1987年，諾貝爾經濟學獎得主、經濟學家羅伯特·索洛針對資訊時代發展停滯現象提出尖銳論斷：20世紀60年代，電晶體、微處理器、積體電路和儲存晶片相繼問世，經濟學家和企業原本預期這些新技術將顛覆工作場所，並實現生產率大幅躍升。然而現實卻恰恰相反，生產率增速持續放緩，從1948年至1973年的2.9%降至1973年之後的1.1%。諾貝爾經濟學獎得主、經濟學家羅伯特·索洛（Robert Solow）在資訊技術時代（20世紀80年代）發現生產率悖論。如今，經濟學家認為，這一悖論在人工智慧熱潮中再度顯現。圖片來源：Lior Mizrahi—Getty Images彼時，新興的電腦有時會產生過多資訊，生成內容繁瑣到令人頭疼的報告，列印出來的紙張堆積如山。這項本應大幅提升辦公效率的技術，在此後數年間反倒成了發展的拖累。正是基於索洛對這一現象的洞察，這一與預期相悖的結果，最終被命名為“索洛生產率悖論”。“電腦帶來的改變無處不在，但在生產率的資料統計上卻沒有體現。”索洛在1987年發表於《紐約時報書評》的一篇文章中寫道。如今，關於企業高管是否應用以及如何應用人工智慧的資料顯示，歷史正在重演。經濟學家和科技巨頭創始人曾就該技術對職場和經濟的影響做出類似承諾，而現實卻讓這些承諾變得更為複雜。《金融時報》針對2024年9月至2025年的資料分析顯示，標普500指數成份股企業中，有374家在財報電話會議中提及人工智慧，其中絕大多數都表示，人工智慧在公司內部的應用成效積極。但這些積極的應用案例，並未在整體生產率提升中得到印證。美國國家經濟研究局（National Bureau of Economic Research）2月發佈的一項研究發現，在參與各類商業前景調查、來自美國、英國、德國和澳大利亞的6000名首席執行長、首席財務官及其他高管中，絕大多數認為人工智慧對企業營運的影響微乎其微。儘管約三分之二的高管表示正在使用人工智慧，但每周使用時長僅約1.5小時，且有25%的受訪者稱在工作場所完全不使用人工智慧。研究指出，近90%的企業表示，過去三年人工智慧對就業或生產率未產生任何影響。然而，企業對人工智慧在工作場所和經濟領域的影響仍抱有極高預期：高管們預測，未來三年人工智慧將推動生產率提升1.4%，產出增加0.8%。儘管企業預計同期就業崗位將減少0.7%，但受訪員工卻認為就業崗位將增加0.5%。人工智慧真的能提升生產率嗎？2023年，麻省理工學院的研究人員聲稱，使用人工智慧的員工績效較未使用者可提升近40%。然而，最新資料未能印證這一預期中的生產率提升，這也讓經濟學家們開始質疑：企業在人工智慧領域的投資（2024年已飆升至超2500億美元）究竟何時、甚至能否獲得回報。阿波羅全球管理公司（Apollo）首席經濟學家托爾斯滕·斯洛克（Torsten Slok）在一篇博文中，援引了索洛近40年前的論斷：“人工智慧帶來的改變無處不在，但在最新發佈的宏觀經濟資料中卻沒有體現。如今，無論是在就業資料、生產率資料還是通膨資料中，都看不到人工智慧帶來的實質變化。”斯洛克補充道，除了美股“七巨頭”之外，“人工智慧在利潤率和盈利預期中也沒有體現”。斯洛克援引了大量關於人工智慧與生產率的學術研究，而這些研究對該技術的實際效用的結論卻相互矛盾。去年11月，聖路易斯聯準會在《生成式人工智慧應用現狀》報告中指出，自2022年底ChatGPT推出以來，美國超額生產率累計提升1.9%。然而，麻省理工學院2024年的一項研究卻顯示，未來十年，生產率增幅僅為0.5%。“我認為我們不應輕視未來十年0.5%的生產率增幅。這總比零增長要好，”該研究作者、諾貝爾經濟學獎得主達龍·阿西莫格魯（Daron Acemoglu）當時表示，“但與科技行業從業者和科技媒體所做出的承諾相比，這一結果實在令人失望。”其他最新研究也揭示了這一現象背後的原因。人力資源解決方案企業萬寶盛華（ManpowerGroup）發佈的《2026年全球人才晴雨表》顯示，在19個國家近1.4萬名受訪員工中，2025年經常使用人工智慧的員工比例上升了13%，但員工對該技術實用性的信心卻驟降18%，這表明員工對人工智慧仍存在疑慮。波士頓諮詢公司（Boston Consulting Group）的一項研究顯示，在某些情況下，人工智慧的應用甚至可能適得其反，引發“AI腦疲勞”。在一項針對1488名美國全職員工的調查中，受訪者表示，使用不超過3種人工智慧工具時，工作效率有所提升；但當使用的人工智慧工具不少於4種時，員工自評的工作效率大幅下滑。員工們稱，由於過度使用這類技術，他們感到頭腦昏沉，或是會犯更多低級失誤。