作者简介：洪银兴，南京大学文科资深教授，南京大学长三角经济社会发展研究中心教授；王慧颖，南京大学经济学院博士研究生
【摘要】人工智能作为新一代通用目的的技术，正通过数据、算力与算法的融合，引领数字经济转向智能化阶段，对劳动者质态、生产资料质态和产业体系进行创造性破坏，成为发展新质生产力的核心引擎。在劳动者要素方面，人工智能能对复杂劳动者的知识和简单劳动者的技能提出新的挑战，教育与技术的赛跑成为劳动者质态跃升的关键。在生产资料方面，人工智能使劳动资料和劳动对象突破物理限制，生产资料形态向数字化、平台化转变。在产业体系方面，“人工智能 +” 深度渗透传统产业改造、新兴产业培育及未来产业布局，通过科技创新与产业创新的深度融合建立现代化产业体系，为发展新质生产力提供基础动力。
关键词：人工智能；创造性破坏；新质生产力；数字经济
习近平总书记在中共中央政治局第二十次集体学习时强调：“人工智能作为引领新一轮科技革命和产业变革的战略性技术，深刻改变人类生产生活方式。”[1]党的二十届四中全会明确要求：全面实施 “人工智能 +” 行动，以人工智能引领科研范式变革，加强人工智能同产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业。实现这个目标关键在创新驱动。创新概念最早由熊彼特提出。诺贝尔经济学奖得主斯蒂格利茨将熊彼特创新理论解释为：“创新就像一个创造性破坏的过程，也就是说一个技术创新使前一方面的创新变得过时了。”[2]2025 年诺贝尔经济学奖授予阿吉翁和豪伊特，以表彰其 “通过创造性破坏实现持续增长的理论”。诺贝尔经济学奖委员会主席约翰・哈斯勒 (John Hassler) 表示：“这些获奖者的工作表明，经济增长并非理所当然。我们必须维护创造性破坏的底层机制，以免我们重新陷入停滞。”[3]本文按照这个逻辑，从经济学视角研究人工智能技术所引发的创造性破坏的底层机制，寻求发展新质生产力的现实路径。
一、人工智能升级数字经济
“发展数字经济是把握新一轮科技革命和产业变革新机遇的战略选择。”[4]数字经济是以信息和知识数字化形成的数据为关键生产要素，以现代信息网络为重要载体，以有效利用信息通讯技术提升效率和优化经济结构为重要动力的广泛经济活动。当前的新科技、新能源、新产业都筑底于数字经济。数字经济作为新质生产力的代表性质态，主要是因为包含了全新的三个要素：一是数据成为关键的生产要素，二是算力成为继热力、电力、网力之后的新动力，三是算法成为现代科技的新方法。这三个方面赋能各个产业产生新质生产力效应。数据越是充分准确，算力越强大，算法越先进，数字平台规模越大，数字技术应用场景越广泛，数字经济的新质生产力作用就越大。[5]
人工智能是数字经济的新阶段。人工智能技术是引领新一轮科技革命和产业变革的战略性技术，在推动生产要素重组、财富创造方式升级、组织形态演化以及社会治理模式转变中，都发挥着关键作用。作为新一代通用性技术，人工智能正在广泛渗透进生产全面数字化的过程，并通过革新产业体系、重组资源配置格局及转换发展动能等方式，成为驱动经济高质量发展的新动能。人工智能本质上是一种受人类智能启发而产生的计算能力与技术，而非简单的 “人造智能”。纵观人工智能的发展历程，它经历了仅具有逻辑推理能力的 “推理期”(1956—1960 年)，基于专家知识库的 “知识期”(1970—1980 年) 和以机器学习为核心的 “学习期”(1990 年至今)[6]。通常认为，人工智能可以分为强人工智能和弱人工智能两种。强人工智能，又称科幻人工智能，指具有自主意识和人一样聪明甚至比人更聪明的机器；弱人工智能，又称科学人工智能，指不具备自主意识和情感，但可以完成那些如果有人来做则需要智能的事情的科学技术。目前所讨论和研究的人工智能，指的是弱人工智能。生成式人工智能是机器学习的一个重要分支，可以基于算法和模型生成文本、图片、声音、视频、代码等内容，推动弱人工智能向强人工智能过渡。
人工智能革命的驱动力源于数据、算法与算力这三大核心要素的融合，随着技术的快速迭代，人工智能从只能面向特定场景、完成特定任务的专用机器工具，进化为具有较强通识能力、可以完成普遍任务的通用技术系统，已经基本具备向经济社会各行业各领域融合应用的条件，这不仅拓展了人类能力边界，更将通过 “人工智能 +” 的模式重塑产业体系生态。为此，习近平总书记强调要 “推动人工智能科技创新与产业创新的深入融合”[1]，其方向突出在 “助力传统产业改造升级，开辟战略性新兴产业和未来产业发展新赛道”[1]，推进工业全要素智能化发展、加快农业数智化转型升级、创新服务业发展新模式中，“促进生产力革命性跃迁和生产关系深层次变革”[7]。在机器体系向人工智能体系的演化过程中，数字经济及数字平台成为人工智能技术创新和规模化应用的孵化器：一方面，平台持续吸纳新技术和新应用，加快了人工智能在生产体系中的渗透速度，且技术变革不再局限于个别环节，而是扩散至整个系统；另一方面，数字平台的统一标准、规范接口和治理生态，为人工智能体系提供了较为稳定的制度框架。通过数字平台，人工智能逐步嵌入到现实产业结构之中。
