通用目的技术（General-Purpose Technology，GPT）
通用目的技术：从蒸汽机、电力到人工智能的经济增长逻辑
引言：为什么少数技术能够改变整个经济体系？
回顾人类经济发展的历史，我认为有一个非常值得关注的现象：真正推动经济长期增长的，并不总是数量最多的技术发明，而是少数能够被广泛应用、持续改进，并不断催生其他创新的关键技术。蒸汽机、电动机、半导体、计算机和互联网，都具有这样的特征。这些技术的影响远远超出了它们最初出现的行业，逐渐渗透到制造业、交通运输、金融、医疗、教育和社会生活的各个领域，最终改变整个经济体系的生产方式。
经济学将这类技术称为通用目的技术（General-Purpose Technology，GPT）。Timothy F. Bresnahan 和 Manuel Trajtenberg 在 1992 年发表的工作论文《General Purpose Technologies: Engines of Growth?》中，系统提出了这一概念，并试图解释为什么少数关键技术能够成为经济增长的长期动力。他们指出，技术进步并不是一个可以简单归结为生产函数中某个残差项的过程。不同技术的经济意义存在巨大差异，有些技术只是改善某一类产品，而另一些技术则能够成为大量产业的共同投入，改变其他行业进行研发、生产和创新的方式。
我理解的 GPT，最重要的地方并不在于它本身有多先进，而在于它能够形成一个持续扩大的创新体系。一项基础技术不断进步，使更多下游行业能够以更低的成本、更高的效率使用它；下游行业在应用过程中又会产生新的产品、生产流程和技术需求，这些需求反过来推动基础技术继续升级。由此，技术创新不再是孤立事件，而是形成一个跨行业、跨组织、跨时间的正反馈过程。
蒸汽机最初解决的是动力问题，电动机解决的是动力供应的灵活性问题，半导体和计算机则让数字化计算成为几乎所有行业都能够使用的基础能力。今天，人工智能正在进入一个类似的阶段：它不只是提高某些任务的效率，还可能改变研发、知识生产、企业组织、公共服务和产业协作的基本方式。
因此，我认为理解人工智能的经济影响，不能只研究模型性能提升了多少、企业采用率有多高，或者某些工作岗位是否会被自动化。更重要的是理解它是否具备通用目的技术的基本特征，是否能够产生足够多的互补性创新，以及这些创新能否最终转化为全社会范围内的生产率提升。
通用目的技术究竟具备哪些特征？
通用目的技术不是简单意义上的重大技术发明
Bresnahan 和 Trajtenberg 对 GPT 的定义包含三个核心特征：广泛渗透性（Pervasiveness）、持续的技术改进潜力（Inherent Potential for Technical Improvement），以及创新互补性（Innovational Complementarities）。这三个特征共同决定了一项技术能否从局部应用工具发展为整个经济体系的增长引擎。
第一，广泛渗透性意味着这项技术能够被大量不同的下游行业使用。这里的广泛，并不只是指使用人数多或者市场规模大，而是指它能够进入性质完全不同的生产活动，成为各种产品、服务和生产系统的共同投入。例如，电动机可以用于纺织、冶金、食品加工和交通运输；半导体既可以进入计算机，也可以进入汽车、医疗设备、通信系统和工业控制设备。不同应用行业之间可能不存在直接联系，但它们都能够使用同一种基础技术。
第二，持续改进潜力意味着技术本身并不是一个固定不变的产品，而是能够通过持续研发、工程改进、生产学习和科学突破不断提升性能。技术进步可以表现为价格与性能比的改善，也可以表现为可靠性、速度、精度、容量、能耗和其他质量维度的提升。随着基础技术越来越便宜、越来越可靠，原来无法负担或者没有经济价值的应用开始变得可行，更多行业因此加入使用者行列。
第三，也是最重要的，是创新互补性。它意味着基础技术的进步能够提高下游行业开展研发和技术创新的回报；反过来，下游行业的技术进步也能够扩大基础技术的市场需求，促使基础技术提供者继续投资研发。基础技术和应用行业之间因此形成相互促进的关系，而不是简单的上下游采购关系。
这三个特征共同产生一种特殊的规模报酬现象。随着技术性能提升、使用行业扩大以及互补创新增加，整个技术体系能够获得超过单项技术改进本身的经济收益。Bresnahan 和 Trajtenberg 将这种机制视为通用目的技术能够推动长期经济增长的重要原因。
技术的通用性来自底层功能，而不是表面上的应用相似性
Bresnahan 和 Trajtenberg 提出，可以把某一时期的技术体系理解为一棵具有层级结构的技术树。最上层是少数基础技术，它们执行某种具有普遍价值的通用功能；下层则是大量使用这些基础技术的产品类别、生产系统和应用行业。
例如，蒸汽机和电动机的通用功能是提供连续旋转运动（Continuous Rotary Motion）。从表面上看，纺织、切割、抛光、金属加工和交通运输属于完全不同的生产活动，但这些活动都可以通过动力驱动的机械设备完成。因此，当连续旋转运动能够以更低的成本、更高的可靠性和更好的性能提供时，许多原本没有明显机械化可能性的工作也会逐渐发生改变。
