AI时代的生产和消费：（二）当生产成本趋近于零，什么还有价值？（1）

《AI时代的生产与消费》 第二篇

当生产成本趋近于零，什么还有价值？（1）

人工智能正在使某些产品和服务的生产成本降至令人难以想象的水平。但当生产某种东西的成本趋近于零，它的经济价值并不一定随之消失。相反，稀缺性可能转移到其他地方，而市场、商业模式以及人们对价值的判断，也将随之改变。

在人类历史的大部分时间里，生产一件有用的东西都需要付出相当大的努力。一本书需要有人写作、抄录、印刷和发行；一幅画需要艺术家的时间与技艺；一栋建筑需要材料、劳动和复杂的组织协调。即使是一项看似简单的数学计算，也可能需要受过训练的专业人员花费数小时才能完成。生产的困难程度，在很大程度上决定了什么东西稀缺、人们愿意为什么付费，以及社会如何组织经济活动。

工业革命开始改变这种关系。机器使人们能够用同样数量的劳动生产出多得多的商品，随后出现的电气化、自动化和计算机技术，又将这一过程扩展到越来越多的行业。然而，即使进入数字时代，许多有价值的活动仍然依赖相对稀缺的人类能力，例如写作、设计、编程、信息分析、专业判断以及复杂工作的组织协调。

人工智能正在改变其中一些活动的经济基础。过去需要数天研究和写作才能完成的报告，现在可能在几分钟内形成初稿，尽管核实其准确性仍然可能需要大量工作。软件原型可以在人工编程大幅减少的情况下完成，图像、翻译、演示文稿和常规分析的生成成本，也已经下降到几年前难以想象的程度。

面对这些变化，人们很容易得出一个结论：既然生产变得如此容易，这些产品和服务是不是也就不再值钱了？如果人人都能生成图像，为什么还要付钱请插画师？如果软件几乎可以自动编写，为什么还要购买昂贵的商业软件？如果信息和解释可以随时生成，知识本身的经济价值又将如何变化？

但这样的推论混淆了两个不同的概念：生产某种东西所需要的成本，以及这种东西能够为人们带来的价值。两者通过市场相互联系，却并不是一回事。一件产品可能生产成本很低，却仍然对使用者具有很高的价值；反过来，一件需要付出巨大努力才能完成的作品，也可能因为缺乏需求而没有多少市场价值。

因此，真正值得讨论的，并不是 AI 是否会使原来有价值的东西变得一文不值，而是当过去困难的生产活动变得容易以后，经济价值将从哪里产生，又将向哪里转移。

这个问题远远超出了软件和专业服务产业。它涉及丰富与稀缺之间的关系、人类注意力的限制、市场的组织方式、收入的分配，以及一种更深远的可能性：当生产能力不断提高时，人们对什么东西值得拥有的判断，也可能发生变化。

让生产变得便宜的漫长历史

技术进步降低生产成本，并不是什么新鲜事。事实上，相当一部分经济史，都可以理解为人类通过不断创新，使过去昂贵的产品和服务逐渐变得容易获得的历史。

以书籍为例。在欧洲活字印刷术发展起来之前，书籍主要依靠人工抄写复制。书籍昂贵，不仅因为其中包含的知识有价值，也因为复制和传播这些知识需要付出大量劳动。古腾堡的印刷技术改变了这种经济关系。增加一本书的复制成本大幅下降，潜在读者群体则得以迅速扩大。

印刷术并没有使知识失去价值，而是改变了知识传播的条件。书籍变得更容易获得，识字和阅读具有了更广泛的社会意义，出版、教育、学术研究和公共讨论也逐渐形成新的市场。与此同时，那些原来依靠手工抄写书籍谋生的人，其经济地位不可避免地发生了变化。

工业革命对物质商品带来了类似的改变。机械化纺织大幅提高了生产能力，推动许多纺织品的相对价格长期下降。服装逐渐成为更多普通人能够负担的商品，消费习惯、劳动组织和国际贸易也随之改变。但纺织品并没有因为机器使它们容易生产而失去经济价值。相反，价值开始在生产效率、设计、质量、时尚、品牌、零售和市场渠道之间重新分配。

