知識不是免費的：你的判斷正在被 AI 提取｜人工智能筆記#004
你的知識正在被提取，而你甚至不一定知道。
每次我們談 AI，最常問的是：
AI 做到了什麼？
它會寫程式、畫圖、整理資料、回答問題、模仿語氣、協助簡報、改寫文章、產生影像。它看起來很乾淨，很快速，也很輕。像一片雲，懸在螢幕上方。
但雲端不是天空上的雲。
它背後有資料中心，有電力，有水，有礦產，有伺服器，也有很多人。
有人標記圖片。
有人審核內容。
有人比較兩個 AI 回答哪一個比較好。
有人替自駕車標出行人、腳踏車、路障與建築物。
也有人長時間觀看暴力、仇恨、性剝削與兒童受害內容，只為了讓模型學會什麼是危險、什麼不能輸出。
他們不是 AI 產業的旁支。
他們是 AI 能力的來源之一。
只是他們被藏起來了。
一個被刻意藏起來的問題
世界銀行 2023 年報告估計，全球線上零工人數約在 1.54 億至 4.35 億之間；其中一部分人參與資料標註、內容審核、模型評估與其他 AI 供應鏈工作。這些人不一定都被稱為「AI 工人」，但他們的勞動正在支撐 AI 系統的日常運作。
在一份關於 AI 背後勞動的訪談素材裡，一位來自印度加爾各答的工作者描述她的日常：收到一批圖片，判斷這是小火災、大火災，還是熊熊燃燒的建築；如果畫面裡有水，就把水的範圍標出來；如果是街景，就標記車子、行人、樹、建築物與交通物件。這些工作看似細碎，卻是 AI 模型能夠辨識世界的基礎。
另一類工作，是比較 AI 的回答。
螢幕上出現兩個模型的回應，工作者要判斷哪一個比較有幫助、比較正確、比較自然。每完成一個任務，得到零點幾美元。這些判斷最後回到模型裡，讓 AI 更像一個懂得回答的人。
還有一類工作更沉重：內容審核。
有人長期觀看暴力、仇恨、性剝削、兒童受害等內容，只為了讓 AI 學會什麼不能說、什麼不能做、什麼是危險訊號。一位工作者說，剛開始他以為這只是工作，後來開始做惡夢、失眠、害怕人群，甚至覺得自己不像自己。
AI 的介面乾淨，是因為有人先替它看過骯髒的東西。
這不是疏忽。
這是設計。
Mary Gray 與 Siddharth Suri 在《Ghost Work》中記錄了這群「幽靈工作者」：許多看似自動化的服務，其實仰賴大量不可見的人類判斷與經驗，讓網路與 AI 系統看起來更聰明、更順暢。
所謂自動化，很多時候不是沒有人。
只是人被移到鏡頭拍不到的地方。
工業時代提取體力，AI 時代提取判斷
我們正在經歷的，不只是技術升級。
而是被提取的對象變了。
工業時代，機器槓桿人的體力。
AI 時代，演算法槓桿人的知識力。
工業時代提取的是人的時間、肌肉、動作與耐力。工廠看得見，機器看得見，工人聚集在同一個地方，也比較有機會彼此認識、組織、抵抗。
AI 時代提取的是人的判斷、語言、經驗、創作、專業與注意力。這些東西沒有明顯的形狀。它們散落在問答、程式碼、文章、圖片、回饋、提示詞、標註結果、模型評分與日常使用紀錄裡。
工業時代的邏輯是：
技術 × 勞動力 → 槓桿獲利
AI 時代的邏輯變成：
技術 × 知識力 → 高倍數槓桿獲利
這個差別很重要。
一個工人下班後，生產會停止。
一個人的知識一旦被吸收進模型，就很難知道它去了哪裡，也很難追蹤它後來創造了多少收益。
模型仍然需要更新、評估、維護與更多資料。但價值分配已經從原始知識提供者手中移開。
你曾經提供的是一次判斷。
平台得到的，可能是可複製、可販售、可全球部署的能力。
這不是單純的科技問題，而是分配問題
法國學者 Yann Moulier Boutang 用「認知資本主義」提醒我們，當代資本主義提取的不再只是體力與時間，也包括知識、創造力、注意力與人類認知能力。
Hardt 與 Negri 更早談過「非物質勞動」：語言、情感、關係、知識，也都成為當代生產的一部分。
