引言：智能时代的制度觉醒

当2026年的阳光穿透历史云层，人类文明正站在一个前所未有的转折点上。人工智能已不再是科幻小说中的遥远想象，而是渗透到经济社会每一个毛孔的鲜活力量。据国际数据公司测算，2025年全球GDP的12%由AI系统直接创造，而这一比例在2026年已攀升至18%。在这场波澜壮阔的智能革命中，传统的政治经济学框架正在经历根本性重塑——生产资料的定义在扩展，劳动价值论的内涵在深化，分配制度的基础在位移。

《未来国策》的提出，正是对这一时代命题的系统回应。本文聚焦于其中的核心制度设计——AI红利税，试图在电子货币的崭新载体上，构建一套覆盖智能经济体制、智能政治体制、智能治理体制、智能管理体制、智能家族体制、智能劳动生产体制的完整框架。这不仅是税收制度的革新，更是对“智能社会何以可能”的政治哲学回答。

一、电子货币：智能社会的价值载体

1.1 从债务凭证到价值分配

传统法币的本质是国家信用背书下的债务凭证，货币的诞生绝大多数来自商业银行的贷款行为。这一“债务-信用”循环驱动了工业时代的经济增长，但也埋下了周期性危机的种子。更为根本的是，该体系默认“就业”是分配财富的主要渠道——当通用人工智能大规模替代人类岗位时，这一渠道将急剧收窄，导致社会总需求崩溃与生产过剩的悖论性并存。

2026年1月1日，数字人民币2.0版正式启动实施，标志着中国在全球率先实现央行数字货币从“现金型”向“存款货币型”的历史性跃升。这一变革的意义远超技术层面：数字人民币从央行负债变为商业银行负债，从流通中货币（M0）转变为狭义货币（M1）或广义货币（M2），企业和个人可获得利息收入，商业银行获得经营激励，一个多方共赢的格局由此形成。

更为关键的是，数字人民币2.0版在全球首创“账户体系+币串+智能合约”三位一体的数字化方案。坚实的账户体系确保了金融监管的有效性；币串作为价值承载与信息传递相统一的技术构造，使每一分钱都可携带可编程的元数据；智能合约则能在满足特定条件时自动完成资金调度，极大降低履约风险和交易摩擦。这为AI红利税的精准征收与自动分配提供了技术前提。

1.2 国家算力本位：智能时代的“数字黄金”

在农业时代，核心生产资料是土地；在工业时代，是资本与机器；在智能时代，全域人工智能算力无疑将成为最核心、最基础的生产资料。它并非虚拟概念，而是一国领土内所有可用于经济生产的AI算力资源的总和——包括公共云、私有云、国家级超算中心、大型智算集群乃至边缘计算节点的有效聚合。它如同智能经济的“沃土”，一切数字商品、智能服务乃至物理世界的自动化生产，都根植于此。

国家算力本位（National Computing Power Standard）的提出，为电子货币找到了智能时代最坚实的价值锚定。与金本位制下货币与黄金挂钩的逻辑相似，国家算力本位将货币发行与一国拥有的总算力总值及其未来产出预期相挂钩。但区别在于，其价值基石从有限的贵金属跃迁到了可增长、可进化、代表先进生产力的数字资源。

GAICP（全域人工智能算力总值）具有价值锚定物的完美特性：可测量、可审计、可预测、具有真实产出效能。截至2026年第一季度，中国“东数西算”工程已实现八大枢纽节点全面互联，国家算力网络监测系统实时追踪全国87%以上公共算力资源的利用率、能效比和任务类型。这为以算力为锚的货币发行奠定了计量基础。

二、智能经济体制：AI红利税的底层逻辑

2.1 AI红利税的定义与本质

AI红利税，是指对因大规模采用人工智能技术、显著提升生产效率并由此获得超额利润的企业或资本，按照其因AI所提升的利润比例征收的特别税种。其本质是将技术红利进行社会化再分配，是调整技术发展与社会稳定之间张力的关键机制。

这一税种的提出，根植于对AI时代生产资料所有权的新命题。当AI系统以近乎零边际成本的方式创造巨额财富时，传统资本回报分配模式面临根本性挑战。特斯拉人形机器人产线、OpenAI的代码生成系统、各类大模型的商业化应用——这些AI创造的财富究竟属于谁？是属于算法所有者、数据提供者，还是属于作为这些资源共同创造者的全社会？

