信息来源：RUC人工智能治理研究院 发布日期：2026年6月28日

在小说阅读器读本章去阅读在小说阅读器中沉浸阅读       2026年6月10日，由中国人民大学人工智能治理研究院主办的第三十期人工智能治理沙龙在立德楼301举行。本次沙龙围绕数据资本、公共智能与经济增长等问题展开，由中国人民大学应用经济学院产业经济系助理教授、人工智能治理研究院研究员董小琦，中国人民大学应用经济学院副教授、产业经济系主任、人工智能治理研究院研究员张钟文进行主题分享；由中国人民大学哲学院副教授、人工智能治理研究院研究员王福玲主持。两位报告人分别从公共人工智能基础设施与数据资本测度两个角度切入，试图回应智能经济时代的“索洛悖论”：为什么人工智能技术的快速发展与广泛应用，尚未在经济增长和生产率测算中得到充分体现？

1

主旨报告（一）

面向智能经济的公共人工智能、任务配置与内生增长

报告伊始，董小琦首先介绍了“新时代的索洛悖论”。经典的索洛悖论所讨论的问题是：计算机已经融入千家万户和各行各业，但并未在经济理论和实证测算中显著带动经济增长。人工智能时代也出现了类似的问题：算法、算力和数据处理能力都在快速进步，但这些子领域的高速发展能否真正推动国家乃至世界经济增长，仍有待进一步分析。对此，一种解释是目前的人工智能可能只是服务了小部分任务、小部分企业和小部分人群，因此没有形成充足且广泛的增长带动作用；另一种解释则是现有统计框架没有真正识别出人工智能及相关要素的经济贡献。

围绕这一问题，董小琦力图解决公共AI底座如何通过调节任务层面的AI使用率、AI强度和边际知识贡献来影响未来产业的知识增长。他强调，AI总量相同的情况下，增长效果可能不同，因为市场主体通常按照私人收益配置AI，而社会最优配置还取决于任务的知识外溢。因此，制定相关政策的目标不应只是扩大AI总投入，而应把公共AI能力导向高边际知识贡献的任务上。

董小琦进一步指出，理解AI增长效应的关键在于识别不同任务类型。不同任务对AI的天然依赖程度不同，AI技术的进步对各行业的帮助也不同。他以客服和工业生产作对比：客服任务边界清楚、流程相对成熟，AI已经能够处理大量对话和高频事项；但在工业规划、产线设计与质量检测等场景中，AI虽然未必能够替代全部生产过程，却可以在关键环节带来更大的效率提升。因此，不能简单以“AI能否百分之百完成一个任务”来判断其重要性，而应当考察AI强度提升对该任务边际收益和知识积累的影响。

在此基础上，董小琦区分了私人收益与社会收益。他指出，公共政策与产业政策的目标在于社会福利最大化。而AI对个体或企业私人收益的提升，并不必然转化为社会福利的同步提升；二者在不同任务中可能分离，也可能一致。某些AI应用能够降低企业成本、提升个体效率，却未必形成面向其他企业或产业的知识扩散；而另一些任务则可能在完成过程中积累数据、经验和模型，进而服务于行业上下游，乃至促进更广泛的技术创新。他以Klarna客服AI、BMW工业规划、Industrial Copilot、GitHub Copilot实验和AlphaFold等案例阐释了这一差异。由此，公共AI供给不能只按采用速度或私人收益来配置资源，还应当关注任务是否具有边际知识贡献和知识外溢能力。

在模型构建方面，董小琦介绍了任务AI总量的分解方式。他将一个任务的AI总量分解为时间份额、AI使用率和条件AI强度等维度。AI使用率更侧重AI覆盖任务环节的广度，条件AI强度则刻画在已采用AI的任务中AI使用的深度和广度。即使AI总量相同，不同任务在这些维度上通过不同的组合方式，也可能产生完全不同的增长效果。因此，政策评估不能只看AI投入总额，而应进一步观察AI究竟被配置到哪些任务、哪些环节以及何种强度之中。

围绕模型推演，董小琦进一步说明，公共AI底座可以通过改善算法、数据、算力等基础条件，降低任务层面的有效AI价格，改变企业采用AI的条件，并同时影响AI使用率和条件AI强度。由于市场主体通常按照私人收益配置AI，而社会最优配置还需要考虑任务的知识外溢，私人配置可能低估高外溢任务的知识价值。因此，政策评估应观察任务配置，而不只是观察AI投入总额；社会最优支持也应具有任务特定性，并随着AI强度提高而边际递减。由于同等AI总量可以对应不同知识增长，AI的增长效应最终取决于它被配置到了哪些任务之中。

