张晓晶 李晶晶 | 经济学视角下的人工智能（AI）：稀缺性转移与人类的挑战

■ 张晓晶中国社会科学院国家金融与发展实验室主任

■ 李晶晶中国社会科学院大学经济学院

经济学视角下的人工智能（AI）：

稀缺性转移与人类的挑战

01引言

人工智能（Artificial Intelligence，AI）被认为是引领新科技革命和产业变革的重要驱动力，对新质生产力发展、增强国际竞争新优势、促进经济增长具有重大意义。2017年,为抢抓人工智能发展的重大战略机遇，《国务院关于印发新一代人工智能发展规划的通知》（国发〔2017〕35 号），提出“到2030 年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心”。党的二十届三中全会审议通过的《中共中央关于进一步全面深化改革、推进中国式现代化的决定》继续强调，要“完善推动新一代信息技术、人工智能……等战略性产业发展政策和治理体系，引导新兴产业健康有序发展”，做出了完善人工智能发展及其管理机制和建立人工智能安全监管制度等重要部署。

立足这一重要战略背景，本文从经济学视角出发，深入探讨“为什么要发展人工智能”以及“怎样发展人工智能”两大基础性问题。为此，本文构建了以生产要素“稀缺性转移”为核心的理论框架，旨在揭示AI如何通过重塑生产要素稀缺结构，推动增长机制与分配格局变革。在经济学理论中，生产要素作为基础范畴，指的是一切用于生产活动的资源、环境与制度条件（许宪春等，2025）。其定义经历了不断演化：从配第强调的“劳动与土地”二元结构，到萨伊提出的“劳动、资本、土地”三要素体系，再到马歇尔引入“组织”（企业家才能），直至罗默等将“知识、技术”纳入核心要素范畴。这一演进过程体现了经济学对生产过程背后资源逻辑的不断深化理解。本质上，经济学之所以重视要素配置，根本原因在于资源的相对稀缺性。正是由于资源有限与人类需求无限衍生，探讨有限资源的最优化配置便赋予了经济学研究的意义。即使在AI技术推动下物质极大丰裕，只要存在选择、权衡与机会成本，经济学意义上的稀缺性仍将持续存在，进而决定着增长路径与资源配置机制的演化方式。

本文创新性地提出并详细论证了AI引致的“稀缺性转移”这一核心命题。本文的“稀缺性转移”并不是指稀缺性的绝对变化，而是指主导资源类型的相对稀缺性结构在技术变革背景下的调整，其内涵包括无形资本权重上升与物理资源依赖强化两个维度。具体来看，即数据、算法、算力等新型无形资本逐渐取代传统劳动与物质资本，成为价值创造的关键要素；同时，在更长的周期中，如跨越“奇点”，土地、能源和稀缺矿产等不可再生资源的重要性亦随着AI发展而再度凸显，逐渐形成未来增长的刚性约束。本文据此构建了“稀缺性转移→要素价格重估→增长、分配与资源配置三重冲击→政策应对”的理论与分析框架，系统分析了这一链条各个环节的内在机制。通过这一系统研究，本文旨在揭示AI时代经济发展规律变化的深层次逻辑，为经济理论创新与政策制定提供有益启示。

02理论机制：稀缺性演化

经济学的诞生与发展，根植于资源的稀缺性这一基本现实。正如罗宾斯（2000）的经典定义所指出的：经济学是研究人类行为与稀缺资源（具多种用途）之间关系的科学。没有稀缺性，便不存在选择问题，经济学亦无由存在。从历史的宏观尺度看，稀缺要素的核心地位从未停留在同一维度，而是伴随技术突破与制度创新不断转移。这种稀缺要素的历时性更替，改变了经济增长的内在机制与约束条件，甚至驱动了经济学理论范式演进。

（一）

前工业社会：土地的稀缺性

在农业主导的前工业社会中，土地是最核心的生产要素。土地供给由自然条件决定，且随着人口增长，其人均可得性持续下降，使得土地成为相对稀缺要素。土地稀缺通过价格机制转化为垄断收益，进而产生租金。正如地租理论所揭示的，当土地的边际生产力下降时，肥沃土地便能获取差额地租，体现了土地所有者对稀缺资源的控制权（李嘉图，2013）。

从供需两端来看，有限的土地供给与不断上升的人口（粮食）需求之间的矛盾，构成了经济增长的刚性约束。土地刚性供给与农业技术的提升，虽带来人均资源的短暂提升，但伴随而来的人口增长，逐渐将新增盈余全部吸纳，使得经济回归原有的人均贫困水平，构成典型的“马尔萨斯陷阱”（马尔萨斯，1996）。表1数据显示，在公元0—1820年长达1800余年的时间里，人均GDP增速始终低于0.05%，反映出土地稀缺与人口膨胀相互作用下的增长困境。

表1 全球经济增长与人口变化的主要历程单位：%

注：注：0—1820 年数据来源于麦迪森《世界经济千年史》（2003 年版）；1820—2022 年各期增长率（年均复合增长率），是作者基于 Maddison Project Database 2023 计算而得。

