彭文生发表主旨演讲

很荣幸回到母校，参加此次学术研讨。我将分享一些关于DeepSeek、AI的发展经济学逻辑理解及最新变化的思考，这些思考基于我们中金研究院去年出版的《AI经济学》一书的分析框架。

DeepSeek最近备受关注，有三个令人意想不到的点。

第一个点，它不是由一家大型科技公司开发，而是源自一家量化投资公司。量化投资在金融行业曾一度有些污名化，但DeepSeek的突破却由这样一家公司实现，很多人没想到。

第二个点，DeepSeek选择了开源，这与闭源模式的影响截然不同。以手机为例，安卓系统凭借开源策略，在市场份额上远超苹果，但盈利不及苹果，简单来讲，开源对整个经济更为有利，闭源是对于单个公司有利，背后与规模经济密切相关。

第三个点，美国在AI领域的领先地位似乎并不稳固。过去，我们总认为规模优势意味着大企业主导，且多集中在美国。我们该怎么理解规模优势、先发优势呢？在《AI经济学》里面，我们的研究员提出了一个名为“AI发展指数”的指标，以美国作为单位1，是一个参照标准，中国在0.75，其他国家就低多了，明显中美是两个大型经济体，在第一梯队。背后有经济规模、人口规模的因素。最近，DeepSeek的发展促使我们重新审视规模的定义和影响。

在《AI经济学》中，我们提出了两个关键概念：规模定律与规模经济效应。

对于我们这些学习经济学的人来说，规模经济效应是一个熟悉的概念，它主要探讨的是经济可行性。而规模定律则侧重于技术可行性，它关注的是如何通过增加模型的规模，比如数据和算力，来提升AI的性能。从经济学的角度来看，我们可以将这一过程简单地理解为AI的生产函数，即模型的性能或产出是由其规模决定的。那么，这里的生产要素是什么呢？主要就是数据和算力。所谓的Scaling Laws，实际上揭示了一个规律，那就是随着模型规模的不断扩大，虽然我们持续增加数据和算力以提高模型性能，其边际产出却是递减的。

要如何提升模型的性能呢？答案是通过不断地累积数据和增强算力。其中蕴含的一个重要含义在于，大企业由于拥有资源优势，因此能够跨越一定的投入门槛。例如，马斯克发布的Grok 3就是通过堆积算力来实现的。相比之下，中国的DeepSeek所展现的门槛似乎并不那么高。那么，我们应如何理解DeepSeek的突破？

在经济增长理论中，内生增长模型把技术进步视为内生的，是人类经济活动的结果，这意味着技术可行性与经济可行性之间存在着密切关联，因为技术进步本身就是人类经济活动的一个重要成果。技术进步可以带来规模报酬递增，即随着生产规模的扩大，边际报酬并不会减少，反而会增加。

如果将这一观点拓展到整个经济范畴，特别是在AI模型的应用领域，我们就不能仅仅将数据与算力视为简单的生产要素。数据的来源问题同样至关重要，其中数据清洗便是一个不可或缺的环节，它本质上是一种经济活动，并呈现出规模经济效应，这通常是大型企业才能够承担的任务。这恰恰体现了经济学中的规模效应，即随着规模的扩大，固定成本得以分摊。

更为关键的是，规模的扩大对于推动技术进步具有显著作用，这契合了内生增长模型的理论。以DeepSeek为例，其核心在于算法的优化。算法优化代表着技术的持续进步。

按照这个逻辑，规模经济效应可分为内部和外部两种。一种是内部规模经济效应，针对单个企业或者是单个模型，大型科技企业更具优势；一种是外部规模经济效应，依赖于上下游生态体系、共享基础设施和人才池。我国AI的发展与我们近年来在数字经济领域基础设施的大力建设密切相关。当前，众多创新企业都受益于这一高效、共享的基础设施环境。同样，人才池的构建也是如此。而开源模式，则成为了实现外部规模经济的重要平台。

