《人工智能经济学》全套教学课件

第1章

导论

《人工智能经济学》第1章导论第2章数据供需、价格与产权第3章人工智能、消费者决策和行为第4章人工智能、生产者决策和行为第5章人工智能、市场结构与产业组织第6章人工智能与要素市场第7章人工智能、政府决策与公共经济政策第8章人工智能与经济增长第9章人工智能与国际贸易第10章人工智能与金融第11章人工智能与就业第12章人工智能与收入分配第13章人工智能经济学研究方法第14章-人工智能经济学-未来展望全套可编辑PPT课件本章内容1.1人工智能经济学的诞生背景1.2人工智能经济学的学科特性与研究内容1.3本书的结构体系与主要特色1.1人工智能经济学的诞生背景1.1.1人工智能发展的社会经济动因与阶段演进技术萌芽与国家战略主导期（1950s-1970s）：该阶段的人工智能发展深受冷战时期大国竞争和国家安全需求影响，符号主义范式在早期研究中占主导地位。知识工程与产业化初步探索期（1980s-1990s）：AI技术的商业化应用具有市场空间，专家系统成为该阶段人工智能的研究热点。数据驱动与互联网经济崛起期（2000s-2010s）：AI研究范式从“符号主义”向“连接主义”转变，“AI即服务”等新兴商业模式普及。智能融合与全球战略竞争期（2020s至今）：开源与闭源并存、竞争与合作交织；产业应用进入全面渗透阶段。1.1人工智能经济学的诞生背景1.1.2人工智能驱动形成智能经济人工智能赋能传统经济要素：数据成为关键生产要素；人工智能赋能劳动与资本要素，重塑“企业家才能”。人工智能与经济领域广泛深度融合：人工智能深入生产、分配与流通、交换与消费，推动经济体系向网络化、智能化与精准化范式跃迁。人工智能引发经济形态与政府治理系统性变革：产业组织深层变革；增长范式逻辑重构；政府治理敏捷转型。1.1人工智能经济学的诞生背景1.1.3智能经济的内涵特征与发展趋势（1）智能经济是在新一代信息技术革命驱动下，由数据要素化、算法智能化与算力普惠化共同引发的一种新型经济形态。智能经济的四大特征：数据驱动，数据成为关键生产要素；人机协同，人工智能与人类智慧深度融合；跨界融合，打破产业边界、重构价值链并催生新业态；共创分享，形成开放协同的价值分配机制。1.1人工智能经济学的诞生背景1.1.3智能经济的内涵特征与发展趋势（2）2025年8月中国国务院印发《关于深入实施“人工智能+”行动的意见》：第一阶段（2025-2027年）为深度融合突破期，重点推动人工智能与制造业、农业、金融、物流、能源、文旅等六大领域的深度融合，新一代智能终端和智能体的应用普及率超过70%。第二阶段（2028-2030年）为全面赋能成长期，人工智能应用普及率超过90%，智能经济成为重要经济增长极，技术普惠和成果共享机制基本建立。第三阶段（2031-2035年）为成熟完善期，智能经济与智能社会全面发展，形成现代化经济体系的核心支撑。1.1人工智能经济学的诞生背景1.1.4人工智能经济学的诞生2018年，阿杰伊·阿格拉沃尔（AjayAgrawal）、乔舒亚·甘斯（JoshuaGans）和阿维·戈德法布（AviGoldfarb）合著《AI极简经济学》;

2019年出版《人工智能经济学》,

2022年出版《权力与预测·人工智能的颠覆性经济学》日本九州大学马奈木俊介教授编著《人工智能经济学：生活、工作方式与社会变革》2024年中金研究院、中金公司研究部在中信出版社出版《AI经济学》2025年任保平主编出版《人工智能经济学教程》李涛、徐祥于2025年出版《人工智能经济学》1.2人工智能经济学的学科特性与研究内容1.2.1人工智能经济学的学科特性（1）学科属性：人工智能经济学呈现“双重归属”特征，它既是理论经济学的延伸与突破，又是应用经济学的前沿与拓展。人工智能技术正在重塑经济系统的微观基础和宏观运行机制，这要求对传统经济学的核心假设（如理性人假设、市场均衡理论）和行为理论进行根本性的反思与重构。人工智能经济学具有应用经济学特征。其研究议题如人工智能产业的竞争政策设计、自动化对劳动力市场的冲击测算、针对算法价格歧视的反垄断监管、以及人工智能在金融、医疗、交通等领域的效率评估，均聚焦于现实经济问题的诊断与解决。1.2人工智能经济学的学科特性与研究内容1.2.1人工智能经济学的学科特性（2）六大学科特征：范畴拓展：拓展并重塑经济学的核心范畴高度交叉：知识体系深度融合了经济学、计算机科学（尤其是机器学习、算法理论）、复杂系统科学、社会学、法学与伦理学系统复杂：人工智能经济是由海量异质智能体（人类与AI）、多元算法、复杂网络和数据流构成的巨系统1.2人工智能经济学的学科特性与研究内容1.2.1人工智能经济学的学科特性（2）六大学科特征：伦理嵌入：价值判断、伦理考量、经济效率、公平分配、隐私保护、人权保障等目标之间需要权衡。动态演进：人工智能技术本身处于快速迭代中，其经济影响随之不断演变。研究结论可能具有时效性，学科体系必须保持开放。全球治理：人工智能涉及技术标准制定、全球价值链分工、安全准则、国际规则与多边治理等国际竞争与合作议题。1.2人工智能经济学的学科特性与研究内容1.2.2人工智能经济学的研究对象

人工智能经济学的研究对象，是人工智能技术作为核心生产要素与经济系统相互作用所形成的特殊经济规律、资源配置方式、价值创造模式及社会生产关系演变。相较于以稀缺资源配置为核心的微观经济学，它更关注数据与智能资源的非竞争性、低边际成本等独特属性，这些属性对传统的资源稀缺性假设带来了新的见解与挑战。与聚焦短期波动与长期增长的宏观经济学相比，它深入探究智能驱动的经济增长新机制（如算法优化带来的全要素生产率提升）、新型经济周期（技术迭代周期与经济周期的融合）以及“智能失业”与“人机协作”对宏观经济政策的重塑。1.2人工智能经济学的学科特性与研究内容1.2.2人工智能经济学的研究对象与信息经济学主要研究信息不对称下的市场行为不同，它进一步分析算法共生下的市场透明性与算法合谋可能性、数据产权界定与交易机制等前沿问题。与技术经济学侧重于技术创新扩散与政策不同，它更强调智能技术自身演进的经济动因及其与经济社会发展的双向反馈机制。1.2人工智能经济学的学科特性与研究内容1.2.3人工智能经济学的研究内容

人工智能经济学的研究内容并非一成不变，而是伴随着人工智能技术的演进及其与社会经济融合的变化，呈现出显著的动态性与演进性。当前人工智能经济学的主要研究内容，包含但不限于以下层面：微观基础层面市场结构与产业组织层面宏观经济层面制度、伦理与公共政策层面1.3本书的结构体系与主要特色1.3.1本书的结构与内容本教材整体遵循“微观行为→市场结构→宏观效应→方法与展望”的逻辑结构，系统阐述人工智能对经济体系的多层次影响。全书共十四章，可分为四部分。第一部分（第1-4章）：基础理论与微观经济分析第二部分（第5-7章）：中观市场结构与公共经济政策第三部分（第8-12章）：宏观经济影响第四部分（第13-14章）：研究方法与未来展望1.3本书的结构体系与主要特色1.3.2本书的主要特色逻辑框架系统：构建了“微观行为—市场结构—宏观效应—方法与展望”四层次递进式分析框架理论体系拓展：对多个经济学核心概念与模型进行了重要拓展，将数据要素或人工智能技术纳入效用函数、生产函数、增长函数及市场均衡等经典理论分析中实践应用融合：注重理论紧密结合实践，通过数字贸易、智能制造、智慧医疗、数字金融等多领域案例与场景分析，生动呈现人工智能技术在实际经济系统中的运作与机制创新163第2章数据供需、价格与产权

