mk体育登录入口:
现代社会有一种根深蒂固的技术乐观主义：只要科学慢慢的提升、机器效率逐步的提升，整个社会最终都会从中受益。新技术可能暂时取代部分工作、扩大不平等，但只要总体生产力持续提高，长久来看所有人终究能够“搭上便车”。艾塞默鲁与强森在《权力与进步》中首先挑战的，正是这一看似符合常识的判断。
回顾过去一千年的历史，技术进步与普通人的生活改善并不存在稳定的对应关系。中世纪欧洲改进了轮耕、水磨、风磨、马具和农业工具，粮食生产能力逐步的提升，但农民的生活并没有同步改善，新增产出很大一部分被掌握土地和政治权力的精英获取。工业革命早期同样如此：纺纱机、织布机和蒸汽动力大幅度提高英国生产效率，却在相当长时间内伴随着熟练工人被替代、劳动时间延长以及城市劳动条件恶化。生产得更多，并不等于劳动者得到得更多。
作者因此提出全书最重要的前提：技术并不是一种独立于社会之外的自然力量。每一次技术进步背后都存在选择——机器可拿来减少人工，也可拿来帮助人完成原本没办法完成的任务；数字技术能用来加强员工监控，也能够适用于改善信息、辅助决策和提高专业能力；人工智能既可以追求把人的工作完全自动化，也可以被设计为护理师、教师、技术工人以及其他职业的辅助工具。
真正决定“进步”性质的，并不是技术本身有没有突破，而是技术向什么方向突破，以及由谁获得突破产生的收益。因此，理解科技产业不能只问“技术进步有多快”，还必须进一步问：它究竟提高了谁的生产力？替代了谁？创造了哪些新的任务？又改变了谁的经济与社会权力？这也是全书从技术史最终走向权力分析的起点。
作者将传统技术乐观主义背后的逻辑称为“生产力便车”。其逻辑看起来十分顺畅：新的机器和生产方式提高企业生产率，企业扩大产量，需要更加多员工；劳动力需求增加，企业为了招人和留人就必须提高工资，于是技术进步最终惠及整个社会。但艾塞默鲁与强森指出，这条因果链包含两个关键环节，而两个环节都可能失效。
第一个环节，是从“平均生产力提高”到“劳动者边际生产力提高”。企业采用机器后，每名员工对应的产出可能大幅度的增加，但这不代表员工对企业变得更重要。假如机器人直接接管焊接、喷漆或者结账等任务，企业的平均生产率可能上升，对原有员工的需求却会下降。作者尤其警惕所谓“差不多凑合着用的自动化”：例如一些自动化只是把原本由员工完成的任务交给机器甚至顾客，节省少量人工，却没有产生足够大的效率提升和新需求。这类技术能够替代劳动，却很难形成新的就业与工资增长。
真正有利于劳动者的技术路径，是创造新的任务。二十世纪的汽车、电气化和现代组织管理虽然也大量使用机器，却同时催生设计、工程、设备操作、维修、文书、销售、物流等大量过去不存在的工作。技术不是简单把“人”从生产的全部过程中拿掉，而是改变人能够做什么。正因为新的任务扩大了人的作用范围，劳动者的边际生产力才会提高。
第二个环节，则是从“边际生产力提高”到“工资提高”。即使员工对企业更重要，也不代表他们一定能分享新增收益。如果雇主拥有强大的市场地位、劳动者缺乏其他就业选择或者缺乏集体协商能力，生产率增长创造出来的“经济租”仍可能主要留在资本和管理层手中。因此，作者把共享繁荣概括为两个缺一不可的条件：技术必须提高劳动者的边际生产力，同时劳动者必须拥有足够的力量分享生产率收益。
如果技术并不存在唯一的发展路径，那么下一个问题自然是：为什么社会最终选择了某一条技术路线，而不是另一条？《权力与进步》的回答是——权力决定哪些愿景可成为主流，而主流愿景又会促进改变权力分配。
作者用苏伊士运河和巴拿马运河建设者雷赛布的经历说明“愿景”的力量。雷赛布并不是依靠军队强迫所有人接受他的方案，而是依靠过去的成功、社会地位、专业声望以及极强的说服能力，让投资人、政治人物与公众相信自身的技术路线代表“进步”。即使后来巴拿马海平面运河方案面临严重的工程、疾病和成本问题，已形成的主流愿景仍然具有巨大的惯性。作者将此现状称为“愿景陷阱”：一旦某种技术路线被描绘成唯一合理的未来，社会就容易忽略其他可能性以及这条路线产生的成本。
