下载掌阅APP，畅读海量书库
立即打开
可以将零边际成本想象为一种
经济领域的奇点——在靠近这个点时，
发生了一些异常现象，
有点像数学中的除以零。
智能手机已成为连接着全球网络（互联网）的强大计算机，全世界有数十亿人随身携带。在这些设备上，不管是游戏娱乐还是工作办公，我们每天往往要花费很多时间。尽管数字技术正变得无处不在，但人们通常难以理解其威力背后的究竟是什么。有些人对数字技术持轻视态度，例如，他们提到Twitter，并嘲弄其与如疫苗这样的重大发明相比不值一提。
然而，数字技术的颠覆性正变得不可忽视。以往稳固的行业，如报业和零售业，如今已经陷入挣扎，而Facebook、苹果、亚马逊、奈飞和谷歌等数字技术公司却跻身世界最有价值企业（参考2020年“上市公司榜单”）。
数字技术拥有的两大特质，揭示了它为何能带来巨大的变革，将人类的可能性空间推至前所未有的广度。这两个特质就是零边际成本和计算能力的普适性。
一旦一条信息存在于互联网上，它就可以在网络上的任何地方被访问，而无须额外的成本。随着越来越多的人接入互联网，“网络上的任何地方”也日益等同于“世界上的任何地方”。服务器已在运行，网络连接和终端用户设备也都处于在线状态，额外复制一份信息并通过网络进行传递的成本几乎为零。用经济学的语言来说，数字拷贝的边际成本为零。这并不意味着人们不会向你收取这些信息的费用——事实上很多时候是存在费用的，但这是价格问题，并非成本问题。
零边际成本在本质上不同于以往模拟世界的任何事物，它让许多令人称奇的事情成为可能。以比萨店为例，假设你拥有一家比萨店，你可能要支付店铺租金、设备费用以及员工和自己的薪资，这些是“固定成本”，与你制作的比萨数量无关。相对地，“变动成本”则取决于制作的比萨数量。对于比萨店来说，变动成本包括水、面粉、其他食材、雇用额外工人以及加热炉子所需的能源，当生产更多比萨时，变动成本随之增加，反之则减少。
那么何谓边际成本呢？如果你每天制作100个比萨，边际成本则是制作第101个比萨所增加的成本。假设你的炉子已经热起来并有足够空间，而员工也未达到满负荷状态，那么这个额外的比萨所需的成本主要是食材成本，相对较少；如果炉子冷却了，那么制作额外的比萨的边际成本会包括重新加热炉子所需的能源成本，这可能相对较高。
从商业角度讲，只要额外的比萨售价高于边际成本，制作它就是有盈利的。如果已售出的比萨带来的销售收入覆盖了固定成本，那么额外的比萨销售收入超出边际成本的每一分钱都是纯利润。从社会角度讲，边际成本同样重要。只要顾客愿意支付超过边际成本的价格，就意味着每一个人都可能获得好处——商家得到固定成本的额外补贴或增加了利润，顾客则享用了他们想要的比萨。（特别注意：之所以说“可能获得好处”，是因为人们有时候可能会追求对他们并不真正有益的东西，比如体重超标的人想吃比萨。）
接着，设想一下随着边际成本从较高水平下降会发生什么。假如你的关键原料是超级昂贵的松露，导致你每个比萨的边际成本达到1 000美元，显然你卖出的比萨不会很多，那么你可能会选择使用更便宜的原料，降低边际成本到合适程度，吸引更多顾客愿意以超出你的边际成本的价格买单，从而提升销量。当你进一步通过流程和产品改进降低边际成本时，你会卖出更多的比萨。
现在想象一下，若借助某种神奇的新发明，你能以接近零的边际成本（比如，每个比萨增加1分钱）做出美味的比萨，并能瞬时送至世界任意角落。在这种情况下，你将可能卖出无数的比萨。如果每个比萨收费2分钱，那么你将在每个额外出售的比萨上赚取1分钱的利润。由于边际成本如此之低，你可能会很快垄断全球比萨市场（后文将更深入讨论这一点）。全球任何饥饿之人，只要出得起至少1分钱，都可能会购买你的比萨。从社会角度而言，最合理的售价应是你的边际成本，即1分钱：饥饿者得到满足，你的成本也得到了弥补。但作为垄断者，你不太可能会选择这么做。反之，你可能会千方百计提高利润，例如收取高于边际成本的费用、试图阻止竞争对手进入市场，甚至让人们对比萨成瘾，以此令他们消费更多。