人工智能不仅提供专用技术，更提供通用技术。这场由数据、算力、算法深度融合驱动的人工智能技术革命，已成为培育新质生产力的核心引擎，从以下方面推动数字经济迭代升级。
（一）共享开源的数据要素
数字经济中的数据要素，从生产过程中的附属信息，转变为具有独立价值的全新生产要素，并逐渐成为与资本、劳动、管理并列的核心生产资源。数据的广泛生成、流通与利用，不仅为人工智能提供了训练和优化的原料，更通过数字平台实现了资源集中与共享，为人工智能的规模化应用打下基础。
在传统机器体系中，生产力提升主要依赖于资本积累、机器设备更新和劳动者熟练程度的提升，数据一般用于生产过程的记录和反馈，其价值尚未被充分挖掘。随着信息技术、互联网和传感设备的广泛应用，生产、流通和消费各环节不断数字化、网络化，海量数据得以持续生成并沉淀下来。数据要素的规模化积累和高频流动，使得人工智能得以突破实验室环境，逐渐形成对现实生产体系具有实质性影响的技术力量。
数据的共享性和非竞争性改变了企业间的创新与合作模式，从出于商业保密需求的封闭独立研发，转向基于技术互信的开放协同创新。这一转变主要源于两方面：其一，数据要素的开源和共享，其非竞争性可以促成低成本信息共享，企业更有动力形成数据驱动型的创新联盟，头部企业可以通过工业互联网平台，聚合产业链数据资源，形成协同研发的基础数据池。其二，在技术迭代需求加速的人工智能时代，面对跨学科的前沿技术创新，企业亟需突破其组织边界，通过 “产学研” 合作的方式实现知识与
信息的互补，例如制造企业可以和算法公司建立联合实验室，充分利用产业经验与算法模型的技术。
在依靠共享数据进行合作时，企业经常面临商业机密泄露的风险，传统的契约关系难以解决这一问题。随着企业创新模式的变革，人工智能技术构建了新型信任机制，系统性地降低了企业间合作的信任成本。具体而言，隐私计算技术实现了数据的 “可用不可见”，使企业可以在不交换核心数据的前提下，依然能够进行协同研发，消除了企业对数据泄露的商业保密顾虑；区块链技术为合作流程提供了不可篡改、全程可追溯的存证账本，智能合约将合作协议条款转化为代码，达成前置验证条件则可自动化执行下一步条款，减少了道德风险带来的不确定性。人工智能技术降低了企业在签约前、履约中的尽职调查、风险管控与争议解决等成本，通过聚合高质量加密数据实现技术互信，为企业合作提供了完全客观的信任背书。因此，人工智能时代企业间的合作模式可以减少对熟人关系、既往经验及冗长合同的依赖，转向更简洁高效的技术互信模式。
数据要素的聚合不仅可以提升企业 “点对点” 的合作效率，还可以催生开放的、网络化的产业创新生态。头部企业可以更放心地做到数据开源，中小企业也能以更低成本接入创新网络，从底层助推科技创新与产业创新的深度融合。
（二）集中算力资源
算力是支撑算法运行和数据处理的动力，已成为新一代的基础生产力。随着人工智能模型规模的不断扩张，深度学习、大语言模型和生成式人工智能技术也在快速发展，全球算力需求呈指数级增长。数字经济平台可以集中算力资源，优化算力供给结构，构建多层次算力网络，使算力逐步转变为社会化、平台化的公共基础设施，为人工智能技术迭代与广泛应用提供动力。
算力资源的集中，是人工智能规模化应用的关键。算力是一种新型的技术基础设施。在传统计算模式下，算力通常由单机或局部服务器提供，而训练大语言模型需要庞大的硬件和能耗成本，单一企业的算力储备难以满足需求。数字平台通过建设超级算力集群，把分散的计算资源集中到一起，形成规模化的算力供给体系。算力的集中供给不仅可以提升计算效率，还可以通过资源共享降低技术应用成本，中小企业也能以较低门槛接入高性能算力网络，有利于人工智能应用的普及与扩散。
数字平台依托 “云端 — 边缘 — 终端” 协同的算力网络，实现算力资源的灵活配置：云端的优势是提供超大规模的集中算力，适用于模型训练和复杂计算；边缘节点的特点是低延迟，适用于实时决策和本地化应用；终端设备则是依靠嵌入式芯片，实现轻量化的算力部署，满足个性化算力需求。数字平台的这种多层次算力供给体系，为不同场景匹配算力资源，既保障了大模型训练的高强度算力需求，又满足了实时应用的高响应速度。
算力资源的集中催生了规模经济与网络效应。算力的价值随着使用规模的扩大而递增。数字平台通过集中算力资源，能够吸引更多企业和用户接入，从而可以形成正向循环：使用平台算力的主体越多，平台算力利用率越高，算力单位成本就越低。这种网络效应还可以推动人工智能技术进行快速迭代和广泛应用。例如我国 “东数西算” 工程，就是把西部地区的低成本能源和东部地区的高算力技术结合起来，再通过高速网络把算力传输到各个地区，优化数据资源配置。
