当ChatGPT流畅生成学术论文，当具身智能机器人精准完成外科手术，当工业AI系统实现全流程自主决策，人工智能已从实验室走进生产生活的每一个角落。党的二十届三中全会明确提出“完善推动新一代人工智能等战略性产业发展政策和治理体系”，将AI发展提升至国家战略高度。在这场由技术驱动的变革中，传统生产要素的价值逻辑正在被重构，一个核心问题愈发凸显：AI时代，什么将成为最稀缺的资源？
经济学的诞生根植于资源稀缺性这一基本现实。罗宾斯在经典定义中指出，经济学是研究人类行为与稀缺资源（具多种用途）之间关系的科学。纵观历史，稀缺资源从未恒定不变，而是伴随技术革命完成一次次“稀缺性转移”——前工业社会的土地、工业社会的资本与劳动、知识经济时代的技术与信息，每一次转移都重塑了经济增长模式与社会权力结构。AI的突破性发展，正推动人类社会进入新一轮稀缺性转移的关键期，而此次转移的核心，已不再是单一要素的替代，而是形成了以“认知盈余+伦理共识+治理能力”为核心的复合型稀缺资源体系。
历史镜鉴：稀缺性转移的规律与逻辑
理解AI时代的稀缺资源，必先回溯稀缺性转移的历史轨迹。这种转移并非偶然，而是技术突破、需求升级与要素禀赋变化共同作用的结果，其背后蕴含着清晰的演化规律——即稀缺资源始终向“价值创造的核心环节”与“供给弹性最低的生产要素”集中。
前工业社会，农业是经济的核心支柱，土地作为粮食生产的基础载体，其供给受自然条件严格限制，具有极强的刚性。随着人口增长，人均土地占有量持续下降，土地的稀缺性被不断放大。李嘉图的地租理论揭示了这一时期的资源逻辑：肥沃土地因更高的边际生产力形成差额地租，土地所有者通过控制这一稀缺资源掌握经济主导权。这种以土地为核心的稀缺结构，使得经济长期陷入“马尔萨斯陷阱”，在公元0至1820年的近1800年间，全球人均GDP增速始终低于0.05%，充分体现了土地稀缺对增长的刚性约束。
工业革命打破了土地主导的稀缺格局。蒸汽动力与机械化生产使生产效率实现质的飞跃，经济摆脱“马尔萨斯陷阱”进入持续增长阶段。此时，资本与劳动取代土地成为核心稀缺要素。从资本维度看，工业化对机器设备、厂房等固定资产的巨大需求，使资本积累成为经济扩张的关键驱动力；但根据索洛增长理论，资本边际产出会随存量扩大而递减，单纯的资本投入无法维持长期增长。从劳动维度看，工业体系既需要大规模劳动力供给，又对劳动者技能提出全新要求，低技能岗位被机器替代与高技能人才短缺形成结构性矛盾，技能稀缺成为制约技术扩散的重要瓶颈。这一时期，资本奠定增长基础，高技能劳动吸收技术创新，二者共同构成工业社会的稀缺核心。
20世纪下半叶，信息通信技术的普及推动人类进入知识经济时代，稀缺性再次发生转移。罗默的内生增长理论将“知识”纳入核心生产要素，揭示了其非竞争性、非排他性的独特属性——知识的使用不会产生损耗，反而能通过溢出效应创造更大价值。此时，以技术、专利、人力资本为代表的无形资本，逐渐取代边际报酬递减的有形资本，成为价值创造的核心。1980至2000年全球人均GDP年均增长率达到1.58%，显著高于工业革命初期，印证了无形资本对增长的强大驱动作用。
AI技术的爆发式发展，正是在知识经济基础上的新一轮革命。它不仅改变了要素的稀缺结构，更重塑了要素的组合方式——AI能高效处理海量数据、执行程序化认知任务，使传统意义上的信息优势被快速消解，而人类独有的高阶能力与社会协作所需的共识性资源，其稀缺性则被急剧放大。这种转移不是简单的要素替代，而是稀缺性从“有形”向“无形”、从“单一”向“复合”的深度演进。
