本文来自微信公众号： 数字经济发展评论 ，作者：数字经济发展评论
导语
AI带来生产率提升的同时，也可能替代部分劳动岗位。当收入从工资转向企业利润和资本，依赖劳动收入的传统税收体系便面临压力。如何填补税收缺口、保障受影响的劳动者，又不抑制技术创新，成为美国讨论AI专项税的重要议题。
布鲁金斯学会（Brookings Institution）梳理了训练算力税、数据中心电力税、使用税、暴利税和自动化税五种方案，它们各有取舍：有的征管困难，有的收入滞后，有的可能抑制创新或改变投资布局。文章指出，对准AI不等于设计合理。与其急于推出专项税，不如先厘清政策目标，在财政收入、就业保障、产业竞争力与国家安全之间寻求平衡。
原文标题：Taxing artificial intelligence:What’s on the table,and what’s at stake
原文来源：布鲁金斯学会（Brookings Institution）
编译解读：数字经济发展评论
AI可以提高各类职业和任务的生产率，但它也可能替代目前承担其中一部分任务的劳动者。至于会替代多少、速度多快，目前尚无定论。这个问题直接关系到联邦预算，因为美国税制高度依赖劳动收入。个人所得税与工薪税合计约占联邦税收的85%。个人所得税大量取自工资、薪金和小费，是联邦收入最大的单一来源；为社会保障和医疗保险筹资的工薪税，则只对工资和自雇收入征收。
一旦AI把收入从劳动者手中转移到企业利润和其他资本收入，后者适用的有效税率可能更低。若这种转移持续下去，联邦财政收入会被逐步侵蚀，而用于帮扶被替代工人的公共支出需求却在上升。税基立在劳动收入上，替代劳动的技术冲击的不只是收入总量，还有财政收入的结构。真正要回答的是，专项税是在修补这个结构，还是绕开了对税制本身的改革。
针对这一前景，立法者提出的AI专项税有几类目标：在经济结构变化中保住税收；筹集额外收入帮扶被替代的劳动者；覆盖AI设施所需的电力与水利基础设施投资；以及放慢AI活动与增长的节奏。已经提出或正在讨论的方案各有侧重，对准的是AI生产过程的不同环节，从训练模型所耗的算力，到模型最终产生的利润。但各方案在时机与范围、潜在收入与经济成本、征管难易上差别很大。
AI专项税对准性强，也容易向公众解释。这是一个合理的政治理由，却不是经济学上的理由。要实现上述目标，并不一定非得对AI单独征税。改革资本所得的征税方式，或者引入增值税、碳税、企业现金流税这类覆盖面更广的税种，都能回应其中一部分相同的问题。
联邦收入之外，还有别的利害关系。其中一些设想与美国现行的国际税收规则和国内投资策略存在冲突；AI基础设施建在何处，则把国家安全牵了进来。下文考察对AI征税的理由与五项主要提案，比较它们的目标、收入潜力、征管可行性与权衡，以及这些方案对美国税制更广的影响。
一、对AI征税的三种情景
AI是否、以何种方式、在何时重塑经济，都还不确定。因此，征税的理由不是建立在某一条确定趋势上，而是建立在几种可能情景之上，其中最常被提到的有三种。
一是AI侵蚀税基。AI一旦替代劳动者，所得税和工薪税收入会立即下降，而由利润和资本利得带来的抵补性税收要晚得多才可能出现，甚至不会出现。与此同时，失业保险、再培训和其他保障项目的支出需求却在上升。AI税的作用，就是在劳动税收入下降的时期为这些支出提供资金。
二是AI基础设施把成本转嫁给并不使用它的人。数据中心耗用大量电力和水，两党议员都指出，AI设施并未直接支付这些成本，承担者是周边社区。2022年以来新建的数据中心，有三分之二落在本就缺水的地区。对AI设施征税，可以让它们分担更多自己造成、却由社区承担的成本。
三是AI企业可能为锁定市场份额而投入过度，把资本和其他资源从生产率更高的用途上抽走。这种情况很难核实。如果那些投资原本能带来可观的经济收益，征税就会抑制生产性活动，使整体经济变差；但如果投入确实过度，一项提高其成本的税就能压缩投入、改善资本配置。
三个理由其实分属三种政策目标：筹资、外部成本与纠正投资节奏。同一个“AI税”的名义下装着三种诉求，这正是各提案互相冲突的根源。
二、五种提案：从算力到自动化
五项提案可以从四个维度比较：对什么征税、收入何时到账、征管难度多大，以及各自的主要权衡。
训练算力税收入来得最早，但依赖企业自报，核验困难；数据中心电力税按千瓦时计征，收入即时稳定，电力公司用现有电表独立申报，最容易征管，对准AI的能力却最差；使用税把税基收回到AI本身，但单位收入会随模型效率提高而缩水，征管难度居中；暴利税对经济活动的扭曲最小，收入却要等企业盈利后才到，数额也不稳定；自动化税对准岗位替代，税基却最难界定，收入往往在人被替代之后才可能出现。
