數據要素資本化驅動人工智能演進分析

嵇正龍，肖 艷，宋 宇

（1. 宿遷學院經濟管理學院，江蘇 宿遷 223800；2. 宿遷學院數字經濟發展研究中心，江蘇 宿遷 223800；3. 西北大學經濟管理學院 西安 710127）

黨的十九屆四中全會首次明確了數據是參與分配的新型生產要素。隨后發布的《關于構建更加完善的要素市場化配置體制機制的意見》，進一步提出了加快培育數據要素市場。從數據的要素化，到數據要素市場的培育，不僅是社會主義市場經濟體制的重要發展，而且是馬克思主義政治經濟學的理論創新和堅實拓展。數據作為一種新生產要素，具有虛擬化的特征，是數字的自然屬性和信息的社會屬性的融合［1］，其價值的實現需要借助人工智能系統鏈接其他要素參與生產過程?；诤Ａ繑祿柧毜腃hatGPT一經發布，迅速引爆了市場，成為AIGC 領域的領軍產品，并被迅速整合進入微軟系列產品，獲得用戶的高度認可。由此，數據要素驅動了人工智能的不斷演進，并經歷了新舊兩個階段。新一代人工智能技術與大數據、云計算、物聯網等形成了互為支撐、協同演進的技術體系，被稱為第四次工業革命，前三次工業革命分別是“機器與蒸汽革命”“鋼鐵與電力革命”“信息化革命”［2］。中國、美國、歐盟和英國等世界主要國家和經濟體都認識到了新一代人工智能對于對經濟增長、產業發展和就業等都有具有重要影響，從中看到發展機遇，并做出各自的發展和支持規劃［3］。

總的來說，數據要素驅動人工智能的經濟實踐遠遠地超過了與其相關的經濟理論發展?，F有關于人工智能對經濟增長的影響的文獻主要集中在生產率和經濟增長、就業、收入分配和公共政策等幾個方面［4］。這些研究大多遵循了西方經濟學主流的經濟學范式，將人工智能作為新技術因素，或者新生產要素，引入既有的理論模型或者生產函數，考察產出貢獻、收入分配、就業替代以及公共政策效果等。原因在于人工智能具有物理特征屬性，容易被模型化處理，或者說符合傳統工業生產模式下的既有認知范式。毫無疑問，現有的理論研究和少量的實證文獻，開創性地探討了人工智能對經濟的影響，延續了西方經濟學一貫的“經濟學帝國主義”的做派。但是本文認為簡單地將人工智能看作技術因素或者生產要素，仍然囿于傳統工業經濟時代的經濟學思維，未能體現新經濟的數字特征。因此，籠統地將人工智能引入成熟的理論范式不會得到更多令人意外的發現，也不能揭示新經濟所蘊含的更深層的經濟規律。

馬克思認為“人學會讓自己過去的、已經對象化的勞動產品大規模地、像自然力那樣無償地發生作用”［5］，這恰恰是新經濟中人工智能生產活動所表現出的典型特征。所謂的“無償”正是人工智能演進中數據所扮演的角色。本文以政治經濟學理論和范式為遵循，嘗試從數據要素驅動的視角闡釋人工智能演進的脈絡和邏輯，進一步豐富馬克思主義政治經濟學理論［6］。

1 人工智能演進的三個階段——數據要素驅動的脈絡

人工智能是與人類智能有著本質性差異的解決知識難題與實踐困境的工具與方法［7］。已有關于人工智能的定義各有不同，如：人工智能是人們通過研究人類智能行為的規律建構的智能系統，以勝任一些復雜工作［8］；人工智能技術是數據生產、算法及軟件開發、芯片、存儲器、其他硬件設備等技術和產品集成的復雜系統［9］；人工智能是基于計算機科學、語言學、數學等多種學科相互滲透的綜合性新技術等［10］。從已有的人工智能的定義也能看到數據驅動的作用，基本都是強調以數據計算技術和大數據為基礎。