IBM首席人力資源官尼克爾·拉莫羅（Nickle LaMoreaux）表示，今年這家科技巨頭將把年輕員工的招聘人數增加兩倍。這表明，儘管人工智慧能夠自動化處理部分基礎工作任務，但若大規模替代初級員工，未來將出現中層管理人才斷層，進而危及企業的管理人才梯隊建設。什麼能扭轉人工智慧的生產率模式？誠然，這種生產率模式並非不可逆轉。20世紀70年代和80年代的資訊技術熱潮，最終在20世紀90年代至21世紀初帶來生產率的大幅躍升，其中1995年至2005年間，生產率增速在經曆數十年低迷後提升1.5%。經濟學家、史丹佛大學數字經濟實驗室主任埃瑞克·布林約爾弗森（Erik Brynjolfsson）在《金融時報》的一篇評論文章中指出，這一趨勢或已開始逆轉。他觀察到，儘管上周的就業報告將新增就業人數下調至僅18.1萬，但第四季度GDP增速仍達到3.7%，這表明生產率正大幅提升。根據其分析，去年美國生產率躍升2.7%，他將此歸因於行業從人工智慧投資期向技術紅利收穫期過渡。前太平洋投資管理公司（Pimco）首席執行長兼經濟學家穆罕默德·埃爾-埃裡安（Mohamed El-Erian）也指出，就業增長與GDP增長持續脫鉤（部分源於人工智慧的持續應用），這與20世紀90年代辦公自動化推廣時期的情形頗為相似。部分生產率提升或許就在眼前，只是尚未被察覺。史丹佛經濟政策研究所牽頭的一項研究，通過分析20萬戶美國家庭的網路瀏覽資料發現，生成式人工智慧將求職、旅行規劃或購物等線上任務的處理效率提升了76%至176%。然而，研究人員發現，使用者借助人工智慧從日常瑣事中省出的時間，大多用來和朋友聚會、看電視，而非投入到工作或新技能學習中。斯洛克認為，人工智慧對未來的影響可能呈現“J型曲線”特徵：初期績效和產出增長緩慢，隨後將迎來指數級增長。他表示，人工智慧能否實現這一生產率躍升路徑，取決於其創造的價值。迄今為止，人工智慧的發展路徑已與早年的資訊技術產業截然不同。斯洛克指出，20世紀80年代，資訊技術領域的創新企業，在競爭對手開發出同類產品之前，始終擁有壟斷定價權。如今，大型語言模型企業之間“競爭激烈”，價格持續被壓低，人工智慧工具已變得觸手可及。因此，斯洛克提出，人工智慧未來能否真正推動生產率提升，取決於企業是否願意利用這項技術，並持續將其融入業務場景中。斯洛克表示：“換言之，從宏觀角度看，價值創造的核心並非產品本身，而是生成式人工智慧如何在經濟各行業中真正實現應用與落地。”   （財富中文網）

最近這段時間，“token工廠”一詞在科技圈有點火。事情的起因是，在不久前舉辦的美國輝達公司年度GTC大會（GPU技術大會）上，輝達創始人兼首席執行長黃仁勳表示，當前的行業競爭已從大模型時代發展到token產能時代，“未來的資料中心不再是儲存檔案的倉庫，而是生產token的‘工廠’”。對相關企業來說，“計算能力等同於收入”。“token工廠”是什麼？科技圈這是又在玩什麼新“黑話”？要瞭解“token工廠”，首先得明白什麼是token。簡單來說，token是人工智慧（AI）世界裡最小的語義單元，也即模型處理和生成資訊的基本單位。它可以是一個詞、一段程式碼，也可以是圖像或視訊中的一個像素區塊。3月22日，在北京舉行的“騰訊雲社區龍蝦公開課”活動上，參與者體驗使用騰訊AI智能體工具Workbuddy。鞠煥宗攝（新華社）和許多人想像的不同，AI其實既不識字，也聽不懂人話。每當它需要理解人類的意圖，需要先把資訊切割成token，再生成它自己可以理解的數字資訊，處理完成後再反向執行這一流程，合成人類能夠理解的資訊表達出來。不嚴謹地說，token有點像動畫電影《神偷奶爸》流水線上的“小黃人”，觀眾雖然弄不清每一隻小黃人具體在做什麼，但卻明確地知道，當一群小黃人聚在一起，奇蹟就會發生。理解token之後，就可以嘗試理解“詞元”了。在不久前舉辦的中國發展高層論壇2026年年會上，中國國家資料局局長劉烈宏明確將Token稱為“詞元”，並將它定義為“結算單位”。對此，多位業內專家表示，這意味著，中國AI正在從能力佈局邁向能力結算，從模型好不好，轉向智能服務如何計量、如何定價、如何交易。一個譯名為什麼會引起業界如此高的關注？答案可以從兩個方面拆解。第一，觀測層面。資料顯示，2024年初，中國日均詞元呼叫量為1000億；到2025年底，躍升至100兆；到2026年3月，已突破140兆，兩年增長超過1000倍。日均超140兆的詞元呼叫量，相當於1000兆個中文詞彙，相當於250個中國國家圖書館的資源量。同時，中國AI大模型周呼叫量已連續多周領跑全球，且國產詞元價格僅為海外同類產品的十幾分之一。