Erik Brynjolfsson：指数级错配如何重塑工作与政治

2020 年 3 月初，美国的确诊病例只有二十来例，Erik Brynjolfsson 在推特上发帖引用了 Albert Bartlett 的那句话：人类最大的缺陷，是无法理解指数函数。他以前引用这句话时，语气通常是乐观的，比如在和 Andrew McAfee 合著的《第二次机器革命》里，他就用它来谈摩尔定律（Moore's Law）。这一次，病例的翻倍周期只有两三天，他感到害怕。他从拉斯维加斯参加完最后一场线下会议飞回家，机上只有他一个人戴着口罩。一名空乘把手搭在他肩上，在他身上来回按了按，问他是不是有焦虑症。他说不是，是因为新冠。几周之内，病例就涨了几千倍。

线性直觉是身体学会的东西：走十分钟，走的距离是走一分钟的十倍。把一个数连翻十次，结果却是原来的一千多倍。翻二十次是一百万，翻三十次是十亿，再往后的数字就无法被直观理解了。世界之所以越来越呈指数式增长，主要是数字技术的功劳，因此我们的直觉更频繁地失灵：对计算来说这是好事，对病毒来说却很危险。Brynjolfsson 说，数学可以学，但大脑是靠经验学习的。泡在硅谷和 AI 实验室里久了，这条曲线就会开始显得平常。即便如此，他还是低估了它。谈到 GPT-3 时，他才意识到自然语言处理进步得有多快。

他特别强调的一点是，世界上大多数事物并不呈指数增长。人如何学习、组织如何变革、制度如何适应，都不是按翻倍的节奏进行的。于是，指数式进步或指数式变得危险的技术，就撞上了几乎纹丝不动的技能和政府。他认为，这种错配是许多社会问题的根源，包括日益加剧的不平等，以及政治和经济体系的种种失灵。马斯克是把这条曲线内化于心的人之一，他一边用第一性原理算账，一边看着硅谷的各种东西复利般地膨胀。Brynjolfsson 自己第一次受到冲击，是在 1980 年代末读研究生的时候。他按行业画出计算机性能的曲线，看着每一条都陡然上扬。把这些曲线往后延长，并不需要多高深的学问，那些数量级的跃升还是来了。

人们常把摩尔定律当成一条直冲云霄的单线。Brynjolfsson 则把它拆开来看，视为一连串的革命：把一种工艺挖到极致，再找下一种。没有哪种指数增长能永远持续。如果一件事不可能永远持续下去，它终将停止，他称这句话深刻，却被广泛忽视。曲线要么变成 S 形，要么以别的方式结束，有时还会是灾难性的。新冠病毒会耗尽可感染的人群，芯片的每一代都会撞上物理极限。人类总能在前一条 S 形曲线上叠加新的 S 形曲线，一代又一代，靠的是新材料和新工艺，这一点本身就很了不起。他认为没有人真正说得清其中的原因。一个开端或许是激励机制：当系统的其他部分每两三年翻一番时，落后的那个环节就会成为瓶颈，谁能解决它，谁就能获得巨额回报。资源会自动涌向最慢的那一环。

他认为，摩尔定律的某种形式会在其他维度上延续。其中一条，他以大学室友 Jonathan Koomey 的名字来命名，即能耗每两年减半。对大多数人来说，速度快一倍的新 iPhone 固然不错，但续航翻一倍更有价值，如今不少芯片进步的重点，是降低能耗而不只是提升速度。深度神经网络高度并行，所以 GPU，以及之后的张量处理单元（TPU），在硅基芯片之上又各自带来了 10 倍或 100 倍的提升。OpenAI 在加快训练速度上的工作，则是同一个故事在算法层面的延续。在他的算账里，图像识别至少是三个因素的乘积：更快的芯片；海量的数字数据，在摄影还依赖化学胶片的年代，这些数据根本不存在（录制访谈的前一天，他大概只拍了五十来张数码照片）；以及虽然深度网络的核心思想已有几十年历史，相关技术仍提升了好几个数量级。算力、数据和算法各提高一百倍，乘起来就是一百万倍。

