学术发表丨邵怡蕾：智能盈余的再生产：当五位诺奖得主的假设同时失效

（二）一个学位用一辈子的时代过去了

农业时代，技能半衰期以代际计算，子承父业，技能传代；工业时代的技能半衰期缩短至10－15年，一次培养基本够用；信息时代的技能半衰期进一步缩短至5－7年，需要持续更新；而AI时代，技能半衰期可能仅有2－3年，终身学习成为生存必需。技术的加速发展带来了能力的加速折旧：其一，AI能力的指数增长——今天人类独有的能力，明天可能被AI掌握；其二，知识生产的加速——新知识涌现速度远超个体吸收能力；其三，职业边界的模糊——跨领域能力日益重要，单一专业价值下降。

传统教育体系按照“一次性培养”设计：学制安排集中于人生前期，经费配置集中于基础教育与高等教育，社会期待“毕业即学习结束”。但当技能半衰期急剧缩短，这一模式便显得不合时宜。世界经济论坛预测，到2030年将有22%的就业机会面临变革。“终身学习”从美德倡导变成生存必需，但制度供给严重不足——成人教育、职业转型、中年再培训的资源配置远不能匹配需求。更严峻的是不平等的加剧：当制度供给不足，终身学习成本由个体承担，有资源者持续更新，缺资源者被锁定在贬值技能中——教育的“马太效应”被急剧放大。人力资本不再是一次性投资形成的“存量”，而是需要持续维护更新的“增量”。

（三）这个能力是你的，还是AI的？

AI时代，越来越多的“能力”不再归属于个人，而是在人机系统中涌现。以程序员为例，使用Claude Code的程序员，编程效率可能是不使用者的10倍。但这“效率”是谁的？是程序员的，还是AI的，还是两者协作系统的？如果换一家不提供AI工具的公司，这位程序员的“生产力”会立即下降。再以医生为例，使用AI辅助诊断的医生，准确率可能超过独立工作的专家。真正的诊断能力是由医生的临床经验、AI的模式识别以及两者的协作方式三者共同构成，难以分离归属。

从传统视角到AI时代视角，我们需要完成一系列概念转换：能力从“属于个人‘变为’在人机系统中涌现”，个人从“能力的载体”变为“能力网络的节点”，投资于人从“提升人的能力”变为“提升人在系统中的协作效能”。“人力资本”的边界需要重新定义。关键能力不完全在人身上，也不完全在机器上，而是在两者的界面上——正如布鲁诺·拉图尔所揭示的，行动能力（agency）从来不专属于单一行动者，而是在人与非人行动者构成的网络中涌现。这意味着教育的目标不仅是培养“有能力的个体”，更是培养“善于与AI协作的系统参与者”。

（四）学历还能证明什么？

AI时代，信号机制正在经历系统性紊乱。首先是信号内容的错位：传统学历信号传递的特质包括记忆力、知识储备、执行力、服从性、专业深度，但AI时代真正需要的特质是判断力、提问能力、定义问题的能力、创造性、跨域整合。传统学历证明的是“谁记住了更多知识”“谁更能完成标准化任务”，但这些能力的市场价值正在急剧下降。其次是信号的快速贬值：10年前的计算机学位信号“掌握编程能力”，但今天的编程环境已根本改变——AI辅助编程使得代码编写本身的技能价值大幅缩水。学历能说明过去，无法保证现在。最后是信号的过载与噪音：学历通胀使得人人有学位，区分度下降；各种认证泛滥，充斥市场；而某些能力通过项目作品、开源贡献、在线竞赛可被直接测量——学历作为“代理指标”的必要性本身在下降。

最具冲击力的案例来自科技前沿。瑞典高中辍学生加布里埃尔·彼得松用ChatGPT自学机器学习至博士水平，于2024年底加入OpenAI成为Sora团队的研究科学家——在他的简历上找不到任何大学文凭。OpenAI首席执行官萨姆·阿尔特曼本人也是斯坦福大学的辍学生，他公开表示“羡慕这一代20岁的辍学者”，因为AI工具使得个人能够构建的东西远超以往。当顶尖科技企业开始系统性地绕过大学选拔人才，学历的信号功能便面临根本性质疑。

