第五部：终极发问 —— 人类价值的最后锚点

5.1 效用危局：当高阶分析持续外部化

**“功能人”的历史宿命与效用人道主义的黄昏。**在现代文明的生产叙事中，人类价值的自我确认，长期与“效用（Utility）”深度绑定。工业社会的一条主线，是“功能人（Functional Man）”的进化史：个体通过在社会大分工中扮演某种特定的功能角色——无论是提供体力的纺织工人，还是处理信息的财务审计师——交换其收入与社会存在感。在这种语境下，人的尊严容易被压缩为他对于系统“有用性”的副产品。本文把这种以产出为人的价值作担保的思路，称为“效用人道主义”：因为人能创造财富、推进技术、决策治理，所以人才被视为重要。

然而，当认知外部化跨越低阶执行，进入预测、分析与方案生成的深水区时，这套将人类价值寄托于功能效用的坐标系，便面临越来越深的危机。

这里必须沿用第二部的定义：**判断 = 预测 × 排序 × 承诺。**机器在预测和方案生成上的进步，不等于完整判断已经让渡；生成价值排序的答案，也不等于替受影响的人作出价值承诺。本节提出一个思想实验：即使越来越多高阶分析能够交给机器，人类是否仍须用“比机器更有用”来证明自己值得存在？规模法则提供了特定语言建模性能随规模变化的经验关系，却不能单独证明宏观预测、制度设计、艺术创作都必然超越人类。¹

人脑与硅基系统有不同的实现方式。工作记忆、神经活动、模型参数与芯片时钟并不处在同一尺度，不能直接拼成整体判断能力的胜负表。更值得关注的，是哪些任务可以外部化，以及在具体环境中，系统的输出是否可靠、成本由谁承担、错误又由谁负责。

设想在一些领域，硅基决策工具能够更快地生成资源配置方案、行业预测和风险分析。那些过去凭分析与执行效率取得优势的人，便可能失去部分职业筹码。如果衡量人类价值的尺子依然只有“你创造了多少功能性产出”，技术进步就可能被体验为人的贬值。但劳动的交换价值下降，不等于人的尊严下降；一种职业被替代，也不意味着一个生命成为“冗余”。

效用危局真正逼问的，是我们能否在“有什么用”之外，重新建立一套关于“我是谁”的论证。人的价值如果只能靠功能优势维持，就会永远被下一轮更高效率的工具追赶。

**康德命题的算法重置：手段的进步与目的的追问。**康德在《道德形而上学奠基》中提出：应当始终把人同时当作目的，而不能仅仅当作手段。²这是一个道德要求，其成立不取决于人是不是最高效的生产工具。工业与金融资本主义的实际运行，却常常把个体压缩为达成利润的手段。劳动在生产中的不可替代性，曾为劳动者提供重要的谈判筹码；这里讨论的是这一筹码如何变化，而不是用它解释康德命题的哲学根据。

如果越来越多生产手段可以脱离人的直接执行，“人是目的”的要求便更加迫切。当机器承担了更多手段，谁的生活值得被改善，哪些损害不能接受，又应由谁来决定？

算法可以在给定目标下寻找路径，却不能仅凭优化成绩，为目标的正当性提供担保。系统可以计算怎样生产更多机器、怎样取得更多能源来供养算力，但这串计算究竟服务于什么，仍需要价值判断。把目标设成增长，并不自动回答为什么增长值得追求、谁应从增长中受益。

因此，分析与执行的外部化并未消灭人类价值，反而使人类更难躲在“工具属性”之后。我们需要直面一个纯粹的命题：如果不靠比机器更有用来证明自己，人作为目的的位置，究竟立在何处？

5.2 归纳的边界与承诺的力量：0 与 1 之间的信仰下注

**休谟之问的硅基回响：历史经验不能担保未来。**休谟在《人类理解研究》中追问：我们凭什么从过去的经验，推出未来仍会遵循同样的规律？用经验来证明这种延续，又会依赖正在被证明的前提。³这一问题为理解数据驱动的预测提供了一个哲学提醒：历史模式可以帮助行动，却不能为未来提供无条件的担保。

