AI时代下，哈耶克“知识问题”为何仍站得住

人工智能、计划与哈耶克的知识难题：为何《知识在社会中的运用》仍对人工智能时代有解释力

摘要

本文再次审视哈耶克《知识在社会中的运用》在人工智能时代所具有的理论价值。人工智能在数据获取、模式识别、需求预估、物流调度、组织监督以及集中协调等方面显著增强能力，因此的确给传统哈耶克式的安排提出了强烈的反思压力。尤其是Acemoglu (2023a, 2023b)以及Brynjolfsson and Hitzig (2025)的最新讨论提示：人工智能或许会削弱地方决策者的信息优势，扩大企业的最优规模，使总部对地方单位的约束更强，并让某些算法化的计划方式更容易落地。尽管如此，本文主张：人工智能并未从根本层面否定哈耶克所指向的知识问题。哈耶克所强调的关键并非中央计划者缺少更强的计算装置，而在于经济协调所依赖的知识本身是分散的、带有默会成分、依赖情境、带有主观判断、与时间高度相关、受激励约束且具有创造性。人工智能能够处理数据，但数据并不等同于知识；它能做预测，却不等于“发现”；它能模拟价格，却无法直接等价于在私有产权、交换、竞争、盈亏与利润机制中生成的真实市场价格。本文进一步认为，即便存在“全面AI计划”体制，也仍将遭遇真实信息能否被揭示、指标是否会被操纵、算法博弈如何展开、监督与权力如何运作以及目标函数如何被选定等一系列难题。结论并非要反对人工智能，而是反对对社会知识的垄断。人工智能更适宜的制度嵌入方式，不是替代市场，而是进入开放、竞争、价格发挥引导作用且多中心互动的市场秩序之中，从而提升个人、企业家、消费者、企业以及公共机构运用自身知识的能力。

关键词：人工智能；哈耶克；知识问题；社会主义计算争论；中央计划；市场价格；默会知识；企业家发现；算法治理；监控；企业；平台；米塞斯；科斯；多中心秩序。

JEL Classification: B25, B31, B53, D46, D80, D83, D85, L14, L16, L22, L23, O31, O33, P11, P16, P21, P51, P52.

一、引言

人工智能的兴起再度点燃了现代政治经济学中最久远、也最深刻的讨论之一：这种复杂经济体，是否能够借助某种中央“理性”实现有效组织？在近一个世纪里，关于这一问题最有力的自由主义与奥地利学派回应，主要来自米塞斯对社会主义经济计算的批判，以及哈耶克对分散知识的理论阐明。米塞斯指出，若没有生产资料的私有制，就不可能形成真正的资本品市场价格；没有资本品价格，社会主义体系就难以开展理性的经济计算(Mises, 1920, 1922, 1949)。哈耶克在此基础上进一步推进。他强调，经济秩序面临的根本并不只是计算能力不足，更是知识如何分布的问题：协调生产与消费所必须的关键知识，并不掌握在任何单一头脑、中央计划委员会、统计机构或国家机关之中，而是以分散、地方、默会、实践性且随时变动的方式，存在于数以百万计乃至数以亿计的人们之处(Hayek, 1937, 1945)。

在《知识在社会中的运用》中，哈耶克提出的核心追问是：要让社会形成一种理性的经济秩序，究竟需要解决的是什么难题？如果偏好、资源、技术、生产可能性与约束条件都已被某个头脑完全掌握，那么资源配置就不过是一项数学、工程或逻辑任务。但在现实社会中，“数据”并不会直接以现成形式交到中央大脑手里。真正的经济难题恰恰源于：相关知识并不存在于任何地方的集中地点。它分散在不同个体之中，同时又往往以哈耶克所说的“特定时间与地点的具体情势知识”的样态出现(Hayek, 1945)。例如某位商人的判断、农民对土壤与天气的经验、工人对机器异常声响的敏感、消费者对新产品的细微反应，以及企业家对未来机会的直觉，都不是简单的“数据库条目”，而是嵌在具体情境里，通过行动才能显现出来的知识。