算力资源的集中有利于形成规范化、市场化、绿色化的算力供给模式。人工智能模型的训练和运行会消耗大量能源，算力交易市场、算力租赁机制和算力定价体系，既可以使算力资源像传统能源一样自由流动，实现算力的市场化配置，还可以实现规模化的碳排放控制与能耗优化。构建规范化、市场化、绿色化的算力配置体系，企业可以根据自身需求在数字平台上租赁算力，科研机构可以通过共享机制获取高性能算力，政府可以借助调度系统保障公共服务的算力需求。因此，算力资源的集中使人工智能可以从实验室走向社会，从局部应用走向全面渗透，不仅可以提升其利用效率，还可以推动算力的公平分
配，使人工智能的发展与绿色经济相互融合，成为形成新质生产力的重要支撑。
（三）加速算法迭代
算法是数字经济平台的智能大脑。算法通过可执行的指令，对零散的、高噪音的原始数据进行处理，形成具有生产价值的高质量数据。基础研究的进展直接决定算法的先进性和算法迭代升级的速度，从而决定人工智能技术突破的深度与广度。数字经济平台通过数据聚合和算力支持，为算法的持续优化提供丰富的基础资源，支撑算法的基础研究，使算法迭代从线性优化转向指数级加速。
算法迭代的加速离不开数据供给的规模化与多样化。传统算法的优化受限于样本数据规模，难以覆盖复杂的生产与消费场景。数字化平台则可以实时采集不同环节的海量数据，例如，工业互联网平台通过传感器监测生产线温度、能耗等指标，形成动态数据流；产业链上各企业通过工业互联网汇聚上下游的供需信息，降低企业间的信息不对称程度，促成链上企业产能的精准匹配；消费互联网平台持续积累用户行为数据，为人工智能训练提供原料，其分析结果可用于细化用户画像，进一步增强用户黏性和消费意愿。数字平台不仅使生产活动变得可观测、可计算，更通过多样化场景提高了算法的泛化能力，使其能够在不同产业领域之间高效迁移应用。
开放的数字合作平台与集约化的算力供给加速算法迭代。人工智能的应用场景丰富且复杂，单单依靠某一个学科的知识难以满足其差异化需求。要实现跨行业、跨学科的协同创新，就要通过数字平台加速知识流动，促成不同领域人才合作，使算法在不同知识体系之间交叉融合。例如，在智慧医疗平台上，医学影像识别算法是计算机视觉、深度学习与医学知识的融合；在智能金融平台上，风险控制算法是统计学、经济学与机器学习方法的融合。平台的开放合作机制，使不同领域的知识可以集成在一套模型之中，推动算法向更智能化的方向进行迭代。此外，算法的训练与优化需要强大算力支持，数字平台为算法迭代提供算力资源，算力共享机制降低了算法研发门槛，进一步提高了算法迭代的速度与质量。
算法迭代的加速依赖于数字平台的反馈机制和网络效应。数字平台是算法应用的实验室，算法在数字平台上运行，不断产生新数据，这些数据反过来又可用于优化算法，形成 “数据 — 算法 — 应用新数据” 的循环反馈机制。例如电商平台的推荐，消费者的点击和购买行为就是一种反馈，将这些反馈数据用于算法优化，不断修正模型参数，进一步提升推荐算法的精准度。随着更多企业和个人用户接入数字平台，算法的应用场景和数据资源不断扩展，形成网络效应：使用算法的主体越多，产生的数据越丰富，算法性能提升越快，进而吸引更多主体接入。数字平台的反馈循环和网络效应大大加速了算法迭代。
二、人工智能使劳动者质态在 “创造性破坏” 中跃升
新质生产力是以劳动者、劳动资料、劳动对象及其优化组合的跃升为基本内涵[8]。在人工智能经济形态下，这三个要素在创造性破坏中实现质态跃升和优化组合的特征分外突出，这里先考查劳动者要素。
在马克思的生产力三要素理论中使用的是劳动要素，而在习近平关于新质生产力基本内涵中使用的是劳动者要素，一字之差反映出新质生产力质态区别，新质生产力不只是关心劳动过程，更关注劳动者的质态。人工智能深刻改变了劳动者要素的质态。劳动者分为复杂劳动者和简单劳动者。人工智能的创造性破坏对复杂劳动者和简单劳动者有不同的影响。
（一）从事知识、技术、管理的复杂劳动者知识的 “创造性破坏”
人才是发展新质生产力的第一要素。当前随着新一轮科技革命和产业变革深入发展，“科学研究范式发生深刻变革，科学技术和经济社会发展加速渗透融合，基础研究转化周期明显缩短，国际科技竞争向基础前沿前移”[9]。以人工智能为代表的基础性创新是科学新发现推翻了现有方法，根本地改变了技术的各个组成部分之间的关系，创造出全新的技术路线，对技术和市场都会产生影响。首先是通用技术
的更新。前几次产业革命的通用技术分别是蒸汽机、电力、计算机。以数字经济为代表的新一轮产业革命的通用技术是算力算法。其次是通用技术转向人工智能后，必然会催生大量的次级创新浪潮，分别对应通用技术在经济生活中特定部门的应用。一个重大的科学发现可能产生多项新技术，实现由基础性创新到改良性创新的拓展。扩大人工智能的应用场景和空间，可以放大体现新质生产力的基础性创新的效应，充分发挥其新动能作用。随着新科技由量变到质变，通用技术及其基础上的次级创新对各类复杂劳动者的知识都将产生颠覆性影响。人工智能本身是机器学习，对各类复杂劳动者来说自身也需要学习。面对生成式人工智能和大模型，无论是科技人员还是管理人员已有的知识都被创造性破坏了，亟待更新。复杂劳动者需要将人工智能尤其是 AI 大模型的研发应用到前沿创新中，需要深入理解应用人工智能的命题性知识，直接推进人工智能技术进步，或进行多领域、跨学科的复合式创新，将人工智能应用到前沿创新中。
