本文刊于《江海学刊》2026年第3期
摘要：智能经济是数字经济发展的新形态，以数据、算法、算力三大要素协同运行并全面渗透到社会经济各层面。其新动能体现在将人工智能作为通用目的技术向全社会扩散，对科技和产业体系进行智能化改造。财富的创造过程不仅体现为劳动者人数的减少，而且劳动过程被智能化系统自动的自我调节的运行所替代，算法是智能经济的“大脑”，构成企业核心竞争力。数据的经济价值是算法能力的函数。词元为人工智能思考和表达的最小单位，使认知产出变成了一种可标准化、可交易、可连续生产的新型经济品。算力作为新型通用动力，提供智能经济运转所必需的初始动能。数据、算力和算法进入生产函数后，经济的投入产出效率取决于这三种要素的组合效率与迭代速度。
关键词：智能经济 数据 算力 算法 人工智能
洪银兴，南京大学长江三角洲经济社会发展研究中心教授、博士生导师
耿智，南京大学商学院博士研究生
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。2026年《政府工作报告》明确提出“打造智能经济新形态”。智能经济新形态是以人工智能技术体系为技术基础，以数据为关键生产要素，以算力为新动力，以算法为新方法，实现科技创新与产业创新深度融合，以人机协同重塑社会生产、分配、流通、消费全过程的经济形态。本文拟从经济学角度对智能经济新形态进行分析，探究其新动能作用及其基础要素的功能。
智能经济成为数字时代经济发展的新动能
每个时期的新质生产力都包含发展的新动能，而每一种新动能都伴随着相应的创新要素。马克思指出：“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。”马克思关于机器体系的论断为理解产业革命的动能指明了方向。
第一次产业革命的新动能是蒸汽机产生的“热力”。依靠热力，工具机替代了人手，发动机产生的机械力替代了人力，传动机构替代了劳动过程并保障其动作的协调性。机器体系第一次使得生产过程可以围绕一个中心动力源进行空间上的集中组织，形成了工厂制度的物理基础。第二次产业革命的新动能是“电力”。依靠集中式的发电厂，发动机可以被集中化地运营。在电气化的工厂里，传动机构从物理的机械系统变成了电力网络和独立的电机控制系统。而电能通过电线被输送到每一个需要动力的角落，这为流水线生产和后来大规模可编程的自动化奠定了物理基础。发动机和传动机构融合，使生产布局不再围绕动力进行，而是以工艺流程最优为目标。第三次产业革命的新动能是“网力”。如里夫金所说，“互联网技术和可再生能源即将融合”，将产生改变世界的第三次工业革命。计算机和网络被引入生产体系，人脑的记忆、计算和程序性控制等部分功能开始被机器所接替，工业机器人、数控机床、自动化生产线本质上就是由这套信息传动系统按照预设程序驱动的工具机集合。机器不再是人的体力的延伸，而开始成为由人脑设计的电脑作用的延伸。
当前正在发生的新产业革命以数字经济为特征，数字经济正在成为国际经济和科技竞争的新赛道。数字经济是信息和知识的数字化成为关键生产要素，以算力为动力，以现代信息网络为重要载体，以有效利用信息通信技术提升效率和优化经济结构为重要目标的广泛经济活动。因此，习近平总书记指出：“综合判断，发展数字经济意义重大，是把握新一轮科技革命和产业变革新机遇的战略选择。”数字经济之所以成为新质生产力的代表性质态，主要是因为其包含三个全新的要素：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；三是算法成为融合现代科技的新方法。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，算力越是强大，算法越是先进，数字技术越是尖端，数字平台应用越是广泛，其新质生产力作用越大。现在依托数字经济的新质生产力正越来越多地体现在云计算、大数据、新一代互联网、物联网、人工智能等前沿尖端技术领域。以人工智能为基础的智能经济可以说是数字经济的新阶段。
