当每个人都想打碎神像:AI时代的民粹主义不是要反对技术,而是要争夺说故事的权利
反AI浪潮不是技术辩论,而是文化叙事争夺战。从《搏击俱乐部》的隐喻到英国改革党的选举数字,我们正在见证一种新的权力游戏。
核心观点:真正值得警惕的并非AI带来的经济冲击,而是民粹主义势力如何利用人们对AI的焦虑,将技术恐惧包装成文化战争,从而收割政治资本并固化权力结构。
如果你认为AI对社会的最大威胁是取代工作岗位或制造深度伪造,那你可能低估了这场变革的复杂性。真正令人不安的,不是技术本身,而是人们如何开始讲述关于技术的故事——尤其是那些试图将AI恐惧包装成反抗叙事的故事。
最近,一篇模仿《搏击俱乐部》风格的帖子在网络上引起共鸣。帖子中,叙述者和泰勒·德顿的对话被重新编排,批判的对象从消费主义变成了宗教和政治权力编织的谎言。泰勒说:“谎言只是随着国家改变形状。有时它穿着西装,有时挥舞旗帜,有时双手合十祈祷,同时教人如何憎恨。”这段文字之所以传播开来,不是因为它的文学性,而是因为它精准地切中了当下人们对一切宏大叙事的怀疑。当这种怀疑的矛头指向AI时,一种新的民粹主义就诞生了。
这种民粹主义与传统的反技术运动截然不同。它不关心AI伦理、算法偏见或数据隐私这些技术细节,而是直接攻击AI作为“精英阴谋”的象征。正如一位评论者所言:“如果有一天民粹主义真的反扑AI,多数人不会是因为技术问题,而是因为AI被视作‘他们’用来控制‘我们’的工具。”这个“他们”可能是硅谷的亿万富翁,可能是政府官僚,也可能是国际资本。AI在这里不是一项具体技术,而是一个文化符号,用来承载对建制的一切不满。
这种符号化的危险在于,它使理性的政策讨论变得不可能。当AI被简单等同于“精英压迫”时,任何试图讨论AI监管、产业升级或教育改革的尝试,都会被贴上“为精英辩护”的标签。民粹主义政客可以轻松地将复杂的技术政策简化为一个愤怒的口号:“他们要用AI取代你。”在英国,改革党看到了民粹主义反AI的潜在选民基础,尽管该党并未直接打出反AI旗号,但其对建制派的攻击框架天然适配AI议题。可以预见,在下次大选中,AI将成为民粹主义弹药库中的一颗重要子弹。
更隐蔽的是,这种民粹主义叙事往往与既有的文化战争合流。如果你已经相信“主流媒体在撒谎”“专家不可信”,那么“AI是精英控制工具”这个论断就无缝衔接进了你的世界观。AI不再是一个需要谨慎评估的工具,而是一个需要被“觉醒”和“反抗”的压迫机器。这种叙事策略的可怕之处在于,它利用的是人们对技术变革的真实焦虑——失业、身份失落、社会不平等——但给出的解决方案不是改良技术或完善社会安全网,而是简单的“打碎神像”式的破坏。
批判者会反驳说,这种担忧夸大了民粹主义的传播能力。毕竟,AI技术本身仍在快速发展,其复杂性天然阻挡了简单化的叙事。但历史告诉我们,技术复杂性从来不是民粹主义的障碍。在气候变化问题上,科学共识已经足够明确,但民粹主义叙事仍然将气候政策描绘成“精英控制个人自由的阴谋”,并成功动员了大量支持者。AI面临的情况更糟糕:它的影响更加模糊,后果更加不确定,这为民粹主义留下了更大的叙事空间。
另一条反驳线索认为,AI的经济利益如此巨大,不可能被民粹主义运动真正动摇。但这个假设忽视了一个事实:民粹主义并不需要阻止AI技术发展,它只需要阻碍有效的治理和监管。如果反AI情绪阻碍了合理的政策框架,最终受害的不是科技公司,而是那些本应受益于技术进步的普通民众——他们的工作可能被取代,但没有获得再培训;他们的数据被滥用,但没有法律保护;他们被算法操纵,但没有知情权。
民粹主义反AI的真正危险,不在于它能否阻止AI的普及,而在于它如何扭曲围绕AI的公共辩论。当技术讨论被劫持为文化战争,当专家意见被妖魔化,当政策制定被极化政治绑架,我们最终得到的将是一个既不能充分发挥AI潜力,又不能有效管控其风险的社会。
这不是一个遥远的未来。在社交媒体上,关于AI的讨论已经呈现出明显的两极分化:一方是技术乐观派,视为万灵药;另一方是技术悲观派,视为末日预兆。中间地带正在消失,而民粹主义恰恰在中间地带最为活跃。
所以,当我们看到有人用《搏击俱乐部》的腔调谈论AI时,不要以为那只是又一个网络幽默。那是一场文化权力争夺战的信号。而这场战争的结果,将决定谁有权定义AI对人类社会意味着什么——是工程师、伦理学家和普通用户,还是那些想要借技术恐惧之火取暖的煽动者。
如果把这个判断再往前推一步,真正重要的不是 Tried writing a F**…、my AI recognized me…、Fireside chat at Se… 本身,而是它们共同暴露出的分配逻辑。 reddit、x 在同一轮里把注意力推向同一问题,通常意味着这个主题正在从圈层内部经验,转向更可共享的公共议题。 这也是为什么这种内容值得写成长文:短帖只负责提醒你“这里有事发生”,但只有长文才能把背景、代价、误判空间和后续影响放到同一张桌面上。 换句话说,真正值得警惕的并非AI带来的经济冲击,而是民粹主义势力如何利用人们对AI的焦虑,将技术恐惧包装成文化战争,从而收割政治资本并固化权力结构。 之所以重要,不是因为它看上去新,而是因为它会重新定义用户接下来应该如何理解这一类内容。
当然,这个判断仍然有边界。新闻 领域的很多内容天生带有夸张表达、圈层黑话和强情绪包装, 这意味着原始材料本身未必可靠,甚至会故意放大戏剧性。 所以这里真正需要辨认的,不是表层标题是否足够抓人,而是标题下面有没有重复出现的结构:问题是否反复被提到,解决路径是否开始稳定, 以及不同来源是否在无意中指向相同结论。只有这些条件同时成立时,真正值得警惕的并非AI带来的经济冲击,而是民粹主义势力如何利用人们对AI的焦虑,将技术恐惧包装成文化战争,从而收割政治资本并固化权力结构。 才算站得住。否则,它最多只能算一个值得观察的苗头,而不是已经完成的判断。
参考来源
- Tried writing a F***t C**b style scene on religion, power, propaganda, and politics through Tyler & Narrator. Hope you like it. Check body text! ✊🏻 - https://www.reddit.com/r/unitedstatesofindia/comments/1t5h2zc/tried_writing_a_ft_cb_style_scene_on_religion/
- my AI recognized me by my typo habits when i tried to talk to it from a burner account - https://www.reddit.com/r/ChatGPT/comments/1t73cjq/my_ai_recognized_me_by_my_typo_habits_when_i/
