Let's Make AGI Real

——财富分配、劳动力市场与国家竞争，将围绕智能资本重新定价

每一次通用技术革命，最终都会从工程问题变成分配问题。

蒸汽机如此，电力如此，互联网如此，人工智能也不会例外。早期讨论总是围绕“它能做什么”；一旦技术进入经济系统，真正的问题就会变成：谁拥有它，谁为它付费，谁从中获益，谁被重新定价，谁承担转型成本。

硅基经济之所以值得作为一个独立分析框架，正是因为它把这几个问题压缩到同一张图上。智能不再只是软件功能，而是资本、能源、数据、劳动和国家能力的结合体。它可以提高生产率，也可能扩大垄断；可以增强劳动者，也可能削弱入门岗位；可以提升公共服务，也可能带来能耗、隐私和安全压力；可以成为新的增长极，也可能把国家竞争推向更高强度的技术地缘政治。

因此，硅基经济的核心议题并不是机器会不会“取代人类”。这个问题太粗糙。更准确的问题是：当智能资本能够执行越来越多的任务，收益如何在资本、劳动、消费者和国家之间分配？当 token 成为机器智能的计量单位，谁能以最低成本生产有效 token？当算力、数据、模型和智能体成为新的生产资料，宏观政策应如何避免泡沫、失业和安全风险，同时保留技术扩散带来的增长红利？

财富分配：智能资本的租金会流向哪里

硅基经济首先会改变资本收益的结构。

传统工业资本的收益来自机器、厂房、能源和组织效率；平台经济的收益来自网络效应、数据积累和入口控制；硅基经济的收益则来自智能资本。这里的智能资本包括高端芯片、数据中心、模型能力、数据资产、智能体流程、开发者生态和 token 成本优势。

这些资产有一个共同特点：前期投入巨大，边际复制迅速，规模经济明显。训练基础模型、建设智算中心、购买高端 GPU、构建数据闭环和开发智能体平台，都需要高额资本开支；一旦系统形成能力，就可以通过 API、云服务、企业订阅、行业解决方案和自动化流程向外扩散。结果是，智能资本天然容易产生集中收益。

2025 至 2026 年的资本开支已经显示出这种方向。IDC 估计，2025 年全球 AI 基础设施支出达到 3180 亿美元，2026 年将升至 4870 亿美元；Gartner 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%；Stanford HAI 的《2026 AI Index》显示，2025 年全球企业 AI 投资达到 5817 亿美元。需要注意的是，这些数据分别来自基础设施支出预测、半导体收入预测和 AI 投资统计，衡量的是不同经济流量，不能简单相加，也不能直接等同于硅基经济总规模。但它们共同表明，智能资本的投入已经足以重新分配产业利润池。

财富会流向几类主体。第一是拥有稀缺硬件和制造能力的企业，包括先进制程、GPU、HBM、先进封装和系统互联。第二是拥有大规模云和数据中心的基础设施平台。第三是拥有强模型、开发者生态和企业入口的模型与云服务商。第四是掌握高质量行业数据和流程控制权的企业。第五是能够把 AI 嵌入真实产业并形成组织学习能力的行业龙头。

这意味着，硅基经济的分配矛盾不只是“科技公司赚钱”。更深的问题是，智能资本收益可能沿着资产所有权集中。高端芯片厂商、云平台和头部模型公司拿走底层租金；行业龙头凭借数据和流程吸收应用层收益；普通企业支付 token 账单，普通劳动者面对任务重组，而消费者得到部分价格下降和服务改善。

如果没有制度设计，这种分配格局会延续平台经济的老问题：数据和使用行为由广泛用户贡献，收益却高度集中；公共科研、开源社区和教育系统培养了人才和知识，商业化收益却集中于少数平台；地方政府投入能源、土地和基础设施，利润可能流向跨区域甚至跨国企业。

硅基经济因此必须讨论数据收益、公共算力、开源生态、竞争政策和税收制度。否则，智能资本会像金融资本和平台资本一样，在效率叙事下积累新的租金。

寡头化悖论：高人均产出与低就业吸纳

这里有一个更尖锐的矛盾，不能被“任务重组”这个温和说法遮住。

硅基经济的头部企业，可能不再像传统工业巨头那样，以大规模雇佣来对应大规模产出。它们可以依靠芯片、模型、云平台、API、数据闭环和自动化运维，把收入和利润推到极高水平，却只需要相对有限的员工规模。更准确地说，风险不一定表现为所有头部企业员工总数立刻下降，而是就业吸纳弹性下降：收入、利润、市值和 token 处理能力的扩张，远快于可持续岗位的扩张；部分被 AI 接管的任务，还会从企业用工表中被直接抹去。

