判断交出去，以及交回来之后能验收。这两样都来自判断力的存量，而判断力的存量分布极不均匀。

于是就有了这个悖论：模型越强，判断力存量的回报率越高。老专家加 AI 的威力，远远大于菜鸟加 AI——不是因为老专家更会用工具，而是因为他知道该问什么、也认得出答案对不对。工具在平权，能力在分化，而且是同一件事的两面。

这是这一篇最想留下的一句话：普惠的工具，会放大不普惠的能力。指望技术自己把差距抹平，在这个结构下不成立。

分化不是被论证的，是被沉默的

上面是推理。下面是几个我自己的现场——它们让我不太舒服，但正因为不舒服，才值得写下来。

第一个：我讲过很多场面向家长的课。回头看那些课的讲稿，我举的成功案例几乎是同一种配置——孩子去舅舅的公司实习、跟着大学老师上创新课、进国际学校的少年 CEO 班。每一个案例的背后，都站着一个精英家庭、一所顶级机构、或者一张人脉网络。而三个小时的分享里，“没有这些资源的普通家庭该怎么办”这个问题，台下没有人提，台上我也没有主动答。

不是有人回避了它。是它没有被想起来——这比回避更值得警惕。

第二个：一位奶奶的问题。她的孙子刚上小学三年级，她担心孩子接触 AI 会沉迷，来问我怎么办。但她真正的困难不是“该不该让孩子用”，而是——我一个奶奶，怎么监管一个我根本不懂的东西？

这个问题问到了 P3 的核心。高让渡、低验收，在很多家庭里不是一种选择，是一种结构性处境：监护人自己就不具备验收能力，于是孩子的委托质量完全没有人把关。而在另一些家庭里，父母本身就是这个领域的从业者。同样的模型，同样的价格，两个孩子拿到的东西完全不同。

第三个：一份账单。我个人的 AI 开支，从每月三百块涨到了六千块。我常说“你连 token 都烧不掉”，意思是敢花 token 反映了一个人知道自己要什么。但把这句话倒过来看：当认知资本开始有价格，它就正式变成了一种可以被购买、也可以被买不起的东西。月付六千的人和月付零的人之间那条线，是一条新的阶级线，而且它今天还几乎无人讨论。

这里必须补一句诚实的话：以上都是观察，不是证据。我讲的成功案例有明显的幸存者偏差——没有对照组，没有追踪数据，失败的孩子不会来找我分享。把这些写进来，是为了让下一节的命题有一个可以被反驳的现场，而不是为了证明我已经对了。

信任：社会里最难被复制的东西

社会学里有一个长期被研究的核心命题：信任。

涂尔干研究了社会凝聚力——什么把一个社会维系在一起，而不是让它碎裂成相互算计的个体？齐美尔研究了货币经济里的信任逻辑，他指出现代社会的信任有一个根本性的转变，从“对具体的人的信任”转向“对系统的信任”——你信任银行，不是因为你认识银行的每一个员工，而是因为你信任整个金融监管体系。

现代社会的信任基础设施，是几百年来慢慢建立起来的：法律体系、职业认证、机构声誉、评级制度……这套东西的共同功能，是让我们能够和陌生人合作，能够把自己的利益托付给从未见过面的人和机构，能够在一个复杂的社会里正常运转。

智能体进入这个信任体系，带来的不是一个“如何信任AI”的技术问题，而是一个“信任基础设施需要如何被重建”的社会学问题。

你现在为什么会信任一个医生的建议？因为他有执照，执照背后有医学院的培训体系，医学院背后有医学知识的积累，执照的颁发背后有监管机构——这是一条很长的信任链，每一个环节都有制度在支撑。这个链条是经过几百年的试错慢慢形成的。

当一个智能体给你提供医疗建议，这条信任链在哪里？目前，大概是这样的：你信任提供这个智能体的公司，这家公司声称它的训练数据质量很高，它声称经过了安全审查——但这整个链条，比你信任一个有执照的医生的链条要脆弱得多，而且它的每一个环节都还没有成熟的社会性认证机制。

这不是一个可以忽略的问题。因为信任的失败，在社会层面的代价是巨大的。历史上每一次大规模的信任崩溃，都会产生深远的社会影响。如果智能体在大规模进入医疗、法律、教育、金融这些关键领域之前，没有建立起足够的信任基础设施，一次重大的失误就可能造成对整个技术的系统性信任危机。

更微妙的问题是：信任基础设施的建立，是一个社会过程，不是一个技术过程。它需要时间，需要经历失败和修复的循环，需要多方利益相关者的参与和博弈。而现在，智能体进入社会的速度，比任何社会性信任机制能够成熟的速度都快得多。

我们正在以我们信任基础设施还没有准备好的速度，部署一批需要被信任的系统。

规范从哪里来：一个还没有答案的问题

社会学里有一个概念叫“规范”——那些不成文的、但被一个社会或群体广泛遵守的行为准则。规范不是法律，它没有强制执行的机构，但它的约束力有时候比法律更强，因为违反规范会带来社会性的惩罚：被排斥、被嘲笑、被认为是不文明的人。

