人工智能和资本主义的未来_1-200的全文翻译

自动化、供应链和金融化摧毁了工厂，停滞了工资增长，消灭了全球北方的工业战斗性。再加上里根(Reagan)和撒切尔(Thatcher)等政府采取的削弱工会的政治措施，它们摧毁了广大工人的力量。随着曾经繁荣的城市变成工业锈带，发达资本区内的就业越来越多地转移到服务部门，这个术语涵盖了从金融到卡车运输到家庭护理等多种零散和分裂的工作形式，有些报酬丰厚，有些报酬微薄，或者充其量是实际工资停滞不前。劳动力的性别构成也发生了变化，因为家庭越来越依赖于女性同时从事有偿和无偿劳动，许多左翼组织甚至未能接受这种转变。整个建立在工业劳工力量基础上的政治文化，它的工会和社会主义政党就像亚特兰蒂斯沉入海底一样沉没了。

随着全球化，社会工厂在某种程度上变成了一个“星球工厂”，高速公路、集装箱航运、航空运输、仓库和配送中心、光纤电缆和数据中心等巨大扩张的循环装置，在世界各地运送货物、人员和信息。全球化的支持者，甚至一些自治主义者(Hardt and Negri 2001)，都谈到了一个“平坦”或“平滑”的行星经济秩序。但事实上，资本主义星球被尖锐的等级划分所分割。发达地区，如北美、欧洲和日本，集中了商业总部、金融活动、高科技研究和设计，以及零售和消费综合体。新兴工业化地区，特别是中国，成为制造业转移的中心。从俄罗斯到沙特阿拉伯，石油国家推动了碳经济的发展。其他地区则陷入贫困，生存依赖于非正式活动或犯罪活动。在一个日益统一的世界市场中，阶级构成变得非常复杂，尽管如此，工人的生活水平和社会再生产条件仍然是天壤之别(Woland, Blaumachen and Friends 2014)。因此，我们继续称之为“社会工厂”。

72

. inhuman power

内部由区域安排构成，即使承认它们的全球衔接。

全球化和数字化改变了阶级力量的平衡，使之向有利于资本的方向倾斜。在全球范围内，无论是富国还是穷国，劳动力占GDP的比重相对于资本的比重都在稳步下降(《经济学人》2013)。然后，在2008年，地球工厂爆发了大火。资本对金融投机的日益关注，在华尔街次贷危机中达到高潮。金融体系的广泛蔓延、银行救助、财政紧缩、全球北方的衰退以及全球范围内的连锁反应随之而来。社会动荡也随之而来。2011年，一系列反对不平等和不安全的叛乱一一通常以占领公共广场的形式—一从突尼斯和开罗蔓延到马德里和纽约，然后蔓延到伊斯坦布尔和里约热内卢、特拉维夫和基辅。

虽然这些反抗最初表明了工人阶级的迅速重组，往往吸引了后福特主义文化和技术工人和学生的新阶层，但它们几乎都不成功;他们失败了，被镇压了，用一个保守政权取代了另一个保守政权，或者内爆为内战和外国于涉。随之而来的是另一波由右翼推动的动荡:英国脱欧公投、特朗普在2016年美国大选中获胜，以及新法西斯主义在欧洲各地的兴起，所有这些都是由对资本主义全球化的怨恨、对移民和少数民族的种族主义仇恨，以及工人阶级对失业和工资下降的焦虑所推动的。

2011年占领运动中失败的重组时刻，以及2016年过于成功的分解新法西斯主义，都是工人阶级被削弱的症状;但它们也预示着资本主义内部令人担忧的不稳定。企业对AI的兴趣浪潮虽然酝酿已久，但在这场动荡的过山车即将结束时才浮出水面。机器智能被认为是危机的“答案”。因此，咨询公司埃森哲(Accenture)在2016年开始宣传AI投资，承认资本“推动经济进步”和“维持过去几十年稳步繁荣”的能力“显着下降”，然后宣布“到2025年，AI有可能使年度经济增长率翻一番”(Purdy和Daugherty)2016年)。

矛盾的是，推动全球化的数字产业在2008年的濒死经历中得到了加强。眼下，华尔街步履蹒跚，美国三大汽车制造商等主流行业陷入困境

automating the social factory .