兩組資料說明，詞元不再只是技術術語，而成為AI商業化速度、應用深度和產業景氣度的重要觀測指標。圖源：千圖網第二，計費層面。詞元作為最小的語義單元，天然就具備量化計算的屬性。它就像工業時代的電、網際網路時代的流量一樣，是AI時代核算成本的新度量衡。過去，很多企業採購軟體，買的是許可證、帳號數和部署周期；如今，越來越多企業開始按照可呼叫、可核算、可復盤的智能服務量計費。這種標準化、精細化的結算方式，將使得AI服務的商業化路徑變得清晰。因此，真正值得重視的，不只是“詞元”這個譯名，更是一個新的計量系統。正如賽迪研究院人工智慧研究中心副研究員鐘新龍在其署名文章中所言，詞元一詞的誕生意味著，“人工智慧開始被納入更成熟的經濟敘事”。搞清楚token和詞元之後，“token工廠”也就不難理解了。如果我們將詞元比作數字經濟時代的“硬通貨”，那麼在既定的電力和空間資源約束下，資料中心拼的是產出詞元的速度、質量和成本，每瓦特電力帶來的詞元吞吐量將替代傳統的伺服器數量、儲存容量，成為決定資料中心競爭力的核心指標。從這個意義上講，資料中心的角色正在發生根本性轉變。傳統意義上的資料中心主要用於資料的靜態儲存和網路交換，可以被簡單視作“電子倉庫”；如今隨著AI智能體的發展，資料中心正全面轉變為持續吞吐海量資料並輸出智能內容的“電子工廠”。本質上說，資料中心已經變成了一條“智能生產線”：輸入的是電力、資料、模型和調度系統，輸出的則是AI智能體的執行能力和行業場景中的實際生產率。圖源：千圖網至此，真正值得關注的關鍵詞“實際生產率”出現了。根據AI的“工作流程”，人類說出一句話之後，模型要先把文字切分成詞元，再把詞元對應成編號，隨後才能完成關聯、推斷和生成。由於切分規則不同，相同的資訊會被不同的模型拆解為不同數量的詞元，相應的，模型處理問題的速度、效率甚至結果也不會完全相同。因此，詞元消耗量與模型智能程度並不能完全畫等號，真正決定結果的，仍然是模型演算法、資料質量、任務設計和提示組織方式。換言之，未來的“token工廠”，比拚的並不只是詞元呼叫能力，而是詞元呼叫與使用的綜合能力，這才是“token工廠”真實的競爭力。 (經濟日報)

1. AI boost to economic growth（AI推動經濟增長）生成式AI對中國經濟的核心拉動體現在勞動生產率的實質性提升，且帶來的經濟價值具備明確的量化支撐，未被當前股價充分反映。- 十年維度看，生成式AI將為中國勞動生產率帶來累計8%的提升，對應1.6兆美元的當期經濟增值（美國為累計15%、4.5兆美元），中國企業AI相關勞動生產率年均提升0.8個百分點。- 綜合AI帶來的效率提升和新商業機會，高盛測算中國AI相關經濟收益的現值達6-7兆美元；按50%資本份額、15%加權平均資本成本的假設進行折現，其中3兆美元現值將成為中國企業的資本收入，若AI帶來的勞動力替代效應加劇，資本份額或勞動生產率提升超預期，該數值仍有上行空間。- 從市值匹配度看，DeepSeek時刻後中國AI股市值的增長，與AI推動經濟增長帶來的潛在價值相比表現溫和，未出現價格遠超價值的泡沫特徵。2. New revenue opportunities generated by AI（AI創造新的收入機會）AI為中國企業打開了全新的市場空間，覆蓋21個AI相關行業的全球市場規模具備長期增長潛力，且中國企業能從中獲得的盈利現值具備紮實測算基礎，當前估值未反映該增量。- 高盛行業團隊測算，21個AI導向型行業2035年全球總可觸達市場（TAM）將達16兆美元；考慮到中國在全球AI版圖中的比較優勢，假設中國企業佔全球TAM的30%（高於中國GDP約20%的全球佔比），其可觸達的市場規模具備顯著優勢。- 按中國AI科技企業15%的淨利率（非AI企業為10%、美國科技企業為25%）、10%的股權資本成本現值折現測算，中國企業從AI新收入機會中獲得的潛在盈利現值約2.4兆美元。- 該測算仍屬保守參考，因21個AI相關行業並未涵蓋AI技術可能滲透的所有領域，未來隨著AI應用場景拓展，盈利現值測算存在向上修正的空間。3. Potential corporate earnings uplift from AI（AI推動企業盈利提升）AI通過成本節約/效率提升、新市場機會兩大路徑，為中國企業帶來持續的盈利增量，A股上市企業的盈利增值現值明確，且AI類股盈利增速顯著優於非AI類股，市值未反映該盈利增長潛力。- 未來十年，AI的廣泛應用將通過勞動力成本降低等成本節約/提效方式（貢獻2%）、中國超大規模企業AI資本開支帶來的供應鏈盈利傳導等新市場機會（貢獻1%），推動中國企業年盈利提升3個百分點；若考慮AI與非AI企業的增長差異，AI類股對全市場上市企業的增量利潤貢獻達6個百分點。- 按10%的股權成本測算，A股上市企業由AI帶來的盈利增值現值達8000億美元，該數值雖會隨AI落地和技術顛覆程度出現上下修正，但為企業盈利增長提供了明確的量化支撐。- 盈利增速層面，中國AI企業未來十年的盈利復合增速達15%，非AI企業為10%，十年間AI企業盈利增長將遠超非AI企業140個百分點；AI類股盈利在全市場上市企業中的佔比，將從當前的37%升至2030年的超40%、2035年的47%，盈利端的核心增長優勢未被當前估值充分定價。 (海外君)總結：