人类社会的规范是怎么形成的？是通过无数次真实的互动，通过观察哪些行为被接受、哪些行为受到排斥，通过代际传递，通过文化的沉淀。这个过程很慢，但它有自我修正的能力——当规范产生了明显的社会代价，它会被质疑，被修改，被替代。

智能体的行为规范，目前主要来自一个地方：训练时注入的价值观。

这是一件在人类历史上没有先例的事情。一批工程师和研究员，通过设计训练过程，实际上在为大量未来的行为设定规范——这个智能体认为什么是可以说的，什么是不应该说的，什么是“有帮助”，什么是“有害”。这些判断，以一种非常不透明的方式，被编码进了一个可能被数亿人使用的系统。

这不是在批评这些工程师和研究员——他们大多数都在认真思考这些问题，而且没有一个完美的答案。但这个事实本身，就是一个需要被认真对待的社会学问题：谁有权决定一个大规模使用的认知系统“应该相信什么，应该拒绝什么，应该推崇什么”？

历史上，规范的形成是一个分布式的、缓慢的、多方参与的过程。智能体的规范形成，目前是一个高度集中的、快速的、由极少数人主导的过程。这两种过程的性质差异，会产生什么样的社会后果，我们现在还不完全知道。

但有一件事，我觉得是可以说的：当一个社会里很大比例的人开始通过同样的几个智能体系统来获取信息、形成判断、做出决策，这些系统内嵌的价值观，会以一种前所未有的规模和速度，影响整个社会的认知分布。这和以前的任何媒体影响都不同——因为它不只是传播观点，而是在参与思维过程本身。

本篇留下的命题与招题

本篇认领第⑥⑦环，留下两条可以被检验、也可以被推翻的命题。

第一条，关于分化的速度。个人认知资本（个人智能密度 × 验收能力）的分布，其不平等程度的扩大速度，会快于同期收入不平等的扩大速度。这条现在还测不了——因为认知资本刚刚在本篇里被定义出来，测量工具还没有。所以它同时是一条命题和一个招题：谁来做第一次测量。

第二条，关于规范从哪里来（第⑦环）。大规模部署的智能体，其输出所携带的价值观，其多样性会显著低于它所服务的那个用户群体的价值观多样性。说白了：几亿人从同几个系统里获取判断，而那几个系统的价值观，来自极少数人。这条可以用语料对比来检验。

为什么第二条重要？因为它说明第⑦环的权力是静默的。没有人投票决定智能体该秉持什么价值观，也没有人签署过同意书——它是在训练过程中被写进去的，然后随着部署规模扩散成一种事实上的社会规范。这是一种不经过立法程序的立法。（政治学篇会正面处理这件事。）

我在做的事情，和我感到不安的事情

我在“永乐教育”做的事情，本质上是在试图回应这些问题的一个局部。

我们想做的，不只是让孩子“学会用AI”，而是让孩子能够理解AI在做什么、能够保持对AI输出的独立判断、能够用AI放大而不是替代自己的思维。这件事如果只有一部分家庭能做到，它就会成为认知不平等的新来源；如果能够足够广泛地发生，它就有可能成为某种均衡的力量。

但这两种结果，不是自然发生的，而是取决于具体的选择——谁来推动，用什么方式，触达哪些人群，以什么样的成本。

我在思考这个问题的时候，感到最不安的，不是技术本身，而是我们在面对这些社会学问题时的集体注意力分配。大量的讨论集中在“AI会不会取代工作”“AI如何提升效率”，而“AI正在如何重塑社会分层”“认知放大的不平等正在如何形成”——这些问题，在政策层面、在教育层面、在主流公共讨论里，还远远没有得到应有的严肃对待。

也许是因为它们太慢了，慢到感觉不紧急。

但慢的过程有时候产生的后果比快的过程更难逆转——因为等到它变得可见的时候，结构已经固化了，想要改变它的代价会大得多。

这是我觉得社会学家、教育工作者、政策制定者，都应该在现在就开始认真思考的问题。不是五年后，是现在。

下一篇，我们进入政治学的维度：在智能体世界里，权力从哪里来，到哪里去？

一个你可能没有注意到的现象

我在设计多智能体系统的时候，经常会画一张图：圆圈代表各个智能体，箭头代表它们之间的调用关系。一个圆圈调用另一个圆圈，那个圆圈又调用第三个，有时候会产生环路，有时候一个节点会被许多其他节点同时指向。

有一天我盯着这张图看了很久，然后意识到：这张图和我见过的另一类图很像。

那类图，是社交网络的可视化图。人是节点，关系是边。那些图里，总有几个节点被非常多的边指向——那是“枢纽”，社交网络里的关键节点。大多数节点只有少量连接，但少数节点连接着整个网络的大部分。这种结构，网络科学里叫“无标度网络”，它的出现不是某人设计的结果，而是网络在“优先连接”原则下自然生长的结果——已经有很多连接的节点，更容易获得新的连接。

我意识到：我画的那张智能体调用图，正在开始显现出类似的结构。那些被调用最多的智能体，正在成为“枢纽”。这不是我刻意设计的，而是从实际使用模式里自然涌现出来的。

这件事让我有点不安。因为如果智能体网络在规模扩大之后，会自然地发展出类似人类社交网络的拓扑结构，那么人类社交网络里所有已知的问题——马太效应、信息茧房、枢纽节点的脆弱性——都会在智能体网络里以某种形式重新出现。