關于人工智能的發展，目前公認的是經歷了三個階段［3，9］。第一階段，20世紀50～60年代，自然語言的數理邏輯表達和推理階段。1956 年，達特茅斯會議以“如何用及其模仿人”為主題討論了“人工智能”，被認為是人工智能元年。隨著計算機的發展，通過自然語言處理進行程序翻譯和推理，產生了神經網絡和遺傳算法等代表性成果；第二階段，20 世紀80 年代，概率統計的建模、學習和計算階段。該階段的典型成果是專家系統和知識工程等；第三階段，21 世紀初以來，主動學習和深度學習階段。這一階段得益于移動互聯網和云計算技術的大規模應用，經濟社會進入了大數據時代，促使深度學習和主動學習取得了突破性的進展，成為新舊人工智能的分水嶺。

三個階段的劃分不難發現是數據的容量和規模激發了人工智能的熱潮。在自然語言的數理邏輯表達和推理階段，是基于當時的計算機發展技術，對簡單規則的翻譯，并能夠應用小樣本數據進行自動化處理；概率統計的建模、學習和統計階段，建立在計算機技術和數學建模技術的突破性進展，對于復雜的預設規則的理解和翻譯，能夠處理計算機發展所產生大樣本數據集，形成知識發現和決策支持的自動化；而主動學習和深度學習階段，互聯網所產生的大數據，促使人工智能實現了質的飛躍，促使人工智能從被動的規則預設轉向了主動規則自生的階段，從而具備了主動學習和深度學習的能力。

三個階段都可以發現，計算機技術和算法的發展都早于人工智能發展的階段，為其質的變化奠定了基礎。計算機技術和算法的發展并未能催生出人工智能，更多的體現是人工智能發展的基礎。唯有數據與每一個人工智能的發展階段相匹配。這不是偶然現象，三個階段都與當時的數據獲取能力相適應，客觀地說明了人工智能發展的數據驅動的本質。如：深度學習所包含的算法在20 世紀末就已經成熟，但是直到2010 年之后才呈現暴發的態勢。究其原因是互聯網和云計算等信息技術的大規模商業應用成為通用技術，形成了海量數據集，為深度學習所必需的迭代和優化提供了足夠的數據支撐［9］。機器學習預測效果大幅提升是建立在海量數據基礎上，其內在機制是純粹的數據驅動，而不是基于理論的預設規則驅動。換句話說，規則預設約束轉向數據驅動和規則自生，也稱為規則涌現。

2 新舊人工智能識別的三個維度——數據要素基礎的線索

除了上述三個階段的劃分，通常還將人工智能的發展分為新舊兩個階段。在互聯網和云計算技術成為通用技術之前，人工智能發展所需的大規模數據尚未形成，制約了人工智能的發展。隨著互聯網和云計算技術成為通用技術，大數據的形成、存儲和計算都被有效解決，推動了人工智能質的飛躍。通常將當前在互聯網和大數據基礎上催生的人工智能的第三階段稱為新一代人工智能，而之前的統稱為舊人工智能?？梢詮臄祿幠?、規則設定和知識分類三個維度理解。

首先，數據規模。人工智能發展的三個階段中，對應的是數據規模的變化。數據規模不僅僅是數據量的問題，也包括了結構和質的問題。從第一階段走到第二階段是數據量為主導，第三階段大數據不僅是量的爆炸，而且是結構和質的變化，納入了更多的數據內容和形式，形成了所謂一切皆數據的現象。也是所謂的新經濟被稱為數字經濟，或者數據經濟的原因。

其次，知識分類。知識通常被分為顯性知識和隱性知識兩類。能夠被明確編碼表達傳播的知識被稱為顯性知識，還有不能夠編碼，只能意會的知識，被稱為隱性知識。人工智能在發展的初期主要是對顯性知識的處理，無法突破隱性知識的限制。在大數據支持下，隱性知識的掌握就變得相對容易，從而推動了新一代人工智能的誕生。

第三，規則設定。舊人工智能是對人類已有認知的規則和邏輯的翻譯，受到人的認知范疇約束。最初自動化處理和計算，更多體現的是對人的工作的替代或者延伸，主要起到的是輔助作用，或能夠在既定的規則和邏輯下，發現新的知識，支持決策。但是在海量數據支撐下，人工智能可以自己建立規則和邏輯，超越人類的已有認知，并進一步進化，拓展人類知識的邊界。從規則預設轉向規則自生，這是新舊人工智能的分水嶺，也是當前不少專家擔心新一代人工智能威脅人類的重要原因。

