——從生產力重估到AI+Crypto的新知識結構
本文是《從複式記賬到可驗證金融學》的延伸篇,說明當生產關係發生變化,對解釋未來的經濟學家會有什麼影響。AI 不是普通泡沫,而是生產力革命與局部資產泡沫並存;經濟學家如果不深度使用 AI,就無法觀察 AI 的真實能力邊界。未來判斷經濟學家是否仍有解釋力,一個重要標準是他是否理解 AI+Crypto:AI 改變生產力,Crypto 和可驗證金融改變信用基礎與生產關係。不理解 AI+Crypto 這一新知識結構的專家將落伍。
一、AI不是經濟學家可以站在外面評論的對象
AI到底是不是泡沫?這是今天資本市場、科技產業和經濟學界都在討論的問題。許多人看到AI公司估值上升、數據中心投資狂熱、晶片需求高漲和資本支出快速擴張,就自然聯想到互聯網泡沫。這個擔憂並非沒有道理。任何重大技術革命的早期,都可能伴隨估值過度、資本錯配、敘事膨脹和局部投機。這是因為重大技術革命早期往往難以準確定價,市場分歧較大。
但是,如果把AI簡單理解為一場泡沫,就會犯更大的錯誤。泡沫是資產價格問題,AI是生產力問題。資產價格可以泡沫化,但生產力革命本身不等於泡沫。鐵路、電力、互聯網都曾經經歷過泡沫,但泡沫破裂之後,鐵路仍然改變運輸,電力仍然改變工業,互聯網仍然改變信息傳播和商業組織。判斷AI,不能只看股價,也不能只看估值,更不能只用舊的公司財務模型判斷新生產方式的變化。
AI對經濟學家的真正挑戰,不是他們是否知道AI這個詞,而是他們是否理解AI已經改變了知識生產、組織效率、公司價值、勞動結構、財富分配和信用體系。一個沒有深度使用AI的經濟學家,很容易站在外面評論AI,卻看不到AI在工作流內部造成的真實變化。
這正是AI時代經濟學家必須面對的新問題:經濟學家不能再只是AI的觀察者,而必須成為AI的使用者、驗證者和制度解釋者。沒有進入AI工作流,就無法正確觀察AI的能力邊界;沒有理解AI與Crypto的結合,就很難判斷未來生產力、金融信用和制度結構的變化。
二、傳統經濟學家的優勢,正在變成局限
傳統經濟學家和金融學家擅長研究貨幣、利率、通脹、財政、公司、資本市場、資產定價、監管和風險。他們的知識體系建立在工業時代和金融資本主義時代形成的制度之上。在那個世界裏,公司是最重要的生產組織,資本是最重要的擴張條件,勞動是最重要的生產投入,市場價格是最重要的信號,財務報表是判斷企業價值的主要窗口。
這些知識仍然重要,但已經不完整。AI改變的不是某一個行業,而是知識勞動的生產函數。過去需要多人協作、多日完成的研究、寫作、翻譯、資料整理、代碼輔助、方案設計和決策分析,現在可能由一個人藉助AI在極短時間內完成。更重要的是,這種能力不是一次性提高,而是隨着使用者理解AI、訓練AI、建立流程之後不斷加速。
這意味着,傳統經濟學家如果只看財報、估值、資本支出和宏觀數據,就可能低估AI的真正影響。因為AI的很多早期價值,不一定立刻進入利潤表,卻已經進入工作流;不一定立刻表現為收入增長,卻已經表現為單位時間產出的提高;不一定立刻改變企業總資產,卻已經改變個人和小團隊的生產邊界。
過去,一個人可能三四天寫一篇文章,質量還不穩定。現在,如果這個人有長期思考、有明確問題意識、有理論積累,再加上AI作為外腦,一天完成一篇甚至兩篇高質量文章並非不可能。這個變化不是簡單節省時間,而是知識生產組織方式的改變。
如果經濟學家沒有親自進入這種工作流,他就很難理解AI對企業、勞動和生產率的改變。
三、AI的能力邊界,只有深度使用者才能看見
過去,經濟學家研究機器、工廠、銀行、公司和市場,可以主要依靠數據、模型和觀察。因為這些對象與研究者之間有一定距離。研究汽車產業,不一定需要親自製造汽車;研究銀行,不一定需要親自經營銀行;研究國際貿易,不一定需要親自做外貿。