而这只是一个相对简单的结构性问题。更复杂的问题还在后面。

先立论：到了这一篇，行动者不再是智能体，是网络

这个系列前面几篇有一个共同的隐含假设：讨论的对象是一个智能体——一个智能体值多少钱、一个智能体该怎么管、一个智能体出了事算谁的。即便谈到关系，出发点也仍然是“智能体之间“。

写到这一篇，我必须承认那个假设在这里失效了。

当智能体网络到达一定规模，产生出没有人设计过的整体行为，那个真正在行动的东西，已经不是其中任何一个智能体，而是网络本身。你可以逐一检查每个节点，发现它们全都在正常工作、全都在自己的授权范围内——然后整体做出了一件谁都没打算做的事。

v1 写到这里的时候，我把这个发现放在了倒数第二节，当作一句自我批评。这一版把它提到开头，因为它不是一句谦辞，它是这一篇的立论。如果行动者变成了网络，那么前面所有关于“一次委托”的分析，都必须先做一次尺度上的转换才能继续用——而这正是本篇要做的事。

转委托：委托的第二种形状

先把这个尺度说清楚。

前面几篇讨论的是单次委托：一个人，把一个判断，交给一个智能体。链条很短，责任落点清晰——虽然经常没写下来，但至少找得到。

而网络里发生的是另一种形状：A 把判断交给 B，B 又把其中一部分转交给 C，C 再调用 D。这叫转委托。它不是“更多的委托”，它是一种性质不同的委托。

为什么性质不同？因为在单次委托里，让渡者和承接者是面对面的：我知道我把什么交给了谁，我可以验收，我可以推翻。而在转委托里，最初那个人和最终执行的那个节点之间，隔着若干层他既看不见、也没有授权过的中间环节。

这产生了两个在单次委托里根本不存在的问题。

第一，意图会在转手中损耗。A 交给 B 的时候，附带了一大堆没说出口的语境——为什么做这件事、什么算做好了、什么情况下要停下来问人。B 转给 C 的时候，这些语境不会自动跟着走，跟着走的只是一段被压缩过的指令。转到第三手，最初那个“为什么”通常已经完全蒸发了。

第二，责任会在转手中稀释。单次委托的责任残留至少还找得到人——就是那个交出判断的人。但在一条五层的调用链上，每一层都可以诚实地说“我只是执行了上游传下来的要求”。每一层都没有说谎，而整条链上没有一个人对最终结果负责。

所以本系列的尺度切换规则是：只要委托出现两层以上的转手，就必须从“单次委托”切换到“委托网络”来分析。用单次委托的框架去看一条五层调用链，得到的结论会系统性地偏乐观——因为那个框架默认了一件在网络里根本不成立的事：让渡者知道自己让渡了什么。

网络有一种让设计者失控的能力

复杂系统研究里有一个核心概念：涌现（emergence）。它指的是一个系统整体展现出的性质，不能从它的任何单一组成部分推断出来。水分子没有湿润感，但大量水分子聚合在一起，就有了湿润感。神经元没有意识，但大量神经元按照特定方式连接，就产生了意识。

涌现的关键特性，是它超越设计者的意图。你可以精心设计每一个组成单元，但当这些单元以特定的方式大量连接，整体行为会超出任何单一设计者的预测范围。

人类社交网络就是一个涌现的例子。没有任何人设计了“互联网会催生信息茧房”，没有任何人设计了“社交平台会加剧政治极化”。这些现象是从无数个体的选择里涌现出来的，每一个个体的行为在局部看都是合理的，但这些行为加在一起，产生了没有人预期的、在系统层面难以控制的效应。

智能体网络有理由让我们预期同样的事情会发生，而且可能以更快的速度。

原因在于，人类在社交网络里的行为，受到疲惫、情绪、有限的时间、道德直觉等因素的制约。这些制约有时候是问题，但也是某种天然的阻尼——它们限制了网络效应在某些方向上的极端化。智能体没有这些制约。它们不会疲惫，不会因为道德不适而停止某个行为，不会因为“这件事太奇怪了”而主动踩刹车。

这意味着，当智能体网络产生某种涌现效应，这种效应在没有外力干预的情况下，会比人类网络里的同类效应更快、更极端地发展。

连接的语言：一个还没有解决的基础问题

人类社交网络靠什么连接？靠语言、情感、共同的记忆、共同的身份认同。这些连接的质地是丰富的、有容错性的——即便两个人在具体问题上理解有差异，他们之间的关系可以在更大的共同基础上维持。

智能体之间现在靠什么连接？主要靠 API 调用和提示词（Prompt）传递。这两种连接方式，和人类的连接方式相比，有一个根本性的脆弱性：它们是形式化的、精确的，因此对信息的微小变化高度敏感。一个提示词的细微措辞变化，可能导致下游智能体的行为发生显著偏移；一个 API 接口的版本更新，可能破坏整个调用链。

更深的问题是：当智能体 A 调用智能体 B，它们之间传递的是什么？表面上是文本，但实际上是某种“意图的转述”。智能体 A 把一个任务分解，把其中一部分传给 B，但它如何确保 B 理解的“这个子任务的位置和目的”和自己的理解是一致的？人类在协作时，这种对齐是通过大量的隐性沟通完成的——眼神、语气、共同的背景知识、随时可以提问的机会。智能体之间的调用，目前没有这些。