（五）你的数据训练了AI，收益归谁？

AI时代，教育的外部性呈现前所未有的复杂性，正负交织、分配不均。一方面，正外部性被放大：知识可被AI吸收、编码、传播；一位医生的诊断经验被纳入AI训练数据，可能帮助全球医生提升诊断准确率；一位教师的教学智慧被编入教育AI，可能惠及千万学生。另一方面，负外部性同时出现：错误知识、偏见观点、有害内容同样被放大传播，AI系统“学会”并复制人类的偏见与错误，过度依赖AI工具可能削弱批判性思维和深度学习能力，算法推荐可能加剧认知茧房和信息极化。

更深层的问题是外部性的分配不平等。普通用户生产数据，科技公司获取价值；教师贡献教学智慧，平台沉淀为资产；学生的学习行为成为训练数据，收益却归属算法拥有者。知识外部性的收益被不对称攫取，“谁贡献、谁受益”的对应关系被打破。简单的“知识正外部性”论证不再充分。教育政策不能仅仅追求“增加知识生产”，还必须关注外部性的方向、分配和治理。

（六）五个假设同时失效意味着什么

教育经济学的五个核心假设在同一时间窗口内全面失效，形成深刻的共振与叠加。正是这种同时性和系统性，使得当前的困境构成托马斯·库恩意义上的“范式危机”——旧范式的解释能力出现了整体性衰退。这五重断裂看似各自独立，实则共享同一个深层根源。要揭示这一根源，我们需要再往下追问：AI时代，什么才是真正的稀缺性？

（一）五条裂缝的共同根源：智能不再稀缺

回顾历史，教育的功能始终围绕着“稀缺性”展开。农业时代，土地和体力劳动稀缺，教育服务于少数精英的文化传承；工业时代，技术工人稀缺，教育转向大规模培养标准化劳动力；信息时代，知识型人才稀缺，教育进一步扩张以生产更多“人力资本”。每个时代的教育，本质上都在回应那个时代最核心的稀缺性问题。

那么，AI时代的核心稀缺性是什么？一个直觉性的回答是“AI人才”或“技术能力”，但这种回答停留在表面。更深层的变化在于：智能本身不再稀缺。大语言模型可以即时生成专业文本，AI系统可以完成大量认知任务，曾经需要多年教育才能获得的知识和技能，如今触手可及。我们正在从“智能短缺”时代进入“智能盈余”时代。

这一转变正是五重断裂的共同根源。线性回报失效，是因为单纯积累知识不再产生稀缺性溢价——当AI可以即时提供专业知识，知识本身的市场价值便从线性函数收缩为阶梯函数。稳定折旧失效，是因为AI能力的指数增长不断重新定义“有价值的技能”——今天的稀缺能力明天可能变为智能盈余的一部分。个体归属动摇，是因为智能开始在人机系统中涌现而非仅仅驻留于个体——当智能可以被外化、复制、部署，“能力归属于个人”的前提便不再成立。信号紊乱，是因为传统学历证明的能力恰恰是AI最容易替代的——记忆、执行、标准化操作正是智能盈余最先溢出的领域。外部性复杂化，是因为智能的大规模生产带来了前所未有的分配与治理问题——正外部性和负外部性同时被放大。

五个假设的同时失效不是五个独立事件的巧合叠加，而是同一个结构性变化的五个症状。它们共同围绕的核心分析对象——“人力资本”的概念边界本身已经不再适配AI时代的现实。当一个概念的价值结构、时间属性、承载主体、可观测性和溢出模式同时发生变化，问题就不再是参数需要调整，而是概念本身需要被重构。

