來源：首席經濟學家論壇

　　彭文生系中國首席經濟學家論壇副理事長

　　2026年9月10日，上海交通大學上海高級金融學院聯合螞蟻數科共同舉辦2026 Inclusion外灘大會見解論壇《當智能體跨越臨界點，產業AI將如何演進》。我以高金實踐教授的身份，在本次論壇發表了題為「AI經濟：智能規模化生產——從價值創造到價值攫取」的演講，從宏觀經濟視角分享了對AI產業發展的最新思考。本文為本次主題發言的文字整理稿。

　　談及 AI 大模型，最直觀的感受便是可以向模型提問，並快速獲得答案。在人類歷史上，認知積累長期以個體人為載體：依靠個體從基礎教育到職場實踐的持續學習、經驗沉澱，以及人與人之間的交流互動。傳統模式下的認知生產具有高度個體化特徵，效率偏低，呈現規模不經濟的特點。AI大模型在一定意義上實現了認知的規模化生產，構成一場顛覆性變革。

　　由此，從經濟學視角出發，我們可以提出兩個核心問題。第一，認知的規模化生產如何組織？其投入— 產出具備怎樣的經濟特徵？第二，認知作為人類經濟活動的重要投入品，是 AI 大模型落地應用的核心載體，認知的規模化生產重塑社會分工與經濟組織形態，在這一價值創造過程中，價值如何分配？應當如何理解價值創造與價值攫取之間的關係？本次分享旨在為分析上述問題提供一個思考框架。

　　1 認知的規模化生產：中美領先

　　AI大模型重塑了認知能力的供給邏輯：社會認知產能的擴張不再單純依賴人力資本積累，也可以依託算力、數據與數字基礎設施的持續投入，固定資本逐步成為認知生產的載體的一部分。

　　從 AI 大模型的能力來看，中美在全球處於領先地位，一般認為，中國大模型的水平相比美國可能略微落後數月。大模型性能決定認知的規模化生產效率，而認知是現代經濟的關鍵投入品，AI 大模型發展也是當前地緣政治與經濟競爭中的重要方面。

　　近期美國財長接受記者提問談及全球 AI 產業發展時，用 「零」 描述歐洲 AI 發展狀況，並將原因歸結為歐洲嚴格的監管制度。如果監管是主要原因，如何解釋非歐盟的其他國家AI 發展同樣落後於中美？在國家競爭維度外，AI 投資熱潮也帶來股市泡沫的爭議：未來回報能否兌現當下的樂觀預期。這些問題都關乎如何理解大模型提供認知服務的經濟規律，以及價值創造與價值分配的底層邏輯。

　　2 規模定律：重資產屬性帶來資本開支前置

　　AI 領域有規模定律這一概念。規模定律屬於技術層面的表述：提升大模型性能需要持續投入算力、數據、電力等資源，並增加參數規模；當模型規模擴張至一定閾值，同等算力、數據和參數投入帶來的性能提升會放慢，資源投入的邊際效益逐步衰減。在經濟學語境下，規模定律對應規模報酬遞減的特徵，由此衍生出若干重要含義。

　　首先，AI 大模型是重資產模式，甚至可以說是數字經濟工業化生產的新階段。前沿大模型的研發和訓練需要高額固月供入，包括算力集群的採購或租賃、電力消耗、數據清洗以及頂尖科學家薪酬。由於AI芯片和AI技術迭代快，相當一部分固定資產投入屬於沉沒成本。在推理與服務階段，模型運行存在可變成本：大模型每一次推理、每一次問答交互，都要實時消耗算力和能源；7 天 24 小時持續運行會造成芯片物理損耗。人工智能大模型的可變成本雖然遠低於傳統制造與服務業，但顯著高於數字經濟1.0的互聯網平台。

　　其次，大模型的重資產屬性意味着較高的投入門檻，只有大型企業、大型經濟體纔有充足資源投入大模型研發。企業若要依靠技術領先獲得競爭優勢，甚至追求 AGI 這類極致智能，就需要持續向模型訓練環節增加資源投入。放大到國家層面，若以技術領先為首要目標，不計成本提升模型性能，則大型經濟體具備資源優勢。

　　從近期的發展看，AI大模型的重資產投入，在中美之間有明顯的差異。有一種說法，美國的科技企業AI資本開支是中國相關企業的十倍，這個數字不一定完整準確。從國民收入統計的數字來看，截止今年一季度，美國的AI資本開支對GDP增長的貢獻超過40%，對總需求增長的貢獻超過60%。AI資本開支對中國的經濟增長的貢獻有限，今年上半年對GDP增長的貢獻大概在0.1到0.2個百分點。怎麼理解這個反差？

　　投資需求取決於資本的預期回報和資金成本。在利率水平較高的環境下，美國AI 領域資本開支仍然十分強勁，這說明投資者預期極度樂觀。這種樂觀預期也反映在美國股市的估值上，對標普 500 盈利收益率與十年期國債收益率進行比較，市場隱含的風險溢價，也就是投資者要求的超額回報，接近零。在中國股市，相對於國債這類安全資產，投資者要求的超額回報為 3 個百分點。