中国学者的“第三条道路”给出了富有智慧的回应：通过区块链记录个人数据贡献度，动态调整分配权重，保留部分AI收益用于再投资——这既避免福利主义，又防止资本垄断。AI红利税正是这一理念的制度化表达。

2.2 征税对象与税基确定

AI红利税的征税对象需精准锚定“AI创造的超额利润”。这涉及两个核心问题：一是如何界定“AI创造的利润”，二是如何从企业总利润中剥离出这一部分。

借鉴安邦智库提出的框架，AI红利税主要针对两类企业：第一类是以AI系统直接替代人类岗位、同时显著裁减人力的企业，按照其因AI所提升的利润比例征收；第二类是AI原生企业，其核心价值完全由AI系统创造，按照其总利润的一定比例征收。

税基的确定可采用“贡献度剥离法”。具体计算公式可表述为：

text

AI贡献利润 = 企业当期利润 × （AI资产占比 × 资产效率系数 + 劳动力替代率 × 替代弹性系数） ÷ 2

其中，AI资产占比指企业在算力、算法、数据等AI相关资产上的投入占总资产的比例；资产效率系数反映该类资产的产出效率与行业平均水平的比值；劳动力替代率指因引入AI而减少的人力成本占原人力成本的比例；替代弹性系数反映劳动力被替代后产出增长的比例关系。

这一计算方法的核心在于，将AI视为与资本、劳动力并列的生产要素，通过其在生产函数中的贡献份额确定税基。

2.3 税率设计与累进机制

AI红利税的税率设计遵循“激励相容”原则——既要实现再分配目标，又不能扼杀技术创新动力。参考碳税的历史经验，税率应呈渐进式上升，给企业留出适应空间。

建议采用“三级累进税率制”：当企业AI贡献利润率（AI贡献利润占总利润比例）低于30%时，适用10%的优惠税率；当该比例在30%至60%之间时，适用20%的标准税率；当超过60%时，适用30%的累进税率。同时，对采取“人机协同”模式而非简单“机器换人”的企业，可给予一定比例的税收返还；对通过内部培训帮助员工转型为AI操作岗位的企业，可获得税收抵免。

这种灵活的设计，使AI红利税成为一个兼具调节性与激励性的政策工具。它并非将AI视为敌人，而是通过制度手段对AI进行社会友好化改造的尝试。

三、智能政治体制：税收主权的数字重构

3.1 数字央行的职能扩展

AI红利税的征收与分配，要求传统央行职能向“数字央行”深化扩展。数字央行下设两大关键机构：算力价值评估局负责构建并维护国家算力网络监测系统，精确、实时地度量全国GAICP，并基于算力利用率、能效比和技术进步率等因素，科学评估算力总值的未来产出潜能，为年度AI红利税总额提供核心依据；国民账户管理局负责管理每一位公民的“个人主权账户”，这是一个安全、匿名的数字账户，是公民接收AI红利税转化而来的社会分红、进行交易和纳税的基础设施。

这一制度设计的革命性在于，它将货币发行、税收征收与社会分配三大职能整合于一个以算力为基础的智能框架中。数字央行不再仅仅是货币的发行者，更成为智能经济时代价值分配的枢纽。

3.2 智能合约与税收自动化

依托数字人民币2.0版的智能合约功能，AI红利税的征收可实现全流程自动化。智能合约是一种以代码形式写入区块链的自动执行协议，当预设条件满足时，合约将自动触发资金划转。

在AI红利税场景中，智能合约的逻辑可设计为：企业每季度财务报表经审计后上传至税务区块链，系统自动调用AI贡献利润计算模型，生成应纳税额，若企业未在规定时间内主动缴纳，则从其对公数字人民币钱包中自动划转相应金额；若划转成功，则自动生成完税凭证并记录于企业数字信用档案；若余额不足，则触发预警机制并向税务机关推送异常信息。

这种“条件触发、自动执行”的机制，从根本上杜绝了逃税漏税的可能，极大降低了税收征管成本。更重要的是，它将税收从一种事后的人为干预转变为事前的制度嵌入，使AI红利税成为经济运行系统的内生参数而非外部变量。

