基于词元的智能时代生产关系分析

今天，以人工智能大模型为代表的生成式人工智能，赋予词元特殊经济属性。一是知识本身成为可被直接调用的新型生产资料；二是知识的使用过程深度嵌入一个隐蔽的社会化智慧网络中；三是知识参与经济活动变得可精确计量，且被作为计价单位。这三大变化，使我们可将词元作为近似知识的替代，通过将知识这种原本难以测量的要素纳入生产函数，以分析智能时代的微观主体行为和宏观表现。

此篇的目的，是用传统的经济理论对基于词元的智能经济运行逻辑进行系统检测，寻找理论升级路径和升级方式。我们将逐一审视主流经济学工具箱，从新古典的边际分析到内生增长理论，再到政治经济学的深邃洞察，寻找哪些经典工具依然有效，哪些基本假设不太适用，哪些依然可信，哪些需要修补。

新古典工具箱依然有效，但需知晓其“使用范围”

面对词元经济，新古典经济学分析工具有强大的包容性和适用性，但也暴露出其深层的局限性。

一些核心分析框架在形式上依然有效。生产函数本身极具弹性，将知识要素纳入生产函数在数学上并不困难，这为量化分析知识投入贡献提供了可能。边际分析的基本逻辑仍然适用，无论是企业决定购买多少词元额度，还是个人选择使用何种精度的大模型服务，用户决策者依然会在边际收益与边际成本之间进行权衡。成本收益分析同样是我们评估对算力基础设施、大模型研发进行巨额投资时不可或缺的工具。

然而，一旦深入到新古典理论的基本假设层面，就会遇到深刻的挑战，这主要体现在三个根本性困境上。

第一，单纯以个体作为分析对象的个人主义失效。新古典经济学的分析起点是理性的、追求效用最大化的“个体”。在词元经济中，个体的理性决策高度依赖于一个外在的、社会化的智慧基础设施——大模型。一个程序员调用大模型辅助编码，其效率和质量主要不取决于他个人的编程知识储备，而取决于他所接入的大模型汇聚了多大规模、多高质量的代码知识与逻辑能力。个体的生产行为被深度嵌入一个他无法控制、却对其产出有决定性影响的社会化智慧网络中。此时，将个体视为独立的分析原点，就如同将一台联网计算机的运算能力仅仅归因于其本机性能，而忽视了整个互联网的支持。这种社会性动摇了纯粹个体主义分析的根基。

第二，简单的均衡分析范式遇到复杂困境。新古典理论致力于寻找市场出清、供需平衡的静态或动态均衡点。但词元经济所依赖的大模型产业具有极强的网络效应——用的人越多，模型因反馈而越智能，吸引力越强；还具有规模报酬递增特性——前期固定成本极高，边际成本极低，规模越大效果越好。这极易导致赢家通吃的市场结构，形成事实上的技术垄断或寡头垄断。市场更可能趋向于不同于一般的均衡状态。同时，技术的发展路径存在强烈的锁定效应和路径依赖，早期微小的优势或技术选择可能被极度放大，最终形成难以撼动的格局。这使得基于完全竞争和自由流动假设的均衡分析，在分析此类市场时显得力不从心。

第三，把市场作为核心调节手段的中心主义有盲区。新古典理论以价格机制和市场竞争为核心协调机制。然而，在知识的生产与流通中，尤其是在驱动大模型发展的开源生态、数据共享社区、学术合作网络中，大量协调是通过非市场的、基于共同规范和声誉的机制完成的，例如：Linux系统、Python生态、arXiv论文预印本平台。在词元经济中，高质量的训练数据、开源的核心算法框架、共享的评测基准，这些至关重要的“生产资料”或“生产环境”，其生产和配置逻辑在相当程度上是“市场失灵”的，甚至因为强调开放与非排他性而显得“反市场”。忽视这些至关重要的非市场协调机制，就难以理解知识生产的真实生态。

内生增长理论最富启发，但亟待深化

内生增长理论在解释动态增长上为我们提供了富有远见的启发，指出了词元经济可以着力深化的方向。

罗默的内生增长模型最大启发在于，明确将技术视作经济增长的核心驱动力，并将其内生化。技术具有非竞争性，即一个人使用不影响其他人同时使用；技术有部分排他性，即可通过专利保护获得收益。这些特点使对技术的研发在一定范围内能够产生持续的规模报酬递增，从而解释了长期的经济增长。这预见了知识作为核心生产要素的地位，与我们的“知识成为直接生产资料”的论断高度共鸣。

