陈永伟
几天前，OpenAI发布了一份题为《智能时代的产业政策》（IndustrialPoli－cyfortheIntelligenceAge）的报告。在这份13页的文件中，OpenAI提出了一系列为应对超级人工智能技术带来的剧烈变革而设计的“以人为本的政策主张”，内容涉及从工作日时长调整到基础设施体系重构的多个方面。在所有这些政策中，“征收AI税”无疑是最引人瞩目的一项。OpenAI的研究人员建议，为了应对AI带来的工作模式重塑以及税基侵蚀等问题，应该考虑重构税基，“提高对资本性收入的依赖，包括提高高收入人群的资本利得税、提高企业所得税、对持续的AI驱动收益实施针对性征税；同时探索与自动化劳动相关的新型税种，如AI税、机器人税等”。这一建议让“对AI征税”的讨论再一次进入公众视野。
随着近年来AI技术的迅猛发展，已有不少名人提出过“对AI征税”的构想。比如，微软创始人比尔·盖茨（BillGates）就曾在很多场合呼吁，应当对使用AI和机器人替代人力的企业征收相当于被替代员工薪资税负水平的税款，用于社保、再培训与稳就业。“深度学习之父”杰弗里·辛顿（GeoffreyHinton）曾在一次访谈中指出，AI的大规模替代人力可能导致薪资税税基萎缩，因而必须对AI征税，以维持福利国家财政。而Anthropic公司的创始人达里奥·阿莫代（DarioAmodei）则建议，应当对大模型的使用开征“词元税”（TokenTax），用于再分配和公共福利。
但到目前为止，世界上大部分国家都没有开征与AI相关的税收。据我所知，唯一的例外是哈萨克斯坦，它从2025年8月开始，对ChatGPT等AI服务征收增值税。除此之外，其他经济体都对AI税保持相对审慎的态度。
一、AI时代的税收挑战
AI技术的迅速发展和普及，不仅会对现有经济结构产生巨大冲击，还会对现行税收制度带来严峻挑战。具体来说：
第一个挑战，就是AI的普遍应用可能带来的税基侵蚀和税源枯竭。
在传统的经济直觉中，经济增长往往意味着就业扩张，进而意味着税收的稳步增长：更多的人工作，缴纳更多的个人所得税和社会保险费，政府也就拥有更充足的财政资源去维持公共服务与再分配体系。按照这个逻辑，如果AI真能像很多科技乐观主义者预测的那样，带来生产率的重大跃升，那么政府理应可以轻易获得远比过去更多的税收。
然而，很多研究都表明，情况或许并非如此。至少在现阶段，AI所带来的生产率提升要远低于科技乐观主义者的估计。比如，根据诺贝尔经济学奖得主达龙·阿西莫格鲁（DaronAcemoglu）的估计，AI带来的年均生产率增长只有0.06%，可谓微乎其微。但与此同时，AI对税基的冲击却十分严重。在现实中，税收名目可谓纷繁复杂，但它们所对应的税基无非如下几种：劳动所得、资本所得、财富存量和消费。对于很多经济体而言，基于劳动所得和消费的税收都在其税收构成中占据了相当高的份额。与此同时，出于保护产权、鼓励投资等需要，对资本所得和财富的征税则会相对克制。
但在AI的冲击之下，劳动和消费这两大税基受到的侵蚀相当严重。我们知道，现在的AI很大程度上是一项自动化技术，它的广泛应用就意味着大批劳动力被替代。在另一项被广为引用的研究中，阿西莫格鲁及其合作者曾发现，工业机器人等自动化技术会明显减少市场对劳动力的需求。在美国劳动力市场上，每千名工人新增一个机器人，全美就业人口比例就会下降0.2%。而当AI和工业机器人相结合时，其对劳动力需求的挤压就更是可想而知。随着就业人口的减少，劳动所得税的税基将受到直接冲击。与此同时，市场工资水平和劳动者收入也会降低，这又会导致消费下降，引发消费税税基的削弱。一边是增长不及预期，一边又是税基遭到破坏，两股力量叠加在一起，就会导致劳动所得税和消费税这两大类税收收入的减少。
第二个挑战，是面对AI的冲击，政府的公共开支可能会大幅增长。
