社区

本文作者陈玉宇，系北京大学光华管理学院教授、北京大学经济政策研究所所长。此文来自陈玉宇教授人工智能课程中的宏观历史专题，将 AI 放置在更长的时间维度下展开分析。

十七、上层向弯，底层外拓

现在可以把这两股力量放到具体的位置上了。

上层是训练模型的公司，投资它们的基金，部署它们的大企业。这一层被账单牵引。它们要融资，要给董事会看数字，要证明替代率。它们的能力建设、数据收集、奖励设计，都按账单的方向走。这一层越来越集中，几家公司，几千亿的投入，几张巨大的账单。

底层是几亿个使用者。他们接上电网，做自己的人工智能时代的“电器”。他们不需要融资，不需要证明市场规模，不需要向任何人解释这件事值多少钱。他们的问题很多不在任何账单上，因为账单上只有那些已经有工资、有行业的活动。这一层越来越分散，每个人在做自己的小实验，绝大多数实验失败了，没有人记录，也没有人在意。

所以人工智能革命同时在发生两件看起来矛盾的事：能力的生产越来越集中，用途的实验越来越分散。上层向内挖那张账单，底层向外试那些没有名字的东西。

这两层之间有一条通道。底层的实验用的是上层训练出来的能力。上层的能力按账单的方向长，所以底层拿到的是一个在完成账单上的任务很强、在账单外偏弱的工具。这也是那个循环的另一面。底层的人在用一个为已有世界优化过的工具，去试新世界的用途。工具在他们最需要它的地方最弱。

这个通道也可以反过来走。底层的某一种用法如果传开了，多到一定程度，它就有了名字，有了用户数，有了可以估值的规模。这时候它就上了账单，上层就会看见它，资本就会进来，模型能力就会往这个方向长。电力时代的电器也是这样从作坊变成产业的。

所以两层之间并不隔绝。底层向外找，找到的东西一旦长大，就变成上层的新锚。这是新用途从下往上的路。只是这条路很慢，而且不保证走得通。问题就在筛选。

十八、当发明不再稀缺，筛选开始稀缺

到这里为止，我一直在说试一个用途的成本降到了很低。现在要说这件事的另一面。

电力时代，做电器贵。昂贵的制造过程先过滤掉了大部分候选，一个想法要变成电器，先要有人为它押钱，押钱本身就是一次筛选。当然电力时代也有大量失败的、没人注意的、没有传开的发明，筛选从来不轻松。但大部分筛选发生在生成之前。

人工智能时代，这道事前的过滤大幅减弱。私人电器每天都可以大量产生。模型自己也可以提出一万种用途。生成不再稀缺，选择、验证和扩散的负担被推到了生成之后。于是问题立刻变成：这么多候选里面，哪一个对别人也有用？谁来发现某个人的私人流程具有一般的价值？谁来验证它在另一个人那里也有效？谁给它起名字，把它标准化，让它传开？传开以后出了错，谁承担？平台能不能看见这些分散的试验？

这些问题以前不重要，因为候选太少。现在候选太多，选择就成了新的瓶颈。甚至可能因为试验太多，选择比以前更难。一个好用法淹没在一百万个用法里，和没有被发明出来差不多。

而且筛选需要的东西和生成需要的东西不一样。生成需要能力，模型有。筛选需要知道什么东西值得要，这个知识来自模型之外，来自那个病人、那个老师、那个小店主，来自他们各自的生活。模型可以提出候选，不能替他们决定哪一个候选对应一个真实的需要。需求的价值不在文本里。

所以大模型降低的是试验的成本，试验的结果仍然要被选择。这一部分说的分散探索，只是把用途发现的前一半变便宜了。后一半，识别、验证、命名、扩散，还是贵的，而且可能比以前更贵。这一层不补上，“底层向外”的图景就太乐观了。

十九、极小的需求有了自己的工具

我们需要再深入一层。

底层那些没有名字的用法，不只是零碎的便利。它们指向一件更大的事。

每一个人都有一些现有行业从来没有定义过的问题。一个病人想知道自己这三年的化验单放在一起说明什么，医生没有时间替他看，也没有一个行业专门做这个。一个老师想给三十个学生三十种不同的练习，教材公司不做这种生意。一个小店主想知道自己的账里有没有什么规律，会计师事务所不接这么小的单。一个孩子想问一个大人没空回答的问题。

