文章总结： 本文分析AI技术革命的经济回报分配，指出智能的充裕会提高互补要素的回报，如芯片和能源，而非仅流向AI实验室。劳动者需关注工作中难以被AI替代的部分，以获取真人溢价。 综合评分： 84 文章分类： 其他

[译苑雅集Vol. 16]和历史上的技术革命一样， AI 创造的回报，最终会流向价值链上的稀缺环节

四楼南侧东 四楼南侧东

表图

2026年7月19日 20:27 北京

在小说阅读器读本章

去阅读

作者：Brian Albrecht

时间：2026 年 07 月 10 日

原文：https://www.economicforces.xyz/p/where-the-returns-to-ai-go

今年 5 月，Anthropic 融资 650 亿美元，估值达到 9650 亿美元，超过 OpenAI，成为全球估值最高的 AI 公司。OpenAI 自身的估值也已达到8520 亿美元。这两家公司的核心产品，都是让用户访问模型，也可以说，是让用户获得智能。如今，它们的估值都已接近一万亿美元，因为市场相信，造出最聪明的机器，就能拥有未来。

我们早已越过了讨论 AI 是否有用的阶段。它显然会有用。现在更值得追问的经济问题是：AI 创造的回报、利益和红利，最终会由谁获得？

从估值来看，答案似乎是大型 AI 实验室。AI 乐观派和悲观派在这一点上倒是看法一致。这里的悲观派，指的不是担心 AI 会消灭全人类的人，而是认为 AI 会摧毁经济的人。乐观派看到的是一笔等待最强模型开发者赢取的巨额财富；悲观派看到的也是同一笔财富，只不过它将从劳动者手中被夺走，进一步压低劳动收入在国民收入中的占比。双方都想象着，大量经济价值会流向 AI。分歧主要在于，这究竟令人兴奋，还是令人恐惧。

这篇文章想讨论的，就是这个判断是否成立，以及还有哪些参与者有望获得 AI 带来的收益。

创造价值和捕获价值是两回事。一项技术——更广泛地说，任何一种商品——都可能创造巨大的价值，而这种商品的产权所有者可以同时几乎赚不到钱。

水是生命必需品，却几乎免费。没错，一种商品创造的价值，或者人们对它的需求，确实会影响价格，但只在边际上起作用。供给同样重要，毕竟价格由供求共同决定。水资源十分丰富，所以无论生命多么依赖水，它的价格依然很低。拥有水资源产权的人并没有因此成为亿万富翁。即使有人靠水赚到了大钱，利润也主要来自以特定方式将水装瓶并营销出去，而非水维持生命这一核心价值。

回报会流向那些兼具价值和稀缺性的商品。自李嘉图以来，我们就已经知道这个基本思想，后来边际革命又把它整合成了一套完整的价值与价格理论。价格衡量的并非一件东西的全部用途，而是在获得这一单位商品的难易程度既定时，再增加一个单位所带来的价值。

当我们开始思考 AI 的价格时，已经能看到一些与水相似的特征。比如，这些公司竞相开发的东西，价格正在迅速下降。这种现象本身并不少见：芯片会越来越便宜，计算机会越来越便宜，电视也会越来越便宜。

不同寻常的是降价速度。2021 年 GPT-3 开放使用时，它是唯一能在 MMLU 基准测试中得到 42 分的模型，运行成本约为每百万 token 60 美元。三年后，达到同样门槛的最便宜模型只需 6 美分。我不太擅长算数，但这看起来降得相当多。Epoch AI 对推理价格的追踪显示，相关价格每年会降至原来的九分之一，有时甚至会降至九百分之一。我敢肯定，如果查看过去一周的数据，一些模型的价格还会更低。就在今天，Meta 又发布了一款模型 Spark 1.1，在价格上进一步展开激烈竞争。

于是，两股力量正在相互竞争。一方面，达到某一固定水平的智能正变得越来越充裕，而充裕的东西无论总体上多么有用，其边际价格都会很低。另一方面，智能的能力前沿仍在不断向外推进。现在进行的是一场赛跑：智能前沿拓展的速度，能否超过固定水平智能价格暴跌的速度？

人们愿意支付接近一万亿美元的估值，是因为他们相信今天的前沿智能会一直稀缺。再过一两年，其中很大一部分就会变得十分便宜。投资者真正押注的是，领先的 AI 实验室能够持续创造并控制某些仍然稀缺的东西。它可能只是不断向前移动的能力前沿，也可能是专有数据、被锁定的算力、具有优势的分发渠道，或者让用户形成使用习惯的工作流。

但究竟什么会继续稀缺？Alex Imas 提出了这个相关问题，后文我还会进一步讨论。不过，他更关注需求侧；我则会更多地关注供给侧，以及仍然稀缺的资源究竟归谁所有。