但AI不同。AI首先是一種可以被知識工作者直接調用的生產工具。經濟學家、金融學家、律師、作家、程式設計師、研究員、醫生、教師,都可能在自己的工作中直接使用AI。它不是遠處的機器,而是桌面上的外腦;不是單純的研究對象,而是參與研究本身的工具。
因此,AI時代的經濟學家如果不親自使用AI,就會像沒有用過搜尋引擎的人研究互聯網,像沒有用過智能手機的人研究流動互聯網,像不理解比特幣節點和私鑰的人研究加密貨幣。他可以評論現象,卻很難理解機制。
AI的價值不是抽象地存在於模型參數中,而是體現在具體使用中:如何提出問題,如何分解任務,如何校正錯誤,如何建立工作流,如何讓AI理解自己的理論框架,如何把人的判斷與機器的資料能力結合起來。這些能力只有在使用中才能形成。
這也解釋了一個重要差距:在思想原創上,AI仍然不如真正有長期積累的人。新概念、新判斷、新問題意識,仍然主要來自人的長期思考和現實觀察。但在組織、表達、檢索、翻譯、結構化和多版本寫作上,AI已經在很多場景中超過普通人的能力。思想性AI還不如人,寫作組織能力卻已經比人強。經濟學家如果不理解這個差距,可能會高估AI的自主思想能力,也可能會低估AI對知識生產流程的改造能力。
更重要的是,AI並不是靜止工具。它具有廣義的自迭代特徵:模型不斷更新,訓練方式不斷改進,用戶反饋不斷積累,無數聰明大腦在使用、糾錯、提示、訓練和擴展它的能力邊界。AI能力的增長不是線性的,而是帶有明顯的複合增長特徵。站在舊模型外部觀察AI,很容易低估這種加速。
四、必須區分資產泡沫和生產力革命
AI相關資產可能存在泡沫,AI本身不等於泡沫。這是經濟學家必須建立的第一層區分。
資本市場經常會把未來收益提前資本化。只要市場相信AI能改變經濟結構,資金就會提前湧入晶片、雲計算、模型公司、數據中心、電力基礎設施和應用平台。這個過程中,一定會出現估值過高、重複建設、投資浪費和敘事投機。這是資本市場的常態。
但是,資產價格泡沫不等於技術革命虛假。互聯網泡沫破裂後,互聯網沒有消失;相反,真正的大公司和新商業模式是在泡沫破裂後繼續成長起來的。AI也可能出現類似過程:一部分公司估值過高,一部分資本支出回報不足,一部分商業模式無法成立,但AI對知識勞動、組織效率和機器決策的改變不會因此消失。
如果經濟學家只看到泡沫,就會錯過技術革命;如果只看到技術革命,就會忽視資本風險。真正成熟的判斷應當是:AI是真實的生產力革命,同時可能伴隨局部資產泡沫。
這也是為什麼傳統價值投資者面對AI時容易出現判斷困難。價值投資擅長評估現金流、護城河、管理層和資本紀律。但AI的早期價值常常不完全體現為當期現金流,而體現為未來組織能力、數據積累、模型能力、工作流控制、生態鎖定和基礎設施地位。這些東西如果沒有進入經濟學家的觀察框架,就會被誤判為純粹敘事。
經濟學家必須學會把「估值是否過高」與「技術是否真實」分開判斷。同時我們要有一個基本判斷:如果一個 AI 項目在傳統估值方法下已經不貴,通常很難說它只是泡沫。真正困難的是如何判斷 AI 帶來的未來生產率溢價、網絡效應溢價和基礎設施位置溢價。這需要結合用戶增長、單位經濟、技術迭代速度、資本消耗和長期現金流重新評估。
五、公司價值評估必須加入AI工作流變量
AI時代,公司價值不能只看傳統財務指標。財務報表仍然重要,但不再充分。
過去評估公司,主要看收入、利潤、現金流、資產負債表、市場份額、品牌、渠道、管理層、資本回報率和護城河。未來還必須看新的變量:這家公司是否真正把AI嵌入工作流?管理層是否理解AI,而不是只把AI當宣傳口號?員工是否有能力把AI用成生產工具?公司內部知識是否被結構化,使AI可以調用?研發、客服、銷售、風控、合規、財務、法務、產品設計是否被AI重構?小團隊是否可以完成過去大團隊才能完成的任務?公司的決策速度是否因為AI而提高?錯誤發現和反饋機制是否因為AI而加快?
