金融AI

我好像想到了一套完整的 AI 税方案

2026 年 6 月 26 日

这篇文章探讨了AI税如何从“替代劳动”转向“语料供应链”的合理税基，为技术治理提供了新思路。核心内容： 1. 传统“机器人税”的逻辑缺陷与激励扭曲 2. 大模型训练语料的供应链困境与版权难题 3. 从上游投入构建AI税基的可行路径

2017 年，韩国政府搞过一个被媒体称为「机器人税」的东西。

严格说，它不是给机器人发税号，也不是让机械臂自己去税务局排队。

韩国当时削减的是自动化设备投资抵扣。企业投资工业自动化装置，原本可以按投资额获得 3% 到 7% 不等的企业所得税抵扣；政策方案提出把优惠最多下调 2 个百分点。[1]

Bill Gates 同年也谈过类似主张。他的逻辑大概是：机器人替代人类劳动后，原本从工资、社保、个税里来的公共收入会减少，政府应该从自动化里收一点钱，用来支持被替代的人。[2]

这套说法很有人情味，但是逻辑欠妥。

税基在语料

按「替代劳动」征税，听起来关心工人，实际很容易变成技术进步罚款。

再往下推半步，就像财务部门冲进机房，对着一排显卡说：各位，五险一金了解一下。

如果企业用了更高效工具就该多交钱，那人类文明史上绝大多数工具都可以被拉进税务大厅。

Excel 让算盘和手工表格退场，叉车减少纯搬运岗位，自动门省掉一部分门童，SaaS 吃掉内部 IT 运维。照此推下去，Excel 要不要给算盘交慰问金？叉车该不该替搬运工补社保？餐厅买洗碗机，是不是还得顺手办个工牌？

这条路不能走，否则所有企业都会得到一个荒唐激励：效率越高，越像犯罪。

AI 税如果想站住，不能从「少雇了多少人」开始算。

少雇人只是结果，不是税基。税基要从工位移到另一张账本上。

叉车能搬货，背后有人卖钢材、液压系统、发动机和电池；Excel 能算表，靠的是软件工程、函数设计和操作系统。这些投入都在供应链里明码标价，一层层向上游付钱。

大模型也有上游。显卡、机房、电费、工程团队，这些账单模型公司会付。争议不在这些看得见的成本，而在另一条更难开票的供应链：训练语料。

基础模型看起来聪明，不是因为显卡突然长出了灵魂，而是因为书、代码、论文、教程、网页、问答、新闻、博客、论坛和开源项目，都可能成为原料。海量人类知识被压缩进参数和服务接口，最后变成按 token 收费的商业能力。

美国版权局 2025 年的生成式 AI 训练报告明确指出：训练会使用巨大规模数据，其中包含版权作品；权利人同意、补偿、合理使用和许可机制，都是制度难题。[3]

麻烦也正出在这里。训练语料没有钢材、电力和芯片那样的稳定供应商、合同与账单。来源散、规模大、跨国流动、归因困难。

有些材料属于公共领域，有些来自明确授权，有些在用户协议里绕了十八个弯，还有一些处在版权争议里。不能把所有训练都说成违法，也不能把公开可访问直接等同于可以免费商业化训练。

单靠一个作者、一家媒体、一个开源维护者去逐条起诉，根本解决不了这笔账。大型出版商还能坐下来谈授权，普通作者、论坛用户、问答贡献者和代码维护者，多数时候甚至不知道自己是否被用过。

大模型最滑稽的一幕，是把一部分原材料仓库改名叫「公开互联网」，推着购物车进去转了一圈，出门说自己是自主研发。

不查原文，查能力

操作性看起来很难。

因为没人能逐条证明一个模型到底用了哪篇文章、哪段代码、哪张图片、哪个论坛帖子。就算知道某篇文章进了训练集，也很难证明它对某次回答贡献了多少。

但税务系统并非每笔账都靠显微镜。很多时候，它会使用估算、抽样、分级、核定。大模型训练语料规模大、来源散、归因难，反而适合做能力抽检。

办法土得很：出卷。法律卷、医学卷、编程卷、新闻卷、文学卷、游戏卷、金融卷、历史卷、艺术卷、中文社区语料卷。模型答得越多，越准，越像在这些领域里住过几年，就越能说明它涉及的知识范围越大。

