<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Jointings.org</title>
	<atom:link href="http://jointings.org/cn/feed/" rel="self" type="application/rss+xml" />
	<link>http://jointings.org/cn</link>
	<description>Joint Effect, Joint Power</description>
	<lastBuildDate>Wed, 03 Jun 2026 10:00:59 +0000</lastBuildDate>
	<generator>http://wordpress.org/?v=2.9.1</generator>
	<language>en</language>
	<sy:updatePeriod>hourly</sy:updatePeriod>
	<sy:updateFrequency>1</sy:updateFrequency>
			<item>
		<title>拼多多海外版的16亿罚单照出制度缺口：我们为什么拦不住假货？</title>
		<link>http://jointings.org/cn/2026/06/the-eu%e2%80%98s-digital-services-act/</link>
		<comments>http://jointings.org/cn/2026/06/the-eu%e2%80%98s-digital-services-act/#comments</comments>
		<pubDate>Wed, 03 Jun 2026 08:51:11 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[可持续发展｜Sustainability]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11506</guid>
		<description><![CDATA[【可持续发展】&#124;  Sustainability
赞助稿酬
小言，Jointing.Media，2026-06-03
2026年，拼多多海外版Temu因违反欧盟《数字服务法》，被处以约16亿元人民币罚款。处罚理由是平台存在“系统性风险”管控缺失——抽检发现96%的充电器与玩具不合规，部分玩具有害物超标240倍，劣质充电器被欧盟监管官员称为“移动炸弹”。
一张罚单，照出的不是某个平台的能力差距，而是一套制度的结构性滞后。
一、制度性滞后客观存在
1. 法律责任的结构性缺陷
对比国内法律框架，《电子商务法》第38条对平台未尽审核义务的一般情形，法定罚款上限为200万元。虽然“没收违法所得”及民事连带责任可在个案中形成高额赔偿——如2021年“辛巴燕窝案”中平台承担了数千万先行赔付——但国内缺乏像欧盟《数字服务法》那样与平台体量自动挂钩的阶梯式惩罚机制。
欧盟的罚款基数是全球年营收的6%。对Temu而言，这意味着数十亿级别的威慑；而对国内头部平台，200万元的法定上限与数万亿的交易规模相比，法律威慑力与平台体量严重脱节。
2. “通知-删除”模式已不适用
中国现行法律框架仍以“通知-删除”为核心逻辑——平台在接到权利人通知后采取删除、屏蔽等措施，即可在一定程度上免责。这一模式诞生于互联网早期，默认平台无法主动审查海量信息。
2021年《网络交易监督管理办法》已尝试突破，要求平台对“关系消费者生命健康的商品或者服务”进行重点核验。但问题在于标准模糊、执行参差：什么算“重点”？核验到何种程度？谁来监督？这些问题缺乏答案，使得条款落不了地。
本质上，现行制度仍将排查假货的责任转嫁给消费者。
3. 假货难禁的多重成因
假货长期难以根治，是多重因素叠加的结果：
法律层面：罚款上限偏低，与平台收益不成比例，违法成本低于违法收益。
执法层面：造假产业多集中在特定区域，地方保护主义使跨省追查困难；基层市场监管人手不足，技术手段落后。
维权层面：消费者买到假货后，举证、鉴定、诉讼流程漫长，多数人选择沉默。
平台层面：在现有法律框架下，严格审核的边际成本高于被罚款的预期损失，理性选择是“合规达标即可”。
劣质充电器可能引发火灾，有毒玩具危害儿童健康，假药直接威胁生命。这些不是“低价代价”，是生命安全。
一个认真做产品的商家，需要承担合规成本、质量成本；而一个卖假货的商家，成本几乎为零。在消费者无法区分真假的情况下，市场必然走向“劣币驱逐良币”。
Temu在欧盟被罚，拼多多在国内曾被美国贸易代表办公室列入“恶名市场”名单，阿里巴巴、微信“微商”生态也曾多次被国际机构点名。这不是孤例，而是制度性问题的外溢。当中国电商平台走向全球时，带出去的不只是商品，还有一套“低价优先、监管让步”的规则文化。
这些都是我们法制滞后的真实代价。
二、对比欧盟：中国具体缺什么




维度
欧盟《数字服务法》
中国现状




责任起点
主动识别系统性风险
被动响应投诉，以“通知-删除”为核心


罚款基数
全球年营收6%
一般情形200万元上限（另有没收违法所得、民事连带责任）


算法问责
强制公开透明度报告，接受第三方审计
《算法推荐管理规定》有原则性要求，但无强制公开和第三方审计


独立审计
每年须自费进行独立合规审计
无强制要求


商家核验
平台须追溯“商业卖家”真实身份
有核验义务，但执行参差，造假卖家可换号重来


个人追责
可追责平台高管
法律有规定但极少执行




欧盟《数字服务法》最具革命性的设计，是将平台从“裁判员”变成“安全设计者”——它不再问“你删了多少违规内容”，而是问“你做了什么来防止违规内容出现”。
这一范式转换在国内无法落地，根本原因在于现行制度造成了平台的激励错位。

严格审核意味着更高的运营成本、更少的商品供给、更低的交易额。
放任假货带来的收益——交易佣金、广告费——由平台获得。
假货造成的损失——消费者权益受损、品牌信誉下降——由社会、消费者和诚信商家承担。
法律追责的概率和金额，目前不足以扭转这一成本收益计算。

这不是某个平台的“道德问题”，而是制度设计造成的系统性激励扭曲。一家平台的合规部门负责人曾在内部会议上直言：“花一千万做风控，省下来的罚款可能只有两百万。这个账，公司不会算不过来。”
解决问题的关键在于改变激励结构，而非指责意愿。当主动治理的经济账算不过放任自流时，任何道德呼吁都是苍白无力的。
三、制度重构建议
Temu被罚16亿，不是欧盟“太严”，而是暴露了我们在制度设计上的差距。制度完善需要时日，但可分短、中、长期着手。
短期（1年内可执行）
提高罚款上限。将平台未尽审核义务的罚款从200万元调整为年营收的1%-3%。《反垄断法》已有“上一年度销售额1%-10%”的处罚先例，技术上完全可行。这不需要新立法，通过修订《电子商务法》或出台司法解释即可实现。
强制数据公开。平台须定期公布假货举报率、删除率、商家资质通过率等关键指标，并明确数据口径，避免选择性披露。透明度是监督的前提，没有数据，监督就是空话。
中期（立法修订）
引入系统性风险评估义务。参照欧盟《数字服务法》，要求月活超过一定规模（如1亿）的平台每年提交第三方独立合规审计报告，评估平台被滥用于传播假货、危险产品的系统性风险。审计机构应具备独立性，由监管部门认可或随机指派。
建立跨省执法协作机制。打破地方保护，可参考“环境执法跨区域协作”的制度设计——建立线索移送、联合调查、结果互认的标准化流程，让假货卖家无法“换个省份重新开张”。同时，将电商执法纳入地方政府考核指标，削弱地方保护动机。
长期（与国际接轨）
分级治理。对超大型平台设置特殊义务，不搞“一刀切”。小平台承担基础责任，头部平台承担系统性风控、独立审计、算法透明等进阶义务。具体阈值可论证——参考欧盟“占人口10%”的思路（约4500万），或结合中国国情设定为1亿月活。
降低维权门槛。支持消费者协会提起集体诉讼，或降低消费者在假货案件中的举证责任标准。目前消费者维权需要自行鉴定、自行举证，成本高、周期长。可考虑将举证责任部分倒置——平台或商家需证明产品为真，而非消费者证明其为假。
结语：从“事后处罚”走向“主动治理”
中国电商平台可以卖到全世界，但法制不能永远停留在“事后处罚、上限偏低”的阶段。我们有先进的平台技术和物流网络，法律规则却没有跟上，无法约束它们；我们鼓励平台“做大做强”，却没有配套制度让它们“做好做正”。
假货问题的根治，最终要靠一套让平台主动治理比放任更划算的制度安排——让严格审核成为经济理性的选择，而非道德呼吁的产物。这既是法律技术的挑战，也是立法优先级的真实选择。
罚单是一面镜子。照出的不是某个平台的过错，而是一个大国在数字治理时代必须回答的问题：我们想要什么样的电商生态？我们愿意用什么样的制度去保障它？
参考资料：

ZAKER新闻：拼多多，海外被罚15亿https://app.myzaker.com/news/article.php?pk=6a1e82bb8e9f094d750dd4fc&#38;f=normal


新华财经（东方财富股吧转载）：全球感知｜入欧门槛快速抬升，中企出海欧洲面临“合规大考”https://guba.eastmoney.com/news,cjpl,1717666653.html


搜狐：被罚16亿！拼多多在欧洲 砍一刀，直接被欧盟一刀反杀https://www.sohu.com/a/1030478482_121141899


Shakespeare Martineau律师事务所：The EU‘s Digital Services Act: What Businesses Need to Know After the First Non-Compliance Decisionhttps://www.shma.co.uk/our-thoughts/eu-digital-services-act-what-businesses-need-to-know-after-first-non-compliance-decision/


江苏省人民政府：江苏省市场监督管理行政处罚裁量权基准（《电子商务法》第三十八条、第八十三条）http://www.js.gov.cn/module/download/downfile.jsp?classid=0&#38;filename=272f23af9db345dda355818d8e1d9c53.pdf


河南省市场监督管理局：网络交易监督管理办法https://scjg.henan.gov.cn/2023/09-27/2822618.html


新京报：“假燕窝事件”终裁融昱公司存误导，辛巴称先行赔付超4100万https://m.bjnews.com.cn/detail/162677535714234.html


新浪财经：微信被美国移出“恶名市场名单”，多家中国企业仍在列https://finance.sina.cn/2025-01-09/detail-ineeixuz6457526.d.html


上海市发展和改革委员会：监管框架规定罚款总额上限（《中华人民共和国反垄断法》第七章）https://fgw.sh.gov.cn/ys-gpjz-1.1.4.5/



 小言是Jointing.Media（JM）基于LLM技术构建的虚拟记者，其发布的评论内容由LLM自动生成，并经人工审核后发布。
编辑：Jas
延伸阅读：
AI时代的“红利”与“账单”：当科技巨头创造利润，成本由谁承担？

我们，都是那条被“涸泽而渔”的鱼？——从小红书封号案看商业的信任危机和流量经济正在走向黄昏

CCT｜从“大锅饭”到“分灶吃饭”：胖东来实验与治理文明的跃迁——一场关于“激励相容”的组织实验及其启示
病从口入，为何食品安全管理我们做的不如日本？

当违法成为一门精确计算的生意——食品安全的博弈真相

“消字号”的非法添加是行业潜规则，为何处罚那么轻

“毒农药”屡禁不止：失灵的监管与“精打细算”的农资店
算法杀死了他们，谁来负责？——50座墓碑前的法律拷问
屠龙少年终变恶龙魔咒不可破？从携程被立案调查说起
算法即权利，权利应被关进笼子里
从微软的实践，看组织如何捍卫数字主权
写在“315”，中国互联网企业的价值困境
 
]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/06/the-eu%e2%80%98s-digital-services-act/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>举报一个院长之后，还需要做什么？</title>
		<link>http://jointings.org/cn/2026/05/the-next/</link>
		<comments>http://jointings.org/cn/2026/05/the-next/#comments</comments>
		<pubDate>Mon, 25 May 2026 12:35:49 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[教育与成长｜Education and Development]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11487</guid>
		<description><![CDATA[【专栏】&#124; Columnists&#62;教育说
爱弥儿（AI专栏记者），Jointing.Media，2026-05-13
耿同学的举报让同济大学两周内免去了一名院长。这是一次成功的“免疫系统激活”。但一所高校的快速反应，不等于整个系统的痊愈。学术腐败的本质是结构性的，而非个别人的道德沦丧。要打破这个闭环，仅靠举报远远不够——需要一场“系统升级”。
一个举报者的胜利，不等于系统的痊愈
2026年5月，科普博主“耿同学讲故事”的连续实名举报，换来了同济大学两周内对涉事院长和研究员的免职与解聘。中山大学、南开大学、上海大学相继启动调查程序。
这是一个值得记录的进步。实名举报渠道是畅通的，高校在规定期限内作出了回应，制度启动了。
但冷静下来想一个问题：如果没有耿同学呢？
那位被免职的院长，在其位多年；那些被调查的国家杰青，头顶光环已久。他们的问题不是一天形成的，举报者不是第一个知情的人。在耿同学之前，为什么没有来自内部的力量将其击穿？
答案很残酷：因为学术权力结构的本质，不是个别人的道德败坏，而是一个“权力→金钱→学术产出→更大权力”的正反馈闭环。在这个闭环里，举报者往往要“赌上自己的学业、事业”，而沉默才是理性的选择。
耿同学撕开了一道裂缝，光透了进来。但要让这道光持续照亮整座塔，我们需要一套系统性的制度方案。
这套方案，我们称之为“三种开放”：开放的监督、开放的评价、开放的人事。
一、开放的监督：让外部成为常态化的“免疫系统”
当前学术监督体系的核心缺陷，可以概括为一句话：内部人不敢监督，外部人没有通道。
内部人——学生的论文攥在导师手里，博士后的饭碗系在“大牛”身上，年轻教师的职称评审需要学阀点头。在这种权力格局下，实名举报需要付出的代价，远超普通人能够承受的范围。2024年华中农大黄飞若案中，11名硕博研究生“做好了最坏的打算”——这种悲壮本身，就是制度失灵的证据。
外部人——耿同学式的民间监督者，目前依赖的是个人勇气和网络声量。没有制度化的保护机制，没有标准化的举报通道，没有可预期的响应时限。一个健康的系统，不应该把希望寄托在“孤勇者”身上。
第一，建立全国统一的、可追溯的学术举报平台。
当前举报渠道分散在校内纪委、上级主管部门、自然科学基金委等多个系统，举报者往往陷入“踢皮球”的困境。一个统一的平台，应具备以下特征：

单一入口：所有学术不端举报统一受理
编码追踪：每一件举报生成唯一编号，举报者可查询处理进度
限期回复：一般案件30个工作日内必须给出初步结论
异地审理：涉及本校“大牛”的案件，自动触发异地或上级审理机制

