--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能和资本主义的未来_1-200的全文翻译" author: null edition: null publisher: null year: null isbn: "9780745338613" library_document_id: "addbcbca-2f35-4d20-b661-aef770dd9ec7" source_sha256: "15b5eb23c1acb2a61c49581e05aff79dc9161d989a8c2be742d36b2c16d3ac15" pdf_physical_page_count: 200 pdf_physical_page_index_base: 0 range_start: 20 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7?start=20&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7.md?start=20&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7.md?start=10&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7.md?start=30&limit=10" --- # 人工智能和资本主义的未来_1-200的全文翻译 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=20 | PRINTED_PAGE=NOT_DETECTED 12 . inhuman power 操纵这种表象来思考或行动。这些系统通常是由一系列明确定义的规则构建而成的。GOFAI的最好例子是所谓的“专家系统”或“知识系统”，它们在20世纪80年代出现并激增。这些系统旨在捕获人类专家的知识，并将其提供给技能较低的工人或无知的管理人员。专家系统被用于医疗诊断、信用评分和分析，以及商业管理，但最著名的是IBM的国际象棋系统“深蓝”(DeepBlue)，它在1997年击败了当时的世界冠军加里·卡斯帕罗夫(Garry Kasparov)。然而，GOFAI需要大量的规则集和无数可能的交互。以这种方式解决复杂问题需要巨大的计算能力;由于这些和其他原因，采取了GOFAI以外的办法。 对GOFAI问题的一种反应是“情境、具身、动态(SED)框架”(Beer 2014: 128);该领域的先驱罗德尼·布鲁克斯(Rodney Brooks)称他的方法为“新AI”，以强调其与GOFAI在质量上的决裂(Copeland 2000)。SED研究人员经常受到“Moravec悖论”的激励——机器人学家汉斯·Moravec的观察:“让计算机在智力测试或跳棋中表现出成人水平相对容易，但在感知和行动能力方面，很难或不可能赋予它们一岁孩子的技能。”(1988)15)。AI的SED方法强调了身体及其感知装置和形态对认知的不可简化的重要性:对于这个学派来说，通过解决物质问题，机器可以进化出智能行为。因此，除了AI之外，这些方法通常还涉及机器人和人工生命。SED实践者最初专注于非常简单的类昆虫机器人，但在2010年代，更复杂的部分类人机器人成为可能，并已被引入工业环境。SED框架的某种变体有可能成为下一个占主导地位的AI范式。 对GOFAI的另一个反应是机器学习(ML)。ML学派，以前被称为联结主义，早在达特茅斯研讨会上就存在了，在20世纪80年代随着学习算法的进步获得了一些关注，但直到2010年代大数据和廉价计算能力激增后才爆发。截至2019年，机器学习是AI的主要方法。3它是一种统计模式识别方法。