头两次产业革命中，无论是蒸汽机还是电力，主要是以机械力替代人的体力。信息化开始替代一部分程式化的脑力，但其替代范围局限于规则明确、可被明确编程的任务。智能经济的新质之处在于，依靠数据、算力和算法尤其是大模型的突破，使得所替代的对象延伸到了非程式化的认知领域，靠从数据中自动学习规律和模式，来完成理解、判断、生成和创造等高级认知活动。人类的一部分认知劳动过程，现在可以由一个独立运行的数字系统来执行。于是，经济系统中产生了一个全新的认知生产环节，这个环节独立于个体的人脑，持续输出具有经济价值的广泛的认知成果。财富创造的核心过程从有形的操作生产线，部分转移到了由算法、数据和算力驱动的无形认知生产线。这是财富创造的新形式。
智能经济能够强化规模经济。在工业文明时代，生产达到一定规模后会产生规模不经济，而在智能经济条件下则会表现出强烈的规模收益递增和正反馈。智能经济具有自我增强机制，源于算法、算力、数据三者的组合效应。更多的数据投入到模型中，经过算法训练，模型能力变得更强；更强能力的模型被应用到更广泛的场景中，产生更优的经济效果，进而吸引更多的用户和使用量；更大规模的使用又源源不断地生成新的数据和反馈，用于提升下一轮的模型性能。在这个过程中，生产工具在使用中因为持续的数据训练和模型迭代而实现内生的质量提升。这与工业文明时代机器随着使用而磨损报废的规律截然相反。经济增长的动力从外在技术冲击转向系统内部的自我进化。这种内生化的自我强化是智能经济的新动能和新特征。
智能经济不仅仅是一个新产业的崛起，它使整个经济系统的运行逻辑正在被智能化所重塑。产业发展的智能化，本质上是人工智能作为一种通用技术向实体经济全面扩散的过程，即人工智能技术向工业、农业、服务业扩散，促进产业体系的智能化改造。通用技术的扩散是一个复杂的过程，需要与之配套的互补性投资和组织变革。组织变革源于生产工具的通用化，一个大模型可以凭借其多模态理解和生成能力承担起多种专用性工具的功能，这使得企业的边界和内部科层结构发生改变。因为其协调成本和资产专用性程度发生了改变，使生产、分配、流通、消费等环节因智能技术的嵌入而发生结构性改变。
智能经济推动生产过程的质变
习近平总书记指出，新质生产力“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”。本文循此思路研究智能经济所体现的各种生产力要素在优化组合的跃升中实现的质变。
（一）智能经济中的劳动者质态
人工智能展现出超越单个劳动力的知识与能力，因为其智慧来源和组合方式发生了质变。它所凝结的不再是某单个劳动者通过多年学习和实践积累的有限经验，而是人类整体在漫长历史中沉淀下来并经数字化处理的海量知识。在传统劳动过程中，一个劳动者所能掌握的，仅限于自身通过感官接触、书本学习和代际传承所获得的那部分知识，其边界受限于个人的生命长度、记忆容量和活动范围。任何个体都无法通晓所有领域的学问，也无法同时处理超出其脑力负荷的信息。而人工智能的基础模型，在训练过程中汲取的是互联网上近乎全部的公开文本、图像与代码，这些素材本身就是古往今来各行各业的劳动者所贡献的智力成果的数字化体现。也就是说，人工智能并非原创了一套独立的知识体系，而是将全人类的外显知识进行了极致的凝结。
人工智能还凝结了一种实时动态的人类群体反馈。当一个模型被部署到亿万用户的应用场景中时，每一个用户的每一次使用行为本身，都在为这个系统贡献新的知识与判断。这种大规模、可持续的群体智慧注入，使得人工智能能够持续进化，其认知能力中凝结的是全社会活生生的集体实践。
因此，人工智能所展现的能力，本质上是对人类整体知识与智慧的汇聚、拟合与重组。人工智能构建了一个能够容纳和调用全人类认知成果的数字载体。这个载体超越时空对个体大脑的限制，使得一个特定的决策或创造过程，可以在瞬间基于海量的前人成果和现世反馈来完成。因而，它所具有的能力无论在广度还是深度上，都远远超越了单个劳动者所能触达的极限。