半导体技术对应的基础功能则是二进制逻辑（Binary Logic）。传统手表、洗衣机、汽车发动机、计算机和医疗设备的工作过程虽然各不相同，但都可以拆解为一系列将输入转化为目标输出的步骤。其中相当多的步骤可以通过二进制逻辑电路实现。由此，表面上差异巨大的产品和生产方式，实际上可以共享少数底层技术原理。
我认为，这种底层功能的一致性非常重要。它解释了为什么某些技术能够不断进入新的产业，也解释了为什么技术扩散往往会产生超出最初预期的经济影响。人们在一项技术出现时，通常只能看到已经明确的应用场景，却很难预见它最终会覆盖多少行业。
通用目的技术与发明方法的发明并不是同一个概念
在研究工业革命和人工智能时，我认为还需要区分两个经常被混淆的概念：通用目的技术，以及发明方法的发明（Invention of a Method of Invention，IMI）。
通用目的技术提高的是商品和服务的生产效率；发明方法的发明提高的则是创造新知识、新技术和新想法的效率。两者可能同时存在于同一项技术中，但并不是必然关系。
Nicholas Crafts 在 2021 年的论文《Artificial Intelligence as a General-Purpose Technology: An Historical Perspective》中，引用 Cockburn、Henderson 和 Stern 的分类框架，对两者进行了区分。论文第 522 页的图 1 将技术划分为四类：
| 不是通用目的技术 | 是通用目的技术 | |
|---|---|---|
| 不是发明方法的发明 | Bessemer 转炉、工业机器人 | 蒸汽动力、自动驾驶汽车 |
| 是发明方法的发明 | 研究实验室、算法 | ICT、深度学习 |
这个分类说明，一项技术可以广泛应用于不同产业，却不一定直接改变创新活动本身；也可以显著改善创新活动，却不一定成为覆盖整个经济体系的通用技术。
例如，蒸汽动力是典型的 GPT，但它并没有直接创造一种全新的科学研究方法。研究实验室能够改变技术研发的组织方式，但它本身并不是像电力一样广泛嵌入各行业的基础技术。信息通信技术则同时具有两种特征：它既能提高商品和服务的生产效率，也能降低知识获取成本，改变研发和创新活动的方式。
我认为，人工智能最值得关注的潜在价值，恰恰在于它可能同时具备这两种属性。它不仅能够完成原来由人类执行的认知任务，还可能成为一种新的知识生产工具，改变科学研究、工程设计、药物发现和企业研发的过程。
通用目的技术如何形成经济增长动力？
创新互补性如何形成双向诱导机制？
为了理解 GPT 如何推动经济增长，我认为最重要的是理解基础技术提供者与下游应用行业之间的双向创新关系。
在传统产业组织中，上游企业提供产品，下游企业购买产品并用于自己的生产活动。双方通常通过市场价格完成交易。但在通用目的技术体系中，这种简单的交易关系并不足以解释技术进步，因为双方的研发决策会相互影响。
假设某家企业生产半导体，下游企业则利用半导体开发个人计算机、汽车电子系统、医疗设备和通信产品。当半导体性能提高时，下游企业可以开发更好的产品，降低生产成本，或者创造以前不存在的产品。这会提高下游企业投资研发的回报，使它们更愿意投入资源改进自己的产品和生产流程。
反过来，当下游行业的技术水平提高时，它们对半导体性能的要求也会增加。例如，个人计算机需要更高的处理速度和更大的存储容量，汽车需要更可靠的电子控制系统，医疗设备需要更强的数据处理能力。这些需求会扩大半导体企业的商业机会，使它们有更强的动力继续研发。
因此，基础技术的进步诱导下游创新，下游创新又诱导基础技术进步。这是一种双向诱导机制（Dual Inducement Mechanism），也是 GPT 与普通技术最重要的区别之一。
Bresnahan 和 Trajtenberg 将这种关系称为创新互补性。若用经济学语言表达，就是基础技术质量提高，会增加下游企业研发的边际回报；下游企业技术水平提高，也会增加基础技术提供者研发的边际回报。双方的创新活动因此具有战略互补性（Strategic Complements）。
技术进步为什么会产生纵向和横向外部性？
GPT 的经济影响不仅来自基础技术与下游应用行业之间的互补关系，还来自两种外部性：纵向外部性（Vertical Externality）和横向外部性（Horizontal Externality）。
纵向外部性发生在基础技术提供者与下游应用行业之间。上游企业研发出更好的基础技术，会让下游企业获得收益；下游企业研发出更好的产品，又会扩大上游企业的市场需求。双方都无法完全获得自己创新带来的全部社会收益，因此各自的私人创新回报会低于社会总回报。
横向外部性则发生在不同的应用行业之间。半导体质量提高，不仅有利于计算机行业，也有利于汽车、通信、医疗和工业控制行业。任何一个行业扩大对半导体的需求，都可能提高半导体产业继续研发的收益，而半导体性能提高又会让其他行业受益。
从下游应用行业的角度看，基础技术的质量具有某种公共品属性。每一个行业都希望其他行业也增加应用和研发投入，因为更多应用行业能够共同扩大基础技术的市场规模，推动技术进一步升级。但单个行业通常不会主动承担全部基础技术升级成本。