73

在经济衰退中，“大型科技公司”是希望的灯塔。数字资本以“Web2.0”的形式在2000年的互联网崩溃中幸存下来，在华尔街崩溃之前就已经处于上升阶段。b谷歌于2004年首次发行股票，Facebook于2006年首次发行股票。苹果公司在2007年发布了iPhone。然而，正是在金融危机后的经济衰退期间，这些数字公司与亚马逊等其他公司一起登上了全球最具价值公司的榜首，占据了此前由大型能源和金融服务公司占据的位置(Mosco2017:65)。即使是反对全球资本的起义，被无可救药地简化为“Facebook革命”，也可以被解释为新数字秩序的表现。2008年后，美国从经济衰退中复苏，是一场“以技术为主导”的复苏，在此期间，机器学习的先决条件得到了建立:产生大数据的社交媒体、网络和智能手机的使用。

全球化危机的一些非常具体的方面激发了人们对AI的兴趣。在世界各地的抗议声中，可以发现一个明确的信息:全球廉价劳动力的时代正在消失。当全球西北地区的反抗失败时，南方正在发生其他事情。新一代的工业劳工正在寻找自己的政治组成。在中国，珠江三角洲工厂接连发生的罢工浪潮稳步推高了工资。2010年，富士康(Foxconn)大型电子厂的抗议自杀事件在世界各地上演。苹果(Apple)的iphone是在富士康组装的，富士康的工人们遵守着准军事纪律。富士康的老板桂民海(TerryGui)被激怒了，他威胁要用100万台机器人取代他的组装工人。随着第一批从农村涌入城市的农民工枯竭，中国的工厂发现越来越难以吸引年轻人到流水线上干苦差事。2005年至2016年间，中国制造业工人的平均时薪增长了两倍，接近希腊和葡萄牙等国的时薪水平(Gao2017)。这只是全球化资本面临的更广泛问题的一个迹象:在印度，罢工的汽车工人烧毁了工厂;在柬埔寨，制衣工人在街上与警察对峙。随着金融固定的突然崩溃，以及全球低工资地区的空间固定的缓慢侵蚀，资本开始关注一种新的、更强烈的技术固定:AI自动化。

其他更暴力的危机事件推动了AI的发展。2001年“9·11”事件摧毁了纽约世界贸易中心，以及随后的“反恐战争”刺激了机器学习技术的发展，以管理庞大的监控系统。阿富汗和伊拉克战争延续了这一势头，增加了无人机和其他自主武器

74

. inhuman power

使用基本机器智能的车辆加入了美国的反叛乱武器库。当乌克兰、叙利亚、利比亚和其他地方的民众起义演变成内战和外国于预时，军事兴趣升级。随着美国、俄罗斯、中国、以色列、沙特阿拉伯和伊朗在影子战争中剑拔弩张之时，机器学习在监视、黑客和网络安全方面的研究和应用也在加速(Sanger 2018;Scharre 2018: Dyer-Witheford and Matviyenko2019)。正如冷战孕育了数字技术，这些技术随后进入民用生产，新冷战时期的武器也回到了资本与劳动力对抗的前线，无人机和改进的机器人进入了工作场所。

对AI行业同样重要的是，人们普遍感知美国和欧洲的资本主义自由民主陷入了困境。不稳定的工人占领了华尔街，锈带地区的工人投票支持特朗普或英国退欧，这让人们明白，发达资本主义经济体的增长不足以既给企业带来巨额利润，又提高工薪阶层的生活水平。尽管对计算机和网络做出了乌托邦式的承诺，但数字技术未能重复福特主义的这种惊人的双重行为。硅谷的回应是在控制论上押下双倍赌注。ML和先进的机器人技术将是重振经济增长的灵丹妙药(Purdy andDaugherty 2017;Swanson and Mandel 2017)。这样的承诺很有吸引力。他们模糊的是，要让资本承担AI投资，他们不仅要确保经济增长，还要确保有利可图的增长，即远远超过劳动所得的盈余。这可能需要提高(而不是降低)劳动力的可支配性，降低(而不是提高)劳动力要求提高工资和工作条件的能力，以及对-à-vis资本行使任何形式的自主性的能力。简而言之，这可能导致工人阶级的进一步分解，可以说，工人阶级在20世纪70年代之后从未重组过。

AI的劳动

谈论AI的劳动似乎有些矛盾，这种技术据称可以消除人类的工作。然而，AI在应用于其他行业之前，必须先生产出来。这既是人工智能驱动其他类型劳动转型的先决条件，也为更广泛的工作重组可能采取的方向提供了一些线索。目前有许多不同类型的AI研究正在进行中，尽管它们的生产过程存在广泛的相似之处(例如:

automating the social factory .