《人工智能经济学》本章内容2.1数据要素的供给与需求2.2数据价值与数据价格2.3数据产权2.4数据市场的政府规制2.1数据要素的供给与需求2.1.1数据要素的概念及特征数据要素：以电子形式存在的、通过计算的方式参与生产经营活动并给所有者或使用者带来经济效益的数据资源，与土地、劳动力、资本、技术等传统生产要素共同构成现代经济发展的基础经济属性特征社会属性特征2.1数据要素的供给与需求2.1.1数据要素的概念及特征经济属性特征数据要素的使用不会因被某一主体使用而减少或影响其他主体对同一数据的使用，即数据的边际使用成本趋近于零非竞争性排他性当某个人使用或消费某种数据产品和服务时，无法或难以阻止其他人使用或消费，或者排除的成本非常高，或者虽然在技术上可以排斥，但排斥是不经济的，或与公众共同利益相违背的，因而是不允许的非排他性数据要素的价值随使用规模的扩大呈指数级增长规模效应数据所有者可通过技术、法律或经济手段阻止他人使用数据2.1数据要素的供给与需求2.1.1数据要素的概念及特征经济属性特征个人数据涉及隐私，滥用可能导致算法歧视等伦理风险隐私与安全敏感性公共品属性与治理需求大型企业可能凭借海量数据优化推荐算法，形成数据垄断，中小企业和新进入者难以获取同类数据进行创新，导致领域出现“强者恒强”的马太效应垄断与公平竞争争议公共安全数据、环境监测数据等数据具有公共品属性2.1数据要素的供给与需求2.1.2数据要素供给开放共享模式：公益驱动的基础数据供给市场化交易模式：商业驱动的数据价值变现合作共建模式：跨主体协同的数据生态构建用户生成模式：个人数据的合规化利用技术赋能模式：以算法与算力优化数据供给效率物联网实时供给模式：设备即数据生产者跨境数据供给模式：全球化数据要素配置数据信托模式：第三方托管的数据合规供给2.1数据要素的供给与需求2.1.3数据要素需求企业对数据的需求源模型训练与算法优化决策支持与商业洞察产品与服务的智能化创新与竞争优势的源泉数据需求的演进趋势精细化治理粗放式收集合成数据与数据服务原始数据垂直场景专业化数据通用数据数据生态与联邦学习数据孤岛实时数据流与预见性需求事后分析2.1数据要素的供给与需求2.1.4数据要素的供求关系规模失衡对数据的需求指数级增长，但可用互联网内容的增长速度缓慢，大模型训练依赖的互联网通用语料资源趋近枯竭，数据供需矛盾突出社交媒体虚假信息等低质量数据泛滥，高质量、高价值数据资源相对稀缺，垂直领域对专业数据需求迫切，行业场景化数据因标注成本高、标准化程度低，有效供给严重不足数据噪声与缺失影响着AI模型的准确性和泛化能力结构错配数据壁垒与AI跨行业需求矛盾。出于商业秘密、数据安全等因素考虑，数据开放意愿不足，企业、政府、机构间的数据壁森严，导致部分高价值数据供给不足，AI模型面临“数据不可见性陷阱”。头部企业通过“数据-算法-用户”闭环形成垄断，高质量标注数据价格高昂，中小开发者数据获取成本高，导致结构性失衡2.1数据要素的供给与需求2.1.4数据要素的供求关系时空错配电商实时推荐、智能交通调度等在线决策系统对实时数据的需求激增，对数据采集、传输效率要求更高，历史数据难以满足实时AI需求金融高频交易、自动驾驶等要求数据毫秒级更新，但网络传输与处理速度难以满足实时需求物联网设备日均产生海量数据，但边缘计算和实时处理能力不足，导致大量数据因延迟或存储成本被丢弃权属冲突产权权属模糊与收益分配争议。AI训练需要海量个人数据，但数据的权属复杂，所有权、使用权、收益权界定不清许多新闻出版商和网站阻止网络爬虫和人工智能企业获取其内容用于训练，进一步加剧了数据要素的紧张2.2数据价值与数据价格2.2.1数据价值与数据价格的基本内涵数据价值：数据作为生产要素，通过采集、处理、分析和应用，在经济、社会和技术层面创造的潜在效用，为个人、企业、社会等主体创造的经济利益或社会效益核心价值驱动AI技术发展重塑生产方式变革商业模式提升社会治理效能无形性与依附性：数据价值不独立存在，需依附于具体应用场景动态性与时效性：数据的价值随时间和场景变化聚合效应：单一数据的价值有限，多维数据融合后价值指数级增长数据价格：数据买方所需要付出的代价或付款，是数据价值的货币表现2.2数据价值与数据价格2.2.2数据价格与数据价值的分离性数据价格高于数据价值数据垄断与稀缺性溢价合规成本推高交易价格投机性交易导致价格虚高数据价格低于数据价值公共数据低价或免费流通个人数据被低估与无偿使用数据产权模糊导致价值漏损2.2数据价值与数据价格2.2.3数据定价与影响因素基于价值评估的定价效用定价法（价值定价）：基于数据所能创造的收益定价，适用于高价值、稀缺性数据，如金融风控数据、医疗影像数据市场竞价：通过拍卖、招投标等方式确定数据要素价格，受数据供给和需求关系的影响，适用于稀缺数据、实时交易市场基于成本补偿的定价策略基于数据采集、清洗、存储、标注等成本加成定价，适用于标准化、可批量复制的数据完整性时效性准确性稀缺性……可替代性数据定价的影响因素2.3数据产权2.3.1数据产权理论三权分置所有权收益权使用权数据产权的基础归属数据流通的核心权利利益分配的核心依据2.3数据产权2.3.2个人数据与商业数据的产权边界产权边界的核心争议争议焦点：企业能否完全“拥有”基于用户行为生成的数据？用户是否对衍生数据享有权益？数据的控制权与使用权个人对自己的数据拥有控制权，有权要求数据控制者删除、更正自己的数据。但难以对匿名化后的衍生数据主张权利。企业对其合法收集和产生的商业数据拥有一定的控制权和使用权，但不能侵犯个人数据主体的权利，也不能违反法律法规和商业道德数据的收益权企业通过对商业数据的分析和利用，可以获得商业价值，从而实现经济收益个人数据在一定程度上能为个人带来收益，当个人数据被企业用于商业目的时，个人有权要求获得合理的补偿2.3数据产权2.3.3人工智能对数据产权理论的扩展产权客体从“原始数据”扩展到“衍生数据资产”权利结构动态分置“算法规制”纳入产权理论框架从“统一规则”到“领域定制”的“场景化”产权伦理嵌入数据产权体系技术驱动产权理论创新2.3数据产权2.3.4数据产权制度实践与启示欧盟数据产权制度《通用数据保护条例》（GeneralDataProtectionRegulation，GDPR）《数据治理法案》（DataGovernanceAct,DGA）《数字市场法案》（DigitalMarketsAct，DMA）《数据法案》（DataAct,DA）《人工智能法》美国数据产权制度尚无统一的“数据产权法”单行法的保护范围相对有限各州立法：《加州隐私权法案》（CaliforniaPrivacyRightsAct，CPRA）、弗吉尼亚州、科罗拉多州等十多个州法案2.3数据产权2.3.4数据产权制度实践与启示启示平衡数据保护与利用分类分级确权授权机制多元化立法和动态治理模式注重数据产权登记和市场体系建设技术赋能驱动数据治理2.4数据市场的政府规制2.4.1反数据垄断的监管框架监管原则动态性：监管框架必须能适应快速变化的技术和市场环境，综合考虑数据优势、算法能力和生态系统控制力等指标，动态评估“数据市场支配地位”，并结合数据生命周期和市场反馈实时调整评估结果前瞻性：事前监管是现代反数据垄断的核心，提前识别风险并设置“护栏”针对性：针对数据的网络效应、数据壁垒、平台多归属等特殊性设计规则场景化分类：区分公共数据、商业数据和个人数据，制定差异化规则全球协作性：国际监管机构之间协调与合作，减少企业合规成本和法律冲突2.4数据市场的政府规制2.4.1反数据垄断的监管框架监管机构与职责欧盟《人工智能法案》预设一个专门的国家监督机构美国没有统一设置人工智能监管机构，监管主体包括联邦政府及其相关部门或机构、州政府及其相关部门或机构中国的市场监督管理总局是反垄断执法机构，国家发展和改革委员会、商务部等，也发挥着各自的作用监管机制欧盟采取分级多样监管方式，实行高额的行政处罚，将公私机构一起纳入监管范围美国强调政府部门与私营部门的协作，通过发布白皮书、指南等形式为市场提供监管参考，地方政府也会以立法形式进行监管中国强化事前事中事后全链条监管效能2.4数据市场的政府规制2.4.2数据跨境流动的税收与安全审查国际税收协调欧盟数字服务税（Digitalservicestax，DST）与美国的“数字服务税”立场分歧显著，企业可能通过数据资产转移定价规避税负，加剧税收管辖权冲突中国与德国、新加坡签署数据跨境流动合作备忘录，通过双边协议明确税收管辖权划分，建立“中德数据政策法规交流”对话机制，推动数字服务税规则互认数据跨境流动的安全审查将数据分为个人数据、重要数据、核心数据三类，对涉及国家安全的AI训练数据实施严格出境限制可建立“AI训练数据跨境流动沙盒”，在受控环境中测试创新引导企业构建“数据地图”，对跨境数据进行全生命周期溯源管理，建立跨境数据泄露“熔断”机制2.4数据市场的政府规制2.4.3公共数据开放与特许经营建立公共数据动态分类体系公共数据分为无条件开放、受限开放和禁止开放三类，禁止开放涉及国家安全、商业秘密的原始数据，公共事业单位数据默认开放，要求开放数据格式标准化、动态更新，受限开放数据可以脱敏后开放，或通过签订协议定向提供，既保障数据安全，又通过“原始数据不出域、数据可用不可见”技术实现数据价值释放推动重点领域数据开放与场景化应用可建设“AI训练数据池”，对公共数据进行统一授权和收益分配探索公共数据特许运营针对公共数据资源供给数量不足、质量不高及缺乏统一标准和规范等痛点问题，政府可将公共数据资源授权给特定的机构或企业开发利用，探索“基础服务免费+增值服务收费”模式，以提升公共数据利用质效，挖掘数据要素的商业价值和社会价值2.4数据市场的政府规制2.4.4数据要素统计核算的国民经济账户调整生产账户的调整收入形成与分配账户的调整资产负债表的数据资产化改造对外经常账户和对外资产负债表的调整GDP核算的分层计入机制第3章