- Fireside chat at Sequoia Ascent 2026 from a ~week ago. Some highlights:
- The first theme I tried to push on is that LLMs are about a lot more than just speeding up what existed before (e.g. coding). Three examples of new horizons:
- 1. menugen: an app that can be fully engulfed by LLMs, with no classical code needed: input an image, output an image and an LLM can natively do the thing.
- 2. install .md skills instead of install .sh scripts. Why create a complex Software 1.0 bash script for e.g. installing a piece of software if you can write the installation out in words and say "just show this to your LLM". The LLM is an advanced interpreter of English and can intelligently target installation to your setup, debug everything inline, etc.
- 3. LLM knowledge bases as an example of something that was *impossible* with classical code because it's computation over unstructured data (knowledge) from arbitrary sources and in arbitrary formats, including simply text articles etc.
- I pushed on these because in every new paradigm change, the obvious things are always in the realm of speeding up or somehow improving what existed, but here we have examples of functionality that either suddenly perhaps shouldn't even exist (1,2), or was fundamentally not possible before (3).
- The second (ongoing) theme is trying to explain the pattern of jaggedness in LLMs. How it can be true that a single artifact will simultaneously 1) coherently refactor a 100,000-line code base *and* 2) tell you to walk to the car wash to wash your car. I previously wrote about the source of this as having to do with verifiability of a domain, here I expand on this as having to also do with economics because revenue/TAM dictates what the frontier labs choose to package into training data distributions during RL. You're either in the data distribution (on the rails of the RL circuits) and flying or you're off-roading in the jungle with a machete, in relative terms. Still not 100% satisfied with this, but it's an ongoing struggle to build an accurate model of LLM capabilities if you wish to practically take advantage of their power while avoiding their pitfalls, which brings me to...
- Last theme is the agent-native economy. The decomposition of products and services into sensors, actuators and logic (split up across all of 1.0/2.0/3.0 computing paradigms), how we can make information maximally legible to LLMs, some words on the quickly emerging agentic engineering and its skill set, related hiring practices, etc., possibly even hints/dreams of fully neural computing handling the vast majority of computation with some help from (classical) CPU coprocessors. - https://nitter.net/karpathy/status/2049903821095354523#m