词元调用爆发式增长为内生增长理论填补了具象化的微观基础。在原本的内生增长模型中，技术研发像是一个黑箱。而今天，可以将这个大模型研发与训练产业视为知识生产的具体化身。更重要的是，词元表示知识的流动。可以设想，一个经济体的知识存量的增长，不仅依赖于研发投入，也与全社会对现有知识基础设施的使用和使用产生的数据密切相关，词元就是连接知识积累与经济活动、可计量的微观载体。

面对现实，内生增长模型仍有问题需要解决。现实中，最先进的大模型固然具有知识非竞争性的特征，即一个模型可同时服务千万用户，但其访问权限、算力和高质量数据却仍然是高度稀缺和充满竞争的，甚至受到地缘政治的深刻影响，这造成了知识的不完全非竞争性。此外，内生增长模型虽然指出了知识外溢的重要性，但对于词元经济所凸显的那种深度交织、实时反馈、基于使用的外溢机制，还没有涉及。这些都是需要研究的新情况新问题。

政治经济学有不可或缺的洞察力

当我们超越资源配置和增长效率的范畴，延伸到所有权、社会分配等更深层的问题时，原经济理论需要同步升级和深化。我们发现，政治经济学的视角，无论是马克思主义还是制度经济学，都越来越有价值。它为理解词元经济的社会影响提供了关键维度。

首先，所有权问题从未如此尖锐。大模型作为智能时代最核心的“知识生产资料”和“智慧基础设施”，其所有权和控制权归属，将从根本上决定“智慧红利”的分配。如果它完全由少数私人资本垄断，可能带来巨大的效率优势，但也可能导致智能时代的“封建主义”，创造者依附于平台，社会为调用集体智慧成果支付高昂租金。如果由国家主导，虽有利于保障安全与战略自主，却也需警惕创新活力不足的问题。这不仅是经济效率问题，更是社会权力结构问题。“知识直接成为生产资料”这一事实，使得围绕大模型的产权安排，上升为智能时代生产关系的首要问题。

其次，劳动过程与价值创造正在被重塑。马克思主义政治经济学关注劳动与资本的关系。在词元经济中，劳动的性质正在发生深刻变化。对于广大知识工作者而言，关键技能从“记忆与掌握知识”转向“提出真问题、评估结果、与AI协同的‘调用智慧’”。劳动者可以从重复性脑力劳动中解脱出来，同时也蕴含异化风险，从此产生对这种新生产资料的深度依赖。价值创造的源泉也变得更加复杂，它无疑是人的活劳动——人的判断、创意、管理与物化劳动——大模型所凝结的人类历史知识结晶共同作用的结果。如何衡量不同劳动的贡献，这些问题对于智能时代的社会分配至关重要。

最后，全球分工格局面临重构风险。大模型所需的巨额算力、顶尖人才和海量高质量数据，具有极强的集聚效应。这可能导致新的全球分工格局。“中心”国家或企业通过控制核心模型、底层框架和标准，可能获取全球知识产出的绝大部分租金，而“边缘”地区则可能被锁定在数据提供、内容标注、简单应用开发等低附加值环节，甚至面临自身文化数据被萃取、智力发展空间被挤压的风险。如果是这样，将加剧全球发展的不平等程度。

需要一个综合的理解智能时代的经济学

通过以上的审视可以得到一个清晰的图景：没有任何一个单一的经济学理论传统能够独立完整地解释智能时代所带来的全部挑战与机遇。

新古典经济学提供了边际决策、成本收益和生产函数等工具，但在其个人主义、均衡和市场的核心假设上遇到了边界。内生增长理论提供了知识驱动长期增长的见解，但需要词元经济为其补上微观基础和机制细节。政治经济学提供了所有制、价值创造和全球分工的视角，迫使我们去关注技术革命背后的社会关系与深层结构问题，这是纯技术经济分析常常忽视的地方。

因此，理解词元经济，也就是理解整个智能时代的经济运行，需要一种综合的经济学。这种综合不是简单的拼凑，而是以现实问题为导向，在对话与碰撞中实现创造性融合。我们需要用新古典工具做局部刻画，用内生增长见解把握长期趋势，用政治经济学视角洞察社会矛盾与制度演进。

