，中国社会科学院经济研究所研究员，中国社会科学院大学经济学院教授，博士生导师。研究方向: 经济稳步的增长和宏观政策。

  摘要：数据要素边际成本近于零、非竞争性、幂指数增长的特性直接反映为数据要素的使用价值高于价值，数据要素的收益更是要基于使用价值进行分配，使参与者都得到激励，这是一种需求变革。正是数据要素的加入，大幅度地提高了知识生产—消费的占比，用于人的全面发展的时间不断增多，由物质生产供给效率推动的产业体系变化逐步让位于由知识驱动的产业演进，人的活动成为数字时代的主角。人与人的合作、人和AI的合作是数字化时代知识生产的新特征。中国在数字化和数字AI化冲击下的经济转型面临的一大挑战是就业质量提高与产业体系变动速度的不匹配，降低了人们对广义人力资本的投入。在建设中国式现代化过程中，应当形成“广义人力资本消费提高—知识密集型产业发展—高质量人才就业”的正向循环，使人民更多地分享创新成果。

  2023年是全球AI(AI)爆发式发展的元年，生成式人工智能大模型加速了全球数字化经济转型，也将相应的理论命题推向了理论探索的前沿。从已有的讨论和发展的事实看，现有研究主要涉及六个基本的经济问题：(1)人工智能的加速发展对劳动的替代机制和创造机制；(2)不同于资本和劳动要素的竞争性(独占性),数据要素能共享，具有非竞争性(非独占性),而且使用频率越高价值越大，这直接驱动了规模收益递增的生产特性，但也是有条件(阶段性)的规模收益递增；(3)从现实的经验看，包含数据—信息—知识—智慧(DIKW)的广义知识变量加入消费和生产的供需两端，使知识消费和供给都随着收入水平的提高而持续不断的增加，知识在消费和供给中的比重也逐步的提升；(4)关于产业升级应随着广义知识消费与供给比重的持续不断的增加而演进的讨论，高质量的就业应与产业的知识化进程相匹配；(5)人类的创新活动已经不是单一的人力资本投入，人和AI的新合作和新联结构造了人的创新活动以及人和AI共同合作的创新活动，加速了创新进程，而这一创新已经超越了工业化以来狭义的、以物质效率提高为标准的技术创新，是更广泛、更全面的知识创新过程；(6)数据要素的非竞争性直接改变了权力的性质，依据使用状态就可以直接度量数据使用价值，这一过程直接体现为使用价值的分配激励。

  这些前沿讨论回归了政治经济学的基本问题：一是基于数据的人工智能引起的技术进步偏向于资本还是人力资本。二是创新不仅仅是物质的，而且对其衡量应该拓展至人类新知识的创新中。三是数据要素的非竞争性，突出了使用价值的直接度量和分配，改变了传统要素基于私人占有的分配性质，更突出人的质量在数字化时代的价值，而且参与数据和知识生产过程的人力资本更容易获利。当前正在积极探索和重新定位的下一代互联网(web3.0)是价值网络，即“参与即受益”的价值分配空间，强调了人参与数据—知识生产过程的直接价值分配。四是知识引领的产业知识化变革与人的全面发展趋势是否一致，通过人的全面发展与国家现代化相融合，形成正反馈循环。这里人的全面发展包括广义人力资本的提高，也包括人和人工智能合作的新模式，形成驱动经济的“智慧人”系统和人和AI合作的新知识生产空间。只有回答了这些基本的政治经济学问题，才能重新审视数字化转型如何与中国式现代化全面融合，形成正向循环，在面对已然浮现的自动化对劳动力替代过快、青年失业率过高、知识密集型服务业发展不畅等挑战时，设计好中国式发展道路。

  本文正是从经验、理论和政策的视角对中国数字化转型中的核心问题做出相应回答；从改变生产函数的数据要素入手，讨论基于数据要素和数据要素AI化过程中的知识生产和供求关系，分析数据要素加入后使用权和所有权的分配性质及分配趋势，探索基于使用权的要素分配；基于知识变量探索知识生产函数及其带动经济转型的特征，构建总体框架，分析中国在数字化和数字AI化冲击下的经济转型；讨论人工智能引起的技术进步与中国式现代化路径一致性问题，并提出对应的政策建议。