以上讨论揭示了一个重要启示：DeepSeek可能并不意味着没有门槛要求，而是这些门槛可能不再是针对单个企业或单个模型的，而是体现在大型经济体所拥有的资源优势上，特别是那些拥有大型生态系统和更优质基础设施的经济体。基础设施作为一种公共服务，其特性在于使用者越多，每个个体所承担的成本就越低。这也是为什么大城市往往能享受到更好的公共服务，因为大城市人口众多，人口密度高。这一逻辑同样适用于国家层面。

因此，AI大模型更有可能在美国和中国这样的大型经济体中出现。进一步来说，不要因为DeepSeek降低了成本，就认为小型经济体有了更多机会。实际上，这是一个涉及生态体系的竞争，大型经济体依然保持着明显的领先优势。下一步到AI产出的应用更是这样的，中美这样的大型经济体具有优势。

接下来，让我们从微观经济学的角度，通过图表具体阐释之前提到的规模定律。以算力和算法为例，假设Q2、4、6、8代表一个模型的产出量。在给定的技术生产函数下，当增加一个生产要素（如算力）的规模时，通常会出现边际产出递减的现象，即为了获得模型效力的同等提升，所需的算力会越来越大。然而，如果我们考虑高算法的情况，如图中的绿色线条所示，如果算法研发领域取得了显著进展，这条曲线将表明什么呢？它意味着为了达到模型边际产出的同等增加，所需的算力增加量会更小。这正是我们为什么要重视技术进步的原因，因为技术进步不仅关乎数据和算力这两个生产要素，它还能优化这些要素的使用效率。

图2：主要经济体AI优秀人才来源地和工作地

注：此处是Macropolo对于AI优秀研究者的来源地和工作地的统计，AI优秀研究者的界定是被人工智能顶级会议NeurIPS接收文章的作者，来源地是研究者本科毕业学校所在地，工作地是研究者工作机构总部所在地。
资料来源：Macropolo.org ,《AI经济学》.

中国还存在一个显著特点：虽然在中国完成本科学习的AI人才数量明显超过美国，但在美国工作的AI人才却多于在中国工作的。此外，近年来出现了一个新趋势，即中国本科阶段AI领域的学生人数大幅增加，同时出现了显著的人才回流现象，选择在中国工作的人数也显著增加。当我们探讨规模效应时，需要深入理解这一效应在两个经济体之间分工的含义，这涉及到了比较优势的概念。从理论层面讲，美国可以拥有绝对优势，比如算力优势，并且在美国工作的AI人才数量超过中国，因此可以说美国在AI人才方面具备绝对优势。

但是，分工并非由绝对优势决定，而是由相对优势或比较优势所主导。相较于中国，美国的比较优势在于其强大的算力，尽管它也拥有众多AI人才。那么，中国的比较优势又是什么呢？答案是人才。因此，美国通过Grok 3堆积算力，是符合其比较优势的举措。而我们在算法领域发力，这符合我们在人才方面的比较优势。将这一逻辑扩展到整个经济领域，不仅限于AI模型的研发，还包括AI经济的应用，我们可以看到规模经济效应的一个体现。在这里，算力和数据可以被理解为更广义的生产要素，它们都是经济活动和技术进步的结果。这种技术进步不仅仅局限于算法本身，还包括数据清洗、中国半导体产业的未来进步等多个方面，这些都将共同推动AI经济向更高水平发展。

尽管众多大型科技公司和科研院所尚未在这一领域取得显著成果，但这并不应否定他们的贡献。DeepSeek的成功，实际上是得益于我们整个生态体系的协同发展。在这个过程中，许多创新创业企业可能也在不断探索与试错，但并未能如愿成功。这并不意味着他们的努力是徒劳的，因为样本的偏差是创新过程中难以避免的一部分。DeepSeek之所以能够成功，并非仅凭一个小型企业或小型经济体的力量就能实现，而是在一个大型且成熟的生态环境中孕育而生的。

