内容摘要：生成式人工智能展现出了传统机器所不具有的智能水平，这是否意味着劳动价值论已经不再适用。生成式人工智能的本质是概率计算模型，缺乏人类劳动所特有的自觉目的性，也不具备无限的适应性，是人类劳动的概念与执行进一步分离的结果。在现实经济中，它主要替代常规型认知工作，其应用场景局限于标准化程度高、作业流程相对固定的行业。生成式人工智能的活动不具有社会主体性，不是社会抽象劳动的一部分，不创造新价值。生成式人工智能只能将自身所包含的“旧价值”逐步转移到新产品中。生成式人工智能的应用确实会提高个别劳动生产率，使用生成式人工智能的部门获得来自其他部门的价值转移，这些价值共同构成了生成式人工智能产品的价值来源。

2022年11月30日，OpenAI 正式发布了 ChatGPT，此后，Gemini、Claude、Deepseek 等生成式人工智能模型纷纷崛起，模型托管平台 HuggingFace 托管的模型数量已从2022年的几千个增长到了2025年的200万余个。与此同时，各类生成式人工智能的商业化应用也逐渐成熟，预计在未来十年内生成式人工智能将推动全球劳动生产率提高1.5个百分点，并最终推动全球 GDP 增长7%（约合7万亿美元）。生成式人工智能是指以大量数据训练为基础，根据用户的提示或请求，通过大语言模型与深度学习架构生成有意义的内容、指令或预测的智能技术。当前在很多领域，生成式人工智能的作业形式与效率已经能够与人类劳动相媲美，因此理论界再次对劳动价值论提出了质疑，活劳动是否还是价值的唯一源泉？生成式人工智能是否能够创造价值？如果不能，那么使用生成式人工智能的企业产品价值来自哪里？

一、人工智能条件下劳动价值论还适用吗

在生成式人工智能技术飞速发展的当下，劳动价值论是否仍然适用？国内外的相关讨论由来已久，早在10年前机器学习发展兴起后，就有很多学者对劳动价值论的适用性提出了质疑，生成式人工智能出现后，相关议题的讨论日趋激烈。一部分学者认为人工智能的活动已经具备了目的性、适应性等人类劳动基本特征，能够创造价值，因此劳动价值论不再适用；另一部分学者则认为人工智能的本质仍然是机器，在生产过程中只能转移自身的价值而不能创造新价值，劳动价值论仍然适用。

（一）人工智能条件下劳动价值论不再适用

一部分学者仍然强调劳动是价值的源泉，但是认为人工智能的活动与人的活劳动之间已不存在显著差异，人工智能能够进行劳动并创造价值。例如，托马斯·罗塔和罗德里戈·特谢拉认为，人工智能表现出了与传统机器截然不同的特性：“作为一种非劳动投入，它能够生成人类劳动者在最初编程时完全未曾构想、预见或计划的新产出”。这种产出结果相对于人的劳动投入具有独立性，“意味着固定资本本身似乎已经具备了不依赖人类劳动的生产性和创造性力量”，这表明劳动价值论的基础被动摇了。赫苏斯·阿亚拉-科尔基更明确地指出，当自动装置能够自行生产新的机器而无须人类劳动干预时，“人工智能和其他相关技术的发展就可能使机器通过自我生产和自我生成创造更多价值”。类似地，杰米·特伦斯·凯利也认为人工智能能够脱离人类进行劳动。在他看来，让人工智能进行劳动是可能的，“如果具有主体性的人工智能够生产出来能进行广泛且灵活的类似人类劳动的机器，我们将见证机器人劳动者的出现”。并且，“如果机器人的劳动——其有目的的活动——可以被用于照料它自身的需要，那么资本家将不仅获得机器人劳动，还将获取大量无偿劳动”。不过也有学者认为，人工智能创造价值需要更严格的社会条件，如果人工智能将来能够取得独立的社会地位，才能够作为社会主体参与劳动过程并创造价值。

另一些学者则认为，在劳动之外的其他要素与过程也能创造价值，人工智能作为资本投入能够提供信息、处理数据，所以也能够创造价值。这一思想渊源可以追溯到二百年前庸俗经济学家们在机器大工业时代对资本和自然力创造价值的分析。在人工智能技术蓬勃发展的当下，要素价值论得到了进一步发展，奈杰尔·沃尔顿和巴亚尼·尚卡·纳耶卡提出人工智能能够通过处理数据创造价值，人工智能能够通过利用数据和信息进行商业模式创新来创造价值，即利用算法对外部用户产生的大数据进行捕获、挖掘和货币化，这些产品的价值创造过程并不需要劳动，因此新的价值创造来源将是数据、信息和人工智能能力。类似的观点并不少见，金泰完和尼古拉斯·文森特认为，“数据即劳动”，许多数据生成活动属于应当获得承认和补偿的生产性人类劳动。浏览、点击和表达等日常行为不仅仅是消费活动，也是一种生产活动，用户在使用过程中“为企业的人工智能系统生产有价值的投入”。琼·托伦特-塞伦斯则进一步指出，除了典型的“计算、信息和通信等传统数字价值”，新一代人工智能还催生了“预测和流通等新数字价值”。一方面，通用型人工智能通过处理海量数据进行编码分析，其所提供的具有决策意义的服务具有预测价值；另一方面，人工智能能够为各类资源、产品、服务、任务的交换创建新的数字生态系统，因而具有流通价值。在这些讨论的基础上，耶尔内伊·马凯利和克劳迪奥·塞利斯·布埃诺主张以“机器能动性”概念重构价值范畴。他们认为，机器剩余价值产生于“不同的人类与非人行动者之间的连接”，这种连接组合并放大了人、技术和自然的能力，能够使价值 “超越仅以人类劳动和人类时间为基础的人类中心主义定义”。