生成式 AI 只是讓這件事變得更清楚。
人不再只是被要求工作。
人的判斷本身，正在變成模型的原料。
這裡真正的問題不是 AI 會不會思考，而是：
誰擁有這些被提取後的能力？
如果 AI 的能力來自許多人的語言、創作、判斷、標註、回饋與專業，那麼模型收益應該如何分配？
如果 AI 提升了效率，但效率的紅利只流向少數掌握模型、算力與通路的平台，那麼這就不只是創新問題，而是社會分配問題。
經濟學家 Imanol Arrieta-Ibarra、Jaron Lanier、E. Glen Weyl 等人在 2018 年提出「Data as Labor」的討論：使用者與工作者提供的資料，至少有一部分應該被視為勞動，而不是被平台視為免費資源。他們指出，把資料部分視為勞動，可能有助於恢復使用者貢獻的市場機制。
這個問題到今天仍沒有真正解決。
因為一旦承認資料與知識是勞動，就必須面對補償。
一旦承認 AI 能力來自集體知識，就必須面對分潤。
一旦承認平台收益建立在許多人的判斷上，就必須問：這些人為什麼沒有位置？
三層槓桿：為什麼這個商業模式如此有效
AI 時代的商業模式之所以強大，是因為它至少有三層槓桿。
第一層，是勞動槓桿。
平台可以管理分散在世界各地的工作者。很多人不是正式員工，而是獨立承包商、平台接案者或外包鏈裡的一個節點。企業取得彈性勞動，卻不必負擔完整的雇主責任。
第二層，是知識槓桿。
工作者提供的不是單純勞力，而是判斷。
哪一個回答比較好。
哪一張圖片裡有火。
哪一段文字有危險。
哪一個語氣比較自然。
這些判斷一旦被模型吸收，就可以在不同產品、不同市場、不同語言裡被反覆使用。
第三層，是自我增強槓桿。
模型越好，吸引越多使用者。
使用者越多，產生越多互動、回饋與修正資料。
資料越多，模型再繼續改善。
原始知識提供者卻通常被排除在這個增值循環之外。
Nick Srnicek 在《Platform Capitalism》中指出，平台是一種能夠提取並控制大量資料的新商業模式；平台企業透過掌握資料、介面與市場位置，取得不成比例的經濟權力。
AI 平台更進一步。
它不只掌握資料，也掌握模型、算力、介面與分配通道。
誰能接任務，誰拿到報酬，誰被評分，誰被排除，誰的知識被吸收，誰能分享模型收益——這些問題都不是單純的技術問題，而是分配權問題。
剝奪的地理：從有邊界到無邊界
過去的剝削有自然限制。
殖民需要實體佔領。
工廠剝削需要工人聚集。
礦產開採需要土地與礦場。
這些地方看得見，也因此比較可能形成抵抗。
但今天，一個演算法可以同時管理肯亞、印度、阿根廷、委內瑞拉、菲律賓或其他地區的工作者。他們彼此不認識，沒有共同的物理空間，也不知道自己工作的成果最後流向哪一家公司。
平台與外包公司傾向選擇薪資低、失業壓力大、勞工保護薄弱的地區。這不是偶然，而是成本結構的一部分。訪談素材中也提到，許多資料工作被外包到經濟脆弱地區，因為那裡的人「沒有太多選擇」，工作者常常只能接受低薪、不穩定與缺乏保障的任務。
Nick Couldry 與 Ulises Mejias 在《The Costs of Connection》中提出「資料殖民」的概念，指出人的生活、關係與經驗被資料化後，會被納入資本累積的體系。
用在 AI 上，問題變得更尖銳。
被提取的不只是行為資料，還包括人的知識、判斷、語言與專業。
過去殖民提取土地與礦物。
今天的平台提取資料與知識。
兩者不完全相同，但都指向同一個結構：
資源從邊緣流向中心，利益留在少數人手中。
所謂雲端，其實有重量
我們很容易把 AI 想得太輕。
它在手機裡、瀏覽器裡、聊天視窗裡。輸入一句話，回應立刻出現。好像世界變得更有效率，代價也跟著消失了。
但 AI 沒有消除代價。
它只是把代價移到了遠方。
