从电力到人工智能：一种通用技术怎样发现和定价未来世界

本文作者陈玉宇，系北京大学光华管理学院教授、北京大学经济政策研究所所长。此文源自其人工智能课程中的宏观历史专题，旨在将 AI 置于更长的时间维度下展开分析。

第一部分 一种力量怎样找到用途

自然规律决定技术能做什么，却不决定人类如何应用。

一、八十年的距离

从 1800 年伏打发现持续电流，到 1882 年爱迪生建成商业中央电站，历时八十年。期间电虽有弧光灯、电镀、电报等孤立用途，但缺乏共同基础和标准化供给。从发现能力到发明围绕该能力的活动，往往缓慢且艰难。

回顾历史易误以为用途清单现成，实则当时人们不知家庭、工厂为何需要电。电是强大的答案，问题却需逐一寻找。

二、电报：第一个大用途，也是最陌生的一个

电的首个大用途是电报。摩尔斯作为画家，在缺乏私人投资的情况下，耗时五年才获国会三万美元拨款建成示范线路。此后私人资本迅速涌入。

融资难并非无需求，而是需求无法估值。当时仅能参照邮政，无法预见电报将催生通讯社、统一粮价、调度铁路乃至推动时区统一。摩尔斯的困境揭示：没有现成市场尺度的未来，难以获得首笔验证资金。一旦示范成功、尺度出现，资本即至。

三、爱迪生：想象有了尺度

四十年后，爱迪生研发电灯目标明确：取代煤气灯。他设计了一整套参照煤气照明价格的系统（发电机、电线、电表等）。因有明确的支出规模、客户群和语言描述，摩根等资本迅速到位。

对比两者：摩尔斯的想象无物可乘，爱迪生的想象有锚点。后者被称为“可计价的想象”，虽可能出错，但是可融资、可估值、可分摊风险的错误。

四、既有品类是想象的定价参照

资本市场不缺想象力，差别在于不同未来的可估值程度。既有品类提供三样东西：可观察的支出规模、现存顾客群、现成的描述语言。这使得想象有了参照，算式可写在纸上进行比较。

真正的新活动往往连“市场”定义都缺失，只能靠信念。信念无法相加比较。因此，既有品类不仅是现状，更是想象的估值参照。市场并未失灵，它只是不擅长给无估值锚点的未来定价，市场发现的是“可估值的需求”。

五、用途生用途

电力历史遵循此逻辑：电灯借煤气照明之尺，电动机借蒸汽机之尺，电车借马车之尺。每个早期用途都靠旧品类站住脚。

全新事物出现较晚，机制不同：一是替代锚（旧品类提供市场规模）；二是可行性扩张（关键投入降价使原不经济活动变得经济，如制冷之于冷链）；三是用途累积（已有应用留下设备标准，降低下一批应用成本）。后两者提供的是可能性而非尺子。

新品类很少凭空出现，而是一层层搭上去。电力革命之所以慢，是因为没有一个足够大的旧市场能一次性吸纳电力，只能逐项寻找用途，每找到一项便多一把尺子。

六、走向人工智能之前

通用技术面对的是已存在的经济。电力出生时几乎借不到尺子，被迫向外找了八十年。人工智能则完全不同，它最像现代经济中最昂贵、账目最清楚的投入：人的认知劳动。律师、程序员、医生等职业均有工资、行业规模和统计表。AI 一出生，面前就摆着一张全世界最大的账单，且每项均可直接拿来乘。

第二部分 人工智能一出生，就看见了一个巨大的已有世界

七、人工智能第一次看见的世界

2022 年底，大规模自然语言对话模型出现，用途清单迅速列出：写代码助手、客服机器人、审合同、写病历等。这些共同点在于：每一项都是现有经济中已存在的活动，且都有工资单。开发者先看到的是工资单，思考哪些昂贵人工成本可由机器接管。