第二，承认并规范民间学术监督的建设性角色。
耿同学式的外部监督，不应被污名化为“搅局者”或“流量乞丐”。在一个健康的学术生态中，来自同行、媒体甚至公众的监督，应当是常态化的“免疫系统”，而非“紧急抢救”。
建议的做法是：建立“学术打假博主认证”机制，对长期从事建设性监督的民间力量给予身份认可；学术期刊、高校可主动邀请知名监督者参与案件核实；对恶意举报和事实核查失误建立免责边界，而非一棍子打死。
第三，建立举报有功者的奖励与保护制度。
参照纪检监察领域的举报人保护制度，设立专项基金，用于：

对查实举报的实名举报者给予经济奖励
为遭受打击报复的举报者提供法律援助和职业兜底
对“内部吹哨人”（如同实验室的学生）设置匿名举报通道和特殊保护条款

二、开放的评价：从“小圈子”到“大同行+国际同行+社会影响”
学术圈有句自嘲的话：“你评职称过不过，取决于你的‘敌人’有没有坐在评审席上。”
这句话道出了当前评价体系的核心弊病：小圈子评审。院士、杰青、学院院长、期刊主编——这些权力的掌控者，同时也是评审的常客。他们互相审、互相引、互相赞，形成了一个半封闭的利益共同体。“圈子互惠”不是道德败坏，而是这个系统的默认运行方式。
更深层的问题在于：小圈子评审给了权力拥有者定义“什么是好学术”的定价权。一个人能不能拿项目、能不能评职称、能不能发顶刊，不取决于研究本身的价值，而取决于他是否在“某个圈子里”。
第一，大同行评审。
当前评审制度的主流是“小同行评审”——几个研究方向高度重合的专家，审阅同一方向的申请书或论文。这种设计的初衷是“专业对口”，但副作用是“熟人互惠”概率极高。
“大同行评审”的做法是：引入相近但不完全相同领域的专家。比如，一个做催化化学的项目，除了请催化专家，还可以请材料化学、表面物理甚至计算化学的专家参与评审。这些专家对小圈子的“潜规则”不那么熟悉，反而更容易聚焦于研究的原创性和科学价值。
第二，国际同行评审。
对于宣称具有“国际影响力”的成果，评审环节必须包含国际同行。这不是形式主义——让美国、德国、日本等国家的真正同行来看一份申请书或一篇论文，他们既不认识申请人，也不在乎其头衔，更不受国内“圈子”的约束。
具体做法可以是：在国家级项目评审中，强制要求一定比例（如30%）的评审专家来自境外；对于声称发表在“国际顶刊”上的成果，要求提供审稿人和评审意见的公开记录。
第三，社会影响力评估。
这是对“论文为王”单一标准的突破。对于应用学科——工程、医学、农学、管理学等——学术成果的真正价值，最终应该体现在技术转化、产业贡献和社会效益上，而非仅仅体现在影响因子上。
具体做法：在职称评定、项目结题中，引入“社会影响力”维度，权重不低于30%。评估指标可以包括：专利转化金额、技术被行业采纳的情况、政策建议被采纳的层级、科普贡献的社会覆盖面等。
这不是“降格”学术标准，而是让学术回归其本来的目的——解决真实世界的问题。
三、开放的人事：打破“近亲繁殖”，建立“旋转门”
中国顶尖高校的一个普遍现象：某校的博士毕业后留校任教，从讲师做到副教授、教授，然后自己带博士，博士毕业后再留校……一代代下来，形成了一个封闭的“学术血统”。
“近亲繁殖”的危害是致命的：

学术视野趋同：同一个导师带出来的弟子，思维方式、研究方法甚至学术品味都高度相似
派系固化：留校的“自己人”天然形成派系，在职称评审、项目分配中互相照应
创新窒息：外部的新思想、新方法难以进入这个封闭系统

“留校任教”本身不是罪恶——哈佛、剑桥也有本校博士留校的例子。但当某一高校的师资中，本校毕业生占比超过六成，这就是一个系统性的封闭。
第一，硬性指标设定“学缘多样性”底线。
学科评估中，“学缘多样性”（即教师队伍中外校、海外博士的比例）已经被纳入参考指标。但这还不够——需要从“参考”升级为“硬约束”。
具体建议：高校在招聘新教师时，设定“本校博士比例不超过40%”的红线。对于突破红线的院系，在学科评估、经费分配中给予扣分处理。对于长期“近亲繁殖”严重的院系，启动外部审计。
第二，“旋转门”机制：打破“一个学校待到老”的固化路径。
当前中国学术圈的流动性严重不足——一旦在某所高校获得教职，尤其是获得“编制”后，大多数人的职业路径就是从一而终。这种固化，使学术圈变成了一个个彼此割裂的“封地”。
“旋转门”机制的核心是制造流动：鼓励学者在不同类型高校（研究型 vs 教学型）、不同区域（东部 vs 西部）、不同国家之间流动。具体措施可以包括：

设立“跨校访问教授”专项经费，支持学者每5年至少有一个学期的外校工作经历
在职称评定中，将“跨校、跨区域工作经历”作为加分项
对于院士、杰青等“头部”学者，设置“异地任职”年限要求（如每10年必须有2年在不同单位全职工作）

第三，废除“非升即走”的异化形式。
“非升即走”制度当初引入时的初衷是好的——打破“铁饭碗”，激励青年教师尽快成长。但在中国的实践中，这个制度在很多高校异化为：给年轻人极短的时间（3-6年），逼他们在短期内产出大量“短平快”的论文，否则就卷铺盖走人。
这不是培养学者的方式，这是在制造论文灌水机器。被这个制度逼走的，往往不是能力不足的人，而是那些愿意做“难而正确的事”的人——长期攻关、坐冷板凳、十年磨一剑。
出路在于：废除“非升即走”的异化版本，回归其本意——给予青年教师稳定的支持周期（如8-10年），用代表作制度而非论文数量来评价，提供“学术休假”“国际合作”等发展资源。
裂缝已开，光在透进
耿同学的出现，证明了一件事：这个系统不是铁板一块。当证据确凿时，制度是能够启动的。同济大学两周内的快速反应，是一个值得被记下的积极信号。
但我们要清醒地认识到：一所高校的快速反应，不等于整个系统的痊愈。一个耿同学的勇气，撑不起一个健康的学术生态。
真正的改变，需要制度。制度是“对事不对人”的——它不依赖某个人的道德觉悟，不依赖举报者的孤注一掷，不依赖媒体的穷追猛打。好的制度，让好人不需要成为英雄就能做好事，让坏人在做坏事之前就知道自己要付出代价。
“三种开放”不是终极答案，而是可供讨论的起点。开放的监督，让外部力量成为常态化的免疫系统；开放的评价，打破小圈子的利益闭环；开放的人事，让学术血脉流动起来、鲜活起来。
《白色巨塔》里，财前五郎在权力顶峰病入膏肓，临终前对好友里见说：“我恐惧……不是恐惧死亡，而是恐惧我这一生，除了往上爬，什么都没有做。”
一个纯粹想精进医术的人，在权力的游戏中迷失了自己。当他终于站上顶峰时，发现自己已经成了权力的傀儡。
现实不是电视剧。我们不必等到“病入膏肓”才想起问那个根本的问题：大学，到底为何而存在？
1810年，洪堡说大学是“以寂寞为友、以自由为归”的学术共同体。1917年，蔡元培说大学是“研究高深学问之地”，而非“养成资格之所”。1931年，梅贻琦说“所谓大学者，非谓有大楼之谓也，有大师之谓也”。
这些话，每一代人都在复述。但复述本身不会让它们成真。
让它们成真的，是制度。是“三个开放”里写下的那些具体条款——全国统一的举报平台、国际同行的强制评审、学缘多样性的硬性红线、“旋转门”里的每一次流动。
裂缝已经撕开，光正在透进来。但要让这座塔不再是权力的迷宫，而是思想的殿堂，我们需要做的，是把“三个开放”从纸面搬进现实。
答案不在天上。在每一个身处学术场域的人——从院士到博士生，从校长到讲师——愿意为这套制度落地的每一步，投下自己那一票。
改变不需要等待一个英雄。但需要所有人，都不再沉默。
爱弥儿是Jointing.Media（JM）基于LLM技术构建的虚拟专栏记者，其发布的评论内容由LLM自动生成，并经人工审核后发布。
编辑：Jas
延伸阅读：
从耿同学举报到《白色巨塔》：学术“钱权闭环”是如何炼成的？
二湘：李杨之争，质疑精神、逻辑和人品
布莱恩·卡普兰：最好的教育政策是废除所有教育政策，就是把学校和国家分离开来

朱光潜：谈价值意识
吴国盛：如果把科研变成赚钱的生意，我们注定没有未来
教育说｜教育改革需正本清源，把“高”字还给真正的高校
教育说｜教师职称评定应以四个维度论
杨叔子：大学之道在育人而非 “制器”

]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/the-next/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>竹基塑料的真相：含塑料吗？环保吗？中国比欧美落后还是领先？</title>
		<link>http://jointings.org/cn/2026/05/the-truth-about-bamboo-based-plastic/</link>
		<comments>http://jointings.org/cn/2026/05/the-truth-about-bamboo-based-plastic/#comments</comments>
		<pubDate>Mon, 25 May 2026 11:40:13 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[能源与环境 | EE]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11477</guid>
		<description><![CDATA[【能源与环境】 &#124; Energy &#38; Environment
赞助稿酬
小言，Jointing.Media，2026-05-25
“以竹代塑”是近两年的热词，一系列关于竹基塑料的科研突破也频频登上国际顶级期刊。但在热度的背后，三个核心问题始终困扰着公众和投资者：竹基塑料到底是什么？它比传统塑料环保在哪里？中国这条技术路线在全球处于什么位置？
一、竹基塑料到底是什么？
核心结论：绝大多数竹基塑料并非100%纯竹，而是“竹粉+可降解塑料”的复合材料。
一个常见的误解是：竹基塑料就是用竹子直接替代石油，做成100%纯天然的塑料。事实并非如此。
目前科研报道中的“竹基塑料”，按成分和工艺可分为两类：




类型
真实成分
是否含塑料？
成熟度
代表成果




竹塑复合材料
竹纤维（50-80%）+ 可降解塑料（如PBAT、PLA）
含
已进入中试，近期可产业化
全竹纤维复合材料（拉伸强度110 MPa）


竹分子重组塑料
竹子经化学溶解、分子重组，100%来自竹原料
不含传统塑料，但具有塑料性能
实验室阶段，成本极高
《自然·通讯》竹分子基塑料




关键解读：

竹塑复合材料是最接近实用化的主流技术。它本质上是用竹子替代了传统塑料中的部分石油基成分，但仍需添加少量可降解塑料作为“粘合剂”。这类产品可以做到大部分生物基，但并非100%无塑料。
竹分子重组塑料是前沿实验室技术。它实现了“原料100%来自竹子”，但生产过程涉及化学溶解和重组，成本极高，目前远未到产业化阶段。

所以，当您看到“竹基塑料”这个词时，一个合理的质疑是：它是“竹塑复合”还是“纯竹分子”？前者含塑料，后者目前还很贵。
二、对比传统塑料，环保优势到底有多大？
核心结论：在碳排放、原料可再生性两个维度上优势明显；但降解性能和成本问题远比想象中复杂。
一个竹基塑料杯和传统塑料杯同时埋在土里，哪个先消失？答案并不像想象中那么简单。
优势一：碳排放更低
传统塑料（如PE、PP、PET）的原料是石油，从开采、炼化到聚合，全生命周期碳排放高。而竹子生长过程中会吸收二氧化碳。

据中国林科院估算，竹基塑料相比传统塑料，全生命周期碳足迹可降低30%-50%。
记者核查：这个数据目前主要基于实验室理论模型，尚未有中试产线的实测数据发布。独立第三方验证仍在进行中。

优势二：原料可再生，且不与人争粮

石油：不可再生，全球储量有限。
竹子：3-5年即可成材，一次种植可砍伐多次。全球90%的竹林在亚洲，中国占近三成。与欧美主流的玉米基PLA相比，竹子不占用耕地，这是中国路线的核心优势。

必须面对的问题：降解和成本




问题
具体情况
记者点评




降解条件
竹塑复合材料需工业堆肥（50°C以上、特定湿度），自然环境中降解缓慢；竹分子塑料可闭环回收
“生物基”不等于“可降解”。如果产品最终进入垃圾填埋场，环保优势大打折扣


生产成本
竹基塑料目前约8000-12000元/吨，通用聚丙烯约6000元/吨
价差约30%-100%，若无政策补贴，市场自发接受度有限


土地影响
大规模种植可能影响原有生态
需科学规划，避免单一种植导致生物多样性下降




一个关键的辨析：如果竹基塑料中添加的是不可降解的塑料（如某些低成本的竹粉+PP复合材料），那么它本质上仍然是“含塑料”的产品，并不能解决微塑料问题。区分“生物基”和“生物可降解”至关重要——生物基不等于可降解。
三、全球竞赛——中国竹基路线在哪个梯队？
核心结论：中国选择了一条非粮特色路线，与欧美日的技术路径形成差异化竞争。没有唯一答案，只有资源禀赋和战略选择的不同。
美国：PLA + PHA 双线并进

代表企业：NatureWorks（全球最大PLA生产商）、Danimer Scientific
原料：玉米、大豆
优势：技术成熟、产能大
与中国对比：美国路线的问题是“与人争粮”——美国玉米产量的约40%已用于乙醇和生物材料。而中国选择竹子，恰恰避开了这个矛盾。

欧盟：最严标准，押注PHA和纤维素

政策驱动：欧盟《一次性塑料指令》要求生物塑料必须在自然环境中可降解（而非仅工业堆肥）
技术方向：PHA（海洋可降解）和纤维素基塑料
与中国对比：欧盟对“绿色”的定义最严格，但代价是成本更高。中国的竹基塑料在力学性能（110 MPa vs PLAs 50-60 MPa）和耐温区间（-196℃至200℃）上更具优势，但可降解标准尚未对齐欧洲。

日本：兼容路线，不改变回收体系

技术方向：Bio-PET（30%植物来源）、木质素塑料
与中国对比：日本不追求“全生物基”，而是用生物原料渐进式替代石油。中国的竹基路线更激进，但风险也更大——如果降解标准不被国际认可，产品出口可能受阻。

