正文
如果你在工作日的下午用过AI，大概遇到过这样的时刻：响应变慢，或者干脆弹出一条提示，告诉你当前负载较高，请稍后再试。
工作思路被打断的你气愤地打开 Claude，想看看当前负载情况，但是你会发现，无论什么时候，Claude for Government 永远是全绿的。
出现算力拥挤的情况是不奇怪的。算力是有限的，用的人是同时涌上来的。而但凡是这样的基础设施，都会有分级。付得多的客户走专用通道，有服务等级承诺，不和散客挤在一起。电有大工业电价，网有专线，云有预留实例。这是常规，不需要解释。
所以自然会想到一个问题：那些不受影响的大客户，比如 Government，为这条通道付了多少钱？
这个数字是公开的，可以查到。2025年8月，美国联邦总务署（GSA）通过一个叫 OneGov 的采购通道，把 OpenAI 的 ChatGPT Enterprise 提供给整个联邦行政部门。价格是每个机构、每年、一美元。
六天后，Anthropic 跟进，把 Claude for Enterprise 和 Claude for Government 提供给行政、立法、司法三个分支，价格同样是每个机构一美元。Google 报出的 Gemini for Government 是四十七美分。总务署自己的新闻稿说，这一批限时报价合计为政府节省了约十四亿美元。[1]
普通订阅的最低套餐额度是20美元一个月，而稍微大型的企业都必须强制使用费用高昂的 API 席位，而这个行业里最稀缺、最昂贵、当下所有人都在抢的东西，前沿模型的算力与服务能力，被以最高的优先级，配置给了付费最少的那个客户。少到不能再少：一美元。
在一个正常的市场里，价格的功能就是分配稀缺。谁出得起，谁先拿到。而这里的排序是倒过来的。
倒过来，就说明有别的东西在被最大化，而它不是钱。
那是什么？
要回答这个问题，得先回答一个更基本的：这些AI公司，到底缺什么？
一、一美元不是折扣
先把几种现成的解释排掉，否则后面都是白说。
「这是试用价，一年之后再涨回来。」 这是最自然的解释，也确实有部分道理——这几份协议都是限时安排，2026年进入了续约与调整阶段。但它解释不了两件事。第一，试用定价的常规做法是打折，比如从一百降到二十；一美元的价格不像是折扣，更像是一个象征性数字，目的是让合同成立，而不是让交易发生。第二，如果目标是把政府变成付费客户，那么覆盖行政部门就够了，它为什么要一路铺到立法和司法分支？
「这是公关，是品牌投入。」 品牌投入不会做到这个规模。为一个联邦机构完成部署、通过 FedRAMP High 级别的安全认证、提供合规支持与人员培训，成本远超部署在大型企业上，高出好几个数量级。何况今天所有公司都抢着买算力和部署AI。可以说，这不是一笔正常的买卖合同，是一笔根本不打算从中赚钱的买卖。而且真正的品牌投入会大声宣传，这几份合同的能见度低得出奇：绝大多数人今天第一次听说。
「这是配合国家战略，姿态大于实质。」 就算完全接受这个说法，问题也只是往后推了一步：一家对股东负责的公司，为什么愿意配合到自己贴钱的程度？甚至这样的事情是发生在资本主义最发达的国家里。
三种解释都不够。所以只能承认：1美元的标价只是形式，真正交易的东西另有他物。
买的是什么？我把答案放到后面，要让它成为一个结论，得先绕一圈，弄清楚这些公司真正缺的是什么。
二、限制它们的到底是什么？
如果问一家公司「你的产品核心竞争力是什么」，往往问不出东西。换一个问法更有效：真正阻碍公司发展的是什么？是用户数量？技术壁垒？现金流？
因为卡住你的那样东西，就是稀缺的那样东西；而谁控制着稀缺，谁就在这条链上有真正的位置。
一：资本。
这是最容易排掉的一个。当下这个行业最不缺的就是钱。估值在历史高位，一级市场的钱排着队进，几家巨头的自由现金流足以支撑巨额投入。资本当然是必要的，但是问题已经不是资金体量的大小问题，而是花钱的速度跟不上挣钱的速度。它还不是那个卡住谁的东西。
二：人才与人力成本。
顶尖研究员的薪酬确实到了骇人的程度。应届生数百万年薪也是屡见不鲜。但问题是：人才是自由流动的。 一个真正的护城河，要求资源不能自己离开。而这几年AI行业最显著的现象之一，恰恰是核心团队的高频流动。OpenAI 和 Anthropic 大部分员工都拥有在谷歌、亚马逊这些传统七巨头工作的经历。一个人从一家公司走到另一家公司，带走的是能力本身。
一种可以被竞争对手直接雇走的资源，是成本项，不是壁垒。它抬高了所有人的经营成本，但没有让任何一家获得别人拿不到的东西。
三：芯片与算力。
这确实是真实的门槛，数量级足以吓退绝大多数参与者。
但这里发生了一件比「贵」更重要的事。算力曾经是一件可以买的商品，现在不完全是了。
先进制程的AI芯片受出口管制约束：卖给谁、卖什么型号、卖多少数量，取决于一份许可清单，而不取决于买方出多少钱。也就是说，这项要素的分配权，已经有相当一部分从卖方手里转移到了监管方手里。
这是本文要讲的第一次转变：芯片正在从一件工业品，变成一种「准资源型产品」。 它的排他性不再由所有权决定，而由许可决定——这一点上它更接近石油区块、矿业权和无线电频谱：东西就在那里，能不能开采，取决于有没有人给你发那张纸。
