每天清晨，全球數百萬開發者打開 VS Code，啟動 GitHub Copilot，開始一天的工作。他們輸入幾個字元，AI 自動補全整段程式碼；他們描述一個功能，AI 生成完整的實作。生產力確實提高了——GitHub 宣稱 Copilot 能讓開發者完成任務的速度提升 55%。[1] 但在這場效率革命的背後，一個根本的問題被遮蔽了：當你的工作越來越依賴一個你無法控制、無法理解、甚至無法離開的工具時，你究竟是工具的主人，還是工具的僕人？

一、數據殖民主義：概念的起源與演化

從土地到數據：殖民邏輯的延續

「殖民主義」這個詞，喚起的是十五世紀以來歐洲列強對美洲、非洲、亞洲的征服與掠奪。傳統殖民主義的核心邏輯是：佔有土地、攫取資源、剝削勞動、建立依附關係。被殖民者喪失了對自己土地和勞動成果的控制權，淪為宗主國經濟體系的附庸。[2]

2019 年，傳播學者尼克·庫德里（Nick Couldry）與烏利塞斯·梅希亞斯（Ulises Mejias）提出「數據殖民主義」（data colonialism）的概念，指出數位時代正在重演殖民邏輯——只是被掠奪的不再是土地，而是數據。[3] 他們認為，科技巨頭透過各種「數據關係」（data relations），將人類的日常行為、社交互動、甚至生理狀態轉化為可被擷取、儲存、分析、變現的數據商品。這種「人類生活的持續商品化」，構成了一種新型的殖民剝削。

生成式 AI：數據殖民的新階段

生成式 AI 的出現，將數據殖民推進到一個新階段。傳統的數據殖民是「監控資本主義」式的：平台收集你的行為數據，用於精準廣告投放。[4] 但生成式 AI 不只是監控，它還「學習」——它吸收了人類數千年累積的知識、創作、技藝，將其壓縮成模型參數，然後以訂閱服務的形式賣回給我們。

這個過程存在根本的不對稱：訓練 GPT-4 所使用的數據，包括了維基百科、GitHub 公開程式碼、學術論文、新聞報導、小說、部落格……這些是人類集體智慧的結晶，由數百萬人無償貢獻。[5] 然而，這些貢獻者既沒有同意被使用，也沒有獲得任何補償。更諷刺的是，當 AI 模型訓練完成後，這些原始貢獻者還必須付費訂閱，才能「使用」那個由他們自己的作品訓練出來的模型。

二、數據的真相：誰在使用 AI，誰在被 AI 使用

開發者的 AI 依賴

讓我們先看看軟體開發領域的實況。根據 Stack Overflow 2024 年開發者調查，76% 的受訪者表示正在使用或計劃使用 AI 工具進行程式開發。[6] 這個數字比 2023 年的 70% 又增加了 6 個百分點。在已經使用 AI 工具的開發者中，最常用的工具依次是：

  • ChatGPT：82.1% 的 AI 用戶使用
  • GitHub Copilot：45.3%
  • Visual Studio IntelliCode：23.7%
  • Tabnine：8.6%

GitHub 的內部數據更加驚人。截至 2024 年，GitHub Copilot 在全球擁有超過 180 萬付費用戶，被超過 5 萬家企業採用。[7] 在使用 Copilot 的開發者中，平均有 46% 的程式碼是由 AI 生成的，在某些語言（如 Java）中，這個比例甚至超過 60%。[8]

寫作者與設計師的困境

軟體開發只是冰山一角。在內容創作領域，AI 的滲透同樣迅速。2024 年的一項調查顯示，85.1% 的行銷人員使用 AI 生成內容，73% 的公司使用生成式 AI 來撰寫文案。[9] 在設計領域，Midjourney、DALL-E、Stable Diffusion 等工具正在改變視覺創作的流程——許多設計師坦言，客戶已經開始要求他們使用 AI 工具來加速產出、降低成本。