这里最重要的一种权力，是议题设定权。真正有一定的影响力的人不一定需要直接决定答案，只需要决定大家讨论哪一些问题、哪些方案能够进入选择范围、哪些声音能够坐上谈判桌，就已经在很大程度上决定了最后结果。企业家、金融家、工程师和学术精英因为财富、专业地位及社会网络，更容易被视为“成功者”，因而更容易塑造社会对技术的想象。
更值得警惕的是，权力与愿景存在自我强化机制。某一种技术方向如果让部分企业和个人获得巨额财富，他们就会拥有更高的社会地位、更多政治资源和更强的话语权；更大的权力又使其更容易继续推动符合自身利益和世界观的技术路线。于是技术不仅受到权力影响，技术本身又会重新分配权力。
因此作者强调，多元声音和制衡力量不是技术政策中的附属品，而是决定技术能否真正服务社会的重要条件。技术路线越可能改变利益分配，就越不能只由拥有技术和资本的人决定。
《权力与进步》用工业革命最有力地证明：同样是技术高速进步，不同阶段可以产生截然不同的社会结果。
十八世纪末至十九世纪上半叶的英国工业革命，以机械化和自动化为重要特征。纺织机器、工厂制度与蒸汽动力明显提高产出，但许多技术首先服务于降低劳动成本和加强生产控制。熟练纺织工被机器替代，工厂中的工作被拆分成更简单、更容易监督的任务。生产率提高了，部分资本所有者迅速积累财富，但普通劳动者工资与生活条件长期没有同步改善。卢德运动因此并非简单的“工人反对技术”，而是劳动者反对一种让自己失去技能、收入和议价能力的技术使用方式。
十九世纪后半叶局面开始改变。英国选举权扩大、工会逐步合法化以及劳动法规的发展，使劳动者获得更强的政治和经济制衡力量；与此同时，美国工业化形成另一种技术路径。由于劳动力相对稀缺，美国企业大量投资于可提升劳动效率、扩大生产规模并创造新任务的机器与组织方式。铁路、电力、大规模生产以及工程管理的发展，不仅自动化一部分旧任务，也创造大量新的蓝领和白领工作。
到二十世纪中叶，这两种力量形成了难得的结合：一方面，技术创新持续创造新的工作任务、提高劳动者边际生产力；另一方面，工会、集体协商、公司竞争以及政府制度使劳动者拥有分享收益的能力。二战后几十年的美国因此出现生产率、实际工资与就业机会共同上升的“共享繁荣”。
这段历史也是本书最核心的证据：工业革命最终改善多数人的生活，并不是因为技术经过足够长时间后自然产生了善果，而是因为技术方向发生改变，同时社会形成了足够强的制衡力量。
作者认为，1980年代以后，数字技术逐渐偏离了二战后形成的平衡。企业更强调削减成本和股东回报，工会及其他劳动者制衡力量减弱，电脑、软件和机器人慢慢的变多被用于自动化现有任务。在这一过程中，数字技术当然创造了新的职业和巨额经济价值，但与此同时，大量技术投资集中在减少人工、收集数据、监控以及广告商业模式之上。
人工智能将这种趋势进一步推向新的岔路口。作者并不否认AI的巨大潜力，而是质疑当前以“机器智能”为核心的愿景：社会过度关注机器能否模仿甚至达到人类智能，却较少追问这种机器究竟对人类有多大实际帮助。他们将这种思维称为一种“模仿谬误”。如果AI只是把已经由人类完成得相当好的任务自动化，却只能获得有限的生产率提升，就容易再次落入“差不多凑合着用的自动化”——企业减少人工，却没有创造足够的新价值来补偿被替代的劳动。
作者提出另一条道路：机器实用性（Machine Usefulness）。重点不再是机器有多像人，而是机器能够在多大程度上帮助人。其主要方向包括：提升劳动者完成现有工作的能力；创造新的工作任务；帮助人们获得和筛选更准确的信息；以及利用数字技术建立新的平台和市场，让拥有不同技能的人更容易合作与交易。
