起源：美俄元首为何接连访华作者： 许台白：

GDP失灵、索洛悖论与AI的出产率迷局

1987年，诺贝尔经济学奖得主罗伯特·索洛在《纽约书评》上留下了一句让后来者引用了近四十年的名言：“推算机无处不在，唯独看不到它们呈此刻出产率统计中。」剽句被称为“索罗悖论”（Solow Paradox）的断言，其时被视为对技术乐观主义确当头一棒。眼下，这句话正以一种令人类似的方式在AI时期沉演，只不外这一次，推算机换成了大模型，而那个“看不见”的问题，依然还在。

一、索洛悖论：为什么技术在进取，出产率却在“睡觉”

让我们先把使仉拨回到上世纪八九十年代。PC革命在全面铺开，IBM的机械进入办公室，文字处置软件代替了打字机，电子表格让管帐师们抛掉了算盘，IT投资占GDP比沉持续上升。这场刷新的规模和深度，任何亲历者都不会否定。

然而，偏偏就在那个年代，美国全身分出产率（TFP）的增速陷入了长达十余年的滞碍。数据是明显的：技术在进取，出产率却在睡觉。这就是“索洛悖论”的由来。

进入2020年代，这一汗青模式在AI海潮中高度类似地沉演。只管AI技术能力的提升速度远超PC时期，微观层面的证据已经极度充分，但宏观出产率数据中仍难觅清澈的AI贡献踪影。

Block金融支付公司于2026年2月颁发裁员40%，同期上调整年利润指引，预计调整后每股收益3.66美元，大幅超出分析师预期的3.22美元；谎灾，60%的人力实现了超过原有水平的产出。Pinterest、CrowdStrike、Chegg等企业也相继出现类似的“以AI换人”模式。2025年整年，美国至少有5.5万个岗位被明确归因于AI驱动的效能优化，是两年前的12倍。

然而，这些微观层面的效能跃升，并未在宏观统计中产生相应的可见痕迹。这种悖论背后的机造与索洛时期高度一致，但某些维度上有所放大。

二、汗青的镜子：新技术和出产率之间，始终有一段“阴郁隧路”

面对上述景象，消极主义者会说：这次分歧了，AI的速度太快，粉碎大于建设，人类无法适应。但汗青提供了另一个视角。

1987年索洛发出那句感叹之后，美国等了整整十年，才在1995—2005年间真正迎来了IT驱动的出产率大发作。其间全身分出产率年均增速超过2.5%，是1973—1995年间年均约1%的两倍以上。IT时期的价值，只是来晚了，但并没出缺席。

更早之前，电力的遍及也经历了险些如出一辙的模式。爱迪生1882年在纽约成立第一家贸易发电站，但美国造作业的电气化出产率盈利，要到1920年代才全面兑现，其间整整经历了四十年？杉，技术就绪，并不蹬宗经济就绪；能力到位，并不蹬宗利用到位；利用到位，并不蹬宗组织到位。

经济学家保罗·大卫把这个汗青法规总结为一个命题：通用技术在被经济体真正吸收之前，必然要经历一段出产率下滑的“阴郁隧路”。当新系统的沉建成本和旧系统的拆解成本叠加在一路，在某些年份会让账面出产率看起来变差了。而正是在这个账面数字看起来最难看的时辰，真正的组织沉构和能力堆集在偷偷产生。

AI很可能正处在这条隧路里。只管AI工具的能力在以月为单元复利增长，但AI技术的出产率盈利不因技术能力自身的就绪而立即兑现，而是依赖于整个经济系统的协同沉组，蕴含工作流程的再设计、从业者技术的再堆集、治理架构的再调整等等。

三、GDP：一把伟大但对AI失灵的尺子

国内出产总值（GDP）作为衡量经济活动规模的主题指标，其理论基础奠定于1930年代西蒙·库兹涅茨的国民账户核算系统，并在二战后的国际协调中逐步定型为以市场价值加权的物质产出核算框架。这一框架在工业化时期拥有高度的信息密度：钢铁产量、汽车销量、构筑投资，这些可数、可称、可定价的物质产出，刚好是彼时经济活动的主题载体。

