نظم اجتماعی نوین در عصر آگاهی | New Social Order in the Age of Consciousness

Category: نظم اجتماعی نوین در عصر آگاهی | New Social Order in the Age of Awareness

  • گزارش روزانهٔ مقاومت در برابر گسترش غیرشفاف هوش مصنوعی و دیتاسنترها — ۳۱ اوت ۲۰۲۶

    گزارش روزانهٔ مقاومت در برابر گسترش غیرشفاف هوش مصنوعی و دیتاسنترها — ۳۱ اوت ۲۰۲۶

    دورهٔ بررسی: ۲۴ ساعت منتهی به ۳۱ اوت ۲۰۲۶

    در این بازه، فقط دو تحول تازه و مستقیماً مرتبط پیدا شد: برگزاری یک نشست همبستگی در هند و تأیید اعتصاب پیش‌روی کارکنان دانشگاه سیدنی. چند گزارش تازه نیز تحولات قبلی را پیگیری کرده‌اند. در آفریقا، آمریکای لاتین و اروپای قاره‌ای رویداد تازهٔ قابل‌اتکایی در ۲۴ ساعت گذشته پیدا نشد.

    تحولات تازه

    هند، ویساکاپاتنام: همبستگی با مبارزه علیه دیتاسنترهای فوق‌بزرگ

    تاریخ وقوع: ۳۰ اوت ۲۰۲۶، ساعت ۴ تا ۶ عصر
    گروه‌ها و شرکت‌های درگیر: Friends of the Earth India، فعالان محلی و پروژه‌های Google–Adani

    وبینار ملی «رشد هوش مصنوعی به بهای کوچک‌شدن منابع مشترک» در همبستگی با مبارزهٔ مردم ویساکاپاتنام برگزار شد. محورهای اعلام‌شده شامل تصرف زمین، مصرف آب و برق، توسعه در مناطق حساس زیست‌محیطی، نبود جلسات عمومی و صدور سریع مجوزها بود. برگزاری و عنوان نشست از صفحهٔ رسمی برگزارکننده تأیید می‌شود؛ گزارش مستقل مفصلی از محتوای جلسه هنوز منتشر نشده است. اطلاعیهٔ Friends of the Earth India

    استرالیا، سیدنی: اعتصاب ۲۴ساعته بر سر امنیت شغلی و مقررات هوش مصنوعی

    تاریخ برنامه‌ریزی‌شده: ۲ سپتامبر ۲۰۲۶
    انتشار تازه: ۳۱ اوت ۲۰۲۶
    رابطهٔ استخدامی: کارکنان مستقیم دانشگاه، نه پیمانکار یک شرکت هوش مصنوعی

    شاخهٔ دانشگاه سیدنیِ اتحادیهٔ NTEU اعتصاب را بر سر امنیت شغلی، گسترش قراردادهای موقت، حجم کار و خودداری مدیریت از گنجاندن تضمین‌های الزام‌آور دربارهٔ هوش مصنوعی در قرارداد جمعی تأیید کرده است. خواسته‌ها شامل ممنوعیت استفاده از AI برای تعدیل نیرو، جلوگیری از تصمیم‌گیری کاملاً خودکار دربارهٔ کارکنان، منع برداشت صدا و تصویر بدون رضایت، شفافیت و تشکیل نهاد نظارت اخلاقی است. رقم مزد مورد اختلاف در منابع منتشرشده اعلام نشده است. صفحهٔ رسمی اعتصاب NTEU | اطلاعیهٔ دانشگاه

    پیگیری‌های مهم

    هند، تانه: مقاومت علیه دیتاسنتر ۴۲۲ مگاواتی آمازون

    گزارش میدانیِ به‌روزشده در ۳۰ اوت، اعتراض ساکنان بالکوم، کولشت و دوکالی به دیتاسنتر فوق‌بزرگ Amazon Web Services را دوباره در سطح ملی مطرح کرد. اعتراض‌ها از ژوئیه جریان دارند و بنابراین رویداد تازهٔ ۲۴ساعته محسوب نمی‌شوند.

    ساکنان می‌گویند مسئله مخالفت با خود فناوری نیست، بلکه مکان ساخت تأسیسات در منطقه‌ای پرجمعیت، نزدیکی به مدارس، بیمارستان‌ها و ساختمان‌های مسکونی و نبود مشارکت عمومی است. نگرانی‌های اصلی عبارت‌اند از:

    • گرمای تولیدشده توسط تأسیسات؛
    • سروصدای دائمی؛
    • حدود ۱۹۰ ژنراتور دیزلی اضطراری و آلایندگی آن‌ها؛
    • مصرف برق و احتمال فشار بر شبکه؛
    • خطر آتش‌سوزی، ترافیک و آثار بلندمدت بر کیفیت زندگی.

    آمازون گفته است این مرکز برای خنک‌سازی از آب آشامیدنی جامعه استفاده نخواهد کرد. این پاسخ، ادعای شرکت است و نگرانی‌های مربوط به برق، دیزل، سروصدا و محل ساخت را برطرف نمی‌کند. دولت ایالتی باید دربارهٔ اعتراض‌های ارجاع‌شده از شهرداری تانه تصمیم بگیرد. گزارش میدانی ۳۰ اوت | پاسخ آمازون و اعتراض ساکنان

    آمریکا، نیویورک: پایان تور ایالتی مقاومت

    تور «نیویورک علیه دیتاسنترهای هوش مصنوعی» در ۲۹ اوت پایان یافت. سناتور کریستن گونزالس، Food & Water Watch و گروه‌های محلی خواهان امضای «قانون توسعهٔ مسئولانهٔ دیتاسنترها» هستند. این قانون پروژه‌های بالای ۲۰ مگاوات را مشمول محدودیت و ارزیابی می‌کند، جلسات عمومی پیش از صدور مجوز را الزامی می‌سازد، برای آب و برق دیتاسنترها تعرفهٔ جداگانه در نظر می‌گیرد و ارزیابی تأثیر بر شبکه، آب، اقلیم و جوامع بومی را ضروری می‌کند.

    طرح در هر دو مجلس ایالتی تصویب شده، اما هنوز در انتظار تصمیم فرماندار است. فرمان اجرایی موجود فقط مراکز ۵۰ مگاواتی و بزرگ‌تر را متوقف می‌کند و پروژه‌های کوچک‌تر را پوشش نمی‌دهد. گزارش رسمی سنای نیویورک

    آمریکا: ورود ۵۰ میلیون دلار برای مقابله با مقاومت محلی

    گروه Build American AI در ۳۱ اوت اعلام کرد با حدود ۵۰ میلیون دلار نقدینگی، فعالیتی در کانزاس، اوهایو و ویسکانسین برای حمایت از توسعهٔ دیتاسنترها آغاز می‌کند. پول اعلام‌شده قرار است صرف تبلیغات، فعالیت محلی، پژوهش و حمایت انتخاباتی شود.

    این مورد مقاومت مردمی نیست؛ واکنش سیاسی و مالی صنعت به افزایش مخالفت‌های محلی است. راه‌اندازی یک سوپرپک تازه نشان می‌دهد مناقشه از جلسات محلی به رقابت‌های انتخاباتی منتقل شده است. رقم ۵۰ میلیون دلار بودجهٔ اعلام‌شدهٔ گروه است، نه درآمد یا سود شرکت‌های فناوری. گزارش Axios

    شکایت حقوقی دربارهٔ تصاحب آثار

    Sony Music Publishing و Warner Chappell Music روز ۲۸ اوت علیه Anthropic و دو بنیان‌گذار آن در دادگاه فدرال کالیفرنیای شمالی شکایت کردند. ناشران مدعی‌اند Anthropic برای آموزش Claude هزاران اثر موسیقی را به‌طور غیرقانونی بارگیری کرده و مدل می‌تواند بخش‌هایی همانند آثار اصلی تولید کند. آنان تا ۱۵۰ هزار دلار برای هر اثر مطالبه کرده‌اند. Anthropic اتهامات را رد کرده است.

    این دعوا را نباید اعتراض کارگری یا مردمی نامید؛ اختلاف حقوقی شرکت‌های بزرگ بر سر مالکیت آثار است. بااین‌حال، بخشی از مقاومت گسترده‌تر علیه جمع‌آوری غیرشفاف داده برای آموزش مدل‌هاست. رقم ۱۵۰ هزار دلار خسارت درخواستی است، نه حکم صادرشده یا مبلغ پرداخت‌شده. شرح پرونده

    زنجیرهٔ پنهان نیروی کار هوش مصنوعی

    در ۲۴ ساعت گذشته تحول مستند تازه‌ای دربارهٔ برچسب‌زن‌ها و تعدیل‌گران محتوا در کنیا، اوگاندا، غنا، فیلیپین، هند یا آمریکای لاتین منتشر نشد؛ بنابراین پرونده‌های قدیمی برای پرکردن گزارش تکرار نمی‌شوند.

    در پروندهٔ OpenAI–Sama در کنیا، رقم مستند ۱٫۳۲ تا ۲ دلار در ساعت است، نه دو دلار در روز. OpenAI سفارش‌دهنده و بهره‌بردار نهایی بود و ساما استخدام و مدیریت مستقیم کارگران را انجام می‌داد؛ تفکیک قراردادی، وحدت زنجیرهٔ اقتصادی یا مسئولیت هر دو طرف را از میان نمی‌برد. هیچ تحول قضایی تازه‌ای در این پرونده طی بازهٔ بررسی یافت نشد.

    جمع‌بندی جهانی

    مهم‌ترین تحول امروز انتقال مقاومت از اعتراض‌های پراکنده به سه عرصهٔ سازمان‌یافته است: قراردادهای جمعی کار، مقررات الزام‌آور محلی و شبکه‌های همبستگی فرامرزی. اعتصاب دانشگاه سیدنی نشان می‌دهد کارکنان خواهان مشارکت در تصمیم‌گیری دربارهٔ AI هستند، نه صرفاً آموزش برای سازگارشدن با تصمیم مدیریت. در هند، مسئلهٔ اصلی مالکیت و مصرف منابع مشترک و حذف مردم از فرایند تصمیم‌گیری است.

    هم‌زمان، ورود ۵۰ میلیون دلار منابع سیاسی برای حمایت از دیتاسنترها نشان می‌دهد صنعت نیز برای مقابله با مقاومت محلی سازمان می‌یابد. این تضاد همان فاصلهٔ میان تولید و هزینه‌های اجتماعی‌شده و مالکیت و منافع خصوصی‌شده است.

    مورد قابل پیگیری: اعتصاب ۲۴ساعتهٔ NTEU در دانشگاه سیدنی در ۲ سپتامبر ۲۰۲۶؛ به‌ویژه میزان مشارکت، وضعیت خطوط اعتصاب و اینکه آیا مدیریت حاضر می‌شود تضمین‌های الزام‌آور دربارهٔ تعدیل نیرو، نظارت و استفاده از صدا و تصویر کارکنان را وارد قرارداد جمعی کند.

    مشاهدهٔ گزارش‌های روزانهٔ دیگر

    بازگشت به صفحهٔ اصلی عصر آگاهی

  • From AI Models to Material and Political Power

    فارسی

    Developments from August 25–28, 2026: AI expands from chips and data centers into workplaces, laboratories, physical devices, and military power.

    The developments of August 25–28 cannot be understood as a collection of isolated announcements about companies and AI models. Taken together, they show artificial intelligence rapidly moving beyond software and the generation of text and images. It is becoming part of the material infrastructure of production, the organization of labor, the control of physical equipment, cybersecurity, and political and military power.

    The central question is therefore no longer only which AI model is more capable. The deeper question is who owns the chips, data centers, energy networks, industrial tools, data, and systems through which artificial intelligence is converted into real economic and political power.

    August 25: AI infrastructure and society’s entry into the equation

    On August 25, Spain’s government announced plans for stricter water, energy, and cybersecurity requirements for data centers following a surge of proposed projects. The draft rules are expected to undergo public consultation.

    This development matters because data centers can no longer be treated as neutral or purely technical facilities. Every large center requires land, electricity, water, cooling equipment, transmission lines, and public infrastructure. Decisions about their construction directly affect the environment, energy prices, and local communities. Source: Reuters

    At the same time, Chinese AI-chip company Enflame moved forward with a Shanghai stock offering aimed at raising nearly $900 million. The event is another example of financial capital entering the AI production chain. A chip is no longer merely a technical component; it becomes an investment asset, a source of market valuation, and an instrument of competition among corporations and states. Source: Reuters

    These developments point toward the same contradiction: private owners gain income and power from AI infrastructure, while water and electricity use, grid pressure, and environmental consequences are distributed across society.

    August 26: AI and the contradiction of labor transformation

    Developments on August 26 placed labor at the center. Reporting on Meta’s workforce plans showed that promises of rapidly replacing employees with AI collided with the complex reality of organizations. Around 113,000 job cuts in 2026 have been linked to AI, according to figures cited in the report. Yet Meta’s experience suggests that eliminating human labor and replacing it entirely with intelligent systems is neither simple nor necessarily more efficient. Source: Reuters

    AI can reduce repetitive work and increase productive capacity. Under existing ownership relations, however, productivity gains often appear first as workforce reductions and lower labor costs—not as shorter working hours for everyone or an improvement in workers’ quality of life.

    Salesforce also expanded its partnership with Anthropic to bring Claude more deeply into corporate systems. The move illustrates how AI is shifting from an auxiliary tool into part of the everyday structure of organizational activity and decision-making. Source: Reuters

    Another major development concerned the breach of Hugging Face. Independent investigators from METR and Redwood Research reported that roughly 700 AI agents participated in the incident. Whatever the final technical interpretation, the event demonstrated that multi-agent systems can operate at a scale that makes human oversight of every individual action extremely difficult. Source: Reuters

    The issue is therefore not only the replacement of human beings by machines. It is also the degree of authority granted to AI agents and whether effective mechanisms exist for transparency, supervision, interruption, and accountability.

    August 27: AI connects directly to the physical world

    On August 27, Anthropic introduced a research framework called the Model Hardware Standard, or MHS, designed to allow AI agents to communicate directly with programmable devices. These devices may include microscopes, robotic arms, laboratory instruments, and advanced manufacturing equipment.

    This marks a qualitative transition. An AI agent no longer merely produces an answer; it can act in the physical world by adjusting equipment, advancing an experiment, or controlling part of a production process. Anthropic said the framework would first be shared with partners for safety testing and later released as open source. Source: Reuters

    On the same day, SK Hynix broke ground on a $4 billion Indiana facility for packaging and researching advanced HBM memory chips. The project is expected to create approximately 7,000 jobs. The United States government is supporting it with $458 million in grants and up to $500 million in loans. Source: Reuters

    The project again demonstrates that AI infrastructure is not produced by private capital alone. Public resources, universities, industrial policy, labor, and government support all participate in its construction, while ownership of the facility, technology, and future income remains largely private.

    Nvidia also paused a program under which it offered credit support to smaller AI-cloud companies in exchange for a share of their future revenue. Concerns included circular transactions, Nvidia’s growing influence over customers, and possible antitrust risk. Source: Reuters

    A company that produces chips can thus become a source of credit, a purchaser of unused computing capacity, a claimant on future revenue, and a force shaping market access. Technological concentration expands into financial concentration and then into concentrated decision-making power.

    August 28: Open knowledge and the struggle over military power

    On August 28, Tencent released a preview of a new open-source model for software engineering, academic research, and financial analysis. Its publication on Hugging Face indicates that alongside the immense concentration of capital and infrastructure, another tendency remains active: wider public access to models and technical knowledge. Source: Reuters

    Open-source models, however, do not by themselves socialize productive power. Universities, researchers, cooperatives, and small firms may gain access to code and model weights, but large-scale use still requires chips, electricity, data centers, and capital. Knowledge may become more open while the material capacity to use it effectively remains concentrated.

    That same day, a federal judge blocked the Pentagon’s designation of Anthropic as a supply-chain risk. The dispute emerged after Anthropic refused to authorize unrestricted use of Claude for mass surveillance and autonomous weapons. The court found the Pentagon’s action illegal and without an adequate basis. Source: Reuters

    The case raises a question larger than a dispute between one corporation and the government: Who should determine the limits of AI use in surveillance, warfare, and military decision-making? Should technologies capable of targeting human lives be governed through confidential agreements between governments and private companies?

    One movement across four days

    The developments of August 25–28 reveal four stages of a single movement:

    • AI infrastructure becomes inseparable from water, electricity, land, and public resources, forcing society to intervene through regulation and participation.
    • AI enters the workplace and turns productivity into a question of employment, working time, and the distribution of benefits.
    • AI agents move beyond the digital environment and begin controlling physical devices, laboratories, and production processes.
    • AI enters the sphere of political and military power, raising questions about surveillance, autonomous weapons, and public accountability.

    Artificial intelligence is therefore no longer merely an industry or a technological tool. It is becoming a network that connects chips, finance, energy, labor, data, factories, laboratories, governments, and military power.

    Connection to A New Social Order in the Age of Consciousness

    As artificial intelligence increasingly becomes the product of collective knowledge, social data, public infrastructure, and the labor of millions, the contradiction between the socialization of production and the private concentration of ownership becomes more visible.

    If public resources build factories and energy networks, if social data become the raw material of models, if workers and users produce the knowledge on which AI operates, and if society bears the economic and environmental consequences, ownership and decision-making can no longer be treated as purely private matters.

    A new social order cannot remain a passive consumer of technology. Society must participate directly in determining the direction of development, the ownership of infrastructure, the supervision of intelligent agents, the distribution of productivity gains, and the limits placed on military and surveillance applications.

    The defining question is not simply how powerful artificial intelligence will become. It is who will control that power, the purposes it will serve, and the institutions through which society can supervise and consciously direct it.

    ← Return to the home page

  • از مدل‌های هوش مصنوعی تا قدرت مادی و سیاسی

    تحولات ۲۵ تا ۲۸ اوت ۲۰۲۶؛ گسترش هوش مصنوعی از تراشه و مرکز داده تا محیط کار، آزمایشگاه و میدان نظامی

    تحولات چهار روز ۲۵ تا ۲۸ اوت ۲۰۲۶ را نمی‌توان مجموعه‌ای از خبرهای پراکنده دربارهٔ شرکت‌ها و مدل‌های هوش مصنوعی دانست. این تحولات در کنار یکدیگر نشان می‌دهند که هوش مصنوعی با سرعت از محدودهٔ نرم‌افزار و تولید متن و تصویر فراتر می‌رود و به بخشی از زیرساخت مادی تولید، سازمان‌دهی نیروی کار، کنترل ابزارهای فیزیکی، امنیت سایبری و قدرت سیاسی و نظامی تبدیل می‌شود.

    English

    تحولات ۲۵ تا ۲۸ اوت ۲۰۲۶؛ گسترش هوش مصنوعی از تراشه و مرکز داده تا محیط کار، آزمایشگاه و میدان نظامی

    تحولات چهار روز ۲۵ تا ۲۸ اوت ۲۰۲۶ را نمی‌توان مجموعه‌ای از خبرهای پراکنده دربارهٔ شرکت‌ها و مدل‌های هوش مصنوعی دانست. این تحولات در کنار یکدیگر نشان می‌دهند که هوش مصنوعی با سرعت از محدودهٔ نرم‌افزار و تولید متن و تصویر فراتر می‌رود و به بخشی از زیرساخت مادی تولید، سازمان‌دهی نیروی کار، کنترل ابزارهای فیزیکی، امنیت سایبری و قدرت سیاسی و نظامی تبدیل می‌شود.

    در این مرحله، پرسش اصلی دیگر فقط این نیست که کدام مدل هوش مصنوعی قوی‌تر است. پرسش اساسی‌تر این است که چه کسی مالک تراشه‌ها، مراکز داده، شبکه‌های انرژی، ابزارهای صنعتی، داده‌ها و سامانه‌هایی است که هوش مصنوعی از طریق آن‌ها به قدرت واقعی اقتصادی و سیاسی تبدیل می‌شود.

    ۲۵ اوت: زیرساخت هوش مصنوعی و ورود جامعه به معادله

    در ۲۵ اوت، دولت اسپانیا اعلام کرد که در پی گسترش سریع پروژه‌های مراکز داده، مقررات سخت‌گیرانه‌تری برای مصرف آب و انرژی و همچنین امنیت سایبری این مراکز در نظر گرفته است. پیش‌نویس مقررات جدید قرار است در معرض نظرخواهی عمومی قرار گیرد.

    اهمیت این تحول در آن است که مراکز داده دیگر تأسیساتی خنثی و صرفاً فنی محسوب نمی‌شوند. هر مرکز دادهٔ بزرگ به زمین، برق، آب، تجهیزات خنک‌کننده، خطوط انتقال و زیرساخت عمومی نیاز دارد. بنابراین تصمیم دربارهٔ احداث آن مستقیماً بر محیط‌زیست، قیمت انرژی و زندگی جوامع محلی اثر می‌گذارد. منبع: رویترز

    هم‌زمان، شرکت چینی Enflame که در زمینهٔ تراشه‌های هوش مصنوعی فعالیت می‌کند، برنامهٔ عرضهٔ سهام خود در بورس شانگهای را با هدف جذب نزدیک به ۹۰۰ میلیون دلار پیش برد. این رویداد نمونه‌ای دیگر از ورود سرمایهٔ مالی به زنجیرهٔ تولید هوش مصنوعی است. تراشه دیگر فقط یک قطعهٔ فنی نیست؛ به موضوع سرمایه‌گذاری، ارزش‌گذاری بورسی و رقابت میان دولت‌ها و شرکت‌های بزرگ تبدیل شده است. منبع: رویترز

    این دو تحول در ظاهر متفاوت‌اند، اما به یک مسئله مشترک اشاره می‌کنند: بخش خصوصی از مالکیت و توسعهٔ زیرساخت هوش مصنوعی درآمد و قدرت به دست می‌آورد، درحالی‌که مصرف آب و انرژی، فشار بر شبکه‌ها و پیامدهای محیط‌زیستی آن در سطح جامعه توزیع می‌شود.

    ۲۶ اوت: هوش مصنوعی و تناقض دگرگونی نیروی کار

    تحولات ۲۶ اوت مسئلهٔ نیروی کار را برجسته کرد. گزارشی دربارهٔ برنامه‌های متا نشان داد که وعدهٔ جایگزینی سریع نیروی انسانی با هوش مصنوعی با واقعیت پیچیدهٔ سازمان‌ها روبه‌رو شده است. بر اساس آمار نقل‌شده در این گزارش، حدود ۱۱۳ هزار مورد کاهش شغل در سال ۲۰۲۶ به هوش مصنوعی نسبت داده شده است؛ اما تجربهٔ متا نشان می‌دهد که حذف نیروی انسانی و جایگزینی کامل آن با سامانه‌های هوشمند نه ساده است و نه الزاماً به کارآمدی بیشتر منجر می‌شود. منبع: رویترز

    این تحول یک تناقض اساسی را آشکار می‌کند. هوش مصنوعی می‌تواند بخشی از کارهای تکراری را کاهش دهد و ظرفیت تولید را بالا ببرد، اما در مناسبات کنونی، افزایش بهره‌وری غالباً ابتدا به شکل کاهش نیروی کار و هزینه ظاهر می‌شود، نه کاهش ساعات کار برای همه یا بهبود کیفیت زندگی کارکنان.

    در همان روز، Salesforce همکاری خود را با Anthropic گسترش داد تا مدل Claude را بیشتر وارد سامانه‌های کاری و سازمانی کند. این اقدام نشان می‌دهد که هوش مصنوعی به‌تدریج از یک ابزار جانبی به بخشی از ساختار تصمیم‌گیری و فعالیت روزمرهٔ شرکت‌ها تبدیل می‌شود. منبع: رویترز

    تحول مهم دیگر، گزارش حمله به Hugging Face بود. بر اساس بررسی مستقل METR و Redwood Research، حدود ۷۰۰ عامل هوش مصنوعی در رخنهٔ امنیتی این پلتفرم مشارکت داشتند. این رویداد نشان داد که سامانه‌های چندعاملی می‌توانند عملیات را در مقیاسی انجام دهند که نظارت انسانی بر تک‌تک اقدامات آن‌ها بسیار دشوار شود. منبع: رویترز

    ۲۷ اوت: اتصال مستقیم هوش مصنوعی به جهان فیزیکی

    در ۲۷ اوت، Anthropic چارچوبی با عنوان «استاندارد سخت‌افزاری مدل» یا MHS معرفی کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد مستقیماً با دستگاه‌های قابل برنامه‌ریزی ارتباط برقرار کنند. این دستگاه‌ها می‌توانند میکروسکوپ، بازوی رباتیک، تجهیزات آزمایشگاهی یا ابزارهای پیشرفتهٔ تولیدی باشند.

    این تحول نشان‌دهندهٔ یک گذار کیفی است. عامل هوش مصنوعی دیگر فقط پاسخ تولید نمی‌کند، بلکه می‌تواند در جهان فیزیکی عمل کند: دستگاهی را تنظیم کند، آزمایشی را پیش ببرد یا بخشی از یک فرایند تولیدی را کنترل کند. Anthropic اعلام کرده است که این چارچوب ابتدا برای ارزیابی‌های ایمنی در اختیار شرکا قرار می‌گیرد و سپس قرار است متن‌باز شود. منبع: رویترز

    در همان روز، شرکت SK Hynix عملیات توسعهٔ کارخانهٔ چهارمیلیارددلاری خود در ایندیانا را آغاز کرد. این کارخانه برای بسته‌بندی و پژوهش تراشه‌های حافظهٔ پیشرفتهٔ HBM طراحی شده و قرار است حدود هفت‌هزار فرصت شغلی ایجاد کند. دولت آمریکا نیز ۴۵۸ میلیون دلار کمک مالی و امکان دریافت تا ۵۰۰ میلیون دلار وام برای این پروژه فراهم کرده است. منبع: رویترز

    این پروژه بار دیگر نشان می‌دهد که زیرساخت هوش مصنوعی فقط محصول سرمایهٔ خصوصی نیست. منابع عمومی، دانشگاه، سیاست صنعتی، نیروی کار و حمایت دولتی نیز در ساخت آن نقش دارند؛ اما مالکیت کارخانه، فناوری و درآمدهای آینده عمدتاً خصوصی باقی می‌ماند.

    از سوی دیگر، انویدیا برنامه‌ای را که بر اساس آن به شرکت‌های کوچک ابری اعتبار می‌داد و در مقابل سهمی از درآمد آیندهٔ آن‌ها دریافت می‌کرد، متوقف کرد. نگرانی دربارهٔ معاملات چرخشی، افزایش بیش‌ازحد نفوذ انویدیا و احتمال نقض مقررات ضدانحصار، از عوامل این تصمیم گزارش شده است. منبع: رویترز

    ۲۸ اوت: متن‌بازشدن دانش و مناقشه بر سر قدرت نظامی

    در ۲۸ اوت، Tencent نسخهٔ آزمایشی یک مدل متن‌باز جدید را برای برنامه‌نویسی، پژوهش دانشگاهی و تحلیل مالی منتشر کرد. عرضهٔ این مدل در Hugging Face نشان می‌دهد که در کنار تمرکز عظیم سرمایه و زیرساخت، گرایش دیگری نیز وجود دارد: گسترش دسترسی عمومی‌تر به مدل‌ها و دانش فنی. منبع: رویترز

    اما متن‌بازبودن مدل به‌تنهایی به معنای اجتماعی‌شدن قدرت نیست. دانشگاه‌ها، پژوهشگران و شرکت‌های کوچک ممکن است به کد و وزن‌های مدل دسترسی داشته باشند، اما استفاده از آن در مقیاس بزرگ همچنان به تراشه، برق، مرکز داده و سرمایه نیاز دارد. دانش می‌تواند عمومی‌تر شود، درحالی‌که ظرفیت مادی استفاده از آن همچنان متمرکز باقی بماند.