（二）人工智能条件下劳动价值论仍然适用

坚持这一观点的学者认为，隐藏在人工智能背后的人类劳动和生产资料投入才是人工智能产品的价值来源，人工智能本身不能创造新价值。一部分学者强调，人工智能的本质是不变资本，其活动与人类活劳动存在显著差异。阿特勒·米科拉·克约森认为，人工智能“本身已经是价值”，作为死劳动的价值本身无法再创造价值；并且，人工智能与人类活劳动差别很大，其“是否能达到人类智能的灵活性和通用性也存在疑问”。格利姆·卡切迪进一步解析了生成式人工智能的活动与人类活劳动的差异：人类产生新知识（即脑力劳动）的过程是一个基于辩证逻辑的开放式过程，它意味着从社会决定的“无形式潜能”中转化出全新的现实；相比之下，计算机和人工智能完全受制于形式逻辑，其运作属于预定过程。因此，生成式人工智能“缺乏支撑思考未知事物能力的人类创造力”，并且其“形式逻辑排除了矛盾的可能性”。这决定了生成式人工智能只能作为一种高效的生产手段，而无法像人类那样通过处理未定性和矛盾来进行脑力劳动。人工智能领域的技术专家指出，生成式人工智能是“愚蠢”的，它们所做的只是预测序列中的下一个词元，并不能理解词元的真实含义。

另一部分学者则强调人工智能产品的价值来源于价值转移，来源于创造人工智能投入的活劳动和生产资料。由于人工智能并非一种自主的、独立的生产力，而是深嵌于资本主义劳动组织与技术控制体系之中的。因此虽然人工智能取代了很多直接生产过程中的体力劳动，但“一般智力”“总体工人”正在发挥越来越重要的作用，活劳动仍然是价值创造的源泉。当前看似自动运行的人工智能背后实际隐藏着的弥补技术局限性的活劳动常常被忽视。詹姆斯·斯坦霍夫指出，当代人工智能产业对数据/机器学习科学家、数据/机器学习工程师、数据分析师、服务人员和“幽灵工人”等劳动力仍然有大量的需求。一方面，算法工程师设定特定算法，利用计算机进行机器学习，并通过反馈筛选对结果进行修正，以使其符合预期目标，这一过程创造了大量新价值；另一方面，那些从事数据标注、内容审核和价值对齐等“微工作”的数字计件工主要集中于广大发展中国家，人数众多但生存处境堪忧，拿着极低的薪资创造了大量的剩余价值。还有一部分价值转移的来源是生产资料。梅雷迪思·惠特克等指出，人工智能的“全栈供应链”涉及资本、劳动力、地球资源——每一个方面的需求量都很大。凯特·克劳福德则进一步强调，人工智能系统的整个生命周期链条都存在着对人类劳动和自然资源的各种形式的开发。因此，“生成式人工智能所创造的商品（产出物）中所体现的‘新’价值，不过是既有价值的一部分转移——这部分价值原本蕴含于两个载体：一是训练数据，二是统计程序”，算法本身只有通过进一步提升其能力所需的技术程序（收集新数据、改进基础统计程序等）才能额外吸收劳动并转移价值。

（三）既有讨论需要进一步审视

综上所述，国内外学界围绕人工智能条件下劳动价值论适用性的讨论较为丰富，但仍需要进一步审视。一方面，现有研究所关注的人工智能往往都过于宽泛，常常将传统的机器学习与生成式人工智能、具身智能等一概而论，而不同类型的人工智能具有不同的运行原理，若不能对其进行明确阐述，就难以深入剖析不同类型人工智能的具体运作逻辑，这样会导致对人工智能活动的界定模糊，难以把握其本质。当前最具有颠覆性、影响力最为深远的人工智能技术形式就是生成式人工智能，然而，鲜少有研究在阐明生成式人工智能运行原理的基础上，明确论证其在价值形成过程中所发挥的作用。另一方面，许多研究缺乏对政治经济学基本范畴的准确理解，混淆了自然力、算法计算与人类活劳动的界限，错误地定义了抽象劳动与价值的内涵，更缺乏对人工智能产业实际劳动过程的考察，并不清楚人工智能能起到何种经济影响以及人工智能背后的产业链条。本文以当前对生产方式影响最为深远的生成式人工智能作为具体分析对象，对其运行逻辑进行政治经济学的分析，回答生成式人工智能是否创造价值以及生成式人工智能产品的价值来源这两个核心问题。

二、生成式人工智能的运行原理与经济影响

判断生成式人工智能的活动是否是活劳动，不能仅关注其智能表现，还需要明确其背后的实际运行逻辑。生成式人工智能是如何生成和运转的？它在实际经济中替代了什么类型的劳动？只有对这些客观事实有了清晰的认识，才能将其活动与人类活劳动进行对比，明晰它究竟是创造价值的主体还是辅助生产的工具。

（一）生成式人工智能的运行原理

生成式人工智能是一种基于概率统计原理、深度神经网络架构与海量数据训练的算法模型。首先，在底层架构上，当前主流的生成式人工智能普遍以 Google 公司团队在2017年提出的“Transformer 架构”为基础。Transformer 架构的核心在于引入了自注意力机制（Self-Attention Mechanism），在传统的人工智能架构中，词语往往被视为孤立的符号或仅受相邻词语影响的序列，而自注意力机制允许模型在处理每一个输入词元（Token）时，能够并行地计算它与上下文中所有其他单元之间的关联权重。这使得生成式人工智能能够将自然语言中的语义关系转化为高维向量空间中的数学距离：两个词在语义上越相关，它们在向量空间中的距离越近，权重就越高。因此，生成式人工智能在“阅读”文本时，能够通过数学方式计算词与词之间的共现概率，但它并不理解这些词语背后的社会含义与现实意义。值得注意的是，当前最新一代的生成式人工智能通过引入思维链机制，推出了大型推理模型（Large Reasoning Models），这类模型在给出最终答案前会进行一段长长的“推理过程”，这同样并不意味着模型产生了类似于人类的思考能力。根据 Apple 公司团队的研究，这些模型并未掌握通用的算法逻辑，它们表现出的推理能力高度依赖于训练数据的分布。当面对复杂度超出训练分布的问题时，模型的准确率就会发生坍塌式的下跌。因此，即便是这些能够“思考”的模型，其底层架构依然是在进行概率匹配，而非真正的人类思考。

