Let's Make AGI Real

——从“看不见的手”到“数字之手”，新的国富论正在形成

2026 年 6 月 5 日，东京，联合国大学总部。

一场题为 “Reimagining the Wealth of Nations: From Invisible Hand to Digital Hand” 的对谈，把一个听上去仍带有未来主义色彩的词推到了经济学和公共政策的桌面上：硅基经济。

台上的一方是联合国大学校长 Tshilidzi Marwala，长期关注人工智能、治理与发展问题；另一方是华东师范大学上海人工智能金融学院院长邵怡蕾。联合国大学在活动介绍中写道，传统 GDP 主要衡量有形生产、物理资产和具体交易，而今天，智能正在重塑经济基础。邵怡蕾提出的 Intelligent Domestic Product，即 IDP，被联合国大学活动介绍置于 “Silicon Index” 的讨论框架中。更细地看，Silicon Index 可理解为衡量一个国家生成、处理和应用智能的能力或潜力，而 IDP 更侧重衡量由硅基资产产生的智能产出。

这个表述很值得停一下。

现代 GDP / 国民账户体系形成于 20 世纪大萧条、战争动员、工业扩张和国家财政管理需求交织的历史背景之中。它善于统计钢铁、汽车、住房、服务收费和企业产出；它不善于统计开源模型、免费 AI 工具、数据资产、算法外溢、机器代理完成的任务，以及一个国家把智能嵌入生产系统的真实能力。后者正在变成财富，甚至正在变成权力。

这就是“硅基经济”作为分析框架的意义。它不只是给数字经济换一个更炫目的名字。它提出的问题更深：当智能开始像资本一样被积累，像能源一样被调度，像劳动力一样被雇用，并以 token 这种更细颗粒度的单位被计量和定价，现有经济学的若干基本账户是否还够用？

但这里必须提前放下一条警戒线。硅基经济不能只用算力、模型、token、投资额和企业利润来衡量。如果智能资本的效率越高，就业吸纳能力却越低；如果头部企业的人均产值和人均利润飙升，劳动收入份额却下降；如果被任务重组挤出的人群无法通过新岗位、社会保障和公共服务获得承接，那么“智能财富”的增长就可能伴随更尖锐的分配失衡。新的国富论不能只记录智能如何创造财富，还必须记录财富如何集中，又如何回流社会。

新财富正在越过旧账户

过去十年，“数字经济”已经足够庞大。中国信息通信研究院 2026 年发布的《中国数字经济发展研究报告（2025 年）》显示，2024 年中国数字经济规模达到 59.2 万亿元，占 GDP 比重 43.8%。这已经不是边缘部门，而是国民经济的结构性底盘。

但硅基经济讨论的不是“数字化占比又提高了几个百分点”。它关心的是数字经济内部正在发生的二次跃迁：从连接到计算，从平台到模型，从数据流通到智能生成，从人使用软件到软件代理人执行任务。

几组数字可以说明这种变化的硬度。

Stanford HAI 的《2026 AI Index》显示，2025 年全球企业 AI 投资达到 5817 亿美元，同比增长 130%；全球私人 AI 投资达到 3447 亿美元。其中美国私人 AI 投资为 2859 亿美元，是中国被统计私人投资额的 23.1 倍。报告同时提醒，仅以私人投资比较，很可能低估了中国通过政府引导基金等渠道投向 AI 的资本规模。

基础设施端同样在扩张。IDC 估计，2025 年全球 AI 基础设施支出为 3180 亿美元，2026 年将达到 4870 亿美元，2029 年超过 1 万亿美元。Gartner 则预测，2026 年全球半导体收入将超过 1.3 万亿美元，其中 AI 半导体约占 30%。IEA 的能源测算把另一面摊开：全球数据中心用电量 2024 年约为 415 TWh，占全球用电 1.5%；到 2030 年，基准情景下将接近 945 TWh，占比接近 3%。

这些数字放在一起，含义非常清楚。AI 不再只是软件业的一个品类。它正在吞吐芯片、服务器、内存、光模块、电力、土地、水资源、冷却系统、资本开支和政策协调能力。所谓“硅基”，不是一句拟人化修辞，而是一个物理事实：智能越来越依赖由半导体和数据中心组成的工业基础。

