摘要：

关于AI对经济增长与生产率的影响，有三种不同的判断。

乐观派相信，AI能通过研发自动化大幅推高经济增长率，甚至可能引发“奇点”式的爆发式增长。主流温和派承认AI会带来生产率提升，但也强调AI 对生产率的贡献受到多种现实瓶颈的制约（如成本节约有限、AI暴露度有限、短板效应、物理与能源约束、监管伦理摩擦等），这些瓶颈相互叠加，可能让AI红利远低于乐观派的估计。悲观派则对任务层面的AI暴露度、生产率提升幅度、AI技术的扩散速度等持极其保守的态度，或者担心AI主要被用来“替代”而非“增强”劳动力，警告过度自动化可能导致劳动收入份额下降，从而压制消费和总需求，拖累经济增长。 

我们认为，短期（1-2年）内，AI对经济增长将形成有力支撑，但这主要来自投资拉动而非生产率红利。长期来看， AI 也完全有可能带来重大的生产力革命和经济繁荣。但通往长期繁荣的道路可能并不平坦。 

取决于AI需求前景及在推广应用中可能遭遇的瓶颈约束，我们在中期（未来3-5年）有可能面临“乐观”（AI需求符合或超出预期，无明显瓶颈约束）、“温和”（AI需求符合或超出预期，但面临诸多发展瓶颈，需要逐步克服）和“悲观”（AI需求低于预期，或面临严重瓶颈制约）三条路径。我们认为，“温和路径”发生的概率最大，但不管是哪条路径，没有一条是平坦大道。所谓“乐观路径”，从技术层面而言是乐观的，但如果收入再分配制度改革未能及时跟进，却可能扩大贫富差距，甚至引发社会冲突，导致社会意义上的悲观结果；而技术意义上的“悲观路径”却有可能维持更持久的社会稳定，对广大劳动者而言反而更为友好；“温和路径”是个折衷路径，但也会带来局部性失业、经济与金融市场的K型分化与结构失衡等，对部分劳动者群体和投资者而言也不见得那么温和。决策者对此需通盘考虑，兼顾各方利益，密切监测事态发展，未雨绸缪，以确保经济与社会的可持续发展。 

随着生成式AI技术的快速发展，市场普遍期待AI将带来前所未有的生产率革命。高盛 1 测算，生成式AI可提升全球生产率1.5个百分点，未来10年将推升全球GDP增长7%。在硅谷的乐观叙事中，AI甚至会带来“奇点” （singularity） ，即AI通过“递归式自我改进” （recursive self-improvement） 推动经济增长率持续加速。这一乐观叙事推动了AI投资热潮。市场预计，2026年美国五大云服务商 （hyperscaler） 资本开支将突破7500亿美元，接近2022年的5倍。高盛预计，到2030年，云服务商资本开支累计总额将突破5万亿美元 2 。但学术界和业界也不乏悲观声音，认为AI对经济增长和生产率的提升被夸大了，或者担忧过度自动化可能导致大规模失业、收入差距扩大，甚至引发经济衰退和社会动荡 3 。 

面对截然不同的观点，我们应如何判断？鉴于AI对经济增长和生产率的实际影响不仅关乎AI投资热潮的可持续性，更将对收入分配和社会稳定产生广泛影响，我们结合过去2-3年的最新研究，对这一问题做系统分析，力图做出全面、客观的预判。 

AI对经济增长与生产率影响的三种观点

乐观派

乐观派的核心观点是，AI与以往的通用目的技术 （General Purpose Technology，简称GPT） 不同， 它不仅能实现自动化生产，还能通过“递归式自我改进”等方式把研发活动自动化，代替科学家做研究、代替工程师做设计，推动经济增长率持续加速，甚至在有限时间内趋于无穷 （即“奇点”） 。Anthropic的CEO 达里奥·阿莫迪（Dario Amodei）描绘了强大AI到来后的图景 4 ：AI将原本需要100年才能完成的生物医学进步压缩到10年；发展中国家的GDP增速将提升至20%。Epoch AI的GATE模型 5 预测，一旦AI能够自动化全部任务，全球GDP增长率保守估计也将高达30% （表1） 。 

