A06 基础设施研究·AI 作为隐形基础设施

当 AI 不再是你打开的一个 App、而是退入水电管线一样的背景层时，PM 该用什么工具去看见它、问责它？本节点的问题不是”AI 产品好不好用”，而是”AI 正在隐形化为基础设施——而基础设施只有在故障时才显形，这意味着它越深入渗透、越难被问责”。调度的框架是 Susan Leigh Star 的**基础设施民族志（Ethnography of Infrastructure）**与 infrastructural inversion（基础设施倒置）——这是一套远超”用户采纳曲线”的精密分析工具，它把分析对象从”前台的产品功能”翻转到”后台的、被习以为常的、嵌入了政治选择与隐形劳动的承重层”。

§0 为什么是 Star 的基础设施框架，而不是”平台”或”技术栈”

PM 的默认框架里，有两个词最容易抢占”AI 作为底层”这个生态位：平台（platform）与技术栈（stack）。两个都不够用，必须先挡掉。

“平台”是商业/经济学框架，它看的是双边市场、网络效应、抽佣率——它假设平台是可见的、被治理的、有明确所有者的。但 Star 的洞察恰恰相反：基础设施的本质特征是透明性（transparency）与故障显形（visibility upon breakdown）——它在正常运转时对使用者不可见，你用电时不会想到电网，只有停电那一刻电网才”浮现”为一个对象（Star, 1999, “The Ethnography of Infrastructure,” American Behavioral Scientist 43(3): 377–391）。“技术栈”则是工程框架，它假设各层之间有清晰接口、可被工程师完整列举——但基础设施的另一特征是built on installed base（建立在既有基底之上）与embeddedness（嵌入性）：它深深嵌套进其他社会安排与历史遗留之中，无法白纸起步，也无法被任何一张架构图穷尽。

所以本节点的赌注是：“AI 作为基础设施”不是”AI 平台”的同义改写，而是一次分析视角的倒置。当 GPT 类模型被嵌进搜索框、客服后台、IDE 补全、办公软件的每一个输入框，它正在从”一个你打开的产品”变成”一个你习以为常、看不见、出故障才注意到的承重层”。这正是 Star & Ruhleder（1996, “Steps Toward an Ecology of Infrastructure,” Information Systems Research 7(1): 111–134）所列基础设施的关系性定义：基础设施不是一种东西，而是一种关系——同一套系统对工程师是”前台对象”，对终端用户是”后台基础设施”。AI 对 Rick 这样的 PM 是产品，对你的用户已经是空气。

§1 Star 的九个维度：把 AI 放进同一张坐标系

Star 框架最硬的工程价值，是它给了”基础设施”一个可操作的判据清单，而不是一个比喻。1996 年 Star & Ruhleder 列出八个维度，1999 年 Star 单著扩展为九个（注：8 vs 9 的差异是已确证的文本事实，常被二手文献混用——“九维度”出自 1999 年 Star 单著，非合著）。把当下的 AI 系统逐条对照：

Star 维度	经典基础设施（电网/键盘）	当下 AI 系统	是否成立
嵌入性 Embeddedness	电线藏在墙里	模型藏在 API 后，嵌入每个输入框	✅ 强成立
透明性 Transparency	用电不想电网	用补全不想模型	✅ 成立
延伸性 Reach/Scope	跨地点跨事件	单一模型服务全球数亿调用	✅ 超强
作为成员资格习得	入行才会用	提示工程作为新”行话”	⚠️ 部分
与惯例连接 Conventions	路径依赖	工作流被”先问 AI”重塑	✅ 成立中
标准体现 Embodiment of Standards	通用接口协作	OpenAI 兼容 API 成事实标准	✅ 成立
建于既有基底 Installed Base	不能白纸起步	训练数据=人类既有文本基底	✅ 强成立
故障时才显形 Visibility on Breakdown	停电才注意	幻觉/宕机才注意模型	⚠️ 关键争议点
模块化增量固化（1999新增）	逐步安装	模型版本灰度滚动	✅ 成立

九条里八条强成立——这本身就是判断：“AI 已经满足 Star 意义上基础设施的绝大多数构成条件”。但第八条（故障显形）藏着本节点最锋利的争议，下文展开。

§2 基础设施倒置：把 AI 从背景拖回前景的方法论动作

Star 的第二件工具是 infrastructural inversion（基础设施倒置），由 Bowker & Star（1999, Sorting Things Out: Classification and Its Consequences, MIT Press）系统化：这是一个分析操作——刻意把通常处于背景的基础设施移到前景，颠转注意力，从而揭示隐藏在”它就该这样运转”背后的政治选择、分类权力与劳动关系。