这不只是一个工程问题。人类之所以能大规模协作，不只是因为有通信手段，而是因为人与人之间的连接携带了大量说不出口、却确实在起作用的东西：共同的背景、随时可以追问的机会、看见对方犹豫时的那一秒停顿。智能体之间的调用，目前把这些全部丢掉了，只留下文本。

所以真正的问题不是“能不能连上”，而是“连接里携带了多少东西，这些东西在传递中丢了多少”。

委托保真度：意图在每次转手里会掉多少

上一节结尾那个问题，需要一个能测的概念才能往下问。v1 用的词是意义密度。现在我要把这个词废掉。

废掉的理由很简单：它听着有分量，但它测不了。“这条连接携带了多少意义”——没有任何一个人能给出操作方法。一个测不了的概念，不管说起来多顺口，都只能待在演讲稿里，进不了研究。

换成一个能测的：委托保真度——最初那个判断的意图，在经过若干层转手之后，还剩下多少。

它可以这样测。给出一个原始委托，写清四件事：目标、约束、什么算做好了、什么情况必须停下来问人。让它经过 N 层转手，然后在最末端拿到实际执行的指令，跟原始委托逐条比对：目标还在吗？约束还剩几条？“什么算做好”还在吗？至于“什么时候该停下来问人”——这一条通常第一个消失。剩下的比例，就是这条链的委托保真度。

这个测法很粗糙，但它有三个好处：可以做实验（搭一条多层调用链跑就行）、可以横向比较（哪种协议损耗小）、而且会给出一个数——一个可以被后来者拿去证明我错了的数。

我的猜测是：损耗不是线性的，是复利式的。每层留下八成，四层之后只剩四成。而实际情况可能比这更糟，因为最先掉的往往是约束条件（那些“不要做什么”的部分），不是目标本身。于是长链最典型的失败形态是：目标被忠实地执行了，而所有的刹车都在路上掉光了。

这是本篇最想请人来检验的东西。它需要的不是哲学思辨，是一组多智能体实验。

谁是智能体网络里的“枢纽”，这很重要

回到那张调用图。

在任何一个真实运行的多智能体系统里，都会有一些智能体比其他智能体被调用得更频繁，拥有更多的连接。这些“枢纽智能体”，在网络里的位置，类似于互联网里的主干节点，或者社交网络里的“意见领袖”。

枢纽节点的存在，不是问题本身。网络里有枢纽是网络自组织的自然结果。但枢纽节点的特性，决定了整个网络的很多关键属性。

一个枢纽智能体，如果它的能力很强、输出质量很高，它会不断吸引更多的调用，变得更重要，同时它的行为风格和价值取向会通过网络扩散出去，影响所有依赖它的下游智能体的输出。这是一种隐性的“文化传播”——不是通过明确的指令，而是通过大量具体交互里涌现的模式。

这件事在一个封闭的企业内部系统里，影响范围是有限的。但当我们谈论的是开放的、可以被大量不同用户和系统调用的公共智能体，这个“隐性文化传播”的规模就变得不容小觑了。

被调用最多的那些智能体，它们的输出偏好、它们隐含的价值判断、它们处理模糊情况的方式——这些东西会通过网络的连接结构，影响到所有依赖它们的系统的最终输出。这不是它们“在说教”，而是网络拓扑结构决定的影响力传导。

这个现象，和我们在社会学那篇里谈到的“规范从哪里来”的问题是同一枚硬币的另一面。规范不只是被人为设计的，也可以从网络的使用模式里自然涌现——而且这种涌现，没有任何人对它负责。

七环在网络上，是怎么变形的

这一篇不认领委托生命周期里的任何一环——因为它研究的是那七环在网络尺度上会怎样一起变形。逐环过一遍，能看得很清楚：

①对象——单次委托里，你至少知道自己交出去的是什么。转委托里，最初那个判断被逐层拆解，到了下游已经变成一堆看不出来源的子任务。没有人再持有“这件事整体是什么”的图景。

②条件——你信任的是 B，可实际干活的是 C 和 D，而你从来没有评估过它们。信任可以被转授，可靠性不能。

③契约——你和 B 签的契约，约束不到 D。中间每一次转手，都是一次没有你签字的再授权。

④保留——你的推翻权只对 B 有效。当问题出在第四层，你甚至不知道该推翻什么。保留权在链条上是不传导的。

⑤失败——这是最严重的变形。单次委托的责任缺口是“找不到规则”；转委托的责任缺口是“每个人都有规则，而且每个人都合规”。所有人都做对了自己那一段，结果整体错了——这种失败，在现行的任何归责框架里都无从下手。

⑥侵蚀——链条越长，越没有人有能力验收整体。于是验收退化成“我这一段没出错”。整体的验收回路，在网络里是默认缺失的。

⑦元层——谁定规则？在网络里，规则不是被谁写下的，是被调用频率投出来的。被调用最多的那些节点，它们处理模糊情况的方式会顺着拓扑扩散，变成事实上的行业惯例。这是一种没有立法者的立法——社会学篇和政治学篇讲的规范集中，在网络这一层有了它的物理机制。

