跳到正文
← DeepDive 劳动与社会 · v1 EN
AI BUZZWORDS / DEEPDIVE / DD·0170 / ECONOMY

当智能成为生产资料AI 殖民时代的《资本论》

从知识圈地到 Agent 智能地租——一份可以被证伪的政治经济学

冯小平 · AI BuzzwordsPOLITICAL ECONOMY / v1
63%2026 Q2 全球云基础设施市场
AWS + Microsoft + Google
15%客服现场研究
AI 辅助平均效率提升
¼ILO 2025:处于一定
GenAI 暴露度的劳动者
2027—30Agent 守门权
待证伪观察窗口
THE ACCUMULATION LOOP / 智能资本积累循环
社会知识与劳动
→
数据与模型资本
→
算力与 Agent 入口
→
利润 / 租金 / 再投资

当人类的知识被压缩为模型权重,人类又开始按 token 付费取回这些知识时,我们究竟是在购买一项服务,还是在向新的数字地主缴租?

这个问题具有惊人的直觉力量。几百年积累的文本、代码、图像、公共讨论和专业经验,被转化为可重复调用的机器能力;拥有算力、模型和分发入口的企业,可以对这些能力定价;原本依靠专业知识谋生的人,可能越来越需要订阅这些企业的工具,才能继续完成自己的工作。

这似乎构成了一个完美的《资本论》故事:社会化生产,私人占有;知识圈地,劳动者与生产资料分离;技术提高生产率,收益却集中于少数资本所有者。

但如果我们真要使用马克思的分析方法,就不能把漂亮的隐喻当成已经证明的经济关系。训练数据并非全部未经授权,模型收入并非全部租金,AI 生产率并非全部转化为企业利润,国际技术贸易也并非天然等于殖民。与此同时,开源权重、推理价格下降、跨模型竞争和 Agent 互操作协议,正在破坏某些“新地主”叙事所依赖的排他性。

这篇文章将两种写法合为一体:保留原稿对知识生产资料、全球不平等与“智能地租”的批判性洞察,同时接受后续深度研究提出的反证与事实核查。它的核心结论不是“AI 已经进入技术封建主义”,而是一个更严格、也更有解释力的判断:

AI 正在把社会知识重新编码为资本;但这种资本究竟形成竞争性商品、暂时的创新超额利润,还是依赖排他性控制的长期经济租金,仍由技术扩散、产权安排、市场结构和制度选择共同决定。最值得警惕的,不一定是模型本身,而是控制身份、记忆、支付、权限和工作流的 Agent 入口。


00 / EXECUTIVE SUMMARY

TL;DR|六个关键判断

  1. “AI 殖民”是需要证明的结构性依附,而不是所有跨境 AI 交易的别名。 要观察谁控制不可替代的生产条件、谁制定规则、谁有退出权、谁持续占据低收益环节。
  2. “数据圈地”与马克思的原始积累有相似机制,却不能直接画等号。 关键不只是获取数据,而是知识生产者是否因此失去自主生产条件,并被迫持续依赖新平台。
  3. AI 最清晰的《资本论》机制是提高劳动生产率、重组劳动过程,以及重新分配利润。 在严格劳动价值论中,机器不独立创造新的价值;现代国民经济核算的“增加值”则是另一套概念。
  4. 模型层同时存在巨额前沿研发成本与迅速下降的既有能力使用成本。 芯片、先进制造、云和电力高度集中,不意味着每笔 API 收入都是垄断租金。
  5. “智能地租”目前更像待验证的 Agent 守门权假说。 只有当某种身份、记忆、授权、支付或工作流控制带来难以迁移的依赖和持续超额回报,才有理由谈“地租式”收益。
  6. 制度的核心变量是退出权与收益分配。 开放模型、互操作、公共算力、劳动收益分享和竞争政策,比单纯宣布“AI 是公共财产”更容易转化为可检验的治理实践。
01 / POLITICAL ECONOMY

不是“机器来了”,而是生产关系变了

《资本论》的出发点不是技术好坏,而是生产资料由谁占有、劳动怎样被组织、剩余怎样被分配。

在工业资本主义中,工厂、机器、原料与土地构成劳动者难以独立取得的生产条件。AI 时代出现了另一组生产条件:算力、训练语料、模型权重、部署基础设施、工具权限、行业数据、身份系统,以及能够把模型接入真实业务的工作流。可以暂且把它们称为“认知生产资料”,但这个概念并不意味着知识本身是一块可以像土地一样被永久占有的实体。