由此可见，价格体系的重要性远不止于激励。价格既是一种通信机制，也是一套发现程序，同时还是一种节约知识的制度安排。价格把海量分散信息压缩成行动者可使用的信号，使参与者无需获知整个经济系统的因果全貌，也能据此调整自己的计划。以使用锡的企业为例，并不必弄清锡价上升到底来自矿山事故、战争、运输中断，还是来自新技术提高了锡的需求。它只要获知锡相对更稀缺、因而更昂贵，于是便会节约、替代、回收或转向创新(Hayek, 1945)。市场秩序之所以优越，正在于它不要求任何个人掌握全部事实，却可以借助价格与竞争让众多局部计划彼此协调。

然而，人工智能的出现似乎给这一论证带来明显的挑战。哈耶克写作于1945年，当时的经济世界主要依赖纸质记录、缓慢的统计报表、传统官僚体系以及极为有限的计算能力。如今的世界已大不相同。数字平台可以即时记录购买、搜索、点击、位置、支付、库存、运输、评价、工作安排、机器运转、健康信息以及社交行为；机器学习还能识别人类难以捕捉的模式；大语言模型可从非结构化文本中提取含义、概括文档、翻译语言、辅助编写代码并支持决策；预测模型能够预估需求与短缺；优化系统可调度卡车、管理仓库、安排劳动力、调整价格、识别欺诈并分配注意力。因而配备AI的现代计划者，未必仍是手持纸质报表的旧式官僚，而更可能掌握云计算、传感网络、实时数据平台、预测模型以及自主软件代理。

因此，对人工智能所带来的挑战必须认真对待。仅重复“中央计划者处理不了足够多的信息”已经不够。在不少领域，人工智能确实让中央机构、企业总部、平台公司以及物流网络能够比地方决策者掌握更多且更快的系统化数据。比如大型零售商可以用AI预测成千上万家门店的需求；全球物流企业能从中央控制中心优化运输路径；平台可以通过海量交易推断消费者偏好；医院体系还能预测病人流量、设备需求与人员安排。可见，人工智能并没有消除哈耶克式难题，却在经验层面改变了“集中化”与“分散化”之间的边界。

当代最有力的人工智能挑战之一，来自Brynjolfsson and Hitzig (2025)提出的“AI’s Use of Knowledge in Society”。该文的标题刻意呼应哈耶克。他们认为，人工智能能够把一些过去被视为地方性或默会性的知识，转化为可编码、可复制、可传输，并可供总部直接使用的知识。只要人的行为、交易、文字、图像、语音、工作流程与数字足迹能够被机器学习吸收，部分原本属于“现场人员”的知识就可能被迁移到中央机构、平台或企业总部。由此，人工智能可能推高决策层级，扩大企业规模，提升行业集中度，并削弱地方管理者的自主性(Brynjolfsson and Hitzig, 2025)。这并非对哈耶克的直接否定，而是指出哈耶克理论所依赖的技术条件已经变化。

Acemoglu (2023a, 2023b)也提出了相近的问题：人工智能是否可能让某种“人工智能社会主义”或算法化的中央控制再次变得可行？如果旧式计划经济的失败部分在于信息收集与处理能力不足，那么人工智能似乎确实改变了问题的技术前提。但Acemoglu同时强调，哈耶克的论证仍然强有力，因为中央计划者需要掌握的不仅是人们昨天购买了什么，还包括他们明天可能想要什么、他们如何创造性地动用自身才能，以及在自由实验中可能涌现的新机会(Acemoglu, 2023a)。换言之，人工智能并没有替代哈耶克问题，而是在新的技术背景下把同一问题重新呈现。

本文的核心判断是：人工智能确实会修正哈耶克，但并不会推翻哈耶克。AI让许多形式的计划更具可操作性。它能改善企业组织、物流运行、公共治理、科学发现以及部分产业政策；还能提高国家能力，并强化现代企业总部的控制能力。它或许也能把某些原本默会的知识转成数据、模型与规则，同时降低部分交易成本，使层级组织在更大规模上实现协调。科斯早就指出，企业的存在原因在于某些协调通过层级组织比依靠市场合同更便宜(Coase, 1937)；威廉姆森进一步将“市场”与“层级”视为不同的治理结构(Williamson, 1975, 1985)。人工智能改变了市场与层级的相对成本，因此可能影响企业边界。