这些需求以前太小，太散，太个别，不值得为它专门造工具。没有一个行业会去做它，因为加起来看不出规模，分开看又不值钱。所以它们一直存在，一直没有被满足，也一直没有被估值。经济学里叫它们“需求”都有些勉强，因为它们从来没有进入过市场。

文字、通用计算机、互联网、开源软件，本来也是私人需求可以使用的通用工具，一个人早就可以用它们做自己的事。新的地方在于定制成本。以前一个通用工具要适应一个人的具体问题，要么这个人自己学会编程，要么等有人为这一类问题专门做产品。现在探索的边际成本接近于零。一个人把自己的化验单、自己的账、自己班上的作业交给它，它就为这一个人工作。这就是可行集合扩张：调用一次通用智能的成本降下来，原来不经济的极小需求变得经济。

所以可以这样说：那些细小而各不相同的私人认知需求，第一次有了自己的通用生产工具，而且为个人定制的成本接近于零。生产工具大多是为可估值的需求造的，因为造工具要成本，成本要靠规模回收，规模要靠市场。这一次，没有市场的需求也拿到了工具。如果电力时代有不少新品类是从琐碎的家用电器里长出来的，那么人工智能时代的新品类，可能就藏在这些没有名字的私人用法里，只是要先过筛选这一关。

二十、谁站在市场之外

第一部分留下一个问题：电报是画家做的，电磁感应是装订工出身的法拉第做的。向外的搜索靠站在市场之外的人。人工智能时代，这些人是谁？

我不想把它写成局外人的浪漫故事。法拉第有皇家学会提供稳定的位置。摩尔斯没有这种保障，那几年他经济上很困难，靠合作者、家人以及有限的艺术和教学收入，再加上自己的长期坚持，维持试验。两个人的处境不同，却说明同一件事：无法估值的搜索，必须有人承担一段没有市场验证的时间。这段时间可以由制度承担，也可以由一个人痛苦地承担。

所以与其问他们是谁，不如问他们有什么：谁有不必立刻证明市场规模的探索自由？

人工智能时代有这种自由的地方不少：大学、公共实验室、开源社区、爱好者、非营利机构、和不需要盈利的小团队。还有那几亿个普通使用者，他们做的私人“电器”不需要向任何人证明什么。

但也有一件事和电力时代不同。电力时代站在市场之外的人，用的工具和市场里的人是一样的，电就是电。人工智能时代站在市场之外的人，用的是市场里的公司训练出来的模型。他们的探索自由是真的，他们的工具却是别人按账单指引的方向造的。法拉第的线圈不会因为照明市场很大就变得更适合照明。今天一个在大学里试新用途的人，手里的模型确实因为代码市场很大而更擅长代码。

这一点我暂时不往下推。它只说明一件事：人工智能时代向外的搜索，比电力时代更容易开始，也更难走远。开始容易，因为电网的雏形是现成的，翻译成本很低。走远难，因为工具本身有方向，而且找到的东西还要经过筛选。

但事情还不能就此收住。如果新用途主要是在底层分散试出来的，那么它有一个直接的制度含义。

二十一、全民Token

今天公共政策支持人工智能，办法大体是两种：给模型公司算力，给企业模型券。中国已经有不少算力券和模型券，主要发给企业、科研机构和开发者，申请者要先说清楚自己要做什么。这是在补贴已经被识别的用途。按前面几节的逻辑，它只补贴了上层。

这个区别今天已经很具体。2026年上海的政策甚至把模型券直接叫作“Token券”，但申报者仍然是大模型和智能体的研发、应用单位。它补的是一个已经能够说清楚的项目。我这里说“全民”，改的是领取者。一个企业先写出用途，再申请模型券；一个普通人则可以先拿到一点调用能力，再看看自己的生活里到底有什么值得做。要求申请者事先写清楚用途，本来是财政管理的常规办法，却会天然漏掉那些还没有名字、连申请人自己也说不清会长成什么的用途。

如果用途发现发生在底层，还可以做另一件事：把一小笔用途探索预算交给每个人。我把它叫作全民Token。政府定期给每个居民一笔不可提现、不可转让的模型使用额度，居民拿它调用自己选择的模型，模型公司凭实际使用量向政府结算，没有用掉的额度不形成支出。

