谈及AI大模型，最直观的感受便是可以向模型提问，并快速获得答案。在人类历史上，认知积累长期以个体人为载体：依靠个体从基础教育到职场实践的持续学习、经验沉淀，以及人与人之间的交流互动。传统模式下的认知生产具有高度个体化特征，效率偏低，呈现规模不经济的特点。AI大模型在一定意义上实现了认知的规模化生产，构成一场颠覆性变革。
由此，从经济学视角出发，我们可以提出两个核心问题。第一，认知的规模化生产如何组织？其投入— 产出具备怎样的经济特征？第二，认知作为人类经济活动的重要投入品，是 AI 大模型落地应用的核心载体，认知的规模化生产重塑社会分工与经济组织形态，在这一价值创造过程中，价值如何分配？应当如何理解价值创造与价值攫取之间的关系？本次分享旨在为分析上述问题提供一个思考框架。
认知的规模化生产：中美领先
AI大模型重塑了认知能力的供给逻辑：社会认知产能的扩张不再单纯依赖人力资本积累，也可以依托算力、数据与数字基础设施的持续投入，固定资本逐步成为认知生产的载体的一部分。
从AI大模型的能力来看，中美在全球处于领先地位，一般认为，中国大模型的水平相比美国可能略微落后数月。大模型性能决定认知的规模化生产效率，而认知是现代经济的关键投入品，AI大模型发展也是当前地缘政治与经济竞争中的重要方面。
近期美国财长接受记者提问谈及全球AI产业发展时，用 “零” 描述欧洲AI发展状况，并将原因归结为欧洲严格的监管制度。如果监管是主要原因，如何解释非欧盟的其他国家AI发展同样落后于中美？在国家竞争维度外，AI投资热潮也带来股市泡沫的争议：未来回报能否兑现当下的乐观预期。这些问题都关乎如何理解大模型提供认知服务的经济规律，以及价值创造与价值分配的底层逻辑。
规模定律：重资产属性带来资本开支前置
AI领域有规模定律这一概念。规模定律属于技术层面的表述：提升大模型性能需要持续投入算力、数据、电力等资源，并增加参数规模；当模型规模扩张至一定阈值，同等算力、数据和参数投入带来的性能提升会放慢，资源投入的边际效益逐步衰减。在经济学语境下，规模定律对应规模报酬递减的特征，由此衍生出若干重要含义。
首先，AI 大模型是重资产模式，甚至可以说是数字经济工业化生产的新阶段。前沿大模型的研发和训练需要高额固定投入，包括算力集群的采购或租赁、电力消耗、数据清洗以及顶尖科学家薪酬。由于AI芯片和AI技术迭代快，相当一部分固定资产投入属于沉没成本。在推理与服务阶段，模型运行存在可变成本：大模型每一次推理、每一次问答交互，都要实时消耗算力和能源；7天24小时持续运行会造成芯片物理损耗。人工智能大模型的可变成本虽然远低于传统制造与服务业，但显著高于数字经济1.0的互联网平台。
其次，大模型的重资产属性意味着较高的投入门槛，只有大型企业、大型经济体才有充足资源投入大模型研发。企业若要依靠技术领先获得竞争优势，甚至追求AGI这类极致智能，就需要持续向模型训练环节增加资源投入。放大到国家层面，若以技术领先为首要目标，不计成本提升模型性能，则大型经济体具备资源优势。
从近期的发展看，AI大模型的重资产投入，在中美之间有明显的差异。有一种说法，美国的科技企业AI资本开支是中国相关企业的十倍，这个数字不一定完整准确。从国民收入统计的数字来看，截止今年一季度，美国的AI资本开支对GDP增长的贡献超过40%，对总需求增长的贡献超过60%。AI资本开支对中国的经济增长的贡献有限，今年上半年对GDP增长的贡献大概在0.1到0.2个百分点。怎么理解这个反差？
投资需求取决于资本的预期回报和资金成本。在利率水平较高的环境下，美国AI 领域资本开支仍然十分强劲，这说明投资者预期极度乐观。这种乐观预期也反映在美国股市的估值上，对标普500盈利收益率与十年期国债收益率进行比较，市场隐含的风险溢价，也就是投资者要求的超额回报，接近零。在中国股市，相对于国债这类安全资产，投资者要求的超额回报为3个百分点。
在金融层面之外，物理层面的限制是一个更直观的原因。AI大模型的重资产投入与算力高度相关，包括数据中心建设。受美国GPU出口限制影响，国内企业即便有投入意愿，也面临设备采购难题，直接制约资本开支落地。