也正因为如此，硅基经济的真正对手不是传统经济，而是旧的统计直觉。我们仍习惯把 AI 看作互联网公司的应用层创新，但资本市场、电网、供应链和国家战略已经先一步把它当作基础工业来处理。

Token 成为智能经济的流量计

如果算力是硅基经济的电网，token 就是这张电网上的电表。

在大模型系统里，token 原本只是文本、代码、图像或多模态输入被模型处理时的基本切分单位。它看上去很技术，甚至很琐碎。但到了 2026 年，token 已经从工程指标变成企业预算、平台规模和智能服务贸易的基本语言。

Google CEO Sundar Pichai 在 I/O 2026 上披露，两年前 Google 跨产品每月处理 9.7 万亿 tokens，2025 年 I/O 时约为 480 万亿，到 2026 年 5 月已超过 3200 万亿 tokens，也就是 3.2 quadrillion，约为上一年的 7 倍。其模型 API 每分钟处理约 190 亿 tokens，过去 12 个月内，超过 375 家 Google Cloud 客户各自处理了超过 1 万亿 tokens。Pichai 还提到，一些大型企业正在以每天约 1 万亿 tokens 的规模运行 AI，许多公司到 5 月已经接近耗尽全年 token 预算。需要注意的是，这是一组企业自报的使用规模指标，并非第三方审计数据。

这组数字的重要性，不在于 Google 一家公司规模多大，而在于它把 AI 经济的计量方式暴露了出来。互联网时代，关键指标是 DAU、MAU、点击、停留时长和 GMV；云计算时代，企业关心的是 CPU/GPU 小时、存储、带宽和请求量；到了智能经济阶段，token 开始成为衡量智能工作负载的最直接口径。

这也解释了为什么“token 经济”不能被当作技术圈黑话处理。企业购买 AI 服务，本质上是在购买一组可消耗的智能片段：输入 token、输出 token、上下文 token、缓存 token、推理 token，以及由多轮代理任务放大的中间 token。一个普通问答消耗的 token 有限，一个长上下文法律审查、自动编程、科研代理或多智能体协同任务，可能把 token 消耗放大几个数量级。

于是，企业内部开始出现新的预算政治。过去，知识工作者争取的是人头、差旅、软件席位和云资源；现在，高强度 AI 团队争取的是 token 配额、模型层级和推理优先级。CFO 关心的不只是“用了多少 AI”，而是每一百万 tokens 换来了多少节省、多少收入、多少风险降低，或者多少无意义的机器自言自语。

国家层面也已经感知到这个变化。国家数据局 2026 年发布《数字中国发展报告（2025 年）》时明确提到，AI 应用向智能体升级，带动词元（Token）消耗快速攀升。这个表述很简短，但方向很清楚：当智能体开始代替人执行长流程任务，token 消耗就会成为数字经济运行强度的先行指标。未来衡量一个经济体的智能化程度，不能只看算力规模、模型数量和应用数，还要看 token 消耗结构：哪些行业在消耗，消耗的是低价值闲聊还是高价值生产任务，是进口模型 token 还是本土模型 token，是消费端娱乐流量还是制造、科研、金融和政务中的真实工作流。

这也是硅基经济与传统数字经济的重要分界。数字经济统计的是网络连接和数据流动；硅基经济还要统计智能计算的实际调用。token 不是财富本身，却像电表读数一样，记录了智能机器参与生产的强度、成本和方向。它会催生新的指标：单位 token 产出、任务完成 token 成本、行业 token 密度、国产模型 token 份额、公共服务 token 投入、以及最敏感的，劳动替代或劳动增强中的 token 使用结构。但 token 只能衡量模型处理的信息量和调用强度，不能直接衡量知识质量、任务价值或经济产出。

当然，token 也会制造幻觉。token 多，不等于价值大；消耗快，不等于生产率高。一个组织可以在低质量提示、反复试错和自动化链条空转中烧掉巨量 token。硅基经济若要避免重走“流量崇拜”的老路，就必须把 token 从炫耀性规模指标，转化为严肃的效率指标：每一段机器智能到底解决了什么问题，替代了什么成本，创造了什么新能力，又把哪些风险转嫁给了社会。

