Let's Make AGI Real

——硅基经济需要一套新的资产、流量、分配与福利账户

如果智能正在成为生产资料，经济统计就不能继续只盯着最终商品和服务。

这并不是说 GDP 失效了。GDP 仍然是现代国家最重要的宏观仪表盘，财政、就业、贸易、投资和货币政策都离不开它。问题在于，GDP 擅长记录交易完成之后的产出，却不擅长记录一种新生产能力在形成过程中的结构变化。硅基经济最棘手的地方，正是在这里。

一个国家部署了多少智能算力，一个企业拥有多少高质量行业数据，一个模型每天处理多少 token，一个智能体替代或增强了多少任务，一个城市的数据中心消耗多少电力并带来多少产业收益，这些信息有些进入 GDP，有些分散在企业账单、云平台日志、电网调度和监管报表中，还有相当一部分没有被严肃统计。结果是，经济中最活跃的新能力，反而常常处在统计阴影里。

联合国大学 2026 年围绕 “Reimagining the Wealth of Nations” 举行的对谈，把这一问题推向了公共政策层面。邵怡蕾提出的 Intelligent Domestic Product（IDP），被联合国大学活动介绍置于 Silicon Index 的讨论框架中，试图把算力、数据丰富度、算法能力、智能基础设施和人机协作深度纳入新的财富计量。无论这一指标未来如何演化，它至少提出了一个必须回答的问题：当智能不再只是产业部门，而是嵌入几乎所有生产过程，国家财富该如何重新入账？

GDP 的盲区并不等于 GDP 的失败

围绕 GDP 的批评由来已久。环境成本、家庭劳动、闲暇、数字免费服务、财富分配和主观福利，都曾被拿来说明 GDP 的局限。硅基经济延续了这些问题，但又有自己的新特征。

第一，智能能力常常先表现为投入和中间品，而不是最终产出。企业建设知识库、购买模型 API、训练行业模型、部署智能体和改造流程，短期内可能只体现为成本；真正的生产率提升，要经过组织重构才会出现。GDP 对这种能力积累的识别天然滞后。

第二，AI 的价值大量发生在内部流程中。一个制造企业用模型降低停机时间，一个医院用 AI 缩短影像初筛，一个科研团队用智能工具压缩文献筛选和代码实验周期，这些改进未必直接形成新的市场交易，却可能显著改变产出效率和质量。传统统计容易捕捉购买软件的支出，却不容易捕捉任务完成方式的改变。

第三，智能资产难以定价。高质量数据集、模型权重、提示模板、评测体系、用户反馈、行业知识图谱和智能体工作流，都是可积累资产，但它们在会计上常常被处理为费用，或者被包含在无形资产和商誉之中。资本市场会给它们估值，统计账户却难以及时反映。

第四，AI 的收益和成本分布高度不均衡。同样的模型能力，在掌握数据和流程控制权的企业那里可能形成利润，在普通劳动者那里可能表现为岗位压缩或劳动强度上升，在电网和地方政府那里则表现为基础设施压力。GDP 可以记录总量，却不能告诉我们智能收益由谁获得，转型成本由谁承担。

第五，硅基经济可能改变增长与就业之间的传统关系。工业经济中的龙头企业往往同时是大型雇主；硅基经济中的头部平台、芯片公司、模型公司和云服务商，却可能以较少雇佣支撑极高收入、利润和市值。换句话说，GDP 或企业利润上升，未必意味着就业容量同步上升。若不把就业吸纳弹性、劳动收入份额和社会承接成本纳入统计，经济账户就会低估硅基经济的分配冲击。

因此，硅基经济的计量改革不应走向“抛弃 GDP”的姿态。更务实的方向，是在 GDP 之外建立补充账户，像环境经济账户、数字经济卫星账户和人力资本账户一样，为智能经济建立可比较、可审计、可治理的指标体系。

