未来社会系列 · 第六篇
上一篇结尾我说，选择一不是宿命，它是无数个具体决策的累积结果。这一篇就来聊那些具体决策。
但先说清楚——我不打算聊政策、治理框架、国际公约这些宏大叙事。不是它们不重要，是它们离一个做产品的人太远了。
我想聊的是：如果你手里有技术能力，你能做什么具体的产品，来推动事情往选择二的方向偏一点点？
一、选择一为什么看起来像宿命
先把结构性力量看清楚。
选择一之所以强大，是因为一个简单的经济事实：AI的能力高度集中，AI的扩散非常缓慢。
少数公司掌握基础模型，少数国家掌握算力，少数人知道怎么真正用好它。全球大概有不到1%的人在深度使用AI工具。另外99%，要么没有接触渠道，要么有渠道但不知道怎么用，要么知道怎么用但买不起好的。
这个集中度本身就在复制旧的权力结构。
现在的AI产品几乎全部瞄准北美和欧洲的企业客户和中产消费者。全球50多亿人口的AI需求基本是空白市场。不是他们不需要，是没人给他们做适配的产品。
所以如果你问"改变选择一最大的杠杆在哪"，答案可能不是"让AI更安全"——这是硅谷那些CEO在讨论的框架，它把问题定义在技术层面。
真正的杠杆是：让AI的能力更快、更深地扩散到更多人手里，尤其是那些目前被排除在外的人。
这不是慈善。这是下一个十年最大的商业机会之一。
二、为什么是教育
我这几天一直在想，如果只做一件事，做什么对"反不平等"的杠杆率最高。
答案是教育。但不是传统意义上的教育。
传统教育的问题，我在"AI时代到底学什么"那个系列里已经聊过了——统一的教材、统一的进度、统一的评价标准，本质上是工业时代为批量生产"合格劳动力"设计的系统。
但在资源匮乏的环境里，问题比这还根本得多。
全球有将近8亿文盲。十几亿人在接受质量极差的教育——不是没有学校，而是教师不够、课程死板、个性化为零。一个教师带60-100个学生的情况在发展中国家是常态。
这些孩子里可能有未来的数学家、工程师、医生、艺术家。但他们的潜力在12岁之前就被系统性地浪费掉了。
人类文明最大的浪费，不是创造太少（第一篇说的），不是吸收太慢（第二篇说的），而是大量有潜力的人从来没有被发现、从来没有机会成长。
AI可以改变这件事。而且不需要最强的模型、最大的算力。
三、两个世界，两套产品逻辑
先把目标市场分清楚。
第一类：中等收入国家。 印度、印尼、越南、巴西、墨西哥、埃及这些。智能手机渗透率60-80%，移动网络覆盖广但带宽不稳定，城市有WiFi，农村靠2G/3G。家庭每月能花在教育上的钱大概5-30美元。
第二类：欠发达国家。 撒哈拉以南非洲大部、南亚部分地区。智能手机渗透率20-40%，功能机仍是主流，电力不稳定，网络覆盖碎片化。教育预算每月1-5美元。文盲率30-60%。
这两个世界需要完全不同的产品形态。但底层逻辑是一样的——不依赖云端顶尖大模型，不依赖强大算力，让AI能力在极端受限的环境中跑起来。
技术上怎么做？3-7B参数的小模型已经可以在手机端流畅运行。针对教育场景做领域微调后，在教学对话、概念解释、知识检索等任务上可以达到大模型70-80%的效果。对于教育这个场景来说，够了。
更轻量的场景（功能机、语音交互），1B以下的模型也能用。
关键架构是分层的：设备端跑轻量模型处理即时交互，社区级别的hub跑中等模型做数据聚合和本地化微调，区域服务器处理复杂任务和模型更新，云端只在训练时使用。
所有核心功能离线可用。连网时做数据同步。用户数据不出本地。
这跟硅谷"一切上云"的思路完全相反。但这恰恰是为什么这个市场没有人认真做——硅谷的公司不愿意为"不上网"的用户设计产品。
四、我想到了这些产品
以下是我跟AI密集讨论后整理出来的产品方向。不是最终方案，是发散。但每一个都直接对应这个系列前几篇里的某个核心判断。
"活水" — 知识适配引擎
第二篇里我说，人类文明最大的浪费是吸收太慢。原因不是知识太难，而是知识的"接口"跟大多数人不兼容。
在发展中国家，这个浪费是数量级更大的——不只是"风格接口不匹配"，而是内容本身就不存在于他们的语言和经验世界里。
产品做什么？不是翻译，不是简化，是我第二篇说的"风格适配"的极致版。