对 PM 而言，这不是哲学姿态，而是一种可声明的研究方法。当你说”我要分析 AI 客服系统”，默认会去看前台对话质量、满意度、解决率；执行”基础设施倒置”则意味着你把注意力强行拖到后台：这个模型的训练数据是谁标注的？分类边界（什么算”违规内容”、什么算”高风险用户”）是谁定的？《分类及其后果》通过国际疾病分类（ICD）、南非种族分类等案例展示，分类系统会”扭曲”（torque）人的生命——使某些人在统计中可见、另一些人被消除。这对 Rick 的滴滴/99 安全产品是直接迁移的：一个把”疲劳驾驶”或”现金纠纷”编码进规则引擎的 AI 系统，本身就是一次分类倒置的对象——它决定了哪些司机被系统”看见”为风险、哪些行为根本进不了统计视野（呼应 降发生方法论 纠纷治理从裁判到管家）。

§3 判断主轴：AI 越隐形渗透越深，问责越难

这是本节点的致命耦合点，也是跨域 Star（基础设施在故障时才可见）与 PM 问责设计之间不可调和的张力。90% 的人会在这四个点上搞错：

错点一：把”无缝”当成纯粹的产品胜利。

• 症状：PM 把”用户无感知地用上了 AI”当作北极星，追求”AI 隐入工作流，零摩擦”。
• 为什么会错：把 Star 的透明性误读为”好体验”，忽略了透明性同时意味着不可见性=不可问责性。当 AI 决策隐入背景，用户连”刚才那个建议是 AI 给的”都不知道，谈何质疑、谈何申诉。
• 正确做法：在”无缝”与”可见”之间做显式权衡。该隐形的隐形（如拼写纠错），该显形的必须显形（如信贷拒绝、安全干预的 AI 归因）。这正是 p305 - 信任架构与可解释性设计 的升级目标——可解释性不只是 UX 糖，而是对抗”基础设施隐形性”的问责装置。
• 真实反例：算法信贷/招聘评分系统隐形运转，被拒者根本不知道自己被一个模型筛掉——直到出故障（系统性歧视被曝光）才”显形”，但伤害已经发生。

错点二：以为”故障显形”会自动带来问责。

• 症状：默认”出了问题大家自然会发现、会追责”。
• 为什么会错：AI 基础设施的故障不像停电那样全员同步显形。幻觉是分布式、概率性、个体化的——A 用户被误导时 B 用户毫无察觉，故障不浮现为一个公共对象，而是溶解为无数私人的”我以为是我搞错了”。Star 的”故障显形”假设了一个共享的、可感知的崩溃事件；AI 的故障恰恰打破了这个假设（这是第八维度的关键争议）。
• 正确做法：主动建造”显形机制”——溯源、置信度外显、抽样审计——不能等基础设施自己显形。链入 c13 - 幻觉的不可消除性：幻觉不可消除，意味着”故障”是常态而非异常，更不能靠故障来触发问责。
• 真实反例：律师引用 ChatGPT 编造的判例被法庭发现（多起报道，2023 起）——这是少数”幸运地”显形的故障；绝大多数被 AI 误导的决策从未浮现。

错点三：把基础设施当中性管道。

• 症状：“模型只是工具，价值中立，看怎么用。”
• 为什么会错：基础设施嵌入了 installed base——训练数据是带偏的人类既有文本，分类标准是带权力的选择。Bowker & Star 的全部论证就在反驳”分类中立”。
• 正确做法：把每个 AI 系统当作”凝固的社会关系”来审计（这正是 Akrich 的 inscription 在做的事，见 A02 Script 理论·产品内嵌脚本 与 A03 Actor-Network Theory·AI 作为非人行动者 同级辨析）。
• 真实反例：ImageNet 的标注体系内嵌了大量带偏见、甚至冒犯性的类别——Denton et al.（2021, “On the Genealogy of Machine Learning Datasets: A Critical History of ImageNet,” Big Data & Society）正是用 Star 框架把它当基础设施倒置分析，揭出数据集背后的不可见劳动与社会选择。