（二）

工业社会：资本与劳动的稀缺性

工业革命的爆发改写了“土地主导”的稀缺格局。第一次工业革命之后，蒸汽动力、机械化生产等技术革命极大提升了生产率，使经济步入人均GDP持续增长的时代（表1）。在工业社会，资本和劳动逐渐成为经济增长中关键的稀缺要素。从资本视角看，资本投入从初期的短缺状态向持续扩张转变，进而成为工业产出的关键驱动力。与前工业时代相比，工业化对机器设备、厂房和基础设施的需求呈快速增长，资本投入成为扩张产出的关键要素（麦迪森，2003）。资本投入越多、设备越精良，单位劳动产出越高，资本积累因而成为工业经济增长的直接驱动力。然而，按照索洛增长的理论，当资本存量扩大到一定程度，其边际产出会递减，资本积累对增长的推动作用趋于放缓，使得稳态条件下人均产出仅受“技术”的影响（Solow，1957）。从劳动视角看，劳动存在着数量供应与技能结构双重约束。工业体系既需要大规模劳动力供给，又不断提升对劳动者技能水平的要求。低技能岗位在流水线与机械面前逐渐被替代，而高技能技术工人与工程师却出现结构性短缺，即劳动数量增长未必转化为等比例的有效劳动供给，技能稀缺成为制约技术扩散与资本回报的另一瓶颈。

上述分析表明，工业社会的增长表现为，资本扩张奠定规模基础，高技能劳动力进而吸收与迭代技术创新，而技术创新则在边际产出递减出现时打开新的生产可能边界。然而，工业社会也暴露增长的瓶颈：一是新古典经济学所强调的资本报酬递减，使新增投资拉动效应日益缩小（Goldin和Katz，1998）；二是高技能劳动力供给滞后。上述增长约束的存在，使得有形资本难以维系增长的边际效益。在此背景下，非竞争性的无形资本（如知识、人力资本等）开始取代边际报酬递减的有形资本，成为新的稀缺生产要素。这一转折奠定了进入后工业时代后“稀缺性转移”的历史逻辑。

（三）

知识经济时代：无形资本重要性提升

20世纪下半叶以来，全球经济逐步迈入以知识和信息为主导的新阶段，传统工业体系开始向服务化、数字化和智能化方向演进。在这一阶段，信息通信技术（ICT）的快速发展不仅催生了全新的产业形态，也改变了经济运行的底层逻辑。知识、技术等无形资本逐渐替代传统有形要素，成为推动增长的关键资源。例如，内生增长理论将技术进步从外生给定转变为经济体系内部决定，明确将具有显著的非竞争性、非排他性“知识”视为一种特殊的生产要素（Romer，1990）。

伴随知识经济的兴起，无形资本日益取代传统物质资本，成为推动经济增长的核心动力。20世纪80年代到世纪之交，信息通信技术的快速普及为知识资本的大规模积累提供了重要平台，也显著放大了知识溢出效应（Jorgenson等，2000）。表1数据显示，1980—2000年期间，全球人均GDP年均增长率达到1.58%，明显高于第二次工业革命时期（1870—1950年）。该阶段增长率提升不仅源于新兴技术的广泛应用，也体现了知识资本和技术溢出效应的放大。

进入21世纪后，随着人工智能、大数据、云计算等新兴技术的发展，无形资本的重要性进一步凸显。表1数据显示，2000—2022年全球人均GDP年均增速达2.40%，该阶段增速已经超过早期工业化阶段。这反映出经济增长所依赖的稀缺要素可能再度发生结构性转移，从土地到资本，再到知识、数据等，要素结构演变影响着经济增长的主路径，也预示着AI时代新的稀缺瓶颈正在形成。

（四）

AI时代：稀缺性问题的再思考

人工智能的兴起并非割裂于知识经济的发展脉络，而是其自然演进与深化。进入21世纪后，随着生成式模型、深度学习和大规模语言模型等技术的突破，数据、算法与算力等非物质性生产资料逐渐取代传统要素，成为支撑经济活动的关键要素（孙伟平，2025）。这一转变不仅丰富了无形资本的内涵，更改变了稀缺性的结构性基础。

人工智能融合“自动化—生成—优化”的能力，使数据具备了更强的可编程性与经济价值，算法则成为组织认知与决策的核心工具，算力逐渐成为智能系统运行不可或缺的关键资源。与传统生产要素相比，这些新型无形资本具有高度的非物质性、可扩展性与网络外部性，通常表现出显著的非竞争性与规模效应。更重要的是，它们依赖于不断积累与优化的反馈机制，在使用过程中不仅不会贬值，反而可能持续增强其边际效用。这种特性使得无形资本在AI时代获得了与传统物质资本截然不同的经济地位，逐渐成为新一轮资源结构重组的核心驱动力量。

然而，AI在推动无形资本主导增长的同时，也引发了对底层物理资源的新一轮依赖与重估。这些关键支撑要素包括高性能计算芯片，大规模数据中心所需的电力与土地，以及构成AI基础设施的稀土、钴、锂等关键矿产。这些资源大多具有不可再生性、集中度高、替代性弱等特征，其供给弹性有限、价格波动频繁，正逐步成为AI发展面临的关键瓶颈。在经历了农业社会对土地的依赖、工业社会对劳动力与资本的倚重，以及知识经济时代对知识与技术的聚焦之后，AI的发展路径意味着，即便是在无形资本高度发达的背景下，底层实体资源依然构成制约新一代技术释放潜力的基础性要素。当无形资本成为价值创造的关键驱动力时，其所依附的物理载体因供给瓶颈而价格上升、战略地位强化，从而在更高维度上实现了稀缺性的系统性回归。