四：电力。
如果说2024年大家还在抢卡，那么到了2026年，行业内部越来越一致的判断是：真正的瓶颈已经不是芯片，是电。
数字很直接。在承载了大部分新建产能的几个市场，如北弗吉尼亚、凤凰城、达拉斯，公用事业的并网排队已经排到四到七年；主要市场从电力规划到最终通电，把输电和变电站工程算进去要七到八年。大型变压器的交货周期拉长到三到四年。[2]
而2026年8月发生了一件事，我认为它比任何论证都更能说明问题：德克萨斯州州长下令，暂停新的数据中心并网申请。此前提交给该州电网的接入申请总量已经超过474吉瓦，其中约九成来自数据中心。[3]
请注意这件事的性质。不是电不够，电可以建；也不是钱不够，钱多得是。是一道行政命令，停掉了这个行业在美国最重要的一个州的扩张。
电在物理上是商品。但电力接入在制度上是审批：并网许可、选址许可、环评、输电线路走廊、购电协议、乃至电价核准，每一项都是行政决定，每一项都有一个可以说「不」的主体，而那个主体不在市场里。
这是第二次转变。而且它和第一次是同一个方向。
资本不卡人，人才是成本不是壁垒，芯片正在从商品变成许可品，电力的瓶颈在审批而不在供给。
这几样东西的共同点是：它们的分配权，正在从市场手里，转移到行政程序手里。
三、哪一种数据
现在说数据。
「数据是护城河」这句话今天所有人都在说，而这个共识之所以廉价，是因为它没有区分。一份新闻语料和一份临床随访记录都叫数据，但它们在这条链上的位置完全不同。
我认为构成壁垒的数据，要同时满足三个条件。
第一，不可从公开语料中重建。
互联网上的绝大部分文本已经被所有前沿模型训练过了。任何可以被爬取、被推断、被近似还原的东西，都不构成任何人的独占资源，因为它同时属于所有人。
第二，带有结果标注。
这一条最关键，也最容易被忽略。真正稀缺的不是「有人做了什么」，而是「检验他做的那件事是否是正确的」。
前者是行为记录，后者是监督信号。这几年模型训练里最有效的那些方法——可验证奖励的强化学习、面向特定领域的继续训练——吃的都是后者。而世界上绝大多数数据集只有前者。[4]
第三，持续生成，而不是一次性存量。
一份静态的数据集会被榨干，然后失去价值。真正构成壁垒的，是一个不断产出新样本的过程。它的价值不在于已经积累了多少，而在于它每天还在产出多少。换句话说，它本质上不是多种复杂数据汇集的集合，它是抽象了的生产力本身。
三条摆在这里，可以拿去筛了。
先筛掉一批我们最容易以为值钱的东西：个人的浏览记录、聊天记录、社交行为、消费偏好。这些在互联网时代确实是核心资产，但对训练一个通用模型而言，它们大多数不合格。高度可从公开语料近似重建，而且几乎没有结果标注——你点开了一个链接，没有任何人知道你后来是否满意。
而且情况比「可重建」更进一步。社会科学里近年出现的所谓硅基样本，已经可以让模型直接扮演不同年龄、不同教育程度、不同政治立场的受访者，生成的态度分布与真实人群相当接近，成本只有传统问卷的几百分之一。[5] 也就是说，个人的态度与行为数据，如今不但可以被近似还原，甚至可以被直接合成。一样能被合成的东西，不可能是任何人的护城河。
这个结论对很多人来说不是好消息，包括我在内。它意味着「我的个人数据很值钱」这个说法，在这一轮技术浪潮里一文不值。普通人的数据不具有量的价值。
那么什么合格？同时符合这三个条件的，寥寥无几：
- 临床诊疗记录及其随访结果——病人后来好了没有；
- 司法裁判文书及其上诉与再审结果——这个判断后来被维持还是被推翻；
- 税收与人口的行政记录——强制申报，因此完整，且持续；
- 工程与制造中被实际验收的交付物——包括设计图、工程验收报告；
- 金融交易及其真实损益——收益率、回撤率、胜率。
请看这份清单的共同结构。每一项都是「行为 + 结果如何」。
而「结果如何」这一半之所以存在，是因为有一套制度在强制记录它。
临床随访记录之所以存在，是因为执业许可、病历保存义务和伦理审查把它变成了强制动作。裁判文书及其上诉结果之所以存在，是因为司法权在运行，而且它的运行必须留下卷宗。税收和人口数据之所以完整，是因为申报是强制的，不申报有法律后果。企业的交付验收记录之所以存在，是因为公司治理与合同法赋予了记录义务。
于是：
这几类数据都不是市场交易的产物。它们是某种被授权的权力，在运行时附带产生的副产品。
它们不「归某人所有」，因此也无法被单独买走。你没办法给一家法院开一张支票，买下它未来十年的判决与上诉结果。那不是它可以出售的东西，因为那东西的生产依赖于它的权力本身在运转。
所以想要它，不能靠买，只能靠成为那套流程的一部分。
这是第三次转变，也是最彻底的一次。前两次是「商品变成许可品」，这一次是根本就不存在一个可以交易的市场。
四、所以，一美元买的是什么
现在可以回到开头那个价格了。
一份一美元的合同，让渡出去的不是技术许可，是位置。而这个位置带来四样东西。
第一，进入权力流程本身。 上一节那份清单上的所有数据，前提是你在那套权力体系的内部。而进入的方式不是采购谈判，是成为它日常运转所依赖的基础设施。