NVidia的一位研究人员将ML描述为一个由三个步骤组成的过程:“(1)获取一些数据，(2)在该数据上训练模型，(3)使用训练好的模型 ## PDF_PHYSICAL_PAGE_INDEX=21 | PRINTED_PAGE=NOT_DETECTED 模型对新数据进行预测”(Dettmers 2015)。换句话说，ML系统可以被理解为创建自己的推理模型。 虽然机器学习可以在各种架构上运行，但2010年代AI的前沿主要是在人工神经网络(ann)上运行的。 受人脑启发的计算机程序，尽管与人脑有很大不同。人工神经网络大致模拟大脑神经元连接的电操作，而不是像GOFAI那样模拟高级逻辑。人工神经网络“基于认知是通过大量简单处理元素或单元(即“神经元”)的相互作用而产生的假设”(Sun2014:109)。人工神经元被组织成一系列的层，每一层都与上下两层相连。最低层接收输入一一例如;图像、文本或语音——以数据的形式被矢量化(转换成一长串数字)。更高的层次——被称为隐藏层——处理从它们下面的层发送上来的数据。早期的网络只有一个隐藏层，但今天的网络有更多。一般来说，ML系统的底层ANN架构拥有的层越多，它能发现的复杂模式就越多。2010年代最先进的机器学习被称为“深度学习”，因为这些网络是多层深度的(LeCun,Bengio和Hinton 2015年:436-44)，有些网络拥有多达1000层(He et al.2016)。虽然以前的机器学习网络是手工构建的，但“深度学习的一个关键方面是这些特征层不是由人类工程师设计的:它们是使用通用学习过程从数据中学习的”(LeCun,Bengio和Hinton 2015年:436)。 连接人工神经元层的人工突触用代表连接强度的数值“加权”。网络通过调整这些连接的权重来“学习”。因此，我们可以将ML系统视为具有可变参数的固定模板：“通过给这些参数赋不同的值，程序可以做不同的事情”(Alpaydin2016:24)。ann接触到一个数据集，这个数据集可能是人脸图像，也可能是人们打招呼的音频片段。在一个称为“训练”的过程中，网络暴露于所选对象的许多实例中，并且通过学习算法调整突触的权重，直到网络学会输出正确的响应，识别人脸或hello这个词，视情况而变(卡普兰2016:30)。 introduction: ai-capital . 13 ## PDF_PHYSICAL_PAGE_INDEX=22 | PRINTED_PAGE=NOT_DETECTED 区分机器学习的三种广泛类型—一监督式、无监督式和强化式学习是有用的。迄今为止，监督式学习是最成功的。在这种方法中，输入数据由人类教师标记，通常按类别进行标记，系统通过在提供的示例中识别模式来学习这些类别。给定足够多的带有STOP字样的红色六角形标志的照片，在不同的可见性条件下，从不同的角度，一个监督学习系统可以学习停止标志的概念。 然而，由于标注的必要性，监督学习需要大量的人力劳动。这促使公司开发无监督学习技术，使网络能够自己生成类别和标签(Alpaydin 2016: 117)。这个想法是，通过接触足够的数据，系统将在数据集中识别“非常复杂和复杂的相关性”(卡普兰2016:30)。在这样做的过程中，可以说它产生了自己的停车标志概念。一些深度学习的先驱者认为，这最终将成为ML的核心方法，因为它模仿了人类和动物进化学习的方式;不是通过被告知世界上所有事物的名称，而是通过观察它(LeCun, Bengio和Hinton 2015: 442)。 强化学习介于监督学习和无监督学习之间。这种方法的先驱将其描述为“学习该做什么……以便最大化数字奖励信号”。学习者不会被告知采取哪些行动，而是必须通过尝试来发现哪些行动会产生最大的回报”(Sutton and Barto 1998: 127)。强化学习被认为仅限于简单的领域，直到2013年，英国公司DeepMind将其与无监督学习相结合，教系统以超人的技能玩雅达利游戏，而无需将任何关于游戏的知识编程到系统中。