然而，GDP的设计哲学存在一个深层的局限，它计量的是互换价值，而不是使用价值或消费者渣滓。一件商品或服务，只有在市场上以钱币价值成交，能力计入GDP。当一幼我自己做饭，不贡献GDP；当统一幼我把做饭表包给表卖平台，GDP就增长了。这一逻辑在工业时期的误差尚在可接受领域内，但在AI时期，它产生了系统性的严沉扭曲，出现出以下五种相互叠加的具体机造。

机造一：质量改善的不私见性。麻省理工和斯坦福大学结合追踪了一家大型呼叫中心，引入AI辅助工具后，低经验客服人员的处置速度提升了14%，谬误率大幅降落。但由于服务定价未变，这14%的质量提升在GDP中险些毫无体现，“更快更准”的价值被统计漏掉了。

机造二：需要代替的通缩效应。一家征询公司正本雇佣10名低级分析师，此刻2名分析师加AI即可实现一致工作。这8个岗位隐没后，GDP中少了8份工资性收入，但公司的分析产出不降反升。从用人成本的角度看，这是“通缩”，是“产出隐没”；但从信息出产的内容来看，这是巨大的效能跃升。

机造三：零价值数字产品。当ChatGPT基础版免费、谷歌搜索免费、维基百科免费，这些零价值的巨大价值在道理上就无法计入GDP。AI时期使其规模剧烈扩大。

机造四：无形本钱投资的遗漏。企业采办AI算力算进了本钱支出，但配套的数据治理、流程再造、员工培训等无形投资大量缺席于统计。有关钻研指出，被忽略的无形本钱支出可能是有形IT投资的3—10倍，由此造成对数字经济现实本钱存量的系统性低估。

机造五：功夫节俭的价值。一位医生使用AI在5分钟内实现正本必要3天能力处置的影像分析，这节俭的功夫，统计系统险些感知不到。功夫自身的使用价值，在以价值为锚的GDP系统中险些齐全隐匿。

可见，在AI全面渗入确当下，实体经济里在产生的价值创造与沉组，在以越来越快的速度逃离传十足计系统的丈量领域。经济学家们给这种景象起了个有趣的名字：“鬼魂GDP”（Ghost GDP）。

四、AI提升出产效能的瞻望：从微观证据到宏观效能

微观层面的证据已经极度充分，AI对出产率的提升在产生，但最终转化为宏观出产率盈利，重要体此刻以下三个蹊径。

蹊径一是工作自动化与资源沉配。AI承接大量尺度化、沉复性的认知工作，将人力资源开释至创造性、关系性、高判断力的工作。诺贝尔经济学奖得主阿西莫格鲁的理论框架批注，自动化技术的最终净效应取决于“工作复原”速度，即新的人类工作岗位涌现的速度。

蹊径二是知识出产加快。AI在科学钻延注新药发现、资料设计等领域的突破，将加快人类知识前沿的推动速度。若是AI使全球科研效能提升一倍，其对持久增长蹊径的影响将是结构性的。

蹊径三是边际成本趋零的规模扩张。AI内容出产、AI诊断、AI代码天生等服务的边际成本靠近于零，这意味着一旦初始研发成本摊薄，这些服务能够以极低成本无限扩大。传统上效能提升最慢的服务业，如教育、医疗、司法、金融征询等，刚好是AI渗入率最高的领域，这将从底子上扭转持久宏观增长的约束结构。