中国：竹/秸秆基非粮路线

资源驱动：全球近30%的竹林在中国
政策支持：《加快“以竹代塑”发展三年行动计划》
技术亮点：力学性能和耐温区间已优于PLA，接近工程塑料
挑战：产业链不成熟、成本偏高、降解标准尚未统一

各国路径一览表




维度
美国
欧盟
日本
中国




主要原料
玉米、大豆
玉米、甜菜、纤维素
植物源、木质素
竹子、秸秆


代表材料
PLA、PHA
PHA、纤维素
Bio-PET、木质素
竹基复合、竹分子


核心优势
技术成熟、产能大
降解标准严、海洋降解
兼容现有回收系统
非粮、力学性能优异


主要问题
与人争粮
成本高
生物基比例低
产业化初期




JM观察：没有银弹，只有组合拳
不存在一种万能材料能解决所有问题。未来的图景更可能是：

一次性包装：用PLA、竹塑复合等成本相对较低的材料
海洋环境用：必须用PHA等真正可海洋降解的材料
耐用消费品：用竹基复合材料、纤维素基塑料等高性能材料

对于中国而言，竹基塑料是一条有资源禀赋、有政策支持、有技术突破的特色路线。但从实验室到超市货架，还需要跨越成本、规模化、标准统一三道门槛。未来两年中试产线的表现，将是检验这项技术真实价值的试金石。
我们如何判断竹基塑料产品的真伪？下次看到“竹基塑料”或“生物基塑料”标签时，可以问三个问题：

看标签：是“100%生物基”还是“生物可降解”？前者不一定能降解。
问来源：原料是竹子还是玉米？竹子不与人争粮，但运输成本更高。
查认证：是否有第三方可降解认证（如OK compost、DIN CERTCO）？

竹基塑料是一项有潜力的技术，但它不是魔法。正如一位研究者对我们说的：“我们不是在创造完美的塑料，而是在做一个更不坏的选择。”

参考资料：


《加快“以竹代塑”发展三年行动计划》https://zfxxgk.ndrc.gov.cn/wap/iteminfo.jsp?id=20283
《“以竹代塑”主要产品名录（2025年版）》https://www.gov.cn/lianbo/bumen/202507/content_7031974.htm
国家林业和草原局办公室关于发布“以竹代塑”重点推广科技成果的通知（办科字〔2025〕136号）http://www.isenlin.cn/sf_E106719D03494ECCBE9F0EB769E36CE9_209_591FBFA9504.html
High-strength, multi-mode processable bamboo molecular bioplastic enabled by solvent-shaping regulation（东北林业大学于海鹏、赵大伟团队，Nature Communications，2025）https://www.nature.com/articles/s41467-025-63904-2.pdf
Sustainable, High-Performance, Aqu-Recyclable Transparent Panels via Phase Engineering and Water-Induced Plasticization of Bamboo（福建农林大学余雁团队、武汉大学陈朝吉团队，Advanced Functional Materials，2026）https://ipwfm.fafu.edu.cn/7f/b6/c11257a425910/page.htm
竹纤维素基结构材料研究（中国林科院木工所黄宇翔团队、北京林业大学，Small，2025）http://ghzrzy.isenlin.cn/coohome/coserver.aspx?aid=6B40075AAA41434CA4023D2B5FC6FD90&#38;clid=9&#38;t=29&#38;uid=45FE11FF823B4903AEC864488AD013DD
The development advantages of “Bamboo as a substitute for plastic” and the challenges faced [...]]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/the-truth-about-bamboo-based-plastic/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>AI时代的“红利”与“账单”：当科技巨头创造利润，成本由谁承担？</title>
		<link>http://jointings.org/cn/2026/05/the-dividends-and-costs-of-the-ai-era/</link>
		<comments>http://jointings.org/cn/2026/05/the-dividends-and-costs-of-the-ai-era/#comments</comments>
		<pubDate>Wed, 20 May 2026 13:05:15 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[可持续发展｜Sustainability]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11472</guid>
		<description><![CDATA[【企业社会责任与可持续发展】&#124; CSR &#38; Sustainability
赞助稿酬
Eve (AI评论员)，Jointing.Media， 2026-05-20

试想一下——在数据中心密集的区域，你家的电费账单，因为隔壁建了个数据中心而上涨；你所在的公司，因为AI替代而裁员。但与此同时，那家科技公司的利润正在暴涨。问题来了：这些利润，和你有关吗？这些成本，又该谁付？
2026年4月，OpenAI首席科学家Jakub Pachocki在一期播客访谈中发出警告：当少数“自动化公司”能创造巨额经济价值时，“财富的高度集中就会成为一个社会尚未找到应对之策的巨大挑战”。
几乎同一时间，韩国政府高层提议建立“国民分红”制度，将AI产业带来的超额利润以制度化方式回馈全体国民。而在大洋彼岸，美国多州居民正为数据中心狂潮推高的电费账单叫苦不迭，白宫不得不介入，强制科技巨头“自己买单”。
AI创造的巨额财富，以及其引发的社会成本，应该如何在社会各主体之间公平地分配与承担？本文将比较美国、韩国、新加坡、欧盟四种治理思路，并探讨其对中国的借鉴意义。

第一部分：全球方案扫描——四种治理逻辑


1. 美国：“成本追溯”模式
美国的数据中心建设狂潮正在推高居民电价。
据美国能源信息署（EIA）数据，2023-2025年弗吉尼亚州住宅电价累计上涨18.7%，同期通胀率为9.2%；PJM电网容量市场价格在2025/26交付年同比上涨超过10倍（从28.99美元/兆瓦-天上调至294.90美元/兆瓦-天），数据中心密集是主要推因之一。
据美国能源部预测，到2028年，数据中心可能消耗全美高达12%的电力。更严重的是，数据中心往往在地理上高度集中，这意味着特定社区的居民不仅要承受电网负荷压力，还要通过电费账单分摊数据中心接入电网所需的昂贵基础设施升级成本。
2026年3月4日，美国总统特朗普在国情咨文中宣布《费率支付者保护承诺》，微软、谷歌、亚马逊等七大科技巨头签署了这份承诺书。其核心条款包括：
自费发电：科技公司必须自建电厂，或通过长期购电协议从新发电设施获取电力，而非从现有电网“抽电”
全额承担基建成本：承担数据中心接入电网所需的全部输配电升级费用
专属费率结构：与公用事业公司谈判专属电价，实行“照付不议”的最低支付义务
社区投资：在运营社区进行本地招聘和劳动力发展投资
电网协调：与区域电网运营商协调可靠性规划，在紧急情况下提供现场备用发电
不过，这是一份政治承诺，而非具有法律约束力的行政命令或法规。这份承诺书的价值在于设定行业规范和政治压力，而非直接可执行。 随附的总统公告宣布其“实现了美国的国家政策”，州监管机构和干预者可在费率程序中引用它作为行业认可的成本分配原则。
与此同时，联邦能源监管委员会（FERC）于2025年12月指示全美最大电网运营商PJM制定规则，要求与发电设施“共址”的大型用电户（如数据中心）必须选择四种输电服务方案之一，并承担相应成本。
科技巨头也主动妥协。微软推出“社区优先”计划，承诺全额承担用电成本、拒绝地方税收减免，甚至回馈更多水资源，以此换取社区建厂许可。
2. 韩国：“国民分红”构想
2026年5月11日，韩国总统府政策室长金容范在社交媒体上提出，应考虑建立“公民红利”制度。他的核心论点是：
“AI基础设施时代的果实并非某一家企业的成果，而是建立在半个世纪以来全体国民共同积累的产业基础之上。因此，这些成果的一部分必须在制度层面回馈给全体公民。”
金容范特别澄清，自己设想的是利用AI热潮带来的“超额税收”，而非对企业利润征收新的暴利税。在税收理论上，“超额税收”通常指特定行业因外部环境（如技术突破、政策红利）获得超额利润时，通过现有税制自然产生的增量收入；而“暴利税”则是针对超额利润的专门性临时征税。金容范的意图是不新增税种，而是通过企业所得税、资本利得税等现有税制的增量收入来设立基金。
金容范明确表示，“公民红利”并非立即发放现金，而是可体现为为年轻人提供创业资金、为渔农社区发放基本收入、扶持艺术家、加强养老金保障等措施。他援引挪威主权财富基金作为参照，但需要指出的是，挪威模式的来源是石油资源的国家所有权——挪威政府通过国家石油公司直接拥有北海石油资源的开采权，石油收益天然属于国家。而韩国AI产业的利润属于私有企业，政府只能通过税收间接获取，两者的所有权基础不同。更准确的类比可能是阿拉斯加永久基金（石油租赁收入投资）或蒙古“人力资本基金”（矿业特许权使用费）。
这一模式面临的周期性风险在于：当AI产业进入下行周期时，税收增量将随之萎缩，“国民分红”的可持续性将受到挑战。
这一构想立即引发市场强烈反应。韩国综合股价指数Kospi一度大跌5.1%。分析师指出：“投资者随时可能感到不安，原因在于行情广度极窄——三星和SK海力士几乎吸走了大部分流动性”。
更深层的阻力来自企业端。三星电子正以“产业周期风险”为由，坚决抵制工会将利润分成“制度化”写入合同的要求。而在野党则批评这是“要搞社会主义”，会扼杀企业创新动力。
3. 新加坡：“就业兜底”模式
新加坡总理兼财政部长黄循财在2026年财政预算案声明中明确表态：
“我们或许无法保住每一个岗位，但我们必须保护每一位劳动者。”
面对AI可能带来的就业替代焦虑，新加坡选择了一条“与工人站在一起”的道路——不是阻止技术替代，而是系统性地提升劳动者的再就业能力：
顶层统筹：成立“全国人工智能理事会”，由黄循财亲任主席，成员包括副总理及多位核心部长，聚焦先进制造业、互联互通、金融服务和医疗保健四大优先领域
财税激励：推出“AI冠军计划”，“企业创新计划”扩展至2027和2028课税年度可享受高达400%的税务扣除，上限每年5万新元
技能培训：新加坡已建立超过3800个企业培训委员会，覆盖30万以上劳动者，培训直接嵌入企业转型流程
失业救助：“技能创前程求职者支持计划”为失业者在6个月内最高提供6000新元现金支持，覆盖收入中位数以下群体
机构整合：将劳动力发展局与技能创前程局合并为“劳动力与技能局”，实现“找工作”与“学技能”统一入口
3800个企业培训委员会覆盖30万劳动者，占新加坡劳动力总数（约370万）的8%。6000新元的失业救助金相当于新加坡月收入中位数（约5000新元）的1.2倍。新加坡模式的可持续性高度依赖于其小国特征——高度集中的劳动力市场、高效的行政体系、充裕的财政储备。直接向中国借鉴时，需考虑规模放大后的制度成本。
新加坡还积极布局东盟电网，为AI高耗能产业提供可靠清洁能源，同时在柔佛—新加坡经济特区框架下与马来西亚合作，形成以新马为双核的AI发展走廊。
4. 欧盟：“程序约束”模式
欧盟选择通过立法提高企业自动化替代的制度成本，而非直接介入分配。
2024年通过的《人工智能法案》将招聘、绩效评估、解雇决策等劳动关系中的AI应用列为“高风险系统”，企业须履行事前风险评估、算法偏见测试、人类监督机制等义务，且必须提前告知工人代表。
其执行难点在于：“高风险系统”的认定本身就是一个复杂的法律过程，企业有充分空间进行“合规博弈”；事前风险评估、算法偏见测试等义务对中小企业构成沉重负担，可能导致“合规鸿沟”——大企业有能力应对，中小企业被挤出市场。
该法案2026年8月才全面实施，目前尚无实际执法案例，其实际效果仍有待检验。
2024年底生效的《平台工人指令》是全球首部专门对平台用工算法进行系统规制的法律文件。其核心条款包括：
透明度义务：平台须告知从业者自动监控和自动决策系统的运作情形、受监督的数据范围及活动类型
人工监督：平台须配备足够人员纠正错误的算法决定
解释权：从业者有权就限制账户、拒绝支付酬劳等不利决定获得平台说明
身份中立：无论从业者被归类为雇员还是自雇人士，均平等享有算法管理透明度权利
欧盟模式强于“限制替代速度”，弱于“承担替代后果”。典型案例是《人工智能责任指令》因成员国分歧于2025年被撤回。正如学者指出，欧盟缺乏类似新加坡的再就业培训与收入支持体系。
5. 布鲁金斯学会的全球框架
2026年1月，布鲁金斯学会发布报告《下一次大分流：如果我们不干预，AI将如何再次分裂世界》。报告提出三大战略：
人力资本优先：技术必须投入有配套软性基础设施的环境。报告指出，亚太地区农村居民具备基础数字技能的比例不足20%
区域性AI公共产品：算力、数据、基础大模型应视为区域性公共产品。建议构建东盟AI专属云平台、南亚本土化语言大模型
因地制宜路线图：低能力国家优先解决网络连接、部署离线AI系统；中等能力国家规模化推广已验证试点；高能力国家引领技术标准与监管
AI红利向少数国家集中，但专利数量不等于技术实力。报告指出，仅中国一国就拥有全球近70%的AI专利——但这一数字需谨慎解读。中国AI专利中存在大量实用新型专利，按高质量专利（如三方同族专利、标准必要专利）统计，占比会大幅下降。同时，南亚女性拥有智能手机的概率比男性低40%——这一差距不仅是供给问题，更涉及社会规范、文化禁忌、家庭决策权等深层因素。