Fridman 提出一种类似 GPT 的担忧：自监督模型会把人类数字化的知识吃光，然后陷入饥荒。Brynjolfsson 把数据也看成批评者每次宣告指数增长终结时都会拿出来的那种瓶颈，而历史总是绕了过去。训练本身已经在用更少的数据；数据采集仍在增加，在中国尤其如此；有些系统靠模拟来生成数据，比如在虚拟世界里行驶的自动驾驶系统，以及把选项树走穷的游戏智能体。他并不知道具体的绕行办法。他预计，会出现更高效的算法、更多的数据采集，或者某个目前还没人提到的新数据来源。

Brynjolfsson 说，自动驾驶曾被包装成“能”或“不能”的二选一，这种说法太简单了。更有用的框架，是一条从丰田所说的“守护天使”式辅助功能，一直延伸到完全自动驾驶的连续谱。晴天、直路上的高速驾驶，从洛杉矶开到凤凰城，已经接近解决。而冰雪中的波士顿、疯狂的路况、非直角的路口，以及对其他司机下一步动作的猜测，则是博弈论和对人类动机的理解问题。其中有些场景可能要花几十年。他很谦逊，不愿评判 Waymo 和特斯拉孰优孰劣。真正让他信服的，是 L4 级的思路：只在地图画得足够精细的区域运行，再逐步扩大这些“孤岛”，直到它们连成一片，而不是贸然闯进野外碰运气。

Waymo 刚刚在凤凰城向公众开放了无人驾驶载客服务。一年前，因为第一位安全员睡着了，他们又加派了一名安全员；现在，安全员已经撤了。技术栈里包含远程观察，客服可以接入车辆，他敢打包票，即使这不是官方功能，他们也能远程操控车辆。事实证明，长尾问题比早期人们预想的更难。你可以处理 99.99% 甚至 99.999% 的情况，却仍然会遇到训练数据里从未出现过的状况。人类或多或少能应付这些状况。另一方面，人类驾驶每年在美国造成约三万人死亡，全世界约一百万人。人们不会容忍机器造成这样的死亡人数，因此边缘情况必须做得好得多。

Fridman 对 Waymo 的批评是：谈安全谈得太多，就挤掉了另一个问题，即到底有没有人喜欢这款产品。一辆绝对安全、却没人愿意坐的车，依然是失败的。Brynjolfsson 举的例子是马斯克的 Roadster。早期电动车动力不足，开起来也没什么乐趣；马斯克造出的车，零到六十英里时速的加速成绩比几乎任何车都快，这既是营销动作，也是技术动作。他认为，太多 AI 项目缺乏想象力，它们只问我们现在做什么，以及机器怎样用更低的成本做同样的事。Jeff Bezos 没有在书店里放一台机器人收银员。他把书店整个拆掉，建起仓库和配送网络，让人们在屏幕上下单。通用技术的历史规律，恰恰是这种彻底的重塑，省人力的模仿式自动化只是其次。

一个世纪前，工厂靠蒸汽机或水轮机驱动。动力通过皮带轮和曲轴传递，传动轴过长就会因扭转而断裂，于是每台机器都要围绕一台巨大的发动机排布，还要建成多层厂房来缩短距离。小型蒸汽机在热力学上缺乏吸引力。电力到来之后，管理者把蒸汽机拆掉，买下通用电气能卖出的最大马达，其他几乎什么都没改。直到一代管理者退休或去世，才有人问，为什么还要这样干。电动机可大可小。管理学文献曾为“集中传动”和“单机传动”争论不休。最终单机传动胜出，工厂得以铺开成单层，布局也随着物料的流程来安排，不再只看谁最需要动力。这就是流水线。生产率随之跃升。Paul David 在研究论文中记录了这段历史。Michael Hammer 为计算机时代提出的口号，说的也是同一个道理：别去自动化，要彻底摧毁旧流程。

在重塑的过程中，统计上的生产率往往会下滑。Brynjolfsson 与 Chad Syverson、Daniel Rock 合著了《生产率的 J 曲线》：先是一段下沉，因为人们在创造知识和无形资产，这些东西既不出现在任何人的资产负债表上，也不计入 GDP；之后才是上扬。自动驾驶汽车就是正在发生的例子。已经砸下了数千亿美元，但几乎没有司机或出租车司机因此失业，消费者也没得到多少实实在在的好处。他认为，企业押注的是 J 曲线的上升段，这种押注是有道理的。作为经济学家，他很失望：尽管技术令人眼花缭乱，过去十五年的生产率增长，却低于此前的十五年，也就是 1990 年代到 2000 年代初。他个人希望，最早明年就能看到回升。任何人若以为炫目的技术演示会一一对应地转化为更高的生产率，只要工厂还围着旧发动机排布，就注定会失望。