抽检结果不能直接当成单条版权侵权证据，但是可以用来收钱。

版权诉讼要证明具体作品、具体复制、具体市场影响，不能因为模型答对一道题，就说它偷了某一本书。

抽检管的是税收和准税收意义上的能力估算，会比版权诉讼简单很多，规避了把税务局变成版权法院的风险。

它不必把每一篇文章、每一段代码、每一条回答都还原成单独发票。只要确认模型商业能力的形成使用了庞大的公共知识系统，账就有了入口。

这就像查酒驾。交警不必追问刚才喝的是哪一瓶酒，吹出来有数就行。

一个模型如果在法律、医学、编程、新闻、文学、游戏、金融、历史、艺术、中文互联网烂梗等领域都表现得很熟，这已经足够说明：这些知识不是显卡自己冥想出来的。

税务系统不用理解 Transformer，会出题就行。

抽检之后，还要有计量单位。这个单位也不用发明，因为大模型厂商已经替所有人想好了：token。

2026 年，美国众议员 Greg Casar 发表《Tax AI to Create Jobs》时，就把征税对象放在 AI providers 上，并提到 token 与底层算力可以作为计量口径。[4]

训练规模动辄 trillion tokens，窗口长度标成 tokens，日处理量折成 tokens，API 价格按每百万 tokens 报价。既然行业已经把 token 做成通用尺子，征管系统没有必要另造单位。

训练阶段，按训练 tokens 规模分档，语料越大，纳入的知识版图越大。

商业化阶段，按 API 和产品实际处理量收取知识回流费，企业级大客户看调用量，普通个人用户和小开发者可以设豁免或低门槛。

此外，闭源自研模型用申报规模、算力消耗和营收互相校验。既然不愿意公开训练细节，就接受更粗的估算方式。喜欢黑箱，黑箱也可以有税率。

以前厂商吹「我们训练了 10 万亿 token」，投资人鼓掌，媒体写稿，用户感叹未来已来。现在账务系统来了：好，10 万亿是吧，先把资料费结一下。

这当然会增加合规成本，也可能让创新变慢。创业公司以后不仅要训练模型，还要准备申报材料、抽检结果和语料说明。听起来很不自由，制度经常把「变慢」改名叫「规范」。

单这套方案最让人不舒服的地方，恰恰是它在逻辑上很顺：模型公司可以按 token 向用户收费，制度也可以按 token 向模型公司核账。

钱不能只是补财政洞

如果这笔钱最后只是进了财政黑箱，前面那套理由就塌了。

政府缺钱，不能自动变成 AI 欠钱。账要算在另一处：模型吸收公共资料、个人创作和开放协作成果，却没有让收益回到知识生产现场。

钱应流向图书馆、数据库、开放语料库，去创作者基金、新闻机构补偿、出版授权，去基础软件维护、教育资源、公共知识平台，也用于训练数据登记、审计和抽样测试。

这套收税逻辑，也正好戳在了「大模型技术平权」叙事最尴尬的地方。大模型确实让很多人第一次用上强大的智能工具。它好用，提高效率，也会让知识服务变得更便宜。这些好处都应该承认。

但好用不等于平权。用户拿到的是调用权，不是训练权、控制权、定价权和分账权。

大模型没有把生产资料发给大众，只把大众的知识包装成收费接口。

技术平权不能缩成「人人都有资格交订阅费」。

如果没有回流，模型会在更深处制造垄断。它未必控制某个 App，也未必独占社交入口；它控制的是知识被调用、压缩、重新分发的基础能力。等所有人都在同一个接口上工作、写作、开发、搜索和学习，再谈「平权」，就像租户住进房东的楼里，感谢房东发明了住房自由。

到这里，闭环已经出来了：征税对象盯模型提供商和大型部署者，不找普通用户开刀；税基不按少雇人，按训练语料和知识能力商业化；征管不逐篇追溯，用测试集抽检；计量不发明新单位，按 token、算力和收入互证；去向不直接补财政洞，而是回流知识生态。

机器人不该被当成发薪员工。Excel 不欠算盘安置费。叉车也轮不到替旧岗位发工资。

大模型欠的是另一笔账。模型公司最爱说自己训练了多少 token，那就按 token 补票。

卷子已经发下去了。

答完题，按 token 交钱。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

我好像想到了一套完整的 AI 税方案

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单