75

对训练有素的软件工程师和程序员的依赖)都有其特殊性。在这里，我们关注ML，它是21世纪第二个十年AI的主要形式。Catherine Dong(2017)解释说，“机器学习工程分为三个阶段:数据处理、模型构建、部署和监控。她说，这个“三明治”中的“肉”是模型的构建。软件工程师就是在这里开发算法来识别给定的输入数据，无论是猫的数字图像，还是过马路的行人，还是搜索词的配置，或者购买记录，或者社交媒体话题。这个学习过程在数千或数百万个训练样本上进行测试、调整和改进，然后在原始数据上进一步测试，其中模式信号与噪声混合(猫的图像与狗、羚羊和大象的图像;独轮车、邮筒和独轮车旁的行人，等等)。在这一过程的最后，AI应该能够以可接受的置信度识别其目标对象，并在不同模式之间建立统计相关性(白天过马路的行人比晚上多;女性比男性更频繁地发布猫的图像等)。正是这些能力赋予了ML不可思议的、非人的预测关联和结果的能力。

有许多技术可以构建算法模型一一“线性/逻辑回归、随机森林和增强决策树”——计算机科学家已经熟悉了一段时间(Dong2017)。这些技术被用来创建朋友建议、广告定位、推荐和搜索排名，这些都是日常互联网使用的一部分。然而，最复杂的机器学习建模涉及“深度神经网络”，“很难训练………需要更多的时间和计算能力”，以及“直觉和试错的结合”(Dong2017)。虽然ML方面的课程和diy指导正在激增，开源工具库也广泛可用，但神经网络方面的深度专业知识却很少见;全球有能力的计算机科学家可能只有几千人(《经济学人》2017b)。这就解释了为什么企业会为这些人才展开激烈的竞购战，以及他们可以获得的高薪和福利。因此，机器学习强化了基本的软件开发劳动过程，在这个过程中，核心活动是由一小群高技能的技术科学工作者进行的。

虽然机器学习的“肉”是算法模型的制作，但它是“三明治过程的面包”——在训练算法之前和之后发生的事情——“将一切结合在一起”(Dong2017)。这两种

76

. inhuman power

ML过程的两层包括，一端是“清理和格式化大量数据以输入模型”，另一端是“仔细部署和监控模型”。正如Dong所观察到的：“从数据处理到培训，再到部署到生产基础设施，机器学习开发过程中任何阶段的任何不兼容性都可能导致错误”(2017)。在实践中，ML软件工程师通常花费更多的时间来处理“准备和监控”，而不是实际的模型制作。在本章的后面，我们将讨论这些数据集的来源，从不知情的手机用户到密切监控的配送中心工人，以及无人驾驶车辆中失眠的“安全驾驶员”。但无论数据是如何收集的，它几乎总是必须经过清理才能用于AI训练:标准化其格式，消除错误，检测异常值，提供额外信息，添加处理中使用的特征，最重要的是标记ML将学会识别的对象。在数据科学家中，诸如“80%的工作是清理数据，另外20%的工作是抱怨数据是如何被清理的”这样的笑话比比皆是(Lohr 2014)。

这种“数据修改”或“数据争论”(Johnston2015)中的大部分都是外包的，通常是离岸微工作，在委内瑞拉、印度和印度尼西亚等低工资地区，每小时的费用从几美元到几美分不等(Nakashima 2018a)。起初，这是通过众包平台(如Freelancer,Mechanical Turk或Upwork)来处理的。后来，数据清洗成了一项专门的业务。Mighty AI和Figure Eight(前身为CrowdFlower)等初创公司开发的软件“可以更容易地标记照片和其他数据，甚至在智能手机上”(Nakashima 2018a)。班加罗尔的Playment公司将这类任务“游戏化”，并将其3万名随叫随到的员工称为“玩家”。在中国，专门从事“精细数据处理”的公司采用泰勒式的劳动分工。一些“项目组”负责标记“人体上的节点以复杂的瑜伽式姿势”，或者为自动驾驶汽车软件标注“摩托车、自行车和行人”，显示他们的行驶方向;另一些“扫描建筑物或模糊物体的轮廓，用于训练雷达探测现实世界的物体”(Yu2017)。这项工作要求很高，也很累。

机器学习“三明治”的另一层，部署和监控，也需要全球的点击工作。ML算法可能不会像预期的那样工作，或者遇到需要干预的问题。2017年，一家提供自动扫描的公司Expensify强调了所谓的自动化系统对人工支持的依赖程度

automating the social factory .