表1.学术界/业界关于AI对生产率贡献的预测概览 

以“奇点论”代表人物、弗吉尼亚大学经济学教授安东·科里内克 （Anton Korinek） 的研究为例，他在与合作者构建的“创新网络”模型中 6 ，把经济分为软件（S）、硬件 （H） 、通用研究 （A） 、产出 （Y） 四个互相促进的部门，并给出触发经济“奇点”的量化门槛。根据其论文校准的参数，图1列出了达到奇点的四种情景： 

图1. AI带来经济爆发式增长的四种路径 来源：Davidson, Halperin, Houlden & Korinek. ‘When Does Automating AI Research Produce Explosive Growth? Feedback Loops in Innovation Networks’. NBER Working Paper 35155 (2026) 

1）若AI推动全部四个部门均匀自动化 （蓝线） ，只需13%的自动化普及率就能触发奇点； 

2）若仅实现软件及硬件部门自动化 （绿线） ，这两个部门的自动化普及率门槛会升至17%； 

3）若仅软件部门自动化、其余部门仅实现5%自动化 （紫线） ，前者自动化普及率门槛则升至66%；当软件部门完全自动化后，仅需6年即可达到奇点； 

4）若软件部门实现100%自动化 （橙线） ，其余部门自动化普及率门槛会降至0%，奇点一定会到来。 

当然，以上结论纯粹基于模型参数假设，并非是对未来真实情景的预测。但它说明，AI研发自动化可能是触发经济爆发式增长的关键环节，也为科技界正在推进的“递归式自我改进”提供了经济学理论框架。 

温和派

主流学术界关于AI对生产率贡献的估算比较温和，大多在每年0.1-1.3个百分点之间 （表1） 。他们承认AI会带来生产率提升，但也强调现实瓶颈可能导致可实现的AI红利远低于乐观派的估计。这些学者大多沿用了Hulten定理 7 的分析框架，认为AI对全社会生产率的影响由微观任务层面的生产率收益 （或成本节约） 、各行业任务的AI暴露度、AI采用速度这三个因素共同决定： 

AI对生产率的贡献=单任务生产率收益×任务暴露度×采用速度

从这三个层面拆分，AI的贡献可能在生产端面临以下约束： 

第一，单任务的生产率提升或成本节约有限。

微观研究显示，AI在编程、客服、广告创意等任务中可提效14%-50%，但在需要深度推理和综合决策的复杂任务中效率提升并不显著，甚至还会降低资深劳动者的效率 8 。另外，国际清算银行的研究 9 显示，即便AI在单个任务层面实现成本节约，要兑现生产率红利，企业必须配套投入软件改造、数据治理、员工培训、流程重组。若这些互补投资不足或成本高昂，企业实际获得的总体净收益可能远低于任务层面的理论收益。 

第二，微观任务的AI暴露度存在结构性上限。

OECD研究 10 显示，金融、信息科技、出版媒体、专业服务等知识密集型服务业的AI暴露度更高，生产率提升更明显；而农业、采矿、建筑、餐饮等物理操作与人际互动类职业的AI暴露度较低，因此较难受益于AI技术进步。OpenAI 11 估计，如果只考虑大语言模型，只有约19%的美国劳动者有超过一半的工作任务会被AI影响；若考虑配套软件发展 （如AI智能体、办公软件集成等） ，这一比例可升至约46%，但仍低于半数。随着AI技术的进步 （尤其是具身智能与物理AI的发展） ，这一比例有望持续提高，但受AI影响的任务和行业在相当长时期内仍将存在结构性上限，这会限制AI技术对整体生产率的提升。 

第三，物理与能源瓶颈、监管与伦理摩擦等将延缓AI技术的采用速度。

AI技术的扩散高度依赖算力、电力、数据中心等基础设施。而算力芯片的产能提升、发电设施和电网的扩建、数据中心的审批和建设等均存在多年 （甚至更长时间） 周期。因此，即使AI的技术能力突飞猛进，其上下游产业链面临的物理与能源瓶颈也有可能限制其采用速度。 

