AI 的權力集中：為什麼少數人掌握未來
二、數據壟斷：誰擁有資料，誰就定義現實
如果算力是 AI 的引擎，數據就是 AI 的燃料。大型語言模型的知識、語氣、價值觀，全部來自於訓練資料。誰掌握了資料的來源與清洗能力，誰就掌握了模型的行為邊界。
資料飛輪效應：贏者全拿的自我強化循環
網路時代的資料壟斷與 AI 時代的資料壟斷，有著本質上的不同。過去，資料主要用於廣告投放與產品優化，其價值是間接的；如今，資料直接用於訓練模型，其價值是直接的、可累積的、可轉化的。
以搜尋引擎為例。Google 每天處理數十億次查詢，這些查詢本身就是極其珍貴的語言資料，反映了真實用戶在真實情境下的資訊需求。這些資料被用來改進搜尋品質，也用來訓練語言模型。相較之下，一個沒有搜尋業務的 AI 公司，只能依賴公開網路爬取或購買授權資料，其資料的多樣性與即時性都處於劣勢。
社群平台的情況更為明顯。Meta 擁有數十億用戶的互動資料，微軟透過 LinkedIn 與 GitHub 掌握職場與程式碼資料，這些資料的規模與深度，是任何外部機構難以複製的。當模型訓練越來越依賴「高品質、多樣化、大規模」的資料時，擁有資料的企業就擁有了結構性優勢。
這種優勢會形成資料飛輪：更多用戶產生更多資料，更多資料訓練出更好的模型，更好的模型吸引更多用戶。飛輪轉動的結果，就是市場份額向頭部企業集中，後來者即使技術不差，也難以跨越資料鴻溝。
封閉 vs. 開放：開源模型能否打破壟斷？
面對巨頭的資料優勢，開源社群並未坐以待斃。從 Meta 的 LLaMA 系列、法國的 Mistral、到中國的 DeepSeek 與 Qwen，開源模型在性能上正快速逼近閉源模型，部分評測甚至已經超越。開源模式的好處顯而易見：降低使用門檻、允許客製化微調、避免單一供應商鎖定。
然而，開源模型並未真正解決資料壟斷問題。首先，大多數開源模型並未公開訓練資料集，這意味著使用者無法檢視模型的資料來源，也無法複製訓練過程。其次，開源模型的訓練仍然需要巨額算力，背後的贊助者往往還是大型企業。換句話說，開源模型降低了「使用」的門檻，卻沒有降低「生產」的門檻。
更關鍵的是，資料的價值正在從「量」轉向「質」與「獨特性」。公開網路資料已接近枯竭，未來的競爭將集中在私有資料、專業領域資料、以及人類回饋資料上。這些資料往往掌握在特定機構手中，難以透過開源方式流通。因此，開源生態雖然是重要的制衡力量，但距離真正打破資料壟斷，還有很長的路要走。
三、人才磁吸：頂尖研究者的馬太效應
技術的競爭，歸根結底是人的競爭。AI 領域有一個廣為流傳的說法：全世界真正懂得如何訓練大規模神經網路的人，可能不超過一千人。這個數字或許誇張，但點出了一個殘酷的事實：頂尖 AI 人才極度稀缺，且高度集中。
實驗室集中化：少數機構挖走全球頂尖大腦
根據多份產業報告，全球頂尖 AI 研究者的流向呈現明顯的集中趨勢。OpenAI、DeepMind、Meta AI、Anthropic、Google Research 等少數機構，吸納了相當比例的頂尖博士與資深研究員。這些機構不僅提供業界最高的薪酬，還提供學術界無法比擬的算力資源與資料存取權限。
這種人才集中帶來幾個連鎖效應。第一，研究議程被企業設定。當最有能力的研究者都在企業實驗室工作時，哪些問題被研究、哪些方向獲得資源，很大程度上由企業的商業策略決定，而非由學術好奇心或公共利益驅動。第二，知識擴散速度減慢。企業基於商業機密考量，往往延遲或不公開關鍵技術細節，導致整體社群的學習曲線被拉長。第三，人才培養出現斷層。當資深研究者大量流向企業，大學裡能指導學生的師資相對不足，長期下來將影響人才供給。