数字技术则将复制成本的下降推进到了新的阶段。一旦数字文件形成，增加一个副本所需要的资源便可能微乎其微。音乐、照片、文档和软件可以传播给规模巨大的用户群体，而不必为每个消费者重新制造一件物理产品。

经济学家卡尔·夏皮罗（Carl Shapiro）和哈尔·瓦里安（Hal Varian）在1999年出版的《信息规则》中，系统讨论了信息产品的这一经济特征：最初的生产成本可能很高，但复制成本却很低。这种结构带来了特殊的定价问题，因为增加一个副本的成本，往往不足以说明消费者愿意支付多少钱。（Carl Shapiro and Hal R. Varian, Information Rules: A Strategic Guide to the Network Economy, 1999。）

人工智能带来的变化又向前推进了一步。过去的数字技术主要使已有信息的复制变得便宜，而生成式 AI 进一步降低了创造新信息产品的成本。它可以根据具体要求生成新的文字、图像、代码、设计和分析。

这一区别十分重要。数字复制使原始产品完成之后的大规模传播变得容易，而生成式 AI 则使某些原始内容的生产本身也开始变得丰富而廉价。

当然，这并不意味着所有生产成本都在消失。AI 系统需要计算基础设施、能源、模型训练、维护以及越来越复杂的评估机制。生成的结果可能还需要人工监督、法律审查、测试和实际应用中的系统集成。物质生产仍然需要原材料、运输、机器设备以及一定数量的人类劳动。

因此，“生产成本趋近于零”必须作适当理解。它指的是某些数字产品增加一个单位产出的边际成本可能变得非常低，而不是维持整个生产体系所需要的经济成本完全消失。

即使加上这一限定，其影响仍然可能十分深远。当一种过去稀缺的生产能力突然变得丰富，市场就必须重新寻找供给、需求与价值之间的关系。

价格、成本与价值，并不是一回事

在讨论 AI 时，一个常见的误解是：如果生产变得便宜，产品的经济重要性就必然下降。

经济学可以帮助我们更准确地理解这个问题。

生产成本描述的是创造一种产品或服务所需要的资源。消费者获得的价值，则取决于产品能够提供的效用、满足感或者其他利益。市场价格是在供给与需求的相互作用中形成的，同时受到竞争、市场力量、信息和制度的影响。

这三个概念可能存在很大的差别。

一种救命药物在配方和生产流程成熟以后，单位制造成本可能相对较低，但它对患者的价值却可能极高。一张数字照片几乎可以免费复制，却可能因为承载个人记忆或历史意义而具有不可替代的价值。一套复杂软件可能需要数百万美元才能开发，却因为没有足够的客户愿意使用而在商业上失败。

我们可以通过一个简单的数学模型理解这种区别。假设某个竞争性市场的反需求函数为：

\[ P(Q)=a-bQ \]

其中，\(P\) 表示市场总消费量为 \(Q\) 时，消费者对边际单位的支付意愿，\(a\) 和 \(b\) 是正参数。为简化分析，假设生产的边际成本为常数 \(c\)，并且 \(0<c<a\)。

在完全竞争的理想条件下，市场价格等于边际成本，因此均衡产量为：

\[ Q^*=\frac{a-c}{b} \]

随着技术进步使 \(c\) 下降，市场价格下降，购买数量增加。如果边际成本趋近于零，均衡产量便趋近于 \(a/b\)，也就是边际支付意愿下降到零时的数量。

值得注意的是，即使产品价格趋近于零，消费者仍然可能从中获得相当大的价值。经济学将消费者愿意支付的金额与实际支付金额之间的差额称为消费者剩余。在这个简化模型中：

\[ CS=\frac{1}{2}(a-c)Q^* =\frac{(a-c)^2}{2b} \]

