美國期中選舉剛剛落幕，反對AI資料中心進駐社區成為一股跨黨派的潮流：約76%的選民反對在自家社區興建資料中心，數十項地方公投通過限制措施，主張管制的候選人在多個資料中心重鎮勝出。地球另一端，台北市長選戰中，尋求連任的蔣萬安提出遷移松山機場，將約300公頃腹地打造為台北AI園區，市府推估可創造12兆元產值。一邊抗拒AI硬體落地，一邊爭取AI產業進駐，兩種反應看似相反，其實都是表面現象，真正值得深究的是：AI如何驅動知識經濟的發展，又將為社會平等帶來什麼改變。
眾所周知，AI正在把知識經濟推向新的階段。這一波轉型與二十一世紀初的知識經濟有根本差異：過去的競爭力靠人腦，現在的競爭力靠駕馭AI。當顯性知識可以被隨時呼叫，人人都有機會參與設計、研發與創新，先天聰明才智的差距不再決定產出的優劣，成長的機會也將更廣泛地分享。但更平等的社會不會自動到來，它需要制度條件的配合。
知識經濟1.0：競爭力靠人腦
2000年8月，行政院核定知識經濟發展方案，訂定十年目標：全國研發經費達GDP的3%、教育經費總和達7%、知識密集型產業產值占GDP超過60%。這套政策反映了一個時代的共識：知識是國家競爭力的核心，而知識存在於人的頭腦裡，必須透過長期教育與研發投入累積。
內生成長理論指出，知識與機器、勞力最大的不同在於非敵對性：一個人使用一套演算法或一個配方，不會減少其他人能使用的數量，知識也不因使用而折舊。這使知識可以同時被無數人生產運用，並外溢給其他企業與後來的創新者，讓建立在知識上的成長擺脫資本報酬遞減的限制，成為長期繁榮的引擎。
新產品的第一份藍圖研發成本高昂，複製的邊際成本卻極低，掌握藍圖的企業因此取得高毛利與定價權；研發密度越高，產品越難被模仿，企業便能持續往價值鏈高端移動。台灣半導體從代工走向製程領先，正是這條路徑的具體成果。
知識轉為競爭力的動態過程，就是創新。創新是既有知識與生產要素的新組合：新的產品、製程、市場、供應來源與組織方式。創新帶來的領先只是暫時的，模仿者終將跟上並侵蝕先驅者的優勢，企業因此必須不斷創新才能維持地位；新的組合淘汰舊的組合，經濟學稱為創造性破壞，正是經濟發展的根本動力。
創新與知識的關係具有雙向性：創新是知識的商業化應用，知識存量則是創新的原料，知識存量越大，產生新構想越容易，創新因此能自我累積。產業競爭力靠的是持續創新的節奏：台積電以穩定節奏推進製程世代，正是以不斷創新維持領先的典型。
這個階段的競爭邏輯有明確的實證軌跡。美國的研究顯示，大學學歷薪資溢酬在1980年後急速上升，主因是電腦化帶動對高教育程度勞工的需求。電腦化同時取代了中階技能的例行性工作，就業與薪資向兩端集中，形成勞動市場兩極化。
換言之，知識經濟1.0是放大聰明才智差距的經濟。教育篩選出少數知識菁英，市場給予他們不成比例的報酬。台灣半導體產業的崛起是這個邏輯的成功案例，但整體社會也承受了高學歷與低學歷、科技業與傳統產業之間持續擴大的差距。
知識經濟2.0：競爭力靠駕馭AI
生成式AI改變了知識的儲存位置。寫作、程式、翻譯、分析這些過去內化於專業者身上的能力，現在以對話方式隨時可得，邊際成本趨近於零。知識的載體從人腦移轉到模型，這是知識經濟2.0的起點。
兩項指標性研究支持AI壓縮能力差距的觀察。MIT研究者在Science發表的實驗發現，使用ChatGPT的專業寫作者完成時間縮短40%、產出品質提升18%，且能力較弱者受益最大。另一項針對5,172位客服人員的研究發現，AI輔助使整體生產力提升13.8%，資歷最淺者提升35%，最有經驗者幾乎零增益；用AI兩個月的新手，表現相當於不用AI的六個月資深人員。
這些研究顯示，AI轉型與電腦化的方向恰好相反。電腦化放大技能差距，AI轉型則壓縮技能差距。當人人都能產出合格的初稿與程式碼，價值移向機器難以複製的能力：問題定義、領域判斷、價值選擇，以及對AI輸出的驗證力。知識經濟產茉1.0比的是誰的腦袋裝得多，2.0比的是AI誰用得好。