（二）智能盈余的定义

本文正式提出以“智能盈余”（Intelligent Surplus）替代“人力资本”作为教育经济学新的核心分析单位。

“智能盈余”指的是一个社会所拥有的、超出基本运转需要的、可复制、可部署、可扩展的智能能力存量。“智能盈余”是一个存量概念——它衡量的是社会积累的智能能力总量，而非一定时期内的智能产出流量。如果将其与笔者此前提出的国内智能生产总值（Intelligent Domestic Product，IDP）相对照，两者的关系类似于国民财富（存量）与GDP（流量）的关系：IDP衡量一定时期内智能系统创造的增加值，而智能盈余衡量社会积累的智能能力总和。

为什么选择“盈余”而非“资本”或“资源”？这一命名包含三层精确的理论意涵。第一，“盈余”强调的是“超出基本运转需要”的部分——正如一个社会的粮食产量超出温饱需求后才有余粮用于贸易、储备和文明发展，一个社会的智能能力超出维持现有系统运转的需求后，才有“盈余”用于创新、探索和制度进化。AI的到来正在使这种盈余从稀缺变为丰裕——这是概念的时代锚点。第二，“盈余”区别于“资本”的关键在于归属结构。贝克尔的“人力资本”归个人所有，通过个人投资积累，通过劳动市场变现。但如前文所论证的，AI时代的智能能力越来越多地在人机系统中涌现，无法简单归属于个人——“盈余”是一个社会层面的存量概念，不预设个体归属，因此能够容纳人机协作产出的模糊边界。第三，“盈余”暗示了可再分配性。马克思的“剩余价值”揭示了工业时代的分配问题：劳动者创造的价值超出工资后被资本家攫取。智能盈余同样面临分配问题——前文已论证，普通用户生产数据、教师贡献教学智慧、学生的学习行为成为训练数据，但收益被不对称攫取。“盈余”这个词自带分配维度的追问：谁生产了智能盈余？谁获取了它的收益？教育政策如何确保分配的公正性？

这一概念的理论渊源可追溯至笔者提出的“硅基经济学”（Silicon-Based Economics）范式。硅基经济学将人工智能、算力、数据和大模型视为核心生产要素，指出碳基逻辑——以劳动、自然资源和工业资本为基础——正在被硅基逻辑所取代：算力成为资本，算法成为制度，智能体成为劳动者。“智能盈余”正是在硅基经济学的理论基础上，从教育经济学的视角对“社会智能能力总量”的进一步概念化——它追问的不是智能产出了多少（“国内智能生产总值”IDP所衡量的），而是社会积累了多少可复制、可部署、可转化为价值的智能能力存量。

借鉴布尔迪厄对文化资本三种形态的经典分析框架，本文提出智能盈余同样以三种形态存在于社会之中，但每一种形态的内涵都经历了根本重构。第一，体化形态：人的素养。布尔迪厄的体化文化资本是文化惯习的代际传承——通过家庭和学校的长期浸润内化为个人的气质与行为模式。智能盈余的体化形态则是人机协作的动态能力——人们理解AI、使用AI、与AI协作的能力，包括技术层面的工具操作，也包括更深层的批判性思维、问题定义能力和伦理判断能力。它不是被动内化的，而是在人与AI的持续交互中主动建构的，且需要随AI能力的指数增长而持续更新。体化形态通过教育和学习积累，是人力资本概念在AI时代的延伸与重构，但更强调人与AI的界面能力，而非人独立于AI的能力。第二，物化形态：技术系统。布尔迪厄的物化文化资本是文化产品的积淀——书籍、绘画、乐器，智能盈余的物化形态则是凝结在AI系统、数据基础设施、算力平台等技术载体中的可复制、可扩展的智能能力。两者的根本差异在于可复制性：一幅梵高的画只有一幅，但一个GPT模型可以同时服务数亿用户。物化形态主要通过研发投资和技术创新积累，其分布高度不均——少数科技巨头掌握了大部分先进AI系统。第三，制度化形态：治理框架。布尔迪厄的制度化文化资本是学位和文凭——由教育机构颁发、由社会惯例赋予价值；智能盈余的制度化形态则是治理规则和认证标准——法律法规、行业标准、伦理规范、市场机制——不是证明“你学过什么”，而是确立“AI可以被用于什么、由谁监督、如何问责”。制度化形态的积累最为缓慢，因为它涉及复杂的利益协调和社会共识的形成，但对智能盈余的整体效能具有决定性影响。