　　在金融層面之外，物理層面的限制是一個更直觀的原因。AI 大模型的重資產投入與算力高度相關，包括數據中心建設。受美國 GPU 出口限制影響，國內企業即便有投入意願，也面臨設備採購難題，直接制約資本開支落地。

　　回到 AI 資本開支的宏觀含義，總需求對應總供給，總供給包含國內產出（GDP）和進口兩部分。在需求端，美國 AI 資本開支不僅拉動自身經濟增長，也對其他國家的增長形成貢獻，體現為其他國家對美出口增加。在供給端，其他國家為美國發展 AI 大模型提供實體資源支撐，表現為美國相關產品進口增加。從整體經濟看，貿易逆差代表其他國家向美國輸出實體資源，幫助美國壓制國內通脹，約束利率上行幅度，支持AI 相關投資增長。

　　同時，貿易逆差對應美國對外淨負債增加，即其他國家對美淨資產上升。在股票市場，這表現為海外投資者持有美股市值的比例處於高位，AI 相關標的是重要組成部分。這看似形成一個理想的閉環：其他國家向美國輸出實體資源，助力其 AI 產業發展，並通過持有金孖展產參與未來 AI 產業的收益分配。

　　由此衍生出兩大問題：第一，AI領域的資本開支如何創造經濟價值，相關價值又將如何分配，這關乎現有金孖展產持有者能否兌現股票估值所隱含的高回報。第二，從國家發展層面來看，儘管AI產業具備典型的重資產投入特徵，但中美以外的較大型發達經濟體是否真的難以跨越AI研發的資源投入門檻？在規模稟賦之外，還有哪些原因能夠解釋全球多數國家AI發展滯後於中美的現狀？

　　3 規模效應：通用目的技術動態演進

　　理解上述問題的一個重要概念是規模經濟效應。規模定律對應的是當下的投資行為，規模經濟效應則關乎當前投資如何提升未來供給。作為通用目的技術，AI 大模型的迭代演進和規模經濟緊密相關：規模經濟推動技術進步，實現認知的規模化生產；技術進步帶來更高層次的規模經濟效應。

　　首先，大國規模優勢有利於促進創新和技術進步。就 AI 大模型研發而言，面對美國先進 GPU 出口限制，中國企業着力優化算法。算法研發是持續試錯的迭代過程，規模越大，試錯的廣度和深度越大，算法創新的確定性也就越高。這裏所說的規模經濟，不單指單個企業的內部規模經濟，更關鍵的是上下游協同、共享基礎設施和人才池形成的外部規模經濟。

　　大模型研發端的規模稟賦並非單一維度，美國算力資源多於中國，但中國擁有更大的 AI 人才基數。具體來說，根據 2025 年數據，按本科畢業學校所在地（來源地）統計 AI 優秀人才，中國佔比 51%；按服務機構總部所在地（工作地）統計，中國佔比 37%，高於美國的 32%，其他國家合計佔 31%。從比較優勢看，中國更適合發揮人才優勢，聚焦算法等方向的技術進步，美國則更適合發揮算力優勢。

　　就大模型的應用而言，作為一項通用目的技術，它在經濟層面的滲透包含三個層面。首先，AI 規模化量產部分人類認知能力，在增加有效智能勞動力供給的同時，重構分工體系與要素匹配邏輯。其次，AI 改變經濟社會的組織運行方式，重塑企業生產經營、市場競爭等微觀主體行為，也推動公共治理機制適配調整。第三，AI 賦能科技創新，拓展生產技術邊界。在這三個方面，大型經濟體都擁有規模優勢。

　　以智能體應用為例，使用人群和企業數量越多，智能體應用創造的社會價值就越大。其中既存在內部規模經濟，也就是單個企業擴大規模帶來效率提升；也存在外部規模經濟，體現為上下游協同、技術外溢共享、場景與數據的網絡正反饋等。

　　把規模定律和規模經濟效應結合來看，前者帶來投入門檻，意味着中美兩個大型經濟體最有能力投入 AI 大模型研發；後者說明中美憑藉龐大人口、巨大市場與產業體系，大模型應用的價值創造空間最大，為研發投入提供激勵。兩者結合，中美能夠領跑全球 AI 大模型領域也就不足為奇。

　　但這裏仍存在疑問：從資源稟賦來看，德國、法國、英國、日本、印度等經濟規模也不小，其資源總量難道不及頭部大模型研發企業？為何這些國家的資源難以被有效動員，投入到基礎大模型研發？一種可能的解釋是，頂尖基礎大模型的研發依託數字經濟 1.0 階段成長起來的互聯網平台巨頭。這類平台企業積累了海量數據、雲基礎設施與穩定現金流，足以承擔大模型訓練所需的高額沉沒成本；即便OpenAI 這類 AI 原生機構，同樣受益於成熟的數字經濟生態。歐洲等國家在該領域發展相對滯後，在一定程度上體現了數字經濟發展的路徑依賴。