第二，抽象的生产力。 需要说清楚：这里指的通常不是政府档案本身——那些受严格法律保护，一般不会直接进入训练。指的是使用过程：哪些任务被反复交给模型，哪些输出被采纳，哪些被人工推翻，哪些被改写之后才通过。这恰恰满足上一节那三个条件，而且它是持续生成的。它不是一份档案，是一条持续的反馈流。
第三，行政性的切换成本。 一旦一个机构的作业流程建立在你的系统之上，替换它的成本就不再是软件成本，而是行政成本：重新培训、重新走安全认证、重新修订作业规程、重新签署合规文件、重新向上级说明。这是本文讨论至今，第一次出现真正意义上的锁定。它之所以牢固，恰恰因为它不是技术性的。
第四，标准的书写权。 一旦成为公共部门的既定供应商，你就会被请进那张桌子——参与制定安全评估标准、发布门槛、认证要求。而这些标准，正是后来者必须跨过去的东西。[6] 这是所有护城河里最古老的一种：不是跑得比别人快，而是参与决定跑道怎么划。
同样的结构还出现在别处：国防部给 Anthropic 的两年期原型协议，上限两亿美元；国家实验室里上万名科研人员把它当作日常工具；面向三个分支的合规认证。[7] 这些安排的共同点是：钱不是重点，在场才是。
一美元因此一点也不反常。它反常只是因为我们还在用上一代公司的框架去读它——在那个框架里，客户是付钱的人。而在这里，付钱的方向是反的：这不是一笔销售，这是一笔采购。 AI 公司买的是它最缺的那样投入品，而它支付的方式是提供服务。
一美元是那笔采购的记账凭证。
五、和上一代公司到底哪里不一样
到这里，可以回答一个更大的问题了：这一代公司，和互联网公司、传媒公司、电商公司，根本的差别在哪里？
差别不在技术，在投入品的位置。
上一代公司的核心资产是用户和流量。它们的商业模式，本质上是把用户的注意力聚集起来，再卖给广告主；或者把用户的交易行为聚集起来，从中抽成。护城河是网络效应加切换成本：微信换不掉，不是因为它功能最好，而是因为你的社会关系在里面。
而它们的关键投入品，全部在市场里。服务器可以买，带宽可以买，内容可以让用户免费生产，用户本身可以用补贴买——这正是「拿钱换市场」这套打法的前提：用户是可以用钱买到的投入品。
那么在这个结构里，政府是什么？
是监管，是政治，是政府权力。 反垄断调查、隐私立法、内容责任、平台税、数据跨境规则。它是成本，是风险，是需要游说、需要合规、需要拖延的东西。上一代科技公司的政府事务部门，本质上是一个防守部门——它的 KPI 是「少出事」。
现在换到这一代。
它们的关键投入品——先进芯片、电力接入、制度性数据、合规资质——有相当一部分不在市场里。买不到，或者买得到但要先被批准。
于是政府的角色变了：从监管者，变成了供应商。
这一句是本文的核心。它把很多本来需要用动机去解释的现象，变成了结构性的推论。
你不需要假设任何一家AI公司的任何一个人热衷权力。就算他们全都对政治毫无兴趣，只要他们需要的是这一类投入品，他们就必须走到那里去。这是产业结构逼出来的路径，不是一种偏好。
这个判断可以被检验。如果它成立，那么这一代公司的政府关系部门，就不应该再是防守型的，而应该是业务型的——有专门的产品线，有独立的合同体系，有面向公共部门的销售组织。事实正是如此：政府版产品、国防合同、主权AI业务线、面向公共部门的合规认证，这些在上一代公司里根本不存在，或者只是法务部门的附属职能。
它还顺带解释了一件容易被误读的事。
这两年AI公司之间也在打价格战，很多人把它类比成当年的补贴大战。但两者的性质完全不同。互联网的补贴是在买用户，因为用户是投入品；AI 公司的一美元是在买制度位置，因为制度是投入品。 补贴对象变了，是因为缺的东西变了。
用户还是重要的——它带来收入、反馈和品牌。但它不再是那个卡住你的东西。而一家公司真正的战略，永远是围着卡住它的那样东西转的。
六、国家把可读性租了出去
那么，为什么恰恰是国家，掌握着那一类数据？
詹姆斯·斯科特在《国家的视角》里讲过一件事：现代国家为了能够统治，必须先让社会变得可读。[8]
在此之前，一个村庄的土地边界是口耳相传的，一个人可能一辈子没有固定姓氏，各地的度量衡各不相同，没有人知道全国到底有多少人。这样的社会无法被征税，无法被征兵，无法被规划。所以国家花了几百年，用强制力做了一系列事情：丈量土地并登记造册，强制推行固定姓名，统一度量衡，建立户籍与人口普查，把森林简化成可计量的木材产量。
斯科特的论点是：可读性不是治理的副产品，它是治理的前提条件。 一个国家能做什么，取决于它能看见什么。
现在把这个论点和第三节那三个条件放在一起。
不可从公开语料重建——因为它来自强制申报，不是公开发布。带有结果标注——因为制度必须记录处理结果以便追责。持续生成——因为只要那套权力还在运行，记录就不会停。
这三个条件，正是国家几百年来建立的那套可读性机器的精确描述。
换句话说：人类历史上唯一有能力、也有强制力持续生产这一类数据的机构，就是国家本身。 医院的病历制度、法院的卷宗制度、税务的申报制度——它们都不是自然产物，是国家为了看见社会而建立起来的装置。
这里可以把第三节那个说法接上了。如果制度运行不断产出的那条数据流是抽象了的生产力，那么生产它的那台机器——户籍、卷宗、税册、病历、验收报告构成的那整套强制记录体系——就是生产资料。而这台机器不是任何一家公司造的，也不是市场攒出来的。它是国家用几百年的强制力，一寸一寸装起来的。