智能盈余具有四重独特的经济特性。第一，可复制性。一个训练好的AI模型可以同时服务于数亿用户，一套有效的人机协作方法可以被快速推广，这与物质资本的排他性和人力资本的不可复制性形成鲜明对比。第二，非竞争性。一个人使用AI并不减少他人使用的机会，这意味着智能盈余的社会回报可能远超私人回报。第三，网络外部性。智能盈余的价值随着使用者网络的扩大而增加，这可能导致强者愈强的马太效应。第四，阈值效应。智能盈余的回报并非线性增长，在其三个形态中，任何一个形态未达临界点，整体效能便难以释放。

（三）当智能不再稀缺，什么才是真正稀缺的？

对照智能盈余的三种形态，稀缺性呈现出清晰的递进结构。物化形态层面的稀缺性正在被快速填补——越来越多的人可以使用AI工具，算力和模型的可及性持续提升。体化形态层面的稀缺性更深一层——能与AI系统深度协作、而非仅仅使用工具的社会公民仍然匮乏。制度化形态层面的稀缺性目前最为严峻——制定具有合法性和正当性的治理框架，使智能安全嵌入社会，是当前最难积累也最难复制的智能盈余形态。

但这三层递进稀缺性之上，还有一个更根本的稀缺，是三种形态都依赖却无法自行产生的东西。

要回答这个问题，需要先理解AI系统的一个根本特征。AI——尤其是大语言模型——的核心能力可以用一个词概括：压缩。它将海量的文本、图像、声音压缩为模型参数中的统计规律，然后用这些压缩后的规律来预测、生成、推理。当你向ChatGPT提问时，它给出的回答本质上是对人类已有知识的一次“解压缩”——把分散在数十亿文本中的相关信息压缩、整合、重组为一段连贯的输出。这种压缩能力极其强大，但它有一个内在的局限。

这个局限就在于：压缩的逻辑内在地趋向同质化。AI从大量数据中提取统计规律，这意味着它天然偏好“多数模式”而忽略“少数特例”——出现频率越高的模式被保留得越好，出现频率低的独特性则在压缩中被磨平。更严重的是，当AI生成的内容又被用作下一轮AI的训练数据时，这种同质化会自我加速——多样性在每一轮压缩－生成－再压缩的循环中递减，最终趋向一种“统计平均”的灰色均质。这不是理论推演，而是已有实证：AI在AI生成的数据上训练，输出会逐渐趋同。要打破这个循环，系统必须持续获得来自压缩过程之外的新鲜输入——那些尚未被统计规律捕捉的、独特的、具体的、带有不可替代的个人印记的原始经验。提供这种输入的人，我们称之为“第一压缩者”（First Compressor）——他们是第一个将某种独特的、具体的、不可替代的存在翻译为可被AI系统理解的表征的人。

第一压缩者的稀缺性与双元素养的稀缺性不在同一个层次。双元素养描述的是能力的构成，第一压缩者描述的是这种能力之所以不可替代的原因。考虑这样一个场景：一位经验丰富的教师，能听出学生说“我懂了”时，哪次是真正理解了，哪次是放弃了继续追问。这个区分对教学决策至关重要。但这种识别能力不来自技术素养，也不来自批判性思维——它来自在意。一个“客观”的系统会把所有“我懂了”等权处理；只有足够在意这个特定的学生，才能听出那个放弃了的版本。

这种“在意”，在阿伦特的意义上，是行动（action）的前提。阿伦特区分了劳动、制作与行动：行动只在真实的他者在场时才发生，它不是一个人完成的事，而是在复数的人之间涌现的事。AI可以劳动，可以制作，但无法行动——因为它没有城邦，没有真正嵌入其中、以其独特性向它提出要求的具体他者。那位教师之所以能完成那次识别，不是因为技能更高，而是因为这个学生对他是真实的他者。这类人无法被替代，不是因为能力，而是因为存在方式。