Kate Crawford 與 Vladan Joler 的《Anatomy of an AI System》曾用 Amazon Echo 作為例子，拆解一個 AI 裝置背後所需的人類勞動、資料與地球資源。AI 不是純粹的軟體奇蹟，它有供應鏈，有礦產，有工廠，有物流，有資料中心，也有人類勞動。
所以問題不是 AI 有沒有用。
AI 當然有用。
問題是，這些用途背後的成本由誰承擔？
土地、水、電力、礦產、資料、標註、審核、心理創傷，往往由全體、環境與弱勢勞工分散承擔；但模型收益、估值、訂閱收入與市場權力，卻集中在少數平台與投資者手裡。
這是人類社會很老的一個現實：
資源的使用由全體與環境承擔，利益的分配卻常被少數人掌控。
AI 沒有發明這個問題。
AI 只是把它放大了。
「創造」這個詞遮住了什麼
科技業常用「創造」來描述 AI。
創造模型。
創造工具。
創造未來。
創造效率。
但這個詞只說了一半。
AI 的能力，也來自大量既有知識、公開內容、使用者回饋、資料標註、內容審核與低薪資料勞動。
更精確地說，很多時候不是單純創造，而是：
提取人類知識，封裝成模型，再銷售回給人類。
這句話聽起來刺耳，但它揭開的是商業模式，不是情緒。
如果平台承認 AI 能力來自人類知識的集體提取，就必須問知識提供者應有什麼補償機制。
如果平台承認獲利核心是知識槓桿，而不只是技術創新，就必須問槓桿收益應如何在社會中分配。
如果平台承認被替代的不只是體力勞動，而是知識工作，就必須問安全網如何重建，下一代又該學什麼。
每一個誠實的承認，都會指向責任。
所以很多時候，人們選擇不說。
AI 是技術，掠奪是選擇
但這裡必須說清楚。
AI 本身不是掠奪者。
AI 是技術，是能力的放大器。它可以幫助醫生判讀影像，可以幫助教師整理教材，可以降低普通人取得知識工具的門檻，也可以讓許多重複性工作變得更輕。
技術沒有良心。
決定 AI 是否成為掠奪工具的，不是模型本身，而是掌握模型的人如何看待利益、責任與他人。
如果人性選擇透明，AI 可以成為公共知識的放大器。
如果人性選擇負責，AI 可以減輕人的重複勞動。
如果人性願意分享，AI 可以讓教育、醫療、創作與研究更接近普通人。
但如果人性選擇貪婪，AI 就會成為提取機器。
如果人性選擇壟斷，AI 就會成為分配權的堡壘。
如果人性選擇沉默，那些資料工、內容審核員、創作者與知識工作者，就會繼續被藏在乾淨介面的後面。
所以問題不是 AI 有一天會變得太像人。
問題是，人類會不會把自己最狹隘的一面，透過 AI 放大到前所未有的規模。
知識工作者的斷裂
知識工作者真正面對的，不一定是立刻失業。
更可能是定價權被重新改寫。
許多工作不會一夜之間被 AI 取代，而是先被拆解成更小的任務：提示、校正、審核、修改、確認、回饋。
當專業被拆成任務，任務被吸收進模型，模型再回頭壓低原本專業服務的價格，工作還在，但人的位置已經變了。
這比單純失業更隱蔽。
因為它沒有一紙解僱通知。
只有報價變低、案源變少、入門職缺消失，以及下一代更難取得真正累積專業的起點。
Frey 與 Osborne 在 2013 年估計，美國約 47% 就業處於高度電腦化風險；這個數字後來引發許多爭論，但它至少讓一件事浮上檯面：技術性失業不再只是藍領工作的問題，白領與認知工作也開始進入風險範圍。這份研究本身也提醒，這是「風險」估計，不等於實際消失的工作數。
MIT 經濟學家 Daron Acemoglu 近年的研究則提醒我們，AI 可以提升平均生產力，但這不代表工資會自然上升，也不代表工作品質會自然改善。若勞工缺乏議價能力，生產力收益可能被企業與平台吸收；若新任務沒有同步創造，AI 也可能替代部分工作，並降低剩餘工作者的自主性與工作品質。
這才是知識工作者真正要面對的危機。
不是「AI 會不會比我聰明」。
而是：
當我的判斷被模型吸收之後，
我還剩下什麼不可替代的位置？