于是出现了一个此前没有出现过的局面：
这份用几百年强制力换来的可读性，正在被转交给一个不承担统治责任的一方。而转交的价格，是每机构一美元。
我要强调，这不是《监控资本主义》讲的那个故事。这个区分很重要。
肖莎娜·祖博夫的论点是，私人公司从你的日常行为中提取「行为剩余」，用来预测和塑造你的行为。那个故事的主角是个人隐私，被侵犯的是你。而本文第三节论证的恰恰相反：普通人的行为数据不构成护城河。[9]
这里被转移的，不是个人隐私，是制度自身的可读性。不是「你被看穿了」，是「制度被看穿了，而且是被一个外部的、不对它负责的一方看穿的」。
这两件事的性质完全不同，对应的救济手段也完全不同。隐私可以靠知情同意和匿名化处理；而一个公共机构把自己的运行方式、判断依据、纠错模式全部展示给外部技术供应商，这不是隐私问题——这是主权问题。
说得更直接一点：这不是一个关于「谁被看见」的问题，是一个关于谁在看的问题。而「谁在看」，在政治学里从来就是「谁在统治」的另一种问法。
七、中国给出的是另一个答案
如果上面的分析成立，那么它描述的就不是美国的特殊情况，而是一个所有国家都会遇到的结构性问题：制度运行所产生的数据，值多少钱，归谁，按什么条件让渡？
这个问题必须有人回答。区别只在于，是明着回答，还是默认地回答。
美国那边目前是默认地回答的。没有一个专门的框架来评估这类要素的价值，所以它就被塞进了现成的框架——政府软件采购。而在软件采购的会计口径里，一美元是一个完美的结果：总务署的新闻稿把它记作「为纳税人节省了约十四亿美元」。在那个口径里，这句话完全正确。
中国这边，是明着回答的。而且给出了两条路，一条走制度，一条走资本。
第一条路：给这样东西建一套手续。
2025年1月，国家发展改革委和国家数据局同日发布三份文件，部署公共数据资源授权运营：《公共数据资源授权运营实施规范（试行）》《公共数据资源登记管理暂行办法》，以及——请注意第三份——《关于建立公共数据资源授权运营价格形成机制的通知》。加上此前的《关于加快公共数据资源开发利用的意见》，形成了一个「1+3」的政策体系。[10]
到了2026年，国家数据局发布的《2026年数字经济发展工作要点》进一步提出：推进数据产权登记制度，推动各地加快建立健全公共数据授权运营价格形成机制，制定建设全国一体化数据市场的相关政策文件。政策重心从「立规矩」转向「抓落实」。[11]
与此并行的是另一件事：数据资产入表。企业持有的数据资源，开始作为一个正式科目进入资产负债表——从「用一下」变成一项可计量、可披露、可审计的资产。[12]
还有来自国资系统的动作。2026年，国务院国资委发布了央企人工智能战略性高价值场景与行业优质数据集等成果，并推进「AI+」专项行动；相关平台已免费开放两千余张国产算力卡，汇聚数千个行业数据集，服务上百家央企与高校。国资委在部署下一步工作时提到的表述里，有一个词很值得注意——算电协同。[13]
把这几条线放在一起，意图是明确的：给一件此前没有价格的东西定价，并给它建立登记、授权、计价和入账的完整手续。 中国官方话语里，这套东西有一个统一的名字——数据要素。「要素」这个词是从政治经济学里借来的：它和土地、劳动、资本并列，是生产的投入品，而不是产品。用词本身就是一个判断。
第二条路：干脆不做甲方，直接做股东。
2026年7月27日，长鑫科技在科创板上市。发行价8.66元，收盘49元，涨幅465.82%，总市值32772亿元，登顶A股市值第一。
而在这张表的股东栏里，坐着合肥市国资。合肥国资通过清辉集电、长鑫集成、产投壹号、合肥建长等多个主体，合计持有约221.38亿股，占33.1%，上市当日对应市值超过1.08万亿元。加上安徽省投资集团直接持有的7.91%，安徽国资体系的账面价值超过1.3万亿。
而合肥为此付出的代价是：十年，累计投入约248亿元。[14]
这不是运气。这是合肥做了很多年的一件事：从京东方、到蔚来、到长鑫，地方政府用国资平台直接入股产业项目，把企业「投」进本地，再通过上市和股权转让实现增值——当地把它叫作「以投带引」，外界叫它「合肥模式」，或者更流行的那个说法，「最牛风投城市」。
请注意这两条路的关系。它们看起来是两件事。一件是数据制度，一件是产业投资，但它们回答的是同一个问题：当关键投入品不再由市场分配，公权力应该以什么身份出现在这条链上？
美国给的答案是：以客户的身份。政府是买方，AI公司是卖方，一锤子买卖。
中国给的答案是：以股东和授权方的身份。政府不只是买你的服务，它入你的股，给你批地批电，向你开放场景，把公共数据按一套手续授权给你运营。
于是形成了一个非常干净的对仗：
美国是公司走进政府；中国是政府走进公司。
我想说清楚这个对照的意义，也想说清楚它的限度。
意义在于：它承认了这里存在一个需要被定价的东西。这一步看起来平淡，其实是整件事里最难的一步。美国那边的问题不是把价格定低了，而是根本没有一个框架能让人意识到「这里有一样东西正在被让渡」，所以它才会被自然而然地按软件采购来处理，并且在自己的账本上显示为一次成功的节约。承认存在定价问题，是所有后续讨论的前提。而合肥那 248 亿换来的一万亿，无论你怎么评价它，至少证明了一件事：公共部门完全有能力对这类要素定价，只要它认为自己是在投资，而不是在采购。