2

主旨报告（二）

智能经济时代索洛悖论的再解释——基于数据资本的视角

张钟文从数据资本的角度对智能经济时代的索洛悖论作出再解释。他指出，在数智技术快速演进而生产率增长持续放缓的背景下，传统全要素生产率测算框架大多仍建立在资本和劳动双要素基础上，难以充分识别数据要素的投入及其产出贡献。换言之，人工智能和数据可能已经进入生产过程，但由于既有生产率测算和宏观统计核算框架尚未充分识别数据投资与数据资本，其经济贡献并未被充分呈现。

张钟文首先介绍了传统全要素生产率测算框架及其局限。传统框架通常把产出表示为资本和劳动的函数，但在智能经济时代，数据已经成为重要生产投入。产出端漏算数据投资会导致生产率被低估，投入端未将数据资本纳入测算又可能导致生产率被高估。因此，数据资本缺位会使测算结果与真实全要素生产率之间出现偏差，而偏差方向不能简单判断，需要同时把数据投资和数据资本存量测算出来，并将其补回经济增长框架之中。

在此基础上，张钟文梳理了数据从资源到资本的形成过程。现实世界中的观察内容需要首先被收集并数字化，形成数据；随后，数据经过收集、清洗、存储、分析和应用，才可能成为数据要素和数据资产。对于数据资本的测度，目前主要采用成本法，即从数据相关劳动力成本和非劳动力成本两方面估算数据投资。数据资本劳动力成本的估算需要识别数据相关职业、数据相关工作时间、就业人数和单位时间工资。非劳动力成本则包括固定资本成本、无形资本成本和直接投入成本等。此外，数据投资还需要通过永续盘存法转化为数据资本存量。数据虽然不像机器设备一样发生物理磨损，但会因过时和不再被调用而发生折旧，因此需要确定数据资本折旧率。他基于2003—2020年中国省级分行业数据，构建契合数据投资特征的价格指数，采用成本法和永续盘存法测度中国数据投资和数据资本存量，并将数据资本纳入扩展的柯布-道格拉斯生产函数，重新评估全要素生产率。

研究发现，中国目前仍处于数据投资效应占主导的快速积累阶段。将数据资本纳入全要素生产率测算框架后，中国全要素生产率水平明显高于传统框架下的估计结果。相比制造业，服务业和数字产业在纳入数据资本后表现出更大的修正幅度，这与行业结构、数据使用方式及数字化程度差异有关。张钟文还结合扩展Tobin Q模型估计数据投资影子价格，以刻画数据资本在市场估值中的边际贡献。研究表明，当数据要素市场化配置效率提升、数据资本能够按市场贡献获得更充分定价时，其对全要素生产率的提升作用也会更加明显。由此，智能经济时代的索洛悖论并不完全源于技术未能提升生产率，也与现有核算框架对数据资本识别不足有关。这提示，完善数据要素核算制度、拓宽数据资本积累渠道、推进数据要素市场化配置，是理解和释放智能经济增长潜力的重要环节。

3

交流与讨论

现场讨论围绕数据权属和数据治理等问题展开。法学院讲师、人工智能治理研究员研究员孙靖洲提出，数据是否一定要经过私有化、产权化之后才能使用？以公共方式使用是否更有利于数据应用？此外，数据在登记时和发生纠纷时可能处于不同状态，这种动态性应如何处理？

张钟文回应指出，数据权属问题在人工智能时代非常迫切。相关政策文件强调数据的持有权、使用权和经营权，而未简单诉诸“产权”概念。个人数据的产权往往难以界定，平台数据虽然来源于个人，但是平台也投入资本和劳动进行加工和产品化。从核算角度看，关键不在于法定所有权完全清晰，而在于经济所有权清晰，即谁控制资产、谁承担损失、谁获得收益。至于未来收益分配权如何安排，则需要进一步通过市场机制设计来解决。

董小琦进一步补充，数据资产写入报表应当以真实统计为前提，但企业是否会如实披露，是一个激励机制问题。关键在于企业真实上报能够获得什么好处，以及如何通过外部或内部工具促使企业会计部门更加真实地披露数据资产。他提出，可以从税收优惠、福利政策、同行揭发和监管机制等角度探索制度设计。

本次沙龙从公共AI配置到数据资本测度，呈现出智能经济时代索洛悖论的两种解释路径。人工智能技术的快速发展，并不必然自动转化为可观察的经济增长和生产率提升：一方面，AI投入总量并不是刻画增长效应的充分指标；当AI更多流向私人回报清晰而知识外溢有限的任务时，就可能削弱其对知识增长和社会收益的带动作用；另一方面，数据作为智能经济的重要生产投入，如果未能被既有生产率测算和统计核算框架充分识别，其经济贡献也可能被系统性低估。两场报告共同表明，人工智能治理不仅要关注技术进步本身，还要关注公共资源如何配置、数据资本如何计量，以及私人收益如何通过制度设计与知识外溢机制连接到社会收益，从而使得人工智能和数据要素的技术潜力真正转化为更广泛的经济增长与社会福祉。