《资本论》第三卷第六章:价格变动的影响
第五章讲不变资本使用上的节约。
第六章继续围绕利润率展开,但主题换成价格变动。
资本家生产商品,要购买生产资料和劳动力。
这些要素的价格会变化。
价格一变,成本价格、资本价值和利润率都会变。
一句话概括本章:
原料、能源、机器、云资源、模型 API 等生产资料价格变动,会改变成本价格、预付资本价值和利润率;资本家可能因为价格上涨而追加资本,也可能因为价格下跌而释放资本,甚至在存货重估中获得或遭受意外收益和损失。
为什么价格变动重要
利润率公式是:
p' = s / (c + v)如果 c 的价格变化,分母会变。
如果原料价格上涨,资本家需要更多资本维持同样生产规模。
如果原料价格下降,同样生产规模需要的资本减少。
这会影响利润率。
现代 AI 公司也非常熟悉:
- GPU 租金上涨;
- 云厂商降价;
- 模型 API 降价;
- 数据采购变贵;
- 电力成本上涨;
- 存储和带宽降价;
- 开源模型降低某些成本;
- 合规成本上升。
这些都不是外围因素,而是直接改变资本运动。
原料价格上涨
传统工业中,原料价格上涨会提高商品成本。
比如棉花涨价,纺织品成本上升。
煤炭涨价,工业生产成本上升。
现代 AI 中,类似的是:
- token 成本上涨;
- GPU 供应紧张;
- 云计算涨价;
- 高质量数据授权变贵;
- 电力价格上涨;
- 芯片价格上涨。
如果产品售价不能同步提高,利润率会下降。
比如一个 AI 应用每月收入 100 万。
原来成本:
- 云/API:30 万
- 工资:40 万
- 其他:10 万
- 利润:20 万
如果云/API 成本涨到 50 万:
- 总成本变成 100 万
- 利润变成 0
技术没有变,客户没有变,但上游价格变化就能吞掉利润。
这说明资本利润率深受生产资料市场影响。
原料价格下降
对正要采购生产资料的企业,若售价和其他条件不变,降价可以提高利润率。
AI 行业中,模型 API 降价是典型例子。
如果上游大模型调用成本下降 70%,下游应用有几种选择:
- 保持售价不变,提高利润率;
- 降价竞争,扩大市场;
- 增加功能,提高用户体验;
- 把节省资金投入销售和研发。
从资本角度看,生产资料降价会释放资本。
原来维持某个服务需要每月 30 万 API 成本,现在只要 10 万。
同样业务规模释放出 20 万货币资本。
这部分资本可以用于扩张、偿债、利润分配或金融投资。
第二卷第十五章已经讲过资本释放和资本束缚,第六章在利润率层面继续展开。
存货价格变动
价格变动不仅影响未来生产,也影响已有存货。
假设资本家已经买入一批原料。
如果买入后市场价格上涨,他手里的存货升值。
如果买入后市场价格下跌,他手里的存货贬值。
这会带来账面收益或损失。
现代公司中,类似情况包括:
- 囤积 GPU 后价格上涨或下跌;
- 预购云资源后市场降价;
- 买入数据版权后同类数据变便宜;
- 采购模型服务长约后现货价格下降;
- 大量库存硬件被新芯片淘汰。
这种收益或损失不一定来自生产过程。
它可能来自市场价格变动。
资本家会把它算进利润或亏损,但马克思要区分:这不是剩余价值生产本身,而是资本价值重估。
资本价值增减
马克思讨论价格变动时,经常讲资本价值的增减。
如果生产资料价格上涨,已经拥有这些生产资料的资本家可能获益。
因为他的存货或设备按新价格看更值钱。
但需要重新购买生产资料的资本家会受损。
如果价格下降,情况反过来。
已经持有高价存货的人受损。
新进入者或需要补充原料的人受益。
比如 AI 公司在 GPU 高价时大量购买。
如果后来 GPU 租赁价格暴跌,旧投资会承压。
如果公司没有购买,而是按需租用,就可能享受降价好处。
这就是固定资本和流动资本在价格变化中的不同风险。
固定资本的重估风险
固定资本特别容易受技术和价格变化影响。
一台 GPU 还没坏,但新一代芯片出现后,旧 GPU 的市场价值可能下降。
这就是无形磨损。
第六章关注价格变动,和前面固定资本折旧问题紧密相连。