這些數據描繪的是一幅令人警醒的圖景：知識工作者——無論是寫程式碼、寫文案、還是做設計——正在以驚人的速度將自己的工作流程與 AI 工具綁定。這種綁定帶來了效率的提升，但也帶來了深層的依賴。

三、碼農變佃農：新型勞動依附的形成

佃農制度的回聲

讓我們借用「佃農」這個隱喻來理解當前的處境。傳統的佃農制度中，農民不擁有土地，而是向地主租借土地耕作。他們擁有「勞動的自由」——可以選擇努力或怠惰、可以選擇這塊地或那塊地——但這種自由是受限的自由。他們依附於土地制度，離開土地就無法生存；他們的收成必須與地主分成，勞動的成果無法完全歸自己所有。[10]

今天的開發者，何嘗不是如此？他們不擁有 AI 模型——那是 OpenAI、Google、Anthropic 的私有財產。他們不擁有訓練 AI 所使用的數據——儘管他們自己的程式碼可能就在其中。他們甚至不完全理解 AI 是如何運作的——對大多數開發者而言，AI 是一個黑箱，一個必須信任但無法驗證的神諭。[11]

從「技藝」到「提示」：技能的空心化

更深層的問題是「去技能化」（deskilling）。勞動社會學家哈里·布雷弗曼（Harry Braverman）在 1974 年的經典著作《勞動與壟斷資本》中指出，資本主義傾向於將複雜的技藝分解為簡單的、可標準化的任務，從而降低對熟練工人的依賴、壓低勞動成本。[12] 這個過程，從工業革命時期的手工業者到今天的知識工作者，一脈相承。

生成式 AI 正在加速這個過程。當開發者越來越依賴 Copilot 來寫程式碼時，他們是否還在培養自己的程式設計能力？當設計師越來越依賴 Midjourney 來生成圖像時，他們的視覺素養是否正在退化？研究顯示，過度依賴 GPS 導航會削弱人類的空間認知能力；[13] 過度依賴 AI 編碼工具，是否也會削弱開發者的程式設計直覺？

一位資深開發者在 Hacker News 上的評論一針見血：「我注意到，當我長時間使用 Copilot 後，我開始忘記某些函式庫的 API。以前我能憑記憶寫出來的東西，現在我習慣性地等待 AI 提示。這讓我感到不安——我的技能正在被外包給一個我無法控制的系統。」[14]

生產力的陷阱

反對這種批判的人會說：「但 AI 確實提高了生產力啊！」這話沒錯。GitHub 的研究顯示，使用 Copilot 的開發者完成任務的速度提升了 55%，而且自我感覺更有成就感、更少挫折感。[15] 這不是好事嗎？

問題在於：「生產力」的提升，最終惠及了誰？在傳統的僱傭關係中，生產力提升的收益往往被資方攫取——工人生產得更快，但工資並沒有相應增加。[16] 在 AI 輔助的新模式下，這種不對稱可能更加嚴重：開發者的生產力提升了，但這意味著同樣的產出可以用更少的人完成——換言之，AI 的效率紅利，可能轉化為裁員的壓力。

更微妙的是「隱性成本」。使用 AI 工具需要付費訂閱（Copilot 每月 $19 起、ChatGPT Plus $20）；[17] 使用 AI 生成的程式碼需要額外的審查和測試時間；AI 生成的錯誤可能更難發現、更難除錯。這些成本往往被「生產力提升」的敘事所掩蓋。

四、認知外包與主體性的喪失

延伸心智的雙面刃

哲學家安迪·克拉克（Andy Clark）與大衛·查默斯（David Chalmers）在 1998 年提出「延伸心智」（extended mind）假說：認知過程不僅發生在大腦內部，也可以延伸到外部工具和環境。[18] 從這個角度看，筆記本、計算機、智慧型手機，都是我們認知系統的延伸。AI 不過是這個延伸的最新形態。