这一分析揭示了教育在AI时代的根本定位。工业时代的教育培养的是劳动者和制作者；AI时代真正稀缺的是城邦中的行动者，在人－机界面进行意义翻译的人——那些因为真实地嵌入在他者之中，才能让事情变得值得被认真对待的人。三重机制——个体素养、组织生态、国家基础设施——不是并列的政策清单，而是为这类人的涌现创造条件的同一个文明使命在不同尺度上的展开。

至此，本文完成了从“人力资本”到“智能盈余”的概念转换，并识别出AI时代教育的根本目标——培养城邦中的行动者。但概念转换本身不是目的，关键问题是：这个目标如何在制度层面落地？智能盈余如何被社会性地生产、分配和治理？换言之，如果说“人力资本”的社会再生产机制是现代教育制度（从义务教育到高等教育的完整体系），那么“智能盈余”的社会再生产机制应该是什么样的？以下从个体、组织和国家三个层面展开构建。

布尔迪厄与帕斯隆在《再生产》中揭示了教育的核心社会功能：教育不仅传授知识，更是社会结构再生产的关键机制——通过课程设计、评价标准和文化惯习的代际传递，教育将现有的社会秩序延续到下一代。涂尔干更早地指出，教育的根本目的是将个体社会化——使其获得参与集体生活所需的规范、技能和认同。这一洞见在AI时代获得了新的紧迫性：当智能盈余取代人力资本成为社会运转的核心要素，教育的再生产功能必须相应转型——从再生产标准化劳动力，转向再生产智能盈余的三种形态。

（一）一个人需要什么：双元素养

智能盈余社会再生产的第一重机制发生在个体层面，其核心产出是“双元素养”——技术素养与人文素养的有机统一。所谓“双元”，不是两种素养的简单叠加，而是强调二者的不可分离性：纯技术素养导致工具依赖，使人沦为AI的附庸；纯人文素养无法激活智能盈余，使人与技术社会脱节。

技术素养的核心不是掌握特定工具的操作方法——工具会迭代，操作方法会更新——而是理解人机协作的深层逻辑。这包括：理解AI系统的能力边界与局限（何时信任AI，何时质疑AI），掌握有效的人机交互方式（提问的艺术、提示工程的原理），具备在AI输出基础上进行创造性整合的能力（不是让AI替代思考，而是用AI放大思考）。技术素养的本质是一种“元能力”——关于如何与智能系统协作的普适性理解。

人文素养在AI时代非但没有贬值，反而成为更加稀缺的资源。当AI可以生成流畅的文本、精确的分析、标准化的方案时，真正稀缺的是判断力（在多个AI建议中做出价值选择）、伦理感（在技术可行与社会可接受之间找到平衡）、意义感（赋予技术产出以人文价值和社会意义）以及批判性思维（识别AI输出中的偏见、错误和局限）。人文素养是防止智能盈余被滥用的内在免疫机制。

值得指出的是，本文从教育经济学视角提出的“双元素养”与笔者从政治哲学视角论证的“AI素养与人文素养并进的双框架”形成理论互文。后者从“技术－治理双曲线”的张力出发，指出技术曲线以指数速度上升而治理曲线线性缓进，二者之间的距离构成了“合法性间隙”，并以AI素养为横轴、人文素养为纵轴构建了四象限模型：左下为“被预测之人”，右下为“工具使用者”，左上为“理想主义者”，唯有右上象限的“AI时代新公民”才能兼具技术能力与公民责任。两项研究从不同学科路径到达了同一结论：AI时代的教育必须同时培养技术素养与人文素养，缺一则不可持续。

双元素养直接回应了五大假设失效带来的挑战：其目标不是积累更多知识，而是帮助学习者突破从“工具使用”到“深度协作”的阈值；它培养的是元认知能力和学习敏捷性，使技能更新成为内在能力；它培养的不是孤立的个体能力，而是在人机系统中有效发挥作用的协作能力。

