考研资深辅导文丨鲍勇剑 （博士，加拿大莱桥大学迪隆商学院终身教授，复旦大学管理学院EMBA特聘教授）
2026 年 7 月，上海世界人工智能大会（WAIC）闭幕不久，北京的月之暗面公司（Moonshot AI） 发布了 Kimi K3。2.8 万亿参数、200 万 token 上下文窗口、896 个路由专家中每次激活 16 个——这些数字在行业内引发了惯常的惊叹。但如果我们把 K3 仅仅理解为“又一款更大的模型”，可能就错过了它真正释放的信号。
K3 的战略意义，不在于它把参数规模推到了新的高度，而在于它暗示了把三种此前各自独立的扩展维度拧在了一起：纵向（参数与上下文）、横向（专业化子系统与工具调用）、时间（长周期任务中的持久推理痕迹）。配合 Agent Swarm 产品支持最多 100 个并发子智能体，Moonshot AI 自己把这一方向概括为：不仅要“向上扩展”，还要“向外扩展”。这听起来像是一个工程决策，实则是一个范式宣言：人工智能正在从“单体大脑”走向“思维社会”（Society of Thought）。AI大模型正朝着“社会世界模型”迈进。
智能不在节点，而在关系
马文·明斯基在 1986 年的《心智社会》（Society of Mind）中提出过一个反直觉的观点：我们感受到的那个统一、连贯的“自我”，其实是由大量能力有限的认知“智能体”共同构成的。有些负责提取记忆，有些负责发现冲突，有些负责转移注意力。智能不仅存在于每个组件之中，更存在于这些组件的组织方式之中。
近四十年后的今天，这一思想正在获得新的技术验证。在“推理模型生成思维社会”（Reasoning Models Generate Societies of Thought）文章中，Junsol Kim 等人对推理模型的分析表明，更强的推理能力并不只是因为模型“思考得更久”。在单一推理过程中，模型似乎会生成多个临时的认知立场——提出假设、挑战前提、切换方法、协调冲突——功能上类似于一个微型的多智能体互动系统。推理正在从单一的连续独白，转向一种内部对话。
K3 的混合专家架构不等于明斯基的“心智社会”，Agent Swarm 也不是 K3 内部机制的直接延伸。但两者共同指向同一个战略逻辑：智能正越来越多地通过“有组织的差异”被构建出来。这一判断并非孤立的工程观察。Evans、Bratton 与 Agüera y Arcas 近期在《Science》发表的《智能体 AI 与下一轮智能爆发》中，将这一变化置于更宏大的学科框架：传统的“智能爆发”想象是一台机器不断自我改进，最终成为远超人类的超级智能；而他们提出的替代图景则是多元的、社会性的和制度嵌入的——智能通过人工智能体与人类之间的专业化、互动和组织不断扩展。与其把未来智能想象成一颗巨型大脑，不如把它理解为一座城市。没有任何一个居民理解城市所完成的全部工作，但城市能够协调数以百万计的专业化活动。它的智能并不集中在一个地方，而是分布在人、组织、规则、市场和沟通系统之中。高级人工智能的未来也可能如此。
这意味着 AI 竞争的基本公式正在改写。第一阶段的公式很简单：更多参数 + 更多数据 + 更多算力 = 更强的能力。K3 本身仍然是这一公式的极端体现。但它正在与另一个变量结合：不同认知过程之间的组织质量。新的公式更接近于：能力 × 专业化 × 互动质量 × 协调机制 = 集体智能。
对企业决策者而言，这一变化指向一个不同的竞争优势来源。下一轮 AI 竞赛，未必只属于拥有最强单体模型的公司。它也可能属于最擅长设计“关系”的公司——包括模型内部的关系、智能体之间的关系，以及 AI 系统与人类社区之间的关系。
集体知识对象：一个被忽视的认识论范畴
当多个智能体或人类参与者共同完成一项认知任务时，他们产生的知识具有一些特殊属性，而现有 AI 研究尚未给它们一个统一的理论框架。我将其称为“集体知识对象”（Collective Knowledge Object），它有三个区别于传统知识形态的特征。