但「延伸心智」的前提是：你對這些工具保有一定程度的控制和理解。當你使用計算機時，你知道它在做什麼——它只是執行你指定的數學運算。但當你使用 GPT-4 時，你真的知道它在做什麼嗎？它為什麼給出這個答案而非那個？它的「推理」是否可靠？這些問題，即使是 AI 研究者也無法完全回答。[19]

從「使用工具」到「被工具使用」

韓炳哲（Byung-Chul Han）在《倦怠社會》中指出，現代社會的權力運作已經從「規訓」轉向「績效」：人們不再需要外部的強制，而是自我要求、自我剝削、自我優化。[20] AI 工具正是這種「績效社會」的完美載體——它不強迫你使用，但你「自願」使用，因為不使用就會落後於同儕、落後於市場。

這種「自願的依賴」特別難以察覺和抵抗。你不會覺得自己被剝削——畢竟，是你自己選擇使用 Copilot 的；你不會覺得自己被控制——畢竟，你隨時可以關掉它。但事實上，當你的工作流程、思維模式、甚至職業認同都與 AI 工具深度綁定時，「不使用」已經不再是一個現實的選項。[21]

創造力的異化

對寫作者和設計師而言，問題更加尖銳。程式碼至少還有「對錯」可言——能跑的程式碼就是能跑的程式碼。但創作呢？當一篇文章是由 AI 生成、人類編輯的，這篇文章的「作者」是誰？當一幅圖像是由 AI 根據提示詞生成的，這幅圖像的「創作者」是誰？

本雅明（Walter Benjamin）在 1935 年的〈機械複製時代的藝術作品〉中提出「靈光」（aura）的概念：藝術作品的獨特性和權威性來自其「此時此地」的存在，來自創作者與作品之間不可複製的關係。[22] 機械複製（攝影、印刷）已經削弱了這種靈光；AI 生成則可能徹底消解它。當任何人都可以用一句提示詞生成「大師級」的圖像時，「創作」還意味著什麼？

五、平台封建主義：新的權力結構

從資本主義到封建主義？

經濟學家雅尼斯·瓦魯法基斯（Yanis Varoufakis）在《技術封建主義》中提出一個挑釁性的論點：我們正在從資本主義退回到某種形式的封建主義。[23] 傳統資本主義依賴市場競爭——企業通過生產更好、更便宜的商品來獲利。但科技巨頭的獲利模式不同：他們建立「圍牆花園」，透過網絡效應和鎖定效應，讓用戶無法離開，然後收取「數位地租」。

這個分析完美適用於生成式 AI 領域。OpenAI、Google、Anthropic 等公司投入數十億美元訓練模型，建立了難以跨越的進入門檻。[24] 他們不是在「市場」中競爭，而是在建立「領地」——你可以選擇進入這個領地（付費訂閱），或者留在外面（落後於時代）。一旦進入，你就被鎖定了：你的工作流程適應了特定的工具，你的提示詞庫是為特定的模型優化的，你的專案歷史儲存在特定的平台上。

數據的「原始積累」

馬克思在《資本論》中描述了資本主義的「原始積累」（primitive accumulation）：資本家通過圈地運動、殖民掠奪等手段，積累了最初的資本，為工業化奠定了基礎。[25] 生成式 AI 的崛起，同樣經歷了一場「數據的原始積累」：科技公司透過爬蟲、API、用戶協議等手段，大規模擷取了人類累積數千年的知識和創作。

這場積累的不正義性是顯而易見的。維基百科的編輯者沒有同意讓自己的貢獻被用於訓練商業 AI；GitHub 上的開源開發者沒有同意讓自己的程式碼被用於訓練 Copilot；[26] 藝術家沒有同意讓自己的作品被用於訓練 Stable Diffusion。當這些「原始數據」被轉化為價值數百億美元的 AI 模型時，原始貢獻者分文未得。