  数据要素和数据人工智能化推动经济转型的实质，就是推动人类从一般物质生产和服务生产快速向知识生产转变。基于数据要素的知识生产与消费的比重会一直上升，人们利用人工智能、自动化(机器人)和物联网逐步的提升物质生产效率，降低物质对人的束缚，缩短人的必要劳动时间，以分配更多时间进行广义知识消费，促进人的全面发展。

  早在工业化时期，人们已经认识到知识主导了社会和经济的变革，学者们也探索了知识对经济社会的影响。从波兰尼《个人知识：朝向后批判哲学》中的“默会知识”,到哈耶克的“知识分工”,再到20世纪60年代马克鲁普的《美国知识生产与分配》,都涉及知识生产背后的信息编码和数据要素，说明学者们慢慢的开始系统地探索和统计知识生产与分配。20世纪90年代的《信息规制》探讨了信息不同于一般生产要素的性质，如非竞争性、用户网络幂指数递增规律、信息生产高成本和边际生产(复制)低成本(或接近于零)、正外部性等。琼斯分析了创意(idea)规模递增的特性及其改变了规模收益递减的现代经济公设，后来还专门探索了数据的非竞争性，把数据要素作为生产要素，分析了非竞争性数据要素的加入引起的经济规模递增问题，这与传统的规模报酬递减原理和平衡增长路径(BGP)难以相容。近年来，大型生成式人工智能模型更是掀起了基于数据时代的AI对经济影响的讨论浪潮，如Eloundou等分析了大型人工智能模型对各行业劳动市场的影响，用各行业中可被人工智能影响的“暴露度”指标来衡量职业状态，暴露度过高被视为可替代，也可将该值视为提高行业效率的指引性指标，揭示了人和AI合作进而提高经济效率的前景。国内也有学者从知识生产的角度，探索知识生产部门和一般生产部门的研究范式以及非竞争性要素的价值。下文就近期有关人工智能、数据要素、知识生产等对经济稳步的增长的影响进行理论综述和经验实证。

  以《人工智能经济学》为基础，本文认为AI对经济稳步的增长的影响主要涉及以下四方面：(1)任务导向的AI对劳动市场的影响。阿西莫格鲁构造了一个任务阶梯导向的生成过程，以便于理解人工智能(或自动化)对劳动的替代，即对旧任务的劳动替代和新任务对劳动者的需求，形成了平衡替代和就业创造的平衡增长路径模型，但他也承认劳动者重新找到新工作是缓慢和痛苦的，而且还需要有新的技能与之匹配；(2)劳动分配份额的持续下降。阿吉翁以“AI能够迅速自我改进，无限的机器只能带来无限增长”的“奇点”逻辑为出发点，认为基于任务目标替代的逻辑，有极大几率会出现AI对劳动完全替代、劳动份额持续下降。这一命题引起了广泛关注，该研究直接打破了平衡路径等基础研究范式。阿吉翁在劳动份额不断下降的讨论中引入了服务业“鲍莫尔成本病”做多元化的分析，讨论了低效率部门工资的决定机制以及劳动收入份额下降的趋势，将单一生产的全部过程的劳动替代拓展为行业演进中的劳动替代问题，但依然没形成完整系统的分析框架。(3)产业演进对就业和分配的影响。萨克斯基于研发投入和产业体系演进过程中不一样的行业AI对劳动替代的难度视角，分析了AI对劳动者人力资本的替代。有学者觉得要引入全民基本收入计划(UBI)来解决人工智能的替代效应，以稳定劳动分配份额。(4)人和AI合作的讨论。阿贾伊讨论了研发人员和AI组合研发的模型。近年来，管理科学上讨论了人和AI合作形成新的“数字人”或“智慧人”,由“智慧人”驱动物质生产和服务供给，并分为无人值守、人和AI的平行合作、应急模式中人的干预等模型。现实中的研发、管理、物质和服务生产、需求导引等方面已经存在人与机器(人工智能)的合作。

  数据要素的加入直接改变了生产函数性质，直接推动了经济的多样性增长，产生了规模报酬递增效应。数据要素的非竞争性、外部性、用户网络规模的幂指数增长、边际生产所带来的成本等于零的基本特性，都可归结为使用权比所有权重要。这直接涉及数据要素的治理本质。传统要素靠所有权进行分配、生产、激励，数据要素加入后的数字化时代，基于使用权进行生产、分配和激励，改变了基于所有权的分配模式和财产保护模式。数据要素治理的讨论和法律政策越来越丰富，欧盟和中国都推出了数据隐私保护、所有权保护、数据应用安全的相关法律，隐私和加密安全与数据规模化使用成为治理讨论的核心。数据要素与数据人工智能化有所差别，数据人工智能化具有数据的非竞争性等一系列特性，但含有比数据生产更大的固定成本和使用成本，其成本包含了算力、算力基础设施建设和相关能源消耗等，边际使用成本不为零，而且由于存在算力瓶颈，进而存在拥挤问题。

