资本追捧下的AI产业竞争需慎思｜法经兵言

2025年上半年，美国整体GDP增长1.6%，但细观其结构，增长动力近乎完全倾斜于数据中心和信息处理技术领域的巨额投资，其他经济领域的贡献微乎其微，增长率仅为0.1%。据预测，2025年美国人工智能数据中心支出规模将高达5200亿美元。然而，这种增长主要由微软、谷歌、亚马逊、Meta等科技巨头驱动，而非由AI技术广泛应用带来的消费侧扩张或生产效率的实质性提升。这些企业动辄投入数百亿乃至近千亿美元用于“军备竞赛”式的算力堆砌，却普遍面临投资回报率难以预期的风险。美国AI产业在受到资本追捧的同时，未来是否可持续，更值得关注。

风险值得高度关注

当前，美国AI经济发展高度依赖资本投入，而非依靠全要素生产率提升或消费市场繁荣。AI产业的突破性进展，首先需要数据中心、电网和硬件的建设等有形的、资本密集的基础设施作为支撑，这就容易形成不平衡的增长动力结构，一旦投资热情消退或资本收紧，增长便可能失速。美国对AI的投资高度集中，虽拉动了美国建筑、能源和IT硬件等少数上游产业的GDP增长，但尚未有效渗透和传导至传统制造业、服务业、医疗健康、教育等更广泛的经济中下游领域，并未有效转化为可大规模商业化、能够显著提升消费者福祉或降低生产成本的产品与服务。

健康的经济发展应形成“投资-创新-生产效率提升-收入增长-消费扩大-再投资”的良性循环，然而巨额投资集中涌向算力基础设施，由此产生的AI能力消费侧却显疲软，可能导致投资回报周期被拉长，甚至可能陷入算力的“内卷”式竞争。科技巨头们竞相投入资本，主要目的是争夺算力制高点，构建模型训练的壁垒，保持其在AI领域的领先地位，但其商业模式的落地应用、盈利前景仍充满不确定性。这种状况类似于互联网泡沫前期对光纤网络等基础设施的过度投资，虽然必要的底层建设不可或缺，但若远超前于实际需求和应用场景，则必然会引发市场风险。

从市场的角度而言，美国此种AI增长模式不仅存在阻碍产业发展的可能，还会对市场竞争秩序和经济稳定构成挑战，其风险值得高度关注，尤其是外溢风险更是值得警惕，特别是其高资本刺激的增长模式是否具有可持续性，以及跟随性需要慎思。

首先，高度集中的资本可能导致资源配置失衡，抑制产业创新。当大量资本涌入算力基础设施建设时，AI算法的底层理论突破、AI与具体行业深度融合的应用创新、数据治理与隐私保护技术、AI伦理与安全研究等软件领域的投入则易相形见绌，而可控、安全是AI发展的基本前提，资源错配可能阻碍AI技术多元化、健康化的发展路径，形成“唯算力论”的创新瓶颈。

其次，高筑的资金壁垒可能会固化AI市场竞争格局，损害市场竞争秩序。微软、谷歌、亚马逊、Meta等科技巨头动辄数百亿美元的投入，筑起了极高的资金壁垒，使得中小企业和初创公司难以在基础模型层面参与竞争，可能导致算力、数据、大模型等AI核心资源和技术人才日益集中于少数巨头手中，进一步强化和巩固其市场支配地位，损害市场竞争活力和创新动力，阻碍AI技术的普惠性发展。

最后，不平衡的经济增长结构可能引发宏观经济风险。AI经济增长过度依赖少数科技巨头的资本开支，使得整体经济存在一定的脆弱性，易受个别行业波动和企业决策的影响，一旦AI投资回报不及预期、周期过长，或宏观金融环境收紧，可能导致企业缩减投资，进而影响整体经济增长，甚至引发连锁反应，这种结构性脆弱性值得高度警惕。

为何被视为核心优势的算力反而成为当前AI产业发展“难以承受之重”？目前进行大模型训练所需的计算资源和数据量正在呈现指数级增长，这种高昂的固定成本构成了AI产业最主要的市场进入壁垒，使得只有具备巨大财力的少数科技巨头才能承受，因此资源的高度集中赋予了科技巨头对算力、芯片和数据的控制权，极易产生垄断风险。

