当用户在屏幕前输入问题、等待几秒钟获得人工智能回答时，很少有人意识到这个看似简洁高效的过程背后隐藏着什么。
牛津互联网研究院研究员詹姆斯·马尔登近年来的研究工作试图拨开这层神秘面纱，将视线从屏幕转向支撑人工智能运转的物质条件与社会结构。
在肯尼亚，内容审核员日复一日地接触暴力和不良影像以训练AI系统；在冰岛，庞大的数据中心正以惊人的速度消耗电力资源；在爱尔兰，配音演员发现自己的声音被用于训练语音模型，却未获任何告知或补偿。
这些现象并非个案，而是当今人工智能产业的普遍写照。
马尔登将人工智能比作一台"抽取机器"，这个概念深刻揭示了AI技术的运作逻辑。
所谓抽取，首先指向的是物质基础设施层面。
人工智能并非云端虚无之物，而是需要庞大的物理基础支撑——数据中心的服务器、跨洲海底电缆、冷却系统所需的水资源、制造芯片所需的矿产资源。
这些基础设施的建设与运维本身就消耗了大量自然资源。
更为关键的是人力资源的隐性抽取。
AI的训练过程需要数百万人次的标注工作、内容审核、数据清洗等劳动。
这些工作者往往处于全球分工体系的底层，工资水平远低于发达国家标准，工作条件恶劣，职业保障缺失。
同时，互联网上数百万本书籍、维基百科条目、文章、歌曲和艺术作品被AI公司直接采集用于训练，其中大多数创作者并未获得知情或补偿。
这种做法已引发艺术家、作家和音乐人的广泛诉讼。
从历史视角看，这种抽取机制并非AI时代的创新，而是继承了平台经济乃至更早资本主义形态中的既有逻辑。
网约车平台、外卖配送系统等都采用类似的抽取模式——将社会劳动、个人资源重新组织，创造平台价值，而参与者获得的补偿往往不成比例。
然而AI产业的抽取规模和强度发生了质的变化。
一次简单的AI查询背后，可能涉及数千人的劳动投入、数百万单位的能源消耗、数十年的知识积累。
这种规模化、系统化的抽取方式，在速度和广度上都超越了以往任何平台经济形态。
理解AI如何被"投喂"出来，对于认识当代社会具有重要意义。
这不仅涉及劳动分配的公平性问题，更关乎价值如何在全球经济体系中流动与分配。
当前许多国家和地区的劳动者，特别是发展中国家的工人，正在为发达国家和大型科技公司的AI发展付出代价，却难以分享其中的收益。
同时，自然资源的过度消耗也带来了环境问题——某些地区的数据中心用水量已对当地生态造成压力。
应对这一问题需要多层面的努力。
首先，需要建立更透明的AI产业链信息披露机制，让公众了解AI训练数据的来源、标注工人的工作条件等信息。
其次，应当完善相关法律框架，对未经授权使用创意内容的行为进行规范，建立合理的补偿机制。
再次，需要推动制定全球性的劳动标准，确保参与AI训练的工作者获得公平待遇。
此外，提高AI产业的能源效率、探索可再生能源应用，也是必要之举。
值得注意的是，有观点认为机器人和自动化技术会大规模替代人类劳动力。
但从现实来看，廉价的人类劳动力仍然是AI产业链中不可或缺的一环。
正因为存在全球范围内工资差异巨大的劳动力市场，AI公司才能够以低成本进行大规模数据标注和审核。
这意味着，在可预见的未来，人工智能不会简单地替代人类，而是通过复杂的全球分工体系，重新组织和分配人类劳动。
技术进步从来不是“无源之水”。
当人们享受便捷与效率时，更应看见其背后由劳动者、创作者与自然资源共同支撑的现实成本。
把隐藏在链条深处的付出纳入公共讨论，并以更透明的规则、更有力的保障和更可持续的路径回应争议，才能让“智能”真正服务于人的发展，而不是在无形中重写成本与收益的分配秩序。