  当前的研究大多是在传统经济稳步的增长理论模型中加入新的要素(如琼斯加入数据要素规模递增变量，阿西莫格鲁加入AI对劳动的替代等),既要尽量通过假说与现有的增长规模收益递减原理和平衡增长路径一致，又要探索如何通过分配合理性克服“奇点”问题。这种矛盾在理论模型上表现为更多地增加假设和更多地增加开放性讨论，理论模型与实证趋势越来越难以协调。平衡增长路径和生产函数已经难以容纳新的数据要素，而且由于适合于生产和消费的函数不再适合于逐步转向知识生产和消费的新生产函数，数据要素AI化更增加了传统增长理论研究的难度。数据要素的一系列性质要求基于要素所有权为中心的产权治理和分配制度应让位于使用权受益的分配和治理模式。可见，全球数字化转型和大型人工智能的加速发展，直接修改着经济学的一些规制，加速了需求—供给的结构演进速度。工业化以来围绕物质生产维度的增长，已经快速转向基于数据要素的知识生产和消费主导下的新发展逻辑，很多基础理论问题都值得讨论。

  国内学者的研究更多聚焦于通过实证分析数字化转型对经济稳步的增长的贡献，或基于阿西莫格鲁的模型，证实机器对劳动的替代。基于数字要素驱动知识生产和数据要素使用权来展开分析的经济学理论成果不多。有代表性的如经济稳步的增长前沿课题组提出了知识生产函数，将广义人力资本纳入消费—产业升级中，认为广义人力资本是衡量知识生产的关键性因素，并做了国际比较，开辟了新的研究方向；张曙光和张弛基于权能结构，分析了数字时代以来有关所有权和使用权的研究，开创了理论探索的新领域。总体来讲，国内外学者都已经意识到数据要素的重要性，其非竞争性和使用价值特性都在改变规模收益递减原理和要素基于所有权的分配假说，动摇了政治经济学的基本产权共识，而且在实践中不断证伪现有的经济理论。

  Nedelkoska和Quintini基于行业自动化程度对不同技能员工的工作替代的研究认为，2013年就有14%的产业实现了完全自动化，而且自动化会逐步替代低技能工作者，他们要通过培训进行转岗就业。阿西莫格鲁认为，在行业竞争中，如有公司采用机器人(或人工智能)生产，别的企业都需进行自动化改造，以保持竞争力。自动化已经导致了全球劳动份额显著下降，“我们在工人层面的研究根据结果得出，直接受影响的工人(例如从事常规或可替代任务的蓝领工人)面临着较低的收入和就业率，而其他工人则间接受益于机器人的采用”。数字化工具降低了生产—信息成本，这不仅来自企业自身的需求，也迫于全行业进行的数字化转型和相关替代，因此机器人对劳动的替代速度可能短期内超过创造就业的速度。也有研究实证了AI对提高劳动效率的作用，特别是能帮助新工作者提升客户满意度和学习效率，还能够降低劳动者的流动率。

  作为制造业大国，中国是全球数字化转型最快的国家，而且中国制造业的大规模技术进步主要来自于资本，在生产领域已经表现出机器人对劳动的替代这一事实。全自动化工厂的创建不单单是为了应对竞争，也是对全球供应链快速调整的响应和对适应性模式的选择。从制造业内部看，资本对劳动的替代是确切的。工业机器人渗透度每增加1%,企业的劳动力需求下降0.18%。人工智能及有关技术的影响在2017—2037年是正面的，对工业部门的替代率是36%,而工业新增加岗位为39%,正影响为3%;对服务业的替代率为21%,新增加岗位为50%,净影响是29%。这在某种程度上预示着服务业的新增就业将是最多的，AI对服务产生的影响最积极。