词元，恰恰为这三种视角的对话与综合提供了一个难得的共同基础和对话平台。它是一个可操作、可计量的分析单位，能够被纳入新古典的生产函数；它是知识流动的载体，能够连接内生增长模型中的知识积累与溢出；它也是衡量知识生产资料使用、追踪价值流动的线索，为政治经济学分析所有制与社会分配提供了新的视角。

只有融合这三种视角，才能避免“见木不见林”或“见物不见人”的片面性，才能真正全面理解知识作为直接生产资料其使用的隐蔽社会性及其经济活动的显性化所带来的复杂影响。这正是我们从传统理论中汲取智慧，面向智能时代构建新分析范式的必由之路。在接下来的研究中，我们将先用政治经济学的视角对智能时代的经济运行作进一步剖析，然后运用综合的视角展开对词元经济微观基础与宏观图景的构建。

在上一篇（《传统理论对智能时代经济运行解释力如何》一文）中，我们用传统经济理论解释词元经济，即智能时代的经济运行现象时，既有启发，也感到局限性。我们发现，要理解智能时代经济运行的全貌，除了需要新古典的边际工具和内生增长的动态见解，更需要一种能够洞察所有制与社会关系的视角。

智能时代是以AI这种新生产资料的大规模应用为标志的。这种生产资料不仅是创新的产物，更是推动更多创新的生产要素。它带来劳动者、劳动资料、劳动对象及其优化组合的全面跃升，从而带来技术革命性突破、生产要素创新性配置和产业深度转型升级，是新质生产力的代表。我们从这个逻辑出发，剖析智能时代的生产关系。

今天，以生成式人工智能为代表的新技术革命，其核心特征在于使知识成为一种可被直接调用、可工程化部署的新型生产力量。大模型是这种新型生产力量的具体形态，可以称之为智能时代的“工作母机”。当知识能够像电力一样通过词元来显性化，并通过大模型来直接参与价值创造时，它就不再仅仅是背景性的知识，而是变成了可以直接配置、拥有和控制的生产资料。这一根本性变化，正在对我们社会的基础结构——生产资料的所有制、人类的劳动过程以及财富的创造与分配方式提出全新课题。本篇的任务就是运用政治经济学的分析框架，系统地剖析知识成为直接生产资料这一现实将如何重塑智能时代的生产关系。我们不仅关心效率，更关心权力；不仅关心增长，更关心这种增长为谁而来、由谁分享。

智能时代的“工作母机”带来所有制难题

在政治经济学的分析中，生产资料的所有制形式决定了社会的基本权力结构和财富分配的初始框架。今天，以大规模预训练模型为代表的“智慧基础设施”，正成为智能时代最关键的、具有战略意义的新型生产资料。它具有几个颠覆传统经济逻辑的特征——天文数字般的固定研发成本、近乎为零的边际调用成本、强大的网络效应（越多人用越聪明），以及作为社会通用基础设施的潜在公共品属性。这些特性使得它的所有制问题变得复杂和尖锐。

围绕这种新型生产资料，不同的所有权模式正在浮现，每一种都内含着深刻矛盾与历史可能。

第一种模式是私有资本主导型。这是历史发展至今的必然形态。私营科技巨头凭借其资金、数据和工程能力优势，率先构建并控制了最先进的AI模型。这种模式可能带来显著的效率优势和快速的创新迭代。然而，其风险在于可能形成智慧垄断或技术霸权。一旦少数几个私有模型通过网络效应锁定绝大多数用户，它们就可能从服务提供者转变为智能经济时代的基础设施控制者。它们可以决定接入规则、使用租金、生态构建，从而深刻影响上下游的创新进程。当知识这一最具社会性的生产资料被某（几）个集团所垄断，其创造的智慧红利就将可能最大化服务于这（几）个集团。这（几）个集团的性质将决定公共利益的保障、数据隐私的保护乃至技术路线的多样性如何发展。

第二种模式是国家主导型。国家出于战略安全、产业自主或社会价值观导向的考虑，开始投资建设国家级或国有的大模型基础设施。这种模式的优势在于能够集中力量进行战略性投入，确保关键基础设施的自主可控，并可更主动地将其用于公共服务领域，如教育、医疗和政务等等。但其内在张力同样显著，即如何在确保战略主导的同时维持足够的技术创新活力和应用生态的繁荣，强大的国家力量介入是否会伴生官僚主义的低效或抑制创新的负面效果，在国际层面国家间是否会围绕技术主权的竞争导致“智慧高墙”林立。