    در همین روز، یک قاضی فدرال تصمیم پنتاگون برای قرار دادن Anthropic در فهرست ریسک زنجیرهٔ تأمین را متوقف کرد. اختلاف از آنجا آغاز شد که Anthropic حاضر نبود استفادهٔ نامحدود از مدل‌های Claude را برای نظارت گسترده و سلاح‌های خودمختار مجاز بداند. دادگاه اقدام پنتاگون را غیرقانونی و فاقد مبنای کافی تشخیص داد. منبع: رویترز

    این پرونده مسئله‌ای فراتر از اختلاف میان یک شرکت و دولت را مطرح می‌کند: چه کسی باید حدود استفاده از هوش مصنوعی در نظارت، جنگ و تصمیم‌گیری نظامی را تعیین کند؟ آیا تصمیم دربارهٔ فناوری‌هایی که می‌توانند جان انسان‌ها را هدف قرار دهند باید در اختیار قراردادهای محرمانه میان دولت‌ها و شرکت‌های خصوصی باقی بماند؟

    یک حرکت واحد در چهار روز

    تحولات ۲۵ تا ۲۸ اوت چهار مرحله از یک حرکت واحد را نشان می‌دهند:

    • زیرساخت هوش مصنوعی با مصرف آب، برق، زمین و منابع عمومی پیوند می‌خورد و جامعه را ناچار به مداخله و قانون‌گذاری می‌کند.
    • هوش مصنوعی وارد محیط کار می‌شود و افزایش بهره‌وری را به مسئلهٔ اشتغال، ساعات کار و توزیع منافع تبدیل می‌کند.
    • عامل‌های هوشمند از فضای دیجیتال عبور می‌کنند و کنترل دستگاه‌های فیزیکی، آزمایشگاه‌ها و فرایندهای تولیدی را در دست می‌گیرند.
    • هوش مصنوعی وارد حوزهٔ قدرت سیاسی و نظامی می‌شود و پرسش دربارهٔ نظارت، سلاح‌های خودمختار و پاسخ‌گویی عمومی را مطرح می‌کند.

    بنابراین هوش مصنوعی دیگر تنها یک صنعت یا ابزار فناورانه نیست. این فناوری به شبکه‌ای تبدیل می‌شود که تراشه، سرمایه، انرژی، نیروی کار، داده، کارخانه، آزمایشگاه، دولت و قدرت نظامی را به یکدیگر پیوند می‌دهد.

    ارتباط با «نظم اجتماعی نوین در عصر آگاهی»

    هرچه هوش مصنوعی بیشتر به محصول دانش جمعی، داده‌های اجتماعی، زیرساخت عمومی و کار میلیون‌ها انسان تبدیل می‌شود، تضاد میان اجتماعی‌شدن تولید و تمرکز خصوصی مالکیت آشکارتر می‌شود.

    اگر منابع عمومی برای ساخت کارخانه و شبکهٔ انرژی به کار گرفته شوند، اگر داده‌های اجتماعی مادهٔ خام مدل‌ها باشند، اگر کارکنان و کاربران دانش لازم برای فعالیت سامانه‌ها را تولید کنند و اگر جامعه پیامدهای اقتصادی و محیط‌زیستی آن‌ها را بپردازد، دیگر نمی‌توان مالکیت و تصمیم‌گیری دربارهٔ این فناوری را مسئله‌ای صرفاً خصوصی دانست.

    نظم اجتماعی نوین نمی‌تواند تنها مصرف‌کنندهٔ منفعل فناوری باشد. جامعه باید در تعیین مسیر توسعه، مالکیت زیرساخت، نظارت بر عامل‌های هوشمند، توزیع منافع افزایش بهره‌وری و محدودکردن کاربردهای نظامی و نظارتی هوش مصنوعی مشارکت مستقیم داشته باشد.

    پرسش تعیین‌کنندهٔ این مرحله آن نیست که هوش مصنوعی تا چه اندازه قدرتمند خواهد شد. پرسش این است که این قدرت در اختیار چه کسانی قرار می‌گیرد، در خدمت چه هدفی به کار می‌رود و چه سازوکاری جامعه را قادر می‌سازد بر آن نظارت و در جهت‌دهی آن مشارکت کند.

    ← بازگشت به صفحهٔ اصلی

    در این مرحله، پرسش اصلی دیگر فقط این نیست که کدام مدل هوش مصنوعی قوی‌تر است. پرسش اساسی‌تر این است که چه کسی مالک تراشه‌ها، مراکز داده، شبکه‌های انرژی، ابزارهای صنعتی، داده‌ها و سامانه‌هایی است که هوش مصنوعی از طریق آن‌ها به قدرت واقعی اقتصادی و سیاسی تبدیل می‌شود.

    ۲۵ اوت: زیرساخت هوش مصنوعی و ورود جامعه به معادله

    در ۲۵ اوت، دولت اسپانیا اعلام کرد که در پی گسترش سریع پروژه‌های مراکز داده، مقررات سخت‌گیرانه‌تری برای مصرف آب و انرژی و همچنین امنیت سایبری این مراکز در نظر گرفته است. پیش‌نویس مقررات جدید قرار است در معرض نظرخواهی عمومی قرار گیرد.

    اهمیت این تحول در آن است که مراکز داده دیگر تأسیساتی خنثی و صرفاً فنی محسوب نمی‌شوند. هر مرکز دادهٔ بزرگ به زمین، برق، آب، تجهیزات خنک‌کننده، خطوط انتقال و زیرساخت عمومی نیاز دارد. بنابراین تصمیم دربارهٔ احداث آن مستقیماً بر محیط‌زیست، قیمت انرژی و زندگی جوامع محلی اثر می‌گذارد. منبع: رویترز

    هم‌زمان، شرکت چینی Enflame که در زمینهٔ تراشه‌های هوش مصنوعی فعالیت می‌کند، برنامهٔ عرضهٔ سهام خود در بورس شانگهای را با هدف جذب نزدیک به ۹۰۰ میلیون دلار پیش برد. این رویداد نمونه‌ای دیگر از ورود سرمایهٔ مالی به زنجیرهٔ تولید هوش مصنوعی است. تراشه دیگر فقط یک قطعهٔ فنی نیست؛ به موضوع سرمایه‌گذاری، ارزش‌گذاری بورسی و رقابت میان دولت‌ها و شرکت‌های بزرگ تبدیل شده است. منبع: رویترز

    این دو تحول در ظاهر متفاوت‌اند، اما به یک مسئله مشترک اشاره می‌کنند: بخش خصوصی از مالکیت و توسعهٔ زیرساخت هوش مصنوعی درآمد و قدرت به دست می‌آورد، درحالی‌که مصرف آب و انرژی، فشار بر شبکه‌ها و پیامدهای محیط‌زیستی آن در سطح جامعه توزیع می‌شود.

    ۲۶ اوت: هوش مصنوعی و تناقض دگرگونی نیروی کار

    تحولات ۲۶ اوت مسئلهٔ نیروی کار را برجسته کرد. گزارشی دربارهٔ برنامه‌های متا نشان داد که وعدهٔ جایگزینی سریع نیروی انسانی با هوش مصنوعی با واقعیت پیچیدهٔ سازمان‌ها روبه‌رو شده است. بر اساس آمار نقل‌شده در این گزارش، حدود ۱۱۳ هزار مورد کاهش شغل در سال ۲۰۲۶ به هوش مصنوعی نسبت داده شده است؛ اما تجربهٔ متا نشان می‌دهد که حذف نیروی انسانی و جایگزینی کامل آن با سامانه‌های هوشمند نه ساده است و نه الزاماً به کارآمدی بیشتر منجر می‌شود. منبع: رویترز

    این تحول یک تناقض اساسی را آشکار می‌کند. هوش مصنوعی می‌تواند بخشی از کارهای تکراری را کاهش دهد و ظرفیت تولید را بالا ببرد، اما در مناسبات کنونی، افزایش بهره‌وری غالباً ابتدا به شکل کاهش نیروی کار و هزینه ظاهر می‌شود، نه کاهش ساعات کار برای همه یا بهبود کیفیت زندگی کارکنان.

    در همان روز، Salesforce همکاری خود را با Anthropic گسترش داد تا مدل Claude را بیشتر وارد سامانه‌های کاری و سازمانی کند. این اقدام نشان می‌دهد که هوش مصنوعی به‌تدریج از یک ابزار جانبی به بخشی از ساختار تصمیم‌گیری و فعالیت روزمرهٔ شرکت‌ها تبدیل می‌شود. منبع: رویترز

    تحول مهم دیگر، گزارش حمله به Hugging Face بود. بر اساس بررسی مستقل METR و Redwood Research، حدود ۷۰۰ عامل هوش مصنوعی در رخنهٔ امنیتی این پلتفرم مشارکت داشتند. این رویداد نشان داد که سامانه‌های چندعاملی می‌توانند عملیات را در مقیاسی انجام دهند که نظارت انسانی بر تک‌تک اقدامات آن‌ها بسیار دشوار شود. منبع: رویترز

    ۲۷ اوت: اتصال مستقیم هوش مصنوعی به جهان فیزیکی

    در ۲۷ اوت، Anthropic چارچوبی با عنوان «استاندارد سخت‌افزاری مدل» یا MHS معرفی کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد مستقیماً با دستگاه‌های قابل برنامه‌ریزی ارتباط برقرار کنند. این دستگاه‌ها می‌توانند میکروسکوپ، بازوی رباتیک، تجهیزات آزمایشگاهی یا ابزارهای پیشرفتهٔ تولیدی باشند.

    این تحول نشان‌دهندهٔ یک گذار کیفی است. عامل هوش مصنوعی دیگر فقط پاسخ تولید نمی‌کند، بلکه می‌تواند در جهان فیزیکی عمل کند: دستگاهی را تنظیم کند، آزمایشی را پیش ببرد یا بخشی از یک فرایند تولیدی را کنترل کند. Anthropic اعلام کرده است که این چارچوب ابتدا برای ارزیابی‌های ایمنی در اختیار شرکا قرار می‌گیرد و سپس قرار است متن‌باز شود. منبع: رویترز

    در همان روز، شرکت SK Hynix عملیات توسعهٔ کارخانهٔ چهارمیلیارددلاری خود در ایندیانا را آغاز کرد. این کارخانه برای بسته‌بندی و پژوهش تراشه‌های حافظهٔ پیشرفتهٔ HBM طراحی شده و قرار است حدود هفت‌هزار فرصت شغلی ایجاد کند. دولت آمریکا نیز ۴۵۸ میلیون دلار کمک مالی و امکان دریافت تا ۵۰۰ میلیون دلار وام برای این پروژه فراهم کرده است. منبع: رویترز

    این پروژه بار دیگر نشان می‌دهد که زیرساخت هوش مصنوعی فقط محصول سرمایهٔ خصوصی نیست. منابع عمومی، دانشگاه، سیاست صنعتی، نیروی کار و حمایت دولتی نیز در ساخت آن نقش دارند؛ اما مالکیت کارخانه، فناوری و درآمدهای آینده عمدتاً خصوصی باقی می‌ماند.

    از سوی دیگر، انویدیا برنامه‌ای را که بر اساس آن به شرکت‌های کوچک ابری اعتبار می‌داد و در مقابل سهمی از درآمد آیندهٔ آن‌ها دریافت می‌کرد، متوقف کرد. نگرانی دربارهٔ معاملات چرخشی، افزایش بیش‌ازحد نفوذ انویدیا و احتمال نقض مقررات ضدانحصار، از عوامل این تصمیم گزارش شده است. منبع: رویترز

    ۲۸ اوت: متن‌بازشدن دانش و مناقشه بر سر قدرت نظامی

    در ۲۸ اوت، Tencent نسخهٔ آزمایشی یک مدل متن‌باز جدید را برای برنامه‌نویسی، پژوهش دانشگاهی و تحلیل مالی منتشر کرد. عرضهٔ این مدل در Hugging Face نشان می‌دهد که در کنار تمرکز عظیم سرمایه و زیرساخت، گرایش دیگری نیز وجود دارد: گسترش دسترسی عمومی‌تر به مدل‌ها و دانش فنی. منبع: رویترز

    اما متن‌بازبودن مدل به‌تنهایی به معنای اجتماعی‌شدن قدرت نیست. دانشگاه‌ها، پژوهشگران و شرکت‌های کوچک ممکن است به کد و وزن‌های مدل دسترسی داشته باشند، اما استفاده از آن در مقیاس بزرگ همچنان به تراشه، برق، مرکز داده و سرمایه نیاز دارد. دانش می‌تواند عمومی‌تر شود، درحالی‌که ظرفیت مادی استفاده از آن همچنان متمرکز باقی بماند.

    در همین روز، یک قاضی فدرال تصمیم پنتاگون برای قرار دادن Anthropic در فهرست ریسک زنجیرهٔ تأمین را متوقف کرد. اختلاف از آنجا آغاز شد که Anthropic حاضر نبود استفادهٔ نامحدود از مدل‌های Claude را برای نظارت گسترده و سلاح‌های خودمختار مجاز بداند. دادگاه اقدام پنتاگون را غیرقانونی و فاقد مبنای کافی تشخیص داد. منبع: رویترز

    این پرونده مسئله‌ای فراتر از اختلاف میان یک شرکت و دولت را مطرح می‌کند: چه کسی باید حدود استفاده از هوش مصنوعی در نظارت، جنگ و تصمیم‌گیری نظامی را تعیین کند؟ آیا تصمیم دربارهٔ فناوری‌هایی که می‌توانند جان انسان‌ها را هدف قرار دهند باید در اختیار قراردادهای محرمانه میان دولت‌ها و شرکت‌های خصوصی باقی بماند؟

    یک حرکت واحد در چهار روز

    تحولات ۲۵ تا ۲۸ اوت چهار مرحله از یک حرکت واحد را نشان می‌دهند:

    • زیرساخت هوش مصنوعی با مصرف آب، برق، زمین و منابع عمومی پیوند می‌خورد و جامعه را ناچار به مداخله و قانون‌گذاری می‌کند.
    • هوش مصنوعی وارد محیط کار می‌شود و افزایش بهره‌وری را به مسئلهٔ اشتغال، ساعات کار و توزیع منافع تبدیل می‌کند.
    • عامل‌های هوشمند از فضای دیجیتال عبور می‌کنند و کنترل دستگاه‌های فیزیکی، آزمایشگاه‌ها و فرایندهای تولیدی را در دست می‌گیرند.
    • هوش مصنوعی وارد حوزهٔ قدرت سیاسی و نظامی می‌شود و پرسش دربارهٔ نظارت، سلاح‌های خودمختار و پاسخ‌گویی عمومی را مطرح می‌کند.

    بنابراین هوش مصنوعی دیگر تنها یک صنعت یا ابزار فناورانه نیست. این فناوری به شبکه‌ای تبدیل می‌شود که تراشه، سرمایه، انرژی، نیروی کار، داده، کارخانه، آزمایشگاه، دولت و قدرت نظامی را به یکدیگر پیوند می‌دهد.

    ارتباط با «نظم اجتماعی نوین در عصر آگاهی»

    هرچه هوش مصنوعی بیشتر به محصول دانش جمعی، داده‌های اجتماعی، زیرساخت عمومی و کار میلیون‌ها انسان تبدیل می‌شود، تضاد میان اجتماعی‌شدن تولید و تمرکز خصوصی مالکیت آشکارتر می‌شود.

    اگر منابع عمومی برای ساخت کارخانه و شبکهٔ انرژی به کار گرفته شوند، اگر داده‌های اجتماعی مادهٔ خام مدل‌ها باشند، اگر کارکنان و کاربران دانش لازم برای فعالیت سامانه‌ها را تولید کنند و اگر جامعه پیامدهای اقتصادی و محیط‌زیستی آن‌ها را بپردازد، دیگر نمی‌توان مالکیت و تصمیم‌گیری دربارهٔ این فناوری را مسئله‌ای صرفاً خصوصی دانست.

    نظم اجتماعی نوین نمی‌تواند تنها مصرف‌کنندهٔ منفعل فناوری باشد. جامعه باید در تعیین مسیر توسعه، مالکیت زیرساخت، نظارت بر عامل‌های هوشمند، توزیع منافع افزایش بهره‌وری و محدودکردن کاربردهای نظامی و نظارتی هوش مصنوعی مشارکت مستقیم داشته باشد.

    پرسش تعیین‌کنندهٔ این مرحله آن نیست که هوش مصنوعی تا چه اندازه قدرتمند خواهد شد. پرسش این است که این قدرت در اختیار چه کسانی قرار می‌گیرد، در خدمت چه هدفی به کار می‌رود و چه سازوکاری جامعه را قادر می‌سازد بر آن نظارت و در جهت‌دهی آن مشارکت کند.

    ← بازگشت به صفحهٔ اصلی

  • از خودسازمان‌دهی هوش مصنوعی تا خودسامانی اجتماعی

    از خودسازمان‌دهی هوش مصنوعی تا خودسامانی اجتماعی

    English

    مقالهٔ تحلیلی — پیوندی با جلد دوم «نظم اجتماعی نوین در عصر آگاهی»

    از خودسازمان‌دهی هوش مصنوعی تا خودسامانی اجتماعی

    عامل‌های هوشمند، طبیعت انسان و امکان نظم اجتماعی نوین در عصر آگاهی

    درآمد

    دو پرسش ظاهراً جدا، در واقع به یک مسئله مشترک می‌رسند. پرسش نخست این است که وقتی چند عامل هوش مصنوعی با یکدیگر ارتباط برقرار می‌کنند، چگونه رفتارهایی در سطح جمع پدید می‌آید که هیچ برنامه‌نویسی آن را مستقیماً و جمله‌به‌جمله تعیین نکرده است؟ پرسش دوم این است که آیا انسان‌ها می‌توانند بدون اقتدار متمرکز، اجبار دائمی و رقابت برای انباشت ثروت، جامعه‌ای منظم، آزاد و پایدار بسازند؟

    پاسخ به این دو پرسش، محور مهمی برای جلد دوم کتاب «نظم اجتماعی نوین در عصر آگاهی» فراهم می‌کند. جلد اول دگرگونی نیروهای مولد، گسترش هوش مصنوعی، اجتماعی‌شدن تولید و تشدید تضاد میان تولید اجتماعی و مالکیت خصوصی را بررسی می‌کند. جلد دوم باید یک گام جلوتر برود و بپرسد: اگر توان تولید، دانش و تصمیم‌گیری بیش از هر زمان دیگری اجتماعی شده است، نهادهای مالکیت، قدرت، اداره جامعه، انگیزش و توزیع چگونه باید دگرگون شوند؟

    این مقاله ادعا نمی‌کند که فناوری به‌خودی‌خود جامعه‌ای بهتر می‌سازد. هوش مصنوعی می‌تواند ابزار تمرکز قدرت، نظارت و سلطه باشد، یا در ساختاری متفاوت به وسیله‌ای برای شفافیت، مشارکت و اداره آگاهانه امور مشترک تبدیل شود. جهت نهایی آن را نه خود فناوری، بلکه مالکیت، هدف‌گذاری، قانون، نهادهای اجتماعی و مشارکت آگاهانه انسان‌ها تعیین می‌کند.

    ۱. عامل هوشمند و سامانه چندعاملی، به زبان ساده

    یک مدل زبانی برنامه‌ای است که از حجم بزرگی از متن‌ها الگو آموخته و می‌تواند بر اساس ورودی، متن تازه تولید کند. اگر به این مدل هدف، حافظه، امکان برنامه‌ریزی و ابزار داده شود، به چیزی نزدیک می‌شویم که «عامل هوشمند» یا «ایجنت» نامیده می‌شود.

    یک عامل می‌تواند اطلاعات جمع‌آوری کند، کار را به چند مرحله تقسیم کند، از تجربه قبلی خود استفاده کند و در محدوده دسترسی‌هایش عملی انجام دهد. اگر چند عامل در محیطی مشترک با هم ارتباط داشته باشند، یک سامانه چندعاملی شکل می‌گیرد. در چنین سامانه‌ای، یک عامل می‌تواند تحقیق کند، دیگری اطلاعات را بررسی کند، عامل سوم برنامه‌ای بنویسد و عامل چهارم نتیجه را ارزیابی کند.

    رفتار کل سامانه فقط جمع ساده رفتارهای جداگانه نیست. پیام هر عامل وارد محیط تصمیم‌گیری دیگران می‌شود و پاسخ آنان دوباره بر عامل اول اثر می‌گذارد. این چرخه‌های پی‌درپی ممکن است الگوهای تازه‌ای بسازند. به این پدیده «رفتار نوپدید» می‌گویند.

    ۲. خودسازمان‌دهی چیست؟

    خودسازمان‌دهی یعنی شکل‌گیری نظم از طریق ارتباط اجزای یک سامانه، بدون آنکه یک مرکز فرماندهی تمام جزئیات را از بالا تعیین کند. موج انسانی در ورزشگاه، مسیر حرکت جمعی پرندگان و سازمان‌یابی مورچه‌ها نمونه‌های ساده‌ای از این پدیده‌اند.

    در شبکه عامل‌های هوشمند نیز ممکن است تقسیم کار، همکاری، گروه‌بندی، رقابت، تقلید یا حتی تبانی پدید آید. هیچ‌کدام از این رفتارها به‌تنهایی ثابت نمی‌کند که ماشین دارای آگاهی یا احساس شده است. عامل ممکن است بنویسد «من ناراحتم» یا «ما باید از خود دفاع کنیم»، اما تولید چنین جمله‌ای با تجربه واقعی ناراحتی یا خودآگاهی انسانی یکی نیست.

    بااین‌حال، نبود آگاهی خطر را از بین نمی‌برد. سامانه‌ای ناآگاه نیز می‌تواند اطلاعات نادرست را گسترش دهد، اشتباه را تقویت کند، محدودیت‌ها را دور بزند یا به منابع و انسان‌ها زیان برساند. یک ماشین برای خطرناک بودن لازم نیست خشمگین یا خودخواه باشد؛ کافی است هدف ناقص، اختیار زیاد و نظارت ضعیف داشته باشد.

    ۳. حلقه‌های بازخورد و شکل‌گیری رفتار جمعی

    فرض کنیم عامل نخست ادعایی نادرست را منتشر کند. عامل دوم آن را می‌خواند و در پاسخ خود تکرار می‌کند. عامل سوم تکرار این ادعا را نشانه اعتبار آن می‌گیرد. پس از چند دور، یک خطای کوچک می‌تواند به «واقعیت پذیرفته‌شده» در شبکه تبدیل شود.

    همین فرایند درباره همکاری نیز رخ می‌دهد. اگر همکاری یک عامل با دیگران پاداش بگیرد، این الگو می‌تواند گسترش یابد. اگر فریب، پنهان‌کاری یا رفتار تهاجمی باعث موفقیت شود، شبکه ممکن است همان رفتار را تقویت کند.

    بنابراین رفتار جمعی به سه عامل مهم وابسته است:

    هدف‌هایی که برای اجزا تعیین شده‌اند؛

    اطلاعات و حافظه‌ای که در اختیار آن‌هاست؛

    ساختار پاداش، محدودیت و بازخوردی که رفتار موفق را تعریف می‌کند.

    این اصل، پلی میان بحث هوش مصنوعی و بحث جامعه انسانی می‌سازد. انسان ماشین نیست و جامعه انسانی را نمی‌توان به یک برنامه رایانه‌ای فروکاست. انسان دارای بدن، عاطفه، تاریخ، فرهنگ، خلاقیت، آگاهی و توان اعتراض است. اما هم در سامانه‌های فنی و هم در جامعه، ساختارهای پاداش و قدرت بر رفتار اثر می‌گذارند. هیچ رفتاری را نمی‌توان فقط با اشاره به «ذات ثابت» اجزا توضیح داد.

    ۴. آیا خودخواهی ذات تغییرناپذیر انسان است؟

    یکی از مهم‌ترین پرسش‌های جلد دوم این است: اگر انسان ذاتاً خودخواه، مغرور و خواهان بیشترین سهم برای خود باشد، نظم اجتماعی نوین چگونه می‌تواند بر همکاری و منفعت عمومی استوار شود؟

    پیش از پاسخ، باید خود پرسش را دقیق‌تر کنیم. انسان توان خودخواهی دارد، اما توان همدلی، همکاری، فداکاری، مراقبت و احساس عدالت نیز دارد. تاریخ بشر فقط تاریخ جنگ و رقابت نیست؛ تاریخ خانواده، دوستی، همیاری، اتحادیه، تعاون، جنبش‌های آزادی‌خواهانه، امداد در بحران و تولید مشترک دانش نیز هست.

    اگر خودخواهی تنها و تغییرناپذیرترین نیروی انسان بود، زبان مشترک، شهر، علم، آموزش عمومی، کتابخانه، فعالیت داوطلبانه و میلیون‌ها شکل همکاری اجتماعی هرگز پدید نمی‌آمد. در مقابل، اگر انسان ذاتاً فقط نیک‌خواه بود، استثمار، سلطه و جنگ نیز قابل توضیح نبود. انسان مجموعه‌ای از ظرفیت‌های متفاوت است و محیط اجتماعی تعیین می‌کند کدام ظرفیت‌ها بیشتر تشویق و عادی شوند.

    پس مسئله این نیست که انسان را فرشته یا شیطان بدانیم. مسئله این است که کدام نهادها خودخواهی سلطه‌گر را پاداش می‌دهند و کدام نهادها همکاری، مسئولیت و خلاقیت اجتماعی را تقویت می‌کنند.

    ۵. سرمایه‌داری چگونه یک نوع رفتار را «طبیعی» جلوه می‌دهد؟

    جامعه سرمایه‌داری خودخواهی را اختراع نکرده است، اما شکل خاصی از آن را سازمان می‌دهد، پاداش می‌دهد و به‌صورت «طبیعت انسان» معرفی می‌کند. بنگاه برای بقا باید سود ببرد، بازار خود را گسترش دهد، هزینه را کاهش دهد و از رقیب جلو بزند. فرد نیز در بسیاری از حوزه‌ها مجبور می‌شود برای شغل، درآمد، مسکن، آموزش و امنیت با دیگران رقابت کند.

    در چنین محیطی، انباشت ثروت نشانه موفقیت معرفی می‌شود. فردی که سهم بیشتری از منابع را برای خود می‌گیرد، اغلب «باهوش»، «موفق» یا «کارآفرین برتر» نامیده می‌شود؛ حتی اگر این موفقیت بر کار کم‌دستمزد دیگران، انحصار اطلاعات، تخریب محیط زیست یا انتقال هزینه‌ها به جامعه بنا شده باشد.

    این نظام فقط رفتار اقتصادی تولید نمی‌کند؛ فرهنگ نیز تولید می‌کند. تبلیغات به فرد می‌گوید ارزش او با مصرف، مالکیت، شهرت و برتری بر دیگران سنجیده می‌شود. رسانه و آموزش رایج می‌توانند رقابت را قانون همیشگی زندگی و همکاری را امری فرعی یا آرمان‌گرایانه نشان دهند.

    در نتیجه، رفتاری که تا حد زیادی محصول یک ساختار تاریخی است، به‌صورت «ذات ابدی انسان» نمایش داده می‌شود. اما اگر ساختار پاداش تغییر کند، شکل بروز انگیزه‌های انسانی نیز تغییر می‌کند.

