当房地产增长势能逐渐减弱，中国经济面临一个前所未有的挑战：什么产业能够接替房地产，成为支撑经济增长的新支柱？

这不是一个常规的产业选择问题，而是关乎国家经济发展路径的战略命题。房地产曾占据中国GDP的30%，其产业链之长、就业吸纳之广、资金体量之大，在现代经济史上罕有匹敌。寻找一个同等规模的替代产业，难度可想而知。

许多人将希望寄托于人工智能。AI技术革命确实方兴未艾，但冷静的数据分析揭示了一个残酷现实：全球IT产业总规模仅约6万亿美元，远不足以填补房地产留下的经济空白。 更重要的是，这6万亿中三分之二被电信设备和服务占据，软件互联网领域的1万多亿美元又被谷歌、微软、腾讯、阿里等少数巨头瓜分。AI可以提升效率、创造价值，但指望它独自撑起一个与房地产等量齐观的经济体系，既不现实也不科学。

那么，答案究竟在哪里？

知名计算机科学家、《浪潮之巅》作者、前腾讯副总裁吴军在几个月前的一次分享中，提出了一个被严重低估的方向：数据资产化。这个答案的深刻之处，不在于数据本身有多新，而在于它与房地产惊人的结构性相似。

回望40年前，中国960万平方公里的土地已经存在了数千年，但直到改革开放后才真正转化为经济资产。土地本身没有改变，改变的是我们对其价值的认知方式和使用制度。通过建立土地产权、开发交易市场、引入外资合作，这些”躺在地上”的资源转化为推动中国经济高速增长30年的核心引擎。

数据与土地的相似性令人震撼。 我们积累了海量数据，就像那960万平方公里的国土一样，它们一直存在、不断增长，却尚未定价，无法充分变现。吴军谈到，全球12万亿美元物流市场中，数据优化1%就能释放千亿级价值；个人数字行为、企业运营数据、城市管理数据……这些分散的”数字土地”一旦建立起完善的产权、定价和交易体系，其经济规模将不亚于土地财政。

这不是技术幻想，而是经济规律的必然演进。从土地到数据，本质上都是将沉睡的资源激活为流动的资本。 前者用了30年时间构建了完整的制度框架，后者同样需要时间来解决法律法规、隐私保护、技术标准、定价机制等一系列挑战。但正如当年土地改革也经历了漫长探索一样，困难不应成为否定这一方向的理由。

吴军还将在演讲中探讨产业规模的底层逻辑、独立思考的重要性、人工智能发展的真实历程，以及技术进步与就业关系等关键议题。真正的机会，往往藏在98%的人尚未看清的方向中。

以下是吴军的部分演讲实录，经AI润色整理：

数据资产化：下一个经济增长点

几年前，我曾思考一个问题：如果要寻找下一个经济增长点，什么领域能够达到房地产曾经的规模？要知道，房地产曾占中国GDP的30%左右。人工智能虽然重要，但难以独自撑起如此庞大的经济体量。然而，如果我们能把数据变成资产，就有可能实现这个目标。

这让我想起土地开发的历程。中国960万平方公里的土地存在了数千年，但直到改革开放后，我们才真正认识到土地可以变现、可以吸引外资。一位在华德国经济学家曾指出，1980年到2010年中国30年的经济高速增长，很大程度上得益于土地资源的开发利用。通过土地开发、引入外资、建立合资企业，大量资金流入中国，带动了企业发展和就业增长。

数据的价值与土地类似。我们多年积累的海量数据，就像960万平方公里的土地一样珍贵，但目前还没有建立完善的定价和交易体系，无法真正变现。我们需要构建一个与土地财政同等规模的新经济模式，而数据资产化就是这个方向。

虽然目前数据资产化面临法律法规、隐私保护等诸多挑战，但一旦这些问题得到解决，其经济价值将不可估量。

举个极端的例子：一位英国人患有六种癌症，临终前将自己完整的医疗数据出售给研究机构，所得收入足以保障妻子和女儿一生的生活。这个案例提醒我们，在数字经济时代，我们需要重新定义财富的概念和形态。

