黛安·科伊尔：测不准的进步

你每天免费使用的导航地图、翻译软件和搜索引擎，如果明天全部开始收费，你愿意付多少钱？无论这个数字是多少，它都很难体现在GDP里——因为你实际支付的价格是零。黛安·科伊尔（Diane Coyle）从《无重的世界》《极简GDP史》到《齿轮与怪物》《衡量进步》，长期追问统计口径与真实福祉之间的裂隙。她是剑桥大学班尼...... 本文来自微信公众号： 北大汇丰PFR ，作者：北大金融评论，原文标题：《专访黛安·科伊尔：测不准的进步》 你每天免费使用的导航地图、翻译软件和搜索引擎，如果明天全部开始收费，你愿意付多少钱？无论这个数字是多少，它都很难体现在GDP里——因为你实际支付的价格是零。 黛安·科伊尔（Diane Coyle）从《无重的世界》《极简GDP史》到《齿轮与怪物》《衡量进步》，长期追问统计口径与真实福祉之间的裂隙。她是剑桥大学班尼特公共政策讲席教授、英国社会科学院院士，此前曾担任英国竞争委员会成员、BBC信托副主席，也长期为英国国家统计局提供咨询——既是追问统计口径的学者，也是亲手用过这些数字做决策的人。 今天，AI正在让开头提到的此类问题变得具体、棘手：开源大模型近乎零成本扩散，效用很大，账上仍可记为零；训练数据的权属不清，价值算进谁的财富也不清；进步到底测量的是价格还是人们实际得到的东西；人人受益却难靠收费活下去的系统，该不该只交给市场…… 围绕数字时代的经济测量、数据确权、公共品的供给，以及经济学自身的边界，《北大金融评论》对剑桥大学班尼特公共政策讲席教授、英国社会科学院院士科伊尔教授进行了专访。她指出，“单一化、同质化的纯商业变现模式，不仅会侵蚀微观市场的可竞争性，更会在长期尺度上扼杀全社会的实质性创新活力。如果我们能构建一个更加健康的生态系统，完全可以催生出更多面向公共利益的AI创新成果。” 本文完整版刊登于《北大金融评论》第29期。 在两边都待过的人 在牛津大学读完哲学、政治学与经济学（PPE）后，科伊尔远赴哈佛攻读经济学博士，1985年获得学位。她在那里的几年，正是哈佛经济系阵容最盛的时期：马丁·费尔德斯坦刚于1982年出任里根总统经济顾问委员会主席，戴尔·乔根森以增长核算与投资理论重塑了人们对增长来源的理解，兹维·格里利谢斯则终其一生在追问一个问题——我们用来做研究的那些数据，究竟有多可靠。 毕业后她没有直接进入学院。先是入职英国财政部担任经济顾问，随后转身投入媒体界，担任《独立报》经济事务编辑多年，并长期在BBC等公共平台上讲解经济议题、参与公共讨论。一边是政策文件里那些被当作既定事实引用的数字，一边是要向普通读者解释这些数字究竟意味着什么，科伊尔在两个位置上都待得足够久。 “经济学对我们的生活有着重要的影响，这主要是由于它在很大程度上决定了政府的决策，而这些决策又影响到人类活动的每个领域。”科伊尔在《市场、国家和民众》一书前言里写道。 随后是一连串监管与公共机构的任职：英国竞争委员会成员、BBC信托副主席，以及2018年加入由杰森·弗曼领衔、受英国财政部委托的数字竞争专家小组。那份题为《解锁数字竞争》的报告后来成为英国数字市场监管改革的起点。正是在这些位置上，她看到了一件让监管者为难的事：平台向用户收取的价格常常是零，而以价格和消费者福利为核心的整套反垄断工具，却是为有价格的世界设计的。 问题回到了原点：如果连“这个市场是否健康”都没法判断，那么我们究竟该怎么衡量什么是好的？ 测不准的进步 要理解科伊尔对数字时代经济核算的批判，先得回到她2014年的那本《极简GDP史》。书名的英文原题里有一个词，中译本略去了——affectionate（深情的）。这本书不是讨伐，而是一部带着敬意的传记：GDP如何在大萧条与战时规划中成形，如何成为各国政府竞逐的目标，又如何在信息与数字时代慢慢显得力不从心。 “GDP多年来在不同层面上一直饱受诟病——例如，它遗漏了环境外部性，没有衡量具有经济价值且替代了市场活动的家庭内部活动。”科伊尔在采访中说，数字经济把这一失败推到了极致。