人工智能、消费者决策和行为

人工智能经济学本章内容3.1人工智能对消费者行为理论的拓展3.2人工智能对消费者决策过程的分阶段影响3.3AI引致消费者行为变化的微观经济效应3.4人工智能对消费者场景的重塑3.1人工智能对消费者行为理论的拓展3.1.1突破了传统效用理论中理性人的假设AI技术的出现并未实现“完全理性”，却通过技术赋能显著突破了有限理性的边界，同时也引发了偏好形成机制的深刻变革。一是有限理性的增强：AI辅助决策改善认知局限。AI通过大数据处理、机器学习与智能算法，有效弥补了人类的认知短板。二是偏好内生性：推荐系统塑造而非反映偏好。以算法推荐为核心的AI系统正在改变偏好的形成机制，使个体偏好呈现出显著的“内生性”特征——偏好不再是预先存在的，而是被AI系统主动塑造的结果。3.1人工智能对消费者行为理论的拓展3.1.2优化了消费者效用函数的核心变量AI的个性化推荐技术通过降低信息成本、挖掘潜在偏好，直接优化了效用函数的核心变量，实现效用提升。一是协同过滤算法：基于“相似性”预测偏好，降低信息摩擦。协同过滤推荐模式直接降低了消费者的“信息搜寻成本”，相当于在效用函数中减少了“成本项”，同时提升了“偏好匹配项”的效用值。二是深度学习模型：挖掘非结构化数据，丰富效用维度。深度学习模型推荐模式将“视觉效用”“场景效用”纳入消费者效用函数，打破了传统结构化信息的局限，使效用计算更贴近真实需求。3.1人工智能对消费者行为理论的拓展3.1.3推动了边际效用理论的发展

AI使数字商品的生产与分发趋近“零边际成本”，同时通过网络算法与平台联通，放大了消费的“互联效应”。一是零边际成本：数字商品的效用稳定化。边际效用不再随消费数量的增加而递减，反而可能保持稳定甚至略有上升。这种“边际效用非递减”的现象，彻底打破了传统边际效用递减规律的适用场景，推动边际效用理论向数字经济场景延伸。​二是网络外部性：互联消费下的边际效用递增。在AI驱动的社交平台中，一个用户使用社交平台的效用，随使用该平台的其他用户数量的增加而递增，这一现象使边际效用呈现出“递增”特征，与传统理论中的“递减”形成鲜明对比。3.1人工智能对消费者行为理论的拓展3.1.4产生了消费者行为新理论范式AI催生出了全新的消费者行为理论范式，不仅能够更好地解释当下的消费行为，也为未来消费者行为研究提供了新的方向。​一是算法驯化理论。一方面，消费者会通过一系列刻意的行为，向算法传递自己的偏好信息，从而“训练”算法；另一方面，算法在接收并分析这些信息后，会根据自身的逻辑和模型，向消费者推送相应的内容。二是数字代理决策理论。随着AI技术的不断发展，越来越多的AI代理开始出现在消费场景中。这些AI代理不再仅仅是辅助消费者决策的工具，而是开始替代人类做出部分消费决策。3.2人工智能对消费者决策过程的分阶段影响3.2.1需求识别阶段在个性化推荐触发需求方面，AI算法如同为每位消费者打造了专属的“需求雷达”。以协同过滤、自然语言处理（NLP）为代表的核心算法，会深度挖掘消费者的历史数据。除了唤醒现有潜在需求，AI还具备预测性需求分析能力，成为消费者需求的“预言家”。它能基于外部环境数据与用户行为数据的结合，预判消费者在未来一段时间内可能产生的需求。3.2人工智能对消费者决策过程的分阶段影响3.2.2信息搜索阶段AI通过智能搜索技术与实时交互工具，大幅缩短了信息搜索路径，提升了信息获取的精准度与效率。AI借助智能信息聚合与筛选技术缩短路径，能自动爬取、整合多平台信息。实时交互工具进一步提升效率，相当于为消费者配备了“专属信息筛选助手”，将原本数小时的搜索过程压缩至十几分钟，同时减少因信息偏差导致的决策失误。3.2人工智能对消费者决策过程的分阶段影响3.2.3方案评估阶段动态比较工具借助AI的实时数据分析能力，成为消费者的“专业比价师”与“参数分析师”。虚拟体验技术则通过AR（增强现实）等技术，让消费者在购买前就能“亲身体验”产品，大幅降低了感知风险。AI在方案评估阶段的深度参与，也带来了消费者行为的显著变化。3.2人工智能对消费者决策过程的分阶段影响3.2.4购买决策阶段自动化决策辅助技术让购买过程变得更加便捷、流畅，减少了决策中断的可能性。在动态定价与促销方面，AI能够基于市场需求、用户画像、竞争环境等多维度数据，实现实时调价与个性化促销，提升购买转化率。AI在购买决策阶段的应用也引发了严重的伦理争议，其中“大数据杀熟”问题最为突出。3.2人工智能对消费者决策过程的分阶段影响3.2.5购后行为阶段

