【学习笔记】OceanBase AI 会催生马克思主义和社会主义?

“社会的生产资料被个别资本家所占有，这就是产生现代社会一切矛盾的基本矛盾。”

—— 恩格斯《反杜林论》

“生产资料的集中和劳动的社会化，达到了同它们的资本主义外壳不能相容的地步。这个外壳就要炸毁了，资本主义私有制的丧钟就要响了，剥夺者就要被剥夺了。”

—— 马克思《资本论》

楔子

最近几天，看到了一则新闻 —— Palantir CEO Karp 公开宣称人工智能行业是 “马克思主义” 的。小编觉得这个观点有点儿意思，所以在这里分享给大家~

Palantir 是一家美国 AI 软件公司，它主要为各大企业建立统一的数据模型，再用这些数据辅助分析和实际决策。

这位 Palantir 的 CEO 曾专攻哲学，并获得了社会理论博士学位，他在 Palantir 的季度股东信中表示：正是 AI 产业的资本家们，催生了马克思主义（社会主义）。

在文章开头，想先和大家简单聊一下：什么是马克思主义？

政治课本儿上说：马克思主义揭示了资本主义的内在矛盾 —— 生产越来越社会化，但生产资料仍然被资本主义私人占有。

生产资料的集中和劳动的社会化，最终会同资本主义发生冲突。在经典马克思主义理论中，这个矛盾构成了资本主义向社会主义过渡的重要内在条件。

可以看到，马克思主义始终都在关注生产资料的分配问题。至于著作中的“各尽所能，按需分配”，就是生产资料的分配问题解决完成的后话了，这也就到了课本里写到的社会主义高级阶段。

最近能在网络上看到很多人在讨论：AI 业务带有马克思主义色彩。原因是：AI 科技公司，特别是构建大型语言模型的公司，总会有意或无意地意图攫取其所谓合作伙伴的生产资料。

欢迎大家关注 OceanBase 社区公众号 “老纪的技术唠嗑局”。在这里，我们会持续为大家更新与 #AI 和 #Data 相关的技术内容~

“马克思主义”可能只是噱头，关键问题是：企业的生产资料被谁拿走了？

在 TechCrunch 的报道^[1]中，Karp 指责部分 AI 公司 / 实验室正在试图占有合作企业的“生产资料”。

他所说的生产资料，并不是曾经的工厂、机器和流水线，而是各个企业使用 AI 时不断产生的提示词、流程编排、上下文和总结成 Skills 的各种业务经验。

“马克思主义”是一个很大的词，但为了公众号的安全，咱们还是别把它当成严肃的政治理论判断。

其实 Karp 也不是为了讨论生产资料公有化的问题，而是在借用一个大家相对比较熟悉的概念，描述 AI 时代的一种新依赖：模型厂商掌握模型和算力，企业则在日常使用中不断为模型厂商贡献自己的业务上下文。

模型厂商拿到的可能不只是一次 API 调用，还包括企业怎样提问、怎样组织任务、怎样判断答案好不好，以及哪些上下文最终沉淀成稳定流程。这些东西在发布会上没有模型参数那么耀眼，却可能比参数更接近企业的核心竞争力。

Karp 的原话被报道概括为，部分模型厂商可能会“捕获合作伙伴的生产资料”。把这句话翻译成工程语言，就是：企业一边付费使用 AI，一边把自己最有价值的工作方法也交给了供应商。

X 上的争论：模型公司会不会从供应商变成竞争对手？

这场“AI 催生马克思主义”的讨论，在 X 上很快从“数据归谁”拐到了另一个更刺激的问题：模型公司会不会进入客户的行业，来直接抢生意？

Ole Lehmann^[2] 列举了几组案例：

Figma 与 Anthropic 合作开发出设计工具之后，Anthropic 马上推出 Claude Design；
Novo Nordisk 使用 Claude 辅助药物研发，不久 Anthropic 就开始做自己的药物研发；
Microsoft 投资 OpenAI 后，OpenAI 的业务很快就渗入了微软旗下的招聘（Linkedin）和代码仓库（Github）等领域，成为了微软的直接竞争对手。

法律、客服、临床文档和生物科技研发，也都纷纷出现了类似的边界争议。

Lehmann 的判断是：OpenAI 和 Anthropic 正在“cannibalizing all their biggest customers”，也就是通过攫取客户“生产资料”的方式，来逐渐吞掉自己最大的客户。