1月28日，英國首相斯塔默一行抵達北京，正式開啟為期4天的訪華行程。英國學者在接受鳳凰衛視採訪時表示在當前國際環境下，對中國“說不”的機會成本，英國可能已難以承受。英國倫敦國王學院中國研究所主任凱瑞·布朗指出，從存量看，中國在英國的投資規模並不大，僅佔英國外資存量的約0.2%。但這一數字並不能反映問題的核心。“真正重要的是趨勢，以及中國在全球經濟中的結構性地位。”布朗表示，中國佔全球GDP約五分之一，去年仍實現約5%的經濟增長，對任何主要經濟體而言，都是無法忽視的合作對象。這一判斷與英國自身的現實困境密切相關。布朗坦言，英國當前面臨生產率長期低迷、經濟增長乏力等結構性問題。在這種背景下，若在缺乏替代方案的情況下主動排除中國，代價極高。與此同時，英國與歐洲的關係雖在改善，但進展緩慢；與美國的關係在安全領域依然關鍵，但在經貿和政治層面正變得“越來越難以處理”。在具體合作方向上，技術被認為是中英關係最現實、也最具操作性的突破口。布朗直接將中國稱為“技術超級大國”，強調其龐大的研發能力和科研投入。資料顯示，中國已成為英國第二大科研合作夥伴，雙方在共同發表科研論文方面基礎穩固。更值得注意的是，在氣候變化、人工智慧治理、公共衛生和可持續發展等全球性議題上，中英雙方被認為“共識多於分歧”。布朗認為，這為雙方提供了一個“先做事、少表態”的合作空間。對於中英關係的未來，他並未使用“新黃金時代”等宏大表述，而是將其形容為“新段落”。“不是章節的轉換，而是回到一種傳統、務實的位置——在可以合作的領域，與中國繼續合作。”布朗如是說。 (鳳凰歐洲)

近兩年來，關於 AI 經濟學最引人注目的論戰，實際上是一場關於“速度”的博弈。關於AI泡沫的討論，最終都會還原到，「AI 多久會反映到 GDP/生產率上」這個問題上。（TFP）的增長貢獻可能僅為微不足道的 0.07% 到 1%。他的判斷主要立足於 AI 只能自動化很少一部分人類任務，且很難在短時間內大幅降低成本。諾貝爾經濟學獎得主 Daron Acemoglu 在 2024 年拋出了一盆冷水。他通過對當時 AI 能力（主要是 GPT-3.5 時代）的實證觀察，計算出 AI 對未來十年全要素生產率但在Agent全面接管工作流、推理模型層出不窮的當下，Acemoglu基於Chat時代的觀察顯得有點落伍了。在他的論點之外，轉折派、奇點飛昇派等多個流派對AI、對GDP年增長的影響預測從0.07%到10%，分佈在極其廣闊的光譜上。成功落地，以及能夠自我迭代的AI進入研發流程，意味著完全不同的增長軌跡。這些預期差距很大程度上源於他們對AI技術本身發展速度的理解差別。AI發展停滯、Agentic AI而史丹佛大學商學院經濟學家 Charles I. Jones 在 2026 年 1 月發佈的最新論文《人工智慧與我們的經濟未來》（A.I. and Our Economic Future），為這場爭論引入了一個超越具體技術參數的宏觀框架。Jones沒有糾結於模型能力的範圍，而是通過數學化的生產函數模型模擬了AI在不同場景下的可能。他認為，AI 確實擁有引爆經濟的潛力，但這個引爆過程將被經濟系統中的「薄弱環節」無情地拉長。和過往的電氣、網際網路革命一樣，這很可能也將是一個被馴服的奇點時代。01AI對經濟影響的三種敘事關於 AI 將在多大程度上提升長期 GDP 增長率，學術界目前分裂為三種截然不同的敘事。分歧不僅源於對技術能力的判斷不同，也源於他們看待經濟機器運轉方式的根本差異。漸進主義視角：任務模型的摩擦 (Acemoglu)（Hulten’s Theorem）作為依據進行論證。Daron Acemoglu 是這一流派的代表。在 2024-2025 年的系列研究中，他主要通過霍爾頓定理霍爾頓定理的推導邏輯非常直接：AI 對總生產力的貢獻，大約等於「受 AI 影響的 GDP 份額」X「這些任務的成本節約率」。