另外，由于AI数据中心等基础设施需要消耗大量的能源、水资源和土地，有可能导致当地电力或水资源短缺、电价或水价暴涨，引发社会矛盾，这会迫使监管机构因此而限制相关投资，从而延缓AI的落地推广。例如，今年7月14日，纽约州宣布暂停发放新建大型数据中心 （耗电量达到或超过50兆瓦） 的环境许可证，成为全美首个对新建超大规模数据中心实施暂停令的州，以回应外界对数据中心环境影响及推高公用事业费用的担忧。 

在物理瓶颈之外，在医疗、金融、法律、无人驾驶等高风险、低容错的行业，AI的商业化有可能面临漫长的监管审批、责任界定、保险机制建立等障碍。而这些恰恰是AI暴露度较高的服务业领域。这意味着AI带来的潜在生产率红利很可能因监管与伦理摩擦而无法充分释放。 

第四，短板效应与鲍尔默成本效应制约生产率红利。

斯坦福大学经济学家查尔斯·琼斯提出“短板效应” (weak link) 理论 12 ，即当生产过程依赖多个互补环节时，总产出将受到最薄弱环节 （短板） 的约束。因此，AI对经济增长的最终拉动幅度将受制于最难被自动化的那些任务 （如物理操作、人际照护、真实体验等） 。就AI技术来说，即使AI能自动化90%的任务，但剩余10%未被自动化的任务仍将限制经济增长的潜力，直到这些瓶颈也被自动化后，AI带来的生产率红利才能充分兑现。 

根据琼斯的模型，假设任务之间的替代弹性=0.2 （即任务高度互补，相互替代性较低） ，那么无限自动化某一项任务所带来的经济增益由该任务在经济中的占比s决定：[1/(1-s)]¹ᐟ⁴。以软件为例，当前软件支出约占美国GDP的2%，即使AI完全自动化软件生产，也仅能拉动GDP增长1个百分点；如果AI自动化经济中50%的任务，GDP也只能额外增长19% （图2） 。这意味着，AI 带来的经济红利可能被严重推迟。 

图2.自动化程度与经济增长倍数 来源：Charles I. Jones. ‘A.I. and Our Economic Future’. NBER Working Paper 34779, 2026. 

此外，诺贝尔经济学奖得主菲利普·阿吉翁 （Philippe Aghion） 13 还指出，即使AI在部分部门带来巨大生产率提升，鲍尔默成本效应 14 会让难以自动化部门的相对价格上升，从而压制总体生产率增长。以上这些因素都限制了AI对生产率和经济增长的贡献，令其实际红利远低于理论红利。 

悲观派

悲观派的观点源自两条不同的逻辑思路。一条与温和派的逻辑一致，但对现实瓶颈的假设更激进。这种观点的代表是诺贝尔经济学奖得主阿西莫格鲁。他在一系列研究 15 中估算，未来10年AI对美国生产率的贡献累计不到1% （即每年不到0.1%） ，这主要是因为他假设在未来10年仅有4.6%的任务会受到AI影响 （即极低的暴露度） 、而且在这些任务中使用AI平均仅能节省14%的成本 （即单任务生产率收益很 低 ） 16 。这种保守假设自然导致悲观结论。 

另一种逻辑思路则是将需求的内生性置入分析中。这些研究者认为，AI对经济增长的影响不仅取决于供应端 （对生产率的影响） ，也取决于需求端 （对消费者购买力的影响） 。假如AI带来生产率大幅提升、大量工作被AI自动化，原本流向劳动者的收入将会转移到AI相关的资本投资，导致劳动收入份额下降。因此，在生产能力持续扩张的同时，如果没有出台相应的收入再分配政策，失业率上升和劳动者收入下降会不断侵蚀消费者的购买力，企业营收和利润增长预期也会因消费需求萎缩而难以持续，投资创新和自动化的意愿将随之停滞，最终导致经济增长在需求约束下逐步放缓甚至停滞。 

例如，国际清算银行 （BIS） 在一项研究中构建了“需求瓶颈”的情景 17 ，每个被替代的劳动者同时也是消失的消费者。在此情景下，虽然短期内总产出上升，但从中长期来看，总产出增速可能因劳动收入份额下降、消费需求萎缩而放缓，甚至跌破历史趋势。阿西莫格鲁也在其前述论文中警告，当前AI主要被设计为替代劳动力而非增强劳动力，这种发展模式会形成“过度自动化陷阱”，导致劳动收入份额下降 18 。 