其次，基于 Transformer 架构的生成式人工智能预训练（Pre-training）阶段，是一个对海量人类语料进行概率压缩的过程。研究人员利用数以万亿计的单词、代码及文献作为训练数据，要求模型执行预测任务。例如，在 GPT 系列模型的训练中，算法会输入一段文本的前序内容，要求模型根据上文预测紧接着出现的下一个词元，并根据预测结果与真实文本的误差进行参数更新。在这个阶段，人工智能只是在庞大的规模上，通过处理大量的数据并进行大量的计算从而“记住”了人类语言中词语组合的概率分布。当前，最新一代的生成式人工智能往往采用测试时计算（Test-Time Computing）策略，这是一种在输出阶段而非预训练阶段，通过大量增加计算量来换取智能的方法。模型在给出最终答案前会生成成千上万个思考词元（Thinking Tokens）来模拟人类的规划和反思过程。这使得模型使用的算力和电力消耗成百倍增加：前沿生成式人工智能模型如今使用的词元数量是四年前的100多倍，且按照当前的扩张速度，到2030年，根据任务复杂度的不同，单次查询的词元使用量可能升至15万至150万个。

最后，为了使这种基于概率预测的模型能够输出符合人类价值观和指令的结果，生成式人工智能还需经过后训练（Post-training）阶段。这一阶段主要包括“监督微调”（SFT）、“基于人类反馈的强化学习”（RLHF）或“基于人工智能反馈的强化学习”（RLAIF）等过程。开发者会雇用工作人员来阅读、审查人工智能的答案，并根据各种特征对答案进行优劣判断，这些判断会被用于额外的训练，从而进一步强化正确答案的出现概率。通过后训练，生成式人工智能的生成结果就能进一步符合人类的思维逻辑，这使得它们看似具备了人的认知能力，但在本质上这是人类活劳动物化在作为生产资料的算法中的结果。值得一提的是，RLAIF 虽然在一定程度上实现了使用人工智能替代一部分人工进行强化学习，但是所替代掉的只是简单的、机械性的反馈工作，而为了训练和评估像 Gemini 或 ChatGPT 的新一代大型推理模型，人类必须进行更深度地介入和评估。一些复杂结果往往需要同领域的博士学历评估人员花费半小时以上的时间才能完成一个样本的验证。因此，随着生成式人工智能不断迭代，RLAIF 会替代一部分 RLHF，但新的、需要人工验证和反馈的样本也在不断涌现并且逐渐复杂化。更为根本的是，RLAIF 所使用的人工智能本身也必然是前期人类劳动的成果，无论如何，后训练过程是不可能脱离人类劳动独立完成的。

以上分析表明，生成式人工智能是一个融入了对象化的活劳动与社会信息数据的概率计算模型：经过了复杂的预训练过程，它能够将输入指令转化为向量，在庞大的参数网络中进行运算，计算出下一个最可能出现的词元，输出该词元，然后将其作为新的输入，循环往复，直至生成结束。这种运行模式与瑟尔著名的“中文房间”实验高度相似：想象一个人拿着一本包含问题与答案的中文手册进入一个封闭的房间中，另一人则在房间外发送中文问题，房间内的人只需要对照着中文手册，找到发送进来的问题、返回手册上的答案，房间外的人就会以为房间内的人是个会思考的中文专家，而实际上房间内的人对中文一窍不通，更谈不上什么自觉与目的。艾米丽·班德等学者形象地将生成式人工智能称为“随机鹦鹉”（Stochastic Parrots），它就像一只记忆力超群的鹦鹉，能够根据概率随机地拼接出它在训练数据中见过的语言片段，但它对这些片段的含义一无所知。它产生的连贯文本，仅仅是因为它在海量数据中观察到了这些词语经常以这种顺序出现。

（二）生成式人工智能的经济影响

与人工智能将全面取代人类的激进观点不同，经济发展的实践表明，生成式人工智能并非一种具备全能生产力的通用机器，其经济影响呈现出显著的结构性与非对称性特征。

从应用范围来看，生成式人工智能在现实中的应用场景局限在标准化程度高、作业流程相对固定的行业。技术的经济价值取决于其能否与现有的生产任务互补，尽管生成式人工智能在生成文案和语言交流上表现出通用性，但其在与现有生产任务互补方面存在显著的落地鸿沟。生成式人工智能目前的优势局限于处理文本、图像和代码等数字世界的任务，而在涉及农业、制造业、建筑业等需要与物理世界进行连接的行业中，由于缺乏具身智能的支持，生成式人工智能几乎无法直接形成生产力。人类劳动者能够自如地从文案写作切换到搬运货物，再到处理各类人际关系；相比之下，生成式人工智能一旦脱离了预设的流程环境，其智能表现便会迅速失效。为了弥合这一鸿沟，生成式人工智能必须经历去通用化的改造过程。生产过程不需要一种不怎么好用的通用人工智能，而是需要为解决特定的问题而专门设计和开发的人工智能。开发者可以将生成式人工智能作为一个底层的“智能中枢”（Intelligent Hub），搭载到特定的软件架构之上，输入专有的行业数据，并将其与具体的生产过程标准作业程序（SOP）进行硬性连接，构建一个特定功能的“智能体”（Agent）。这一过程在赋予生成式人工智能具体生产能力的同时，也使其丧失了原本标榜的通用性。因此，生成式人工智能并非是一个能够适应所有生产条件的通用劳动者，在具体生产过程中仅能作为针对特定信息处理环节进行效率优化的专用机器使用，其经济价值的实现高度依赖于人类为其构建的特定硬件与软件环境。