根據Acemoglu的測算，即便假設 AI 能影響 20% 的任務並帶來 25% 的成本降低，其在未來十年內對 TFP （全要素生產率）的累計提升僅為 0.71%，折合年均增長不到 0.1 個百分點 。但是，Acemoglu的測算在方法論上存在根本性缺陷。他用了一個為衡量漸進式技術改進設計的工具，即霍爾頓定律，去預測一個可能改變經濟結構本身的通用目的技術。如果1900年有人用霍爾頓定理計算電力影響，其結論可能是電力只能替代20%的蒸汽機任務，成本節約30%，影響有限。但電帶來的最核心改變是，工廠無需再圍繞中央蒸汽機佈局、因此其生產限度和範圍都大幅擴展；而在微型化後，整個家用電器產業從零誕生。這些結構性變化不在替代舊技術的框架裡。然而，Acemoglu 確實敏銳的發現了一些很敏銳的現象。他注意到，當時AI的成果，比如寫程式碼的速度提升55%，職場寫作效率提高40%這類，都發生在他所謂的「易學任務」光譜裡。這些任務有兩個特點，依賴性，它們都有明確的對錯標準；二來，網際網路上有對此海量的訓練資料。但其實經濟活動裡大部分區域都沒這麼理想。比如一個醫生診斷罕見病，一個律師在複雜案件中尋找突破口，一個建築師在地形限制下設計方案，這些「難學任務」就沒有明確的答案，而且必鬚根據語境做判斷，而AI在這些領域的進步將極其緩慢。而且因為缺乏客觀的評判標準，AI只能從人類的平均表現中學習，這可能最終導致它們永遠無法超越人類專家。這一批評，在推理模型、RLVR，乃至Agent盛行的今天，甚至依然成立。爆發論視角：自我進化的AI在光譜的另一端，是耶魯大學的William Nordhaus和研究機構Epoch AI代表了這一陣營。他們不只把AI看作Acemoglu眼中那種提效工具，而是看作一種全新的生產要素，一種可以無限複製的「數字勞動力」。他們假設的基礎是AGI確實會到來。在這一假設之下，AI能在幾乎所有認知任務上替代人類，那麼傳統經濟模型中「勞動力受人口增長限制」這一鐵律就會被打破。經濟增長將不再被人口瓶頸所束縛，而只取決於我們能以多快的速度生產算力。，他們認為傳統索洛模型中「勞動」和「資本」互補的假設將失效。如果 AI 技術發展到足以在絕大多數認知任務中完全替代人類，經濟增長將僅受限於資本（算力）的積累，而不再受制於人口增長的停滯，長期增長率顯著上移。這一派別採用了內生增長模型他們預測，如果AI能夠自動化科研過程（設計更好的晶片、發現新材料、最佳化演算法），就會形成一個正反饋循環，更強的AI →更好的硬體/演算法 → 更強的AI。根據 Epoch AI 的預測，如果這一循環打通，全球GDP的年增長率可能在2030年代突破10%，甚至達到30%的爆發性水平。的再現融合視角：J型曲線與索洛悖論然而，目前的實證資料似乎更支援Erik Brynjolfsson 提出的「生產力 J 型曲線」解釋。該理論認為，通用目的技術（比如GPT）在引入初期，往往會導致生產力增長放緩甚至下降。這是因為企業需要進行大量的無形資產投資，這包括去重組業務流程、重新培訓員工、開發配套軟體。這些投入在短期內被計為巨額成本，而收益卻滯後顯現。2025年的調查資料也佐證了他的想法。儘管 GenAI 的個人使用率已極高，但許多企業正處於試點煉獄（Pilot Purgatory）之中，投了很多錢，但沒看到什麼規模化回報。這種現象完美復刻了羅伯特·索洛在 1987 年的名言：“到處都能看到電腦，除了在生產力統計資料裡” 。緩慢的爆炸，被馴服的奇點Charles Jones的新論文，其實站在了一個統合者的角色上，去看待上面提到的所有三種路徑。他既不否認AI擁有無限自我進化的革命性潛力，也不否認組織變革之類拖後腿的因素。他把這些因素都塞進了一個理論中去融合，即「薄弱環節」理論，或者說是經濟發展中的木桶效應。現實經濟中，絕大多數任務是互補的，是一個由無數相互依賴的環節組成的複雜系統。比如藥物研發，就包含靶點驗證、毒理、臨床試驗、監管批准，任何一環都無法用其他部分替代。工程交付，則包含設計、供應鏈、施工、驗收、許可，某一步過不了整體交付不了。現代社會之所以有如此多的分工，正是因為為了保證安全和質量、完成一件足夠複雜的工作，是需要很多不可替代的環節的。而在這樣一個系統中，最慢的環節決定了整體的速度，Jones就把它稱為「薄弱環節」。在論文裡，Jones自己用了一個比喻去解釋這套理論。準備一頓晚餐的過程由兩個步驟組成：想菜譜和做菜。現在AI來了，它超好用，能在瞬間生成一份完美的菜譜，考慮到營養搭配、時令食材、你的飲食偏好。因此在「想菜譜」這個環節，生產力直接可能飆升一萬倍。但真想讓它上桌，廚師仍然需要花一個小時切菜、炒菜、擺盤。AI讓你在菜譜上省了十分鐘，但整個流程的瓶頸，即實際的烹飪過程並沒有改變。