购买行为完成并不意味着消费者决策流程的结束，购后行为阶段同样至关重要。AI在这一阶段的应用，不仅能够提升售后服务效率，还能通过情感分析精准把握消费者需求，增强消费者与品牌之间的粘性，为品牌创造长期价值。突出表现在：智能售后支持技术让售后流程更高效、更便捷，有效提升了消费者的购后体验。情感分析技术则为品牌的忠诚度管理提供了精准的决策依据。AI在消费者购后行为环节的深度赋能，为品牌创造了可观的长期价值。3.3AI引致消费者行为变化的微观经济效应3.3.1消费者需求曲线的结构性变迁AI对需求曲线的结构性变迁的影响是多维度的，既通过改变消费者偏好和生产效率间接影响需求，也通过创造新产品和服务直接重塑市场结构。在AI深度渗透的行业中，需求曲线将更动态、非线性且高度细分。一是催生个性化需求。二是塑造动态需求。三是价格敏感性影响需求。四是需求曲线局部呈现刚性化特征。3.3AI引致消费者行为变化的微观经济效应3.3.2消费者交易成本的范式转移AI对消费者交易成本的影响是多方面的，主要体现在以下几个方面。一是搜索成本趋零。二是验证成本下降。三是决策成本的自动化。决策成本的自动化表现在两个方面：AI代理消费；信任成本转移。3.3AI引致消费者行为变化的微观经济效应3.3.3消费者剩余的再分配改变AI对消费者剩余的再分配效应呈现出复杂的“双刃剑”特征：一方面通过效率提升和技术普惠扩大总剩余，另一方面通过算法权力集中和数据垄断加剧分配不均。一是剩余分配的极化。一方面，技术赋能群体优势凸显；另一方面，技术弱势群体面临福利损失。二是平台捕获消费者剩余。三是社会福利的净影响。从短期来看，交易成本降低促进总剩余提升。从长期来看，市场集中度问题会导致社会福利受损。3.4人工智能对消费者场景的重塑3.4.1购物决策场景

AI技术凭借其强大的数据处理、模式识别与自主学习能力，正从需求洞察、信息匹配、信任重建到决策代理的全流程，对传统决策链条进行颠覆性重构，让决策从依赖经验判断的“模糊博弈”，转变为基于数据与算法的“精准行动”。​一是需求洞察：从模糊意图到精准预测。二是信息匹配：从人找货到货找人。三是信任重建：从主观判断到算法认证。四是决策代理：从自主选择到AI代劳。3.4人工智能对消费者场景的重塑3.4.2服务体验场景

AI技术的突破性发展，正成为构建个性化服务生态的核心引擎。这一生态以数据为基础、算法为核心、场景为载体，实现了从需求洞察、服务供给到体验优化的全链路革新，彻底改变了传统服务模式的底层逻辑，为各行业带来了效率提升与用户粘性增长的双重价值。​一是需求精准洞察：从“模糊画像”到“实时感知”。二是服务供给重构：从“固定流程”到“动态适配”。三是体验持续进化：从“一次性交付”到“终身学习”。3.4人工智能对消费者场景的重塑3.4.3社交互动场景

在数字技术飞速迭代的浪潮中，AI正以不可逆转的态势渗透社交领域的每一个环节，推动传统社交生态从底层逻辑到表层体验的全面重构。尤其在内容生产、社交关系、互动模式三大维度，呈现出从传统模式向智能化、精准化、价值化转型的鲜明特征。​一是内容生产：从UGC的“个体创作”到AIGC的“全民共创”。二是社交关系：从“随机连接”的低效匹配到“智能匹配”的精准链接。三是互动模式：从“点赞评论”的浅层互动到“价值共创”的深度协作。第4章

人工智能、生产者决策和行为

人工智能经济学本章内容4.1人工智能对生产者行为理论的拓展4.2人工智能对生产者决策与行为的影响4.3AI引致生产者行为的微观经济效应4.4人工智能对生产者场景的重塑4.1人工智能对生产者行为理论的拓展4.1.1生产函数的生产要素重组AI技术的普及，让生产要素体系迎来根本性重构——数据（D）、算法（A）、算力（C）成为与传统要素同等重要的核心生产要素，形成新的生产函数公式：Q=f(K,L,T，D,A,C)

这三大新要素并非孤立存在，而是通过“数据驱动算法、算法依赖算力、算力反哺数据价值”的协同逻辑，直接决定生产效率的上限。其中，数据（D）是AI时代的“数字石油”，贯穿生产全流程的价值基石。算法（A）是生产决策的“智能大脑”，能够破解复杂场景的优化难题。算力（C）成为AI运行的“能源动力”，支撑大规模模型落地的硬件基础。4.1人工智能对生产者行为理论的拓展4.1.2成本函数的成本构成重塑AI通过强化规模经济、范围经济效应，以及重塑成本构成，让生产效率实现量级跃升，同时推动成本结构从“重人力、重原材料”向“重技术、重数据”转型，打破传统生产的成本约束。

同时，在AI技术从实验室走向规模化应用的过程中，其成本结构随着技术成熟度、应用规模与行业环境的变化呈现出清晰的动态演进路径。在每个阶段的成本函数特征、驱动逻辑与实际影响均存在显著差异。4.1人工智能对生产者行为理论的拓展4.1.3生产可能性空间的重构

生产边界的本质是在资源约束下企业所能达到的最大生产能力上限，而人工智能通过技术创新与模式革新，从根本上突破了这一限制。一方面，突破传统生产可能性边界：用技术优化释放资源潜力。人工智能则通过精准化、前瞻性的技术手段，优化资源配置，将PPF曲线向外推移，实现“更少投入、更多产出”的突破。另一方面，新生产模式的出现：从“标准化大规模”到“个性化高效化”的转型。人工智能催生了适应新时代需求的全新生产形态，这些模式以“需求驱动”“灵活协同”为核心，彻底重构生产与消费的关系。

4.1人工智能对生产者行为理论的拓展4.1.4市场竞争策略的迭代变革

在数字经济时代，AI技术的飞速发展，正深刻改变着市场竞争的格局，推动了关键竞争策略的算法化转型，使定价策略、产品差异化策略和渠道竞争策略等核心竞争手段发生了根本性变革。一是定价策略：从博弈论到深度博弈网络。二是产品差异化：生成式AI重构创新流程。三是渠道竞争：多智能体路径优化。

4.2人工智能对生产者决策与行为的影响4.2.1市场预测与需求分析：从经验驱动到数据智能市场全景预测。AI技术的发展为市场预测带来了全新的视角和方法，其中多模态数据融合是关键的变革之一。AI能够高效地整合文本、图像、语音、IoT传感器等异构数据，从而构建出更为全面、高维的需求图谱。实时动态预测。AI驱动的实时动态预测技术使市场预测如同“导航仪”一般，能够根据实时路况及时调整预测方向。强化学习（RL）技术在实时动态预测中发挥着核心作用。预测精度不断提升。在AI驱动的市场预测领域，数据与算法之间形成了强大的正反馈循环，成为企业构建竞争壁垒的关键因素。4.2人工智能对生产者决策与行为的影响4.2.2生产流程优化：柔性制造与资源协同动态生产线重构：AI驱动的动态生产线，通过数字孪生技术与智能控制算法，实现了模块化重构。资源智能协同：AI通过实时数据采集（IoT传感器）+智能优化算法，构建起全局资源“指挥中枢”。优化质量控制：AI通过机器视觉+数据溯源分析，实现了质量控制的全流程穿透与事前预防。构建新型模式：AI与自动化技术的发展，构建了人机协同的新型生产模式，实现“1+1>2”的协同效应。4.2人工智能对生产者决策与行为的影响4.2.3动态决策体系：从静态模型到实时响应实时提供决策数据支撑：AI的首要作用是打通“数据烟囱”，通过全域数据湖与边缘计算，实现多源数据的实时整合与分析，为决策提供“全景式”数据支撑。自动化决策代理愈发普遍：AI通过“规则引擎+强化学习”构建的自动化决策代理，可接管重复性、高频率的决策任务，实现实时响应与全局最优。自适应决策演化不断优化：①通过在线学习实时优化决策模型；②通过博弈论模拟预判对手行为，实现决策随环境进化。人机协同下的决策新秩序正在形成：AI动态决策重塑了企业的组织架构与权力分配，推动组织向“扁平化”“人机协同”方向进化。。4.3AI引致生产者行为的微观经济效应4.3.1资源配置效率的系统性提升