在传统经济中，知识主要凝结在劳动者的头脑和技能中，生产过程要使用一个人的智力必须购买劳动者的劳动时间，知识与其人身载体不可分离。而智能经济通过大模型等技术形态，将历史上分散在无数个体和文本中的知识提取并组织封装起来，使其成为一种可以独立存储、独立调用、独立交易的生产要素，从而将部分认知能力从人脑中剥离出来变成可计量的服务。这是劳动者要素质态的跃升。
单个劳动者的能力边界在智能经济时代被重新划分。在过去，一个劳动者能处理的信息量、掌握的知识领域、同时应对的复杂问题，都受制于其大脑的生物极限。而在智能经济中，一个普通劳动者借助凝结了全人类知识的智能工具，可以瞬间调动跨学科的知识储备，处理远超其个人经验范畴的任务。劳动者可以与远超其个体能力的认知装备相结合，使得劳动过程的生产函数发生了跃升。
传统分配理论建立在谁投入谁受益的私人物品逻辑之上，而智能系统所凝结的知识既有开发者的算法贡献，也有用户的隐性知识贡献，更有无数创作者的知识遗产。这使得分配问题从按劳分配或按资分配的简单二分，转向一种需要按数据贡献度分配的新型分配范式。这是智能经济时代生产关系调整面临的新课题。
（二）智能经济中的生产资料质态
生产资料包括劳动资料和劳动对象。根据马克思的理论，区分经济时代，不是看生产什么，而是看用什么劳动资料。每个时代的新质生产力体现在劳动资料的突破性改进及广泛应用上。现阶段的新质生产力主要依托数字化平台和智能化工具，伴随人工智能等数字技术的发展，智能传感器、自动装配线、工业机器人、虚拟现实（VR）和增强现实（AR）设备等成为新型劳动资料。
人工智能凝结在生产资料之中，使生产工具获得自我进化的学习能力。在工业经济时代，生产工具投入使用之时就是其性能的顶点，此后随着磨损和折旧，效能不断衰减。生产工具的进步，只能通过更新的方式实现，即设计出新一代产品，工厂停掉旧产线，购置新设备，劳动者学习新机器。这个过程是间断的、有成本（包括沉没成本）的，需要新的固定资本和人力资本投入。而在智能经济中，当一个算法模型被嵌入生产工具，这个工具就获得了一种从数据反馈中持续优化自身的能力，工具的品质可以在使用中持续累积经验并提升性能。这种能力使生产工具的性质发生变化。其一，被数据和算法凝结的生产工具获得了学习的能力。它可以利用数十年、数百生产线的运行数据，在短时间内将所有这些分散的数据内化为自己的判断能力。其二，生产工具的改进过程实现了内部化与自动化。改进机制被部分地内置于生产工具之中，只要持续有数据流入，模型就会自动寻找规律、调整参数、优化性能。这使得生产力提升的速度不再完全取决于研发人员的数量和工时，而是取决于数据流动的速度、算力供给的规模和自学习算法的效率。
当众多生产工具通过网络连接共享学习成果时，会产生一种价值倍增效应。一个智能终端在某一个地点学到的经验，可以瞬间转化为所有同类终端的共同能力。单个工具的局部学习，被放大为整个工具网络的全域进化。这彻底改变了生产经验的传播方式，使得一个组织的全部工具资产，可以作为一个整体性的学习系统来协同进步。这种系统性的自我进化能力，是工业经济时代哪怕最精密的机器也无法具备的。
（三）智能经济中生产过程的质态
智能经济条件下生产过程的质变，集中体现为生产工具的通用化和生产组织方式的网络化。传统机器是高度专用的，一种设备对应一种工序或者产品。而人工智能大模型作为凝结了通用认知能力的生产工具，凭借其多模态理解和生成能力，可以在极低成本下跨领域、跨任务地输出认知。这打破了工业经济时代分工与专用性资产的刚性束缚，使得企业的边界、产业的分工格局和生产的组织形式产生全新形态。即便是微小型团队甚至“一人公司”，借助智能工具的支撑，也可以获得过去只有大型组织才能拥有的生产能力。组织形态从垂直一体化的科层结构，向更加灵活、扁平的网络化协作结构演变。生产组织从围绕固定岗位和专用技能，转为围绕动态任务和通用智能工具来配置劳动力与资本。