77

据发现，该公司将客户的个人身份收据发送给亚马逊的土耳其机械(MTurk)众包平台上的工作人员，从而弥补了其文本分析软件的故障。人工智能服务背后的这种“人类安全网”非常普遍(Gent 2017)。Sarah Roberts(2016,2017)已经确定了薪酬普遍较低且不稳定的人类内容审查员在过滤社交媒体提要以清除暴力和色情内容方面的作用。据报道，谷歌有1万名“评分员”在观看YouTube视频。微软运营着一个“通用人类关联系统”(Universal Human Relevance System)，每月用数百万个微任务检查搜索算法的结果。Facebook和bb0最近因“网络战争”丑闻(阿尔巴)而加强了对ML结果的补救
2017;Dyer-Witheford and Matviyenko 2019)。数据清理和监控的微观工作是密切相关的;这两种工作都可能由同一名低薪合同家庭佣工在不同的班次中完成(Nakashima)

这些活动说明了“自动化最后一英里的悖论:随着AI的进步，它也导致了新型人类在循环任务的临时劳动力市场的快速创造和破坏”(Gray和Suri2017)。在这个悖论中还有一个进一步的转折：数据清理和监控本身已经成为ML自动化的目标。亚马逊的土耳其机械人类微任务被该公司称为“人工智能”(Reese and Heath2016);具有讽刺意味的是，“土耳其人”训练的是真正的人工智能，有朝一日可能会取代他们(Hook 2016)。Facebook和谷歌的高管明确表示，他们的目标是最终实现内容审核的自动化(阿尔巴2017;Nieva2018)。数据科学家宣称数据清洗是“一个需要机器学习帮助的机器学习问题”(Ilyas2018)。点击工作者正在贡献他们自己的数字化劳动记录数据集，作为未来AI的培训材料。因此，机器学习体现了蒂姆·乔丹(2015:32-8)所说的“递归”，即信息资本流入自身的过程。对自动化的恐惧已经回到了软件开发人员的精英阶层。AI行业的工作人员在工作中与自动化表现出矛盾的关系;虽然他们对此持谨慎态度，但他们也认为这是必要的，甚至是可取的(Steinhoff2019b)。这就引发了进一步的分歧，即这些技术是会加强还是会扼杀软件工程师的工作(Shanin 2018;Vorhies 2016a, 2017)。2016年，550名开发人员被要求确定他们的工作中“最令人担忧的事情”

78

inhuman power

“我和我的开发工作被人工智能取代了”是最受欢迎的答案(Thibodeau 2016)。一些开发人员不理会这些警告，认为AI行业的增长只会增加对人类编码和设计的需求。还有人预测，软件开发人员将越来越多地得到AI“机器人”的帮助，这些机器人可以自动检查、分发和修复代码，并将越来越多地“启动”应用程序，以响应自然语言命令，而无需开发人员“甚至触摸键盘”。升级到“整个软件开发生命周期将只是一个高层次的描述”(Despoudis 2017)。最近Rice大学为美国国防部开发的BAYOUML应用程序进一步激起了这样的讨论：这是一个在GitHub上对数百万行人类编写的代码进行“自我训练”的神经网络，据报道，它可以根据非常简短的关键字指令向开发人员推荐大块代码，从而向ML设计的ML系统迈出了最初的一步(Rayome 2018)。

ML生成过程对于类组成的分析具有双重意义。首先，它是对数字资本至关重要的不断扩大的软件开发职业部门的重要组成部分。关于这一领域的讨论通常集中在高薪、高地位的软件工程师和程序员的劳动力上，ML设计师是他们的最新化身。这掩盖了数据清理者和监控者在“AI幕后”进行的工作(Grayand Suri 2017)，这是联合国调查发现的全球点击劳动力的一部分，其特点是“工资低、前景不佳和心理损失”(Berg et al.2018;Geuss2018a)。机器学习细分劳动力的所有部分都面临着这样一个前景:他们创造的产品可能会自动化他们的劳动，因此数据科学家和数据清洁工可能都在自己工作。其次，虽然机器学习只占全球劳动力的一小部分，但它揭示的数字中介劳动力的模式，受制于强大的两极分化，并因自动化而变得不安全，也出现在新的AI应用于更广泛的社会工厂的地方。

学习人类的方式

与任何其他劳动自动化技术一样，AI作为生产中的固定资本，其社会功能是减少必要劳动，并随之增加对剩余价值的提取。在流通中，它加速了价值的实现，即减少了流通

automating the social factory .

