谁拥有词元资本？

2026.07.29 文丨鲍勇剑 （博士，加拿大莱桥大学迪隆商学院终身教授，复旦大学管理学院EMBA特聘教授） 词元正在把人的知识转化为一种机器智能资产。真正棘手的问题是：这种资产究竟属于企业、技术供应商、创造知识的人，还是应当由多方共同拥有？ 2026年世界人工智能大会（WAIC）的一个主题就是构建公正合理的全球人工智能治理体系。主题也连带出一个值得深入思考的问题：人工智能资产所有权。具体而言，当社会知识和组织技能被转换为词元（token），谁拥有它所带来的复利增长效益？ 2026年7月，微软首席执行官萨提亚·纳德拉（Satya Nadella）在谈及企业未来时提出，组织将形成一个“人力资本与词元资本共同复利增长的学习循环”。在另一次访谈中，纳德拉进一步强调，所谓词元资本，并不只是“一堆API调用”。它指的是企业能够将包含专家判断的商业流程技能化。鸟瞰行业趋势，AI 技术从提示词、上下文、智能体、机甲、模型上下文协议到技能，从“单次文本生成”走向“复杂系统工程与能力模块化”。而词元是这一切进化发展的战略资源。 词元非常重要。一家企业如果只是付费调用通用大模型，它所购买的是一种人工智能服务。如果用户企业不断积累专有评估体系、智能体工作流程、组织记忆、决策记录、微调模型以及反馈系统，它就可能正在形成一种能够提高未来产出的生产性资产。在企业或个人付费调用大模型的过程中，提交信息所包括的知识和技能被不断词元化，并为大模型增效。 一种分层的关系性资产 词元资产与物质资本相似，因为它能够提高未来生产率；它也与人力资本相似，因为它承载着知识和经验。然而，它又不同于两者，因为词元资本通常由多种来源共同构成：企业积累的行业秘密、专家判断、员工知识、客户互动形态以及私有数据。 这使一个看似简单的问题——谁拥有词元资本？——变得异常复杂。 答案不能仅仅取决于谁支付了云计算账单，或者软件许可协议上写着谁的名字。词元资本是一种分层的、关系性的资产。 基础模型提供商可能拥有底层模型；企业可能拥有其应用、工作流程和客户关系；员工可能创造了被编码进系统的隐性知识；客户和社区可能通过持续互动推动系统改进；公共机构则可能资助了教育、科研和基础设施，而整个系统正是建立在这些公共投入之上。 因此，所有权问题不只是法律产权问题。它还包括：谁控制这种资产；谁可以使用它；谁有权排除他人；谁获得由此产生的收益；谁承担相关风险；谁能够参与决定它未来的发展方向。 词元代表人类自然语言与机器语言融合的飞跃。词元资产事关人类文明发展，有广泛的社会外在性，简单沿用物质资产所有权的概念，将阻碍人工智能的发展。面对这一前所未有的棘手难题，我们不妨借助不同的经济学理论，来探索该问题的各个侧面。 六种经济理论的解释 产权理论强调，所有权意味着剩余控制权。产权理论首先承认，合同永远是不完备的。人们不可能预先规定一种资产未来的所有用途，也无法预见所有可能发生的情形。 因此，所有权之所以重要，是因为它决定了剩余控制权：当合同没有明确规定时，谁有权决定资产应当如何使用。该理论也指出，将所有权集中在一方手中，可以强化该方的投资激励，却可能削弱其他参与者的投资动力。 应用于词元资本，产权拥有者可以修改模型，把由此形成的知识用于新的目的，将系统转让给另一个技术供应商，还能阻止离职员工带走相关能力，并决定客户互动数据能否被用于进一步训练。 这时，一家企业用户可能认为自己拥有词元资本，但实际上仍然高度依赖模型供应商的决策。一家大模型企业也可能在法律上拥有由员工知识训练出来的AI系统，而员工却对这些知识未来如何被使用没有任何剩余权利。 科斯理论强调，所有权边界取决于交易成本。罗纳德·科斯通过比较市场交易成本与组织内部协调成本，解释了企业为什么存在，以及企业边界如何形成。当通过内部层级组织某项活动，比反复在市场上签订合同更加便宜时，这项活动就更可能被纳入企业内部。 从这一视角出发，当外部采购和合同安排成本较低时，企业会租用通用人工智能能力。但是，当依赖外部供应商产生较高的保密成本、协调成本、模型适配成本、合规成本或供应商依赖风险时，企业就会试图把词元资本内部化。 