至少在一段时间内，AI对就业市场的冲击可能引发较为严重的“技术性失业”。在这种情况下，政府为了给失业者提供培训，以帮助其再就业，并为部分难以再就业的人提供必要的生活保障，就需要大规模增加财政开支。为了支持开支的增加，这就要求政府开拓更多税源、获取更多税收。
第三个挑战，是在AI时代，传统主要税种的征收难度会大幅提升。
在AI时代，生产过程会越来越多地依赖于算法模型、数据资源与算力基础设施等无形资产，按照传统，这些资产都不会被征税。与此同时，越来越多的劳动活动以零工、自由职业或数字平台任务的形式存在，收入更加碎片化、非标准化，这就导致对劳动收入征税变得更困难。这两股力量共同作用之下，就会让传统税收的征收成本变得更高。
第四个挑战，是AI的应用可能会造成经济活动和税收在空间上的严重错配。
传统的生产和消费活动通常具有明确的地理归属，因而很容易在特定国家或地区征收相应的税收；而算法驱动的生产则天然具有跨境特征，模型可以在一地训练，在另一地部署，服务全球用户，其价值创造过程被切割在多个司法辖区之间。这使得税收面临一个日益突出的难题：税基的生成是全球性的，而税收权力却仍然是区域性的。在这种错配之下，利润转移与税基侵蚀问题被进一步放大。
二、AI税的征收理由
在上述多重挑战叠加之下，“是否对AI征税”已经不再只是一个政策选项，而逐渐呈现出某种制度上的必要性。事实上，当AI在经济中扮演越来越重要的角色，如果不对AI所代表的新型生产要素建立相应的税收安排，那么不仅财政体系会越来越不堪重负，而且劳动与资本这两大要素之间还会形成不公平的“剪刀差”。从这个意义上说，对AI征税并非对技术进步的简单干预，而是一种旨在修复税基结构、维持财政可持续性、保障社会公平的制度回应。
第一，对AI征税不仅是弥补税基缩减的一种补偿，更是回应生产结构变化所引发的要素回报重构的一项措施。
随着AI的广泛应用，价值创造正在从以劳动为主转向更多依赖资本、算法与数据的复合体系，这一转变直接导致收入分配格局的变化：原本以工资形式分散呈现的收益，越来越多地转化为企业利润与资本回报。在这种情况下，如果税制仍然主要依赖劳动所得与消费作为税基，那么即便经济总量保持增长，财政收入也可能出现结构性不足，同时还会放大资本与劳动之间的分配失衡。
因此，对AI征税的意义可以理解为一种“税基再对齐”的制度安排：它试图将已经从劳动转移至资本与技术体系中的价值重新纳入可征收范围，从而维持财政体系的稳定运行。同时，这种调整也具有重要的分配含义。在AI推动下，要素相对回报的变化可能使资本收益持续上升，而劳动收入相对下降。如果税制对此缺乏回应，那么不平等将成为一种内生结果。通过对AI相关收益进行适度征税，并将相关收入用于公共支出与再分配，可以在一定程度上缓解这一趋势，使技术进步的收益不至于过度集中。由此可见，对AI征税并非简单增加税负，而是在生产函数与收入结构发生变化的背景下，对既有税制进行的一种必要校正。
第二，在征收难度上升的背景下，对AI征税还可以通过“改变征税对象”降低整体征管成本。
传统税制之所以依赖劳动与消费，一个重要原因在于它们具有较高的可观测性；但如前所述，在平台经济与零工经济兴起之后，这一优势正在减弱。相反，AI相关活动虽然在形式上更为复杂，但其关键要素往往集中在少数企业或平台之中，反而具有更高的集中度与可监测性。因此，如果能够设计出合理的征税方式，例如基于算力或使用量征收税款，就有可能以较低的征管成本覆盖较大规模的经济活动。从这个意义上说，AI税不仅是对新税基的开发，也是一种对征税方式的结构性优化。
第三，在空间错配与跨境流动的问题上，对AI征税还能发挥重要的“锚定作用”。