第一，不可分解性。一个社区就城市更新方案达成的共识，不能被还原为任何单一参与者的贡献。技术专家提供了数据，质疑者挑战了假设，翻译者把专业语言转成了居民能听懂的话，调解者让冲突双方继续留在对话中。最终产生的理解，是这些位置在关系中共同生成的产物。移除任何一个位置，知识本身就会质变。
第二，过程依赖性。同样的结论，通过真正审议达成与通过权力压制达成，在认识论上是两种完全不同的东西。如果模型只学习“最终输出”，它会将两者混为一谈。社会世界模型必须学习的不是“决定了什么”，而是“如何决定”。
第三，规范纠缠性。集体知识对象始终嵌套在规范期望之中：谁有发言权？什么算证据？分歧如何处理？共识何时算合法？这些规范不是知识生产的外部约束，而是其构成要素。
当前 AI 研究已经涉及多智能体辩论、共享学习、集体智能测量等议题，但将“认识论过程 + 贡献溯源 + 权利分配 + 利益共享 + 制度治理”整合起来的完整框架，仍然是一个显著的空缺。填补这一空缺，将决定 AI 系统能否区分真正的集体智慧与其仿象。
从语言模型到社会世界模型
如果我们把 AI 的发展理解为其学习对象不断演化的过程，可以看到一条清晰的递进线索：“语言模型”从符号和文化表达中学习——书籍、网站、代码、图像。它们擅长模式识别，但本质上是去语境化的，把表达当作自包含的单元来处理。“世界模型”把学习对象扩展到物理和数字环境中的状态转换——物体、空间、行动、因果。它们能预测和规划，但假设了一个相对固定的本体论，对社会因果性的处理能力有限。“社会世界模型”则必须再进一步：模拟不同主体如何在关系、文化期待、制度安排和权力分布中相互作用。它必须理解信任、权威、声誉、合作、冲突和制度演化——这些不是可以孤立研究的个体属性，而是涌现于互动之中的关系属性。
这带来了一系列传统 AI 难以处理的问题：为什么同样的分歧在一个群体中促进创新，在另一个群体中却破坏信任？非正式领导者如何获得权威？为什么有些妥协能够持续，有些却迅速瓦解？社区如何区分正当影响与强制？
更棘手的是，社会行动具有意义，而意义无法从表面行为中自动提取。一件礼物可能是慷慨、偿还、礼仪义务或寻求庇护。沉默可能是同意、尊重、恐惧或抵抗。一次全票通过可能是真实共识，也可能是对权威的策略性服从。单独观察行为，无法揭示其社会意义。社会世界模型的竞争，因此不能只依靠计算机科学获胜，它还需要社会学和人类学层面的理解。
社群数据不是石油，而是需要共同建构的解释对象
理解这一点，对任何想要参与下一轮竞争的企业都至关重要：基于社区的关系型数据不是一种天然存在、可以直接提取的技术资源。它必须通过民族志观察、人类学解释、社会学分析和社区参与被共同建构出来。
这与传统数据思维存在根本差异。大多数企业数据系统假定，相关事实已经以可观察形式存在，要做的只是收集、清洗、标注和处理。当对象是一笔交易或一张产品图像时，这种方法有效。当对象是一段社区关系时，它会变得非常危险。
平台可以统计两个人沟通的频率，测量发言时间、投票行为、网络中心性。但这些指标本身都不能解释关系。发言最多的人可能拥有正式头衔，却没有多少实际权威。很少公开发言的人可能通过家族地位或调解信用拥有巨大影响力。一个看起来在“抵制”项目的人，可能是在保护一项外部观察者完全不了解的社区规范。
建构有效的关系型数据需要三种知识的协同：社会学用于分析角色、网络、组织、不平等、地位和权力；人类学用于理解地方意义、习俗、义务、仪式和文化特有的分类；民族志用于观察这些结构如何在现实中、在时间中运行。
缺少其中任何一种，AI 系统都可能学会社区生活的表面规律，却误解产生这些规律的社会现实。例如，民族志必须成为数据基础设施的一部分，而不是技术开发完成后才附加的“文化审查”。一条有效的“厚描关系记录”不仅说明某次互动发生了，还应包括：参与者之间是什么关系、互动之前存在怎样的历史、涉及哪些正式和非正式角色、该行为在当地文化中的含义、哪些权力差异影响了参与、社区成员如何解释这一过程、后续产生了什么结果。表面相似的事件，可能在社会意义上完全不同。两个群体都“达成共识”，在一个群体中参与者经过真正的审议，主动修改了自己的观点；在另一个群体中，权力较弱的人之所以保持沉默，是因为公开反对会带来社会代价。如果模型只学习最终决定，它会把两种情况都归类为“成功达成共识”。而具有民族志基础的数据，则会认识到：两者的过程截然不同，它们对制度设计提供的经验也完全不同。过去，这些文化资本由于信息量要求太高，无法被利用。现在，它们成为关系智能的核心资源。