結果是，就算AI無敵了，你也只是把做飯時間從70分鐘縮短到了60分鐘，提升有，但似乎談不上「革命」這麼誇張。當生產環節之間是高度互補時，總產出並不取決於那個最強的環節（AI），而是被鎖死在那個最弱的環節（人類/物理世界）上 。只要這個薄弱環節存在，就算自動化再完善，最終總產出都由最弱環節的完成時間、成本所限制。而在可見的未來中，這個薄弱環節都會存在。首先是AI自身能力還需要提升，目前它缺乏長程任務的處理能力，也缺乏創新能力，更缺乏進入物理世界的具身能力。就算這些技術卡點都解除了，算力、機房、電力也需要現即時間去搭建；組織本身的變革肯定要慢於技術的進展，薄弱環節就會移動至此。而當組織，可能都被AI重新劃定好後，那些涉及倫理、信任、最終決策權、以及人類純粹偏好的「不可替代環節」，又將成為扼住經濟咽喉的那個「絕對薄弱環節」。這些過程，即使Epoch AI預測的超進化發生，也無法被磨平。至少在人類同意將一切決策權交由AI之前，都不可能發生。卡到什麼程度呢？Jones給出了另一個公式。在一個替代彈性為一半，也就是說各項任務都相互依賴的世界裡，如果你把一類任務自動化到「無限供給」，而這類任務在原本經濟中佔 GDP 的成本份額為 s，那麼總產出的比例增益大約是：增益=1 / 1-s這個公式可以這麼理解，把某類任務壓到幾乎免費，帶來的最大效果，本質上就是把生產 1 單位最終產出的總成本裡，那一塊原本屬於它的成本拿掉。如果它原來佔總成本的份額是 s，那剩下的其它必要任務就佔 1−s。在這個強互補設定裡，其它任務那部分成本是你無論如何都躲不開的。在同樣資源/同樣預算下，你能買到的最終產出與單位成本成反比。單位成本從 100% 降到 1−s，產出能力就最多放大到原來的 1/(1−s)。而GDP佔比可以看成衡量一種經濟部門在總價值與總支付中的權重，也可以近似視作成本。比如，軟體開發行業大約佔美國GDP的2%。假設AI現在可以寫出所有的程式碼，讓軟體開發的生產率達到無窮大。即便如此，這項突破會讓GDP變成1 / （1-0.02），也就是大概102%，也就是帶來約2%的增加。聽起來很扯，但這確實是事實。因為拆解開來，美國的GDP大頭，基本上都完全無法用程式設計替代，都涉及到物理勞動、土地等「絕對薄弱環節」。因此，在這個任務無法互相替代的框架中，經濟在微觀上，很多環節效率暴漲（寫程式碼、寫文案、做分析、做客服……）；但宏觀上產出提升依然被少數硬環節卡住（許可、責任簽字、物理建設周期、供應鏈、信任與安全、資料生成等）。結果就是，增長不是瞬間起飛，而是拆一個瓶頸、瓶頸遷移到下一個，呈現緩慢加速。而且，A.I. 把某些任務變便宜後，支出份額 s 未必上升，甚至可能下降。GDP可能會更集中在卡脖子的環節之上。基於這個框架，Jones重新計算了AI的經濟影響。他的結論介於Acemoglu的極度悲觀和奇點論者的極度樂觀之間。AI確實會驅動經濟增長加速，年增長率最終可能突破5%的歷史高位。但這不會是一夜之間的飛躍，而是一個跨越三四十年的漸進過程。在頭十年，我們可能只會看到約0.5-1%的累計TFP增長，勉強高於Acemoglu的預測。換句話說，奇點依然存在，但它被經濟結構的韌性馴服了。爆炸會發生，但引線很長。03加速的可能如果說 Acemoglu 的理論是基於靜態的觀察，那麼 Jones 的理論則更好的描繪了系統的結構性阻力。他是一種極限實驗，在其中假設把某類任務做到近乎無限便宜/無限供給，問總產出最多能被抬高多少。本質上是一個偏結構約束的視角。這種結構約束就是任務間的不可替代性。但這會是一成不變的嗎？Jones 在論文中暗示，技術確實會重構經濟形式。也就是說，在上面公式中，任務間無法互相替代這件事兒，可能會因技術的變化而變化。那麼現實的發展速度就有可能比他的基礎預測更快。根據不同技術情景對任務替代的不同影響，他一共設想了三種可能的重構方式。第一個是改變生產函數本身。當一項新技術足夠強大時，我們往往會重新設計整個流程，用新的範式替代舊的瓶頸。比如當下一些行業的分工，像法律裡，有起草合同、稽核檔案、法庭辯護這些環節高度互補，缺一不可。但如果AI不僅能起草合同，還能直接與另一個AI代理基於智能合約達成協議，中間的許多人工稽核環節就可能被徹底繞過。這不是在原有流程上做最佳化，而是創造一個全新的、更少瓶頸的流程。一些原先的硬序列鏈條被改造成可以多開工、多條線並跑的結構。這種範式轉換會改變不可替代性的大小。如果經濟活動重組後，任務之間從強互補變為弱互補甚至可替代，那麼單純堆疊算力就能帶來指數級的產出增長。於是宏觀增長會更明顯加速，但仍可能受到物理與制度約束，不一定立刻指數爆炸。