在当前体系下，跨国企业可以通过利润转移、无形资产定价等方式，将应税收入转移至低税率地区，从而削弱各国的税收能力。而AI相关价值往往更加依赖特定的技术基础设施与市场需求，如果能够围绕这些要素设计税收规则，例如与用户所在地或算力使用地挂钩，则有可能在一定程度上缓解税基流失问题。尽管这一过程高度依赖国际协调，但近年来围绕数字经济税收的改革已经表明，在税基高度流动的背景下，通过规则创新重新分配征税权，并非完全不可实现。
三、AI税的理论争议
需要指出的是，虽然对AI征税可以有效帮助政府应对AI带来的税收挑战，但围绕AI税是否应该开征、何时开征以及如何开征等问题，仍然存在很多理论争议。
第一个争议，是对AI征税是否会影响经济效率、抑制技术创新。
在经典的公共财政理论中，有一个重要结论：为了避免资本配置受到扭曲，应该尽量避免对资本所得进行征税。而在现有的各种“AI税”方案中，最为流行的一种主张就是所谓的“机器人税”（RobotTax），即对企业采用的AI设备征税。很多学者认为，如果采用这种方案，就可能违背上述公共财政理论结论，经济中的资本配置就会被扭曲，经济效率也会因此受损。除此之外，还有一些学者认为，AI作为一种具有很强外溢效应的通用目的技术（GeneralPurposeTechnology），其广泛应用不仅直接提升生产率，还会通过产业联动带来更广泛的经济增长。在这种背景下，对AI或自动化施加额外税负，相当于人为提高其使用成本，从而可能延缓技术采用的速度。
不久之前，发表在《国际研究杂志》（JournalofInternationalStudies）上的一篇论文，似乎为这种观点提供了一些证据。在这篇论文中，作者对在减税鼓励就业的同时开征“机器人税”以增加税收收入所产生的经济后果进行了模拟。结果发现，“机器人税”的征收不仅会显著降低经济增长率，还会减少就业，其产生的经济成本可能比其带来的税收收入还要高。
第二个争议，是现在开征AI税的时机是否为时过早。
一些学者从AI发展的角度指出，目前AI发展仍处于相对初级的阶段，其产业应用也还不充分，在这种情况下，如果贸然开征AI税，则可能阻碍AI的正常发展，抑制尚未完全实现的增长潜力。而另一些学者则从财政理论的角度切入，也认为AI税的征收不宜操之过急。比如，弗吉尼亚大学的安东·科里内克（AntonKorinek）教授虽然是“AI税”的积极倡导者之一，但他也对过早开征“AI税”表示反对。在他看来，在AI对经济的影响还相对较小、传统的两大税源即劳动收入和消费依然相对充足的情况下，最优的税收结构仍然应该以劳动所得税和消费税为主。只有当劳动收入已经萎缩到很小的份额，很难再构成独立税源时，对AI资本征税才应该作为一种次优选择被采用。
第三个争议，是AI税是否真的能够有效改善分配？
如前所述，支持AI税的重要理由之一，是其有助于缓解不平等。但这一点在经济学上并非自明。在实践中，税收的实际效果取决于税负归宿。企业可能通过提高价格将税负转嫁给消费者；也可能通过压低工资将其转嫁给劳动者。在自动化背景下，劳动议价能力本已下降，这种转嫁更为容易。因此，一些研究者认为，“对AI征税”未必等价于“向资本征税”，其分配效果可能远弱于直觉判断。此外，还有一个更深层的问题：不平等的来源是否真的在于AI本身？如果问题主要来自教育、技能结构或市场竞争格局，那么单纯依赖税收工具，可能无法从根本上解决问题。这使得AI税在分配层面的有效性，成为一个开放问题。
第四个争议，是应该如何设计AI税的结构。
对于传统经济下的税收结构设计，目前已经有了十分成熟的研究，并形成了不少共识。然而，对于AI经济下的税收结构，现有研究还十分不足。究竟“AI税”应该以怎样的税收形式落地？不同税种之间应该如何组合？在不同的发展阶段，税种组合又应如何调整？关于这些问题，目前都还存在很大争议。在每一种方案背后，都有各自的支持和反对意见，并且在短时间内应该仍然很难达成共识。
四、AI税的落地困难