数字技术的现状正是如此。大量的YouTube视频播放、大量的维基百科访问或Waze的大量交通报告都是零边际成本的，我们可以用信息“喂饱世界”。正如我们所设想的零边际成本比萨的情况，我们正在目睹数字垄断的崛起，以及由此带来的种种问题（有关解决方案的讨论，参见第四部分）。
大多数现有经济学都建立在边际成本高于零的假设上，因此我们并不熟悉零边际成本的概念。可以将零边际成本想象为一种经济领域的奇点——在靠近这个点时，发生了一些异常现象，有点像数学中的除以零。除了数字技术近乎垄断，我们还在收入和财富的幂律分布上看到了这样的迹象（参见第三部分）——微小的变化可能带来结果的巨大不同。此外，许多其他主要以信息为基础的行业，如金融和教育行业，也正在迅速朝着零边际成本的奇点靠拢。总的来说， 零边际成本作为数字技术的第一个特质，极大地拓宽了人类的可能性空间，导致了数字垄断的出现，但同样也有潜力给予每个人获得世界知识的通道。
零边际成本是数字技术的特性之一，在很大程度上扩展了可能性的空间；而另一特性——计算能力的普适性，某种意义上更让人称奇。
计算机是通用机器。这里的“通用”，有其特定的含义：宇宙中能够计算的一切，在原则上都能够被当前存在的机器计算出来，只要有充足的存储空间和时间。这一点自20世纪中期艾伦·图灵在计算领域做出开创性研究以来，我们便已经清楚。图灵发明了一种被我们称为图灵机的抽象计算模型，并证明这种简单机器能够计算任何事物（Mullins, 2012；“Church-Turing thesis”，2020）。
当我提到“计算”时，指的是一个接受信息输入，执行一系列处理步骤，并产生成果输出的过程。换句话说，这就是人类大脑所做的大部分工作：它通过神经接收输入，进行一些内部处理后产生输出。原则上，数字机器能完成人类大脑能实现的所有计算。这些计算工作包括从识别人脸（输入：图像，输出：人名）这样的日常简单任务，到诊断疾病（输入：症状和检测结果，输出：鉴别诊断）这样的复杂任务。
唯有在量子效应（比如纠缠和叠加态这类量子现象造成的影响）对大脑运作至关重要时，这种“原则上可能”的限制才会凸显。这是一个备受争议的话题（Jedlicka, 2017）。量子效应不会改变原则上可以计算的东西，因为即使图灵机理论上也可以模拟量子效应，但要做到这一点需要很长时间，可能长达数百万年（Timpson, 2004）。如果大脑运作确实受量子效应影响，我们可能需要在量子计算方面取得进一步进展，才能复制大脑的一些计算能力。不过，依我看来，量子效应在人脑执行的大多数计算中可能并不关键——假设它们确实能起到一些作用。当然，未来我们可能会对物理现实有新的发现，并改变我们对计算范围的认识，但这样的情况至今尚未发生。
长期以来，计算能力的这种普适性并没有太大的实际意义，因为相较于人类，计算机显得相当“愚蠢”。这让自图灵以来坚信能够构造智能机器的计算机科学家非常挫败，因为几十年来他们一直无法将这一梦想变为现实。即便是人类认为非常容易的任务，如面部识别，也曾是计算机的一大难题。现如今，我们却拥有能够识别面孔的计算机，且其识别能力正快速进步。
这里的一个例子是人类发现了重于空气的飞行现象：我们早就知道这一定是可能的，毕竟鸟儿比空气重却能够飞翔，但直到1903年莱特兄弟首次成功制造出飞机，我们才真正理解了如何飞行（“Wright Brothers”，2020）。在他们连同其他几个人成功摸索出了方法后，进展便突飞猛进——我们不仅学会了飞行，而且在短短55年间就实现了跨大西洋飞行：英国海外航空公司在1958年实现了首趟跨大西洋喷气式客机的飞行（“British Overseas Airways Corporation”，2020）。若将这段历史绘制成图表，它将是一个典型的非线性发展的示例。我们并非逐渐提高了飞行技术，而是从完全不会，然后突然之间就做得相当出色了（见图1-1）。
图1-1 非商业飞行距离记录