由此产生了一个重要问题：每个行业都希望享受技术进步带来的好处，却不一定愿意为整个技术体系承担相应的创新成本。
为什么市场机制容易造成创新不足和创新滞后？
Bresnahan 和 Trajtenberg 的理论模型指出，即使基础技术和应用行业之间存在巨大的共同收益，分散化的市场经济也未必能够实现社会最优的创新水平。
问题的核心是双边道德风险（Bilateral Moral Hazard）和收益可占有性（Appropriability）。
假设半导体企业需要投入大量资金改进芯片性能，而计算机制造商需要投入研发资金，才能充分利用新芯片的性能。芯片企业希望通过较高的价格获得研发回报，但芯片价格越高，计算机制造商的创新成本也越高，后者就越不愿意进行互补研发。
如果半导体企业按照边际成本定价，计算机制造商就能够获得更强的创新激励，但半导体企业自身可能无法获得足够的研发收益，因此也缺少升级技术的动力。如果半导体企业提高价格，上游研发激励会增加，下游研发激励却会下降。
即使采用价格歧视，也很难同时解决双方的问题。一个能够获得全部社会创新收益的完全价格歧视型上游垄断者，可能使下游应用行业的创新回报接近于零。相反，能够给予下游企业充分创新激励的定价方式，又可能让上游企业无法收回研发投入。
因此，单纯依靠市场价格，很难同时让双方获得与社会回报相匹配的创新激励。
论文的命题一指出，在相应的模型假设下，社会最优状态下的基础技术质量、下游技术水平以及采用基础技术的行业数量，都会高于分散化市场交易所形成的均衡水平。换句话说，私人部门可能在基础技术和下游应用两个方面同时投入不足。
这种现象可以概括为：创新不足，而且创新发生得太晚（Too Little, Too Late）。
大型需求方为什么能够成为技术发展的触发器？
Bresnahan 和 Trajtenberg 特别强调，大型、稳定且具有较高支付意愿的需求方，可能成为 GPT 发展的重要推动力量。
美国国防部在 20 世纪 50 年代和 60 年代的采购政策，就是一个典型案例。当时，美国国防部对微电子产品具有较高的性能要求，也愿意通过采购承诺承担部分技术开发风险。这种需求不仅支持了微电子产业的发展，还可能通过技术进步惠及其他使用者。
但横向外部性并不只来自政府。Bell System 和 IBM 等大型私人需求方，也对微电子技术的基础进步作出了重要贡献。
在更早的技术发展过程中，交通运输行业也发挥过类似作用。19 世纪铁路建设需要大量钢轨，铁路和蒸汽船需要能够承受高压蒸汽的材料与设备。这些行业愿意为突破现有技术边界的产品支付更高价格，因此为钢铁、材料科学和工程技术提供了稳定的创新需求。
我认为，大型需求方的重要性不只是购买规模大，而是它们能够通过长期、可预测的需求，降低基础技术研发的不确定性，并为整个应用生态系统创造共同收益。
在美国半导体产业的发展过程中，冷战背景、国防采购政策以及相关产业的商业需求共同构成了外部触发条件。此后，GPT 与应用行业之间的正反馈逐渐发挥作用，推动技术进步持续多年。
技术合作和制度安排为什么重要？
既然纵向和横向外部性使市场机制难以实现社会最优，那么技术企业之间的合作就具有重要意义。
Bresnahan 和 Trajtenberg 提出，基础技术提供者与应用行业之间可以通过具有约束力的技术合同，明确双方的研发投入、技术标准和收益分配。不同应用行业之间也可以通过合作，扩大共同技术的发展规模。
但技术合同本身也面临外部性问题。每个行业都希望其他行业与基础技术提供者建立合作关系，因为其他行业的合作同样能够推动基础技术升级。与此同时，合同执行、技术预测和长期承诺都存在困难。
20 世纪末的计算机和通信产业提供了一个例子。IBM 和 AT&T 曾经在各自市场中拥有非常强的市场地位，能够在一定程度上推动基础技术和下游应用的共同发展。随着市场竞争结构发生变化，技术创新逐渐分散到更多企业，原来由大型企业承担的隐性协调职能也随之改变。
后来，战略联盟、标准制定组织、产业联盟、软件开发者社区以及行业媒体等机制逐渐成为重要的技术管理工具。这些机制能够帮助企业交换技术信息、预测发展方向，并鼓励互补性创新，但它们仍然无法完全内部化所有外部性。
因此，GPT 的发展速度不仅取决于技术本身，也取决于产业组织、合同制度、市场结构、技术标准和信息交流机制。
为什么通用目的技术的经济影响往往需要很长时间？
技术突破为什么不能立即转化为生产率增长？
从经济史来看，一项技术出现与它真正推动整个经济体系的生产率增长之间，通常存在明显的时间差。
Nicholas Crafts 在 2021 年的研究中指出，通用目的技术的生产率贡献通常在早期比较有限，随后才逐渐增加。滞后的原因主要包括三个方面：基础技术本身还需要持续改进，技术设备的质量调整后价格还需要下降，以及企业需要投入时间和资源进行组织变革和互补性创新。
以电力为例，托马斯·爱迪生于 1882 年开始向纽约客户提供电力，但美国电气化真正产生显著生产率收益，主要是在 20 世纪 20 年代，距离最初的电力商业化已经过去约 40 年。
为什么会出现这样的差距？早期工厂通常采用蒸汽机集中提供动力，再通过皮带和轴系把动力传输到不同机器。这种结构决定了机器的位置必须围绕动力源安排，生产线布局、工人组织和物料流动都受到限制。