1.训练算力税：收入来得早，核验靠自报
训练算力税，是对AI开发者训练模型所耗用的算力征税。训练过程中，计算机要处理大量数据才能形成模型能力，税基就是这一过程中消耗的算力资源，而不是模型此后的使用。
这项税最吸引人的地方在于时机，因为训练正在发生。头部AI实验室在一段时间内难以盈利，利润类税收近期也就收不到多少。训练算力税对准的是AI能力的开发，而不是使用。让训练变贵，会放慢有能力替代劳动者的模型开发，但同样可能推迟那些让AI与劳动者都更具生产率的改进。
这项税的覆盖面也比多数替代方案更窄。做大规模训练的前沿实验室数量有限，政府要盯的是少数纳税人，而不是整个行业。但征管可能很难：它依赖自报数据，缺少标准化、独立的办法来核验一个实验室训练究竟用了多少算力；还要把应税的训练与日常的模型微调区分开，同样不容易。
纳税人集中在少数实验室、收入近期就能到账，这是五个方案中唯一“先见钱”的设计。代价是核验权交回了企业自报，征管能力跟不上税基扩张的速度。
税基的增长同样难以预测。算法效率在稳步提升，模型本可以用更少的算力完成训练；但实验室往往不拿这份效率去省算力，而是用它训练更大、能力更强的模型，总训练算力因此快速增长。未来十年哪一种趋势占上风还不清楚，这项税的收入潜力也就难以预测。
2.数据中心电力税：好计量，难对准
与训练算力不同，用电量可以标准化地独立核验。对数据中心用电征税可以按千瓦时计征，电力公司用现有电表就能独立向税务部门申报数据中心的用电量。
征管简单是有代价的：电表只显示用了多少电，不显示其中多少用于AI。数据中心同时承载云存储、视频流媒体和金融服务，它们共用同一套设施、同一份电力。要从中切出AI的用电份额，同样只能靠自报估算。
对数据中心用电征税，目前有两种思路，收入含义差别很大。一种是直接按千瓦时收费，收入稳定，还可能随AI总用电量增长；另一种是要求数据中心支付为满足自身需求而进行的电网升级费用，而不是把这笔成本转嫁给其他用电户。后一种收回的是基础设施成本，并不形成公共收入，却是联邦与州议员目前更倾向的方向。
3.使用税：按词元计征的难题
电力税比训练算力税好征，对准性却更差。使用税把税基收回到AI本身，以模型处理或产生的每个词元（token）为单位计征，一个词元可能成为一行代码、一张生成的图像，或是一句回答；征收方式类似消费税。
但税基更窄，未必意味着对准得更好。使用税落在全部使用上，既抑制替代岗位与任务的应用，也抑制让劳动者更有生产率的应用。
征管的前提，是定义什么算一个使用单位。AI服务商计费时已经在用词元计数：一个词元是一段文本，可能是一个词、半个词或一个标点。但词元长短不一，不同模型对同一段文本切出的词元数量不同，处理或生成一个词元所需的算力也因模型而异。按统一税率对词元征税，未必能反映实际消耗的算力，词元是不是合适的计税基础，因此仍有疑问。
收入同样难料。AI使用快速增长会扩大应税词元的数量，效率提高又让同样的任务消耗更少的词元，新模型还可能生成更长的回答。长期收入取决于这些趋势对税基总量的净影响。效率提升是词元税的天然对手。模型每省下一批词元，税基就随之缩小。对准AI使用的税，等于把税基交给了技术进步。
4.暴利税：理论最不扭曲，收入最滞后
前面三项提案分别落在开发、用电和使用上，而不是利润上。这些税会推高企业的生产成本，企业自身使用AI时尤其明显，其中一部分成本可能通过涨价转嫁给消费者。
暴利税的运作方式不同。设计得当的超额利润税，可以在不抬高商品与服务边际成本的前提下筹集收入。它不落在企业的支出或销售上，只落在利润上，而且只落在超出正常回报的那部分。正常回报，是投资者认为一项投资值得进行的最低回报；由于正常回报不课税，暴利税只对“超常”回报开征，对投资决策的影响才很小。理论上，它是少数能在不改变行为的前提下筹集收入的税种。
实践中，把正常回报与超常回报分开却很难。正常回报率因投资而不同：押注一个新模型架构风险很高，理应要求比增建服务器容量这类更安全投资更高的回报；即便同一家公司、同一年内的不同投资，也未必有统一的正常回报基准。这些差别使应税利润难以划定，还可能抑制值得进行的投资。
暴利税的收入还会滞后。处在资本密集扩张期的早期投资很少有巨额利润，AI行业许多公司正处在这一阶段。它还给企业留出了继续投资以压低应税利润的空间，收入因此进一步推迟。理论上它对行为的扭曲最小，时间上却最晚到位。五个方案的共同困境也在于此：征管可行与理论优点，几乎无法兼得。