3.3 政治决策的数据基础

智能政治体制的另一核心特征，是决策过程的数据驱动化。传统政治决策往往依赖有限样本的调研和经验判断，而在智能时代，超级智能体可实时监控全球供应链、国内消费数据、就业结构（人类与AI的协作）、环境指标等海量数据，构建宏观经济模拟器。

这一超级智能体不再是简单的执行工具，而是宏观经济调控的预测性顾问。它能够对税率调整、分配系数变动等“社会共识因子”的调整提供超乎人类能力的精准建议，并在政策仿真实验室中模拟推演不同方案的社会经济影响。这使政治决策从“事后应对”转向“前瞻预防”，从“经验依赖”转向“数据智能”。

当然，这并不意味着将决策权完全交给算法。智能政治体制坚持“人机协同”原则——机器提供最优路径的参考方案，人类进行价值判断和最终抉择。这是对技术理性与人文价值的辩证统一。

四、智能治理体制：呼吸式的敏捷治理

4.1 制度稳定与技术迭代的矛盾

制度与技术遵循不同的发展逻辑。制度追求稳定，给社会以明确预期；技术追求迭代，以“月”甚至“周”为单位加速演进。在AI时代，这一“速度差”构成了治理的核心困境：过度监管可能扼杀创新活力，放任自流则会累积社会风险。

破解这一困境，需要构建一种“能呼吸”的敏捷治理生态系统。所谓“能呼吸”，是指在治理体系上预设“输入”与“输出”两大接口，形成一个持续与外界交换能量与信息的循环系统。“输入”接口负责感知新技术工具和社情民意，吸纳新的技术、工具和方法，实时把握治理对象的动态演变；“输出”接口则将对输入信息的甄别、研判结果转化为新的规则、政策与措施，精准反馈给治理对象。

4.2 智能治理的三重机制

清华大学孟天广教授提出，智能治理通过赋能、赋权、赋智三重机制发挥作用。

赋能体现在对政府组织的智能化转型上。人工智能拓展了政府治理的领域——数字空间逐渐成为现实世界的“镜像”，要求治理主体全面掌握数字空间与物理空间的经济社会运行规律，实现机器系统与社会系统的协同共治。智能治理还有助于重塑政府决策流程，提高应对和处理社会危机及自然灾害的反应速度，提升决策的科学性和精准性。

赋权体现在对个人和社会的效应上。依靠人工智能，个人和社会通过获得信息、参与表达和采取行动等社会实践方式，在提升自身参与能力的同时，提升社会协同能力。智能技术促使普通公众采集和处理信息的能力极大提升，由此切实提升了普通公众的话语权和影响力。

赋智体现在集体决策的智慧化上。通过构建囊括政府、科技企业、社会组织、个体等多元主体的生态伙伴关系，政府将人工智能引入国家治理，依托智能设备监测经济社会运行，汇聚多源数据感知社会运行规律，利用高效算法预测研判趋势风险，经由规划决策系统实现精准科学决策。

4.3 AI红利税的治理嵌入

AI红利税在智能治理体制中扮演着双重角色。一方面，它本身是治理的对象——如何精准征收、公平分配，需要智能治理手段的支持。另一方面，它又是治理的工具——通过调节AI技术应用的社会成本，引导企业在追求效率的同时承担社会责任。

在具体操作层面，AI红利税的征收数据可反向输入治理系统，成为监测AI产业发展态势的重要指标。某行业AI红利税缴纳总额的快速增长，可能意味着该行业正经历快速自动化转型，需要配套的再就业培训政策；某企业连续多个周期适用最高累进税率，可能提示其“机器换人”速度过快，需启动劳资协商机制。

这种“数据-决策-反馈”的闭环，使治理体系从一个静态的“机械装置”转变为一个能够学习与成长的“生态系统”。它实现了制度稳定性与技术迭代性的动态平衡，使国家治理能够与数字文明同频演进。

五、智能管理体制：从科层到网络的范式转换

5.1 组织架构的扁平化演进

传统科层制管理基于信息不对称和指令逐级传递的逻辑，在稳定环境中表现出较高效率。但在AI时代，信息流动的速度和复杂性已远超科层制的处理能力。智能管理体制的核心特征，是从垂直科层向扁平网络演进。