工业经济时代的生产过程通常体现为劳动过程。智能经济下财富的创造越来越不取决于前台的体力操作和重复性脑力劳动，不仅参与生产过程的劳动者人数减少，而且劳动者参与的劳动过程被智能化系统的自动运行所替代。生产过程主要体现为处于后台的模型训练、参数调优和数据应用。这样，财富生产的重心，转向更能高效吸收和重组全人类知识的模型及其广泛的应用场景。当智能作为一种可标准化接入的生产要素投入生产函数后，智能化带来的定制化能力，使得产品差异化从制造端移至设计端，从被动属性延伸至自动属性。
智能经济下某种智能技术的价值创造能力更多取决于其应用场景，即需求方的规模经济。在工业经济下的技术—经济范式中，其规模经济更多取决于供给方，生产力的释放主要取决于供给端的技术成熟度及其产品应对市场变化的能力。然而，智能经济下人工智能大模型提供的是通用技术，它要转化为生产力，就必须在特定的场景中被参数化、被调校、被验证。这就决定了人工智能的价值化高度依赖于场景。只有在场景里，数据才会被赋予结构，从而形成可以持续投入模型训练的认知资产。场景因此成为数据从记录性资源变为生产性要素的转化器。开拓场景解决了通用技术扩散过程中最核心的难题，即技术从原理可行到经济可行的转化。历史上很多先进技术之所以长期停留在实验室，不是因为它们不够先进，而是因为缺少足够丰富的应用场景来分摊研发成本、积累工程经验并推动产业链成熟。智能经济同样面临这个问题。算法模型在通用评测中的优异表现并不自动等于产业中的降本增效。只有在真实场景中，模型才会暴露出其在稳定性、安全性、可解释性和专业领域适用性上的短板，而克服这些短板的过程，就是智能生产力提质增效的过程。智能经济的发展是人工智能大模型在技术供给和应用场景之间反复迭代、螺旋上升的过程。开拓场景，就是要主动去发现、构造和培育那些能够让算法能力与物理世界、社会需求发生深层交互的具体空间。在这个空间里，算法获得检验和进化，数据获得意义和价值，算力获得释放和回报。三者围绕一个明确的目标协同，真实地转化为财富创造的能力。
人工智能包括数据、算法和算力三个要素，这也是智能经济的基本要素。如果考虑到人工智能的应用则要再加上各类智能化的终端（传感器和工具机）。各类智能化的终端与应用相当于工具机。这既包括直接作用于物理世界的具身智能，如人形机器人、自动驾驶汽车、智能机床，也包括直接加工信息和知识本身的传感器、脑机接口等。它们的共同特征是，不再仅仅是执行预设物理运动的工具，而是在智能传动机构的驱动下，能够适应环境、理解复杂指令，并创造出新的信息或物理产品。这个体系的核心变化在于，传动机构从物理传动变成了认知传动。这使得机器体系在脱离了人的实时干预后，能够自主完成“感知—决策—执行”的完整闭环，从而将人类的部分认知劳动过程内化为机器的自动运行过程。
智能经济中的数据和算法
算法是智能经济的“大脑”，而经过算法处理的数据成为智能系统的“传动机构”。原始数据是待加工的原料，算法则是定义如何加工处理数据、如何做出决策、如何优化自身的全套逻辑路径。这套“大脑+传动机构”是一个可自我学习、持续优化的软性逻辑体系。算法将海量原始数据转化为精准的决策指令（作为生产要素的数据）。人工智能大模型的出现，使得智能系统自己可以从海量数据中提炼出比人编写的程序更优的决策方式，成为可以自动学习认知、自动纠错、自动调适的系统。