誰擁有智慧？

這引出一個根本的法律和倫理問題：AI 模型的「智慧」——如果可以這麼稱呼的話——究竟屬於誰？從法律角度看，這是一個未決的問題。美國正在進行的 Sarah Andersen 等人訴 Stability AI 案，[27] 以及《紐約時報》訴 OpenAI 案，[28] 都在挑戰 AI 公司未經授權使用版權作品的合法性。但即使這些訴訟成功，它們也只能處理「版權」這一狹窄的法律範疇——更廣泛的「集體智慧被私有化」的問題，仍然沒有解答。

六、抵抗與替代：可能的出路

開源 AI 的希望與限制

面對科技巨頭的壟斷，開源社群正在嘗試建立替代方案。Meta 的 LLaMA 系列、Mistral AI 的模型、Stability AI 的 Stable Diffusion，都以開源或半開源的形式釋出。[29] 這些努力值得肯定——它們降低了 AI 的進入門檻，讓更多人能夠使用、研究、修改 AI 模型。

但開源並不能解決所有問題。首先，訓練大型模型所需的算力和數據，仍然集中在少數大公司手中——開源模型往往是這些公司「施捨」的副產品。其次，開源模型的「開源」程度往往有限——LLaMA 的使用受到授權限制，訓練數據並未公開。最後，即使有了完全開源的模型，普通開發者也難以自行部署和運行——他們仍然需要依賴雲端服務，而雲端服務仍然被少數公司壟斷。

「慢工作」的可能

也許，我們需要的不是更好的工具，而是對「生產力」本身的重新思考。社會學家哈特穆特·羅薩（Hartmut Rosa）提出「加速社會」的批判：現代社會被「加速」的邏輯所支配——我們必須更快地工作、更快地消費、更快地回應。[30] AI 工具正是這種加速邏輯的體現——它們的承諾是讓你更快地完成任務，但這種「更快」只會帶來更多的任務，而非更多的閒暇。

與「加速」相對的是「共鳴」（Resonanz）——羅薩認為，美好的生活不在於高效率地完成任務，而在於與世界建立有意義的、回應性的關係。從這個角度看，「手寫」程式碼、「手繪」插畫、「手寫」文章，不是落後的生產方式，而是與自己的工作建立「共鳴」關係的途徑。

重新定義「專業」

最後，我們需要重新思考「專業」的意義。在 AI 之前，「專業」意味著掌握特定的知識和技能——會寫程式碼、會設計版面、會撰寫文案。在 AI 之後，這些「硬技能」的價值可能下降，因為 AI 也會做，而且做得更快。[31]

但「專業」不只是技能，更是判斷力、品味、倫理、對脈絡的理解。AI 可以生成程式碼，但不能判斷這段程式碼是否符合專案的整體架構；AI 可以生成文案，但不能判斷這個訊息是否適合目標受眾；AI 可以生成圖像，但不能判斷這個視覺風格是否符合品牌調性。這些判斷，仍然需要人類——但前提是，人類仍然保有做出這些判斷的能力，而不是將一切外包給機器。

結語：清醒的依賴

本文的目的不是呼籲抵制 AI——那既不現實，也不明智。AI 是一項強大的技術，它確實能夠提升生產力、降低門檻、實現以前不可能的事情。問題不在於「是否使用 AI」，而在於「如何使用 AI」。

我們需要的是一種「清醒的依賴」——使用 AI 工具，但清楚地意識到自己正在依賴什麼、犧牲什麼、換取什麼。我們需要問自己：這個工具是在幫助我發展能力，還是在取代我的能力？這個工具是在擴展我的自主性，還是在削弱它？這個工具的效益，最終歸於誰？[32]

數百年前，佃農們也許無法想像一個沒有地主的世界。但他們的抗爭——從農民起義到土地改革——最終改變了歷史的軌跡。今天的「數位佃農」，面對的是更加隱蔽、更加滲透、更加難以抵抗的權力結構。但這不意味著抵抗是不可能的。認清處境，是抵抗的第一步。