这个词的两条来路

“硅基经济”并不是一个已经凝固的学术术语。它目前更像一个正在形成的研究议程，有几条来源交错。

第一条来自欧洲产业政策语境。德国 Fraunhofer IML 在物流领域使用 “Silicon Economy” 一词，强调开放、联邦式、AI 驱动的 B2B 平台经济。它不是在讨论宏观国民财富，而是把物流视为最适合被算法化、平台化和自动协商的产业场景。其目标也带有鲜明欧洲色彩：以开放和联邦式结构对抗 Silicon Valley 式的封闭平台，把数据主权、开放标准、智能合约、IoT 和 AI 流程嵌入物流基础设施。

这个版本的 Silicon Economy 很工程化，也很德国。它说的是平台、标准、数据空间、自治物流和供应链控制权。它没有宏大叙事，但抓住了硅基经济的一个关键事实：一旦 AI 能够自动谈判、调度、履约和结算，经济活动的最小执行单元就不再只是企业、部门或人工岗位，而可能是设备、模型、智能体和协议。

第二条来自中国和联合国大学近期关于“硅基经济学”的讨论。邵怡蕾 2025 年提出“硅基经济学”，并在 2026 年联合国大学对谈中进一步把问题推向 IDP 和 Silicon Index。按联合国大学页面的概括，这一框架关注智能如何改变生产力、资本、资源和经济活动，并需要新的治理框架处理问责、透明和公平问题。

两个版本的出发点不同：Fraunhofer 从物流和开放平台切入，邵怡蕾从智能生产力、金融治理和国民财富计量切入。但它们在一个地方相遇：硅基经济不是把经济搬到线上，而是让算法系统进入经济活动的“执行层”。它不只是卖软件，不只是提高效率，而是把交易、判断、协调和控制交给机器系统的一部分。

这也是为什么这个概念值得认真对待。它还不成熟，边界也不干净，但它指出了一个现有概念难以完整覆盖的变化：数字技术正在从信息基础设施，转变为智能生产基础设施。

经济学与政治经济学早已准备了一半

硅基经济听起来新，其实并不需要从零建立理论。主流经济学已经为它准备了一半工具。

Brynjolfsson 与 McAfee 在《第二机器时代》中把数字技术比作继蒸汽、电力之后的新一轮通用目的技术。这个判断今天看来并不夸张。AI 与早期信息技术不同，它不只提高信息传输效率，还直接进入认知劳动、科学发现、工程设计、内容生产和管理决策。

Agrawal、Gans 与 Goldfarb 在《Prediction Machines》中给出了一个更经济学的说法：AI 的核心，是降低预测成本。当预测便宜下来，依赖判断、分类、推荐、识别、排序和风险估计的流程就会被重新设计。企业结构、供应链、金融风控、医疗诊断、教育评估，都会受到冲击。这个框架简洁有力，但它解释的是 AI 作为“便宜预测机器”的第一阶段。

Acemoglu 与 Restrepo 的任务模型则提供了劳动问题的硬骨架。他们强调，自动化会把原本由劳动完成的任务转移给资本，产生替代效应，压低劳动需求和劳动份额；新任务的创造则可能把劳动重新带回生产系统。这一框架对理解硅基经济尤其重要，因为 AI Agent 和机器人并不是抽象地“提高生产率”，它们首先改变任务在资本和劳动之间的分配。

另一半工具，来自马克思主义政治经济学。马克思在分析机器大工业时，并没有把机器只看成中性的技术装置，而是把它放进资本组织劳动、压缩必要劳动时间、提高相对剩余价值的过程中考察。机器的经济意义，不只在于提高物理生产效率，还在于它改变谁控制生产资料、谁安排劳动过程、谁取得剩余，以及被机器排挤出来的劳动者如何重新进入社会再生产。

这个视角放到硅基经济中，解释力并没有减弱。模型、数据中心、芯片、云平台和智能体流程，是机器体系的新形态；token 则把一部分知识劳动转化为可计量、可采购、可限额的机器调用。硅基经济的关键，不只是智能成为生产资料，而是智能生产资料高度集中于少数资本主体，并通过平台、API、数据和算力调度重新组织劳动过程。若只说 AI 降低了预测成本，就会看见效率；若进一步追问智能资本归谁所有、节省下来的劳动时间由谁占有，就会看见分配。