产业规模认知与资金流向

当前，财经科技媒体90%的报道都聚焦在IT领域，但实际上，IT领域真正产生的利润规模并非最大。

全球最大的产业实际上是物流业。 全球每产生8美元GDP，就有1美元用于物流。这解释了为什么在就业困难时期，物流相关行业能够吸纳大量劳动力。全球物流市场规模约12-13万亿美元，如果能够通过技术创新优化其中1%的效率，就能产生数千亿美元的经济效益。

相比之下，IT行业总规模约6万亿美元，其中电信设备和服务占据三分之二（约4万亿美元）。在设备领域，华为等中国企业表现优异。剩余的2万亿美元中，硬件约占不到1万亿，软件和互联网约1万多亿。

而这1万多亿美元的软件互联网市场，已经被高度垄断：谷歌一家占据约30%，加上腾讯、阿里巴巴、微软等巨头，剩余的市场份额要由全球100万家互联网公司瓜分。这就是为什么许多互联网公司员工虽然有工作，收入却不理想——市场早已被少数巨头瓜分。

再看一个数据：全世界央行的黄金储备总价值约2.5万亿美元，与一些科技巨头的市值相当。这说明少数人和少数企业确实能够控制巨额财富。理解这些数据，有助于我们更准确地把握产业发展方向和投资机会。

独立思考：超越媒体叙事的能力

在信息爆炸的时代，独立思考和数据分析能力比以往任何时候都重要。许多媒体报道存在偏差甚至错误，我一直建议：财经从业者必须亲自阅读财报，而不是仅仅依赖媒体的二手解读。 更进一步，最好能够自己重新进行一次财务分析，从原始数据中得出结论。

昨天我与XX教授深入交流时谈到：世界上绝大部分人处于平庸状态，这是常态。真正的突破往往来自那些敢于独立思考、不随大流的人。XX教授就是一个典型例子——当许多人看不到某个研究方向的前景时，他坚持投入三年时间深耕该领域，最终取得了重大成就。

与大众保持一致并不值得骄傲，真正的价值在于发现别人尚未看到的机会。

人工智能：四次浪潮的启示

今天人工智能备受关注，但这已经是该领域的第四次热潮。历史上，每一次热潮之后都会经历低谷，甚至有人质疑研究者是”骗子”。

从”人工智能”到”连接主义””人工神经网络”再到”深度学习”，名称不断变化，但本质相同。我刚参加工作时，没有人好意思说自己研究人工智能。2000年的一次机器学习国际会议上，发生了这样的场景：

我的朋友XX教授（华盛顿大学教授，后任微软杰出科学家，著名深度学习专家）准备做报告时，发现除了第一排，所有听众都离开了。他对仅剩的几位说：”请你们千万不要离开，否则就没人听我讲深度学习了。”第一排的一位老教授回应：”我保证认真听完你的报告，但也请你做完后不要离开——因为下一个报告人是我。”

就是在这种无人关注的困境中，杨立昆、Geoffrey Hinton等几位科学家坚持推进深度学习研究。没有人知道能否成功，也看不到明显进展，但他们坚持走了一条少有人走的路，最终在2016年共同获得图灵奖。

这个故事告诉我们：98%的人是跟随者，只有2%的人在开创未来。 不要因为大语言模型现在火爆就盲目跟风。我最反对的就是看到什么热门就投资什么——当市场普遍认为某个领域能赚钱时，其投资回报率往往已经大幅下降。