相比上述理论层面的争议，“AI税”在实践层面面临的难题或许更多。具体来说：
第一，也是最根本的问题，是税基界定困难。税收制度的运作依赖于对征税对象的清晰定义，例如什么构成“收入”、什么属于“资本”、何为“消费”等，都有比较明确的界定，因而对其征税也相对容易。然而，AI本身却是一个高度模糊且不断演化的概念。从简单的自动化脚本到复杂的深度学习模型，从嵌入生产流程的算法优化到面向终端用户的生成式系统，其技术形态呈现出连续谱，而非离散类别。在这种情况下，任何试图将AI作为独立税基的做法，都不可避免地面临边界划定的难题：如果定义过宽，则几乎所有数字技术都可能被纳入征税范围；如果定义过窄，则又容易被规避，从而削弱政策效果。
第二，是纳税主体的定位问题。传统税制之所以能够稳定运行，是因为纳税人具有明确的法律身份，即个人或法人。而AI系统本身并不具备法律主体地位，它既不能拥有财产，也不能承担义务。因此，无论在何种制度设计下，所谓“AI税”最终都需要落实到对企业或使用者征收。这就带来一个结构性困境：如果税收仍由企业承担，那么它与现有企业所得税之间的关系该如何界定？是作为附加税存在，还是替代部分既有税种？如果处理不当，很容易导致重复征税或税制复杂化，反而降低整体效率。一些更为激进的设想尝试将AI视为“类法人”，赋予其有限的法律主体地位，从而使其成为直接纳税人，但这一思路又会迅速引出更深层的法哲学问题：如果AI可以纳税，是否也应当享有权利、承担责任？其法律地位又应如何界定？显然，这些问题远未达成共识。
第三，是税收实施过程中的信息与计量约束。与传统劳动收入或实体资本不同，AI相关价值的生成往往嵌入在复杂的生产过程中，很难被单独分离和计量。例如，一个企业的利润中，有多少应归因于AI模型，有多少来自品牌、管理或市场环境，并不存在清晰的划分标准。如果缺乏可靠的计量基础，任何针对“AI贡献”的征税，都可能依赖高度主观的评估，从而加大争议与合规成本。这也是为什么近年来一些政策讨论开始转向数据使用量、算力消耗等更易观测的指标：它们虽然未必完美，但至少在技术上更具可测性。
第四，是跨境问题使AI税的实施依然存在很大难度。与传统生产不同，AI系统的开发、训练与部署可以在不同国家进行，其价值创造过程天然具有全球分布的特征。虽然如前所述，通过对在地服务或AI部署征税，可以在一定程度上缓解经济活动与税收的错配问题，但在实践中，单一国家的税收政策依然面临执行困难。不仅如此，当只有少数地区征收AI税时，企业还可以通过调整业务结构加以规避。比如，通过将模型训练或数据存储转移至低税率地区，企业可以在不改变实际运营的情况下显著降低税负。此时，开征AI税的地区不仅可能难以成功征收到AI税，反而还会面临当地企业和税源流失。
综上所述，至少在现阶段，AI税的开征仍面临很多现实困难和障碍。如果要让“AI税”顺利落地，就需要对这些实践中的难题作出妥善回应。
五、AI税的可能方案
尽管围绕AI税的争议仍广泛存在，但在现实中，已经有一些学者从不同角度提出了具体的AI税实施方案。其中，以下几种方案较有代表性：
第一种方案，是对既有税制进行再平衡，即通过调整资本与劳动之间的税负结构，间接回应AI冲击。
这是目前最具现实基础、也最容易实施的路径。其核心逻辑在于，AI带来的变化，本质上是收入从劳动向资本与企业利润的转移，因此税基也应随之从劳动收入转向企业利润。具体而言，可以通过扩大企业所得税税基、提高资本所得税的有效税率、强化反避税规则，以及相应减轻对劳动收入的依赖，来实现税负的重新配置。