进一步深入到具体行业与劳动性质层面，生成式人工智能对经济的影响呈现出显著的非均衡性特征。根据劳动者所需的技能，工作任务可以分为常规型操作、常规型认知、非常规型操作和非常规型认知四类。回顾世界经济史可知，技术对劳动的替代并不是伴随着本轮生成式人工智能的浪潮才出现的新现象。早在第一次工业革命时期，机器就实现了对大量常规型操作任务的替代，彼时的认知型工作由于受到“行政制度安排”以及“技术难题”的双重保护而未受波及。这一保护在如今被打破，正如达龙·阿西莫格鲁等学者所指出的，人工智能对工作的替代作用集中体现在常规型认知工作上，而对于那些处于金字塔顶端的非常规型操作和非常规型认知岗位，人工智能通常作为辅助工具被引入。也就是说，生成式人工智能所替代的并非人类的创造性脑力劳动，而是那些遵循既定规则、基于符号操作的部分（如翻译、行政管理、公文写作）。具体而言，这种替代效应在企业组织中集中作用于中间管理层。在传统的科层制企业中，中层管理者、资深文员或业务骨干的核心价值在于他们的大脑中存储了大量显性知识，能够依靠多年职业生涯积累的行业惯例、历史案例和合规流程进行工作。以往这些基于记忆的知识只能依附于特定的人，然而生成式人工智能通过海量历史数据的训练，成功地将这些原本属于个体的经验知识剥离出来，固化为模型的参数。生成式人工智能能够瞬间调用人类过去的管理案例，迅速生成决策建议或调度方案，这就导致原本承担上传下达、信息整理和基于经验做常规判断的中间管理层变得冗余。正如我们所看到的，Amazon 正在使用人工智能算法取代中层管理者，该算法可以根据一系列预设指标自动警示和解雇绩效不达标的员工。而在线招聘平台 Indeed 的数据显示，从2022年底 ChatGPT 推出到2023年底，信息设计/文档相关的岗位需求下降了44.3%，金融服务业的岗位需求下降了33.2%。

（三）生成式人工智能的活动是活劳动吗？

生成式人工智能代替了许多常规型认知工作，展现出了普通机器所不具有的智能属性，认为劳动价值论不再适用的学者便据此为由，认定智能属性的存在使得生成式人工智能具备了进行活劳动的新特性。但事实上，具备所谓的“智能”属性和能够进行劳动是两个不同的概念，生成式人工智能的活动并不是活劳动。

与动物的本能活动或机器的机械运作相比，人类活劳动具有三个显著的本质特征。首先，人的劳动是有目的的行为。人类的大脑即使是处理最抽象的数学问题，也伴随着直觉、意识和目的性，人可以自由选择接下来做什么。在劳动开始之前，劳动的蓝图、过程和结果，就已经作为观念在劳动者的头脑中存在了，“劳动过程结束时得到的结果，在这个过程开始时就已经在劳动者的表象中存在着，即已经观念地存在着。他不仅使自然物发生形式变化，同时他还在自然物中实现自己的目的，这个目的是他所知道的，是作为规律决定着他的活动的方式和方法的，他必须使他的意志服从这个目的”。其次，人类的活劳动具有无限适应性。与非人类的活动受制于特定的自然本能或机械设定不同，人类劳动蕴含着巨大且多样的潜能，这使得人类能够突破生理限制，从事极度广泛的生产活动，并具备在不同工种与任务间灵活转换的能力。“有理智的和有目的的性质……给人类劳动力以无限的适应性，并造成扩大人类劳动力自身生产力的社会条件和文化条件”。相比之下，非人的“劳动”则始终被局限在特定的自然或技术限制之中，无法实现这种灵活转换。最后，人的劳动内在地包含着概念与执行分离的可能性。从人类劳动的具体形式来看，在前资本主义的生产方式中，劳动过程中的概念与执行是统一于同一位劳动者身上的；但是随着资本主义生产方式的发展，劳动过程中的概念与执行逐渐分离，并分属于不同的劳动者。这种分离在工场手工业阶段日趋明显并最终在机器大工业阶段逐渐完成。“随着人类劳动逐渐成为一种社会现象而不是一种个人现象，这就有可能把概念和执行分离开来——不象在动物那里，动力即本能是和行动分不开的”。

基于生成式人工智能的运行原理，我们可以看到它无法满足人类活劳动所特有的这三个特征。

首先，生成式人工智能的活动不是自觉的、有目的的活劳动。有研究认为生成式人工智能已经“表现”出了自觉性与目的性。从认知科学视角来看，这种认识实际上是一种被称为“意向性立场”（Intentional Stance）的错觉，是人以自身的意向性立场看待世界，从而将其他行为对象视为一个具备信念、欲望及意向性的理性主体的结果。将生成式人工智能理解为自觉的、有目的性的个体，归根结底是研究者并不了解生成式人工智能的运行逻辑、带入自身情况而产生的心理投射。一旦我们明确了生成式人工智能的运行逻辑，就会认识到基于“Transformer 架构”的生成式人工智能的活动，其本质是一种受到特殊刺激就释放出一定精力的类本能行为：它接收到来自词元的刺激、基于概率论模型释放出耗费算力的输出，这是一种被编程的计算过程，而非自觉的、有目的的人类脑力劳动过程。

