作者：
包特 陈晓萌
作为 2025 年诺贝尔经济学奖得主之一，乔尔·莫基尔 （Joel Mokyr） 的主要贡献，是系统性分析了英国和欧洲工业革命的发生机制，并以此从经济史角度解释，知识创新和相关制度如何引发长期经济增长。在他的代表性著作 《雅典娜的礼物》、《启蒙的经济》 和 《增长的文化》 中，他将自己关于知识创新引发工业革命的主要观点总结为：
首先，知识制度很重要，社会必须存在一个 「知识共同体」（republic of letters） 作为知识创造的 「元制度」（meta-institution），在共同体中，知识是可争论的，而不是被少数人垄断话语权，知识生产者为了认可和荣誉相互友好竞争。
其次，知识按属性分为两类，命题型知识 （propositional knowledge，类似科学知识） 和处方型知识 （prescriptive knowledge，类似工程知识和工匠技巧），工业革命需要两者的结合，只有单独一种并不会引发工业革命——或者用俗话说，科技革命必须是科学和技术相互配合一起进步，其中任何一个离开另一个都走不远。
最后，工业革命也是社会文化和社会氛围的变革，在中世纪，欧洲人也被保守的思想束缚，把 「创新者」（innovator） 看成离经叛道的不合群的人的代名词。而培根关于 「知识就是力量」 的名言和对实验方法的推崇，使得英国人第一次觉得知识创新是人的荣誉和天职，也鼓励科学家从在书斋中走出来，在实践中检验自己的理论。莫基尔在书中写道：「工业革命不是英国突然变聪明了，而是人们突然相信 『知识能改造世界，而且必须改造世界』。这就是培根主义 （Baconian program）」。
莫基尔的上述研究，很容易让人想起，2000 年前后，在中国经济学界引起广泛讨论的 「李约瑟之谜」 或 「大分流之问」，具体来说就是工业革命在欧洲/英国而不是世界其他地方，比如明清时期的中国江南发生。
关于这个问题，西方学者也有不同看法。比如，早先的诺奖得主道格拉斯·诺斯认为，西欧先于其他地区发生工业革命的主要原因是率先建立起了产权和现代公司制度，鼓励人创新创业；2024 年诺贝尔经济学奖得主达龙·阿西莫格鲁认为，西方世界经济增长比其他地区快的原因，是拥有更加 「包容型」 的政治和法律制度。
而 《大分流》 一书的作者彭慕兰，对这个问题的看法更为唯物主义。他提出，明清时期的中国江南和工业革命时代的英国，面临的商业机会、人力和金钱资本积累等方面的条件确实差不多。而后者能引爆工业革命，但前者只能停留在萌芽状态的主要原因，恐怕是要制造蒸汽机必须有大量煤炭作为燃料。英国的工业中心周围有大量易于获得的浅层煤，但中国江南缺煤炭，且以当时的漕运和海运运力，都不支持从中国北方大量运煤满足南方的工业需要。工业革命的关键经济条件是人力成本贵，燃料价格低，所以对于企业主而言，节省人力的技术非常有利可图。而中国江南人口密度大燃料少，就只能走传统手工业人力密集的路子。
需要指出的是，「燃料决定论」 或者资源决定论，并不是为中国一国设计的理论。很多学者也用它解释，为什么缺少树木和优质煤炭的欧陆国家 （比如德国煤炭储量大，但都是品质很差的褐煤），在工业革命开始时大幅落后于英国。
当然，不管你更同意上述哪种观点，更重要的问题是，站在 21 世纪前四分之一处的最后一年，人工智能带来的新一波工业革命的浪潮已经扑面而来。这时，人工智能会给经济发展和社会结构带来怎样的冲击？哪个国家会在人工智能新经济中占据优势，经济学又能给我们哪些启示呢？