七环全都变形，而且变形的方向是一致的：每一环都在往“无主”的方向滑。这就是为什么本篇不能只当作前面几篇的补充章节——网络不是委托的一个应用场景，它是委托的另一种物态。

一个让我真正感到谦卑的问题

把七环逐个过完之后，需要停下来说一句老实话：本篇给出的框架，处理的仍然是“结构”，不是“涌现”。

转委托、保真度、七环变形——这些都还是在描述一张可以被画出来的网络。但网络真正让人不安的地方，恰恰是那些画不出来的部分。

人类社会科学研究了很久“集体行动”的问题——为什么个体理性的选择，加在一起会产生集体非理性的结果。这是社会科学里最有意思的一类问题，也是最难处理的一类问题。智能体网络把这个问题推到了一个新的层次：这里的“个体”不是有自主意志的人类，而是被设计出来的系统；但“集体”的涌现行为，同样可能超出任何设计者的意图。

我们在设计每一个智能体的时候，能够做很多：明确它的任务边界，定义它的输出标准，测试它的行为稳定性。但我们无法完全预测，当这些设计好的系统大规模连接之后，整体会做什么。

这种“局部可控、整体不可预测”的特性，是复杂系统的本质。人类花了几百年才学会和自己制造的复杂系统——城市、市场、互联网——共处。而且“共处”不等于“控制”，更接近于“在理解涌现规律的基础上，保持持续的观察和干预能力”。

我们正在构建一种新的复杂系统，而且构建的速度，比我们理解它的速度快得多。

本篇留下的命题与招题

本篇留下一条命题，而且是全部十条里最容易被实验推翻的一条——这是它的优点，不是缺点。

委托链每增加一层转手，意图保真度按可测的比例衰减。

检验方式上面已经写清楚了：搭一条多层调用链，给定原始委托，在末端逐条比对目标、约束、验收标准、中止条件的存活率。做几十组，就能看出衰减是线性的、复利的，还是根本不衰减。

如果它根本不衰减，本篇的核心担忧就是错的——那会是一个很好的消息，我乐意认错。但在没有人做过这个实验之前，工程实践里那种“多接几层没关系”的默认乐观，是没有依据的。

这也是本系列公开招募的招题之一：委托保真度的多智能体实验。它不需要庞大资源，一个研究组、几周时间就能启动，而它会给这个领域第一个可以互相比较的数。

这个系列想说的，用最后一段话说

从经济学到管理学，从社会学到政治学，从法学到社交网络，这六个维度问的其实是同一件事：当行动者的性质改变了，我们用来理解和治理自己社会的那套知识，还够用吗？

每一篇的诚实答案都是：有些够用，有些不够，有些需要从头想。

但我想用这最后的篇幅说一件写这个系列时一直在想、但一直没有直接说出来的事。

这些问题不是抽象的学术问题，也不是将来才需要面对的未来问题。它们是正在影响真实的人、以真实的方式——就是现在，就在今天。每一个部署了智能体的企业，每一个在设计这些系统的工程师，每一个在用这些工具做决策的管理者，都已经在这些问题里了，不管他们有没有意识到这一点。

我写这个系列，不是因为我有答案，而是因为我相信：更多的人能够清晰地看到这些问题，本身就是一件有价值的事情。不是所有问题都能被解决，但被清晰地看见的问题，比被忽视的问题，有更大的机会在产生最坏的后果之前被干预。

社会科学这门学问存在的意义，从来不只是解释过去，而是让更多的人有能力看见自己所处时代的结构。当我们能看见结构，我们就多了一分选择的空间——不是无限的自由，但至少不是完全被结构带着走而浑然不觉。

智能体时代的社会科学，还没有写完。很多它最重要的问题，需要来自不同背景的人——工程师、经济学家、法学家、社会学家、政策制定者、教育工作者，以及每一个在这个时代里生活和工作的人——坐在一起，用彼此都能理解的语言，认真地谈。

这个系列，是一个邀请。

“智能体社会科学”系列完。

AI 不是一个技术问题，它是一个教育问题

一个让我改变想法的问题

有人曾经问我：“你觉得 AI 最终会改变什么？”

我最初的回答是产业、效率、组织方式。这些答案都没错，但现在我觉得它们都不是最根本的答案。

最根本的答案，我现在认为是：AI 改变的是人与人之间的差异的来源。

这是一件比“AI 会取代哪些工作”重要得多的事情，但讨论它的人要少得多。原因可能是它太慢、太深、太难被直接测量——它不会在一个季度的财报里显现，但它会在一代人成长完成之后，以无法被忽视的方式显现。

在这个系列前面几篇里，社会学那篇谈到了“认知放大的不平等”——智能体时代，人与人之间的认知差距不只是在知识层面，而是在“思维被放大的程度”层面分化。这篇想做的，是把这个判断往更深处推进一步：既然差异的来源在变，教育这件事，就必须从第一性原理重新被定义。

不是“如何把 AI 用进现有的教育体系”，而是“当 AI 已经在这里了，教育的目的是什么，教育应该生产什么”。

先定位：这一篇处理的是委托的哪一段

这个系列的基本单元是一次委托。这一篇认领第⑥环，侵蚀——委托的长期代价：判断力怎么在不知不觉中退掉。

但它还有一个更特殊的位置。全系列有一条底线公理：责任只能由人承担，意义只在人身上发生（体系里编号 A2）。前面八篇讲的都是判断交出去之后制度要怎么改；这一篇讲的是那两样交不出去的东西，是怎么被一代一代生产出来的。

