价格理论的复归：人工智能时代的一篇经济学散文深度解读

背景

本文作者为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陈玉宇。文章发表于霞光社，旨在通过价格理论的视角，重新审视人工智能（AI）对经济结构、市场需求及产业生态的深远影响。

当前社会普遍存在一种基于“旧地基”的焦虑：认为 AI 将简单地替代人类劳动，导致大规模失业，或将 AI 巨头视为垄断抽租者。然而，作者指出，这种观点低估了技术革命的本质。正如电力和互联网曾重塑世界，AI 并非仅仅是在现有任务清单上压缩成本，而是通过降低认知、沟通、试错和匹配成本，极大地扩展了人类的“可行集合”，创造出过去不存在或不可行的产品与服务。

在此背景下，价格理论并未过时，反而因其作为“发现机制”的核心功能而重新变得至关重要。文章通过推演 AI 基础设施可能达到的巨大营收规模，论证了下游应用层生态的爆发式增长必然性，并深入剖析了在差异化、个性化时代，稀缺性形态的转变以及市场机制在发现价值、激励创新和分配资源中的不可替代作用。

核心内容

1. AI 的经济含义：从替代到创造 传统观点将 AI 视为劳动力的替代者，认为其通过降低人力成本导致失业。然而，AI 真正的经济意义在于它降低了生产、试错、匹配和组织成本，从而释放了被压抑的需求，创造了新的交易和产业。站在新技术的边界看，AI 带来的是产品空间和服务空间的爆炸，而非岗位的简单减少。

2. 两万亿美元营收的经济学推演 文章提出一个思想实验：若 OpenAI、Anthropic 等上游基础设施公司在未来十五年内达到年营收两万亿美元，这并非垄断抽租的结果，而是下游价值巨大扩张的体现。

• 中间投入逻辑：下游企业购买 AI 能力是为了创造更大价值。若 AI 成本占下游最终产品成本的 10%-20%，则两万亿美元的上游营收背后，对应着二十至四十万亿美元级别的下游最终产品与服务市场。
• 类比历史：如同电力驱动了庞大的工业体系，云计算支撑了数字经济，AI 基础设施的营收规模取决于其作为“数字电网”所驱动的新经济活动规模。因此，应用层的总体规模将远大于基础设施层。

3. 稀缺性的形态转变：从数量到适配 技术进步并未消除稀缺，而是改变了稀缺的形态。在物质匮乏时代，稀缺表现为数量不足（如粮食、住房）；在富裕且智能的时代，关键稀缺转向了结构性短缺，具体表现为三类：

• 适配性稀缺：产品和服务是否适合特定个人、组织、时刻和情境。AI 让个性化成为可能，但“恰当供给”变得比“任意供给”更稀缺。
• 信任性稀缺：AI 能提供建议，但将信息转化为行动需要信任、声誉和责任。信任关系成为重要的经济资产。
• 方向性稀缺：在可能性爆炸的时代，资本、时间和注意力有限，选择哪条路径、承担何种风险的能力变得稀缺。

4. 价格理论的核心功能：发现与激励

• 发现未知信息：价格不仅是分配已知物品的工具，更是发现未知需求和局部知识的机制。消费者愿意支付的价格包含了其偏好、紧迫程度、风险判断等难以量化的信息。在 AI 极大丰富供给的情况下，价格机制是筛选真需求、检验企业家猜想的核心手段。
• 压缩局部知识：市场价格将分散在无数个体中的局部知识转化为可观察的行动信号，这是任何中央算法无法替代的。
• 激励结构：创新依赖于激励。利润是发现正确方向的奖励，亏损是错误方向的信号。若缺乏对利润的尊重和保护，若失败成本过高或监管过早固化新服务，应用层创新将难以繁荣。

5. 应用层的崛起与具体场景 未来最大的机会在于应用层，即把通用智能嵌入具体场景，转化为解决方案、体验和信任关系。

• 健康管理：不仅是医学建议，而是包含家庭医生、可穿戴设备、保险激励等在内的长期行为改变系统。
• 教育：不仅是知识生成，而是结合认知状态、家庭背景和激励机制的陪伴与成长系统。
• 企业管理：不仅是任务自动化，而是重组信息流、决策权和激励机制的组织变革。 这些应用层公司通过理解具体场景、建立信任和承担责任，将 AI 能力转化为可持续的交易。

关键要点

• 旧思维误区：认为 AI 只是替代现有劳动或导致垄断抽租，是站在“旧地基”上的想象力局限。
• 可行集合扩展：AI 的核心价值在于降低认知、沟通、试错和匹配成本，使过去不可行、太昂贵或太分散的产品和服务进入人类可行集合。
• 上下游关系：上游基础设施（模型/算力）的巨额营收依赖于下游应用层创造的巨大价值。应用层规模将远大于基础设施层，如同电力驱动了比发电本身更大的工业体系。
• 新型稀缺性：
  • 适配性：从“有没有”转向“适不适合”。
  • 信任性：从“信息本身”转向“让信息转化为行动的信任关系”。
  • 方向性：从“生成方案”转向“选择路径和承担风险”。
• 价格机制的复归：
  • 价格不是冷冰冰的分配工具，而是发现装置，用于在不确定性中筛选真需求、检验企业家猜想。
  • 价格机制压缩分散的局部知识，这是中央计划或算法无法完全替代的。
• 激励的重要性：
  • 创新是激励结构下的经济行为，而非技术函数的自然结果。
  • 利润、产权、竞争和自由进入是激发应用层创新、允许小众需求被服务、让错误迅速暴露的制度基础。
• 应用层的关键能力：未来巨头不仅是拥有最强模型的公司，更是最能理解具体场景、组织互补资产、建立信任并将智能转化为生活服务和生产流程的公司。

意义与影响

1. 对政策制定者的启示 政策制定者应警惕“计划幻觉”，即认为 AI 可以简化为计算问题并由中心机构统一规划。相反，应致力于维护价格机制的有效运行，保护产权，尊重利润作为创新激励的作用，并避免过早将新兴服务固化在旧监管分类中。竞争不仅是模型能力的竞争，更是制度激励的竞争。

2. 对企业和创业者的指引

• 基础设施公司：不应仅关注模型参数的优化，而应思考如何降低下游应用层的开发成本，构建繁荣的生态系统。
• 应用层企业：机会不在于提供通用的 AI 工具，而在于深入垂直场景，解决适配性、信任性和方向性问题。成功的关键在于将智能嵌入流程，建立信任关系，并承担相应的责任。
• 价值主张：消费者和企业购买的不是“Token”或“模型”，而是被解决的问题、被改善的生活、更低的库存或更高的转化率。

3. 对社会认知的重塑 文章呼吁社会重新理解技术与经济的关系。AI 不会导致乌托邦式的丰裕或反乌托邦式的失业，而是开启一个更加细密、深入微观层面的市场时代。在这个时代，个性化与规模化可以同时发生，但社会需要更有效的机制（即价格和市场）来发现价值、分配资源并激励创新。忽视价格理论和市场激励，将导致 AI 潜力无法转化为真实的经济繁荣。