第三种模式是极端的全球公共品型。毫无疑问，这是一种最富理想色彩，同时实践难度极高的构想。其核心理念是，既然大模型训练所依赖的知识本质上是全人类的共同遗产，其产出的大模型所提供的服务也应作为一种全球公共品，向全人类平等开放地提供。跨越国界的开源社区的一些努力正朝此方向迈进。这种模式的根本困境在于集体行动产生“搭便车”难题，例如：巨额且持续的投资激励从何而来，日常的运营维护升级和安全保障责任由谁承担，如何防止人人享用却无人负责维护的“搭便车”行为。

这三种所有制模式的竞争与混合，构成了智能时代生产关系变革的底层图景。其核心矛盾在于知识在来源与应用上具有天然的社会性与非竞争性，但大模型的建造与控制却具有高度的资本密集性与潜在的排他性。私有制可能与知识的社会本质冲突，公有制可能面临效率与创新的考验，全球公地则困于集体行动的难题。这是一个我们不得不面临的全新课题。

回到现实则要关注国家监管的问题，这将促使反垄断的焦点发生范式转移。从传统上关注终端产品和服务市场的竞争，必然日益前移至对基础模型和算力的控制权与公平接入权的审查上面来。同时，国际间关于所谓数字税的博弈，正演变为对由全球性知识生产资料所产生的收益如何进行跨国分配的艰难谈判。

劳动在“解放”与“依赖”间摆动

生产资料的改变，必然重塑使用生产资料和工具的劳动者。大模型这一新型生产资料的普及，正在深刻改变劳动的性质、过程与价值创造。

首先，我们看到一种解放的潜力。大量程式化的、基于固定知识模板的脑力劳动，如基础代码编写、常规文书处理、标准化数据分析、简单客服问答正被AI工具高效接管。这有可能将人类劳动者从重复、枯燥的知识性劳作中解放出来，更多地转向需要复杂判断、跨界整合、情感交互和战略创新的高层次工作。知识工作者可能从执行者更多地转变为提问者、评估者、决策者和人机协同设计者。

然而，与这种解放潜力并存的是过度依赖的风险。一是对AI的深度依赖可能削弱人的主体性。当劳动者习惯于将思考和工作都诉诸AI助手时，两者关系可能从人使用工具滑向人依附于系统。深度依赖可能导致个体批判性思维、深度探究能力和知识记忆的退化。当AI提供的答案成为不加反思的标准答案，人的主体性与创造力存在被工具侵蚀的风险。二是劳动技能的极化和空心化。未来的劳动市场可能向两极分化。一极是少数拥有高阶调用能力的人，他们能深刻理解AI原理，善于提出关键问题、设计复杂工作流，并对结果进行精准校准与批判，他们可能获得高回报；另一极则是大量从事AI难以替代的、强社交或物理性工作的劳动者。而处于中间地带的、以往需要相当专业知识技能的岗位，如初级分析师、绘图员、翻译等，其技能要求可能被大幅压缩，从而导致职业技能的空心化，岗位价值也随之下降。三是劳动成果的价值感知变得模糊。在智能时代，一项成果，如一份报告、一个设计方案，往往是劳动者与AI系统多轮交互、协同完成的产物。一份优秀的成果，过去从未有人认为这不是由人所创作出来的，现在会有人认为这是由AI生成的。怎么从最终成果中剥离和识别个体的直接贡献，过去不是问题，随着AI的广泛使用，这个问题不仅被提出，还会越来越成为一个问题。劳动者个人贡献的被认可度可能越来越低，劳动者对自己劳动成果的价值感知变得模糊，从而对自身工作的意义产生迷茫。

这种劳动过程的变化可能重塑社会结构。社会结构的决定因素可能转为对智慧生产资料的控制权，还可能转为调用和驾驭AI的能力，或者是从事AI难以替代的工作的机会。在全球范围内，这种分化将更为严峻。发展中国家和地区的劳动者可能不仅面临数字鸿沟，更可能陷入更高层阶的“智慧鸿沟”，他们更容易被锁定在全球知识生产网络的低端，难以攀升至价值链条的顶端。