人工智能技术的突破性发展，推动资源配置效率实现质的飞跃，从依赖主观经验的分散式分配，转向数据驱动的全局最优配置。一是重构生产方式。①动态优化生产函数：实时校准要素组合效率。②激活长尾需求：柔性制造打破批量生产依赖。二是优化要素市场。①劳动力再配置：从“替代”到“升级”的结构转型。②资本利用率革命：AI调度激活闲置资本价值。三是革新交易机制。①智能合约降低契约成本：从“人工履约”到“自动执行”。②数据要素的市场化流通：AI破解“数据孤岛”难题。4.3AI引致生产者行为的微观经济效应4.3.2市场结构的颠覆性变革

人工智能技术的突破性发展，推动资源配置效率实现质的飞跃，从依赖主观经验的分散式分配，转向数据驱动的全局最优配置。一是竞争格局的重构。①算法驱动的“数字霸权”垄断新形态。②零边际成本企业成为颠覆传统商业模式的新力量。二是产业组织的去中心化。①平台型生产网络。②“微垄断”现象。三是价格机制的范式迁移。①实时定价。②个性化定价。4.3AI引致生产者行为的微观经济效应4.3.3企业组织架构的数字化转型

在数字技术与人工智能深度渗透的当下，传统组织理论正经历根本性变革。从企业边界的界定到内部治理的逻辑，数字化不仅重构了组织运行的底层架构，更催生了全新的管理模式。一是企业边界的重新界定。①交易成本革命与企业边界消融。②虚拟企业的兴起。二是激励机制的智能改变。①Token经济学的实践。②DAO的实验。三是组织运行的控制权重构。①AI通过算法权威弱化中层管理。②人机信息不对称又引发权力失衡，形成“算法主导与人类博弈”的新矛盾。4.4人工智能对生产者场景的重塑4.4.1生产制造场景

人工智能的出现，正推动生产制造从刚性流水线向认知柔性体实现跨越式发展，为制造业注入全新的活力。AI重构生产制造的四大维度：一是设备层：从自动化到自治化。二是工艺层：从经验公式到物理-informedAI。三是质检层：从抽检到全息感知。四是组织层：从人机隔离到脑机互联。智能柔性生产的基本特征：一是大规模定制范式。二是动态生产线重构。三是自组织制造网络。4.4人工智能对生产者场景的重塑4.4.2供应链管理场景AI技术的飞速发展正以颠覆性力量重构供应链体系，推动其从线性、被动的管道模式，向网状、主动的认知网络范式迁移。AI重构供应链的三大跃迁：一是结构进化：从链式到神经网状，构建动态、灵活的供应链体系。二是决策升维：从经验判断到概率博弈，实现精准、科学的决策。三是生态重构：从零和博弈到价值共生，打造协同、共赢的供应链生态。智能供应链的基本特征：一是需求感知革命：从被动响应到主动预判。二是库存量子化：从静态储备到动态最优。三是绿色供应链：从合规减排到效益与环保双赢。4.4人工智能对生产者场景的重塑4.4.3企业管理场景

以AI为核心的数字化技术，正从决策、结构、人才、文化四大维度重构组织运作逻辑，推动企业完成从“金字塔式”科层制到“网状化”数字化组织的转型革命。AI重构组织运作的四大支柱：一是决策机制：从“会议桌讨论”到“数据流驱动”。二是组织结构：从“固态层级”到“液态协同”。三是人才价值：从“岗位定薪”到“算力衡量”。四是文化构建：从“价值观口号”到“行为算法”。智能化组织的基本特征：一是从“流水线控制”到“神经网协同”：打破壁垒的协同革命。二是从“事后风控”到“风险预见”：数据驱动的风险前置。三是从“经验依赖”到“增强智能”：决策模式的效能升级。第5章人工智能、市场结构与产业组织

《人工智能经济学》本章内容5.1市场结构与产业组织理论概述5.2人工智能对市场结构的影响5.3人工智能对产业组织的影响5.4典型产业场景分析5.5政策规制与治理创新5.1市场结构与产业组织理论概述5.1.1市场结构的理论概述1.理论渊源亚当·斯密的《国富论》、阿尔弗雷德·马歇尔的《经济学原理》、保罗·萨缪尔森的《经济学》、爱德华·梅森和琼·贝恩的SCP理论范式、威廉·鲍莫尔、约翰·潘扎尔和罗伯特·威利格等人的《可竞争市场与产业结构理论》。四种类型：完全竞争市场、垄断竞争市场、寡头垄断市场与完全垄断市场。2.主要特征市场竞争程度、市场进出壁垒、产品差异化程度和市场信息透明度。5.1市场结构与产业组织理论概述5.1.2产业组织的理论概述1.理论渊源1890年，马歇尔在出版的《经济学原理》一书中将产业组织概念引入经济学，并提出了著名的“马歇尔悖论”。随着哈佛学派提出SCP框架后，产业组织理论开始重点关注企业战略行为及其绩效表现。1985年威廉姆森提出交易成本理论，用来解释企业的生产边界选择。1988年，梯若尔建立策略性行为模型后，部分经济学家在SCP分析框架基础上建立了新产业组织理论，围绕产业组织的理论范式、研究方法、研究领域等方面进行了拓展和创新。5.1市场结构与产业组织理论概述5.1.2产业组织的理论概述2.主要特征核心基础：SCP分析范式核心工具：博弈论的引入与动态分析政策导向：以产业政策作为落脚点5.2人工智能对市场结构的影响5.2.1市场集中度提升

市场集中度是衡量划分市场结构类型的一种重要标准。一般来说，集中度越高，市场垄断程度越强；集中度越低，竞争程度越强。市场集中度衡量指标主要包括：1.绝对集中度：反映行业内规模靠前企业的在整个行业所占的份额2.赫芬达尔—赫希曼指数：指某行业中所有企业市场份额的平方和3.洛伦兹曲线：表明市场占有率与企业规模累计百分比之间的关系5.2人工智能对市场结构的影响5.2.2市场进入壁垒高市场进入壁垒是市场结构形成的重要影响因素，可以视为进入某一行业的新企业必须承担的额外成本或障碍。它既反映了市场已有企业的竞争优势，也体现了新企业的进入难度。