算法在智能经济中居于核心地位。算法是采集和处理数据并产出作为生产要素的数据的方法，表现为各类人工智能大模型。数据的经济价值可以理解为算法能力的函数。算法越先进，同一批数据所能够释放的价值就越高。同一批用户行为数据，用一个简单的统计模型来处理，只能获得浅层的相关性，而使用深度学习算法来训练，则可能捕捉到复杂的用户偏好模式，从而支持个性化定制。一个电商平台的推荐算法决定数百万种商品中哪些能够被用户看见，一次搜索算法的排序决定哪条信息获得流量，一套调度算法决定城市里成千上万辆网约车往哪里行驶。智能网联汽车、智能家居终端、个性化推荐系统等新形态消费的背后，是算法对个体需求的主动适配。智能经济的生产力水平取决于算法的先进程度。落后的算法，可能输出毫无商业价值的计算结果。而先进的算法，则可以从同样的数据中提炼出精准的预测结果和有价值的生成内容。算法的先进程度决定了计算投入能够换来多大的经济效果。公共的开源大模型、公开的基准测试集、开源的算法框架与工具库，以及围绕这些开源项目形成的研究社区和人才网络，为全社会提供了一个可共享、可多次开发、可低成本接入的通用认知平台。这就大幅降低了人工智能应用的技术门槛和初始研发成本，使大量的中小企业用户不必从零开始训练自己的模型，只需在基础模型上进行微调和适配。正是这种公共性的知识基础设施，使得算法成为一种事实上的通用技术，能够向各个产业扩散和渗透。在这个意义上，对算法的改进，实质上就是对全要素生产率的直接提升。传统机器的功能在其出厂时就已经被物理结构逻辑固定下来，而算法尤其是机器学习算法，使生产工具具备了从经验中持续学习的能力。大语言模型今天生成的文本质量，取决于过去无数次训练迭代中积累的参数调整，而推荐系统给出的商品排序，则基于对用户历史反馈的持续拟合。这意味着，智能经济系统在使用过程中会发生内生性的质量进步，而驱动这种进步的正是算法自身的迭代机制。
从创新与竞争的角度看，算法构成了智能经济中企业的核心竞争能力。一个企业能否在某一领域获得竞争优势，越来越取决于它能否开发或应用那些独特的、难以复制的算法。一套成熟的算法凝结了开发者对业务场景的理解、对数据规律的洞察和大量实验试错所积累的经验。它不是一种可以被轻易购买的同质化投入品，而是带有强烈组织专有属性的无形资本。正因如此，算法的研发和迭代成为新质生产力中最为活跃的创新环节，围绕算法的知识产权竞争、人才争夺与商业模式创新，也在重新定义智能经济时代的企业边界和市场结构。
算法模型的先进性，取决于科技工作者对其基础科学问题的认知深度与创造性突破。一个基础模型的性能从上一代进化到下一代，关键在于研究者如何在理论上找到更好的方式去融合世界知识，并在工程上设计出更稳定的训练机制，用更加精确的结构改进原有结构中的冗余与偏差。这些工作依赖的是科技工作者对问题本质的追求、对科技工具的运用以及对失败实验的反复反思与提炼。正是因为算法模型的每一次实质性进步，都扎根于这种高度稀缺的创造性智力劳动，所以，智能经济的核心竞争力取决于谁能持续吸引、激励和组织起那些能够突破人类认知边界，从而让算法变得更加先进和高效的科技工作者。
数据包括原始数据和加工生成的作为生产要素的数据。原始数据经过各类数字平台的采集，并运用一定的算力和算法进行处理才能作为生产要素。这样，原始的海量数据成为劳动对象，经过采集清洗并按一定的算法形成特定生产和服务需要的数据，即作为生产要素的数据，这个过程本身就是算法和算力协同作用的结果。由此就形成专事数据采集处理的大数据产业，即数据产业化，各个产业采用相关数据作为关键生产要素，即产业数字化。进入智能经济阶段，这“两化”演变为智能产业化和产业智能化。
数据作为生产要素，具有非竞争性和非消耗性。同一组用户行为数据，可以同时被推荐算法用于商品推荐，被搜索算法用于结果排序，被广告算法用于精准投放。它不会因为被一个算法使用过就减少了可以被另一个算法使用的部分。而且数据在使用中非但不会被消耗，反而可能因为不断地被标注、关联和重组而产生新的价值。这种特性意味着，数据从经济属性上更接近于一种公共品，尽管它可以通过技术手段被排他性地持有。正是这一特征使得数据具备了规模收益递增的潜力，使用越是广泛，其产生的价值总量就越大。