然而，从微观证据到宏观效能的转化，并非没有阻碍，而是存在着三大结构性挑战。

第一，分配断裂。出产率盈利若重要流向本钱所有者而非劳动者，将形成需要基础的侵蚀。达拉斯联储2026岁首的钻研显示，22—25岁、从事AI高露出职业的年轻人就业率已经降落了13%；同期，有经验的从业者就业率维吃旖稳甚至上升。J.P. Morgan的团队发现，美国大学毕业生的失业率已升至5.8%，是四年多以来的最高水平，并且罕见解起头高于整个劳动力的总失业率。这是一个结构性信号，不是周期性颠簸，将形成所谓的“资格断崖”，人才管路底层在浮泛化，在未来10—15年形成中坚层人才的系统性断层。

第二，组织适应滞后。技术能力以季度为单元迭代，组织能力以年为单元演进，造度适应以十年为单元漂移。夹在这个速度差中央的企业，即便工具买了、能力没到位、流程没沉构、人员没培训，出产率反而可能短期下滑（即“J形曲线效应”）。企业在AI工具采购之表，还必要在组织能力上投入相当于IT硬件数倍的无形本钱，能力真正将AI效力转化为可持续的出产率提升。

第三，监管与信赖摩擦。在医疗、司法、金融、教育等高度监管行业，AI利用面对显著的合规门槛和责任认定难题。这些领域刚好是AI潜在效能提升最大的处所，但监管框架的滞后可能使盈利持久被锁在门表。欧盟的《AI法案》、美国SEC对AI辅助金融建议的限度、医疗AI的FDA准入流程，都在客观上形成了技术扩散的摩擦力。

五、用旧地图走新路：政策的困境与可能的前途

AI提升出产效能的持久瞻望总体乐观，微观证据充分、宏观兑现蹊径清澈，但这并不料味着能够漠视转型过程中的分配断裂与结构性挑战，还必要从以下方面突破政策困境，探寻可能前途。

统计步骤的现代化。学术界呼吁多年的“GDP+”概想——将数字产品消费者渣滓、无形本钱投资、数据资产价值纳入统计框架，在AI时期已从学术会商演变为政策设计的前提前提。没有正确的丈量，就没有正确的判断，就没有正确的政策。当前急需推动的工作蕴含：订正国民账户核算框架，纳入无形本钱存量的系统性估算；将AI产品的质量改善显性化；索求追踪数字服务的真实消费者渣滓等。

对分配问题的正视。出产率的收益若是只是安静地流向本钱所有者，而劳动者既失去工作又失去消费能力，那整个系统的需要基础将会塌陷。罗素在《闲暇颂》里早就描述过这个困境，技术让一半人过度劳顿，让另一半人失业挨饿。而AI版本的这个困境，必要同样当真的造度性回应。针对AI引发的结构性失业提供足够拥有吸引力的再培训激励；索求劳动者参加AI增值分配的机造铺排（如利润分享、广义数据权利）；加快针对“资格断崖”的教育系统鼎新，沉建人才造就管路的底层基础。

功夫差的自动治理。技术能力以季度为单元移动，组织能力以年为单元移动，造度适应以十年为单元移动。被夹在这个速度差之间的一代人——此刻在找工作的应届生，此刻在被裁的中年白领，他们的疾苦是真实的，即便持长远景是光明的。政策的责任，是治理这个功夫差，而不是用持久乐观来覆盖短期失序。具体而言，这意味着：设计更具弹性的社会安全网以承载更频仍的职业转换；加大对AI技术培训的公共投入，缩短从旧技术到新技术的迁徙周期；在教育系统中从基础教育阶段就系统性地嵌入AI素养课程。

汗青一再证明，技术创新的“阴郁隧路”终有出口，索洛悖论则是一面镜子，它寂壮照出人类对新技术的认知惯性，总是高估短期影响、低估持久沉构，也照射出统计系统的汗青局限。AI时期的工作，是在认可这一局限的前提下，以更正确的丈量、更平正的分配和更聪明的政策设计，让这一轮可能是人类汗青上最深刻的技术革命，真正惠及最宽泛的人群。

(作者施东辉为复旦大学国际金融学院教授)

起源：施东辉