这已经能从头部科技公司的财务结构中看到影子。NVIDIA 2026 财年收入 2159.38 亿美元、净利润 1200.67 亿美元，年末约 4.2 万名员工；粗略折算，人均收入约 514 万美元，人均净利润约 286 万美元。Microsoft 2025 财年收入 2817.24 亿美元、净利润 1018.32 亿美元，约 22.8 万名全职员工；粗略折算，人均收入约 124 万美元，人均净利润约 45 万美元。不同公司的业务结构、会计周期和外包供应链并不相同，这些数字不能被简单类比，也不能证明 AI 已经导致就业下降。但它们足以提示一个趋势：硅基资本的杠杆率极高，头部企业可以用远低于传统制造业的直接雇佣规模，撬动全球性的收入和利润。

真正的麻烦在这里。传统工业资本虽然也会制造贫富差距，但它至少通过工厂、供应链、物流、销售和售后吸收大量就业。硅基经济的头部形态则更接近“高资本开支、高固定成本、高规模收益、低边际雇佣”的组合。模型训练和数据中心建设需要巨额投资，真正形成平台能力后，新增客户、调用量和自动化任务并不必然带来等比例新增岗位。相反，很多岗位会被重新打包成模型调用、外包服务、临时项目或低价内容劳动。

这意味着，硅基经济可能把社会带入一种新的寡头经济：少数企业掌握智能基础设施和应用入口，获得超额利润和资本市场估值；少数高技能员工和股权持有人分享收益；大量普通劳动者则面对任务被拆解、入门岗位减少、职业梯队变窄和议价能力下降。消费者可能获得更便宜的服务，政府也可能看到更高的税基和更强的技术能力，但被挤出的劳动群体不会自动消失。他们会进入再就业市场、公共培训体系、社会保障账户、家庭负担和地方财政压力之中。

因此，硅基经济不能只讨论生产率，还必须讨论社会承受力。若智能资本的收益主要沉淀为股东回报、平台租金和少数高端岗位收入，而被替代劳动者只能依靠个人学习和市场自救，社会迟早会把技术进步理解为一种分配失败。所谓“智能红利”，如果没有制度化回流机制，就只是资本账户里的红利，而不是社会意义上的红利。

从机器大工业到智能资本：一条马克思主义解释线索

马克思主义政治经济学可以把上面的矛盾解释得更深一些。

在《资本论》关于机器和大工业的分析中，机器并不是简单的劳动辅助工具。它进入资本主义生产过程之后，会被组织成压缩必要劳动时间、提高相对剩余价值、控制劳动节奏和重构劳动分工的手段。机器提高了社会生产力，但机器体系的所有权和控制权如果集中于资本一方，生产力的增长就不必然转化为劳动者收入和闲暇的增长，反而可能表现为劳动强度上升、技能被拆解、岗位被替代和资本收益扩大。

硅基经济可以被看作机器大工业的智能化延伸。芯片、数据中心、模型、数据资产、云平台和智能体流程构成新的机器体系；token 则把一部分知识劳动、沟通劳动、判断劳动和编码劳动拆成可计量、可购买、可限制的机器调用。过去由劳动者在组织内部完成的任务，如今可以被切分为提示词、API、工具调用、自动化脚本、模型推理和人工复核。劳动过程没有消失，而是被重新编排；劳动者也没有完全退场，而是被重新放置到监督、校正、例外处理和责任承担的位置上。

这正是相对剩余价值逻辑的新形态。企业使用 AI 并不只是为了“少雇几个人”，更重要的是在同样时间内压缩必要劳动、扩大剩余产出、加快周转速度。一个律师、程序员、研究员、客服或分析师借助模型完成更多任务，短期内看似是劳动增强；但如果由企业掌握模型、数据和流程控制权，增强出来的生产率收益就很可能主要进入利润、估值和股权回报，而不是自动进入工资和公共福利。