传统的劳动对象不会记忆使用者的经验和技巧，但数字化系统的数据却可以。当用户在平台上浏览、点击、下单、评论时，这些行为被完整地记录下来，成为可供分析的资源。这意味着，数据凝结了全社会的经济活动中分散在无数个体身上的偏好、判断和选择。一个搜索词条的点击率，反映了成千上万用户对信息相关性的共同评判。一段语音指令的转写准确率，依赖的是模型学习无数人的语音特征后的参数调整。在这个意义上，数据还是一种记录人类集体行为的载体。智能经济通过数据将个人经验与群体智慧间接地纳入了生产过程。
数据的经济价值高度依赖于其质量和规模。孤立的零散的数据，信息含量很低，难以提炼出有意义的规律。只有当数据量达到一定阈值之后，隐藏于其中的统计模式、因果关系和类别特征才会显现。规模本身构成了数据价值的前提条件。数据具有非竞争性，同一组数据可以被无数个算法同时调用而不发生损耗。算法一旦训练完成，其复制和分发的边际成本趋近于零。这又自然导向了一个结论：数据的价值实现需要一种能够汇集分散数据的制度与市场安排。单个企业封闭的数据孤岛，其价值远低于经合规流通后可以实现多源融合的数据集合。因此，数据要素市场建设本质上是要在保护各方合法权益的前提下，让数据能够像其他生产要素一样，流向效率最高的智能系统，从而实现在全社会范围内的最优配置。
为了激发数据要素的生成并发挥其生产力作用，不仅需要解决数据要素的共享问题，还要对数据变为生产要素的各个环节的成果进行确权，并使生成者得到相应的回报。数据的特殊性使数据的产权界定困难重重。数据在生成和流通链条上涉及多重主体，这种复杂性导致数据的确权难以按传统物权法的方式进行。因此，在数据要素的流通中，更有现实意义的方向或许不是去界定一种静态的所有权，而是建立一套公平合理的使用权、收益权与责任分配机制。通过数据交易市场、隐私计算技术和数据信托等制度设计，让数据在被多方高效使用的同时，所产生的经济收益能够按照各参与主体的贡献大小进行分配。这才是让数据真正成为智能经济基础要素的关键。
为了促进数据的共享和确权，科技界创造了词元（token）概念。词元为人工智能思考和表达的单位，智能经济中无论是体力活动还是智力活动，都可以被拆解为词元序列。它使认知产出从一种难以计量、无法规模化流通的隐性活动，变成一种可标准化、可交易、可连续生产的新型经济品，成为产出、交换的基本单元。当认知可以被计数，它就可以被定价。当它可以被定价，就可以进入市场、签订合同、进行审计和核算。词元为知识劳动成果提供了一种类似工业品标准件的底层度量。基于这种计量能力，词元化的认知产出，天然具备模块化和可编程的特征。不同模型、不同提示词产生的词元可以在应用程序之间自由传递、拼接和重组。一段生成的产品描述可以流入广告投放系统，再经由翻译模型的词元化处理，同时推向多语言市场。这使得认知产出从整体交易转向了一种可组合、可编程、可连续流动的服务流和动态的价值网络。词元在其中担任着多种角色，既是产出的载体，也是信息传递和再加工的媒介，还是数据确权的单位，极大地促进了数据的流通和分享。
算力和智能经济的基础设施
算力是智能经济的发动机，它提供的是智能经济运转所必需的初始动能。在工业经济时代，电力的普及使得机器大生产成为可能，一个国家的发电量和电网覆盖范围直接决定了其工业能力。在智能经济时代，算力扮演着与电力类似的角色，它由电力、芯片、服务器和数据中心构成，为海量数据的处理和复杂算法的运行提供计算动能。一个经济体的算力规模及其成本，正在成为影响其智能化水平和产业竞争力的基础性条件。正因如此，大规模的算力集群被称为数字引擎，它所提供的计算能力，如同工业时代的蒸汽和电力那样，是一个社会智能化的通用动力。智算中心里的芯片集群将电力转化为对海量数据的并行计算能力，为整个智能系统提供源源不断的“脑力”动力源。