　　4 價值創造 vs 價值攫取

　　數字平台巨頭的市場勢力歷來是社會關注的焦點。進入數字經濟 2.0 時代，中美大模型企業是否會重複 「贏者通喫」的故事，取決於如何理解 AI 大模型在價值創造與價值攫取機制上的變化。對比 1.0 時代的平台巨頭與 2.0 時代的 AI 大模型企業，兩者在供給側的資產模式與需求側的網絡效應上存在根本差異。

　　從供給側看，互聯網平台是輕資產模式，大模型是重資產模式。這一微觀成本特徵使得人工智能大模型廠商無法無限制地複製互聯網時代的免費拉新模式。

　　從需求端看，兩者的用戶粘性或者說網絡效應存在根本區別。數字平台擁有強網絡效應，使用的人越多，整個平台價值越大，巨大的用戶基數形成了極高的用戶遷移成本與生態鎖入效應。大模型首先是個技術手段，使用者在不同大模型接口之間的切換成本極低。一旦市場上出現性價比更高、推理速度更快或技術能力更強的競爭對手，流量與客戶可能在極短時間內發生大規模遷移。

　　互聯網平台憑藉輕資產擴張與強網絡效應，容易形成贏者通喫且長期鞏固的生態壟斷。網絡效應帶來內部規模經濟和範圍經濟，使得平台企業收益更多內部化，盈利能力強。AI大模型則呈現一個上游承受重資產壓力、下游陷入價格戰的動態寡頭市場。大模型的弱網絡效應使得其價值創造更多體現在外部規模經濟，其創造的價值更多地被社會化或者外部化。

　　一個值得關注的問題是AI大模型和平台巨頭的關係。AI大模型是一種技術工具，平台企業是一種商業主體，兩者之間存在本質差別但也有緊密聯繫。AI大模型為平台企業提升競爭力、拓展業務提供了新的技術手段和基礎設施，甚至可能帶來新的商業模式。另一方面，AI產業的發展降低了創新成本，增加了市場的可競爭性。AI大模型強化還是削弱現有平台企業的市場勢力，有待觀察。

　　AI 大模型自身運行模式也有重要含義。在美國，頂尖模型被視為核心資產和競爭優勢，OpenAI、Google等領先公司選擇對最先進的模型進行閉源或僅開放有限的API接口，以保持技術領先性和商業利益。中國的大模型以DeepSeek為代表，普遍選擇了開源方式，通過開放權重將迭代優化、微調算法與工具鏈開發分攤至全球社區。

　　閉源模式帶來較大的盈利激勵空間，同時依靠內部規模經濟，在運營過程中積累研發經驗、代碼庫、模型庫等知識資產，並在不同的研發項目中進行復用，縮短研發周期，降低研發成本，提高整體創新效率。開源模型則憑藉外部規模經濟帶來的低落地成本與高定製性，顯著降低全社會部署和調優 AI 的邊際成本。從經濟維度看，閉源模式促進前沿創新，開源模式限制了前沿模型收取壟斷租金的能力，兩者結合形成了一個良性生態。

　　5創新的外部性、資產泡沫、產業政策與地緣競爭

　　上述分析強化了一個核心疑問：投資者對AI 資本開支的回報預期是否過於樂觀？美國企業在前期的 AI 大模型研發與數據中心建設中投入了巨大資源，大模型廠商能否在價值創造和價值分配中攫取到預期的收益？

　　從經濟機制上看，創新具有知識外溢特徵。發明創造的收益往往由全社會共同享有，但研發成本與失敗風險由個體承受，這種「收益外部化、成本內部化」的錯配，導致常規的市場機制難以吸引足夠的資源投入到高風險的創新領域。股市泡沫通過賦予創新企業極高的估值溢價，動員了海量社會資本，彌補了常規市場的投入不足，在客觀上扮演着糾正外部性的角色。當然，泡沫終有破裂的一天，其本質是以部分投資者承受損失為代價，換取全社會整體技術的跨越式進步。

　　另一方面，中國面臨的風險在前端，即投入不足可能導致技術被拉開差距。應對創新外部性的另一種方式是公共政策的支持，尤其是產業政策，在動員與引導社會資源投向前沿領域方面可以發揮重要作用。與美國資本市場的熾熱不同，中國的股權和股票市場對 AI 相關資本開支的促進作用相對有限。在這種背景下，產業政策在補充市場資金不足、撬動更多研發投入方面扮演不可或缺的角色。

　　受AI 規模定律與規模效應的底層約束，中美兩國憑藉在人才、算力及數據上的規模優勢，處於全球基礎大模型的技術前沿，並得以在一定窗口期內憑藉技術領先獲取 「熊彼特利潤」（創新超額利潤）。然而，人類社會的發展表明，知識與技術具備強外溢特徵。與互聯網平台的壟斷屬性不同，AI 產業是一個高度依賴互相學習與生態協同的系統，技術與知識的擴散很難被長期限制。

　　中美兩國對AI 產業注入的鉅額資源，不僅將讓本國率先受益，更將通過技術外溢惠及全球，為整個人類社會的經濟增長與文明進步作出終極貢獻。