并且只允许它访问游戏的分数和屏幕上显示的像素信息(Knight 2017)。同样的组合让AlphaGo战胜了围棋大师、世界冠军李世石。 正如卡普兰所强调的，机器学习应该被理解为“从数据中提取模式”(2016:27)ML系统不是自上而下构建一套处理数据的规则，而是自下而上：“学习算法……是制造其他算法的算法……计算机(那些)编写自己的程序，所以我们不必……(它是)编程的逆过程”(Domingos 2015: 6-7)。这就是为什么ML的倡导者将其视为编程中的哥白尼式革命。如果a 14 . inhuman power ## PDF_PHYSICAL_PAGE_INDEX=23 | PRINTED_PAGE=15 系统可以学习，设计师不需要为系统暴露的所有潜在情况预测和编程解决方案(支付宝2016年:17)。理想情况下，系统将开发自己的解决方案，“数据本身……定义下一步要做什么”(支付宝2016年:11)。 然而，如果这些系统不能将他们所学到的东西推广到训练数据集中未包含的数据中，这将不会是ML的一个非常强大的属性。因此，根据他们的“泛化能力”对他们进行评估(Alpaydin2016:40)。虽然2019年的机器学习系统最多只能泛化到与它们接受过训练的数据相似的新数据，但越来越复杂的系统可能会接近AGI跨领域泛化的假设能力。这本书是关于人工智能对资本主义未来的影响，从机器学习到AGI。 机器马克思 在马克思对资本的分析中，机器是至关重要的，以至于几乎任何对他的著作的严肃研究都以某种方式涉及到这个话题。在这里，我们快速地描绘了马克思思想中对AI讨论最重要的那些方面，突出了与本书后面的论点相关的要点。我们认为，马克思关于机器的思想主要有三条线索。在第一条主线中，机器是对人类劳动的补充，而人类劳动是资本主义制度中至关重要的价值创造者。虽然生产变得越来越机械化，并加剧了对工人的剥削，但机器最终导致了制度的终极危机。另外两条次要的路线，从逻辑上脱离了这个大潮流，但也偏离了它。它们都假定了一个时刻，在这个时刻机器从劳动中变得自主。然而，一个人将其后果视为解放，另一个人则将其视为噩梦。马克思机器思维的这三条线可以小心地结合在一起，但这取决于在我们面对AI难题时，它们之间的紧张关系会扩大和加深。 我们所说的马克思机器分析的主要路线在第一卷《资本论》中展开。在这一论述中，机器与其他设备、建筑物和原材料一样，都是“不变的、固定的”资本这与人类劳动的“可变”资本形成对比(马克思1990:508-9;1992:237-48)。“固定”资本和“可变”资本之间的区别取决于一个基本命题，即在资本主义内部，只有人类劳动才能创造价值:机器，无论它多么庞大 introduction: ai-capital . 15 ## PDF_PHYSICAL_PAGE_INDEX=24 | PRINTED_PAGE=NOT_DETECTED 力量似乎是相对于人类的力量而言的，只能作为基本的人类活动的补充或力量放大器，提高其效率，尽管提高了许多倍。机器本身就是由人类制造的，它是“死劳动”。 机器并没有创造新的价值，而是已经拥有了价值，并将其转移给了产品:它“把自己的价值转移给了它所创造的产品”(马克思1990:509)。固定资本的社会功能是生产相对剩余价值，这是通过减少必要劳动时间，从而增加剩余劳动时间来实现的，也就是说，通过“缩短工人为自己工作的那部分工作日，延长他无偿给资本家的另一部分”（马克思1990：492)。提高劳动生产率意味着增加工人的产出:在更短的时间内生产更多的商品，因此这些商品变得廉价，因为在每个单个商品中客体化的价值更少。 马克思对机器的详细解释出现在《资本论》第一卷第15章，涉及“机器和大工业”(1990:492-639)。在这里，马克思只关注机器的“广泛和一般特征”(1990:492)。