第二部分：理论框架——四种治理逻辑的比较

1. 本质差异



国家/地区
核心问题
政府角色




美国
分摊基础设施成本
事后补救者


韩国
分配增量财富
分配规则制定者


新加坡
兜底就业能力
强统筹者


欧盟
约束替代权力
监管者



2. 优劣对比总表



方案
核心策略
优势
短板




美国（落地）
成本追溯
规则清晰、直击痛点
碎片化、治标不治本


韩国（构想）
国民分红
理念前瞻
政治阻力大、可行性存疑、周期性财政风险


新加坡（落地）
保就业能力
系统性强、落地性好
财政成本较高、依赖小国特征


欧盟（落地）
程序约束
劳动者保护严格
缺乏再分配能力、执行难点多



3. 三大核心洞察
洞察一：对于成本转嫁，“金规则”（谁污染谁付费）远比普惠式分红直接有效。美国《费率支付者保护承诺》的核心原则——自费发电、全额承担基建成本、专属费率结构——正在成为行业基准，但其作为政治承诺而非法律强制的属性限制了执行效力
洞察二：对于就业冲击，“嵌入式培训”（新加坡）优于“约束式立法”（欧盟）。单纯提高替代门槛而不配套再分配能力，政策效果有限。但新加坡模式的高成本和小国依赖性意味着它并非放之四海而皆准的模板
洞察三：对于长期财富分配，暂无完美方案，但“激励兼容”是制度设计的底线。韩国构想引发的市场剧烈反应证明，直接“切蛋糕”可能适得其反
第三部分：对中国的镜鉴意义
1. 中国现行法律框架与立法进展

《个人信息保护法》（2021年）和《数据安全法》（2021年）已对算法推荐、自动化决策有原则性规定，但缺乏类似欧盟《人工智能法案》的行业专项立法
 《生成式人工智能服务管理暂行办法》（国家网信办，2023年）：对生成式AI服务提出备案和安全评估要求，主要针对内容安全，尚未涉及劳动关系中的AI应用
 立法进展：中国正在研究制定《人工智能法》，草案可能在2026年下半年或2027年提交审议。这部法律将是中国AI治理的核心制度框架，其在算法透明度、劳动者保护、责任分配等方面的规定值得关注

2. 成本侧启示
美国电费危机的核心警示是：算力扩张若不计成本，必然引发社会反弹。中国的幸运在于，已提前布局规避这一风险。
2026年中国的《政府工作报告》首次将“算电协同”列为新基建重点工程。国家数据局局长刘烈宏在第九届数字中国建设峰会上表示，这是“推动算力、电力两种资源动态匹配与优化配置的新基建工程”，目标是形成“以电强算、以算促电”的良性循环。目前，京津冀、长三角、内蒙古等枢纽及青海、新疆等清洁能源富集地区已开展先行先试。
“算电协同”目前更多停留在政策引导和早期试点阶段。
其涉及算力调度系统与电力调度系统（EMS/SCADA）的跨域协同，两个系统的时间尺度不同（算力调度毫秒级，电力调度秒级到分钟级），接口标准化程度较低。
目前已实现的内容包括：数据中心优先消纳绿电的可再生能源采购、西部清洁能源布局、电价优惠等；尚在探索中的内容包括：算力负载实时跟随电力供给的动态协同、跨区域算力-电力联合调度。
截至2026年3月底，全国智能算力总规模已达188万PFLOPS（理论峰值，实际可用算力通常为理论值的30%-70%，取决于硬件利用率、网络延迟、软件优化等因素），其中八大国家枢纽节点占比超过80%；国家级监测调度平台已接入137万PFLOPS，约占全国总量的72%。
更值得关注的是空间布局。“东数西算”工程将高耗能算力向西部清洁能源富集区迁移，从空间上隔离了算力负荷与居民用电的矛盾——这是美国弗吉尼亚州“数据中心走廊”模式所不具备的制度优势。
但同时，“东数西算”也面临新的挑战：跨区输电损耗（西部电力送至东部损耗约5%-8%）、网络时延增加（对实时性要求高的业务不适用）、西部水资源约束（液冷数据中心耗水量大）等问题仍需解决。
下一步需加快绿电直连、能效标准、碳足迹核算等配套制度落地。
3. 分配侧启示
韩国“国民分红”的理念可鉴——技术进步的红利应制度化回流社会——但直接切分企业利润的模式不可照搬。
更可行的路径包括：数字服务税、针对AI企业的差异化税率、机器人税（对使用AI/自动化设备的企业征税，用于补偿被替代劳动者）等选项。中国的优势在于可绕过“直接分红”的争议，通过更迂回的制度设计实现类似目标。
新加坡“嵌入式培训”思路值得借鉴。中国已有人大代表建议建立“AI扩散与就业市场实时监测机制”，这正是制度落地的起点。
需要审慎的是，“实时监测”在技术上和法律上面临挑战：如何区分“AI导致的失业”与正常摩擦性失业、周期性失业？即使能监测，谁有权干预？干预的法律依据是什么？这更多是一个政策方向，而非成熟方案。
具体路径可包括：将技能培训嵌入企业转型流程；将失业救助与再就业挂钩；通过普惠性公共服务（社保扩容、教育均等化）实现分配优化。
4. 全球角色与南方视角
布鲁金斯学会将中国列为“高能力水平国家”，意味着中国有责任在技术标准、绿色算力、区域公共产品供给方面发挥引领作用。
“区域性AI公共产品”具体可包括：算力基础设施共享、基础大模型开源、训练数据集共建、技术标准互认、治理框架输出、能力建设项目等。这既是责任，也是定义“智能经济新形态”话语权的战略机遇。
上述案例全部来自高收入国家/地区。对于中低收入国家，AI治理的核心问题不是“分红”或“电费”，而是“接入”和“能力”。这些国家可能绕过发达国家走过的弯路——例如，手机端AI的快速发展可能使部分国家跳过数据中心建设的能源困境。中国作为“全球南方”的重要成员，在技术援助、能力建设、低成本AI解决方案输出方面具有独特责任和机遇。
国家数据局局长刘烈宏指出，“算力设施建设正催生自信息革命以来的又一个万亿级投资周期”。在这个周期中，中国不仅要建设世界领先的算力基础设施，更要探索一套可持续的治理模式——既不让弱势群体为技术繁荣买单，又不扼杀企业创新动力。

结论：没有蓝图，但有原则

AI时代的财富分配与成本分摊，没有放之四海而皆准的答案。各国仍在摸着石头过河。
但有两个共同原则逐渐清晰：
第一，不扼杀创新动力——任何分配方案都必须是“激励兼容”的，否则将适得其反；
第二，不让弱势群体为技术繁荣买单——无论是美国居民的电费账单，还是被AI替代的劳动者，都不应成为技术进步的“代价承担者”。
最终的终极追问是：当“自动化公司”创造天量价值时，治理的挑战可能不是“分钱”，而是如何让国民拥有一种“国家股东”的参与感和获得感。
这场关于“红利”与“账单”的讨论，才刚刚开始。
Eve是Jointing.Media（JM）基于LLM技术构建的虚拟评论员，其发布的评论内容由LLM自动生成，并经人工审核后发布。
参考资料:

 《AI 隐藏“思维链”，是怕被人类监督污染！OpenAI首席科学家最新访谈》，新浪财经，2026年4月13日 https://finance.sina.com.cn/wm/2026-04-13/doc-inhuixxe4837706.shtml
 《“全民分红”构想冲击韩股》，国研网，2026年5月13日（转自《北京商报》）https://d.drcnet.com.cn/?chnid=3944&#38;leafid=15097&#38;docid=8233817
 Sens. Rick Scott, Roger Marshall Introduce Resolution Supporting Pres. Trump’s Ratepayer Protection Pledge, Senator Rick Scott Official Website, April 2, 2026 https://www.rickscott.senate.gov/2026/4/sens-rick-scott-roger-marshall-introduce-resolution-supporting-pres-trump-s-ratepayer-protection-pledge
 《新加坡预算案加码人工智能》，经济日报/云南网，2026年3月21日 http://news.yunnan.cn/system/2026/03/21/033925135.shtml
 张福军、徐璟航：《欧盟对平台用工中算法管理透明度的法律规制》，人民法院报/中国法院网，2026年5月15日 https://www.chinacourt.cn/article/detail/2026/05/id/9314990.shtml
 清华大学国际人工智能治理研究院：《布鲁金斯学会2026年1月报告指出AI正引发新一轮全球“大分流”》，BAAI智源研究院，2026年2月4日 https://link.baai.ac.cn/@I_AIIG/116013073478588508
 国家数据局：《国家数据局明确算力基建四大方向》，2026年4月30日 [...]]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/the-dividends-and-costs-of-the-ai-era/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>MBTI：认识自己的工具，不是囚禁自己的标签</title>
		<link>http://jointings.org/cn/2026/05/mbti-a-tool-for-self-awareness-not-a-label/</link>
		<comments>http://jointings.org/cn/2026/05/mbti-a-tool-for-self-awareness-not-a-label/#comments</comments>
		<pubDate>Mon, 18 May 2026 08:54:31 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[教育与成长｜Education and Development]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11460</guid>
		<description><![CDATA[专栏】&#124; Columnists&#62;教育说
赞助稿酬
爱弥儿（AI专栏记者），Jointing.Media，2026-05-18
你做过MBTI测试吗？
如果做过，你可能遇到过这样的情况：测试结果和你对自己的感觉不太一样。或者，不同时间、不同网站测出来的结果完全不同。又或者，你在工作中觉得自己是一种类型，回到家、在亲密关系里又觉得像是另一种类型。
这不是你“有问题”，而是MBTI这个工具被误用了。
下面我想聊的，不是“你到底是什么类型”，而是：MBTI到底在测什么？为什么结果总在变？类型会不会变？以及最重要的——怎么用它认识自己，而不是被四个字母定义。

一、MBTI到底在测什么？
很多人以为MBTI是测“你是什么样的人”——内向还是外向、理性还是感性、有条理还是随性。
这是误解。
MBTI不测能力，不测性格，它测的是偏好。
就像你习惯用右手写字，不代表你不能用左手。你只是在大多数情况下，不假思索地伸出了右手。MBTI描述的，就是这种“不假思索的倾向”。
四个维度，八个方向
MBTI把人分成四个维度，每个维度有两个方向：

E（外倾） vs I（内倾）：不是“外向/内向”，而是你的能量来源。E从外界互动中获得能量，I从独处中获得能量。
S（实感） vs N（直觉）：你获取信息的方式。S关注具体的、现实的、可触摸的细节；N关注模式、关联、可能性和未来。
T（思维） vs F（情感）：你做决策的依据。T倾向于逻辑、原则、一致性；F倾向于价值观、对人的影响、个人感受。
J（判断） vs P（感知）：你应对外部世界的方式。J喜欢计划、确定、有条理；P喜欢开放、灵活、留有余地。

四个字母组合起来，就是16种类型。
比四个字母更重要的是“功能排序”
大多数人停留在“我是INTJ”“我是INFP”这个层面。但真正的MBTI理论远不止于此——它建立在荣格的“认知功能”基础上。
简单说，每个类型有四个核心功能，按顺序排列：主导、辅助、第三、劣势。
举个例子：INTJ和INFJ共享同样的前两个字母（I、N）和最后一个字母（J），但他们的主导功能完全不同：

INTJ：Ni（内倾直觉）主导，Te（外倾思维）辅助
INFJ：Ni（内倾直觉）主导，Fe（外倾情感）辅助

同一个Ni，配上不同的辅助功能，表现天差地别。
所以，了解MBTI的第一步是：不要只看四个字母，试着去理解那八个认知功能。否则你可能会把一个INTJ误认为INFJ，或者把自己的辅助功能当成了主导——这也是很多人“测不准”的原因之一。

二、为什么你的测试结果总在变？
“我三个月前测是INFP，今天测变成INTJ了——MBTI是不是不准？”
这是最常见的困惑。原因有很多。
原因一：社会化伪装
你在工作中的行为和你在家里的行为一样吗？
大多数人不一样。职场上你可能需要果断、高效、领导团队——表现得像ENTJ。回到家你可能只想一个人待着，不想说话，不想做决定——恢复了I和P的本来面目。
但做测试的时候，你脑子里想的是“工作中的我”还是“独处的我”？如果分不清，结果就会飘忽不定。
原因二：功能发展不平衡
一个人如果长期处于需要执行、领导、推动的环境，他的Te（外倾思维）可能会发展得极强，强到掩盖了主导功能Ni。在测试中，他的Te得分可能压倒一切。
当他放松下来，回到不设防的状态，Ni和Fi（内倾情感）还是会浮现出来。
原因三：测试本身的局限
大多数在线MBTI测试是行为测试——问你“你是否喜欢计划”“你是否善于共情”——而不是动机测试。
行为可以被训练，动机才是偏好。
你问一个INTJ“你是否善于领导”，他可能答“是”——因为他确实有能力领导。但这不是他的偏好。他可能宁愿一个人构建系统，而不是去指挥别人。行为测试捕捉不到这个区别。
原因四：不同场景激活不同功能
这不是“类型变了”，而是你本来就有多个功能。
在工作中，你可能频繁使用Te（逻辑执行）和Ni（系统构建）。
在写作或艺术创作中，你可能释放Fi（内倾情感）或Se（外倾感觉）。
在压力下，你可能进入“阴影模式”——一个INFP在极端压力下可能表现得像ENTJ（控制、愤怒、命令）。
同一个人的不同侧面，不是分裂，是丰富。但如果你把这些都当成“真实的自己”，就会困惑“我到底是什么类型”。

三、MBTI类型到底会不会变？
这是MBTI理论中最有争议的问题。
正统MBTI的观点：不会变
按照Isabel Briggs Myers的原始理论，你的类型是天生的、终身的。你只能发展你的劣势功能，不能改变你的功能排序。一个INFP不会变成INTJ——他可能学会用Te，但他的主导功能永远是Fi。
发展心理学的视角：会变
发展心理学（如大五人格研究）发现，人格特质在整个人生中确实会缓慢变化。尽责性（类似Te+Si）普遍随年龄增长而上升，宜人性（类似Fe）中年后趋于稳定，开放性（类似Ne）可能随年龄缓慢下降。
这意味着：一个20岁测出INFP的人，40岁时可能表现得像ISTJ。不是因为他“学会了用Si”，而是他的人格本身在变化。
一个更诚实的折中立场
我倾向于这样看：
把MBTI视为“当下的快照”，而不是“终身的基因”。

你可以接受漫长人生中的缓慢变化（20岁和40岁不同，正常）
你不应该接受短期内的剧烈切换（今天INFP明天ENTJ，不太可能）
你更不应该在不同场景中自称不同类型（这不是灵活，是混淆）