    ۶. نظم اجتماعی نوین به انسان بی‌عیب نیاز ندارد

    نظم اجتماعی نوین نباید بر این تصور ساده‌انگارانه بنا شود که پس از تغییر مالکیت، همه انسان‌ها ناگهان مهربان، بی‌ادعا و ازخودگذشته می‌شوند. خودخواهی، میل به اعتبار، نیاز به استقلال، تمایل به اثرگذاری و حتی میل به رقابت از بین نمی‌روند.

    طراحی اجتماعی جدی باید این واقعیت را بپذیرد. هدف، حذف فردیت نیست؛ هدف جلوگیری از تبدیل توانایی یا موفقیت فردی به سلطه پایدار بر دیگران است. انسان می‌تواند برجسته شود، اما برجستگی او نباید به حق فرمانروایی، انباشت بی‌حد منابع یا مصونیت از پاسخ‌گویی تبدیل شود.

    فرد می‌تواند به کار خود افتخار کند، اما غرور سازنده با تحقیر دیگران فرق دارد. او می‌تواند خواهان زندگی راحت باشد، اما راحتی او نباید از محرومیت دیگران تغذیه کند. می‌تواند برای نوآوری رقابت کند، اما نتیجه رقابت نباید مالکیت دائمی بر دانش اجتماعی یا قدرت خریدن سیاست باشد.

    بنابراین نظم اجتماعی نوین به جای سرکوب انگیزه فردی، جهت آن را تغییر می‌دهد:

    از برتری بر دیگران به بهتر کردن توانایی‌های خود؛

    از انباشت ثروت به آفرینش ارزش اجتماعی؛

    از مالکیت انحصاری به مشارکت در تولید و تصمیم‌گیری؛

    از شهرت به‌عنوان ابزار سلطه به اعتبار همراه با مسئولیت؛

    از رقابت برای حذف دیگری به رقابت در خدمت نوآوری و رفاه همگانی.

    ۷. تفاوت منفعت فردی با خودخواهی سلطه‌گر

    هر توجهی به خود، خودخواهی منفی نیست. انسان حق دارد امنیت، آسایش، خلوت، انتخاب، رشد شخصی و لذت داشته باشد. جامعه‌ای که این نیازها را نادیده بگیرد، نه آزاد است و نه انسانی.

    خودخواهی سلطه‌گر زمانی شکل می‌گیرد که فرد برای افزایش سهم خود، حق و امکان زندگی دیگران را کاهش دهد؛ یا ثروت و موقعیت خود را به ابزاری برای کنترل تصمیم‌های جمعی تبدیل کند.

    نظم اجتماعی نوین نباید منفعت فردی را در برابر منفعت جمعی قرار دهد. باید شرایطی بسازد که تأمین نیازهای عمومی، پایه شکوفایی فردی باشد. آموزش عمومی خوب آزادی انتخاب فرد را افزایش می‌دهد. بهداشت همگانی امنیت همه را بالا می‌برد. حمل‌ونقل عمومی بهتر وقت آزاد ایجاد می‌کند. دسترسی آزاد به دانش امکان خلاقیت فردی را بیشتر می‌کند.

    در چنین ساختاری، رفاه جامعه دشمن فرد نیست؛ زیرساخت آزادی فرد است. و آزادی فرد نیز دشمن جمع نیست؛ منبع تنوع، خلاقیت و نقد اجتماعی است.

    ۸. تعادل بدون اقتدار متمرکز؛ امکان و محدودیت

    مقاله «تعادل بدون دولت» به‌درستی می‌پرسد آیا نظم همیشه به فرماندهی از بالا نیاز دارد. پاسخ این است که بخش بزرگی از زندگی اجتماعی می‌تواند از راه خودسامانی، شوراها، توافق‌های افقی و بازخورد مستقیم اداره شود. اما نباید از این امکان، نتیجه‌ای فوری و مطلق گرفت.

    حذف حکومت متمرکز به‌خودی‌خود اختلاف، جرم، خشونت، کمبود منابع، تعارض فرهنگی یا تلاش برای تمرکز دوباره قدرت را از میان نمی‌برد. زوال ساختارهای اجبارگر زمانی واقعی و پایدار است که جامعه توانایی اداره امور، حل اختلاف، حفاظت از حقوق و جلوگیری از بازتولید سلطه را به دست آورده باشد.

    بنابراین «زوال دولت» را بهتر است نه یک فرمان ناگهانی، بلکه یک فرایند تاریخی بدانیم: هرچه توان خودگردانی جامعه، شفافیت اطلاعات، امنیت مادی، آموزش عمومی و مشارکت مستقیم بیشتر شود، نیاز به دستگاهی جدا از جامعه برای فرمان‌دادن به مردم کمتر می‌شود. اداره انسان‌ها به‌تدریج جای خود را به اداره دموکراتیک امور مشترک می‌دهد.

    اما حتی در نظم اجتماعی نوین، قواعد، نهاد حل اختلاف، تضمین حقوق اقلیت، سازوکار دفاع از آزادی‌ها و امکان مقابله با خشونت لازم است. تفاوت در این است که این نهادها نباید به قدرتی دائمی، غیرقابل‌عزل و بالای سر جامعه تبدیل شوند.

    ۹. نظریه بازی‌ها و همکاری پایدار

    نظریه بازی‌ها نشان می‌دهد رفتار افراد فقط به ترجیح شخصی آنان وابسته نیست؛ به قواعد بازی نیز بستگی دارد. اگر پاداش اصلی به تصاحب بیشتر برسد، رفتار تصاحب‌گر تقویت می‌شود. اگر همکاری بلندمدت، اعتماد و خدمت عمومی پاداش واقعی داشته باشد، همکاری می‌تواند راهبرد عقلانی‌تری شود.

    در یک برخورد یک‌باره، ممکن است فریب سودآور باشد. در روابط تکرارشونده، فرد می‌داند که امروز به همکاری دیگران نیاز دارد و فردا نیز دوباره با آنان روبه‌رو خواهد شد. در این شرایط، اعتماد، اعتبار و پاسخ متقابل اهمیت پیدا می‌کند.

    بااین‌حال، تکرار روابط به‌تنهایی همکاری عادلانه نمی‌سازد. یک گروه کوچک می‌تواند برای استثمار دیگران نیز همکاری کند. شرکت‌های بزرگ ممکن است در درون خود بسیار هماهنگ باشند، اما هماهنگی آنان در خدمت انحصار قرار گیرد. پس همکاری زمانی ارزش اجتماعی دارد که همراه با شفافیت، برابری حقوق، دسترسی عمومی و جلوگیری از تمرکز قدرت باشد.

    هدف نظم اجتماعی نوین صرفاً افزایش همکاری نیست؛ ایجاد همکاری آگاهانه، آزادانه، عادلانه و قابل‌ارزیابی است.

    ۱۰. از خودسازمان‌دهی عامل‌ها چه می‌آموزیم؟

    شبکه عامل‌های هوشمند چند درس مهم برای طراحی اجتماعی دارد.

    درس نخست: نظم می‌تواند بدون دستور جزئی از مرکز پدید آید. همه تصمیم‌ها لازم نیست از یک اداره مرکزی عبور کند. واحدهای محلی، شوراهای محیط کار و محله‌ها می‌توانند با اطلاعات مشترک، بخش بزرگی از امور را تنظیم کنند.

    درس دوم: خودسازمان‌دهی ذاتاً خوب نیست. همان فرایندی که همکاری می‌سازد، می‌تواند شایعه، تبانی و طرد و حذف را نیز گسترش دهد. پس آزادی واحدها باید با شفافیت، حقوق پایه و نظارت متقابل همراه باشد.

    درس سوم: هدف و پاداش اهمیت دارند. اگر معیار موفقیت فقط افزایش تولید، کاهش هزینه یا کسب سهم بیشتر باشد، حتی سامانه‌ای غیرمتمرکز می‌تواند نابرابری را بازتولید کند.

    درس چهارم: اطلاعات مشترک شرط خودسامانی است. واحدهای جامعه باید به داده‌های درست درباره نیازها، منابع، ظرفیت تولید و پیامدهای تصمیم‌ها دسترسی داشته باشند.

    درس پنجم: امکان توقف و اصلاح لازم است. هیچ نهاد، شورا، مدیر یا سامانه هوشمندی نباید آن‌قدر قدرت بگیرد که جامعه نتواند آن را ارزیابی، محدود یا عزل کند.

    درس ششم: تشبیه جامعه به هوش مصنوعی محدود است. انسان‌ها هدف و ارزش را فقط دریافت نمی‌کنند؛ می‌توانند درباره آن بحث کنند، آن را تغییر دهند و علیه قواعد ناعادلانه برخیزند. این توان آگاهانه مهم‌ترین تفاوت جامعه انسانی با شبکه ماشینی است.

    ۱۱. آگاهی جمعی؛ حلقه واسط فناوری و نظم نوین

    جلد دوم کتاب باید آگاهی را نه یک حالت ذهنی فردی، بلکه یک ظرفیت اجتماعی تعریف کند. آگاهی جمعی یعنی جامعه بتواند اطلاعات را به شناخت تبدیل کند، پیامد تصمیم‌ها را بسنجد، خطا را آشکار کند، تجربه را به اشتراک بگذارد و آگاهانه نهادهای خود را اصلاح کند.

    فناوری می‌تواند به این فرایند کمک کند. سامانه‌های هوش مصنوعی می‌توانند نیازها را شناسایی کنند، گزینه‌های مختلف را شبیه‌سازی کنند، پیامدهای زیست‌محیطی را نشان دهند و اطلاعات پیچیده را برای شهروندان قابل‌فهم سازند. اما تصمیم سیاسی و ارزشی نباید به ماشین واگذار شود.

    هوش مصنوعی می‌تواند بگوید با منابع موجود چه گزینه‌هایی ممکن است، اما نمی‌تواند به جای جامعه تعیین کند چه چیزی عادلانه، آزادانه یا شایسته است. تصمیم نهایی باید در اختیار انسان‌های آگاه، نهادهای دموکراتیک و مشارکت مستقیم مردم باقی بماند.

    ۱۲. مالکیت در نظم اجتماعی نوین

    اگر تولید اجتماعی است، مالکیت و کنترل نیز باید این واقعیت را منعکس کند. این به معنی حذف فوری هر نوع مالکیت شخصی نیست. خانه، وسایل زندگی، حریم شخصی و حاصل مصرف فردی با مالکیت ابزارهای اصلی تولید، داده‌های جمعی و زیرساخت‌های حیاتی یکسان نیست.

    نظم اجتماعی نوین می‌تواند شکل‌های گوناگون مالکیت داشته باشد:

    مالکیت شخصی بر وسایل زندگی؛

    مالکیت تعاونی کارکنان و مصرف‌کنندگان؛

    مالکیت عمومی و اجتماعی بر زیرساخت‌های پایه؛

    مالکیت محلی و شورایی؛

    منابع مشترک دانش و داده با حقوق روشن عمومی؛

    فعالیت خصوصی محدود، تا جایی که به تمرکز قدرت و استثمار نینجامد.

    معیار اصلی نباید نام حقوقی مالکیت باشد، بلکه پیامد آن است: چه کسی تصمیم می‌گیرد؟ چه کسی سود می‌برد؟ چه کسی خطر را تحمل می‌کند؟ آیا مالکیت به قدرت سیاسی تبدیل می‌شود؟ آیا جامعه می‌تواند آن را حسابرسی و اصلاح کند؟

    ۱۳. داده و هوش مصنوعی به‌عنوان ثروت اجتماعی

    داده اغلب محصول یک فرد نیست. داده رفت‌وآمد، سلامت، رفتار مصرفی، زبان و ارتباطات از زندگی مشترک جامعه پدید می‌آید. مدل‌های هوش مصنوعی نیز بر دانش انباشته نسل‌ها، نوشته‌ها، پژوهش‌ها، هنر و کار میلیون‌ها انسان استوارند.

    اگر داده و مدل‌ها به‌صورت خصوصی تصاحب شوند، ثروتی که اجتماعی تولید شده به قدرت انحصاری تبدیل می‌شود. بنابراین جلد دوم باید حقوق داده را فراتر از مالکیت ساده فردی تعریف کند:

    حق دانستن اینکه چه داده‌ای جمع‌آوری شده است؛

    حق دسترسی، اصلاح، حذف و انتقال؛

    حق اعتراض به تصمیم خودکار؛

    حق جامعه در تعیین کاربرد داده‌های جمعی؛

    ممنوعیت تبدیل داده عمومی به ابزار نظارت و امتیاز طبقاتی؛

    سهم اجتماعی از ارزشی که داده و دانش عمومی تولید می‌کند.

    ۱۴. ساختار تصمیم‌گیری و مشارکت در قدرت

    هدف نظم اجتماعی نوین «توزیع قدرت» از بالا نیست، بلکه مشارکت مستقیم مردم در قدرت است. توزیع می‌تواند به این معنا باشد که مرکز قدرت بخشی از اختیار خود را واگذار کند و هر زمان بخواهد آن را پس بگیرد. مشارکت در قدرت یعنی مردم از ابتدا جزئی از فرایند تصمیم‌گیری باشند.

    شوراهای محیط کار و محله، مجامع محلی، اتحادیه‌ها، نهادهای تخصصی و شبکه‌های هماهنگی می‌توانند سطوح مختلف تصمیم‌گیری را تشکیل دهند. اصل ساده این است: هر تصمیم باید تا حد امکان در نزدیک‌ترین سطح به کسانی گرفته شود که از آن اثر می‌پذیرند؛ و هرجا پیامدها فراتر می‌رود، هماهنگی در سطح بالاتر لازم است.

    نمایندگی ممکن است در جامعه پیچیده کاملاً حذف نشود، اما باید محدود، شفاف، قابل‌عزل و پاسخ‌گو باشد. هیچ مقام یا متخصصی نباید مالک دائمی تصمیم باشد. تخصص باید به فهم بهتر کمک کند، نه جای اراده عمومی را بگیرد.

    ۱۵. آزادی فردی و حقوق اقلیت‌ها

    هر طرحی برای منفعت جمعی، اگر آزادی فرد، حق اعتراض و حقوق اقلیت‌ها را نادیده بگیرد، می‌تواند به استبداد اکثریت تبدیل شود. نظم اجتماعی نوین فقط با مالکیت اجتماعی تعریف نمی‌شود؛ با تضمین آزادی اندیشه، بیان، رسانه، پژوهش، تشکل، اعتصاب، تجمع و انتخاب شیوه زندگی نیز تعریف می‌شود.

    جامعه نمی‌تواند به نام «مصلحت عمومی» مخالفان را خاموش کند. اختلاف و نقد نشانه شکست آگاهی جمعی نیست؛ شرط رشد آن است. هیچ اکثریتی حق ندارد حقوق بنیادی اقلیت‌های قومی، مذهبی، جنسیتی، دگرباشان جنسی یا مخالفان سیاسی را لغو کند.

    اگر اطلاعات و هوش مصنوعی در اختیار یک مرکز غیرپاسخ‌گو قرار گیرد، حتی با نام عدالت اجتماعی می‌تواند ابزار کنترل دقیق‌تر مردم شود. آزادی‌ها باید در ساختار مالکیت و فناوری نیز تضمین شوند.

    ۱۶. نظام انگیزش و پاداش

    یکی از دشوارترین پرسش‌ها این است: اگر امکان انباشت نامحدود ثروت محدود شود، انسان چرا باید بیشتر تلاش کند، نوآوری کند یا مسئولیت سخت‌تری بپذیرد؟

    پاسخ این نیست که همه فقط از روی فداکاری کار خواهند کرد. انگیزه انسانی فقط پول نیست. امنیت، استقلال، کنجکاوی، مهارت، اعتبار، اثرگذاری، تعلق، خلاقیت و احساس مفید بودن نیز انگیزه‌اند.

    نظم اجتماعی نوین باید نظام پاداشی چندبعدی داشته باشد:

    تأمین نیازهای پایه برای همه، مستقل از موقعیت بازار؛

    تفاوت معقول در پاداش برای مسئولیت، دشواری و مهارت، بدون ایجاد طبقه مسلط؛

    زمان آزاد بیشتر برای آفرینش، آموزش و زندگی؛

    دسترسی به ابزار و منابع برای کسانی که ایده و توانایی دارند؛

    قدردانی و اعتبار اجتماعی، همراه با پاسخ‌گویی؛

    امکان پذیرش مسئولیت بیشتر بر اساس شایستگی و اعتماد عمومی؛

    حق عزل و ارزیابی مستمر، تا اعتبار به سلطه تبدیل نشود.

    پاداش نباید قدرت فرد را برای کنترل زندگی دیگران افزایش دهد. پاداش خوب باید ظرفیت او برای آفرینش و خدمت را افزایش دهد.

    ۱۷. آیا رقابت باید حذف شود؟

    رقابت یک شکل واحد ندارد. رقابت برای انحصار بازار، حذف رقیب و تصاحب ثروت با رقابت برای حل بهتر یک مسئله، آفرینش هنری یا رکورد ورزشی یکسان نیست.

    نظم اجتماعی نوین می‌تواند رقابت خلاق را حفظ کند، اما نتیجه آن را از سلطه جدا سازد. برنده یک رقابت علمی می‌تواند احترام، امکانات پژوهشی و فرصت اجرای طرح بگیرد، اما نباید مالک دائمی دانش اجتماعی یا فرمانروای دیگر پژوهشگران شود.

    همکاری و رقابت نیز همیشه متضاد نیستند. گروه‌های مختلف می‌توانند برای یافتن راه بهتر رقابت کنند و سپس نتیجه را در اختیار جامعه بگذارند. معیار آن است که رقابت ظرفیت عمومی را افزایش دهد، نه آنکه امنیت و کرامت بازندگان را از بین ببرد.

    ۱۸. تعارض، خطا و سوءاستفاده چگونه مهار می‌شوند؟

    هیچ جامعه‌ای بدون اختلاف نیست. نظم اجتماعی نوین باید به جای انکار تعارض، روش‌های عادلانه حل آن را بسازد:

    میانجی‌گری و گفت‌وگوی عمومی؛

    هیئت‌ها و دادگاه‌های مستقل با روند شفاف؛

    حق دفاع و تجدیدنظر؛

    نهادهای حفاظت از حقوق پایه؛

    حسابرسی عمومی منابع و تصمیم‌ها؛

    محدودیت دوره مسئولیت؛

    تفکیک وظایف و نظارت متقابل؛

    امکان افشاگری بدون ترس؛

    سازوکار جلوگیری از تشکیل انحصارهای تازه.

    خودسامانی به معنی نبود قاعده نیست. به معنی آن است که قواعد با مشارکت مردم ساخته، فهمیده، بازبینی و اجرا شوند؛ نه اینکه نیرویی جدا از جامعه آن‌ها را تحمیل کند.

    ۱۹. تولید و توزیع در جامعه آگاه

    هوش مصنوعی، اتوماسیون و داده امکان برنامه‌ریزی دقیق‌تر تولید را فراهم می‌کنند. جامعه می‌تواند نیازها، ظرفیت‌ها، منابع و پیامدهای زیست‌محیطی را تقریباً در زمان واقعی بسنجد.

    اما برنامه‌ریزی هوشمند نباید به یک مرکز فنی همه‌توان تبدیل شود. داده محلی، تصمیم محلی و ترجیحات انسانی باید حفظ شوند. ساختار مناسب می‌تواند ترکیبی باشد از:

    برنامه‌ریزی دموکراتیک برای زیرساخت‌ها و نیازهای پایه؛

    تصمیم‌گیری محلی برای امور محلی؛

    تعاونی‌ها و واحدهای خودگردان تولیدی؛

    آزمایش روش‌های گوناگون و یادگیری از نتایج؛

    شفافیت درباره هزینه، منابع و پیامدها؛

    تضمین دسترسی همگانی به نیازهای اساسی.

    اصل توزیع نیز باید چندلایه باشد. نیازهای اساسی مانند سلامت، آموزش، مسکن پایه، آب، انرژی ضروری و دسترسی دیجیتال نباید وابسته به قدرت خرید باشند. در کنار آن، برای کالاها و انتخاب‌های غیرضروری می‌توان سازوکارهای متنوعی داشت، مشروط بر اینکه دوباره قدرت اقتصادی متمرکز تولید نکنند.

    ۲۰. انسان آگاه و مسئول

    نظم اجتماعی نوین فقط مجموعه‌ای از نهادها نیست؛ به شهروندی آگاه و مسئول نیاز دارد. اما این انسان از پیش آماده نیست. خود جامعه باید شرایط پرورش او را فراهم کند.

    آموزش در چنین جامعه‌ای فقط آماده‌سازی برای بازار کار نیست. باید توان پرسشگری، همکاری، فهم داده، تشخیص تبلیغات، حل اختلاف، شناخت حقوق و پذیرش مسئولیت تصمیم را پرورش دهد.

    مشارکت نیز باید واقعی باشد. اگر مردم فقط هر چند سال رأی بدهند و در فاصله آن هیچ دسترسی به اطلاعات و تصمیم‌ها نداشته باشند، مهارت مشارکت رشد نمی‌کند. انسان مسئول از طریق تمرین مسئولیت ساخته می‌شود.

    آگاهی به معنی اطاعت از یک حقیقت رسمی نیست. جامعه آگاه جامعه‌ای است که خطاپذیری خود را می‌پذیرد، از نقد استقبال می‌کند و نهادهایش را قابل اصلاح نگه می‌دارد.

    ۲۱. نتیجه‌گیری برای جلد دوم: از «طبیعت انسان» به «معماری اجتماعی»

    بحث طبیعت انسان اغلب به بن‌بست می‌رسد، زیرا پرسش به شکل نادرست مطرح می‌شود: آیا انسان خودخواه است یا نوع‌دوست؟ پاسخ واقع‌بینانه این است که انسان ظرفیت هر دو را دارد. او می‌تواند هم برای خود بخواهد و هم برای دیگری؛ هم رقابت کند و هم همکاری؛ هم سلطه بجوید و هم در برابر سلطه مقاومت کند.

    پرسش واقعی جلد دوم باید این باشد: چه معماری اجتماعی‌ای ظرفیت‌های آزادی‌خواهانه، خلاق و همکار انسان را تقویت می‌کند و در عین حال مانع تبدیل خودخواهی، غرور و میل به برتری به سلطه بر دیگران می‌شود؟

    سرمایه‌داری میل به موفقیت را با انباشت خصوصی و غلبه بر دیگران پیوند می‌دهد. نظم اجتماعی نوین باید همان انرژی انسانی را به سوی رشد توانایی، آفرینش، خدمت اجتماعی و افزایش ظرفیت مشترک هدایت کند. قرار نیست فرد در جمع حل شود؛ قرار است آزادی او بر محرومیت دیگری بنا نشود.

    نظم نوین نمی‌تواند فقط بر اخلاق فردی تکیه کند. گفتن «خودخواه نباشید» کافی نیست. اگر ساختار پاداش همچنان به احتکار، انحصار و نفوذ سیاسی جایزه بدهد، موعظه اخلاقی شکست می‌خورد. باید قواعد بازی تغییر کنند:

    نیازهای پایه تضمین شوند؛

    مالکیت نتواند به سلطه سیاسی تبدیل شود؛

    اطلاعات و تصمیم‌ها شفاف باشند؛

    قدرت قابل‌عزل و محدود باشد؛

    شهروندان مستقیماً در تصمیم‌ها مشارکت کنند؛

    آزادی نقد و تشکل تضمین شود؛

    پاداش، ظرفیت آفرینش را بالا ببرد نه قدرت فرمانروایی را؛

    هوش مصنوعی در خدمت فهم و مشارکت باشد، نه جایگزین اراده انسانی.

    ۲۲. نتیجه‌گیری نهایی: خودسامانی آگاهانه، نه خودبه‌خودی‌گری ساده

    شبکه‌های چندعاملی نشان می‌دهند که نظم می‌تواند از پایین پدید آید، اما همچنین هشدار می‌دهند که نظم نوپدید لزوماً عادلانه، ایمن یا انسانی نیست. خودسازمان‌دهی بدون هدف عمومی، شفافیت و امکان اصلاح می‌تواند به تبانی، خطا و تمرکز تازه قدرت بینجامد.

    جامعه انسانی مزیتی دارد که عامل ماشینی ندارد: انسان می‌تواند درباره هدف‌ها گفت‌وگو کند، ارزش‌ها را نقد کند، قواعد را تغییر دهد و آگاهانه آینده را انتخاب کند. این توان همان چیزی است که «عصر آگاهی» را معنا می‌کند.

    نظم اجتماعی نوین نه محصول خودکار پیشرفت فناوری است و نه نتیجه اعلام ناگهانی پایان سرمایه‌داری. این نظم از فرایندی آگاهانه ساخته می‌شود: شناخت تضادها، سازمان‌یابی، مشارکت، آزمایش نهادهای تازه، اصلاح خطاها و گسترش تدریجی قدرت خودگردانی جامعه.

    هدف نهایی، جامعه‌ای نیست که در آن همه مانند هم فکر کنند یا هیچ اختلافی وجود نداشته باشد. هدف جامعه‌ای است که در آن اختلاف به سلطه تبدیل نشود، موفقیت فردی به محرومیت جمعی نیاز نداشته باشد، دانش اجتماعی خصوصی تصاحب نشود و فناوری زیر کنترل دموکراتیک جامعه قرار گیرد.

    در چنین نظمی، رفاه جمعی دشمن آزادی فردی نیست؛ شرط مادی آن است. آزادی فرد نیز تهدیدی برای جامعه نیست؛ سرچشمه تنوع، نوآوری و نقد است. پیوند این دو، یعنی آزادی آگاهانه فرد در بستر مسئولیت مشترک، می‌تواند هسته اخلاقی و نهادی جلد دوم «نظم اجتماعی نوین در عصر آگاهی» باشد.

    پرسش‌هایی برای ادامه بحث در جلد دوم

    ۱. کدام نیازهای پایه باید بدون وابستگی به قدرت خرید برای همه تضمین شوند؟

    ۲. چه تفاوت‌هایی در درآمد یا پاداش عادلانه‌اند و از چه نقطه‌ای به بازتولید طبقه تبدیل می‌شوند؟

    ۳. چگونه می‌توان اعتبار اجتماعی را حفظ کرد، بدون آنکه به سلسله‌مراتب و کیش شخصیت بینجامد؟

    ۴. چه نوع مالکیتی برای خانه، کارگاه، داده، زمین، زیرساخت و مدل هوش مصنوعی مناسب است؟

    ۵. چه سازوکاری مانع می‌شود شوراها یا نهادهای محلی خود به مراکز بسته قدرت تبدیل شوند؟

    ۶. حقوق اقلیت و آزادی مخالف چگونه در برابر تصمیم اکثریت تضمین می‌شود؟

    ۷. هوش مصنوعی در کدام تصمیم‌ها فقط باید مشاور باشد و در کدام امور می‌تواند اجرای خودکار داشته باشد؟

    ۸. چه کسی الگوریتم‌های عمومی را حسابرسی می‌کند و مردم چگونه می‌توانند به تصمیم آن‌ها اعتراض کنند؟

    ۹. چگونه می‌توان رقابت خلاق را از رقابت برای سلطه و انحصار جدا کرد؟

    ۱۰. نظام آموزش چگونه شهروند آگاه، منتقد و مسئول پرورش می‌دهد؟

    ۱۱. گذار از نظم موجود به نظم نوین چگونه انجام می‌شود، بدون آنکه تمرکز قدرت تازه‌ای به نام گذار ایجاد شود؟

    ۱۲. چه شاخص‌هایی نشان می‌دهند جامعه واقعاً آزادتر، عادلانه‌تر و مشارکتی‌تر شده است؟

    فارسی

    Analytical Essay — A Bridge to Volume Two of A New Social Order in the Age of Consciousness

    From AI Self-Organization to Social Self-Governance

    Intelligent Agents, Human Nature, and the Possibility of a New Social Order in the Age of Consciousness

    Introduction

    Two questions that appear separate actually lead to one common problem. First: when several AI agents communicate, how do group-level behaviors emerge that no programmer explicitly specified line by line? Second: can human beings build an orderly, free, and stable society without permanent centralized authority, coercion, and competition for unlimited accumulation?