关键变化在于:一个人的知识可能仍然存在于其头脑里,但其在市场上完成工作所需要的组织能力、客户触达、自动化工具和数据访问权,可能逐渐迁移到平台。

这与马克思所说的劳动者同生产资料分离存在相似之处。不过,“相似”不等于“已经完成”。如果独立开发者能够使用本地模型、自由切换云服务并保留客户关系,他并未完全失去生产条件。反之,如果企业积累多年的业务知识被封闭在不可导出的 Agent 系统里,员工与企业都只能付费续租才能保持生产能力,分离机制才更明显。

《资本论》概念在 AI 经济中的可能对应必须防止的误读
原始积累数据、知识与生产条件被排他性资本化抓取大量网页本身不等于原始积累
不变资本 cGPU、服务器、已资本化的软件与模型设施不能把所有 CapEx 机械等同于 c
可变资本 v购买劳动能力的工资支出数据、代码、研发的会计分类与价值理论分类不同
剩余价值 s活劳动创造并由资本占有的剩余AI 服务收入不等于 AI 自己“创造”的剩余价值
相对剩余价值生产率提高改变必要劳动与剩余劳动比例单个行业效率提高不必然立即降低劳动力价值
平均利润与生产价格社会剩余在资本部门间竞争性再分配一家公司利润高不代表全部来自本部门劳动
地租排他性产权阻止自由进入,使超额利润持续转化为权利收入API 定价、毛利率和地租不能混用
世界市场跨国分工、技术依附、剩余分配与国家竞争跨境付费不是殖民关系的充分条件

理论依据:《资本论》第一卷第十二章(相对剩余价值)、第十五章(机器和大工业)、第二十六章(原始积累),以及第三卷第九章(平均利润)、第四十五章(地租)。

02 / POLITICAL ECONOMY

知识圈地:从社会协作到模型资本

AI 时代最值得研究的积累循环,可以写成:

社会知识与劳动 → 数据化和许可安排 → 模型训练 → 模型与算力资本化 → API / Agent / 应用收费 → 新工作流与反馈数据 → 再投资。

这个循环揭示了一个重要的不对称:知识的生产可能高度分散,模型训练与商业化却要求资本、算力和组织能力高度集中。许多作者、程序员、译者、设计师、标注员、论坛参与者和普通用户共同生成了训练语料;只有少数机构有能力把大规模语料变成可商用的前沿模型。

但“社会知识被模型吸收”仍不足以证明“社会知识已经被掠夺”。训练数据的权利状态至少包括公有领域、开放许可、商业授权、受版权保护但未获授权的材料、个人数据、企业专有数据,以及合法性存在争议的混合来源。美国版权局 2025 年关于生成式 AI 训练的报告明确指出,合理使用需要结合具体事实判断,不能预先把所有训练统一认定为合法或侵权。美国版权局报告

真正需要问的是:训练行为是否把原本可以由创作者、劳动者或企业独立使用的生产条件,变成只有外部平台可以有效使用的能力?

如果一家出版社授权模型使用作品,获得合理对价,并继续保有独立发行渠道,这更接近商业交换。如果创作者的作品未经许可被大量利用,模型又成为其职业市场的替代品,而创作者缺乏谈判权与退出路径,“圈地”的政治经济学解释才更强。

这里也要区分两种资本化:

  • 知识的模型化:将分散知识编码进模型能力,产生新的生产工具。
  • 知识使用权的封闭化:通过技术、合同、生态系统或法律阻止原贡献者和其他竞争者继续独立使用这些能力。

第一种不必然导向第二种。开源权重、可复现研究、公开数据集和本地部署,恰恰可能使被资本化的知识再次扩散。

因此,原始积累的 AI 类比至少需要两个证据条件:生产者失去关键生产条件;失去条件之后被迫依赖新的所有者继续生产。 缺少第二个条件,就不能仅凭“抓取了数据”宣布完成了一次数字圈地运动。

03 / POLITICAL ECONOMY

AI 是新的劳动者,还是新的机器?

马克思在第一卷区分不变资本、可变资本和剩余价值:

W=c+v+s

在这一理论框架里,机器可以把自身已有价值逐步转移到产品中,也可以大幅提高劳动生产率,但不被视为独立创造新价值的活劳动主体。AI 即使能生成代码、文本和设计,也不能因此自动被归入马克思意义上的“工人阶级”。

这不是关于 AI 是否“真的智能”的形而上学判决,而是劳动价值论对价值来源的特定定义。现代经济学讨论 AI 时,往往使用增加值、总要素生产率、消费者剩余和福利收益。“AI 创造了多少经济价值”与“AI 创造了多少马克思意义上的新价值”,不能直接互换。