电动机的出现并不意味着工厂立即获得全部收益。企业必须重新设计工厂，把大型集中动力系统改造成多个可以独立布置的小型动力单元。只有当机器能够按照生产效率的要求自由布局，工厂的生产组织才能发生根本变化。
因此，电力带来的生产率增长并不只是能源成本下降，还来自生产流程和组织结构的重新设计。
蒸汽动力的扩散为什么同样经历了长期滞后？
蒸汽动力在英国的经济影响也不是从蒸汽机发明之日起就立即显现。
James Watt 的蒸汽机于 1769 年获得专利，但英国蒸汽动力在 1830 年之前对生产率增长的贡献非常有限。当时使用的蒸汽动力只有约 165,000 马力。即使到了 1870 年，约三分之二的蒸汽动力仍集中在煤矿开采、棉纺织和金属制造等行业。
早期低压蒸汽机的煤炭消耗量较高，经济性受到限制。高压蒸汽技术的发展，则使蒸汽动力能够更广泛地用于工厂、铁路和蒸汽船，但这种技术转变直到 19 世纪下半叶才逐渐完成。
此外，当时蒸汽机相关的科学理论和工程知识还不成熟，蒸汽动力的价格下降速度比较缓慢，尤其是在 1850 年以前。
这说明，技术的发明并不等于技术的成熟，技术成熟也不等于技术已经被广泛采用。只有技术性能、生产成本、基础设施和应用行业的组织能力同时发生变化，通用目的技术才可能真正释放其经济价值。
电动机如何改变了整个制造业的生产组织？
Bresnahan 和 Trajtenberg 对电动机的案例进行了详细讨论。20 世纪初的前三十年，电力价格持续下降，电动机效率不断提高，电动机逐渐取代蒸汽机，成为制造业的重要动力来源。
在美国，电动机在 1900 年前后占全部已安装马力的比例还不到 5%，到 1930 年已经超过 80%。
这个过程最重要的地方不是电力替代蒸汽机，而是电力使工厂能够重新组织生产活动。
蒸汽机需要复杂的皮带和轴系来传递动力，机器必须靠近动力传输系统，工作流程也必须按照动力需求安排。电动机则能够以更小、更便宜的单位向不同设备独立供电，机器可以被安排在最有利于生产效率的位置。
这使工厂能够重新设计工作空间、生产线和机器布局。电力因此不仅降低了能源成本，还提高了生产组织的灵活性，为制造业带来了广泛的生产率收益。
Crafts 的研究也指出，美国电力带来的显著生产率收益主要发生在 20 世纪 20 年代，距离 1882 年的电力商业化约 40 年。这是一个非常典型的 GPT 扩散滞后案例。
半导体和计算机如何成为第三次技术革命的基础？
二进制逻辑为什么能够成为通用功能？
半导体技术是 20 世纪后半叶最重要的通用目的技术之一，其底层通用功能是二进制逻辑。
在电子电路出现之前，许多产品依靠机械部件完成复杂的控制和转换过程。例如，机械手表利用弹簧动力产生表示时间的模拟信号，洗衣机通过机械运动、阀门开关和电气控制完成不同工作步骤。
从技术原理上看，这些过程中的很多步骤都可以通过二进制逻辑电路实现。只要能够利用逻辑门、触发器等元件完成输入与输出之间的转换，原本需要大量不同机械结构的功能，就可能由相对标准化的电子元件实现。
半导体的应用范围因此远远超出了计算机本身。
最初的晶体管进入助听器，随后进入收音机、电视机和计算机。微处理器出现后，新的应用迅速扩展，个人计算机、CT 扫描仪、摄像机等新产品得以发展；汽车、民用飞机和军用飞机等传统产品也逐渐发生电子化改造。
Bresnahan 和 Trajtenberg 在论文第 40 页的图 1 中，使用半导体作为 GPT 的例子，将其与助听器、收音机、电视、计算机、CT 扫描仪、汽车等不同应用行业连接起来。这张图所表达的核心意思是：这些行业之间并不需要具有相同的生产流程，它们只需要共同使用同一种基础技术。
标准化为什么使数字技术具有强大的规模经济？
数字集成电路具有一个非常重要的特点：它能够使用高度标准化的元件。
传统机械零件很难实现类似程度的标准化。例如，机械钟表的齿轮可以具有不同齿数和尺寸，具体结构需要根据不同设备进行设计，因此很难把所有齿轮都变成少数通用零件。
数字集成电路则不同。一个由标准化触发器组成的电路，可以通过组合不同数量的相同元件实现不同的逻辑功能。类似的标准元件能够被用于计算机、磁带设备以及其他各种逻辑设备。
这意味着，标准化的数字元件可以实现极高的生产规模，批量生产带来的成本下降能够抵消针对不同应用进行适配所产生的额外成本。
同时，集成电路生产具有明显的学习效应。随着生产批次增加，制造工艺、良率和生产管理不断改善，成本进一步下降。这使半导体产业能够形成持续的规模经济和技术进步。
半导体技术的进步速度有多快？
Bresnahan 和 Trajtenberg 在 1992 年的论文中，列举了半导体产业在此前几十年里的技术进步数据。
20 世纪 60 年代初期，一个集成电路上只能集成少量元件；到了 80 年代初期，单个芯片上的元件已经超过 10 万个；到了 90 年代初期，数量达到约 100 万个。
这一变化大致符合当时所描述的摩尔定律（Moore's Law）：单个芯片可以集成的元件数量大约每年翻一倍，而且这一趋势已经持续超过 25 年。