这里，我们首先可以采用的一个角度是：莫基尔事实上也是经济学界最早把 GPT 反复挂在嘴边的学者，他在这里说的 GPT 不是 ChatGPT，而是 「通用目的技术」（general purpose technology） 的缩写。莫基尔指出，科技革命的关键是产生新的通用目的技术，通用目的技术不同于别的技术的关键是可扩展性 （scalable），即它的边际成本迅速下降和可组合性 （recombinant innovation），即它可以使得不同技术可以被重新组合，产生 「组合式创新爆发」（类似基因突变）。
换句话说，通用目的技术不是 「一次性发明」，而是可以与任何领域的创新组合起来产生 1+1>2 的强大生产力的一种通用型科技。在以前，电力和计算机都可以达到这一标准；而在今天，最有潜力的则是吸纳和融会贯通几乎网络上一切可触及的信息的大语言模型。当大语言模型学习了足够多的人类知识与文明，它就变成了看起来非常聪明的 ChatGPT 和 DeepSeek。
从目前来看，大语言模型基本满足可扩展性的要求。但同时，即便当下的这些大语言模型看似已经足够强大，在 AI 的前沿领域内，「通用型人工智能」（AGI，Artificial General Intelligence） 这一概念仍从未被实现。也就是说，当前人工智能仍局限于依靠实时数据对大模型的训练和计算来输出结果，却不能做到在它不熟悉的任务和领域内执行具有人类认知水平的任务，在可组合性上面临较大局限。或许中美在新一轮科技角逐中最关键的分水岭便是谁能最先在 AGI 领域实现重要突破。
其次，人们对第一次工业革命是有共识的，但从第二次开始，人们对工业革命或者说产业革命的划分，以及年代断代，都相对缺乏共识，现有的 「四次产业革命」 说法，其中第四次主要来自德国提出 「工业 4.0」 概念。但时至今日，德国的技术和经济发展似乎都大大落后中美，也没有达到其自身 「工业 4.0」 中提出的愿景。
此外，仅从时间跨度来说，第一次工业革命从 1740 年开始，持续到 19 世纪中叶或后半段，前后 100—150 年时间，而后 1870 年到今天约 150 年就发生了三次工业革命，这也未免让工业革命这个概念听起来有些许随时间 「贬值」。
但如果我们换个角度，认为自 1740 开始，人类首先从使用人力和畜力为代表的生物能进入煤炭和石油为代表的化石燃料作为 「通用目的能源」（general purpose energy, GPE） 的时代，而从 20 世纪初开始到今天，都可以认为是电能取代化石燃料作为 GPE 的第二次工业革命时代。面向未来，人工智能是公认的电能消耗大户，在这方面，中国具有基础设施建设方面的先发优势，而美国在必要时也可以通过私人资本 「猛砸」 迅速弥补缺口，但欧洲受地缘政治和国内情绪影响，一直处于能源供应不足的状态，如不及时调整相关能源政策，恐怕会进一步拖累经济表现。
最后，人工智能带来的知识赋能和 「平权」 是好事，也对大学和科研机构等传统知识生产单位构成了严峻的挑战。很多人担心，如果人工智能可以写论文，写报告，甚至写数理模型或者编程，那将来这些岗位的学生会不会快速被人工智能取代。果真如此，那大学教育对学生人力资本的增值在哪里？
我们认为，高校也应调整思路，学习并发扬莫基尔说的让命题型知识和处方型知识结合的 「培根主义精神」，以更灵活的课程设计和更有前瞻性的教学交流方式帮学生更好适应未来的就业市场。大学老师应该和学生一起多接触新时代的各种创新技术和业态，探索 「有监督人工智能写作」、「有监督人工智能编程」 等新的教学模式和课程。让大学成为新时代的 「AI 驾校」，而不是抱残守缺，继续按照 「跑步运动员」 或 「人力车夫」 的标准培养学生。老师要以知行合一的培根、陶行知等为榜样，和学生一起迎接雅典娜的祝福和礼物，而不是困守过时的旧知识，看它和旧时代一起消失在诸神的黄昏。
（作者包特为新加坡南洋理工大学经济系长聘副教授；陈晓萌为清华大学国情研究院研究助理）
（澎湃新闻）
文章转载自东方财富