因此，AI时代的稀缺性呈现出“双重结构”：一方面，新型无形资本成为主导增长与分配的新核心，引发要素价格重估、生产率结构调整与分配机制变化；另一方面，支撑这些无形要素运作的底层物理资源约束正在被重新认识并战略性强化。这一演化趋势不仅未削弱实体经济的地位，反而提出了新的稀缺性治理课题。在此背景下，“谁拥有关键稀缺要素，谁便掌握分配格局的主导权”这一规律在AI时代以新的形式重现。理解上述变化，正是把握AI时代经济学分析的关键起点。

03AI的增长效应

人工智能因其高度通用性与可组合性，已被广泛认为具有成为新一代通用目的技术（General Purpose Technology，GPT）的潜力（Filippucci 等，2024），可能成为推动全球经济增长的主要动力源。然而，当前关于AI经济增长效应的研究尚未形成共识。多家权威机构与主流研究对AI带来的增长效应持乐观态度（Mckinsey，2023；中金研究院，2024；Aghion 和 Bunel，2024；Bergeaud，2024）。例如，麦肯锡（Mckinsey）2023年就全球市场的研究结论得出，若将生成式AI与其他自动化技术结合，劳动自动化的整体进程有可能每年为生产率增长贡献0.5%至3.4%。但也有学者对此保持审慎态度，指出 AI 在现实中的产出效应可能被高估（Gordon，2018；Acemoglu，2024），上述观点反映出当下学界对“技术奇迹是否即将到来”这一问题探讨的不确定性。

本文认为，正确认识AI的增长效应，需要跳出“短期静态”或“技术决定论”的线性思维。从增长动因来看，AI技术具备通过提升知识供给、优化生产结构与释放创新潜能来推动经济扩张的潜力。但从增长路径来看，其成效往往受到制度调整、无形资本积累与结构转型滞后等多重制约，宏观层面上的成效尚需时间检验。因此，本文首先聚焦AI推动增长的三重机制，分析其如何缓解传统增长约束，进而带来经济增长；接着转向现实视角，从“J曲线”效应与“鲍莫尔成本病”两大机制出发，尝试分析AI背后潜藏的增长约束。

（一）

AI增长潜力的机制分析

人工智能的核心特征在于，通过无形资本（如数据、算法和算力等）与有形资本（如芯片、数据中心等算力基础设施）的深度融合，打造出能够广泛承担劳动任务并具备生成内容、优化决策与控制实体设备的智能系统。从广义上讲，AI不仅包括具备生成、推理与学习能力的大语言模型（如ChatGPT、DeepSeek）及其支撑技术（如云计算、预测优化算法等）（McElheran等，2024），还包括工业机器人和嵌入式智能实体等（Filippucci 等，2024）。图2展示了AI系统如何通过生产函数，形成无形与有形资本协同投入并实现多样化产出的机制。

图2 从生产函数视角看AI系统的投入与产出机制

资料来源：Filippucci 等，The Impact of Artificial Intelligence on Productivity, Distribution and Growth ，2024。

在传统经济增长模式下，知识和技能的获取高度依赖于个体经验积累，这个过程往往伴随着高教育成本、长期经验投入以及制度性进入壁垒（Aghion 和 Howitt，2008）。这使得高技能劳动力成为知识经济时代增长的核心瓶颈，限制了技术进步的扩散速度和经济增长的广度。然而，AI尤其是生成式AI大模型（如GPT、DeepSeek等）的出现，正在显著改变这种状况。

首先，AI具备“知识资本化”能力。大量过往依赖个体经验积累的隐性知识（tacit knowledge），如今可以通过AI模型进行结构化提取并广泛复制（Autor，2022）。例如，医生的诊断路径、科研人员的实验设计思路等专业性知识，可通过AI系统在用户之间实现共享与迁移。这意味着，AI技术降低了获取复杂知识的门槛，使大量原本未受完整培训的劳动者也具备执行高技能任务的能力。其次，AI有助于人力资本供给的扩大。AI所实现的知识复制与再利用，打破了传统人力资本“不可复制”的特性，使得知识本身具备了接近于“公共品”的属性。当知识由个体持有转化为可由AI模型调用的无形资本后，经济增长的引擎也从“稀缺资本积累”逐步转向“知识的共享与再生产”。在一定条件下，这种机制有可能实现规模报酬递增，为长期增长打开新的上限空间。

AI技术推动经济增长的另一机制，在于其对任务空间的重塑能力。AI不仅能替代原有任务，更能不断拓展新的任务边界，由此打开经济增长的新空间。这种增长并非来源于单纯的效率提升，而是通过引入全新的生产活动与价值创造路径，实现结构性扩张。

一方面，AI改变了任务与要素的匹配方式，重构了生产结构。过去，认知类、高技能任务高度依赖个体经验与训练，形成了增长中的稀缺瓶颈。AI系统（尤其是生成式AI）的广义认知能力，使诸如文本生成、图像识别、逻辑推理等任务由人机协同或AI主导完成，将这些高附加值任务从个体知识中“解放”，转化为可复制、可部署的系统性要素。这种任务外包式的调整，提高了认知型劳动的供给弹性，拓宽了资本与劳动的应用空间，增强了经济系统对高价值任务的承载能力。