79

时间上，通过实现工厂、配送中心和零售店之间更紧密的整合(协调和调度)，以及更精确地将卖家和广告商定位到潜在买家。它还减少或消除了所有这些活动的劳动力成本。在金融领域，自动化加速了货币的投机蜕变为更多的货币。随着人工智能对消费和社会再生产的冲击，它既消除了医疗、教育和娱乐等行业的有偿工人，又建立了机器介导的人际关系(如社交媒体)或人机关系(如老年护理机器人)的新模式。

人工智能在地球上的引入方式因资本的空间组织而异。在服务业、零售业和金融化日益占主导地位的北美和欧洲经济体中，人工智能举措强烈面向流通，尽管它们也试图将工业生产回流。在中国、东南亚和其他与出口市场相连的制造区，人工智能主要面向自动化行业，尽管经济发展的惊人速度也激励了中国的阿里巴巴(Tencent)、腾讯(Tencent)和阿里巴巴(Alibaba)等公司部署加速流通的人工智能。在地球上的牺牲区，最直接发挥作用的人工智能是那些部署无人机和监视系统来控制贫困人口的国内外安全部队。在这里，我们主要关注人工智能自动化如何改变北美和欧洲的劳动力技术构成，但也要考虑到其他地区的发展。资本的人工智能部署刚刚起步，处于实验性引入阶段，伴随着巨大的承诺。正如金·穆迪(KimMoody)所指出的，在2008年金融危机之后，企业对新技术的投资受到了低利润率和工资增长受到抑制的抑制;虽然这些条件持续存在，但人工智能自动化的进步可能是“颠簸而缓慢的”(2018a:26)。然而，在同一时期，企业一直在许多领域测试和使用人工智能应用程序;正如资本之前的技术创新浪潮所表明的那样，如果资本家的信心或工人的工资要求增加，这一过程很可能会升级。一些前景可能会被证明比其他前景实施起来要困难得多，甚至会被意料之外的技术或监管问题—一或者，可能是工人阶级的抵制一一完全阻碍。然而，即使只有一部分成功，人工智能也将显著改变无产阶级和资本之间的权力平衡。

80 . inhuman power

在生产领域，人工智能在全球西北地区被誉为再工业化的手段。外包到国外或有可能离开的制造能力，将通过注入机器人、传感器和过程控制计算来恢复，所有这些都得到了机器学习的增强。尽管“任何工业人工智能应用仍在某种程度上是新的和定制的”，但通用电气(GE)、西门子(Siemens)等强大的公司，微软和英特尔“都在进行重大投资”，将机器学习应用于制造业，以降低劳动力成本、减少产品缺陷、缩短计划外停机时间、缩短过渡时间、提高生产速度并进行预测性维护(Faggella2018b)。据报道，西门子公司几十年来一直在使用人工神经网络“监控其钢铁厂并提高效率”(Walker2018)。在欧洲，这个项目以“工业4.0”的名义进行，而在北美，它通常以“物联网”的名义进行。

这种工业自动化在埃隆·马斯克位于加利福尼亚州弗里蒙特的生产特斯拉汽车的工厂(Bhattacarii2017)中表现得最为华丽，但也存在问题——该工厂不仅计划生产自动驾驶汽车和卡车，而且其本身也高度自动化，用马斯克的话说，就像一艘“外星dreadnought”(DeBord 2017)。然而，这艘飞船的运营一直受到其希望彻底处理掉的工人受伤丑闻的困扰(Wong2017a,2017b);马斯克承认，生产瓶颈是由“过度自动化”造成的;不满员工的数字破坏;以及自动驾驶汽车的碰撞和燃烧，事实证明，自动驾驶汽车更擅长自燃，而不是自动转向。特斯拉表明了极端自动化的困难(Wilson and Daugherty 2018)。尽管如此，不断上升的贸易保护主义继续推动将工厂拴在本土的计划，即使它们雇佣的爱国机器人比国内工人更多。然而，具有讽刺意味的是，资本的竞争逻辑决定了中国企业在面临劳动力短缺和自身工资压力的情况下，正朝着同样的方向前进，而且可能更快。郭台铭(TerryGui)誓言要让台资但总部位于中国大陆的富士康实现机器人化，这绝不是完全实现，但也不是完全落空;到2018年，所谓的“富士康机器人”成为富士康生产线的一个特点，因为该公司在扩大收入的同时减少了劳动力(Chan 2017;Wang 2018)。自2013年以来，中国一直是全球最大的工业机器人市场。大部分都是从国外购买的，但是随着国内生产的增长，中国工厂的自动化程度与西方工厂相当，甚至更高(Bland 2016;Ying 2018)。

automating the social factory .

81