人工智能出于数据和技术的高度依赖，新企业往往需要突破数据、算法、算力三重门槛，造成相关市场进入壁垒远高于传统行业。5.2人工智能对市场结构的影响5.2.2市场进入壁垒高1.进入壁垒类型划分结构性进入壁垒结构性壁垒是指企业自身无法控制的因素，包括绝对成本优势、规模经济、产品差异化程度、必要的资本量、沉没成本和政策法律规制。绝对成本优势、规模经济、产品差异化程度、必要的资本量、沉没成本、政策法律规制。策略性进入壁垒市场已有企业为巩固自己的垄断地位对新企业采取阻止进入的策略行为，如：“算法捆绑”、“数据排他协议”。5.2人工智能对市场结构的影响5.2.2市场进入壁垒高2.市场进入壁垒与市场集中度、利润率的关系市场进入壁垒与市场集中度和利润率呈正相关关系。如果其他因素不变，则市场集中度越高，说明新企业进入行业的难度越大，这表明市场进入壁垒越高。如果市场进入壁垒越高，则市场已有企业越容易通过垄断定价或结成某种形式的合谋提高市场价格，获取超额垄断利润。因此，市场进入壁垒越高，则行业已有企业的利润率越高，反之，利润率越低。5.2人工智能对市场结构的影响5.2.3市场产品差别化特征显著产品差别化是指同一行业内企业通过技术、服务、品牌等维度构建竞争优势的核心策略，从而导致产品之间的替代性不完全。主要特征包括：1.定价差异化2.技术差异化3.使用场景差异化5.3人工智能对产业组织的影响5.3.1企业边界重构1.形成背景在数字经济时代，尤其是数字平台和人工智能技术的出现，极大地扩展了企业的资源共享，开拓了企业的生产边界，部分企业倾向于将缺乏生产能力的部分进行外包，实现企业生产边界由垂直集成向水平分工转变。2.变化机理人工智能通过技术赋能系统性重塑了交易成本与管理成本的对比关系。在市场交易层面，人工智能提升了信息透明度与协同效率，降低了企业间的交易成本。内部管理层面，人工智能通过数据整合与流程自动化降低了管理成本，跨部门数据交换消除了信息孤岛，智能决策系统缩短了审批链条，使企业复杂活动的内部协调效率显著提升。5.3人工智能对产业组织的影响5.3.1企业边界重构3.重构特征人工智能技术推动了企业交易成本与组织成本结构的再平衡，使得企业边界呈现“核心刚性与外围弹性”的特征。企业边界逐渐从传统的“垂直一体化”封闭形态，转向网络化的开放形态，建立了弹性化生产组织模式。企业边界重构并非对传统理论的否定，而是印证了产业组织理论中“技术进步是推动企业组织形态演化核心动力”的基本命题。5.3人工智能对产业组织的影响5.3.2组织结构变革1.形成背景在信息时代，科层制的固有局限日益凸显。一方面，信息需经多层级传递导致传递速度缓慢，且易在传递中被过滤或失真；另一方面，层级间的责任划分模糊易引发推诿，难以适应快速变化的市场需求。2.变化机理大数据与人工智能技术打破了信息传递的层级壁垒，企业高层可通过即时通讯与数据可视化工具直接获取一线业务数据与市场反馈，减少对中层管理的信息依赖。智能分析工具能快速处理海量数据并生成决策建议，缩短决策链条，使组织对市场变化的响应速度大幅提升。5.3人工智能对产业组织的影响5.3.2组织结构变革3.变革特征层级结构扁平化：中间管理层级不断缩减，形成“高层-执行层”的扁平结构，信息传递损耗大幅减少；组织结构网络化：跨部门、跨职能的临时项目组成为主流，算法工程师、行业专家等不同领域人员基于特定任务快速协作，打破传统部门壁垒；决策去中心化：一线团队借助人工智能工具获得更多自主决策权限，能根据实时数据灵活调整业务策略，激发组织创新活力。5.3人工智能对产业组织的影响5.3.3生产要素重组1.劳动力要素重组人工智能驱动下的机器人自动化生产成本低，企业采取自动化生产替代传统劳动力的现象更加普遍。人工智能驱动下企业的生产方式发生变革，促使劳动力与技术要素进行深度融合，从而提高了企业自动化工厂的生产效率。2.数据资产确权通过立法明确数据资产所有权、使用权和收益权的边界和规则，通过建立数据资产交易平台降低交易成本。进一步规范数据资产的采集、加工、交易流程。同时，建立数据安全审查机制，在确权流通与隐私保护间寻求平衡。5.3人工智能对产业组织的影响5.3.3生产要素重组3.算法资源定价算法资源是人工智能企业的核心资产，具有研发投入大、使用成本低的特征，如何定价决定企业的盈利模式和利润大小。当前，人工智能企业算法主要以“价值贡献”为定价基准。5.4典型产业场景分析5.4.1智能制造领域2023年9月，科大讯飞正式推出了羚羊工业大模型1.0。该模型主要通过工业感知、工业认知、工业大模型等先进AI技术手段，助力制造业实现智能化转型升级。该大模型可以针对工业场景具体需求进行定制化构建，具备从海量数据和知识中自我学习和不断进化的能力，能够实现从问题定义到解决方案的全流程闭环管理。羚羊工业大模型在电力、矿山、钢铁、化工、风电、水电行业已经得到了广泛应用，其中在电力和矿山行业实现了深度应用。5.4典型产业场景分析5.4.2医疗健康领域人工智能大模型通过解析和处理庞大的多模态医疗数据集，开始重塑医疗行业的全流程，正在引领医疗服务和新药研发进入新时代。表1国内外代表性医疗领域大模型概况5.4典型产业场景分析5.4.2医疗健康领域表1国内外代表性医疗领域大模型概况（续）5.4典型产业场景分析5.4.3金融科技领域人工智能技术推动金融服务向数字化、智能化转型，不仅为各类企业提供更加高效、便捷的金融服务，还通过金融创新满足企业在数字化时代的多元化需求。同时，人工智能技术是构建现代化的金融机构和市场体系、畅通资金流向实体经济通道的重要前提。人工智能与金融科技相互促进、相辅相成。金融资本借助AI的分析和预测能力，在产业组织和市场结构方面实现了精准配置。人工智能技术借助金融的力量，在产业端得到了广泛应用的空间。因此，推动金融资本与人工智能科技的有机结合，可以实现科技、产业、金融的良性互动与循环发展。5.5政策规制与治理创新5.5.1发挥有为政府作用1.政府规划政府在人工智能产业发展中扮演着“领航员”的角色，通过制定科学合理的发展规划，为产业发展明确方向。2.财政支持财政资金是推动人工智能产业发展的重要动力源泉。政府可设立专项产业发展基金，通过直接投资、参股子基金等形式，为处于种子期、初创期的人工智能企业提供资金支持，助力其跨越“死亡谷”。3.平台建设政府需大力推进产业孵化、公共服务等产业平台建设，为人工智能产业发展提供坚实支撑。5.5政策规制与治理创新5.5.2发挥有效市场作用1.竞争机制在人工智能产业中，一个公平、充分、有序的竞争环境，能够有效激励企业持续创新，并通过优胜劣汰实现产业结构的动态优化。2.供求机制在人工智能领域，供求机制有助于促进技术、数据和资本等要素实现高效配置。3.价格机制在人工智能市场中，价格机制发挥着优化资源配置的重要作用。5.5政策规制与治理创新5.5.3完善法律制度规范1.立法规范立法是规范人工智能产业发展的基础保障。加快人工智能相关立法进程，明确人工智能技术研发、应用、管理等各环节的权利义务关系。2.产权改革产权制度改革对于激发人工智能产业创新活力至关重要。完善人工智能知识产权保护制度，扩大知识产权保护范围，将人工智能算法、数据集合、人工智能生成内容等纳入保护范畴。3.监管机制构建科学有效的监管机制，是保障人工智能产业健康发展的必要举措。建立多元协同的监管体系，政府相关部门、行业协会、第三方机构等共同参与监管。第6章