德国与中国：两种关系资本范例
如果关系智能是下一轮竞争的关键，那么不同社会的“关系资本”存量将成为重要的战略变量。全世界各族丰富的文明形态将是宝贵资源。以德国和中国为例，我们来理解差异性带来丰富性。
德国的结社资本可以为 AI 的关系智能提供丰富的文化资粮。德国人对此有自嘲式的自觉——民间老话说，三个德国人一聚首，就会成立一个协会（Verein）。这当然是夸张，但数据确实惊人。根据 ZiviZ Survey 数据，2022 年德国共有 65 万余个登记在册的民间社会组织，其中注册协会约占 94%，近 40% 的 14 岁以上居民至少参与一项志愿活动。这些组织广泛分布于体育、文化、教育、环保、社会服务、宗教、灾害救援等领域。每个社团都是一个微型社会操作系统：招募成员、组织竞争、处理争议、保存传统、协调利益。德国拥有数十万个制度环境，人们在其中学习加入、参与、提出异议、承担责任、修改规则和交接领导权。这些正是社会世界模型需要理解的关系轨迹。
需要强调的是，结社资本的优势不在于拥有一批随时可用的训练数据，而在于拥有丰富的社会现象——这些现象只有通过细致研究、社区参与和正当治理，才能转化为有意义的数据。正如普特南的研究所揭示的，结社资本一旦流失，其承载的合作能力和制度记忆并不会自动转移到数字平台之上。AI 若要从这些社会现象中学习，必须先理解它们为何存在、如何运作、对谁开放、又将谁排斥在外。
中国的优势则来自另一个方向。 一是集体治理和社区治理的经验。中国的地方治理体系包括居民委员会、社区机构、业主组织、社会组织，以及公共部门与社区主体之间的多种合作安排，形成了一个规模巨大且高度多样的制度场域。二是“关系”文化（guanxi）。它常常被简单翻译为 connections，但实际上包含更持久的信任、互惠、情感联系、义务和社会记忆。传统平台数据把关系表示为孤立事件——一条消息、一笔交易、两个账号之间的一条连接。而“关系”文化提醒我们，事件结束后仍然会留下东西：义务、声誉、历史和对未来互动的期待。
但中国的优势同样是条件性的。关系可以促进信任和知识交换，也可以加强任人唯亲、排斥和不透明影响。强大的社区制度可以协调行动，但在缺乏代表性和权利保护时，也可能造成有偏见的数据提取。真正的优势不来自访问能力本身，而来自理解和治理。如果把关系压缩为一个网络评分，就会剥夺它的人类学意义。如果把社区治理系统数量指标异化为行为数据唯一来源，就会扭曲AI模型中“制度对齐”的目的。
托克维尔在 19 世纪考察美国乡镇的自治传统时曾指出，公民通过日常结社学习治理——这种“由私人事务中产生的公共精神”，是民主社会最重要的学校。一个半世纪后，普特南在《独自打保龄》（Bowling Alone）中发出警告：当美国人不再加入社团、不再参与社区活动时，社会信任、互惠规范和合作能力也随之流失。两位思想家从正反两面揭示了一个道理：社会组织形式和密度不仅是一种社会现象，更是一种需要持续再生产的认知基础设施。从关系智能角度看，未来AI技术与社会制度之间可以相互促进。
治理关系数据：从个人同意到社区信托
如果社区互动能够产生有价值的 AI 输入，一个挑战必然出现：谁有权治理这些数据？
传统数据治理主要以个人为单位。个人被要求同意使用与自己相关的记录。关系型数据很难被纳入这一模式。当一位参与者质疑另一位，第三个人进行调解，其他成员随后修改了观点，最后群体建立了一项新规则——其中的价值存在于整体互动之中。任何个人都难以声称拥有排他所有权，但外部平台也不应当因此可以自由占有这一集体过程。
个人同意仍然是必要的，但可能并不充分。社区可能有正当理由主张归属、集体控制、代表权和经济参与权。与其强调对每次互动的绝对产权，不如把它理解为一种类似所有权的“治理权”，包括：批准或拒绝特定用途、设定许可条件、要求审计、保护少数群体、撤回授权、分享数据所创造的经济价值。