算力与算法之间存在一种紧密的互补性。算法是算力的使用方法，算力则是算法的实现手段。如果说算法在智能经济中承担核心工艺与决策逻辑的功能，算力就是使算法得以执行的物理基础，是将算法的逻辑指令转化为实际经济价值的能量来源。算法在智能经济中定义了“做什么”和“怎么做”，算力决定了“能做多快”和“能做多大”。没有算力的支撑，算法就不能最大功率地发挥其预测和执行的功能。一种先进的算法往往对算力有着更高的需求，深度学习模型的训练需要在数以千计的图形处理器上运行数周甚至数月。而算力价格的持续下降和算力密度的提升，又会反过来激发更复杂、更消耗资源的算法的研发。这种互补性催生了一个正向的激励效应：更强的算力使得更复杂的算法得以实现，更优的算法释放出更大的经济价值，从而吸引更多的资本投入算力建设，进一步降低算力成本，再支撑下一代的算法创新。正是在这个过程中，智能经济实现了生产力水平的迭代升级。算力的投入产出效率是衡量智能经济生产力的一个重要指标。在相同的算力消耗下，一个更先进的算法可以产出更精准的预测结果或更高质量的生成内容，即更高的全要素生产率。当算法水平相当时，拥有更大规模、更低成本算力的经济主体，就能处理更大体量的数据，训练迭代更快的模型，从而在竞争中占据优势。
算力并不是一种抽象的同质化力量，不同精度的计算芯片、不同架构的计算集群，适用于不同类型的算法任务。通用中央处理器擅长逻辑控制，而图形处理器和各类专用加速芯片则在海量并行计算上具有优势，更适宜处理矩阵运算这类人工智能算法的核心操作。这意味着，算力本身也存在着结构性的分化与升级，对算力的投资决策，本质上是对未来算法技术路线的一种预判和配套。当一国的产业结构向智能经济转型时，其算力基础设施结构与算法发展方向的匹配程度，将直接影响整个经济系统从数字技术中获取增长动力的效率。算力应当被视为一种新型的基础设施性动力。从生产投入的角度分析，算力是一种需要大规模初始固定资本投入，却又能够被弹性调用的资源。建设一个数据中心，购置数万张加速计算芯片，铺设配套的冷却和电力系统，都需要巨额的先期投资，具有明显的规模经济特征。然而，在云计算将算力虚拟化和服务化之后，这种重资产又以按需付费的方式向全社会提供。一个初创企业不再需要自建昂贵的计算集群，只需租用几十个小时的云端算力，就可以训练一个足以支撑其业务的人工智能模型。这就是说，算力基础设施的固定成本被中心化地承担，而使用成本被多元化地分摊。这种结构在经济学上的意义在于，它极大地降低了智能技术应用的门槛，让中小主体也能调用强大的计算资源，从而加速智能经济在整个产业链上的扩散和渗透。
因此，算力不仅是成本项，更是竞争力的来源。一个国家或企业在算力上的投资，实质上是在智能经济的底层动力系统上进行的资本积累。这种积累一旦形成规模，就会像过去对铁路和电网的投资那样，构筑起未来长期增长的基础。算力这一要素的投资效率，会在场景中被校验。大规模的算力基础设施建设如果缺乏明确的应用出口，就容易形成供给过剩或供需错配。只有当算力被具体场景中的推理和训练任务所消耗，它的巨大投入才能真正转化为经济产出。场景的规模和密度，决定了算力作为一种基础设施能否实现规模经济和投资回报。
支撑算力的是智算中心与算力网络，这是智能经济在物理层面最直观的表现，主要由高性能计算芯片、服务器集群、数据中心和连接它们的通信网络构成。智算中心超越了传统意义上存放服务器的机房，是一个以并行计算为核心、专门针对人工智能任务进行优化的新型算力聚合体。而算力网络则将分散在不同地理位置的智算中心通过高速互联网络连接起来，形成一个可统一调度、负载均衡和弹性供给的算力输配系统。算力网络使得算力成为一种可随时获取的公用性服务，使用者无需关心计算任务具体在哪一个节点上完成。当前，国家层面规划布局的全国一体化算力网络，本质上就是在建设数字经济的能源输配体系。