问题在于，硅基经济可能把这几个理论推进一步。

如果 AI 只是降低预测成本，那么它仍然是生产函数中的工具变量。如果 AI Agent 能够规划、协商、调用工具、付款、复盘，并在多智能体网络中与其他机器系统互动，它就不再只是工具，而更接近一种“代理性资本”。它不是劳动者，却可以承担劳动任务；它不是企业，却可以执行企业内部流程；它不是市场主体，却可能在授权、身份、支付和责任制度允许的范围内参与交易。

Google DeepMind 研究者 2025 年发布的 “Virtual Agent Economies” 论文，已经把这个问题摆出来：自主 AI agents 的快速采用，可能形成一个新的经济层，在人类直接监督之外以更高速度和规模进行交易与协调。论文提出 “sandbox economy” 作为分析框架，关注智能体经济是自发形成还是有意设计，是与人类经济隔离还是高度渗透。

这不是科幻意义上的机器社会。它更像高频交易、云计算资源调度、广告竞价、自动化供应链和智能客服系统的下一步。当机器系统开始代表人类或组织持续行动，经济学就必须处理一个尴尬问题：有些“劳动”已经没有劳动者，有些“交易”已经没有人工谈判，有些“市场”已经在机器之间完成。

分界线在生产资料，而不在应用场景

判断硅基经济是否成立，不能看某个聊天机器人有多流行，也不能看某家模型公司估值多高。真正的分界线在生产资料。

工业经济的关键生产资料是机器、能源、厂房和组织化劳动力。数字经济的关键生产资料是数据、网络、平台和软件。硅基经济则把智能本身推到生产资料的位置上，同时把算力、模型、数据、芯片和能源变成智能生产资料的组合形态。

这个组合有六个特征。

第一，智能可以复制。一个成熟模型、一个工业质检智能体、一个金融风控智能体，一旦完成训练和部署，可以在接近零边际成本下服务多个场景。当然，这里的“零边际成本”不能夸大；推理仍然消耗算力和电力。但相对于培养一个专业劳动者，机器智能的复制速度和规模完全不同。

第二，智能可以被调度。企业不再只是招聘人、购买软件、外包服务，还会购买模型调用、算力时段、智能体流程和行业知识包。组织管理的一部分，会转向对人、模型、机器人和外部 API 的混合调度。

第三，智能可以被 token 计量。这里的 token 不是金融炒作意义上的代币，而是模型处理信息和执行任务的计量单位。它把原本抽象的“智能使用”变成可计费、可预算、可审计的资源流。一个经济体如果不能知道 token 流向哪些行业、完成哪些任务、消耗多少能源和算力，就很难真正理解自己的智能经济。

第四，智能可以沉淀为资产。数据集、模型权重、行业知识库、评测体系、工作流、用户反馈和安全策略，都会形成可积累的智能资本。传统会计制度很难给这些资产准确估值，但资本市场已经在用估值和并购表达态度。

第五，智能依赖重资产底座。硅基经济不是轻盈的云端神话。GPU、HBM、先进封装、光通信、电网容量、液冷系统、数据中心选址，都是它的现实约束。AI 越强，越把“虚拟智能”拉回到土地、电力和供应链。

第六，智能改变权力结构。谁拥有高端芯片，谁能以更低成本训练和推理，谁掌握高质量数据，谁控制应用入口，谁制定模型安全和数据跨境规则，谁就在新的经济层中获得议价权。进一步说，谁能以更低成本、更高质量、更可控的方式生产有效 token，谁就拥有智能服务的边际成本优势。

因此，硅基经济不是一个行业分类，而是一个生产函数变化的观察角度。它问的不是“AI 产业规模有多大”，而是“有多少生产、分配、交换和消费正在由硅基智能系统参与、改写或接管”。

中国问题：数字经济之后，智能经济如何站稳

中国讨论硅基经济，有特殊含义。

一方面，中国已经拥有庞大的数字经济底盘。2024 年 59.2 万亿元的数字经济规模、43.8% 的 GDP 占比，说明中国并不缺应用场景、市场规模和产业数字化基础。国务院 2025 年发布的“人工智能+”行动意见，也已经把人工智能与科技、产业、消费、民生、治理和全球合作相连，并提出到 2027 年新一代智能终端、智能体等应用普及率超过 70%，到 2030 年超过 90%。国家数据局发布的《数字中国发展报告（2025 年）》则进一步给出新的信号：2025 年人工智能核心产业规模超过 1.2 万亿元，AI 应用向智能体升级，词元消耗快速攀升。