因此，在作者看来，AI真正重要的选择并不是“发展还是停止发展”，而是发展什么样的AI。如果人工智能大多数都用在自动化、监控和降低劳动成本，它可能逐步扩大经济和社会权力差距；如果被用于扩展教师、医护人员、技术工人、专业技术人员以及普通劳动者的能力，就可能重新形成创造新任务—提高边际生产力—扩大劳动需求的正循环。技术的未来仍然“未定”，关键仍然是方向的选择。
第一，技术进步与经济价值之间不能简单画等号。判断一项技术是否真正创造长期价值，不能只看它能否替代人工、减少相关成本或者提高单个环节的效率，更应该观察它是否创造了新的任务、新的产品和新的需求。可提升人的边际生产力、扩大整个产业活动边界的技术，与只是完成“差不多凑合着用的自动化”的技术，长期经济效果可能完全不同。因此，“自动化程度”并不能替代“生产率质量”。
第二，共享繁荣是技术方向与权力结构共同作用的结果。技术能提高边际生产力，但收益能否扩散还取决于劳动力市场之间的竞争、企业市场力量、劳动者议价能力及制度安排。如果技术红利持续集中于少数平台和资本所有者，技术本身又进一步强化这些主体的经济、政治和社会权力，就可能形成自我加强的集中化循环。因此研究技术产业不仅需要看技术曲线，也需要分析产业组织与权力结构。
第三，AI时代真正需要我们来关注的分水岭，不是机器是否越来越像人，而是机器是否越来越对人有用。作者提出的“机器实用性”提供了一个比单纯参数、模型能力和自动化率更长期的观察框架：好的数字技术应该帮助人完成更多任务、做出更好的决策、连接更多资源，并创造过去不存在的工作与市场。《权力与进步》最终讨论的并不是怎么阻止技术，而是如何使技术重新走向能够扩大人类能力的方向。
《权力与进步》对当前人工智能投资最直接的启示，是要重新审视“自动化”与“生产率”之间的关系。作者强调，平均生产率的提高并不代表劳动者边际生产率同步提升。如果人工智能主要被用于替代既有岗位、减少人工投入，即使企业短期成本会降低，也未必能够形成新的产品、新的需求和更广泛的经济活动。相比之下，真正能够形成长期生产率红利的技术，应当帮助劳动者完成过去没办法完成的任务，提高人的能力边界，并在此基础上创造新的工作内容与产业需求。
这一框架对于判断当前AI应用的价值具备极其重大意义。随着基础模型能力持续提升，市场关注点正在慢慢地从“模型是否足够聪明”转向“模型能否进入真实业务流程”。Coding、Agent、企业知识管理、客服、营销和专业服务等场景的核心价值，并不只是减少多少员工，而在于能否缩短研发周期、提高决策效率、扩大单个员工可处理的经营事物的规模。微软披露，截至2026财年末，Microsoft 365 Copilot付费席位已超过3000万，也表明企业AI正在从早期试用逐步进入实际在做的工作流程。
因此，AI应用研究不宜仅以“替代率”衡量技术价值，更应关注三个维度：一是单位用户生产效率是否得到持续改善；二是AI是否创造新的任务、产品和业务模式；三是效率提升能否进一步转化为收入增长或新的市场需求。可提升人的边际生产力、扩展业务边界并创造新增经济活动的AI技术，更符合《权力与进步》所强调的高质量技术进步，也更可能具备持续的产业价值。
《权力与进步》的另一个重要贡献，是把“技术如何创造价值”和“价值最终归谁”分开讨论。技术投资即使成功提高生产率，如果过去几年，AI产业的核心叙事主要围绕模型能力展开。参数规模、训练算力、推理性能和Benchmark表现成为判断技术领先程度的重要指标，长期资金市场也由此形成了从先进芯片、服务器、网络设备到数据中心的基础设施投资主线。但《权力与进步》提供了一个重要的校正视角：技术能力并不天然等同于经济价值，只有当技术真正改善生产的全部过程并形成新的需求时，生产率红利才能兑现。
