云栖大会第一印象：机器智能的经济学

机器智能是一个全新的物种，它正在把“思考”变成一种可以规模化供给的商品。

作者 | 高 飞

今天2026 年云栖大会第一天的日程才结束，从阿里巴巴集团 CEO 吴泳铭的演讲出发，对主论坛写一下第一印象解读。虽然这是一个毫无疑问的技术峰会，但我想用三个经济学框架来写，倒不是因为经济学比技术分析更高级，而是因为吴泳铭今年的演讲，本身就在讲一个经济学问题。他讲的是一种新的生产要素如何被规模化供给，以及这种供给将怎样改变整个经济系统的运行方式。

吴泳铭演讲的第一段话就提纲挈领：机器智能是一个全新的物种，它正在把“思考”变成一种可以规模化供给的商品。而且，这个过程才刚刚开始。

虽然现在AI Coding（编码）和AI Wording（办公）已经爆火。但是他认为，机器智能时代的代表性产品其实还没有出现。他把今天的 AI Coding 比作 1882 年爱迪生在珍珠街电站点亮的 400 盏电灯。电灯替代的是蜡烛和煤油灯的功能，但电灯不等于电气时代。他还提到一个有意思的细节：爱迪生最早卖灯泡的时候送半年的电，“就像我们今天下载一个 Agent 软件就送一个月的 Token”。空调 1902 年才出现，冰箱和洗衣机更晚，第一台计算机要到 1946 年。所以结论就很清晰了：仅仅替代现有工作负载，不可能创造一个新时代。换言之，产业存量的优化，不等于经济增量的爆发。

那么增量何在？答案在机器智能本身。从阿里的角度看，AI不是人类智能的替代品，它是“完全不同的物种”。吴泳铭用之前的工业革命举例，蒸汽机最初替代的是人和马的搬运工作，但很快，机器动力让人类做到了从未想象过的事情。火车、飞机、火箭不是“更强的马”。

智能体（Agent）是现在大家讨论比较多的概念。Qwen LLM 项目负责人刘大一恒在主论坛完成了首次亮相。他在演讲中就讲到：从 Chatbot 到 Reasoning 到 Agentic，模型从回答问题变成闭环完成任务。

不过，我们可能还没有看到智能体的完全形态。通过对吴泳铭演讲中“机器智能”的理解，我认为未来的智能体，其实指向的是一种能够规模化供给思考、通过自我改进持续演化、正在获得身份和信用基础的独立能力实体。

我们接下来所讲的“智能体”，也是后面这个含义。

而一个新物种的诞生，必然带来新的经济学。

思考变成商品之后

吴泳铭在主论坛上有两个核心判断。第一个关于规模：未来机器供给的思考总量，将达到人类思考总量的 1000 倍以上。他给出的参照坐标是，今天机器思考的总量大概不到人类的 3%。如果终局是 1000 倍，中间的增长空间是几万倍。

几万倍的增长空间，直觉上让人觉得夸张，不过一切有迹可循。1865 年，英国经济学家威廉·斯坦利·杰文斯在《煤炭问题》一书中记录了一个类似的现象。瓦特改良蒸汽机之后，每台蒸汽机消耗的煤炭减少了，但英国的煤炭总消耗量却大幅增加。原因其实不复杂：效率提升降低了动力的使用成本，大量原本“用不起蒸汽机”的行业突然发现自己用得起了，纺织厂、矿井、运输、供水全部涌入。新增的需求远远超过了效率节省的那部分。杰文斯写道：“认为节约使用燃料等同于减少消耗，是一种思维混乱。事实恰恰相反。”

这个被后世称为“杰文斯悖论”的规律，在吴泳铭的演讲中几乎被原样复现了。他用了一个罕见病的例子。新生儿早衰症，全球每年新增病例可能只有几十例，有记录的患者总共几百人。从现有医药产业的商业逻辑来看，很少有公司愿意花几十年、耗费巨资，为几百人研发一种新药。不是没人想研究，是“思考成本”太高。

培养一个能做这种研究的科学家需要几十年，而这个领域的商业回报无法支撑这样的投入。但是，当 AI 具备专业研究所需的智力水平，只要算力足够多、足够便宜，每个细分领域都可以组织上百万个智能体，持续研究、模拟和验证。过去这些“思考供给不足”的方向，将第一次获得大规模的智力投入。