AI 让智能更容易复制

我们可以把智能想象成一种配方：它把一些普通的东西组合起来，创造出高于原材料本身的价值。智能具有非竞争性，我知道一份配方，并不会妨碍你也知道它。一名面包师把只值几美元的面粉、水、黄油和热能变成可颂，让人们排队购买。原材料并不特别稀缺，因此面包师凭借自己的智能、知识或者说诀窍，获得了利润。

不过，“配方”这个词里其实藏着两种不同的东西。

第一种是写在卡片上的配方：一份原料清单和一系列操作步骤，可以写下来交给陌生人。另一种则是配方卡上没有写出的东西，可能是面包师忘了写，也可能是难以明说的隐性知识，例如对哪些环节最重要的判断、各项操作应当按照什么顺序进行、条件变化时如何调整，以及区分优质可颂与普通可颂的那种难以言传的品质感知。我们可以把前一种理解为任务，就像基于任务的模型所描述的那样；后一种则把所有这些要素综合起来创造价值，也就是智能。

在 AI 出现之前，即便写在卡片上的配方也很容易复制，诀窍却没有那么容易复制，这正是它保持稀缺的原因。任何人都可以买到面粉和黄油，也都可以阅读配方卡，但人们很难复刻烤出好可颂所需的时机把握和手上功夫。面包师能够获得溢价，是因为有价值的智能无法与掌握它的人分离。

在人类历史的大部分时间里，配方中的很多内容都被锁在掌握它的人身上。他们可以教别人，也可以把配比和温度写下来，但仍会保留某些独特能力——这里先关注知识层面——比如对时机和品质的判断。即便能够写出一份满是文字的配方，真正的配方依然稀缺，因为它无法与所有者彻底分离。诀窍中总有一些重要部分依附于个人、团队和企业。知识具有黏性。

这种联系显然还没有完全消失，但 AI 似乎正在松动知识与其载体之间的绑定。智能具有非竞争性，因此可以更快地复制和传播。这一点在书面知识层面已经非常明显，而 AI 现在甚至开始模仿隐性知识。它能够提取一门技艺中那些从未被写下、甚至从未被清楚表达的细微部分。

如果把一名面包师的配方交给城里每一家店，供给就会增加，吃到可颂的人可能比以往任何时候都多。但不会再有哪位面包师仅仅因为掌握这份配方而获得溢价，因为所有面包师现在都有了它。和其他市场一样，竞争会推动可颂的价格向原材料和生产成本靠拢，知识带来的回报随之下降。

原有溢价中的一部分，会以更低价格的形式转移给消费者。剩余部分则会落到那些仍然稀缺的投入要素上。也许位于人流密集的街角仍有价值，也许关键其实是那台配方里没有写到的烤箱。我们还可以继续列下去：值得信赖的品牌、融资能力，或者双手确实更麻利的面包师。产出增加了，掌握配方所能获得的回报却下降了。为了在这一过程中保持领先，面包师必须不断创造尚未被复制的新配方，并且始终走在市场前面。

James Bessen 将其称为“技术知识悖论”。可复制的思想让我们能够用同样的资源生产更多东西，但由此创造的财富，并不会自动流向那些曾经掌握这些知识的人。

智能越充裕，瓶颈越重要

于是，我们将进入一个数据中心里拥有一亿个爱因斯坦的世界。大量诀窍已经变得可以复制，但模型仍然需要在某个地方运行。它需要芯片、电力、冷却设施、建筑、土地和时间。与知识不同，这些投入具有竞争性。两项工作负载无法同时占用同一个 GPU 小时，也无法同时使用同一兆瓦电力。

因此，智能变得更便宜，反而可能提高使用智能所需互补要素的回报。智能越容易复制，用户就越会积极争夺那些支撑智能大规模运行的稀缺投入。

这种变化已经体现在实体互补要素上。例如，据报道，OpenAI 的毛利率在 2025 年从 40% 降至约 33% ，同期推理成本却增长至原来的四倍。在更上游，英伟达最近一个财年实现了 1937 亿美元的数据中心收入，毛利率达到 71% 。ASML 则提供了一个更具实体形态的例子。它是唯一能够制造 EUV 光刻机的公司，最新型号单台售价约 4 亿美元，公司 2025 年的毛利率达到 53% 。ASML 能够持续赚取高额利润，因为竞争对手无法轻易复制它制造的产品。

芯片本身凝结了大量智能，但一旦生产出来，它们就是具有竞争性的实体商品。在一个智能泛滥的世界里，这些实体商品的日子过得相当不错。

能源也具有同样的结构。在可预见的未来，能源仍将是稀缺资源。国际能源署估计，2024 年数据中心消耗了约 415 太瓦时电力，相当于全球用电量的约 1.5%；到 2030 年，这一“需求”预计将达到约 945 太瓦时。（我没看明白这个需求量对应的假设电价是多少，而需求量显然会随价格变化，不过我们暂且不在这里纠缠这个问题。）