但这种承认并不等于对哈耶克主义的放弃。哈耶克最深的洞见并不在于计划者缺乏足够强的计算装置，而在于经济协调所需的知识并不等于客观存在、可以收集到并直接用于管理的“数据”。经济知识具有分散性、默会性、主观性、情境性、具身性，且持续变化；它常常只有在竞争与行动中才会被揭示出来(Hayek, 1937, 1945, 1948, 1968)。AI在数据充足、反馈迅速、任务重复且目标明确、模式较稳定的环节往往表现突出。但市场社会并不仅仅是在已知条件下把已知资源分配给已知用途的机器系统。市场同时也是一个发现过程：发现新的产品、用途、技术、偏好、才能与组织形态。而发现过程无法被完全替代，因为其结果在被发现之前并不存在为数据。

因此，本文将依次展开：第一，数据并不是知识；第二，预测并非发现；第三，模拟出来的价格并不等同于市场价格；第四，监控无法替代真实信息的揭示；第五，人工智能计划必然引出监督、权力与目标函数选择等问题；第六，企业内部的计划并不能据此推出整个社会都能被组织成一个巨型企业。人工智能可以被广泛使用，但应当以多中心方式来使用。它应当帮助个人、企业家、消费者、企业与地方政府、公共机构更好地运用自身知识，而不是把整个社会吸入单一的中央化算法机器中。本文的结论并非“反人工智能”，而是反对对社会知识的垄断。

二、哈耶克的起点：分散知识、价格机制与计划协调

哈耶克《知识在社会中的运用》并不是一篇狭义的信息传递讨论，而是关于中央理性边界的宏观社会理论文本。哈耶克首先质疑教科书中对经济问题的通常界定。常见说法是：经济学研究如何将稀缺手段配置到彼此竞争的目标之间。哈耶克并不否认这种表述的直观合理性，但他认为这类说法容易造成误导，因为它默认：目标、手段、偏好、技术与资源约束都已经为某个头脑所知。若这一点成立，那么经济问题就会被降格为计算问题。但在真实社会中，相关知识从不以整体形式被交付给任何中央头脑，而是散落在无数行动者之中(Hayek, 1937, 1945)。

米塞斯首先指出，计划主义无法完成理性经济计算：没有生产资料私有制，就不会形成资本品市场价格(Mises, 1920)。哈耶克接受这一论断，并把问题进一步推进到知识层面。他认为，中央计划的缺陷并不仅是价格缺失，而在于没有任何中央机关能够用可操作的方式掌握持续变化的知识，从而为价格设定与生产指导提供依据。于是，哈耶克将经济学的关注重点，从“在给定信息条件下进行配置”转向“在分散知识条件下实现协调”。

哈耶克最著名的概念之一是“特定时间与地点的具体情势知识”(Hayek, 1945)。这类知识并非抽象科学知识。科学、工程与统计知识当然重要，但并不是经济生活中唯一关键的知识类型。还有一部分知识更依赖于地方经验、具体情境与实践判断：例如商人知道某种商品只有摆在店门口更容易卖出；农民知道官方统计无法覆盖某块土地今年真实的状态；工人能听出机器运行中的细微异常；建筑商明白哪个承包商更可靠；消费者会因为某种难以明说的原因突然不再喜欢某类产品。它们往往难以系统化，也不容易写成报告，但它们却对资源配置极其关键。

更重要的是，这类地方知识具有强烈的时间敏感性。临时短缺、需求波动、天气突变、运输延误、劳动力问题、新机会与消费者偏好转向，往往只在极短时间里具有价值。中央机关也许终究能得知这些信息，但机会可能早已错过。因此，哈耶克强调的不只是“知识分散”，还包括“知识必须及时被运用”。如果一个计划体系要把信息一路上收、集中处理、再向下发布指令，它必然会削弱许多地方知识的价值。“现场人员”的优势不在于他掌握全部事实，而在于他知道此时此地必须立刻采取行动的关键要素(Hayek, 1945)。