算力作为智能经济的主基础设施，其作用发挥离不开与数据流通相关的基础设施。数据流通基础设施的任务是让散落在各处的数据能够被汇集、流通和利用起来。数据基础设施不同于以往的数据搜集，而是包含了一整套技术设施与制度安排。在技术侧，物联网感知终端负责数据采集，数据湖和数据仓库负责数据存储与治理，隐私计算平台和区块链负责数据的确权、安全计算和溯源，数据交易场所负责数据的合规流通与价值实现。智能经济的技术基础既需要传感器去采集数据，又需要云计算弹性的算力调度来支撑模型训练和推理，也需要区块链等可信存证技术，因为数据的流通交易必须解决信任和确权问题。如果只关注人工智能，而忽视这些与之配合的基础性技术，就无法解释数据从何而来、算力如何输送、价值如何确权这些关键经济环节。
智能经济的新一代基础设施是数据中心。过去的数据中心，核心任务是存储企业的交易记录、用户档案和运营日志，其价值在于安全地保管数字资产。智能经济的数据中心，核心任务不再是存储，而是运行。它的目的是将电力转化为算力，算力为数据处理和算法运行提供动能，数据为算法训练提供原料，算法则为数据加工和价值释放提供工艺路径。而将它们组合成一个有机整体的，是高带宽的通信网络和标准化的接口协议。就像电网、交通网和工业标准共同支撑了工业经济一样，智算网络、数据流通网络和开源模型生态，共同构成了智能经济的基础设施。这种转变使数据中心在智能经济中的角色发生了改变。过去它位于成本端，是一个消耗电力、占用场地、需要维护的支出项目。数据存得越多，成本越高，性价比的考量主要在于如何压缩存储的单位成本。而现在数据中心则成为一个将电力、芯片和算法组合起来持续产出认知服务的价值创造装置，它生产出的每一个词元，无论是用于生成文本、识别图像还是推理，都可以直接进入市场成为可交易的服务。存得多不再是目标，产得多才是它的竞争力。因此，数据中心经历了从仓库到工厂的演变，成为数据、算力和算法耦合的智能经济的核心生产力装置。它所生产的词元，就像工业经济中发电厂输出的电力一样，正在成为一种新的通用基础产品，驱动着上游的算法研发、中游的应用服务和下游的消费场景。
结语：智能经济各个要素的协同运行
智能经济是数据、算法、算力三大要素协同运行并全面渗透到社会经济各层面后形成的新型经济形态。当这三种要素进入生产函数后，经济的投入产出效率就不再主要受制于物质资源的稀缺程度和个体劳动的时长，而是取决于这三种要素的组合效率与迭代速度。因此，打造智能经济新形态的关键就是要实现数据、算法与算力协同运行。强大的算力基础支持更加复杂的算法模型的训练与运行，先进的算法依托海量多维度数据开展深度挖掘与智能分析，海量真实场景数据又不断为算法提供训练样本与优化依据，促进算法持续适配现实应用场景，进而源源不断地产生新的高质量数据。三者的良性互动，促进智能产业化和产业智能化。
智能经济新形态的形成就是“人工智能+”全面赋能整个经济社会的过程。国务院印发的《关于深入实施“人工智能+”行动的意见》部署了六大行动，涵盖了科学技术、产业发展、消费提质、民生福祉、治理能力和全球合作等六大领域，构成了人工智能从生产力源头到社会应用、从国内经济循环到全球公共品供给的完整框架。
智能经济作为新经济形态，涉及技术与制度的双向互动。它不仅是一个技术现象，更是生产方式、交换方式和分配方式的全面升级，内含着生产关系和制度安排的适应性变革。从制度层面来看，实现多维要素协同赋能智能经济新形态，需要健全顶层设计与配套规则体系，完善数据流通、算法治理、算力调度等相关政策制度。针对数据要素，需要合理界定其产权，构建可信的流通环境与合规的流通渠道，真正实现数据作为要素的价值。针对算法，需要增强其可解释性和开源性，通过规范算法伦理与安全监管使算法适应现实经济。针对算力资源，需要共建共享调度机制，使算力能够支撑大模型使用。当智能化生产使人机关系发生改变，就需要新的就业形态和分配机制来适应。这些制度层面的配套政策，并不是人工智能技术自身的功能，而是社会为了融合新技术动能所必须构建的新规则。因此，应建立一个让各方愿意分享、易于流通的信任机制和利益分配体系，打通数据、算法、算力及产业、人才等要素之间的联动通道，推动各类要素深度协同，为智能经济新形态稳健发展提供坚实制度保障。