第一张账户：智能资产

硅基经济首先要记录资产，而不是只记录当期收入。

智能资产可以分为五类。第一类是算力资本，包括 GPU、AI 加速器、服务器、存储、网络、数据中心和调度系统。第二类是数据资本，包括高质量数据集、行业知识库、标注数据、合成数据、传感数据和用户反馈。第三类是模型资本，包括基础模型、行业模型、小模型、模型权重、评测体系和安全策略。第四类是组织资本，包括 AI 工作流、智能体编排、人员协作机制和流程再设计。第五类是支撑资本，包括电力、冷却、网络、可信身份、合规工具和安全基础设施。

这五类资产并不等价。算力资本最容易统计，数据资本最难估值，模型资本最容易被市场情绪放大，组织资本最容易被忽视，支撑资本则决定系统能否长期运行。一个国家如果只统计机架数和 PFlops，就会高估硅基经济的真实能力；如果只统计模型数量，又会低估基础设施和组织改造的重要性。

国家数据局发布的《数字中国发展报告（2025 年）》已经提供了若干资产口径：截至 2025 年底，我国在用标准机架超过 1373 万架，建成 42 个万卡级智算集群，智能算力规模达到 159 万 PFlops（FP16），位居全球第二；高质量数据集超过 11 万个，数据标注累计超过 85 PB；人工智能核心产业规模超过 1.2 万亿元。这些指标非常重要，但仍然需要进一步转化。

关键问题不是“有多少”，而是“能否使用”。一个智算集群的价值，取决于利用率、能效、网络连通、负载质量和调度效率；一个数据集的价值，取决于质量、授权、更新频率、机器可读性和任务适配度；一个行业模型的价值，取决于能否嵌入真实流程并持续改进。硅基经济的资产账户必须从存量统计走向可用性统计。

可以考虑建立“智能资产密度”指标：在一个行业、地区或企业中，每单位产出对应多少可调用算力、多少可授权数据、多少可复用模型、多少智能体流程和多少人机协作岗位。这个指标不追求单一排名，而是帮助判断智能资本是否真正进入生产体系。

第二张账户：智能流量

资产账户回答“拥有多少智能能力”，流量账户回答“智能能力被如何使用”。

token 是这里最重要的新变量。Google CEO Sundar Pichai 在 I/O 2026 上披露，Google 跨产品每月处理的 tokens 已从 2024 年 5 月的 9.7 万亿、2025 年 5 月的约 480 万亿，增长到 2026 年 5 月超过 3.2 quadrillion，约合 3200 万亿；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。这些数据来自 Google 官方披露，属于公司平台口径，并非第三方统计口径，但它们仍然显示了一个趋势：AI 的使用正在以 token 作为基础流量单位。

但 token 不能孤立使用。它至少要与四个指标配对。

第一是任务。每百万 tokens 完成了多少任务，任务属于问答、写作、编程、设计、诊断、风控、供应链调度还是科学计算，价值完全不同。第二是成本。每个任务消耗多少 tokens、多少 GPU 时间、多少电力和多少人工复核，决定经济可行性。第三是质量。任务完成率、错误率、返工率、安全事件和人类满意度，决定 token 是否有效。第四是组织位置。token 消耗发生在消费娱乐、办公辅助、核心研发、工业控制还是公共治理，决定它对生产率和社会福利的含义。

Anthropic 2026 年 1 月发布的 Economic Index: Economic primitives 报告提供了一个值得借鉴的方向。该报告把 AI 使用拆成任务复杂度、人类与 AI 技能、使用场景、AI 自主性和任务成功率等“经济原语”，并强调 AI 自主性不同于简单的自动化或增强。3 月发布的 Learning curves 报告进一步讨论了使用经验、任务复杂度与 AI 成功率之间的关系。这个思路比单纯统计用户数和调用量更有价值，因为它把 AI 从“工具使用”还原为“任务结构变化”。不过，Anthropic 的样本来自 Claude 使用数据，本质上仍是平台观察，不应直接等同于全经济统计。

硅基经济的流量账户，应当至少包括以下变量：行业 token 消耗、单位任务 token 成本、模型调用结构、智能体任务占比、自动化与增强比例、人工复核率、错误与安全事件、API 调用跨境比例、推理能耗和 token 价值产出。只有把这些变量放在一起，token 才能从炫耀性规模指标变成经济分析指标。