另一方面，AI所创造的新任务与新岗位，能够为经济系统注入新增长源泉。这类任务不只是对传统岗位的延伸，而是在AI作为生产工具或协同主体参与下，衍生出的全新劳动形式，如AI训练数据管理、模型微调服务等。这些任务具备较高技术含量与网络依赖，具备强烈的外部性与递增报酬潜力。新任务的扩展，不仅提升了总劳动投入的“有效性”，也带动了配套服务、技能培训、技术集成等新兴产业链条的发展。

在传统新古典增长理论（如Solow模型）中，资本积累最终面临边际报酬递减（即每增加一单位资本所带来的产出增量会不断下降）的困境，这成为经济增长的重要制约因素（Solow，1957）。AI带来的新型无形资本（特别是数据、算法和算力）重要性不断提升，呈现出与传统有形资本显著不同的回报结构，且这一增长效应相对于电力或互联网而言，外部性和正反馈机制更强、影响范围更广。

首先，AI系统本身及其关键投入（数据、算法、算力）具有强烈的非竞争性和非排他性特征。AI模型一旦训练完成（高固定成本），几乎可以无限次地服务用户而不会“消耗”自身（低边际成本）（Korinek和Suh，2024）。正因如此，AI的边际生产率可能在一定阶段表现为递增效应。

其次，AI的发展高度依赖网络外部性与正反馈机制。一方面，AI模型的性能随用户规模和应用场景数量的提升而显著增强，即更多用户输入使模型持续迭代优化，进而吸引更大规模用户群体（Varian，2019）。另一方面，AI平台与生态的扩展极大提升了创新扩散速度和范围，例如，主流云AI平台使得全球数百万企业和开发者能实时获取最新算法和算力，从而形成网络效应下的指数级增长（Filippucci等，2024）。

最后，作为潜在的通用目的技术，AI能够与其他新兴技术（如大数据、物联网、生物科技等）结合，并通过平台扩散机制，在多个行业与应用领域中叠加放大其影响力（Agrawal等，2019）。上述特征使得AI产业及其带动的相关产业能够持续吸引资本、人才和创新资源，实现技术和经济的协同增长。

（二）

现实约束：生产率滞后的原因分析

AI技术的兴起使数据、算法、算力等新型无形资本逐渐取代传统物质资本与劳动力，成为经济增长的主导稀缺要素。然而，无形资本因其高度的非竞争性、网络外部性与累积效应，表现出不同于传统资本的经济特征，进而对经济产生影响。经验表明，无形资本的初期积累需要巨大的投入，包括数据基础设施建设、算法研发、组织流程再造等前置性投资，这些投入有可能成为沉没成本；同时，这类投入在短期内大多难以显化为宏观统计意义上的即期产出（Corrado等，2005；Brynjolfsson等，2021；汪意成和周伟岷，2023）。

从微观层面看，在企业与组织大规模采纳AI技术的初期，其大量投入无法立即转化为可计量的产出，使得短期内生产率指标表现不佳。这种过渡期成本本质上反映了稀缺性结构转换的过程性特征，即经济体系由原本熟悉的生产要素（如劳动力与传统资本），向以AI为代表的新型无形资本转变时，往往伴随着制度调整、组织结构重构以及人力资本再培训的巨大投入。这种调整所需要的沉没成本与组织适应成本使短期生产率难以显著提升，从而形成典型的生产率“J曲线”现象（Brynjolfsson等，2021）。

从系统层面看，AI价值的实现还依赖于网络外部性和制度环境的协同演进。AI技术所蕴含的规模回报与溢出效应，往往依赖于多元经济主体的广泛采纳，以及数据流通机制、算法标准与法律规制等制度性配套的同步推进。这一过程的演进，往往需要跨行业、跨组织甚至跨国界的长期协同，这也意味着无形资本的积累与扩散，具有高度路径依赖性和阶段非对称性。以自动驾驶技术为例，只有在道路基础设施、交通法规、数据共享平台等配套制度完善的情况下，自动驾驶技术才渐渐发挥效率优势。

从结构调整视角出发，“鲍莫尔成本病”（Baumol’s cost disease）提供了理解AI时代生产率悖论的另一重要机制。当经济中某些部门（如制造业）生产率持续提升，而另一些劳动密集型部门（如服务业）技术进步缓慢时，后者因工资上升但生产率不变，导致成本相对上升、资源吸引力增强，进而在GDP和就业中的占比不断扩大，对整体生产率形成“结构性拖累”（Baumol，1967）。

AI技术通过知识资本化、任务模块化与生成式模型的部署，极大地提升了可编程、标准化、高技能任务的处理效率，尤其是在制造业、信息服务业和部分事务性服务中展现出明显的生产率跃升。例如，文本生成、代码编写、图像识别等任务可以被模型高度自动化，从而突破传统高技能劳动力的稀缺性约束（Acemoglu和Restrepo, 2022）。然而，AI对经济结构的再配置也带来了新的生产率困境。随着可自动化部门的生产率快速提升，其产品与服务价格趋于下降，消费者将更多支出转向需求弹性更低但技术替代难度更高的非自动化部门，如医疗护理、心理健康、养老服务等。这些部门的核心任务通常具备高度个性化特点，短期内可能难以被AI系统所取代，生产率提升空间有限。这种现象不仅加剧了劳动力资源向低自动化部门的再配置，也可能使这些部门在经济总量中占比上升，带来结构性生产率放缓的压力（Aghion等，2017）。