机器的谱系可以在工具中找到;手工业劳动的工具变成了机器，自动化技术成为“充分发展的机器”，它有三个不同的部分:(1)作为驱动力或动力的电机机构;(2)调节、改变和分配运动的传动机构;(3)使用这种运动来修改劳动对象的工具或工作机器(1990:494)。任何机器的一个关键组成部分是它“从人类力量的束缚中解放出来”，这发生在它获得一个规则的和可控的动力时;瓦特的双作用蒸汽机是第一个主要的“自作用原动机”(1990:502)。然而，仅仅使用工具，生产过程就适应于工人，机器系统是一个“巨大的自动机”，它作为“生产的预先存在的物质条件”面对工人(1990:508)。 第15章中关于“工人与机器之间的斗争”的部分强调了资本的技术动态如何与阶级冲突不可分割。马克思考察了这样一个悖论:在资本条件下，减少劳动力的机器为劳动者创造了一个地狱:对体力需求的机械减轻催化了大规模吸引妇女和儿童进入工厂;机器无限运转的能力，以及购买机器的付费需求， 16 . inhuman power ## PDF_PHYSICAL_PAGE_INDEX=25 | PRINTED_PAGE=17 导致工作日的延长;加速和倍增机器操作的能力导致了工作的强化。马克思也谈到了技术性失业，他描述了在机器“作为工人的优越竞争者，总是使工人成为多余的人，资本大声而故意地宣布这一事实，并利用它”的过程中，“劳动工具如何打击工人”(1990:562)。事实上，马克思认为“有可能写出1830年以来所有创新的全部历史，而这些创新的唯一目的就是为资本提供对抗工人阶级反抗的武器”(1990:563)。 机械化也被竞争对手资本家之间的竞争所推动。一种商品的价值取决于其生产过程中所消耗的社会必要劳动量。如果资本家能够通过引进技术，减少他所支付的劳动，同时仍然以现行价格出售产品，那么他将比他的竞争对手获得更大的利润。随着节省劳动力的创新技术的普及，这种优势最终会被抵消，但这只是为下一波自动化浪潮奠定了基础。因此，阶级冲突和企业之间的竞争都给资本带来了用机器取代人类的内在动力。马克思将其描述为资本增加其“有机组成”的趋势，也就是说，不变资本(机器，建筑和原材料)与可变资本(劳动力)相比的比例(1990:762)。 然而，机器也使资本陷入危机。在《资本论》中，马克思在两种解释之间交替。一种可能是最容易理解的，因为机器使资本家能够在(其他条件相同的情况下)减少他们的工资账单的同时增加产量，因此在不断增加的商品产量和可用于购买它们的购买力之间造成了巨大的不平衡。这导致经济停滞和瘫痪，工厂关闭，失业人数增加，直到足够多的公司倒闭，以消除生产过剩的过剩，并使系统重新运转起来——或者爆发社会革命。 马克思的另一个解释，直觉上不那么明显，但可以说更深刻，与利润率下降的趋势有关(1991:317-38)。因为商品的价值最终取决于其生产所需的社会必要劳动量，用机器取代人类会降低商品的价值一一因此，最终会降低商品的价格，以及每件商品的利润 introduction: ai-capital . 17 ## PDF_PHYSICAL_PAGE_INDEX=26 | PRINTED_PAGE=NOT_DETECTED 资本可以发号施令。因为自动化降低了商品的价格，它使每一件商品对资本家的利润都减少了。面对利润率下降的趋势——这是自动化的直接结果一一资本至少在一段时间内可以通过增加产量来维持大量利润，但它是在与自身价值下降的机械势头作斗争。马克思(1991:339-48)列出了资本可以阻止这一进程的许多方法，甚至可以暂时扭转这一进程，但日益机械化的生产趋势再次走向了痉挛性危机，这一次是由企业盈利能力下降、失业、贫困和社会动荡的时刻引起的。 这两种版本的危机理论，以及它们的兼容程度，一直是激烈争论的焦点。但在这两个版本中，资本反复出现的危机都源于其用不变(机器)取代可变资本(劳动力)的内在动力。这要么降低了消费能力(通过削减工资)，要么降低了生产的盈利能力(通过降低商品价格)，或者两者兼而有之。