人工智能带来的问题，正在从“会不会抢走工作”，慢慢走向一个更加现实的层面：如果越来越多工作由机器完成，政府以后向谁收税？

10月27日，美国布鲁金斯学会与Urban-Brookings税收政策中心发表《Taxing Artificial Intelligence: What’s on the Table, and What’s at Stake》，集中讨论了美国近期出现的“AI税”设想。文章提出了一个基础的问题：当AI改变劳动、资本和企业利润之间的关系，过去建立在人类工资和就业基础上的税收体系，是否也要跟着调整？

这并不是一个很遥远的问题。

过去，一家企业扩大生产，通常意味着增加设备、扩大投资，也意味着雇佣更多员工。员工获得工资，政府从工资和消费中取得税收，企业盈利后再缴纳企业税。整个体系虽然复杂，但价值创造和税收之间至少存在一条相对稳定的链条。

AI正在让这条链条变得没有那么确定。

布鲁金斯之所以开始讨论“AI税”，首先因为美国联邦财政高度依赖劳动收入。个人所得税与工资税长期构成联邦税收的主体，而社会保障、医疗保险等制度也直接建立在工资收入之上。

假设一家企业过去需要100名员工完成一项业务，未来借助AI，只需要70个人。

从企业角度看，这可能是一件好事。产出没有下降，成本降低，利润甚至提高了。但对财政体系而言，事情没有这么简单。少掉的30份工资，也意味着相应的个人所得税和工资税可能随之减少。

企业增加的利润当然也需要缴税，但两者并不一定能够完全抵消。

而且税收减少和社会成本增加可能同时发生。部分岗位受到冲击之后，政府反而需要增加职业培训、失业保障和社会救助支出。也就是说，AI带来的生产率收益可能首先体现在企业资产负债表上，调整成本却可能更早落到公共财政上。

这正是“AI税”开始进入美国政策讨论的背景之一。

另一个越来越现实的问题来自数据中心。

训练和运行大模型需要大量电力、水和基础设施。AI企业可以承担服务器和芯片成本，但新增输电线路、电网扩容、水资源压力以及部分地方公共设施成本，并不一定全部反映在企业自己的账单里。

于是一个很朴素的问题出现了：如果数据中心给一个地区带来了额外的电网、水资源和基础设施压力，这些成本应该由科技企业承担，还是由当地居民共同承担？

讨论到这里，“AI税”已经不完全是在向技术征税。

其实还是在重新讨论一件很传统的事情：一项新的经济活动产生收益之后，它所带来的社会成本应该如何分配。

围绕这个问题，美国已经出现了不少方案。

有人提出对训练前沿模型所消耗的算力征税。逻辑很直接：训练规模越大，使用的计算资源越多，就承担更多税负。这样的设计可以把税收直接放在AI生产端，而且大型模型训练集中在少数头部企业，看上去并不难管理。

但技术进步恰恰让这种办法变得复杂。

今天训练一个模型需要多少GPU，并不意味着明天完成同样能力的模型还需要相同算力。算法效率、芯片性能和训练方法都在快速变化。如果按照计算量机械征税，就可能出现“技术越低效，缴税越多”的情况。更现实的问题是，训练任务本身也可以跨境迁移。美国提高成本，企业完全可能把部分计算搬到其他国家。

还有人主张对数据中心用电征税。

相比算力，电力好测得多。一度电就是一度电，电网本身已经有成熟的计量体系。但一座数据中心不只运行AI模型，还可能承担云存储、视频服务、金融计算等大量业务。电表能告诉监管者用了多少电，却无法告诉监管者其中多少属于AI。

再往下，还有按AI使用量征税的设想。

今天的大模型公司本来就在按照Token统计用户调用量，因此理论上，政府也可以按照模型的实际使用规模征收类似消费税的费用。这种设计很有“AI时代”的特点，但它同样有一个根本缺陷：不同模型的Token不是统一商品。同一句话，在不同模型里可能被拆成不同数量的Token；同样一个Token，背后的计算成本也可能完全不同。

另外两类方案更接近传统财政政策。

一种是等AI企业真正赚到钱以后，对“超额利润”征税；另一种则是针对自动化，如果企业通过AI减少了大量岗位，就要求企业为由此产生的社会转型成本承担更多费用。

听起来都很合理，可真正落到执行层面，边界马上变得模糊。

一家AI企业赚多少钱才算“超额”？一个岗位消失，到底是因为AI、传统软件升级，还是市场需求本身下降？如果一个员工没有失业，只是因为AI让他一个人完成了过去三个人的工作，这又算不算自动化替代？

