文章核心观点 - 当前以“堆大模型”为核心的AGI发展路线，并非科学或技术的必然选择，而是由资本和地缘博弈驱动的“叙事选择”，可能从一开始就走错了方向[4] - 该路线正面临物理极限（能源）、不平等的社会代价以及结构性困境（行业被锁定），其发展模式不可持续，且将加剧社会分化[4][17][22][38] - 尽管存在系统性风险，但大模型技术本身也为个体（如普通家长）提供了应对工具，通过开源、自适应的教育工具，普通人可以在系统之外为下一代创造新的学习路径，这是应对AGI冲击的关键[50][52][58] AGI叙事与行业锁定 - OpenAI的创立驱动力源于对竞争对手（如DeepMind）的“恐惧”和“精神压力”，而非纯粹的科学好奇心，其“必须第一，否则灭亡”的叙事锁定了行业方向[7] - 比尔·盖茨的个人偏好推动了微软与OpenAI转向大语言模型，表明技术路径的关键拐点可能由非技术因素决定[10] - GPT系列模型出现后，整个行业被锁定在“堆大模型”的路径上，形成了“谁不扩大规模谁就死”的纳什均衡，迫使包括Google在内的所有主要玩家跟进，这是博弈论而非技术验证的结果[9] 技术路线的分歧与科学家的困境 - Google DeepMind最初走的是专业化、可控的小模型路线（如AlphaGo、AlphaFold），旨在“先解决智能，再用智能去解决一切”，与大模型路线形成对比[9] - DeepMind联合创始人哈萨比斯指出了当前大模型路线的四大结构性短板：不会长期规划、没有持续学习、缺乏真正创造力、能力分布不均（锯齿状智能）[14] - 哈萨比斯给出了5到8年的保守AGI时间表，并认为关键能力（如规划、创造力）可能不在当前Scaling路线的延长线上，暗示这是一条错误的路径[14][16] - 然而，科学家也陷入了“被锁定的理性”，为了获取资源（如算力）以继续其真正目标（如用AI攻克疾病），不得不继续参与大模型军备竞赛[16][19] 物理极限：算力与能源的失衡 - 最先进AI模型的训练算力每三四个月翻一倍，比摩尔定律快七倍；推理侧需求因Agent普及而激增，单次任务token消耗可从几百跳到上万[18] - 全球数据中心耗电量预计到2030年将翻倍以上，相当于日本全国的年用电量[20] - 美国PJM电网在2026年初首次出现电力容量短缺，需紧急寻找相当于十几座核电站的新增电力；北弗吉尼亚数据中心集群接入电网排队时间已从2-3年拖至6-7年[20] - 算力需求呈指数增长，而能源供给是线性增长，即便中国拥有雅鲁藏布江下游水电工程（装机60GW，年发电量超三峡三倍）等新增清洁能源，也恐难追上AI算力的胃口[21] - 杰文斯悖论显现：单位token成本三年下降一千倍，但全球总支出翻了几倍，意味着总能耗暴涨数个数量级，每一次降价都会催生更大量级的新需求[22] 不平等的供应链与社会代价 - AI产业的繁荣依赖两种燃料：电和廉价人力。数据标注、内容审核等“隐形劳动力”分布在肯尼亚、菲律宾、委内瑞拉等地，时薪低至1.3-2美元[23][24] - OpenAI曾以每小时12.5美元的价格将有害内容审核外包给肯尼亚公司Sama，工人时薪仅1.3-2美元，中间差价被管理费吞噬，许多工人患上创伤后应激障碍[24] - 这些被AI替代风险最高的初级岗位（如客服、翻译），正是许多发展中国家过去二十年形成的中产阶级入口岗位[24] - 大型数据中心耗水量巨大，一个百兆瓦级数据中心每日蒸发淡水量相当于一座万人小镇的居民日用水。在智利等干旱地区，此类项目引发了居民与科技公司之间长达数年的水资源争夺战[25][26] - AI发展模式对发展中国家是“承诺未来，拿走现在；承诺就业，拿走饮水”，代价被转移至最弱势的地区和人群[27][30] UBI方案的局限性与社会影响 - 以AGI税为基础的全民基本收入方案在经济学上难以成立，AI巨头拥有强大的跨境避税能力，且作为“国家战略资产”可能不会被实质性课以重税[34] - 实证研究表明，UBI实验（如每月发1000美元）仅能短期提升幸福感，并未显著改善长期收入或储蓄率，且未模拟大规模失业场景[35] - UBI无法解决“中产阶级认知能力被AI覆盖后的意义崩塌”问题，人类对工作的意义感、认同感和社交网络的需求远超金钱[37] - AI将加剧社会两极分化，财富和权力将前所未有地集中到极少数模型公司、芯片厂商和顶尖人才手中，UBI可能的功能是“维持秩序”而非“分享财富”[38] - AGI替代的是“学习和使用能力的能力本身”，这是人类首次面临“能力天花板”的革命，法律、监管等措施只能延缓而无法逆转替代趋势[39][40] 个体应对：教育工具的开源与普及 - 大模型技术降低了高质量、个性化教育内容的创造门槛，使“一人一课表、一人一路径”的个性化教育成为普通家庭可及的目标[42][50] - 例如，TeachAny项目利用大模型，让不懂编程的家长能在十几分钟内生成符合教学科学、包含互动元素的自适应课件，涉及K12上千个知识点，并完全开源免费[46][48] - 这种自驱学习路径适合约10%-30%保有好奇心且家庭愿意陪伴的孩子，并非普适方案[51] - 公立教育系统因追求规模化和公平，在反应速度和个性化上存在局限。未来更可行的路径是系统内外结合：由先锋家长和教师探索开源工具与案例，逐渐影响主流教育体系[52] - 教育的责任部分回归家庭，家长可以利用AI工具，围绕孩子的兴趣进行深度、个性化的学习引导，这是在既定AGI路线下普通人掌握主动权的关键[58][59]