夜雨聆风引 言
如果AI不仅能干活，还能自己"生钱"，那它到底算什么？是工具，是资本，还是某种我们还没命名的东西？这篇文章想聊的，正是这件事——当生产函数本身被AI改写时，"资产"这两个字，可能得重新定义了。
要理解这件事，得先回到经济学的一个基础公式——生产函数。它听起来抽象，但说白了就一句话：一个经济体靠什么产出财富。过去靠资本和劳动，现在，AI正在成为第三个独立的变量。这个变化之所以关键，在于它松动了生产函数最底层的几条假设——比如边际报酬递减，比如技术进步是外生的。正因为如此，它带来的不是修修补补，而是整个坐标系的原点位移。
01
生产函数的质变：从Y=F(K,L)到Y=F(K,L,A)
传统生产函数Y=F(K,L)假设资本可以被加总为一个统一的存量——但在AI时代，这个假设站不住了。AI的资本形态（算力、数据、模型）与传统工厂设备截然不同，它值得被当作一个独立的生产要素来对待。将AI视为独立生产要素，而非仅仅嵌入资本或劳动的技术改进，有多重理论依据。
1.1 AI作为独立生产要素的理论依据
将AI视为独立生产要素，而非仅仅嵌入资本或劳动的技术改进，有多重理论依据。
首先，AI具有鲜明的资本品特征。无论是训练大模型所需的算力集群、存储与网络基础设施，还是模型本身作为可复用、可积累的知识存量，都满足资本品“被生产出来用于进一步生产”的基本定义。有研究将大语言模型建模为“数字智能资本”这一独特资产类别，其特征包括数据与算力的互补性、规模报酬递增，以及价值高度依赖于应用场景。
其次，AI展现出自成一类的生产特性。传统资本需要人的操作才能发挥作用，而AI系统可以在一定程度上自主完成从感知、决策到执行的完整生产闭环。AI Agent（智能体）正在成为新一代“数字资产载体”——它们可以自动生成内容、自动交易、自动学习优化策略。这种“自主生产性”使AI超越了传统资本品的被动工具属性。
第三，AI的生产函数形态与传统要素迥异。数据作为AI的核心“燃料”，其边际成本趋近于零而边际收益可能递增。算力作为一种新型生产性资源，具有显著的增值能力和可积累性。这些特征使得AI部门的生产函数在形式上与传统制造业存在根本差异。
1.2“创新方法的创新”：AI的双重角色
AI不仅是通用目的技术（GPT），更是“创新方法的创新”（IMI）。这一双重角色意味着：AI既在下游部门作为生产投入发挥作用，又在上游部门改变创新本身的流程与效率。当AI能够优化自己的算法、生成新的模型架构、自动化地发现知识时，它就不再仅仅是生产函数中的一个输入变量，而是改变了生产函数得以形成和演进的方式本身。
这一认识对资产定义有深远影响：如果AI可以“生产”新的知识资本，而知识资本又可以反馈给AI系统使其更强大，那么资本积累就呈现出自我强化的循环特征。传统的线性折旧模型和静态的资产边界划分，难以捕捉这种动态循环中的价值创造。
02
资产定义的拓展：从有形到“智能”
2.1 传统资产定义的局限
会计学对资产的经典定义强调三个要件：企业过去的交易或事项形成、企业拥有或控制、预期会给企业带来经济利益。在工业经济中，这一定义运行良好——工厂、设备、存货都满足可观察、可计量、可确权的条件。
然而，现代企业的市场估值越来越多地来自财务报表中“记录微弱或根本不记录”的生产能力：软件、数据集、模型权重、用户反馈、工程流程、品牌、制度信任、平台接入、隐性专长和公共知识基础设施。经济学家杰弗里·加德纳在其著作《资本的知识理论：自然与人工智能的价值》中指出，这些知识型生产能力可以体现在人身上、脱离为人工制品、制度化于组织之中、维持于公共资源池，或在多种形式之间流动。
当一家AI公司的核心价值来自其训练数据、算法专利、模型参数和用户行为闭环时，传统资产定义在“确认”环节就已面临困境——这些“资产”往往缺乏清晰的物理边界、难以排他性确权、价值高度依赖于使用场景。
2.2 AI时代的新型资产形态
AI时代正在催生至少三类新型核心资产：