全民Token仿照全民基本收入，分配的却是另一种东西。基本收入给人一般的购买力，让人能买已经存在的商品。全民Token给人调用通用智能的能力，让人能尝试还没有名字的用途。两者没有替代关系，前者解决分配，后者解决搜索权的分配。更准确的类比是科研经费。科研经费把探索权交给少数机构，全民Token把一小笔探索权交给每个人。它像一笔分给每个人的微型研究经费，政府不知道新用途在哪里，也不替人规定要解决什么问题，只是让更多的人有机会试。

为什么要发给所有人，而不是挑一批最会使用人工智能的人？因为这项政策要买的就是分散。新用途的知识常常不在专家手里，它藏在具体处境里。老人知道自己每天哪一步最麻烦，老师知道自己班上的学生哪里不一样，小店主知道哪一张表最费时间，病人知道哪一种信息自己反复想问却没人有空回答。政府无法事先知道这些问题分布在哪里，也无法靠一次专家评审把它们挑出来。全民Token的“全民”，不是说每个人都会发明新用途，而是承认新用途可能从任何一个人的私人处境里长出来。

这项政策的理由不只是公平。一个人用模型整理病历、改进教学或者重做小店的流程，首先得到的是私人收益，单凭这一点不足以要求政府补贴。理由在于用途发现的外部性。一个人偶然形成的私人流程，后来可能被许多教师、医生、小企业采用，变成一个产品或者一个行业。最初的使用者承担了试验的成本，却拿不到扩散以后的大部分价值。所以市场提供的试验量会偏少。政府买的不是一次对话，是一个更宽更多样的用途分布，是发现新用途的机会。

它还有一个方向效应。模型公司按已有的账单改进能力。如果只有企业和高收入者能大量调用模型，模型看到的需求也集中在他们那里，能力就往那个方向成长。全民Token让病人、老人、教师、小店主、农村居民和普通家庭也进入模型的反馈来源。它既扩大用途搜索，也改变下一代模型可能看见的方向。

设计上有几条不能让步。额度必须跟着人走，可以在多家合格模型之间使用，否则补贴会变成一两家指定公司的固定收入，政府就在替社会挑技术方向。结算不能按企业自己报告的原始token数，不同模型的token没有共同尺度，按量付费还会鼓励模型把回答拉长，制造没有价值的计算。更好的办法是规定标准的服务单元，让供应商竞争报价。政府不应取得对话内容，它只需要知道某个居民用了多少额度、由哪家供应商提供。病历、家庭问题、私人试验之所以从来没有进入市场，往往正因为它们私人而特殊。如果领取补贴就要交出内容，最有价值的一批新用途反而不会出现。

单纯发额度，大部分可能用在原本就会发生的聊天、写作和娱乐上。可以分两层。第一层是全民的小额基础额度，保证每个人都有试验的机会。第二层是探索额度，给教师、医生、小企业、学生、研究者这些愿意试新流程的人追加，但不预先规定他们要发现什么。使用者可以自愿提交脱敏以后的流程模板，形成一个公共的“电器库”，被别人反复采用的流程，原创者得到额外的额度。这样，私人“电器”才可能从无人看见，走到可以被筛选。但共享不能设为领取基础额度的条件，否则隐私需求和最特殊的需求会最先被排除出去。

额度反而不必很大。它首先要扩大的是使用者的种类和第一次试验的机会，不需要替重度用户支付全部人工智能费用。每个人一小笔，定期重置，没有使用就没有财政支出。一个人拿它聊了几次天，什么也没有发现，也没有关系。用途探索本来就允许大量失败。只要极少数人因此形成了一个原来不会出现的流程，后来又被别人采用，社会得到的就不只是那几次调用的私人收益。

这也说明全民Token和传统消费券的评价方法不同。消费券通常要问拉动了多少消费、乘数有多大。全民Token更应该问另外几件事：有多少原来不用模型的人开始试，有多少私人流程被反复使用，有多少流程被别人复制，有多少最后变成了新的服务和新的企业。它是一项鼓励探索的政策，早期失败很多并不说明政策失败；如果每一次使用从一开始就必须证明价值，新探索反而已经被取消了。