限度在于：我们虽然能够知道交易本身是有成本的，但这不等于分配是公平的。谁来定价、按什么标准、依据什么方法、收益归谁、公众在哪个环节可以表达意见。这些全部是开放的问题。而且必须看到，把公共数据组织起来交给企业使用，本身就是一次授权行为，它同样需要被追问：授权给谁，凭什么，能不能收回，收回的成本由谁承担。一套完善的手续，既可能是公共利益的保障，也可能只是让让渡变得更顺畅、更不容易被质疑。
而当公权力同时是股东、客户、监管者和数据供给方，它就一个人坐了桌子的四个位置。这四个位置的利益并不总是一致的：作为股东，它希望企业估值上涨；作为监管者，它可能需要对同一家企业作出不利的处罚。一旦这两种身份发生冲突，谁让路？
还要看到风险的方向。合肥赢了，所以我们今天谈的是「以投带引」。但同一套机制赌输的时候，亏掉的是财政资金，是纳税人的钱，而这部分损失通常不会像那一万亿浮盈那样被广泛传播。收益是可见的，风险是分散的。 这本身就是一个需要被讨论的分配结构。
所以真正的对照点不是「谁做得对」。而是：
一边还没有承认这里存在一个需要定价的东西；另一边承认了，甚至已经算出了很大的数字，但由谁来定这个价、这笔收益归谁，还没有答案。
两边共同缺的那一环，其实是同一个：公众在哪一步可以说话。
**八、政治的无力
现在回到那个我一直想说、又一直说得不够准确的判断上：政治在这里是非常无力的。
前面几节论证的是：芯片许可握在监管方手里，电力接入握在审批方手里，那一类最关键的数据只在权力运行的过程中才被生产出来。按这个说法，国家在这条链上占的是最上游的位置。一个手握唯一稀缺要素的主体，怎么会同时是无力的那一个？
答案是，这里其实有三种不同的能力，我们平时把它们混作一谈：
握着一样东西，能够给它定价，和能够把它换来的收益分下去——这是三种能力。国家有第一种，缺后两种。
所以政治的无力不是一种全面的、笼统的无力。它是一种非常具体的无力。而正因为具体，它才可以被指出来，也才有可能被改变。
下面把这两种缺失分开说。
其一，监管端：监管所需要的技术，来自被监管者。
这不是「官员不懂技术」那种老生常谈。官员不懂技术是可以补的，请专家、建机构、给编制。真正的问题在更深一层。
一个监管者要判断一个模型危不危险，得先能测它。而测什么、怎么测、测出来的分数意味着什么，评估基准、红队方法、能力评测的整套工具，乃至测试所必需的模型访问权本身，绝大部分掌握在实验室手里。监管者必须向被监管者借一把尺子，然后用这把尺子去量借给他尺子的那个人。
更根本的困难是，监管必须把「能力」变成一个能写进法条的数字。目前最常用的代理指标是训练算力的阈值：超过某个量级就要申报、就要评估。这个做法的两个毛病都很致命。这个数字由被监管者自己申报；而且随着训练效率的提升，同样的算力对应的能力每年都在变，阈值划完的那一刻就开始贬值。
一个更具体的例子。美国国会曾试图把模型权重纳入出口管制的范围，相关法案在众议院外交事务委员会获得通过。但在实际处理中，公开权重的模型被排除在管制之外。不是因为它们不重要，恰恰相反，而是因为一旦权重被公开发布，任何管制在技术上都无法执行：你没有办法把一次开源分发限制在国境之内。[15]
请看这件事的形状。监管者划了一条线，然后发现这条线画不出来。
当监管者的判断依据、测量工具和执行手段都要向被监管方索取，监管就不再是监管了，它退化成了一种协商。
其二，分配端：在错误的环节做正确的事。
如果AI真的大规模替代了劳动，那么被替代的人应该得到补偿。这是一个正当的、而且相当古典的要求。
补偿从哪里来？直觉的答案是税收。
但税收恰恰是这套结构里最钝的一件工具，有三个层次的原因。
第一是税基。 这些公司的价值高度集中在无形资产上。模型权重、知识产权、算法。而无形资产是所有资产里最容易在税收管辖之间移动的：训练可以在一个国家，权利可以持有在另一个国家，销售发生在第三个国家。近年披露的有效税率能说明这件事的量级：几家美国科技巨头的国内实际税率落在百分之一点几到百分之八之间，其中一家在超过一千亿美元的国内所得上，只承担了大约百分之二点五的联邦税负。[16]
第二是时点，而这一层最要命。 正好在替代最猛烈的这几年，天量的数据中心资本开支产生了巨额折旧抵扣，把税基压到了最低。也就是说：替代已经发生了，而利润还没有出现在账上。 你想按利润征税，可账面上那个利润正在被合法地推迟。
第三是管辖权。 任何单一辖区单独加税，产能就会搬走。这不是「破坏法律环境」这么含糊的说法，它是一个非常具体的博弈：全球最低税这类方案之所以谈了十几年还在艰难推进，正是因为没有任何一个国家可以单独解决它。
但把这三条列完，会发现真正的问题还在它们后面。
税收是在产出端征的。而这篇文章一路论证下来的是：决定性的事情发生在投入端。
于是出现了这样一个局面：国家在投入端把要素让渡出去，然后指望在产出端用税收把收益要回来。
这是在错误的环节做正确的事。