欧洲智库机构经济政策研究中心 （CEPR） 的研究 19 显示，如果没有及时有效的货币和财政政策干预，AI技术可能导致高生产率、高失业率、收入不平等加剧的现象，最终形成需求陷阱，制约经济可持续成长。这一机制本质上由总需求的“外部性” （externality） 导致，也就是说，单个企业为降本增效而采用AI是理性的，但所有企业都采用AI却有可能因失业率上升而损害总需求，拖累全行业的企业营收与利润，反过来再抑制投资需求。在这种情况下，实际经济增长率可能显著低于潜在增长率，甚至出现衰退。 

该论文基于美国数据校准，假设劳动收入份额由60%降至57%，AI提升潜在产出10%，其数值模拟结果显示，在“政策不响应”情景下，GDP与总消费水平将较基准水平下降约7%，投资也将因需求疲软而停滞不前 （图3） 。不过，若配合宽松货币政策与就业补贴等财政工具，则可降低企业劳动成本、提升劳动者收入，实现“AI繁荣”。该论文显示，如果缺乏收入再分配等宏观政策主动干预，劳动者收入的持续下降将导致总需求萎缩，从而在需求端形成AI对经济增长贡献的重要内生约束。 

图3. 需求外部性对经济增长的制约  来源：Fornaro and Wolf, “Macroeconomic Policies for AI”, CEPR Discussion Paper No. 21412. 2026. 

我们的判断

以上各派研究之所以结论迥异，主要源于他们对AI技术的进步速度、应用的深度与广度、推广速度、现实瓶颈、政策反应等影响因素的假设不同。我们认为，短期 （ 未来1-2 年） 内，AI会推动经济增长，但主要贡献可能来自“投资拉动”而非“生产率红利”；长期来看，AI的确有可能带来重大的生产力提升和经济繁荣；但中期来看 （3-5年） ，迈向长期繁荣的过程应该不会一帆风顺。 

短期影响

短期来看，AI的确会促进经济增长，但主要贡献可能来自“投资拉动”而非“生产率红利”。从过去2-3年的实际数据来看，AI资本开支已成为美国GDP增长的重要动力。2025年，美国AI相关投资 （信息处理设备与软件投资） 对GDP的贡献升至0.8个百分点，较2023年增加了0.7个百分点 （图4） 。预计在AI投资热潮推动下，短期内这一趋势仍将持续。 

图4. 美国AI相关投资对GDP的贡献 来源：美国经济分析局注：AI相关投资包括信息处理设备与软件投资，数据为四个季度平均贡献 

过去3年，美国的劳动生产率也显著回升，但这很难全部归因于AI。2023年一季度以来，美国非农劳动生产率年化增速为2.7%，明显高于2007-22年间约1.5%以及1948年以来的长期平均水平2.1% （图5） 。但生产率回升的原因可能部分来自疫情后劳动力市场的结构性变化以及总需求强劲增长带来的规模经济，难以明确归因为生成式AI的影响。 

微观企业层面的调查数据也显示，至少到目前为止，AI对生产率的提升还比较有限。英格兰银行与亚特兰大联储等机构联合对美、英、德、澳四国近6000位企业高管的调查显示 20 ，近90%的高管认为AI对企业过去三年的生产率没有实质影响。国际清算银行对2019-24年欧洲1.2万家企业的调查研究 21 发现，采用AI的企业劳动生产率比未采用企业高出4%，若按10%的技术扩散速度换算，其年化生产率贡献约0.4个百分点，与温和派估计大体一致。 

图5. 美国非农劳动生产率 来源：美国劳工统计局 

上述发现并不令人意外，这符合以往通用目的技术往往需要经历漫长扩散期的历史规律。斯坦福大学经济学家埃里克•布林约尔松 （Erik Brynjolfsson） 把这一现象总结为“生产率J曲线” 22 ，即新的通用目的技术在初期往往经历生产率先下降、后陡升的阶段。换句话说，AI带来的经济红利可能被大幅推迟。虽然长期来看，AI技术将带来重大的生产率提升，但至少在今后1-2年 （甚至3-5年） 内，该影响应该比较有限。 