数字技术的蜕变过程与此类似。一系列技术突破使我们从基本没有机器智能，迅速过渡到机器在多个领域（包括读写和人脸识别）上超越人类的局面（ Neuroscience News , 2018; Phillips, et al., 2018）。机器学习驾驶汽车的速度又是一个很好的非线性发展的例子。美国国防部高级研究计划局（DARPA）在2004年举行了自动驾驶汽车“大挑战”，在莫哈韦沙漠选择了一段约240千米的封闭赛道，跑得最远的一辆车只走了不到5%的路程就卡住了。但不到10年后，谷歌的自动驾驶汽车已在交通繁忙的公共道路上行驶了超过48万千米（Urmson, 2012）。
一些人可能会反对说，读写、人脸识别或驾驶汽车并非‘智能’的表现，但这只是反映出我们缺乏对智能的准确定义。毕竟，如果你的宠物狗能够完成任一项甚至所有这些任务，你无疑会称它为“智能”的狗。
还有人认为，人类拥有创造力，而即使我们承认这些机器具备某种智能，它们也不会拥有创造力。不过，这相当于在说创造力不是计算能力的一种形式。这个词意味着“无中生有”——没有投入就有产出，但这与人类创造力的本质不符。事实上，音乐家是在听过大量音乐之后才创作出了新音乐，工程师则是在见过现有机器之后才设计出了新机器，等等。
而现在，我们有证据显示，至少在某些方面，创造力可以通过计算来实现。 譬如2016年，谷歌的AlphaGo程序以4∶1的成绩击败了韩国围棋大师李世石，这是机器智能方面的一个突破（Borowiec, 2017）。在这之前，游戏软件的进展相对缓慢，甚至最优秀的软件都无法击败资深俱乐部棋手，更别说大师了。围棋的可能走法数量极其庞大，远超过国际象棋，这意味着无法仅依靠检索可能的走法和反走法这种棋类电脑程序历来的方法，而是需要技艺上的创新和预见。换句话说，玩围棋需要创造力。
AlphaGo程序起初是依靠在人类的棋局上训练神经网络。当神经网络水平足够高时，它又通过自我博弈得到了进一步提升。这些及其相关技术的运用已经在音乐创作和设计创新等领域取得了进展，这些技术被称为“生成对抗网络”（GAN）。更令人惊讶的是，机器学习的创造性并非仅限于分析人类既往的游戏或设计，它们还能基于规则自己创造新内容。AlphaGo的后续版本，AlphaGo Zero和AlphaZero，均是从仅掌握规则出发，通过自我博弈学习（“AlphaZero”，2020）。这种方式让机器在人类尚未或很少涉足的领域中展现出创造力。
尽管大脑所做的许多工作都是计算，包括我们通常认为具有创造性的许多任务，但大脑有一个可能永远无法通过数字机器实现的功能：“主观体验”（qualia）。主观体验是哲学中的术语，指感觉到冷或热、触碰物体、紧张或惊讶时的内在体验。例如，当数字恒温器显示室温时，我们不会认为它的内在状态与我们的主观感受有何相似。机器缺乏主观体验在这个例子中非常明显，但我们认为这种缺失还可以延伸到更加复杂的情境中，例如一辆自动驾驶汽车在蜿蜒的公路上穿行，我们认为人类司机会产生兴奋或愉悦的体验，而车不会。机器缺乏主观体验这一点可能目前还只是边缘问题，但将来这可能成为人类在知识时代关注的重要议题。
单独看来，零边际成本和计算能力的普适性本身已足够惊艳，但它们的结合更显示出令人称奇的魔力。举例来说，我们正在开发一种计算机程序，它将能够从患者的症状出发通过一系列步骤诊断疾病，包括安排检查并解读结果（Parkin, 2020）。尽管我们可能期望在普适性原则上这种情况会发生，但我们已经开始取得切实的进展，预计在未来几十年内，或许更早，就能实现这一目标。到那时，得益于零边际成本，我们将能够向全世界的每一个人提供低成本的诊断服务。我们需要意识到：面向全人类的免费医学诊断不久将成为可能。
零边际成本下的计算能力的普适性，与以往所有技术都不同。以往我们无法做到让全人类都有可能接触所有的信息和知识，也无法制造智能机器。但如今，这两者我们都具备了。这至少代表着人类可能性空间的戏剧性和非线性增长，就像以前的农业时代和工业时代那样，每一项进步都开创了一个全新的时代。如果我们首先打下坚实的基础，将能更明智地思考这些变革对当前过渡期和下一个时代意味着什么。