过去的产业政策把资源交给少数被挑中的企业，希望它们找到用途。全民Token走另一条路：政府承认自己不知道用途在哪里，于是不挑企业，不挑行业，不挑问题，只把一小笔探索权交给每个人。训练能力可以集中，发现用途需要分散。政府资助的不只是更大的模型，也应当是更多人试用模型的权利。

电力普及靠的是把插座接进每一户人家。人工智能的普及也不应只靠建更大的模型，它还需要让每个人都能接上它的电网。全民Token，就是人工智能时代的公共插座。

二十二、谁来运行全民Token

全民Token还需要一套运行机制，政府不必亲自经营。

政府不必经营模型，也不必逐笔处理居民的调用。它可以把清算交给一家受严格监管的私人企业。每个人有一个全民Token账户，拿它调用自己选择的模型。模型公司完成服务以后，把用量凭证交给清算公司，清算公司核验，再向政府结算。每次调用完成后，留下的是用量凭证，不是使用者问过的问题。

这家公司的第一个职能像电表加支付网。它把不同模型的计量单位统一起来，比较价格和服务质量，帮使用者在模型之间转换，也替政府防止虚假调用和重复结算。政府只需要决定每个人有多少基础额度，不需要知道他拿这些额度做了什么。

隐私保护必须成为这套制度的底层原则，而且要分开三方各自能看见什么。政府看不到提示词。清算公司不能出售个人使用记录。模型公司未经同意，不能把全民Token产生的内容拿去训练。病历、家庭资料和私人试验，应当允许放进本地模型或者受保护的计算环境。三方各自只掌握完成自己职能所需的最少信息。全民Token给人的是使用智能的权利，不能以交出自己的生活为代价。

分散试验者形成的知识，归试验者。一个教师摸索出的教学流程，一个医生形成的病历整理方法，一个小店主发现的经营工具，不能因为用了公共的Token，就自动归政府、模型公司或者清算平台所有。平台可以提供加密保存、时间戳存证和权利登记。使用者不愿公开，知识就留在自己的保险箱里。使用者愿意传播，平台才帮他验证、许可、取得收入。主动权始终在使用者手里，平台的商业化服务只在他选择公开之后开始。

公共的钱也不能自动换来公共产权。政府资助的是一次探索机会，不是对探索结果的征用。否则最特殊、最有价值的试验会首先退出共享：一个人越觉得自己的方法有价值，就越不愿意把它交给平台。真正需要建设的是一条自愿的路——愿意公开的人能证明自己先发现，愿意授权的人能得到收入，愿意一直私用的人也可以什么都不交。保护这种选择权，本身就是分散探索能够持续的条件。

在此基础上，这家公司会从清算业务里长出一套更大的服务。它可以帮使用者比较模型，可以替使用者加密保存个人数据，可以验证一套私人流程在别人那里是否有效，可以为新用途寻找购买者，也可以把一个人的私人“电器”授权给学校、医院和企业。成熟以后，它还可以提供质量认证、责任保险、收益分配和创业融资。这样就有了一条完整的路：私人试验，私密保存，自愿登记，外部验证，授权扩散，最后变成产品和企业。

这套制度最有价值的地方，可能不在Token本身。全民Token让几亿人开始试，清算与发现平台让其中少数有一般价值的试验不至于消失。前者降低生成的成本，后者降低筛选和扩散的成本。筛选的负担被推到生成之后，这家公司做的正是生成之后的工作。政府提供基础的探索权，私人企业建设连接、验证和交易的能力。

所以这套制度其实在补两种稀缺。第一种是探索权：谁有机会低成本地试。第二种是发现能力：社会能不能从海量私人试验里认出那几个值得扩散的东西。只发全民Token，第一种稀缺会缓解，第二种会很快冒出来；只建发现平台，没有足够多的人先去试，平台也没有东西可筛。前者把入口铺到每个人，后者把少数好用法从私人电脑里带出来。两件事接起来，才像一套完整的用途发现制度。

这家公司和大模型公司做的是两种生意。大模型公司生产通用能力，它组织能力的使用。大模型公司在上层训练，它在底层寻找。大模型公司出售答案，它把无数私人问题慢慢组织成新的市场。今天看，它是一家替政府核算Token的服务商。将来，它可能成为人工智能用途市场的基础设施。