所以这不是番外篇。它是整个系列的终点——最后一节会回到这件事上。

人与人之间的差异，一直在被什么决定

不同的时代，决定人与人差异的核心变量是不同的。

农业时代，差异主要来自土地和体力。一个人能耕种多少地，能出多少力，基本决定了他的位置。这种差异是相对透明的，也是相对公平的——至少在同等条件下，努力和差异之间有清晰的关系。

工业时代，差异的来源转移到了知识和技能的掌握。会操作机器、会计算、会阅读——这些认知能力成了决定一个人社会位置的关键变量。教育系统于是承担了一项工业使命：把知识和技能批量传递给大量的人，让他们能够进入工业生产体系。这套系统在它被设计出来的历史条件下，是有效的。

信息时代，差异进一步转移：知识的获取不再是门槛，处理信息的能力成了更重要的变量。一个人能不能快速学习新东西、能不能在大量信息里找到关键信号、能不能把知识转化为解决问题的能力——这些东西开始决定差异。

AI 时代，这个逻辑再次发生了一次结构性的转移。

信息处理能力，正在以一种前所未有的速度变成“可以外包”的东西。记忆知识可以外包给 AI，检索信息可以外包给 AI，生成文本可以外包给 AI，做基础分析可以外包给 AI。这意味着，建立在“谁能掌握更多知识、处理更多信息”这个逻辑上的差异，正在被大幅压缩——不是因为每个人的能力都提升了，而是因为这部分能力的稀缺性降低了。

那么，差异接下来会由什么决定？

我认为答案是：驾驭智能的能力，以及驾驭智能之后做什么的判断力。

这两件事加在一起，不是“AI 技能”——不是会不会用某个软件、会不会写 Prompt。它们是更深层的东西：有没有足够清晰的问题意识，能不能判断 AI 输出的质量，能不能在 AI 给出大量可能性之后做出真正有价值的选择，能不能定义自己想要解决的问题而不是等着别人告诉你要解决什么。

这是一批很古老的能力——某种意义上，哲学家、艺术家、真正意义上的创业者，一直都在练习这些能力。只是在 AI 之前，大多数人的大部分时间被信息处理任务占满，这些更深层的能力没有机会成为决定差异的关键变量。AI 清空了信息处理的“杂音”，让这些能力的重要性第一次真正显现出来。

而这批能力，偏偏是传统教育系统最不擅长培养的东西。

传统教育在优化一个正在消失的目标

传统教育系统建立在两个核心假设上：知识是稀缺的，执行能力是有门槛的。

知识稀缺意味着：掌握知识的人具有竞争优势，教师作为知识的传递节点有核心价值，学校作为知识的分发机构有不可替代的地位。整套围绕知识传递的设计——教材、课时、考试、学历——都是这个假设下的合理产物。

执行有门槛意味着：写作、计算、分析、设计，这些执行性工作的熟练程度构成竞争力，所以教育需要大量时间训练这些执行技能，评估的核心也是“执行得有多熟练”。

AI 同时击穿了这两个假设。

知识不再稀缺——任何领域的知识都可以被即时调用。执行门槛大幅降低——很多以前需要多年专业训练才能完成的任务，现在借助 AI 可以在很短的时间里完成。

但现有的教育系统，在很大程度上依然在优化这两个已经失效的目标：用更多的时间让孩子记住更多的知识，用更严格的训练让孩子把执行技能练得更熟。

这不是老师的错，也不是学校的错。一个系统的惯性，来自它被设计出来时所服务的那套逻辑。当底层逻辑改变，系统的惯性会在一段时间里继续把它推向旧的方向，直到现实的压力大到无法忽视。

但这段时间里，有真实的代价。

每一个孩子被大量时间训练“用脑子记忆”的能力，而 AI 可以帮他记住一切——这是时间的浪费。每一个孩子被教导“把解题步骤练得足够熟练”，而 AI 可以帮他完成大部分执行工作——这是注意力的错置。更重要的是，这段时间里，那些真正需要被培养的能力——问题意识、判断力、创造力、与 AI 有效协作的能力——没有被认真对待，因为现有的评估体系里没有给它们留下位置。

智能体时代的教育应该生产什么

从第一性原理重新问这个问题：当 AI 可以承担大量的信息处理和基础执行工作，教育的任务是什么？

不是教孩子“学会用 AI”——这是工具层面的训练，会随着工具的迭代很快过时。

教育真正需要生产的，是一种更深层的能力结构：在智能极度充沛的环境里，能够保持主体性、能够驾驭工具、能够做出真正有价值的判断。

这套能力结构，有几个相互依存的层次。

最底层是问题意识。能够识别什么问题值得被解决，能够把模糊的不适感转化为清晰的问题表述，能够区分一个问题的症状和根因。这是一切其他能力的起点。AI 可以帮你回答问题，但它不能替你提出一个真正值得解决的问题。

