AI时代重思马克思系列<之一>——劳动、资本和机器：人工智能行业中的新自主性与劳动（2）人工智能工作与人机混合

人工智能工作与人机混合（Human–Machine Hybridization）

非物质劳动（immaterial labour）理论建立在劳动成为机器的基础上。哈特与奈格里（Hardt and Negri, 2000）断言，随着信息技术的普及，“人机混合（human–machine hybridization）不再由现代时期遵循的线性路径定义”，劳动发展出“掌控机器变形过程的能力”（367）。非物质劳动（immaterial labour）从资本手中夺取对机器的控制权，将其用于自身目的并与之一体化，创造出“机器化人性（machinic humanity）”（Hardt and Negri 2017, 114）。资本与机器的亲缘关系被消解和逆转，那些“融入机器组合体（machinic assemblages）”的人类的“存在本身”变成了“抵抗”（Hardt and Negri 2017, 123）。然而，在人工智能行业的工作中，人机混合（human–machine hybridization）似乎并未在任何有意义的意义上发生。

很难想象，当人工智能的研究与生产由大型资本主义企业的寡头垄断主导（《经济学人》2017；Lee 2018；Agrawal et al. 2018）——学术人工智能研究者正以越来越快的速度离开大学投奔于此（Gofman and Jin 2020），甚至国家政府也缺乏与之竞争的資源（Cummings 2018）——劳动如何能在某种程度上与资本分离，与人工智能或其生产资料融合。此外，人工智能行业主要围绕固定资本的生产；它专注于生产一种自动化技术，资本可以将其整合到生产过程中，以期最小化活劳动（living labour）（Statista 2019）。人工智能行业不仅是资本主义的，而且直接服务于资本趋向日益机器化状态的內在驱动力。如果有事物在与人工智能融合，那似乎是资本，而非劳动。

【译注：我是比较认同作者的认知和判断的，算力、算力、还是算力，没有GPU，玩什么大模型，玩什么AI? 钱、钱、钱，造或者买淘金热的“铲子”。。。主角啥时候都不会变成幻想能熟练操弄“铲子”的用法或者更先进的“铲子”的造法的劳动，而是背后的那套原始的资本逻辑，哪怕它套上了再精美的层层外衣】

后工人主义（post-operaismo）断言，随着信息技术的普及，阶级对技术控制发生了戏剧性逆转。固定资本被劳动“再占有”，并“作为主体性的构成要素融入机器组合体（machinic assemblages）”（Hardt and Negri 2017, 122）。人工智能工作并未显示出一种新的赛博格主体性（cyborg subjectivity），而是显示出马克思在工业劳动中指出的、布雷弗曼（Braverman, 1998）后来在工业和文职劳动中指出的、克拉夫特（Kraft, 1977, 1979）在早期软件工作中指出的同一去技能化、碎片化与自动化过程的新浪潮。人工智能工作已在零碎地被自动化，这表明资本“内在的驱动力，以及……不断趋向于提高劳动生产率，以降低商品价值，并通过降低商品价值来降低工人自身价值”（Marx 1990, 436–437）的持续运作。从数据科学家和机器学习工程师的高技能工作，到标注训练数据的幽灵工人（ghost workers）的数字体力劳动，人工智能行业的有机构成在增加，但并未增强劳动抵抗资本的力量。人工智能工作并未显示出一场“无声革命”，在这场革命中，“雇佣劳动和对（组织的）直接从属不再构成资本家与工人之间契约关系的主要形式”（Lazzarato 1996, 140）。人工智能的生产仍严格受资本支配，即便资本部署了更多去领土化、经验性的控制形式。

然而，经验性控制被应用于抗拒编码化的劳动过程，如机器学习劳动过程（ML labour process），因此有人可能会争辩说，非物质劳动（immaterial labour）对机器的“亲密内在知识”确实意味着现在“工人对知识的占有可能变得决定性”（Hardt and Negri 2017, 119）。虽然制作机器学习的黑暗技艺（dark art）似乎确实抗拒编码化，但这导致的并非赋权的赛博格劳动（empowered cyborg labour），而是恰恰相反，因为基于机器学习的自动化技术提供了跳过先前必要的捕获与编码化步骤的选项。自动机器学习（AutoML），尤其是端到端自动机器学习（end-to-end AutoML）的可能性，其目标是将机器学习生产所需的技术知识减少到近乎零，指向了一个可能的未来：算法生成算法，自动化机器生产自动化机器。即便未完全实现，这一前景也暗示了对马克思描述的劳动产品作为“异己之物，一种独立于生产者的力量”与工人相对立（Marx and Engels 1988, 71）的越来越字面化的重读。用户可能在端到端自动机器学习程序中点击按钮，目睹功能性机器学习模型（ML model）的自动生成，但这远非与机器融合。