Fridman 原本以为，维基百科、推特以及过去十五年里其他各种连接生活的东西，会以生产率繁荣的形式体现出来。Brynjolfsson 的回答是，这些东西大多是免费的。GDP 等于买卖商品的价格乘以数量。价格为零，在一阶近似下，贡献也为零。人们花在小屏幕和大屏幕上的时间，从来没有被定价。这并不意味着它们没有创造价值。即使他不付费，他也从维基百科、猫咪视频和播客中获益良多。Simon Kuznets 在 1930 年代建立了这套统计方法，他说 GDP 衡量的是生产，并不能衡量福祉。几乎所有人都忘了这条警示，如今把去年 2.3% 的增长率，当成我们过得好不好的标准。

他和同事正在搭建一套并行的核算体系，叫作 GDP-B，即“收益”版的 GDP。只要你从 Zoom、维基百科或 Facebook 中获得了价值，哪怕它们的价格是零，也应当计入。生产率不过是 GDP 除以工时，所以 GDP 少算多少，生产率就少算多少。难点在于衡量人们愿意为之支付多少钱。收银台记录的是价格，却记录不了支付意愿。团队进行大规模的在线选择实验，参与者已达几十万甚至上百万：要让你放弃一个月的维基百科，或者放弃你的手机，我得付你多少钱？有些问题是假设性的，有些则是真的执行，成本不低。比如给某人三美元，让他停止使用 Facebook，看看他是否真的停下。有人十美元就肯停，有人一百美元也不肯。这些答案勾勒出一条需求曲线。女性往往比男性更看重 Facebook，年长者也比年轻人稍微看重些，或许是因为年轻人知道一些他叫不上名字的其他社交网络。首篇论文已经发表在《美国国家科学院院刊》上。

除了 YouTube 之外，大型网络平台为什么几乎没有尝试让用户付费去广告？他教授数字商业模式。边际成本为零，再加上竞争，价格就会被压向零；广告、捆绑销售、捐赠和志愿服务，是另外几个可以调节的旋钮。他认为，经济学家低估了捐赠的作用，比如维基百科、NPR，还有这档播客的赞助者。理论上，需求曲线平坦而宽广的内容（比如一般性新闻）更适合靠广告；面向小众、高价值受众、需求曲线陡峭的内容，则更适合收费。双边平台往往先把一边养大，再向另一边收割，Facebook 先吸引用户、再卖广告的机器就是这样运转的。如果激励相容，两种模式混合也能行得通，甚至可以做成一个滑块，让用户自己选择愿意看多少广告。Fridman 吐槽报纸订阅前要点那么多次，以至于他干脆就不订。Brynjolfsson 也赞同他。装一部新 iPhone 可能要耗掉一下午，这比价格更能劝退用户。他说，让付费变得毫不费力，人们就会给你更多钱。

谈到网络平台时，网飞的纪录片《社交困境》和 Tristan Harris 的观点始终是背景。Brynjolfsson 担心的是，人们不敢尝试其他商业模式，而现有的一些模式正在推着人们做出糟糕的选择。Daniel Kahneman 所说的系统 1，是快速、原始的“点击与转发”大脑；系统 2 则是本该谨慎思考的前额叶，却很少被调动。他认为，社交产品往往会利用系统 1，而系统 1 靠性、暴力、厌恶、愤怒和恐惧来运转。这些东西在某些场合有用，却不是组织社会的好办法。我们已经把数十亿个大脑连接在一起。这套基础设施最重要的职责，或许是让真相胜过谎言。但它现在的设计方式，未必是有意为之，却恰恰朝着相反的方向。