价格体系正是哈耶克对这一难题的回应。价格允许分散的个人在不掌握全局知识的前提下协调整体计划。价格包含了大量条件：稀缺程度、需求强度、替代用途、生产成本、风险、预期以及竞争机会。任何市场参与者都不需要知晓价格变化背后完整因果链条。当锡价上涨时，使用锡的企业不必知道原因，只要意识到锡变得更稀缺、更昂贵，就会采取节约用量、寻找替代、回收利用或改变生产方式的行动。这样，经济体能够对大部分参与者并不知情的事实作出响应(Hayek, 1945)。

也因此，哈耶克之所以说价格是一种“通信机制”，其内涵并非完整报告，而是“最低必要信号”。它通过极少量信息让众多行动者调整计划，从而实现知识节约。在现代经济中，消费者不需要了解钢材、铜、石油、芯片、航运与技术工人的全部供给条件；生产者也不必掌握每位消费者偏好的完整结构。每个人只需处理一组价格、工资、利率、利润与亏损等信号，并结合自身局部知识进行调整。市场秩序的“智慧”并不在某个头脑中，而在制度化的分散协调过程之中。

因此，哈耶克并不反对计划。事实上，每个人都在计划：家庭安排消费，企业安排生产，劳动者规划职业路径，投资者规划资产组合，企业家规划新事业。问题不在于“是否计划”，而在于计划由一个中央机关统一制定，还是由众多分散主体各自制定，并再通过价格与竞争把它们彼此协调起来(Hayek, 1945)。这一点在人工智能时代尤为关键：AI并不会取消计划本身，而会改变谁能够计划、以怎样的规模计划、借助什么工具计划，以及在何种制度约束下计划。

哈耶克同时批评新古典经济学把竞争理解为均衡状态的倾向。在“完全竞争”模型里，价格、技术、偏好与机会都被假设为已知，因此竞争看似只是一个静态条件。但哈耶克认为，这样的模型把竞争最重要的功能抹掉了。真实竞争的价值在于发现此前不为人所知的事实：谁能用更低成本生产，消费者究竟看重什么，哪种技术真正有效，哪些预期存在偏误，哪些机会被忽略(Hayek, 1937, 1948, 1968)。竞争并不是静态均衡，而是一套发现机制。

这一点也与Kirzner关于企业家发现的理论形成高度呼应。企业家并非在已知约束下做最大化求解的“管理者”，而是对未被注意到的机会保持警觉的人(Kirzner, 1973, 1985)。Schumpeter强调企业家在创新与“创造性破坏”中的作用，但同样表明经济发展不是静止配置，而是不断通过新组合来扰动旧秩序的过程(Schumpeter, 1911, 1942)。哈耶克则为这两种企业家理论提供更深的知识论基础：市场的优越不仅在于它能有效配置已知资源，更在于它让未知机会得以被发现。

米塞斯关于计算的论证与哈耶克关于知识的论证在此相互补充。米塞斯指出，没有资本品市场价格就无法对异质资本品的替代用途做出比较(Mises, 1920, 1949)。哈耶克则强调，价格之所以重要，不仅是因为它能支持算术计算，更因为它将分散知识压缩为行动信号。市场社会主义者Lange (1936, 1937)曾尝试用试错调价来模拟市场；然而Lavoie (1985a)指出，社会主义计算争论的核心并不是静态均衡方程能否求解，而是竞争、发现、企业家判断与制度过程是否能被中央机关真正复现。

因此，哈耶克的原始论点在人工智能时代依然构成出发点。AI改变了收集、处理与预测信息的技术条件，却并未消除社会知识的分工。关键仍是：制度安排是否能够让地方性、默会性、快速变化且往往只能在行动中被揭示的知识，得到有效使用？如果AI提升了个体与组织运用自身知识的能力，它就会更加强化哈耶克式的秩序；若AI被用来把决策吸纳到中央计划机器之中，它则会以更高技术水平重复旧计划主义的错误。