用户选一本经过时间验证的好书，系统做三层适配：翻译为本地语言但保留论证结构完整性；用本地场景替换原书的例子——让亚当·斯密"看不见的手"用印度农村集市的例子来说明；根据用户的认知背景调整呈现方式。
关键原则：不做压缩。 第二篇里我对"5分钟读完一本书"的批判是产品的核心信条——保留完整论证链，只改传递接口。
在更极端的环境里呢？纯语音版本。用户用方言说"我想了解为什么有些国家富有些国家穷"，系统用口述方式讲《国富论》的核心论证，用当地语言，用本地集市和农耕的例子。而且不是单向播放——用户随时可以打断追问"你说分工能提高效率，但我们村每个人都种同样的东西，这算分工吗？"
"种子" — 天赋发现系统
发展中国家的孩子不是没有天赋，是没有机会发现天赋。一个非洲农村的孩子可能是天生的数学家，但她从没接触过超出四则运算的数学。
做什么？一个30天的密集"能力探测"：每天一个15-20分钟的小任务，覆盖30个不同领域的核心操作——逻辑推理、空间构建、音乐模式、科学实验思维、叙事构建……
任务设计原则：零前置知识，但有足够深度让有天赋的人展现异常表现。AI在后台追踪的不是"做对了几道题"，而是行为模式——哪些任务上自发多花了时间，遇到困难后的反应是放弃还是换路径还是硬磕，提问的质量如何。
30天后输出一份"能力热力图"。不是告诉你"你适合当医生"——太粗糙了。而是"你在需要空间旋转的任务上展现出异常高的直觉准确率，这种思维模式在建筑设计和结构工程中极其重要"。
在没有智能手机的环境怎么做？30张任务卡，每张卡上有一个不需要任何设备的活动——用石头摆图案、用声音模仿节奏、用故事补全结局。社区引导者观察和记录，定期汇总到区域hub让AI分析。
全球每年有多少天赋被浪费？没有人在做这个统计。但如果你承认人类天赋的分布是随机的，那绝大多数潜在的天才——按人口比例来说，远超过90%——出生在没有任何机制来发现他们的环境里。
"根系" — 教师能力倍增器
发展中国家最大的教育瓶颈是教师。不只数量不够，更关键的是水平参差。很多教师自己的知识水平就有限。
AI不能跳过教师——文化上和制度上都不行。但可以让一个中等水平的教师产出接近优秀教师的效果。
做什么？教师输入"明天教分数"，系统做三件事：根据这个班之前的表现数据预测哪些学生会在哪个环节卡住；提供5种不同讲解路径（用食物分配讲分数、用音乐节拍讲分数、用足球比分讲分数），每种路径配合该班学生的背景；设计课堂中的快速检测点，帮教师实时知道学生是否真正理解了。
最极端精简的版本：一个功能机app，每天给教师发3条短信——早上一个关键教学策略，课间一个检测学生理解的快速方法，晚上一个反思问题。这些不是通用模板，而是根据该教师此前的反馈逐步个性化。
成本几乎为零。但如果坚持一个学期，教师的教学行为会有可测量的变化。
"磨刀石" — 对抗性思维训练
第三篇里我说，培养一个人从90分到99分，最关键的是对抗性训练和元认知。
这个产品做什么？一个苏格拉底式AI对话应用，但不是泛泛而谈，而是绑定具体项目。用户在做一个真实任务，系统不帮他做，而是持续追问他每一个决策背后的逻辑。
三个AI角色轮流挑战：一个找逻辑漏洞，一个找实操障碍，一个从相反立场攻击。
社群版本：3-5人组成小组，每个人轮流提交方案，其他人在AI辅助下扮演挑战者。AI不替代人的挑战，而是帮不善于挑战的人学会怎么问好的问题。
"涌泉" — 口头文化数字化引擎
这个方向来自我在"AI创作形态发散"那篇里聊的"文盲创作者"概念。
全球近8亿文盲，加上数十亿不习惯文字表达但有丰富口头传统的人。他们的知识、故事、智慧从未进入过"正式"的知识系统。
这不只是文化多样性的损失——这些口头知识里包含大量经过实践验证的本地化智慧。怎么治蚜虫、什么时候种什么品种、旱季怎么保水、哪些草药对什么症状有效——这些知识有实用价值，但从没被系统化。
产品做什么？用户用方言口述，AI转写并结构化，自动标注知识类型，跟同地区其他用户的口述做交叉关联——"你说的这种方法，隔壁县有人用了不同的材料但同样的原理"。
每个社区的口述积累形成一个"活的地方百科"。