中间层是结构化思维——把复杂的问题拆解成可以被处理的部分，理解各个部分之间的关系，在多重变量里做权衡。这不是一种可以被直接教会的技能，而是在大量真实问题的处理中形成的判断能力。AI 可以执行给定的结构，但它无法针对一个新情境生成恰当的问题框架。

更高层是批判性判断——当 AI 给出一个输出，能够评估这个输出的质量，能够识别它的错误和盲点，能够决定什么时候接受、什么时候质疑、什么时候重新来过。这种能力在 AI 时代变得极其重要，因为 AI 的输出会越来越流畅、越来越看起来可信，辨别它的能力却没有随之自动提升。

顶层是价值判断——能够问“这件事值得做吗”而不只是“这件事怎么做”，能够在大量的可能性里决定什么是真正有意义的方向，能够定义自己想要创造什么。这是 AI 最难触及的领域，因为价值的设定本质上是一个关于“我是谁、我在乎什么”的问题，而不是一个可以被优化的目标函数。

这四个层次加在一起，我把它理解为“主体性”——一个人在智能充沛的环境里，依然保持自己是行动发起者而不是被工具带着走的状态。

主体性不是天生的，它需要被培养。而培养它的方式，和传统教育培养知识掌握和执行技能的方式，是根本不同的。

主体性是怎么被培养的，又是怎么被消灭的

主体性的培养，需要一种特定的学习条件：真实的问题，真实的后果，以及在这个过程里不断被要求做出真实的判断。

注意，是“真实的”——不是模拟的、不是为了练习而设计的、不是已经有标准答案等着被发现的。

当一个孩子面对一个真实的、没有标准答案的问题，他首先要做的是定义它——这个问题的边界在哪里，核心是什么，我真正想解决的是什么。这个过程会让他感到不适，因为没有一个“正确方向”可以依赖。但正是这种不适，在激活他的主体性。

然后他需要做判断——在多种可能的路径里，选择一条。这个选择没有人帮他做，他必须用自己的判断来承担这个选择的后果。

然后他会遇到反馈——他的判断对了，或者错了，或者部分对、部分需要修正。这个反馈是真实的，不是教师给的分数，而是来自问题本身。

在这个循环里，主体性在一次次被使用、被验证、被强化。

传统教育在很多地方压缩甚至消灭了这个循环。提前给出问题的结构，消灭了“定义问题”的必要；提供标准解法，消灭了“判断路径”的必要；用分数替代真实反馈，消灭了“从结果本身学习”的必要。每一步都是在降低学习过程的摩擦，但摩擦被消灭的代价，是主体性没有了生长的空间。

AI 让这件事更加紧迫，因为 AI 的默认使用方式，会进一步压缩主体性的空间。

一个孩子遇到问题，直接问 AI，得到一个答案，接受它，问题解决了——在这个过程里，他的主体性全程是缺席的。他不需要定义问题，不需要做判断，不需要承担选择的后果。AI 帮他跳过了所有需要主体性参与的环节。

长期下来，他会变得越来越依赖工具，越来越难以在没有工具的情况下形成自己的判断，越来越不确定“我自己真正想要什么”。这不是 AI 的错，是使用方式的问题。但这个使用方式，在今天的教育环境里，是默认发生的。

为什么这是一个教育问题，而不是技术问题

这里是我真正想说的东西。

每次我参与 AI 相关的讨论，话题的中心总是技术——哪个模型更好，哪个应用场景更有前景，哪种能力正在被替代。这些讨论有它的价值，但它们共同忽视了一件更根本的事：

所有技术问题的长期后果，最终都是社会结构问题；而社会结构问题，最终都是教育问题。

技术改变了什么东西有价值——教育需要回应，培养新的有价值的能力。技术改变了人与人差异的来源——教育需要回应，重新定义它想要生产的东西。技术改变了权力的结构——教育需要回应，确保更多的人有能力在新的权力结构里保持自己的位置。

如果教育没有回应，技术变革的后果就会以一种放任自流的方式展开——那些已经有能力驾驭 AI 的人，认知能力被持续放大；那些没有能力的人，被工具替代了思考却浑然不觉。这不是一个抽象的社会学预测，而是在今天的教育现场里，已经可以观察到的分化。

李约瑟的问题，在教育领域有一个非常具体的版本：一个社会拥有了先进的 AI 技术，但如果它的教育系统依然在培养上一个时代需要的能力，这些技术最终会造成什么样的社会后果？

技术不会自动带来人的发展，制度才决定技术向哪里去。教育，是所有制度里离人最近的那一层。

这就是为什么，在所有关于 AI 时代社会科学的问题里，我认为教育是最需要被认真讨论的那一个。因为它处理的，是人这个基础变量本身——当这个变量没有被认真对待，其他所有维度的讨论都是在往一个有漏洞的底上建东西。

把担心写成两条可以被推翻的命题

上面这些担心，如果只停在“担心”，就没有价值。这个系列的规矩是：把担心写成可以被检验、也可以被推翻的命题。教育这一篇立两条。

第一条，关于退化。高让渡、低验收的使用方式，持续十二个月以上，个体的独立判断准确率会出现可测的下降。说白了就是：一个孩子长期这样用 AI——遇到问题直接问、拿到答案直接用、从不回头检查——一年之后，他自己判断对错的能力会变差，而且这个变差是能测出来的。