其次，生成式人工智能的活动不具有无限适应性。一方面，生成式人工智能本身不具备无限适应性。虽然生成式人工智能与传统人工智能相比表现出了一定的通用性，但这种所谓的通用性是抽象的，在大部分行业中它不能被拿过来直接使用，难以与现实物理世界连接并转化为生产力。另一方面，搭载生成式人工智能的智能体也不具备无限适应性。构建智能体的过程本质上是一个去通用化的过程，智能体只能从事特定工作，不具备与人类劳动相同的无限适应性。更为重要的是，人类活劳动的无限适应性来源于其社会存在，生成式人工智能作为“死劳动”无法跨越这一鸿沟。人类的劳动过程不仅是物质变换过程，更是社会关系的生产与再生产过程。劳动者是受情感、文化及社会规范深刻影响的社会主体，能够在复杂的生产协作中感知情绪、理解潜台词并灵活应对非预设的社会挑战。相比之下，生成式人工智能是固定的算法模型，它没有情感体验、文化自觉和社会意识，在面对生产过程中充满不确定性的人际互动与社会关系时，它是被设定的。它只能依据预训练的数据分布进行机械反馈，而无法像人类那样主动调整并适应复杂的社会生产环境。

第三，生成式人工智能只是人类劳动的概念与执行进一步分离的结果。工业革命时期的机器作为劳动产品，实现了体力劳动过程中概念与执行的分离，工人无需理解机器的基本技术理论和数据而只用不假思索地执行指示即可。生成式人工智能的性质与之类似；它也是一种劳动产品，只不过其所推动的是人类脑力劳动的概念与执行的分离，使得使用它的常规型认知劳动者不需要再去理解工作中相关知识，而只需要去操作相关的生成式人工智能即可。可见，随着大工业的发展，知识将越来越变成直接的生产力并固定在机器体系上，“固定资本的发展表明，一般社会知识，已经在多么大的程度上变成了直接的生产力，从而社会生活过程的条件本身在多么大的程度上受到一般智力的控制并按照这种智力得到改造”，在资本主义生产方式下，这种一般智力被大资本所掌控，后者利用其对知识的垄断来实现对劳动过程的控制。生成式人工智能正是一般智力发展过程中的最新形态，它被大资本所控制，将原本属于人类脑力劳动中的概念环节通过算法和数据进行了编码与固化，转化为机器的自动执行过程。因此，生成式人工智能本质上与机器类似，是人类活劳动概念与执行分离的产物，而非活劳动本身。

三、生成式人工智能的价值形成机制

生成式人工智能在劳动过程中的作用与机器无异，它们都属于不变资本，无论其智能化程度如何提升，其本身不可能创造新价值而只能转移旧价值。具体而言，在研发和训练生成式人工智能的过程中有大量的活劳动和生产资料投入，具有价值。在劳动过程中通过劳动者对人工智能的操作和监督，将其“旧价值”转移到新产品中。除此之外，掌握生成式人工智能的企业提高个别劳动生产率在市场竞争中获取超额价值。

（一）生成式人工智能的活动不能创造价值

既然无论是在自觉性层面、适应性层面还是概念与执行相分离的层面上，人工智能的活动都不能等同于人的活劳动。那么为什么当前学界还普遍存在人工智能能够创造价值的观点呢？实际上，这些观点往往混淆了价值创造与使用价值创造的概念。人工智能能够进行物理做功，也能进行智能活动从而创造大量的社会财富和使用价值，但是这并不意味着价值创造。使用价值或者财富是生产中各种要素综合作用的结果，“劳动并不是它所生产的使用价值即物质财富的唯一源泉”，“自然界同劳动一样也是使用价值（而物质财富就是由使用价值构成的!）的源泉”；价值则是由抽象劳动创造的，是凝结在商品中的无差别的人类抽象劳动，作为抽象劳动对象化的结果的价值是具有“纯粹的社会现实性”的，是“人的活动（劳动）的一定的社会存在方式”。创造价值的活动不仅是生理意义上的人类的活劳动，还必须是社会意义上的抽象劳动，生理意义上的劳动耗费只是抽象劳动的前提条件而不是抽象劳动本身。抽象劳动是一个社会历史范畴，它以人们之间的生产关系为前提，这种生产关系在商品经济条件下表现在物质形式——商品之中，形成了物化的抽象劳动，即价值。

明确生成式人工智能是否创造价值，不仅要分析生理学意义上的人的劳动，还要从社会抽象劳动的层面进行分析。生成式人工智能本身并不具有社会主体性，因而其活动不是社会抽象劳动的一部分。在资本主义生产方式下，具有社会主体性的人是“双重自由”的劳动者，正如马克思所揭示的，生产者必须被“彼此当做那些可以让渡的物的私有者，从而彼此当做独立的人”来对待。这样一来，这些独立主体的劳动时间就会成为价值的尺度，他们具有明确的自身利益诉求并且能够在社会环境中基于实现和维护自身利益的需要而对劳动时间的耗费做出各自判断，并且在雇佣关系中让渡自身劳动力商品以换取生活资料，而处于这一关系中的劳动力商品则发挥其特殊作用，形成社会抽象劳动并创造新价值。因此，劳动价值论中所谓的社会抽象劳动必须是“自由劳动”；在马克思的《资本论》当中，价值不是普遍范畴，而是资本主义生产方式下雇佣劳动所特有的范畴。所以，在资本主义生产方式下，生成式人工智能的活动如果要被确定为社会抽象劳动，那么它同样必须成为一个具备自主性、拥有环境适应能力的独立社会主体，能够出售自身劳动力、成为雇佣劳动者，这将完全是不可能的。机器、人工智能或自然力，都是生产过程中的客体，是社会主体的财产而非能够让渡劳动力的社会主体本身，是“人的产业劳动的产物，是转化为人的意志驾驭自然界的器官或者说在自然界实现人的意志的器官的自然物质。它们是人的手创造出来的人脑的器官；是对象化的知识力量。”，这样一个机械的、作为财产的客体永远无法转化为一个社会的、能够让渡自己劳动力的主体，它的活动自然就不属于社会抽象劳动，其本身自然无法创造价值。