依然是一個隨著組織和滲透漸進的過程，但速度會大為增加。理論上講，這一改變是非常可能的，因為我們現在的勞動分工和流程化，在很大程度上都是為了人類本身的限制而設立的。如果對於一個能力高超的AI來講，設計一棟複雜建築的難度和原始人設計木屋的難度一樣，它完全可以邊設計邊建造，而無須拆分流程。第二種改變方法，是份額的內生增長。公式 1/(1-s)假設可自動化任務的份額s是固定的。但歷史告訴我們，當某種投入變得極其便宜時，我們會在所有可能的地方使用它。比如在電力剛出現時，它只是用來照明和驅動少數機器。但隨著電價下降，電力滲透到了經濟的每一個角落：製冷、通訊、交通、娛樂、醫療。類似地，如果AI推理的成本降到接近零，我們會在今天想都不敢想的地方嵌入智能，比如建築材料會自己監測結構安全，農作物會即時最佳化光合作用效率，甚至一片樹葉都可能成為一個微型計算節點。在這個環境下，企業開始加強AI的滲透，替代一部分原來必須由人/組織協調完成的任務，在一定程度上取消某些環節。總體看，AI的用量擴張和任務邊界擴張（把原本不屬於AI的任務重新劃給AI）會減少在各個層級上的「薄弱環節」，把它們同樣自動化。因此 s 並不是僅僅限制在「程式設計」本身的GDP佔比上，而是滲透性更強，幅度更大。對GDP增長的影響也更顯著。這基本上是目前完全可見的一種潛在未來場景。這種擴張不會在一夜之間發生，但也不會像Jones的基準預測那樣緩慢。第三個則是直接通過解決「基礎薄弱環節」，帶來跨越式增長。其實在Jones公式裡，最大的「薄弱環節」並非演算法，而是能源、材料、人力這些物理障礙。AI科學家不能直接建造核聚變反應堆，不能親手合成新材料，也不能獨自組裝iPhone。但這恰恰是AI可能產生最大槓桿效應的地方。Jones在論文中描繪了一個很接近Epoch AI提出「飛輪」場景：AI 科學家可以設計更好的機器人，機器人進行實驗產生資料，實驗資料則用來訓練更強的 AI。在這個過程中，一旦在AI的自我進化式研究的過程中，解決了核聚變（無限能源）和通用人形機器人（無限物理勞力）的問題，那麼原本佔比最大「薄弱環節」和瓶頸都會消失，進入到自動化循環中。這就會是真正的經濟奇點到來的前夜。而在當下，進化性模型正是最火熱的前沿領域，AlphaEvolve帶來的曙光初現。這個場景變得越來越可能。在這三種Scenario之下，我們可以看到相對於Epoch AI和Acemoglu，Charles I. Jones 的研究框架完全可以包容前三者的所有假設。在當下高度互補的經濟系統中，AI 的局部無限能力會被那些尚未被自動化的「硬骨頭」（如物理瓶頸、法律倫理、人類情感）所稀釋。這就是為什麼即便技術在飛速迭代，宏觀經濟變化卻相對緩慢，因為價值會迅速從智能環節逃逸，被死死鎖在那些依然昂貴且稀缺的短板上。而隨著AI的持續發展滲透，打補丁式的替代將轉向徹底的重構。自動化份額逐步擴大，很多生產流程將完成從人機互補到端到端的完全替代。更遠處，利用「AI 科學家+機器人」的飛輪攻克能源與製造等物理底座，則會撬動幾乎所有「薄弱環節」。一旦我們成功擰動這些關鍵的「生產環節替代性」的調節旋鈕，一步步消除系統中擁有一票否決權的短板，經濟增長便能突破引力束縛，從線性的摩擦走向真正的指數級躍升。當然，這些旋鈕中，可能最先被擰動，是你我這樣的人。04人的新位置那麼，在這樣一個由「薄弱環節」定義的未來裡，人類的位置在那裡？從這個圖景看，答案其實很簡單，即人會不斷向瓶頸處遷移。在過去，掌握大量知識是高薪的保障。但在 AI 時代，這些成為了最先被無限化的廉價資源。人類的技能必須向那些 AI 尚未攻克的薄弱環節轉移。而當下尚能看到的瓶頸在那裡？首先是物理世界的最後且最難的一公里。尤其是那些非標準化的、需要靈巧操作和複雜判斷的物理工作。照顧老人、修繕古建築、緊急情況下的複雜救援。在這些場景中，只要機器人還沒有達到人類的靈巧度，工作的薪資反而會因為「薄弱環節」理論而水漲船高。這在現實中其實完全有映照。最近，在美國修築算力中心的藍領工人工資就在大幅提升。其次，是監管與信任的能力。 在一個充滿了 AI 生成內容的世界裡，驗證變得比生成昂貴得多。法律責任的界定、倫理的審查、人際間的信任背書，這些是 AI 難以通過算力解決的硬骨頭。這些問題基本沒有技術解決方案，只有社會和制度的解決方案。律師、審計師、倫理顧問的工作重心會從做轉向驗證和擔保。最終，是定義意義的能力。 當 AI 能解決所有如何做（How）的問題時，價值就集中到了做什麼（What）和為什麼做（Why）上。