这里需要特别警惕“token GDP”的诱惑。一个经济体可以通过低价值聊天、营销内容和自动化垃圾信息制造巨大 token 流量，却没有真实生产率贡献。衡量智能流量，必须区分有效 token 与空转 token。前者解决任务，后者制造噪音。

第三张账户：智能产出

硅基经济最难衡量的，是智能产出。

传统产业产出相对清楚。汽车按销量和价值计算，钢铁按吨位和价格计算，金融服务按增加值计算。AI 的产出则常常散落在多个层面：一个模型提高了程序员效率，一个智能体缩短了采购周期，一个科研工具加快了实验设计，一个客服系统减少了人工等待，一个风控模型降低了坏账率。它们的共同问题是，价值不是由 AI 单独创造的，而是由 AI 与人、流程、数据和组织共同创造的。

因此，硅基经济需要把“产出”拆成三个层次。

第一是直接产出。包括 AI 软件收入、模型 API 收入、算力服务收入、数据服务收入、AI 硬件销售和智能体服务收入。这个层次最容易统计，也最接近现有产业口径。Stanford HAI 的《2026 AI Index》显示，2025 年全球企业 AI 投资达到 5817 亿美元，私人 AI 投资达到 3447 亿美元；IDC 和 Gartner 的基础设施与半导体数据也属于这一层。

第二是间接产出。包括 AI 带来的劳动生产率提升、研发周期缩短、库存减少、能耗优化、质量提升、客户流失降低和公共服务效率提高。这个层次最重要，也最难测。它要求企业和行业建立任务级基线：没有 AI 时完成某项任务需要多少时间、成本和错误率，有 AI 后变化多少。

第三是能力产出。包括新产品、新服务、新组织形态和新科学发现能力。AI 可能创造过去不存在的任务，而不仅是替代旧任务。Acemoglu 与 Restrepo 的任务模型提醒我们，技术进步的长期收益取决于是否创造新任务并把劳动重新带回生产系统。硅基经济若只追求自动化旧任务，可能提高短期利润，却压低劳动份额；若能创造新任务，才可能形成更广泛的增长。

IDP 与 Silicon Index 这一讨论的价值，正在于它试图把这三层产出与资产、流量连接起来。一个可能的衡量框架，是把智能产出看作四个乘数的结果：智能资产可用性、有效 token 流量、任务转化效率和社会分配质量。只有四者同时改善，硅基经济才是真增长；如果只是资产堆积或 token 空转，就只是账面繁荣。

第四张账户：分配、就业与社会承接

没有分配账户，硅基经济的衡量就是不完整的。

AI 对就业的影响，不能用“取代人类”一言蔽之。国际货币基金组织 2024 年估计，全球约 40% 的就业暴露于 AI；发达经济体约 60%，新兴市场约 40%，低收入国家约 26%。在发达经济体，被暴露的岗位中约一半可能受益于 AI 增强，另一半可能因关键任务被 AI 执行而面临工资、招聘和劳动需求压力。这个判断的要点是：AI 暴露既可能是机会，也可能是风险。

国际劳工组织 2025 年更新的生成式 AI 职业暴露指数进一步细化了任务层面的分析。其研究基于近 3 万项任务和大规模人工评估，认为文书类岗位暴露最高，数字化程度较高的专业和技术岗位暴露也在上升。这意味着，硅基经济首先冲击的未必是传统体力劳动，而是可文本化、可流程化、可远程化的知识任务。

OECD 的就业研究则提醒，AI 可能改善部分劳动者的工作满意度、健康和工资，也可能带来隐私、劳动强度和偏见问题。高技能劳动者若能与 AI 形成互补，收益可能上升；被挤压到剩余低价值任务的劳动者，则可能面对工资下降和职业路径收窄。

分配账户至少要回答四个问题。智能收益在资本、劳动和消费者之间如何分配？不同技能、年龄、地区和行业的劳动者受到怎样影响？智能体进入流程后，新增任务是否足以补偿被替代任务？公共部门、平台企业和普通用户之间的数据收益如何分配？