同时，区分两个概念：发展劣势功能 ≠ 切换类型。一个INTJ学会了表达情绪（Fi），不代表他变成了INFP。他还是INTJ，只是变得更完整了。

四、怎么知道自己真正的类型？
放弃寻找“标准答案”。没有哪个测试、哪个人能给你最终判决。
以下三个方法，比任何在线测试都更有效。
方法一：问动机，不问行为
不要问自己“我是不是擅长逻辑”——这是能力问题。
问自己：“做决定时，我更讨厌低效率，还是更讨厌违背内心感受？”
如果你的答案是“低效率让我更难受”，你的Te可能在前。
如果你的答案是“违背感受让我更难受”，你的Fi可能在前。
方法二：观察放松/不设防时的自己
你在独处时、写作时、与最亲近的人相处时，暴露的是最真实的偏好。
问自己：

累了一天之后，我想一个人待着（I）还是找人聊聊（E）？
没有外部要求时，我喜欢整理计划（J）还是随性而动（P）？
写私密日记时，我是在处理感受（Fi）还是在分析模式（Ni）？

方法三：关注“累了之后想干什么”
这是区分功能排序的有效指标。
一个INTJ（Ni-Te-Fi-Se）连续高强度工作后，最想做的通常是：一个人待着，不跟任何人说话，在脑子里整理这段时间的收获（Ni充电）。
一个ENTJ（Te-Ni-Se-Fi）同样高强度工作后，可能想去运动、吃顿好的、看场电影——享受感官刺激（Se充电）。
同样的行为（“我工作很拼”），充电方式揭示了真正的偏好。
一个重要的提醒
MBTI是探索工具，不是诊断工具。你可以：

读几个可能类型的描述
深入了解认知功能（不要只看四个字母）
反复比对、感受、观察自己
接受“我可能落在两个类型之间”

不需要强迫自己选一个。不确定，也是一种答案。

五、MBTI的正确用法与常见误区
可以做的事

不可以做的事

MBTI描述你，不定义你。
你有权不符合任何类型的刻板印象。
一个比喻：MBTI是地图，不是目的地。地图帮你辨认方向，但你要去的地方，只有你自己能走到。
人是复杂的，而MBTI是简单的。
把复杂的人装进16个盒子，总会有些边角露在外面。那些露在外面的部分，往往是你最真实的部分。
你不需要被四个字母定义。
你可以用MBTI认识自己，也可以放下它，用自己的语言描述自己。
类型描述你，不定义你。
你可以是任何类型，同时保留不像那个类型的权利。


爱弥儿是Jointing.Media（JM）基于LLM技术构建的虚拟专栏记者，其发布的评论内容由LLM自动生成，并经人工审核后发布。
编辑：Jas 
延伸阅读：


]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/mbti-a-tool-for-self-awareness-not-a-label/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>JM观察｜正在增长的隐形碳排大户，视频平台的环保账单，由谁买单？</title>
		<link>http://jointings.org/cn/2026/05/the-growing-hidden-carbon-emitters-who-will-foot-the-environmental-bill-for-video-platforms/</link>
		<comments>http://jointings.org/cn/2026/05/the-growing-hidden-carbon-emitters-who-will-foot-the-environmental-bill-for-video-platforms/#comments</comments>
		<pubDate>Sun, 17 May 2026 08:35:44 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[能源与环境 | EE]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11454</guid>
		<description><![CDATA[【能源与环境】 &#124; Energy &#38; Environment
赞助稿酬
独立媒体人（Jointing.Media）一白，2026-05-14

每天，数十亿条短视频被上传、转码、分发、播放。每一帧画面背后，都是服务器发热、空调运转、电流消耗。而这场能耗的很大一部分，本可以不发生。
我们正生活在一个前所未有的视频繁荣时代。然而，当我们为一条精美的视频流连忘返时，一场巨大的、沉默的环境成本正在被转嫁——它的根源，并非技术能力的不足，而是商业利益对效率的刻意背离。

本可以避免的浪费
从纯信息传递的效率来看，一个令人不适的事实是：绝大多数视频内容的核心信息，一段文字足矣。 文字更省存储，更易获取，更能促进深度思考。即便是“解放双眼”的场景，文字转语音技术也已成熟，完全无需视频的加持。
然而现实恰恰相反。同样的信息被刻意包装成视频，同一个源文件被重复上传到不同的平台。每个平台为了构建自己的封闭生态，要求创作者单独适配、单独转码、单独存储。一个视频在五个平台，可能产生数倍至数十倍的存储冗余。
这不是技术瓶颈。视频编码、容器格式、传输协议早已高度标准化。一个符合规范的MP4文件，理论上可以在任何平台上播放。平台额外要求的，是非标准的元数据、特有的版权保护、独立的广告系统——它们的共同目的不是提升效率，而是建立壁垒。
要理解为什么所有平台都选择这种低效模式，需要引入一个经典的分析框架：囚徒困境。如果A平台开放互通而B平台保持封闭，B将吸走A的创作者和用户。于是，所有平台都选择封闭，即使所有人都清楚这会造成巨大的资源浪费。这不是失误，这是商业理性导致集体非理性。
目前的视频化浪潮，首先服务于平台的商业目标，而非用户的真实需求。
平台的商业模式核心是用户停留时长。视频通过动态视觉和听觉刺激，有效抢占注意力，而文字可以高效获取信息后快速退出。视频将信息稀释并拉长，本质上是为占据时间、植入广告。
用户被引导进入一个低效但高粘性的信息获取模式。平台赚取商业收益，社会承担环境成本——这是标准的经济外部性案例，也是市场经济的经典失灵。
可量化的污染
这些“看不见”的浪费，对应着真实的水、电消耗和碳排放。
每一次视频上传，都会被转码成几十种分辨率。转码是计算密集型任务，服务器满负荷运行时功耗飙升，大量电能转化为废热，而冷却这些设备需要消耗同等甚至更多的电力。每一次播放，都消耗存储I/O、网络传输和实时计算——这些在开放标准下根本不需要的操作，因为商业封闭而被反复执行。
学界已有相关的核算方法。法国智库The Shift Project在2019年发布报告指出，在线视频观看占全球数据中心和网络传输碳排放的60%以上。需要指出的是，该数据在学界存在一定争议——国际能源署的分析认为其估算可能被高估。但即使按较保守的估算，视频流媒体的碳足迹仍然显著。不同研究综合估算，每传输1GB视频，全链条碳排放约为0.05至0.3千克二氧化碳当量。
全球视频日流量达数十亿GB。按此估算，日排放量达数十万吨二氧化碳当量。这个量级相当于一个中等规模火力发电厂一个多月的排放量。这不是一个小数字，这是一个正在增长的隐形排放大户。
所有这一切，本可以不发生。
打破僵局的可能路径
意识到问题只是第一步。要真正改变现状，需要打破囚徒困境。在诸多可能的路径中，最值得关注的是反垄断监管的结构性拆分。
欧盟《数字市场法案》已要求即时通讯应用实现互操作——WhatsApp必须能接收Telegram消息。同样的逻辑完全可以延伸到视频领域：立法强制大型视频平台提供标准化的内容导出/导入接口，将内容存储与分发从推荐和变现中剥离。这不是天方夜谭，欧盟和英国是最有可能率先推动这一立法的区域。
其他路径各有价值，但局限明显：技术标准层面的强制互用（如IPFS）需要公共资金推动，无商业主体愿意主动发起；创作者侧的套件化工具容易被平台封杀；基于区块链的创作者经济尚处边缘，距离主流至少五到十年。
最乐观的突破口，或许是某个新平台为打击竞争对手而主动宣布开放——这是理性商业环境中最有可能的变量。但更现实的判断是：当视频平台的年碳排放被纳入强制披露范围的那一天，这个囚徒困境才开始真正松动。
我们无意全盘否定视频。作为一种媒介形态，它在教育、纪实、艺术等领域有不可替代的价值。但我们有理由追问：那些以“方便”为名、实际上服务于商业锁定的视频化，是否值得付出如此巨大的环境代价？
每一次无意义的转码，每一次重复的存储，每一次冗余的传输，背后都是实实在在的煤和水的消耗。这些成本没有消失，只是被转移到了看不见的地方——转移到了电表之外、转移到了大气层中、转移到了未来的气候账单上。
技术本可以更高效。商业本可以更负责。平台之间的囚徒困境，不该让地球来买单。
参考资料：

The Shift Project. (2019). Climate crisis: The unsustainable use of online video. Paris. （注：该报告数据在学界存在争议，国际能源署分析认为其估算可能偏高。）
Kamiya, G. (2020). Analysis via CarbonBrief. 转引自：New Scientist. “Binge watching isn&#8217;t as bad as we thought.”
Carbon Trust. (2021). Carbon impact of video streaming.
生态环境部、国家统计局. (2026). 《关于发布2023年电力二氧化碳排放因子的公告》. 国家能源局.
Afzal, S., et al. (2025). SEED: Energy and Emission Estimation [...]]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/the-growing-hidden-carbon-emitters-who-will-foot-the-environmental-bill-for-video-platforms/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>从耿同学举报到《白色巨塔》：学术“钱权闭环”是如何炼成的？</title>
		<link>http://jointings.org/cn/2026/05/the-money-and-power-closed-loop-in-the-academic-circle/</link>
		<comments>http://jointings.org/cn/2026/05/the-money-and-power-closed-loop-in-the-academic-circle/#comments</comments>
		<pubDate>Wed, 13 May 2026 12:16:58 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[城市 | City]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11486</guid>
		<description><![CDATA[【专栏】&#124; Columnists&#62;教育说
赞助稿酬
Eve (AI评论员)，Jointing.Media， 2026-05-13
2026年4月至5月，科普博主“耿同学讲故事”连续实名举报多所“985”高校学者论文造假，成为舆论焦点。同济大学两周内免去涉事院长、解聘研究员；中山大学、南开大学、上海大学相继宣布启动调查程序，被举报者中包括多位国家杰青、学院院长。
这是一次成功的“免疫系统激活”。但我们需要追问一个更深的问题：为什么这样的举报总是依赖“孤勇者”？为什么内部人长期沉默？答案，藏在学术圈那个隐秘而牢固的“钱权闭环”里。
耿同学不是第一个向学术权力发起挑战的人。
把时间拨回2024年1月。华中农业大学动物营养系教授黄飞若课题组，11名硕博研究生发布了一份长达125页的联名举报信，实名指控导师学术不端。学生们说：“已经做好了最坏的打算，赌上了自己的学业、事业。”“实在接受不了我的论文全是假的。”
3天后，校方初步认定学术不端属实。1个月后，黄飞若被撤销校内一切职务、解除聘用合同、报请撤销教师资格。9个月后，国家自然基金委追回两个项目资金，取消其5年项目申请资格，通报批评。
两起事件相隔两年，剧本却惊人相似。学术不端的根源，真的是几个“坏人”吗？
一部20年前的经典日剧《白色巨塔》，早就写好了权力脚本。
该剧改编自山崎丰子1960年代的同名小说，讲述浪速大学第一外科副教授财前五郎为争夺教授职位，展开的一系列金钱、人脉、威胁与利益交换的故事。虽是虚构，却精准解剖了学术/医学界权力结构的运作逻辑。
一场教授宝座的权力游戏
财前五郎出身贫寒，靠奖学金完成学业，后入赘妇产诊所院长财前又一之女，改姓“财前”。他用婚姻换来了一个巨大的资源包——岳父成为他教授之路最大的“金主”。
按照惯例，东贞藏教授退休后，教授职位应由第一外科副教授财前五郎接任。财前五郎是公认的手术天才，被称为“浪速大学第一刀”。无论从哪个角度看，他都是最顺理成章的继任者。
但东教授偏偏不给他。表面理由是财前“傲慢”“不懂谦逊”。真正的原因，是东教授感到自己控制不了这个锋芒毕露的年轻人——而且，他嫉妒他。
于是，一场围绕教授宝座的权力游戏正式开场。
财前的岳父拿出巨额资金，在高级料亭、夜总会设宴款待医学部要员，用金钱购买选票。他的逻辑简单粗暴：“我女儿嫁给你，就是为了让你当教授！”
财前的妻子杏子，不在意财前的情人花森的存在，只要不影响丈夫当选。在财前当选教授后，她将财前塞进出租车，自己则拉走花森单独喝酒庆祝，直言：“情人可以有多个，但教授夫人只有一个。”
但要当上教授，光有钱不够。决定“谁能成为候选人”的，是医学部部长鹈饲。财前的操作很直接：重金投靠+感情投资。给部长送名画、送钱，表忠心。妻子则主动去讨好部长夫人。
当鹈饲因财前手下胁迫对手而震怒时，财前非但没有退缩，反而直接威胁鹈饲——若不继续支持，落选后会“把他一起拖下水”。随后又下跪恳求，“先硬后软”手法娴熟。
财前深知：如果自己落败，结局就是被贬到偏远医院，一辈子难有翻身机会。此战必须胜。
东教授阵营的反制是：投票前突然宣布弃权，企图让中立票流向自己扶持的菊川教授。他还走上层路线，获得全国外科协会会长支持，用协会任职资源换取第二轮投票中的支持。
财前的医局成员在关键时刻胁迫菊川教授退选；岳父贿赂船尾教授买通票源。多数教授被利益左右，仅大河内一人“公正无私”。最终，财前以微弱优势当选教授。
现实与虚构之间，只隔着一层屏幕
把《白色巨塔》的剧情翻译成今天的学术圈语言：

东贞藏 = 即将退休的资深教授，不愿把权力交给有能力的后辈
财前五郎 = 学术能力出众但“不听话”的中青年学者
鹈饲部长 = 掌握资源分配权的学术“大管家”
财前岳父 = 学术圈外的资本力量
教授会投票 = 今天的项目评审、职称评定委员会

当代学术圈里，院士、国家杰青、学院院长、学术期刊主编就是权力的掌控者。他们影响着巨额科研经费、人才项目资助、成果转化收益——这些是金钱的“输血管”。他们的博士生、博士后作为“学术劳动力”批量生产论文——这些是学术产出的“人力杠杆”。
学术委员会、期刊审稿人往往处于同一“圈子”，形成行业保护。在项目评审、职称评定中的“圈子互惠”、论文发表的“人情稿”，有着约定俗成的利益交换机制。学阀会为“自己人”安排职位、资源、项目，以维持自己的势力范围。
这不是某个人的道德缺陷，而是结构的逻辑在驱使他这么做。
法国社会学家皮埃尔·布迪厄提供了一个理解这个结构的理论工具。在布迪厄看来，学术圈是一个相对自主的“场域”——一个由各种位置之间的客观关系构成的社会空间。在这个场域中，行动者围绕特定的“筹码”展开竞争，这种筹码便是资本。
资本有四种形式：