MIT 的同事 Deb Roy 等人把这种担忧刊登在了《科学》杂志的封面上。推特上的虚假信息传播得更远、更快，覆盖的人也更多。原因不在于人们喜欢谎言，而在于人们喜欢令人震惊的东西，比如那种“你敢信吗”式的帖子；平淡到大家早就知道的事，反而没人转。如果不受真相的约束，最不可思议的事情反而更容易编造，所以假消息带有更强的情绪色彩，也传得更快。算法并不是全部原因。YouTube 曾被指控放大了极端内容，但在那项推特研究中，即使去掉机器人和自动发布的推文，谎言的传播速度仍然明显更快。问题其实就出在我们自己身上：我们就是忍不住转发那些耸人听闻的内容。他依然把责任归于平台。设计既可以增加摩擦，也可以让转发变得轻而易举。与维基百科联合创始人 Jimmy Wales 共进晚餐后，他确信 Facebook、推特、维基百科和 Reddit 都在做选择，而这些选择会让假新闻或多或少地更容易出现。学术界远非完美，但它仍倾向于通过引用来放大重要发现。他感到遗憾的是，各网络平台的负责人并没有那么努力地放大真相，部分原因在于，营收模式奖励的是增长和速度，而这与找到真相并非一回事。

Fridman 给出了一个更黑暗的设想：也许过去几年已经表明，拆解真相这个概念本身大有利可图，直到观点变成与现实脱节的玩具。Brynjolfsson 认为，那样的未来有可能出现，但并非必然。他不是技术决定论者。“技术不决定我们的命运，我们自己决定。”据说，二战末期德国的火箭科学家曾表示，他们的工作是让导弹飞上天，至于落在哪里，那是别人的事。这不是工程师应有的态度。那些不核查事实、名声与真相毫无关系的世界，人们会从中获利。他推测，过去几百年之所以发展得更好，一个原因是科学方法，它是一种偏向经得起检验的事物的工具。接纳这套方法的社会和组织，表现比拒绝它的要好。他希望人们不仅坚持追求真相，也坚持使用通往真相的方法。经济学推特圈虽然戾气很重，却加快了人们了解美国国家经济研究局（NBER）新论文的速度。这些网络的基本前提依然令人惊叹。这片污水潭的问题出在设计和习惯上，算不上命中注定。

Brynjolfsson 越来越把一种手法看得和公然撒谎同样严重，那就是挑刺：在对立阵营里找一个极端的疯子，把他放大，让他看起来像是普遍现象。你并没有字面意义上地撒谎。你找一个在地铁上胡言乱语的人、一名三K党成员、一名 Antifa 成员，或者一个原本只有十二个人会注意到的人，把他的视频推到几千万人面前，然后看愤怒去完成剩下的事。他发现自己也会因此生气，并想拿去跟朋友分享。一位研究俄罗斯信息战的朋友描述过，操作者会两边下注：有人假扮 Black Lives Matter 运动的支持者，有人扮成白人至上主义者，互相辱骂。其目的是把所有人都煽动起来、播下互不信任的种子，至于哪一方获胜，并不在它的考虑之中。这些工具正被这样使用，对民主的破坏极大。他说，平台的管理者负有社会、道德和个人层面的责任，应当朝着真相和建设性的沟通去设计，而不必“把那些东西关掉”，也就是直接关闭言论。

Fridman 把这种担忧延伸到一句话上：哪怕只是三年前的一句玩笑，也会被断章取义，拿来给一个人下定义。Brynjolfsson 回应说，我们每个人都需要更宽容一些。他在二十多岁时把朋友挨个梳理了一遍，发现每个人都至少有一个他完全无法认同的观点，当然，只有他自己例外；而他确信，朋友们对他的看法也是一样的。领导者必须在公开场合把握好这条线。Fridman 指出，Barack Obama 在谈“取消文化”时说得很精彩，因为说错一个词就会激怒人们。平台应当减少挑刺式的放大。用户也需要学习。“如果我们使用它时都很蠢，就没有哪个平台设计能扛得住。”火让人类学会了熟食，也烧伤过人，之后才有了灭火器。汽车出现了，之后才有安全带。数字工具既需要更好的技术，也需要更好的习惯。