然而，一些学者直接把个别企业使用了生成式人工智能和这些企业获得的价值增殖联系起来，论证生成式人工智能能够创造价值。这种单独确定个别使用生成式人工智能的企业获得价值增殖仅仅是表层的。资本主义生产过程所决定的是商品总量的价值，而单个商品的价值“只被看做是它们各自分摊到一份并在观念上进行估价的那个总劳动的可除部分”，只能通过总价值除以产量获得。在考虑创造价值的活劳动时，不能只考虑某个使用生成式人工智能的企业，而必须考虑整个生产部门的情况；不仅要看到使用生成式人工智能的企业很少投入或基本未投入活劳动，还要看到整个部门的其他企业投入的大量的活劳动。考虑一个极端的理论假设，使用生成式人工智能的企业完全不使用活劳动，在这种情况下其产品的价值仍然由整个部门的平均条件下形成的活劳动的必要时间决定。个别使用生成式人工智能的企业的价值增殖不足以证明是人工智能创造了价值。

（二）生成式人工智能的价值转移与活劳动的价值创造

既然生成式人工智能并不能创造新价值，那么使用生成式人工智能的企业的价值来源来自哪里？马克思在《资本论》中已经对机器产品的价值来源以及机器在生产过程中的价值转移机制进行了深入分析。在马克思看来，新价值的源泉只能是活劳动，在生产过程中，“机器创造价值，不是因为它代替[活]劳动，而只是因为它是增加剩余劳动的手段，并且只有剩余劳动本身——一般地说，就是劳动——才是借助于机器创造出来的剩余价值的尺度和实体”。因此，“机器不创造价值”，创造价值的是被机器所“使用”的劳动，机器“产生的剩余价值，即剩余劳动，——无论是绝对剩余劳动，还是相对剩余劳动，并非来源于机器所代替的劳动能力，而是来源于机器使用的劳动能力”。但是，机器作为不变资本会将自身的价值转移到产品中去，对此马克思指出：“转变为生产资料即原料、辅助材料、劳动资料的那部分资本，在生产过程中并不改变自己的价值量”，而是会按照其损耗的程度，逐步转移到新产品中去。也就是说，机器这类不变资本“加进的价值，决不会大于它由于磨损而平均丧失的价值”。不过，“就机器具有价值，从而把价值转给产品来说，它是产品价值的一个组成部分”。这些分析原理仍然适用于生成式人工智能，人工智能和机器在价值形成过程中发挥的作用没有本质差异。

1. 来自活劳动的价值转移与价值创造。

当前生成式人工智能的发展看似摆脱了对人类劳动的依赖，但事实并非如此。资本主义发展至今也始终不能摆脱对劳动的依赖，自动化不可能普及到整个生产领域，因为只要资本主义生产方式还存在，剩余价值的创造就是必然的规律，这一规律是无法与全自动化生产相容的。诚然，随着技术的发展，生成式人工智能出现了“自动化的自动化”趋势，这只是表象，“自动化的自动化”趋势的实质是生产主体从“局部工人”向“总体工人”转化。在生成式人工智能蓬勃发展的背景下，“为了从事生产劳动，现在不一定要亲自动手，只要成为总体工人的一个器官，完成他所属的某一种职能就够了”。价值创造的边界虽然被拓宽，但作为价值创造源泉的总体工人的活劳动却从未改变，这些活劳动体现在人工智能的研发、训练、操作、监督的全过程中。其中研发、训练人工智能所投入的活劳动会将自身创造的价值凝结在生成式人工智能模型中，这部分价值会在生成式人工智能的运行过程中转移到产品中去；而操作、监督生成式人工智能的劳动则会直接创造新价值并凝结在产品当中。

首先，生成式人工智能在生产过程中将自身研发所耗费的活劳动创造的价值转移到产品中。生成式人工智能的研发本身，包括自动化的自动化推进，都是建立在人工智能科学家和工程师的脑力劳动之上的。随着技术的发展，设计、编写、修改程序的脑力劳动的重要性不断凸显。2014—2024年间，美国劳动力市场对 Python 技能的需求上升了527%、对数据科学技能的需求量上升了833%、对 SQL 技能的需求量上升了133%，这部分脑力劳动涉及对生产过程的全面构建，涵盖了从算法模型的顶层设计、运行环境的搭建，到具体代码编写及操作细节规划的全部投入；既涉及最终成功的技术方案中的劳动投入，也包含在研发过程中因大量试错、迭代甚至失败构想所耗费的劳动投入；既包括形成具体技术操作方案等“指令知识”的应用型劳动，也包括为技术进步提供底层科学原理支撑等“命题知识”的基础型劳动。

其次，生成式人工智能在生产过程中将训练自身所耗费的活劳动的价值转移到产品中。生成式人工智能的训练大量依赖“幽灵工作”（Ghost Work），这些劳动隐藏在技术之后，难以被察觉却又至关重要。一方面，训练生成式人工智能仍需要做大量的数据工作。科学研究已经表明，在当前技术水平下用机器所生成的数据训练过的大语言模型往往存在不可逆缺陷，甚至会导致模型崩溃。因此，Meta 在 Llama 3的开发中透露，他们使用了超过1 000万条人工标注的高质量指令微调数据，与早期的生成式人工智能相比，新一代生成式人工智能所需的标注数据不仅仅数量增加，而且复杂性和质量显著提升。这些工作往往通过数字众包平台、业务外包公司和定制服务公司交付给众包劳动者。另一方面，即便使用合成数据，强化学习阶段也需要雇佣大量劳动力进行人工评判和调试。因此，生成式人工智能只是在表面上实现了自动化的自动化，实际上却仍然依赖大量平台和外包公司中的幽灵工人，他们被质检系统和平台机制严格控制，工作强度大、收入低，在“数字泰勒主义”（Digital Taylorism）的规训下贡献了巨大的价值增殖。