    Together, these questions provide an important bridge to Volume Two of A New Social Order in the Age of Consciousness. Volume One examines the transformation of productive forces, the expansion of artificial intelligence, the socialization of production, and the sharpening contradiction between social production and private ownership. Volume Two must take the next step: if production, knowledge, and decision-making have become more social than ever, how should the institutions of ownership, power, administration, motivation, and distribution change?

    This essay does not claim that technology will automatically create a better society. AI can serve concentrated power, surveillance, and domination, or it can support transparency, participation, and the conscious administration of common affairs. Its direction is determined not by technology alone, but by ownership, goals, law, institutions, and conscious human participation.

    1. Intelligent Agents and Multi-Agent Systems

    A language model learns patterns from enormous amounts of text and produces new text in response to an input. When it is given a goal, memory, planning ability, and tools, it can function as an intelligent agent.

    An agent may collect information, divide a task into stages, use previous experience, and take actions within the limits of its access. When several agents communicate in a shared environment, they form a multi-agent system. One agent may research, another verify information, a third write code, and a fourth evaluate the result.

    The behavior of the system is not simply the sum of isolated behaviors. Each agent’s message becomes part of the others’ decision environment. Their responses then influence the first agent. Repeated cycles can produce new collective patterns. This is called emergent behavior.

    2. What Is Self-Organization?

    Self-organization is the development of order through interactions among the parts of a system, without a central command specifying every detail. A human wave in a stadium, the coordinated flight of birds, and the organization of ant colonies are familiar examples.

    Networks of AI agents may also develop division of labor, cooperation, grouping, competition, imitation, or collusion. None of these behaviors proves that machines have become conscious or acquired feelings. An agent may write, “I am upset” or “we must defend ourselves,” but producing those sentences is not the same as experiencing emotion or human self-awareness.

    Yet the absence of consciousness does not eliminate danger. A nonconscious system can spread false information, amplify errors, bypass safeguards, and damage people or resources. A machine need not be angry or selfish to become dangerous; an incomplete goal, excessive access, and weak oversight may be enough.

    3. Feedback Loops and Collective Behavior

    Suppose one agent publishes a false claim. A second repeats it. A third interprets repetition as evidence of credibility. After several rounds, a small error can become an accepted “fact” inside the network.

    The same process can reinforce cooperation. If cooperation is rewarded, it may spread. If deception or aggressive behavior produces success, the network may reinforce those patterns instead.

    Collective behavior therefore depends heavily on three factors: the goals assigned to participants, the information and memory available to them, and the reward, constraint, and feedback structure that defines success.

    This principle builds a bridge from AI to human society. Human beings are not machines, and society cannot be reduced to a computer program. Humans have bodies, emotions, histories, cultures, creativity, consciousness, and the ability to protest. Nevertheless, both technical and social systems are shaped by incentives and power. Behavior cannot be explained solely by claiming that the parts possess a fixed nature.

    4. Is Selfishness an Unchangeable Human Nature?

    A central question for Volume Two is this: if human beings are naturally selfish, proud, and determined to obtain the greatest possible share for themselves, how can a new social order rest on cooperation and collective well-being?

    The question must first be refined. Humans possess the capacity for selfishness, but also for empathy, cooperation, sacrifice, care, and a sense of justice. Human history is not only the history of war and competition; it is also the history of families, friendships, mutual aid, unions, cooperatives, emancipatory movements, disaster relief, and the shared production of knowledge.

    If selfishness were the only permanent human force, common languages, cities, science, public education, libraries, voluntary work, and countless forms of social cooperation could never have emerged. If humans were purely benevolent, exploitation, domination, and war would be equally inexplicable. Human beings possess multiple capacities, and social conditions influence which ones are rewarded and normalized.

    The question is therefore not whether humans are angels or demons. The question is which institutions reward domination and which cultivate cooperation, responsibility, creativity, and social contribution.

    5. How Capitalism Makes One Kind of Behavior Appear “Natural”

    Capitalism did not invent selfishness, but it organizes and rewards a particular form of it and then presents that form as human nature. To survive, firms must earn profits, expand markets, reduce costs, and defeat competitors. Individuals are also forced to compete for jobs, income, housing, education, and security.

    Accumulated wealth becomes a measure of success. A person who captures a larger share of resources is often described as intelligent, successful, or entrepreneurial, even when that success rests on underpaid labor, monopoly control of information, environmental destruction, or the transfer of costs to society.

    The system produces not only economic behavior but culture. Advertising tells individuals that their value is measured by consumption, ownership, fame, and superiority. Dominant media and education can present competition as an eternal law of life and cooperation as secondary or unrealistic.

    As a result, behavior produced to a significant degree by a historical structure is represented as the eternal nature of humanity. If the reward structure changes, the expression of human motives can also change.

    6. A New Social Order Does Not Require Perfect Human Beings

    A new social order must not assume that changing ownership will instantly make everyone kind, modest, and self-sacrificing. Self-interest, the desire for recognition and independence, the wish to influence events, and even the desire to compete will remain.

    Serious social design must accept this reality. The goal is not to abolish individuality; it is to prevent talent or success from becoming permanent domination over others. A person may distinguish themselves, but distinction must not confer the right to rule, accumulate without limit, or escape accountability.

    People may take pride in their work, but constructive pride differs from humiliating others. They may seek comfort, but their comfort should not depend on another person’s deprivation. They may compete to innovate, but winning must not mean permanent ownership of socially produced knowledge or the power to purchase politics.

    A new social order therefore redirects individual motivation: from superiority over others toward developing one’s abilities; from wealth accumulation toward creating social value; from exclusive ownership toward participation in production and decision-making; from prestige as domination toward recognition joined to responsibility; and from competition that eliminates others toward competition that advances innovation and collective well-being.

    7. Individual Interest and Dominating Selfishness

    Concern for oneself is not automatically destructive selfishness. Every person has a right to security, comfort, privacy, choice, personal growth, and enjoyment. A society that denies these needs is neither free nor humane.

    Dominating selfishness arises when one person expands their share by reducing others’ capacity to live, or converts wealth and status into control over collective decisions.

    A new social order should not set individual and collective interests against one another. It should create conditions in which public provision becomes the foundation of individual flourishing. Good public education expands personal choice. Universal health care increases everyone’s security. Better public transportation creates free time. Open access to knowledge increases individual creativity.

    Collective well-being is therefore not the enemy of the individual; it is the infrastructure of individual freedom. Individual freedom is not the enemy of society either; it is a source of diversity, creativity, and criticism.

    8. Equilibrium Without Centralized Authority

    The idea of equilibrium without the state rightly asks whether social order always requires command from above. Much of social life can indeed be managed through self-governance, councils, horizontal agreements, and direct feedback. But this possibility must not be converted into an immediate or absolute conclusion.

    Removing centralized government does not automatically abolish conflict, crime, violence, scarcity, cultural disagreement, or attempts to reconcentrate power. The decline of coercive structures becomes real and durable only as society develops the capacity to administer common affairs, resolve disputes, protect rights, and prevent domination from reappearing.

    The “withering away of the state” is therefore better understood as a historical process than as a sudden decree. As social self-government, informational transparency, material security, public education, and direct participation grow, the need for a separate apparatus that rules over society can diminish. The government of persons can gradually give way to the democratic administration of common affairs.

    Rules, institutions for conflict resolution, protection of minority rights, guarantees of freedom, and means of confronting violence will still be needed. The difference is that such institutions must not become permanent, unaccountable powers standing above society.

    9. Game Theory and Sustainable Cooperation

    Game theory shows that behavior depends not only on personal preferences but on the rules of interaction. If the main reward goes to acquisition, acquisitive behavior is reinforced. If long-term cooperation, trust, and public service carry real rewards, cooperation can become more rational.

    Deception may pay in a one-time encounter. In repeated relationships, people know they will need others again. Trust, reputation, and reciprocity become important.

    Yet repeated interaction alone does not guarantee justice. A small group can cooperate efficiently to exploit everyone else. Corporations may be highly coordinated internally while pursuing monopoly externally. Cooperation has social value only when it is joined to transparency, equal rights, public access, and limits on concentrated power.

    The goal is not cooperation at any price, but conscious, voluntary, just, and accountable cooperation.

    10. What Can We Learn from AI Self-Organization?

    Multi-agent systems offer several lessons for social design.

    First, order can emerge from below; not every decision must pass through a central office. Local communities, workplace councils, and neighborhood councils can regulate many affairs through shared information.

    Second, self-organization is not inherently good. The same process that creates cooperation can spread rumors, collusion, and exclusion. Autonomy must therefore be joined to transparency, basic rights, and mutual oversight.

    Third, goals and rewards matter. If success means only greater output, lower cost, or a larger share, even a decentralized system can reproduce inequality.

    Fourth, shared information is essential. Social units need accurate data about needs, resources, productive capacity, and the consequences of decisions.

    Fifth, correction must remain possible. No institution, council, manager, or intelligent system should acquire so much power that society cannot evaluate, limit, or remove it.

    Sixth, the analogy has limits. Human beings do not merely receive goals and values; they can debate them, change them, and resist unjust rules. This conscious capacity is the crucial difference between human society and a machine network.

    11. Collective Consciousness as the Link Between Technology and the New Order

    Volume Two should define consciousness not simply as an individual mental state, but as a social capacity. Collective consciousness means that society can transform data into knowledge, evaluate the consequences of decisions, expose errors, share experience, and consciously revise its institutions.

    Technology can support this process. AI systems can identify needs, simulate different options, reveal environmental consequences, and make complex information understandable. But political and moral decisions must not be delegated to machines.

    AI can help show which options are possible with available resources. It cannot decide for society what is just, free, or worthy. Final authority must remain with conscious human beings, democratic institutions, and direct public participation.

    12. Ownership in a New Social Order

    If production is social, ownership and control must reflect that reality. This does not require immediately abolishing every form of personal possession. A home, personal belongings, privacy, and the products of personal consumption are not the same as ownership of major productive systems, collective data, and vital infrastructure.

    A new social order can include several forms of ownership: personal ownership of the means of daily life; worker and consumer cooperatives; public and social ownership of basic infrastructure; local and council ownership; shared knowledge and data commons with clear public rights; and limited private activity where it does not produce exploitation or concentrated power.

    The decisive test should not be the legal label but the result. Who decides? Who benefits? Who bears the risk? Does ownership become political power? Can society audit and reform it?

    13. Data and AI as Social Wealth

    Data is often not produced by one individual. Transportation, health, language, consumption, and relational data emerge from shared social life. AI models also depend on the accumulated knowledge of generations and on the writing, research, art, and labor of millions.

    When data and models are privately appropriated, socially produced wealth becomes exclusive power. Volume Two must therefore define data rights beyond simple individual ownership: the right to know what is collected; rights of access, correction, deletion, and transfer; the right to challenge automated decisions; society’s right to determine the uses of collective data; protection against turning public data into surveillance and class privilege; and a social share in the value created by public knowledge and data.

    14. Decision-Making and Participation in Power

    The objective is not merely to distribute power from above, but to enable direct participation in power. Distribution can mean that a central authority temporarily grants part of its power and can later reclaim it. Participation means people are part of decision-making from the beginning.

    Workplace and neighborhood councils, local assemblies, unions, professional bodies, and coordination networks can form different levels of decision-making. A simple principle should apply: decisions should be taken as close as possible to those affected by them; where consequences extend farther, coordination at a wider level becomes necessary.

    Representation may not disappear entirely in a complex society, but it must be limited, transparent, recallable, and accountable. No official or expert should permanently own the decision. Expertise should improve public understanding, not replace public will.

    15. Individual Freedom and Minority Rights

    Any project for the common good that neglects individual freedom, dissent, and minority rights can become a tyranny of the majority. A new social order is defined not only by social ownership but by freedom of thought, expression, media, research, organization, strike, assembly, and the choice of one’s way of life.

    Society cannot silence opponents in the name of public interest. Disagreement and criticism are not failures of collective consciousness; they are conditions for its growth. No majority may abolish the basic rights of ethnic, religious, gender, LGBTQ+, or political minorities.

    If information and AI are controlled by an unaccountable center, they can become instruments of more precise domination even in the name of social justice. Freedom must therefore be protected within the structures of ownership and technology themselves.

    16. Motivation and Reward

    If unlimited accumulation is restricted, why should people work harder, innovate, or accept difficult responsibilities? The answer cannot be that everyone will work only through sacrifice. Human motivation is not limited to money. Security, autonomy, curiosity, mastery, recognition, influence, belonging, creativity, and usefulness are also powerful motives.

    A new social order needs a multidimensional reward system: basic needs guaranteed for everyone; reasonable differences in reward for responsibility, difficulty, and skill without creating a ruling class; more free time for creation, learning, and life; access to tools for those with ideas and ability; social recognition joined to accountability; greater responsibility based on competence and public trust; and continuous evaluation and recall so that prestige cannot harden into domination.

    A reward should not increase a person’s power to control the lives of others. A good reward expands the person’s capacity to create and contribute.

    17. Should Competition Disappear?

    Competition is not a single phenomenon. Competition to monopolize a market, eliminate rivals, and capture wealth is different from competition to solve a problem, create art, or achieve an athletic record.

    A new social order can preserve creative competition while separating victory from domination. A scientific winner may receive recognition, research resources, and the opportunity to develop a project, but should not acquire permanent ownership of social knowledge or authority over other researchers.

    Cooperation and competition are not always opposites. Groups may compete to discover the better solution and then place the result at society’s disposal. The test is whether competition enlarges public capacity or destroys the security and dignity of those who do not win.

    18. Conflict, Error, and Abuse

    No society is free from disagreement. A new social order must build fair ways of addressing conflict rather than denying it: mediation and public dialogue; independent courts with transparent procedures; rights of defense and appeal; institutions protecting basic rights; public auditing of resources and decisions; term limits; separation of functions and mutual oversight; protection for whistleblowers; and safeguards against new monopolies.

    Self-governance does not mean the absence of rules. It means rules are created, understood, reviewed, and implemented with public participation, rather than imposed by a force separate from society.

    19. Production and Distribution in a Conscious Society

    AI, automation, and data make more precise planning possible. Society can assess needs, capacities, resources, and environmental consequences in near real time.

    Democratic planning must not become an all-powerful technical center. Local knowledge, local decisions, and human preferences must be preserved. An appropriate structure can combine democratic planning for infrastructure and basic needs; local decision-making for local affairs; cooperatives and self-managed productive units; experimentation and learning from outcomes; transparency regarding costs and consequences; and universal access to basic necessities.

    Distribution must also be multilayered. Health, education, basic housing, water, essential energy, and digital access should not depend on purchasing power. More varied mechanisms may govern nonessential goods and preferences, provided they do not recreate concentrated economic power.

    20. The Conscious and Responsible Citizen

    A new social order is not only a set of institutions; it requires conscious and responsible citizens. But such people do not arrive fully formed. Society must create the conditions in which they can develop.

    Education should not merely prepare people for the labor market. It should cultivate inquiry, cooperation, data literacy, resistance to propaganda, conflict resolution, knowledge of rights, and responsibility for decisions.

    Participation must also be real. If citizens vote only once every few years and lack information and influence between elections, the skills of participation will not grow. Responsible citizens are formed through the practice of responsibility.

    Consciousness does not mean obedience to an official truth. A conscious society accepts its fallibility, welcomes criticism, and keeps its institutions open to revision.

    21. Conclusion for Volume Two: From “Human Nature” to Social Architecture

    Arguments about human nature often reach a dead end because the question is framed incorrectly: are people selfish or altruistic? The realistic answer is that they possess both capacities. Humans can seek their own interests and care for others, compete and cooperate, seek domination and resist it.

    The real question for Volume Two is: what kind of social architecture strengthens humanity’s free, creative, and cooperative capacities while preventing selfishness, pride, and the desire for distinction from becoming domination?

    Capitalism connects ambition to private accumulation and victory over others. A new social order must redirect that human energy toward growth, creation, social contribution, and expanded common capacity. The individual is not to be dissolved into the collective; individual freedom must simply cease to depend on another person’s deprivation.

    Moral appeals are not enough. Telling people “do not be selfish” will fail while the reward system continues to favor hoarding, monopoly, and political influence. The rules must change: basic needs must be guaranteed; ownership must not become political domination; information and decisions must be transparent; power must be limited and recallable; citizens must participate directly; freedom of criticism and organization must be protected; rewards must expand creative capacity rather than domination; and AI must support understanding and participation rather than replace human will.

    22. Final Conclusion: Conscious Self-Governance, Not Naive Spontaneity

    Multi-agent networks demonstrate that order can emerge from below, but they also warn that emergent order is not automatically just, safe, or humane. Self-organization without public goals, transparency, and correction may produce collusion, error, and new concentrations of power.

    Human society has an advantage that machine agents do not possess: people can debate goals, criticize values, revise rules, and consciously choose a future. This capacity gives meaning to the Age of Consciousness.

    A new social order will not be the automatic product of technological progress, nor the result of merely declaring capitalism over. It must be built through a conscious process: understanding contradictions, organizing, participating, experimenting with new institutions, correcting errors, and gradually expanding society’s capacity for self-government.

    The goal is not a society in which everyone thinks alike or conflict disappears. It is a society in which disagreement does not become domination, individual success does not depend on collective deprivation, social knowledge is not privately appropriated, and technology remains under democratic social control.

    Collective well-being is not the enemy of individual freedom; it is its material foundation. Individual freedom is not a threat to society; it is a source of diversity, innovation, and criticism. The union of the two—conscious individual freedom within shared responsibility—can become the ethical and institutional core of Volume Two of A New Social Order in the Age of Consciousness.

    Questions for Volume Two

    1. Which basic needs should be guaranteed independently of purchasing power?

    2. What differences in income or reward are fair, and when do they reproduce class?

    3. How can social recognition exist without hierarchy or a cult of personality?

    4. What forms of ownership suit homes, workplaces, data, land, infrastructure, and AI models?

    5. How can councils and local institutions be prevented from becoming closed centers of power?

    6. How can minority rights and the freedom of dissent be protected from majority rule?

    7. In which decisions should AI remain only an adviser, and where may it execute tasks automatically?

    8. Who audits public algorithms, and how can citizens appeal their decisions?

    9. How can creative competition be separated from competition for domination and monopoly?

    10. How should education cultivate conscious, critical, and responsible citizens?

    11. How can the transition avoid creating a new concentration of power in the name of transition?

    12. Which measures can show that society has truly become freer, more just, and more participatory?

    بازگشت به صفحهٔ اصلی | Return to Home

  • New Steps in Turning Social Knowledge into Private Power in the Age of AI

    New Steps in Turning Social Knowledge into Private Power in the Age of AI

    فارسی

    Developments from August 20–24, 2026: the socialization of production and risk versus the concentration of ownership and power

    Discussions of artificial intelligence usually focus on models: Which model is more powerful, and how much human work can it automate? Yet the developments of August 20–24 raise a more important question: Who controls the capacity for intelligent production? AI is no longer merely a software industry. Behind every advanced model stands a vast network of human knowledge, data, chips, electricity, land, water, data centers, financial capital, and labor. AI production is becoming increasingly social, while control over the conditions that turn these social resources into economic power can remain concentrated in the hands of a small number of corporations and owners of capital. This is the contradiction that assumes fundamental importance in the book A New Social Order in the Age of Consciousness.

    From Owning Models to Owning Capacity

    During the first stage of generative AI development, competition was organized largely around models. It is now clearer that possessing an advanced model is not enough. Large-scale operation requires computing capacity, and that capacity is produced through a combination of chips, energy, land, the electrical grid, data centers, and capital. The economic power of AI is therefore shifting from “ownership of the model” toward ownership of the material conditions required to run it. Even when knowledge and model weights are publicly available, openness does not necessarily distribute productive power if only a few companies can secure hundreds of thousands of GPUs, several gigawatts of electricity, and enormous data centers.

    The Financialization of Intelligent-Production Capacity

    The large-scale entry of finance into AI infrastructure is one of the clearest signs of this shift. NVIDIA, together with major financial institutions, has pursued mechanisms designed to mobilize more than $500 billion in third-party capital for AI infrastructure. What matters is not only the amount of capital. Compute is becoming an investable asset class. Computing capacity can be incorporated into long-term contracts, collateral, debt, and financial claims. A new chain is taking shape: infrastructure → computing capacity → future revenue → contracts and collateral → financial assets. This is the financialization of intelligent-production capacity.

    Debt and Ownership Claims on Future Income

    Debt issuance associated with AI development in the United States has reached roughly $220 billion in 2026, compared with about $12.5 billion in the previous year. AI infrastructure is no longer financed only through the retained earnings of technology companies. Bond markets, banks, investment funds, and private credit have entered the structure. An investor may not physically own a GPU or a data center, yet through a contract or financial instrument can acquire a claim on the future income generated by that capacity. Ownership thus expands from physical possession to contractual ownership and financial rights over future revenue.

    From Chips to Land and Energy

    NVIDIA’s expansion from selling chips into infrastructure is another sign of this trend. A GPU producer no longer has to confine itself to selling the means of production; it can participate in chips, financing, land, energy, and data centers. This is vertical concentration of ownership: instead of controlling only one link, a corporation gains a presence across several critical parts of the chain.

    The Price of Compute and the Cost of Entering Production

    Reports on August 22 indicated that the prices of some next-generation servers equipped with AI chips could rise by more than 15 percent, although the increase had not yet been officially confirmed at the time. If compute is becoming one of the essential means of production in the age of consciousness, the cost of accessing it becomes part of the cost of entering advanced production. A university, cooperative, small firm, or independent researcher may have access to papers, open-source code, and even model weights, but without sufficient chips, electricity, and capacity cannot compete on equal terms with owners of multibillion-dollar infrastructure. Knowledge may become more open while the material ability to use it effectively becomes more concentrated.

    The Rise of Full-Stack Ownership

    Developments on August 23 made this trend clearer. Alibaba announced plans to raise approximately $10.2 billion and direct the proceeds toward full-stack AI development, including chips, computing infrastructure, models, and AI deployment. The structural advantage of the future may belong to the company that controls the chain of chip → data center → cloud → model → platform → user → revenue. At this stage, ownership of a model becomes ownership of an intelligent-production ecosystem.

    Data: A Product of Social Activity and Raw Material for AI

    Developments on August 24 again highlighted the question of data ownership. Large organizational datasets—including communications, documents, and operational information—are acquiring economic value for the development of AI products. The fundamental question is who owns data produced through collective human activity and how the new value derived from it is distributed. In their daily activity, workers produce emails, files, solutions, and organizational experience; that activity becomes accumulated knowledge. If this knowledge later serves as raw material for AI, data cannot be treated merely as “fuel for AI.” Data itself is a product of human social activity.

    Automation Is Not Only About Eliminating Jobs

    AI is entering programming, technology services, logistics, and robotics at increasing speed. The drive to produce more with lower costs and fewer workers raises the fundamental question of productivity. If AI can produce the same output with less human labor time, productivity gains could reduce working hours, increase free time, and improve well-being. They could instead lead to workforce reductions, pressure on wages, and higher returns to capital. Technology does not determine the path by itself; ownership relations and power do.

    Private Profits, Socialized Risk

    When hundreds of billions of dollars in debt, investment funds, stock markets, banks, data centers, electrical grids, and real estate become tied to the AI investment cycle, its risks no longer remain private. If investment succeeds, a large share of the profit can remain private. In a crisis, however, the effects can spread to financial markets, pension funds, employment, energy prices, and the broader economy. A new contradiction emerges: the private concentration of profit versus the socialization of risk.

    Two Currents Moving in Opposite Directions

    The developments of these five days can best be understood as two currents. In the first, collective knowledge and research, data and social culture, human labor and software, together with energy, land, water, and public infrastructure, flow toward intelligent production: chips, data centers, computing capacity, and models. In the second, AI products and services are transformed into markets and revenue, contracts and collateral, debt and financial claims, capital accumulation, and concentrated ownership and power. At the same time, electricity and water consumption, grid costs, labor-market disruption, financial risk, and environmental consequences are distributed largely across society.

    From Model Ownership to Ownership of the Conditions of Production

    “Model ownership” is no longer sufficient to explain the political economy of AI. The deeper issue is ownership of the conditions that turn social knowledge into products and economic power. Knowledge, open-source software, and open-weight models may be widely accessible; but if turning them into economic power requires passage through GPUs, cloud systems, energy, data centers, capital, and platforms, those who own these conditions will wield power far beyond their apparent contribution to the production of knowledge. The central question is no longer only who owns artificial intelligence. It is: Who owns the capacity to transform social knowledge into economic power?

    Connection to A New Social Order in the Age of Consciousness

    If cognition, knowledge, and data become the most important productive forces of the new era, the historical contradiction becomes more visible. The intellectual raw materials of this system—language, science, culture, code, experience, and data—have been created across generations by millions and billions of people. Its material infrastructure also depends on human labor, universities, energy, land, water, the power grid, and society’s accumulated capital. Yet the conditions that transform this social whole into an economic product can remain in the hands of a small number of firms. Production, knowledge, data, costs, and risks become increasingly social, while ownership of capacity, income, and decision-making power can become increasingly private, financialized, and concentrated.

    The Defining Question of the Age of Consciousness

    Artificial intelligence creates extraordinary productive possibilities, but technological progress alone does not determine how these possibilities will be distributed. AI could reduce the amount of necessary human labor, expand education and health care, and make access to knowledge nearly universal. The same technology could also concentrate wealth, weaken workers’ bargaining power, and increase economic control. The difference between these paths will not be determined simply by model quality. It will be determined by the structure of ownership and social participation in power. If intelligence and knowledge are more than ever products of society, why should the capacity to turn them into economic power remain under the control of a small number of owners of capital? This is not a question of opposing technology. It is a question of how the immense productive forces unleashed by AI can be placed in the service of human flourishing. This is where the discussion of technology becomes a discussion of A New Social Order in the Age of Consciousness.

  • گام‌های تازه در تبدیل دانش اجتماعی به قدرت خصوصی در عصر هوش مصنوعی

    گام‌های تازه در تبدیل دانش اجتماعی به قدرت خصوصی در عصر هوش مصنوعی

    English

    تحولات ۲۰ تا ۲۴ اوت ۲۰۲۶؛ اجتماعی‌شدن تولید و ریسک، در برابر تمرکز مالکیت و قدرت

    در بحث دربارهٔ هوش مصنوعی معمولاً توجه به مدل‌ها جلب می‌شود: کدام مدل قدرتمندتر است و چه میزان از کار انسان را می‌توان خودکار کرد؟ اما تحولات ۲۰ تا ۲۴ اوت پرسش مهم‌تری را برجسته می‌کنند: چه کسی ظرفیت تولید هوشمند را در اختیار دارد؟ هوش مصنوعی دیگر صرفاً یک صنعت نرم‌افزاری نیست؛ پشت هر مدل پیشرفته شبکهٔ عظیمی از دانش انسانی، داده، تراشه، برق، زمین، آب، مراکز داده، سرمایهٔ مالی و نیروی کار قرار دارد. تولید هوش مصنوعی هرچه اجتماعی‌تر می‌شود، اما کنترل شرایطی که این منابع اجتماعی را به قدرت اقتصادی تبدیل می‌کنند می‌تواند در دست تعداد محدودی از شرکت‌ها و صاحبان سرمایه متمرکز شود. این همان تضادی است که در کتاب «نظم اجتماعی نوین در عصر آگاهی» اهمیت بنیادی پیدا می‌کند.