展望本世纪剩下的时间，Brynjolfsson 自称技术乐观主义者，他并不信奇点论。已经成熟的技术，比如视觉、语音和解决问题的能力，需要十年、二十年甚至三十年才能普及，因此即使不再有新发明，财富尤其是医疗健康方面，也还有几十年的进步空间。他并不认为工作很快就会消失。托育、医疗、环境治理、科研、艺术创作，甚至叠衣服，机器做得仍远不如人。社会将在十年、二十年或更久的时间里进行调整、重新培训。再往后五十年或一百年，一切都说不准；一两百年之后，他甚至认为，机器在经济上比人更擅长做大部分工作，这很有可能，那时人可以安心做人。他说，如果我们把这种富足当作问题，那就是我们自己的耻辱。足够逼真、能替代人们醒着时大部分屏幕时间的虚拟现实是可能实现的；Nick Bostrom 的模拟论证也摆在那里。真正超越人类的 AI，按定义就能想出他想不到的东西。那么，担忧的就是对齐（alignment）问题，其中包括我们的价值观彼此分歧，以及价值观本身会随时代变化，哪怕是 1860 年时的他自己，在今天看来也会显得野蛮。指数式提升的生物技术、纳米技术和 AI，再加上老派的核武库，是一条不容忽视的路，我们可能会在那条路上毁灭自己。这是对“大过滤器”（great filter）的一种解读：要么前方仍有陷阱，要么，更乐观地看，过滤器已经在我们身后，因为绝大多数行星根本不会诞生智慧生命。

眼前更近的问题是就业。他说，我们距离通用人工智能（AGI）还很远，但在狭义任务上，已经有了达到甚至超过人类水平的系统。他与 Tom Mitchell 在《科学》上发表了《机器学习能做什么？》一文，采访 AI 专家，制定了一套评分标准，用来衡量任何任务对机器学习的适用程度，然后把它套用到 O*NET 上。O*NET 是美国政府对约 970 种职业及其任务的分类数据库。放射科医生的任务有二十七项。阅读医学影像是其中的核心任务之一，机器已经达到甚至超过了人类水平，《自然》上的论文可以为此佐证。放射科医生还要实施清醒镇静、进行体格检查，并向医生和患者解释检查结果，而机器学习目前还做不到这些。这个职业仍会存在，只是被重组了。数据集中，没有一种职业是机器学习全面接管的；几乎也没有一种职业是它完全没有立足之地的。

机器擅长例行的问题求解，只要有大量的 X 和 Y 数据，就能把输入映射到输出。但在精细的运动控制、情商、人际互动，以及跳出框架思考方面，它们仍然吃力。给它们一个结构清晰的任务，它们会表现出色；可即使是提出正确的问题，对它们来说也很难。毕加索看到早期的计算机时并不以为然：它所能做的，不过是回答问题。在 970 种职业的散点图上，低薪工作往往有更多适合机器学习的任务。收银员已经在看着扫描器识别苹果和橙子。一些高薪职业，比如航空公司飞行员，也有大量适合机器学习的任务。经济学家的薪水不低，但大多不在这一类里。这个结果是数据自然算出来的，并非为了讨好作者才画出的。随着技术进步，这张图还会移动。按今天的样子看，它很可能会加剧收入不平等。

Andrew Yang 当时正在竞选总统，他把全民基本收入（UBI）当作核心主张，而且读过 Brynjolfsson 的书。Brynjolfsson 很欣赏他的用心和价值观。至于全民基本收入本身，他起初是支持的，研究得越深，支持得越少，最近又有些回头。人们收入不足时，经济学家最直接的办法就是发钱。他的社会学家朋友说服他，发钱打不到问题的核心。伏尔泰说，工作能解决三大难题：无聊、恶习和贫困。发钱能解决贫困，但人还需要意义，需要有事可做。钢铁工人和煤矿工人失业后，如果只是领取救济金，酗酒、抑郁、离婚和吸毒的情况都会增加。整天坐着领钱，并不能让他们快乐。这也许与他们的成长环境有关，也许是天性使然。他们需要的是被需要的感觉。

第二种反对意见是，我们离工作的终结还很远。城市需要清洁，而机器做不了大部分清洁工作。托育、医疗、精神疾病、养老、道路维护，有很多事情至少需要人的参与。是放弃这些人，还是想办法让他们保持投入？他仍然希望底层人群的购买力能提高。那些特别勤奋的人，二三十年来工资几乎没怎么涨，而特别聪明或特别幸运的人却赚了数十亿美元。他认为，这些人并不需要数千亿美元的激励。大多数人哪怕只拿到十亿，甚至什么都不拿，也会去做。如果最高税率是 70%，Bill Gates 还会创立微软吗？我们知道他会，因为当时的最高税率正是 70%。Brynjolfsson 最喜欢的工具是劳动所得税收抵免（EITC）：补贴有工作的人的工资，同时让雇主有理由多雇人。最低工资可能抑制就业，而 EITC 则可能促进就业。如果雇主只能付十美元，社会的其他部分再补上五到十美元，购买力就会上升，创业者也会开始为这个市场而做事。有人提议附条件的基本收入，条件是学习新技能。他也喜欢这个想法。对于下岗工人来说，真正的难题是接下来该学什么。更好的平台可以把现有技能与需求对应起来，画出从 A 到 B 的路径。

