徐翔、李涛（中央财经大学）

这篇文章的选题，源于我们对一个日益显现的经济现象的观察。一方面，数据被视为数字经济中的重要生产要素，人工智能投资也在持续增加；另一方面，宏观生产率并未像乐观预期那样的快速上升。企业层面也常见类似情况：有的企业积累了大量用户、交易和运营数据，却仍然难以形成稳定的决策优势。数据平台越建越大，指标越做越细，真正进入研发和经营判断的信息却不一定同步增加。我们由此产生了一个基本疑问：数据是否总是越多越好？如果不是，数据在什么条件下会从创新资源变成创新负担？

现有的数据经济研究给了我们重要启发。数据具有非竞争性，同一份数据可以被重复使用，确实可能带来规模收益。但在多数宏观模型中，数据通常被当作一种质量相对一致、能够直接进入生产或研发过程的投入。这个处理便于分析，却与企业使用数据的实际过程存在距离。现实中的数据并不是整理好的知识，而是由各种经济活动不断产生的原始记录，其中包含噪声、冗余、错误和相互冲突的内容。企业必须先完成筛选、清洗、分类和解释，才能把它变成可用信息。由此，数据规模和数据价值之间不应只有单调增加的关系，还应存在一个处理能力的边界。

顺着这一思路，我们把注意力转向“信息过载”。这一现象在管理学、心理学和信息科学中早有讨论：当信息超过人的认知和组织的处理能力时，更多信息未必改善决策，反而会增加搜寻成本和判断困难。但在宏观增长理论中，这一现实摩擦尚未得到充分刻画。我们的工作重点不是再一次证明信息过载的存在，而是寻找一个能够把它放进增长模型的简洁表达，使数据积累、人工智能投资和知识生产可以在同一框架中分析。

“熵”为我们提供了一座桥梁。信息熵用于描述信息的不确定性和无序程度。我们借用香农熵的基本思想来区分两类数据：一类是高熵的原始数据，规模很大，但混杂着噪声；另一类是经过处理后的有效数据，可以直接支持研发和知识生产。这样一来，人工智能在模型中的角色也发生了变化。它不再只是替代劳动的自动化技术，也不是普通意义上的生产资本，而是一种具有“熵减”功能的特殊资本。它通过模式识别、预测、异常检测和多源数据整合，提高经济体从原始数据中提炼有效信息的能力。

模型的核心关系由此逐步形成。我们把数据看作消费和经济活动的副产品，经济越活跃，产生的数据越多；同时，数据会因过时而折旧。知识生产不仅需要研发劳动和已有知识，也依赖于有效数据。有效数据则取决于原始数据与人工智能资本之间的相对规模。为了准确描述信息过载，我们把这种关系设定为倒U形：在人工智能处理能力给定时，原始数据较少，增加数据有利于创新；数据超过一定阈值后，噪声和处理成本上升，有效数据反而减少。人工智能资本增加，可以把这一处理边界向外推，使经济体能够消化更大规模的数据。

在上述设定中，一个关键变量是原始数据与人工智能资本之比，我们可以将其理解为经济体所承受的信息负荷。这个比值过高，说明数据积累快于处理能力，经济体处于信息过载区域；比值过低，则可能意味着人工智能资本投入过多，而可供处理的数据相对不足。最有效的状态不是数据或人工智能单方面越多越好，而是二者保持合理匹配。

接下来，我们把这一机制放入动态增长框架，考察数据和人工智能投资如何共同影响经济增长路径。模型显示，人工智能未必直接改变由人口和创新结构决定的长期增长率，但会显著影响经济体所处的生产率水平。如果人工智能投资长期跟不上数据生成速度，信息负荷持续上升，有效数据下降，研发回报随之降低，企业更不愿意投资研发和人工智能，经济体可能落入“信息过载陷阱”。反过来，当技术进步或政策支持推动信息处理能力提高，经济体就可能释放已有数据的价值，从较低的生产率路径跃迁到较高的路径。这个结果也为理解微观应用进展较快、宏观生产率改善较慢的现象提供了一种解释。

仅仅说明存在两条路径还不够，还需要回答市场能否自行找到合适的投资水平。为此，文章比较了去中心化市场均衡与社会最优配置，重点识别了两类与数字经济直接相关的市场失灵。第一类来自数据生成。消费和经营活动不断产生数据，但个体决策通常不会充分考虑数据收集对他人隐私造成的成本，因此市场容易产生过量原始数据。第二类来自人工智能投资。企业只计算自身获得的收益，却不会完整考虑其投资对全社会信息负荷的影响。这种外部性不是固定为正或为负，而取决于经济所处的状态：信息过载时，人工智能投资有助于其他企业共同提高数据利用效率；数据相对不足时，过度投资又可能造成新的错配。

数值模拟结果表明，市场并不会自然停在信息负荷最合适的位置，可能出现人工智能投资过度的低水平稳态，也可能因投资不足走向持续恶化的路径。进一步的参数分析表明，数据生成越快，所需的人工智能资本越多；数据保存价值越持久，长期处理历史数据的投入也越大；不同产业的数据生命周期不同，所需的人工智能投资强度自然不能采用同一标准。

这条分析路径最终落到对政策的判断上：数字经济治理并不能只鼓励“多采数据、多上项目、多建算力”，而要关注数据质量与处理能力是否匹配。对无必要的数据收集，应通过隐私规则、数据最小化和相应成本约束加以治理；对具有公共熵减作用的基础项目，可以给予更有针对性的支持；人工智能产业政策则应根据行业的信息负荷动态调整，在投资不足时补足短板，在投资过热时及时退出。

回看全文，我们希望帮助读者形成的一种认知是，数据并非天然有效，人工智能也并非天然带来增长，二者之间存在加工、匹配和治理问题。只有把原始数据转化为有效信息，数据要素的非竞争性和规模优势才可能真正转化为生产率。

（《熵减与增长——数据要素和人工智能如何重塑经济增长路径》载于《经济评论》2026年第4期）