在头部智能基础设施和平台环节，硅基经济还会显著提高资本有机构成。AI 时代的核心投入越来越多表现为不变资本：GPU、HBM、服务器、光模块、电力、冷却、模型权重、数据资产和平台工具。相对于这些重资产和无形资产，直接雇佣的活劳动占比下降。于是出现一种新组合：资本开支极高，边际调用成本持续下降，头部企业利润率很高，但新增就业吸纳有限。传统劳动经济学可以把它描述为任务替代；马克思主义政治经济学则会进一步追问：活劳动在价值形成中的位置是否被压缩，剩余由谁占有，被排挤出来的人如何维持社会再生产。

资本集中也会被智能基础设施放大。训练模型、建设云平台、获取高质量数据、优化推理成本、建立开发者生态，都需要巨额前期投入和网络效应。规模越大，单位 token 成本越低；使用越多，数据和产品反馈越强；生态越强，客户迁移成本越高。这个循环会把硅基经济推向资本积聚和集中。它不是偶然的商业结果，而是智能生产资料自身结构导致的倾向。

最后，是相对过剩人口的问题。AI 挤出的劳动者不一定以公开失业的形式出现。更常见的形态可能是入门岗位减少、岗位降级、外包化、零工化、工资增长停滞、职业训练链条断裂，以及中年劳动者再就业周期拉长。马克思当年讨论的“相对过剩人口”，在硅基经济中可能以更温和也更隐蔽的方式出现：不是大规模工厂门口的失业队伍，而是被平台、模型和自动化流程不断压低议价能力的人群。

这条理论线索的价值，不在于把 AI 简单归入旧资本主义批判，而在于提醒我们：技术进步的政治经济效果，取决于生产资料所有权、劳动过程控制权和剩余分配制度。若这些问题不被正面处理，硅基经济越高效，分配矛盾可能越尖锐。

劳动力市场：冲击发生在任务层，而不是职业标签上

AI 对就业的影响，最容易被夸张，也最容易被低估。

说它会一夜之间消灭所有白领岗位，是夸张；说它只是提高效率、不会改变就业结构，则是低估。真正的变化发生在任务层。一个职业由许多任务组成，AI 可能替代其中一部分、增强另一部分，还可能创造新的任务组合。劳动市场的再定价，不是按职业名称整齐发生，而是在任务、技能和组织流程之间展开。

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%。在发达经济体中，被暴露岗位约一半可能受益于 AI 增强，另一半可能因关键任务被 AI 执行而面临劳动需求和工资压力。国际劳工组织 2025 年生成式 AI 职业暴露指数进一步指出，文书岗位暴露最高，数字化程度高的专业和技术岗位暴露也在上升。

这些研究的共同启示是：硅基经济首先重构可文本化、可流程化、可标准化和可远程化的任务。文书、行政、客服、翻译、初级分析、基础编程、内容生产、合规初筛、财务处理、法律文档、市场运营，都比许多人想象中更早进入重组区间。

Stanford HAI 的《2026 AI Index》还提到，美国 22 至 25 岁软件开发人员的就业人数自 2024 年以来下降近 20%，并将其置于 AI 时代入门级岗位压力的讨论中。这个数据需要谨慎解读：它提示 AI 可能正在影响入门岗位和招聘管道，但不能将就业下降完全归因于 AI，还需结合宏观就业周期、行业投资回调、远程工作变化和企业招聘结构调整综合判断。即便如此，它仍然指向一个值得高度关注的机制：AI 可能先压缩“学习型岗位”。

许多职业的入门岗位，过去承担的不只是低端劳动，也是训练机制。初级程序员写样板代码，初级律师做文档检索，初级研究员整理资料，初级编辑处理文字，初级分析师做数据清洗。AI 最先接管的，恰恰是这些可标准化任务。如果组织把它们全部交给机器，短期效率提高，长期却可能破坏人才梯队。高级劳动者继续借助 AI 放大能力，年轻人则失去从低阶任务进入高阶判断的通道。

这就是硅基经济的就业悖论。AI 可以增强高技能劳动者，却可能削弱低年资劳动者获得高技能的路径；可以减少重复劳动，却可能把人挤到更碎片化、更高强度、更难积累的剩余任务中；可以创造新职业，却未必自动为被替代者提供迁移通道。更重要的是，它还可能让头部企业在利润增长时并不相应扩大雇佣，把就业外溢给社会来承接。