这位老哥向大家问出的问题是：今天你把业务流程给到模型供应商，明天对方会不会带着更成熟的模型、更多客户数据和更低的边际成本，直接来卖同一种服务？

最近 X 上的针对这个问题的讨论有很多。有人甚至把这种模式直接称作 “dirty, dirtbag business model（流氓式的商业模式）”。

Chamath^[3] 认为：制药公司以为自己请来的是模型供应商，结果可能发现对方其实是“lurking in the shadows（伺机而动）”的竞争者；只要某个行业能被 AI 加速，并且有足够的投资回报率，就可能进入模型公司的视野。

虽然这些观点或多或少都带着情绪，可能都有失偏颇，但企业现在已经不再只问模型能做什么，也开始问模型公司会不会利用客户看到的一切，去做原本属于客户的生意了。

企业买了模型，同时还交出去了“赚钱方法”？

CEO 们纷纷发现，自己一边付钱，一边训练了自己的替代者。

网络上有很多类似的说法，虽然带了一些社交媒体戏剧性，但背后还是这个个很朴素的问题：AI 模型供应商到底只是提供工具，还是同时获得了进入行业、理解行业、复制行业的机会？（各个企业可能都该抽一个周末，重新读一遍和 AI 供应商签的协议了……）

企业不会因为换一种数据库，就顺手把客户关系和审批流程也换掉。但在 AI 系统里，这种事很容易发生，因为真正的业务经验往往没有一个醒目的“导出”按钮。

一套 Agent 用了几个月之后，有价值的内容已经不只是原始文档。它可能包括：

某种故障，通常应该按什么顺序排查？
不同的产品使用姿势，适用于哪类场景或客户？

等等等等。

这不是大模型从网上学来的通用知识，而是企业在使用大模型的过程中一点点磨出来的“做事方法”。

问题在于，这些方法经常以非常不体面的形式存在：散落在聊天记录、提示词里，混在工具编排里，或者只存在某个 Agent 的内部记忆中。它们每天都在产生价值，却很少被当成需要单独管理的资产。

于是，企业可能拥有原始数据，却未必拥有可迁移的 AI 状态。所谓拥有，至少应该包括：能查看、能导出、能纠错、能限定使用范围，也能在更换模型之后继续使用。

否则，企业买到的只是一个越来越难搬家的模型订阅服务。

模型越好用，迁移成本越高；使用时间越长，更换平台越困难。模型供应商甚至不需要“偷走”企业数据，只要企业带不走自己积累的上下文，强绑定就已经发生了。

上下文 & 长期记忆

上面既然提到了上下文，那就趁机也聊上两句相关的东西，因为我发现很多 AI 模型 / 产品近来很喜欢展示上下文窗口的数字。

这个指标当然重要。上下文窗口越大，模型在一次任务中能处理的材料越多。但它回答的是“这一轮能装下多少”，并没有回答“下一轮还能不能找回来”。

Google 对 AI Agent 核心概念的说明^[4]把短期上下文和长期记忆区分开来：短期上下文服务当前对话，长期记忆负责跨会话保存知识、偏好和历史经验。

Deepmind 的 CEO Demis Hassabis 把当前 AI 的短板概括成三件事：持续学习、长程推理和真正的记忆。这个判断里最值得企业警惕的，是“真正的记忆”并不等于把上下文窗口继续做大，而是要有一套能索引、能取舍、能在新旧信息之间建立联系的独立机制。感兴趣的老师们可以来阅读下面这个图片链接：

说得直白一点，上下文窗口是一张越摊越大的工作台，长期记忆则更像一间会整理档案的资料室。前者解决“这一轮能放多少东西”，后者解决“几个月以后，哪些东西还值得被找回来”。企业如果把所有经验都当成临时上下文，最后得到的可能不是知识库，而是一张铺满便签、但没人知道哪张有效的办公桌。

把它放到企业里，就很好理解了。

一个客服 Agent 在周一处理了复杂投诉。周一的上下文里有客户背景、历史订单、内部审批记录和最终处理结果。到了周五，另一位客服遇到类似问题，系统如果只能重新翻聊天记录，很难判断上一次投诉真正有用的是什么：是某个客户的长期偏好，还是审批人当时的一句临时判断？

企业需要的是从交互中整理出可以复用的经验，并保留来源、时间、适用范围和可信度。

长上下文像一个很大的会议室：今天能把更多人和材料塞进来。长期记忆则更像档案室：事情过去之后，哪些内容值得留下，之后谁能查到，查到的内容是否仍然有效，都要有管理办法。

如果没有这套管理，所谓长期记忆很容易变成“聊天回收站”：东西越来越多，检索越来越热闹，真正需要的结论却躲在一个不为人知的角落里。

更麻烦的是，错误也会被记住。一条没有经过确认的回答，如果被 Agent 当成经验写入长期记忆，下一次检索时，它就不再只是一个错误答案，而可能变成一条看起来很正式的业务依据。