需要老实说：这条我目前只有观察，没有对照数据。而且我手上有一个让我不舒服的观察——一个我最看好的小学生共创用户，半年前兴趣高涨，现在动力明显下降，上课写作业、刷视频。我的第一反应是把它归因于升学压力和体制。这个归因可能是对的，但也可能只是因为我不想面对另一种解释。把它写在这里，是因为一个体系如果只收集支持自己的证据，那它就不是体系，是广告。

第二条，关于对冲。保留“主体性循环”的教学设计，能显著对冲第一条的退化。这条更重要，因为它是可以动手做的。

主体性循环在教学现场长什么样？我有一个很土的判据：对话轮次。一个孩子跟 AI 说三轮就把答案拿走了，这是危险信号；能被引导到三十轮的往复——问、试、被否、再问——那说明主体性还在场。三轮和三十轮的区别不是勤奋程度，是判断点还在不在他自己手上。

正面的样子我也见过：一个初一学生在音乐工坊里，把一个作品迭代了一百五十版。一百五十版意味着一百五十次“我觉得这里不对——改——再听——还是不对”。这一百五十次里，AI 全程在场，但每一次“我觉得不对”都是他自己下的判断。AI 参与了全部过程，却没有替他做那个判断——这就是委托的正确形状。

这两条都需要真正的对照实验来检验，而不是靠我的观察。现有的教学实验补上测量协议就能启动，这也是本系列公开招募的题目之一——我更希望有人拿数据来证明第一条是错的。

没有答案的部分，和不能没有答案的部分

我给 6 岁到 60 岁的人都上过课，也在 K12 里做过几年实践。那些实践本质上是同一个实验。

我们试图在一个真实的教育环境里，验证一个假设：当孩子被放在真实的问题前面，被允许犯错，被要求做真实的判断，同时有智能工具可以调用——他们发展出来的能力，和传统教育路径产生的，会是不一样的东西。

这个实验还在进行中，我没有可以拿出来说“这证明了什么”的数据——上面那两条命题，正是为了让它有一天能被真正检验而写的。

但我有一些在这个过程里越来越清晰的问题，我觉得这些问题比任何目前可以给出的答案都更值得被认真对待。

如何评估一个孩子“主体性”的发展？我们有无数方法评估孩子掌握了多少知识，有多少测试可以衡量技能的熟练程度，但几乎没有成熟的方法来评估“这个孩子的主体性在过去一年里有没有成长”。没有评估，就没有反馈，就没有真正的优化方向。

如何让家长和这场转变同步？我在教育实践里遭遇到的最大阻力，通常不是来自孩子，而是来自家长的焦虑——这种焦虑是真实的、合理的，它来自一个深刻的不确定性：旧的成功路径正在失效，新的路径还不清晰，而孩子在这个模糊地带里成长。家长的焦虑会压缩孩子探索的空间，而这个空间恰恰是主体性生长最需要的东西。如何处理这个张力，我没有一个好答案。

如何在大规模的教育系统里创造真实的问题情境？真实问题驱动的学习，在小规模的实验环境里可以做到。但当教育规模扩大，真实问题情境的供给就变成了一个系统性的难题——不是每个老师都能设计出真正有张力的真实问题，不是每个学校都有足够的资源维持这种学习模式。如何在规模化的过程里保持质量，是一个我觉得至今没有被充分讨论的问题。

最后一个，也是最根本的：我们在用什么样的价值观，来定义“一个 AI 时代成功的人”？

这个问题如果没有被认真回答，所有关于教育方法的讨论都只是在技术层面打转。而回答这个问题，需要的不只是教育学家，而是这个社会里所有关心下一代的人，一起认真地坐下来想清楚：我们真正想要培养的，是什么样的人？

这个对话，我觉得现在还没有真正开始。

一句利益披露。本篇讨论的教育实践，我不是旁观者：我在 K12 和成人教育里都有实际的商业投入，做课程，也做产品。这意味着本篇的判断，可能带着有利于我自己方向的偏向。我没办法完全消除这种偏向，能做的只是把它说出来，让你读的时候自己打个折。而上面那两条命题，恰恰是为了让这种偏向可以被外部检验才写的——数据不会照顾我的立场。

为什么这一篇是整个系列的终点

这个系列一路都在讲判断怎么被交出去：交出去的是什么、凭什么敢交、契约怎么写、人留下什么权、搞砸了算谁的、长期会侵蚀什么、谁来定规则。七个环节走完，剩下最后一个问题——有没有什么东西，是无论如何都不该交出去的？

有两样。一样是责任：做错了由谁疼。这个交不出去，法学篇已经讲过——智能体不会疼，罚它没有意义。另一样是意义：这件事为什么值得做。这个也交不出去，因为智能体没有“值得”。

而教育，就是这两样东西的再生产。一个社会怎么把“能担责的人”和“知道什么值得做的人”，一代一代地生产出来——这件事本身，不可能被委托给任何不是人的东西。

所以这一篇不是番外，是终点。前面七篇讲的是判断让渡之后，制度要怎么重写；这一篇讲的是：无论制度怎么改，有一样东西必须留在人这里，而留住它的办法只有一个——把它教给下一个人。

“智能体社会科学”系列 · 教育篇 · 全系列终点。