当前AI产业正在慢慢地进入这一验证阶段。模型能力仍然快速进步，但企业客户越来越关注成本、可靠性、数据安全以及实际业务回报。微软在最新业绩中强调将Token转化为“business results”，Microsoft 365 Copilot付费席位超过3000万，Azure年度收入也首次超过1000亿美元，说明市场已开始出现从算力投入向企业使用和商业收入传导的迹象。对于应用层企业而言，真正重要的指标正在从用户数量进一步转向付费率、留存率、调用频率、单位经济性以及AI给用户带来的实际效率改善。
这一变化意味着，AI投资研究的评价体系也需要相应调整。模型性能决定技术能否进入某一场景，但商业模式决定技术优势最终能够保留多少价值。如果模型能力逐步的提升而推理成本迅速下降，单纯依赖技术领先形成的壁垒可能缩短；相反，能够深入客户工作流、拥有专有数据、形成稳定用户关系并持续证明投资回报的企业，更容易建立长期竞争优势。AI产业的下一阶段，核心问题将逐渐由“谁拥有最强模型”转向“谁能够把模型能力持续转化为客户价值和现金流”。
当前AI产业仍处于历史罕见的大规模基础设施建设阶段。先进GPU、服务器、光模块、交换机、电力设备和数据中心共同构成AI资本开支周期的重要受益方向。最新财报显示，Meta预计2026年资本开支达到1300亿—1450亿美元；英伟达2027财年第二季度数据中心收入达到890亿美元，同比增长117%，反映AI算力需求仍处于较高景气水平。从短期产业趋势看，算力基础设施仍然是AI投资中确定性相比来说较高的方向。
但《权力与进步》提醒我们，资本投入本身并不构成技术革命成功的充分条件。更重要的是，这些资本最终创造了怎样的生产率。AI基础设施建设可以持续提高算力供给，但如果模型能力提升没有逐步推动推理需求、应用渗透和企业收入增长，那么资本开支与实际经济回报之间就也许会出现脱节。因此，在AI资本开支持续扩张的阶段，研究重点需要逐步从“投入规模”延伸到“投入效率”。
可以据此建立一条更完整的产业价值传导链：资本开支→算力供给→模型能力→推理使用量→应用渗透→客户价值→投资回报。前三个环节决定基础设施景气度，后几个环节则决定这一轮AI投资最终能够持续多长时间。如果推理需求和企业应用能够持续增长，前期基础设施投资将获得收入增长的支撑；反之，如果资本开支增速长期明显高于终端价值创造，市场对投资回报率的要求就可能上升。因此，基础设施建设决定AI产业的短期景气，而生产率兑现最终决定资本开支周期的高度与持续性。
《权力与进步》对AI投资更深层的启示，在于技术革命不仅改变生产效率，也会重新塑造产业中的权力结构。作者反复强调，技术发展趋势并非完全由技术规律决定，掌握资本、平台、数据和议题设定权的主体，会对技术路径产生重要影响；而技术进步形成的财富又可能进一步强化这些主体的市场地位。因此，研究AI不能只关注“技术创造了多少价值”，还要进一步判断价值由哪个产业环节创造，以及最终由谁获得。
这一框架对当前AI产业链具有较强的解释力。现阶段大量价值首先集中于芯片、云计算和数据中心等稀缺基础设施，但随着算力供给增加、模型能力差距变化和开源生态发展，产业利润的分配结构并非固定不变。未来竞争优势可能逐渐从单纯拥有先进模型，向数据、客户关系、工作流、平台生态和分发渠道延伸。对于应用企业而言，真正重要的壁垒不只是能够调用某个先进模型，而是能否深入企业核心流程、积累专有数据，并形成较高的客户迁移成本。
因此，从投资研究角度，可以将AI产业划分为三个观察层次：短期关注算力需求、资本开支和供给瓶颈；中期关注推理增长、应用渗透和商业化兑现；长期关注生产率提升以及产业价值的重新分配。当某一环节因为稀缺性获得较高利润时，需要判断这种稀缺性是长期结构性壁垒，还是技术扩散过程中的阶段性现象。真正具有长期投资价值的企业，不仅需要参与AI技术进步，更需要在技术不断普及之后仍然拥有获取经济价值的能力。从“谁掌握最先进的技术”进一步追问“谁最终获得技术进步创造的经济租”，是《权力与进步》对当前AI投资研究最重要的方法论补充。