尽管如此，鉴于对大模型的应用需求仍处于指数级成长阶段 （仅以OpenRout er 平 台为例，其平台上的周度token使用量在过去一年半时间里增长超过23倍） ，可以肯定地说，至少在今后1-2年内，AI相关产业链和基础设施领域的投资需求仍将持续增加。因此，短期内，对AI投资高增长的判断很难被证伪，对AI投资泡沫的担忧也很难被证实，AI对就业的影响也会相对有限，AI将是经济和金融市场繁荣的重要驱动力。 

中期影响

中期来看，未来3-5年，随着AI技术的快速进步及推广普及，AI会持续提升生产率、推高经济增长率。然而，正如温和派和悲观派所言，鉴于AI技术的推广普及有可能面临供需两端的瓶颈约束，其未来发展可能面临三条不同的路径。表面看来，这三条路径恰好对应前述的三派观点，但背后的演变逻辑并不完全相同 （图6） 。 

图6.AI对经济增长和生产率影响的三条路径 

分析的起点是对AI需求成长前景的判断（或者说是对未来AI应用的广度和深度的判断）。如果AI需求成长大幅低于预期，AI对经济增长和生产率的提升也将大幅低于预期，这条路径对应的是前述悲观派的观点。如果未来AI需求符合或超出预期，AI对经济增长的影响将取决于各种瓶颈约束或“短板效应”的强弱。如果瓶颈约束很多、很强、难以克服，AI对经济增长和生产率的提升将受到很大抑制，这种情景对应的也是悲观派（如阿西莫格鲁）的观点。如果瓶颈约束较多、较强，但也并非不可克服，AI对经济增长和生产率的提升会受到一定抑制，但影响会比较温和，这条路径对应的是主流温和派的观点。如果瓶颈约束较少、较弱，AI对经济增长和生产率的提升会非常明显，这条路径对应的是前述乐观派的观点。

需要指出的是，我们在分类中使用了乐观、温和、悲观等字眼，主要是出于AI对生产率的提升这一技术层面的考量。在现实中，这三条路径所对应的经济、金融与社会层面的反馈相当复杂，因此从社会福利角度而言，这种分类也许并不恰当。 

“乐观路径”：AI得到快速推广和普及

在这一路径中，未来3-5年，AI应用的广度和深度都符合或超出市场预期，在AI的技术研发、落地推广、上下游产业链都不存在明显的技术、物理、与制度瓶颈，AI发展几乎一马平川，AI对经济增长和生产率的提升达到甚至超过乐观派的预测 （表1） ，巨额的AI投资将实现可观的财务回报，金融市场一片繁荣，经济走向极度富裕 （super abundance） 。 

在此路径下，如果AI对就业的创造效应大于替代效应，人们担忧的大规模就业替代将不会出现，劳动者反而有可能获得更多就业机会，从而实现经济与社会的共同繁荣。不过，我们认为，在中期内更可能出现的情况是，AI对就业的替代效应大于创造效应。如果AI技术的推广应用一马平川，各行各业将很快实现自动化，一些行业可能会遭遇AI的“降维打击”而全军覆没，导致大量破产倒闭和裁员；即便在没有受到“降维打击”的行业，AI对劳动者的替代速度也很可能快于创造新工作的速度，造成失业率上升。如果没有及时推出相应的收入再分配政策，劳动者收入的持续萎缩将导致总需求萎缩 （即BIS构建的“需求瓶颈” 23 或CEPR所担忧的“需求陷阱” 24 情景） ，这不但有可能在某个时点成为上述逻辑推演的一个内生约束，甚至有可能引发更广泛的社会冲突。实际上，即便是“奇点论”的代表人物科里内克教授也将上述风险列为实现AGI之后可能面临的重大挑战之一 26 。因此，从社会意义上讲，很难说这是一条“乐观”路径。 

“温和路径”：AI技术发展与推广遭遇可克服瓶颈

在这一路径中，未来3-5年，AI应用的广度和深度大体符合或超出预期，但在AI的技术研发、落地推广、上下游产业链存在大量技术、物理与制度瓶颈。好消息是，这些瓶颈并非不可逾越，只是需要时间和增加投资来逐步消除。在这一过程中，AI投资对经济增长继续提供有力支撑，AI产业则在不断克服旧瓶颈、遭遇新瓶颈的过程中曲折前行。 

