「生产率提升不会自动变成共同富裕」——Ai4 台上最没人接的那半句

先说结论

Hinton、李飞飞、吴恩达三个人第一次同台，媒体转述大多落在风险与就业上。但这场对谈里最值得长期跟踪的，是李飞飞那两句几乎没人接的话：生产率提升不会自动变成共同富裕；以及如果 AI 研究的钱只从私人资本来，被研究的问题范围会变窄。

第一句是分配问题，已经吵了很久。第二句几乎没人接——它问的是谁有资格出题。对在公立高校带团队的人来说，第二句比任何末日预测都更直接决定未来十年做什么。

事情是怎么发生的

Ai4 2026 在拉斯维加斯 Venetian 举办，会期 8 月 4–6 日。三人同台的场次名为「The Architects of Intelligence」，由《华盛顿邮报》副主编主持；据 Inc. 现场报道，排在 8 月 5 日上午。

据 Forbes 报道，三人的位置大致是这样：

Hinton 讲就业最直白——很多岗位会走上「挖掘机来了之后挖沟工人」的路，他点名呼叫中心；对监管，他不接受「刹车」的比喻，说监管是方向盘；对开放权重模型，他担心恶意使用者能以极低成本改造出强能力系统。

吴恩达几乎针锋相对：「我不希望 AI 出现守门人。」他指控一些机构在轮换威胁叙事——灭绝风险、生物武器、就业冲击、对华竞争——来为限制性政策背书。

李飞飞走中间，但不是和稀泥。她把讨论从「岗位消失」拉回「任务重组」，然后甩出那句：「生产率提升不会转化为共同富裕。」她主张分行业监管、支持再培训，并明确要求公共研究投入——理由是研究若全部集中在私人手里，被追问的问题会变窄。

为什么重要

注意这三个人在能力增长上其实没什么分歧，他们都认为 AI 会更强、会更快。真正的分裂在三个下游问题：收益归谁、代价谁付、谁来出题。

前两个是政治经济学，已经有大量人在吵。第三个最技术、也最少被讨论：研究议题跟着算力和资金走。当基础方向（架构、评测标准、数据集）越来越由少数几家实验室的产品路线定义，公共资金退场并不会让研究停下来，它只会让没有商业下游的问题静悄悄消失。

哪些问题没有商业下游？长期可复现的测量标准、跨设备一致性、低资源场景、非主流成像硬件、真值的构建与维护。这些恰恰是一旦缺失，所有人的实验都会开始失真的东西——而且不会有人来收购。

站得住与站不住的地方

值得肯定的是，李飞飞这条主张是可证伪的：公共与私人资助占比可以查，某类问题的论文数、数据集发布数可以数。它比「AI 会/不会毁灭人类」这种无法结算的命题有用得多。吴恩达那条「结论固定、前提轮换」也是个好用的论证检验——如果一个机构主张的限制措施十年不变，理由却换了四轮，那这理由多半不是它真正的驱动力。Hinton 把监管说成方向盘而不是刹车，同样避开了「加速 vs 停止」的假二元。

反过来说，三条都缺机制。李飞飞没讲公共投入投多少、投哪、如何避免变成变相补贴；而她本人是 World Labs 的 CEO，主张公共资金也谈不上无利益立场。吴恩达指控威胁叙事被轮换，同样没给证据表。Hinton 的挖掘机类比则省掉了最关键的一段：挖沟工转成操作工，历史上花了近两代人，靠的是当时的公共教育和劳动制度，不是技术自己长出来的。

还有个折扣：这是应用 AI 商业大会的舞台，掌声奖励最锋利的句子，不是最正确的判断。

这对行业意味着什么

研究：给自己手上的题目做一次「资助来源体检」。如果一个问题只有一家公司在意，那么这个问题的评测标准最终也会由那家公司来定。落到颜色与成像上就是——「什么算准」由谁定义。真值构建、测量方法、跨设备一致性，是典型的公共品：商业上难变现，缺了却所有人受损。这类工作在私人资本主导的议题分布下会持续被低估，反过来说，愿意做的人会长期占住一个没人抢的位置。

教学：把「任务在变而不是岗位消失」当作课程设计原则。真正会被替代的是能被清晰描述的中间步骤；留下来的是定义问题和判断结果对不对。所以作业应该从「实现一个 AWB 算法」，往「判断这个 AWB 的输出在什么条件下会错，并设计一个能暴露它的实验」迁移。

影像系统：「生产率提升不等于共同富裕」在工程里有个精确的对应版本——指标提升不等于体验提升。ISP 调优里最常见的失败模式，就是平均 ΔE 降了，肤色、低照、混合光源反而更差。收益归谁、代价谁付，在分配上和在评测集上其实是同一个问题：看你把误差平均在了谁身上。