还应再加一个更尖锐的问题：硅基经济的头部企业是否正在形成“高人均产出、低就业吸纳”的寡头化结构？这不是传统意义上的利润集中而已。传统垄断企业通常还要雇佣大量工人、管理复杂产线、承担区域就业功能；硅基企业则可能通过模型、API、云平台、自动化运维和智能体流程，把新增收入主要转化为资本回报、股权收益和少数高技能岗位收入。被挤出的文书、客服、初级分析、基础编程和内容生产岗位，未必能被同一体系重新吸收。

马克思主义政治经济学在这里提供了一个更锋利的计量提醒。硅基经济不是简单的“技术进步进入生产函数”，而是不变资本形态的升级：在头部智能基础设施和平台环节，芯片、数据中心、模型权重、平台工具和智能体流程占据越来越高的资本比重，活劳动在许多任务环节中的直接参与被压缩。若用《资本论》的语言说，这涉及资本有机构成提高、相对剩余价值生产、劳动过程被重新控制，以及相对过剩人口的形成。用现代统计语言说，就是资本密度上升、劳动份额下降、岗位入口收窄、社会再生产成本外溢。

因此，分配账户不能只看工资总额和失业率。它应当纳入至少七类变量：智能资本集中度，衡量算力、模型、数据入口和云平台是否集中于少数企业；企业人均收入与人均利润，衡量增长是否脱离就业扩张；就业吸纳弹性，衡量每增加一单位智能产出能创造多少可持续岗位；劳动收入份额，衡量智能收益是否从劳动转向资本；入门岗位存量，衡量人才梯队是否被自动化切断；被替代劳动者再就业周期，衡量社会承接压力；智能红利回流比例，衡量税收、社保、公共服务和再培训是否分享了智能资本收益。

如果要把这套账户做得更完整，还应增加若干政治经济学变量：智能资本有机构成，即算力、模型、数据和平台资产相对于直接雇佣劳动的比例；活劳动替代强度，即原本由人完成的任务中有多少转化为模型调用和自动化流程；剩余分配结构，即生产率收益在工资、利润、消费者价格和公共财政之间如何分配；再生产成本外溢，即转岗培训、失业保险、家庭照护和公共服务压力由谁承担。没有这些变量，硅基经济统计就容易把资本效率误认为社会效率。

这组指标不能附属于就业统计，而应成为硅基经济评价的中心。一个经济体如果 AI 投资高速增长、企业利润上升、数据中心扩张，但入门级岗位萎缩、劳动者收入停滞、区域能源负担加重，那么它的硅基经济质量并不高。反过来，如果 AI 能够扩大中小企业能力、降低公共服务成本、增强劳动者技能并创造新任务，它才具有广泛的社会合法性。

第五张账户：外部性与安全

硅基经济还需要一张风险账户。

能源是最直接的外部性。IEA 估计，全球数据中心用电量到 2030 年可能接近 945 TWh，占全球用电接近 3%。AI 带来的电力需求并非不可承受，但它高度集中在特定地区和节点，容易给局部电网、土地、水资源和碳排目标带来压力。衡量硅基经济，必须把每百万 token 能耗、单位智能任务碳强度、数据中心可再生能源比例和电网调峰成本纳入评价。

环境之外，还有安全与治理外部性。模型幻觉、偏见、隐私泄露、版权争议、自动化决策责任、智能体越权、深度伪造、网络攻击和跨境数据风险，都可能把私人收益转化为社会成本。欧盟《人工智能法案》已于 2024 年 8 月 1 日生效，并按风险类别分阶段实施；其中通用目的 AI、禁止性 AI 实践、高风险系统和 AI 素养都有明确时间表。无论是否认同欧洲路径，它都表明监管正试图为智能经济建立风险账户。

对中国而言，风险账户还涉及主权能力。高端芯片出口管制、云服务依赖、模型生态、数据跨境和开源安全，都会影响硅基经济的自主性。美国商务部工业与安全局（BIS）于 2025 年 5 月宣布撤销拜登时期 AI Diffusion Rule，同时表示将强化芯片相关出口控制；到 2026 年，围绕替代规则、执行口径与先进 AI 芯片出口限制的政策调整仍在持续。这说明 AI 基础设施已经成为国际竞争政策的核心工具。一个国家的智能经济规模再大，如果关键环节受制于外部规则，其稳定性就会受到影响。