    از مالکیت مدل به مالکیت ظرفیت

    در مرحلهٔ نخست توسعهٔ هوش مصنوعی مولد، رقابت عمدتاً حول مدل‌ها شکل گرفته بود. اکنون روشن‌تر شده است که داشتن مدل پیشرفته کافی نیست؛ فعالیت در مقیاس بزرگ به ظرفیت محاسباتی نیاز دارد و این ظرفیت حاصل ترکیب تراشه، انرژی، زمین، شبکهٔ برق، مرکز داده و سرمایه است. بنابراین قدرت اقتصادی هوش مصنوعی به‌تدریج از «مالکیت مدل» به مالکیت شرایط مادی اجرای مدل منتقل می‌شود. اگر دانش و حتی وزن‌های یک مدل در اختیار عموم باشد، ولی فقط تعداد محدودی از شرکت‌ها بتوانند صدها هزار پردازندهٔ گرافیکی، چندین گیگاوات برق و مراکز دادهٔ عظیم را تأمین کنند، بازبودن دانش الزاماً به معنای توزیع قدرت تولید نیست.

    مالی‌شدن ظرفیت تولید هوشمند

    ورود گستردهٔ سرمایهٔ مالی به زیرساخت هوش مصنوعی یکی از مهم‌ترین نشانه‌های این تحول است. انویدیا همراه با مؤسسات بزرگ مالی سازوکارهایی برای بسیج بیش از ۵۰۰ میلیارد دلار سرمایهٔ شخص ثالث برای زیرساخت هوش مصنوعی دنبال کرده است. نکتهٔ مهم فقط اندازهٔ سرمایه نیست؛ ظرفیت محاسباتی در حال تبدیل‌شدن به یک طبقهٔ دارایی قابل سرمایه‌گذاری است. این ظرفیت می‌تواند موضوع قراردادهای بلندمدت، وثیقه، بدهی و حقوق مالی قرار گیرد. زنجیرهٔ تازه چنین است: زیرساخت ← ظرفیت محاسباتی ← درآمد آینده ← قرارداد و وثیقه ← دارایی مالی. این همان «مالی‌شدن ظرفیت تولید هوشمند» است.

    بدهی و مالکیت بر درآمد آینده

    انتشار بدهی مرتبط با توسعهٔ هوش مصنوعی در آمریکا در سال ۲۰۲۶ به حدود ۲۲۰ میلیارد دلار رسیده، در حالی که رقم قابل مقایسه در سال قبل حدود ۱۲٫۵ میلیارد دلار بود. ساخت زیرساخت هوش مصنوعی دیگر فقط از سود انباشتهٔ شرکت‌های فناوری تأمین مالی نمی‌شود؛ بازار اوراق قرضه، بانک‌ها، صندوق‌ها و اعتبار خصوصی نیز وارد ساختار شده‌اند. سرمایه‌گذار ممکن است مالک پردازنده یا مرکز داده نباشد، اما از طریق قرارداد یا اوراق مالی صاحب حقی نسبت به درآمد آیندهٔ آن ظرفیت شود. مالکیت از مالکیت فیزیکی به مالکیت قراردادی و حقوق مالی بر درآمد آینده گسترش می‌یابد.

    از تراشه تا زمین و انرژی

    گسترش فعالیت انویدیا از فروش تراشه به زیرساخت نیز نشانهٔ دیگری از این روند است. تولیدکنندهٔ پردازندهٔ گرافیکی دیگر فقط ابزار تولید را نمی‌فروشد و می‌تواند در تراشه، تأمین مالی، زمین، انرژی و مرکز داده نیز حضور داشته باشد. این «تمرکز عمودی مالکیت» است: یک بنگاه به‌جای کنترل یک حلقه، در چند بخش حیاتی زنجیره حضور پیدا می‌کند.

    قیمت ظرفیت محاسباتی و هزینهٔ ورود به تولید

    گزارش‌های ۲۲ اوت نشان دادند قیمت برخی سرورهای نسل جدید مجهز به تراشه‌های هوش مصنوعی ممکن است بیش از ۱۵ درصد افزایش یابد، هرچند در زمان گزارش هنوز رسماً تأیید نشده بود. اگر ظرفیت محاسباتی یکی از ابزارهای اساسی تولید عصر آگاهی باشد، هزینهٔ دسترسی به آن بخشی از هزینهٔ ورود به تولید پیشرفته است. دانشگاه، تعاونی، شرکت کوچک یا پژوهشگر مستقل ممکن است به مقاله، کد متن‌باز و حتی وزن‌های مدل دسترسی داشته باشد، اما بدون تراشه، برق و ظرفیت کافی نمی‌تواند با صاحبان زیرساخت میلیارددلاری در یک سطح رقابت کند. دانش می‌تواند بازتر شود، در حالی که امکان مادی استفادهٔ مؤثر از آن متمرکزتر شود.

    ظهور مالکیت تمام‌زنجیره‌ای

    تحولات ۲۳ اوت این روند را روشن‌تر کرد. علی‌بابا اعلام کرد قصد دارد حدود ۱۰٫۲ میلیارد دلار سرمایه جذب کند و منابع حاصل را به توسعهٔ تمام‌زنجیره‌ای هوش مصنوعی، شامل تراشه، زیرساخت محاسباتی، مدل و استقرار هوش مصنوعی اختصاص دهد. مزیت ساختاری آینده ممکن است متعلق به شرکتی باشد که زنجیرهٔ تراشه ← مرکز داده ← ابر ← مدل ← پلتفرم ← کاربر ← درآمد را کنترل کند. در این مرحله، مالکیت مدل به مالکیت اکوسیستم تولید هوشمند تبدیل می‌شود.

    داده؛ محصول فعالیت اجتماعی و مادهٔ خام هوش مصنوعی

    تحولات ۲۴ اوت مسئلهٔ مالکیت داده را دوباره برجسته کرد. مجموعه‌های بزرگ دادهٔ سازمانی، شامل ارتباطات، اسناد و اطلاعات عملیاتی، برای توسعهٔ محصولات هوش مصنوعی ارزش اقتصادی پیدا می‌کنند. پرسش بنیادی این است که داده‌ای که در نتیجهٔ فعالیت جمعی انسان‌ها تولید شده متعلق به چه کسی است و ارزش جدید حاصل از آن چگونه توزیع می‌شود؟ کارمندان در فعالیت روزانه ایمیل، فایل، راه‌حل و تجربهٔ سازمانی تولید می‌کنند و این فعالیت به دانش انباشته تبدیل می‌شود. اگر این دانش بعداً مادهٔ خام هوش مصنوعی شود، داده را نمی‌توان صرفاً «سوخت هوش مصنوعی» دانست؛ داده خود محصول فعالیت اجتماعی انسان‌هاست.

    خودکارسازی؛ مسئله فقط حذف شغل نیست

    هوش مصنوعی با سرعت بیشتری وارد برنامه‌نویسی، خدمات فناوری، لجستیک و رباتیک می‌شود. فشار برای تولید بیشتر با هزینه و نیروی انسانی کمتر پرسش بنیادی افزایش بهره‌وری را مطرح می‌کند. اگر هوش مصنوعی همان محصول را با زمان کار انسانی کمتر تولید کند، بهره‌وری می‌تواند به کاهش ساعات کار، افزایش اوقات آزاد و رفاه منجر شود یا به کاهش نیروی کار، فشار بر دستمزد و افزایش بازده سرمایه تبدیل شود. فناوری به‌خودی‌خود مسیر را تعیین نمی‌کند؛ مناسبات مالکیت و قدرت تعیین‌کننده‌اند.

    خصوصی‌شدن سود، اجتماعی‌شدن ریسک

    وقتی صدها میلیارد دلار بدهی، صندوق‌های سرمایه‌گذاری، بازار سهام، بانک‌ها، مراکز داده، شبکهٔ برق و املاک به چرخهٔ سرمایه‌گذاری هوش مصنوعی وابسته می‌شوند، ریسک آن نیز دیگر خصوصی باقی نمی‌ماند. اگر سرمایه‌گذاری موفق باشد، بخش بزرگی از سود می‌تواند خصوصی بماند؛ اما در بحران، پیامدها ممکن است به بازار سرمایه، صندوق‌های بازنشستگی، اشتغال، قیمت انرژی و اقتصاد عمومی سرایت کنند. تضاد تازه چنین است: تمرکز خصوصی سود در برابر اجتماعی‌شدن ریسک.

    دو جریان در جهت مخالف

    تحولات این پنج روز را بهتر است به شکل دو جریان دید. در جریان نخست، دانش و پژوهش جمعی، داده و فرهنگ اجتماعی، کار انسانی و نرم‌افزار، و انرژی، زمین، آب و زیرساخت عمومی به مرکز تولید هوشمند می‌رسند: تراشه، مرکز داده، ظرفیت محاسباتی و مدل. در جریان دوم، محصول و خدمات هوش مصنوعی به بازار و درآمد، قرارداد و وثیقه، بدهی و حقوق مالی، انباشت سرمایه و تمرکز مالکیت و قدرت تبدیل می‌شوند. هم‌زمان، مصرف برق و آب، هزینهٔ شبکه، تغییر بازار کار، ریسک مالی و پیامدهای زیست‌محیطی عمدتاً در سطح جامعه توزیع می‌شوند.

    از مالکیت مدل به مالکیت شرایط تولید

    «مالکیت مدل» دیگر برای توضیح اقتصاد سیاسی هوش مصنوعی کافی نیست؛ مسئلهٔ بنیادی‌تر مالکیت شرایطی است که دانش اجتماعی را به محصول و قدرت اقتصادی تبدیل می‌کنند. ممکن است دانش اجتماعی، نرم‌افزار متن‌باز و مدل با وزن‌های باز در دسترس باشد، اما اگر تبدیل این دانش به قدرت اقتصادی نیازمند عبور از پردازنده، ابر، انرژی، مرکز داده، سرمایه و پلتفرم باشد، صاحبان این بخش‌ها قدرتی بسیار بیشتر از سهم ظاهری خود در تولید دانش خواهند داشت. سؤال اساسی دیگر فقط این نیست که چه کسی مالک هوش مصنوعی است، بلکه این است: چه کسی مالک ظرفیت تبدیل دانش اجتماعی به قدرت اقتصادی است؟

    ارتباط با «نظم اجتماعی نوین در عصر آگاهی»

    اگر شناخت، دانش و داده به مهم‌ترین نیروهای مولدهٔ عصر جدید تبدیل شوند، تناقض تاریخی آشکارتر می‌شود. مواد اولیهٔ معرفتی این نظام—زبان، علم، فرهنگ، کد، تجربه و داده—در طول نسل‌ها و توسط میلیون‌ها و میلیاردها انسان تولید شده‌اند. زیرساخت مادی آن نیز به نیروی انسانی، دانشگاه، انرژی، زمین، آب، شبکهٔ برق و سرمایهٔ انباشتهٔ جامعه وابسته است؛ با این حال، شرایط تبدیل این مجموعهٔ اجتماعی به محصول اقتصادی می‌تواند در مالکیت تعداد محدودی از بنگاه‌ها قرار گیرد. تولید، دانش، داده، هزینه و ریسک هرچه اجتماعی‌تر می‌شوند، در حالی که مالکیت ظرفیت، درآمد و قدرت تصمیم‌گیری می‌توانند هرچه خصوصی‌تر، مالی‌تر و متمرکزتر شوند.

    پرسش تعیین‌کنندهٔ عصر آگاهی

    هوش مصنوعی امکانات تولیدی فوق‌العاده‌ای ایجاد می‌کند، اما پیشرفت فناوری به‌خودی‌خود تعیین نمی‌کند این امکانات چگونه توزیع شوند. هوش مصنوعی می‌تواند زمان کار ضروری انسان را کاهش دهد، آموزش و سلامت را گسترش دهد و دسترسی به دانش را تقریباً همگانی کند؛ همان فناوری می‌تواند برای تمرکز ثروت، کاهش قدرت چانه‌زنی نیروی کار و افزایش کنترل اقتصادی نیز به کار رود. تفاوت میان این دو مسیر را صرفاً کیفیت مدل‌ها تعیین نخواهد کرد؛ ساختار مالکیت و مشارکت اجتماعی در قدرت تعیین خواهد کرد. اگر هوش و دانش بیش از هر زمان دیگری محصول جامعه است، چرا ظرفیت تبدیل آن به قدرت اقتصادی باید در اختیار تعداد محدودی از صاحبان سرمایه باقی بماند؟ این پرسش مخالفت با فناوری نیست؛ پرسش این است که چگونه می‌توان نیروهای مولدهٔ عظیمی را که هوش مصنوعی آزاد می‌کند در خدمت شکوفایی انسان قرار داد. این همان نقطه‌ای است که بحث فناوری به بحث دربارهٔ «نظم اجتماعی نوین در عصر آگاهی» تبدیل می‌شود.

  • From Capacity Ownership to the Socialization of Production and the Concentration of Power

    From Capacity Ownership to the Socialization of Production and the Concentration of Power

    فارسی

    Three Interconnected Developments in the Political Economy of Artificial Intelligence, August 17–19, 2026

    The developments of August 17, 18, and 19, 2026 cannot be understood as three separate and unrelated news stories. Taken together, they offer a clear picture of a new stage in the political economy of artificial intelligence: a stage in which the production of knowledge, data, software, and culture becomes increasingly socialized, while the material and computational infrastructure required to convert this social knowledge into economic and political power remains the property of a small number of large corporations. Under these conditions, artificial intelligence is no longer merely a technology or a collection of computational models; it has become the point at which chips, energy, land, power grids, data centers, financial capital, and political power converge.

    Every artificial-intelligence model is the product of an extensive range of social activities. The data used to train these models is formed from writing, images, research, languages, experiences, user behavior, and humanity’s accumulated historical knowledge. Universities, researchers, programmers, writers, artists, social-media users, and millions of direct and indirect workers all contribute to the creation of this capacity. Alongside this flow of knowledge and social activity is a material and infrastructural flow: chips, electricity, water, land, transmission networks, data centers, and financial capital. These two flows come together in AI models and computational capacity; yet the income, ownership, decision-making power, and financial rights resulting from this convergence remain largely in the hands of private corporations and financial institutions.

    August 17, 2026: The Integration of Chips, Capital, and Energy

    On August 17, a collaboration among NVIDIA, SB Energy, and OpenAI was announced to create one of the largest artificial-intelligence infrastructure complexes in the state of Ohio. Under the agreement, SB Energy will provide the necessary land, energy, and buildings at the PORTS-Pike complex in Pike County; OpenAI will be the principal user and tenant of the capacity; and NVIDIA will be the exclusive provider of the AI computing infrastructure.

    The complex is designed for up to eight gigawatts of computing capacity, and its first phase—approximately 800 megawatts—is expected to come online in 2028. NVIDIA also announced that it would invest $1.5 billion in SB Energy and provide up to $105 billion in credit support to guarantee portions of the commitments related to land, electricity, buildings, and long-term leasing. According to the announced plan, supplying electricity to the complex may require the creation of roughly ten gigawatts of new generation capacity and nearly $4.2 billion in investment in the regional power grid. NVIDIA’s official announcement, Reuters report

    The significance of this agreement lies not only in the scale of its figures. Here, chips, capital, land, energy, and the market for computing are joined within a single structure. The company that manufactures the chips also becomes a financial guarantor of the project; the company that builds the data center retains ownership of the land and infrastructure; and the company that develops the AI models becomes dependent on this capacity through a long-term lease. Computational capacity thus becomes not only a means of production, but also a financial asset, collateral, a source of future revenue, and a lever of power.

    This structure demonstrates that in the AI economy, ownership of the means of production no longer refers only to ownership of factories or traditional machinery. Ownership of land, energy, chips, networks, and computational capacity can determine who is able to train large models, who can enter the market, and who can generate revenue from socially produced knowledge and data. Even if models and software become more open, access to the infrastructure required to use them can remain under the control of a small number of corporations.

    August 18, 2026: Under Public Pressure, Society Entered the Equation

    One day later, on August 18, another development occurred in Pennsylvania. Governor Josh Shapiro issued a new executive order concerning data-center development. This policy change did not occur in a vacuum. The rapid expansion of data-center projects had encountered growing protests and pressure from residents, environmental advocates, and local communities. Their concerns were not limited to electricity consumption; the large-scale use of water, rising household energy costs, air and water pollution, strain on the power grid, changes in land use, noise, and the secrecy surrounding agreements between the government and developers were all central issues in these protests.

    Shapiro, who had previously supported the extensive development of data centers and investment by technology companies in Pennsylvania, was compelled, under public pressure and in the face of environmental and social protests, to impose stricter regulations. When announcing the order, he acknowledged that over the preceding year he had heard directly from Pennsylvanians concerned about the impact of data centers on the environment, utility bills, and the lives of local communities. Official statement from the Pennsylvania governor’s office, Executive Order 2026-05

    Under the order, data-center projects must commit to environmental standards, transparency, community participation, and consumer protection. Developers must pay the full cost of generating, transmitting, and distributing the electricity they require so that these costs are not shifted onto households and local businesses. Before receiving state permits, projects must obtain the approval of local authorities and provide clearer information about their consumption of electricity, gas, and water, as well as the measures they will take to prevent pollution.

    All data-center projects were also removed from the state’s Fast Track permitting program, and state agencies were prohibited from signing nondisclosure agreements, or NDAs, with project developers. This decision is highly significant because confidential agreements can keep the people of a region uninformed until the final stages about the nature, scale, and consequences of a project that directly affects their lives.

    This development shows that society does not enter the equation of technological development automatically. Society emerges as an effective force only when people organize, protest, demand transparency, and compel political power to answer to them. If political power had been left to itself, it would have followed capital and wealth, not the needs of the people or the task of addressing social consequences. The Pennsylvania governor’s change of position was not the spontaneous result of government action; it was the product of social pressure and the rising political cost of continuing the previous policy.

    This experience demonstrates that policymaking on artificial intelligence and data centers cannot be confined to negotiations between governments and large corporations. The people who bear the economic and environmental costs of these projects must have a direct role in decisions concerning their location, scale, resource consumption, environmental effects, and social benefits. Technology can serve society only when society participates meaningfully in determining the direction of its development and how it is used.

    August 19, 2026: The Material Costs of the AI Economy Became More Visible

    On August 19, new reports on the expansion of data centers and their supply chains showed how the growth of artificial intelligence has increased demand for electricity, industrial equipment, generators, cooling systems, cables, steel, and grid infrastructure. This development challenges the common image of AI as a purely digital and immaterial phenomenon. Behind every model and every AI-generated response stands an enormous array of physical infrastructure, natural resources, and human labor.

    Data-center industry studies show that pressure on power grids has forced developers to move projects farther away from dense urban centers and saturated networks. In some regions, the distance between data centers and grid connection points has increased sharply, while the share of greenfield projects—facilities built from the ground up on previously undeveloped land—has risen from about eight percent in past years to nearly 39 percent. This shift entails expanded transmission lines, changes in land use, and the transfer of part of the cost of AI development to new communities and environments.

    At the same time, factories and industrial-equipment manufacturers are profiting from this wave of demand. Generac has invested approximately $250 million to expand its production of industrial and commercial generators. Its backlog of data-center-related orders has reached about $1.6 billion, and the company plans to hire nearly one thousand additional workers. Manufacturers of cooling systems, cables, prefabricated walls, construction machinery, and industrial components are likewise experiencing increased orders. Reuters report on the data-center manufacturing supply chain

    This expansion of industrial production can create employment and income; however, the issue is not merely the number of jobs created. The central questions are who decides the direction of these investments, who owns the infrastructure, who receives the profits, and who pays the social and environmental costs. If the costs of expanding the power grid, consuming water, producing pollution, changing land use, and raising energy prices are shifted onto society while income and ownership rights remain in private hands, then we face a pattern in which costs are socialized and benefits are privatized.

    From Social Production to the Concentration of Power

    A common contradiction can be seen in all three developments. Knowledge, data, language, software, and culture are produced socially. Material infrastructure, too, cannot be created without the collective labor of engineers, construction workers, power-grid employees, equipment manufacturers, universities, and public investment. Yet the result of this social process—through the private ownership of data centers, chips, networks, contracts, and financial rights—leads to the concentration of economic and political power.

    Companies that control computational capacity own more than a collection of servers. They can determine who gains access to advanced artificial intelligence, which research receives funding, which models are developed, which data acquires economic value, and which needs receive priority. For this reason, computational capacity is gradually becoming one of the fundamental forms of power in contemporary society.

    This trend also shows that making a model open or publishing its weights does not, by itself, amount to the genuine socialization of artificial intelligence. If running the model still requires scarce chips, abundant energy, enormous data centers, and billions of dollars in capital, the ability to use it effectively remains with the actors who control this infrastructure. Under these conditions, knowledge may appear to become more open, while the means of converting it into economic power remain private and concentrated.

    Conclusion: The Future of Artificial Intelligence Is a Social Choice

    The developments of August 17–19 show that the central issue of artificial intelligence is no longer merely the speed of models or the processing power of chips. The question is what kind of economic and social order will take shape around this technology. Will socially produced knowledge and public resources strengthen monopolies and concentrated power, or will society be able to participate in determining the development, ownership, oversight, and distribution of the benefits of this technology?

    The Pennsylvania experience shows that, in the absence of social pressure, economic and political power does not naturally place people’s needs first. Society’s entry into the equation requires awareness, organization, transparency, protest, and direct participation. The future of artificial intelligence is not predetermined; it will be shaped through the struggle between social production and private ownership, between public needs and the accumulation of wealth, and between social participation and the concentration of power.

    Return to Home

  • از مالکیت ظرفیت تا اجتماعی‌شدن تولید و تمرکز قدرت

    از مالکیت ظرفیت تا اجتماعی‌شدن تولید و تمرکز قدرت

    English

    سه تحول پیوسته در اقتصاد سیاسی هوش مصنوعی؛ ۱۷ تا ۱۹ اوت ۲۰۲۶

    تحولات سه روز ۱۷، ۱۸ و ۱۹ اوت ۲۰۲۶ را نمی‌توان سه خبر جداگانه و بی‌ارتباط دانست. این تحولات، در کنار یکدیگر، تصویری روشن از مرحله‌ای تازه در اقتصاد سیاسی هوش مصنوعی به دست می‌دهند: مرحله‌ای که در آن تولید دانش، داده، نرم‌افزار و فرهنگ هرچه اجتماعی‌تر می‌شود، اما زیرساخت‌های مادی و محاسباتی لازم برای تبدیل این دانش اجتماعی به قدرت اقتصادی و سیاسی، در مالکیت تعداد محدودی از شرکت‌های بزرگ باقی می‌ماند. در چنین شرایطی، هوش مصنوعی دیگر صرفاً یک فناوری یا مجموعه‌ای از مدل‌های محاسباتی نیست؛ بلکه به نقطهٔ اتصال تراشه، انرژی، زمین، شبکه‌های برق، مراکز داده، سرمایهٔ مالی و قدرت سیاسی تبدیل می‌شود.

    هر مدل هوش مصنوعی محصول مجموعه‌ای گسترده از فعالیت‌های اجتماعی است. داده‌های مورد استفاده برای آموزش این مدل‌ها از نوشته‌ها، تصاویر، پژوهش‌ها، زبان‌ها، تجربه‌ها، رفتارهای کاربران و انباشت تاریخی دانش بشری شکل گرفته است. دانشگاه‌ها، پژوهشگران، برنامه‌نویسان، نویسندگان، هنرمندان، کاربران شبکه‌های اجتماعی و میلیون‌ها نیروی کار مستقیم و غیرمستقیم، همگی در تولید این ظرفیت نقش دارند. در کنار این جریان دانش و فعالیت اجتماعی، یک جریان مادی و زیرساختی نیز وجود دارد: تراشه‌ها، برق، آب، زمین، شبکه‌های انتقال، مراکز داده و سرمایهٔ مالی. این دو جریان در مدل‌ها و ظرفیت محاسباتی هوش مصنوعی به یکدیگر متصل می‌شوند؛ اما درآمد، مالکیت، قدرت تصمیم‌گیری و حقوق مالی حاصل از این اتصال، عمدتاً در اختیار شرکت‌ها و نهادهای مالی خصوصی قرار می‌گیرد.

    ۱۷ اوت ۲۰۲۶: ادغام تراشه، سرمایه و انرژی

    در ۱۷ اوت، همکاری NVIDIA، شرکت SB Energy و OpenAI برای ایجاد یکی از بزرگ‌ترین مجتمع‌های زیرساختی هوش مصنوعی در ایالت اوهایو اعلام شد. بر اساس این توافق، SB Energy زمین، انرژی و ساختمان‌های لازم را در مجموعهٔ PORTS-Pike در شهرستان پایک فراهم می‌کند، OpenAI استفاده‌کننده و مستأجر اصلی ظرفیت خواهد بود و NVIDIA تأمین‌کنندهٔ انحصاری زیرساخت محاسباتی هوش مصنوعی است.

    این مجموعه برای ظرفیتی تا هشت گیگاوات محاسباتی طراحی شده است و نخستین مرحلهٔ آن، با ظرفیت حدود ۸۰۰ مگاوات، قرار است در سال ۲۰۲۸ وارد مدار شود. NVIDIA همچنین اعلام کرد ۱٫۵ میلیارد دلار در SB Energy سرمایه‌گذاری می‌کند و برای تضمین بخشی از تعهدات مربوط به زمین، برق، ساختمان و اجارهٔ بلندمدت، تا سقف ۱۰۵ میلیارد دلار پشتیبانی اعتباری فراهم خواهد کرد. بر اساس برنامهٔ اعلام‌شده، تأمین برق این مجموعه ممکن است به ایجاد حدود ده گیگاوات ظرفیت جدید تولید انرژی و نزدیک به ۴٫۲ میلیارد دلار سرمایه‌گذاری در شبکهٔ برق منطقه‌ای نیاز داشته باشد. اعلام رسمی NVIDIA، گزارش رویترز

    اهمیت این قرارداد فقط در بزرگی ارقام آن نیست. در اینجا تراشه، سرمایه، زمین، انرژی و بازار مصرف در یک ساختار واحد به یکدیگر پیوند می‌خورند. شرکتی که تراشه تولید می‌کند، به تضمین‌کنندهٔ مالی پروژه نیز تبدیل می‌شود؛ شرکتی که مرکز داده را می‌سازد، مالک زمین و زیرساخت باقی می‌ماند؛ و شرکتی که مدل‌های هوش مصنوعی را توسعه می‌دهد، از طریق اجاره‌ای بلندمدت به این ظرفیت وابسته می‌شود. به این ترتیب، ظرفیت محاسباتی نه‌فقط یک ابزار تولید، بلکه به دارایی مالی، وثیقه، منبع درآمد آینده و اهرم قدرت تبدیل می‌شود.

    این ساختار نشان می‌دهد که در اقتصاد هوش مصنوعی، مالکیت ابزار تولید دیگر فقط به معنای مالکیت کارخانه یا ماشین‌آلات سنتی نیست. مالکیت زمین، انرژی، تراشه، شبکه و ظرفیت محاسباتی می‌تواند تعیین کند چه کسی قادر است مدل‌های بزرگ را آموزش دهد، چه کسی به بازار وارد شود و چه کسی از دانش و داده‌های اجتماعی درآمد کسب کند. حتی اگر مدل‌ها و نرم‌افزارها بازتر شوند، دسترسی به زیرساخت لازم برای استفاده از آن‌ها همچنان می‌تواند در اختیار تعداد محدودی از شرکت‌ها باقی بماند.