AI 对资本最直接的作用,是改变必要劳动时间、劳动强度、产品成本和竞争优势。

设某类客服任务原本需要十小时,现在通过 AI 辅助只需要六小时。在市场价格尚未充分下降时,率先采用技术的企业可能获得超额利润;技术扩散之后,竞争会推动价格、工资、服务质量和行业结构重新调整。严格说来,个别资本通过生产率优势获得的超额剩余价值,与整个社会因工资品价值下降而提高的相对剩余价值率,并不是同一件事。

已有实证研究支持“局部生产率上升”,但并不支持“收益必然全部流向模型公司”。

Brynjolfsson、Li 和 Raymond 在 2025 年发表于 Quarterly Journal of Economics 的研究,观察 5,172 名客服人员,发现 AI 辅助使每小时解决问题数量平均增加约 15%,收益更多集中在经验较少的员工。期刊论文

另一组覆盖 4,867 名软件开发者的三项现场随机实验,合并估计任务完成量提高约 26%,但不同实验差异较大,估计不确定性也不小。开发者实验

而丹麦约 25,000 名劳动者、7,000 个工作场所的研究则发现,AI 使用带来的平均时间节约约 3%,工资和记录工时尚未出现可检测的显著变化。NBER 工作论文

这些证据合起来说明:任务效率、企业利润、劳动者工资、消费者价格与工作时间,是五个不同的变量。 生产率提升只打开了重新分配的可能性,并没有预先规定谁最终获利。

为什么第三卷比第一卷更适合研究 AI?

假设一家银行通过 AI 每年节约一亿美元成本,其中一部分成为银行利润,一部分转化为更低的金融服务价格,另一部分支付给云、芯片和模型供应商。云公司获得的收益未必来自它自己员工创造的全部剩余价值;它也可能通过生产价格、采购合同和市场力量,分享其他行业产生的剩余。

马克思第三卷关于平均利润、生产价格和部门间剩余分配的分析,在这里比“每家公司只能占有自己员工创造的剩余价值”更有解释力。

这也提醒我们:利润的来源、实现利润的部门、拥有关键资产的主体,可能不是同一个。

04 / POLITICAL ECONOMY

七层 AI 价值链:稀缺究竟在哪里?

把“AI 行业”视为一个统一市场,会掩盖真正的经济结构。2026 年至少存在七个互相嵌套、竞争程度各异的市场。

层级核心生产条件可能的市场力量必须区分的收益性质
① 能源、土地、并网电力、水、地理位置、许可物理稀缺与地方规制资源稀缺收益、成本回收、潜在地租
② 半导体设备EUV、先进制造设备技术壁垒、知识产权创新利润与市场力量
③ 芯片制造与封装先进制程、HBM、封装产能极高资本门槛、良率与规模竞争利润、稀缺溢价
④ 加速器与软件栈GPU / ASIC、编译器、生态开发者生态与迁移成本产品利润、生态锁定溢价
⑤ 云与算力服务数据中心、网络、IaaS/PaaS规模经济、合同和数据出口成本正常回报、锁定收益、潜在租金
⑥ 模型与 API权重、研发、推理服务前沿性能、可靠性、品牌创新超额利润与价格竞争
⑦ Agent 与应用身份、记忆、权限、支付、工作流默认入口、关系资产、切换成本服务利润与潜在守门租金

产业数据:不要把 CapEx、营收和租金混在一起

半导体。 台积电 2025 年 3nm 工艺占其晶圆收入约 24%;ASML 同年销售 48 台 EUV 系统。这些数据说明先进制造集中度和进入壁垒,但单个企业的毛利率并不直接等于经济租金。TSMC 2025 年报 · ASML 2025 年报

加速器。 NVIDIA 2026 财年收入约 2,159 亿美元,第四财季数据中心业务收入约 623 亿美元。这显示了 AI 基础设施需求与企业定价能力,但毛利润还要承担研发、资本风险和竞争回报,不能直接被命名为“地租”。NVIDIA 财报

云。 Synergy Research 估计,2026 年第二季度全球云基础设施服务市场规模约 1,434 亿美元;AWS、Microsoft、Google 的收入份额分别约 28%、20%、15%,合计 63%。这是云基础设施服务收入份额,不是“整个 AI 市场的 63%”,更不是“63% 的钱都被抽成租金”。Synergy Research,2026-07-30

电力与资本开支。 IEA 2026 年更新估计,全球数据中心用电量从 2025 年约 485 TWh,到 2030 年可能增至约 950 TWh。IEA 同时指出,五家大型科技公司的资本开支 2025 年已超过 4,000 亿美元,预计 2026 年进一步增加约 75%,相当于合计可能超过 7,000 亿美元。后者是预测的资本开支,既不是已实现收入,也不是利润,更不是“智能地租”。IEA 能源与 AI · IEA 2026 更新