错点四：忽视支撑 AI 隐形性的隐形劳动。

• 症状：把 AI 当”自动”系统，看不见后台的人。
• 为什么会错：基础设施的隐形性同时是劳动的隐形性。Gray & Suri（2019, Ghost Work, HMH）记录了支撑”自动化”假象的全球幽灵劳动（数据标注、内容审核）；Crawford（2021, Atlas of AI, Yale UP）把 AI 定位为行星尺度的提取系统（矿物、能源、数据、劳动）。
• 正确做法：成本与责任分析必须把这条隐形劳动链计入（呼应 新自由主义如何摧毁全球南方 的全球南方提取结构）。
• 真实反例：Le Ludec, Cornet & Casilli（2023, Big Data & Society）记录了法国-马达加斯加之间的标注外包链——AI 的”智能”建立在被外包、被压价、被消音的全球南方劳动之上，这与 Rick 在巴西-拉美的国际化 fieldwork 直接共振（新自由主义如何摧毁全球南方）。

§4 产品 PM 视角补盲

工程 PM 容易把”AI 基础设施化”简化为技术可靠性问题（SLA、降级策略），但有三个非工程盲点：

1. 用户心理模型的错配：当 AI 隐入背景，用户会形成”系统就是对的”的默认信任（自动化偏见 automation bias）。这不是 UX 问题，是责任分配问题——用户放弃了警觉，但法律和伦理责任并不会随之转移。
2. 商业模式的隐形锁定：“OpenAI 兼容 API”成为事实标准（Star 的”标准体现”维度），意味着一旦你的产品建在某个模型基底上，迁移成本会随嵌入深度指数上升——这是比平台抽佣更隐蔽的锁定。
3. 合规的”基础设施穿透”：欧盟 AI Act 把高风险 AI 系统的问责义务穿透到部署方。当 AI 是隐形基础设施，“谁该为这个隐形决策负责”成为合规核心——这恰恰要求把隐形的东西强制显形（透明度义务、影响评估）。Rick 的 CPF 实名/乘客信息透明化产品（CPF实名验证 乘客信息透明化）就是”把隐形基础设施强制显形”的合规实践样本。

§5 对手框架回应：接受 + 边界

业界反方一（技术乐观派/工程主流）： “隐形是成熟的标志。电、自来水、TCP/IP 都是隐形了才算成功，AI 隐入背景恰恰证明它成熟了。隐形性是 feature，不是 bug。”

接受：完全同意”隐形=成熟”在确定性、可验证的基础设施上成立——TCP/IP 的隐形是安全的，因为它的故障可被穷尽测试、可被复现。边界与赌注： 我赌的是 AI 与传统基础设施有一条不可类比的断裂——它的输出不可完全验证（幻觉不可消除，见 c13 - 幻觉的不可消除性）、它的故障不共享显形。把”概率性、不可验证、个体化故障”的系统隐形化，与把”确定性、可验证、共享故障”的系统隐形化，是两件不同的事。前者的隐形性放大而非缩小了问责赤字。这条边界会在 AI 输出变得可验证（如形式化验证、强约束生成）时失效——那时技术乐观派就对了。

业界反方二（Rick 未读的对手框架——Star 本人的自我设限）： Star（2010, “This is Not a Boundary Object,” Science, Technology, & Human Values 35(5): 601–617）亲自警告：学界把她的概念（解释弹性、基础设施透明性）从整体模型里剥离出来孤立滥用。她会反问本节点：你确定 AI 满足”透明性”吗？还是你只是借了个时髦比喻？

接受：这是对本节点最致命的拷问，必须接住。Dal Molin（2024, “Notes Towards Infrastructure Governance for Large Language Models,” First Monday 29(2)）正是循此质疑指出：LLM 的语言表演性（performative capabilities through linguistic output）使它不同于传统”透明/后台化”的基础设施——它不是沉默的管道，它说话、改写用户行为。边界： 我接受 AI 不是 Star 意义上”纯透明”的基础设施，它是一个会说话的基础设施——这正是它比电网更危险的地方（电网不会主动误导你）。但 Bennani-Taylor（2024, “Infrastructuring AI,” First Monday 29(2)）的”话语基础设施化（discursive infrastructuring）“提供了修正：AI 正是通过话语被稳定为”自主且不可避免的力量”的——Star 框架对”如何被稳定为背景”依然适用，只是要补上”语言”这个新维度。这是本节点承认的 failure scenario：经典基础设施框架在”会说话的基础设施”面前需要打补丁，不能照搬。

§6 跨域呼应：从人类学的”承重物”到 Latour 的 immutable mobiles

Rick 的人类学底子（Descola 的自然/文化本体论、人类学 民族志）在这里有一次具体迁移：民族志方法本身就是”基础设施倒置”的祖型。人类学家进入一个社会，恰恰是去看那些当地人”习以为常、说不出口、只有在违反时才显形”的承重结构（亲属制度、禁忌、交换规则）——这与 Star 的”故障时才显形”完全同构。Star 把民族志方法从”研究异文化”迁移到”研究我们自己的技术基础设施”，让看不见的东西显形（支配与抵抗艺术：潜隐剧本 的”潜隐剧本”也是同一动作——揭示被权力压到台面下的承重层）。