回到AI资本开支的宏观含义，总需求对应总供给，总供给包含国内产出（GDP）和进口两部分。在需求端，美国AI资本开支不仅拉动自身经济增长，也对其他国家的增长形成贡献，体现为其他国家对美出口增加。在供给端，其他国家为美国发展AI大模型提供实体资源支撑，表现为美国相关产品进口增加。从整体经济看，贸易逆差代表其他国家向美国输出实体资源，帮助美国压制国内通胀，约束利率上行幅度，支持AI 相关投资增长。
同时，贸易逆差对应美国对外净负债增加，即其他国家对美净资产上升。在股票市场，这表现为海外投资者持有美股市值的比例处于高位，AI相关标的是重要组成部分。这看似形成一个理想的闭环：其他国家向美国输出实体资源，助力其AI产业发展，并通过持有金融资产参与未来AI产业的收益分配。
由此衍生出两大问题：第一，AI领域的资本开支如何创造经济价值，相关价值又将如何分配，这关乎现有金融资产持有者能否兑现股票估值所隐含的高回报。第二，从国家发展层面来看，尽管AI产业具备典型的重资产投入特征，但中美以外的较大型发达经济体是否真的难以跨越AI研发的资源投入门槛？在规模禀赋之外，还有哪些原因能够解释全球多数国家AI发展滞后于中美的现状？
规模效应：通用目的技术动态演进
理解上述问题的一个重要概念是规模经济效应。规模定律对应的是当下的投资行为，规模经济效应则关乎当前投资如何提升未来供给。作为通用目的技术，AI大模型的迭代演进和规模经济紧密相关：规模经济推动技术进步，实现认知的规模化生产；技术进步带来更高层次的规模经济效应。
首先，大国规模优势有利于促进创新和技术进步。就AI大模型研发而言，面对美国先进GPU出口限制，中国企业着力优化算法。算法研发是持续试错的迭代过程，规模越大，试错的广度和深度越大，算法创新的确定性也就越高。这里所说的规模经济，不单指单个企业的内部规模经济，更关键的是上下游协同、共享基础设施和人才池形成的外部规模经济。
大模型研发端的规模禀赋并非单一维度，美国算力资源多于中国，但中国拥有更大的AI人才基数。具体来说，根据2025年数据，按本科毕业学校所在地（来源地）统计AI优秀人才，中国占比51%；按服务机构总部所在地（工作地）统计，中国占比37%，高于美国的32%，其他国家合计占31%。从比较优势看，中国更适合发挥人才优势，聚焦算法等方向的技术进步，美国则更适合发挥算力优势。
就大模型的应用而言，作为一项通用目的技术，它在经济层面的渗透包含三个层面。首先，AI规模化量产部分人类认知能力，在增加有效智能劳动力供给的同时，重构分工体系与要素匹配逻辑。其次，AI改变经济社会的组织运行方式，重塑企业生产经营、市场竞争等微观主体行为，也推动公共治理机制适配调整。第三，AI赋能科技创新，拓展生产技术边界。在这三个方面，大型经济体都拥有规模优势。
以智能体应用为例，使用人群和企业数量越多，智能体应用创造的社会价值就越大。其中既存在内部规模经济，也就是单个企业扩大规模带来效率提升；也存在外部规模经济，体现为上下游协同、技术外溢共享、场景与数据的网络正反馈等。
把规模定律和规模经济效应结合来看，前者带来投入门槛，意味着中美两个大型经济体最有能力投入AI大模型研发；后者说明中美凭借庞大人口、巨大市场与产业体系，大模型应用的价值创造空间最大，为研发投入提供激励。两者结合，中美能够领跑全球AI大模型领域也就不足为奇。
但这里仍存在疑问：从资源禀赋来看，德国、法国、英国、日本、印度等经济规模也不小，其资源总量难道不及头部大模型研发企业？为何这些国家的资源难以被有效动员，投入到基础大模型研发？一种可能的解释是，顶尖基础大模型的研发依托数字经济1.0阶段成长起来的互联网平台巨头。这类平台企业积累了海量数据、云基础设施与稳定现金流，足以承担大模型训练所需的高额沉没成本；即便OpenAI 这类AI原生机构，同样受益于成熟的数字经济生态。欧洲等国家在该领域发展相对滞后，在一定程度上体现了数字经济发展的路径依赖。
价值创造 vs 价值攫取