投入端你手里全是筹码。芯片许可、并网批复、数据授权、场景开放、政务入口，每一样都可以附条件，条件可以写进合同，合同可以执行，不执行可以收回。产出端你只有税法，而税法面对的是一种可以在一夜之间换一个国家持有的资产。
筹码在上游，工具在下游。这就是那种无力的确切形状。
九、战场已经前移
如果无力的形状是「筹码在上游、工具在下游」，那么方向也就跟着确定了。
过去几年，关于AI的全部公共讨论几乎都发生在产出端：它会不会取代我的工作，它的输出该不该被监管，生成的内容要不要标注，出了事谁负责。所有这些问题的共同前提是，模型已经做出来了，我们来讨论怎么用、怎么管。
而本文这一路走下来，真正决定性的事情全都发生在投入端：哪些数据可以被用于训练，在什么条件下，由谁保有，按什么价格让渡，让渡之后能不能收回；电力接入按什么顺序批给谁；芯片许可给谁不许可给谁；国资的钱投给谁，投出来的收益归谁。
这些问题今天几乎没有进入公共讨论。它们被当成采购细节、IT合同、能源审批、技术标准、招商引资，在没有任何政治争议的情况下，一条一条地定下来了。
分配的战场已经前移，而公共讨论还留在原地。
正是因为没有人在投入端争论，产出端才显得那么被动。当你只能在产品做出来之后才开始讨论，你当然只能被动适应——因为决定性的选择，已经在你没看的地方做完了。所有那些「AI时代只能如此」的宿命感，其实是把别人已经做出的选择，误认成了技术的必然。
而公众之所以缺席，也不只是因为不知情。
更要紧的是，这些问题被交到我们手上的时候，已经被翻译成了个人问题：我会不会被取代，我该学什么技能，我要怎么才能不被淘汰，我的孩子应该报什么专业。
这些全部是以个人为单位提出的问题，而它们的答案只能以集体为单位给出。 一个人再怎么提升技能，也决定不了并网许可批给谁、公共数据按什么价格授权、生产率提高之后省下的时间变成更短的工时还是更多的任务、收益进入工资还是进入估值。
所有关于AI的公共讨论都在问同一个问题：它什么时候会取代我。这个问题的隐含前提是，事情已经做完了，我们来讨论后果。
而真正在被决定的事情，发生在更前面。
AGI 还没有到来。但决定它到来的时候归谁所有的那些事，已经在以每机构一美元的价格发生了。
▼ 注释（框内可滑动）
[1] 美国联邦总务署（GSA）OneGov 采购通道。OpenAI 的 ChatGPT Enterprise 协议于2025年8月6日公布，面向联邦行政部门，每机构每年一美元；Anthropic 的协议于2025年8月12日公布，覆盖行政、立法、司法三个分支，同为每机构一美元；Google 的 Gemini for Government 报价为每机构四十七美分。GSA 官方新闻稿见 https://www.gsa.gov/about-gsa/newsroom/news-releases/gsa-strikes-onegov-deal-with-anthropic-08122025 ；OpenAI 协议的报道见 FedScoop, https://fedscoop.com/openai-chatgpt-enterprise-federal-government-gsa-deal-general-services-administration-anthropic/ ；Anthropic 协议的报道见 FedScoop, https://fedscoop.com/anthropic-government-agencies-onegov-general-services-administration-artificial-intelligence/ 。GSA 称该批限时报价合计为政府节省约十四亿美元。这几份协议均为限时安排，2026年进入续约与调整阶段。
[2] 关于并网排队与设备交货周期：北弗吉尼亚、凤凰城、达拉斯等主要市场的公用事业并网队列已排至四到七年，主要市场从电力规划到最终通电（含输电与变电站工程）约七到八年；大型变压器交货周期约三十六到四十八个月。【待核·作者：这几个数字来自多家行业分析的汇总，建议发表前从美国能源信息署（EIA）、劳伦斯伯克利国家实验室的并网队列年度报告（Queued Up 系列）或 ERCOT／PJM 的官方数据中取一组一手数字替换。这一段是论证「电力瓶颈在审批」的支点，值得做实。】
[3] 2026年8月，德克萨斯州州长下令暂停新的数据中心并网申请，此前提交给该州电网（ERCOT）的接入申请总量超过474吉瓦，其中数据中心约占九成。【待核·作者：这是全文最有力、也最需要一手来源的一条。请从德州州长办公室的公告或 ERCOT 的官方文件核对准确日期、指令性质（是行政命令、行政指令还是监管机构决定）与具体数字后再发表。如果核对下来性质不同（例如只是监管机构暂缓受理），论证依然成立，但表述需要相应调整。】
[4] 关于「结果标注」的稀缺性：可验证奖励的强化学习（RLVR）与面向特定领域的继续训练，所依赖的正是「行为—结果」配对数据，而非单纯的文本语料。这也是近年模型训练成本结构中，数据获取与标注占比持续上升的原因之一。