这正是杰文斯悖论的机制。需求爆发的来源不是现有市场的放大，而是大量从未被满足过的需求在成本降低后涌现出来。

当然，杰文斯悖论需要一个触发条件：单位成本的持续下降。这方面在主论坛上也有提及。刘大一恒介绍了千问新一代模型在训练和推理成本上的大幅下降。与此同时，千问 3.8 Max 发布仅两个月，真实用户的 Token 消耗量增长了 12 倍。Token 是大模型处理和生成内容的基本计量单位，这里我们可以理解为“机器思考”的最小货币。

成本下降和需求爆发同步发生，杰文斯悖论正在 AI 行业实时上演。

吴泳铭对需求侧的推演也指向同一方向。他说，工业时代，人类能消费的商品取决于人口数量，咖啡要有人喝，车要有人开，一个人一生能消费的物理商品总是有限的。但思考的消耗量不受这个约束。一个人提出“造一艘飞船去火星”这样的目标，AI 可以将它分解成上千万个子任务，由上百万个智能体不眠不休地持续工作。思考的消耗量不再与人口数量成正比，而是与任务的复杂度和机器智能的供给规模成正比。

我认为，如果这个推演方向成立，那么机器智能的市场规模上限，取决于被压抑的潜在需求，而不是现有市场的大小。所以，增量就这样产生了。杰文斯在 1865 年面对的煤炭消耗增长，和吴泳铭在 2026 年面对的 Token 消耗增长，服从同样的经济学规律。

需求的规模已经看见了。接下来我们讨论：谁来组织这些需求和供给之间的关系？

智能体，科斯定理，与交易成本

吴泳铭描述了一个场景：未来可能出现超过全球人口数量的智能体，与人类协同工作，作用于物理世界。

数量本身不构成市场。一个工厂里可以有一万台机器，但如果它们只是被一个中控系统调度，工厂仍然是工厂，不是市场。智能体数量达到全球人口规模之后，一个思考自然而然地到来：这些智能体之间到底是上下级的管控关系，还是独立主体之间的协作和交换关系？

1937 年，罗纳德·科斯提出了一个在经济学史上影响深远的问题：既然市场那么有效率，为什么还需要企业？他的回答是交易成本。通过市场完成一件事，需要搜索对象、谈判条件、签订合约、监督执行，每一步都有成本。当市场交易成本太高，企业就会选择把活动纳入内部管理；当内部协调成本超过市场交易成本，企业就会把活动外包出去。企业边界的位置，由两种成本的对比决定。

阿里云 CTO 李飞飞在主论坛上的演讲，几乎是在对科斯的理论做一次技术层面的回应。他讲的 Agentic Cloud，核心工作就是降低智能体之间的交易成本。

Agentic Cloud 覆盖了智能体从构建到运行再到治理的完整链路，包括统一的身份认证、安全隔离、编排调度和监控评估。李飞飞在演讲中用了大量篇幅讲“治理”。他认为，智能体进入真实的业务环境，身份、信用和权限管理是前提条件。

他还提出了一个对商业模式的远景预测：AI SaaS 将从按资源消耗计费，逐渐转向按任务结果付费。

如果这个方向成立，意味着智能体与客户之间的关系就从“工具使用”变成了“服务交易”。工具没有信用，但服务提供方需要信用。工具按时间计费，但服务按结果计价。身份体系、信用机制和结果定价，这合在一起就是一套经济交易的基础设施。智能体，虽然背后还是人的供给和需求，但已经开始具备独立参与交易的能力了。

刘大一恒在主论坛上展示的千问设计芯片案例，从另一个角度说明了智能体正在获得“生产主体”的特征。千问进入真实的工业级芯片设计环境，从一份总线模块规格书出发，自主完成前端验证和后端全链路的迭代优化，连续工作数十小时。这已经超出了“替人执行一个步骤”的工具范畴。他还介绍了千问的递归式自我改进系统，行业通常简称 RSI，让模型可以从真实反馈中自动定位缺陷、自主改进。一个能够自我改进的生产单元，在经济学意义上和一个静态的工具有本质区别：前者可以积累能力和信用，后者只能被动贬值。