產學旋轉門與知識封閉化
產學之間的界線正在模糊。許多企業與大學建立聯合實驗室，企業提供資金與算力，大學提供研究人力。這種合作模式有其正面意義，但也引發了關於知識公共性的疑慮：由公共資源資助的研究，成果卻往往優先服務於企業的商業利益。
此外，AI 領域的「產學旋轉門」現象日益普遍。學者進入企業擔任顧問或全職研究員，企業高管則進入大學董事會或政府諮詢委員會。這種人才流動本身無可厚非，但當旋轉門過於頻繁且缺乏透明度時，公共政策的制定就可能受到商業利益的隱性影響。
更值得關注的是，頂尖人才的薪酬差距正在擴大。企業開出的年薪動輒百萬美元起跳，附帶股票選擇權，這與學術界或公共研究機構的薪資水平形成巨大落差。結果是，公共部門越來越難留住關鍵人才，而公共部門恰恰是推動 AI 倫理、安全、公平研究的關鍵力量。
四、權力集中的社會代價
AI 權力集中不僅是一個產業結構問題，更是一個社會治理問題。當少數企業同時掌握了技術能力、資料資源與市場渠道時，其影響力將滲透到就業、資訊、政治等多個層面。
就業結構的重塑與權力不對等
AI 對就業的衝擊，已經從藍領製造業擴展到白領知識工作。翻譯、客服、初階程式設計、文案撰寫、法律文件審閱等職位，都面臨程度不一的自動化壓力。問題在於，AI 帶來的生產力提升，其果實如何分配？
在權力集中的格局下，生產力提升的收益主要流向技術擁有者與資本所有者，而勞動者面臨的是技能貶值與議價能力下降。一個能夠用 AI 工具完成十倍工作量的員工，未必能獲得十倍的報酬；相反地，企業可能選擇裁減人力，或將工作外包給更低成本的勞動力。這種「效率提升、分配惡化」的趨勢，是 AI 時代最需要正視的社會風險。
此外，中小企業在 AI 時代的處境也值得關注。大型企業可以自建 AI 團隊、採購算力、開發專屬模型；中小企業則只能使用標準化的 API 服務，在功能與成本上都受制於供應商。這種不對等，可能進一步擴大企業之間的生產力差距，加劇市場集中。
監管俘虜與民主治理的侵蝕
當一個產業的參與者極少、且每家企業的規模都大到足以影響政府決策時，「監管俘虜」的風險便會顯著上升。所謂監管俘虜，是指監管機構在制定政策時，受到被監管對象的過度影響，導致政策偏向企業利益而非公共利益。
AI 領域的監管挑戰尤其複雜。一方面，技術門檻極高，立法者與監管者往往缺乏足夠的專業知識來判斷風險；另一方面，企業掌握著最完整的技術資訊與人才庫，在政策討論中擁有巨大的話語權。結果是，監管往往落後於技術發展，或者流於形式，難以觸及核心問題。
更深層的擔憂在於資訊生態的集中化。當少數模型成為人們獲取資訊、形成觀點的主要中介時，這些模型的開發者實際上掌握了某種形式的「議程設定權」。模型用什麼資料訓練、對哪些問題給出什麼答案、在哪些話題上保持沉默，這些選擇都會影響公眾認知的邊界。這種權力如果不受到透明化與問責機制的約束，將對民主社會的公共討論構成潛在威脅。
五、突圍之路：分散式 AI 與公共治理的可能
面對權力集中的結構性趨勢，悲觀論調容易流行。但歷史告訴我們，技術壟斷從來不是永恆的，關鍵在於是否有足夠的制度創新與集體行動來制衡。以下幾條路徑，正在不同層面上展開實驗。
開源生態與小模型的逆襲
開源模型是當前最直接的制衡力量。Llama、Mistral、DeepSeek 等模型的出現，證明了一件事：前沿能力不再只屬於少數閉源實驗室。雖然開源模型在資源上仍處於劣勢，但其迭代速度驚人，社群協作的力量正在縮小差距。