这并非想象力不足，而是这些想象都可由现成数字估值。现有成本乘以替代比例，每个算式都有可查乘数，这是典型的爱迪生式想象。

八、人工智能出生时借到的尺子

与电力不同，电出生时不像任何事物，需几十年弄明白可替代什么。AI 出生时具体地像“在工作的人”，其产出与人相似。而人的认知劳动是现代经济账目最清楚的投入。

因此，AI 一出生就有全球最大账单可借，无需八十年逐项寻找。发明者只需问“账单上哪一项它能干”。市场发现的是可估值需求，AI 出生时可估值需求多到任意取用，其寻找用途的方向从第一天起就由可节省的人工成本清单给定。

九、数太大了

现有市场过大，反而可能减少寻找新品类的激励。爱迪生做完电灯必须找下一个用途，因为向内无物可挖。AI 面对的白领工资、医疗、教育等账单达几十万亿美元量级，随便取一个替代率便足以支撑公司十年发展。

于是出现奇怪局面：电力早期人不得不想象无价格未来，向外寻找；AI 早期人面对巨大可估值现在，向内挖掘。这可能导致 AI 外拓经济的潜力被埋没。

十、方向为什么会自我加强

电的物理性质不因用途市场大小而改变。但 AI 模型能力来自数据、奖励和训练者选择。使用方向通过三条路径影响下一代模型：收入决定资源投向；反馈进入训练；训练者决定优化方向。用户使用领域最终会改变能力分布。

三个环节形成闭环：可估值用途拿到钱，钱变数据和奖励，在可验证处变成能力，能力提升替代率估计可信度，进而获得更多资金。今日模型进步最显眼处在代码数学，最弱处在无人打分、无法自动验证的任务。方向锁定了资本，也部分锁定了能力，开辟前所未有未来活动的投入不足。

十一、人工智能读过已有的世界

电没有记忆，对用途完全空白。AI 从人类记录中长出，继承了职业分类、行业划分、制度样子等先验知识。它面对的不是空白世界，而是先读了已有世界地图再出发。

资本将 AI 拉向已有品类，AI 自身先验也指向已有品类。它对“合同”“病历”理解丰富，对无名活动所知甚少。一种通用技术带着已有世界先验知识出生，史无前例。

十二、转译成本的坍塌

电力从能力到用途需“转译者”（工程师、工厂），成本高，试错少。AI 接口是自然语言，用户可直接对话，无需懂原理或造装置。患者、老师、店主均可低成本试用。几亿人可直接对着能力说话，这是一股电力时代未有的向外力量。

十三、两股力量

两股力量反向拉扯：向内力量在上层（公司、基金、大企业），受账单牵引；向外力量在底层（个人、小团队），受翻译成本坍塌驱动，存在于无名需求中。

关键问题并非 AI 有无创造力，而是当尝试成本极低而起点深植已有世界时，用途会越来越集中还是分散？

第三部分 人工智能的“电器时代”可能已经开始，只是我们还看不见

十四、电网

人们感受到的是具体的灯、电机、冰箱，背后共同基础是电网。电网将“发明新用途”变为“发明新电器”，大幅降低门槛。发明者从几十个变为几万个，许多是小作坊做出。通用性在电网，用途在电器，用途探索变为分散、便宜的实验。

十五、人工智能的电网

AI 已有电网雏形：云端模型、统一接口、按量计费。使用者无需训练模型或买芯片，只需接入。做 AI“电器”有时仅需提示词或脚本，一人一下午即可完成，成本比电力时代低几个数量级，且非程序员也能参与。