【译注：实际上资本逻辑推动的这种进化，最后需要的“造铲子”的活劳动越来越少，打工人对这种机会的追求和努力，最后从概率学来讲，就如“抽奖”，奖项越来越大，但是奖项设置数量越来越少，中奖几率也越来越小。它如肿瘤般，寄生和占据宿主机体空间，但是对宿主肌体的再生产毫不贡献，毫不关心】

但也许我没有关注正确的发展。有人可能会争辩说，开源人工智能工具的普及标志着人机混合（human–machine hybridization）更重要的现象，因为它表明人工智能的生产正从工业扩展到更广泛的“诸众（multitude）”（Hardt and Negri 2000, 82）。当代人工智能行业与后工人主义（post-operaismo）都对开源软件怀有热情（Hardt and Negri 2005, 339–240; Moulier-Boutang 2012, 79–83; Simonite 2015）。然而，正如我们在第五章所见，人工智能资本正利用开源模式作为实现市场支配的手段（Gershgorn 2015）。事实上，随着寡头技术竞争的加剧，开源软件由独立用户开发的概念可能完全被颠覆。Linux开源操作系统的最新发展具有启发性。2017年Linux内核报告估计，只有8.2%的贡献来自无偿开发者，低于2012年的14.6%，而超过85%的贡献来自“为其工作获得报酬的开发者”（Corbet and Kroah-Hartman 2018, 15）。一项对开源人工智能项目的调查得出结论：“最受欢迎的项目深受谷歌、脸书、IBM等单一大型实体的影响”（Haddad 2018, 98）。根据罗利（Rowley, 2017）的说法，在过去十年中，开源软件已成为一个“利润惊人的行业”，公司“往往……免费提供其底层软件，但对定制配置和实施咨询服务收取高额溢价”。免费人工智能工具为资本提供了一种类似的方式，将用户和自由工人招募到其价值增殖（valorization）循环中。

要触及人机混合（human–machine hybridization）的根源，我们需要考虑其基础信念：技术上被假体化的人类的某些社会和创造能力根本无法在机器中实现，因此非物质劳动（immaterial labour）免受大规模自动化影响。维尔诺（Virno, 2003）断言，在后福特主义中，最重要的生产资料“不可还原为机器”，且“与活劳动（living labor）不可分割”（61）。穆利耶-布唐（Moulier-Boutang, 2012）同样强调“不可还原为机器主义的隐性知识”的核心地位（54）。因此，哈特与奈格里（Hardt and Negri, 2017）对新的“数字泰勒主义（Digital Taylorism）”的前景不太担忧（131）。这种关于非物质劳动不可还原人性的信念，使后工人主义（post-operaismo）与资本主义半人马理论家结盟（如第三章所讨论），对他们而言，人工智能将执行常规工作，而人类则将劳动投入创造性任务或需要判断力的工作（Agrawal et al. 2018; Daugherty and Wilson 2018）。但对人工智能无法实现的人类不可还原能力的信念，其基础并不稳固，正如布林约尔松与迈克菲（Brynjolfsson and McAfee）在原理论发表仅三年后就对其半人马理论进行修订所表明的那样。

布林约尔松与迈克菲（Brynjolfsson and McAfee, 2014）最初将创造性思维或“创意生成”保留给半人马的人类部分（192）。但鉴于深度学习机器学习（deep learning ML）的进步，他们承认“机器正变得相当擅长自行提出强大的新想法”（McAfee and Brynjolfsson 2017, 111）。因此，他们设想了一种新的劳动分工：

在未来一段时间内，有效应对人们情绪状态和社会驱动力的能力仍将是一种深刻的人类技能。这意味着在我们深入第二次机器时代时，结合心智与机器的一种新方式：让计算机主导决策（或判断、预测、诊断等），然后在需要说服他人遵从这些决策时，让人主导（McAfee and Brynjolfsson 2017, 123）。他们的新结论是，人类工人应专注于情感劳动（affective labour），处理机器难以充分模仿的复杂情绪和社会互动。例如在医疗保健情境中，“大多数患者……不想从机器那里得到诊断”，而是从一个“富有同情心、能帮助他们理解和接受往往困难消息的人”那里得到诊断（McAfee and Brynjolfsson 2017, 123）。