人工智能的技术三要素

当代人工智能的突破源于三大要素的结合：数据、算法和算力。

OpenAI的GPT模型取得显著成效的原因：

数据维度：虽然互联网数据增速放缓，但总量仍在持续增长。

算力维度：传统芯片遵循摩尔定律，每24个月性能翻倍；而英伟达实现了每年性能翻两番，大大加速了发展进程。

能效维度：按单位能耗计算，算力成本已下降至原来的千分之一。

这就是英伟达市值飙升、而英特尔相对落后的根本原因——在AI时代，算力供应能力决定了企业的市场地位。

人工智能时代的就业前景

许多人担心人工智能会取代人类工作，这种担忧可以理解，从最底层来说,它确实会取代一些简单重复的工作。但想要取代确实带来两个挑战：

第一，需求描述的精确性变得至关重要。 许多需求需要反复迭代才能明确，这就要求我们具备清晰的表达能力。中小学语文教育的重要性在此凸显——如果连自己的想法都表达不清楚，如何谈创造性工作？

第二，程序复杂性带来的审查难题。 现代软件系统极其复杂，人工审查困难重重，安全性审查（如银行系统）面临巨大挑战。

但整体而言，我认为当前人工智能还太弱而非太强，还有大量问题等待解决，不必过度担心失业问题。

技术进步，创造而非减少工作

让我用历史案例说明这一点：

大约40年前，四个学生做了一个公司，制造了世界第一台工作站——Sun工作站。四个人中，一个做芯片，一个做软件，还有CEO和销售人员。芯片硬件的整个设计就一个人完成，加上一些辅助人员，在不先进的手工条件下完成了Sun工作站的芯片和电路图设计。

今天，无论高通、博通还是华为，设计一颗先进芯片需要数千名工程师协同工作，使用复杂的EDA工具完成功能定义、逻辑设计和电路布局。苹果设计M4芯片投入的人力是当年的数千倍。

工作量确实增加了，但这恰恰说明技术进步创造了更多就业机会。再看办公场景：在没有电子办公系统的年代，文件流程简单，一天可能只需签几个字、写两页报告。现在有了办公自动化，工作量不减反增，动辄几十页的报告成为常态。

所以，不要担心机器抢走工作——机器越先进，人类可以从事的工作种类反而越多。 今天从事芯片设计的人数远超40年前。

再举一个极端例子：旅行者一号和二号探测器，使用1970年代的技术，存储容量仅4KB到16KB，现在已飞越海王星，正前往柯伊伯带。相比之下，现代手机存储容量达64GB到160GB，是探测器的1.6万到4万倍。

但你敢说现代手机能够控制飞向海王星的探测器吗？不敢。因为当年的工程师必须精打细算每一个字节，而今天的工程师在充裕的资源下，往往不会做到那种极致的优化。

这说明：技术进步不会消灭工作，只会改变工作的性质和要求。

数学优化：效率提升的关键

二十多年前，我的博士研究聚焦于用数学方法优化计算过程。数学的魅力在于：可以找到完全等价但效率相差巨大的不同算法。

我的研究将某个模型的计算量降低到原来的0.2%-1%。这意味着原本需要400个月的训练时间，通过数学优化缩短到8个月。这就是数学在技术创新中的巨大价值。

学习要追求高层次的思维，不要只盯着眼前的小利益。 正如刚才提到的，我们已经达到相当的规模和技术水平，接下来的问题是：如何继续向上突破？这需要站在更高的层次来审视人工智能和技术创新。

我的导师是编译原理的开创者，”语言模型”这个概念及术语都源于他的创造。作为该领域最早的研究者，他与我们讨论的往往不是具体技术细节，而是哲学层面的深层思考。

例如：我们为什么使用语言？这涉及乔姆斯基的语言学理论。维特根斯坦有句名言：“我的语言的边界，就是我的世界的边界。”

这句话深刻揭示了语言与认知的关系。我们能够思考和表达的范围，受限于我们掌握的语言工具。这对人工智能研究同样适用——语言模型的能力边界，某种程度上也是AI认知能力的边界。

技术性能提升5倍还是10倍，这只是量变。真正的突破需要质变，需要从哲学、数学、认知科学等更高层次重新审视问题。

一定要培养这种高层次的思维方式，不要局限于具体技术细节，而要理解技术背后的本质规律。

谢谢大家！

（完）