這些變量不一定立即反映在利潤表中,但它們會改變公司的長期競爭力。
在AI之前,大公司有規模優勢,因為它擁有更多人員、更多流程、更多資本和更強組織能力。AI之後,大公司仍然有資源優勢,但小團隊和個人的能力邊界被顯著放大。一個會用AI的小團隊,可能在某些領域超過一個不會用AI的大團隊。一個有思想、有經驗、有判斷力的人,也可能藉助AI形成過去需要研究機構才能完成的產出。
這會改變公司理論,也會改變企業估值。未來的公司,不只是資本、勞動和技術的組合,還將是人類判斷、機器能力、數據資產和驗證機制的組合。經濟學家如果不理解AI工作流,就無法正確判斷公司的真實生產力。
六、個人+AI正在改變生產單位
傳統經濟學長期重視企業規模經濟。大企業通過資本、設備、品牌、渠道、管理和供應鏈獲得效率優勢。個人通常很難與大組織競爭,因為個人的時間、記憶、表達、計算和協作能力有限。
AI改變了這一點。AI不是簡單替代個人,而是放大個人。它可以幫助一個人整理資料、生成初稿、翻譯文本、比較觀點、檢查邏輯、生成代碼、模擬讀者反饋、建立結構、形成摘要、準備演講。對於沒有思想積累的人,AI可能只是玩具;但對於有長期積累、有明確問題意識、有判斷力的人,AI會成為生產力放大器。
這意味着,經濟學家必須重新理解「個人生產力」。過去,一個人的思想可能受制於寫作速度、資料記憶、語言能力、編輯能力和技術門檻。AI出現後,這些約束大幅下降。許多原本無法完整表達的思想,會被釋放出來;許多原本需要團隊完成的工作,會由個人加AI完成;許多過去無法跨越專業邊界的人,會藉助AI進入新的知識領域。
一個現實例子是,圍繞可驗證金融的討論和寫作,在AI協作下可以在很短時間內形成高質量系列文章;可驗證穩定幣系統這一全新的項目,其基本架構,也可以由一個人藉助AI完成架構設計、問題拆解、接口理解和方案推演。過去,這類工作通常需要較長時間和多人團隊配合。現在,一個具備思想、經驗和判斷力的人,在AI協助下可以承擔類似架構師的角色。
這不是普通效率提升,而是生產單位的變化。未來經濟中,不只是公司重要,個人加AI、小團隊加AI、專家加AI也會變得非常重要。經濟學家如果仍然只研究大公司和資本密集型組織,就會低估新型知識生產主體的力量。
七、AI會帶來新的財富分配問題
AI的收益屬於誰?這是AI時代經濟學家必須回答的問題。
傳統公司利潤通常歸屬於股東,因為股東投入資本承擔風險,公司通過市場競爭獲得收益。但AI的情況更加複雜。大型AI模型的能力來自多種來源:資本投入、算力基礎設施、工程團隊、算法創新、用戶反饋、數據積累,最為重要的是使用人類長期形成的公共知識。
AI公司當然應當獲得收益,因為它們承擔了巨大投資和技術風險。但如果AI成為通用基礎設施,如果它使用了人類社會長期積累的知識,如果它重塑勞動市場並可能替代大量知識勞動,那麼社會就會自然提出一個問題:AI產生的超額收益是否應當完全由少數公司和股東享有?