算力资产。过去，算力是成本；现在，算力正在成为“生产力+收益权”的基础设施资产。半导体不再是电子产业的零部件，而正在成为“生产智能、生产效率、生产新GDP的基础设施”。从这一定义出发，算力是一种具备资本化潜能的生产性资源——无论是算力基础设施（如数据中心）还是其所延伸的服务（如云计算资源），都可以嵌入生产过程并形成具备稳定收益预期的可积累资产。谁掌握算力，谁就拥有AI生产能力、数据处理能力和智能体运行能力。一个直观的参照是：某品牌H100显卡的租赁价格从每小时2美元涨到8美元只用了不到两年——算力本身正在像大宗商品一样被定价和交易。
数据资产。在数字经济时代，数据逐步成为经济高质量发展的新型生产要素和战略资产。传统上人们说“数据是石油”，但更准确的说法或许是“数据是股权”——在大模型时代，数据决定模型能力，模型决定生产效率，效率决定现金流。数据资产的价值不是“算”出来的，而是在AI驱动的持续生产循环中“跑”出来的。自2024年1月1日《企业数据资源相关会计处理暂行规定》实施以来，数据资产入表已迈出关键一步，但价值评估难题仍未解决。一个垂直领域的高质量标注数据集，其经济价值可能不亚于一套工厂生产线——区别在于，前者在传统资产负债表上几乎完全隐形。
模型资产。大模型本身正在成为一种可独立估值的新型资产。模型正在经历“产品化→资产化→平台化”的演进。一个行业模型可以等同于一个公司的核心业务能力，一个开源模型可以构建一个生态系统。有观点认为，Token（词元）本身就是一种资产——它已经成为可获利的营收单位，这意味着AI生产的最小单元正在获得资产属性。
2.3 资产边界的模糊与重构
AI时代资产定义的拓展带来了一系列理论难题：资产与非资产的边界在哪里？当数据可以被无限复制且使用不具有排他性时，它如何满足“企业拥有或控制”的条件？当一个开源模型可以被任何人免费使用，它还能被确认为资产吗？
这些问题指向一个更深层的认识转变：在AI时代，资产的定义可能需要从“静态的拥有”转向“动态的生成能力”。正如有学者指出，AI资产（如API、知识产权）具有非竞争性、强外部性等独特属性，其价值应以其提升决策确定性的程度来衡量，而非传统会计方法。这种“以能力定义资产”的思路，可能比“以占有定义资产”更契合AI经济的本质。
03
估值范式的挑战：当旧模型遭遇新资产
3.1 传统估值方法的失效
传统企业估值主要依赖收益法（贴现现金流）、市场法和成本法三大支柱。这些方法在AI时代面临系统性的挑战。
收益法的困境在于AI企业盈利模式的不确定性和现金流的不稳定性。AI公司往往经历漫长的研发投入期，早期现金流为负，传统DCF模型难以给出有意义的估值。更根本的问题在于，AI的价值创造往往不是线性的——一个模型的突破可能突然打开全新的收入来源，而这种“突破性”难以在平滑的现金流预测中体现。
市场法的困境在于可比公司的稀缺和估值指标的混乱。当整个行业都在探索新的商业模式时，“可比”本身就成了问题。过去市场关注的用户数、流量、广告收入等指标，在AI时代正被算力投入效率、模型能力、数据闭环、AI商业化能力和资本开支回报率等新维度所取代。
成本法的困境最为明显——AI资产的价值与其开发成本往往严重脱节。一个花费数亿美元训练的大模型，其市场价值可能远超或远低于其成本，取决于它能否在应用中产生实际效益。成本法只能提供下限参考，无法捕捉资产的真实经济价值。
3.2 估值逻辑的范式转移
AI时代的估值正在经历从“看存量”到“看能力”、从“看利润”到“看潜力”的范式转移。
首先，估值重心从历史业绩转向未来潜力。科技资产的高估值、高波动与强叙事特征，其价格结构更接近于对未来生产力跃迁的前置贴现，而非基于当前利润的简单倍数。当未来增长路径高度不确定时，价格对增长分布形态的敏感度高于对均值的依赖——即便高增长情景的概率较低，也会在估值中占据更高权重。
其次，估值维度从单一财务指标扩展为多维能力评估。AI公司的估值需要综合考量算力储备、数据质量、算法能力、人才团队、生态壁垒等多重因素。有研究构建了基于智能产业革命转型的五维度价值评估模型，涵盖财务状况、估值与成长性、创值能力、公司治理、创新与研发。
第三，估值方法从静态模型转向动态框架。实物期权法为AI企业估值提供了新思路——将企业投资决策视为期权，充分考虑企业在面对不确定性时管理决策的灵活性。生成式AI也被用于构建动态数据资产估值模型，通过特征提取、价值生成算法和市场适应性评估来动态评估资产价值。