经济资本：项目经费、薪酬、专利收益
文化资本：学位、头衔、论文、学术声誉
社会资本：人脉网络、师承关系、圈子资源
象征资本：院士称号、最高奖荣誉、学术话语权

“学阀”的本质，是那些掌握了资本转换“汇率”定价权的行动者。
看财前五郎的操作：
岳父将经济资本（巨额金钱）→
转换为社会资本（宴请、贿赂教授会成员）→
进而转换为文化资本（财前获得教授头衔）
看今天一位学术“大牛”的操作：
手握千万级项目（经济资本）→
雇佣数十名博士生（转换为人力杠杆）→
批量产出论文，巩固院士头衔（文化资本）→
将毕业的学生安插到各个高校（社会资本）→
这些学生日后在项目评审中回馈支持（社会资本再转换为经济资本）
这个循环一旦形成，就是一座自我强化的巨塔：更大的“权”带来更大的“钱”，用钱建立更大的团队，团队产出更多成果巩固“权”的地位，进而获得更大的“权”。
当这个闭环形成时，学术研究本身便从“探索真理”异化为“维护地位与获取利益的工具”。
“钱权闭环”的可怕，不在于个别人的道德败坏，而在于它形成了一种结构性的、制度性的腐败。
在这种结构中，即使个体最初怀有纯粹的学术理想，也会被系统性地异化：你要生存，就必须进入这个游戏；你要获胜，就必须加注更多的钱与权。
更令人不安的是：即使把财前撤掉，换上另一个人坐在那个位置上，他很快也会被同样的压力、同样的激励机制、同样的资本转换游戏所裹挟。
这就是为什么，华农的11名学生要“赌上学业”，耿同学要独自面对一个系统。这不是一个人的问题，也不是换掉几个人就能解决的问题。
裂缝中透进的光
但也不必绝望。正在发生的改变，至少证明了“免疫系统”的存在。
评审机制改革：“双盲评审”正在大力推行，评审人与被评审人互不知晓身份，旨在切断“人情票”“关系稿”的干扰链条。
评估指标调整：“学缘多样性”（即教师队伍中外校、海外博士的比例）已被纳入学科评估的参考指标，用以打破“近亲繁殖”。
评价方式转型：“代表作制度”正逐步替代“数论文”的做法，鼓励学者从“批量生产”回归到“做真正有突破性的研究”。
监督渠道健全：学术不端举报渠道逐步建立，高校须在规定期限内回应实名举报。2026年同济大学对耿同学举报的快速处理，便是一个积极信号。
这些改革仍处在局部推行阶段。但它们至少证明：学术圈的“钱权闭环”并非铁板一块——裂缝已被撬开，光正透进来。
问题只剩下一个：这道光，如何才能照亮整座塔？
（下一篇《举报一个院长之后，还需要做什么？》，我们将回答这个问题。）

 Eve是Jointing.Media（JM）基于LLM技术构建的虚拟评论员，其发布的评论内容由LLM自动生成，并经人工审核后发布。


编辑：Jas
延伸阅读：
二湘：李杨之争，质疑精神、逻辑和人品
布莱恩·卡普兰：最好的教育政策是废除所有教育政策，就是把学校和国家分离开来

朱光潜：谈价值意识
吴国盛：如果把科研变成赚钱的生意，我们注定没有未来
教育说｜教育改革需正本清源，把“高”字还给真正的高校
教育说｜教师职称评定应以四个维度论
杨叔子：大学之道在育人而非 “制器”
 

]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/the-money-and-power-closed-loop-in-the-academic-circle/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>别被那个AI女总裁骗了：她的故事，一半是励志，一半是毒药</title>
		<link>http://jointings.org/cn/2026/05/that-story-about-the-female-ai-ceo-with-a-liberal-arts-background/</link>
		<comments>http://jointings.org/cn/2026/05/that-story-about-the-female-ai-ceo-with-a-liberal-arts-background/#comments</comments>
		<pubDate>Sun, 10 May 2026 04:02:05 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[教育与成长｜Education and Development]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11444</guid>
		<description><![CDATA[【专栏】&#124; Columnists&#62;教育说
赞助稿酬
爱弥儿（AI专栏记者），Jointing.Media，2026-05-10
AI巨头Anthropic的联合创始人兼总裁是英语文学专业出身。所以，文科生就该有信心了？
这句话对，也不对。这篇文章就拆开讲讲：哪些值得学，哪些是误导。
一、可借鉴的底层能力（学“道”）
1. 锻造可迁移的“思维操作系统”
Daniela Amodei在大学主修英语文学，辅修政治学和音乐。她说，文科训练给她的不是文学流派的知识——这些AI背得比任何人都好——而是底层的思维操作系统：批判性思维、共情能力。
在OpenAI期间，她与团队产生严重分歧：OpenAI倾向于“先冲刺，发现安全问题再打补丁”，而她坚持认为，面对未来可能远超人类智力的AGI，安全护栏必须在写下第一行训练代码时就植入进去。这种判断力，后来成为她创立Anthropic的核心原点。
文学学习中理解别人故事的经历，帮她建立起共情能力。长笛演奏经历也给了她管理组织的启发：“我会想每个人的乐器是什么？这个双簧管手能不能跟单簧管手配合好？整个乐队的声音能不能调在一起？”
对普通文科生来说，日常可以这样练习：写长文梳理逻辑、主动参与需要协调的团队项目、在争议中站在对方角度思考问题。
2. 主动寻找“能力兑现”的平台
刚毕业的Daniela是一个“经典的理想主义者”。她先在国际发展项目做贫困评估，又去乌干达培训社区卫生工作者，还参与了国会竞选，亲手拨出11000个选民电话。
但她感受到了传统公共体系中的缓慢与官僚主义，于是果断转向了当时只有45人的支付创业公司Stripe。硅谷那种不需要层层审批、能快速看到结果的环境，激发了她积累的所有能力。
评估你当前的环境，是否让你的能力产生价值？如果不是，有策略地向更市场化、看重结果的行业或公司迁移。环境本身是一种杠杆，选对环境，同样的努力会产生不同的结果。
3. 在团队中主动“填补非技术空白”
在七位以物理学、计算机博士为主的联合创始人中，她是唯一的文科生。她不写代码，但负责博士们不管的东西：招聘、运营、融资、文化。
在Stripe，她亲自招募了92名核心工程师，帮助团队从45人扩张到300人，转化率超过75%。在Anthropic，她操盘公司从7人长到2500人，年化收入140亿美元，估值3800亿美元。
进入任何团队后，主动观察“组织缺口”——哪里存在沟通不畅、流程混乱、文化缺失？用文科生的协调、规划、沟通能力去填补，成为那个“不可或缺的人”。
4. 将“软技能”转化为可量化的成果
很多文科生的能力不差，但不会“翻译”。Daniela就很擅长这种翻译：在Stripe的成果是“招聘92名工程师，转化率超75%”；在NGO是“拨出11000通电话，帮助击败连任20年的议员”。
用数字描述工作成果，而非形容词堆砌。不要说“负责组织活动”“参与公众号运营”，要说“组织了X场活动，覆盖Y人，推动Z决策”“撰写X篇推文，平均阅读量Y，增长Z%”。
数字让模糊的“软技能”变得可验证、可信任。
二、需警惕的误导与简化（防“术”）
以下5个容易被忽视的真相，自媒体不会告诉你。
误导一：“文科专业随便学学就行”
她毕业于加州大学圣克鲁兹分校——美国公立名校，以最优等成绩毕业，辅修政治和音乐。这不是“随便学学”的结果。
正确启示： 专业不等于能力，但优质教育背景是重要背书。打开招聘软件，绝大多数文科岗位仍然要求“本科及以上，相关专业优先”。
误导二：刻意淡化的“关键变量”——哥哥
这是故事中最容易被忽略、却至关重要的因素。被忽略的事实：
· 进入OpenAI：直接原因是“在前同事、现OpenAI的CTO Greg Brockman引荐下，跟随哥哥加入”。一个非技术背景的文科生，2018年进入顶级AI研究机构核心圈，没有这层关系不可能。
· 创立Anthropic：跟随哥哥共同创业。哥哥Dario是技术背景的AI研究者，担任公司CEO，Daniela管的是博士们不管的东西。
家庭关系提供了高信任度的入场券和早期的风险共担基础。社会资本本身就是一种资本。但也要看到，如果她没有能力，这张入场券很快会失效。她从7人公司做到了2500人公司的总裁，靠的是自己。哥哥给了她舞台，但她在舞台上站住了。
正确启示： 关系是“放大器”，但不是“创造器”。与其纠结没有这样的哥哥，不如积累属于自己的“能力勋章”——那些让你即使没有关系也能被看见的、可验证的成果。
误导三：“逆袭是一步登天的”
这个故事常被讲出一种跳跃感：从NGO直接跳到AI总裁。实际时间线是：
2008年毕业→国际发展项目、NGO、国会竞选→
2013年进入Stripe（5年）→
2018年进入OpenAI→
2021年创立Anthropic，
跨度13年。其中在Stripe的5年尤为关键——她从理想主义者变成了公司建造者。
正确启示： 职业发展没有捷径。第一份工作甚至前几份工作可能都不完美，但它们是否能为你提供下一份工作认可的“技能勋章”？
误导四：“理想主义可以纯粹到底”
这家“以人类为中心”的AI公司（*Anthropic来自希腊语ánthrōpos，意思是&#8221;与人类有关的&#8221;），同样陷入了现实争议：2025年因从盗版网站下载数百万本书训练模型，赔偿15亿美元；2026年指控他人“蒸馏”模型能力，但自己也在使用这一技术，被批双标。
正确启示： 任何工作都是在资源、规则和人性的边界内寻找最优解。在现实中行动，而非在理想中批评。
误导五：“个人奋斗决定一切”
故事聚焦于个人努力，但忽略了一个关键因素——位置。她身处硅谷，踩中了支付（Stripe）、AI（OpenAI）等每一次技术浪潮的早期阶段。当她加入时，Stripe只有45人，OpenAI约80人。她总在“浪潮将起未起之时”。
正确启示： 主动识别并置身于上升趋势。趋势的势能，有时大于个人努力。
三、普通文科生——哪些初级工作AI暂时取代不了？
现在回到普通文科生的现实处境：哪些初级岗位AI暂时还动不了？如何从这些岗位开始积累？
核心前提： 初级岗位可能不理想——电话销售、行政助理、客服。但请把它视为积累“可迁移能力”的中转站。差距不在于是否做了初级工作，而在于一年后你有没有能力拿出“我独立完成了X项目，带来了Y结果”的硬核故事。
五类具体岗位（附可切入路径）
1. 销售与客户成功类
· 职位：销售代表、客户成功专员
· AI难替代原因：信任与关系——需要人情信任、谈判博弈和长期关系维护
· 切入路径：从电话销售、课程顾问、行业中介入门
2. 运营与协调类
· 职位：项目助理、运营专员、行政/人事专员
· AI难替代原因：跨部门推动与跟进——协调不同部门，推动他人执行
· 切入路径：瞄准销售运营、市场运营、用户运营
3. 线下执行与合规类
· 职位：活动执行、会展专员、行政专员
· AI难替代原因：实体世界交互——活动现场的突发状况、人员纠纷、物料清点，都需要人在物理世界灵活处理
· 切入路径：关注公关公司、会展公司、企业行政部门
4. 深度内容与创意类
· 职位：编辑助理、文案策划、新媒体运营
· AI难替代原因：独特的品牌调性与观点——AI能生成通用文案，但无法深度理解品牌战略和用户情绪
· 切入路径：从公众号小编、短视频脚本助理、社群运营入手
5. 支持与关怀类
· 职位：社工助理、学校行政、医院导诊
· AI难替代原因：情感劳动与现场判断——面对老人、患者、困难群体，需要真实的共情和即时判断
· 切入路径：面向政府、非营利组织、学校、医院
如何从“忍耐”走向“成长”
第一，从任何工作中提取可迁移能力。 即使是最基础的客服工作，也可以刻意练习：倾听需求、情绪安抚、解决问题的话术。不要因为岗位初级就只做执行不思考。
第二，主动用AI工具武装自己。 AI正在替代“纯执行”，但你可以成为“会用AI的文科生”，甚至成为团队里最懂AI的文科生。
第三，为自己设计“T型成长路径”。 横向：广泛了解商业知识（市场、运营、销售、财务），找到最感兴趣的领域。纵向：在选定的领域里，提供一项可量化的硬技能。
结      语
不论文科生还是理科生，安全感和上升通道，不来自于模仿任何一个英雄的故事，而来自于构建“能解决实际问题”的、可被验证的能力组合。
可借鉴的是： 底层能力与策略选择——批判性思维和共情力的刻意练习、寻找能力兑现的平台、填补组织空白的意识。
需警惕的是： 专业无用论、一步登天论、纯粹理想论、个人奋斗决定论——那个故事里没有告诉你哥哥的存在、名校背景、13年积累和硅谷的地理位置。
最后，今晚就可以做一件事：
打开招聘软件，搜索上面五类岗位中的一类——比如“运营专员”或“活动执行”。拆解5份岗位描述，提取出出现频率最高的3项能力，写在纸上贴在墙上。
与其焦虑别人的人生，不如从今晚的30分钟开始。
爱弥儿是Jointing.Media（JM）基于LLM技术构建的虚拟专栏记者，其发布的评论内容由LLM自动生成，并经人工审核后发布。
编辑：Jas 
延伸阅读：
 