另一方面，中国面对的是硅基经济中最硬的约束。高端芯片、先进制程、HBM、EDA、基础软件、模型生态、全球开发者网络、跨境数据制度、国际信任体系，都不是靠应用热情就能补齐的短板。AI 应用繁荣可以在短期内制造市场活力，但硅基经济的长期竞争看的是底座：能不能稳定供给算力，能不能形成高质量数据循环，能不能让智能体进入制造、科研、金融和治理流程，能不能把能源、电网、芯片和产业组织协调起来。

中国真正的优势不在“另起炉灶讲一个新概念”，而在于完整产业体系与超大规模场景之间的耦合。美国的优势集中在基础模型、芯片生态、资本市场和全球平台；欧洲试图用规则、数据主权和开放联邦架构维护产业位置；中国的机会则在把 AI 嵌入制造、物流、教育、医疗、城市治理和科研体系的深水区。

这意味着，中国的硅基经济不能只写成“算力建设”故事。单纯堆数据中心，可能只会把地方招商、能源压力和设备折旧叠在一起。真正的政策难点，是让算力、数据、模型、行业知识和 token 消耗相互咬合，让智能资本进入实体经济的生产现场，而不是停留在演示视频和办公助手里。说得直白一点，中国不缺“消耗 token”的场景，真正稀缺的是把 token 消耗转化为工业质量、科研效率、政务能力和劳动者收入增长的制度能力。

一个尚未完成、但必须提前讨论的框架

硅基经济这个概念有风险。

第一个风险是泛化。所有新技术概念都容易变成万能标签。只要带 AI、芯片、数据中心、机器人，就贴上“硅基经济”，最后什么都解释，等于什么都没有解释。

第二个风险是技术决定论。智能不会自动带来增长，更不会自动带来公平。Acemoglu 与 Restrepo 反复提醒，自动化的收益取决于任务替代、新任务创造、制度调整和劳动力转型。如果硅基经济只奖励拥有算力和数据的一方，它可能扩大资本收益和劳动收入之间的裂缝。

第三个风险是寡头化。硅基经济的头部企业可能不再像传统工业巨头那样以大规模雇佣来换取规模扩张，而是依靠模型、平台、芯片、数据和自动化流程获得极高的人均收入与人均利润。它们创造巨大市值和现金流，却不一定创造相应规模的中等收入岗位。这个变化若没有分配和福利制度承接，就会把“高效率企业”与“低议价劳动者”放在同一个社会中，形成难以消化的政治经济张力。

第四个风险是误把能力当产出。一个国家拥有多少算力，并不等于创造了多少智能价值；拥有多少模型，也不等于提升了多少全要素生产率；消耗多少 token，也不等于获得了多少有效智能。硅基经济若要成为严肃框架，必须建立计量纪律：哪些是投入，哪些是产出，哪些只是中间变量，哪些属于社会成本。

但这些风险并不削弱概念价值。相反，它们说明这个概念需要更早进入专业讨论。

因为经济现实已经走在术语之前。AI 投资、芯片周期、数据中心用电、token 预算、智能体应用、政府产业政策、国际出口管制、模型开源生态和就业结构变化，正在同一时间发生。它们过去分属不同部门：科技、能源、金融、贸易、劳动、教育、治理。硅基经济的价值，就是把这些看似分散的变化放回同一张图上。

这张图的中心，不再是单一产业，也不只是单一技术，而是“智能作为生产资料”的制度化。

当智能成为生产资料，国家财富就不能只看产出总量，还要看智能生成能力；企业竞争不能只看市场份额，还要看模型、数据、token 成本和工作流资产；劳动政策不能只看岗位数量，还要看任务如何被重新分配；产业政策不能只看补贴哪条链，而要看硅基资本如何进入真实生产率；社会政策也不能只在失业之后被动救济，而要提前设计智能红利如何回流、被替代劳动者如何转岗、公共服务如何吸收转型成本。