在此路径下，AI对经济增长和生产率的提升幅度相对温和，对不同行业的影响则有明显差异。在那些出现或存在供给瓶颈的行业 （如当前的GPU、CPU、存储芯片等） ，相关企业享有很强的定价权，其产品价格会因供应短缺而暴涨，推动盈利大幅增长、股价表现亮眼。而在那些经过多年投资、供给瓶颈已逐渐被消除的行业，相关产品价格将逐步下降，企业超额利润将逐渐缩小、直至消失，甚至出现亏损，相关股价也会随之调整，一些估值过高的股票难免出现暴跌。虽然金融市场的颠簸不可避免，但投资者在不断追逐新的瓶颈行业的过程中大浪淘沙、推陈出新，金融市场将呈现明显的 K型分化特征，投资者回报也将出现巨大差异。 

在这一路径中，虽然不会出现全面、快速、大规模的就业替代，但部分行业的就业替代仍有可能对经济与金融市场产生重大影响。即便只有10%的工作被AI取代，仍将提升失业率大约10个百分点。从历史经验来看，在失业率超过10%的情况下，即便不出现重大的社会矛盾，也很难想象宏观经济与金融市场仍能平稳运行。 

此外，随着旧瓶颈的解除与新瓶颈的诞生，有些瓶颈可能会引发社会矛盾。比如，如果大型数据中心对电力或水资源的巨大需求导致部分地区缺电、缺水，或导致电价、水价暴涨，都有可能引发区域性的社会矛盾和冲突。 

因此，从金融稳定和社会稳定的意义上讲，“温和”路径也不见得那么温和。 

“悲观路径”：AI需求不及预期或遭遇硬瓶颈

在这一路径中，未来3-5年，AI应用的广度和深度都低于预期，或者虽符合或超出预期，但面临很多、很强的瓶颈约束，严重阻碍AI技术的推广普及，大幅限制AI对经济增长和生产率的提升。 

对金融市场而言，鉴于当前的AI投资热潮已隐含了相当乐观的需求增长预期，一旦预期落空，金融市场的波动将在所难免。比如，OpenAI和Anthropic两家头部AI大模型企业的估值合计约1.8万亿美元，而其2026年最新年化营收分别仅为250亿 27 和470亿美元 27 。若最终现实更接近上述“悲观路径”，AI技术的商业化将不及预期，对AI投资的高回报预期很可能无法兑现，这势必触发估值调整和投资回撤，那些依赖高杠杆的企业将面临债务违约和破产倒闭的风险，并可能通过融资链条将风险传导至银行、保险公司、私募信贷基金等更广泛的金融领域，引发经济衰退甚至金融动荡。国际清算银行 （BIS） 在《2026年度经济报告》中指出，当前AI投资热潮的规模、速度、以及对生产率红利的乐观预期，与历史上的运河热、铁路热、电气化热潮、互联网泡沫高度相似，而这些热潮最终都以投资逆转、经济衰退收场。 

虽然金融市场的调整令人担忧，但在此“悲观路径”中，由于AI技术的普及率不及预期，AI对劳动力的替代作用也会比较有限。这意味着，AI技术不会导致大规模失业，劳动收入份额不会大幅度下降，社会和政府也就有了更多时间来适应AI带来的影响。因此，从社会福利的角度来衡量，这个“悲观路径”反而令人欣慰。 

结论

以上三条路径都有可能发生，但我们认为“温和路径”发生的概率最大。不管是哪条路径，没有一条是平坦大道。所谓“乐观路径”，从技术层面而言是乐观的，但如果收入再分配制度改革未能及时跟进，却可能扩大贫富差距，甚至引发社会冲突，导致社会意义上的悲观结果。而技术意义上的“悲观路径”却有可能维持更长久的社会稳定，对广大劳动者而言反而更为友好，也为社会适应提供了缓冲期。“温和路径”是个折衷路径，但也会带来局部性失业、经济与金融市场的K型分化与结构失衡，对部分劳动者群体和投资者而言也不见得那么温和。对此，决策者需通盘考虑，兼顾各方利益，密切监测事态发展，未雨绸缪，及早应对，以确保经济与社会的可持续发展。