[5] 「硅基样本」（silicon sampling）指用大语言模型生成合成受访者来替代或补充真实问卷样本。该路径的奠基性工作是 Lisa P. Argyle et al., 「Out of One, Many: Using Language Models to Simulate Human Samples」, *Political Analysis* 31, no. 3 (2023): 337–351，作者用人口统计特征对模型进行条件化，发现其能较好复现多个人群子群的态度分布，并把这一性质称为「算法保真度」（algorithmic fidelity）。该研究中用约15,626个合成人格进行投票选择预测，成本仅约75美元。其后在政治学、心理学与经济学中均有跟进研究。需要说明的是，这一方法有公认的局限：合成样本的回答分布方差往往偏低，存在「模式坍缩」问题，因此目前主要用于探索与预研，尚不能替代真实抽样。【作者注：你原稿写的是「模拟不同年龄和不同立场的政府官员」。以官员为对象的硅基样本研究我没有查到明确出处，正文暂改为更稳妥的「不同年龄、不同教育程度、不同政治立场的受访者」。如果你手上有针对官员群体的具体研究，告诉我，我改回去并补注。】
[6] 关于在位AI公司参与制定后来者必须满足的评估与发布标准，近期已有公开讨论。【待补·作者：如要在正文中保留这一条，建议补一条具体的一手材料——例如某项行业安全评估框架的制定方名单，或某国监管机构在制定发布门槛时的咨询对象。目前正文的表述较为一般化，补上实例会明显加强。】
[7] 美国国防部授予 Anthropic 一份为期两年的原型采购协议（other transaction agreement），上限两亿美元；劳伦斯利弗莫尔国家实验室约一万名科研人员将其作为日常工具；相关产品通过 FedRAMP High 认证——该级别对应处理非涉密敏感政府数据的最严格要求。另见 Anthropic 关于向三个分支扩大访问的公告 https://www.anthropic.com/news/offering-expanded-claude-access-across-all-three-branches-of-government 。
[8] James C. Scott, *Seeing Like a State: How Certain Schemes to Improve the Human Condition Have Failed*, Yale University Press, 1998，中译本《国家的视角：那些试图改善人类状况的项目是如何失败的》。斯科特在第一、二章讨论国家推行的「清晰化」（legibility）工程：科学林业、地籍测绘、固定姓氏、度量衡统一、城市规划与人口登记。其核心论点是，这些工程的首要目的不是提高效率，而是使社会对国家可见，从而可被征税、征兵与规划。正文把这一概念延伸到训练数据、并把可读性机器称为「生产资料」，是本文的引申，不是斯科特的原有论述。
[9] Shoshana Zuboff, *The Age of Surveillance Capitalism*, PublicAffairs, 2019，中译本《监控资本主义时代》。祖博夫的核心概念是「行为剩余」（behavioral surplus）——用户在使用服务时产生的、超出服务改进所需的额外行为数据，被用于生产预测产品。本文第三节论证的是这类个人行为数据在当前技术条件下不构成训练侧的稀缺要素，因此两者讨论的不是同一个对象。这个区分不是为了否定祖博夫，而是指出存在一条她没有讨论的、性质不同的数据链路。
[10] 2025年1月20日，国家发展改革委与国家数据局同日发布《公共数据资源授权运营实施规范（试行）》《公共数据资源登记管理暂行办法》《关于建立公共数据资源授权运营价格形成机制的通知》三份文件。加之此前的《关于加快公共数据资源开发利用的意见》，构成公共数据领域的「1+3」政策体系，在资源登记、授权运营规范与价格机制三个方面从原则走向细则。相关梳理可参见金杜律师事务所的解读 https://www.kingandwood.com/cn/zh/insights/latest-thinking/china-releases-detailed-rules-on-public-data-authorization-operations.html 。【作者注：发表前建议以国家数据局官网原文为准核对文件全称与发布日期。】
[11] 国家数据局《2026年数字经济发展工作要点》，https://www.nda.gov.cn/sjj/ywpd/szjj/0519/20260519194643007508935_pc.html 。其中提出推进数据产权登记制度、推动各地加快建立健全公共数据授权运营价格形成机制、制定出台建设开放共享安全的全国一体化数据市场相关政策文件等内容。
[12] 数据资产入表：自相关会计处理规定实施以来，已有上市公司将数据资源作为资产列示。据2024年三季报口径，实施数据资产入表的上市公司约54家；半年报口径的数据资源入表金额合计约10.94亿元。【待核·作者：这组数字来自二手梳理，且统计口径（三季报／半年报、家数／金额）存在混用，发表前建议以中国信通院或财政部相关口径的年度统计替换。】