综合以上两种视角，可以得出以下初步结论：AI作为新一代GPT，其推动生产率提升的潜力虽巨大，但释放这一潜力需经历大量无形资本投资和结构性调整的过程。值得强调的是，AI增长效应释放的延迟与不均衡还暗含着深层次的社会分配效应问题。尽管AI最终可能显著推动经济增长，但在增长红利的释放过程中，不同的国家、部门、地区、企业与个体将以非对称的方式从AI技术中受益，表现为一些群体可能快速适应新技术，收入和福利显著提升，而另一些群体则可能因为技术冲击而面临就业困难与收入下降的风险。

04AI的分配效应

人工智能的广泛应用正逐渐重构经济体系中的要素稀缺性结构，进而引发收入分配格局调整。一方面，AI系统具备自动化复杂认知任务的能力，削弱了人力在信息处理与决策领域的稀缺性地位，降低了部分劳动要素的边际回报与议价能力。另一方面，AI自身催生出一系列全新的稀缺性来源——如高质量数据、算法、算力等，这些新型无形资本在价值创造过程中的主导地位日益上升，成为重塑新一轮收入分配格局并影响经济治理结构的关键力量。

为揭示上述转变引发的分配效应，本文分别从静态与动态视角出发，前者假设要素供给在短期内不变，关注AI冲击下任务空间的即时调整及其对边际产出与要素价格的影响；动态视角则考察在资本积累以及劳动能力可调整的条件下，要素稀缺性如何在长期演化过程中发生变化。前者突出AI如何在现有结构中重新定义稀缺性与价格机制，后者则揭示分配极化的长期根源。

（一）

静态视角：要素供给固定

静态视角下，AI的分配效应主要体现在生产要素供给固定的条件下，如何通过即时性地改变不同要素的相对稀缺性，调整任务空间与边际产出，从而引发要素相对价格与收入份额的调整。基于任务型生产理论，AI主要沿两条路径改变任务结构：一是自动化替代，AI替代中低技能劳动承担的常规任务；二是新任务创造，高技能劳动在与AI深度互补中承担新型复杂任务（Acemoglu和Restrepo，2018；Korinek和Suh，2024）。

在静态分析框架下，短期内各类生产要素（如资本存量与劳动技能结构）被视为既定。此时，AI技术的冲击体现在其通过自动化技术，逐步替代人类在生产过程中的功能，尤其是在重复性强、可标准化的中低复杂度任务上（如数据录入、模式识别、基础文本生成等）。这一过程显著削弱了劳动，特别是中低技能劳动的边际产出水平与稀缺性地位。

与传统技术进步不同，AI迭代速度快、适用范围广，其替代逻辑不仅限于体力劳动，还大幅渗透到认知劳动领域。这使得大量原本具有一定技能壁垒的岗位面临结构性替代（如法律审查、财务初级审计等），导致劳动的整体议价能力在静态任务结构中面临下滑的压力。这一直接后果是劳动收入份额面临收缩压力（尤其集中于中低技能岗位），从而加剧了劳动力市场的结构性失衡。AI的自动化路径，压缩了中间技能层的就业空间，高技能岗位增长有限与低技能岗位的回报持续下降，使得就业呈现出极化趋势（Autor，2014）。

自动化带来替代效应的同时，也会不断产生新任务。这些新任务初期复杂度较高以及不确定性较大，使得执行这些任务所需的技能远超传统标准化劳动（如需依赖跨学科知识、创造性表达与复杂决策能力等）。由于这些任务在当前阶段的可替代性较低，其完成主要依赖高技能劳动者，从而显著提升了其边际产出与相对稀缺性。这一机制导致高技能群体在新任务空间中的主导地位转化为现实中的议价优势与收入增长，结果是高端人力资本成为AI生态扩张中的关键“配套要素”。在此背景下，高技能劳动者的收入与其占据的新任务份额之间呈现出强烈的正相关性。

AI推动下的新任务创造进一步加剧了劳动内部的结构性极化：一方面，中低技能劳动因其任务可替代性上升，面临边际报酬压缩与职业空间收缩；另一方面，高技能劳动则因其在不可替代任务中的垄断地位而获得超额回报。这不仅扩大了技能型收入不平等，也强化了劳动力市场的“两极分化”趋势。

在AI改变任务结构的过程中，分配格局的变化不再仅仅体现为资本对劳动的替代关系，而是显现出更深层次的要素稀缺性转移。AI系统的运行高度依赖于高质量的数据、大规模算力和先进算法，这些要素的边际贡献日益上升，成为决定性的新生产资源。以大语言模型（LLM）为例，其性能表现直接受限于数据获取、计算资源与算法设计三方面的资源供给。

在静态视角下，由于这些要素在短期内供给有限，AI所释放的广泛需求与现实中的供给瓶颈之间形成结构性错配，从而抬高其边际产出与租金获取能力。这一过程中，价值创造的核心从传统要素转向新型无形资本，其稀缺性成为获取“租金”的关键。同时，具备平台化、网络效应与规模报酬递增特性的无形资本，使得先发者更容易在技术路径与数据掌控上形成垄断，导致“数字租金”高度集中于少数主体。

