TL;DR AI 应用正在快速普及——ChatGPT 两月破亿用户、Copilot 嵌入每个编辑器、Midjourney 让不会画画的人也能出图。但同一时间，创造 AI 的权力在向极少数公司集中。消费侧前所未有的平权，供给侧前所未有的集中。你获得的是"使用的自由"，你交出的是"被定义的自由"。

一个简单的对比就能说明问题。

2026 年，一个非洲农村的年轻人可以用手机免费使用 GPT-4 级别的模型，获得接近一流大学教授水平的辅导。他的使用体验和一位硅谷工程师几乎一样——同一个模型，同一个界面，同样的回答质量。

从消费侧看，这是人类历史上最彻底的知识民主化。AI 的普及速度和广度远超任何之前的技术——印刷术花了数十年，互联网花了约 15 年，ChatGPT 达到 1 亿用户只用了 2 个月。

但从供给侧看，画面完全不同。这个非洲年轻人使用的模型，由美国一家公司开发，训练在价值数千亿美元的算力基础设施上，数据来自全球互联网的英文内容，价值对齐由一群加州工程师决定。他能用 AI，但他对 AI 的一切——模型怎么更新、数据怎么筛选、价值观怎么对齐——没有任何发言权。

AI 正在制造一个前所未有的分裂：使用前所未有地平等，控制前所未有地集中。 这不是暂时的失衡，而是 AI 产业技术结构天然导致的结果。

普惠是真的，但不是全部

先承认"应用普及"这一面的真实性。

在工具层面，AI 确实实现了某种形式的能力民主化。一个没学过编程的人可以借助 AI 写出能跑的代码，一个不会画画的人可以用 Midjourney 生成专业级设计，一个不懂数据分析的人可以让 AI 完成复杂的统计建模。这些过去需要多年训练才能获得的技能，现在变成了即取即用的工具。

普华永道 2026 年发布的全球 AI 就业晴雨表提供了最直接的宏观证据。这项基于 27 个国家超过 10 亿个职位广告的分析发现，高度采用 AI 的公司的劳动生产率比低采用者高出约 40%，而最顶尖的 20% 企业的生产率增长高达 163%。AI 不是在平均地提升所有人——那些充分利用 AI 的企业和工人正在拉大与滞后者的差距。AI 本质上在把高能力人士的最佳实践打包成工具，让新手"借用"这些经验，但这个借用过程本身就不均匀。

Daepp、Tomlinson、Counts 和 Suri 2026 年发表在《Nature Computational Science》上的研究进一步证实了 AI 在不同复杂度知识工作中的广泛使用——全球 ChatGPT 流量数据表明，AI 正在被用于各种层级的认知任务中。

这些是真实的普惠。它们让技能门槛降低，让更多人能够完成过去需要专业训练才能做的事。

但"能用"和"能控制"是两回事。

造模型的成本在垒一堵墙

为什么 AI 的权力在集中？答案藏在最底层：造模型的成本。

训练一个前沿大模型，需要数亿美元的算力投入和数万亿 token 的数据。Stanford HAI 2025 年 AI 指数报告追踪了全球 AI 发展格局，发现 AI 前沿研究高度集中在美国和中国的少数企业手中。这种集中不是政策导致的，而是技术门槛自然筛选的结果。

举个例子：OpenAI 的 GPT-4 训练成本据估算超过 1 亿美元，Meta 开源的 Llama 3 训练成本也接近这个数量级。这还只是训练成本——研发投入、人才成本、数据获取和处理成本加起来，是一个天文数字。

这和一二十年前的互联网截然不同。2000 年代，一个大学生在宿舍里就能创办一家互联网公司。AI 时代，一个大学生在宿舍里能写一个调用 API 的应用，但永远不可能从头训练一个前沿模型。两者的门槛差了三个数量级。

这不是"努力就能跨越"的差距。这是结构性的门槛。

结果是什么？全球 AI 市场的增长高度不均。WEF 数据显示，全球 AI 市场预计从 2023 年的约 2000 亿美元增长到 2030 年的超过 1.8 万亿美元。但这个增长主要由美国和中国驱动。绝大多数国家——以及这些国家里的绝大多数人——在 AI 产业中是纯粹的消费者，而非参与者。

数据殖民主义：一个被低估的问题

Couldry 和 Mejias 在《The Costs of Connection》中提出了一个尖锐的概念：数据殖民主义。他们的核心论点是——数据经济将人类的生活经验重构为"资本主义积累的持续原材料来源"，而价值和控制权沿着种族、性别和权力的既有路线分布。

AI 产业中，这个模式正在以两种方式展开。

第一种是数据贡献与价值分配的脱钩。全球数十亿用户每天都在为 AI 模型贡献数据——你的每一次搜索、每一次对话、每一次反馈，都在帮助模型变得更好。但模型改进带来的收益，几乎全部流向了拥有模型的公司。贡献数据的人没有得到任何回报。

第二种是基础设施的地理集中。AI 的训练和推理依赖庞大的算力基础设施——数据中心、GPU 集群、高速网络。这些设施的物理分布高度集中。Microsoft 2026 年 2 月发布的 AI Diffusion Report 揭示了一个令人震惊的数字：全球约 16.3% 的适龄劳动人口每天使用生成式 AI，但全球北方的使用率是南方的约两倍，且差距正在加速扩大。68 亿人——绝大多数在低收入国家——被排除在 AI 的受益圈之外。

Microsoft 承诺投入 500 亿美元建设全球南方 AI 基础设施。这个数字本身就说明了问题的规模——弥合差距需要的是国家级甚至全球级的资本动员，不是开一门免费课程就能解决的。