無論新舊人工智能，其都是數據要素驅動。新一代人工智能，依靠大規模的數據和極強的計算能力，掌握了隱性知識，推動了人工智能質的飛躍，實現復雜的功能，推進了人工智能的通用性。新一代人工智能的內在機制不再是傳統的以預設規則和邏輯推理為基礎，通過機器翻譯，然后執行的模式。而是純粹依靠數據要素驅動，通過自主學習，發現規則和邏輯，超過了人的認知范圍，也是“新”之所在。由此，數據本身的發展已經成為關鍵要素，并且是人工智能持續演進的不竭動力。

3 人工智能系統的三元結構——數據要素核心的系統

對于工業生產背景下機器與人的關系，馬克思進行了深入的思考，做出了許多經典的論斷。馬克思認為，機器“是人的產業勞動的產物，是轉化為人的意志駕馭自然界的器官或者說在自然界實現人的意志的器官的自然物質?！保?1］隨著大數據存儲和處理技術、硬件和算法的進步，人工智能進入了突破性發展時期［4］。人工智能技術是數據生產、算法及軟件開發、芯片、存儲器、其他硬件設備等技術和產品的集成系統［9］。人工智能包括計算能力與存儲能力的物質載體、具有深度學習功能的算法以及大數據三個部分［12］。也就是說數據、硬件和算法三者是人工智能的基本結構。進一步分析，人工智能的構成，硬件：物理屬性，存儲功能，表現為實際可見的物質；軟件：虛擬的算法和規則，展現表達結果；數據：原料驅動，控制其他部分，具有自我增殖性。物質載體與算法是載體支撐，海量的數據要素是智能計算與學習必需投入。三個階段的發展具有幾個共性的特征，那就是計算機技術、數據和數據的處理模式。

綜合已有關于人工智能作為復雜系統的解構分析，本文認為人工智能呈現硬件、軟件和數據三元結構。首先硬件發展得最早，長期以來都是計算機技術的發展代表，是軟件和數據的物理存儲支撐，是可見的物質基礎和事實表現，也就是數據資本控制下的人工智能需要通過硬件實現和展示。其次，軟件本身就是算法的集成系統，因此從抽象層面來看，軟件就是算法。第三，數據是人工智能的核心部分。沒有數據的人工智能就和一個石頭沒啥區別。經濟社會的數字化過程，正是數據要素形成的過程，是人工智能的發展起到了決定性的作用。雖然硬件、軟件和數據都重要，但不影響數據的核心地位。深度學習所包含的多元統計學習、機器學習算法20世紀就產生了，但是直到互聯網、大數據和云計算等技術的大規模應用才顯示出其潛力，原因在于深度學習的優化迭代需要海量的數據和足夠的算力支持。當然，這里也離不開硬件和軟件技術的進步。

4 人工智能發展為通用技術——數據要素資本化途徑

被吸收在資本中的“知識和技能的積累，社會智力的一般生產力的積累”，“表現為資本的屬性”［13］。資本以獲得價值增殖為根本目的，而價值需要在資本運動過程中實現。數據是要素、數據可以用于交易、數據控制資源并具有分配能力，意味著數據已經成為資本，并且決定著人工智能的發展。

舊的人工智能時代是將人工智能的設備投資作為資本化處理，新經濟中數據要素才是核心資本。傳統資本將讓位于數據資本，數據驅動的人工智能發展的階段現實已經證明了這一點。人工智能作為新一代信息技術，逐漸發展成為通用技術，具有極強的滲透性，被全面應用到經濟社會中［14］。從已有的研究中可以發現，數據要素在人工智能發展中起到了決定性的作用。大數據不僅是新一代人工智能的基礎，更是一種影響經濟總體活動、企業的生產決策、市場競爭的新要素［15］。

金錢和信息是數字經濟交易中的兩種不同的貨幣［16］。也就是說數據要素具有貨幣屬性。結合現實來看，數據企業所提供的免費服務，其實并不是免費的。服務的使用者是以讓渡個人數據為代價的，包括個人信息和使用服務過程中產生的行為信息等，也就是以這些數據作為支付代價的。當數據要素積累到一定的量，用于組織生產和分配，那么數據要素成為資本就順理成章了。