数字平台巨头的市场势力历来是社会关注的焦点。进入数字经济2.0时代，中美大模型企业是否会重复 “赢者通吃”的故事，取决于如何理解AI大模型在价值创造与价值攫取机制上的变化。对比1.0时代的平台巨头与2.0时代的AI大模型企业，两者在供给侧的资产模式与需求侧的网络效应上存在根本差异。
从供给侧看，互联网平台是轻资产模式，大模型是重资产模式。这一微观成本特征使得人工智能大模型厂商无法无限制地复制互联网时代的免费拉新模式。
从需求端看，两者的用户粘性或者说网络效应存在根本区别。数字平台拥有强网络效应，使用的人越多，整个平台价值越大，巨大的用户基数形成了极高的用户迁移成本与生态锁入效应。大模型首先是个技术手段，使用者在不同大模型接口之间的切换成本极低。一旦市场上出现性价比更高、推理速度更快或技术能力更强的竞争对手，流量与客户可能在极短时间内发生大规模迁移。
互联网平台凭借轻资产扩张与强网络效应，容易形成赢者通吃且长期巩固的生态垄断。网络效应带来内部规模经济和范围经济，使得平台企业收益更多内部化，盈利能力强。AI大模型则呈现一个上游承受重资产压力、下游陷入价格战的动态寡头市场。大模型的弱网络效应使得其价值创造更多体现在外部规模经济，其创造的价值更多地被社会化或者外部化。
一个值得关注的问题是AI大模型和平台巨头的关系。AI大模型是一种技术工具，平台企业是一种商业主体，两者之间存在本质差别但也有紧密联系。AI大模型为平台企业提升竞争力、拓展业务提供了新的技术手段和基础设施，甚至可能带来新的商业模式。另一方面，AI产业的发展降低了创新成本，增加了市场的可竞争性。
AI大模型强化还是削弱现有平台企业的市场势力，有待观察。AI大模型自身运行模式也有重要含义。在美国，顶尖模型被视为核心资产和竞争优势，OpenAI、Google等领先公司选择对最先进的模型进行闭源或仅开放有限的API接口，以保持技术领先性和商业利益。中国的大模型以DeepSeek为代表，普遍选择了开源方式，通过开放权重将迭代优化、微调算法与工具链开发分摊至全球社区。
闭源模式带来较大的盈利激励空间，同时依靠内部规模经济，在运营过程中积累研发经验、代码库、模型库等知识资产，并在不同的研发项目中进行复用，缩短研发周期，降低研发成本，提高整体创新效率。开源模型则凭借外部规模经济带来的低落地成本与高定制性，显著降低全社会部署和调优 AI 的边际成本。从经济维度看，闭源模式促进前沿创新，开源模式限制了前沿模型收取垄断租金的能力，两者结合形成了一个良性生态。
创新的外部性、资产泡沫、产业政策与地缘竞争
上述分析强化了一个核心疑问：投资者对AI资本开支的回报预期是否过于乐观？美国企业在前期的AI大模型研发与数据中心建设中投入了巨大资源，大模型厂商能否在价值创造和价值分配中攫取到预期的收益？
从经济机制上看，创新具有知识外溢特征。发明创造的收益往往由全社会共同享有，但研发成本与失败风险由个体承受，这种“收益外部化、成本内部化”的错配，导致常规的市场机制难以吸引足够的资源投入到高风险的创新领域。股市泡沫通过赋予创新企业极高的估值溢价，动员了海量社会资本，弥补了常规市场的投入不足，在客观上扮演着纠正外部性的角色。当然，泡沫终有破裂的一天，其本质是以部分投资者承受损失为代价，换取全社会整体技术的跨越式进步。
另一方面，中国面临的风险在前端，即投入不足可能导致技术被拉开差距。应对创新外部性的另一种方式是公共政策的支持，尤其是产业政策，在动员与引导社会资源投向前沿领域方面可以发挥重要作用。与美国资本市场的炽热不同，中国的股权和股票市场对AI相关资本开支的促进作用相对有限。在这种背景下，产业政策在补充市场资金不足、撬动更多研发投入方面扮演不可或缺的角色。
受AI规模定律与规模效应的底层约束，中美两国凭借在人才、算力及数据上的规模优势，处于全球基础大模型的技术前沿，并得以在一定窗口期内凭借技术领先获取 “熊彼特利润”（创新超额利润）。然而，人类社会的发展表明，知识与技术具备强外溢特征。与互联网平台的垄断属性不同，AI 产业是一个高度依赖互相学习与生态协同的系统，技术与知识的扩散很难被长期限制。
中美两国对AI产业注入的巨额资源，不仅将让本国率先受益，更将通过技术外溢惠及全球，为整个人类社会的经济增长与文明进步作出终极贡献。