免费软件、开放知识库、开源模型，以近乎零成本在全社会扩散，几亿人由此获得了过去难以想象的能力。但这部分价值若未经过任何交易，在账面上就等于没有发生。技术明明在进步，官方统计中的生产率增长却长期停滞，“生产率之谜”就出现了。 在剑桥大学班尼特公共政策研究所，科伊尔发起并主持了“财富经济”（Wealth Economy）项目。她的主张并非废弃GDP，而是不再让这一“流量”指标独自承担衡量进步的职责，转而建立一套“综合财富”（Comprehensive Wealth）核算体系——它计量的是六类资产的存量与可获取性：实物资产与生产性资本、净金融资本、自然资本、数据与知识产权等无形资产、人力资本，以及社会资本与制度资本。 数据归谁 数据常被称作“21世纪的石油”。科伊尔不接受这个比喻，理由很简单：石油是竞争性的，用掉一桶就少一桶；数据不是，同一份数据可以被无数人同时使用而不损耗，而且它的价值往往要在与其他数据的组合中才显现出来。用一套为实物财产设计的产权观念去处理这样的东西，在经济逻辑上就很有问题。 “数据具有极强的情境依赖性（contextual）和组合性（combinational），也具有强烈的社会属性，它根本不是纯粹的私人排他性物品。”科伊尔说。 一桩旧案可以说明确权有多麻烦。印尼丛林里，一只黑冠猕猴碰到了摄影师David Slater架设的相机快门，拍下一张后来传遍世界的自拍。动物保护组织PETA代表这只猴子提起诉讼，主张版权属于它；摄影师则主张归自己。美国第九巡回法院最终认定，动物在版权法下不具备诉讼资格；而美国版权局坚持，版权须以人类作者为前提。结果是：这张照片在美国事实上无人能够主张版权。 这个原则后来直接影响了AI：2023年，美国法院援引同样的逻辑，认定纯由AI生成的图像不能获得版权。问题是，真实世界里的数据与模型，很少有这么干净的边界。 “所有这些关于分配的问题目前尚未解决，”科伊尔说，“但我坚信，我们最终将摒弃‘与数据相关的100%权利归属于拥有技术控制权的公司’这一单一模式。” 经济学该怎样 数字时代经济学缺了什么、该负什么责任，科伊尔在2021年的《齿轮与怪物》一书里做了精彩的论述。她写道：某些主流模型容易把人简化成可计算的“齿轮”，把复杂的社会关系压缩成几个可处理的变量；而数字经济中由网络效应、数据和无形资产催生的自我强化现象——从平台的迅速扩张到赢家通吃——则像不断长大的“怪物”。这些现象并非传统经济学完全无法解释，却暴露了既有框架的局限。 在书中，科伊尔格外强调了经济学的“操演性”（performativity）——经济学并非被动描述现实，经济学家也从未置身事外。概念、指标和模型进入政策与公众预期后，可能反过来改变人的行为、制度安排，乃至市场本身。若制度设计始终把人当作只追逐私利的个体，久而久之就会强化这种逻辑，侵蚀信任与合作——我们假设人是什么样，最后往往就得到什么样的人。 话题回到文章开头的那些免费的东西。当被问到许多有社会价值的AI若因无法盈利而被市场放弃该怎么办时，她说：“当所有人都从中受益时，单纯依靠私人资本从来无法解决公共品的供给问题。”零价格让很大一部分效用写不进账本；一样东西越是人人可用、越是用之不竭，市场往往越缺乏稳定提供它的理由。“所以需要政府和公共资金。” 经济学如果只认得有价格的部分，就会在最需要它的地方看不见。这门学科长期更熟悉效率的语言，对技术变迁中谁受益、谁被放下，准备不足。科伊尔自始至终未站在经济学的对面，就像她从未否定过GDP一样，只是不许它躲在旧框架里，装作世界没有变过。 对话黛安·科伊尔 《北大金融评论》：您的研究认为，今天许多关键的资产——比如数据、知识、组织资本、制度信任、人力资本——大多难以在现行核算中体现。如果我们要为数字时代更新国民经济核算体系，其中哪些应当被系统性纳入官方经济核算，哪些又不宜被过度、强行货币化定价？ 黛安·科伊尔：这确实是一个大问题。长期以来，以GDP为核心的测度体系在诸多维度上备受诟病。例如，它忽视了生产活动对自然环境造成的负外部性，也未能将极具经济价值且能实质性替代市场交易的家庭内部生产活动纳入核算。