这种提醒不能被简化为“大模型只能插值”。语言模型的训练依赖数据中的统计结构，但训练方式不等于所有能力的边界。少样本学习和思维链研究已在特定任务上报告了适应新任务及推理的表现；它们既不证明通用创造力，也不支持“机器不能进行任何演绎”的绝对断言。⁴

更实际的困难，出现在历史断裂与环境变化之中。其一，预测可靠性的边界：当遭遇训练与检验条件之外的变化——例如突发公共卫生事件或地缘政治冲击——既有模式可能失效。机器与人都需要新的证据、检验和纠错机制，不能把流畅答案当成稳定的知识。其二，路径依赖的风险：当组织把历史上最常见、最容易量化的路径当成唯一可接受的答案时，模型输出可能加强旧路径，而不是帮助识别新问题。这是工具、使用方式与组织激励共同构成的风险，不能仅凭训练方式就断言机器永远无法创新。

问题于是从“谁能跳出全部历史”转向“谁有权提出不同的未来，并为尝试它承担后果”。AI 可以扩大候选方案的空间，却不能让历史经验自动变成行动的正当性。预测能力越强，越需要分清“更可能发生什么”与“我们愿意让什么发生”。

**第一性原理与信仰下注：没有结果担保，仍须作出承诺。**演绎是在给定前提下，通过逻辑推出结论。它可以帮助我们识别推理中的矛盾、检验方案是否符合原则，却不会自动决定应当接受哪些价值前提，也不会把一个有效结论直接变成现实。人类尊严是本文采用的价值前提；它与几何公理的角色不同，不能混为同一种证明。

在真实的决策现场，困难常常不在“概率清晰的选项中做选择”，而在两类处境中。其一，信息与计算的局限：资料不完整、环境不断变化，没有一条路径能够得到充分的结果担保。其二，伦理与价值的冲突：两条路径可能在可量化收益上接近，却意味着不同的责任与生活，例如短期利益与长期社会责任之间的取舍。

计算可以继续提供证据、揭示代价、检查一致性，却不能把“最优”这个词当成价值选择已经完成的证明。人的判断需要把证据与目的连起来，再作出承诺：“在这些不完整的条件下，我选择这一条，并愿意为它的后果负责。”这里的承诺不是推理的替代品，而是行动不能无限延期时，对不确定性的承担。

本文把这种跨越结果不确定性的行动称为“信仰下注”。沿用前文“无基础下注”的说法时，**“无基础”指没有结果必然成功的担保，而不是没有证据、不要理由或拒绝纠错。**欲望、信念与伦理承诺决定我们愿意争取什么，证据与反馈则约束我们怎样行动。二者缺一不可。

创造也不只是一种材料组合，更包含提出值得实现的问题、选择尚未得到保证的方向，并把想法带入有真实后果的世界。机器可以参与这个过程；人类的价值不必建立在“机器绝不能创造”的证明上。对于本书而言，认知资本（C）的关键，是提出问题、判断轻重、作出承诺，并在失败后接受校准。在第二部的三元结构中，这正是排序与承诺的展开。

5.3 存在之镜：主观体验、生命有限性与目的的建构

**中文屋的追问：表现、理解与体验不能直接等同。**塞尔在 1980 年的“中文屋”思想实验中，质疑程序执行本身是否足以产生意向性。这是一项哲学论证，不能当成“所有机器都不可能理解”的实验判定，也不能据此宣布人工意识的问题已经解决。⁵

一个系统能够说出“我感到悲伤”，或写出令人落泪的诗章，不足以仅凭这些表现确认它具有痛苦、爱或悲伤的主观体验；同样，指出它依赖计算，也不能单独证明所有人工系统永远不可能有体验。有关人工意识的研究仍需要理论与证据。2023 年一份研究从多种意识理论中提出可供评估的指标，其判断有明确的研究对象和条件，不是覆盖所有未来系统的定论。⁶