核心稀缺：认知盈余——AI时代的价值原点
在AI大规模替代标准化认知劳动的背景下，最基础也最核心的稀缺资源，是人类的“认知盈余”。美国学者克莱·舍基在《认知盈余：自由时间的力量》中首次系统提出这一概念，将其定义为“社会群体在自由时间和智力资源未被充分开发利用的状态下，通过数字连接技术转化为集体智慧产出的能力与现象”。在AI时代，认知盈余的稀缺性并非源于总量不足，而是源于“有效供给”与“价值转化”的双重缺口。
AI的技术特性正在重构认知劳动的价值坐标。当前主流大模型已具备强大的信息整合、逻辑推理与内容生成能力，能在几秒内完成文献综述、数据分析、报告撰写等传统认知任务。这种高效性使得标准化认知劳动的边际价值快速下降——当AI能以极低成本完成重复性、程序化的思考工作时，人类在这一领域的比较优势已基本丧失。但AI的局限性同样明显：它缺乏真正的创造力、共情能力与价值判断能力，无法完成需要突破既有框架的创新活动，难以理解人类复杂的情感需求，更无法自主建立全新的价值体系。这种“AI能做”与“人类该做”的边界，恰恰定义了认知盈余的核心价值。
认知盈余的稀缺性首先体现在“高阶认知能力的供给不足”。这种高阶能力包括三个维度：一是突破性创新能力，即从0到1构建新理论、新方法、新范式的能力。AI的学习本质是对既有数据的归纳与演绎，它可以优化现有技术，但无法自主产生超越训练数据边界的原创思想。无论是基础科学的理论突破，还是颠覆性技术的创新构想，都需要人类调动想象力、直觉与批判性思维，这正是认知盈余的核心产出。二是复杂价值判断能力，即在多元利益冲突、伦理边界模糊的场景中做出合理抉择的能力。AI的决策依赖于数据训练形成的模式识别，而现实世界中的许多问题——如医疗资源的分配、科技发展的伦理边界——缺乏统一的量化标准，必须依赖人类基于道德共识、社会公平等价值维度进行判断。三是深度共情与人际连接能力，即理解他人情感需求、建立信任关系的能力。在教育、医疗、心理咨询等领域，人类的情感陪伴与共情回应是核心服务价值，这种基于生命体验的情感连接，是AI无法替代的稀缺资源。
其次，认知盈余的稀缺性体现在“有效转化机制的缺失”。现代社会虽存在大量碎片化的自由时间，但这些时间大多被低质信息消费所占据，未能转化为有价值的认知产出。平台资本通过算法推荐机制，将用户的注意力引向娱乐化、低门槛的内容，形成“注意力剥削”——用户看似在利用自由时间，实则在为平台无偿生产数据资本，自身的智力资源并未转化为个人或社会的认知盈余。这种“认知资源的错配”，进一步加剧了有效认知盈余的供给短缺。同时，数字鸿沟的存在使得部分群体缺乏参与认知盈余创造的技术条件与能力，导致社会整体认知资源的利用效率低下。
未来，认知盈余的稀缺性将进一步凸显。随着AI技术的迭代，其对中低阶认知劳动的替代范围将持续扩大，越来越多的工作岗位将向“人机协作”模式转型——人类负责提供创意、设定目标、进行价值判断，AI负责执行具体任务。这种转型将极大提升对高阶认知能力的需求，而教育体系、人才培养模式的调整存在滞后性，短期内难以满足这种需求增长，形成“需求激增与供给滞后”的结构性矛盾。在此背景下，能够产生高质量认知盈余的个体与组织，将成为AI时代最核心的价值创造者。
关键支撑：伦理共识与治理能力的双重稀缺
如果说认知盈余是AI时代价值创造的“原点”，那么伦理共识与治理能力就是保障这种价值有序实现的“框架”。AI技术的发展正在打破传统的人机边界、权责边界与隐私边界，引发一系列全新的社会问题。而能够规范AI发展方向、化解技术风险的伦理共识与治理能力，正成为日益稀缺的战略性资源。