这仍然是李嘉图理论的简明版本：租金会流向稀缺的互补要素。当然，这还不足以形成定论，但它至少表明，AI 创造的价值会分散到不同环节，并非只流向前沿模型。与 AI 相关的投入要素，看起来都过得不错。

瓶颈都有自己的时钟

这并不意味着芯片和电力会永远稀缺。高回报会吸引新的晶圆厂、发电设施、输电线路和数据中心进入市场。它们只是当下最明显的一批瓶颈，而市场会对此作出反应。我想，我们在这篇文章里已经提到过这一点。

因此，任何稀缺性都有自己的时钟。它能持续多久，取决于当下稀缺的是什么，以及供给能够多快作出响应。归根结底，这仍然取决于弹性。不过，这些稀缺要素的供给确实正在增加。我们可以从数据中心的建设潮中看到这一点：数据中心需要投入大量资源来形成算力，而算力又是生产智能的一项投入。

并非所有数字资产都可以复制

在开放且竞争充分的供给环境中，一个可复制模型所能获得的纯回报会被压向零。服务本身仍然存在成本，因为推理需要消耗稀缺的算力。

但配方本身无法获得租金。因此，我们需要区分配方本身的回报，以及供应链上各个参与者获得的回报。

每家公司都想避免配方的回报归零，因此会设法建立排他性。如果能够阻止配方被复制，就可以把一种非竞争性能力转化为具有竞争性的资源，进而成为可以定价的资产。实体生产天然具有这种属性，ASML 和芯片就是例子。AI 实验室则在努力构建与之对应的信息壁垒：它们能否拥有其他人不具备的独特智能？

一种可能的办法，是为模型输入独有的数据。于是，Reddit 通过总价值 2.03 亿美元的合同授权使用其历史数据。法律也可能随之调整。在 Thomson Reuters v. Ross 一案中，一名联邦法官驳回了某 AI 初创公司的合理使用抗辩，该公司曾使用 Westlaw 材料训练模型。版权和合同可以在人为层面为信息制造稀缺性，即使这些信息原本可以低成本复制。各类资源的相对稀缺程度也会因此发生变化。

这基本就是 Cockburn、Henderson 和 Stern 所提出的模型。随着算法扩散，回报会转向那些仍然受到保护的互补资产。OpenAI 也理解这种区别。它认为，随着模型不断进步，“限制因素会从智能转向可用性”。

劳动者会怎样？

到目前为止，我们还没有真正谈到劳动者。不过，这套模型很容易延伸到劳动者身上：一份工作中的哪些部分会变得可以复制？哪些部分仍然具有排他性？

我们必须先弄清楚，劳动者究竟在出售什么。劳动者出售的是一种产出，可能是一份诊断、一份法律意见书、一台修好的机器、一堂课、一项设计、一段关系，或者一项足以让别人据此采取行动的可信判断。她并不是孤立地出售一个个“任务”。

我们可以用生产函数来思考这个问题。为了形成上述产出，劳动者需要组合多种投入。有些投入来自个人，例如她的知识、判断、品位、声誉、人际关系、注意力和时间；另一些投入来自外部市场，例如软件、设备、制度授权、执照、助理、客户转介，以及把她与市场需求连接起来的企业或平台。

Garicano、Li 和 Wu 对这个问题作了更详细的分析。市场为工作定价，而非为孤立的任务定价。只有当一项任务能够与一份工作所包含的其他要素清楚分离时，它才会从劳动者和工作中脱离出来。

AI 可以从不同位置进入这个生产过程。它可以成为劳动者自身生产活动中的一项投入，让研究成本更低、起草速度更快、日程安排更容易，或者诊断更加准确。在这种情况下，AI 为她的工作提供支持，投入成本随之下降。如果她提供的其他要素仍然稀缺，她获得的回报就可能上升。她没有投入更多劳动，生产率却提高了，而且能够获得至少一部分由此产生的收益。

与此同时，她的所有同行以及新进入者也都在使用 AI。其中一些服务可能更多地由 AI 独立完成，此时也可以把 AI 看成直接竞争者。劳动者原本掌握的知识不再稀缺。

于是，这里也出现了一场赛跑：AI 作为投入所带来的增益，与 AI 作为竞争者造成的替代，哪一股力量更强？答案并不显而易见。

2016 年，Geoffrey Hinton 曾表示，我们应该停止培养放射科医生。十年之后，放射科医生的数量反而[增加了约 17% 。AI 读取扫描影像的能力确实提高了，但读片只是放射科医生产出的一项投入。至少到目前为止，读片仍然无法与临床判断、对诊断结论承担的责任，以及同外科医生的沟通彻底分离。因此，AI 并没有复制放射科医生所提供的整套工作。