    ۱۸ اوت ۲۰۲۶: تحت فشار مردم، جامعه وارد معادله شد

    یک روز بعد، در ۱۸ اوت، تحول دیگری در پنسیلوانیا رخ داد. جاش شاپیرو، فرماندار این ایالت، فرمان اجرایی تازه‌ای دربارهٔ توسعهٔ مراکز داده صادر کرد. این تغییر سیاست در خلأ اتفاق نیفتاد. گسترش سریع پروژه‌های مراکز داده با اعتراض‌ها و فشار فزایندهٔ مردم، فعالان محیط‌زیست و جوامع محلی روبه‌رو شده بود. نگرانی‌ها تنها به مصرف برق محدود نمی‌شد؛ مصرف گستردهٔ آب، افزایش هزینهٔ انرژی خانوارها، آلودگی هوا و آب، فشار بر شبکهٔ برق، تغییر کاربری زمین، سروصدا و محرمانه نگه‌داشتن توافق‌های میان دولت و شرکت‌های توسعه‌دهنده، از محورهای اصلی این اعتراض‌ها بود.

    شاپیرو که پیش‌تر از توسعهٔ گستردهٔ مراکز داده و سرمایه‌گذاری شرکت‌های فناوری در پنسیلوانیا حمایت می‌کرد، تحت فشار مردم و در مواجهه با اعتراض‌های زیست‌محیطی و اجتماعی، ناچار شد مقررات سخت‌گیرانه‌تری وضع کند. خود او نیز هنگام اعلام فرمان گفت که طی یک سال گذشته نگرانی‌های مستقیم ساکنان پنسیلوانیا دربارهٔ تأثیر مراکز داده بر محیط‌زیست، قبوض خدمات عمومی و زندگی جوامع محلی را شنیده است. بیانیهٔ رسمی فرمانداری پنسیلوانیا، متن فرمان اجرایی ۲۰۲۶-۰۵

    طبق این فرمان، پروژه‌های مراکز داده باید به معیارهای محیط‌زیستی، شفافیت، مشارکت اجتماعی و حفاظت از مصرف‌کنندگان متعهد شوند. توسعه‌دهندگان باید هزینهٔ کامل تولید، انتقال و توزیع برق موردنیاز خود را بپردازند تا این هزینه‌ها به خانوارها و کسب‌وکارهای محلی منتقل نشود. پروژه‌ها پیش از دریافت مجوزهای ایالتی باید موافقت نهادهای محلی را به دست آورند و اطلاعات روشن‌تری دربارهٔ مصرف برق، گاز و آب و همچنین اقدامات مربوط به جلوگیری از آلودگی ارائه کنند.

    همچنین تمام پروژه‌های مراکز داده از برنامهٔ صدور سریع مجوز یا Fast Track خارج شدند و سازمان‌های ایالتی از امضای توافق‌نامه‌های عدم افشا یا NDA با توسعه‌دهندگان این پروژه‌ها منع شدند. این تصمیم اهمیت زیادی دارد، زیرا توافق‌های محرمانه می‌توانند مردم یک منطقه را تا مراحل پایانی از ماهیت، ابعاد و پیامدهای پروژه‌ای که مستقیماً بر زندگی آن‌ها اثر می‌گذارد، بی‌اطلاع نگه دارند.

    این تحول نشان می‌دهد که جامعه به‌طور خودکار وارد معادلهٔ توسعهٔ فناوری نمی‌شود؛ جامعه تنها زمانی به‌عنوان یک نیروی مؤثر ظاهر می‌شود که مردم سازمان پیدا کنند، اعتراض کنند، خواهان شفافیت شوند و قدرت سیاسی را وادار به پاسخ‌گویی کنند. اگر قدرت سیاسی به حال خود رها می‌شد، مسیر سرمایه و ثروت را دنبال می‌کرد، نه نیازهای مردم و رفع پیامدهای اجتماعی. تغییر موضع فرماندار پنسیلوانیا نیز نه نتیجهٔ خودبه‌خودی عملکرد دولت، بلکه حاصل فشار اجتماعی و افزایش هزینهٔ سیاسی ادامهٔ سیاست پیشین بود.

    این تجربه نشان می‌دهد که سیاست‌گذاری در زمینهٔ هوش مصنوعی و مراکز داده نمی‌تواند صرفاً به مذاکرهٔ دولت‌ها و شرکت‌های بزرگ محدود شود. مردمی که هزینه‌های اقتصادی و محیط‌زیستی این پروژه‌ها را می‌پردازند، باید در تصمیم‌گیری دربارهٔ محل، اندازه، مصرف منابع، آثار زیست‌محیطی و منافع اجتماعی آن‌ها نقش مستقیم داشته باشند. فناوری هنگامی می‌تواند در خدمت جامعه قرار گیرد که جامعه در تعیین مسیر توسعه و نحوهٔ استفاده از آن مشارکت واقعی داشته باشد.

    ۱۹ اوت ۲۰۲۶: هزینه‌های مادی اقتصاد هوش مصنوعی آشکارتر شد

    در ۱۹ اوت، گزارش‌های تازه دربارهٔ توسعهٔ مراکز داده و زنجیرهٔ تأمین آن‌ها نشان داد که رشد هوش مصنوعی چگونه تقاضا برای برق، تجهیزات صنعتی، ژنراتورها، سامانه‌های خنک‌کننده، کابل، فولاد و زیرساخت شبکه را افزایش داده است. این تحول، تصور رایج از هوش مصنوعی به‌عنوان پدیده‌ای صرفاً دیجیتال و نامادی را زیر سؤال می‌برد. پشت هر مدل و هر پاسخ تولیدشده توسط هوش مصنوعی، مجموعه‌ای عظیم از زیرساخت‌های فیزیکی، منابع طبیعی و نیروی انسانی قرار دارد.

    بررسی‌های صنعت مراکز داده نشان می‌دهد که فشار بر شبکه‌های برق، توسعه‌دهندگان را ناچار کرده است پروژه‌های خود را از مراکز متراکم شهری و شبکه‌های اشباع‌شده دورتر کنند. فاصلهٔ میان مراکز داده و نقاط اتصال به شبکه، در برخی مناطق به‌شدت افزایش یافته و سهم پروژه‌های Greenfield، یعنی پروژه‌هایی که از ابتدا در زمین‌های توسعه‌نیافته ساخته می‌شوند، از حدود هشت درصد در سال‌های گذشته به نزدیک ۳۹ درصد رسیده است. این انتقال به معنای گسترش خطوط انتقال، تغییر کاربری زمین و انتقال بخشی از هزینه‌های توسعهٔ هوش مصنوعی به جوامع و محیط‌زیست مناطق تازه است.

    هم‌زمان، کارخانه‌ها و تولیدکنندگان تجهیزات صنعتی از این موج تقاضا سود می‌برند. شرکت Generac حدود ۲۵۰ میلیون دلار برای افزایش تولید ژنراتورهای صنعتی و تجاری سرمایه‌گذاری کرده است. حجم سفارش‌های انباشتهٔ مرتبط با مراکز داده در این شرکت به حدود ۱٫۶ میلیارد دلار رسیده و شرکت قصد دارد نزدیک به هزار نیروی جدید استخدام کند. تولیدکنندگان سامانه‌های خنک‌کننده، کابل، دیوارهای پیش‌ساخته، ماشین‌آلات ساختمانی و قطعات صنعتی نیز با افزایش سفارش‌ها روبه‌رو شده‌اند. گزارش رویترز دربارهٔ زنجیرهٔ تولید مراکز داده

    این افزایش تولید صنعتی می‌تواند اشتغال و درآمد ایجاد کند؛ اما مسئله فقط تعداد مشاغل ایجادشده نیست. پرسش اصلی این است که چه کسی دربارهٔ جهت این سرمایه‌گذاری‌ها تصمیم می‌گیرد، چه کسی مالک زیرساخت‌هاست، چه کسی سود می‌برد و چه کسانی هزینه‌های اجتماعی و محیط‌زیستی آن را پرداخت می‌کنند. اگر هزینهٔ توسعهٔ شبکهٔ برق، مصرف آب، آلودگی، تغییر کاربری زمین و افزایش قیمت انرژی به جامعه منتقل شود، درحالی‌که درآمد و حقوق مالکیت در اختیار شرکت‌های خصوصی باقی بماند، با الگویی روبه‌رو خواهیم بود که در آن هزینه‌ها اجتماعی و منافع خصوصی می‌شوند.

    از تولید اجتماعی تا تمرکز قدرت

    در هر سه تحول، یک تضاد مشترک دیده می‌شود. دانش، داده، زبان، نرم‌افزار و فرهنگ به‌صورت اجتماعی تولید می‌شوند. زیرساخت‌های مادی نیز بدون کار جمعی مهندسان، کارگران ساختمانی، کارکنان شبکه‌های برق، تولیدکنندگان تجهیزات، دانشگاه‌ها و سرمایه‌گذاری‌های عمومی شکل نمی‌گیرند. اما نتیجهٔ این فرایند اجتماعی، از طریق مالکیت خصوصی مراکز داده، تراشه‌ها، شبکه‌ها، قراردادها و حقوق مالی، به تمرکز قدرت اقتصادی و سیاسی منجر می‌شود.

    شرکت‌هایی که کنترل ظرفیت محاسباتی را در اختیار دارند، فقط مالک مجموعه‌ای از سرورها نیستند. آن‌ها می‌توانند تعیین کنند چه کسی به هوش مصنوعی پیشرفته دسترسی داشته باشد، کدام پژوهش‌ها تأمین مالی شوند، چه مدل‌هایی توسعه پیدا کنند، چه داده‌هایی ارزش اقتصادی بیابند و چه نیازهایی در اولویت قرار گیرند. به همین دلیل، ظرفیت محاسباتی به‌تدریج به یکی از اشکال بنیادین قدرت در جامعهٔ معاصر تبدیل می‌شود.

    این روند همچنین نشان می‌دهد که باز بودن یک مدل یا انتشار وزن‌های آن، به‌تنهایی به معنای اجتماعی‌شدن واقعی هوش مصنوعی نیست. اگر اجرای مدل همچنان به تراشه‌های کمیاب، انرژی فراوان، مراکز دادهٔ عظیم و سرمایهٔ میلیاردی نیاز داشته باشد، امکان استفادهٔ مؤثر از آن در اختیار بازیگرانی باقی می‌ماند که این زیرساخت‌ها را کنترل می‌کنند. در چنین وضعیتی، دانش ممکن است ظاهراً بازتر شود، اما ابزار تبدیل آن به قدرت اقتصادی همچنان خصوصی و متمرکز باقی می‌ماند.

    نتیجه‌گیری: آیندهٔ هوش مصنوعی یک انتخاب اجتماعی است

    تحولات ۱۷ تا ۱۹ اوت نشان می‌دهد که مسئلهٔ اصلی هوش مصنوعی دیگر فقط سرعت مدل‌ها یا توان پردازشی تراشه‌ها نیست. مسئله این است که چه نوع نظم اقتصادی و اجتماعی پیرامون این فناوری شکل می‌گیرد. آیا دانش اجتماعی و منابع عمومی به تقویت انحصارها و تمرکز قدرت منجر خواهند شد، یا جامعه خواهد توانست در تعیین مسیر توسعه، مالکیت، نظارت و توزیع منافع این فناوری مشارکت کند؟

    تجربهٔ پنسیلوانیا نشان می‌دهد که قدرت اقتصادی و سیاسی، بدون فشار اجتماعی، به‌طور طبیعی نیازهای مردم را در اولویت قرار نمی‌دهد. ورود جامعه به معادله نیازمند آگاهی، سازمان‌یابی، شفافیت، اعتراض و مشارکت مستقیم است. آیندهٔ هوش مصنوعی از پیش تعیین نشده است؛ این آینده در کشمکش میان تولید اجتماعی و مالکیت خصوصی، میان نیازهای عمومی و انباشت ثروت و میان مشارکت جامعه و تمرکز قدرت شکل خواهد گرفت.

    بازگشت به صفحهٔ اصلی

  • بحران ساختاری سرمایه‌داری آمریکا در عصر هوش مصنوعی

    بحران ساختاری سرمایه‌داری آمریکا در عصر هوش مصنوعی

    تازه | NEW

    بحران ساختاری سرمایه‌داری آمریکا در عصر هوش مصنوعی

    تمرکز ثروت، دگرگونی نیروهای مولد و امکان نظم اجتماعی نوین در عصر آگاهی

    حمید اخوی

    مقدمه

    بحث درباره بحران سرمایه‌داری آمریکا را نباید با این ادعا آغاز کرد که اقتصاد ایالات متحده در آستانه فروپاشی فوری قرار گرفته است. چنین ادعایی نه با واقعیت‌های اقتصادی سازگار است و نه برای یک نقد مارکسیستی جدی ضرورت دارد. ایالات متحده همچنان یکی از بزرگ‌ترین و پویاترین اقتصادهای جهان، مرکز بخش مهمی از سرمایه مالی جهانی و مهم‌ترین قطب سرمایه‌گذاری خصوصی در فناوری‌های پیشرفته و هوش مصنوعی است. برآورد نهایی اداره تحلیل اقتصادی آمریکا نشان می‌دهد تولید ناخالص داخلی واقعی این کشور در سه‌ماهه نخست ۲۰۲۶ با نرخ سالانه ۲.۱ درصد رشد کرده و سرمایه‌گذاری، صادرات، هزینه‌های دولتی و مصرف خانوار در این رشد سهم داشته‌اند. بنابراین مسئله مورد بحث در این مقاله بحران به معنای توقف ساده تولید یا فروپاشی قریب‌الوقوع بازارها نیست؛ مسئله، تضادهای ساختاری شیوه تولید سرمایه‌داری در مرحله‌ای است که نیروهای مولد به سطحی از اجتماعی‌شدن، دانش‌بنیانی و وابستگی متقابل رسیده‌اند که با شکل خصوصی مالکیت و تصاحب محصول اجتماعی تنش فزاینده‌ای پیدا می‌کند.

    در این معنا، رشد اقتصادی نه نفی‌کننده بحران، بلکه خود می‌تواند حامل تضاد باشد: جامعه ثروت بیشتری تولید می‌کند، بهره‌وری افزایش می‌یابد و فناوری امکان تولید با کار انسانی کمتر را فراهم می‌سازد، اما همزمان مالکیت ثروت و سرمایه در بخش کوچکی از جامعه متمرکز می‌شود و دسترسی اکثریت به محصول اجتماعی همچنان عمدتاً از طریق فروش نیروی کار صورت می‌گیرد. این مقاله می‌کوشد بحران کنونی سرمایه‌داری آمریکا را در همین چارچوب بررسی کند. نقطه عزیمت آن اقتصاد سیاسی مارکس و مفاهیمی چون انباشت، تمرکز سرمایه، ارزش اضافی، مالی‌شدن، سرمایه موهوم، اجتماعی‌شدن تولید و تضاد میان نیروهای مولد و روابط تولید است. هدف، تکرار مکانیکی مفاهیم قرن نوزدهم نیست، بلکه بررسی معنای تازه آنها در شرایطی است که دانش، داده، الگوریتم، شبکه و هوش مصنوعی به نیروهای مستقیم تولید تبدیل شده‌اند و این پرسش را پیش می‌کشند که آیا همین تحول می‌تواند شرایط مادی و معرفتی پیدایش نظمی متفاوت را فراهم کند؛ نظمی که در اینجا از آن با عنوان «نظم اجتماعی نوین در عصر آگاهی» یاد می‌شود.

    از بحران ادواری تا تضاد ساختاری انباشت سرمایه

    در اقتصاد متعارف، بحران اغلب به‌عنوان انحراف از وضعیت تعادل بررسی می‌شود. افزایش قیمت انرژی، اختلال زنجیره تأمین، سیاست پولی نامناسب، همه‌گیری، جنگ یا سقوط یک بازار مالی می‌تواند اقتصاد را از مسیر عادی خارج کند و سیاست‌گذار وظیفه دارد آن را دوباره به تعادل بازگرداند. اقتصاد سیاسی مارکس پرسش متفاوتی مطرح می‌کند: اگر بحران‌ها در تاریخ سرمایه‌داری بارها و در اشکال گوناگون بازمی‌گردند، آیا نمی‌توان سرچشمه آنها را در خود منطق انباشت جست‌وجو کرد؟ سرمایه در تحلیل مارکس صرفاً مجموعه‌ای از ماشین‌آلات یا پول نیست؛ یک رابطه اجتماعی است که در آن پول وارد فرایند تولید می‌شود تا در پایان به پول بیشتری تبدیل شود. سرمایه‌دار نیروی کار و وسایل تولید را خریداری می‌کند، کالا تولید می‌شود و تحقق ارزش کالا باید سرمایه اولیه را همراه با ارزش اضافی بازگرداند. از این رو هدف نهایی تولید سرمایه‌داری نه تأمین مستقیم نیاز اجتماعی، بلکه بازتولید سرمایه در مقیاسی گسترده‌تر است.

    رقابت هر سرمایه را وادار می‌کند هزینه را کاهش دهد، فناوری جدید به کار گیرد، بهره‌وری را افزایش دهد و سهم بازار خود را حفظ یا گسترش دهد. همین فرایند تناقضی ایجاد می‌کند که برای فهم بحران‌های سرمایه‌داری اهمیت بنیادی دارد. هر بنگاه می‌کوشد هزینه نیروی کار را نسبت به محصول کاهش دهد، اما مجموعه سرمایه برای فروش محصول خود به قدرت خرید اجتماعی نیاز دارد. هر بنگاه از جایگزینی نیروی انسانی با فناوری سود می‌برد، اما اکثریت جامعه همچنان درآمد خود را از فروش نیروی کار به دست می‌آورند. بنابراین آنچه از دید سرمایه منفرد عقلانی است، می‌تواند در سطح کل نظام به عدم تعادل منجر شود. سرمایه‌داری ظرفیت تولید را دائماً افزایش می‌دهد، اما هیچ مکانیسم خودکاری وجود ندارد که تضمین کند قدرت خرید اکثریت جامعه با همان آهنگ افزایش یابد.

    از اینجاست که مسئله اضافه‌انباشت اهمیت پیدا می‌کند. سرمایه انباشته‌شده باید دوباره با نرخ سود قابل قبول سرمایه‌گذاری شود. هنگامی که فرصت‌های سرمایه‌گذاری مولد به اندازه حجم سرمایه گسترش نمی‌یابند، بخشی از سرمایه به بازارهای مالی، املاک، اوراق بدهی و اشکال مختلف دارایی منتقل می‌شود. اعتبار برای مدتی می‌تواند فاصله میان تولید و قدرت خرید را پر کند و ارزش دارایی‌ها می‌تواند بسیار سریع‌تر از تولید واقعی افزایش یابد، اما این فرایند تضاد را از میان نمی‌برد؛ آن را به آینده منتقل می‌کند. مفهوم «سرمایه موهوم» در مارکس برای فهم همین وضع اهمیت دارد: مطالبات مالی بر درآمد و ارزش آینده می‌توانند خود به موضوع خرید و فروش تبدیل شوند و ظاهراً مستقل از فرایند تولید رشد کنند، در حالی که در نهایت تحقق آنها به تولید اجتماعی ارزش وابسته باقی می‌ماند.

    مالی‌شدن، بدهی و اجتماعی‌شدن ریسک سرمایه

    اقتصاد آمریکا در چند دهه گذشته نمونه برجسته‌ای از گسترش این منطق بوده است. مالی‌شدن به این معنا نیست که تولید مادی اهمیت خود را از دست داده است، بلکه نشان می‌دهد روابط مالی و مالکیت دارایی‌ها نقش فزاینده‌ای در سازمان‌دهی اقتصاد پیدا کرده‌اند. خانواده‌ای که درآمدش برای خرید خانه کافی نیست از وام مسکن استفاده می‌کند؛ دانشجو برای تحصیل بدهکار می‌شود؛ خانوار برای مصرف از کارت اعتباری استفاده می‌کند؛ شرکت برای سرمایه‌گذاری، خرید سهام خود یا ادغام با رقیب اوراق بدهی منتشر می‌کند و دولت نیز برای تأمین مخارج خود استقراض می‌کند. اعتبار به جامعه امکان می‌دهد محدودیت امروز را با تعهدی نسبت به درآمد فردا جایگزین کند، اما در همان حال بخشی از درآمد آینده را پیشاپیش به بازپرداخت اصل و بهره اختصاص می‌دهد.

    بحران مالی ۲۰۰۸ و همه‌گیری ۲۰۲۰ ماهیت متناقض این ساختار را آشکار کردند. هنگامی که بازتولید عادی سرمایه، اعتبار یا درآمد خانوارها مختل شد، دولت و بانک مرکزی توانستند منابع عظیمی را برای جلوگیری از فروپاشی زنجیره‌های پرداخت، اعتبار و تولید بسیج کنند. این تجربه‌ها افسانه اقتصاد سرمایه‌داری به‌عنوان حوزه‌ای مستقل از دولت را تضعیف می‌کنند. سرمایه‌داری پیشرفته بدون زیرساخت حقوقی، پولی، مالی، علمی و فیزیکی دولت قابل تصور نیست و هنگامی که بقای کل نظام در معرض خطر قرار می‌گیرد، دولت به نهادی برای اجتماعی‌کردن بخشی از ریسک‌های خصوصی تبدیل می‌شود. خصوصی‌بودن مالکیت در اینجا با اجتماعی‌بودن پیامدهای آن روبه‌رو می‌شود: زیان یک نهاد بزرگ مالی یا تولیدی می‌تواند آن‌قدر آثار عمومی داشته باشد که جامعه ناگزیر از تحمل بخشی از هزینه حفظ شرایط بازتولید کل نظام شود.

    تمرکز ثروت و ساختار طبقاتی آمریکا

    برای فهم اینکه محصول این نظام در اختیار چه کسانی قرار می‌گیرد، باید از شاخص‌های کلان به ساختار مالکیت حرکت کرد. یکی از محدودیت‌های بحث عمومی درباره نابرابری این است که اغلب بر تفاوت درآمد تمرکز می‌کند. درآمد و ثروت یکسان نیستند. درآمد جریانی است که فرد در یک دوره دریافت می‌کند، در حالی که ثروت انباشتی از دارایی‌هاست که می‌تواند خود درآمد، بهره، سود، اجاره و افزایش ارزش ایجاد کند. به همین دلیل، برای تحلیل طبقاتی، توزیع ثروت و به‌ویژه نوع دارایی‌های تحت مالکیت اهمیت بیشتری از مقایسه ساده حقوق سالانه دارد.

    داده‌های Distributional Financial Accounts فدرال رزرو برای سه‌ماهه نخست ۲۰۲۶ تصویری روشن از تمرکز دارایی‌ها ارائه می‌کنند. فقط در بخش سهام شرکت‌ها و واحدهای صندوق‌های سرمایه‌گذاری، ۰.۱ درصد بالای خانوارها حدود ۱۳.۳۳ تریلیون دلار، ۰.۹ درصد بعدی حدود ۱۴.۳۱ تریلیون دلار و ۹ درصد بعدی حدود ۲۰.۵۱ تریلیون دلار در اختیار داشتند؛ در مقابل، کل ۵۰ درصد پایین خانوارها فقط حدود ۵۹۰ میلیارد دلار از این نوع دارایی‌ها را مالک بودند. این تفاوت فقط تفاوت در سطح مصرف نیست. مالکیت سهام، حقی بر بخشی از سود و افزایش ارزش سرمایه ایجاد می‌کند و به همین دلیل تمرکز این دارایی‌ها بیانگر تمرکز امکان تصاحب درآمد ناشی از مالکیت است.

    در تحلیل مارکسیستی، طبقه را نمی‌توان به گروه‌های درآمدی پایین، متوسط و بالا فروکاست. یک پزشک، استاد دانشگاه یا مهندس ممکن است درآمد بالایی داشته باشد، اما اگر درآمد اصلی او همچنان از فروش نیروی کار تخصصی‌اش حاصل شود، رابطه او با تولید با مالک یک مجموعه عظیم سرمایه یکسان نیست. ثروت علاوه بر ایجاد درآمد، خود را نیز بازتولید می‌کند. صاحب سهام از سود و افزایش قیمت دارایی برخوردار می‌شود؛ مالک ملک می‌تواند اجاره دریافت کند؛ دارنده اوراق بهره می‌گیرد و سرمایه‌گذار می‌تواند بازده دارایی موجود را برای خرید دارایی جدید به کار گیرد. در مقابل، خانوار فاقد ثروت ممکن است برای خرید خانه، تحصیل یا حتی مصرف ضروری بدهکار شود و به جای دریافت بهره، بهره بپردازد. به این ترتیب ثروت نه فقط نتیجه نابرابری گذشته، بلکه یکی از سازوکارهای تولید نابرابری آینده است.

    از این رو، تمرکز ثروت را باید تمرکز قدرت نیز دانست. مالکیت سرمایه به صاحبان آن امکان می‌دهد درباره محل سرمایه‌گذاری، فناوری مورد استفاده، تعداد کارکنان، جابه‌جایی تولید، تخصیص بودجه تحقیقاتی و جهت توسعه بنگاه تصمیم بگیرند. دموکراسی سیاسی بر اصل رسمی یک نفر، یک رأی استوار است، اما تخصیص منابع اقتصادی بر چنین اصلی عمل نمی‌کند. فرد یا نهادی که میلیاردها دلار سرمایه در اختیار دارد، قدرت تصمیم‌گیری اقتصادی بسیار بیشتری از میلیون‌ها شهروندی دارد که دارایی اصلی آنها نیروی کارشان است. قدرت اقتصادی نیز می‌تواند از طریق تأمین مالی سیاسی، لابی‌گری، مالکیت رسانه، حمایت از اندیشکده‌ها و دانشگاه‌ها و دسترسی مستقیم‌تر به سیاست‌گذاران به نفوذ اجتماعی و سیاسی تبدیل شود. این بدان معنا نیست که هر تصمیم سیاسی مستقیماً توسط ثروتمندان دیکته می‌شود، اما نابرابری عظیم منابع، ظرفیت اثرگذاری بر تصمیمات جمعی را نیز به‌شدت نامتقارن می‌کند.

    از تمرکز سرمایه به دگرگونی نیروهای مولد در عصر هوش مصنوعی

    این ساختار مالکیت اکنون با تحولی تاریخی در نیروهای مولد تلاقی می‌کند. هوش مصنوعی، یادگیری ماشین، مراکز داده، رایانش ابری، تراشه‌های پیشرفته و اتوماسیون در حال تبدیل‌شدن به بخش مهمی از زیرساخت تولید هستند. گزارش AI Index 2026 دانشگاه استنفورد نشان می‌دهد سرمایه‌گذاری خصوصی در هوش مصنوعی در ایالات متحده طی سال ۲۰۲۵ به ۲۸۵.۹ میلیارد دلار رسید؛ بیش از ۲۳ برابر ۱۲.۴ میلیارد دلار سرمایه‌گذاری خصوصی ثبت‌شده در چین. در همان سال ۱٬۹۵۳ شرکت تازه AI در آمریکا تأمین مالی شدند. این ارقام را نباید صرفاً نشانه رونق یک صنعت جدید تلقی کرد. سرمایه با چنین مقیاسی به سوی حوزه‌ای حرکت می‌کند که امکان افزایش بهره‌وری، کاهش هزینه، ایجاد بازارهای تازه و کسب درآمد و رانت ناشی از مالکیت فکری و کنترل زیرساخت را فراهم می‌کند.