人工智能提升科学研究工作，按人工智能完成工作比例，人机协同可以分为嵌入模式、副驾驶模式和智能体模式三类，不同的工作内容适配不同类型的人机协同模式。嵌入模式适用于辅助学者完成重复性工作，例如通过对文献名称、摘要的自然语言处理，对海量文献进行检索、筛选、分类并提取有效信息，使学者能够将有限的注意力资源分配到逻辑分析和理论研究[10]。在数据模拟中，人工智能可以基于大数据生成多种模拟预测结果，学者则可以结合自己的专业知识、研究经验以及对现实社会的理解，对模拟结果进行初步评估和解读，从中筛选出更有可行性的研究路径，人工智能会根据学者反馈继续优化分析过程，在这种交互式学习机制中不断提高研究效率。智能体模式则更适用于大规模、程序化的研究工作，例如从构建特定主题的数据库到最终的研究指标构建，可以先由学者设定数据清洗、指标计算和数据检验等工作规则，再由人工智能自动完成从数据采集到标准化指标数据集的整个流程，学者在这个过程中只需完成伦理监督、质量评估及理论诠释等工作。人机协同的工作模式降低了大数据信息的处理应用门槛，使学者能够将个人的直觉、价值判断和批判性思维与机器的计算效率相结合，从而得以探索更复杂、更动态的前沿学术问题。
人工智能成为通用型技术后。数据工程师需要根据自己的专业知识收集、清洗及标注数据，识别不同类型的图像、标注特殊情况下的样本，构建高质量的行业知识数据集；算法合规工作需要分析训练模型中是否存在对性别、地域、收入等方面的偏见，确保智能辅助决策符合行业伦理规范，对人工智能项目的公平性与安全性进行综合评估；人工智能领域的程序员则要不断优化模型参数，提升系统性能。这些新岗位往往对劳动者有更高的知识及技能水平要求，人工智能的应用并不局限于某一行业，而是跨越制造业、医疗、金融、农业等多个领域，这种技术扩散和广泛应用将使资本不断流向多个产业，推动资本价值重估与产业链重构。随着企业在人工智能研发与应用上资本投入的增长，算法工程师、人工智能合规审查等工作岗位的需求规模也会持续增加，这些岗位的出现会推动科技和管理人才知识的更新换代。
（二）人工智能对简单劳动者技能的 “创造性破坏”
人工智能引发的就业问题之所以受到关注，是因为它不止是替代了简单劳动者，连许多中等技能岗位的劳动者也可能被替代。例如，智能化生产线可以替代传统的机器流水线工人，智能诊断系统能够辅助甚至部分替代医生的诊断工作。人工智能对劳动者的 “创造性破坏”，直接表现为岗位破坏与就业创造并存的经济效应：破坏了劳动者的旧的知识技能，创造了新的知识技能；破坏了劳动者的旧的工作岗位，创造了新的岗位；这种对劳动力旧岗位的替代及对新岗位的创造呈现梯度推进的特征。人们对人工智能 “创造” 的新就业机会往往感知滞后，因此可能产生短暂的就业恐慌，需要一定时间的学习及实践才能形成规模适度、结构合理的新兴劳动力市场，从而完成长期发展动能的转换。
2025 年诺贝尔经济学奖获得者阿吉翁在其著作《创造性破坏的力量》一书中指出，创新带来的 “创
造性破坏” 是会增加就业还是减少就业，“这个问题的答案并不确定”[11]219，而是同时体现为岗位破坏、就业创造及资本化的三重复杂效应。无论是体力劳动还是脑力劳动，人工智能所导致部分就业岗位的消失主要集中在规则明确、可编码的常规任务上。例如，工业机器人承担高危工序，而工程师仍可专注于工艺优化。总体上来看，人工智能主要起到对人类能力和认知的补充作用，而非完全替代；许多工作依然离不开人力参与，只是工作任务的流程结构发生改变，劳动者承担的分工角色需要有所转变。
人工智能技术对劳动者市场的冲击，本质上是一种结构性的改变。人工智能在替代部分人类劳动的同时，也会创造许多新的就业岗位，形成智能化、平台化、灵活化的新就业形态，推动劳动力市场向高素质化方向发展。在人工智能时代，简单劳动者也有质态跃升的要求，其已有的简单劳动技能也被创造性毁灭。简单劳动者也必须具备一定的新科技知识和技能。适应数智时代人机互动的劳动，驾驭人工智能、人形交互机器人等技能，就需要专门的教育和培训，具备人工智能相关的知识与应用技能，主动适应数智时代人机互动的劳动，避免在产业升级中被边缘化；中等技能的复杂劳动者则需要将其本身专业领域知识与人工智能应用相结合，推动各行业进行 “人工智能 +” 的产业转型，提高专业工作效率。
就业质量和经济发展水平存在互相影响、耦合互动的关系。只有实现知识与技能的普惠，人工智能才能成为拓展劳动者能力的工具，成为更智能、更高效、更可持续的经济发展新动能。这种经济增长模式的转换，是通过产业升级带来劳动者素质升级来实现的。正如以往历次工业革命先是机器代替人手，再是电脑代替人脑，现在则是用智能系统进一步替代人脑及其智能。阿吉翁指出：“创造性破坏在创造新工作的同时消灭现有工作，迫使人们不断重新检讨自己，接受没有什么可以一劳永逸的现实，并反复矫正自己的职业道路”[11]218。作为劳动者，在人工智能时代需要与时俱进地更新自己的知识技能，找到新的就业定位。
