把智能当成黄金一样囤积，是当下AI讨论里一个被忽视的底层假设。
发生了什么
The Decoder 报道了工程师 Venkatesh Rao 的一个类比：人们对AI取代工作的恐惧，与重商主义的思维结构高度相似。重商主义认为财富是零和的——黄金总量固定，一国多拿，另一国就少拿，因此国家要尽量囤积黄金、限制外流。Rao 认为，如今“智能”被放在了当年黄金的位置上：它被当作一种稀缺、可被占有和控制的资源，而掌握模型与算力的少数精英，则扮演了囤积者的角色。
报道同时给出了一个反向视角：AI 未必只是替代人类思考，它也可能像早期资本主义那样，扩大对思考的需求——当年工业化并没有让人变闲，反而让大量人自愿投入更长的劳动时间。
为什么重要
这个类比的价值在于，它把技术讨论拉回到资源分配的框架里。关于AI失业的争论，通常聚焦在“哪些岗位会被替代”“替代速度多快”，默认智能是一种可以无限复制、因而会迅速贬值的商品。但Rao 的观察提示，真正决定分配结果的，可能不是技术能力本身，而是谁有能力把智能“锁起来”。
这与当前行业的现实是呼应的：前沿模型集中在少数公司手中，训练算力、数据与分发渠道都呈现高度集中。即便模型权重开源，运行它们所需的算力与工程能力仍然构成门槛。换句话说，智能的“丰裕”是技术层面的，而“稀缺”是制度与商业层面的——两者可以同时成立。
重商主义的另一面同样值得注意：它最终被证明是一种对财富的错误理解，因为真正的增长来自分工与交换，而非囤积。如果智能也遵循类似逻辑，那么把AI视为需要防守的存量资产，可能会错失它作为增量要素的潜力。
影响与看点
对开发者和创业者而言，这个视角的实际含义是：机会可能不在“拥有更强的模型”，而在“让智能流动起来”的环节——把能力嵌入具体工作流、降低使用门槛、把通用能力转化为领域内的可用产出。历史上，真正从工业化中获益的往往不是囤积原料的人，而是组织生产和流通的人。
对企业决策者而言，值得警惕的是把AI预算等同于“囤积算力与许可证”的倾向。如果智能的瓶颈在应用与组织方式，那么投入结构就需要相应调整。
对普通用户来说，Rao 的“需求扩大”假说提供了一个不那么悲观的参照，但它不是自动实现的：需求扩大与否，取决于AI是被用来替代人的判断，还是用来放大人做判断的半径。
一个独立的判断是：把智能类比为黄金，最大的风险不是预测错失业率，而是它会让政策与商业决策默认零和，从而在真正该做增量的时候选择防守。
