编者按

词元经济正在打开经济学中长期被视为“黑箱”的技术进步过程，使知识参与价值创造的方式首次变得可观测、可计量。当前，围绕词元经济涌现的一系列新问题，呼唤理论研究的前瞻回应。自本报有关词元经济研究系列报道及征稿启事发布后，我们得到广大读者的积极回应，已经收到大量高质量来稿。稿件研究视角多元，反映出词元经济作为智能经济新形态的核心议题，已引起学术界与产业界的广泛关注。鉴于报纸版面容量有限，同时为增强研究成果发布的时效性，中国经济时报在微信公众号推出“词元经济研究”栏目，选登部分优秀来稿及后续系列文章，旨在汇聚各方智慧，为智能时代的产业实践与政策治理提供分析框架与决策参考。敬请关注！

图片来源/摄图网

■钟时

在(刊发于本报2026年4月27日)中，我们提出了词元经济研究的三个理论基础，指出人工智能使知识变得“可见、可量、可联”。这为分析智能时代的经济运行提供了一个新的起点。然而，任何新理论的构建都不是凭空而来的，它总是基于已有理论，在对已有理论反思的基础上发展而来，我们研究词元经济——本质是智能时代的经济运行，也是如此。

今天，以人工智能大模型为代表的生成式人工智能，赋予词元特殊经济属性。一是知识本身成为可被直接调用的新型生产资料;二是知识的使用过程深度嵌入一个隐蔽的社会化智慧网络中;三是知识参与经济活动变得可精确计量，且被作为计价单位。这三大变化，使我们可将词元作为近似知识的替代，通过将知识这种原本难以测量的要素纳入生产函数，以分析智能时代的微观主体行为和宏观表现。

此篇的目的，是用传统的经济理论对基于词元的智能经济运行逻辑进行系统检测，寻找理论升级路径和升级方式。我们将逐一审视主流经济学工具箱，从新古典的边际分析到内生增长理论，再到政治经济学的深邃洞察，寻找哪些经典工具依然有效，哪些基本假设不太适用，哪些依然可信，哪些需要修补。

新古典工具箱依然有效

但需知晓其“使用范围”

面对词元经济，新古典经济学分析工具有强大的包容性和适用性，但也暴露出其深层的局限性。

一些核心分析框架在形式上依然有效。生产函数本身极具弹性，将知识要素纳入生产函数在数学上并不困难，这为量化分析知识投入贡献提供了可能。边际分析的基本逻辑仍然适用，无论是企业决定购买多少词元额度，还是个人选择使用何种精度的大模型服务，用户决策者依然会在边际收益与边际成本之间进行权衡。成本收益分析同样是我们评估对算力基础设施、大模型研发进行巨额投资时不可或缺的工具。

然而，一旦深入到新古典理论的基本假设层面，就会遇到深刻的挑战，这主要体现在三个根本性困境上。

第一，单纯以个体作为分析对象的个人主义失效。新古典经济学的分析起点是理性的、追求效用最大化的“个体”。在词元经济中，个体的理性决策高度依赖于一个外在的、社会化的智慧基础设施——大模型。一个程序员调用大模型辅助编码，其效率和质量主要不取决于他个人的编程知识储备，而取决于他所接入的大模型汇聚了多大规模、多高质量的代码知识与逻辑能力。个体的生产行为被深度嵌入一个他无法控制、却对其产出有决定性影响的社会化智慧网络中。此时，将个体视为独立的分析原点，就如同将一台联网计算机的运算能力仅仅归因于其本机性能，而忽视了整个互联网的支持。这种社会性动摇了纯粹个体主义分析的根基。

第二，简单的均衡分析范式遇到复杂困境。新古典理论致力于寻找市场出清、供需平衡的静态或动态均衡点。但词元经济所依赖的大模型产业具有极强的网络效应——用的人越多，模型因反馈而越智能，吸引力越强;还具有规模报酬递增特性——前期固定成本极高，边际成本极低，规模越大效果越好。这极易导致赢家通吃的市场结构，形成事实上的技术垄断或寡头垄断。市场更可能趋向于不同于一般的均衡状态。同时，技术的发展路径存在强烈的锁定效应和路径依赖，早期微小的优势或技术选择可能被极度放大，最终形成难以撼动的格局。这使得基于完全竞争和自由流动假设的均衡分析，在分析此类市场时显得力不从心。

第三，把市场作为核心调节手段的中心主义有盲区。新古典理论以价格机制和市场竞争为核心协调机制。然而，在知识的生产与流通中，尤其是在驱动大模型发展的开源生态、数据共享社区、学术合作网络中，大量协调是通过非市场的、基于共同规范和声誉的机制完成的，例如：Linux系统、Python生态、arXiv论文预印本平台。在词元经济中，高质量的训练数据、开源的核心算法框架、共享的评测基准，这些至关重要的“生产资料”或“生产环境”，其生产和配置逻辑在相当程度上是“市场失灵”的，甚至因为强调开放与非排他性而显得“反市场”。忽视这些至关重要的非市场协调机制，就难以理解知识生产的真实生态。