模型价格。 Stanford 2025 AI Index 记录:达到约 GPT-3.5 MMLU 水平的模型,推理价格从 2022 年 11 月约 20 美元/百万 token,下降到 2024 年 10 月约 0.07 美元/百万 token。这是固定能力基准的价格变化,不能外推成“所有前沿模型的推理成本都下降了同样倍数”。Stanford AI Index 2025

与此同时,Stanford 2026 AI Index 指出,2025 年被收录的 notable AI models 中,产业界占 91.6%。这是特定收录标准下的样本,不是“全世界 91.6% 的模型归私人资本所有”。Stanford AI Index 2026

这组数据揭示了 AI 资本积累最重要的悖论之一:

前沿研发和基础设施的固定成本越来越高,但既有智能能力的单位使用价格却可以越来越低。

土地不可复制,模型能力却可以通过算法公开、人员流动、蒸馏、开源和硬件优化扩散。因而“模型本身天然产生永久地租”的说法,正在遭遇事实上的反证。高额固定投资与强烈价格竞争,可以同时发生。

05 / POLITICAL ECONOMY

什么收益才配叫“智能地租”?

原稿使用“智能地租”描述资本对社会知识的持续收费。这个概念有批判力量,但需要严格收窄。

在马克思的地租理论中,土地所有权形成了阻碍资本自由进入的排他性权利,部分超额利润因而可以稳定地转化为土地所有者收入。现代经济学所说的经济租金,则是某项资源获得的、超过其留在当前用途所必需回报的部分。两者有关联,但不是同一个定义。

在 AI 经济中,可以先用一个近似测量框架表达经济租金:

R_AI ≈ (r_实际-r_竞争性正常)× K

其中 K 是可比较的投入资本,正常回报必须控制研发风险、资本成本、资产折旧和服务质量。只有当持续超额回报主要来自排他性控制、进入壁垒或高转换成本,而非暂时的技术领先时,才值得把它称为“地租式”收益。

这一定义排除了三个常见偷换:

  • API 收费 ≠ 地租。 提供推理服务有真实计算、运维、研发和风险成本。
  • 高毛利 ≠ 地租。 毛利不等于扣除全部成本与正常资本回报后的经济租金。
  • 资本开支大 ≠ 地租。 CapEx 是投入,甚至可能导致过剩产能和亏损。

可以区分四类候选“租金”:

算力稀缺收益来自电力、并网、先进芯片、封装或特定地域数据中心的供给瓶颈;模型许可与技术垄断收益来自短期前沿性能和难以替代的专有能力;云平台锁定收益来自专有接口、数据出口、合同和生态迁移成本;Agent 守门收益则可能来自用户身份、长期记忆、业务权限、支付授权与默认分发入口的排他控制。

其中,前三者已经有不同程度的市场集中和锁定证据;第四者的长期经济租金机制,截至 2026 年仍未被充分证明。

06 / POLITICAL ECONOMY

真正的新土地,也许不是模型,而是“代表你行动”的权利

模型回答问题;Agent 则可能代表用户和企业执行行动。

这一区别具有经济学意义。一个普通模型可以在不同供应商之间替换;但如果一个 Agent 掌握了企业三年的客户沟通记录、ERP 权限、审批流程、合同条款、员工身份和支付策略,它的替换成本可能远高于底层模型。

未来最关键的稀缺资产可能不是“最聪明的模型”,而是:

Identity + Memory + Workflow + Payment + Distribution

也就是身份、记忆、工作流、支付和分发。

当一个 Agent 可以决定调用哪个模型、推荐哪家供应商、使用哪个支付渠道、执行哪些业务动作时,它就不仅是生产工具,也是经济交易的入口。若入口的所有者能够对商家、开发者和用户持续收取佣金,同时阻碍他们迁移到其他入口,就出现了类似平台地租的结构。

2026 年已有早期信号:Visa 开展 Agent 执行企业支付的试点;Mastercard 推出面向机器与 Agent 的支付方案。Visa 2026 试点 · Mastercard Agent Pay for Machines

但反方向的力量同样真实。Anthropic 将 Model Context Protocol(MCP)捐赠至 Linux Foundation 旗下 Agentic AI Foundation;A2A 协议也在推进不同厂商 Agent 的互操作。MCP 与基金会 · Linux Foundation A2A 2026

协议开放不等于数据可迁移,也不等于支付授权可转移。 但它确实构成了“Agent 必然封建化”的重要反证。

2027—2030 年如何证伪“Agent 智能地租”?