更进一步，Latour（ANT）的 immutable mobiles（不可变流动体） 概念与本节点咬合：实验室把局部事实凝固成可在远处传播而不变形的载体（论文、图表、标准）。一个被全球部署的 AI 模型，正是终极的 immutable mobile——它把某一套（带文化偏的）“常识”凝固进权重，然后流动到地球每个角落，对每个文化输出同一套预设。这正是为什么 Jasanoff 的社会技术想象（不同社会走出不同 AI 形态）与 Star 的基础设施视角必须合用：基础设施倒置告诉我们去哪里看（后台、分类、隐形劳动），ANT 告诉我们模型如何把局部变全球。对 Rick 的巴西-拉美 fieldwork，这意味着一个北美训练的模型作为隐形基础设施进入拉美，是一次 immutable mobile 的跨文化强加——这与 Uwa 宇宙观与政治工具化 揭示的”外部框架强加于本地宇宙观”是同构的权力操作。

§7 PM 决策启示

• 面试怎么用：“这个 AI 系统是不是基础设施？“——用 Star 九维度逐条对照，30 秒给出判断，并指出第八维（故障显形）的断裂，立刻区别于只会说”AI 赋能”的候选人。
• 选型怎么用：评估”AI 嵌入深度”时，把”无缝度”和”可问责度”作为一对互相拉扯的指标，而非单极追求无缝。声明你会做一次”基础设施倒置”审计：训练数据、分类标准、隐形劳动链。
• 复现怎么用：在产品设计文档里显式写”本系统在何处刻意隐形、何处强制显形，及其问责后果”——把 Star 的透明性/显形性权衡变成一张可评审的设计决策表。

§8 与已有节点的关系

• 对照 p305 - 信任架构与可解释性设计：本节点做纠偏+深化——p305 把可解释性当 UX/信任工程问题，本节点指出它本质是”对抗基础设施隐形性的问责装置”，升高了一个抽象层。不复述 p305 的具体设计模式。
• 对照 c13 - 幻觉的不可消除性：本节点做对话——c13 论证幻觉技术上不可消除，本节点接力指出”不可消除的故障 + 隐形基础设施 = 问责赤字”，把技术结论推到社会后果层。不复述 c13 的架构根因。
• 对照 p304 - 防御性 UX：对抗延迟与幻觉：做补缺——p304 在产品层防御故障，本节点在基础设施层追问”为什么故障不会自动显形”。

§9 关联节点

核心（必读）

• c13 - 幻觉的不可消除性 — 不可消除的故障是隐形基础设施问责难的技术根因
• p305 - 信任架构与可解释性设计 — 可解释性=对抗隐形性的问责装置
• p304 - 防御性 UX：对抗延迟与幻觉 — 产品层的故障防御
• A03 Actor-Network Theory·AI 作为非人行动者 — ANT 的 immutable mobiles 与本节点合用
• 人类学 民族志 — 基础设施倒置的方法论祖型
• AI PM 知识图谱·总索引

延伸（可选）

• 新自由主义如何摧毁全球南方 — 隐形劳动链与全球南方提取
• Uwa 宇宙观与政治工具化 — 外部框架对本地宇宙观的强加（immutable mobile 同构）
• 支配与抵抗艺术：潜隐剧本 — 潜隐剧本作为”显形被压抑的承重层”
• 降发生方法论 纠纷治理从裁判到管家 CPF实名验证 乘客信息透明化 — Rick 安全/国际化产品作为”分类倒置”与”强制显形”样本
• Beyond Nature and Culture — Descola 本体论，跨文化 AI 强加的人类学底座
• ChatGPT Agent 幻觉 霸权 生命政治

修订日志

• R1（2026-06-07，起草）：建立 Star 九维度对照表 + infrastructural inversion 方法 + 判断主轴四错点 + 对手框架（技术乐观派 / Star 本人自我设限 + Dal Molin / Bennani-Taylor）+ 跨域呼应（民族志=倒置祖型 / Latour immutable mobiles / 巴西-拉美迁移）。所有学者/著作/年份依据 grounding 简报核实（Star 1999/1996、Bowker & Star 1999、Star 2010、Denton 2021、Gray & Suri 2019、Crawford 2021、Le Ludec 2023、Dal Molin 2024、Bennani-Taylor 2024 均为已确证来源；无 arXiv 编号引用）。