随着生产成本下降，消费者剩余反而增加。

这一结果揭示了一种重要的可能性：技术进步可以使产品越来越便宜，同时使消费者获得的总体利益越来越大。

当然，这个模型有明确的局限。它假设需求曲线稳定、产品同质、市场完全竞争，并且边际成本不变。现实中的 AI 市场可能存在大量固定成本、产品差异、网络效应、知识产权、转换成本以及显著的市场力量。企业可能以远高于边际成本的价格销售产品，新的应用也可能使需求曲线本身发生变化。

但基本区别仍然成立：生产成本下降，并不意味着社会价值以相同比例下降。它改变的是经济价值在生产者与消费者之间的分配方式。

这一点对于理解 AI 产业的未来尤其重要。一套 AI 系统可能创造巨大的经济利益，但出售其产出的企业未必能够获得很高利润。反过来，一家控制关键平台或分销渠道的企业，即使底层产品的生产成本很低，也可能获得相当可观的收入。

创造多少价值，与能够获得多少价值，是两个不同的经济问题。

当丰富创造新的稀缺

如果 AI 使某些生产活动变得越来越丰富，那么什么东西会变得更加稀缺？

最容易想到的是物质资源。土地、能源、矿产、制造能力和运输基础设施，不可能像数字信息那样轻易复制。AI 系统本身也依赖芯片、数据中心、电力、冷却系统和通信网络。随着计算需求增长，其中某些资源可能变得更加有价值，至少在投资和技术进步扩大供给之前是如此。

但物质资源的稀缺只是问题的一部分。在 AI 高度普及的经济中，某些更重要的约束，可能并不来自信息的生产，而来自人类使用信息的能力。

以注意力为例。一个人每天能够阅读的文章、观看的电影、欣赏的音乐和评估的方案，都有一定限度。如果 AI 能够以几乎可以忽略不计的成本额外生成一百万篇文章，可供阅读的内容会大幅增加，但读者每天拥有的时间并不会因此增加。

经济学家赫伯特·西蒙（Herbert Simon）早在生成式 AI 出现半个多世纪之前，就已经注意到这一问题。他在1971年的一篇文章中指出，信息的丰富会消耗接受者的注意力。信息越多，人们就越难合理分配理解和使用这些信息所需要的有限注意力。（Herbert A. Simon, “Designing Organizations for an Information-Rich World,” 1971。）

AI 可能进一步强化这种关系。当内容生产成本下降，信息、娱乐、广告、推荐和各种试图影响人们判断的内容，都可能以远快于人类注意力增长的速度扩张。

于是出现一种看似矛盾的现象：生产信息越来越容易，获得真正有意义的关注却越来越困难。

但注意力并不是唯一的约束。信任也可能变得更加重要。当 AI 能够大规模生成看起来可信的解释、图像、评论和专业建议时，消费者可能越来越难区分可靠信息与误导性或低质量内容。核实、声誉、责任以及长期建立的信任关系，可能因此获得更高的经济价值。

判断能力同样如此。AI 可以生成数百种看似合理的商业战略、建筑设计、研究假设或投资分析，但判断哪一种方案适合具体情况，仍然是另一个问题。能够产生大量选择，并不等于能够作出正确选择。

当然，AI 本身也可能越来越擅长评估方案和辅助决策。现在就断言判断能力将永远是人类独有的优势，并不合理。但即使 AI 在比较方案方面变得非常出色，组织仍然需要确定什么才是值得追求的结果、谁应当为决策负责，以及如何协调不同主体之间相互冲突的利益。

因此，稀缺性并不是简单地消失，而是在不同的经济活动之间转移。当一种约束不再那么重要，另一种约束便可能变得更加明显。

经济学家莱昂内尔·罗宾斯（Lionel Robbins）曾将经济学定义为研究人类如何在具有不同用途的稀缺手段之间作出选择的学科。即使在某些产品可以近乎无限生产的世界里，这一定义仍然具有意义。只要人们拥有不同的目标，而时间、资源和机会仍然有限，经济选择就不会消失。（Lionel Robbins, An Essay on the Nature and Significance of Economic Science, 1932。）

AI 可能改变哪些资源稀缺，却不会因此消除稀缺性本身。

（未完待续）

---

我的其它文章