观察指标支持地租假说的结果反驳地租假说的结果
记忆可迁移性长期记忆无法完整导出或重建结构化记忆可跨平台迁移
身份与权限用户身份和企业授权绑定单一 Agent独立身份层、可撤销且可转授的权限
支付与商业入口少数平台长期控制支付许可和商家曝光多钱包、多支付轨道、跨平台授权
工作流资产业务流程高度依赖专有脚本和历史工作流标准化导出与重放
模型选择权Agent 禁止或惩罚底层模型切换企业可自由路由多模型
商家佣金率在竞争者进入后仍长期维持高 take rate佣金持续被竞争压低
客户流失率用户不满意仍无法迁移迁移成本低且多平台并用普遍
超额资本回报控制风险后持续高于竞争性正常利润超额利润随扩散迅速收敛

这一理论的真正检验变量不是 Agent 用户数,也不是模型排行榜名次,而是退出成本与可持续超额回报。

07 / POLITICAL ECONOMY

知识劳动者:从技能所有者到工作流租户?

工业机器把工匠的一部分技能固化在设备中;AI 则可能把程序员、客服、律师助理、研究员、翻译、设计师和分析师的一部分知识固化在模型与工作流中。

原稿提出了一个尖锐命题:知识劳动者可能被逐步剥离对自身技能的市场控制权。 这种剥离并不意味着人突然“失去知识”,而是市场上可出售的工作成果越来越依赖外部模型、企业数据和 Agent 权限。劳动者可能保有判断力,却失去独立交付产品所需的技术与客户入口。

但结果并非单向。

AI 也可能让初级员工更快达到熟练员工的表现,让小团队完成过去只有大公司能承担的任务,让个人以更低成本创业。前述客服研究发现低经验员工受益更大,正是能力扩散而非纯粹“技能剥夺”的证据。

ILO 2025 年估计,全球约四分之一劳动者处于对生成式 AI 有某种程度暴露的职业中,但特别强调这是技术暴露度,不是失业预测;多数职业更可能经历任务重组。ILO 2025

与此同时,斯坦福研究团队利用美国 ADP 工资记录发现,22—25 岁年轻劳动者在高 AI 暴露职业中的就业,相对于低暴露同龄群体出现明显缺口;2026 年更新的估计约为 19%。研究者指出,主要机制可能是招聘减少,而不是离职增加,但宏观经济和行业周期仍可能造成混杂,不能简单宣布“19% 的年轻人被 AI 取代”。Stanford Digital Economy Lab · OECD Employment Outlook 2026

更不可见的是 AI 背后的活劳动:数据标注、内容审核、质量评估、晶圆制造、数据中心维护、电力供应、模型安全测试和业务集成。ILO 指出,众包平台、微任务平台和 BPO 公司承担了大量数据与审核工作,其中许多劳动者位于全球南方;全球人数仍缺乏可靠完整统计。ILO:AI 与劳动

所以真正的问题不是“AI 还有没有人类劳动”,而是:哪些劳动被看见,哪些劳动被隐藏;哪些劳动能够分享生产率红利,哪些劳动只能接受价格竞争。

AI 带来的生产率收益,理论上至少有四个去向:

生产率红利→ 更高工资、更多利润、更低价格、更短工时

目前没有证据表明这四个方向的分配已经被技术本身决定。

08 / POLITICAL ECONOMY

“AI 殖民”与世界市场:依附何时成立?

把数据殖民主义、数字殖民主义、监控资本主义、平台资本主义、技术封建主义和依附理论统称“AI 殖民”,会让分析失去精度。

数据殖民主义关注日常社会生活如何被持续数据化并用于资本积累,代表性论述见 Couldry 与 Mejias。数字殖民主义关注基础设施、标准与平台的跨国权力不对称,见 Kwet。监控资本主义关注行为数据、预测与干预,见 Zuboff。平台资本主义强调网络效应、平台中介与资本积累。技术封建主义认为平台正在以“云租金”取代资本主义利润逻辑;但 Nicholas Gane 的批评指出,平台仍然深陷商品生产、投资、竞争和利润最大化之中。

这些理论可以互相补充,却不能互相替代。

更严格的“AI 殖民”定义应当是:

一种长期的结构性经济依附:外围主体贡献市场、数据、劳动或自然资源,但关键基础设施、知识产权、标准和商业入口由外部主体控制;外围主体因缺乏可行替代路径而持续停留在低收益环节,且缺少平等的规则制定权。

因此,肯尼亚公司购买美国 API,不自动构成殖民;印度企业使用外国 GPU,也不自动意味着被殖民。必须继续追问五件事:是否不可替代、是否持续不对称、是否缺乏议价权、是否无法向高附加值环节升级、是否难以退出。