人工智能与要素市场

《人工智能经济学》本章内容6.1人工智能嵌入要素市场的基本逻辑6.2人工智能对传统生产要素市场的作用机制6.3人工智能驱动的数据要素化及其市场化趋势6.4人工智能对全要素生产率的复杂影响6.1人工智能嵌入要素市场的基本逻辑6.1.1人工智能在要素市场中的双重属性（1）第一重属性：作为“智能资本”的投入属性智能资本的含义：已部署、可重复使用的算法、模型、软件与算力平台；在持续数据支持下稳定提供生产性服务，类似企业资产的一部分。将智能资本视为生产性投入的原因：可投入、可计价；可积累、可折旧；边际产出可度量；与其他要素可替代也可互补。6.1人工智能嵌入要素市场的基本逻辑6.1.1人工智能在要素市场中的双重属性（2）第二重属性：为“算法系统”的配置属性。算法系统：是一个自动化的决策工具，通过不断接收数据，进行预测、匹配和调整，帮助企业快速做出决策。算法系统的核心功能：预测需求、决定资源分配、并通过反馈不断改进。基于这一功能特性，算法系统将“预测—匹配—分流—反馈”固化为一种可反复调用的配置能力，用来决定要素“由谁使用、何时使用、使用多少”。需要注意，AI作为配置机制同时也带来风险，尤其是算法黑箱和算法歧视。6.1人工智能嵌入要素市场的基本逻辑6.1.2人工智能驱动要素配置重构的路径替代路径强调人工智能对部分传统劳动任务的直接替代作用。该路径下，人工智能系统以自动化工具的形式接管人类在特定任务中的参与，尤其集中在那些重复性强、规则清晰、结果可预测的工作环节。增强路径强调人工智能并非直接取代传统要素，而是作为协同因子，提高劳动与资本的边际产出。该路径下，人工智能在任务层面与人类共同完成决策、创意或管理等活动，形成“人机互补”的模式。6.1人工智能嵌入要素市场的基本逻辑6.1.2人工智能驱动要素配置重构的路径共生路径体现了人工智能与人类、组织和制度之间的系统性协同关系。该路径下，人工智能不仅作为生产工具或协同技术发挥作用，更进一步嵌入制度规则和资源配置机制之中，与人类共同构建新的配置秩序。6.1人工智能嵌入要素市场的基本逻辑6.1.2人工智能驱动要素配置重构的路径三条路径的区别与联系表