最终出现的，很可能既不是完全纵向一体化，也不是完全外包。一家企业可能租用计算能力和基础模型，同时拥有自身的评估体系、组织记忆、领域智能体和反馈机制。 最有效率的组织边界，取决于内部开发成本、外部市场交易成本和跨组织协调成本之间的比较。科斯理论能够解释企业为什么追求词元资本的控制权，但它较少回答另一个问题：这种所有权安排对于创造知识和数据的人是否公平。 资源基础观（resource-based view）认为，企业拥有的是难以复制的组织能力。企业要获得持久竞争优势，必须拥有有价值、稀缺、难以模仿且难以替代的资源和能力。 一个广泛可得的基础模型，本身很难形成持久优势，因为竞争对手也可以购买同样的服务。真正具有防御性的资产，是通用模型与企业专有资源相结合而形成的能力。 从这个角度看，词元资本并不是企业生成了多少文本，也不是购买了多少词元，而是一种综合协同的组织能力。只要组织能够最有效地整合各类要素，它就拥有了经济意义上的核心资产。然而，资源基础观主要关心企业如何获得和保持竞争优势。它并不会自动追问：社会上那些对这种优势作出实质贡献的人，是否获得了适当的收益和权利。 从马克思主义视角看，词元是被资本控制的累积知识。马克思主义分析首先区分生产与所有权。劳动者可以创造一种生产性资产，却并不拥有它，也无法控制它未来的使用方式。 马克思把资本描述为累积的、物化的，或者“死去的”劳动。它作为一种由生产资料所有者控制的力量，反过来支配活劳动。他关于异化的分析也强调，劳动者可能同时失去对劳动产品和生产过程的控制。 词元资本使这一分析获得了新的现实意义。 员工撰写报告、解决问题、修正错误、评估输出、解释例外情况。这些行动留下了可供人工智能系统学习的记录。一旦这些知识被编码进系统，就可能成为一种企业资产，并被重复部署、对外许可，甚至被用于降低企业对原有知识劳动者的依赖。 因此，马克思主义视角所提出的问题，不只是员工在贡献知识时是否领取了工资，而是：雇佣关系是否允许企业把集体创造的智能转化为资本资产，同时不给创造者相应的所有权、治理权或未来收益权？ 熊彼特理论指出，创新租金只能暂时归创新者所有。颠覆性技术与组织组合，可以让创新者获得暂时的超额利润。但这种收益会吸引模仿者，并最终被竞争削弱。对暂时创新利润的市场预期，本身可以鼓励企业进行高风险投资。 从这一视角出发，创造出高生产率词元资本系统的企业，应当有权获得相当一部分收益。如果企业无法期待创新回报，它们就可能减少对实验、基础设施和高风险组织变革的投资。但是，熊彼特式所有权本质上是暂时的，阶段性的。当一家企业真正创造了新的生产能力时，它对超额收益的主张最强；当它的优势主要来自限制访问、锁定用户或圈占他人创造的知识时，这种主张的制度合法性就会明显减弱。 这一理论提醒我们，必须保护创新激励，但不能把短期企业家优势误认为对集体知识的永久占有权。 奥斯特罗姆的公地理论建议，所有权是一组可治理的权利。欧玲·奥斯特罗姆的研究挑战了一种传统假设：共享资源只能被私人占有，或者由国家集中控制。她证明，社区可以建立持久的制度，明确资源边界、制定符合本地条件的规则、让使用者参与集体决策、监督行为、解决争议，并在多个层级上组织治理。 近年来，将这一传统扩展到人工智能治理的研究，把AI体系拆分为多种可能需要共同治理的资源层：数据；计算能力；模型；知识与评估；能源。相应的制度形式包括数据信托、开发合作社、学习联盟、开放模型协作和社区数据主权安排。 公地理论并不把所有权理解为单一、不可分割的产权，而是把它看作一组权利：1) 访问和使用资源的权利；2) 向资源作出贡献的权利；3) 修改和维护资源的权利；4) 参与治理的权利；5) 获得收益的权利；6) 转让或退出的权利；7) 保护资源及其他参与者的责任。 当词元资本不是通过一次性交易形成，而是依赖长期互动和持续贡献时，这种理解尤其重要。 集体智能呼唤多元产权框架 哪一种理论最能兼顾效率与公平？鉴于词元资本是当代新现象，没有任何一种理论能够完整回答这个问题。