内生增长理论最富启发

但亟待深化

内生增长理论在解释动态增长上为我们提供了富有远见的启发，指出了词元经济可以着力深化的方向。

罗默的内生增长模型最大启发在于，明确将技术视作经济增长的核心驱动力，并将其内生化。技术具有非竞争性，即一个人使用不影响其他人同时使用;技术有部分排他性，即可通过专利保护获得收益。这些特点使对技术的研发在一定范围内能够产生持续的规模报酬递增，从而解释了长期的经济增长。这预见了知识作为核心生产要素的地位，与我们的“知识成为直接生产资料”的论断高度共鸣。

词元调用爆发式增长为内生增长理论填补了具象化的微观基础。在原本的内生增长模型中，技术研发像是一个黑箱。而今天，可以将这个大模型研发与训练产业视为知识生产的具体化身。更重要的是，词元表示知识的流动。可以设想，一个经济体的知识存量的增长，不仅依赖于研发投入，也与全社会对现有知识基础设施的使用和使用产生的数据密切相关，词元就是连接知识积累与经济活动、可计量的微观载体。

面对现实，内生增长模型仍有问题需要解决。现实中，最先进的大模型固然具有知识非竞争性的特征，即一个模型可同时服务千万用户，但其访问权限、算力和高质量数据却仍然是高度稀缺和充满竞争的，甚至受到地缘政治的深刻影响，这造成了知识的不完全非竞争性。此外，内生增长模型虽然指出了知识外溢的重要性，但对于词元经济所凸显的那种深度交织、实时反馈、基于使用的外溢机制，还没有涉及。这些都是需要研究的新情况新问题。

政治经济学有不可或缺的洞察力

当我们超越资源配置和增长效率的范畴，延伸到所有权、社会分配等更深层的问题时，原经济理论需要同步升级和深化。我们发现，政治经济学的视角，无论是马克思主义还是制度经济学，都越来越有价值。它为理解词元经济的社会影响提供了关键维度。

首先，所有权问题从未如此尖锐。大模型作为智能时代最核心的“知识生产资料”和“智慧基础设施”，其所有权和控制权归属，将从根本上决定“智慧红利”的分配。如果它完全由少数私人资本垄断，可能带来巨大的效率优势，但也可能导致智能时代的“封建主义”，创造者依附于平台，社会为调用集体智慧成果支付高昂租金。如果由国家主导，虽有利于保障安全与战略自主，却也需警惕创新活力不足的问题。这不仅是经济效率问题，更是社会权力结构问题。“知识直接成为生产资料”这一事实，使得围绕大模型的产权安排，上升为智能时代生产关系的首要问题。

其次，劳动过程与价值创造正在被重塑。马克思主义政治经济学关注劳动与资本的关系。在词元经济中，劳动的性质正在发生深刻变化。对于广大知识工作者而言，关键技能从“记忆与掌握知识”转向“提出真问题、评估结果、与AI协同的‘调用智慧’”。劳动者可以从重复性脑力劳动中解脱出来，同时也蕴含异化风险，从此产生对这种新生产资料的深度依赖。价值创造的源泉也变得更加复杂，它无疑是人的活劳动——人的判断、创意、管理与物化劳动——大模型所凝结的人类历史知识结晶共同作用的结果。如何衡量不同劳动的贡献，这些问题对于智能时代的社会分配至关重要。

最后，全球分工格局面临重构风险。大模型所需的巨额算力、顶尖人才和海量高质量数据，具有极强的集聚效应。这可能导致新的全球分工格局。“中心”国家或企业通过控制核心模型、底层框架和标准，可能获取全球知识产出的绝大部分租金，而“边缘”地区则可能被锁定在数据提供、内容标注、简单应用开发等低附加值环节，甚至面临自身文化数据被萃取、智力发展空间被挤压的风险。如果是这样，将加剧全球发展的不平等程度。

需要一个综合的

理解智能时代的经济学

通过以上的审视可以得到一个清晰的图景：没有任何一个单一的经济学理论传统能够独立完整地解释智能时代所带来的全部挑战与机遇。

新古典经济学提供了边际决策、成本收益和生产函数等工具，但在其个人主义、均衡和市场的核心假设上遇到了边界。内生增长理论提供了知识驱动长期增长的见解，但需要词元经济为其补上微观基础和机制细节。政治经济学提供了所有制、价值创造和全球分工的视角，迫使我们去关注技术革命背后的社会关系与深层结构问题，这是纯技术经济分析常常忽视的地方。

因此，理解词元经济，也就是理解整个智能时代的经济运行，需要一种综合的经济学。这种综合不是简单的拼凑，而是以现实问题为导向，在对话与碰撞中实现创造性融合。我们需要用新古典工具做局部刻画，用内生增长见解把握长期趋势，用政治经济学视角洞察社会矛盾与制度演进。

词元，恰恰为这三种视角的对话与综合提供了一个难得的共同基础和对话平台。它是一个可操作、可计量的分析单位，能够被纳入新古典的生产函数;它是知识流动的载体，能够连接内生增长模型中的知识积累与溢出;它也是衡量知识生产资料使用、追踪价值流动的线索，为政治经济学分析所有制与社会分配提供了新的视角。

只有融合这三种视角，才能避免“见木不见林”或“见物不见人”的片面性，才能真正全面理解知识作为直接生产资料其使用的隐蔽社会性及其经济活动的显性化所带来的复杂影响。这正是我们从传统理论中汲取智慧，面向智能时代构建新分析范式的必由之路。在接下来的研究中，我们将先用政治经济学的视角对智能时代的经济运行作进一步剖析，然后运用综合的视角展开对词元经济微观基础与宏观图景的构建。