与此同时，动态随机存取存储器（DRAM）的质量调整后价格也大幅下降。论文指出，早期 70 年代每千比特存储器的价格超过 4 美元，后来下降到不足 1 美分，并据此描述存储器在约 15 年间出现了约 5,000 倍的价格差异。
这种价格和性能的巨大变化，使计算设备能够进入原本无法负担它们的市场。现代个人计算机的性能和灵活性远远超过早期大型主机；今天只需要几美元就能购买的数字手表，在 Sputnik 发射的年代甚至还不具备现实可行性；能够在几秒钟内收集、处理和显示数百万条信息的 CT 扫描仪，也逐渐成为医院里的常见设备。
我认为，半导体案例充分说明了 GPT 的第二个特征：持续改进不仅让原有应用变得更好，还会让新的应用在经济上变得可行。
微处理器的发展如何体现技术代际升级？
Bresnahan 和 Trajtenberg 在论文第 43 页引用了 1991 年《Business Week》对 Intel 微处理器发展路线的介绍。这张表格记录了当时已经推出以及正在开发的芯片代际。
| 芯片 | 推出时间 | 主要特点 |
|---|---|---|
| 8086/8088 | 1978/1979 | 为第一代 IBM PC 及其兼容机提供计算能力，采用 16 位处理，但计算机内存使用受到限制 |
| 80286 | 1982 | 比 8088/8086 速度更快，支持运行更大型的程序，首次出现在 1984 年 IBM PC/AT中 |
| 80386 | 1985 | Intel 第一款 32 位微处理器，能够以 32 位数据块进行处理，使个人计算机能够承担网络等更复杂的任务 |
| 80386SX | 1988 | 80386 的低价版本，目标是替代 80286 市场 |
| 80486 | 1989 | 被称为“芯片上的主机”，具有约 120 万个晶体管，是当时复杂程度很高的芯片 |
| 486SX | 1991 | 旨在让大众以较低成本获得接近大型主机的计算能力，并逐步取代 80386 |
| 586 | 1992 年预期 | 预计具有约 200 万个晶体管，性能至少达到 80486 的两倍，目标是与 RISC 芯片竞争 |
| 686 | 1993/1994年预期 | 当时刚进入研发阶段，预计加入声音和视频处理能力，服务于多媒体应用 |
需要注意，586 和 686 的相关描述是 1991 年时对未来芯片的预期，而不是对后来实际产品表现的回顾。
这组技术代际变化说明，基础技术升级能够不断扩大下游行业的创新空间。计算机制造商需要了解下一代微处理器的性能，才能设计相应的计算机产品；软件开发者需要获得新的操作系统，才能为新系统开发软件；操作系统开发者又需要了解新一代计算机硬件的能力。
不同技术层级之间存在紧密联系，任何一层的进步都会影响其他层的研发方向。
如何衡量通用目的技术对经济增长的贡献？
GPT 如何影响劳动生产率和全要素生产率？
在经济学中，衡量通用目的技术的常见方法是增长核算（Growth Accounting）。
劳动生产率增长通常可以分解为资本深化和全要素生产率增长。Crafts 在 2021 年的论文中进一步将资本划分为 GPT 相关资本和其他资本，并将全要素生产率增长划分为 GPT 生产部门与其他经济部门的贡献。
其基本关系可以写成：
[
\frac{\Delta(Y/L)}{Y/L}
\alpha\frac{\Delta(K_O/L)}{K_O/L}
+
\beta\frac{\Delta(K_{GPT}/L)}{K_{GPT}/L}
+
\omega(\Delta A/A)_{GPT}
+
\phi(\Delta A/A)_O
]
其中，(Y/L) 表示劳动生产率，(K_O) 表示其他资本，(K_{GPT}) 表示通用目的技术相关资本，(\alpha) 和 (\beta) 分别表示相应资本的收入份额，(\omega) 和 (\phi) 则表示 GPT 生产部门与其他经济部门在总产出中的相应权重。
这个分解说明，GPT 对劳动生产率的影响主要有两个渠道：一是通过增加 GPT 相关资本投入，提高每名劳动者能够使用的资本数量；二是通过基础技术自身的生产率提高，直接改善技术设备的性能和成本。
此外，GPT 还可能通过知识溢出产生第三种影响。例如，企业使用新的技术设备后积累了经验，这些经验可能被其他企业学习和利用，从而提高整个行业的生产率。
在原有增长核算框架中，可以加入一个知识溢出项：
[
\gamma\frac{\Delta(K_{GPT}/L)}{K_{GPT}/L}
]
其中，(\gamma) 表示 GPT 资本深化带来的未获得直接补偿的全要素生产率溢出效应。由于这部分影响很难独立估计，许多研究并没有将其单独纳入计算，而是把它计入其他经济部门的全要素生产率增长。
这也意味着，传统增长核算可能低估 GPT 对经济的真实影响，特别是当技术的主要贡献来自知识扩散、组织变革和互补性创新时。
蒸汽、电力和 ICT 分别贡献了多少生产率增长？
Crafts 在论文第 524 页的表 1 中，对蒸汽、电力和 ICT 的生产率贡献进行了估算。数据以每年劳动生产率增长的百分点表示。
| 技术及经济体 | 时期 | 资本深化 | TFP 贡献 | 合计 | 占全经济劳动生产率增长的比例 |