  可见，AI对制造业的劳动替代很明显，在多动作机器人成本低于劳动力成本时，就会产生多动作机器人(资本)对劳动的替代，这与一般机器对人的替代过程相似。行业中开始有企业通过替代取得成本优势后，该行业就开始了整体性替代。虽然在复杂劳动或产品技术进步快时，人工智能的替代性非常有限，但是随着AI系统的运用，机器人能进行判断和自适应生产，也会慢慢的多地替代复杂劳动。当前的生成式AI已经开始对服务业进行替代，如人工标注、翻译等。

  自动化、人工智能对劳动的替代和新岗位的创造在理论上来自于四个方面：一是自动化或人工智能直接对劳动产生替代效应；二是自动化或人工智能发展的就业创造效应，其研发、监督等新任务需求创造了新的劳动岗位；三是收入—需求就业创造效应，效率的提高推动了工资收入的增加，引发了需求变化，创造了新的行业和岗位；四是人与人工智能的合作效应，就业再调整和人力资本的提升与劳动力市场匹配效率高度相关，特别是人力资本提升与人工智能合作创新了新的岗位。可见，合作效应、研发效应、收入—需求效应是主导就业的关键，而新需求推动了新行业发展。人力资本提高是适应新产业和新就业机会的关键，会使劳动收入份额保持稳定。

  上述国内外的理论和实证研究指出了自动化和人工智能对劳动的替代效应，似乎难以找到一条好的路径来彻底缓解劳动收入降低的趋势。这可能要从政治经济学角度进行分析，集中探索数据性质和使用权价值，讨论新的分配形态，探索人工智能和人类知识组合生产的可能形态，进而通过数字化转型带动中国式现代化成长。

  数字化时代的到来，使数据要素进入生产中，催生了自动化和人工智能化，对劳动产生替代，降低了劳动分配份额，产生了消极效应；但是数据要素的使用也提高了劳动生产率，大幅度增加了全社会福利和收入，产生了积极性效应。数据要素加入生产函数改变了生产函数的性质：一是数据要素具有非竞争性，不是独占性的资源要素，随着使用人数的增多具有规模递增性，这与传统生产要素的独占性和规模收益递减性是不同的；二是数据的非竞争性决定了其使用价值大于价值，特别是在网络效应下，规模效应显著，因而数据要素是依据使用权价值进行直接分配，这完全不同于传统要素因独占性而按照所有权进行的分配；三是数据要素更多地生产知识产品，应该以创新性知识来度量其技术进步，知识外溢形成的自动化(人工智能)设备可以促进传统物质和一般服务部门的生产。

  传统的分析无法打破边际收益递减原理和平衡增长路径，只能加入数据要素或AI生产方式做调和，导致很多研究陷入逻辑困境：一是对数据要素的非竞争性导致的规模递增无法进行逻辑自洽的讨论。二是对数据要素的使用价值没有开展深入研究。在生产模型中加入数据要素后，仍然按要素所有权进行分配，数据创造者和使用者(用户)的收益得不到保证，只能把数据要素依附在资本上，导致分配中的资本份额不断提高，劳动份额下降，劳动者收入下降，“生产—分配—消费”的循环无法继续。基于此，各国都开始从数据要素的隐私权入手，或从商业实践的去中心化入手，讨论参与者如何参与收入分配的问题，关于数据和劳动使用价值的讨论也慢慢的变多，以避免资本支配数据后对劳动价值的进一步占有。三是数据要素的非竞争性引起的规模递增无法和当前需求的边际效用递减规律协调，需要将新的高弹性的知识消费加入生产与消费的供需中，才能进一步突破原有生产—消费供需的桎梏，因为知识成为数字时代中供需最活跃的要素，知识生产和需求推动供需向着产业的高级化演进，知识创新成为广义上的技术进步。

  本节集中于讨论数据要素的使用权性质、数据要素改变了生产—消费产品的性质以及新的生产带来的产业变革。

  资料来源：张平等：《经济稳步的增长前言Ⅲ:中国高质量增长与治理》,北京：社会科学文献出版社，2022年。

  说明：资料来源于各年《中国国家统计年鉴》《中国劳动统计年鉴》。消费方面数据采用了去除吃穿住用行的基本消费后，把教育、医疗等其他服务作为广义人力资本消费部分，计算其占比变化。知识密集型服务业仅包括了金融和其他服务业，其他服务业按细分包括信息、软件、租赁和科教文卫体娱乐、公共服务等。知识密集型就业主要指金融租赁和商务、科学研究、水利租赁、教育、卫生、文化、体育、娱乐和公共管理等行业的就业。