词元让人工智能时代数据提供者获得收益回报成为可能

人民数据：词元交易等新型交易模式的探索，将对智能经济时代的产业价值分配带来哪些影响？

丁邡：词元交易的直接价值就是词元直接在市场上销售，这极大促进智能服务业增长。截至2025年底，我国互联网的普及率达到80.1%，生成式人工智能用户规模达6.02亿人。我们测算，截至2026年6月底，我国使用人工智能服务的用户规模超过8亿人，人工智能应用在互联网领域的渗透率超过90%，且有望年内接近饱和，这是词元交易落地最成熟的赛道。我国的互联网优势已经转化为人工智能优势。此外，还有一个亮点是，我国智能服务业发展的技术底座完全基于国产大模型。

词元交易带来的间接价值，可以从智能化“建起来”“用起来”“跑起来”这三个阶段来理解。一是在芯片和基础设施层，包括GPU、算力网、智算中心建设，这一条产业链的上下游产业价值较高。二是对能源行业的影响。词元产生需要耗费大量电力，因此词元交易越活跃，对电力的需求就越大，带动新能源产业的发展。三是大模型应用需求比较旺盛的传统产业。智能工厂、智能产品制造、智慧农田等需要大模型进行大量计算的领域，这些领域的增长较快，是未来产业发展的重要潜在力量。例如，智能产品包括智能终端、智能家居这些行业，智能服务包括智能陪伴、智能问诊等民生领域。这部分是词元价值实现的“蓝海”。

词元对产业价值分配的影响还体现在以下几个特殊点。一是带动数据产业发展，数据价值将从一次性买断走向持续参与分配。“供数者”获得直接回报的通道正在建立，打通人工智能时代数据价值的释放“管道”。当前大模型训练使用大量数据，“供数者”几乎没有从模型的商业运营中获得回报。词元成为通用的结算单位，意味着每一次模型调用都产生计量，理论上可以追溯哪些训练数据对当前输出贡献最大，从而为数据提供者设计收益分成方案。当然，这种追溯在技术上仍面临一些挑战。二是带动智算服务产业。算力价值的计量方式发生改变。词元计价将算力消耗与产业价值直接挂钩：生成一份报告消耗多少词元，费用清晰可算。这降低了中小企业使用AI的门槛，也推动企业从卖“算力资源”转向卖“智算服务”。三是可能出现词元衍生的金融市场。如果企业需要稳定词元成本，可能出现词元期货或词元合约市场；如果词元在不同模型之间具备可比性，甚至可能出现词元互换市场，例如以一个大模型的词元额度换取另一个大模型的词元额度。

降低智能原生创业门槛

选择有收益和容错率高的场景进行创新

人民数据：当前，OPC、智能体、具身智能应用等新业态加速涌现。资本、技术、场景、政策该如何协同，才能催生出可落地的智能经济新赛道？

丁邡：智能原生新业态的特点是深度嵌入AI能力，不是在传统业务上简单叠加AI。智能原生企业的底层架构和运行逻辑是完全基于人工智能。培育这类业态，需要资本、技术、场景、政策形成协同机制，避免各自为战。

一是注重资本投向的精准性和投资链条的完整性。要选择成长性比较好的技术和具体应用场景，建立分层投资体系，尤其需要从政策层面汇聚耐心资本。智能原生新业态的成长周期长、技术不确定性高，不适合追求短期回报的资本。此外，要建立覆盖从实验室到产业化的完整投资链条。

二是坚持技术的开源开放性。坚持用政策手段保障中小企业享受技术红利。关键是要有针对性的政策推动建设开源开放的底层基础设施。智能原生企业大多规模不大，无力自研基础模型。开源大模型的成熟，显著降低了创业门槛。下一步需要重点建设的是行业共性技术平台，比如为具身智能提供标准化的仿真训练环境，为智能体开发提供统一的协议框架，让创业者聚焦在场景创新而非底层重复建设上。

三是坚持场景和技术的适配性。场景选择策略直接影响新业态能否跨过初创期的“死亡之谷”。优先选择“难度高、容错高”的起步场景。智能原生应用在早期阶段不够成熟，需要选择那些“做了有明显收益、做错了后果可控”的场景。例如，电商领域、游戏领域，这些场景容错率相对较高。在技术成熟度更高的阶段，可以选择医疗诊断、自动驾驶等场景容错率相对较低的领域。

四是坚持政策的联动性，降低准入门槛和提供早期市场。降低准入门槛包括简化AI应用备案流程、开放公共数据供创业团队使用、提供算力补贴等；提供早期市场更为关键——政府可以通过政府采购项目等方式，成为智能原生应用的第一批客户。