全球 AI 价值链确实存在显著不平等。世界银行估计,截至 2025 年 6 月,高收入经济体拥有约 77% 的全球共置数据中心容量;低收入经济体的份额极低。世界银行 2025

但不同国家的处境不一样:

美国: 集中着主要云平台、前沿模型企业、私人投资与重要软件生态;其 2025 AI Action Plan 将数据中心、芯片、电力与“全栈 AI 出口”纳入产业战略。这是强技术权力,但不是一个没有内部竞争的单一主体。白宫 AI Action Plan

中国: 拥有大型国内市场、模型研发、开源生态和算力建设能力,已不能被简单放进“西方中心—中国外围”的单线框架。2026 年政策继续强调数据、算力、能源与生态协同。中国国务院相关行动计划

欧盟: 通过 AI Factories、公用高性能算力和 Data Act 试图降低对单一平台的依赖。Data Act 自 2025 年 9 月开始适用,强调云服务迁移与互操作,相关切换收费规则在 2027 年进入更严格阶段。欧盟 AI Factories · Data Act

印度: 通过 IndiaAI Mission 与云伙伴建设共享算力。印度电子和信息技术部 2025—26 年报告提到,通过 14 个云合作伙伴形成超过 38,000 个 GPU 的计算资源。这说明“主权 AI”可以是提升选择权与谈判能力,而非追求所有硬件国产化。印度 MeitY 年报

非洲及其他全球南方地区: 面临电力、连接、资本、技能、语言数据和议价能力的复合约束。世界银行 2026 年提出共享、按需付费 GPU 基础设施,初期关注非洲与拉丁美洲,试图避免每个国家都建设高成本、低利用率的独立数据中心。世界银行数字战略

ILO 将发展中经济体的潜在困境概括为 “disruption without dividend”——先遭受技术冲击,却拿不到生产率红利。ILO 2026

这比把世界简单划成“AI 宗主国”和“AI 殖民地”更符合证据。全球 AI 体系存在真实的依附风险,但不是一个整齐划一、已经完成的殖民秩序。

09 / POLITICAL ECONOMY

AI 资本积累的四重矛盾

第一重:智能越便宜,生产智能的固定资本越昂贵

前沿训练、芯片制造、电力与数据中心不断要求巨额投资;与此同时,既有能力的推理价格可能快速下降。这意味着赢家未必是“拥有模型”的企业,而可能是拥有稀缺电力、先进制造、低成本推理或稳定分发渠道的企业。也意味着资本过剩和利润率压力并非不可能。

第二重:单个企业希望节约工资,整个经济仍需要有效需求

企业通过自动化降低成本,但消费者购买力、税收基础和服务需求仍依赖工资、利润、投资与财政转移。不能从“AI 节省劳动”直接推出“需求必然崩溃”;价格下降、新任务、投资和公共政策都可能形成反作用力。但如果生产率收益长期集中于资本收入,分配和需求矛盾会更突出。

第三重:模型可以开放,工作流却可能封闭

开放权重使模型能力更容易扩散,但身份、客户关系、长期记忆、支付权限和企业流程并不会自动开放。竞争可能在模型层加剧,在 Agent 与分发层重新集中。这是本文最重要、也最需要未来数据检验的假说。

第四重:知识由社会协作产生,商业权利却由不同法律与合同切割

版权、商业秘密、数据保护、开源许可和训练合同各自具有合理目标,也可能形成进入壁垒。全盘取消权利可能伤害创作者,全盘排他化则可能阻碍知识扩散。真正的制度难题是让创新回报、创作者权益和社会知识共享之间形成可持续安排。

10 / POLITICAL ECONOMY

2030 年之前的三种未来

下面不是预言,而是可以被证伪的情景。

情景 A:开放智能成为公共化的商品能力

模型性能差距缩小,推理价格持续下降;企业普遍采用多模型路由,记忆与身份可迁移,Agent 可跨平台调用工具,商业佣金被竞争压低。利润更多来自具体业务、服务质量和真实世界的组织能力。

若出现这一情景,“模型地租”和“Agent 地租”假说都将受到强烈反驳。

情景 B:模型商品化,Agent 入口封闭化

底层模型不断变便宜,但少数平台控制默认入口、身份、长期记忆、支付授权与工作流。商家为进入这些入口持续支付佣金,企业即使不满意也难以迁移;平台在控制风险后长期获得超额回报。