因此，政策讨论不能停留在“培训劳动者使用 AI”。真正需要的是任务再设计。哪些任务应由 AI 完成，哪些任务应由人机协作完成，哪些任务必须保留为人才培养环节，哪些任务需要通过公共服务和职业教育重新配置？这比发放几个 AI 工具证书更难，也更重要。

Token 成本会改变企业组织

硅基经济还会通过 token 成本改变企业内部权力。

在传统组织中，预算单位主要是人头、设备、差旅、软件席位和外包合同。AI 进入核心流程后，token 配额、模型等级、上下文窗口、推理预算和智能体权限会成为新的内部资源。一个部门能否使用更强模型，能否调用长上下文，能否运行多智能体流程，能否获得专属知识库和工具权限，将直接影响它的产出能力。

这会产生新的管理问题。第一，AI 成本从固定软件订阅变成可变工作负载。企业可能在试点阶段低估 token 消耗，等智能体进入流程后，成本突然放大。Google 在 I/O 2026 上披露，一些企业到 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，但它仍能说明 token 正在进入企业预算管理的核心位置。第二，token 消耗可能掩盖组织低效。一个流程如果需求不清、数据混乱、权限复杂，智能体会在反复试错中消耗大量 token。第三，模型选择会变成组织政治。高价值团队希望获得顶级模型，成本中心则被要求使用低价模型或本地模型。

更深层的变化，是 token 把“智能劳动”变成可计量、可采购、可限额的资源。过去，一个企业雇用员工，是购买相对固定的劳动时间；现在，它可以随时购买机器智能片段。只要任务可拆解、可评估、可复核，企业就会比较三种成本：人工成本、外包成本和 token 成本。

Anthropic 的 Economic Index 也从使用场景和协作方式观察到这一变化：不同模型被用于不同复杂度和价值的任务，API 场景中的编码与自动化工作更明显地拆分为可计量的任务调用。这类平台数据同样需要谨慎看待，因为它反映的是特定平台的使用结构，而不是全体劳动力市场；但它有助于说明，AI 对就业和组织的影响正在从“职业替代”转向“任务重组”。

这不是简单的“AI 替代人”。在许多场景中，人会借助 AI 放大产出，工资可能上升；在另一些场景中，AI 会把原本由人完成的任务转化为模型调用，岗位需求下降。Acemoglu 与 Restrepo 的任务模型正好解释这一点：自动化把任务从劳动转移给资本，会产生替代效应；新任务的创造则可能恢复劳动需求。硅基经济的问题，是自动化速度可能快于新任务和培训体系的生成速度。

企业若只把 token 当作降本工具，可能陷入“过度自动化”。短期利润上升，组织学习下降，服务质量恶化，人才梯队断裂，风险事故增加。企业若把 token 当作能力投资，则会重新设计人机协作：让 AI 承担搜索、生成、比对、初筛和模拟，让人保留目标设定、判断、责任、沟通和异常处理。两条路线都会使用 AI，结果却完全不同。

国际竞争：从贸易优势到智能主权

硅基经济把国际竞争推向更硬的层面。

传统全球化强调比较优势。不同国家根据资源禀赋、劳动力成本、技术能力和市场规模分工合作。数字经济时代，平台、数据和网络效应改变了这种分工。硅基经济进一步把高端芯片、算力基础设施、模型生态、数据制度和能源条件纳入国家竞争。

这解释了为什么 AI 领域的政策越来越像战略产业政策，而不是普通科技政策。美国通过出口管制限制高端芯片和相关设备流向竞争对手；2025 年 5 月，美国商务部宣布撤销拜登时期的 AI Diffusion Rule，并表示将强化芯片相关出口管制；这表明 AI 基础设施已成为国际竞争政策的核心工具。欧盟以《人工智能法案》建立风险监管和市场准入制度。各国纷纷讨论主权 AI、国家算力网络、公共数据空间和本土模型生态。

硅基经济中的“主权”并不等同于封闭。没有任何国家能完全自给自足，高端半导体、开源软件、科研合作和全球资本仍然高度互联。但主权意味着在关键时刻不被单点卡死：有稳定算力，有可信模型，有可控数据，有能源保障，有安全评测，有替代供应链，有谈判筹码。