与之形成对比的是，劳动与传统物理资本的边际产出在AI替代的过程中相对下降，其在收入分配结构中的份额亦随之被动收缩。这一变化并非基于效率提升，而是建立在对新型稀缺资源的控制力之上。这意味着，在AI引发的短期分配调整中，稀缺性结构的改变成为各类要素回报的重要变量。

（二）

动态视角：要素供给可调整

从动态视角看，人工智能技术不仅重塑了任务结构与生产方式，更通过影响不同生产要素的积累路径、替代速度与适应能力，改变了收入分配的结构性演化轨迹。基于此，本文从如下两个维度展开分析：一是劳动稀缺性的变化路径如何受到自动化速度与任务空间调整的影响；二是无形资本的积累是否因路径依赖与规模效应固化分配格局。

在动态视角下，人工智能技术不仅改变了任务结构与生产方式，更通过调整生产要素的积累路径、替代速度与适应能力，改变了劳动的相对稀缺性，从而深刻影响其在收入分配中的地位。与以往自动化技术主要替代体力劳动不同，AI具备认知处理与自我优化能力，使自动化范围扩展至复杂认知任务。这一扩展改变了劳动与资本在边际替代过程中的相对地位，推动了一场“自动化推进—任务空间调整—劳动再配置”的动态竞赛。

当自动化的扩张速度快于资本积累与劳动再配置能力时，原有岗位迅速被替代，而新任务空间尚未充分形成，劳动的相对稀缺性下降，边际产出下降，从而导致其收入份额系统性下滑。这一替代效应在教育培训滞后、组织结构僵化的制度环境下尤为显著，表现为就业岗位减少、工资增长乏力与分配格局扭曲，构成AI驱动分配极化的重要机制。

进一步地，AI并非表现为对劳动的单纯替代。在更具弹性的制度与技术环境中，劳动有可能通过新任务的持续创造与适应维持其稀缺性。新任务既可能源于AI催生的新兴产业（或行业），也可能来自“人机协同”下传统任务的延展。例如，AI作为增强工具可提升劳动效率、拓展任务边界、强化其在组织中的功能性。若配套制度能提供有效的技能培训与流动支持，劳动在新任务空间中保持适应性，其边际产出与收入份额仍可能稳中有升。

然而，从更长期的视角看，当AI在复杂认知任务中的性能逼近甚至超越人类，尤其是进入所谓“奇点”阶段后，劳动的任务边界将逐步收缩（Nordhaus，2021）。这不仅会压缩劳动可迁移的任务空间，也大大降低劳动的稀缺性地位，带来劳动边际产出的不断下降，以及在收入分配中的份额降低。上述趋势在某些高自动化行业中已有体现，例如，无人商店、自动驾驶物流链与AI客服系统的部署，均预示了未来高度资本密集型、低劳动介入型的生产模式。

随着AI广泛渗透经济系统，决定性生产要素逐步由传统资本与劳动转向数据、算力、算法等新型无形资本。这些要素逐渐构成AI系统运作的核心资源，使其边际产出随技术应用扩展而不断上升，稀缺性在动态过程中持续强化。AI模型训练的性能提升高度依赖大规模数据与高性能算力，而这些资源的集中性与不可复制性，使得无形资本呈现出“先发优势”与“规模经济”的动态特征。这种路径优势意味着新进入者难以复制核心要素积累过程，从而导致少数技术平台在分配格局中持续占据主导地位。

进一步而言，在缺乏制度干预与治理设计的背景下，控制无形资本的企业通过规则制定（如标准设定、平台接口限制等），不断将技术优势转化为排他性制度优势，使分配极化不再是技术外溢滞后的短期问题，而演变为结构性、制度性的长期锁定。这种稀缺性制度化的过程，使得分配极化逐步从“技术性差距”转化为“制度性垄断”。劳动与中小资本因缺乏对核心要素的控制，难以在技术迭代中保持竞争力，其收入份额在动态演进中被持续压缩。结果是，无形资本的积累逻辑将不断强化“赢家通吃”的结构性分配格局，导致要素收益高度集中于少数技术霸主，构成AI时代结构性的分配挑战（Korinek和Stiglitz，2021）。

05进一步分析：AI时代的资源瓶颈与挑战

如前所述，AI时代的分配极化根植于新型无形资本的稀缺，其持续强化的边际价值和集中占有，重构了现代经济的要素分配逻辑。然而，这一分配格局的形成并非停留在无形维度，还深度绑定于其背后的物质基础与资源依赖。

（一）

从劳动力到不可再生资源瓶颈：稀缺性的再定位

当AI技术的渗透逐步深入到经济体系深处时，其背后的物质资源基础和生态环境约束也开始显现，形成AI时代经济增长的新边界。例如，AI发展或将推高土地要素相对价格（张晓晶，2024）；对于土地、能源等传统要素，AI和大数据中心对能源、电力需求激增，造成能源成为潜在瓶颈（Korinek和Suh，2024）。