这将是“智能地租”最有力的实证版本:真正的土地不是模型,而是支配智能进入现实经济的权利。

情景 C:Agent 开放,基础设施寡头化

Agent 互操作成功,但先进芯片、封装、电力并网和云基础设施继续短缺。利润重心停留在硬件、算力和能源层。

这时更合适的解释可能是基础设施稀缺收益与技术垄断利润,而不是把一切统称“智能地租”。

三种情景也可能在不同地区、行业同时出现。一个国家的公共服务 AI 可以高度开放,一家大型企业的 ERP Agent 却高度封闭;消费级模型价格可能暴跌,先进制程的资本回报仍然强劲。

11 / POLITICAL ECONOMY

反殖民不是拒绝 AI,而是重建选择权

如果核心问题是对生产条件的排他性控制,那么制度设计的目标就应是降低退出成本、改善进入机会、重新分配生产率收益。

第一,保障可竞争的基础设施。 公共算力、共享 GPU、研究机构访问和透明采购可以提高小企业、大学与发展中经济体的谈判能力。但公共项目必须考虑利用率、电力成本和技术更新,避免为象征性的“主权”重复建设昂贵而闲置的设施。

第二,建立分层的数据权利。 区分个人隐私、版权作品、公共知识、商业秘密和授权训练;支持透明许可与可执行的补偿机制,避免“所有数据必须免费”和“所有数据必须排他私有”两个极端。

第三,强制或鼓励真正的互操作。 不仅要求模型 API 兼容,更要支持记忆导出、身份迁移、授权撤销、工作流移植、跨 Agent 协作与支付互通。MCP、A2A 是技术起点,不是制度完成。

第四,让劳动者分享效率收益。 工资增长、利润分享、培训、员工股权、更短工时与公共财政都可以成为分配渠道。技术节约的时间如果只变成更高的绩效考核强度,社会福利收益就可能远低于技术潜力。

第五,竞争监管应盯住默认入口与退出成本。 对 Agent 的自我优待、排他性工具接入、数据出口障碍、不可携带记忆和不透明商家佣金进行审查,而不是仅仅比较不同模型的 benchmark 分数。

政策的共同标准应是:一个普通人、一家中小企业、一个研究机构或一个发展中经济体,是否拥有现实可行的替代方案?

12 / POLITICAL ECONOMY

反对者最有力的三个问题

反对意见一:AI 企业承担了真实研发风险,凭什么把高利润叫“殖民”?

这是有效批评。创新企业必须回收研发与资本成本;高回报也可能补偿失败项目与风险。本文因此不把高毛利、高估值或 API 收费自动视为地租。只有在风险调整之后,持续超额回报主要来自排他性控制和阻碍进入,租金判断才有力量。

反对意见二:开源模型和价格战正在让知识能力普及,哪里来的“圈地”?

这也是有效反证。模型能力可以复制,与土地天然不同。本文把“圈地”限定在生产者失去关键条件且被迫依赖的情形,并明确承认开放模型可能阻止这一过程。所谓“AI 殖民时代”因此不是历史定局,而是一种需要检验的风险结构。

反对意见三:全球南方购买更好的外国技术,可能比自己从零研发更有利,为什么叫依附?

不能仅凭进口技术判断依附。要比较总成本、服务质量、技术转移、就业、税收、谈判权、迁移成本和本地产业升级。高效国际分工可以提高福利;只有当关键权利长期不对称、退出困难、升级通道受阻时,“殖民式依附”才有分析意义。

这些反对意见不是文章必须战胜的稻草人,而是这套理论保持可证伪性的条件。

13 / POLITICAL ECONOMY

一个终局思想实验:当认知劳动趋于丰裕

假设 2030 年,通用文本、代码、分析和基础设计的边际成本已经极低。企业不再因为“能写一份报告”而获得长期超额利润,个人也可以低成本调用高质量模型。

什么仍然稀缺?

可能是电力与土地、先进制造、可信身份、真实世界的执行能力、行业许可、客户关系、组织信任、支付授权,以及把建议转化为可追责行动的能力。

这意味着 AI 可能让认知劳动的一部分趋于丰裕,却不会自动消除物理资源、社会关系、法律权利与组织能力的稀缺。真正的争夺将从“谁拥有智能”转向“谁有权让智能行动、交易、代表他人,并占有行动产生的收益”。

这也是“智能地租”最值得保留的内核。

技术本身不会预先决定 AI 是公共生产力、竞争性商品,还是新的租金机器。决定结果的是所有权、退出权、市场结构和收益分配。

马克思最值得带入 AI 时代的洞见,不是“机器终将取代人”,也不是“每一次技术革命都会产生新地主”。

而是一个方法:把机器放回生产关系之中。

当智能越来越便宜之后,最重要的问题或许不再是“谁拥有最聪明的模型”,而是:

谁控制智能进入现实经济的通道?谁可以退出?谁承担成本?谁最终获得剩余?