监管速度追不上技术更迭

面对权力集中，最成体系的努力是 EU AI Act。

2024 年通过的 EU AI Act 是全球首个综合性 AI 立法。它包含一些试图对抗权力集中的设计：创新支持章节包含了针对中小企业和初创企业的扶持措施，要求每个成员国在 2026 年 8 月前至少建立一个 AI 监管沙箱；AI 素养条款要求 AI 系统的提供者和部署者确保其人员具备充分的 AI 素养；Article 5 禁止基于社会行为对个人进行评分分类的系统，限制 AI 在权力不对等场景中的监控能力。

这些条款的核心逻辑是：AI 本身不会带来平权，但制度设计可以将 AI 引导向平权的方向。

问题在于，监管的速度跟不上技术发展的速度。AI 的能力以月为单位迭代，而立法以年为单位推进。EU AI Act 从提案到通过用了近三年时间。在这三年里，AI 的能力已经发生了质变。

更大的问题是：EU AI Act 的合规成本可能加宽全球数字鸿沟。大公司有资源应对复杂的监管要求，而小公司和欠发达国家可能因为合规成本太高而进一步被边缘化。监管的本意是保护弱者，但在执行层面可能产生相反的效果。

用户的幻觉：你有自由，你没有权力

把前面的线索串起来，一个更深的矛盾浮现了。

AI 用户获得的是"使用的自由"，但交出去的是"被定义的自由"。你可以自由地使用 AI 做任何事——写代码、写文章、做分析、画图。但你无法参与定义 AI 的方向：模型训练用哪些数据，价值对齐采用什么标准，隐私保护做到什么程度，模型什么时候更新或下线。这些决定，由远在千里之外的少数人做出。

这不是阴谋论。这是 AI 产业结构的自然结果。当一个行业的准入门槛是数亿美元时，参与决策的人数自然有限。

Cathy O’Neil 在《Weapons of Math Destruction》中提出的警告在此高度相关：看似客观的数学模型，实际上编码了既有的权力结构。算法不是中立的工具——它们反映了设计者和训练数据中的偏见。

当 AI 系统的设计者群体和使用者群体之间的构成差距越来越大——前者集中在少数发达国家的科技公司，后者遍布全球各种文化、语言和社会背景——编码进系统的偏见就不仅是技术问题，更是政治问题。

Virginia Eubanks 在《Automating Inequality》中的案例研究展示了这个逻辑的实际后果。在美国的福利分配、无家可归者预测和儿童保护服务中，自动化决策系统系统性地歧视了贫困人群。这不是算法故障，而是政治选择的结果。

AI 时代的风险在于，这种歧视不再是少数局部系统的缺陷，而是可能嵌入到每个人都在使用的基础设施中——搜索引擎、推荐系统、招聘筛选、信贷评估、教育评分。当这些系统由少数公司控制时，问题就不只是"他们有没有偏见"，而是"你没有别的地方可去"。

像操作系统一样理解这件事

用一个类比收网。

AI 的普及格局，很像智能手机时代的 iOS 和 Android。

从应用层面看，智能手机实现了前所未有的"能力平权"。一个非洲农民和一个华尔街银行家使用着同样的 WhatsApp、同样的 YouTube、同样的 Google Maps。应用层面的体验几乎一样。这是真实的普惠。

但从控制层面看，所有应用都运行在两个操作系统上——iOS 和 Android。苹果和 Google 控制着应用商店的规则、系统更新的节奏、数据收集的边界、隐私政策的走向。用户可以在应用层面自由选择，但操作系统的规则不由用户决定。如果你想用 iPhone 但又不想用 App Store，你做不到。

AI 时代的格局正在复制这个模式。用户在使用 AI 应用时，就像在应用层自由活动。但底层的"AI 操作系统"——基础模型、训练框架、算力基础设施——集中在美国和中国的少数公司手中。用户的丰富体验建立在高度集中的控制之上。

这个类比有一个值得深思的对应关系：iOS 和 Android 的集中，是移动互联网时代的既定事实。没有人能改变它——不是因为技术做不到，而是因为生态一旦形成，替代成本高到几乎不可能。AI 时代如果走向同样的集中模式，几十年内都难以逆转。

普惠和集中，谁先打破平衡

回到开头那个非洲年轻人的例子。

他能用 AI，这是事实。他无法控制他用的 AI，这也是事实。两个事实同时存在，但它们的长期走向并不确定。

Acemoglu 和 Johnson 在《Power and Progress》中用跨越千年的技术史揭示了一个核心规律：技术变革本身是中性的，它创造的是一个"可能性空间"。实际的分配结果取决于制度设计、权力博弈和政策选择。工业革命初期，工人并未从生产力增长中获益——实际工资停滞了数十年，直到制度变革（工会运动、劳动立法、进步主义改革）迫使收益被重新分配。

AI 同样如此。当前的集中格局不是自然规律，而是制度缺失的产物。如果政策干预——开源的强制披露、公共算力基础设施的建设、数据收益的再分配机制、反垄断的积极执行——能够及时到位，集中化的趋势就可以被抑制。

但如果什么都不做，AI 的权力集中可能走向比移动互联网时代更极端的格局。因为移动互联网时代的集中至少还有双寡头竞争（iOS vs Android），而 AI 时代的前沿模型可能走向寡头甚至垄断——训练成本太高，玩家太少。

AI 的普及是真实的，AI 的权力集中也是真实的。两个趋势同时发生，谁先打破平衡，取决于一个更根本的问题：我们是否有制度想象力，在一个技术门槛空前高的时代，设计出不让权力自然集中的规则。