这也是本系列文章接下来要展开的问题。硅基经济由哪些子系统构成？如何衡量它的规模和质量？它会怎样改变财富分配、劳动力市场和国际竞争？如果它把经济推向更高人均产值、更低就业吸纳和更强寡头控制，新的福利与分配制度能否承受？中国应如何在不陷入概念泡沫的前提下，把它转化为可治理、可计量、可分享的新增长能力？

新的经济形态通常不是在被命名的那一刻诞生的。它先以电力账单、芯片订单、就业变化、资本开支、企业流程和国家政策的形式出现。名字只是后来者。

硅基经济这个名字，也许还会被修正。但它指向的那只“数字之手”，已经伸进了市场深处。

---

参考资料与延伸阅读

1. United Nations University, “Reimagining the Wealth of Nations: From Invisible Hand to Digital Hand” https://unu.edu/conversation-series/reimagining-wealth-nations-invisible-hand-digital-hand

2. 华东师范大学上海人工智能金融学院，邵怡蕾教授简介 https://saifs.ecnu.edu.cn/63/a6/c46460a680870/page.htm

3. 上海对外经贸大学，“DeepSeek 与硅基经济学：AGI 如何成为新的全球权力杠杆”讲座报道 https://news.suibe.edu.cn/2025/0319/c12513a181875/page.htm

4. Fraunhofer IML, “Silicon Economy” https://www.iml.fraunhofer.de/en/silicon-economy.html

5. Stanford HAI, “Inside the AI Index: 12 Takeaways from the 2026 Report” https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report

6. Stanford HAI, “The 2026 AI Index Report” https://hai.stanford.edu/ai-index/2026-ai-index-report

7. IDC, “AI Infrastructure Spending Caps Historic Year at ~$90 Billion in Q4 2025; 2029 Spending to Eclipse $1 Trillion” https://www.idc.com/resource-center/blog/ai-infrastructure-spending-caps-historic-year-at-90-billion-in-q4-2025-2029-spending-to-eclipse-1-trillion/

8. Gartner, “Worldwide Semiconductor Revenue to Exceed $1.3 Trillion in 2026” https://www.gartner.com/en/newsroom/press-releases/2026-04-08-gartner-forecasts-worldwide-semiconductor-revenue-to-exceed-us-dollars-one-point-3-trillion-in-2026

9. International Energy Agency. (2025). Energy and AI. Paris: IEA. Section: “Energy demand from AI”. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

10. 中国信息通信研究院，《中国数字经济发展研究报告（2025 年）》 https://www.caict.ac.cn/kxyj/qwfb/bps/202603/P020260323736507370748.pdf

11. 国务院，《关于深入实施“人工智能+”行动的意见》 https://www.cac.gov.cn/2025-08/27/c_1758018277755538.htm

12. Daron Acemoglu and Pascual Restrepo, “Automation and New Tasks: How Technology Displaces and Reinstates Labor,” Journal of Economic Perspectives, 2019 https://www.aeaweb.org/articles?id=10.1257/jep.33.2.3

13. Daron Acemoglu and Pascual Restrepo, “Artificial Intelligence, Automation and Work,” NBER Working Paper 24196, 2018 https://www.nber.org/papers/w24196

14. Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction Machines: The Simple Economics of Artificial Intelligence. Boston, MA: Harvard Business Review Press.

15. Nenad Tomasev et al., “Virtual Agent Economies,” arXiv, 2025 https://arxiv.org/abs/2509.10147

16. Google, “I/O 2026: Welcome to the agentic Gemini era” https://blog.google/innovation-and-ai/sundar-pichai-io-2026/

17. 国家数据局，《国家数据局发布〈数字中国发展报告（2025年）〉》 https://www.nda.gov.cn/sjj/swdt/xwfb/0429/20260429162826395159001_pc.html

18. Karl Marx, Capital: A Critique of Political Economy, Volume I, 1867. Chapters 15 and 25.

19. Karl Marx, Grundrisse: Foundations of the Critique of Political Economy, manuscript written 1857-1858, especially the “Fragment on Machines.”

20. Harry Braverman, Labor and Monopoly Capital: The Degradation of Work in the Twentieth Century, Monthly Review Press, 1974.

21. David Harvey, The Limits to Capital, Basil Blackwell, 1982; Verso revised edition, 2006.

22. Nick Srnicek, Platform Capitalism, Polity Press, 2016.

23. Christian Fuchs, Digital Labour and Karl Marx, Routledge, 2014.