被问到如果要修改税制，他最想改什么，Brynjolfsson 并不主张推倒重来。其中很多属于 Economics 101 的内容，在 20 世纪行之有效，却被人们遗忘了：投资教育和基础设施，欢迎移民，让税制更具累进性。过去的最高税率高得多，而现在，在很多情况下，最富有人群的税率反而低于较贫穷群体的税率。他希望多征一些庇古税（Pigouvian taxes），即对坏的东西征税，对好的东西少征。目前美国对劳动和资本都征税，而一个基本原则是，你对什么征税，那样东西就会减少。工作和投资是我们仍然需要的东西，污染和拥堵则不然。碳税在经济学家中几乎没有争议，无论共和党还是民主党，其中包括曾担任George W. Bush 经济顾问委员会主席的 Greg Mankiw，以及 Dick Schmalensee。碳税可以带来数千亿美元的收入，这笔钱再通过 EITC 返还给民众，整个税收体系就会变得更累进。

作为经济学家，拥堵收费最让他难以忍受。堵在车流里纯粹是浪费。这笔成本从他和周围所有人身上被拿走，用他的比喻来说，就这样被倒进了海里。像新加坡那样征收拥堵费，车流就能动起来，同样的钱还能用于医疗、基础设施或食品补贴。他和其他人都曾应邀到新加坡演讲。这些主张都不激进。大多数经济学家逐条来看都会赞同，经济也会因此更高效、更公平。研发几乎是经济学里唯一接近免费午餐的东西。他在麻省理工学院的前同事 Robert Solow，因证明大多数生活水平的提高来自技术进步而获得诺贝尔奖；Paul Romer 后来因证明研发投入和人力资本投资能加快这一进程而获奖。真正重要的区分在于应用开发与基础研究。特斯拉改进自动驾驶技术栈，价值可以被它自己收入囊中。聚变、核心 AI 和生物技术的想法则会外溢，它们是典型的公共物品。美国政府过去的投入要多得多，后来却大幅削减，等于吃掉了种子粮。人们今天把钱揣进了自己的口袋，可五年、十年、二十年后，会比本来可能的情况穷得多。

Brynjolfsson 说，疫情既带来了死亡和经济破坏，也是他所见过的、自二战动员以来规模最大的一次工作方式重组。过去二十周里，他看到的变化比过去二十年还多。新冠之前，略超过 15% 的美国人，也就是约六分之一，在远程办公。这一比例后来升到了约一半。但这种变化并不均衡。那些与数据打交道的信息和专业人员可以回家办公；与人或实物打交道的制造业工人则做不到，他们被裁员的可能性也高得多。疫苗普及之后，这些变化还会留下吗？他的假设是，会有相当大的一部分留下来。他把学术研讨会搬到了 Zoom 上，却惊讶地发现效果很好：听众范围更广，包括欧洲的听众；会场也更平等，因为聊天功能让羞怯的研究生也能发言，还能同时回应彼此，这是一种带宽更高的研讨会。带宽和电子邮件平稳地扩展开来，在那些应对失利的机构中，这是少有的亮点。经济学家把这种问题称为滞后效应（hysteresis）。煮过的鸡蛋冷却之后，依然是硬的。远程办公体系也不会完全弹回原样。

Fridman 提到了那些麦克风照不到的人。有推特粉丝的声音，远程也照样能发挥作用。而那些工作被击碎的数百万人，没有这样的粉丝。他读《第三帝国的兴亡》时，看到大萧条时期的苦难如何演变成破坏性的政治，于是他想，眼下这种无声的苦难，在五年或十年后又会变成什么。Brynjolfsson 说，这种担忧是他关注的核心。其中有一个道德层面：他认为，大多数美国人都希望实现共享繁荣，而人们掉队，不只是因为新冠。过去几十年，中位收入几乎没有增长，而最富有的 1% 人群却飙升，这一方面是因为技术的使用方式，另一方面是因为政治体系把财富转向了有权势的利益集团。还有一层政治风险。那些觉得自己吃了亏的人，在 2016 年和 2018 年都想砸烂现有体系；煽动家则把这种情绪用于破坏。