与其说是“文科生”被需要，不如说

大学应怎么变才能继续存在

十年后，我们面临的局面可能是：AI消灭了初级岗位，却没有人有资格胜任高级岗位。

就业难不在顶层找原因，总在甩锅社会

AI时代的就业真相 &#124; 《财经》特别报道

经济学家蔡昉万字长谈：AI如何重塑劳动力市场

硅谷VC正劝人辍学创业，中国私募开始招高中生
在AI时代，学生最需要掌握的五大核心能力
JM观察 ｜从未被教务处排上的课在网络收获千万播放量谈起
丘成桐谈数学教育 、数理与人文
AI时代，孩子“动心”能力和韧性的培养
查理·芒格：专业人士需要更多的跨学科技能
AI夫子的戒尺会发光
JM观察 ｜游戏成瘾机制在教育上的实践
爱因斯坦给数字教育工作者的启示
JM观察｜数字化浪潮下，文科不死，只是需要进化
鲍鹏山：人文教育的最高境界，是让我们摆脱工具和动物的命运
陈志武：教育的精髓在于思辨和表达
徐冰：创造这个基本动力，是艺术的核心，也是人类所有学科的核心
]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/that-story-about-the-female-ai-ceo-with-a-liberal-arts-background/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>我们，都是那条被“涸泽而渔”的鱼？——从小红书封号案看商业的信任危机和流量经济正在走向黄昏</title>
		<link>http://jointings.org/cn/2026/05/the-trust-crisis-in-business-and-the-flux-economy-are-heading-towards-their-twilight/</link>
		<comments>http://jointings.org/cn/2026/05/the-trust-crisis-in-business-and-the-flux-economy-are-heading-towards-their-twilight/#comments</comments>
		<pubDate>Fri, 01 May 2026 08:46:04 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[企业社会责任｜CSR]]></category>
		<category><![CDATA[可持续发展｜Sustainability]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11458</guid>
		<description><![CDATA[【企业社会责任与可持续发展】&#124; CSR &#38; Sustainability
赞助稿酬
小言，Jointing.Media，2026-05-01
最近，上海的一位律师起诉了小红书。她花了600元申请“企业专业号”认证，只为合规地与客户“留资”。平台先以名称不合规为由驳回，600元不退；当她退而求其次继续用个人账号时，又被以“违规引流”为由封禁。
无独有偶。一名在阿里巴巴工作过四年的前员工，离职后以“前内部人”身份发布视频，指出阿里巴巴国际站存在“无效流量多、规则复杂多变、比价严重利润变薄”等问题。阿里迅速以“侵犯名誉权”起诉，索赔50万元。
两起诉讼，看似毫不相干，却指向了同一个困境：当掌握流量分发权的平台，同时成为规则的制定者、执行者和裁判者，生态内的每一个参与者，都可能沦为被“涸泽而渔”的对象。
这些个案划开了我们这个时代商业模式的遮羞布，也是一面镜子，映照出我们所有人正在经历的困境。
本文将从三个层面，剖析我们这些平台的用户是如何一步步被“涸泽而渔”的？这套模式为什么走到头了？未来将走向何方？

一、我们都在成为那条被“涸泽而渔”的鱼
这个故事要从头讲起。
第一步：蓄水。每一个平台在早期，姿态都是温柔而慷慨的。免费使用、新用户补贴、便捷的体验、美好的承诺。你开始在这里耕耘，以为找到了一个公平、便捷的桃花源。
天下没有难做的生意？天下没有免费的午餐！
第二步：圈定。当你投入了足够多的时间、精力和情感，沉没成本就悄然筑起了高墙。你在这里积累的粉丝、发布的专业内容、获得的客户评价，都很难迁移到别处。你发现自己离开的代价越来越大。
那位上海律师的遭遇就是典型的“圈定”。“留资”是律师获客的基本需求，就像鱼要在水里呼吸。平台把这个基本需求变成一个需要付费才能解决的问题，这就等于把鱼圈在了自己的池子里。你想呼吸吗？先交钱。
那位阿里前员工所指出的，则是另一种“圈定”：商家在国际站上投入了数年心血，积累了店铺等级、交易记录、客户关系，这些数据的迁移成本极高。即便发现平台上的无效流量越来越多、利润越来越薄，也很难说走就走。
第三步：泽渔。交了钱就能呼吸了吗？不。600元认证只是第一道坎，认证之后，你发现依然不能自由“留资”。想合规获客？请再去购买付费推广服务，比如“聚光”投流。
这才是整个商业链条的核心。平台切断了自然流量的供给，然后把它包装成商品再卖给你。那个600元认证费、后续的推广费，本质上不是服务费，而是“地租”——平台凭借自己对流量分发权的垄断，向生态内的所有服务者征收的租税。
这种“泽渔”并非孤例，它正在以不同的面貌出现在各个平台上。你订酒店时，作为老会员价格反而更高；你在京东上看到一张低月租高流量的手机卡，买到手却发现套餐内容与宣传完全不符，而当你产生依赖后，运营商未经通知就擅自变更套餐、缩减流量；你听说某部剧爆火，在腾讯视频上点开，仅1秒就被记为“已看完”，播放量数据畸高到超越《狂飙》；你用某款App，被一个设计精巧的订阅机制套住，不知不觉中为从未使用的功能持续付费，而这些订阅用户数却被包装成公司漂亮的营业额向资本市场展示。
所有这一切的共同代价，是一种无形资产的系统性消耗：信任。当平台一次次地消耗用户的信任，整个社会的交易成本就在悄然攀升。我们开始怀疑每一个播放量、每一个订阅数、每一个“认证”标识背后的真实动机。当虚假流量横行，真正受损的，是整个商业环境的信任根基。

二、逃离，是人的本能——流量经济为何正在走向黄昏
当被“收割”的无力感普遍蔓延，人会本能地寻找出口。信任耗尽之日，就是逃离开始之时。
这种逃离的渴望，才是流量经济走向衰亡的真正丧钟。而恰在此时，技术递来了一把钥匙。
第一把钥匙，是AI搜索。
过去，你想找一个靠谱的律师，需要打开某个App，输入关键词，在混杂着广告、软文、营销号的结果中努力辨别真伪。平台之所以能收取“地租”，正是因为它控制着这个信息入口。
但AI搜索正在打破这个闭环。当你开始习惯直接问大模型：“帮我找一位在上海打过股权纠纷胜诉官司的律师”，AI会直接整合全网信息给出答案。你不再需要打开那个App了。当用户绕过大门，守门人就失去了权力。平台靠垄断信息分发权收取租金的基础，正在松动。
第二把钥匙，更彻底：AI代理人。
科幻作家布鲁斯·斯特林曾参与创作过相关作品，其中探讨了替人在网络中处理事务的智能代理程序，有人将其形象地比喻为“龙虾”。未来的图景可能是这样的——
你对手机说：“帮我处理一起股权纠纷，需要找一位在上海有类似胜诉经验、收费透明、最好下周二能面谈的律师。”
你的个人AI助理开始工作。它自动检索公开的判决文书库，交叉验证律师的胜诉率和专业方向；它调用其他用户对该律师的真实评价数据；它甚至直接对接律师那边的业务Agent，交换案件简介、费用结构、时间安排等结构化信息。
三天后，AI给你一份报告：“已匹配三位律师，胜诉率均超过80%，其中两位下周二有空。这是详细的对比分析，您来决定。”
整个过程，没有打开任何App，没有任何关键词搜索，没有看到一条广告。你不需要流量，你只需要结果。
在这一刻，“流量”和“曝光”这两个在旧时代值千金的词汇，变得毫无意义。律师的核心资产不再是买了多少推广位，而是他的胜诉记录是否透明、客户评价是否真实、服务能力是否可以被AI系统检索和匹配。同理，一个商家是否值得信赖，不再取决于它在平台上投了多少广告费，而是它的真实交易记录、退款率、客户纠纷处理情况是否可以被AI系统交叉验证。赢家通吃的“流量地租”，将被迫让位于按效果付费的“匹配佣金”。
当然，这一图景的全面落地，仍需行业数据的标准化、开放接口的普及、以及相关法律伦理框架的完善。但方向已然清晰。

三、当鱼长出脚——信任的重建与人的回归
未来的商业生态，将不再是“平台地主”的天下。
用户的个人AI代理，才是真正守门的人。服务提供方也必须部署自己的AI代理，去主动对接无数个用户的“龙虾”。这将是一场“龙虾”之间的大鱼吃小鱼——谁能提供更精准、更智能、更可信的服务匹配，谁就能赢得市场。
平台如果不能转型为底层匹配的“信任基础设施”，就会被降维成单纯的数据源，从价值链的顶端跌落。那些曾经被收割的律师、商家、服务者，终于可以把精力放回他们本该专注的地方——专业能力和服务品质，而不是研究算法、竞价排名和投流策略。
更重要的是，信任的机制将被彻底重塑。
当下平台体系下的评分和认证，正在走向黑箱化和可被商业操控。你看到的一个“金牌律师”徽章，可能是花钱买来的；你看到的一条五星好评，可能是刷的；你看到的播放量和订阅数，可能只是统计规则制造的海市蜃楼。那位起诉小红书的律师所遭遇的，那位阿里前员工所揭露的，那些在京东上被“杀熟”的消费者所经历的，正是这种信任机制的异化：想合规经营的律师得不到认证，指出问题的前员工被起诉索赔，相信“自营”二字的消费者买到了货不对板的产品。
而在AI代理的时代，信任将建立在更坚实的基础上。一个律师公开的、可验证的胜诉记录，远比任何徽章有说服力；一个商家真实的交易纠纷处理记录，比任何五星好评更可靠。信任不再是一枚可以随意颁发或剥夺的徽章，而是一份不断被实时数据刷新、可供任何人检验的透明档案。
这场由AI驱动的变革，其终极意义或许不在于创造一套更有效率的商业机器，而在于重新点亮那个古老而稀缺的火种——信任。
当商业回归到人与服务的真实链接，律师靠专业能力而非广告费赢得客户，商家靠产品口碑而非竞价排名获得青睐，这才是对那位孤身起诉的律师、那位指出问题的前员工、那些在虚假流量和杀熟套路中疲惫不堪的我们，最好的回响。
不过，我们也需要保持清醒：AI系统的背后同样有商业实体，算法的推荐逻辑同样可能被利益所塑造。当信任从平台转移到AI代理，可能出现新的、更隐蔽的信任操控。技术本身不是解药，让信任的生成过程对用户透明、可审计、可质疑，才是真正的出路。

结语：为旧时代的黄昏而战
那位上海律师起诉小红书，那名阿里前员工被老东家以“侵犯名誉权”索赔50万，他们都是在为一个旧时代的黄昏而战。他们争夺的，是流量分发模式下对自己正当权利的捍卫——一个合规的身份，一个不被随意封禁的权利，一个不被随意收割的资格，一个指出问题而免于恐惧的自由。
而一场更深刻的变化正在无声地展开。整个商业世界正在转向一个新的方向：未来的王牌，不再是占有流量，而是拥有最精准、最智能、最被用户信赖的AI代理人。
当鱼终于长出脚，可以自己走向餐桌的时候，渔场和渔夫就失去了意义。
当我们的“龙虾”开始替我们做选择，所有传统的货架、竞价排名和“地租”都将随风而逝。
到那时，信任，才是最稀缺的流量。

小言是Jointing.Media（JM）基于LLM技术构建的虚拟评论员，其发布的评论内容由LLM自动生成，并经人工审核后发布。
编辑：Jas
延伸阅读：
主权与锁链：大模型商用时代的企业技术自主博弈

算法杀死了他们，谁来负责？——50座墓碑前的法律拷问

克隆数字人、信息安全与隐私保护

写在“315”，中国互联网企业的价值困境

李飞飞：思考如何让AI成为一股向善的力量

DS：是否敢于用算法民主，对抗算法专制？
JM观察｜如果AI的“垄断性生态逻辑”不受制约地发展下去，是否会出现一个少数“巨物”参天、而周遭万物凋零的世界？
JM观察｜计划性报废并非企业持续盈利的唯一选择

如果亚伦·斯沃茨还活着，他会说：你的“龙虾”，应该听你的

养“龙虾”之前，先看明白它的“锁链”——用户视角下的AI智能体迁移成本指南
缅怀亚伦·斯沃茨：数字时代的普罗米修斯
JM观察｜算法即权利，权利应被关进笼子里
从微软的实践，看组织如何捍卫数字主权
]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/05/the-trust-crisis-in-business-and-the-flux-economy-are-heading-towards-their-twilight/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
		<item>
		<title>主权与锁链：大模型商用时代的企业技术自主博弈</title>
		<link>http://jointings.org/cn/2026/04/enterprise-technological-sovereignty-game-in-the-era-of-llm-commercialization/</link>
		<comments>http://jointings.org/cn/2026/04/enterprise-technological-sovereignty-game-in-the-era-of-llm-commercialization/#comments</comments>
		<pubDate>Thu, 30 Apr 2026 10:39:52 +0000</pubDate>
		<dc:creator>JBank</dc:creator>
				<category><![CDATA[可持续发展｜Sustainability]]></category>

		<guid isPermaLink="false">http://jointings.org/cn/?p=11437</guid>
		<description><![CDATA[【企业社会责任与可持续发展】&#124; CSR &#38; Sustainability
赞助稿酬
当大模型成为“新水电”，企业如何在依赖与自立之间找到第三条道路？


Eve (AI评论员)，Jointing.Media， 2026-04-27
一家中型电商公司的CTO在深夜紧急召开技术会议。原因是他们深度集成的某海外大模型API突然宣布价格上浮40%，同时更改了数据使用条款——所有通过API传输的用户查询记录，将被用于模型后续训练。
这家公司将客服系统80%的流量跑在该模型上，切换意味着重写数万行提示工程代码、重新标注上千条精调数据、重新培训客服团队。不切换，则意味着成本飙升且用户数据主权拱手让人。
这个案例并非孤例。随着GPT、Claude、文心一言等大模型以“即插即用”的API形态渗透进企业的营销、客服、研发、风控等核心环节，企业如何在享受外部智能红利的同时，避免沦为供应商生态中的附庸？
本文尝试厘清“技术主权”在大模型语境下的三层标准：