3.3 重新审视“资本开支”的意义
AI时代的一个显著变化是：互联网时代的平台公司正在从“轻资产”模式演变为“重资产智能工厂”。
很多互联网时代的赢家都面临同一现实：不投资AI将失去下一个时代的船票，投资则意味着持续高资本开支、高折旧和重构利润结构。
这一变化深刻影响了市场对“资本开支”的估值逻辑。此前，上市公司宣布布局AI或扩大相关投入，往往被视为利好；但现在，AI资本开支不再天然带来估值溢价。市场开始追问：每一块钱的AI投入能产生多少回报？资本开支的效率而非规模成为新的关注焦点。
与此同时，新的资产类别正在获得估值溢价。自2025年以来，高资本强度公司明显跑赢低资本强度公司，两类资产的估值差距已明显收敛。半导体、AI基础设施、先进制造等能够“生产智能”的优质企业，正在成为新时代的核心资产。
04
理论重构：走向“知识资本”理论
4.1 超越“资本-劳动”二元框架
上述分析表明，AI时代需要一个超越传统“资本-劳动”二元框架的资本理论。传统的要素分类中，知识隐含于资本和劳动要素之中，生产函数的直接分析对象仍是资本和劳动。但在AI时代，知识已经不再“隐含”——它以数据、算法、模型、平台等形式独立存在，成为可直接积累、可独立估值、可规模化复制的生产要素。
将知识要素引入生产函数分析，不仅是理论上的完善，更是实践中的迫切需求。有研究尝试构建“智能资本动态定价模型”，将知识作为独立要素纳入企业生产函数。这一尝试指向一个方向：AI时代需要承认“智能资本”作为一种独立资本形态的理论地位。
4.2 “知识循环”作为新的积累机制
杰弗里·加德纳提出的“知识资本理论”提供了一个有启发性的框架。该理论的核心机制是“知识循环”：知识被生成、转化为可治理的存量、被部署、通过反馈得以改进、通过制度被封闭或共享，然后再次进入循环。每一次循环都改变谁能获取知识、谁能排除他人、谁能重新组合知识、谁能捕获其收益，以及未来的生产能力是扩张还是收缩。
这一框架解释了若干传统理论难以回答的实践困惑：为什么轻资产企业可以拥有持久的生产能力？为什么AI系统在控制用户反馈时能更快改进？为什么API关闭、平台依赖、专利丛林、软件锁定或网络安全故障会降低未来生产力，即使没有厂房、库存或实物资产被摧毁？
4.3 对估值理论的政策含义
“知识资本”视角对估值理论和政策实践有多重含义。
在微观层面，企业需要建立新的资产管理系统，将数据、算法、模型纳入资产负债管理框架。数据资产“入表”不是简单的财务技术调整，而是企业数字化转型的里程碑——它意味着数据要素的经济价值将首次以标准化方式显现在资产负债表中，进而重构企业估值逻辑、融资能力与竞争优势。
在宏观层面，GDP核算需要更好地捕捉知识资本的形成与折旧。传统国民账户将软件支出视为中间消耗而非投资，将研发支出部分资本化但范围有限，这导致AI经济的真实规模被系统性地低估。
在政策层面，需要建立适应AI资产特性的确权、定价与交易规则。AI资产的非竞争性和强外部性意味着市场机制可能无法自动实现最优配置，需要在产权设计、反垄断、数据治理等方面进行制度创新。
景林资产高云程那句话值得反复品味：“最大的风险不是波动，而是用旧世界的框架理解新世界。”
AI对资产定义与估值的重塑，不是修修补补，而是底层逻辑的重构。当生产函数从Y=F(K,L)扩展为包含智能资本的更复杂形态，当资产从有形物拓展到数据、算法、模型和Token，当估值从看利润转向看能力、从看存量转向看潜力——我们需要的不是在新旧之间做选择，而是建立一个能容纳新旧共存、解释新旧互动的理论新范式。
这个新范式的核心在于：在AI时代，知识既是生产的投入，也是生产的目的。当知识开始自我循环、自我增强、自我扩散，资本的定义、资产的边界、估值的逻辑，都必须随之而变。这不是一次普通的调整，而是一次生产函数的变化——意味着整个经济世界的坐标都在移动。
新世界已经来临，唯有用新框架才能理解它、驾驭它。
参考来源
本文观点受景林资产“生产函数变化”理论及杰弗里·加德纳著作《资本的知识理论：自然与人工智能的价值》等启发，数据引用自头部科技公司公开财报及公开政策文件。
声 明
本文不构成投资建议，纯属行业逻辑探讨。AI世界变化快，文中数据与模型均存在时效性，请读者批判性参考。