基础厂商提供通用能力

行业应用商构建专业能力

人民数据：大模型产业正逐步从技术验证和开放体验阶段迈向规模化应用与商业运营阶段。如何建立可持续的商业模式，推动技术创新、产业应用与价值创造形成良性循环？

丁邡：从我的观察来看，可持续的商业模式需要在五个方向上实现匹配。

一是定价与成本的匹配。大模型的免费体验打开了商业化的空间，但可持续的商业模式不能依赖持续的免费使用或补贴。要降低大模型的推理成本，推理成本的主要组成是电价和基础设施的成本，尤其是GPU的价格。从定价看，企业级的应用要选用合适的商业模式。API（应用程序编程接口）调用付费、模型微调服务、私有化部署这三种模式需要根据用户场景灵活组合。对于高频调用场景，API模式合适；对于需要行业领域适配的场景，微调服务利润更高；对于数据敏感行业，私有化部署是刚需。

二是行业应用场景开发和价值实现的匹配。加快场景开发，推动大模型应用产生规模效益，从而提高利润率和行业渗透率。一般来看，面向个人的智能服务业渗透率比较高，并逐步趋于饱和；制造业的渗透率属于中等水平，主要依赖于制造业标准化程度的提升；农业渗透率的未来增长率最明显。

三是通用能力与行业需求的匹配。通用大模型的能力广而不深，真正让用户产生付费意愿，需要能够解决具体业务问题的行业方案。这就形成了一个分工结构：基础模型厂商提供通用能力层，行业和应用开发商在之上构建行业知识图谱、业务逻辑和交互界面。例如，医疗领域的病历质控、金融领域的合规审查，这些场景需要的不仅是语言理解能力，还有大量行业规则和专业知识。模型厂商如果什么都自己做，成本太高、深度不够；开放生态、让行业伙伴来做“最后一公里”，是更有效率的分工方式。

四是开源与商业化的匹配。开源模型在过去一年极大地加速了技术普及，但也给商业化带来了挑战。各个厂商的大模型都采用了不同程度的开源开放策略。对于模型厂商而言，开源是获客手段而非收入来源——开源模型用来建立开发者生态和品牌认知，收入则来自云服务、企业级支持、定制高级功能等。关键是要设计好开源与闭源的边界，避免开源侵蚀核心商业价值。

五是上游芯片成本与下游应用收入之间的利润分配。训练和推理仍然高度依赖GPU，芯片成本在总成本中占比较高。如果芯片成本长期居高不下，模型厂商和应用开发商都将面临利润挤压。多元化的算力供给，比如国产芯片、专用推理芯片，有助于改善这一局面。

对AI生产内容强制标识

对未标识内容传播设定法律责任

人民数据：智能经济新业态、新交易、新场景快速涌现，但行业标准、准入规则、风险规范仍相对滞后。在“管住风险”和“放开手脚”之间，治理尺度该如何把握？

丁邡：对于新兴领域来说，行业标准、准入规则、风险规范滞后于技术发展这个现象不可避免，智能经济领域尤其突出。未来3到5年，我认为有三类规则需要优先建设。

第一类，智能体的行为边界与责任归属规则。 智能体（AI Agent）能够自主执行任务、调用工具、做出决策，这就带来了一个全新的法律问题：智能体的行为由谁负责？例如，一个智能体在互联网上发布侵权内容，平台、开发者和用户各自承担什么责任？目前世界各主要经济体都在探索。我国需要尽快明确智能体的法律地位和责任分配框架。

第二类，针对“输入端”的，训练数据的版权与合规规则。大模型训练使用的数据涉及版权问题，这一问题在国内外都引发了大量诉讼。需要在保护版权方合法权益和保障产业发展空间之间找到平衡。可行的方法有几个：建立训练数据的集体授权机制（通过著作权集体管理组织与版权方进行统一谈判）、建立“选择退出”（Opt-out）机制让权利人可以选择不允许其内容被用于训练、以及鼓励使用合成数据和公共领域数据进行训练。

第三类，针对“输出端”的，即AI生成内容的标识与溯源规则。AI生成文本、图片、音频、视频的能力已经足以以假乱真，深度伪造带来的欺诈、舆论操纵风险正在上升。需要对AI生成内容实施强制性标识，并对未标识的AI内容传播设定法律责任。相关政策文件要求对生成内容进行标识，但落地实施力度仍需强化。

说到底，好的治理不是管得多或少的问题，而是管得准不准、效果好不好的问题。必须建立风险清单管理制度，随着人工智能技术推进动态更新清单。此外，管住系统性风险，放开创新型探索。这个平衡需要监管部门、技术研发部门和产业界保持密切沟通、共同寻找动态最优解。