如今，数字技术与AI正在改变经济结构，这自然会进一步引发关于“我们如何衡量经济活动”“人们又如何从中受益”的深层追问。 从统计学本质来看，现行的GDP指标自设计之初，就缺乏对经济体系供给端结构性变迁的刻画能力。举例而言，深度嵌入当今全球经济的高复杂度供应链网络，至今在统计意义上仍未得到充分测绘与系统理解，以致供给冲击一再令宏观决策者措手不及。 AI的崛起进一步加剧了统计测度的难度。其中部分指标在传统统计框架下仍有迹可循：例如，我们可以统计AI产业消耗的电力负荷，测算算法工程师与从业人员的薪酬水平，以及核算各类企业为调用大模型向AI供应商支付的软件授权费与词元（Token）访问费。对于这一部分，我们尚能借助传统经济统计数据进行初步把握。 然而，真正与AI深度交织的诸多无形资产（intangibles），在现行体系下几乎无法被有效度量——甚至在概念层面，我们都尚未厘清它们究竟通过怎样的微观机制创造价值。不妨像经济学家一样思考：当信息的加工与处理变得愈发廉价、更易获取，根据相对稀缺性原理，经济价值的重心势必向那些“无法被算法自动化处理的要素”转移，即真实的人际协作纽带、社会资本、企业内部深层的组织资本，以及良性的劳资与组织关系。 过去，这些要素往往因量化难度过高而在经济计量中被边缘化，被笼统贴上“社会资本”或“制度资本”的标签。但事实证明，它们极有可能是未来经济价值创造的核心源泉，如何科学界定并度量这些要素，是当前悬而未决却至关重要的议题。 数据是另一个难以衡量却同样关键的维度。最新修订的联合国国民账户体系（SNA）已明确要求各国官方统计机构着手对数据资产展开科学估值。然而，现行方法仍处于初步摸索阶段：当数据的价值高度依赖于具体应用场景及其承载的信息效用时，我们究竟该如何为它定价？ 这些是我的研究团队目前集中攻关的方向。它们是前沿的学术机会，也是摆在各国政策制定者面前的紧迫现实课题——因为测不准，就难以确保这场技术革命真正惠及最广大的群体。 《北大金融评论》：正如您所指出的，数据的价值具有高度的情境性与组合性，且往往呈现出社会属性而非纯粹的私有属性。鉴于此，我们能否将数据权利——包括访问权、使用权、控制权、审计权和收益权——予以拆分并独立进行分配？当公共机构档案、人类创意成果、海量消费者行为痕迹以及员工隐性专业经验被共同用于训练商业化AI大模型时，由此衍生出的超额经济租金应如何在多元主体之间合理分配？ 黛安·科伊尔：这是一个好问题。过去人们默认的认知是，数据就像一件传统的私有财产，所有的权利都归属于控制数据的公司或个人。但很显然，随着版权争议的不断涌现——例如受版权保护的材料被用于训练AI模型——这种模式正在瓦解。 如你所设想，把数据看作由多元权利构成的“权利束”，并按不同于传统知识产权的逻辑来配置，必然是未来的发展方向。 我惯用的一个例子是：数年前，一位野生动物摄影师在野外架设了一台通过动物动作自动触发快门的感应相机，一只猴子偶然按下快门拍下了一张著名的猴子自拍照。这张照片传遍了全球，随即引发了多起法律诉讼。摄影师主张其享有照片版权，向全球所有刊载该照片的媒体机构索取授权费；与此同时，动物慈善机构PETA也试图主张权利，声称他们是代表动物行事。最终，这张照片被判定进入公有领域，任何人都可以自由使用。这个案例正是我们在数据权利领域所面临的各种争议的一个缩影。 另外，再看现在，前沿技术已催生出了更为复杂的场景——譬如“数字孪生员工”（Digital Twin Workers）。假设雇主依托我长期的工作数据构建了一个我的数字孪生体，并以此大幅提升了工作产出。首先，在报酬机制上，我是否有权据此立即要求加薪？其次，当我选择离职时，我是否有权带走这个凝结了我个人经验与智识的数字孪生体，抑或它应完全归雇主所有？ 所有这些关于要素所有权界定与收益分配规则的底层问题，迄今仍悬而未决。但可以确信的是，我们终将彻底告别将数据权益100%排他性地赋予技术控制方（如平台巨头）的绝对垄断模式。 ······ 本文完整版刊登于《北大金融评论》第29期