产权理论能够澄清控制权和投资激励，但如果它把初始权利分配视为理所当然，就可能为高度不平等的所有权安排提供正当性。科斯理论能够识别有效率的组织边界，却可能忽略谈判能力的权力不平等。资源基础观解释了竞争优势，但倾向于将贡献者物化为“投入要素”。熊彼特理论可以为创新租金提供理由，却不能充分说明这种收益应持续多久，也不能决定收益应如何分配。马克思主义能够揭示知识占有和权力不对称，但没有涉及去中心化制度设计的具体规则。欧玲的公地和集体行动理论框架，是兼顾效率与公平的最佳起点，但它也需要其他理论补充解决投资者和创业者激励的问题。 AI集体智能（collective intelligence）和社会世界模型（social world model）将是下一个爆发点。兼顾效率与公平成为发展的必要条件。随着人工智能从生成单个输出，转向协调人类群体与多个机器智能体，所有权问题变得更加重要。 集体智能并不是个体智能的简单相加。相关研究发现，群体可能具有一种相对稳定的集体智能因素，能够预测其在不同任务上的表现。群体表现不仅取决于最聪明的成员，还取决于成员之间如何沟通、参与和协调。因此，组织面临的核心问题已经不只是一个AI模型有多聪明，而是：如何把人类和计算系统连接起来，使整个组合比任何单一组成部分都更加智能？ 在这样的系统中，词元资本不仅包括模型权重和文档，还包括一系列互动模式。这些都是关系性资产。它们产生于人与人、团队与团队以及人与机器之间的互动之中，并不是任何一个参与者独立创造的。 治理方式会直接影响这些资产的质量。如果员工预期自己的专业知识将被提取、被用于监控自己，或者最终被用于削弱自身议价能力，他们就可能减少知识分享、抵制文档化，或者操纵绩效指标。相反，如果贡献者拥有可信的权利、得到认可，并能够参与收益分配，他们就更有动力提供准确反馈，维护共同学习系统。 因此，公平治理能够提高效率。信任可以降低知识共享成本；参与可以发现管理层忽视的问题；可携性能够降低路径依赖；收益分享可以鼓励持续贡献；独立监督可以提高系统的合法性和可靠性。 设计两种互补的词元经济 词元资本是一个新型的政治经济学问题，不能只依赖传统的市场机制。未来，社区共同体的词元经济可以是一个有益的互补模式。 在传统市场词元经济中，企业拥有或通过合同控制词元资本的主要组成部分。董事会和管理层控制其开发和使用，同时受到公司法义务和外部监管的约束。员工、创作者和数据提供者主要通过合同参与。他们可以获得工资、许可费、奖金或协商确定的版税，但不会自动取得对AI系统的治理权。 当词元资本主要由单一企业出资和开发，决策容易逆转。企业软件、工业模拟应用、低风险流程自动化和许多开发者工具，都较符合这一特征。 当词元涉及到科学数据公地、社区语言模型、合作平台、社会文化知识系统和公共数字基础设施时，相关权利应该被分配给多个权力中心。当知识来自大量独立贡献者，资源具有公共品属性，持续信任非常重要，而且私人企业的控制会造成不可逆转的路径依赖时，社区共同体的产权管理模式更为适合。 在这个模式中，企业可以负责运营服务，社区委员会可以治理相关的数据信托，专业机构可以制定质量标准，政策监管者则负责执行最低权利要求。 这种模式与WAIC所倡导的普惠、开放、共同治理的“和美与共”精神一致。 两种模式都有自身的限制和力量。根据行业特征和发展阶段做匹配选择，这本身就是下一阶段从AI对齐到制度对齐要做的功课。 结论：所有权本质上是制度设计 谁拥有词元资本？在现有公司制度下，形式上的答案往往是控制合同、基础设施和知识产权的企业。但从多个经济学角度看，这一答案并不完整。词元资本并不是由金融资本单独创造的。它产生于一个由模型、员工、客户、数据、制度和关系共同构成的学习系统。 合适的制度对齐原则可以概括为：运营控制权应当与专业能力相匹配；代表发言权应当与贡献和风险控制需求相匹配；资本收益应当同时反映投资与集体价值创造。 词元资本或许被编码在机器中，但它的价值是由制度创造的。因此，最终的所有权问题并不只是：谁拥有模型？真正的问题是：谁有权治理这个学习循环，以及这种权力究竟代表谁的利益？ （文章仅代表作者观点。）