（三）教育与技术赛跑
人工智能带来的就业岗位转换过程，就是一场教育与技术的赛跑过程。要解决人工智能带来的劳动者质态跃升，就要让教育始终跑在技术前面，构建一个对技术变革敏捷响应、具备前瞻性的新型教育体系。人工智能领域的科技竞争归根结底是人才的竞争，要在人工智能领域占领先机归根结底是要赢得人才优势。着眼于构筑国家在智能时代的长期战略纵深和可持续竞争力，习近平总书记提出 “推进人工智能全学段教育和全社会通识教育，源源不断培养高素质人才” 的要求[13]。人工智能科技创新不仅需要顶层的算法科学家和工程师，更需要大量能够理解、应用并协同人工智能的复合型人才。为此，要构建一个涵盖基础教育、高等教育、职业与继续教育的全方位、金字塔式、贯通式人才供给生态。
首先，构建全学段衔接的人工智能教育体系。在基础教育阶段要根据学生年龄特点设计课程，培养学生对人工智能的探索兴趣，避免知识技术的灌输式教育增加学生负担，塑造适应智能社会思维方式和基本素养的学生。在高等教育阶段培养创新型人才，激发大学在人工智能时代的核心创造力。大学不仅是传播知识的地方，更应该是创造知识的地方。在人工智能时代，大学的职能被赋予了新的内涵。一是大学的各个学科都需要设置人工智能相关的通识课程，培养学生的编程与数据素养；二是大学应当引导学生将人工智能作为科研的辅助工具，减少重复性工作，重点培养学生的批判思维与创造能力等人工智能难以替代的基础科研素养；三是构建跨学科融合平台，科学技术与人文教育并重，解决人工智能可能带来的伦理挑战，同时，跨学科研究能更加贴近产业创新需求，促进科技创新与产业创新的深度融合。
其次，推进面向全社会的人工智能通识普及和职业教育改革。人工智能的深远影响远超技术范畴，正在重塑生产方式、生活方式，全社会通识教育旨在营造适应智能文明的社会文化、社会共识以及治理生态。因此，职业教育要为劳动者提供持续适应技术变革的保障，开展针对性技能培训和继续教育，防止劳动者因技能老化而被边缘化，鼓励养成全民终身学习的习惯，推动技术进步红利的共享。
三、人工智能使生产资料质态在 “创造性破坏” 中跃升
要加快实施 “人工智能 +” 科学技术、产业发展、消费提质、民生福祉、治理能力和全球合作这六大领域的重点行动[1]。在这些应用场景中，人工智能实际上更多是作为生产资料存在的，如智能化系统、大数据及智能机器人。生产资料实现智能化转型升级，不仅将各类劳动者从体力繁重、操作复杂、影响健康及生命安全的工作中解放出来，而且更为精准进入 “人不能及” 和 “人难能及” 的领域。
马克思指出：“各种经济时代的区别，不在于生产什么，而在于怎样生产，用什么劳动资料生产。劳动资料不仅是人类劳动力发展的测量器，而且是劳动借以进行的社会关系的指示器。”[12]210在传统工业时代，马克思机器理论认为，“所有发达的机器都由三个本质上不同的部分组成：发动机，传动机构，工具机或工作机。”[1]429人工智能同样以机器体系的形态在生产过程中发挥作用。前三次产业革命的主要推动力来自动力系统和控制系统的阶段性突破，虽然大大提升了生产效率和信息处理效率，但仍受基本物理规律的刚性约束，未颠覆生产要素的基本形态：劳动资料始终是物理实体，劳动对象也限于自然资源。当前的新产业革命以人工智能技术对生产力进行的全方位 “创造性破坏”。人工智能技术通过数字化和智能化，使得社会生产的关键要素、核心动力以及主要方法都发生了根本性变革，伴随人工智能和大模型等数字技术的发展，智能手机、互联网平台、云计算、无人机、智能传感器、工业机器人、AI 大模型等成为新质劳动资料。适配并融合虚拟化、智能化形态的数据生产要素，劳动资料也演变为 “算法” 和 “算力” 及其依托的数字经济平台，即从物理实体转向虚拟智能。其中，算法是一系列定义明确的指令序列，为人工智能明确解决问题的步骤和执行逻辑，对生产流程进行精准定义、优化和组织。算力是处理海量数据、运行复杂算法的基础动力支撑，云计算中心和边缘计算节点共同构成强大算力集群，成为社会生产的数字引擎。例如智能工厂的 “数字孪生” 系统，就是通过算法不断优化生产参数，依托算力集群实时处理海量数据，从而实现生产全流程的自动化与智能化。
劳动资料从有形的硬件设备转向操作系统、AI 大模型、工业软件等无形的平台化载体，使劳动资料具有了 “虚实共生” 的新形态。传统的物理形态的劳动资料具有排他性，例如一台机床或一条生产线，在一定时空内只能服务于特定工序，复制和迁移的成本十分高昂。人工智能的算法模型或工业软件是开源的，其底层代码可以被多家企业同时拿去使用，并可结合应用场景对代码进行相应地调整，具有非竞争性，边际复制成本极低。正因如此，人工智能领域的算法开发盛行开源模式，部分头部企业会发布开源的生成式人工智能，中小企业可以以较小的代价获取先进技术，实现人工智能的技术普惠与协同共享，从而推动行业整体的智能化转型。