這不是簡單的反資本問題,而是通用技術租金的分配問題。當AI變成類似電力、鐵路、互聯網甚至貨幣基礎設施一樣的重要系統時,國家、社會和公眾必然會討論公共權益、主權財富基金、政府持股、數據權益、勞動補償和公共分紅等制度安排。
美國政治和政策討論中已經出現讓公眾分享大型AI公司收益或權益的方向。這種直覺值得經濟學家認真研究。它反映出一個關鍵判斷:AI不是普通軟件公司問題,而是涉及全社會生產力躍遷和超額收益分配的問題。經濟學家如果沒有在第一線理解AI大模型的強大,就很難提出這樣的制度想像。
一個可能的原則是:凡是具有通用基礎設施屬性、使用廣泛公共知識、可能形成極端技術租金並對勞動市場產生系統性影響的AI平台,都應當研究某種公共收益分享機制。這種機制不一定是簡單國有化,也不一定是行政控制企業;它可以是公共股權、主權財富基金、公共分紅、數據權益補償或特定超額收益分享安排。關鍵是既保護創新激勵,又避免通用技術紅利被極少數主體完全壟斷。
這套邏輯並不是簡單的當期稅收問題,而是面向長期技術租金和公共收益分配的制度安排。真正需要討論的,是分享機制、適用邊界和合理比例。這需要新的政治經濟學想像力。
八、AI+Crypto是判斷經濟學家是否理解新時代的重要標準
如果說AI改變生產力,那麼Crypto和可驗證金融改變的是信用基礎與生產關係。這裏的Crypto,不是狹義炒幣,而是公共賬本、密碼學證明、公開驗證、機器信用和公共信用根所代表的新信用結構。
這是判斷經濟學家在新時代是否還有參考價值的一個重要標準。一個經濟學家可以不了解某個具體模型、某條鏈、某家公司,但如果他不理解AI對生產力的改變,也不理解Crypto和可驗證金融對信用產生方式的改變,那麼他對未來公司的判斷、金融系統的判斷、財富分配的判斷和制度演化的判斷,都會停留在舊世界。
AI解決的是效率問題,Crypto和可驗證金融解決的是信用問題。AI讓知識生產更快,Crypto提供新的公共驗證結構;AI擴大個人和組織能力,公共信用根提供事實證明鏈的最終落點;AI降低信息生產成本,可驗證金融提高關鍵事實的可驗證性。
不理解AI,經濟學家會低估生產力革命;不理解Crypto和可驗證金融,經濟學家會低估信用結構革命。兩者都不理解,就很難解釋新世界。
因此,判斷經濟學家的話是否有參考價值,可以看他是否真正理解AI+Crypto這一組變量。這裏的AI也不是簡單聊天工具,而是知識生產、組織決策和自動化執行的通用能力。
未來真正重要的經濟學,不會只是傳統經濟學加幾個AI術語,也不會只是幣圈敘事加幾個金融詞彙。它必須同時理解生產力變化和信用結構變化。
九、AI提高生產力,但AI不提供信用根
AI可以提高效率,但AI不能自動提供信用。這是理解AI與可驗證金融關係的關鍵。
AI可以寫報告,也可以生成假報告;AI可以幫助審計,也可以幫助造假;AI可以提高金融分析效率,也可以製造更複雜的欺詐;AI可以生成代碼,也可能生成漏洞;AI可以幫助監管,也可能製造更難識別的合規幻覺。
因此,AI越強,金融系統越不能只依賴「相信」。當文本、圖像、聲音、視頻、報表、合同、審計材料和交易說明都可以被AI快速生成時,社會對「事實可驗證」的需求反而會更強。
AI解決的是生產力問題,可驗證金融解決的是信用問題。AI改變的是知識生產,可驗證金融改變的是信用產生方式。AI讓信息生成成本下降,可驗證金融讓關鍵事實回到驗證結構。AI可以提高效率,但公共信用根提供確定性。
這正是AI與可驗證金融的深層關係。未來金融系統不是單靠AI變得可信,而是必須通過可驗證金融把關鍵事實錨定到公共信用根之上。否則,AI可能提高的是欺詐效率,而不是信用質量。
經濟學家如果只研究AI生產力,不研究AI時代的信用基礎,就會只看到效率,看不到風險。反過來,如果只研究傳統金融監管,不理解AI對信息生產和組織效率的改變,也會失去解釋能力。未來經濟學必須同時理解AI和可驗證金融。
十、AI時代經濟學家的新知識結構