这种结果在不断深化的经济崩溃周期中反复出现，每一次都提供了工人阶级革命的可能性，工人阶级承受着工资下降的压力和失业的威胁，但仍然是生产的核心，足以停止或控制生产。因此，这一点，连同其内部的分歧和随之而来的争议，就是我们所说的马克思主义关于资本主义和机器的主要思想路线。在这一潮流中进行的对人工智能的分析，将从劳动剥削、资本主义内部竞争和资本主义技术引发的危机倾向的角度来分析它。 我们所说的马克思思想中的两种次要倾向，是对这一主要路线的延伸，也是对它的偏离。在马克思对资本日益机械化的描述中，潜藏着工人(最初是创造价值的主体)和机器(最初是工人的权力放大补充)的地位颠倒的思想。工人，在手工业阶段是劳动过程的主体，变成了重复、重复动作的自动机，对自动机器作出反应，而不是使用它;自动机器则成为劳动过程的主体。 马克思思想的两条附属的，也许是特立独行的路线，将这一观点发展到其逻辑结论一一但方向不同。 第一个，也是迄今为止最著名的，来自马克思《政治批判纲要》中的“机器片段”，自20世纪70年代以来，它一直被视为对高科技资本的非凡预期。在 18 . inhuman power ## PDF_PHYSICAL_PAGE_INDEX=27 | PRINTED_PAGE=19 在“片段”中，马克思设想资本通过动员“一般智力”来取得巨大的科技成就。这使它能够达到自动化的水平，虽然没有完全消除人类劳动，但它减少并降低到监督主要机械过程的边缘位置。这似乎是资本对其麻烦的工人阶级的最终胜利，但马克思在“片段”中将其描述为一场得不偿失的胜利。通过消除以雇佣劳动为基础的生产的必要性(从而消除了以工资收入为基础的消费的可能性)，它破坏了价值，即资本社会组织的整个基础。自动化通过废除劳动，在不经意间颠覆了资本。这与马克思关于技术发展的解放本质的其他著名段落是一致的，最值得注意的是关于发展中的“生产力”如何打破僵化的“生产关系”，为全新的“生产方式”的出现让路(马克思1973[1859])。 乍一看，“片段”似乎只是以特别强调的形式重申了对资本有机组成的不断增长的预测，这些预测告诉了马克思对FROP的思考。然而，正如GeorgeCaffentzis(2013)指出的那样，这两种理论之间存在分歧，因为FROP的运作依赖于劳动价值论的有效性，而“片段”则相反，假设了一种由劳动和价值的清算引起的资本主义崩溃的动态。《政治批判批判》在计算机刚开始进入工作场所的时候被翻译成英语、法语和意大利语，从它出现的那一刻起，它就被视为一种高科技的“半机械人”共产主义的先兆，它将克服单调、工业化、实际存在的社会主义正在通过简单地消除工作的需要，在非资本主义的基础上组织工作。因此，毫不奇怪，《机器上的碎片》是左派加速主义、后资本主义和完全自动化的奢侈共产主义理论家的基础文件，以至于弗雷德里克·哈里·皮茨(Frederick Harry Pitts,2017)将这些都称为“碎片思维”的实例。 马克思思想的第二个次要分支，比“片段”讨论得少，是“直接生产过程的结果”(出现在《资本论》第1卷附录的某些版本中)(1990:949-1084)中对资本的噩梦般的看法。在这篇文章中，马克思给出了资本主义对劳动的“包容”过程的解释—一大致翻译为统治、包围或接管。他详细描述了两个时刻：形式的和现实的。在第一个时刻，资本组织劳动 introduction: ai-capital . 19 ## PDF_PHYSICAL_PAGE_INDEX=28 | PRINTED_PAGE=NOT_DETECTED 作为雇佣劳动，这只是改变了它的社会形式，而劳动的内容，即劳动的实现方式，却没有和资本主义以前的手工业一样。然而，在第二阶段，劳动的内容改变了——实际上是被纳入了一一以便更好地适应资本主义剩余价值生产的要求和要求。最初，真正的包容是通过在手工业中引入劳动分工来实现的，但随后是通过机器实现劳动自动化，这就要求资本吸收社会生产的科学知识，以发展适合并与它自己的优先事项相称的技术——特别是，生产的自动化和商品流通的加速。