伦理共识的稀缺性源于AI技术的“不确定性”与“价值嵌入性”。AI系统并非价值中立的工具，其算法设计、数据训练过程中必然嵌入开发者的价值判断，而大模型的“黑箱”特性又使得这种价值嵌入难以被察觉与调控。例如，自动驾驶系统在面临“保护乘客”与“保护行人”的两难抉择时，其决策逻辑背后隐含着对生命价值的排序；招聘AI系统可能因训练数据中的历史偏见，形成对特定群体的歧视。这些问题的解决，无法依赖技术本身，而需要社会形成统一的伦理共识——明确AI发展应遵循的价值原则、行为边界与责任标准。但这种共识的形成面临多重挑战：不同国家、文化、群体对伦理的认知存在差异，技术发展的速度远超伦理讨论的进程，资本逐利动机可能与公共伦理需求产生冲突。这种“共识形成的复杂性”与“技术发展的紧迫性”之间的矛盾，使得伦理共识成为稀缺资源。
我国在AI伦理建设方面已迈出重要步伐，个人信息保护法、数据安全法等法律法规的出台，为AI伦理提供了基本法律框架。但与技术发展速度相比，伦理共识的构建仍显滞后。例如，具身智能的发展使得机器人能够自主收集环境数据，其中可能涉及大量个人敏感信息，而现行隐私保护规则难以完全覆盖这种新型数据收集方式；AI生成内容的版权归属、责任认定等问题，尚未形成明确的伦理与法律标准。这些伦理空白不仅可能引发社会矛盾，更可能制约AI技术的健康发展——缺乏伦理约束的技术创新，终将失去社会信任的基础。
与伦理共识相伴而生的，是AI治理能力的稀缺。治理能力的稀缺性体现在三个层面：一是“前瞻性治理”能力不足。AI技术的迭代速度极快，传统的“问题出现后再监管”的治理模式已完全失效，需要建立“基于预测的前瞻性治理”体系。这要求治理者既具备深厚的技术素养，能够准确判断技术发展趋势，又拥有广阔的社会视野，能够预判技术可能引发的风险。但目前，这种“技术+社会”复合型的治理人才极为短缺，导致治理政策往往滞后于技术发展。二是“精细化治理”能力不足。AI技术的应用场景高度细分，不同领域的风险特征差异巨大——自动驾驶的风险在于安全责任，医疗AI的风险在于诊断准确性，生成式AI的风险在于内容真实性。这要求治理体系能够根据不同场景的风险等级，实施差异化的监管措施。而当前的治理模式多为“一刀切”式的原则性规定，缺乏针对具体场景的精细化标准。三是“多元协同治理”机制尚未形成。AI治理涉及政府、企业、科研机构、社会组织等多个主体，需要建立各方协同的治理网络——政府负责制定规则，企业承担主体责任，科研机构提供理论支撑，社会组织参与监督。但目前，各方权责边界不够清晰，存在“政府监管缺位”“企业责任规避”“社会监督无力”等问题，导致治理合力难以形成。
从全球范围看，AI治理能力的稀缺已成为普遍性问题。欧盟的《人工智能法案》试图建立全生命周期的监管框架，但在平衡“创新激励”与“风险防控”方面仍面临挑战；美国采取“行业自律为主、政府监管为辅”的治理模式，却导致了技术垄断与伦理失范等问题。我国提出构建AI治理的“中国方案”，这一方案的核心在于实现“发展与安全的平衡”——既要鼓励技术创新释放生产力，又要通过有效治理防范风险。而实现这一目标的关键，在于构建兼具前瞻性、精细化与协同性的治理能力，这种能力将成为AI时代国家竞争力的核心组成部分。
底层保障：从资源约束到可持续发展的能力稀缺