因此，硅基经济评价不能只奖励规模。它还要评价韧性：供应链韧性、能源韧性、模型安全、数据合规、开源可控、跨境风险和公共治理能力。未来的智能经济排名，如果没有风险维度，就会鼓励短期扩张和长期脆弱。

一个可操作的评价框架

综合来看，本文建议用“五账一表”来衡量硅基经济。

第一，智能资产账户。记录算力、数据、模型、组织流程、能源和安全基础设施的存量与可用性。第二，智能流量账户。记录 token、API 调用、智能体任务、推理能耗、跨境调用和行业使用结构。第三，智能产出账户。记录 AI 产业收入、任务效率提升、生产率贡献、创新能力和公共服务改善。第四，分配与福利账户。记录资本收益、劳动收入、岗位结构、技能迁移、区域差异、数据收益分配、公共服务承接、智能资本有机构成、活劳动替代强度和智能红利回流。第五，外部性账户。记录能耗、水耗、碳排、安全事件、隐私风险、偏见和责任事故。

“一表”则是硅基经济综合评价表。它不应追求一个神秘的总分，而应像央行金融稳定报告或能源安全报告那样，呈现多维仪表盘。至少包括九组核心变量：

智能资产密度：每单位 GDP、每个行业或每万人拥有多少可调用智能资产。 有效 token 强度：单位产出或单位任务消耗多少有效 token，空转 token 占比多少。 任务转化率：AI 调用中有多少进入核心流程，自动化、增强和人机协作的比例如何。 生产率贡献：AI 对成本、质量、研发周期、资本周转和公共服务效率的可验证影响。 分配质量：劳动者收入、岗位迁移、新任务创造、中小企业可及性和智能红利回流是否改善。 就业吸纳弹性：头部企业人均收入、人均利润和市值/雇员比是否快速上升，而可持续岗位增长是否同步。 社会承接能力：被替代劳动者的再就业周期、收入损失、培训账户、工资保险和基本公共服务是否能够承受转型压力。 政治经济学结构：智能资本有机构成、劳动收入份额、剩余分配结构和社会再生产成本外溢是否可被追踪。 韧性与外部性：能源消耗、供应链安全、模型安全、数据合规和治理能力是否可持续。

这一框架的意义，不在于立刻取代现有统计，而在于迫使政策和市场回答更具体的问题。一个地区申报智能经济示范区，不能只报机柜和投资额，还要报有效负载、行业任务、能耗结构和就业影响。一个企业宣称 AI 转型成功，不能只报调用量和降本比例，还要说明错误率、人工复核、员工技能迁移和数据合规。一个国家发布智能经济报告，不能只讲规模，也要讲分配和风险。

中国应尽快建立智能经济卫星账户

中国已经具备建立硅基经济统计体系的基础。

一方面，中国有数字经济统计经验。中国信息通信研究院长期使用数字产业化、产业数字化、数字化治理和数据价值化框架，国家数据局也在推动数据资源、数据基础设施和数字中国建设的制度化统计。另一方面，中国拥有庞大的场景和平台，可以从行业、地区和企业层面采集更细颗粒度的智能使用数据。

下一步应当考虑建立“智能经济卫星账户”。它不必一开始就追求全国统一口径，可以先在制造、金融、医疗、教育、交通、能源、政务和科研等领域试点。每个领域选择若干高价值任务，建立 AI 前后的时间、成本、质量、错误率、能耗、token 消耗和劳动影响基线，再逐步形成可比较指标。这里的劳动影响不能只写一句“效率提升”，而要具体到岗位变化、任务迁移、收入变化、入门岗位保留、再培训成本和社保压力。