|---|---|---|---|---|---|
| 蒸汽动力（英国） | 1760—1830 | 0.011 | 0.003 | 0.014 | 5.6% |
| 蒸汽动力（英国） | 1830—1870 | 0.18 | 0.12 | 0.30 | 19.0% |
| 蒸汽动力（英国） | 1870—1910 | 0.15 | 0.16 | 0.31 | 29.2% |
| 电力（美国） | 1899—1919 | 0.04 | 0.06 | 0.10 | 5.6% |
| 电力（美国） | 1919—1929，估计一 | 0.07 | 0.07 | 0.14 | 3.6% |
| 电力（美国） | 1919—1929，估计二 | 0.07 | 0.30 | 0.37 | 9.5% |
| 电力（美国） | 1929—1941 | 0.04 | 0.16 | 0.20 | 8.0% |
| ICT（美国） | 1974—1995 | 0.41 | 0.36 | 0.77 | 49.4% |
| ICT（美国） | 1995—2004 | 0.78 | 0.72 | 1.50 | 49.0% |
| ICT（美国） | 2004—2012 | 0.36 | 0.28 | 0.64 | 41.0% |
注：电力在 1919—1929 年的估计一没有考虑全要素生产率溢出，估计二则将其纳入。
这张表最值得注意的地方是，蒸汽动力和电力的宏观生产率贡献具有明显的滞后，而 ICT 的影响出现得更快、规模也更大。
ICT 在 1995—2004 年对美国劳动生产率增长的年度贡献达到 1.50 个百分点，约占全经济劳动生产率增长的 49%。即使到了 2004—2012 年，其贡献仍然达到 0.64 个百分点。
相比之下，电力在 1899—1919 年的年度贡献只有 0.10 个百分点，占全经济增长的 5.6%。到了 1919—1929 年，如果计入 TFP 溢出，其贡献提高到 0.37 个百分点。
这组数据说明，GPT 的宏观经济贡献并不是从技术诞生时就固定存在的，而是会随着技术改进、应用扩张和组织调整逐渐增加。
为什么 ICT 的影响比蒸汽和电力出现得更快？
我认为，ICT 的历史提供了一个重要的比较案例。
Intel 4004 微处理器于 1971 年推出，ICT 在美国劳动生产率增长中的贡献从 1974—1995 年开始变得显著。与蒸汽动力和电力相比，ICT 的技术扩散和生产率贡献出现得更快。
这可能与现代经济的科学技术能力、研发投入和资本市场成熟程度有关。现代企业已经拥有更成熟的研发组织、工程人才、融资渠道和全球供应链，因此能够更快地识别和利用新的技术机会。
Crafts 也指出，Solow 曾经提出著名的生产率悖论：“计算机时代无处不在，唯独没有出现在生产率统计数据中。”但从历史比较来看，Solow 在 20 世纪 80 年代末提出这一观点时，ICT 对劳动生产率的贡献实际上已经相当显著。
不过，不能简单地把整个经济的生产率增长都归结为 GPT。蒸汽和电力确实发挥了重要作用，但它们并不是唯一的增长动力。
例如，英国劳动生产率的增长速度从 1869 年的每年 2.2% 下降到 1890 年的 0.8%，但蒸汽动力对劳动生产率的贡献在 1830—1870 年和 1870—1910 年两个时期大致相当。蒸汽动力的使用马力从 1870 年的 210 万增加到 1907 年的 970 万，说明蒸汽时代并没有在 19 世纪 70 年代结束。
同样，美国 1899—1941 年第二次工业革命相关技术集群，只解释了私人国内经济劳动生产率增长的 36% 和 TFP 增长的 38%。即使是影响巨大的技术革命，也无法解释经济增长的全部变化。
Boyan Jovanovic 和 Peter Rousseau 在 2005 年的研究中也指出，电气化和信息技术是美国经济最重要的两次通用目的技术革命。电气化的扩散范围更广，而信息技术在技术上显得更加革命性；ICT 时代的生产率放缓也更明显，但其持续扩散和价格不断下降，为 21 世纪的增长提供了乐观依据。
工业革命真正改变的是什么？
第一次工业革命并不是一场立即爆发的生产率革命
传统经济史通常把英国 1760 年代至 1830 年代的经济发展称为第一次工业革命。这一时期出现了大量著名发明，包括 Richard Arkwright 的纺织技术、Henry Cort 的冶金技术、Samuel Crompton 的纺纱设备、George Stephenson 的铁路技术以及 James Watt 的蒸汽机改进。
但 Crafts 认为，第一次工业革命最值得关注的特点，并不是生产率立即高速增长，而是人类逐渐形成了一种新的发明方法。
在工业革命初期，技术进步并没有立即带来大规模的全要素生产率增长。农业和交通运输以外的大部分服务业受到的影响都比较有限。即使到了 1851 年，纺织、金属制造和机器制造等典型工业革命行业，也只占工业就业人数的不到三分之一，或者占全社会就业人数的 13.4%。
当时经济中仍然有大量就业集中在传统产业，因此少数行业出现技术突破，并不能立即改变整个经济的生产率。