这一演进体现在三个层面：一是打破部门壁垒，构建跨领域、跨层级的柔性项目团队，针对特定治理任务快速集结资源；二是建立常态化的政、产、学、研协同机制，确保治理体系能够快速响应来自技术前沿和产业实践的最新信号；三是在特定区域或领域内设立“监管沙盒”，为创新产品和服务提供风险可控的测试环境，实现制度创新的小步快跑。

5.2 复合型人才培养

智能管理体制的运转，离不开既懂政府管理又懂技术的复合型人才。这类人才需要具备三重素养：对技术逻辑的深刻理解，能够准确把握AI系统的能力边界与潜在风险；对治理价值的坚定坚守，确保技术应用不偏离以人为本的方向；对制度创新的开放思维，能够在“管”与“放”之间做出情景化的精准判断。

在AI红利税的征管中，复合型人才的作用尤为关键。他们需要理解AI贡献利润的计算模型，确保税基确定的科学性；需要熟悉智能合约的编写逻辑，保障税收自动化的可靠性；更需要洞察技术变革的社会影响，为税率调整提供价值判断。

5.3 绩效评估的多维重构

智能时代的管理绩效评估，需从单一的经济效率指标转向多维度的“社会价值核算”。对于AI红利税而言，其绩效不仅体现在税收收入的规模，更体现在三个维度：再分配效应——是否有效缩小了收入差距，缓解了技术性失业带来的社会阵痛；激励效应——是否引导企业从“简单替代”转向“人机协同”，促进了技术的社会友好化应用；创新效应——是否在实现再分配的同时，保持了技术创新的动力，避免陷入“福利陷阱”。

这一多维评估框架，使AI红利税的管理从“征管中心”转向“价值中心”，从“静态考核”转向“动态调适”。

六、智能家族体制：微观单元的制度回应

6.1 家庭作为分配单元

在AI红利税的分配设计中，家庭应作为基本单元予以考虑。这基于两点认识：第一，家庭是社会再生产的基本单位，劳动力的再生产、下一代的教育培养、老年人的照护赡养，都在家庭层面完成；第二，技术性失业的冲击往往传导至整个家庭，单一失业者的困境会演变为家庭收支失衡、代际发展受阻的复合问题。

建议在AI红利税的社会分红部分，采取“个人账户+家庭系数”的分配模式。每个公民拥有个人主权账户，直接接收属于自己的那份社会分红；同时，系统根据家庭抚养比（赡养老人、抚养子女的数量）自动调整分配系数，对承担更多社会再生产责任的家庭给予额外支持。这一设计将智能时代的制度关怀，从原子化的个人延伸至作为命运共同体的家庭。

6.2 代际数字鸿沟弥合

AI时代的另一挑战是代际数字鸿沟。年轻一代是数字原住民，能够快速适应AI技术的迭代；而老年群体可能面临被技术边缘化的风险。智能家族体制需要对此作出制度回应。

AI红利税收入的一部分，可定向用于“代际数字包容计划”：开发适老化的AI培训课程，降低老年人学习新技术的门槛；在社区层面建立数字互助机制，鼓励年轻人帮助老年人掌握智能工具；对承担老年家庭成员数字技能培训的家庭，给予AI红利税的社会分红加成。通过这些安排，使智能时代的红利能够跨越代际界限，惠及每一个社会成员。

6.3 家族财富的智能传承

当AI成为核心生产资料，家族财富的形态也在发生变化。传统的财富传承主要涉及房产、金融资产等实物形态，而智能时代的财富传承将越来越多地涉及数字资产——数据权益、算法收益权、算力使用权等。

AI红利税框架需对这一趋势作出回应。建议探索建立“数字家族信托”制度，将家族成员的数据贡献、算法共创形成的数字资产纳入信托框架，通过智能合约实现收益的自动分配。这既保护了数字时代的家族财富，又避免了因个人离世导致的数据权益纠纷。同时，对纳入信托的数字资产产生的AI红利，给予一定的税收优惠，鼓励长期持有和代际传承。

七、智能劳动生产体制：人机协同的新范式

7.1 劳动价值论的当代拓展

AI时代的到来，对传统劳动价值论提出了深刻挑战。如果价值是由劳动创造的，那么AI系统创造的价值应归属于谁？是归属于编写算法的程序员、提供训练数据的用户，还是归属于AI系统本身？