與此同時，小型化與效率優化成為另一個重要方向。透過模型壓縮、蒸餾、量化等技術，原本需要數十顆 GPU 才能運行的模型，現在可以在單張消費級顯卡甚至手機上運行。這意味著，AI 能力可以從雲端下放到邊緣裝置，降低對集中式算力的依賴。當 AI 能夠在本地運行時，資料不必上傳雲端，隱私風險降低，使用門檻也隨之下降。
此外，垂直領域的專用模型正在興起。醫療、法律、金融、製造等行業，開始訓練針對特定領域的小型模型，這些模型不需要通用模型的龐大參數，卻能在特定任務上達到甚至超越通用模型的表現。這種「小而專」的策略，為資源有限的中小企業與研究機構開闢了一條可行的路徑。
公共算力與國際監管的角色
如果算力是 AI 時代的公共基礎設施，那麼它就不應該完全由私人企業掌控。近年來，多個國家開始推動公共算力平台的建設，例如歐盟的 EuroHPC 計畫、英國的 AI Research Resource、台灣的國網中心 AI 雲端服務等。這些平台的目的，是為學術界、新創企業與公共部門提供可負擔的算力資源，避免研究議程完全被商業利益主導。
公共算力的意義不僅在於資源供給，更在於建立一個非商業的技術發展空間。在這個空間裡，研究者可以探索不具立即商業價值的基礎問題，可以研究 AI 安全與倫理，可以開發服務公共利益的應用。這種空間的存在，是維持技術多樣性與社會問責的重要條件。
在監管層面，歐盟的《人工智慧法案》開創了風險分級監管的先例，要求高風險 AI 系統必須符合透明度、資料治理、人類監督等要求。雖然該法案的執行細節仍有爭議，但其象徵意義重大：它確立了一個原則，即 AI 的發展不能只由企業自我規範，必須有公共規則的介入。
然而，監管的有效性取決於國際協調。AI 技術的發展與部署是跨國界的，單一國家的監管容易被規避。因此，建立國際間的監管合作機制，協調安全標準、資料治理、競爭政策等議題，將是未來幾年的關鍵挑戰。
六、結語：在集中與分散之間尋找平衡
AI 的權力集中，不是偶然，而是技術特性、資本邏輯與制度環境共同作用的結果。算力的資本密集性、資料的規模效應、人才的稀缺性，這三者共同推動了資源向少數節點匯聚。與此同時，現有的競爭政策、監管框架與公共投資，尚未跟上技術變化的速度，導致制衡力量不足。
但集中並非不可逆。開源生態的壯大、小模型與邊緣運算的普及、公共算力平台的建設、國際監管合作的推進，都在不同層面上為權力的分散創造條件。關鍵在於，這些力量能否形成足夠的規模與協同效應，以及社會是否有足夠的政治意願去推動它們。
對個人而言，理解 AI 權力集中的結構，有助於我們做出更清醒的判斷：我們使用的每一個 AI 工具，背後都連接著一套資源配置與權力關係。選擇使用開源工具、支持公共算力、關注監管政策，都是微小的但有意義的行動。
對社會而言，真正的問題從來不是「AI 會不會統治人類」，而是「人類社會能否在 AI 時代維持權力的平衡」。歷史上的每一次技術革命，都伴隨著權力的重新分配。蒸汽機時代如此，網際網路時代如此，AI 時代也不會例外。差別在於，這一次的變化速度更快、規模更大、影響更深，留給我們調整與制衡的時間窗口，可能比想像中更窄。
少數人掌握未來的風險是真實的，但未來尚未定型。在集中與分散之間，我們仍有選擇的空間。而這個選擇，將決定 AI 究竟是少數人的權力工具，還是多數人的公共基礎設施。
📌 本文歸類於「🤖 AI 趨勢」，將持續追蹤人工智慧的產業結構、權力分布與社會影響，歡迎在雅寶社區 · 頂客論壇參與討論。