在从形式消费向现实消费的过渡中，对劳动的“绝对”剥削——工作日的延长——被“相对剩余价值”的榨取所取代，而“相对剩余价值”的榨取是建立在通过劳动分工和机器分工强化劳动过程来提高劳动生产率的基础上的。随着这一过程的建立，马克思认为出现了这样一种情况:在工业工厂中(在他的时代只是刚刚出现)，工人面临着一种完全的“外来力量”，这种力量似乎被赋予了一种“巨大的独立性”，不受人类代理的影响，被技术科学赋予了“自主性”。 这种描述可能看起来只是对资本的有机构成的另一种描述，或者实际上是对《政治批判纲要》(1993:470)中所描述的半自动化的资本主义机器的“动画怪物”的另一种描述。然而，在变化上有不同之处。首先，既然包容论认为资本实际上采用了它根据自身的系统需求(通过消除人力劳动和加速商品流通来实现价值的增值)而设计的机器，设想“生产力”如何与“生产关系”发生冲突就变得更加困难了——如果有的话，前者似乎会加强后者。当然，在“结果”中，既没有暗示导致危机的利润率下降，也没有暗示“片段”的自我毁灭的劳动废除逻辑。只有一种几乎不可理解的生产机器高耸的存在它逼近并超越了曾经依赖它的工人。这一点尤其明显，因为虽然附录的前半部分包含了马克思关于“集体工人”参与各种工作(从体力劳动到工程)的合作融合的力量的最完整的讨论之一，到最后，集体工人变得渺小，似乎几乎被机器机器所湮没，而机器机器已经转移了集体工人的权力。 20 . inhuman power ## PDF_PHYSICAL_PAGE_INDEX=29 | PRINTED_PAGE=21 可以公平地争辩说，作为《资本论》的附录来阅读，这个文件只应该根据它之前的内容来理解，这样就可以假设资本主义崩溃了。而且还可以进一步断言，资本的机械自主性只是一种“表象”——一种必须被看穿的神秘感，才能发现位于遥远生产链下的劳动力的持续重要性，尽管它被巴洛克式地掩盖了。也许是这样。但正如安东尼奥·内格里(AntonioNegri,2017)等长期乐观主义者所指出的那样，马克思的“表象”并不意味着“模糊的、肤浅的或虚无的”:相反，它意味着一种具体的社会现实，它是在一个神秘和伪装的过程的基础上创造出来的，即工人的力量逐渐被纳入机器。虽然马克思通过对工业工厂的分析发展了这一灰暗的愿景，但它引发了对“超包容”的进一步思考，在这个阶段，资本的自主力量表现为人工智能:在本书的后面，我们将解释这个新的包容阶段是如何展开的，并可能在AGI中达到高潮。 马克思机器分析的主要和次要路线都描述了2019年实际存在的人工智能资本主义的动态。我们并没有达到“片段”或“结果”中所预见的机器资本主义的高度或深度。富士康装配线上的工人，亚马逊仓库里的工人，Facebook内容审核网站上的工人，都证明了机器的持续使用，以加强和加快人类劳动的速度。2008年华尔街崩盘等危机揭示了机械压低工资、数字化组织的廉价劳动力和高速金融交易给资本主义带来的深层次不稳定性。随着21世纪20年代的临近，马克思机器思想的大部分主线都是正确的，也许比以往任何时候都更正确。但机器学习驱动的AI在一定程度上是为了应对资本主义全球化危机而发展起来的，正在把类似马克思对资本主义机器极端的看法的可能性摆在地平线上。“机器上的片段”和“直接生产过程的结果”是一页的正反两面，这一页既讲述了机器力量将人类从资本中解放出来，也讲述了资本从人类中自治出来。资本家和共产主义者一样，小心你的愿望吧！ 在自我复制的自动机时代 马克思对机器的讨论止于蒸汽动力工厂。直到他生命的最后一刻，才出现了电学和电磁学 introduction: ai-capital . 21 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7.md?start=30&limit=10)