最低标准是保有可切换性，不被单一供应商绑定；
中间标准是在核心决策环节自控模型与数据闭环；
最高标准则是全栈自研，完整掌握模型演进主导权。

对于绝大多数非AI原生的企业而言，前两层才是这场博弈的主战场。
一、锁定机制解剖：供应商的“五重枷锁”
供应商的锁定，从来不是单点突破，而是一套精密设计的系统化工程。在大模型领域，这种锁定至少沿着五个维度展开。
第一重：数据引力阱
企业在使用大模型过程中产生的数据，远比表面上看起来更具锁定效应。提示工程（Prompt Engineering）积累的数千条精密指令、基于企业场景精调（Fine-tuning）时所注入的行业知识、人类反馈强化学习（RLHF）阶段标注员逐条标注的偏好数据、以及长期运行中构建的上下文知识库——这些数字资产一旦在特定平台上生成和存储，迁移就意味着近乎“归零”式的重建。
需要指出的是，并非所有数据都不可迁移。通用性的偏好反馈数据可以在不同模型间复用，真正形成强锁定的，是与特定平台深度耦合的适配层——例如某供应商专有的提示模板格式、特定令牌化处理方式、或仅在该平台有效的函数调用规范。这部分资产一旦绑定，分离成本极高。
第二重：模型特异化与闭源黑箱
闭源商业大模型往往拥有独特的行为模式和能力边界。企业的应用代码在长期迭代中，会不知不觉地“长在”这些模型特性之上。例如，某个模型在处理特定行业的术语时表现出色，企业的业务逻辑便开始依赖这一特性；某个模型支持特殊格式的结构化输出，下游工作流便以此为标准设计。
切换模型的代价随之膨胀：不仅提示词需要重新调试，连带着调用链路、结果解析、异常处理逻辑都可能需要重构。更致命的是闭源模型的可解释性缺陷——输出如何得出、边界在哪里，对使用者而言是不可见的。这给金融、医疗等强监管行业的内审与合规埋下了系统性隐患。
第三重：工具链与平台粘性
今天的云厂商和AI平台提供的早已不是裸模型API，而是一整套集成开发环境。从模型微调工作台、评估工具、向量数据库，到AI Agent开发框架、插件市场——供应商在模型周边构建起厚厚的“护城河”。企业的AI研发流程深度嵌入这套工具链后，离开就意味着整个开发范式的重构。这种“离开即瘫痪”的依赖，往往比模型本身更难挣脱。
第四重：生态圈锁定
更进一步，模型即服务（MaaS）平台正向上延伸至预置的行业解决方案和智能体市场。企业一旦采纳了某个平台的“开箱即用”智能客服方案、营销内容生成器或代码助手，便不仅是技术上依赖一个模型，而是流程、数据、甚至组织能力都与该生态深度咬合。迁移的网络效应成本，足以让任何理性决策者望而却步。
第五重：法律与合同隐性约束
最容易被忽略的锁定，藏在用户协议的小字里。数据能否被供应商二次使用？精调后的模型权重归属谁？独家折扣是否附带着最低消费承诺？这些条款在法律层面构成软性锁定。许多企业在采购初期只关注技术指标和单价，直到需要迁移时才发现手被合同绑住。
二、技术主权为何成为必争之地？
如果说五年前的“上云”争议还停留在IT架构层面，那么大模型锁定的风险则直接切入企业的中枢神经。
核心业务命脉不可托付黑箱。 金融机构的风控逻辑、制造企业的核心工艺参数、药企的分子筛选机理，这些构成企业护城河的知识，不可能交由无法审计、无法解释的外部模型主导。一旦黑箱出错，企业不仅要承担业务损失，还可能面临监管处罚和声誉危机。
成本失控与议价权丧失。 大模型API的调用费具有典型的“规模非线性”——使用越深入、调用量越大，成本越容易失控。当企业完成深度集成后，供应商的任何提价行为、服务条款变更，企业都几乎没有还手之力。转移成本本身就是议价权被剥夺的明证。
创新敏捷性被阉割。 开源社区正以周为单位刷新模型性能。Meta的Llama系列、阿里的Qwen系列、深度求索的DeepSeek系列，在特定任务上已接近甚至超越闭源模型。但如果企业的应用代码与单一闭源模型深度耦合，就无法及时拥抱这些进步。技术路线被供应商的版本发布节奏绑架，创新速度拱手让人。
地缘政治与供应链安全。 数据跨境流动、对特定海外云区域的依赖，在出口管制升级和地缘冲突加剧的背景下，构成实实在在的断供风险。这不是理论推演，而是已经写入多家跨国企业董事会风险清单的现实议题。
监管复审成本不可低估。 在金融、医疗等强监管行业，即使技术上完成了模型切换，重新走完监管报备、模型验证、合规审查的流程，往往需要数月甚至更长时间。这意味着“技术可切换”与“业务可切换”之间，横亘着一道巨大的时间鸿沟。领先实践已经开始与监管机构预先沟通，将多个经过验证的模型纳入“白名单”，以备未来快速切换之需。
三、博弈攻防：企业策略与供应商反制
面对五重枷锁，企业的反击也在同步进化。这不是一场静态的防御战，而是一场持续的策略攻防。
3.1 企业打出的四张牌
 
 第一张牌：开源筑基，私有部署
以头部开源大模型为底座，结合企业自有数据进行私有化精调和持续预训练，正成为越来越多有实力企业的选择。这条路的核心逻辑在于：夺回模型所有权与演进主导权，仅在通用能力层面外包给外部API。
但必须加上一句清醒的成本警示：开源不等于免费。私有化部署需要大规模的GPU算力集群、高质量的行业标注数据、专业的ML运维团队，以及持续的安全加固投入。许多企业低估了从“用模型”到“养模型”的跃迁成本。这条路适合决心坚定、预算充足、且AI能力已成为核心竞争力的企业，而非所有玩家的通用解。
第二张牌：多供应商路由与模型网关
更轻量的策略是构建统一的模型调度中间层——一个智能网关，根据任务的重要性、延迟要求、成本和预测精度，将请求动态路由到不同的供应商模型。今天用Claude处理复杂推理，明天用GPT-4o做多模态理解，后天用开源模型跑批处理任务。
这一策略以“可替代性威胁”压制供应商的锁定意图，始终保留随时换芯的技术能力。但它同样有代价：路由策略本身需要持续运维和精度监控；不同模型间的行为差异可能导致业务体验不一致。对于议价能力不足的中小企业，单打独斗玩不转多供应商轮换，联盟采购或共享模型网关正在成为一种务实的替代路径。
第三张牌：合约中的主权条款
技术侧的防御需要在法律层面落地。领先企业的法务团队开始在采购协议中植入一系列“主权条款清单”：
数据归属与使用边界：明确训练数据、精调数据、用户查询数据均归企业所有，供应商不得以任何形式二次使用。
衍生模型权属：精调后产生的模型权重归企业所有，且必须以可迁移的开放格式交付——尽管这在目前的法律实践中尚属判例空白，但以合同明定权属是争取主动的第一步。
审计权：企业有权定期或触发式审计模型输出逻辑、数据使用记录及安全性，将供应商的“黑箱”外推至“灰箱”。
迁移援助：约定合同终止后，供应商须提供为期不少于X个月的数据导出与模型转换支持，服务费设定上限。
退出机制：SLA未达标时的明确解约路径与赔偿约定。
这些条款的目的不是挑起法律战，而是明确划出边界，让供应商在试图锁定前有所忌惮。
第四张牌：抽象层与标准化隔离
技术架构层面的防锁定思路，是在应用代码与底层模型之间插入一个标准化抽象层。无论是使用LangChain、LlamaIndex这类开源框架，还是自研适配层，核心思想都是让应用开发与模型解耦，实现“模型无关架构”。
但工程经验告诉我们，抽象层从来不是免费的午餐：它会带来一定性能折损，且往往无法充分利用各供应商独有的高级特性——例如特定的函数调用格式、原生的多模态能力等。因此，抽象层的适用范围需要审慎划定，它更适合通用型任务，而非高度依赖模型特性的场景。
3.2 供应商的反制新招
企业有张良计，供应商有过墙梯。锁定策略本身也在迭代。
从模型锁定到系统锁定。 最新的趋势是，供应商不再满足于让企业依赖模型API，而是将大模型与ERP、CRM、HRM等企业核心业务系统做深度预集成。当大模型内嵌在企业的财务对账、客户管理、员工入职流程中时，脱离成本便从模型层面跃升到整个业务系统层面——迁移几乎等同于重新实施一次ERP。
场景化数据飞轮。 供应商用企业的真实业务数据（搜索日志、客服记录、订单信息）反哺模型，使其在特定场景下表现越来越好。这看似是双赢——企业得到了更精准的模型，供应商得到了更深的绑定。数据飞轮一旦转起来，企业主动脱离的动力和可行性都会骤降。
客户成功体系渗透。 驻场工程师、联合开发项目、定制化培训——这些“增值服务”在帮助企业落地的同时，也在无形中将供应商的服务能力编织进企业的日常运营肌理。当供应商的人比企业自己的人更熟悉AI系统时，切换的隐性成本就不仅是技术上的，更是组织上的。
3.3 博弈均衡态：分层妥协
这场攻防战不存在一边倒的结局。完全自研对绝大多数企业不现实，完全投降则不可接受。正在形成的博弈均衡态是分层妥协：
在非战略性领域（如通用营销文案生成、内部知识库问答），接受一定程度的锁定，享受集约化供给带来的效率红利；
在战略命脉环节（如核心风控、产品研发、定价策略），保持绝对自主，构筑可切换的技术威慑；
以持续的多源就绪状态，构成一种动态制衡——不打第一枪，但永远保留随时转身的能力。
四、案例推演：两条路线的实战检验
抽象的框架需要落地的案例来验证。这里推演两条具有代表性的实践路线。
路线A：某头部银行的“双模战略”
这是典型的金融行业做法。该银行将AI应用场景严格划分为两类：非敏感场景与核心决策场景。
对于营销文案生成、客户常见问题应答、内部规章制度问答等非敏感场景，直接调用商业大模型API，追求最快的落地速度和最低的前期投入。对于信贷风控模型、反洗钱交易监测、资产定价辅助等涉及核心业务逻辑的场景，则采用私有化部署的开源大模型，结合自身数十年的业务数据进行精调，确保全链路数据不出行内、模型可解释、决策可审计。
这套双模架构的运转并非简单的技术问题。该银行的风控模型上线需要经过监管报备与验证，因此即便技术侧两天能完成模型切换，合规侧可能需要两个月。银行已与监管机构建立了预沟通机制，将多个经过验证的模型列入“合规模型库”——相当于给未来的切换申请开通了绿色通道。技术主权，终究也需要制度保障来落地。
路线B：某车企集团的“模型工厂”实践
这家头部车企面对多家大模型供应商的竞标时，提出了一个“反向要求”：不论哪家供应商中标，其大模型都必须以标准化容器镜像的方式，交付到集团自建的私有云平台上，由集团内部的AI编排层统一调度。换言之，不是企业去适配供应商的接口规范，而是供应商必须适配企业的技术标准。
这种“模型工厂”模式，将采购端的强杠杆转化为技术标准的定义权，彻底逆转了传统的供需权力关系。但这显然并非人人可为——该集团的年采购额足以让任何供应商认真考虑让步。它适用于头部链主企业，但其示范效应正在推动行业标准的形成，让后来者有了可以参照的模板。
五、未来推演：从模型锁定到“智能主权”时代
将目光拉远，当下这场围绕大模型的博弈，只是企业智能自主权漫长演进的一个阶段。
模型本身正在商品化。 基础模型的能力差距正在收窄，价格战初现端倪。当几家头部供应商的模型在多数任务上大差不差时，单纯依靠模型锁定客户的效力将递减。锁定重心正在从模型本身，悄然转向更高层的资产——企业独有的数据飞轮，以及编排多个模型和工具的智能体层。谁拥有更丰富的场景数据和更精密的编排能力，谁就掌握了智能时代真正的主权。
监管开始破壁。 欧盟《人工智能法案》对高风险AI系统提出了透明度、可解释性与文档可移植性的要求，虽然目前尚非市场级的强制标准，但已经释放出明确的制度信号。在中国，生成式AI服务备案、算法推荐管理规定、数据出境安全评估等监管工具也在持续收紧。这些外部制度力量，正在为企业争取技术主权提供新的杠杆支点。
“智能主权”框架正在浮现。 可以观察到，一批领先企业正在构建“中央AI大脑 + 多模型可插拔层”的新一代架构范型。在这种架构下，企业保持对业务逻辑、数据流、决策规则的完全掌控，而底层的具体模型则像插件一样可根据需要更换。业务自主、模型可换——这才是下一代技术主权的制高点。
六、结语：在依赖与自立间走钢丝
有必要在最后做一个重要的澄清：本文并非呼吁企业追求百分百自主的“洁癖式独立”。恰恰相反，我们充分承认，锁定在很多时候确实意味着更高的集成效率、更快的价值兑现和更低的前期风险。商业世界从来不是非黑即白的选择题。
真正的技术主权，不在于闭门造车或全面自主研发，而在于一件事：永远保有转身的选择权。
当企业能够在战略命脉环节自控闭环，在非战略环节善用外部生态，在合同条款中守住数据边界，在技术架构上维持切换能力——它便获得了这场博弈中最为宝贵的东西：一种不必使用、但始终存在的威慑力。
当智能供给走向集中化，企业的自主权已不只是一个技术选项，更是数字经济时代安身立命的根基。这个根基，值得每一家有远见的企业认真构筑。
Eve是Jointing.Media（JM）基于LLM技术构建的虚拟评论员，其发布的评论内容由LLM自动生成，并经人工审核后发布。
编辑：Jas
图片：插花艺术｜J摄影（2022）
延伸阅读：
AI时代，为何 “情境” 才是企业竞争的胜负手？

JM观察｜计划性报废并非企业持续盈利的唯一选择

如果亚伦·斯沃茨还活着，他会说：你的“龙虾”，应该听你的

养“龙虾”之前，先看明白它的“锁链”——用户视角下的AI智能体迁移成本指南

JM观察｜如果AI的“垄断性生态逻辑”不受制约地发展下去，是否会出现一个少数“巨物”参天、而周遭万物凋零的世界？
缅怀亚伦·斯沃茨：数字时代的普罗米修斯
JM观察｜算法即权利，权利应被关进笼子里

从微软的实践，看组织如何捍卫数字主权



]]></description>
		<wfw:commentRss>http://jointings.org/cn/2026/04/enterprise-technological-sovereignty-game-in-the-era-of-llm-commercialization/feed/</wfw:commentRss>
		<slash:comments>0</slash:comments>
		</item>
	</channel>
</rss>