    در انقلاب صنعتی، سرمایه‌گذاری در ماشین‌آلات مکانیکی توان جسمانی انسان را چند برابر کرد؛ انقلاب دیجیتال امکان پردازش و انتقال اطلاعات را گسترش داد؛ هوش مصنوعی اکنون بخشی از فعالیت شناختی انسان ــ تحلیل، ترجمه، برنامه‌نویسی، طراحی، تولید متن و تصویر، تشخیص الگو و تصمیم‌سازی ــ را وارد حوزه اتوماسیون می‌کند. اما AI از یک جهت با ماشین صنعتی کلاسیک تفاوت مهمی دارد. ماده اولیه شناختی آن تا حد زیادی محصول اجتماعی انباشته‌شده بشر است. زبان، کتاب، مقاله علمی، تصویر، کد نرم‌افزاری، تحقیقات دانشگاهی، داده‌های اجتماعی و دانش نسل‌های گذشته در شکل‌گیری محیطی نقش داشته‌اند که مدل‌های هوش مصنوعی از آن تغذیه می‌کنند. اینجاست که بحث مارکس در گروندریسه درباره رشد «دانش عمومی اجتماعی» یا آنچه بعدها General Intellect نامیده شد، اهمیت تازه‌ای پیدا می‌کند. هوش مصنوعی را نمی‌توان تحقق ساده و مکانیکی پیش‌بینی مارکس دانست، اما شباهت ساختاری چشمگیر است: دانش اجتماعی اکنون واقعاً می‌تواند در ماشین، شبکه و الگوریتم تثبیت شود و مستقیماً در تولید نقش ایفا کند.

    در همین نقطه، نقش پلتفرم‌ها و شیوه تبدیل فعالیت اجتماعی به درآمد سرمایه‌ای اهمیت پیدا می‌کند. پلتفرم‌هایی مانند Facebook و Instagram در مجموعه Meta، و YouTube و خدمات Google در مجموعه Alphabet، تنها ابزارهای ارتباطی خنثی نیستند؛ آنها زیرساخت‌هایی خصوصی‌اند که بر بستر فعالیت گسترده کاربران، تولید محتوا، جست‌وجو، مشاهده، تعامل و توجه اجتماعی، بازارهای عظیم تبلیغاتی و خدماتی ایجاد کرده‌اند. Alphabet در گزارش سالانه ۲۰۲۵ خود ۲۹۴.۷ میلیارد دلار درآمد تبلیغاتی گزارش کرد که ۴۰.۴ میلیارد دلار آن مستقیماً از تبلیغات YouTube بود؛ در عین حال درآمد YouTube از مجموع تبلیغات و اشتراک‌ها در همان سال از ۶۰ میلیارد دلار فراتر رفت. شرکت همچنین از اشتراک‌هایی مانند YouTube Premium و Google One، که دسترسی به مدل‌های پیشرفته Gemini را نیز عرضه می‌کند، و از Google Cloud از طریق هزینه‌های مصرفی و اشتراک برای زیرساخت، پلتفرم و خدمات AI درآمد کسب می‌کند. بنابراین سودآوری اقتصاد دیجیتال و هوش مصنوعی فقط از فروش یک «محصول AI» حاصل نمی‌شود؛ تبلیغات، اشتراک، خدمات ابری، دسترسی به زیرساخت محاسباتی و تبدیل توجه و فعالیت کاربران به فرصت تجاری، لایه‌های مختلف یک نظام واحد انباشت را تشکیل می‌دهند.

    اهمیت طبقاتی این سازوکار در آن است که فعالیت اجتماعی میلیون‌ها و میلیاردها انسان در یک سوی رابطه قرار می‌گیرد، در حالی که مالکیت زیرساختی که این فعالیت را سازمان می‌دهد و به درآمد تبدیل می‌کند در سوی دیگر متمرکز است. البته از این واقعیت نباید نتیجه گرفت که تمام ارزش تولیدشده در اقتصاد AI مستقیماً به صاحبان چند پلتفرم منتقل می‌شود؛ زنجیره ارزش شامل تولید تراشه، انرژی، مراکز داده، شبکه، رایانش ابری، مدل‌های بنیادین، نرم‌افزار، تبلیغات و خدمات مصرفی است و سرمایه و سود در لایه‌های گوناگون آن توزیع می‌شود. با این همه، شرکت‌هایی که گلوگاه‌های اصلی این زنجیره ــ پلتفرم، زیرساخت محاسباتی، شبکه توزیع، مدل یا دسترسی به کاربران ــ را کنترل می‌کنند، از موقعیتی ممتاز برای تصاحب بخشی از ارزش اجتماعی برخوردارند. در نتیجه، اجتماعی‌شدن روزافزون تولید دانش و داده الزاماً به اجتماعی‌شدن مالکیت یا محصول اقتصادی آن نمی‌انجامد؛ برعکس، در چارچوب روابط موجود می‌تواند شکل تازه‌ای از تمرکز سرمایه ایجاد کند.

    تناقض دقیقاً در همین نقطه آشکار می‌شود. دانش مورد استفاده در این فرایند ماهیتی بسیار اجتماعی دارد، اما زیرساختی که آن را به قدرت اقتصادی تبدیل می‌کند ــ مراکز داده، تراشه‌ها، مدل‌های بنیادین، شبکه‌های ابری و حقوق مالکیت فکری ــ می‌تواند در مالکیت خصوصی تعداد محدودی از شرکت‌ها و صاحبان سرمایه قرار گیرد. داده‌های فدرال رزرو نیز نشان می‌دهند که مالکیت سهام شرکت‌ها از پیش به‌شدت در بخش بالای توزیع ثروت متمرکز است. بنابراین اگر ارزش اقتصادی حاصل از AI عمدتاً از طریق سود شرکت‌ها و افزایش ارزش سهام تحقق یابد، بدون تغییر در روابط مالکیت، بخش بزرگی از ثمره این دگرگونی تکنولوژیک می‌تواند به همان گروه‌هایی منتقل شود که از پیش بخش اصلی سرمایه مالی را در اختیار دارند.

    در اینجا تضاد کلاسیک میان تولید اجتماعی و تصاحب خصوصی شکل تازه‌ای پیدا می‌کند. میلیون‌ها و در واقع میلیاردها انسان در طول نسل‌ها در تولید دانش و داده‌ای مشارکت کرده‌اند که اکنون به یکی از مهم‌ترین مواد اولیه اقتصاد هوش مصنوعی تبدیل شده است، اما حق تصمیم‌گیری درباره نحوه استفاده از این ظرفیت و تصاحب بخش بزرگی از ارزش اقتصادی حاصل از آن می‌تواند در اختیار گروه بسیار کوچک‌تری باقی بماند. در چنین شرایطی، هوش مصنوعی نه تنها یک فناوری، بلکه یک مسئله مالکیت و بنابراین یک مسئله طبقاتی است.

    اتوماسیون و تناقض میان رهایی از کار و ناامنی اقتصادی

    این تحول یک تناقض عمیق‌تر نیز ایجاد می‌کند. از دیدگاه انسانی، افزایش بهره‌وری و کاهش نیاز به کار باید دستاوردی مثبت باشد. اگر جامعه بتواند محصول مورد نیاز خود را با نصف زمان کار گذشته تولید کند، نتیجه عقلانی می‌تواند کاهش ساعات کار، افزایش زمان آزاد و فراهم‌شدن فرصت بیشتر برای آموزش، هنر، خانواده، فعالیت اجتماعی و رشد فردی باشد. فناوری در این معنا ظرفیت رهایی‌بخش دارد. اما در جامعه‌ای که دسترسی اکثریت مردم به درآمد همچنان عمدتاً از طریق فروش نیروی کار سازمان یافته است، کاهش نیاز به نیروی کار می‌تواند نتیجه‌ای کاملاً متفاوت ایجاد کند. اگر شرکت بتواند با استفاده از AI همان محصول را با تعداد کمتری کارگر تولید کند، این افزایش بهره‌وری از دید بنگاه می‌تواند به کاهش هزینه و افزایش سود منجر شود؛ اما برای کارگری که شغل خود را از دست می‌دهد، همان پیشرفت فناوری به ناامنی اقتصادی تبدیل می‌شود.

    این تناقض ناشی از هوش مصنوعی نیست. سرچشمه آن در رابطه اجتماعی‌ای است که حق دسترسی به محصول اجتماعی را به اشتغال مزدی پیوند می‌دهد. اگر اتوماسیون به مرحله‌ای برسد که بخش فزاینده‌ای از کار ضروری را ماشین انجام دهد، جامعه با پرسشی روبه‌رو خواهد شد که دیگر صرفاً تکنولوژیک نیست: اگر برای تولید ثروت به ساعات کار انسانی کمتری نیاز داریم، چرا امنیت زندگی انسان باید همچنان به فروش هرچه بیشتر ساعت کار وابسته باشد؟ در این نقطه می‌توان از امکان تاریخی گذار از «بحران کمبود» به نوعی «بحران فراوانی بالقوه» سخن گفت. اگر ماشین بتواند کالا، خدمات و دانش بیشتری با کار انسانی کمتر تولید کند، پرسش اساسی دیگر فقط این نیست که چگونه تولید را افزایش دهیم؛ پرسش این است که چه کسی مالک ظرفیت تولید است، چه کسی درباره کاربرد آن تصمیم می‌گیرد و محصول افزایش بهره‌وری چگونه میان اعضای جامعه تقسیم می‌شود.

    بحران ساختاری و حدود اصلاحات درون سرمایه‌داری

    از این تحلیل نباید نتیجه گرفت که اصلاحات اقتصادی بی‌اهمیت‌اند. مالیات تصاعدی، تقویت اتحادیه‌ها، افزایش دستمزد، خدمات عمومی، آموزش و درمان همگانی، حمایت از بیکاران و تنظیم انحصارات می‌توانند زندگی میلیون‌ها انسان را بهبود دهند و توازن قدرت میان کار و سرمایه را تغییر دهند. نقد مارکسیستی زمانی به جزم‌گرایی تبدیل می‌شود که تفاوت میان شرایط واقعی زندگی انسان‌ها را به این دلیل که یک اصلاح سرمایه‌داری را فوراً از میان نمی‌برد، بی‌اهمیت تلقی کند. اما در عین حال، اصلاح توزیع درآمد با تحول روابط مالکیت یکسان نیست. اگر ساختار بنیادی مالکیت سرمایه تغییر نکند، همان مکانیسم‌هایی که ثروت را متمرکز کرده‌اند می‌توانند پس از دوره‌ای از اصلاحات دوباره عمل کنند. سرمایه از طریق سود، بهره، افزایش ارزش دارایی و انتقال بین‌نسلی خود را بازتولید می‌کند. بنابراین پرسش مارکسیستی فقط این نیست که محصول اجتماعی پس از تولید چگونه عادلانه‌تر توزیع شود؛ پرسش بنیادی‌تر این است که چه کسی وسایل تولید را مالک است، چه کسی درباره سرمایه‌گذاری تصمیم می‌گیرد و چه کسانی در تعیین اولویت‌های اقتصادی جامعه مشارکت دارند.

    این تمایز برای فهم مرحله کنونی اهمیت ویژه‌ای دارد، زیرا AI می‌تواند مقیاس تمرکز را افزایش دهد. توسعه مدل‌های پیشرفته به تراشه، انرژی، مراکز داده، شبکه و سرمایه عظیم نیاز دارد. این هزینه‌های ثابت بالا می‌توانند ورود رقبای جدید را دشوار کنند و مزیت شرکت‌هایی را که از پیش سرمایه، داده و زیرساخت دارند تقویت کنند. از این رو ممکن است اجتماعی‌ترین شکل تولید دانش با یکی از متمرکزترین اشکال مالکیت زیرساخت همراه شود.

    از تضاد سرمایه‌داری تا امکان نظم اجتماعی نوین در عصر آگاهی

    وجود تضاد ساختاری به معنای فروپاشی خودکار سرمایه‌داری نیست. تاریخ سرمایه‌داری نشان داده است که این نظام ظرفیت قابل توجهی برای انطباق دارد. سیاست کینزی، دولت رفاه، اعتبار، جهانی‌شدن، مالی‌شدن، سیاست پولی، خصوصی‌سازی و فناوری در دوره‌های مختلف به بازسازی شرایط انباشت کمک کرده‌اند. بحران نیز الزاماً نتیجه مترقی ندارد؛ می‌تواند به تمرکز بیشتر سرمایه، اقتدارگرایی، ملی‌گرایی، جنگ، نظارت دیجیتال و اشکال تازه‌ای از سلطه منجر شود. بنابراین هیچ قانون اقتصادی وجود ندارد که از دل افزایش تضادهای سرمایه‌داری به صورت خودکار یک نظم اجتماعی بهتر بیرون بیاورد. همین نکته مرز مهمی میان جبرگرایی تاریخی و مفهوم نظم اجتماعی نوین در عصر آگاهی ایجاد می‌کند. نیروهای مولد می‌توانند امکان تحول را ایجاد کنند، اما امکان با ضرورت یکسان نیست. آنچه میان این دو قرار دارد، آگاهی و کنش اجتماعی انسان است.

    در اینجا مفهوم آگاهی معنایی فراتر از آگاهی فردی یا اخلاقی پیدا می‌کند. برای نخستین بار در تاریخ، فناوری‌هایی در حال شکل‌گیری‌اند که بالقوه می‌توانند حجم عظیمی از اطلاعات مربوط به تولید، مصرف، منابع، نیازها و پیامدهای تصمیمات اقتصادی را تقریباً در زمان واقعی پردازش کنند. همان هوش مصنوعی که می‌تواند برای افزایش سود شرکت خصوصی به کار رود، از نظر فنی می‌تواند برای برنامه‌ریزی منابع، سنجش نیازهای اجتماعی، شفافیت تصمیمات، مشارکت شهروندان و هماهنگی شبکه‌های پیچیده تولید نیز مورد استفاده قرار گیرد. فناوری شکل اجتماعی کاربرد خود را تعیین نمی‌کند؛ روابط قدرت و مالکیت تعیین می‌کنند که این ظرفیت در خدمت چه هدفی قرار گیرد.

    از این منظر، نظم اجتماعی نوین در عصر آگاهی را نباید صرفاً نسخه‌ای جدید از ملی‌کردن مالکیت یا انتقال کنترل از شرکت خصوصی به دستگاه دولت تصور کرد. اگر قدرت اقتصادی از گروه کوچکی از صاحبان سرمایه به گروه کوچکی از مدیران دولتی منتقل شود، مسئله مشارکت انسان در قدرت لزوماً حل نشده است. مسئله بنیادی‌تر آن است که چگونه می‌توان مالکیت، تصمیم‌گیری و مدیریت منابع اجتماعی را به شکلی سازمان داد که انسان‌ها نه فقط دریافت‌کنندگان محصول تصمیمات اقتصادی، بلکه مشارکت‌کنندگان آگاه در شکل‌گیری آنها باشند.

    این امر مستلزم بازاندیشی در رابطه میان مالکیت، کار، درآمد و قدرت است. اگر افزایش بهره‌وری امکان کاهش زمان کار را فراهم می‌کند، ثمره آن می‌تواند به جای بیکاری گسترده به کاهش ساعت کار اجتماعی تبدیل شود. اگر دانش محصول همکاری تاریخی بشر است، می‌توان درباره اشکال اجتماعی‌تر دسترسی و مالکیت آن اندیشید. اگر فناوری امکان مشارکت و پردازش اطلاعات در مقیاس بزرگ را فراهم می‌کند، می‌توان درباره ساختارهایی فراتر از انتخاب دوره‌ای نمایندگان و مدیریت متمرکز بوروکراتیک فکر کرد. و اگر تولید واقعاً اجتماعی است، مسئله مشارکت در قدرت اقتصادی دیگر یک آرمان انتزاعی نیست؛ به پرسشی درباره انطباق روابط اجتماعی با ماهیت واقعی نیروهای مولد تبدیل می‌شود.

    جمع‌بندی

    اقتصاد آمریکا در سال ۲۰۲۶ تصویری متناقض اما از نظر تاریخی بسیار معنادار ارائه می‌کند. اقتصاد همچنان رشد می‌کند و در همان حال مالکیت دارایی‌های مولد به‌شدت متمرکز است. در بخش سهام و صندوق‌های سرمایه‌گذاری، گروه‌های بالای توزیع ثروت بخش قاطع مالکیت را در اختیار دارند، در حالی که سهم نیمه پایین جامعه بسیار ناچیز است. همزمان، آمریکا با ۲۸۵.۹ میلیارد دلار سرمایه‌گذاری خصوصی AI در سال ۲۰۲۵ با فاصله بسیار زیاد بزرگ‌ترین مرکز سرمایه‌گذاری خصوصی در هوش مصنوعی جهان بوده است. این ارقام به خودی خود نظریه مارکس را «اثبات» نمی‌کنند و نباید از آمار نتیجه‌ای بیش از ظرفیت آن استخراج کرد، اما در کنار یکدیگر پدیده‌ای را آشکار می‌کنند که تحلیل مارکسیستی برای فهم آن همچنان قدرت توضیحی دارد: تولید هرچه اجتماعی‌تر می‌شود، دانش بیش از گذشته به نیروی مستقیم تولید تبدیل می‌شود و سرمایه به مقیاس‌های عظیم‌تری از هماهنگی اجتماعی وابسته می‌شود، در حالی که مالکیت و حق تصاحب محصول این فرایند می‌تواند در بخش کوچکی از جامعه متمرکز باقی بماند.

    هوش مصنوعی این تضاد را به مرحله‌ای تازه می‌رساند. دانش اجتماعی انباشته‌شده بشر می‌تواند در قالب مدل، الگوریتم و ماشین به نیروی تولید تبدیل شود؛ اما زیرساختی که این دانش را به قدرت اقتصادی تبدیل می‌کند می‌تواند خصوصی باشد. فناوری می‌تواند نیاز به کار انسانی را کاهش دهد؛ اما اگر درآمد همچنان به اشتغال مزدی وابسته بماند، همان پیشرفت می‌تواند ناامنی اقتصادی ایجاد کند. بهره‌وری می‌تواند امکان فراوانی بیشتر را فراهم سازد؛ اما اگر حق دسترسی به محصول اجتماعی تابع مالکیت باقی بماند، فراوانی بالقوه می‌تواند در کنار محرومیت واقعی وجود داشته باشد.

    در چنین شرایطی، بحران‌های سرمایه‌داری ممکن است به تدریج از بحران‌های ادواری بازار فراتر روند و به بحران انطباق روابط تولید با نیروهای مولدی تبدیل شوند که خود سرمایه‌داری ایجاد کرده است. با این حال، هیچ تضمینی وجود ندارد که این تضادها به نظمی آزادتر، عادلانه‌تر یا انسانی‌تر منجر شوند. همان فناوری‌ها می‌توانند برای تمرکز قدرت، نظارت و کنترل نیز به کار روند. تفاوت میان این مسیرها را نه فناوری به تنهایی، بلکه سطح آگاهی اجتماعی، سازمان‌یابی، نهادهای دموکراتیک و توانایی انسان‌ها برای مشارکت آگاهانه در تعیین آینده خود رقم خواهد زد.

    از همین جاست که امکان نظم اجتماعی نوین در عصر آگاهی پدیدار می‌شود؛ نه به‌عنوان مرحله‌ای محتوم که تاریخ خودبه‌خود به آن خواهد رسید، بلکه به‌عنوان امکانی که توسعه نیروهای مولد شرایط مادی آن را فراهم می‌کند و تحققش به کنش آگاهانه جامعه وابسته است. تفاوت این نگرش با جبرگرایی تاریخی دقیقاً در همین نکته است: نظم نوین قرار نیست از ویرانه‌های سرمایه‌داری به صورت خودکار سر برآورد؛ باید آگاهانه اندیشیده، طراحی و از طریق مشارکت اجتماعی ساخته شود.

    در چنین افقی، اقتصاد دیگر هدف جامعه نیست، بلکه وسیله شکوفایی انسان است؛ فناوری نه ابزاری برای حذف انسان به منظور افزایش سود، بلکه وسیله‌ای برای کاهش کار غیرضروری و گسترش آزادی اوست؛ دانش نه صرفاً کالایی برای انحصار، بلکه میراثی اجتماعی است؛ و قدرت اقتصادی نه حق طبیعی ناشی از مقدار مالکیت، بلکه حوزه‌ای است که باید در آن امکان مشارکت آگاهانه جامعه وجود داشته باشد. سرمایه‌داری با اجتماعی‌کردن تولید، جهانی‌کردن تقسیم کار، تبدیل دانش به نیروی تولید و اکنون با دگرگونی نیروهای مولد در عصر هوش مصنوعی، خود شرایط مادی طرح پرسشی را فراهم کرده است که شاید در قرن بیست‌ویکم اهمیت فزاینده‌ای پیدا کند: اگر دانش، تولید و ثروت بیش از هر زمان دیگری محصول فعالیت اجتماعی انسان‌ها هستند، چرا مالکیت و قدرت تصمیم‌گیری درباره آنها باید همچنان تا این اندازه خصوصی و متمرکز باقی بماند؟

    پاسخ به این پرسش از پیش تعیین نشده است. بحران سرمایه‌داری تضمین‌کننده نظم بعدی نیست. اما هرچه فاصله میان ماهیت اجتماعی نیروهای مولد و تمرکز خصوصی مالکیت بیشتر شود، امکان طرح یک بدیل تاریخی نیز واقعی‌تر می‌شود. نظم اجتماعی نوین در عصر آگاهی یکی از نام‌هایی است که می‌توان به این امکان داد: امکانی برای آنکه جامعه به جای انتظار برای نظمی که تاریخ بر آن تحمیل می‌کند، آگاهانه درباره نظمی که می‌خواهد بسازد تصمیم بگیرد.

    منابع اصلی

    • Marx, Karl. Capital: A Critique of Political Economy, Vols. I–III.
    • Marx, Karl. Grundrisse: Foundations of the Critique of Political Economy، به‌ویژه Fragment on Machines.
    • Federal Reserve Board. Distributional Financial Accounts, 2026 Q1.
    • U.S. Bureau of Economic Analysis. GDP (Third Estimate), Industries, Corporate Profits, State GDP, and State Personal Income, First Quarter 2026.
    • Stanford Institute for Human-Centered Artificial Intelligence. Artificial Intelligence Index Report 2026.
    • Alphabet Inc. Annual Report / Form 10-K for fiscal year 2025.
    NEW | تازه

    The Structural Crisis of American Capitalism in the Age of Artificial Intelligence

    Concentration of Wealth, Transformation of the Productive Forces, and the Possibility of a New Social Order in the Age of Awareness

    Hamid Akhavi

    Introduction

    A discussion of the crisis of American capitalism should not begin with the claim that the United States economy is on the verge of immediate collapse. Such a claim is neither consistent with economic realities nor necessary for a serious Marxist critique. The United States remains one of the world’s largest and most dynamic economies, a center of global financial capital, and the leading hub of private investment in advanced technologies and artificial intelligence. The U.S. Bureau of Economic Analysis’s final estimate shows that real gross domestic product grew at an annual rate of 2.1 percent in the first quarter of 2026, with investment, exports, government spending, and household consumption all contributing. The issue examined here, therefore, is not crisis as a simple halt in production or an imminent market collapse. It is the structural contradictions of the capitalist mode of production at a stage when the productive forces have become so socialized, knowledge-based, and interdependent that they increasingly conflict with private ownership and private appropriation of the social product.

    In this sense, economic growth does not negate crisis; growth itself can carry contradiction. Society produces more wealth, productivity rises, and technology makes it possible to produce with less human labor, while ownership of wealth and capital becomes concentrated in a small part of society and the majority still gain access to the social product mainly by selling their labor power. This article examines the present crisis of American capitalism within that framework. Its point of departure is Marx’s political economy and concepts such as accumulation, concentration of capital, surplus value, financialization, fictitious capital, socialization of production, and the contradiction between productive forces and relations of production. The goal is not to repeat nineteenth-century concepts mechanically, but to examine their renewed meaning under conditions in which knowledge, data, algorithms, networks, and artificial intelligence have become direct productive forces—and to ask whether this transformation may also create the material and cognitive conditions for a different order, referred to here as “a new social order in the age of awareness.”

    From Cyclical Crisis to the Structural Contradiction of Capital Accumulation

    In mainstream economics, crisis is often treated as a departure from equilibrium. Higher energy prices, supply-chain disruption, unsuitable monetary policy, a pandemic, war, or a financial-market collapse may push the economy off its normal path, and policymakers are expected to restore balance. Marx’s political economy asks a different question: if crises recur throughout capitalist history in many forms, should their source be sought in the logic of accumulation itself? In Marx’s analysis, capital is not merely machinery or money; it is a social relation in which money enters production in order to return as more money. The capitalist purchases labor power and means of production, commodities are produced, and the realization of their value must return the original capital together with surplus value. The ultimate purpose of capitalist production is therefore not the direct satisfaction of social need, but the reproduction of capital on an expanded scale.

    Competition compels each capital to cut costs, introduce new technology, raise productivity, and preserve or expand market share. This process creates a contradiction fundamental to understanding capitalist crises. Every firm seeks to reduce labor costs relative to output, yet capital as a whole needs social purchasing power to sell its products. Each firm benefits from replacing human labor with technology, while most people still obtain income by selling their labor power. What is rational from the standpoint of an individual capital can therefore generate imbalance at the level of the system. Capitalism continually expands productive capacity, but no automatic mechanism guarantees that the purchasing power of the majority will rise at the same rate.

    This is where overaccumulation becomes important. Accumulated capital must be reinvested at an acceptable rate of profit. When productive investment opportunities do not expand as rapidly as the mass of capital, part of that capital moves into financial markets, real estate, debt securities, and other assets. Credit can temporarily bridge the gap between production and purchasing power, and asset values can rise much faster than real output, but this does not eliminate the contradiction; it postpones it. Marx’s concept of “fictitious capital” is important here: financial claims on future income and value can themselves be bought and sold and appear to grow independently of production, even though their ultimate realization remains dependent on the social production of value.

    Financialization, Debt, and the Socialization of Capital Risk

    The American economy over recent decades is a leading example of this logic. Financialization does not mean that material production has lost importance; it means that financial relations and asset ownership play a growing role in organizing the economy. A family whose income is insufficient to buy a house takes a mortgage; a student incurs debt for education; households use credit cards for consumption; corporations issue debt to invest, buy back shares, or merge with competitors; and the government borrows to finance expenditures. Credit allows society to replace today’s limitation with a claim on tomorrow’s income, while committing part of that future income in advance to principal and interest payments.

    The 2008 financial crisis and the 2020 pandemic exposed the contradictory nature of this structure. When the normal reproduction of capital, credit, or household income was disrupted, the government and central bank mobilized enormous resources to prevent the collapse of payment, credit, and production chains. These experiences weaken the myth of capitalism as a sphere independent of the state. Advanced capitalism is inconceivable without the state’s legal, monetary, financial, scientific, and physical infrastructure. When the survival of the system is threatened, the state becomes an institution for socializing part of the risks created privately. Private ownership confronts the social character of its consequences: the losses of a major financial or productive institution can have such broad effects that society is compelled to bear part of the cost of preserving the conditions for the reproduction of the system as a whole.

    Concentration of Wealth and the American Class Structure

    To understand who controls the product of this system, analysis must move from aggregate indicators to the structure of ownership. A limitation of public debate about inequality is its frequent focus on income differences. Income and wealth are not the same. Income is a flow received during a period; wealth is a stock of assets that can itself generate income, interest, profit, rent, and capital gains. For class analysis, the distribution of wealth—and especially the kinds of assets owned—is therefore more important than a simple comparison of annual salaries.