于是会发现，AI越深入经济活动，越难把它单独从正常生产经营中剥离出来。

它不是一种单独的产品。它既可能是一项资本投资，也可能是一种软件服务；既可以替代劳动，也可以增强劳动；既消耗大量能源，也可能帮助企业节约能源。

这也是“AI税”设计最棘手的地方。

如果只是财政问题，事情还相对简单。

但美国现在讨论AI税，有一个无法绕开的背景：全球AI竞争。

美国一方面需要解决数据中心用电、就业转型和财富分配等国内问题，另一方面又希望最先进的模型、芯片、人才和数据中心继续留在美国。

两个目标有时会彼此冲突。

比如，对前沿模型训练征收较高税费，可以让AI企业承担更多公共成本。但如果成本明显高于其他国家，企业也可能把下一轮大型模型训练放到海外。届时，美国失去的不只是税收，还可能包括数据中心投资、部分高端岗位以及对前沿AI基础设施的直接控制。

对于美国而言，这又会触及国家安全。

模型在哪训练，芯片部署在哪里，数据由哪国法律管辖，基础设施是否可能受到当地政治变化影响，都已经被纳入AI安全讨论。一项原本针对财政收入设计的政策，最后很容易与产业政策、投资政策乃至对华科技竞争发生联系。

于是，美国AI政策出现了一个很有意思的拉扯。

地方政府希望数据中心为新增电力和基础设施成本多付一些钱；劳动力政策希望AI企业承担更多就业转型成本；财政部门关心未来税基会不会萎缩。

但从产业竞争角度看，美国又希望数据中心建得更多，模型训练成本更低，资本继续快速进入AI领域。

前一套逻辑希望AI为社会成本买单，后一套逻辑却希望AI尽可能低成本地扩张。

这也是为什么，“给AI征税”说起来容易，真正落地却远比想象中困难。

尤其是在中美AI竞争持续存在的情况下，任何提高美国AI企业成本的政策，都很容易被重新放到“是否削弱美国竞争力”的框架下讨论。

结果可能是，AI税最终面对的并不是一道财政选择题，而是几套政策目标同时碰撞：既要创新，也要就业；既要增加税收，也要吸引投资；既要控制社会成本，还要保持技术领先。

很难同时做到。

布鲁金斯这篇文章最有意思的地方，其实不是提出了多少种“AI税”。

恰恰相反，文章最终给出的提醒是：面对AI带来的财政变化，未必一定要创造一种专门针对人工智能的新税种。

如果未来AI主要改变的是劳动和资本之间的收入分配，那么问题也许应该从资本所得税入手；如果担心的是数据中心带来的能源和环境成本，可以通过更加普遍的能源或碳政策解决；如果需要扩大整体税基，也可以讨论消费税、企业现金流税等传统工具。

原因很简单。

真正发生变化的，很可能不是某一种技术应该交多少税，而是整个经济的价值创造方式正在改变。

工业社会形成的财政体系，在很大程度上以人类劳动为中心。

企业扩张需要招人，人工作获得工资，工资成为税基；人拿到工资后消费，又进一步形成消费税基。即使机器不断进入工厂，这套基本关系在相当长时间里没有被根本打破。

生成式AI带来的特殊之处在于，它开始进入过去主要依靠人类认知完成的工作。

写代码、做设计、处理客服、分析文件、撰写报告、检索知识，甚至完成一部分研究和决策，都开始可以由模型承担。未来一家企业扩大业务规模，未必需要同比扩大员工数量，它也可以购买更多算力、调用更多模型、部署更多智能体。

如果这种趋势持续下去，企业“增加生产要素”的方式就可能发生变化。

过去是增加员工。

未来可能是增加GPU和Token。

这并不意味着人类劳动会消失。历史上的自动化也没有简单导致就业总量长期下降。新的技术会创造新的职业，很多岗位也更可能被重新组织，而不是直接消失。

所以需要观察另外一件事。

如果AI带来的生产率增长越来越多表现为企业利润、资本收益和计算资源投入，而劳动收入在其中的占比发生变化，那么一个长期围绕工资构建起来的财政体系，就迟早需要重新寻找新的平衡。

因此，“AI税”真正提出的问题，可能并不是应不应该向ChatGPT、机器人或者某一个Token收税。

而是：当机器智能开始成为新的生产要素，技术创造出来的新增收益应该怎样在企业、劳动者和公共财政之间重新分配？

这个问题今天还没有答案。

但它已经开始从科技公司的会议室，进入税收政策的讨论范围。

Patel, Elena, and Aparna Mathur. 2026. “Taxing Artificial Intelligence: What’s on the Table, and What’s at Stake.” In Brookings. Brookings Institution. https://www.brookings.edu/articles/taxing-artificial-intelligence-whats-on-the-table-and-whats-at-stake/.

主理人｜刘典

编辑｜肖易

终审｜梁正 王净宇