Crafts 在论文第 528 页的表 5 中给出了英国 1700—1913 年的增长核算数据。
| 时期 | 劳动生产率增长 | 资本深化贡献 | 劳动力质量贡献 | TFP 增长 |
|---|---|---|---|---|
| 1700—1760 | 0.25 | 0.10 | 0.01 | 0.14 |
| 1760—1780 | -0.01 | -0.06 | -0.01 | 0.06 |
| 1780—1800 | 0.46 | 0.19 | -0.01 | 0.28 |
| 1800—1830 | 0.29 | 0.10 | 0.01 | 0.18 |
| 1830—1856 | 1.11 | 0.65 | 0.08 | 0.38 |
| 1856—1873 | 2.06 | 0.72 | 0.32 | 1.02 |
| 1873—1913 | 1.06 | 0.38 | 0.58 | 0.10 |
注：单位为每年百分比，按照标准新古典增长核算方法计算。
这张表显示，1760—1830 年英国的 TFP 增长并不突出。真正显著的劳动生产率增长主要出现在 1830 年以后，而 1856—1873 年劳动生产率增长达到每年 2.06%，TFP 增长达到 1.02%。
另一个值得注意的现象是，1873—1913 年的 TFP 增长只有 0.10%。当研究进一步使用工作小时数并单独识别劳动质量贡献时，这种放缓仍然存在，并不能简单地视为一个短暂的统计异常。
因此，第一次工业革命并不是一个技术发明出现后，生产率就立即大幅增长的案例。
第一次工业革命为什么没有立即带来大规模工资增长？
工业革命的另一个重要争议，是技术进步是否导致劳动者长期受损。
一些研究将英国工业革命时期描述为“恩格斯暂停”（Engels' Pause）：技术进步加速，但实际工资增长缓慢，劳动者在国民收入中的份额受到挤压。这一历史经验经常被用来讨论人工智能和自动化对就业市场的潜在影响。
Crafts 对这一观点进行了重新检验。他认为，虽然部分劳动者遭受了严重的技术替代冲击，但英国整体劳动收入份额并没有出现长期、大幅度的下降。
论文第 527 页的表 3 给出了 1770—1860 年英国劳动、土地和资本收入份额，以及隐含利润率的数据。
| 年份 | 劳动收入份额 | 土地收入份额 | 资本收入份额 | 利润率 |
|---|---|---|---|---|
| 1770 | 61.0% | 21.8% | 17.2% | 9.8% |
| 1780 | 56.8% | 21.4% | 21.8% | 12.6% |
| 1790 | 57.1% | 19.8% | 23.1% | 13.1% |
| 1800 | 55.8% | 18.3% | 25.9% | 15.3% |
| 1810 | 56.4% | 16.3% | 27.3% | 16.0% |
| 1820 | 59.0% | 15.8% | 25.2% | 14.3% |
| 1830 | 60.7% | 15.1% | 24.2% | 14.1% |
| 1840 | 59.2% | 12.5% | 28.3% | 15.9% |
| 1850 | 65.3% | 10.5% | 24.2% | 12.9% |
| 1860 | 62.0% | 8.5% | 29.5% | 17.2% |
利润率是通过资本收入份额除以资本产出比计算得到的。
从数据来看，资本收入份额确实从 1770 年的 17.2% 增加到 1860 年的 29.5%，但这主要伴随着土地收入份额下降，而不是劳动收入份额持续下降。工业化过程中资本不断积累，而农业土地面积几乎没有增长，因此资本在国民收入中的份额上升并不意味着所有收益都来自对劳动者收入的挤压。
这一时期的收入不平等呈现出类似库兹涅茨曲线的变化。相关研究估计，英国基尼系数从 1759 年的 0.53 上升到 1798 年的 0.60，随后下降到 1846 年的 0.58，并在 1867 年进一步降至 0.48。
不过，整体劳动收入份额相对稳定，并不意味着没有劳动者受到严重冲击。
最典型的案例是手工织布工。他们最初受益于纺纱机械化带来的生产扩张，但后来又被动力织布机取代。手工织布工人数从 1780 年的 37,000 人增加到 1820 年的 240,000 人，随后在 1850 年下降到 43,000 人。
他们的每周货币工资从 1770 年的 75 便士上升到 1805 年的 276 便士，随后又在 1830 年回落到 75 便士。
与此同时，新的职业类型不断出现。属于较低中产阶级职业群体的家庭数量，从 1798 年的 253,000 户、占全部家庭的 8.6%，增加到 1846 年的 649,000 户、占 15.4%。
这说明技术替代与新任务创造同时发生。机器取代了一些原有劳动任务，但经济活动的扩张也创造了新的工作机会。问题在于，劳动者能否顺利完成职业转移，以及转移过程中需要承担多少教育、培训和收入损失成本。
实际工资和劳动生产率之间存在什么关系？
Crafts 在论文第 528 页的表 4 中，以 1770 年为 100，比较了英国实际人均 GDP、实际消费收入和实际产品工资。