但它尚非真正电网：模型接口由少数公司控制，规则能力可变，用户接的是“会动的插座”。

十六、看不见的电器

大量 AI“电器”没有名字：医生整理病历格式、老师定制评语、店主分类邮件、父母给孩子配音等。这些用法未成立公司、无产品、无收入，仅是私人流程，但已改变经济行为。

宏观统计只见大模型收入、芯片销量，不见千家万户琐碎之事。真正的用途创新可能先以无名私人方式扩散，待被看见时已过去很久。电力时代大产业亦多从此类琐事生长。

十七、上层向弯，底层外拓

上层（公司、基金）被账单牵引，能力集中；底层（数亿用户）接电网做私人“电器”，无需融资证明，实验分散。AI 革命同时发生两件事：能力生产集中，用途实验分散。

两层间有通道：底层用上层优化的工具试新世界用途，工具在账单外偏弱。若底层某用法传开形成规模，便会上账单，上层资本介入，能力随之生长。这是新用途从下往上的路，但筛选是关键。

十八、当发明不再稀缺，筛选开始稀缺

电力时代制造贵，事前过滤了大部分候选。AI 时代生成成本低，私人电器大量产生，筛选负担推至生成之后。问题变为：谁发现私人流程的一般价值？谁验证、命名、扩散？

筛选需要模型之外的知识，来自具体生活场景。大模型降低了试验成本，但识别、验证、扩散仍昂贵。若不补上这一层，“底层向外”图景过于乐观。

十九、极小的需求有了自己的工具

底层无名用法指向更大图景：每个人皆有行业未定义的细小问题（如病人看三年化验单、老师给三十种练习）。以前因太小太散不值得造工具，从未进入市场。

如今定制成本接近零，调用通用智能边际成本极低，可行集合扩张。细小私人认知需求首次有了通用生产工具。若电力时代新品类生于琐碎家电，AI 时代新品类或藏于无名私人用法中，前提是过筛选关。

二十、谁站在市场之外

向外搜索靠站在市场之外的人。AI 时代这些人包括大学、开源社区、爱好者及普通使用者。但与电力时代不同，他们用的工具是市场内公司按账单指引训练的，本身带有方向性。

AI 时代向外搜索更容易开始（电网现成、成本低），但更难走远（工具有方向、需筛选）。若新用途主要在底层试出，则有直接制度含义。

二十一、全民 Token

当前政策多补贴已识别用途（企业、科研机构），只补了上层。若用途发现在底层，应将一小笔探索预算交给每个人，即“全民 Token"。

政府定期给居民不可提现、不可转让的模型额度，居民自由调用，模型公司凭用量结算。这类似科研经费，将探索权分给每人。新用途知识常藏在具体处境中，政府无法事先挑选，需承认新用途可能从任何人私人处长出。

理由不仅是公平，更因用途发现的外部性。私人流程可能扩散成行业，最初使用者承担成本却难获全部价值，导致市场试验量偏少。政府购买的是更宽多样的用途分布和发现机会。

设计上，额度应随人走，可在多家模型间使用，防止补贴固化。结算应按标准服务单元，保护隐私，不获取对话内容。可分基础额度和探索额度，鼓励自愿分享脱敏流程模板，形成公共“电器库”，但共享不应设为领取条件。

全民 Token 评价标准不同于消费券，应关注多少人开始试、多少私人流程被复用、多少变成新服务企业。政府承认不知用途何在，故不挑企业行业，只把探索权交给每个人。

二十二、谁来运行全民 Token

政府不必经营模型，可将清算交给受监管私人企业。建立全民 Token 账户体系，模型公司提交用量凭证，清算公司核验结算。该公司职能如电表加支付网，统一计量、比价、防作弊。

隐私保护是底层原则：政府不看提示词，清算公司不售记录，模型公司未经同意不用内容训练。分散试验者形成的知识归试验者，平台提供加密存证和权利登记，商业化仅在用户选择公开后开始。

公共资金不换公共产权，否则最有价值试验会退出共享。需建设自愿之路：愿公开者证先发现，愿授权者得收入，愿私用者保密。保护选择权是分散探索持续的条件。

在此基础上，清算公司可发展出比较模型、验证流程、寻找买家、授权扩散等服务，形成从私人试验到产品企业的完整路径。这套制度补两种稀缺：探索权（低成本试）和发现能力（认出值得扩散之物）。

