什么才是数字经济？AI不能解决数据所有问题

今日快讯 2025年11月04日 22:15 2 aa

院士和产业大咖直问数字经济未来 |图源：CNCC

作者／ IT时报 郝俊慧

编辑／ 钱立富孙妍

当数据被定义为“关键生产要素”，究竟意味着什么？

“数字经济是一个大话题，也是一个时代话题，但什么是数字经济？还没有达成共识。”10月23日，在中国计算机大会（CNCC2025）论坛上，中国科学院院士、北京大学教授梅宏认为，数字经济的形成类似于工业革命的第二次浪潮。

如果说工业经济成功地推动了农业社会向现代工业社会的转型，那么数字经济是否可以作为对工业社会的革命，推动我们走向一个全新的社会形态？

理论挑战

数据要素是“自变量”

还是“赋能工具”？

“什么是数据要素？”梅宏开门见山地提问，数据要素的英文翻译到底应该是“Data Factor”还是“Data Element”？这不仅是一个简单的翻译差别，更折射出对数据要素本质的不同理解。

在经济学中，“Factor”指的是生产要素，是生产函数中的自变量；而“Element”则更像是构成元素，含义要模糊得多。

虽是一字之差，理论意义却相差甚远。

“我们定义数据是关键生产要素，但它到底是自变量还是类似技术的赋能工具？”梅宏进一步阐释，传统的生产要素如土地、资金，它们作为自变量投入生产函数，产出应该是线性或有限增长的，但数据似乎不同——它既可能是自变量，又像是一种技术手段，可以实现革命性、陡峭式的效率提升。

如果数据仅仅是传统意义上的生产要素，那么，它的价值应该可以用传统方法计量和交易；但如果它更像技术工具，那么它的价值就在于对其他要素的赋能和倍增效应，这就需要全新的理论框架。

更犀利的一个提问是：AI是不是数据的所有？

在深度学习出现之前，人类已经开始用IT方式处理数据，但梅宏认为，当前“谈数据必AI”的趋势不妥，“AI只是处理数据的一种方式，我们已有的处理数据方式还是要持续。”

蚂蚁集团研究院院长李振华对此表示认同，他指出，尽管随着AI的大范围使用，数据更多地与大模型深度绑定，包括推进建设高质量数据集，或者模型推理时调用外部数据库，这都构成了与过去截然不同的流通新范式。

但深度学习的技术应用仍处于相对初级的阶段，并不能解决所有数据使用中的问题，所以“我们必须再去破解过去在数据广泛使用当中的卡点问题，而不能完全依赖AI的应用。”李振华表示。

实践提问

如何分离物质流和数据流？

无独有偶，北大信息技术高等研究院首席经济学家、北京大学原副校长张国有带来的产业案例，从另一个角度提出了类似的问题。

不久前，张国有去一家特种钢企业考察。这家企业用电弧炉熔炼特种钢，整个生产流程部署了300多台机器人、100多个工艺模型和5万多个数据采集点。生产线高度数字化，从废钢预选到冶炼、轧钢、整理直至检验出厂，全流程智能化运行，产出了三个结果：230万吨特种钢、75亿元销售收入以及海量数据。

“当我考察完这个流程后，提出一个要求，”张国有说，“能否把数据处理流程从物质生产流程中分离出来？我认为，这个被分离出来的部分，才是实打实的数字经济。”

传统的统计方式中，数字经济是一个相对宽泛的概念，只要在生产和销售流程中采用了数字技术，就会被纳入统计数据中。但这种统计方式混淆了传统经济活动与数字经济活动的本质差异。

张国有认为，真正的数字经济应该是那个从一开始就存在、贯穿始终的数据处理系统。从第一个数据输入，经过模型运算、智能决策、过程控制，到最后输出海量数据和优化方案，这个平行于物质生产的数字流程，才构成了数字经济的实质，“比如，当工厂采用数字技术和流程系统后，会实现相应的规模扩大和成本降低，能否单独将扩大的规模和降低的成本折算成价值，从而体现数字技术发挥的作用？”