人工智能驱动要素配置重构的三大路径维度本质关系经济含义要素配置变化替代AI替代人类完成特定任务资本替代劳动，引发结构性就业冲击劳动力从可编码任务中退出，向非标准工作再配置增强AI赋能劳动与资本技术-人力协同，提高边际生产率任务层级细化，复合技能劳动需求上升共生AI与人类共构系统性机制人-机互补性最大化，重构制度新制度、新市场、新生态的要素组合方式形成6.2人工智能对传统生产要素市场的作用机制6.2.1人工智能与劳动力市场人工智能对劳动力市场的影响主要来自四个方面。一是人工智能可以替代某些可被规则明确描述、可重复、数据充足的标准化任务，从而减少中等技能岗位；二是人工智能的发展创造了大量新型岗位，拓展就业新空间；三是人工智能的广泛应用推动劳动力市场改变技能需求结构，高技能劳动者的优势日益显现，推动劳动力能力升级转型；四是人工智能重构劳动方式，人机协同成为主流。6.2人工智能对传统生产要素市场的作用机制6.2.2人工智能与资本市场人工智能从五个方面影响资本市场。一是将传统硬件升级为集成数据采集、算法模型与算力的“智能资产”，重塑资本形态与价值生成机制；二是推动既有设备由被动执行转为数据驱动，在较少新增投资下持续提升资本利用率、稳定性与产能；三是使资本支出由一次性购置折旧，转为覆盖建设期与运营期、贯穿全生命周期的持续性投入结构；6.2人工智能对传统生产要素市场的作用机制6.2.2人工智能与资本市场四是促使估值逻辑由有形资产与报表指标，转向关注数据、模型、平台与核心团队等难以复制的无形能力及其独特性、可迁移可扩展性与合规安全；五是推动资本配置由经验判断转向“数据+算法”决策，在企业内部提升投资效率，并在外部金融机构与基金中增强筛选与投放精准度。6.2人工智能对传统生产要素市场的作用机制6.2.3人工智能与技术市场人工智能从五个方面推动技术市场变化.一是打破传统研发的线性流程，使研发转向“数据—模型—反馈”的循环迭代；二是技术供给从出售软件、专利或代码，转为以服务为主，用户通过接口调用模型能力即可完成任务；三是研发不再局限于单个企业或团队，而更依赖大型平台与开源社区，呈现平台化、协作化趋势；6.2人工智能对传统生产要素市场的作用机制6.2.3人工智能与技术市场四是由于性能高度依赖数据，数据使用权、所有权及训练形成的衍生权成为技术交易必须明确的关键议题；五是技术扩散需要标准与政策规范以保障公平与效率，既扩大先进技术可及性，又避免技术过度集中于少数平台，形成“强者恒强”并加剧不平等。6.2人工智能对传统生产要素市场的作用机制6.2.4人工智能与企业家才能人工智能从三个方面推动企业家才能从“经验判断”转向“数据驱动”。一是人工智能把决策信息从经验直觉转向数据支撑，通过对内外部数据的系统采集与分析，并纳入文本、图像、语音等非结构化信息，使判断更全面、更及时。二是人工智能将决策过程从静态规划转为仿真试错与动态优化，借助数字孪生和算法评估先在虚拟环境比较方案，降低试错成本、提升风险控制。三是人工智能推动企业家才能从个人能力转为组织系统能力，通过数据平台、模型库与AI管理工具把关键经验固化进流程与制度，使决策更可复用、可迭代、可持续。6.3人工智能驱动的数据要素化及其市场化趋6.3.1数据要素的理念形成、内涵特征与价值发挥（1）“数据即要素”理念的形成数字经济推动数据角色转变：从组织运行的副产品，转为可计量、可配置、可交易的生产性投入。国家层面明确定位并制度化：2017年以来将数据界定为基础性、战略性资源，与传统要素并列，并推动开放共享与数据要素市场建设。合规流通成为共识基础：在强化数据安全与个人信息保护的前提下实现流通，国内政策与国际规则（如GDPR）相互呼应，促成“数据即要素”理念形成。6.3人工智能驱动的数据要素化及其市场化趋6.3.1数据要素的理念形成、内涵特征与价值发挥（2）数据要素的内涵及特点数据要素的内涵：围绕特定需求被汇聚、整理与加工后，能够进入生产过程并参与价值创造的数据信息及其衍生形态，既包括投入生产的原始数据集、标准化数据集与各类数据产品，也包括以数据为基础形成的系统、技术、信息与知识。需注意，数据要素既可以作为投入品嵌入业务流程、产品设计与算法模型等环节持续创造价值，也可以作为产品在市场中以数据商品与服务的形式实现价值。6.3人工智能驱动的数据要素化及其市场化趋6.3.1数据要素的理念形成、内涵特征与价值发挥（2）数据要素的内涵及特点数据要素的特征：其一，从经济学属性看，数据具有可复制性、非竞争性、边际复制成本极低，具备规模化利用的潜力；其二，这种潜力并不会自动转化为生产率，数据能否成为“有效要素”取决于是否同时满足质量、代表性、时效性、合规性四项条件；其三，只有在这四项条件支撑下，数据才能从被动记录转化为稳定、可度量、可复用的生产性要素。6.3人工智能驱动的数据要素化及其市场化趋6.3.1数据要素的理念形成、内涵特征与价值发挥（3）如何发挥数据要素的价值做强“数据—模型—业务”闭环：数据与算法、算力深度耦合，训练形成可迁移、可复制的能力存量；运行数据持续反哺优化，形成反馈飞轮。推进产品化与工程化治理：用数据卡明确来源与适用边界，用数据血缘实现全流程可追溯，用质量SLA把准确性、完整性、时效性与合规性变成可验证标准。提升组织内配置效率：把数据从“原料”转为可描述、可追溯、可验证的标准化要素，支撑内部核算与绩效评估。6.3人工智能驱动的数据要素化及其市场化趋6.3.1数据要素的理念形成、内涵特征与价值发挥（3）如何发挥数据要素的价值促进市场化流通与定价：按质量等级、稀缺性、更新频率、使用范围等定价，采用开放/受限共享、可信计算“可用不可见”、合成数据等供给形态。用契约与审计保障交易：明确权责边界、收益分配与风险承担，提升数据要素市场规范性与效率。6.3人工智能驱动的数据要素化及其市场化趋6.3.2数据要素如何用于生产流程要使数据真正成为一种可以投入生产的要素，仅有采集和存储是不够的，必须经过一系列系统化的工程处理，并最终在实际业务中产生价值。通常，数据要素的“用起来”过程可以分为两个相互衔接的环节：一是工程化地嵌入到业务流程中，二是在应用中不断实现和释放其经济与管理价值。工程化嵌入：多源采集原始数据→数据预处理→结构化沉淀→模型开发训练→内部验证测试→逐步上线发布→运行监控与迭代→融入业务流程。价值实现机制：业务运行产生新数据→新数据回流→再训练/再校准→模型持续变强→场景价值落地（制造业/零售/电商）→人机协同分工→生产效率提升。6.3人工智能驱动的数据要素化及其市场化趋6.3.2数据要素如何用于生产流程数据要素用于生产流程中须注意数据的合规使用。高敏行业约束：医疗、金融等场景数据流转受严格限制，难以直接共享核心矛盾：协同用数需求强，但隐私保护要求更严解决思路：构建“数据可用但不外流”的协作机制主要技术路径：联邦学习（本地训练、共享参数）；可信执行环境TEE（安全隔离计算）；差分隐私（加噪保护个体）关键价值：不交换原始数据即可协同建模，兼顾隐私底线与协作效率配套治理：数据水印标记归属、访问记录可追溯，强化责任追溯与市场信任6.3人工智能驱动的数据要素化及其市场化趋6.3.3数据要素市场化的路径与挑战（1）数据要素的市场化路径目前，数据要素的市场化路径主要有三种典型方式：第一种是直接购买数据产品或订阅数据服务。例如，金融机构可以购买企业信用数据包，或按季度订阅行业消费趋势报告，帮助其改进风控策略或投资决策。第二种是通过接口方式调用数据结果。企业或开发者可通过API（应用程序接口）按照“用多少、付多少”的方式获取数据分析服务，就像点外卖或加油一样灵活。第三种是建立共享协作机制。一些数据不便公开流通，但又具有强协同价值，此时可通过行业协会、医院联盟、政企协作平台等建立数据合作空间。6.3人工智能驱动的数据要素化及其市场化趋6.3.3数据要素市场化的路径与挑战（2）数据要素市场化面临的挑战一是格式标准不统一，不同组织使用的数据表结构、字段定义和更新频率常常不一致，增加了对接和转换的难度；二是数据质量参差不齐，有的数据冗余多、更新慢，或存在缺失、错误，导致“看似可用，实则低效”；三是应用场景适配性差，同一份数据在A企业有价值，到了B企业可能“水土不服”，无法直接使用；6.3人工智能驱动的数据要素化及其市场化趋6.3.3数据要素市场化的路径与挑战（2）数据要素市场化面临的挑战四是对接和迁移成本高，不同平台之间接口复杂，权限管理机制不同，迁移数据或算法模型的代价较高；五是数据产权界定不清晰，比如，数据误用、模型失误导致的后果如何追责；数据提供方和使用方的责任边界如何划分；六是高昂的交易成本，比如，数据要素在确权、定价、隐私保护和合规方面的成本问题。6.3人工智能驱动的数据要素化及其市场化趋6.3.4算法、算力与平台的市场化趋势（1）算法方面，通用模型和行业模型正在融合发展。一方面，大型通用模型可通过微调、模型蒸馏等技术手段，快速适配金融、医疗、制造等特定行业场景，大幅压缩了从数据积累到实际应用的落地周期；另一方面，行业内已逐步形成标准化的模型卡与评测基准，前者清晰标注模型的性能指标、适用范围与使用限制，后者则提供统一的能力评估标准，让不同企业能在透明、可比的环境中选择适配算法，这不仅提升了算法能力的复用效率，更增强了其在不同场景下的可移植性，为算法的市场化流通奠定了基础。6.3人工智能驱动的数据要素化及其市场化趋6.3.4算法、算力与平台的市场化趋势（2）在算力方面，市场化配置成为关键议题。近年来出现的算力共享模式，尝试通过平台把分散的算力资源聚合起来，实现所有权和使用权的分离，用户可以像租赁设备一样按需购买算力。这种机制通过标准化计量、平台撮合与信用约束，提高了资源利用率，也降低了中小企业的使用门槛。国家推动的“算网云协同”和“东数西算”战略，将数据中心、算力枢纽和网络基础设施统一布局，在区域之间形成资源互补与优化配置。通过这种全国一体化调度，可以在保障供给的同时推动节能降碳。6.3人工智能驱动的数据要素化及其市场化趋6.3.4算法、算力与平台的市场化趋势（3）在平台方面，多边平台的作用日益突出。平台不仅提供数据采集、治理、模型训练和部署的一站式工具链，还通过接口标准降低了跨主体协作的成本。目前，算力交易中心和公共智算平台的建设已经起步，它们不仅支持算力按需交易，也提供信用评价、服务等级协议（SLA）和能效指标，成为算力市场化运行的制度基础设施。此外，开源社区和公共算力的开放，使更多科研机构和中小企业能够进入人工智能生态，缓解了资源过度集中带来的不平等问题。6.4人工智能对全要素生产率的复杂影响6.4.1理论预期：通用技术驱动生产率跃升一是通用技术特征赋予：人工智能具备广泛适用、可持续改进、与资本劳动互补的特征，按通用技术理论会在各行业扩散时形成规模经济与范围经济，从而抬升全要素生产率。二是效率与配置双重提升：人工智能把可规则化任务交给算法处理，使劳动力转向高判断环节，并通过数据驱动优化流程与资源利用，同时降低搜寻、匹配与协作成本，推动要素重新组合与闲置产能被激活，提升整体配置效率。三是知识外溢与扩散效应：平台化工具与标准化接口让“最佳实践”更容易复制与传播，前沿企业的效率提升可通过技术扩散带动更多企业跟进，形成知识外溢与网络效应，推动行业平均生产率上移。6.4人工智能对全要素生产率的复杂影响6.4.2现实观察：生产率悖论尽管理论推演与局部案例均预示人工智能将显著推动生产率提升，但现实中AI的大规模应用并未在宏观统计数据中体现出对应的生产率增长。这种理论预期与实践结果的落差，被学界称为新一代生产率悖论。针对宏观统计未呈现AI带来的生产率提升，归纳出四类典型解释：一是对AI的实际作用存在认知偏差，过度高估了其短期效能；二是经济核算体系对AI相关变量的测度存在偏误，未能充分捕捉其创造的价值；三是AI资源的分配与成本投入存在效率短板，配置合理性不足；四是AI对生产的正向影响需经历一定滞后期才能显现。6.4人工智能对全要素生产率的复杂影响6.4.3机制解释：生产率悖论的可能成因要解开AI时代生产率悖论的谜题，需从技术落地的实际环节切入，其核心成因可归结为以下四类机制，且彼此相互关联：第一，无形资产与互补投资的前期投入效应。第二，技术扩散不均与“前沿—后部”差距扩大。第三，组织再设计与劳动力匹配的转型摩擦成本。第四，测度偏差与边界模糊问题。6.4人工智能对全要素生产率的复杂影响6.4.4前