国际竞争也会从模型能力扩展到 token 成本。未来，智能服务贸易可能表现为持续的 token 调用。一个国家如果依赖境外模型、境外云和境外开发者生态，其企业的智能生产成本、数据风险和服务连续性都会受外部规则影响。相反，一个国家若能提供低成本、高质量、合规可信的模型 token，就可能像今天出口工业品和云服务一样，出口智能服务。

这会使发展中国家的处境更加复杂。一方面，开源模型和云 API 可能降低 AI 使用门槛，让许多国家跨越部分技术积累阶段；另一方面，高端算力、数据中心、电力和人才资源仍高度集中，智能资本租金可能继续流向少数国家和企业。UNCTAD 对数字经济环境成本和收益分配不均的提醒，在 AI 时代只会更加尖锐。

中国的特殊意义：从数字大国走向智能强国

中国讨论硅基经济，不能只把它看成一个新概念。它关乎下一轮增长动能、产业升级和国际竞争位置。

中国的基础并不弱。国家数据局披露，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），人工智能核心产业规模超过 1.2 万亿元；网民规模达到 11.25 亿，互联网普及率 80.1%。国务院“人工智能+”行动意见提出，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%，智能经济成为重要增长极。

这些数据说明，中国已经拥有硅基经济的应用腹地、产业场景和政策动员能力。制造业体系完整，供应链复杂，城市治理场景丰富，教育、医疗、金融和交通系统规模巨大。若 AI 能够深度进入这些领域，中国的智能经济不会只是互联网应用的延伸，而可能成为实体经济再组织的工具。

压力同样现实。高端芯片、先进制程、HBM、EDA、基础软件和国际模型生态仍受制于外部竞争。AI 基础设施建设若脱离应用，会造成地方重复投资；模型创业若脱离商业闭环，会消耗资本和人才；应用普及若只停留在办公助手和营销内容，会难以支撑宏观生产率提升。

因此，中国的特殊任务不是“追赶一个模型排行榜”，而是把智能资本转化为产业生产率。制造业质量控制、工业软件、机器人、供应链优化、能源调度、药物研发、科研自动化、公共服务和基层治理，才是中国硅基经济的主战场。这里的难度更高，周期更长，也更符合中国的结构优势。

对中国而言，token 经济也有特别意义。随着智能体进入行业流程，token 消耗将成为观察智能经济活跃度的先行指标。政策部门需要关心的不是全国消耗了多少 token，而是哪些行业在消耗，使用的是本土还是境外模型，解决的是高价值生产任务还是低价值内容生成，单位 token 是否带来质量、效率和收入改善。未来，一个地区的智能经济质量，很可能不取决于“AI 企业数量”，而取决于有效 token 是否嵌入实体产业。

宏观政策：既要防泡沫，也要防保守

硅基经济的宏观政策难点，在于它同时具有通用技术、战略产业和金融周期三重属性。

作为通用技术，AI 需要扩散，需要试错，需要基础设施超前布局。作为战略产业，它涉及芯片、数据、能源、安全和国际竞争，不能完全交给市场。作为金融周期，它又容易被资本市场和地方投资放大，形成估值泡沫、重复建设和产能错配。

政策必须在三种风险之间保持平衡。

第一，防止基础设施泡沫。算力中心和数据中心不能只按投资额、机柜数和 PFlops 考核，应当绑定行业负载、利用率、能效、有效 token 产出和地方产业收益。对低利用率、高能耗、缺乏应用场景的项目，应及时降温。

第二，防止模型和应用泡沫。公共资金不应过度追逐参数规模和短期榜单，而应支持开源生态、行业评测、工具链、安全能力和真实场景验证。模型能力需要市场检验，也需要公共基准。

第三，防止劳动力断层。政府、企业和教育系统应共同保护入门岗位的训练功能，推动任务重构和职业转型。AI 培训不能只是教提示词，而要培养数据判断、模型监督、流程设计、安全审计和行业知识结合能力。

第四，防止就业外溢无人承接。硅基经济若走向高人均产出、低就业吸纳的寡头化结构，传统的失业保险和职业培训将不够用。政策需要提前设计智能红利回流机制，包括劳动收入份额监测、智能资本收益税或超额利润调节、数据和公共算力收益返还、再培训个人账户、工资保险、公共就业服务扩容，以及面向教育、医疗、养老和基层治理的公共岗位升级。社会承接不是技术扩散的事后补丁，而应成为智能经济制度设计的一部分。