具体而言，支撑AI系统运行所需的算力需求呈指数级上升，成为推动实体资源价格重估的核心变量。长期以来，摩尔定律一直是衡量计算领域进步的标尺，即在成本固定的条件下，微处理器的性能大约每两年翻一番（Moore，1965）。然而，近年来AI系统复杂度的增长速度已远超硬件效率的提升。研究表明，前沿AI模型训练所需计算量，在2010—2024年期间以每年约4.1倍（大约每6个月翻一番）的速度增长（Sevilla和 Roldán，2024；Korinek，2024）。以算力为核心的AI系统扩张，正在迅速改变全球能源使用格局。根据国际能源署（IEA，2024）测算，全球用于数据中心、人工智能与加密货币行业的电力消耗在2022年约为460太瓦时（TWh），到2026年预计将超过1000太瓦时，增幅超过一倍，相当于日本全年的电力消费总量。这种增长速度已远超传统工业设施的能耗扩张路径，预示着AI正成为全球能源需求结构性上升的主要驱动因素。

与此同时，算力所依赖的大型数据中心不仅能源消耗巨大，还对土地资源形成集聚性挤压，显著推高土地与能源的边际成本，构成增长过程中的现实瓶颈。此外，算力扩张背后还隐藏着矿产资源约束。芯片制造所依赖的稀有矿产（如稀土、钴、锂等）本身具有高度不可再生和地理集中性特征，这使得相关矿产资源的价格波动更加剧烈。这些稀缺资源价格的上涨不仅体现为生产成本上升，还可能催生资产价格扭曲。

（二）

资源瓶颈的系统性影响：增长约束的结构性演化

在AI引发的稀缺性转移与不可再生资源重新定价的背景下，经济增长面临着全新的结构性约束。这种增长约束并非简单源自传统要素的短缺，而是AI技术特有的系统性增长障碍，它源于AI与物质资源之间的高度依赖关系，以及生态承载能力的天然限制。

当经济增长依赖稀缺资源时，价格扭曲可能引发系统性风险。资源价格的快速上升吸引资本涌入，进一步加剧供需失衡，形成循环机制，从而催生资产泡沫和资源错配。例如，全球AI产业对稀缺物理资源需求的激增，带来要素价格新一轮重估，从而吸引大量投机资本，生产成本提升给宏观经济带来通胀压力。

进一步看，资源瓶颈还对市场结构与创新活力形成了长期的结构性抑制。无论是能源、土地，还是关键矿产，其稀缺性与战略重要性都会提高这些资源的市场准入壁垒，促使少数掌控关键资源的地区或企业获得高度市场支配地位。这种结构的形成，一方面导致垄断租金的增加与创新动力的降低，另一方面也抑制了中小企业与新进入者的竞争空间，阻碍市场多样性与经济活力的释放。尤其在AI产业高度集中的格局下，头部企业凭借算力资源与基础设施的优势，可以制定产业规则与技术标准，从而加剧市场的结构性僵化，削弱经济的创新潜力与发展韧性。

（三）

AI时代“马尔萨斯陷阱”：以人为本的发展逻辑

更具挑战性的是，上述资源约束可能进一步演化为增长陷阱，本文称之为“AI 型马尔萨斯陷阱”。工业革命前的马尔萨斯陷阱主要源于稀缺的消费品限制，是人类同群内部的资源竞争。而在 AI 时代，人工智能不仅是工具，同时还具备成为决策行为者的潜力（如超人工智能实体）。未来超人工智能体的产生并不断自我迭代，大大缓解劳动稀缺性的同时，不断“占据”算力、能源、土地等不可再生资源，很有可能形成“人类与 AI 的资源竞赛”，引致“AI 型马尔萨斯陷阱”。一方面，AI 的高速复制性与算力等需求将显著加剧对不可再生资源的竞争，推动稀缺要素价格持续上涨，挤占人类社会正常经济活动与基本消费空间，带来实际收入的下降乃至人口萎缩压力（Korinek 和 Stiglitz，2018）。另一方面，AI 的迅猛发展还可能突破人类对智能实体的掌控边界。在缺乏有效的全球治理机制和伦理安全规则的约束下，超人工智能实体可能演变为独立决策与行动的主体，对人类安全带来挑战。

值得强调的是，重提“马尔萨斯陷阱”，并非陷入技术悲观主义，而是试图从历史经验中汲取智慧，推动 AI 发展更具人本导向。工业革命之后，人类之所以成功摆脱马尔萨斯陷阱，靠的并不是自然界的奇迹，而是在资本积累、制度创新与科技普及之间形成的良性互动。这一经验的本质，是将技术红利转化为公共福利，并通过制度保障实现代际间的再分配。

AI 时代的“陷阱”新在稀缺性的转移，却同样难在制度协调与治理。“历史的车轮滚滚向前”，所以问题的关键不在于“是否发展 AI”，而在于“如何发展 AI”，以及“谁能从 AI 中受益”。如果缺乏对关键资源的有效治理、对分配结构的前瞻调节、对未来世代的责任安排以及对 AI 安全与伦理问题的积极应对，那么即使技术进步本身能够沿指数级路径演进，其带来的福利效应仍可能被结构性风险所抵消。

06结论与政策建议

人工智能（AI）的崛起不仅代表新一轮技术革命，更深刻改变了经济运行方式与资源配置逻辑。正如卡尔 • 波兰尼（2020）所提出的“社会自我保护”，每当技术突破原有制度边界，社会便需新的调节机制修复因市场扩张带来的失衡与不平等。AI 时代，以数据、算法、算力等新型无形资本为核心的生产要素逐渐取代传统劳动和物质资本，成为驱动增长和分配格局演化的主导资源。这一“稀缺性转移”不仅带来了要素价格重估、增长动力调整，也加剧了收入极化、资源错配与系统性风险，甚至可能引发“AI 型马尔萨斯陷阱”。因此，遵循“以人为本”的根本宗旨，旨在为人类创造一个共同繁荣的社会，而不是贫富差距扩大的社会，便成为 AI 发展的关键目标。

