一、引言 生成式人工智能(Generative AI)是一个统称性术语，适用于一系列机器学习模型及其相关接口。这些模型与接口已向企业发布，面向普通公众的版本则通常经过功能简化。①与以往常见的机器学习应用不同，这类应用通常用于数据分类、预测未来结果或实现流程自动化，生成式人工智能具备一项独特能力：只需接收开放式的人类语言指令(prompt)，就能生成足以以假乱真、贴近人类创作风格的文本、图像与音频模拟内容。事实上，这些输出内容(尤其是文本类)的逼真度已达到惊人水平，以至于部分行业人士声称，先进的生成式人工智能算法甚至可能具备感知能力。② 判断生成式人工智能是否会“梦见电子羊”(暗指其是否拥有意识)③，这一问题超出了本文的讨论范畴；但显而易见的是，企业与个人对这类模型的信任度正不断提升，甚至愿意将自身的创造性与推理能力交由其代劳。“提示词工程”(Prompt-engineering)是指设计指令输入以精准触发预期输出的能力，如今已成为一项公认的行业技能，且掌握这一技能的群体远不止使用生成式人工智能编写代码的程序员，还包括艺术家、作家、记者、学者(乃至学生)，实际上各类知识劳动者都在将生成式人工智能融入自身实践。 资本也不例外。事实上，正是资本在推动这一进程。训练生成式人工智能算法需要消耗巨额计算资源，这使得新模型的研发权被局限在资本最雄厚的机构手中。④尽管有人认为，生成式人工智能仍属于“尚未找到明确应用场景的技术”，至少从提升企业盈利能力的角度来看是如此，但已有众多企业正在将其整合到自身的劳动过程中。 本文旨在开启一项初步工作，即构建针对这一新技术的马克思主义政治经济学分析框架。学界普遍认为，马克思对技术进步给劳动过程及更广泛社会形态带来的影响有着敏锐洞察，尽管马克思的追随者们对二者间的因果关系方向始终存在争议。遵循这一学术传统，本文首先尝试将生成式人工智能及其影响置于经典马克思主义框架下进行分析，随后逐步引入马克思思想继承者的研究成果展开进一步探讨，其中尤为重要的是格奥尔格·卢卡奇、哈里·布雷弗曼与让·鲍德里亚的理论。 本文的研究目标有两个：第一，阐释生成式人工智能将如何(事实上已在)影响劳动过程及劳动的社会价值，尤其针对知识从业者群体；第二，揭示生成式人工智能的输出内容及其日益普遍的应用如何反映出资本主义在社会形态层面的进一步发展。具体而言，本文认为，要理解生成式人工智能更深远的影响，必须聚焦商品拜物教的进一步扩张，这种扩张已延伸至“意义的物化”层领域。简言之，生成式人工智能所构建的“现实”，并非对人与人、人与(真实)事物之间的(真实)社会关系的反映，而是封闭拟像系统内部一系列模拟性、概率性的关系集合，且这些拟像正日益被局限在私人所有的基础设施(如科技巨头的数据中心)之中。 需要明确的是，这一进程本质上是资本主义固有趋势即商品拜物教的进一步发展，其历史远早于生成式人工智能的出现。但为了更精准地将这些发展界定为资本主义的新阶段，笔者借鉴“算法资本主义”(algorithmic capitalism)一词对其进行描述。⑤此举不仅是为了更清晰地将这一新阶段与此前的技术发展阶段区分开来，更是为了区分“技术本身”与“催生该技术且又正被该技术重塑的经济体系”。在此意义上，笔者希望这一点已清晰易懂，即本文采用的技术分析视角是让“经济体系”这匹“马”与“技术进步”这架“车”置于正确的主次关系中⑥。正如马克思本人所指出的(下文也将提及)，批判必须区分“物质生产工具”与“使用这些工具的社会形态”。因此，本文的核心分析对象并非孤立的技术本身，而是技术与社会形式互动下的整体语境。 二、劳动价值与生成式人工智能 正如马克思对支撑第一次工业革命的技术变革所做的观察，技术通常不会提升劳动价值，反而会降低其价值： 资本主义生产的整个体系，是建立在工人把自己的劳动力当做商品出卖的基础上的。分工使这种劳动力片面化，使它只具有操纵局部工具的特定技能。一旦工具由机器来操纵，劳动力的交换价值就随同它的使用价值一起消失。⑦ 在以往的技术进步时代，这一过程主要影响体力劳动。⑧然而，生成式人工智能对高附加值服务行业的从业者构成威胁，即所谓的“知识劳动者”⑨与“创意阶层”⑩，具体包括从管理者到咨询师、从记者到学者的各类人群，事实上还涵盖所有在工作中需生成并传递通用或专业信息的人。 借鉴亚里士多德的观点，我们可将这类知识型劳动视为一种“技艺”(techne)：它是劳动者通过长期接触某一领域既往的言论与文献所积累的技能，随后劳动者会运用这种技能生成特定成果。(11)若按此理解，知识劳动者的生产资料便可主要视为这种“技艺”。但生成式人工智能的训练数据实则占据了当代人类劳动总成果的相当大比例，其中已包含(或即将包含)所有专业领域的特定知识。因此，知识劳动者陷入了一种特殊境地(至少对中产阶级职业而言是特殊的)：他们的生产资料正被资本取代，甚至被资本占有。 这一过程值得进一步进行理论阐释。生成式人工智能的算法训练需要依赖数据，而这些数据的获取实则是对大量既往人类劳动成果的吸收，其中很大一部分仍属于创作者的知识产权。一旦文本、图像、音频等既往成果被生成式人工智能获取，它们便不再是单纯的商品。相反，依托这些成果开发的算法若要得以存在并具备价值创造能力，即成为能够自我增殖的资本，则恰恰需要输入这类既往成果。