本文不以“主观体验仅属于人类”为前提，也不据此排除动物或可能的人工主体。它要确立的，是一个面向人类社会的价值立场：人的体验、利益与尊严，应当是制度的目的，不能只是提高系统效率的耗材。

为什么主观体验在政治经济学的讨论中重要？因为生产和计算的结果，最终需要回到生活中被理解。黄金的光泽如何与尊贵、恒久的感受联结，一段音乐如何唤起悲欣交集，都说明物理性质并不穷尽人的价值体验。这些例子不能解释全部价格和分配，却提醒我们：产出数量、计算精度与体验质量，不是同一个指标。

如果只有机器不断生产更多机器，而人的生活并未因此改善，单凭产出增长便宣布文明成功，是把手段当成了目的。我们不需要证明一个没有人的宇宙必然毫无价值，才能拒绝在人的社会中把人降为冗余节点。即使机器提供了更多手段，人的生活仍须有权回答：这些手段对谁有价值，又值得付出什么代价？

**生命有限性：意义与责任的切身重量。**为什么同一个选择，对工具与对使用它的人有不同的重量？一个重要原因，是人的生命有限，许多后果不能通过重新计算来撤销。有限性在这里是理解人的意义建构的一条线索，而不是证明意识只能来自肉身的充分条件。

代码、参数和数据可以备份，一次计算也可以重跑；但备份不等于主体永生，更不意味着系统没有能源、资源或选择成本。真正不能混淆的，是计算状态的恢复与现实后果的撤销：恢复模型，不会自动恢复被损害的关系、已经失去的机会，或人的生命。

对于人而言，时间的沙漏在不可逆地流逝。因为时间有限，我们必须决定把这一生投入什么事业；因为相聚有限，离别与爱才有切身的重量；因为选择一条路意味着放弃另一些可能性，承诺才不只是一个可以随意撤回的输出。死亡意识不是意义的唯一来源，却使这些取舍无法被无限延期。

训练损失、任务目标与一个人的生活目的，也不是同一层次的东西。前两者可以用于设计和评估系统，却不能自行回答一个社会愿意为什么负责。当前作为工具使用的 AI 可以参与目标分解、方案生成和执行；在本书讨论的人类协作关系中，部署和采用它的人与组织，仍须面对由此产生的实际后果。这里讨论的是责任如何落地，不是给所有可能的人工主体作永久的本体论判决。

因此，人的目的性不必靠“机器永远没有欲望”来证明。我们的局限——微弱、饥饿、疲惫、恐惧，以及对时间流逝的意识——构成了理解自身欲望与价值的一部分。我们因为生命有限而选择轻重，因为能被伤害而需要尊严，因为承诺会改变生活而要求责任。人的价值锚点，便从功能优势移向了对生活意义的定义，以及对共同生活后果的承担。

---

Footnotes

1. Kaplan 等（2020），Scaling Laws for Neural Language Models。研究对象是语言模型交叉熵损失与模型规模、数据量、训练算力的经验关系；本文不将其外推为所有高阶判断必然被替代的证明。 ↩

2. 康德，《道德形而上学奠基》第二节，参见 Thomas Kingsmill Abbott 英译本。正文为思想转述，不是特定中文译本的逐字引文。 ↩

3. 休谟，《人类理解研究》第四节第二部分，参见 原著文本。此处借用其对经验推断根据的追问，不将其等同于现代模型的技术说明。 ↩

4. Brown 等（2020），Language Models are Few-Shot Learners；Wei 等（2022），Chain-of-Thought Prompting Elicits Reasoning in Large Language Models。两项研究讨论各自测试条件下的任务表现，不构成通用创造力的证明。 ↩

5. Searle（1980），Minds, brains, and programs，Behavioral and Brain Sciences，3(3)，417–424。论证针对程序执行是否足以产生意向性；它不否认具有相应因果能力的机器思考的可能性。 ↩

6. Butlin 等（2023），Consciousness in Artificial Intelligence: Insights from the Science of Consciousness。本文仅引用其意识指标的研究思路，不用该研究对当时所评估系统的判断代替对今天或未来所有系统的评估。 ↩