傳統的資本強調所有權，并形成以所有權為中心的資本體系。而新經濟中數據要素突破了傳統的限制，全面融合和滲透傳統產業。藍江認為數字資本主義正是在大數據和云計算形成的龐大的關聯體系的基礎上架構出來的體系，數據用于引導和監控金融資本的投資是其成為資本的原因［17］。事實并非如此，從事實體生產的產業資本家，甚至金融資本也在趨于邊緣化，而Google、Apple、Facebook、Twitter、微軟等更重視數據資本的公司成為這個世界潮流的主導，而他們占據的就是處在數據資本主義金字塔尖上的一般數據。張弛和張曙光則從產權角度分析，認為數據要素的存在以共享替代傳統的所有，即使用權為中心替代了所有權為中心［18］。宋宇和嵇正龍認為控制權、超額利潤分配勢力和開發利用能力是數據要素資本化的三個關鍵前提，從而實現對其他要素的雇傭和控制［1］。由于數據要素的虛擬性和多變性，那么傳統的以所有權、使用權為前提的資本化邏輯不再成立，控制權才是基本前提。

數據要素具有獨特的流動配置方式，就是在生產的過程中，不會滅失，相反卻會自我增殖，同時由于數據資本的虛擬性，需要借助物理平臺系統得以展現。人工智能對數據要素具有非常重要的兩方面價值：一是參與生產的手段，也就是數據要素參與生產需要借助人工智能系統，實現與其他要素的協同配合；二是自我增殖的平臺，數據資本在參與生產的過程中會產生新的數據，也就是實現自我增殖，需要存儲在人工智能系統。進一步看，數據要素驅動的人工智能生產過程具有雙重性，即數據的投入和增殖同時發生?？梢哉f，人工智能對于數據資本具有關鍵的作用，前述的數據資本的控制、開發和分配，到這里的自我增殖等過程都需要借助人工智能系統實現。因此，人工智能系統是數據資本的實體化途徑，而數據要素才是人工智能的本體。

5 人工智能企業壟斷——數據規制的原則

馬克思敏銳地洞察到第二次工業革命中的資本加速集中，少數大企業通過淘汰或吞并小企業，導致所謂的自由競爭終結，最終走向壟斷。市場發展的規模經濟和網絡效應形成馬太效應決定資本往往都具有壟斷的傾向。數據要素驅動的人工智能經濟也從最初的所謂分散化走向集中壟斷。數據公司通過持續的數據收集和積累，形成了規模優勢，并通過網絡效應進一步強化了其黏性，擁有了數據的控制權，并且在持續的服務過程中，不斷地更新優化，形成了壟斷勢力，從而具有定價權，組織生產并主導分配。

市場集中、控制和壟斷是當前數據公司的顯著特征，也就是說，數據資本悄然成型，不同于過去貨幣資本的影響，數據資本的影響范圍和鏈條都更廣泛。當前的數據資本主要集中在諸如亞馬遜、谷歌，阿里巴巴等頭部企業巨頭手中，形成了幾個數據生產系統，進一步強化其數據壟斷的地位，也就是數據資本化的進程中具有自我繁殖強化的機制。因為這些大的數據公司通過其所控制的數據已經形成了組織生產，進行利潤分配和市場操控，在當前法律法規滯后的現實中，數據資本已經以極快的速度完成積累。壟斷的經濟學邏輯是高固定成本極低邊際成本，目前數據公司完全符合，甚至是零邊際成本。

領先的數字企業通過利用數字產品的網絡效應并擴展機會，建立了社會技術生態系統，愿望成為強大的壟斷企業，并在一定程度上取得了成功［16］。人工智能企業，首先應該是數據企業?，F在我們可以看到的人工智能企業，要么是大型的互聯網數據公司，要么是被其投資控股的獨角獸人工智能公司。究其原因，數據才是人工智能得以發展進化的根本。數據要素的集中化趨勢很難逆轉，并且發展成具有影響市場的龐大勢力。數據資本形成的壟斷，相較于傳統物質資本的壟斷，更為隱蔽和強勢。數據壟斷者使得非壟斷者成為其附庸，并牽制了政府規制政策。如政府對消費者的保護，需要數據資本壟斷者的配合，以及消費者的參與。數據資本壟斷通過開放數據規制亦難以奏效。原因在于，政府強制具有自然壟斷特征的數據企業開放數據，并不能實現帕累托最優或改進。因此，對數據資本壟斷的有效規制理論和可行的實踐都處于探索階段。