第五，防止智能资本垄断。反垄断政策需要关注算力、云平台、模型 API、数据入口和智能体生态的捆绑效应。若少数平台同时控制底层算力、模型、工具链和应用入口，市场创新会被压缩。

第六，防止外部性转嫁。数据中心能耗、水耗、碳排、网络安全、隐私和模型风险都应纳入成本。地方政府招商引资时，不能只看税收和投资，还要算电网、环境和财政风险。

第七，防止过度保守。监管如果只强调风险，可能压制技术扩散和中小企业创新。更好的路径是分级监管、沙盒试验、可审计日志、责任保险、安全评测和公共基础设施开放，让创新在可控边界内加速。

硅基经济需要的不是单一政策工具，而是一组宏观编排能力：财政资金支持基础研究和公共数据，产业政策补齐关键短板，竞争政策防止平台锁定，劳动政策推动技能迁移，福利政策承接就业外溢，能源政策保障绿色算力，金融监管防止资本泡沫，国际政策维护合作空间和供应链韧性。

与主流经济学和政治经济学的冲突与接续

硅基经济并不推翻主流经济学，但它会逼迫若干理论假设接受压力测试。

与新古典增长理论的冲突，在于智能资本的边界难以界定。传统模型可以把技术进步放进全要素生产率，把资本和劳动作为主要投入。但当模型、数据、token、智能体和组织流程相互作用时，资本、劳动和技术之间的边界变得模糊。一个智能体执行的任务，究竟是资本服务、软件服务，还是某种机器劳动？这会影响生产函数、收入分配和生产率测算。

与劳动经济学的接续，则体现在任务模型。Acemoglu 与 Restrepo 关于自动化和新任务的分析，为硅基经济提供了强有力的骨架。AI 的影响不应按职业整体判断，而应按任务分解；自动化会压低劳动需求，新任务会恢复劳动地位。硅基经济把这个模型推到更广范围，因为生成式 AI 和智能体能够进入语言、知识和管理任务。

与马克思主义政治经济学的接续，则体现在生产资料、劳动过程和剩余分配。马克思关于机器大工业、相对剩余价值、资本有机构成和资本积累一般规律的分析，能够解释硅基经济中几个核心现象：为什么智能资本会倾向集中，为什么高效率不必然带来高就业，为什么劳动者可能在“被增强”的同时被重新控制，为什么技术进步会把一部分成本转嫁给家庭、社区和社会保障系统。它与任务模型并不冲突，反而提供了任务重组背后的所有权和分配解释。

与产业组织理论的冲突，在于规模经济和网络效应更复杂。平台经济已经证明，数据、用户和网络效应会导致市场集中；硅基经济又加入算力规模、模型生态、开发者工具和 token 成本优势。传统反垄断如果只看价格，可能无法识别模型 API、云算力和数据入口的锁定效应。

与国际贸易理论的冲突，在于比较优势受到安全约束。按照标准贸易理论，国家应根据效率进行分工；但硅基经济中的关键环节具有战略性和不可替代性。高端芯片、模型基础设施和数据治理，已经不再是普通商品。产业政策与自由贸易之间的紧张会长期存在。

与内生增长理论的接续，则更加明显。知识、研发、人力资本和技术扩散本来就是增长核心。硅基经济只是把“智能”从隐含技术变量变成可投资、可调用、可计量的生产资料。它并不否认教育、创新、制度和市场的重要性，反而使这些因素更关键。没有人才、开放知识、竞争市场和可信制度，智能资本也会停留在低效率堆积。

与凯恩斯主义宏观政策也存在接续。AI 投资可能形成新的资本开支周期，影响总需求、利率、资产价格和就业。公共投资可以在技术扩散早期发挥作用，但如果缺乏有效需求和生产率回报，也可能形成债务和产能过剩。硅基经济要求宏观政策既理解技术周期，也理解金融周期。

因此，硅基经济不是反经济学，而是要求经济学把“智能资本”纳入既有工具箱。它对理论的挑战，不在于否定旧理论，而在于旧理论需要处理更高维度的生产资料、更快的任务替代和更复杂的分配机制。