三、人工智能的挑战：编码、预测、集中化与新的计划主义

若要认真讨论哈耶克，不能假设1945年的技术世界依然存在。人工智能确实对哈耶克构成压力。首先，AI改变了默会知识与显性知识之间的分界。哈耶克强调大量知识具有地方性且难以传递(Hayek, 1945)；Polanyi (1966)后来用“我们知道的比我们能说出的更多”来概括默会知识的难题。传统计算机之所以难以处理此类知识，主要因为程序员必须将规则明确写出。Autor (2014)将其概括为“波兰尼悖论”。但机器学习并不依赖人类把所有规则逐条写明：它可以从大量样本、行为、图像、文本与传感器数据中学习模式。因此，过去看似难以编码的知识，可能被转化为统计意义上的近似，从而实现复制与传输。

Brynjolfsson and Hitzig (2025)正是基于这种可能性提出对哈耶克的最强挑战：如果AI能从员工行为、客户互动、生产记录、文本材料与数字痕迹中提取地方知识，那么地方管理者过去所拥有的信息优势就会变弱。总部、平台或中央机构可能获得更多可操作知识，从而使决策权上移。企业规模可能扩张，行业集中度可能上升，地方层面的自主空间可能缩小。这一观点并不是简单宣称哈耶克“错误”，而是强调人工智能改变了知识运用的技术条件。

其次，人工智能显著提升预测能力。哈耶克指出中央机关难以及时掌握地方变化(Hayek, 1945)。但如今的预测系统能够实时处理销售数据、天气信息、搜索行为、库存变化、运输状况、社交趋势以及机器运行状态。零售商可以预测需求，物流企业可以预测瓶颈，制造商可以预测设备故障，医院可以预测病人流量，金融机构也能实时识别欺诈。过去市场价格主要提供事后的调整信号；而AI可能在价格充分变化之前就预测未来短缺，从而使某些中央或准中央组织获得比地方个体更快的响应能力。

第三，人工智能是一种极强的聚合技术。它能整合结构化与非结构化数据，包括交易、文本、图像、语音、合同、卫星图像、库存扫描、传感器信息与社交网络内容。许多平台型企业已经展示了大规模信息集中化的可行性。Amazon、Walmart、Alibaba、Google、Microsoft、Apple、Meta等公司通过数据基础设施来协调庞大的经济活动。这些企业并未消灭市场，但它们证明资本主义体系内部存在巨大的信息集中能力。

第四，人工智能也可能拓展企业内部计划的覆盖范围。Coase (1937)指出，企业之所以存在与使用价格机制本身的成本有关；当内部组织比市场合同更省成本时，活动就会被纳入企业。Williamson (1975, 1985)将此发展为交易成本经济学。由于AI降低了监控、预测、沟通与内部协调成本，层级组织的有效边界可能因此扩大。企业总部可以实时观察销售、库存、生产过程、劳动效率与客户反馈，从而减少地方自主权。

第五，人工智能让Lange (1936, 1937)所设想的市场社会主义试错调价再度显得有吸引力。若存在一个现代算法化“计划委员会”，它可以借助模拟、强化学习、需求弹性估计与实时库存数据进行动态价格调整，比1930年代的计划者更快实现试错。人工智能似乎让Lange的抽象构想具备了技术落地的可能。

第六，平台经济呈现出市场与计划之间的混合形态。网约车平台承担匹配司机与乘客、设定动态价格、规划路线、管理信誉体系等任务。电商平台通过排序、推荐与准入规则来控制物流并制定交易规则。外卖平台则协调餐厅、骑手与顾客之间的分工协作。这类系统既不完全等同于传统市场，也不同于传统企业层级，而更接近一种算法治理结构。它们既使用价格，也使用排序、推荐、准入、评分与自动惩罚。因此，人工智能并非简单地重建苏联式计划，而是在技术条件下生成了新的算法化协调形态。