智能劳动生产体制对这一问题给出了回应：将“劳动”概念从人类劳动拓展至“人类劳动+智能系统劳动”，同时坚持价值分配的最终主体是人。AI系统是人类智慧的延伸，其创造的价值本质上仍然是人类过去劳动（算法开发、数据标注）和现在劳动（系统运维、结果审核）的物化。AI红利税正是对这一认识的制度确认——将智能系统创造的部分价值提取出来，回馈给作为整体的人类社会。

7.2 新就业形态的制度覆盖

AI技术在替代部分岗位的同时，也在创造新的就业形态。提示工程师、AI训练师、数据标注员、算法审核员——这些职业在五年前几乎不存在，如今却已成为劳动力市场的重要组成部分。智能劳动生产体制需要对这些新就业形态实现制度覆盖。

具体而言，AI红利税的分配需考虑新就业形态群体的特殊性。他们可能没有传统意义上的“雇主”，收入来源多元且波动较大，难以纳入现行社保体系。建议探索“按贡献定权益”的思路——根据个人对AI系统的数据贡献、训练参与、结果审核等实际付出，折算为“数字劳动积分”，以此作为享受AI红利税社会分红的依据之一。这既承认了新就业形态的劳动价值，又为其提供了制度化的保障。

7.3 人机协同的生产组织

智能劳动生产体制的终极目标，不是用机器完全替代人，而是实现人机协同的最优配置。AI处理重复性、规律性的任务，人类从事创造性、情感性、价值判断性的工作——这是理想的分工格局。

AI红利税的税率设计需服务于这一目标。对采取“人机协同”模式的企业给予税收优惠，对“简单替代”模式适用更高税率，正是用制度手段引导企业选择更优的技术应用路径。同时，AI红利税收入的一部分可用于支持“人机协作技能培训”，帮助劳动者掌握与AI系统协同工作的能力，在技术变革中实现职业转型而非被动淘汰。

八、AI红利税的分配机制与社会分红

8.1 从税收到分红的转化路径

AI红利税的征收本身不是目的，其最终归宿是社会分配。这一转化路径涉及三个环节：汇集、增值、分配。

汇集环节：所有企业缴纳的AI红利税进入“国家智能发展基金”，与企业所得税等一般性税收分账管理，确保资金用途的专属性。

增值环节：基金部分资金可用于投资国家战略性AI项目、支持基础算法研发、建设公共算力基础设施，其产生的收益回流基金，实现资金的保值增值。参考挪威主权财富基金的运作经验，可将基金年化收益的一定比例用于当期分配，剩余部分留作储备，平滑代际分配。

分配环节：每年底，由数字央行根据GAICP增长率、AI红利税收入规模、基金投资收益等因素，测算下一年度社会分红总额；国民账户管理局根据在籍公民数量（或常住人口数量），按照统一公式计算人均分红金额，通过智能合约按月自动发放至个人主权账户。

8.2 分配公式的要素构成

月度人均社会分红金额的计算公式可表述为：

text

月度人均SDR = (T_ai × α + F_income × β) ÷ P × γ

其中，T_ai为上年AI红利税收入总额，α为当期分配比例（建议初期设为50%，后期根据情况调整）；F_income为上年国家智能发展基金投资收益，β为收益分配比例（建议设为30%）；P为全国在籍公民总数；γ为经济增长调节系数，由数字央行根据当年GDP增速、通胀水平等因素动态调整，旨在平抑经济波动对分红金额的冲击。

这一公式体现了三重原则：公平性原则——每个公民获得等额的基础分红，体现全民共享技术红利；可持续原则——引入基金收益和调节系数，避免分红大起大落；激励相容原则——分红与AI经济发展水平挂钩，使公民有动力支持技术创新。

8.3 补充分配：贡献加权机制

在基础分红之外，可探索“贡献加权”的补充分配机制。通过区块链记录个人在数据贡献、算法训练、内容创作等方面的实际付出，折算为“数字贡献积分”，以此作为额外分配的权重依据。

这一机制的设计需注意几点：一是自愿参与原则，公民可选择是否将自己的数据贡献纳入记录，不参与者仍享受基础分红；二是隐私保护原则，采用“零知识证明”等技术，确保贡献可验证但具体数据不可见；三是防止垄断原则，单个公民的贡献积分设置上限，避免数据巨头的形成。