（二）组织：为第一压缩者创造涌现条件

上文提出了“第一压缩者”的概念：那位能听出学生“放弃了的懂了”的教师，她凭借的是对这个具体学生的真实在意，将AI无法捕捉的独特经验翻译为教学行动。我们把这种将具体的人类意义翻译为AI系统可理解的表征的能力，称为“意义翻译能力”——它是成为第一压缩者的前提。那么，这种能力能被制度性地培养吗？如果说个体层面的双元素养回答了“培养什么样的人”，那么组织层面的教育生态重构回答的是更深一层的问题：这种能够站在碳硅界面上、以对具体性的真实承诺完成翻译的能力，能被制度性地培养吗？

这个问题本身包含一个张力。意义翻译能力的核心是将具体的、不可替代的人类经验翻译为AI系统可理解的表征，这种翻译在本质上抵抗标准化。你无法通过统一课程教会一个人“在意”某个特定的存在，你无法通过考试测量一个人听出学生“我懂了”背后哪种是真正理解、哪种是放弃了的能力。任何试图把这种能力标准化的制度，都可能在过程中消解它本身。

这意味着组织层面的任务不是“生产”具有意义翻译能力的人，而是创造让这种能力涌现的条件。涌现与生产的区别是根本性的：生产预设了可复制的流程和可衡量的产出；涌现预设的是适宜的生态——你只能创造条件，然后等待，不知道会涌现什么，但你仍然创造条件。这恰恰是信任的逻辑，也是组织层面教育改革的真正任务。

从这个逻辑出发，以下四个组织层面的转变不再是并列的政策清单，而是同一个涌现逻辑在不同维度上的展开。

第一，从“前端装备”到“全程陪伴”。传统教育体系的“前端装备”逻辑来自稳定折旧假设：集中在人生前期完成一次性投资，技能足以支撑整个职业生涯。但意义翻译能力不是一次性装备的——它在与真实存在的持续接触中积累，在一次次界面翻译的摩擦中磨砺，在具体的在意中生长。这意味着教育的组织形态必须从“前端装备”转向“全程陪伴”——不只是“终身学习”在技能更新意义上的政策倡导，而是在制度上承认：培养一个人在与AI协作中保持意义翻译的能力，是贯穿整个职业生涯的过程，不可能在22岁之前完成。新加坡“技能创前程”（SkillsFuture）计划的制度意义正在于此——它把持续学习的权利而非义务制度化，为全程陪伴提供了资源保障。

第二，从“标准化生产”到“差异化涵养”。工业化教育体系的标准化逻辑有其内在合理性：在能力稀缺的时代，批量生产标准化人才是效率最优解。但真正能站在界面上的人，其价值在于对特定具体性的承诺，而这种承诺本质上是非对称的、不可复制的、高度个人化的。一个被标准化流程训练出来的人，能操作工具，但很难具备意义翻译能力，因为标准化的训练系统地消除了对特殊性的敏感。具有积极意义的是，AI技术本身为差异化涵养提供了前所未有的技术可能性：AI可以实时分析每个学习者的特点，推荐个性化的学习路径，释放教师从标准化传授中解放出来的时间——用于做AI无法做的事：与学生建立真实的、不可替代的关系，示范对具体性的承诺如何在实践中展开。

第三，从“封闭校园”到“界面生态”。传统校园的围墙有其认识论依据：当知识是稀缺资源，学校是知识的守门人。但意义翻译能力的培养需要的不是知识权威，而是与真实现实的持续接触——真实的病患、真实的法庭、真实的市场情绪、真实的街道和邻里。碳硅界面不在教室里，它在医院走廊、法庭旁听席、田野调查现场、社区的夜晚。组织层面的任务因此是建设“界面生态”而非简单的“开放校园”——系统性地把学习场所延伸到界面真实发生的地方。产学研协同在这个意义上不是锦上添花，而是培养意义翻译能力的必要条件：只有在真实的界面场景中，这种能力才能被真实地激活和磨砺。