5.自动化税：钱到位时人已失业
与前四项不同，自动化税既不针对AI的生产，也不对准AI服务商，而是向使用AI或机器人系统、并由此替代了工人的企业征税。一些方案把这项收入指定用于帮扶这些劳动者。具体设计各不相同，有的对企业为自动化投入的资本征税，有的对被自动化之后的作业本身征税。
征管会带来新的问题。研发税收抵免是一个有用的参照：国税局必须用法规定义哪些活动算研究，由此产生了数十年的指南、争议，以及企业为用足抵免而重组自身活动的动机。自动化税会面对同样的压力，还多一层难处。它必须把AI驱动的自动化，与早已嵌在生产流程中的其他自动化区分开；当两者执行相近的功能时，区分尤其困难。
这项税能收多少，取决于AI替代岗位的规模。劳动收入占国民收入的份额，自20世纪40年代末联邦开始统计之后稳定了数十年，此后在21世纪头十年出现下降，近年再度下降。AI会加速还是减缓这一下降尚不确定，自动化税的收入潜力也就同样不确定。
最不合时宜的地方在于：AI替代的工人最多时，这项税的收入最大，而本该用来帮助这些工人的钱，往往要等他们失去工作之后才能到位。这是五个方案中唯一把收入指定用途的设计，也正因如此，它对时效的要求最高，而它的税基又注定滞后。指定用途与资金可及性，在这里正面冲突。
三、税制之外：产业激励与国家安全
五项提案各有自己的设计问题：对什么征税、如何征管、能收多少收入。但在常规税制设计之外，任何AI税提案还牵涉另外两个考虑，即美国本土AI产业的发展和国家安全，二者都属于美国自身的政策目标。
其一，一些AI专项税会与现行的联邦税收激励相抵触，而后者意在鼓励在美投资、抑制某些离岸活动。2017年《减税与就业法案》确立了国际税收条款，国会在2025年通过《大而美法案》（One Big Beautiful Bill Act）予以修订。
现行法律通过“外国来源所得扣除”（FDDEI）条款，允许美国企业对符合条件的海外来源收入作扣除，并通过“受控外国公司检测收入”（NCTI）条款，对特定外国收入征收最低税。
这些条款合在一起，影响的是跨国公司在哪里投资、在哪里申报利润。AI专项税抬高在美国经营的成本，正好削弱这些激励。例如，训练算力税可能促使AI企业把模型训练转移到境外数据中心，让活动移出美国税基，同时带来新的征管难题。
其二，鼓励离岸的后果，不止于削弱现有的在美投资优惠。布鲁金斯学会2026年的一份报告列举了前沿AI数据中心建在美国之外的几类战略风险：海外设施在物理上易受对抗性行动冲击；其中的数据和模型落入外国司法管辖；把AI基础设施托管在海外，还可能形成对某些国家的长期依赖，而这些国家的利益并不总与美国一致。
这种风险并非假设。2026年3月，伊朗无人机袭击损坏了亚马逊云服务（AWS）位于中东的数据中心设施。伊朗官方媒体声称，之所以选择巴林的目标，正是因为它支持美国的军事与情报行动。
任何可能把训练或基础设施推向海外的AI税，都必须与国家安全风险一并权衡，包括暴露于外国威胁、外国法律和外国政府之下的风险；具体风险高低，取决于设施所在地以及当地的安全与法律保障。税负与设施区位连在一起。抬高在美训练的成本，就是在改变离岸的相对收益。税收、产业激励与国家安全三个目标之间，并没有自动对齐的机制。
四、更广的税制改革与政治考量
驱动AI专项税的那些担忧，也可以通过更广泛的税制改革来处理。改革资本所得的征税方式，可以应对收入从劳动向资本的转移，而不论这种转移来自哪个行业。
现金流税可以设计成替代企业所得税，只对全经济范围的超常回报征税，而不是孤立地针对某一个行业。碳税为AI基础设施的环境成本定价，同时覆盖其他所有排放源。增值税能从比AI专项税宽得多的税基上筹集收入，而且一般不对企业投入征税。
决策者仍可能偏好AI专项税，但理由并不相同。对准AI的税，比广泛的资本所得税改革或新设消费税更容易向公众解释。把五个方案排在一起看，站得住的共同优势只剩“容易解释”。当一项税的主要优点在叙事而不在税基，立法便容易走在经济论证之前。
这类争论并非首次出现。1939年，亨利·福特在《纽约时报》撰文反对对工业机器征税，理由是即便一些岗位消失，也会有更多岗位被创造出来。不出一年，参议员约瑟夫·奥马奥尼（Joseph O’Mahoney）提出了对机器征税的立法文本。该税未获通过，此后的数十年里自动化持续推进，总就业仍在增长。
但在当时，这个结果和今天任何一种AI情景一样，都不是确定的。这段历史不是为了否认AI对劳动者的威胁，而是提醒：当可能结果的区间足够宽，任何方向的预测都值得谨慎。