假设设备原拟用 5 年逐步收回购价,第 2 年就因新设备出现而落后了。尚未收回的是当初垫付的设备价值;旧设备贬值,意味着余下的购价可能无法按原计划收回,不是说这两年工人少创造了剩余价值。
AI 行业技术迭代快,因此固定资本重估风险很高。
这解释了为什么很多公司选择云服务而不是自建算力:
它们宁愿支付较高的流动成本,也不愿承担固定资本快速贬值风险。
原料价格波动和危机
原料价格剧烈波动会造成危机。
价格上涨时:
- 成本上升;
- 资金需求增加;
- 利润率下降;
- 小资本被挤出;
- 企业提高售价;
- 下游需求受压。
价格下跌时:
- 存货贬值;
- 高价采购者亏损;
- 债务压力暴露;
- 新资本进入;
- 价格战加剧。
在 AI 行业中,如果算力价格剧烈波动,也会产生类似效果。
比如一轮 GPU 短缺导致训练和推理成本暴涨,许多应用公司模型无法成立。
随后供给增加和模型效率提升导致价格下降,早期高价投入者面临资产贬值,新进入者成本更低。
价格波动改变竞争格局。
生产资料价格和社会劳动生产率
生产资料价格下降,常常来自劳动生产率提高。
比如芯片制造更先进,单位算力成本下降。
模型推理优化,让单位 token 成本下降。
云基础设施规模扩大,让存储和计算降价。
这会降低不变资本价值。
资本家可能因此提高利润率。
但如果这种技术进步普及到全行业,商品价格也可能下降,超额利润消失。
单个资本家先采用低成本技术时,可以暂时获得优势。
全行业采用后,新的社会必要劳动时间形成,利润率结构重新调整。
这说明技术降本既是竞争优势,也是竞争压力。
工资价格变化
虽然本章重点是生产资料价格,但工资变化也影响利润率。
工资上涨,在其他条件不变时,会减少剩余价值。
工资下降,则可能增加剩余价值。
但工资不是普通价格。
工资关系到劳动力再生产。
如果工资长期低于劳动力价值,劳动者健康、技能、家庭和社会再生产都会受损。
现代平台劳动中,低价接单、无保障外包、算法压价,短期可能降低资本成本,长期会造成劳动者耗竭和质量下降。
资本账本上看到的是成本下降。
社会再生产层面看到的是劳动力损耗。
汇率和全球供应链
现代价格变动还包括汇率和全球供应链。
AI 公司可能:
- 用美元支付云服务;
- 从海外买 GPU;
- 面向全球客户收费;
- 雇佣跨国团队;
- 使用海外 API;
- 受国际制裁和出口管制影响。
汇率变化会改变成本和收入。
供应链限制会改变生产资料可得性。
这扩展了马克思所说的价格变动问题。
资本不是在本地封闭环境中运动,而是在世界市场中不断重估。
对 AI 开发者的理解抓手
你可以把第六章转化为商业风险检查表:
- 上游模型 API 会不会涨价?
- 云资源是否被单一供应商控制?
- GPU 是买还是租?
- 数据授权价格是否稳定?
- 是否有缓存和模型替代方案?
- 合同能否把成本变化传导给客户?
- 是否有长期资源合约?
- 是否会因技术迭代造成资产贬值?
- 是否有供应商锁定风险?
这些问题决定利润率稳定性。
技术上能跑通,不等于资本上能持续。
如果成本价格随上游波动剧烈,产品商业模式就很脆弱。
本章的核心结论
第六章的核心是:价格变动会改变成本价格、资本价值和利润率。
可以总结为:
生产资料涨价 -> 成本上升、追加资本需求、利润率受压;
生产资料降价 -> 成本下降、资本释放、利润率可能上升;
存货和固定资本会因价格变化发生价值增减;
这些收益或损失不一定来自剩余价值生产,而可能来自资本重估。对 AI 和软件行业来说,这章解释了:
- 为什么上游 API 和云成本决定应用公司利润率;
- 为什么 GPU 自建有重估和无形磨损风险;
- 为什么模型降价会重塑竞争格局;
- 为什么技术进步既带来降本,也带来价格战;
- 为什么商业模式必须考虑成本波动,而不只是功能可行。
第七章将作为第一篇的补充说明,进一步整理利润率分析中的若干细节,为第二篇“利润转化为平均利润”做准备。
上一章:不变资本使用上的节约 · 第三卷目录 · 下一章:补充说明
本文写作中使用了 AI 辅助。文字采用 CC BY-NC-SA 4.0 许可。