数据要素市场 · 产权与定价

AI 时代的核心生产要素是数据，但它和土地、资本完全不同：可以零成本复制、价值高度依赖使用情境、而且往往同时涉及多个主体（你的购物记录既是你的也是平台的）。结果是今天的数据经济运行在一套事实上的『圈地』状态里——平台无偿圈占，个人无从定价，数据既流通不起来也分配不公平。Weyl 与 Lanier 的『数据即劳动』提出把数据视为应获报酬的劳动产出；中国则在用上海、深圳等数据交易所自上而下地实验合规流通。攻破产权与定价这一层，等于为智能时代补上要素市场的地基：AI 的训练数据供给、个人的数据收入、跨机构的数据流通都建在它上面。

卡点一：数据可无限复制，传统『排他性占有』式产权根本套不上，卖一次等于永久失控，所以卖方不敢卖。卡点二：数据价值极度情境依赖（同一份数据对不同买家价值差几个数量级），不存在均衡价格，估值方法论近乎空白。卡点三：隐私保护与流通效率的两难——隐私计算（联邦学习、可信执行环境等）在技术上试图让『数据可用不可见』，但成本与通用性都还撑不起大规模市场。

Glen Weyl 与 Jaron Lanier（Data as Labor 理论）、上海数据交易所、深圳数据交易所等中国数据要素市场试点

读信息经济学+机制设计，叠加隐私计算技术栈（这是少数需要经济学与密码学双修的方向）。中文世界有独特优势：中国的数据要素试点是全球最大的真实实验场，可以进数据交易所的研究部门、隐私计算公司或高校的数据要素研究团队。锋利的切入子问题是『数据估值』——给一份训练数据集对某个具体模型的边际价值定价（数据 Shapley 值等方法刚起步），这是整个市场能否运转的定价地基。