开源的人工智能大模型越用越 “聪明”。传统机器设备的功能和性能受到诸多技术限制，升级迭代往往需要更换硬件，存在 “沉没成本”。而人工智能算法具备持续学习、自我优化的能力，只要持续输入新数据进行模型训练，就可以使其预测更精准，决策更智能，适应性更强。例如，工业机器人通过强化学习，可以在实际操作中不断完善动作轨迹，提高其作业精度与效率。劳动资料开始具备自我演进的能力，开始从静态的工具转变为动态的智能体，成为生产系统中具有主观能动性的参与者。算法低成本共享的特征也使其具备了网络效应。使用某种算法的企业越多，产生的场景数据越丰富，用于训练模型的数据就越多，该算法模型的性能提升就越快，进而能吸引更多用户，形成正向循环。这就使得 AI 这种劳动资料的价值，可以随着应用规模的扩大而呈指数级增长，使劳动资料突破物理形态的约束，具备可复制、可共享、可演进的新特征，极大降低了创新门槛和技术扩散成本。
再就劳动对象来说，在数字经济中，数据要素凝固在劳动资料上就成为劳动资料的要素。而作为生产要素的数据的形成则需要通过数字平台对原始数据进行采集、清洗、去伪存真，而且需要一定的算法与算力协同作用，才能转化为生产的 “原料”[13]209。这时的数据就成为劳动对象。在这里，各种原始数据是劳动对象，对采集来的原始数据经过清洗，并且依一定的算力和算法形成的数据就成为生产要素。在人工智能条件下，数据是可以自我演化的生产要素。不像传统劳动对象如石油、钢材会在加工过程中被消耗，而数据要素在被处理后可以产生更优质的新数据。例如，智能网联汽车行驶过程中产生实时路况信息，可用于训练更智能的自动驾驶模型，模型优化后又会产生更精确的数据，实现更高效的交通调度。
数据作为现实生产过程中被算法分析和处理的劳动对象，是人类劳动的客体，人工智能技术使这一创新模式具备了规模化的可能性。通过对数据的系统收集、反复加工、聚合分析，可以挖掘出其中蕴含的经济规律、发展趋势以及个体偏好，实现经济流程的精准化与智能化；凭借其独特的非竞争性、可复制性、非排他性，数据打破了传统要素的稀缺性约束与收益递减法则，为经济的持续增长提供了新的可能。数据还是更绿色的劳动对象。数据要素的应用可以与绿色技术进行深度融合，例如通过分析实时能耗数据优化电网调度，降低碳排放，或利用气候数据指导农业水肥等资源的精准施放，提高资源利用效率。
四、人工智能使产业体系在 “创造性破坏” 中实现现代化
人工智能作为引领新一轮科技革命和产业变革的战略性技术，深刻改变人类生产生活方式的突出表现是对传统产业的创造性破坏。一个国家的竞争力水平是由其产业竞争力反映的。现阶段，产业的现代化程度体现在人工智能上，因此习近平总书记提出，“要推动人工智能科技创新与产业创新深度融合。构建企业主导的产学研用协同创新体系，助力传统产业改造升级，开辟战略性新兴产业和未来产业发展新赛道”[1]。人工智能推动的现代化产业体系构建主要涉及两个方面：一是推动传统产业改造升级，二是开辟战略性新兴产业、未来产业新赛道。目标是建立 “智能化、绿色化、融合化” 的现代化产业体系[14]。
（一）以人工智能改造提升传统产业技术基础
传统产业涉及工业、农业和服务业，面广量大。虽然传统产业不是可以轻易放弃的低端产业，但其传统技术基础不改变就不能进入现代化产业体系，就会被创造性破坏，也就是被市场淘汰。传统产业的技术基础现代化，就是采用最新科技，当前就是推动数字化和绿色化。人工智能可以说是改造提升传统产业的通用性技术。
人工智能对传统产业的赋能，主要体现在应用于机器自动识别、自动学习、自动升级、自动反应和自动纠错的能力。人工智能的研发成果是其技术创新的载体，主要表现为智能化系统、大模型和智能机器人。其中，智能化系统通过精准生产、实时分析与智能决策，已成为产业数字化的重要载体；大模型基于人工神经网络的机器学习算法，可以在海量数据中自主学习、不断进步，具备一定的逻辑推理能力，可以处理人类用自然语言发出的复杂指令；智能机器人集成了多种传感器等机械设备与智能软件，能够模仿人类执行特定任务，且不像传统机器一样局限在体力劳动，而是能够进行一定智力劳动。这些创新共同构成了人工智能赋能产业升级的技术基础。
与以往的工业革命不同，人工智能对传统产业的革新不是改造某个单一环节，而是渗透进整个产业链的每个环节，实现整体的智能决策和管理。以农业智能化为例，通过土壤墒情传感器实时监测土壤含水量，根据稻麦生长时期智能判断是否需要灌溉；通过虫情测报灯自动拍照识别害虫，既能有针对性地诱捕害虫，还能通过视觉识别技术统计害虫数量，及时上报到手机端，预防出现严重虫害；所有数据信息均在云端进行存储和计算，农民可以全程通过手机进行决策与执行，软件会根据土壤条件、生长周期等信息产生智能化灌溉、施肥及用药方案。以制造业智能化为例，构建数智化体系的企业实现 “三个全部”，即核心业务全部上云联网实现全流程数据贯通，企业管理全部依托软件系统进行自动调节决策，主要产品全部嵌入智能模块。这种人工智能与产业转型的深度融合将促使研发、生产、流通、消费等所有环节的经济活动都实现数字化，加速形成以数据要素为关键生产要素、以基础数字产品和服务为核心的全面数字技术基础：其一，实现资源的精准投放，提高资源利用效率和产业整体效能，在提升产量的同时改善产品品质，更好地匹配当前消费者对健康生活的追求和对美好生活的需要；其二，通过实时数据采集、云端数据处理、模式识别和动态研判，构建风险预警与防控体系，增强产业韧性，最大限度降低突发事件冲击带来的负面影响；其三，节省人力资源，将劳动者从重复劳动和体力劳动中解放出来，转向技术应用、决策管理及新业态岗位，优化人力资源配置效率，激发创新活力。