Upwork 的数据已经呈现出类似趋势。Auyon Siddiq 和 Niuniu Zhang 追踪了 49,610 名自由职业者完成的两百多万份合同，发现 ChatGPT 出现后，在受 AI 影响最明显的工作类别中，买方对资历和过往业绩的重视程度下降，对价格的重视程度上升，需求开始转向更便宜的劳动者。随着工作变得更容易标准化，劳动者之间看起来也越来越可以相互替代。可替代的供应者依靠价格竞争，而非声誉。类似变化甚至可能发生在依赖人际关系的产品和服务中。

谁能获得“真人溢价”？

Alex Imas 在《什么会保持稀缺？》一文中从需求侧讨论了同一个问题。

随着标准化商品变得越来越便宜，更富裕的消费者可能会把更多钱花在创作来源、排他性、真实性和人与人之间的连接上。在一项实验中，Imas 和 Graelin Mandel 发现，排他性让人类创作艺术品的价值提高了 44%，而对 AI 生成艺术品的提升幅度只有 21%。我认为，这个需求侧的论点是成立的。

不过，我们还可以从两个方向延伸这个观点。第一，“人类”这个类别过于宽泛。在一些市场中，真人溢价可能上升；在另一些市场中，特定劳动者获得的溢价却可能下降。供给侧仍然重要。如果 AI 让更多人都能提供达到合格水平的真人服务，那么即使服务仍由人类提供，依附于某一位服务者的溢价也可能下降。

以一名情感关系顾问为例。她的温暖和待人方式可能确实独一无二，但围绕这段关系提供的大量服务，例如建议、话术、解读、回复方案和情绪梳理，都可以与她本人分离，并由 AI 复制。如果 AI 降低了她开展研究和准备工作的成本，它就会为她的工作提供支持，让她有更多时间投入关系本身。但如果 AI 让一千名合格的顾问都能向同一批客户提供相似的话术、建议和安慰，她所在的市场就会涌入大量供给。她作为真人的特质依然存在，市场也和以前一样由“真人”参与，但她目前出售的具体服务将不再那么稀缺。

从总体上看，这不可能成为全部故事，因为人类的供给基本固定。但它完全可能成为一个分配层面的故事。如果 AI 让更多人能够在某个特定市场中提供合格的真人服务，那么即使服务仍然由人类完成，任何单一提供者获得的溢价都可能下降。

这仍然是贯穿全文的所有权问题。对劳动者而言，所有权往往体现为可携带性：那项稀缺的人类投入能否跟着劳动者离开？脱离企业、平台、品牌、执照或版权之后，它还能否直接触达客户？如果可以，劳动者就有资格分享这部分溢价；如果不行，溢价就可能出现在其他地方。

这并不是一个新问题。人们以为可以彼此分离的东西，实际上未必真的能够分开。

20 世纪 20 年代，年轻的 Walt Disney 围绕幸运兔奥斯华建立了一间工作室，后来才发现这个角色的版权属于他的发行商。发行商采取了一个显而易见的做法：留下角色，挖走 Disney 的动画师，再把这个看起来只负责提供创意的人赶出去。发行商似乎拥有生产流程中所有可以复制的部分：角色，以及画出这个角色的那一双双手。

但他并不拥有 Disney 对什么才好笑的判断。那项稀缺投入可以自己走出大门。它确实走了出去，而且据我所知，后来还挺成功。

一条规律

那么，接下来会发生什么？我不知道。但我认为，我们已经有了一套可以用来思考这个问题的框架。

AI 将通过创造智能带来巨大价值，而这种价值扩散的方式，就是让智能变得更容易复制。当智能变得便宜之后，回报会流向那些仍然稀缺的东西。这些道理都不新鲜。眼下，稀缺的可能是芯片、电力和土地等实体资源；也可能是数据、分发渠道、版权和品牌等人为创造或构建的资源；有时，稀缺资源就是某个具体的人，她的判断或人际关系无法与她所出售的服务分离。

当稀缺资源是人时，还需要多考虑一层：AI 正在复制的智能，究竟会为她的工作提供支持，还是向她所在的市场倾泻更多供给？如果复制出来的智能成为她的生产投入，她获得的回报就会上升；如果这些智能创造出更多竞争者，她的回报就会下降，即使她自身的智能从未被复制。

我们不能简单地认为，智能滚滚而来，财富也会随之滚滚而来。稀缺性取决于所有权，也取决于产权安排。AI 正在让什么变得充裕？什么仍然稀缺？而稀缺的东西又归谁所有？

AI 创造的回报，最终就会流向那里。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：表图 四楼南侧东 四楼南侧东《[译苑雅集Vol. 16]和历史上的技术革命一样， AI 创造的回报，最终会流向价值链上的稀缺环节》