第七，人工智能可能改善公共管理与产业政策。政府可以借助AI管理交通、税收征管、欺诈识别、灾害应对、公共卫生、能源网络、环境监测以及国防物流等领域。在气候变化、疫情、金融风险、能源转型与供应链安全等系统性议题上，仅靠市场价格往往难以充分反映外部性与长期风险。AI似乎能够帮助政府模拟复杂系统、识别瓶颈，并协调长期投资。

综上，人工智能确实构成严肃挑战。它可能把某些默会知识编码化，预测需求与冲击，聚合分散数据，扩大层级协调能力，降低地方管理者的自主性，强化平台治理并改善公共管理；它还可能更好地服务产业政策、应对系统性风险并实现更个性化的资源配置。但这些论点至多说明：集中化与分散化的边界具有技术上的可变性。它们并未证明全面中央计划必然优于分散市场协调。它们也无法证明数据等同于知识、预测等同于发现、模拟价格等同于市场价格、监控等同于真实信息揭示，亦难以证明算法目标函数就自然拥有社会正当性。接下来的章节将对上述问题做出更有系统的回应。

四、数据并不是知识：默会性、情境性、判断与编码边界

人工智能计划论最常见的推断是：既然AI可以处理比过去计划者多得多的数据，那么它就能跨越知识难题。但这一推断把数据与知识混为一谈。数据是被记录下来的痕迹、测量结果、分类标签或观察记录；知识则包含解释、语境、相关性、判断、预期、目的以及与之相连的行动。更多数据并不会自动转化为更多可用于经济协调的知识。

哈耶克在1945年的文章中就已经把这一点点明。当他说经济问题的“数据”并未被直接给定给任何一个头脑时，他并不仅仅是在讲计划者缺乏足够大的数据库。他真正反对的是：相关知识已经以客观、明确、可传输、可集中使用的形式存在(Hayek, 1945)。大量关键经济知识只能由身处特定位置的个人理解。它并不是等待被上传的事实集合，而是对具体情境的实践性理解。

这并不否认数据的价值。数据非常重要，AI也能显著提高数据的使用效率。但问题在于：经济生活中的关键知识，是否能够被还原为中央系统可收集、可解释、可操作的数据？在这一点上答案并不乐观。AI热情所隐藏的风险，是把“可见性”误当作“知识”。一旦记录物变得可见，便可建模；建模的内容随即可以被治理；可被治理的东西就会被误以为代表了整个社会现实。但社会生活中仍存在大量无法完全透明化、也无法完全指标化的知识。

在此，Polanyi (1958, 1966)关于默会知识的理论尤为关键。钢琴家、外科医生、机械师、交易员、教师、谈判者或企业家，往往能够做出明智行动，却不可能把其行动规则完全说清。现代机器学习确实能从案例中学习，从而在一定程度上缓解波兰尼悖论(Autor, 2014)。但这并不意味着全部默会知识都可以被编码。AI可能学习到部分模式，却未必能替代责任承担、审慎判断、信任关系、趣味取向、道德评估、时间把握与情境敏感性。医生不仅需要分类症状，还要判断如何与带着恐惧的病人沟通；经理不仅要看生产率，还要判断团队士气；投资者不仅要外推历史回报，还要评估制度变动、政治风险以及人的品格。

此外，数据还必须通过范畴被“生产”出来。究竟测量什么？忽略什么？什么算作成功？什么被视为噪音？这些都并非纯粹技术问题，而是价值与判断问题。一个中央AI系统必须先决定哪些信息被当作相关知识。但哈耶克的核心观点正是：相关性往往在地方与行动中以意外方式被发现。某些看似不起眼的习惯、信任结构、地方风俗、审美偏好或企业家的直觉，也许会在特定情境里决定计划的成败。

因此，中央化的数据系统容易制造一种“虚假的完整感”。信息少的计划者也许知道自己的无知；拥有海量数据的计划者，却可能误以为自己看到了全部。AI的预测、评分与优化之所以具有精确外观，容易促使技术理性膨胀为一种社会控制冲动。哈耶克所批判的建构理性主义，正是这种倾向：把可被表述的东西当成社会全部知识(Hayek, 1967, 1973)。