类比就是贸易。几乎所有经济学家都认为，自愿的交换会让双方都变得更好，但贸易仍然可能制造出输家。原先的方案是自由贸易加上对受损者的补偿，这样蛋糕做大了，所有人都可能变得更好。1980 年代和 1990 年代，贸易增加了，补偿却没有跟上。人们觉得这笔交易被违约了，他认为人们的感受是对的。这种反弹，尤其是特朗普时期的那种，对生活水平有害，但被视为背叛也可以理解。技术也是同样的形态。它可以把蛋糕做大，却仍然让多数人被甩在身后。经济学家的主张是，把蛋糕做大，同时调整制度，让富人、中产和穷人都能变得更好。我们又没有这样做。人们又说，体制不起作用了。他们不去修正分配，反而开始说技术糟透了，朝谷歌班车扔石头，把它炸掉。大约两百年前，卢德分子也是出于同样的原因砸毁织布机和纺纱机。无论从道德还是从国家层面看，要追求的都是共享繁荣。

在麻省理工学院待了三十多年后，Brynjolfsson 转到斯坦福大学，执掌数字经济实验室。这样一来，他离发明 AI 的人更近了。他承认，之所以搬过去，也是为了那里的天气：一到那里，迎接他的是大火、橘色的天空和热浪。有人在大学普遍遭受批评的背景下问他，大学有什么美好之处，他用显示偏好来回答：看人们做什么，比听他们说什么更可靠。他本可以去做别的事，却留了下来。“神奇”一词用来形容，再贴切不过。即使不给钱，他也愿意做这份工作。他喜欢做研究，喜欢和学生、同事交谈，喜欢身边围着他能找到的最聪明的人，也喜欢被挑战。大学里满是这样想的人，而他很幸运，生活在一个能让他一边做这些事、一边挣饭钱的社会里。他希望有朝一日，人人都能有这样的工作。学术界是世界的一个更温和、更宽松的版本，宽松之中也有尖锐的辩论和琐碎的政治，他大多时候都尽量避开。实验室里的研究生、本科生和博士后，每个人都在做一些他甚至看不懂的研究。在他看来，这正是乐趣所在。

Fridman 问他推荐些书。他十几岁时读的是Hermann Hesse 的《悉达多》，提醒人不要太过沉迷物质。谈到职业，他推荐 Robert Heilbroner 的《世俗哲学家》，它生动地刻画了Adam Smith、Karl Marx 和 Keynes，帮他走上了经济学的道路；书有些过时，但仍不失为一次痛快的快速回顾，带你走过头两百年的经济思想。近来他推荐的是 Max Tegmark 的《生命 3.0》，这也是 Fridman 播客的第一位嘉宾，书里把深刻的东西讲得既有趣又易懂。Andrew McAfee 的《More from Less》让他相信，借助数字化，生活水平的提高可以更轻地落在地球上。James Clear 的《原子习惯》则是他真正在用的一本自助书：微小的改变带来原子级别的影响，这是 Clear 很喜欢玩的一个双关。

Fridman 说，向经济学家问生命的意义，是个荒唐的问题，向任何人问也一样荒唐。Brynjolfsson 从十九岁的儿子 Luke 那里学到了很多。Luke 一直热爱哲学，十七岁时还为享乐主义做过一番犀利的辩护。这位父亲并不认同。他算是功利主义者，主张追求最多数人的最大福祉，但仍觉得这种说法太浅。真正的幸福并不是来自对快乐的追逐。如果你一心想着要幸福，那是行不通的，你得去做更大的事情。直视一颗暗淡的星星，它就消失了；稍微转向一旁，视网膜上对光更敏感的部分就能捕捉到它。幸福就是这样。找到另一个目标，某种意义，你会比直奔快乐的人更幸福。他不是进化心理学家，但他猜测，大脑的设计不止为了快乐，因为我们是群居动物，天生就愿意帮助他人。当我们这么做，或者至少觉得自己在这么做的时候，奖赏系统的反应，要比做那些自私、肤浅的事情时深得多。他在离开时说，我们都是一所“无形学院”（invisible college）的成员。坐在哪里，如今已经没那么要紧了。