这些知识库对农业公司、制药研究机构有价值——但前提是用户同意和利益共享。他们不只是知识的接收者，也是知识的贡献者。 这是"反不平等"最根本的含义——不是施舍，是让被排除在外的人重新成为价值创造者。
"蜂巢" — 学习社群操作系统
在发展中国家，最稀缺的不是知识内容——互联网上有的是。最稀缺的是"跟谁一起学"的社群结构。
产品做什么？5-15人的小型学习小组管理工具。AI的角色不是教学，而是社群催化——
识别成员之间的知识交叉点，制造碰撞机会；识别沉默但有深度的成员，把他们的洞察翻译成全组可见的贡献；预警成员退出信号，建议社群发起关怀；在学习阶段结束后建议重组，把不同小组中有交叉潜力的人重新组合。
人类始终在中心。AI不替代社群互动，而是让互动质量更高。
五、贯穿所有产品的核心机制
上面这些产品看起来很分散。但它们共享一个底层设计原则——
AI不是教师，AI是让人与人之间的学习连接变得更密集、更高效的催化剂。
具体来说：
知识溢出。一个人学到的东西，通过社群机制以10倍效率传递给其他人。不是"分享笔记"那种粗粒度的传递，而是AI识别出哪些个体洞察对哪些特定的其他人有价值，做精准匹配。
集体元认知。不只是个体能"观察自己怎么想"（第三篇的核心），社群整体也能"观察我们作为一个群体怎么学习"——集体盲区是什么？讨论总是在什么地方卡住？什么类型的成员组合产出了最好的结果？
进化记录。社群的学习轨迹被完整记录。新成员加入时能看到"这个社群是怎么从一群新手进化到现在这个水平的"。这本身就是一种强大的激励。
最重要的：人类节点人。在最极端的环境里，AI无法直接触达所有用户。需要一个"社区AI引导者"角色——受过基本训练的本地人，在AI和社区之间做桥梁。培训和赋能这批人，可能是整个体系能不能成功的最关键环节。
六、这不是慈善
最后说商业逻辑。
印度+印尼+越南+巴西+墨西哥+尼日利亚+埃及，加起来超过30亿人口，教育适龄人群超过10亿。即使人均月付费只有2美元，这也是每年超过200亿美元的市场。
而且这个市场有天然的护城河——一旦产品在某个语言和文化环境里积累了足够的本地化数据和社群网络，后来者的替换成本极高。这跟纯云端产品"谁便宜用谁"的逻辑完全不同。
更深层的商业价值在于：这些产品在运行中积累的数据——不同文化、语言、教育背景的人在学习各种内容时的认知路径和卡点——对全球教育研究有巨大价值。
欠发达国家的部署成本可以由发展机构承担。世界银行、联合国教科文组织每年在教育上投入数十亿美元。一个经过市场验证的、可以低成本部署的产品，比他们目前资助的大多数项目ROI高得多。
七、回到选择二
上一篇的结尾我说，选择一不是宿命。这一篇给出了我的具体回答——
用产品来改变轨道。
不是游说政府改变政策——那太慢了。不是呼吁AI公司"更负责任"——市场竞争不会让这种呼吁生效。而是直接做产品，把AI的能力送到那些被排除在外的人手里，让他们自己变强。
每一个发现了自己天赋的孩子，每一个教学水平提升了的教师，每一个口头智慧被记录和传播的社区——都是选择二的一小块证据。
一个人改变不了结构性力量。但如果你设计的产品每天在几百万人的生活里多创造一点可能性，那些可能性会累积。
第四篇的结尾我写过：这些东西是对的。它们只是不是容易的。
这一篇我想加一句：它们不是容易的。但它们是可以做的。
系列说明：
"未来社会"系列探讨AI如何重塑我们的生活方式和社会形态。
第一篇：《当AI让所有人都能"创造"，创造本身会变成什么？》——创造端的解放
第二篇：《人类文明最大的浪费，不是创造太少，是吸收太慢》——吸收端的解放
第三篇：《AI能把一个普通人推到多高？》——人的能力本身的解放
第四篇：《最好的路，和最可能的路》——诚实的审视
第五篇：《当AI开始杀人，谁来负责？》——智能与伦理的剪刀差
第六篇：本文——反不平等
第一篇说：当所有人都能创造，能区分人的只剩品味。
第二篇说：品味不是天赋，是吸收量的函数。
第三篇说：吸收量不是终点，元认知才是。
第四篇说：知道最好的路在哪，和能不能走那条路，是两件事。
第五篇说：如果伦理跟不上技术，最好的路可能被彻底堵死。
这一篇想说的是：别等路被堵死。现在就动手，在具体的产品里，一个像素一个像素地把选择二画出来。
（本篇完）