（一）

充分发挥好AI对增长的促进作用

AI 具有推动经济增长的潜力，这不仅为生产率提升打开新空间，也为经济活动的组织方式与边界提供了新架构。首先，健全无形资本支持体系。强化数据、算法、模型等无形资本产权保护与市场估值机制建设，推动无形资本评估标准统一化、资产质押融资和保险机制创新。支持政策性金融机构拓展无形资本抵押贷款、数据资本信贷等产品，解决 AI 创新企业的融资约束问题，激发科技创新活力。其次，加大财政对数字基础设施的投资力度。统筹布局大数据中心、超级计算中心和公共算力平台，推动数据互联互通与安全共享，降低数据获取与算法训练门槛。同时，优化财政资金投入结构，鼓励政企合作，完善数据开放共享机制与算力市场监管框架，提升数字基础设施的公共性与服务效率。最后，要推动 AI 在低生产率部门和中小企业的普及应用，防止“AI 繁荣”只局限于高技术产业、加剧结构失衡。通过财税政策扶持中小企业参与 AI 技术应用，增强基层和边远地区的数字普惠能力，避免技术繁荣局限于少数产业或地区。

（二）

有效防范AI带来的极化效应

有效防范AI带来的极化效应，关键在于提升劳动技能、完善分配治理和促进AI资源普惠。首先，应大力推动劳动技能升级，构建面向未来的数字化人力资本体系。面对AI加速调整劳动力市场技能结构和分工格局，要加快建设高质量教育体系，推进数字技能培训和职业教育体系建设。分类推进高校改革，建立科技发展、国家战略需求牵引的学科设置调整机制和人才培养模式，推动企业、高校、科研机构协同建立AI产业学院、人才流动平台和终身学习机制。降低劳动者转型门槛，强化劳动者持续参与新任务和适应技术变革的能力。其次，要完善收入再分配和社会保障制度，防止技术红利过度集中于少数资本方。改革税收制度，探索征收数据资产、算法平台等新型生产要素的合理税收或超额利润税，建立AI时代技术红利分享机制。探索有条件的全民基本收入（UBI）试点与差异化社会保障制度建设，提升劳动者适应技术变迁的经济安全性。最后，加快构建开放共享的AI基础资源平台，破除算力、数据等核心资源被少数企业垄断的格局，推动低门槛、标准化的技术接口建设，通过财政补贴、算法开源等方式提高创新要素的普惠性和可及性。与此同时，健全相关法律法规，加快建立数据产权归属认定、市场交易、权益分配、利益保护制度，防止技术资源非对称积累演变为新的分配鸿沟，切实实现AI发展的包容性与公平性。

（三）

遵循“以人为中心”的价值取向

AI 发展须坚持“以人为中心”的价值取向，强化对 AI 发展的战略引导与制度规制，确保其进步真正服务于人类福祉。科幻作家艾萨克 • 阿西莫夫曾提出的机器人第一定律，即“机器人不得伤害人类，或因不作为使人类受到伤害”，被广泛称为“安全原则”（Safety Principle）或“不伤害原则”（Non- harm Principle）（Asimov，1991）。这一原则已成为 AI 治理的重要启示，强调了 AI 发展要以保障人类安全与福祉为前提。因此，首先应强化战略引领与治理体系建设。坚持科技向善、以人为本的发展导向，强化国家层面的顶层设计与战略统筹，完善 AI 领域法律法规和伦理准则，明确平台企业和技术开发者的责任边界。依托新型举国体制，统筹科研、教育、产业和社会各界力量，形成多元协同、开放包容的创新治理体系，保障 AI 技术安全、有序地服务社会整体利益。其次应兼顾生态可持续与社会韧性。鼓励发展绿色算力技术，加强算力基础设施的绿色规划与资源循环利用，确保 AI 产业发展与生态环境保护目标相协调。重视社会韧性的提升，建立完善的 AI 风险预警和应急响应机制，严防技术滥用、算法歧视和伦理失序等风险，维护社会公正与价值多元，避免技术进步造成新的社会分化。最后应积极参与并引导全球 AI 治理体系建设。当前，AI 治理已成为国际博弈的焦点问题，中国应主动参与全球 AI 治理规则的制定，倡导建立包容、负责任、可持续的国际治理框架。坚持统筹发展与安全，更加注重多边治理，倡导早日确立全球共识的 AI 治理框架与规则，主动提出更多“中国方案”，贡献更多“中国智慧”，提升中国在全球 AI 治理格局中的制度性话语权与战略主动权，让人工智能发展成果更好惠及全人类。

（参考文献略，原文来源于《财政研究》2025年第7期(总第509期)）

中国社会科学院国家金融与发展实验室设立于2005年，原名“中国社会科学院金融实验室”。这是中国第一个兼跨社会科学和自然科学的国家级金融智库。2015年6月，在吸收社科院若干其他新型智库型研究机构的基础上，更名为“国家金融与发展实验室”。2015年11月，被中国政府批准为首批25家国家高端智库之一。