AI的发展不仅重塑了无形要素的稀缺结构，也对有形资源的供给提出了全新要求。长期以来，人们普遍认为AI将减少对传统资源的依赖，但从“稀缺性转移”的完整逻辑来看，AI的大规模应用正在使土地、能源、稀缺矿产等不可再生资源的重要性再度凸显，形成“无形资本主导下的有形资源约束”。而能够应对这种约束、实现AI可持续发展的“资源统筹能力”，正成为另一重要的稀缺资源。
这种资源约束首先体现在能源领域。AI技术的运行需要巨大的能源支撑——数据中心的服务器、训练大模型的超级计算机，都属于高耗能设施。随着大模型参数规模的扩大与应用场景的普及，AI产业的能源消耗量将呈指数级增长。有研究显示，训练一个大型语言模型的能源消耗相当于数百辆汽车一年的排放量。这种能源需求不仅对能源总量提出挑战，更对能源结构产生深远影响——如果依赖化石能源支撑AI发展，将与“双碳”目标产生严重冲突；而如果转向可再生能源，则需要解决能源供给的稳定性与储能技术等难题。目前，全球范围内尚未形成与AI发展相匹配的绿色能源供给体系，能源结构的转型速度滞后于AI技术的发展速度，能源约束将逐渐成为AI产业扩张的刚性瓶颈。
其次，稀缺矿产资源的约束日益凸显。AI技术的硬件基础——芯片、传感器、电池等，依赖锂、钴、稀土等稀缺矿产资源。这些资源的分布具有极强的地理集中性，供给受地缘政治、开采成本等多重因素制约，供给弹性极低。随着AI产业的快速扩张，对这些矿产资源的需求将持续增长，形成“需求激增与供给刚性”的矛盾。例如，稀土是制造芯片、永磁电机的关键材料，我国虽为稀土生产大国，但在高端加工领域仍存在短板；锂、钴等电池材料的主要产地集中在少数国家，供应链的稳定性面临较大风险。这种稀缺矿产资源的约束，不仅可能推高AI硬件的生产成本，更可能引发全球范围内的资源竞争，影响AI产业的全球布局。
应对这种有形资源约束的核心，是“资源统筹与可持续发展能力”，这种能力的稀缺性体现在两个层面：一是“技术创新与资源替代能力”不足。目前，针对AI产业高耗能、高矿产依赖的技术解决方案仍处于探索阶段——绿色数据中心技术、低功耗芯片设计、矿产资源回收技术等，都尚未实现大规模商业化应用。缺乏有效的技术替代方案，使得AI产业难以摆脱对传统资源的依赖。二是“全球资源配置与协同治理能力”不足。能源与稀缺矿产资源的供给具有全球性，而AI产业的发展也呈现全球化布局，这要求建立全球范围内的资源协同治理机制——包括资源开发的规范、供应链的稳定、技术标准的统一等。但目前，全球资源治理体系仍存在诸多碎片化问题，各国基于自身利益的资源保护主义抬头，难以形成应对共同挑战的合力。
我国在资源统筹能力建设方面具有独特优势。作为全球最大的能源生产国与消费国，我国正在加快能源结构转型，可再生能源的装机容量与发电量持续增长，为AI产业的绿色发展提供了基础。同时，我国在稀土、锂等矿产资源的开采与加工领域具有产业优势，能够为AI硬件产业提供稳定的资源供给。但要将这种优势转化为可持续发展能力，还需要在技术创新、全球协同等方面持续发力——通过研发低功耗AI技术、建立资源循环利用体系、参与全球资源治理规则制定，破解AI发展的资源约束。这种资源统筹能力，将成为AI时代保障产业安全与可持续发展的关键。
应对稀缺：构建AI时代的资源优化配置体系
面对AI时代复合型稀缺资源体系，应对的核心在于构建“认知盈余培育、伦理共识构建、治理能力提升、资源统筹保障”四位一体的资源优化配置体系，通过制度创新与技术创新，化解稀缺性挑战，释放AI技术的潜在价值。