第四，建立能传递界面能力的新信号体系。传统学历信号传递的是知识存量和标准化执行力，恰恰是AI最容易替代的能力类型。AI时代需要的信号体系传递的是完全不同的东西：这个人是否曾经真实地站在界面上？是否完成过从具体性到系统表征的真实翻译？是否在人机协作中展现出对特殊性的真实在意？这类能力无法通过标准化考试测量，但可以通过项目组合、田野记录、界面案例档案等方式留下可信的痕迹。新信号体系的设计原则是一个根本性的转向：从证明“你知道什么”，到证明“你曾经在意过什么”。这个转向在技术上是可行的，在制度上是艰难的——因为它要求雇主、院校和政策制定者共同承认一种本质上抵抗量化的能力具有可信的社会价值。

这四个组织层面的转变共享一个内在逻辑：它们都在为涌现而非生产创造条件。全程陪伴为具体性的积累提供时间，差异化涵养为特殊性的保留提供空间，界面生态为真实承诺的激活提供场所，新信号体系为不可量化的能力提供社会认可。没有任何一个可以单独完成任务，因为涌现需要的是适宜的生态——多个条件同时在场，然后等待。

（三）国家：教育是智能时代的基础设施

智能盈余社会再生产的第三重机制发生在国家层面。这是三重机制中最为宏观也最为关键的一层：个体的双元素养和组织的教育生态，最终都需要在国家层面的制度框架中获得支撑和保障。

本文提出“教育作为智能基础设施”的命题。工业时代，铁路、公路、电网构成了物质基础设施；信息时代，互联网、数据中心构成了数字基础设施；AI时代，教育体系应当被视为“智能基础设施”——支撑智能盈余在社会中的生产、流通、转化和治理。基础设施是公共品，需要国家投资和战略规划；基础设施的质量决定了经济发展的上限；基础设施的公平性影响社会的整体福祉。

国家层面的智能基础设施建设面临三重任务。第一，公平接入。智能盈余的网络外部性和阈值效应意味着，如果任由市场配置，智能资源将高度集中，导致“智能鸿沟”成为新的社会不平等来源。而公平接入的覆盖面越广，全社会的智能效能越高。第二，治理框架。智能盈余的负外部性——偏见复制、认知茧房、隐私侵犯、就业替代——需要有效的制度治理。笔者提出的“算法合宪性”（Algorithmic Constitutionalism）框架主张以类似宪政性检查的方式审视算法的正当性，包含可解释性、可审计性、可问责性、可救济性四个核心维度。第三，国际竞争维度。智能盈余的积累能力正在成为国家竞争力的核心维度，智能盈余的国际竞争不仅是技术竞争，更是制度竞争。

（四）三个层面如何咬合在一起

个体层面的双元素养、组织层面的界面生态、国家层面的智能基础设施，这三重机制不是孤立运作的，而是相互依存、共同构成意义翻译能力涌现的完整生态条件。

个体双元素养的发展为组织层面提供了变革的微观基础——没有具备对具体性承诺能力的教师和学生，任何制度设计都是空中楼阁；组织层面的界面生态为个体素养的涵养提供了真实场所——没有让学习者真实站在碳硅界面上的制度安排，这种能力只能在个人经历中碰巧发生，无法被系统性地激活；国家层面的智能基础设施为前两者提供了资源保障和制度框架——没有公共投资和政策引导，界面生态的建设将是碎片化和不均衡的。

这种协同关系的核心不是量的叠加，而是涌现的条件。单独看，任何一层都不足以完成任务：个体素养没有真实界面场景可以施展，界面生态没有具备承诺能力的个体来激活，智能基础设施没有微观层面的涌现来证明其价值。三层同时在场，才构成涌现所需的完整生态。

三重机制协同的政策含义因此不是“同步加大投入”，而是一个更精确的要求：识别并修复制约涌现的瓶颈。一个拥有先进AI技术（物化形态丰裕）但教育体系仍在批量生产标准化人才（体化形态错位）的社会，即便有充足的国家基础设施投入，意义翻译能力也难以涌现——因为标准化的培养系统地消除了对特殊性的敏感。