这一路径的优势在于制度连续性强，不需要重新界定“什么是AI”，而是顺着收入形态的变化进行调整，从而避免对特定技术形式进行差别性征税所带来的扭曲。从实践角度看，近年来围绕跨国企业利润转移的治理，以及全球最低税率的推进，某种程度上都可被视为这一方向的延伸。不过，其局限同样明显：在资本高度流动的背景下，单一国家提高税负往往面临约束，而AI所依赖的无形资产又进一步加剧了税基流动性，使传统税种在覆盖新型价值时存在不足。与此同时，这一路径还可能违背经典税收理论中尽量少对资本收入征税的原则，从而扭曲资本配置，降低资本使用效率。
第二种方案，是引入直接型AI税，如机器人税或自动化税，作为对特定行业或阶段性冲击的回应。
这一思路试图将“机器替代劳动”的直觉制度化，例如按照自动化设备数量、被替代的劳动规模或企业的自动化程度征收附加税。其优势在于直观，尤其在制造业等自动化程度较高、技术形态较为清晰的领域，具有一定的操作空间。同时，它也可以在短期内为财政提供额外来源，用于缓解就业冲击带来的支出压力。然而，这类税种难以成为长期制度的核心。一方面，“AI”与“普通资本”的边界难以界定，容易引发规避与争议；另一方面，对特定技术征税会扭曲企业决策，可能抑制效率更高的技术路径。因此，从现实路径看，这类税收更适合作为过渡性工具，在特定行业或特定阶段有限使用，而不宜作为普遍性安排。
第三种方案，是围绕AI经济的关键要素构建新的税基，开征数据税、算力税或词元税等新税种。
与前两种路径相比，这一思路更具前瞻性。它不再试图界定“AI是什么”，而是转向那些在技术上更容易观测和计量的变量，例如数据的收集与使用、计算资源的消耗，或模型调用的频率。随着大型AI系统的集中化，这些要素往往掌握在少数平台企业手中，从而在客观上具备较高的可征收性。例如，对算力使用征税，可以借助能耗或计算时间进行计量；对模型调用征税，则可以基于实际使用量进行记录。这类方案的优势在于能够更直接地嵌入生产过程，使税收与价值创造建立更紧密的联系。然而，这种方案面临的挑战也不容忽视：算力或数据使用并不完全等同于经济价值，过度征税可能抑制研发与创新，而跨境流动则使单一国家难以独立实施。因此，这类税基更可能在AI经济相对成熟之后，作为对传统税制的重要补充。
第四种方案，是通过制度创新直接参与AI收益分配，例如公共资本与“AI红利”机制。
这一思路已经超越了传统税收的范畴，其核心在于改变分配的起点，而不仅仅依赖事后再分配。例如，通过主权财富基金持有关键技术企业的股权，或通过公共数据平台参与数据收益分配，使公众以所有者的身份分享AI带来的回报。这种方式可以在一定程度上绕开税收征管中的诸多困难，同时在分配上更为直接。不过，其实施依赖较高的制度能力与政治共识，也涉及产权安排与市场效率之间的权衡，因此更可能作为长期制度的一部分，而非短期内的主要工具。
通过上述分析，我们不难发现，目前几种AI税实施方案虽然各有优点，但局限也同样明显。因而，如果不分具体情况，机械采用上述任何一套方案，都可能带来较大问题。相比之下，更合理的思路是，将AI的发展划分为不同阶段，再根据不同阶段，选择上述方案中的一种或几种加以搭配。具体来说：
在AI扩散的初期阶段，技术潜力尚未完全释放，而税基侵蚀已开始显现，此时政策应以既有税制调整为主，辅以局部的自动化税试点，以避免对创新形成过强约束。在结构转型阶段，随着AI广泛应用、劳动税基持续收缩，税制需要逐步转向以资本与无形资产为核心，同时引入部分新型税基，如算力税或词元税，并加强国际协调，以防止税基外流。在成熟阶段，当AI已成为主导性生产要素时，传统以劳动为基础的税制将难以维持。此时，就需要在新型税基的基础上，结合公共资本与收益分享机制，形成一种能够在“后劳动经济”中运行的分配体系。
从这个角度看，所谓“向AI征税”，并不意味着引入一项孤立的新税，而是要推动税制从单一依赖劳动与消费，转向多元、动态的结构。不同税种在其中并非相互替代，而是随着技术与经济环境的变化承担不同功能。也正是在这一意义上，AI时代的税收改革，更像是一场持续推进的制度重构，而非一次性的政策选择。