这里有一条底线。可以让一家私人企业先做，不能让它永久成为不可替代的独家入口。清算标准应当开放，账户可以迁移，模型供应商平等接入。运营公司可以成功，可以长出巨大的商业体系，不能靠扣住全民的使用记录和私人知识变成垄断者。否则政府用公共的钱，养出来的是最大的知识攫取者。

第四部分　替代很快，重组很慢

二十三、用途之后还有形式

前三部分说的是一种技术怎样寻找它的用途。用途找到之后，还有一层。围绕这种能力，应当建立什么样的生产形式？一种技术要发现的不只是它能完成什么任务，还有生产应该长成什么样。这可以叫“形式发现”。

于是用途探索有三层。第一层是替代已有的投入，电机替换蒸汽机，模型替代或辅助岗位里的已有任务。第二层是满足新的需求，电梯和冰箱，那些没有名字的私人应用。第三层是重写生产形式，工厂按电重新设计，组织按人工智能重新设计。第三层最慢，收益也最大。电力的历史把这一层写得很清楚。

二十四、电动机进厂的头三十年

电动机在1890年前后就已经够好了。可靠，便宜，比蒸汽机省地儿，也不用锅炉。按理说工厂应该马上换。工厂也确实换了，但换的方式很奇怪。

十九世纪的工厂靠一根天轴传动。蒸汽机带动一根贯穿全厂的长轴，长轴上挂着皮带，皮带带动每一台机床。厂房的形状、机器的排列、工人的位置，都是围绕这根轴设计的。机器要挨着轴放，重的机器要放在离动力最近的地方，厂房要建成长条形，多层楼要一层一层往上传动。

电动机来了以后，工厂做的第一件事是把蒸汽机拆掉，装上一台大电机，接在同一根天轴上。皮带照旧，机床照旧，厂房照旧，工人照旧。省了锅炉和煤，别的一切不变。后来又有一个中间阶段，一个车间一台电机，带一小段轴。这样前后过了大约三十年。

很长一段时间里，电气化的生产率收益没有随着电机的普及而充分显现。经济史家对这段时滞到底有多长、早期收益有多大，今天仍有不同估计。但有一件事是清楚的：电机进入工厂，并不等于工厂已经按电力重新组织。到了1920年代，美国制造业生产率明显加速，围绕电力重新设计生产形式成为其中一个重要部分。

原因不复杂。工厂把新技术塞进了旧形式。电机替换了蒸汽机，但蒸汽机的逻辑还在。天轴是为蒸汽机一个动力源设计的，电机可以有一千个动力源，可是很长时间没有人去用这个可能。

二十五、工厂重建以后

1920年代，事情变了。

变化的关键是每台机床装一台自己的小电机。这件事在技术上早就可以做，一直做得很少，因为天轴还在。等到天轴终于被拆掉，一连串事情跟着发生。

机器不必再挨着轴放，可以按工序的顺序排。厂房不必再建成长条，可以建成单层的大平房，材料从一头进，产品从另一头出。楼上楼下不用传动了，重的机器可以放在地面。屋顶不用承受天轴的重量，可以开天窗，车间第一次亮了起来。皮带没有了，工伤少了。哪台机器坏了，停哪台，不用全厂停工。库存可以按流程放，工人的分工可以按流程定，管理可以按流程算。

福特的移动装配线1913年就在这个方向上出现了。流水生产的想法本身不是电带来的，福特承认受了肉类加工厂传送线的启发。但要把机器按工序排成一条线，动力就得可以随意分布。分布式的电力为大规模、灵活布置的流水生产提供了重要条件。

于是1920年代美国制造业的生产率增长明显加速。这次加速用的电机技术，和三十年前没有本质区别。变的是工厂的形式。

这段历史给的教训很清楚。电力对经济最大的贡献，来自工厂围绕电重新设计以后，而非电机替换蒸汽机的那一刻。替换旧投入的收益有限，重写生产形式的收益大得多。而重写形式比替换投入慢得多。

二十六、人工智能仍然在给旧工厂装电机

拿这段历史看今天，画面很熟悉。

人工智能帮律师更快审合同，帮程序员更快写代码，帮医生更快写病历，帮老师更快备课，帮分析师更快做报表，帮客服更快回答问题。这些都是真的尝试，而且很有价值。

但它们有一个共同的前提：律师这个职业还在，程序员这个职业还在，医院的流程还在，学校的组织还在，公司的层级还在。人工智能被装进每一个现有的岗位，让这个岗位的人干得更快。岗位本身不动，流程本身不动，组织本身不动。