另一个值得探讨的是需求问题。与某些基础性研究相比，AI的发展从一开始就更具有需求导向性，DeepSeek也是如此。这解释了为何AI的重大突破往往不在科研院所内产生。科学研究中，有些基础性研究具有很强的正外部性，需要政府的干预来纠正市场失灵，提供必要的投入。而对于外部性导向不那么强烈的研究领域，市场本身就能提供足够的创新动力。这一点在中国未来AI的发展中尤为重要，因为中国在应用场景和各个细分赛道上的优势非常突出，在需求端或是供给端，我们都占据了全球最大的市场份额。

DeepSeek近期的发展还蕴含了另一层重要意义，即如何理解地缘经济竞争，特别是中美两国在AI大模型领域及由此引发的创新经济发展竞争。以往，全球创新可以概括为G2模式：美国主导科技创新，而中国擅长产业创新，双方均从中受益。美国的科技创新，如苹果、特斯拉等公司，借助中国大型制造业体系的规模生产优势，迅速降低成本并获取高额利润，这些利润反过来又促进了其前沿创新的持续发展。中国也从中受益，通过干中学，快速缩小了与美国的差距。这种双赢的局面使得全球都从中受益。

然而，当前面临的挑战更为严峻，脱钩趋势日益明显。脱钩意味着中国不仅要继续强化产业创新，更必须加大科技创新的力度。同样，美国也不得不兼顾科技创新与产业创新，因此强调制造业回流。在此背景下，中国必须更加重视科技创新，以应对这一新的挑战。

背后的深层含义在于，美国需要避免过度依赖需求和人才，而忽视供给和产业发展这两个关键路径。而中国则需克服对供给和有形资产的过度依赖，加强对需求和人才的重视，以打破现有的路径依赖。这是我们在思考创新经济时必须认识到的。

总体来说，从规模经济向创新经济转型的过程中，我们拥有规模优势。那么，如何实现这一优势呢？最根本的途径在于市场贸易、分工与交换，正如亚当·斯密的理论所指出的，没有分工就没有规模经济。然而，外部性问题可能影响“看不见的手”的作用，我们需要通过两种方式来纠正：一是政府的直接投入，二是制度设计，这其中也包含了金融层面的考量。特别值得一提的是个人破产机制的缺失，对初创企业不利，因为许多创始人承担着无限责任的债务。

最后，我想提及科技金融领域一个常被讨论的话题，重视资本市场的外部规模经济效应。科技创新主要依赖于科技人才，而产业创新则更侧重于供给与资产。在这方面，银行信贷更能有效支持供给与资产相关的创新，而资本市场则更能促进以人才需求为核心的创新活动。这两者都能实现规模与效益的提升，但它们的载体有所不同。银行通过扩大规模，能够提高其内部的规模经济效应和信用评级能力。相比之下，资本市场则展现了一种典型的外部规模经济特征，它汇聚了大量的投资者与融资者，以及专业机构、律师事务所、会计事务所和媒体的监督，形成了一个多元化的生态环境。

这两种模式下，银行信贷往往面临负外部性问题，由于政府的担保和房地产作为抵押品，可能导致其规模过度扩张并引发一系列问题。而资本市场则展现出正外部性，即技术的外溢效应，DeepSeek便是一个生动的例证。因此，在思考科技金融时，我们需要从这两个不同规模经济的融资渠道出发，深入考虑金融结构的优化和金融监管的完善，包括产融分离的边界，银行和证券分业经营。最后，宏观经济领域的财政扩张不仅能促进总需求的增长，稳定当前经济形势，更能在长远上有利于提升整个经济的创新能力。

以上就是我的汇报内容，谢谢大家！

来源：清华服务经济与数字治理研究院公众号

编辑：徐牧谣、田腾骧

审核：卢彤菲、孙景宇