六、结论：重思“教育”

本文的核心论证可以压缩为一个条件命题：如果AI使得智能从稀缺资源变为丰裕存量，那么围绕“智能稀缺”前提而建立的教育经济学五大假设——线性回报、稳定折旧、个体归属、稳定信号、单向外部性——将同时失效；“人力资本”作为核心分析单位需要被“智能盈余”替代；而教育的社会功能将从“人力资本的生产”转向“智能盈余的再生产”。这个论证本身是完整的。但它在完整之处停下来的那个问题——智能盈余的再生产服务于什么文明目标——才是本文真正想抵达的地方。

（一）历史的三步

1961年，舒尔茨在美国经济学会的演讲改变了世界对教育的理解：教育不是消费，而是投资。这是第一步——它把教育从文化事务变成了经济事务，赋予了公共教育支出的效率正当性。

本文的论证是第二步——教育不仅是个人的人力资本投资，更是社会智能能力的基础设施。正如铁路和电网支撑了工业文明的物质运转，教育体系支撑着智能文明中智能盈余的生产、流通与治理。如果说舒尔茨的一句话是“教育不是消费，而是投资”，那么本文的一句话是：教育不仅是投资，更是智能时代的基础设施。

但基础设施服务于什么？这是第三步。一个直觉性的回答是国家竞争力或智能盈余的积累效率。这些答案是真实的，但仍停留在工具性层面。本文的追问再往前一步：基础设施的终极目标，是培养城邦中的行动者——那些因为真实地嵌入在他者之中，让事情变得值得被认真对待的人。

三步推进因此构成一条完整的逻辑链：舒尔茨1961年“教育是投资”，赋予教育以经济正当性；本文2026年“教育是基础设施”，赋予教育以公共品属性和国家战略地位；本文的终极追问“教育培养行动者”，赋予教育以文明使命。三步之间不是替代关系而是层叠关系：投资仍然成立，基础设施是投资的升级，文明使命是基础设施的方向。

（二）真正的稀缺：城邦中的行动者

AI时代，智能本身不再稀缺。真正变得稀缺的，是行动的能力——不是执行能力，而是定义能力；不是回答能力，而是提问能力；不是优化能力，而是在意的能力。

阿伦特将人类活动区分为劳动、制作与行动。劳动维持生存，制作创造产品，而行动——在复数的他者之间涌现的那种能力——是政治生活和意义生产的根基。AI可以劳动，可以制作，但无法行动，因为行动需要城邦：真实的他者在场，以其独特性向你提出要求，你因此在意，因此回应，因此产生意义。

那位教师能听出学生“放弃了的懂了”，正是一次行动：不是信息处理，而是城邦中的相遇。AI没有城邦，所以它可以处理语义，但无法生产意义。

（三）回到教育的文明使命

这个使命在历史上并不陌生。在古希腊的城邦里，在孔子席地而坐的讲堂里，教育做的事情只有一件：教人判断什么值得做，什么值得在意，什么值得为之生活。那个时代工具匮乏，人只能靠人，所以教育天然地指向意义——如何成为一个能够与他人共同生活、共同行动的人。

工业革命打断了这个传统。机器需要操作者，工厂需要纪律，教育开始大规模生产劳动者。资本主义的深化又进一步转型：市场需要知识工作者，学历成为通行证，教育变成了人力资本的制造流水线。意义的问题被悄悄搁置——不是因为它不重要，而是因为它不紧迫，因为还有太多更“实用”的事情要做。

今天，AI把劳动和知识工作都接管了过去。这不是威胁，而是一次奇特的解放：教育终于可以，也必须，重新回到那个被搁置了两百年的问题——我们在培养能够行动、能够在意、能够生产意义的人吗？

此刻我们面对的世界比古希腊丰裕得多，也复杂得多。在物质和信息都极度充裕的时代，什么样的意义值得生产，为谁生产，如何生产——这才是AI时代教育真正应当思考的问题。