与此同时，公共部门应推动 token 和智能体任务的统计标准。企业不需要上报敏感商业内容，但可以上报脱敏后的 token 使用结构、模型调用类别、自动化任务比例、人工复核率和安全事件。云平台和模型服务商可以形成行业级统计，类似电力系统的负荷曲线和金融系统的支付清算数据。只有掌握这些流量，政府才能判断智能经济是在真实增长，还是在制造流量幻觉。

中国还应把智能经济统计与产业政策挂钩。算力补贴、模型支持、数据要素项目和“人工智能+”示范工程，应当逐步从投入导向转为绩效导向：不再只看投资额和项目数，而看有效 token 产出、行业任务完成、生产率改善、就业转型、智能红利回流和外部性控制。这样，统计不只是记录现实，还能反过来纠正政策激励。

计量即治理

经济学里有一句老话：衡量什么，往往就会奖励什么。

如果只衡量 GDP，就容易忽视环境、分配和无形能力；如果只衡量数字经济规模，就容易把平台流量和真实生产率混在一起；如果只衡量算力，就容易形成机柜竞赛；如果只衡量 token，就可能鼓励机器空转；如果只衡量企业利润，就可能把寡头化误读成社会繁荣。硅基经济需要新的指标体系，正是因为智能经济的价值和风险都比过去更隐蔽。

IDP、Silicon Index、token 指标、AI 经济原语、任务暴露指数和数字经济卫星账户，本质上都在回应同一个问题：如何把智能从技术叙事，转化为可治理的经济事实。

这件事越早做，代价越低。等到数据中心负债、劳动力错配、模型安全事故和 token 成本失控同时出现，再补统计账户就会非常被动。对国家而言，计量是政策能力的一部分；对企业而言，计量是管理能力的一部分；对劳动者而言，计量是争取分配和保护的前提。

硅基经济不是因为被统计才存在，但只有被正确统计，才可能被正确治理。

---

参考资料与延伸阅读

1. United Nations University, “Reimagining the Wealth of Nations: From Invisible Hand to Digital Hand,” 2026 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. Google, “Google I/O 2026: Sundar Pichai’s opening keynote,” 2026 https://blog.google/innovation-and-ai/sundar-pichai-io-2026/

4. Anthropic, “Anthropic Economic Index report: Economic primitives,” January 2026 https://www.anthropic.com/research/anthropic-economic-index-january-2026-report

5. Anthropic, “Anthropic Economic Index report: Learning curves,” March 24, 2026 https://www.anthropic.com/research/economic-index-march-2026-report

6. 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

7. International Energy Agency, Energy and AI. Section: “Energy demand from AI” https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

8. UNCTAD, Digital Economy Report 2024 https://unctad.org/publication/digital-economy-report-2024

9. 国家数据局，《国家数据局发布〈数字中国发展报告（2025 年）〉》，2026 年 4 月 29 日 https://www.nda.gov.cn/sjj/swdt/xwfb/0429/20260429162826395159001_pc.html

10. 新华网，《〈数字中国发展报告（2025年）〉全文发布》 https://www.news.cn/politics/20260609/630daa2672884254b39764aa1cd07b29/c.html

11. 中国信息通信研究院政策与经济研究所，《全球数字经济发展研究报告（2025 年）——数智驱动与秩序重构》，2026 年 3 月 https://www.caict.ac.cn/kxyj/qwfb/ztbg/202603/P020260324613314950584.pdf

12. International Monetary Fund, “AI Will Transform the Global Economy. Let’s Make Sure It Benefits Humanity,” January 14, 2024 https://www.imf.org/en/blogs/articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity

13. International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140, May 20, 2025 https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

14. OECD, OECD Employment Outlook 2023 https://www.oecd.org/en/publications/oecd-employment-outlook-2023_08785bba-en.html

15. European Commission, AI Act regulatory framework https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

16. Bureau of Industry and Security, U.S. Department of Commerce, “Department of Commerce Announces Rescission of Biden-Era Artificial Intelligence Diffusion Rule, Strengthens Chip-Related Export Controls,” May 13, 2025 https://www.bis.gov/press-release/department-commerce-announces-rescission-biden-era-artificial-intelligence-diffusion-rule-strengthens

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

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

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

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

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

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