因此，记忆不只是保存，还需要进行包含提取、更新、衰减、隔离和审核的生命周期管理。

AI 要记住的，应该是企业为什么会认可这个答案

企业刚开始使用 AI，通常考察模型能力：回答准不准，速度快不快，成本能不能接受。

进入生产环境之后，问题会变得具体许多：

这个答案为什么被采用？

谁修改了它？

类似问题上一次是怎么处理的？

某条反馈是一次性的意见，还是值得推广到整个团队的经验？

一个 Agent 学到的做法，能不能被另一个 Agent 看到？如果能看到，边界在哪里？

企业要保存的不只是“AI 说了什么”，还包括“企业为什么认为这句话有用”。

微软 CEO Satya Nadella 最近也表达过类似的担忧：企业应该能够使用模型，却不必交出让自己保持独特的知识。相关报道^[5]提到，企业还应当掌握自己的评测、反馈和决策结果，因为这些内容会暴露组织究竟认为什么是“好答案”。这比“不要把公司文件上传给模型”要更进一步。

企业需要守住的，不只是原始数据，还包括数据被使用之后形成的判断、偏好、流程、评测标准和成功经验。

这也是为什么很多 AI 项目进入生产阶段后，最难迁移的往往是模型周围逐渐长出来的那一票子东西：提示词模板、工具编排、上下文组装、评测集、人工反馈和长期记忆。

模型可以更换，企业状态可不能跟着一起清零

企业不一定非得自己去训练模型，也不一定要拒绝云服务。

我认为企业需要做的是，把模型能力和企业状态拆开：模型负责理解、推理和生成；企业自己管理业务事实、用户偏好、反馈和长期经验。

这样，模型可以更换，企业积累的经验不必每次都从零开始。

PowerMem：别让企业经验只住在聊天记录里

这里为大家介绍一款 OceanBase 开源社区团队开发的开源工具 —— 面向 AI 应用与智能体的持久化、自进化记忆层 PowerMem^[6]：https://github.com/oceanbase/powermem。

如果说模型负责“当场想一想”，PowerMem 负责的就是“下次别再从头想”。它可以从对话、行为和反馈中提取值得留下的内容，把一次性的聊天整理成可以长期使用的记忆；再进一步，还能把反复验证过的处理方式沉淀成 Experience 和 Skill。

这意味着，企业保存的不只是“某次回答是什么”，还包括“这个回答为什么被采用”“类似问题应该怎么处理”。当底层模型更换时，记忆、经验和技能仍然留在企业自己的记忆层里，不需要跟着某个模型的上下文一起打包搬家。

seekdb：把企业状态放回自己能管理的地方

因为记忆最终还得有地方安放，所以这里再为大家介绍一款开源轻量级 AI 数据库 seekdb^[7]：https://github.com/oceanbase/seekdb。

seekdb 可以把结构化数据、向量、全文和 JSON 等不同形态的业务状态放在同一个轻量级数据库中统一保存、检索和管理。客户偏好可以是结构化字段，历史经验可以做向量检索，原始反馈又可能需要全文搜索——不用为了几种数据形态，顺手再养几套互相不认识的系统。

在应用规模较小时，可以使用嵌入式模式，把状态跟着应用一起管理；到了团队协作和生产环境，再使用 Server 模式提供共享的存储与检索能力。这样，模型只是可以替换的计算组件，记忆和业务状态则留在企业自己划定的边界之内。

这不是说数据库自动解决了权限、审计和安全问题，它只是把最关键的状态（上下文 & 长期记忆）放回到企业可以管理和控制的位置上。

写在最后

Karp 那句和“生产资料”相关的评论，翻译成相对直白一些的文字，其实就是：

企业可以租用模型，但必须要对上下文和记忆进行“特殊”管理。

参考资料[1]

TechCrunch 的报道: https://techcrunch.com/2026/08/03/after-killer-quarter-palantir-ceo-alex-karp-calls-ai-industry-marxist/

[2]

Ole Lehmann: https://x.com/itsolelehmann

[3]

Chamath: https://x.com/chamath

[4]

Google 对 AI Agent 核心概念的说明: https://cloud.google.com/resources/core-concepts-ai-agents

[5]

相关报道: https://www.itpro.com/technology/artificial-intelligence/a-company-should-be-able-to-use-a-model-without-giving-up-the-knowledge-that-makes-it-unique-microsoft-ceo-satya-nadella-says-enterprises-shouldnt-be-sharing-so-much-data-with-ai-providers

[6]

PowerMem: https://github.com/oceanbase/powermem

[7]

seekdb: https://github.com/oceanbase/seekdb