除此之外，在生产过程中应用和监督人工智能还要投入新的活劳动，这部分劳动会创造新的价值并且凝结在产品中。生成式人工智能产业不能独立于经济社会而存在，一方面，生成式人工智能需要大量服务劳动力为其提供保障，如司机、保管、保洁、维修工等；另一方面，在制造业、医疗、教育等具体行业，应用生成式人工智能也需要劳动力进行操作和监督。这些劳动都会创造新价值并且凝结在生成式人工智能的产品之中。综上所述，生成式人工智能的开发和应用离不开人类活劳动，这些贯穿于人工智能研发、训练、应用、监督的劳动是生成式人工智能产品价值来源的重要组成部分。

2. 来自生产资料的价值转移。

生成式人工智能具有显著的重资产与高能耗属性，其产品价值的另一个重要来源就是开发与应用生成式人工智能所投入的生产资料的价值转移。正如马克思所指出的：“大工业把巨大的自然力和自然科学并入生产过程，必然大大提高劳动生产率，这一点是一目了然的，那么生产力的这种提高并不是靠增加另一方面的劳动消耗换来的这一点却决不是同样一目了然的。”这种生产力的提高实质是因为，“在大工业中，人才学会让自己过去的、已经对象化的劳动的产品大规模地、像自然力那样无偿地发生作用”。在生成式人工智能领域，大量的作为劳动产品的硬件与能源也发挥着重要的作用。有研究认为，生成式人工智能具有“特殊成本结构”：其“原型产品”生产成本极高，但是一旦推广，其后续所有复制品的生产成本就微不足道了。因此，生成式人工智能不会将自身的价值转移到产品中去，它如同已经被发现的科学规律一样不具有价值。我们认为这种观点是错误的，不同于一经发现就恒久不变的科学规律，生成式人工智能在诞生之初就在不断迭代，从这个角度来讲基于某一代生成式人工智能“原型产品”的复制品数量并不大，因而它们所分摊的成本也并不小。即便是部分开源生成式人工智能，使用它们也不是没有成本的。正如马克思所明确指出的：“自然力不费分文；它们进入劳动过程，但是不进入价值增殖过程；然而，自然力推动的原动机，或使自然力适用于劳动过程的原动机是有价值的。”科学规律一旦公之于众，便不再耗费社会劳动，但要将这些规律应用于生产，则必须依赖于由人类劳动所创造的物质设备。马克思以电磁学为例指出：“电流作用范围内的磁针偏离规律，或电流绕铁通过而使铁磁化的规律一经发现，就不费分文了。但是要在电报等方面利用这些规律，就需要有极昂贵的和复杂的设备”。

任何生成式人工智能的开发和应用都离不开以下几类生产资料。首先，要拥有或租赁极其昂贵的硬件设备——包括高性能的 GPU 集群、庞大的数据存储系统、高速网络以及维持其运行的整个数据中心基础设施。当前，各科技巨头都在加大人工智能硬件的投入，Meta、Alphabet、亚马逊与微软预计在2026年合计投入逾4 000亿美元用于 AI 基础设施建设，这一数字较2025年增长21%。这些大量的、凝结在生产资料中的价值会转移到生成式人工智能模型中，并在生产过程中进一步转移到产品中去。其次，开发和应用生成式人工智能需要大量的能源和资源投入。国际能源署2025年发布的报告指出，自2020年以来所有大型生成式人工智能训练的累计耗电量大约为17亿度；以 GPT-4 为例，其训练时间大约为14周，耗电量约为 4 240万度，这相当于7万个发展中国家家庭一整年的用电量。训练完成后，当用户向模型提问时，每次任务也都会耗电，中型语言模型的每次任务约耗电5瓦时，而大型推理模型的耗电量则会翻倍，图像与视频生成的耗电量更高，生成一段6秒的低质量视频需要约115瓦时，这足够使一只常见的 LED 灯泡点亮10小时。另一项巨大的资源投入是冷却用水，据 Google 公司2025年的环境报告披露，其数据中心和办公室（不包括由第三方运营的数据中心）在2024年消耗了310亿升水，较2022年的212亿升水增加了50%，这约等于60万人一年的生活用水需求量。除此之外，铜、钴、锂、镍等新型矿产以及稀土元素也是许多人工智能硬件生产的必备原料，在生成式人工智能蓬勃发展背景下作用愈发突出。过去5年，这些关键矿产的需求翻了一番，预计到2030年可能还会增长3.5倍。上述这些能源资源在开采、生产、运输的过程中同样凝结了大量物化劳动，它们自身的价值最终也会转移到生成式人工智能的产品当中。

正如拉明·拉姆丁所指出的，作为一种特殊的生产工具，软件的价值只有与硬件结合在一起时才会释放出来，而此时生产出来的物品的价值转移不是由永不磨损的软件的平均耐用性决定的，而是由硬件的平均耐用性决定的。开源的生成式人工智能软件的开发与应用必须配套大量的硬件设施和能源资源，其生产过程占据大量的资本，“由于占有资本——尤其是机器形式上的资本——，资本家才能攫取这些无偿的生产力”，而这部分资本正是生成式人工智能产品价值的重要来源之一。并且，随着生成式人工智能的不断迭代发展，对这些生产资料的需求将会成倍增加。