能夠發現需要AI 解決的問題；能夠制定一個城市的規劃願景、一個社會的價值排序；能夠定義人類應該有的生活，確認出可能不適合所有人，但適合一部分人的意義；這些工作，是缺乏生命史和生物本能的AI本身永遠也無法去取代的。直到我們達到「後豐裕時代」，把相當豐富的決定權都交予的AI的圖景。ones 在論文的結尾沒有談論大規模失業的恐慌，而是談到了「退休」和「夏令營」。在傳統的經濟模型中，人類文明的絕大部分時間，都活在不工作就會死的重壓之下。即使在現代社會，這個恐懼只是被包裝得更精緻：不工作就付不起房租，看不起病，養不起孩子，失去社會身份和尊嚴。我們把它叫做"職業發展"、"自我實現"、"社會貢獻"，但底層邏輯從未改變，工作是生存的代價。這種恐懼塑造了人類文明的幾乎所有結構。教育系統，本質上是勞動力培訓營，從幼兒園開始就在為將來有用做準備；時間分配，清醒時間的一半以上用於生產勞動或為生產做準備。身份認同，你是做什麼的？成為認識一個人的第一個問題 。更深層的是，生存恐懼塑造了我們對人性本身的理解。我們把理性定義為效用最大化，把成功定義為資源積累，把價值定義為市場定價。人被簡化為經濟人、生產要素、人力資本。而當後豐裕時代來臨時，人類會退守到那裡？標準答案通常是，AI無法替代的高級工作，創造力、同理心、領導力。但這仍然是生存恐懼的框架，仍然在問「我能提供什麼有用的東西」。真正的新高地，可能根本不在有用的維度上。這聽起來像是一個烏托邦式的幻想，但它符合「薄弱環節」理論的最終推演：當所有的生存需求都變成「容易環節」被解決後，人類唯一剩下的「薄弱環節」，就是如何定義我們存在的意義，以及如何度過這漫長而由自己主宰的一生。這場由 AI 引發的經濟變革，或許不會像原子彈爆炸那樣瞬間摧毀舊世界，而更像是一場持續數十年的氣候變遷。水位會慢慢上漲，舊的大陸（傳統認知工作）會慢慢淹沒。在這之前，我們都將不得不搬遷到新的高地，那些 AI 無法觸及的、屬於人類本質的薄弱環節之上。回歸生存恐懼之外的人性。那不是人類的終點，而是人類的起點。 (騰訊科技)

對於美國經濟，我們不能只去感慨“GDP增速居然高達約3%”，相反需要停下腳步探究“為什麼那麼好”。 先前在接受採訪時，我就指出了一件重要的事情——生產率提升。美國生產率的替身很驚豔，過去兩年勞動生產率平均成長2.3%，比疫情前四年的成長快了約0.5個百分點。雖然看起來差距不大，但實際上可以將美國實際GDP翻倍所需的時間縮短近10年。 美國勞動人員生產力 美國的生產率在全球都非常優秀。根據Joseph Politano對生產率分析，其他同類國家將達不到美國的這種成長。

從中期來看，生產率增長放緩、高債務水平和人口老齡化將拖累中國GDP增長。預計2025-26年GDP增速將放緩至平均4.1%。造成增長下降的因素包括生產率增長放緩、投資效率下降以及公共和私人債務增加（2024年3月，非金融部門債務達到中國生產總值的309%）。隨著老年人口撫養比不斷上升和生育率持續下降，來自人口結構的逆風將會加劇，進一步削弱潛在增長率（詳情參見本期簡報的專題章節）。 減貧步伐——按世界銀行中等偏高收入國家每人每天6.85美元（2017年購買力平價）貧困線標準評定——在2023年加快，但隨後幾年將會放緩。按照中國的貧困標準，即每人每天2.3美元（2017年購買力平價），中國已基本消除了農村極端貧困，但2023年估計還有17%的人口（2.43億人）消費水平低於每人每天6.85美元（2017年購買力平價）——即世界銀行跨國比較進展時作為參考的較高生活標準（圖10A）。按照這一較高標準，2023年有3000萬人脫貧，高於2022年的2100萬人（圖10B）。減貧步伐在這一更高標準下預計將放緩至2024年的2800萬人，2025和2026年的2200萬人，這很大程度上是因為這些年經濟增速預計將放緩。 風險 中國增長前景存在的上行和下行風險大致平衡。就上行風險而言，如果加大現有措施的力度並且有效地實施這些措施，配合果斷的政策行動促進房地產業重組，可能有助於恢復居民信心，並比預期更早地穩定房地產業。由中央提供資金的超預期財政支出有可能推動公共投資超過基準預期。如果結構性改革——特別是私營部門的結構性改革——取得進一步實質性進展，將提振投資者情緒，促進生產率增長，提高潛在增長率（見下文）。就下行風險而言，如果房地產業的復甦進一步推遲到2024年以後，可能會拖累投資，並給開發商、其債權人和供應商帶來巨大的財務壓力。房地產業的財務壓力可能會蔓延到更廣泛的金融領域。這會進一步擠壓地方政府的收入，抑制公共投資。房價下跌的時間超過預期，會對家庭產生負面財富效應，再加上勞動力市場不如預期，可能會導致信心和支出更加持續疲軟。