在认知盈余培育方面，需要从教育体系与社会机制两方面发力。教育体系应打破传统的知识灌输模式，转向“高阶能力培养”——强化批判性思维、创新能力、共情能力的训练，将AI作为认知工具融入教育过程，培养“人机协作”时代所需的复合型人才。同时，应建立鼓励认知盈余创造的社会机制：通过完善知识产权保护制度，保障原创思想的价值实现；利用平台技术构建认知盈余共享平台，将碎片化的智力资源整合为集体智慧；通过政策引导与资金支持，鼓励科研机构、企业与个人参与认知盈余创造，形成“人人参与、价值共享”的认知生态。
在伦理共识构建方面，应采取“多元参与、渐进迭代”的路径。政府应牵头建立AI伦理委员会，吸纳政府官员、技术专家、伦理学者、社会公众等多方代表，制定具有普适性的AI伦理原则——包括以人为本、公平正义、透明可解释、责任可追溯等。同时，应针对不同领域的AI应用，制定细分的伦理规范，例如医疗AI的“生命至上”原则、招聘AI的“公平无歧视”原则等。伦理共识的构建不应追求“一步到位”，而应与技术发展保持同步，通过社会实验、公众讨论等方式持续优化，确保伦理规范既能够防范风险，又不会阻碍创新。
在治理能力提升方面，需要构建“前瞻性、精细化、协同化”的治理体系。前瞻性治理要求建立AI技术发展预测机制，通过技术监测与风险评估，提前预判可能出现的问题，制定预防性政策。精细化治理应基于“风险分级”原则，根据AI应用的风险等级实施差异化监管——低风险应用实行行业自律，中风险应用加强政府备案与监督，高风险应用（如自动驾驶、医疗AI）实施严格的准入与审批制度。协同化治理则需要明确政府、企业、科研机构的权责边界：政府负责制定规则与监管执法，企业承担技术伦理与安全的主体责任，科研机构提供技术支撑与风险评估，形成“多方共治”的治理网络。
在资源统筹保障方面，应构建“技术创新+全球协同”的应对体系。技术层面，加大对绿色能源技术、低功耗AI技术、资源回收技术的研发投入，推动AI产业与可再生能源、循环经济的深度融合，实现“AI发展与资源保护的协同推进”。全球协同层面，积极参与全球能源与矿产资源治理规则的制定，加强与资源生产国、消费国的合作，构建稳定、多元的资源供应链；推动建立全球AI产业的绿色发展标准，引导各国共同应对资源约束挑战，实现AI技术的可持续发展。
结语：在稀缺性转移中把握未来主动权
AI时代的稀缺性转移，本质上是技术革命对人类社会资源逻辑的重塑。从认知盈余的价值创造，到伦理共识的方向引领，再到治理能力的风险防控，以及资源统筹的基础保障，这一复合型稀缺资源体系的形成，标志着人类社会正进入“以人的能力为核心、以社会共识为框架、以可持续发展为目标”的新阶段。
稀缺性的转移同时意味着机遇的重构。对于个人而言，培养高阶认知能力、参与认知盈余创造，是在AI时代立足的核心竞争力；对于企业而言，构建伦理合规体系、提升技术创新能力，是实现可持续发展的关键；对于国家而言，打造完善的治理体系、培育优质的认知生态，是在全球AI竞争中占据主动的战略支撑。
党的二十届三中全会强调要“引导新兴产业健康有序发展”，这一部署精准把握了AI时代的发展规律。AI技术是推动生产力发展的强大动力，但只有通过有效的资源配置与制度创新，才能将技术潜力转化为社会进步的动能。面对稀缺性转移带来的挑战，我们既要保持技术创新的活力，又要坚守以人为本的价值底线，在认知盈余的培育中释放人的潜能，在伦理共识的构建中凝聚社会合力，在治理能力的提升中防范技术风险，最终实现AI技术与人类社会的协同共生，在新一轮科技革命与产业变革中把握未来的主动权。