AI對知識的彙整與分析能力，已非單一人腦所能及，但人與AI的關係不在取代，而在互補。AI像一位博學多聞、學習與記憶超強的大師，隨時可與人對話；人與AI的討論結合雙方所長，能解決更多問題，也激發更多創意。
過去的知識工作強調人與人的互動，未來人與AI助理的討論，在設計、研發與創新領域將變得更重要。實證研究支持這個方向，也提出提醒：寫作實驗顯示，取得AI構想的寫作者，作品被評為更有創意，原本創造力較低者受益最大；但AI輔助的作品彼此更相似，集體的構想趨於同質。這正是知識經濟2.0的創新形態：創意不再只來自人與人的碰撞，也來自人與AI的往復討論，而人的角色從發想的源頭，轉為引導、判斷與整合。
AI對知識的彙整與分析能力，已非單一人腦所能及，但人與AI的關係不在取代，而在互補。
平等不會自動到來
企業採用AI的比率仍然偏低，截至2026年，美國與歐盟都只有約五分之一的企業實際使用AI，且高度集中在大型企業。因此任務層級的平等效果，不會自動轉化為社會層級的平等，中間有四個必須正視的落差。
第一，就業結構重組。世界經濟論壇估計到2030年約有1.7億個新工作機會產生、9,200萬個被取代，淨增7,800萬，但86%的雇主預期AI將改造其事業。被取代與被創造的工作不屬於同一群人，技能重塑的速度決定轉型的社會成本。
第二，總體層次的增益消失。國際勞工組織的分析發現，任務層級的生產力增益，在總體層次往往消失：驗證AI輸出與修正錯誤的成本，吃掉了任務省下的時間；試點到全公司導入需要重新設計工作流程；利得也可能以壟斷租金集中於少數前沿企業。電力商業化後約四十年，總體生產力才明顯提升，這種個體熱絡、總體無感的落差是歷史常態。
第三，利得分配。經濟學研究提醒，自動化同時產生取代效果與生產力效果；若企業以AI取代勞工而非增強勞工，生產力成長未必轉為薪資成長。AI創造的利潤流向資本或勞動，取決於集體協商、訓練投資與稅制等制度設計，而非技術本身。
第四，新的AI鴻溝。研究顯示AI工具的使用高度集中於高所得、高教育與都會族群。工具近用的成本、使用能力的訓練、組織再設計的能力，三者任何一項的落差，都可能讓學歷之後出現新的分化線；當近用取決於所得與所在城市，1.0的學歷差距會以新的形式重現。
台灣的政策課題
台灣的本土調查呈現與全球相同的結構。鄧白氏2026年第四季的台灣企業AI動能指數顯示，78%的受訪企業已跨越AI規劃或試行階段，高於全球的64%，部署速度領先全球；但僅27%取得廣泛或顯著的投資回報，僅9%的企業資料完全準備就緒。
人工智慧科技基金會的台灣產業AI化調查則顯示，已進入準備與規模化階段的企業合計47.8%，而中小企業有63.1%仍停留在AI導入的前兩個階段。導入速度領先、效益尚未兌現、大小企業落差擴大，台灣正是個體熱絡、總體無感的縮影，也印證資料基礎與治理才是AI轉型為實質產值的瓶頸。
對台灣而言，知識經濟2.0帶來兩個層次的課題。產業層次，半導體受惠於AI算力需求，但為數更多的知識服務業——軟體、設計、翻譯、法務、會計、媒體——正面臨工作內容的重定價，這些產業的轉型策略遠比硬體供應鏈更迫切。政策層次，人才政策應從學歷篩選轉向工具普及與在職再訓練，並協助中小企業跨越資料與治理的門檻：1.0的平等靠教育擴張，是供給追趕科技的漫長過程；2.0的平等靠近用、訓練與分配三個制度條件，速度可以更快，但每一項都需要政府與企業的主動作為。
結語
美國社區抗拒資料中心，台北爭取AI園區，兩者指向同一個根本問題——AI創造的成長要如何分享。AI確實縮短了先天聰明才智的差距，這是它與上一波知識經濟最大的不同，也是最值得期待的地方。但歷史的教訓是：技術決定機會的總量，制度決定機會的分配。知識經濟2.0能否創造更平等的社會，答案不在AI，而在我們選擇什麼樣的制度。
轉載自《上報》作者為國立陽明交通大學退休教授，台南市樹谷園區產業協會會秘書長，台灣產業科技推動協會副理事長。