但这种算力投入也为科技巨头带来了巨大的压力。一方面，算力优势的维持成本极高，算力基础设施布局需要巨大的能源和环境成本，科技巨头们为保持领先地位，被锁定在高额且持续增长的资本支出中，这种模式在经济增长期或融资宽松时尚可维持，一旦经济环境变化，便可能难以为继。

另一方面，随着模型规模扩大，训练成本呈指数级增长，但模型性能的提升曲线可能逐渐平缓，单纯堆砌算力无法实现真正的通用智能，然而，为了在技术上保持领先，企业只能持续投入，这是一种被迫的“军备竞赛”，可能导致算力成为当前AI产业发展中最大的泡沫。

多个维度实现均衡发展

从宏观趋势看，AI风险治理的国际分歧正在加剧。美国与欧盟正推动不同版本的“AI法案”，其中欧盟强调透明度与可追溯性，美国则侧重市场自律与行业标准化。我国AI产业正处于快速发展时期，且拥有规模庞大的应用领域、场景与用户，需在技术突破、应用创新、产业融合、法规完善、伦理健全等多个维度实现均衡发展，坚持创新驱动与市场需求牵引相结合，着力营造公平竞争、开放协同、安全可信的AI产业发展环境。

其一，需要摒弃“唯算力论”，坚持技术与应用双轮驱动。必须避免陷入盲目追求算力规模的误区，应更加注重AI技术的底层原始创新、算法效率提升以及与实体经济各领域的深度融合应用。产业政策支持应着眼于创造丰富的应用场景，推动AI技术赋能千行百业，切实提升生产效率和消费者福祉，形成投资与消费相互促进的良性循环。应强力推动AI与实体经济，特别是制造业的深度融合，通过深入实施“人工智能+”，让AI技术真正走进普通应用场景，优化生产流程，催生新业态，切实解决产业痛点，提升全要素生产率。

其二，需加强法律法规与伦理治理体系建设，为创新保驾护航。加快完善数据安全、隐私保护、算法治理、知识产权等相关法律法规，明确AI研发者、部署者、使用者的法律责任，划清AI发展应用的底线与红线。建立健全覆盖AI产品全生命周期的伦理审查和风险评估机制，在产品设计、开发、部署阶段进行系统性评估，确保其公平、可信、可控，确保AI创新在法治轨道上行稳致远。健全的治理体系能有效消除公众对技术滥用的担忧，这不仅能规避技术滥用风险，也能通过建立可信赖的AI环境，真正激发消费侧的需求和信心。

其三，维护公平竞争，预防市场垄断与资源错配。竞争执法机构应密切关注AI产业链竞争情况，特别是底层算力、基础模型等关键环节的市场竞争状况。要防止科技巨头通过不合理的手段控制关键资源、设置市场壁垒，对通过排他性协议、数据封锁、恶意收购等手段阻碍竞争的行为依法予以规制，防止市场力量过度集中。应倡导算力、数据等资源的开放共享、互联互通，鼓励建设国家级的公共算力平台和高质量开源开放数据集，以普惠价格向中小企业和科研机构开放，为中小企业创新发展与竞争留出空间。

其四，秉持我国“以人为本”的治理理念，推动AI普惠发展。AI发展的终极目标是为了人的福祉，必须确保技术进步的红利不为少数群体或行业独享，而是惠及全社会，助力解决发展不平衡不充分的问题。应通过税收优惠、补贴、培训等方式，支持面向中小企业的轻量化、低成本AI解决方案，努力降低AI技术的使用成本和门槛。我国应积极参与数据跨境流动、AI伦理准则、安全标准等国际规则制定和国际人工智能治理，推动建立更加公平、包容、有利于发展中国家发展的全球AI治理体系，防止“数字鸿沟”加剧。同时，引导AI技术向教育、医疗、养老、乡村振兴等民生领域倾斜，让AI成为促进社会公平、提升人民生活质量的有效工具，确保AI发展的红利能够惠及更广泛的社会群体和产业部门。

（陈兵系南开大学竞争法研究中心主任，法学院副院长、教授、博导，数字经济交叉科学中心研究员；董思琰系南开大学竞争法研究中心博士生）