人工智能成果的智能享用，以赋能传统产业升级。要整合最基础的生产要素，将其信息进行数字化存储及处理，纳入智能决策和管理之中，以降低运营成本，提高生产效率。由链主企业发动，构建跨企业的数据平台，借助人工智能和数字加密手段促进企业间达成低成本互信，形成智能的产业链供应链及协同合作的组织形式。通过大数据及智能云计算把握市场需求变化，明确技术创新的进一步方向，实现技术创新和产业创新的良性循环。
（二）人工智能催生战略性新兴产业和未来产业
作为新一轮产业革命的核心技术，人工智能以其颠覆性、通用性技术催生新兴产业。当前新能源汽车、光伏、锂电池等“新三样”风生水起。新能源、新材料、航空航天、低空经济等战略性新兴产业集群发展。量子科技、生物制造、氢能和核聚变能、脑机接口、具身智能、第六代移动通信等成为前瞻布局未来产业新的经济增长点。所有这些新兴产业和未来产业都以人工智能为新技术基础。
第一，人工智能颠覆了作为产业创新源头的实验室研发模式。在传统的实验室研发模式中，科研人员需要反复试错，重度依赖个人经验积累，因此研发周期长、资源消耗大，且研发成果具有较高的不确定性。人工智能则可以通过深度学习、强化学习和生成模型等先进算法，在虚拟环境中对实验过程进行模拟推演，提前筛选出可行的实验路径。例如，在新材料研发中，人工智能可以基于分子结构数据库，预测不同材料在特定条件下的性能表现，节约实际实验中的资源消耗，使材料研发进入高效化、精准化的新模式；在生物医药领域，人工智能可以通过蛋白质结构预测和分子对接模拟，快速锁定潜在的药物分子，大幅缩短研发周期。人工智能使实验室研发从“经验驱动”转为“数据驱动”，科研人员不再需要将精力消耗在大量重复实验之中，而是可以集中于对可选方案的验证和优化。实验室将逐渐演变为智能实验室，从数据采集、实验设计到结果分析，全流程都可以进行自动化与智能化转型。研发模式的变革不仅提高了研发效率，还提升了研发成果的可复制性和可推广性，加速药物研发、新材料探索、能源技术创新等多领域的技术突破。
第二，人工智能与绿色技术的融合培育绿色新兴产业。我国的电动汽车、锂电池和光伏产业处于全球领先地位，是人工智能与绿色技术成功融合的典型代表。除了研发环节的降本提效，人工智能技术可以全方位应用于企业绿色转型：在生产环节，通过对生产设备数据的实时监测和分析，优化生产流程和设备运行参数，直接降低生产总能耗，减少碳排放量；在管理环节，智能工厂可以对设备进行预测性维护，智能调度生产资源，实现工业全流程的可视化管控。这些人工智能技术的应用，在各个环节兼顾了生产效率与能耗优化，为战略性新兴产业的绿色发展提供了直接的技术支撑。人工智能与绿色技术的融合还可以推动全产业链的绿色转型。在企业碳交易方面，智能合约可以利用区块链技术溯源企业碳足迹数据，智能检测碳交易条款是否达成。人工智能用技术手段打通产业链供应链上各企业进行资源置换和碳交易的信任壁垒，提高企业间的合作效率，通过重新分配碳排放额、提高资源回收利用率等间接手段节能减排，促进产业绿色化。
第三，人工智能技术催生新兴产业的新消费需求。首先是消费内容的创新。随着人工智能技术的逐步应用，智能网联汽车、智能穿戴设备等智能商品的消费趋势方兴未艾，更是出现了智慧街区、智慧门店这种体验型的智能消费。其次是消费过程的创新。人工智能使得消费模式开始从标准化转向“因人而异”的个性化服务，例如平台经济利用人工智能技术分析用户在不同界面的停留时间、点赞评论、下单购买等行为数据，为每个消费者绘制个人画像，从而推送更加符合消费者偏好的平台内容，创造新的消费需求。最后是情感消费模式的创新。人工智能可以通过面部识别、声纹识别及健康监测等方法判断消费者的身心状态，从而提供相应服务，例如智能酒店可以在客人疲惫或情绪低落时调整室内灯光、空调及音响声音。然而，目前的智能产品和智能服务主要还是在生活和生产中发挥辅助决策、自动执行等作用，即使能够在技术层面识别用户的情绪及情感，也很难代替真实人际社交中的情感互动，例如机器人可以与空巢老人对话，并在监测到其生命体征出现波动时及时报警，但无法从根本上解决其孤独的心理状态。因此，在情感消费的情境下需要人工智能与工作人员发挥互补优势，形成人工智能提供专业知识或功能性服务、真人交流满足情绪情感需求的协同服务模式。