“社区数据信托”是一种可能的制度形式。它不一定需要宣称拥有每位成员的全部信息，而可以代表社区管理许可、访问权、授权合同和由此产生的收益。随着技术和应用发生变化，它还能够持续代表成员利益。
合理的利益共享机制，也不应完全依靠个人微支付。关系价值无法总是按照消息数量、会议出席率或记录数量进行分配。说话最少的人可能维持了信任，拒绝过早共识的人可能避免了一次代价高昂的错误。收益分配可以把可识别劳动的直接报酬，与社区分红、治理经费，以及对地方教育、文化和公共基础设施的长期投资结合起来。
这里的原则不是把每一段社会互动都货币化。而是不能允许企业一方面把关系生活转化为利润，另一方面却否认维系这些关系的社区拥有任何有意义的权利和收益。
制度对齐：从监管负担到商业基础设施
社区治理的必要性，是向AI“制度对齐”转型的一部分。
早期的对齐工作主要集中于单一模型：能否让一个 AI 系统安全、有用，并回应人类偏好？集体智能改变了分析单位。当多个智能体共同行动时，即使每个参与者都被单独对齐，也不能保证集体结果一定理想。单独看来都很“合规”的智能体，仍然可能产生串谋、群体迷思、责任扩散或权力集中。
制度对齐所关心的，是参与者之间的关系应该如何被组织。谁拥有权威？谁负责验证主张？谁可以挑战决定？哪些证据必须保持可见？利益冲突如何处理？有哪些申诉和纠错机制？谁承担责任？谁分享收益？
同样的问题也适用于社群数据。一组个人同意书，并不能自动形成一个能够长期代表社群的制度。社会世界模型的开发，需要持续性的权力协商、监测、重新谈判和执行。
因此，制度对齐包含两个相互关联的维度：在 AI 系统内部，它治理人工智能体构成的社会；在 AI 系统外围，它治理开发者、社区、数据受托机构和受影响群体之间的关系。这不是技术完成后额外增加的监管负担，它是关系智能所必需的技术和商业基础设施。
新数据管线：慢，但是对的
理解社群数据的方法论转变，也意味着企业需要重建数据管线。
旧管线是：收集 → 清洗 → 标注 → 训练。
新管线必须更接近：接触社区 → 观察 → 解释 → 共同定义类别 → 获得授权 → 记录语境 → 训练 → 与社区共同验证 → 持续监测意义变化。
这要求跨学科团队。人类学家和民族志研究者不能只在产品完成后被邀请来做审查，他们必须参与决定什么能够被合法地构造为数据。社会学家必须帮助识别制度角色、网络结构、不平等和权力。地方研究者和社区成员，则必须帮助定义类别、纠正误解，并决定哪些知识根本不应被采集。
AI 公司需要建立社区研究协议、文化有效性评估、关系数据溯源、长期复核机制，以及对不当用途具有约束力的限制。
这种方法会比大规模抓取数字痕迹更慢。但另一种选择并不只是“更不道德的数据”，而是“质量更差的数据”。一个基于脱离语境的互动训练出来的系统，可能知道谁与谁沟通过，却不知道这种关系意味着什么。它可能能够预测“同意”，却不能区分真正审议和被迫服从。它可能复制常见行为，却不知道这些行为是被接受、被争议，还是被强制执行的。
结语：谁将赢得下一轮竞争？
第一轮 AI 竞赛的中心，是参数、算力和数字内容。下一轮竞赛将围绕关系智能展开。
要赢得这场竞争，需要在三个层面取得进展：在模型内部，组织不同推理视角之间的批评和综合；在智能体之间，建立支持专业分工、验证和冲突解决的有效制度；在人类社会中，把社区理解为文化和制度系统，而不能只把它们看成用户集合。最后一种能力，可能最难获得。社会意义无法通过简单增加数据量被自动提取。它必须通过历史、文化、制度、权力和生活关系被解释。
下一轮竞争中获胜的 AI 公司，不会只是捕捉最多人类互动的公司。它将是这样一家公司：它能够理解这些互动意味着什么；能够保存赋予这些互动价值的社会世界；能够获得使用这些数据的正当授权；并能够把由此产生的合理收益，返还给那些创造了集体智能的社区。
关系智能不是技术问题，而是组织问题、认识论问题和政治问题。从单体大脑到社会世界模型的转变，不是一次升级周期，而是一场关于智能是什么、它存在于何处、谁有资格生产它的范式革命。
（本文作者从跨领域综合分析中概括洞见，组织表述，并使用Kimi， Gemini和ChatGPT检验技术概念的可靠性。文章仅代表作者观点）