APP / RESEARCH NOTES

事实核查与原稿修订记录

原稿中容易造成误解的说法整合稿采用的严格表述
“AI 公司把社会知识私有化,因此每次 API 调用都是地租”知识模型化不等于排他性私有化;API 收费包含真实服务成本,地租需要排他控制与持续超额回报证据
“数据抓取就是原始积累”原始积累类比还需证明生产者失去生产条件,并被迫依赖新所有者
“AI 创造了大量价值”现代增加值、生产率和马克思劳动价值论中的新增价值是不同概念
“云前三大占 63% 的 AI 市场”Synergy 的 63% 指 2026 Q2 全球云基础设施服务收入份额
“2026 年科技公司已经花了 7,000 亿美元 CapEx”IEA 所述为五家大型科技公司 2026 年合计资本开支的预测量级,而非已审计全年实际值
“90% 以上的前沿模型都由产业界开发”Stanford 2026 的 91.6% 指 2025 年其样本中被认定为 notable AI models 的产业界占比
“AI 使客服生产率提高 14% / 15%”早期 NBER 版本约 14%;2025 QJE 期刊版基于 5,172 人,报告约 15%
“四分之一的工作会被 AI 替代”ILO 指四分之一劳动者处于某种 GenAI 暴露职业,绝非四分之一岗位将消失
“Agent 已经形成智能地租”Agent 支付与互操作生态正在形成;持久守门租金仍属待检验假说
“使用外国云或模型就是被殖民”需要证明长期结构性依附、规则权力不对称和缺乏可行退出路径
APP / RESEARCH NOTES

研究方法、证据等级与局限

本文把材料分为三类:事实(可由公司财报、官方统计、论文与监管文件核查);理论解释(用《资本论》或现代产业组织理论组织事实);预测假说(Agent 守门权、2027—2030 年情景)。三者不能相互替代。

行业集中度通常以收入或容量为口径,不代表利润率;论文中的实验效果不能自动外推到全部职业;预测的资本开支与能源需求不是已经发生的结果;美国版权案件不等于全球统一法律规则;“经济租金”在缺乏可比资本成本、风险和质量数据时很难直接估算。

本文的研究资料截至 2026 年 11 月 18 日。它是一份供编辑审阅的 DeepDive 草稿,不是已经发表的学术论文。

主要一手资料与理论文献

  1. Karl Marx,《资本论》第一卷:相对剩余价值 · 机器和大工业 · 原始积累。
  2. Karl Marx,《资本论》第三卷:平均利润 · 利润率下降趋势 · 地租。
  3. Nick Couldry & Ulises A. Mejias (2019), Data Colonialism。
  4. Michael Kwet (2019), Digital Colonialism: US Empire and the New Imperialism in the Global South。
  5. Shoshana Zuboff (2015), Big Other: Surveillance Capitalism。
  6. Nicholas Gane (2024), Capitalism is Capitalism, Not Technofeudalism。
  7. Stanford HAI, 2026 AI Index Report;2025 AI Index:研发与推理成本。
  8. Synergy Research Group (2026-07-30), Q2 Cloud Market Passes $143 Billion。
  9. International Energy Agency (2026), Key Questions on Energy and AI。
  10. NVIDIA, FY2026 Financial Results;TSMC 2025 年报;ASML 2025 年报。
  11. Erik Brynjolfsson, Danielle Li & Lindsey Raymond (2025), Generative AI at Work, QJE;早期 NBER 版本。
  12. Zheyuan Cui et al. (2025), The Effects of Generative AI on High-Skilled Work。
  13. Anders Humlum & Emilie Vestergaard (2025), Large Language Models, Small Labor Market Effects。
  14. Stanford Digital Economy Lab (2026), Canaries in the Coal Mine?。
  15. International Labour Organization (2025), Generative AI and Jobs: A 2025 Update;(2026), AI and Developing Economies。
  16. OECD (2026), Employment Outlook 2026。
  17. World Bank (2025), Strengthening AI Foundations;(2026), Digital Strategy。
  18. UNCTAD (2025), Technology and Innovation Report: Inclusive AI for Development。
  19. U.S. Copyright Office (2025), Copyright and AI, Part 3: Generative AI Training。
  20. European Commission, Data Act Explained;AI Factories。
  21. India MeitY, Annual Report 2025–26。
  22. Anthropic (2025), MCP / Agentic AI Foundation;Linux Foundation (2026), A2A Adoption。
  23. Visa (2026), Trusted AI Payments Pilot;Mastercard (2026), Agent Pay for Machines。
THE QUESTION THAT REMAINS

当智能越来越便宜,谁控制智能进入现实经济的通道?

更新记录

首次发布 2026-11-18