情境因素同样关键。相同行为在不同语境下意义不同。销量下降可能意味着需求下降，也可能来自天气变化、节假日效应、缺货、竞争者促销、陈列错误或员工调整等因素。工人产出下降既可能是偷懒，也可能是疾病、倦怠、工具缺陷、家庭危机或隐藏实验。消费者不愿购买可能是因为不喜欢、没钱、等待发薪、不了解产品、道德上的反感，或包装与预期不匹配。AI可以把变量组合起来推断原因，但因果解释仍难以彻底替代。地方行动者往往因为置身其中而理解其意义，而中央模型看到的更可能只是相关性。

知识还具有强烈的行动依赖性。人们常常在做出选择之后才真正知道自己掌握了什么。购买揭示偏好强度，投资揭示企业家信念，换工作揭示职业判断，创业则揭示机会理解。市场数据的意义来自行动者在真实约束下承担代价。调查、点击、浏览、评分等信号通常成本更低；而购买、投资、辞职、创业以及承担亏损通常属于高成本信号。如果AI脱离产权、竞争与利润亏损这样的制度安排，虽然仍能观察到行为，但会改变行为本身所包含的意义。

偏好问题尤其说明数据与知识并不等价。平台可以从行为中推断偏好，但被推断出来的偏好并不自动等同于个体经过反思后的偏好。人并非固定不变的效用函数；他们会学习、会后悔、会成长、会模仿、会反叛并进行自我改造。一个人可能点击自己后来会鄙视的内容，购买自己并不真正欣赏的商品，或因为从未接触更高价值的选项而无法做出选择。AI或许能识别行为模式，却难以替代关于“人应当重视什么”的判断。

此外，数据还受激励影响。一旦某个指标成为资源分配、奖励或惩罚的依据，行动者就会操纵指标。学校应试、医院为报告优化、企业为了绩效而调整口径、卖家制造虚假评价、平台内容生产者迎合推荐算法，正是这一逻辑的不同表现。Goodhart法则揭示的正是：指标被当作目标时，它往往会被策略性利用。社会主义计划中对指标操纵的经验早已说明这一点。Kornai (1980, 1992)发现，社会主义企业往往会囤积投入、夸大需求，以满足计划指标而非满足消费者需求。AI并不会自动消除这种问题，它只会以算法版本的方式把旧病理放大。

因此，人工智能可以极大提升数据处理能力，但哈耶克的知识问题并不只是“数据稀缺”。它涉及地方性、默会性、情境性、前瞻性、激励依赖性以及行动依赖性的知识。部分知识可以数字化，更多知识仍不能；部分知识可被推断，更多知识必须通过分散实验发现；部分知识可被预测，更多知识则由企业家行动去创造。数据不可或缺，但数据并不等同于知识。中央计划的危险在于：把可见当作真实，把可测量当作相关，把可预测当作可能，把模型当作世界。

五、预测并不是发现：人工智能、新奇性、企业家精神与开放未来

如果数据并非知识，那么预测也并不等于发现。人工智能在未来与过去保持稳定关系时尤为强大。它能够从历史与实时数据中提取模式、估计概率、识别相关性并给出建议。然而，市场经济不仅是预测机器，更是一套发现机制。市场不仅预测需求，也创造、揭示并改变需求；不仅把已知资源配置到已知用途，还能发现新资源、新用途、新产品、新技术、新组织形式以及与之相伴的新型人类目的(Hayek, 1968; Kirzner, 1973; Schumpeter, 1911)。

Hayek (1948, 1968)强调，竞争之所以重要，在于它能发现此前并不为人所知的信息。完全竞争模型里，所有价格、技术与偏好都被预设为已知，竞争因此看似只是均衡状态。但真实的竞争是一种发现程序。预测所关心的是：在既定或可推断的可能性集合中，接下来可能发生什么？发现所关心的是：有哪些尚未被认识、尚未经过检验与评价的可能性？预测在已知或可推断的空间内运行，而发现则会扩展“可能性空间”本身。

创新尤其能说明这一点。Schumpeter (1911, 1942)笔下的企业家并非被动满足既有需求的人，而是引入“新组合”：新产品、新生产方式、新市场、新原料