所以，科斯的逻辑在这里可以这样理解：当 Agentic Cloud 把智能体之间的发现、认证、调用和结算成本系统性地降低，大量原本只能在企业内部完成的智能工作，就有可能溢出到市场上，形成跨企业、跨平台的供需关系。未来，我们会继续和人做生意，和企业做生意，也可能和一个智能体做生意。

这种市场关系的出现不取决于技术能力有多强，取决于交易成本有多低。

一种新的增长规则

但这种新的经济关系一旦形成，它服从的规则和工业经济完全不同。

经济学家保罗·罗默在 1990 年提出内生增长理论时，区分了两种生产要素。一种是竞争性的，比如资本和劳动力，用了就被占用；另一种是非竞争性的，比如知识和创意，用了不会减少，反而越用越多。罗默的核心论点是，当非竞争性要素成为增长的主要驱动力，经济增长就不必依赖外部资源的持续投入，而是可以内生地自我加速。

刘大一恒在主论坛上展示的递归式自我改进系统，我理解就是这个理论的产业版本。模型从真实反馈中定位缺陷，自动构造训练数据，产出更强的模型，更强的模型又在下一轮产出更好的训练数据。知识在循环中增长，每一轮的投入不需要从零开始。刘大一恒还提到了一句话：“模型设计芯片，而更强的芯片又将反哺更强的模型。”这个飞轮能够运转，正是因为模型生产的知识是非竞争性的。芯片设计方案可以被制造环节复用，可以被下一代模型训练复用，不会因为被使用而消耗掉。

这个飞轮不只是理论推演。平头哥副总裁高慧在主论坛上发布了新一代 AI 芯片真武 V900，算力达到上一代 M890 的3 倍，基于它构建的单一集群可以扩展到 50 万卡。平头哥已经完成了 AI 芯片、CPU、互联芯片、智能网卡、存储主控的全栈自研布局。吴泳铭在演讲中把芯片定义为“机器智能时代的发电机”，Token 是电，芯片负责把电生产出来。模型让芯片变得更好，芯片让模型跑得更快，这个循环正在从论文走向量产。

淘天集团首席科学家郑波在主论坛上讲全模态生成时，也用了一句经济学色彩浓厚的表述：“体验的供给将指数级增长，体验的边际成本将趋近于零。”这正是非竞争性商品的特征：产出可以被无限复用，模型本身不会因为被使用而减少任何东西。

所以，工业经济的增长曲线最终会撞上资源的天花板，而智能体经济的增长，虽然伴随着Token的大规模消耗，背后也是电力和资源。但至少在理论上，约束机制是不同的，消耗结构也不同。因为Token供给和物理资源供给并非是线性对应关系，前者对于后者，呈现一个极大的倍数关系。

所以，这两种经济形态运行在不同的规则上。

一吨煤烧了就没有了，一度电用了就消失了，动力是竞争性商品。多生产一吨钢就要多消耗一吨铁矿石。

但一个算法、一套解决方案、一段推理链条，用了之后并不消失。它可以被下一个智能体复用，被一万个智能体复用，被改进之后变成更好的版本继续复用，边际成本等于零（或一个相对较小的数字）。

不过，如果机器真的成为了思考的主力，人做什么？

吴泳铭在演讲结尾说的一个细节，可以作为一个答案。他说，300 年前一个在田间劳作的农夫，很难想象未来有人会走进一个叫“健身房”的地方，付费进行体力劳动。讲到这儿，台下一片笑声。

工业革命让机器承担了繁重的体力工作，人类从中解放出来之后，反而创造了足球、篮球、奥运会、世界杯这些事物。照相机出现之后，绘画也没有消失，反而诞生了印象派和抽象艺术。留声机出现之后，歌手没有失业，音乐反而成为了最广泛的大众艺术。甚至，黑胶唱片正在重新成为音乐爱好者的宠儿。

虽然机器智能释放的空间里会长出什么，现在没有人能够预见。但三个经济学框架可以帮助我们对一件事做出判断：围绕这种新的思考供给所形成的生产、分配和交换关系，将服从和工业经济不同的增长规则，运行在不同的成本结构上，并且依托一套正在被快速搭建的制度基础设施。这也许就是机器智能的经济学。 创新就会在其中涌现。