數據的資本化趨勢，形成的數據壟斷問題，很像自然壟斷。那么在規制數據壟斷的過程中是一個效率和公平的權衡問題。在一個新產業發展的初期，從社會收益的角度出發，需要提高對數據資本壟斷的容忍度，采取適度監管的原則，給予其發展和完善的空間和時間。對于數據的開放，采取分層原則，確保底層數據封閉的同時，鼓勵數據在應用層面的開放，也就是在保護數據安全和隱私的前提下開放共享數據要素資源。傳統的規制約束手段，對新經濟中的數據資本很難奏效。根本原因在于數據資本和傳統的物質資本存在極大的不同。那么如何對數據資本展開規制。本文認為，在類似自然壟斷性質的數據壟斷企業規制中，需要遵從以下三個原則。

首先，包容性規制政策。由于大數據的收集和存儲、更新、開發等都存在很高的門檻，需要巨大的沉沒成本，具有類自然壟斷特性。尊重自然壟斷的客觀事實和經濟規律，要求相關企業對數據的安全存儲和合理利用做出約束，并采取包容性規制政策，創新規制舉措，構建與新經濟相匹配的監管制度體系。

其次，數據要素分層開放。數據要素根據其來源和性質可以分為原始數據要素和衍生數據要素。數據要素的共享并不是將原始數據的直接開放，自由獲取，而主要是衍生數據要素的市場化交易。原始數據，也稱之為底層數據，含有許多敏感信息，需要加強保護，因此維持企業壟斷控制，具有無可替代的社會效益和經濟價值。但是經過脫敏處理的衍生數據可以有償或者無償開放給社會進一步加工和用于生產。那么，數據要素的分層標準和識別、數據要素交易制度的制定和交易秩序的維持等都需要政府的介入。

第三，人工智能系統適度開放。數據要素資本的壟斷勢力主要體現在搜集控制能力和開發利用能力，也就是人工智能手段會搜集存儲數據進行加工，并能用于生產，這是一個很高的門檻。因此，單純的數據開放并不能從實質上將數據要素投入到實際生產過程中，還需要人工智能系統的鏈接。人工智能系統的適度開放也是數據要素市場規制的關鍵一環，可以破解數據要素流動的障礙，充分發揮數據要素的生產價值，并在一定程度上高效地約束數據企業的壟斷勢力和行為。

6 結語

新一代人工智能浪潮的興起，主要歸功于數據、算力和算法的飛躍［19］。人工智能的發展階段受到數據的約束，也就是數據要素驅動了人工智能的發展。數據要素資本化的控制權，組織生產能力和參與生產分配，都需要人工智能系統作為基本的實現途徑。人工智能系統是數據要素價值得以實現的物理途徑，是虛擬形態的數據要素的可見外殼。信息技術之前的技術進步主要是替代體力勞動，先替代強體力勞動，后替代重復性體力勞動，而信息技術進步在腦力勞動崗位上愈發重要，體現出更高的效率和準確率［20］。新一代人工智能則通過大數據和跨平臺智能的融入，對勞動形成了非對稱替代，降低應用創新技術門檻，提升企業轉型升級的能力，是實現“制造2025”的重要技術支持。

從現有的趨勢來看，新經濟已經成為世界經濟轉型的關鍵力量，而尤其以數據要素為基礎的新一代人工智能發展最為突出。即使是當前熱門的區塊鏈應用，也不過是數據要素基礎上的人工智能的一個應用場景而已。從本質上把握數據要素驅動人工智能演進的邏輯，并且認識到數據資本化而逐漸形成的壟斷及其與傳統要素壟斷的區別，探索必要和可行的規制措施，服務于數據要素市場的培育，便于數據要素與人工智能的協同發展，從而促進新經濟競爭優勢的形成。