【译注：这种说法，哲学上倒是有其合理性，就是“主体性”，作为有机体的天然造“具身智能”，人要把自己的“主体性”交出去吗？作为异己物存在的人工智能实际是这个（些）“主体”创造出来的“客体”，维护和坚守自己的“主体性”，从这一方面来说当然就是“自主性”，可是辩证法从来都不是只有一面，这种维护和坚守恰恰又得通过处理跟这些“客体”和其他“主体”（劳动者和“资本”增值的占有者的关系的总和来实现，就是现实社会生产关系，而不是喊几句口号或者观念上默念打坐我是“主体”就实现的。所以我敢断言，这些后工人主义的新自主性倡导者，只是唯心主义的观念论者，一点都不唯物、不辩证、不历史】

充当人工智能系统输出的解释者、或许还有游说者的这一特定任务，似乎尚无法自动化，但它似乎是一个增长相当有限的行业，可能不是最令人满意的工作路线。正如后工人主义（post-operaismo）一样，面向商业的人工智能文献中的观点似乎是，无法自动化的沟通和情感能力将使人类在新的半人马经济中蓬勃发展。正如另一项关于人工智能驱动自动化的面向商业分析所言：“我们会保留的工作部分，恰恰是那些无法被编码化的部分”（Davenport and Kirby 2016, 14）。

这里明显的問題是，在资本主义世界中，什么可以或不可以被编码化始终是一个悬而未决的问题，因为资本被驱动着不断扩展其技术能力。机器能与不能做的界限不会长期保持不变。而如果合成自动化（synthetic automation）的进步提供了无需先前编码化的自动化可能性，这种区别将变得更加脆弱。简要回顾技术史可知，宣称机器能与不能做之间存在永恒界限的声明，长远来看往往不会应验。人工智能在语言翻译、国际象棋和围棋上的遭遇提供了简单例子。利用人工智能操纵和模拟情感的研究正在进行中（McStay 2018）。人工智能已被应用于生成各种令人信服的语言输出，从新闻报道到交互式虚拟客户助手（Faggella 2018, 2020）。2020年中发布的OpenAI的GPT-3（生成预训练变换器3，Generative Pre-trained Transformer 3）迅速使复杂语言和沟通能力的自动化变得更可信。GPT-3是一个深度学习模型，在互联网各个角落的一个前所未有的庞大数据集上训练而成（构成英语维基百科的大约600万篇文章仅占其训练数据的0.6%）。该模型从这些数据中提取信息，纯粹基于统计模式串联词语以生成输出，有时连贯得惊人。GPT-3距离通用人工智能（AGI）还很远，正如文森特（Vincent, 2020）指出的，它更应被理解为一种非常复杂的自动补全功能。但未来版本的大型语言模型能够以表面上合理且明显富有同情心的方式解释患者的诊断，这并非不可能。

【译注：成文于2023年大语言模型兴起之前，仅两三年时间，预言就验证了，未来具身智能与空间智能加上物理AI, 各种多模态传感器，操弄人的物理、生物感知, 技术上完全可能，所以，情绪、社会关系等都可以参数化虚拟化地被操弄】

在人工智能行业中发生的，似乎是与劳动赛博格化（cyborg becoming of labour）截然相反的情况。相反，随着技术性人工智能知识和技能被嵌入自动化人工智能工具，资本以机器形式承担起越来越多先前为人类保留的能力。一些劳动过程理论思想家认为，软件生产抗拒去技能化和自动化，因为“要完全标准化计算机编程……将需要那种看似全知的、关于突发问题及相关解决方案的知识”（Andrews et al. 2005, 67）。但我们已经看到，人工智能工作如何在没有这种全知知识的情况下已被自动化，以及借助自动机器学习（AutoML），对解决方案的知识和实施该方案的技能的需求，至少在理想情况下，如何溶解为自动化暴力迭代实验的过程。因此，人工智能工作显示了“劳动资料发展为机器……将传统的、继承的劳动资料历史性地重塑为适合资本的形式”（Marx 1993, 694）。蒂齐亚娜·特拉诺娃（Tiziana Terranova, 2004）赞同非物质劳动理论的一个版本，支持后工人主义（post-operaismo）对一般智力（general intellect）的唯人主义重构，将其视为非物质劳动者的创造和沟通能力，因为否则“马克思的金属与血肉怪物只会升级为覆盖世界的网络，其中计算机利用人类作为让机器体系（因而资本主义生产）运转的方式”（87）。我认为，特拉诺娃的怪物形象，而非后工人主义（post-operaismo）对一般智力作为“活劳动的语言重述”（Virno 2003, 106）的唯人主义重构，似乎相当契合人工智能行业的当代状况——在庞大數據中心中，计算固定资本的阵列运行着日益密集的递归操作，旨在最小化人工智能生产所必需的人类成分。

<