该公司与大模型公司生意不同：前者组织能力使用，在底层寻找，将私人问题组织成新市场。底线是运营不能垄断，清算标准应开放，账户可迁移，防止公共资金养出知识攫取者。

第四部分 替代很快，重组很慢

二十三、用途之后还有形式

用途找到后，还需建立相应生产形式，即“形式发现”。用途探索分三层：替代已有投入、满足新需求、重写生产形式。第三层最慢，收益最大。

二十四、电动机进厂的头三十年

1890 年前后电动机已成熟，但工厂初期仅用大电机替换蒸汽机，保留天轴传动，厂房布局、机器排列照旧。约三十年间，电气化生产率收益未充分显现。工厂将新技术塞进旧形式，电机替换蒸汽机，但蒸汽机逻辑仍在。

二十五、工厂重建以后

1920 年代，每台机床装独立小电机，天轴被拆。机器按工序排，厂房变单层平房，屋顶开窗，工伤减少，库存管理按流程优化。福特流水线在此方向出现。分布式电力为灵活布置流水生产提供条件。

1920 年代美国制造业生产率加速，技术本质未变，变的是工厂形式。电力最大贡献来自工厂围绕电重新设计，而非简单替换。重写形式比替换投入慢得多。

二十六、人工智能仍然在给旧工厂装电机

今日 AI 帮律师审合同、程序员写代码、医生写病历，均是将 AI 装入现有岗位，让人干得更快。岗位、流程、组织本身不动。这是把电机接在天轴上，省了煤，别的一切照旧。

此阶段生产率收益不为零，但属替换性质，上限是现有形式效率，而现有形式是为另一种技术设计的。

二十七、围绕人的认知建成的世界，也围绕责任建成

现代社会制度部分为有限认知能力设计（层级、分工、汇总），部分为解决激励、权威、责任、信任问题。AI 可降低信息处理成本，但不一定降低验证担责成本，甚至可能因生成越多而增加审批层级。

长期问题不是为何还要中层，而是哪些制度节约认知，哪些配置权威责任。AI 或消灭前者，让后者更突出。天轴拆掉后，工厂不会无结构，而会围绕责任重建新结构。

二十八、厂房会老，人会保卫自己的厂房

重组慢因旧形式持有人是人。职业背后有收入、身份、教育投资和组织记忆，会抵抗变革。此外，旧组织周围有法律、信任、保险等互补体系，牵一发而动全身。

旧工厂改造慢，新工厂按新逻辑建快。AI 时代可能表现为旧组织长期不动，新组织突然长大。整体未必更慢，但呈现长时间停滞后的突现。

二十九、一个奇怪的时间表

能力进步极快，任务替代很快，组织重组很慢。最大收益可能在最慢那段。今日讨论多盯着替代，问的是天轴上的事。真正收益要等到不再问“电机替哪台蒸汽机”，开始问“没有天轴的工厂长什么样”。

对应今日，要等到不再问"AI 帮职业做什么”，开始问“职业中哪些部分节约认知，哪些配置责任，前者消失后后者如何重组”。若只看眼前替代估计后果，长期收益会被低估，来源判断也会错。

第五部分 类比断掉的地方

三十、类比为什么会断

电力与 AI 类比有三处断口，显出差别。

三十一、电没有历史，人工智能有

电是物理能力，对历史无知。AI 从人类记录压出，带已有世界先验知识，偏向已有品类。但记录中也含未满足愿望、抱怨和遗憾。AI 先验有两层：已有名字活动（拉向账单）和被反复说起却未实现需求（指向账单外）。

读过抱怨不等于知何者有价值。文本给候选方向，非需求强度。判断仍需过筛选关，回到活人。

三十二、电不会被使用塑造，人工智能会

电通用性由物理给定，不因使用改变。AI 通用性由训练给定，使用方向反过来改变其通用性。若从账单学来能力可大量转移至账单外，方向锁定只是小扭曲；若转移少，则新用途靠底层试，工具却在那里最弱。

