AI引发证明过剩：经济学如何从效率计算转向价值治理与权力重构

在很长一段历史时期内，学术界对于知识价值的衡量往往与“稀缺性”紧密挂钩。以数学为例，一个定理的证明之所以珍贵，不仅因为其逻辑的正确性，更因为发现这一证明过程需要耗费数学家数年甚至数十年的心血。然而，随着大语言模型与形式化验证工具的深度融合，我们正站在一个历史性的转折点上：数学研究可能正从“证明稀缺”迈向“证明过剩”。这一现象并非孤立存在，它像一面镜子，折射出经济学领域正在发生的更为剧烈的范式转移。当人工智能能够以极低的边际成本生成海量的预测、方案甚至代码时，传统经济学所依赖的稀缺前提发生了根本性动摇，但这并不意味着经济学失去了存在的意义，相反，其研究重心必须从单纯的效率计算转向更为深层的价值治理与权力结构分析。

传统经济学建立在资源有限而欲望无限的基本假设之上，价格机制和市场制度被视为解决稀缺问题的核心工具。然而，AI技术的爆发式增长正在重塑这一基础。当生成式人工智能能够低成本地创造数字内容，当机器人技术逐步接管制造业和服务业的重复性劳动，大量标准化商品与服务的供给曲线将发生剧烈右移，导致其价格趋近于零。这种物质层面的相对丰裕，容易让人产生“稀缺消失”的错觉。但深入观察会发现，稀缺并未消失，而是发生了维度的迁移。在数字内容可以无限复制的今天，人类的注意力成为了不可再生的稀缺资源；在算法可以生成无数种配置方案的当下，社会的执行能力与共识达成机制成为了瓶颈；在信息唾手可得的环境中，可信的数据源与真实的信任关系变得愈发珍贵。因此，经济学的首要任务不再是研究如何生产更多的物质产品，而是研究如何在注意力、信任、能源、算力以及优质空间等新稀缺要素之间进行有效配置。

更为关键的转变在于，当资源配置的过程逐渐由算法自动完成时，“如何配置”的技术性问题让位于“为何这样配置”的价值性问题。在传统微观经济学模型中，目标函数通常被视为外生给定的条件，研究者致力于在既定约束下寻找最优解。但在AI深度介入经济运行的未来，目标函数本身成为了最具争议的政治经济学议题。算法不会自发地知道社会应当优先追求利润最大化、就业稳定、环境可持续还是社会公平。不同的目标权重设置，将导向截然不同的社会结果。例如，一个以点击率为核心目标的推荐算法，可能会通过放大极端情绪来获取流量，从而损害社会凝聚力；一个以成本最低为目标的供应链系统，可能会牺牲必要的冗余度，导致系统在面临冲击时极其脆弱。因此，谁有权定义算法的目标函数？谁来决定哪些指标被纳入模型？谁拥有修改权重的权力？这些问题不再仅仅是技术细节，而是关乎经济权力分配的核心命题。经济学必须从研究市场均衡，转向研究智能系统的目标设定权及其背后的利益博弈。

与此同时，生产关系的变革将迫使经济学重新审视分配理论。工业时代的经济循环依赖于“劳动换取工资，工资支撑消费”的逻辑链条。劳动不仅是生产要素，更是收入分配的主要依据。然而，当智能体和机器人承担了绝大部分生产任务，人类劳动在生产体系中的必要性大幅下降，利润与就业之间的传统关联将被切断。企业可能在不增加雇佣的情况下实现营收的大幅增长，这将导致资本收益与劳动收入的进一步脱钩。如果智能资本、数据资源和算力基础设施集中在少数科技巨头手中，物质产品的丰裕可能与财富分配的极度不均并存。此时，传统的税收和福利政策可能不足以应对结构性失衡。经济学需要探索新的分配机制，如全民基本收入、数据要素分红、公共资本基金或智能资本税等，以确保宏观经济循环的可持续性。这不仅仅是社会福利问题，更是维持市场需求和社会稳定的基础性制度设计。

此外，算法权力的集中带来了新的垄断形式与治理挑战。在平台经济时代，掌握数据与模型的机构不仅适应市场，更在塑造市场。它们通过算法决定信息的可见性、交易的匹配规则以及信用的评估标准。这种权力具有自我强化的特性，容易形成难以逾越的竞争壁垒。未来的市场竞争，可能不再是产品功能的竞争，而是底层智能系统规则制定权的竞争。如果缺乏有效的制衡，少数平台可能将社会资源的配置权转化为永久性的控制权，进而侵蚀市场的公平性与开放性。因此，反垄断监管需要从关注市场份额转向关注算法透明度、数据可携带性以及智能体的问责机制。经济学需要发展出一套针对算法垄断的理论框架，研究如何审计自动化决策、如何界定模型错误的法律责任，以及如何防止技术权力对公共利益的侵蚀。

在这一背景下，经济学的学科属性也将发生深刻变化。它将从一门侧重于效率计算的“硬科学”，逐渐回归到关注制度、伦理与人类福祉的“价值科学”。AI擅长回答“怎么做”才能最高效，但人类必须回答“为什么做”、“为谁做”以及“做错了谁负责”。这意味着经济学家需要更多地介入哲学、法学与社会学的交叉领域，探讨在智能时代如何界定人的主体性、尊严以及参与权。研究的焦点将从GDP的增长速度，转向社会的韧性、个体的能力提升以及公共目标的达成质量。我们需要建立新的指标体系，来衡量一个社会在享受技术红利的同时，是否保持了足够的多样性、公平性与自由度。

值得注意的是，这种转型并非意味着抛弃传统的经济学工具，而是将其置于更广阔的治理框架之中。数理模型依然重要，但它们不再是终点，而是辅助人类理解复杂系统、模拟政策后果的工具。真正的创新在于如何将机器的计算能力与人类的判断力相结合，形成一种新型的人机协同决策机制。在这种机制中，机器负责处理海量数据、生成候选方案并预测潜在风险，而人类负责设定价值边界、权衡利益冲突并承担最终责任。这种分工要求经济学家具备跨学科的视野，既要懂技术逻辑，又要懂制度设计，更要懂人性与伦理。

综上所述，AI带来的“证明过剩”或“答案过剩”，实际上是对人类智慧提出了更高的要求。在稀缺时代，人们争论的是如何分蛋糕；在丰裕时代，人们必须争论的是谁来做蛋糕、按什么配方做蛋糕，以及蛋糕做好了归谁所有。经济学并没有因为技术的进步而终结，相反，它面临着比以往任何时候都更加复杂且重要的使命。它需要帮助社会在机器能够提供无限可能性的世界中，坚守人类的核心价值观，构建合理的权力制衡机制，并确保技术进步的成果能够惠及大多数人。这不仅是对经济学研究价值的重申，更是对人类在智能时代如何保持主体性、如何定义美好生活的深刻追问。未来的经济学，将是关于选择、责任与意义的科学，其核心在于确保我们在拥有强大工具的同时，依然拥有驾驭工具的智慧与勇气。