[13] 国务院国资委2026年发布央企人工智能战略性高价值场景与行业优质数据集等系列成果，并推进央企「AI+」专项行动；相关开源平台已免费开放两千余张国产算力卡，汇聚数万个开源模型与数千个行业数据集，服务上百家央企与高校。国资委在部署下一步工作时提出加快算力基础设施建设、深化「算电协同」、提升全链条数据治理能力。参见国务院国资委官网 http://wap.sasac.gov.cn/n2588020/n2588072/n2590902/n2590904/c35690985/content.html 及科技日报相关报道 https://www.stdaily.com/web/gdxw/2026-07/19/content_549762.html 。「算电协同」这一表述值得注意：它把算力与电力放在同一个规划口径下处理，恰好对应本文第二节的判断——这两样东西的分配，都不由市场单独决定。
[14] 长鑫科技于2026年7月27日在上交所科创板上市，发行价8.66元／股，首日收盘49元／股，涨幅465.82%，总市值约32772亿元。合肥国资通过清辉集电、长鑫集成、产投壹号、合肥建长等主体合计持股约221.38亿股，约占33.1%，按收盘价计对应市值超1.08万亿元；IPO 前合肥国资体系合计持股36.79%，十年累计投入约248亿元。安徽省投资集团直接持股7.91%（约2160亿元），国家集成电路产业投资基金二期持股8.73%（约2889亿元）。参见澎湃新闻〈长鑫科技「上市盛宴」：合肥国资持股市值过万亿，阿里浮盈千亿〉https://m.thepaper.cn/newsDetail_forward_33667764 ，及证券时报网相关报道 https://www.stcn.com/article/detail/4045829.html 。关于「合肥模式」（以投带引）的形成与京东方、蔚来、长鑫三个案例，参见21世纪经济报道〈「合肥模式」三部曲：以投带引，「链」式招商，科创驱动〉。【待核·作者：不同媒体对合肥国资持股口径（是否含安徽省投、是否按摊薄前计算）与累计投入金额的表述略有出入，正文采用「合肥国资约1.08万亿、安徽国资体系超1.3万亿、十年累计投入约248亿」这一组，发表前建议以招股说明书与上市公告的原始数据核对一次。另需注意：长鑫是存储芯片企业，不是AI公司；本文把它放在这里，是因为它恰好落在第二节所说的那类「已经变成许可品」的投入品上，也因为它是「政府走进公司」这一路径最清晰的样本。】
[15] 美国国会曾试图把AI模型权重纳入出口管制范围：《强化国家关键出口框架法案》（ENFORCE Act）于2024年在众议院外交事务委员会获得通过，拟授权商务部对AI模型施加出口管制。但在后续的管制实践中，公开权重（open-weight）的模型基本被排除在管制范围之外，超过算力阈值的闭源模型才需要出口授权。业内的普遍判断是，对开源分发施加出口管制在技术上难以执行——权重一旦公开发布，无法把传播限制在境内。【待核·作者：这一条涉及法案进程与后续行政规则的演变，2024年以来变动较多。发表前建议核对：(1) ENFORCE Act 的最新立法状态；(2) 商务部相关规则中对 open-weight 模型的处理方式与算力阈值的具体数值。正文只使用「监管者划了一条线，然后发现这条线画不出来」这个结论，即使细节有出入，结论仍成立，但具体表述要跟着调整。】 关于以训练算力作为监管代理指标的做法及其争议（阈值由被监管方自行申报、随训练效率提升而快速贬值），可参见各国AI监管框架中对计算量门槛的设定与后续调整讨论。
[16] 关于大型科技公司的实际税负与无形资产利润转移：有分析指出，几家美国科技巨头的国内实际税率分别处于个位数区间，其中某公司在超过一千亿美元的国内所得上仅承担约2.5%的联邦税负。其机制是AI与软件服务高度依赖无形资产（模型权重、知识产权、算法），而无形资产的持有地极易在税收管辖之间转移，使应税价值与实际经营地脱钩。各国以国内最低税与全球最低税试图应对这一趋势。【待核·作者：这组有效税率数字出自倡导性机构的测算，而「有效税率」的口径（是否计入递延所得税、是否分国别、分母采用会计利润还是应税所得）在不同方法下差异很大，容易被反驳。发表前建议以 OECD 关于BEPS与支柱二的官方文件、或公司年报中的税项附注复核一组更稳妥的数字。另可补充一条本文正文已用到、但更容易核实的事实：数据中心资本开支形成的折旧抵扣，在当前阶段显著压低了应税所得。】
[17] Thomas Hobbes, *Leviathan*, 1651，中译本《利维坦》。霍布斯用《约伯记》中的海兽为喻，指称由众人让渡自然权利、通过契约共同建立的主权者，称其为「有朽的神」（mortal god）。本文强调这一点，是因为「技术的利维坦」这一流行说法常常把利维坦当作与国家对立的怪物，而在霍布斯那里它恰恰就是国家本身，其正当性完全来自被授权这一事实。正文由此提出的区分——一个不由授权产生、也不对授权者负责的「第二个利维坦」——是本文的引申，不是霍布斯的原有论述。
2026 年 8 月 28 日，于吉林大学北苑四公寓。
写下你的想法