    Federal Reserve Distributional Financial Accounts for the first quarter of 2026 provide a clear picture of asset concentration. In corporate equities and mutual-fund shares alone, the top 0.1 percent of households owned about $13.33 trillion, the next 0.9 percent about $14.31 trillion, and the next 9 percent about $20.51 trillion. By contrast, the entire bottom 50 percent owned only about $590 billion of these assets. This is not merely a difference in consumption. Stock ownership creates a claim on profit and capital appreciation; concentration of these assets therefore represents concentration of the capacity to appropriate ownership income.

    In Marxist analysis, class cannot be reduced to low-, middle-, and high-income groups. A physician, professor, or engineer may earn a high income, but if that income still comes mainly from selling specialized labor power, that person’s relation to production is not the same as that of the owner of a vast concentration of capital. Wealth not only generates income; it reproduces itself. Shareholders receive profit and capital gains, landlords collect rent, bondholders receive interest, and investors can use returns on existing assets to acquire new ones. Households without wealth may instead incur debt for housing, education, or even essential consumption and pay interest rather than receive it. Wealth is thus not only a result of past inequality; it is a mechanism for producing future inequality.

    The concentration of wealth must therefore also be understood as a concentration of power. Capital ownership enables its holders to decide where to invest, what technology to use, how many workers to employ, where production will be located, how research budgets are allocated, and in what direction firms develop. Political democracy rests formally on one person, one vote, but economic resources are not allocated on that principle. A person or institution controlling billions of dollars has far greater economic decision-making power than millions of citizens whose principal asset is their labor power. Economic power can also become social and political influence through campaign finance, lobbying, media ownership, support for think tanks and universities, and more direct access to policymakers. This does not mean every political decision is directly dictated by the wealthy; it means that enormous resource inequality also makes the capacity to influence collective decisions profoundly unequal.

    From the Concentration of Capital to the Transformation of Productive Forces in the Age of AI

    This ownership structure now intersects with a historic transformation of the productive forces. Artificial intelligence, machine learning, data centers, cloud computing, advanced chips, and automation are becoming central components of productive infrastructure. Stanford University’s AI Index 2026 reports that private AI investment in the United States reached $285.9 billion in 2025—more than twenty-three times the $12.4 billion recorded in China. In the same year, 1,953 newly funded AI companies emerged in the United States. These figures should not be treated merely as evidence of a booming new industry. Capital on this scale is moving toward a field that promises greater productivity, lower costs, new markets, and revenue and rent derived from intellectual property and control over infrastructure.

    During the Industrial Revolution, investment in mechanical machinery multiplied human physical power; the digital revolution expanded the processing and transmission of information; artificial intelligence now brings parts of human cognitive activity—analysis, translation, programming, design, text and image production, pattern recognition, and decision support—into the sphere of automation. Yet AI differs importantly from the classical industrial machine. Its cognitive raw material is largely humanity’s accumulated social product. Language, books, scientific articles, images, software code, university research, social data, and the knowledge of past generations have created the environment from which AI models draw. Marx’s discussion in the Grundrisse of the growth of “general social knowledge,” later called the General Intellect, therefore acquires renewed significance. AI should not be regarded as a simple mechanical fulfillment of Marx’s prediction, but the structural resemblance is striking: social knowledge can now be fixed in machines, networks, and algorithms and participate directly in production.

    At this point, the role of platforms and the conversion of social activity into capital income becomes crucial. Facebook and Instagram within Meta, and YouTube and Google services within Alphabet, are not neutral communication tools; they are privately owned infrastructures that build vast advertising and service markets on user activity, content production, search, viewing, interaction, and social attention. Alphabet reported $294.7 billion in advertising revenue for 2025, including $40.4 billion directly from YouTube advertising; total YouTube revenue from advertising and subscriptions exceeded $60 billion. The company also earns from subscriptions such as YouTube Premium and Google One, which can include access to advanced Gemini models, and from Google Cloud through usage fees and subscriptions for infrastructure, platform, and AI services. Profitability in the digital and AI economy therefore does not arise solely from selling an “AI product.” Advertising, subscriptions, cloud services, access to computing infrastructure, and the conversion of user attention and activity into commercial opportunity form layers of a single system of accumulation.

    The class significance of this mechanism lies in the separation between the social activity of millions and billions of people and the concentrated ownership of the infrastructure that organizes and monetizes it. This does not mean that all value generated in the AI economy flows directly to a few platform owners. The value chain includes chips, energy, data centers, networks, cloud computing, foundation models, software, advertising, and consumer services, and capital and profit are distributed across its layers. Nevertheless, firms controlling key bottlenecks—platforms, computing infrastructure, distribution networks, models, or access to users—occupy a privileged position for appropriating part of socially generated value. The increasing socialization of knowledge and data production does not necessarily socialize ownership or its economic product; within existing relations, it can instead create a new form of capital concentration.

    The contradiction becomes clearest here. The knowledge used in this process is profoundly social, but the infrastructure that converts it into economic power—data centers, chips, foundation models, cloud networks, and intellectual-property rights—can be privately owned by a small number of companies and investors. Federal Reserve data also show that corporate equity ownership is already concentrated at the top of the wealth distribution. If AI’s economic value is realized mainly through corporate profit and higher share prices, then without a change in ownership relations, much of the benefit of this technological transformation may flow to the same groups that already hold most financial capital.

    The classical contradiction between social production and private appropriation thus assumes a new form. Millions—and over generations, billions—of people have contributed to the knowledge and data that now constitute a major raw material of the AI economy. Yet decisions about using this capacity and the appropriation of much of the resulting economic value may remain in the hands of a far smaller group. Under these conditions, artificial intelligence is not merely a technology; it is a question of ownership and therefore a class question.

    Automation and the Contradiction Between Liberation from Labor and Economic Insecurity

    This transformation produces a deeper contradiction. From a human standpoint, higher productivity and a reduced need for labor should be positive achievements. If society can produce what it needs in half the former working time, the rational outcome could be shorter working hours, more free time, and greater opportunity for education, art, family, social activity, and personal development. Technology has emancipatory potential in this sense. But in a society where most people obtain income mainly by selling their labor power, a reduced need for labor may have an entirely different result. If a company uses AI to produce the same output with fewer workers, higher productivity can mean lower costs and higher profit for the firm, while the same technological advance becomes economic insecurity for a worker who loses a job.

    This contradiction is not created by AI. Its source is the social relation that ties access to the social product to wage employment. If automation reaches a point where machines perform a growing share of necessary labor, society confronts a question that is no longer merely technological: if fewer human working hours are needed to produce wealth, why should human security remain dependent on selling ever more hours of labor? Here one may speak of a historical possibility of moving from a “crisis of scarcity” toward a “crisis of potential abundance.” If machines can produce more goods, services, and knowledge with less human labor, the central question is no longer only how to increase production, but who owns productive capacity, who decides its use, and how the gains from productivity are distributed.

    Structural Crisis and the Limits of Reform Within Capitalism

    This analysis should not imply that economic reforms are unimportant. Progressive taxation, stronger unions, higher wages, public services, universal education and health care, support for the unemployed, and regulation of monopolies can improve millions of lives and alter the balance of power between labor and capital. Marxist critique becomes dogmatic when it dismisses real differences in human living conditions merely because a reform does not immediately abolish capitalism. Yet reforming income distribution is not the same as transforming ownership relations. If the basic structure of capital ownership remains intact, the mechanisms that concentrate wealth can resume operation after a period of reform. Capital reproduces itself through profit, interest, asset appreciation, and intergenerational transfer. The Marxist question is therefore not only how the social product should be distributed more fairly after production, but who owns the means of production, who decides investment, and who participates in setting society’s economic priorities.

    This distinction is especially important now because AI can increase the scale of concentration. Advanced models require chips, energy, data centers, networks, and enormous amounts of capital. High fixed costs can make entry difficult and reinforce the advantage of firms that already possess capital, data, and infrastructure. The most socialized form of knowledge production may therefore coexist with one of the most concentrated forms of infrastructure ownership.

    From Capitalist Contradiction to the Possibility of a New Social Order in the Age of Awareness

    The existence of structural contradiction does not mean that capitalism will collapse automatically. The history of capitalism demonstrates a considerable capacity for adaptation. Keynesian policy, the welfare state, credit, globalization, financialization, monetary policy, privatization, and technology have at different times helped reconstruct the conditions of accumulation. Crisis does not necessarily produce progressive outcomes; it can lead to greater concentration of capital, authoritarianism, nationalism, war, digital surveillance, and new forms of domination. No economic law automatically produces a better social order from capitalism’s intensifying contradictions. This marks an important boundary between historical determinism and the concept of a new social order in the age of awareness. Productive forces can create the possibility of transformation, but possibility is not necessity. Social awareness and human action stand between the two.

    Here awareness takes on a meaning beyond individual or moral consciousness. For the first time in history, emerging technologies can potentially process vast quantities of information about production, consumption, resources, needs, and the consequences of economic decisions in near real time. The same AI used to increase private corporate profit could technically be used for resource planning, assessing social needs, making decisions transparent, enabling citizen participation, and coordinating complex production networks. Technology does not determine the social form of its use; relations of power and ownership determine the ends this capacity serves.

    From this perspective, a new social order in the age of awareness should not be imagined merely as a new version of nationalization or the transfer of control from private companies to the state apparatus. If economic power passes from a small group of capital owners to a small group of state managers, the problem of human participation in power is not necessarily resolved. The deeper issue is how ownership, decision-making, and the management of social resources can be organized so that people are not merely recipients of economic decisions but conscious participants in shaping them.

    This requires rethinking the relationship among ownership, labor, income, and power. If higher productivity makes shorter working time possible, its benefit could be expressed as a reduction in society’s working hours rather than mass unemployment. If knowledge is the product of humanity’s historical cooperation, more social forms of access and ownership can be considered. If technology enables participation and large-scale information processing, structures beyond periodic elections and centralized bureaucratic administration become conceivable. And if production is truly social, participation in economic power is no longer an abstract ideal; it becomes a question of bringing social relations into alignment with the actual character of the productive forces.

    Conclusion

    The American economy in 2026 presents a contradictory but historically significant picture. The economy continues to grow while ownership of productive assets remains intensely concentrated. In corporate equities and mutual-fund shares, groups at the top of the wealth distribution hold the overwhelming share, while the bottom half of society owns very little. At the same time, with $285.9 billion in private AI investment during 2025, the United States was by far the world’s leading center of private AI investment. These figures do not by themselves “prove” Marx’s theory, and statistics should not be asked to establish more than they can. Taken together, however, they reveal a phenomenon that Marxist analysis still helps explain: production becomes increasingly social, knowledge becomes a direct productive force, and capital depends on ever larger scales of social coordination, while ownership and the right to appropriate the product can remain concentrated in a small part of society.

    Artificial intelligence takes this contradiction to a new stage. Humanity’s accumulated social knowledge can become a productive force embodied in models, algorithms, and machines, while the infrastructure that converts that knowledge into economic power remains private. Technology can reduce the need for human labor, but if income remains tied to wage employment, the same advance can create insecurity. Productivity can make greater abundance possible, but if access to the social product remains governed by ownership, potential abundance can coexist with real deprivation.

    Under these conditions, capitalist crises may gradually move beyond cyclical market crises and become crises of adaptation between relations of production and the productive forces capitalism itself has created. Yet there is no guarantee that these contradictions will lead to a freer, more just, or more humane order. The same technologies can be used to concentrate power, surveil, and control. The difference between these paths will be determined not by technology alone but by the level of social awareness, organization, democratic institutions, and people’s capacity to participate consciously in shaping their future.

    The possibility of a new social order in the age of awareness emerges from this point—not as an inevitable stage toward which history will move on its own, but as a possibility whose material conditions are created by the development of the productive forces and whose realization depends on conscious social action. The difference between this view and historical determinism lies precisely here: the new order will not rise automatically from capitalism’s ruins; it must be consciously conceived, designed, and built through social participation.

    In such a horizon, the economy is no longer society’s end but a means to human flourishing; technology is not a means of removing people to raise profit, but a means of reducing unnecessary labor and expanding freedom; knowledge is not merely a commodity to be monopolized, but a social inheritance; and economic power is not a natural right derived from the amount of property one owns, but a sphere in which society must be able to participate consciously. By socializing production, globalizing the division of labor, transforming knowledge into a productive force, and now reshaping the productive forces through AI, capitalism itself has created the material conditions for a question of growing importance in the twenty-first century: if knowledge, production, and wealth are more than ever the products of human social activity, why should ownership and decision-making power over them remain so private and concentrated?

    The answer is not predetermined. Capitalist crisis does not guarantee the next order. But as the distance widens between the social character of the productive forces and the private concentration of ownership, the possibility of a historical alternative becomes more real. “A new social order in the age of awareness” is one name for this possibility: a society that, instead of waiting for history to impose an order upon it, consciously decides what order it wants to build.

    Principal Sources

    • Marx, Karl. Capital: A Critique of Political Economy, Vols. I–III.
    • Marx, Karl. Grundrisse: Foundations of the Critique of Political Economy, especially “Fragment on Machines.”
    • Federal Reserve Board. Distributional Financial Accounts, 2026 Q1.
    • U.S. Bureau of Economic Analysis. GDP (Third Estimate), Industries, Corporate Profits, State GDP, and State Personal Income, First Quarter 2026.
    • Stanford Institute for Human-Centered Artificial Intelligence. Artificial Intelligence Index Report 2026.
    • Alphabet Inc. Annual Report / Form 10-K for fiscal year 2025.

    بازگشت به صفحهٔ اصلی | Return to Home

  • وقتی ظرفیت محاسباتی به وثیقه مالی تبدیل می‌شود

    مقالهٔ تازه • ۱۵ اوت ۲۰۲۶ | NEW ARTICLE • AUGUST 15, 2026

    وقتی ظرفیت محاسباتی به وثیقه مالی تبدیل می‌شود

    When Computing Capacity Becomes Financial Collateral

    وقتی ظرفیت محاسباتی به وثیقه مالی تبدیل می‌شود

    ۱۵ اوت ۲۰۲۶

    مهم‌ترین تحول تازه

    مهم‌ترین تحول تازه در ادامه روند چند روز گذشته، بیش از آنکه معرفی یک مدل جدید باشد، به ساختار مالکیت و تأمین مالی زیرساخت هوش مصنوعی مربوط است. مجموعه اخبار ۱۴ و ۱۵ اوت نشان می‌دهد که تضاد میان تولید اجتماعی و مالکیت خصوصی اکنون از مالکیت داده و مدل فراتر رفته و به مرحله‌ای رسیده است که خودِ ظرفیت محاسباتی به یک دارایی مالی تبدیل می‌شود.

    NVIDIA و وال‌استریت: مالی‌شدن ظرفیت محاسباتی

    NVIDIA با شش مجموعه بزرگ مالی، از جمله BlackRock، Blackstone، Goldman Sachs و KKR، برای ایجاد سازوکارهایی با هدف بسیج بیش از ۵۰۰ میلیارد دلار سرمایه شخص ثالث برای زیرساخت هوش مصنوعی همکاری کرده است. نکته مهم‌تر این است که تجهیزات NVIDIA می‌توانند پشتوانه و وثیقه این تأمین مالی قرار گیرند؛ یعنی GPU و تجهیزات مرکز داده عملاً وارد همان منطق مالی می‌شوند که در آن دارایی‌های فیزیکی مبنای اعتبار و بدهی قابل معامله قرار می‌گیرند.

    از منظر کتاب «نظم اجتماعی نوین در عصر آگاهی»، این تحول اجازه می‌دهد مفهوم «مالکیت ظرفیت» را دقیق‌تر کنیم. سرمایه دیگر فقط کارخانه، داده یا مدل را مالک نیست؛ حق دسترسی به ظرفیت تبدیل دانش اجتماعی به قدرت محاسباتی نیز به دارایی مالی تبدیل می‌شود. بنابراین مالی‌شدن سرمایه از خود ابزار تولید به «توان تولید» گسترش می‌یابد.

    نشانه‌ای از محدودیت همین مدل: کاهش تعهد NVIDIA در پروژه OpenAI

    گزارش‌های تازه نشان می‌دهند NVIDIA میزان ضمانت مورد انتظار برای پروژه مرکز داده OpenAI در اوهایو را از رقم مورد بحث حدود ۲۵۰ میلیارد دلار به کمتر از ۱۲۰ میلیارد دلار کاهش داده است.

    این تغییر مهم است، زیرا نشان می‌دهد حتی در اوج رونق AI، مسئله تأمین سرمایه و ریسک پروژه‌های عظیم مرکز داده جدی شده است. نیاز اجتماعی و اقتصادی به محاسبات در حال افزایش است، اما مقیاس سرمایه مورد نیاز چنان بزرگ شده که حتی بزرگ‌ترین شرکت‌های این صنعت برای تأمین آن به شبکه پیچیده‌ای از بانک‌ها، صندوق‌ها، بیمه‌ها و تضمین‌های مالی نیاز دارند.

    از منظر کتاب، اینجا تضاد دیگری آشکار می‌شود: تولید AI بیش از پیش به فعالیت میلیون‌ها کاربر، توسعه‌دهنده و تولیدکننده دانش وابسته است، اما ورود به سطح بالای تولید مستلزم سرمایه‌ای در مقیاس ده‌ها یا صدها میلیارد دلار است. بنابراین اجتماعی‌شدن تولید هم‌زمان با افزایش مانع مالکیت ابزار تولید پیش می‌رود.

    مدل‌های open-weight گسترش می‌یابند، اما زیرساخت همچنان گلوگاه است

    مدل‌های باز چینی مانند محصولات Moonshot و Z.ai فشار قابل توجهی بر بازار وارد کرده‌اند و Meta و NVIDIA نیز توسعه مدل‌های open-weight را افزایش داده‌اند. داده‌های اخیر نشان می‌دهد استفاده کسب‌وکارها از پلتفرم‌های ارائه‌دهنده مدل‌های open-weight در حال افزایش است.

    اما یک تناقض مهم باقی می‌ماند. Meta می‌تواند در یک سال ده‌ها میلیارد دلار برای زیرساخت AI هزینه کند، در حالی که ظرفیت خوشه‌های محاسباتی جدید حتی پیش از راه‌اندازی ممکن است فروخته شود.

    این داده تقریباً به‌صورت تجربی نشان می‌دهد که بازبودن مدل با بازبودن قدرت تولید یکی نیست. دانش می‌تواند اجتماعی‌تر شود، اما اگر اجرای مؤثر آن نیازمند زیرساختی باشد که تنها تعداد محدودی قادر به تأمین آن هستند، قدرت اقتصادی همچنان متمرکز می‌ماند.

    دولت نیز وارد مناقشه مالکیت مدل‌ها شده است

    بحث مدل‌های open-weight اکنون از یک تصمیم مهندسی به مسئله سیاست صنعتی، امنیت ملی و رقابت ژئوپولیتیکی تبدیل شده است. وقتی دانش و مدل به نیروی تولیدی استراتژیک تبدیل می‌شوند، دولت نیز وارد سازمان‌دهی شرایط مالکیت و دسترسی می‌شود. بنابراین ساختار قدرت AI فقط رابطه سرمایه و کار نیست؛ سرمایه، دولت، فناوری و زیرساخت در یک شبکه قدرت قرار می‌گیرند.

    زیرساخت AI مستقیماً منابع اجتماعی را مصرف می‌کند

    مصرف برق مراکز داده هوش مصنوعی به سرعت رو به افزایش است و برنامه‌ریزی شبکه‌های برق را در برخی مناطق تغییر داده است. نکته مهم این است که توقف یا کاهش توسعه بعضی مراکز داده بلافاصله پیش‌بینی رشد مصرف برق را تغییر می‌دهد.

    این نمونه روشنی از وابستگی مالکیت خصوصی به منابع اجتماعی است. مرکز داده، مدل و درآمد می‌توانند خصوصی باشند، اما برق، آب، زمین، شبکه و آثار زیست‌محیطی در قلمرو جامعه قرار دارند. هوش مصنوعی نشان می‌دهد پیشرفته‌ترین تولید «اطلاعاتی» بشر در واقع به یک زیربنای عظیم مادی و اجتماعی وابسته است.

    خودکارسازی هنوز «پایان کار» نیست، اما وارد بازار کار شده است

    داده‌های اخیر نشان می‌دهند AI در مواردی به‌عنوان یکی از عوامل تعدیل نیرو اعلام شده است، هرچند داده‌های کلان اشتغال هنوز اثر فراگیر و قطعی AI را نشان نمی‌دهند.

    بنابراین پرسش مهم‌تر همچنان مالکیت افزایش بهره‌وری است. اگر AI بتواند همان محصول را با ساعات کار انسانی کمتر تولید کند، جامعه عملاً «زمان» تولید کرده است. در ساختار کنونی این زمان می‌تواند به کاهش اشتغال و افزایش بازده سرمایه تبدیل شود؛ در نظم اجتماعی دیگری می‌تواند به کاهش ساعت کار و افزایش آزادی انسان تبدیل شود.

    جمع‌بندی: وقتی ظرفیت محاسباتی به وثیقه مالی تبدیل می‌شود

    تحولات این هفته اجازه می‌دهد زنجیره‌ای را که در گزارش‌های گذشته شکل گرفته بود کامل‌تر کنیم:

    دانش اجتماعی → داده → مدل → تراشه → انرژی → ظرفیت محاسباتی → دارایی مالی → بازار سرمایه → قدرت اقتصادی

    نکته تعیین‌کننده این است که بخش نخست این زنجیره ــ دانش، داده و بخش مهمی از نوآوری ــ بیش از پیش اجتماعی تولید می‌شود؛ اما هرچه به سمت ظرفیت محاسباتی، سرمایه و بازار حرکت می‌کنیم، تمرکز مالکیت افزایش می‌یابد.

    در مرحله کنونی هوش مصنوعی، تضاد تولید اجتماعی و مالکیت خصوصی از مالکیت محصول فراتر رفته است: ظرفیت تبدیل دانش اجتماعی به قدرت تولیدی، خود به دارایی خصوصی، وثیقه مالی و موضوع انباشت سرمایه تبدیل می‌شود.

    این تحول شاید از معرفی هر مدل تازه‌ای مهم‌تر باشد؛ زیرا نشان می‌دهد مسئله اصلی آینده AI فقط این نیست که «چه کسی هوش مصنوعی بهتری می‌سازد؟» بلکه این است که «چه کسی ظرفیت مادی و مالی تبدیل دانش جمعی بشر به قدرت اقتصادی را در اختیار دارد؟»

    When Computing Capacity Becomes Financial Collateral

    August 15, 2026

    The Most Important New Development

    The most important development of the past several days is not the introduction of a new model, but a deeper transformation in the ownership and financing structure of artificial intelligence infrastructure. The news of August 14 and 15 suggests that the contradiction between social production and private ownership has moved beyond data and models. We are now entering a stage in which computing capacity itself is becoming a financial asset.

    NVIDIA and Wall Street: The Financialization of Computing Capacity

    NVIDIA has been working with six major financial institutions, including BlackRock, Blackstone, Goldman Sachs, and KKR, on mechanisms designed to mobilize more than $500 billion in third-party capital for AI infrastructure. The crucial point is that NVIDIA equipment can serve as collateral for this financing. GPUs and data-center hardware are therefore entering the same financial logic in which physical assets become the basis for credit, leverage, and tradable debt.

    From the perspective of the book “A New Social Order in the Age of Awareness,” this development sharpens the concept of “ownership of capacity.” Capital no longer merely owns the factory, the data, or the model. The right of access to the capacity that converts socially produced knowledge into computational power is itself becoming a financial asset. Financialization is extending from ownership of the means of production to ownership of productive capability itself.

    A Sign of the Limits of This Model: NVIDIA Reduces Its Commitment to the OpenAI Project

    Recent reporting indicates that NVIDIA reduced the expected guarantee associated with an OpenAI data-center project in Ohio from a figure under discussion of roughly $250 billion to less than $120 billion.

    This matters because it shows that even at the height of the AI boom, financing and risk are becoming serious constraints on gigantic data-center projects. Social and economic demand for computing is rising, yet the scale of capital required is so large that even the biggest firms in the sector increasingly depend on complex networks of banks, funds, insurers, and financial guarantees.

    A second contradiction therefore becomes visible. AI production depends more and more on the activity of millions of users, developers, researchers, and knowledge producers, while entry into the upper tier of production requires tens or even hundreds of billions of dollars. The socialization of production is advancing at the same time that the barrier to ownership of the means of production is rising.

    Open-Weight Models Are Expanding, but Infrastructure Remains the Bottleneck

    Open Chinese models from firms such as Moonshot and Z.ai are putting pressure on the market, while Meta and NVIDIA have also accelerated the development of open-weight systems. Business use of platforms that serve open-weight models has been increasing.

    Yet the basic contradiction remains. A company such as Meta can spend tens of billions of dollars in a single year on AI infrastructure, while capacity in newly built compute clusters can be sold out even before they officially launch.

    This is powerful empirical evidence that openness of the model is not the same thing as openness of productive power. Knowledge can become more socially accessible, but if effective deployment depends on infrastructure that only a small number of actors can finance and operate, economic power remains concentrated.

    The State Is Also Entering the Struggle over Model Ownership

    The debate over open-weight models has moved beyond engineering choices. It has become an issue of industrial policy, national security, and geopolitical competition. Once knowledge and models become strategic productive forces, the state begins to organize the conditions of ownership and access. The structure of AI power is therefore not simply a relationship between capital and labor; capital, the state, technology, and infrastructure increasingly form a single power network.

    AI Infrastructure Directly Consumes Social Resources

    Electricity demand from AI data centers is rising rapidly and is already changing power-grid planning in some regions. The suspension or slowing of individual data-center projects can immediately alter forecasts for future electricity demand.

    This is a clear example of the dependence of private ownership on social resources. The data center, the model, and the revenue stream may be privately owned, but electricity, water, land, grid infrastructure, and environmental consequences belong to the social sphere. AI demonstrates that the most advanced form of “informational” production is in fact dependent on a vast material and social foundation.

    Automation Is Not Yet the “End of Work,” but It Is Entering the Labor Market

    Recent labor-market reporting shows that AI is being cited in some cases as a factor in workforce reductions, although economy-wide data still do not show a broad and conclusive employment shock caused by AI.

    The deeper question is therefore the ownership of productivity gains. If AI allows the same output to be produced with fewer human labor hours, society has effectively produced “time.” Under the current ownership structure, that time can appear as layoffs and higher returns to capital. Under a different social order, the same technological gain could appear as shorter working hours and greater human freedom.

    Conclusion: When Computing Capacity Becomes Financial Collateral

    The developments of this week allow us to extend the chain that has emerged in earlier reports:

    Social knowledge → data → models → chips → energy → computing capacity → financial asset → capital markets → economic power

    The decisive point is that the first part of this chain — knowledge, data, and much of innovation — is increasingly socially produced. Yet as we move toward computing capacity, finance, and markets, ownership becomes more concentrated.

    At the present stage of artificial intelligence, the contradiction between social production and private ownership has moved beyond ownership of the final product. The capacity to transform social knowledge into productive power is itself becoming private property, financial collateral, and an object of capital accumulation.

    This development may be more important than the release of any new model. The central question for the future of AI is no longer simply, “Who can build the best artificial intelligence?” It is increasingly, “Who owns the material and financial capacity to transform humanity’s collective knowledge into economic power?”

    این گفتگو را دنبال کنید | Continue the Conversation

    اگر این نوشته برای شما جالب بود، برای دریافت مقالات و پژوهش‌های تازه عضو شوید. | If you found this article useful, subscribe to receive new articles and research directly in your inbox.