这就是把电机接在天轴上。新技术塞进旧形式，省了一些煤，别的一切照旧。

这个阶段的生产率收益不会是零，因为认知劳动比动力更值钱，替换本身就能省下很多。但它仍然属于替换。它的上限是现有形式的效率，而现有形式是为另一种技术设计的。

二十七、围绕人的认知建成的世界，也围绕责任建成

天轴是为传统蒸汽机这个动力源设计的。现代社会的大量制度，有一部分是为一种有限的认知能力设计的。

一个人一天只能读这么多东西，只能记住这么多事，只能同时想这么多问题，只能和这么多人说话。这些限制决定了很多东西的样子。公司有层级，因为一个人管不了太多人。专业要分工，因为一个人学不了太多东西。信息要汇总，因为上面的人没有时间看全部，所以要有助理、秘书、报告、摘要。咨询公司存在，因为企业自己没有足够的人手去想清楚一件事。

但把这些制度全部解释成人的认知有限，是过于简单的。它们同时在解决别的问题：激励，权威，协调，责任，信任，风险，利益分配。中层不只是因为一个人管不了太多人，还因为要有人对一个部门的结果负责。证书不只是识人，还是出了事以后追究的凭据。审批不只是替不掌握细节的人把关，还是把责任分到每一级的方法。每一种制度中，都有一部分在节约认知，另一部分在配置权威和责任。

人工智能可以大幅降低信息处理的成本，却不一定降低验证和担责的成本。它甚至可能让审批层级增加。生成越多，越需要有人签字。建议越便宜，责任越稀缺。

所以长期的问题不能简单写成“为什么还要有中层、专业和证书”。更好的问题是：这些制度里，哪些部分在节约认知，哪些部分在配置权威和责任？人工智能会消灭前者，还是让后者更加突出？如果是后者，那么天轴拆掉以后，工厂不会变成没有结构的大平房，会变成另一种结构，围绕责任而非围绕认知搭起来的结构。这个问题今天几乎没有人认真问，就像1900年没有人认真问为什么厂房要围绕天轴。

二十八、厂房会老，人会保卫自己的厂房

那么为什么重组这么慢？电力的例子给了一部分答案，人工智能的情况有几处不同。

旧工厂之所以最后被重建，很大程度上因为它老了。厂房会破，天轴会磨损，机器会报废。折旧到一定程度，重建比修补便宜，于是新工厂按新逻辑建。另外一个原因是人。相信天轴的那一代工程师退休了，在电机时代长大的工程师接了班。旧形式的消失，靠的是物理折旧加上一代人的更替。

组织形式的折旧比厂房慢，第一个原因是它的持有人是人。一个职业背后有收入，有身份，有资格，有地位，有晋升的路径，有几十年的教育投资，有一整套组织记忆。一个中层的位置后面是一个人的生计和自尊。一个专业的边界后面是一个协会、一套考试、一批学校。这些东西不会像厂房一样自己变旧。它们会抵抗。持有人会用一切办法证明这个形式还有必要，而且他们往往是对的，至少在局部是对的。厂房不会为自己辩护，职业会。厂房会老，人会保卫自己的厂房。

第二个原因是旧组织周围有一整套互补的东西：法律，客户的信任，供应商的流程，保险，责任链条。这些东西互相咬合，动一样就要动全部。一家医院可以让模型写病历，但病历出错谁负责，法律没有变，保险没有变，患者的信任也没有变。这些不变，形式就不能变。把重组慢全部归到既得利益上，会漏掉这一层，也会把一个结构问题讲成一个利益集团的故事。

还有一个电力时代也有的区别。旧工厂改造慢，新工厂按新逻辑建就快。20世纪早期，那些正在扩张、能够新建厂房的行业，更容易采用围绕电力重新设计的生产形式；老厂则常常继续在旧结构上修修补补。人工智能时代可能也是这样：旧组织长期不动，按人工智能重新设计的新组织突然长大。整体未必比电气化更慢，但会表现为很长时间的不动，然后是一批新东西的突然出现。

未完转下篇

$阿里巴巴(BABA)$ $腾讯控股(00700)$ $京东(JD)$