你也在裡面
如果你用過 AI 工具，如果你修改過 AI 的回答，如果你替模型點過讚或倒讚，如果你把自己的文件、觀點、知識、語氣、經驗丟進系統裡，你也在某種形式上參與了這件事。
這不是要你停止使用 AI。
那不現實，也沒有必要。
問題是，我們不能假裝自己只是旁觀者。
我們每一次使用，都可能是輸入。
每一次修正，都可能是回饋。
每一次互動，都可能讓系統更了解人類如何思考、如何表達、如何工作。
包括這篇文章討論的所有洞見，也可能正在成為下一代模型理解世界的一部分。
這就是 AI 時代最安靜、也最巨大的變化：
人類共同累積的知識、經驗與判斷，正在被少數平台轉化為私有模型資產。
資源與風險由全體承擔。
槓桿收益卻由少數人分配。
最後
AI 是技術。
掠奪不是它的命運，而是人類制度與人性選擇的結果。
當一個人告訴你一件事只有好處、沒有代價——
不是他不知道代價，
就是代價由別人承擔，
而他不想讓你知道是誰。
參考文獻與延伸閱讀
本文不是反對 AI 技術本身，而是嘗試理解 AI 商業模式背後的勞動、資料、知識與分配問題。主文只保留必要概念，避免讓理論遮住人的處境；以下文獻提供更完整的研究脈絡，供延伸閱讀。
- Mary L. Gray & Siddharth Suri, Ghost Work: How to Stop Silicon Valley from Building a New Global Underclass, 2019.
- World Bank, Working Without Borders: The Promise and Peril of Online Gig Work, 2023.
- Nick Srnicek, Platform Capitalism, 2016.
- Nick Couldry & Ulises A. Mejias, The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism, 2019.
- Imanol Arrieta-Ibarra, Leonard Goff, Diego Jiménez-Hernández, Jaron Lanier & E. Glen Weyl, “Should We Treat Data as Labor? Moving beyond ‘Free,’” AEA Papers and Proceedings, 2018.
- Kate Crawford & Vladan Joler, “Anatomy of an AI System: The Amazon Echo as an Anatomical Map of Human Labor, Data and Planetary Resources,” 2018.
- Yann Moulier Boutang, Cognitive Capitalism, 2011.
- Michael Hardt & Antonio Negri, Empire, 2000.
- Jaron Lanier, Who Owns the Future?, 2013.
- Shoshana Zuboff, The Age of Surveillance Capitalism, 2019.
- Carl Benedikt Frey & Michael A. Osborne, “The Future of Employment: How Susceptible Are Jobs to Computerisation?”, 2013.
- Daron Acemoglu, “The Simple Macroeconomics of AI,” NBER Working Paper No. 32487, 2024.
發表迴響