这一切，将对教育体系提出全新挑战。传统教育模式在很大程度上是工业时代的产物，传统教育把太多的注意力放在知识记忆和技能操作上，而智能时代可能迫切需要把人才培养成为知识导航员、问题架构师和价值判断者，以更加适应智能时代的需要。教育的核心必须从知识的传授，转向培养与这种社会化知识生产资料相匹配的价值观、素质和能力上。这包括了提出真问题的能力，评估信息与结果可信度的能力，进行复杂系统思考的能力，以及不可或缺的伦理判断力，等等。

生产资料社会化必然产生“社会化回馈”

劳动过程的变革，必然引发关于价值创造源泉与分配正义的再思考。在智能时代，价值创造变得更加复杂。人类最终的需求与判断，无疑是价值的终极来源。但价值的实现过程，前所未有地深度融合了物化了的人类智能，即凝结在大模型中的、跨越千年的人类知识结晶。因此，分配正义必须考虑到那些广泛而隐蔽的贡献者，不仅包括当下的模型研发者和数据标注者，也要包括人类历史上所有知识成果的创造者，还有为模型优化提供了反馈数据的每一位普通用户。这引出了一个关键命题——由这种高度社会化的知识生产资料所创造的财富，其社会属性空前强化，其分配是否体现社会回馈的原则？

首先，我们必须认识到这种社会回馈并非是道德呼吁，它有着深刻的内生经济逻辑。

第一，效率本身驱动分享。大模型这类生产资料具有高固定成本、低边际成本的特性。这意味着，一旦建成，让其被最广泛地使用，降低每次调用的边际成本，本身就是符合经济效率的。企业提供普惠甚至免费的基座服务，以扩大用户生态、获取反馈数据、建立行业标准，是一种理性的市场行为。分享，在这里成为了扩大网络效应、获取长期竞争优势的手段。

第二，生态繁荣依赖回馈。大模型赖以生存的高质量数据、开源算法、应用生态，本身就是一个庞大的知识公地。维护这个公地的健康，防止其因过度私有攫取而枯竭符合所有参与者的长期利益。因此，通过开源协议、知识共享许可、数据贡献激励等方式回馈社区，日益成为维系整个系统可持续性的理性行为，基于社区共识的自发秩序正在形成。

第三，可计量性使市场化回馈成为可能。词元的可计量性，为建立精细、自动的点对点价值回馈机制提供了技术可能。例如，是否可以基于智能合约进行支付，建立按效果付税的模式，这些都可以让使用者自动即时地向贡献者，无论是历史的贡献者还是当代的贡献者，表示回报。这种回馈可以自然发生，无需行政力量介入。

然后，我们面对现实，认识到矛盾在于价值创造的过程是高度社会化的，但价值攫取的结果可能是私有化的。少数控制核心生产资料的主体，可能获取与他们的实际贡献不成比例的大额收益。如果制度不能及时调整，知识生产资料带来的生产率提升本应创造惠及全民的社会福祉，但其初次分配结果却可能加剧社会不平等。基于智能时代的社会回馈有着深刻的内生经济逻辑，因此制度的作用不是从零创造一套回馈机制，而是识别、引导、强化和保障那些内生于经济系统的回馈逻辑，并对市场失灵的部分进行精准补位。

如何选择未来

技术的突破，并不自动决定社会的未来。人工智能，特别是大模型所代表的知识生产力，本身并不承诺一个美好的明天。它像历史上所有重大技术一样，是一把锋利的双刃剑，重塑了生产力与生产关系，也为我们打开了多种可能性。

当前，我们正处在制度与实践激烈竞争的关键时期。本篇对智能时代生产关系进行政治经济学剖析，最核心的挑战或许在于：我们设计的制度，最终是压制、扭曲了智能经济中内生的、符合效率的共享与普惠动力，还是能够有效地释放、强化并保障这种动力，使其成为塑造一个更加创新、繁荣、公平、共享的未来的主导力量？

在接下来的研究中，我们将带着从政治经济学分析中获得的问题意识与深层关切，转向更为具体的模型构建，尝试为理解词元经济，即智能时代经济运行的微观行为和宏观增长，提供具体的分析框架。理论的价值在于指导实践，而清晰的、扎根于现实矛盾的理论地图，是任何理性实践的第一步。