（三）竞争过程中生成式人工智能的价值转移

随着生成式人工智能技术的迅速发展，率先将其应用于生产过程的企业往往能获得显著的效率提升和超额利润，这一现象常常成为生成式人工智能本身具有价值创造能力的佐证。个别率先采用生成式人工智能的企业获得了超额利润，并不能证明生成式人工智能创造了新价值；恰恰相反，这部分新增的价值，实际上是在竞争过程中转移的超额价值，这部分转移的价值是由其他企业雇佣工人的活劳动所创造的。马克思在《资本论》第三卷分析级差地租时提到了瀑布的例子，利用瀑布进行生产的厂商拥有极大的成本优势，但它的商品在市场上并非按自己的个别成本定价，而是按社会平均条件定价。马克思深刻地指出，这部分厂商之所以能获得超额利润，应该归功于瀑布的自然推力，而“这些自然力，和由协作、分工等引起的劳动的社会自然力完全一样，是被资本垄断的。工厂主要对煤炭进行支付，但是对于水改变物态，变成蒸汽的能力，对于蒸汽的压力等等，却没有进行支付。对自然力的这种垄断，也就是对这种由自然力促成的劳动生产力的提高实行的垄断，是一切用蒸汽机进行生产的资本的共同特点”。

在生成式人工智能蓬勃发展的背景下，这种“瀑布效应”表现得尤为显著。单个企业不是因为想要或渴望人工智能才转而使用人工智能（事实上，很多人显然害怕它），而是因为竞争迫使他们使用人工智能，无论他们是否想要它。但是人类的技术发明与应用从来不是均等分布的，当前最先进的生成式人工智能模型及其背后的算力基础设施，正如马克思笔下的瀑布一样，是一种被少数科技巨头垄断且分布极不均匀的稀缺生产条件。“就像瀑布那样，只有那些支配着特殊地段及其附属物的人才能够支配它”，当个别企业率先接入这种高效的“数字瀑布”来优化生产流程时，其生产单位商品所需的活劳动时间大幅缩减，其产品的价值远低于行业平均水平，这些像自然瀑布一样的技术又难以被其他不具备条件的行业个体所占有、运用，那些率先运用生成式人工智能的企业的产品就可以按照由社会平均生产条件所决定的较高社会价值出售。

正如马克思所指出的，“只要机器还没有在该生产部门中占统治地位，首先使用机器的资本家出售的商品即使低于社会价值，仍然可以高于商品的个别价值。换句话说，只要他们的工人的劳动表现为高于平均劳动的较高的劳动，这种劳动的产品也就具有较高的价值”。这样一来，率先使用生成式人工智能的企业就能够获得价值转移，马克思详细论述了这一转移机制的具体逻辑：“如果满足通常的需求的，是按平均价值，也就是按两端之间的大量商品的中等价值来供给的商品，那么，其个别价值低于市场价值的商品，就会实现一个额外剩余价值或超额利润”。并且，在生成式人工智能这里，“产生的超额利润，不是产生于资本，而是产生于资本对一种能够被人垄断并且已经被人垄断的自然力的利用”。因此，使用生成式人工智能的企业所获得的这部分超额价值并非是由人工智能自动生成的，而是通过市场机制，将其他使用传统技术的企业所创造的超额价值，转移到了应用先进生成式人工智能技术的企业手中。

四、结 语

本文基于生成式人工智能的运行原理和经济影响，辨析了生成式人工智能的活动是不是劳动，其是否创造价值。价值作为特定生产关系下的社会范畴，其唯一源泉始终是人类的活劳动，生成式人工智能的活动与人类活劳动存在很大差异。生成式人工智能产品的价值实际源于研发、训练、应用及监督全链条中“总体工人”活劳动的对象化，以及硬件、能源等生产资料价值的转移；而应用企业所获的高额利润，则更多源于超额价值的转移。尽管当前的生成式人工智能在技术形态上展现出与传统机器不同的智能性和通用性，并极大提升了企业的生产效率，但其本质仍属于作为不变资本的死劳动，而非能够创造新价值的活劳动。即便技术的发展在未来使得脑机接口、人机融合成为事实，人类社会到达了“奇点”，活劳动与死劳动的界限也不会消失。正如卢卡奇所指出的，在机器大工业时代“人无论在客观上还是在他对劳动过程的态度上都不表现为是这个过程的真正的主人，而是作为机械化的一部分被结合到某一机械系统里去”；那么在“奇点”之后，这种结合将不仅是概念意义上的结合，而将是物理意义上的结合：劳动所隶属的资本进一步从体外深化至了体内，从物理延伸到了精神，这只是进一步深化了劳动对资本的实际从属，而不可能模糊掉劳动和资本的界限。因此，生成式人工智能的发展并未改变，也不可能改变资本主义生产方式以价值增殖为目的的根本逻辑，劳动价值论在当今仍然具有重要的理论和现实意义。

习近平总书记指出：“人工智能带来前所未有发展机遇，也带来前所未遇风险挑战。”在生成式人工智能蓬勃发展的当下，劳动价值论仍然是解析经济社会问题的重要原理，它为我们用辩证的眼光来审视人工智能的发展与应用提供了重要工具。一方面生成式人工智能的发展与应用带来了劳动方式的深度变革和劳动效率的显著提升，但另一方面也进一步遮蔽了劳动过程的具体细节，强化了企业对劳动的控制和规训。技术的发展往往具有两面性，作为社会主义国家我们应该充分发挥制度优势，紧密把握人工智能发展趋势和规律，加快制定并完善相关法律法规、政策制度、应用规范，在维系人工智能持续安全发展的基础上，探索一条确保人工智能发展服务于人民福祉的可行路径。

作者：谢富胜，中国人民大学全国中国特色社会主义政治经济学研究中心副主任，中国人民大学出版社总编辑，教授；郭子昂，中国人民大学经济学院博士研究生；张陈玥，中国人民大学经济学院硕士研究生

本文转载自教学与研究（2026年第8期）。文章经授权发布，如需转载，请统一注明出处人大政治经济学论坛及作者