第四，人工智能为催生未来产业提供新赛道新领域。对未来制造、未来信息、未来材料、未来能源、未来空间和未来健康等未来产业进行前瞻性布局，形成未来产业的人工智能化发展生态，要求强化算力、算法、数据等人工智能要素的高效供给。在算力供给方面，要加快不同级别算力枢纽的建设，推进“东数西算”工程，形成跨区域协同的算力网络；完善多层次算力体系，满足大模型训练与实时应用的不同需求；推动绿色算力发展，降低算力中心的碳排放，实现算力供给与“双碳”目标的协调。在算法供给方面，建立开源共享机制，鼓励头部企业开放部分算法框架，降低中小企业研发门槛；推动跨学科算法研发平台建设，促进人工智能与医学、金融、材料等领域的知识融合。完善算法治理机制，建立算法透明度和可解释性标准，减少算法黑箱和技术垄断。在数据供给方面，加快数据要素市场建设，完善数据产权制度和交易规则，鼓励公共数据开放共享；建设跨行业数据平台，促进产业链上下游数据互联互通；推动数据和接口的标准化，畅通数据流通渠道；发展隐私计算、区块链等先进技术应用，解决信息共享中的安全与信任问题，降低企业间协同创新的合同成本。
人工智能改进新兴产业的治理模式。传统的产业政策依赖于统计数据和专家经验，存在数据滞后、信息不对称、预测能力不足等问题。如今，政府可以借助人工智能技术把政策制定和产业治理从“事后管理”转向“事前预防”“实时调控”。基本路径是推动工业互联网和人工智能在更广范围、更深程度、更高水平上释放融合赋能效应。其一，人工智能可以处理能源消耗、环境排放、产业运行等方面的海量数据，为政策制定提供量化信息。例如，在碳排放治理中，人工智能可以分析企业的能耗数据，精准追踪企业碳足迹，识别高排放环节，使政府治理措施更具精准性和有效性。其二，人工智能可以模拟不同产业政策的实施效果，预测其对经济增长、就业结构、环境质量等方面的影响，为决策者提供多维度参考依据，使政策制定更具前瞻性和全面性。其三，人工智能可以使战略性新兴产业的监管更加智能化。通过构建智能监管平台，政府和企业能够及时了解市场运行情况，更早发现潜在风险并进行调控；通过区块链和智能合约技术的应用，减少人为干预导致的道德风险，提升政府产业治理效率与公正性。
特别要强调人工智能技术和模型的开源对产生新兴产业的作用。头部AI企业根据平台业务获取的大量数据进行人工智能研发，再将人工智能技术更加深度嵌入搜索、社交、电商等产品矩阵，通过这种正向循环，构建起全领域覆盖、持续动态革新的人工智能产品生态。部分头部企业发布的开源生成式人工智能，也降低了中小企业面临的技术门槛，使其能够基于优质模型结合自身业务特点进行定制研发和调整，促进了中小企业的业务创新。数量庞大的中小企业就可以通过厚尾效应补足多样化需求的缺口，优化市场结构，为构建现代化产业体系奠定坚实基础。
总的来说，人工智能时代的“创造性破坏”是一场广泛而深刻的经济社会体系变革。唯有深化改革、健全政策框架、优化治理模式，推动数据、算力、算法的协同进步，方能在“破坏”中催生“创造”，实现科技创新与产业创新的深度融合，建立智能化、绿色化、融合化的现代化产业体系。
参考文献：
[1] 习近平在中共中央政治局第二十次集体学习时强调坚持自立自强突出应用导向推动人工智能健康有序发展 [N]. 人民日报，2025-04-27（01）
[2] 斯蒂格利茨. 社会主义何处去[M]. 长春：吉林人民出版社，1998：166
[3] 三位经济学家获2025年诺贝尔经济学奖提醒我们，增长不仅是数字的扩张，更是一种文明的自我更新[N]. 中国青年报，2025-10-14（07）
[4] 习近平经济文选：第1卷[M]. 北京：中央文献出版社，2025：435
[5] 洪银兴. 新质生产力及其培育和发展[J]. 经济学动态，2024（1）：3-11
[6] 周志华. 机器学习[M]. 北京：清华大学出版社，2016：10-13
[7] 国务院关于深入实施“人工智能+”行动的意见（国发[2025]11号）[EB/OL].（2025-08-26)[2026-01-12]. https://www.gov.cn/yaowen/liebiao/202508/content_7037868.htm.
[8] 习近平. 因地制宜发展新质生产力[J]. 求是，2025（22）
[9] 习近平. 加强基础研究 实现高水平科技自立自强[J]. 求是，2023（15）
[10] KAHNEMAN D. Attention and effort[M]. Englewood Cliffs, NJ: Prentice-Hall, 1973
[11] 菲利普·阿吉翁. 创造性破坏的力量[M]. 北京：中信出版社，2021
[12] 马克思恩格斯文集：第5卷[M]. 北京：人民出版社，2009
[13] 马克思. 资本论：第1卷[M]. 北京：人民出版社，2004
[14] 中国共产党第二十届中央委员会第四次全体会议公报[EB/OL]. 中国政府网，（2025-10-23）[2025-12-18] https://www.gov.cn/yaowen/liebiao/202510/content_7045444.htm.