由此产生的衍生问题是：由生产流程产生的海量数据，价值如何体现？

张国有与企业负责人深入交流后发现，这些海量数据具有三种价值形态：使用价值、交易价值和储存价值。但三种价值的实现条件完全不同。

使用价值是确定的——这套数据和系统支撑了整个生产流程，提高了规模、降低了成本。但交易价值便很难实现，企业负责人明确表示不愿意出售这套系统，因为它是为特定企业、特定工艺量身定制的，其他企业拿去未必有用，但如果既不自用也不交易，数据处于存储状态，就无法变现。

“这就解释了为什么我们的数据交易所没多少生意可做。”张国有指出，数据交易面临供需匹配及实用性难题，它的价值实现依赖于特定的应用场景、处理系统和业务逻辑，相较于数据交易问题，数据与数据处理系统的状态及产生的结果，是更值得关注和研究的核心问题。

产业界呼声

数据流通基础设施何时建成？

对于数据关键要素定位的探讨，最终回归到现实中的问题，便是数据交易。

经过十年发展，截至2025年7月，全国范围内挂牌或正式运营的数据交易机构已超过50家，构建起“1个国家级+N个区域级+X个行业级”的立体化矩阵。然而，从交易规模来看，尽管整体营收从2015年的“亿元级”迅猛增长至2024年的“千亿级”，预计2025年将突破3000亿元，却仍以场外交易为主，真正场内交易并不多。

李振华认为，数据要素的流通，是否和传统要素一样遵循同样的流程？这是值得探讨的。

传统经济学理论认为，任何生产要素要进入市场流通，必须具备几个基本特征：产权清晰、可以独立发挥作用、能够进行交易。这套理论在土地、资本、技术等传统要素上运行良好，但在数据领域，如果一定要具备所有前提条件，那很可能永远无法进入流通市场。

事实上，要素价值的释放，关键不在于数据的完全定义，而在于使用权、收益权、处置权等权利约束的合理配置。李振华提出：“在数据层面，我们需要做制度创新，可以考虑把‘三权’明晰化，来推动数据的使用和交易。”

他甚至认为，“数据作为要素的利用，不一定要进入交易阶段”。

这个观点打破了原有的思维定式。

在讨论数据要素市场化时，人们往往认为数据必须通过交易所、交易平台进行买卖，才算真正实现了市场化配置。但李振华指出，其他生产要素的运用也并非都通过交易实现，而是有多种形式。

也就是说，数据可以通过共享使用、授权使用、合作开发、联合建模等多种方式发挥作用，过度强调数据交易，反而限制了数据价值的实现路径。

另一方面，李振华认为，国内亟须建设一个高效率、低成本的数据流通基础设施，“很多地方将数据流通基础设施和其他基础设施混在一起，并没有认识到其特殊性。”

尽管近几年各地斥巨资建设了很多数据中心、算力中心，但这些往往是存储基础设施、计算基础设施，而不是专门的流通基础设施。

李振华以金融领域和互联网为例，解释了什么是数据流通基础设施，“比如金融领域有集中清算系统，互联网领域有基础网络协议，数据流通也需要有这样专门的基础设施”。

打造一条数据交易的“高速公路”，可能是产业界比交易数据更为迫切的需求。

公共数据困局

开放原则与市场配置的张力

如果说企业数据的流通面临技术和商业逻辑的挑战，那么公共数据的流通问题则更多涉及制度设计和利益协调。

“目前各地都在推进公共数据授权运营，”清华大学计算社会科学与国家治理实验室执行主任、北京国际数字经济治理研究院院长孟庆国说，“但这个机制在实践中遇到了很多问题。最根本的矛盾在于：按照国际惯例，公共数据应该遵循‘开放为原则，不开放为例外’的原则；但我们现在又强调要通过市场化方式配置数据资源。这两者之间如何协调？”