价值与问题：增长机会必须换取社会合法性

提出硅基经济这个概念，有几个明显价值。

它把 AI 从单一技术叙事中拉出来，放回宏观经济、产业结构、能源系统和国际竞争中观察。它提醒政策制定者，AI 不只是模型能力，也不是互联网应用的升级版，而是一套新的生产资料组合。它迫使企业把 AI 从演示项目推进到资产、成本、任务和回报管理。它也为统计部门提供了方向：算力、token、数据、模型、智能体和分配影响，都需要进入新的经济账户。

但它也可能产生问题。

第一个问题是概念膨胀。所有与 AI、芯片和数字化相关的项目都可能被包装成硅基经济，导致政策资源被概念营销稀释。第二个问题是资本偏向。若智能被主要理解为资本品，政策可能过度补贴硬件和平台，忽视劳动者、公共服务和中小企业。第三个问题是寡头化。若头部企业以极高人均产出获得超额利润，却无法吸纳足够就业，社会会面对增长繁荣与劳动不稳并存的局面。第四个问题是安全泛化。若所有 AI 风险都上升为国家安全，开放创新和国际合作会受损。第五个问题是技术拜物。token、算力和模型参数可能变成新的政绩指标，掩盖真实生产率和社会福利。

因此，硅基经济的社会合法性取决于一个简单标准：它是否让更多人获得更好的能力，而不是只让少数人获得更高的资本回报。

如果 AI 让中小企业获得原本只有大企业才有的数据分析、设计、客服和研发能力，它就是扩散型技术。如果 AI 让基层医疗、教育和政务获得更高质量的服务支持，它就是公共能力。如果 AI 让劳动者摆脱低价值重复任务，同时获得进入高价值任务的通道，它就是劳动增强。如果 AI 只是压缩岗位、集中利润、消耗能源并制造风险，它就是一种新的资本集中机制；如果它还把被替代者的转型成本推给家庭、地方财政和社会保障体系，它就会成为一种政治经济风险。

结语：智能经济的政治选择

硅基经济并不是注定走向某个结果。

同样的模型，可以被用来监控劳动者，也可以被用来减轻劳动强度；同样的数据中心，可以支撑高价值科研和工业优化，也可以生产低价值流量；同样的 token，可以完成严肃任务，也可以制造噪音；同样的产业政策，可以补齐长期短板，也可以催生地方泡沫。

技术决定可能性，制度决定收益分配。

未来十年，财富分配、劳动力就业和国际竞争都会围绕智能资本重新定价。拥有算力、模型、数据和应用入口的一方，会获得更强议价权；能够把智能嵌入实体经济和公共服务的一方，会获得真实生产率；能够管理分配、风险和开放合作的一方，才会获得长期合法性。真正需要警惕的，不是技术带来高效率，而是高效率被少数主体占有，社会却独自承担就业外溢。

中国的任务尤其复杂。既要在底层硬技术上补短板，又要避免重复建设；既要推动 AI 深入产业，又要保护就业转型；既要维护安全和主权，又要保持开放创新；既要鼓励资本投入，又要防止智能收益过度集中；既要承认头部企业的技术牵引作用，又要防止硅基经济变成少数企业高利润、社会高承压的寡头经济。

硅基经济的最大意义，也许就在这里：它迫使我们同时看见增长和代价，看见芯片和劳动者，看见 token 和电网，看见模型能力和制度能力。只有把这些放在同一张账本上，智能才不会只是少数人的新资本，而能成为一个社会可分享的新生产力。

---

参考资料与延伸阅读

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

2. International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

3. OECD, Employment Outlook 2023: Artificial Intelligence and the Labour Market https://www.oecd.org/en/publications/oecd-employment-outlook-2023_08785bba-en.html

4. 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

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

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

8. Anthropic, “Anthropic Economic Index: March 2026 Report” https://www.anthropic.com/research/economic-index-march-2026-report

9. 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/

10. Gartner, “Gartner Forecasts 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

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

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

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

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

15. 国务院，《关于深入实施“人工智能+”行动的意见》 https://www.mee.gov.cn/zcwj/gwywj/202508/t20250827_1126207.shtml

16. 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

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

18. NVIDIA Corporation, Annual Report on Form 10-K, fiscal year ended January 25, 2026 https://www.sec.gov/Archives/edgar/data/1045810/000104581026000021/nvda-20260125.htm

19. Microsoft, Annual Report 2025 https://www.microsoft.com/investor/reports/ar25/index.html

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

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

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

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

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

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