AI時代,經濟學家和金融學家必須補上新的知識結構。但這並不是要求每個經濟學家都成為程式設計師、密碼學家和政策設計師。更準確地說,有些能力是核心能力,必須親自掌握;有些能力是協作能力,可以通過跨學科合作獲得。
第一,AI深度使用能力。這是核心能力。經濟學家必須親自使用AI,理解AI如何改變研究、寫作、分析、翻譯、代碼、建模和決策流程。沒有使用,就沒有真實判斷。
第二,生產函數重構能力。這也是核心能力。經濟學家必須重新理解勞動、資本、知識、數據、模型和算力之間的關係。AI不是普通軟件,而是知識勞動的放大器。
第三,公司價值再評估能力。未來公司價值不僅來自資產、現金流和市場份額,也來自AI工作流、數據結構、組織學習速度、人機協同能力和決策效率。
第四,資產泡沫與技術革命區分能力。經濟學家必須能夠同時承認AI是真實技術革命,也承認AI相關資產可能局部泡沫化。二者不能混為一談。
第五,公共財富和分配製度設計能力。AI可能形成極高的技術租金和平台租金。經濟學家必須研究如何在保護創新的同時,讓公眾合理分享通用技術收益。
第六,驗證與信用根理解能力。AI時代信息生成成本下降,事實驗證的重要性上升。經濟學家必須理解可驗證金融、公共信用根、哈希錨定、賬本證明、機器審計和驗證監管。未來金融學不能只研究主體信用,還必須研究事實信用。
其中,AI使用能力、生產函數重構能力、公司價值再評估能力和泡沫/革命區分能力,應當成為經濟學家的基本能力。公共財富制度設計、密碼學證明、公共信用根和可驗證金融,可以通過跨學科協作深入展開,但經濟學家至少必須理解其基本邏輯。否則,他就無法判斷新時代的制度方向。
十一、為什麼傳統經濟學家容易落伍
傳統經濟學家不是因為不聰明而落伍,而是因為他們的知識框架形成於AI和可驗證金融之前。
他們習慣研究公司,而AI正在改變公司的邊界;他們習慣研究勞動,而AI正在放大個人和小團隊;他們習慣研究資本,而AI正在改變資本與知識的關係;他們習慣研究信息不對稱,而AI正在改變信息生產本身;他們習慣研究監管,而可驗證金融正在把一部分監管對象轉化為可驗證事實;他們習慣研究主體信用,而公共信用根正在提供新的信用基礎。
所以,AI時代落伍的經濟學家,不是不會使用新術語的人,而是仍然用舊生產函數、舊公司理論和舊信用理論解釋新世界的人。
經濟學必須從外部觀察轉向內部參與。經濟學家不能只問:AI公司估值是不是太高?他還必須問:AI是否改變了知識勞動的邊際成本?AI是否改變了企業組織的最優規模?AI是否改變了個人與公司的生產關係?AI是否改變了資本市場對未來生產力的定價方式?AI是否要求新的公共財富分配機制?AI是否放大了金融欺詐和事實偽造風險?AI時代的信用根在哪裏?
這些問題,才是AI時代經濟學真正需要回答的問題。
結論:經濟學家必須進入新世界,而不是用舊模型旁觀新世界
AI不是普通技術工具,也不是單純的資本市場敘事。它正在改變知識生產、公司組織、個人能力、財富分配和信用風險。經濟學家如果只站在外面評論AI,就會低估它對生產力的改變;如果只看股價和估值,就會把生產力革命誤判為純粹泡沫;如果只相信財務報表,就會錯過工作流內部正在發生的組織變化。
AI時代對經濟學家的最大要求,是從旁觀者變成參與者。
他必須親自使用AI,理解AI;必須重新評估公司價值,理解個人和小團隊生產力;必須區分資產泡沫和技術革命;必須研究AI超額收益的公共分配;更必須理解AI不能自動產生信用,未來金融仍然需要可驗證金融和公共信用根。
AI解決效率問題,可驗證金融解決信用問題。AI改變生產力,可驗證金融改變信用生產方式。AI讓世界跑得更快,公共信用根讓世界跑得更穩。
未來真正有解釋力的經濟學,不會只是傳統經濟學加幾個AI概念,也不會只是科技行業的自我宣傳。它必須理解AI、理解Crypto、理解公共信用根、理解可驗證金融,理解從概率信用到驗證信用的制度轉變。
在AI時代,經濟學家最大的風險不是判斷錯一家公司,而是用舊世界的知識結構解釋新世界。