贡献加权机制的意义在于，它不仅承认了被动接收分红的权利，更肯定了主动参与创造的价值，在公平与效率之间找到了平衡点。

九、挑战与应对：AI红利税的制度边界

9.1 价值计量难题

AI红利税面临的首要挑战是价值计量问题。如何准确量化AI创造的真实价值？如何从企业总利润中剥离出AI的贡献份额？这涉及复杂的技术经济分析。

应对之道是“多元方法+渐进校准”。短期内可采用行业平均法，根据各行业AI渗透率的统计均值估算企业AI贡献利润；中期引入企业自评+第三方审计机制，由专业机构对企业AI贡献进行独立评估；长期则依赖数字孪生技术，构建企业运行的数字镜像，通过仿真模拟精确测算各生产要素的边际贡献。三种方法并行使用、相互验证，在实践中逐步校准。

9.2 跨境协调障碍

AI红利税的另一个挑战是跨境协调。在全球化背景下，AI价值链往往跨越国界——算法在美国开发，数据在印度标注，算力在中国调用，最终产品在全球销售。如何对这样一个分散的价值链征税，避免双重征税或税收漏洞？

国际社会已开始探索应对之策。G20于2025年6月讨论了全球AI税收框架，多边央行数字货币桥项目也在探索跨境支付的税收分账机制。建议中国积极参与全球AI税收规则制定，推动建立“来源地+目的地”的税收管辖权分配原则——AI红利税按价值创造地在各国间划分，同时通过税收协定避免双重征税。短期内，可先对境内产生的AI价值征税，境外部分待国际规则成熟后再行纳入。

9.3 身份验证风险

数字身份验证是AI红利税分配的技术前提。如果无法准确识别“人”的身份，社会分红就可能被冒领、重复领取，甚至被AI机器人冒充领取。随着Deepfake技术发展，生物识别的错误率已升至2.3%，这一问题日益紧迫。

应对思路是“多因子融合+动态更新”。不再依赖单一生物特征，而是融合生物识别、行为特征、社交图谱、历史记录等多维信息，通过机器学习算法综合判断身份真实性。同时，建立身份信息的动态更新机制，当某账户行为模式出现异常时，自动触发二次验证。对于高风险操作，引入“数字公证人”机制，由多个独立节点共同验证。

9.4 政治可行性约束

任何制度创新都面临政治可行性的检验。AI红利税涉及对资本收益的再分配，必然触动既得利益群体，遭遇不同程度的抵制。

推动这一制度落地，需要构建广泛的社会共识。一是“技术红利共享”的话语构建，强调AI发展带来的收益应惠及全体人民而非少数精英，这符合社会主义的公平正义原则。二是“渐进试点”的策略选择，在条件成熟的地区或行业先行试点，用实际成效证明制度的可行性，逐步扩大范围。三是“利益补偿”的配套设计，对受冲击较大的行业或群体给予过渡期支持，降低制度转型的摩擦成本。

结语：走向人机共生的智能文明

AI时代的政治经济体制重构，本质上是对“人何以自处”这一永恒命题的当代回答。当机器越来越像人，人必须更加成为人——这是智能文明的根本律令。

《未来国策》中的AI红利税设计，试图在技术狂飙中守护人性的尊严。它以电子货币为技术载体，以智能经济体制为基础支撑，以智能政治体制为制度保障，以智能治理体制为运行依托，以智能管理体制为组织架构，以智能家族体制为社会单元，以智能劳动生产体制为价值源泉，编织起一张既容纳技术进步、又坚守人文关怀的制度网络。

这张网络的核心，是对“技术红利共享”理念的制度确认。当AI创造的财富能够惠及每一个社会成员，当技术变革不再意味着边缘化与失业，当人机协同成为新的生产常态——我们才能真正说，智能时代是人的时代，而非机器的时代。

AI红利税不是终点，而是起点。它开启的，是对智能文明分配正义的更深入探索，是对人机共生社会的更广阔想象。在这条道路上，我们需要技术创新的锐气，更需要制度创新的智慧；需要效率优先的进取，更需要公平正义的坚守。唯有如此，我们才能在AI浪潮中守护人的尊严，在技术变革中书写文明的新篇。