徐翔、李涛（中央财经大学）

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

近年来，数据和人工智能被普遍视为推动经济增长的新动能。企业不断增加数据采集、算力和算法投入，各地也在加快建设数据基础设施。但一个值得重视的现象是，数据规模的迅速扩张并没有自动带来同等幅度的生产率提升。很多企业手中并不缺数据，真正缺少的是从海量数据中找出有用信息的能力。数据越积越多，报表越来越细，决策反而可能变慢，研发人员也容易被重复、矛盾和无关的信息拖累。这正是数字经济发展中需要解释的现实问题。

过去讨论数据要素，往往强调数据可以重复使用、复制成本低，因而倾向于认为数据越多，创新条件越好。这个判断在数据较少时是成立的，但不能无限延伸。现实中的原始数据并不是可以直接投入生产的标准化资源。交易记录、传感器读数、图片、文本和用户行为数据中，常常混杂着噪声、遗漏、重复和错误。企业要把这些材料转化为判断和知识，必须付出清洗、筛选、比对和解释的成本。当数据增长超过处理能力时，新增数据带来的成本可能大于收益，形成“数据很多、信息不够”的局面。

《熵减与增长——数据要素和人工智能如何重塑经济增长路径》一文从信息熵出发，尝试对上述问题作出解释。简单地说，熵可以用来表示信息的混乱和不确定程度。未经处理的原始数据通常处于高熵状态，真正能支持研发和决策的，则是经过整理、提炼后的低熵信息。由此来看，人工智能的重要作用不只在于替代某些劳动或提高设备效率，还在于帮助企业识别模式、发现异常、统一口径和剔除噪声，把原始数据加工成可用于创新的有效信息。

文章据此提出，原始数据与创新效率之间存在倒U形关系。在数据稀缺阶段，增加数据能够改善预测和研发；达到一定规模后，如果人工智能、算力、算法和数据治理能力没有同步提高，信息过载就会出现，更多数据反而降低创新效率。人工智能投资的意义，就是扩大经济体处理和消化数据的能力，使原本造成拥堵的数据重新成为有用资源。因此，决定数据价值的并非数据规模本身，而是数据积累与处理能力是否匹配。

这一机制也有助于理解数字经济时代的“新生产率悖论”。人工智能在企业和具体业务中可能已经带来生产率的明显改善，但宏观生产率的上升仍不突出，其中一个原因是技术应用需要配套条件。当数据治理、组织流程、人才结构和算力基础没有跟上时，单纯增加数据或购买人工智能工具，未必能形成稳定的效率提升。不同经济体即使长期增长速度相近，也可能因为数据处理能力不同，处在不同的生产率水平上。当人工智能投资不足时，数据增加会加重信息负荷，研发效率下降，企业进一步缺少投资动力，最终陷入低水平循环；当处理能力充足时，经济体则可能转向更高的生产率路径。

文章还指出，依靠市场自身并不一定能够形成合适的数据和人工智能投资规模。一方面，数据往往伴随消费和经营活动生成，企业和消费者通常不会充分承担数据收集、长期保存和使用带来的隐私成本，容易出现过度收集和低质量数据堆积。另一方面，企业投资人工智能时主要考虑自身收益，较少计算这项投资对全社会数据处理效率的影响。当一个行业已经处于信息过载状态时，某一企业增加人工智能投资可以帮助其他企业共同降低信息负荷，具有正外部性，市场投入可能不足；但在数据本来就较少的情况下，过度扩张算力和算法投入也可能造成资本浪费。因此，人工智能产业政策不能简单地长期补贴，也不能笼统地限制投资，而应根据行业所处状态作出调整。

本文具有十分清晰的政策启示。首先，数据治理要从追求数量转向重视质量，落实数据最小化和目的限制，减少不必要的数据采集、重复保存和超范围使用，同时建立更清晰的数据质量标准。其次，研发支持政策应更多投向真正提高数据处理能力的基础环节，如数据清洗、标准统一、高质量语料库和基础模型，而不是只按人员、项目和资金规模分配补贴。再次，应对不同行业的信息负荷进行动态判断。可以结合生产率变化、企业应用瓶颈、数据增长与算力投资速度等指标，识别问题究竟出在数据不足，还是出在处理能力不足，再决定是否给予补贴、税收抵免或适度约束。

数字经济的增长潜力，不在于无止境地积累数据，也不在于单独追求算力规模，而在于把数据转化为有效信息。只有数据供给、人工智能投资和治理能力保持协调，数据才能从企业的存储负担变成创新资源，人工智能也才能真正成为推动经济增长的长期力量。