目前看转移相当多但不均匀。代码等领域能力可借用于写作分析，但涉及身体现场判断处借不到。账单外用途分两类：能借力者和不能借力者，前者会先被发现。

三十三、电不会提建议，人工智能会

电被动，人主动。AI 会提建议，用途发现可双向：人提问，技术提议。单个建议多来自已有元素组合，AI 擅长穷尽现有元素组合。

但 AI 不能独立完成价值选择。它可说“两样可放一起”，不能说“那种生活值得过”。后者需模型外知识。AI 参与探索，但不拥有最终目的。界线画清，双向探索才不被误解为机器替人决定。

三十四、向内和向外

向内力量清晰：巨大现成账单牵引资本、能力和旧组织。向外力量也不弱：电网现成、成本低、亿人参与、微小需求有工具、AI 自提议、记录藏愿望。向外每一步需过筛选关，知识在模型外。

两股力量孰大今日难断。AI 处境与电力相反：电力被迫向外找八十年，AI 不需向外找也能活得很好。这是便利也是危险。

问题变为：一个从已有世界训练、由已有市场融资、却把探索成本降至很低的通用智能，最后会不会发现一个不再像已有世界的新经济？电能做什么与人怎样用它分开，AI 能做什么与人怎样用它开始互相塑造。

附录 定价未来：一个极简模型及其预测

Abstract

本附录构建了一个通用技术如何发现其用途的极简模型。模型区分了已实现市场、想象市场和可定价的想象市场。资本并非对所有 conceivable future 进行排序，而是对那些能借用已实现用途的可观察支出基础、已知客户群和需求语言来表达价值的项目进行排序。这些链接构成了锚点图。在每个时间点，可融资用途集是已实现用途的邻域，因此技术是通过图前进，而非直接朝向社会价值最高的用途。一旦用途实现，它便创造新锚点，使某些邻近用途变得可定价。因此，技术在图中的初始位置塑造了其后续路径。

人工智能增加了内生能力通道。对某一用途的投资提升了性能可验证处的能力；部分改进转移到邻近用途。去中心化使用也产生反馈，可提升初始可定价集之外的能力。然而，部署需要能力跨越有效阈值，该阈值概括了可靠性、验证、责任和组织的各种要求。能力增长使得替代和市场占领的估计更可信，提高了定价价值并吸引更多投资。因此，定价既引导资本，也引导技术本身的演变。跨用途转移的强度和拓扑结构决定了这种反馈循环将人工智能锁定在现有类别中的紧密程度。

模型还引入了通往新用途的去中心化路径。许多用户可以低成本生成私人实验，而无需先获得市场融资。只有少部分具有超出原始用户的价值，识别这部分需要筛选、验证、命名和扩散。当生成成本高时，候选数量是瓶颈。当人工智能将生成成本推向零时，筛选能力成为瓶颈：候选生产可能爆发，而社会认可用途的数量达到上限。这将可能性的生成经济学与有价值选择的经济学分离开来。

政策含义由此直接得出。企业计算券主要增加已可定价集内的投资。全民 Token 分配增加了可用于去中心化实验的资源并扩大了候选池。清算和发现平台提高了筛选预算或降低了单位成本。仅靠全民 Token 只能在候选生成稀缺时增加发现；一旦筛选受限，额外 Token 主要创造更多未被看到的实验。筛选基础设施随后可以提高私人用途转化为公共类别的速率，而隐私、用户控制和知识产权保护保留了去中心化搜索所需的知识。该模型产生了关于投资方向、跨领域能力增长、新类别出现顺序以及私人用途丰富度与命名、标准化和商业化应用较小集合之间差距扩大的可测试预测。因此，实证对象是初始可定价集的大小和拓扑结构、跨任务转移矩阵、有效部署阈值以及将分散私人试验转化为可验证、可转移、真正可投资用途的机构能力。