《经济学视角下的人工智能（AI）：稀缺性转移与人类的挑战》学术报告

作者及发表信息
本文由张晓晶（中国社会科学院金融研究所）与李晶晶（中国社会科学院大学经济学院）合作完成，发表于2025年第7期经济学类期刊（中图分类号F015，文献标识码A）。研究获国家社会科学基金重大专项（24ZDA037）支持。

研究背景与目标
在AI技术被列为国家战略（如《新一代人工智能发展规划》和二十届三中全会决议）的背景下，本文从经济学稀缺性理论出发，探讨AI如何通过重构生产要素的稀缺性结构（scarcity structure）影响经济增长与分配格局。研究旨在回答两大核心问题：AI驱动的“稀缺性转移”如何重塑经济机制？如何通过政策设计实现包容性发展？

核心论点与论据

1. AI引发“稀缺性转移”的双重结构
- 无形资本主导：数据、算法、算力（computing power）等新型无形资本（intangible capital）取代传统劳动与物质资本，成为价值创造的核心要素。例如，生成式AI（如ChatGPT）通过知识资本化降低高技能劳动力稀缺性，但其初期高固定成本投入导致“生产率J曲线效应”（Brynjolfsson等，2021）。
- 实体资源依赖强化：AI对能源、土地、关键矿产（如稀土、锂）的需求激增。国际能源署（IEA）数据显示，2026年AI相关电力消耗将达1000太瓦时，相当于日本全年用电量，凸显资源再定价压力。

2. 增长效应：潜力与约束并存
- 三重增长机制：
- 知识获取优化：AI将隐性知识（tacit knowledge）转化为可复用的无形资本，突破高技能劳动力瓶颈（Autor，2022）。
- 任务边界拓展：通过自动化常规任务（如数据录入）和创造新任务（如AI模型微调），提升劳动有效性（Acemoglu & Restrepo，2018）。
- 网络效应放大：AI的非竞争性（non-rivalry）和规模报酬递增特性（如云计算平台）推动生产率跃升。
- 现实约束：
- “鲍莫尔成本病”（Baumol’s cost disease）：AI提升可自动化部门（如制造业）效率，但低自动化服务业（如护理）占比扩大，拖累整体生产率（Aghion等，2017）。

3. 分配极化：静态与动态视角
- 静态极化：AI自动化替代中低技能劳动，同时抬高高端人力资本溢价。例如，法律审查等中等技能岗位被AI压缩，而跨学科创新任务仍依赖高技能群体。
- 动态固化：无形资本积累的路径依赖（path dependence）加剧“赢家通吃”。头部企业通过数据垄断和算法标准控制“数字租金”（digital rent），中小企业难以竞争（Korinek & Stiglitz，2021）。

4. 资源瓶颈与“AI型马尔萨斯陷阱”
- 算力需求指数增长：前沿AI模型训练算力每6个月翻倍（Sevilla & Roldán，2024），推高能源与土地成本。
- 系统性风险：资源价格波动可能引发资产泡沫（如芯片短缺），而AI与人类对稀缺资源的竞争或导致“福利挤压”（Korinek & Stiglitz，2018）。

政策建议与价值
1. 增长促进：建立无形资本产权体系（如数据质押融资）、投资公共算力平台，并扶持中小企业AI应用。
2. 分配调节：推行数字技能培训、探索算法超额利润税（excess profit tax），试点全民基本收入（UBI）。
3. 人本治理：借鉴阿西莫夫“机器人三定律”，构建AI安全伦理框架，防止技术失控。

学术价值
- 理论创新：提出“稀缺性转移”分析框架，将AI的经济影响纳入要素稀缺性演化史（从土地→资本→无形资本→实体资源）。
- 现实意义：为平衡AI技术红利与分配公平、资源可持续性提供政策路径，呼应波兰尼（Polanyi）的“社会自我保护”机制。

亮点
- 跨期稀缺性分析：首次揭示AI时代无形资本与实体资源的“双重稀缺性”矛盾。
- 历史对比视角：将“AI型马尔萨斯陷阱”与工业革命前的增长陷阱类比，强调制度协调的核心作用。

（注：全文严格遵循术语规范，如“算力”首次标注英文“computing power”，理论引用均注明学者及年份。）