| 年份 | 实际人均 GDP | 实际消费收入 | 实际产品工资 |
|---|---|---|---|
| 1770 | 100.0 | 100.0 | 100.0 |
| 1780 | 104.0 | 105.2 | 97.0 |
| 1790 | 104.2 | 109.3 | 97.6 |
| 1800 | 113.8 | 109.3 | 104.2 |
| 1810 | 118.7 | 109.6 | 109.8 |
| 1820 | 115.9 | 111.6 | 112.2 |
| 1830 | 124.7 | 114.3 | 124.3 |
| 1840 | 143.9 | 127.1 | 139.8 |
| 1850 | 154.3 | 148.9 | 165.3 |
| 1860 | 164.1 | 154.7 | 167.1 |
注：实际消费收入和实际产品工资采用以相应年份为中心的五年平均值。
到 1820 年，英国实际人均 GDP 比 1770 年提高了约 16%，实际消费收入提高了约 12%。在 1770—1840 年间，劳动生产率累计增长约 44%，实际消费收入增长约 27%，实际产品工资增长约 39%。
这说明，劳动生产率增长确实快于劳动者消费收入增长，但并没有出现长期、全面的劳动收入崩塌。分析这类历史问题时，还需要区分 GDP 平减指数和生活成本指数，因为两种价格指标可能使实际产品工资和实际消费收入呈现不同变化。
工业革命的真正突破是形成了新的发明方法
Crafts 借助经济史学家 Joel Mokyr 的研究，提出第一次工业革命最深层的意义，是人类逐渐形成了一套能够持续产生技术进步的新方法。
这种方法建立在系统性的经验主义和实验之上。人们不再只依靠个别工匠的经验，而是开始通过观察、实验、记录、比较和传播，积累可以被其他人重复使用的技术知识。
这套方法提高了三个方面的能力：创新成功的概率、研发投入的积极性，以及每项创新最终能够产生的生产率影响。
如果用内生增长理论表示，可以将技术进步率写成：
[
x=\lambda\sigma q
]
其中：
- (x) 表示技术进步率；
- (q) 表示创新投入或研发强度；
- (\lambda) 表示单位创新投入取得成功的概率；
- (\sigma) 表示每项成功创新所带来的生产率提升幅度。
创新努力通常会随着市场规模扩大而增加，因为市场越大，成功创新后能够获得的商业回报越高。因此，市场规模与创新投入之间存在正向关系。
第一次工业革命所形成的新发明方法，能够同时提高创新成功概率、研发投入和创新的实际影响力。
知识获取机构如何推动了技术进步？
这一时期出现了一系列专门生产、整理和传播科学技术知识的组织。Crafts 将其称为知识获取机构（Knowledge Access Institutions，KAIs）。
其中包括：
- 英国皇家学会（Royal Society），成立于 1660 年；
- 月光社（Lunar Society），成立于 1765 年；
- 曼彻斯特文学与哲学学会，成立于 1781 年；
- 机械学院（Mechanics Institutes），从 1823 年开始出现；
- 英国科学促进会（British Association for the Advancement of Science），成立于 1831 年。
知识获取机构的数量从 1761 年的 3 个增加到 1851 年的 1,014 个。相关研究发现，这些机构对所在地区的专利活动具有显著影响。
与此同时，应用数学技能的传播也发挥了重要作用。测量、计算和工程设计能力的提升，使机器工具得以发展，进而把原本停留在理论和实验阶段的发明转化为能够实际运行的机械设备。
第一次工业革命仍然主要建立在经验主义之上，而不是现代意义上的成熟科学理论。例如，康沃尔抽水蒸汽机的燃料效率提升，很大程度上依赖不同设计方案的实际运行记录、观察和比较。
这种技术学习的局限在于，它往往局限于特定地区和特定行业，不一定能够自然传播到其他地方。
第二次工业革命如何改变了发明方法？
第二次工业革命通常被认为发生在 1870—1914 年。与第一次工业革命相比，这一阶段最重要的变化，是技术进步逐渐建立在应用科学和工业研发实验室之上。
Thomas Edison 于 1876 年在门洛帕克建立了自己的实验室。到了 1918 年，美国制造业已经建立了 665 个研发实验室。
专利活动的组织方式也发生了变化。1880 年，美国约 95% 的专利属于独立发明者；到了 1930 年，企业和独立发明者获得的专利数量已经大致各占一半。
发明者的科学与工程训练背景也明显提高。在 1845 年以前出生的美国伟大发明家群体中，只有 12% 的专利获得者接受过科学或工程训练；对于 1866—1885 年出生的群体，这一比例上升到 60%。
第二次工业革命的研发体系使 TFP 增长进入新的水平。Bakker、Crafts 和 Woltjer 的研究估计，美国 1899—1929 年的 TFP 年均增长约为 1.1%，如果不单独扣除劳动质量增长，粗略 TFP 增长约为 1.7%；Kendrick 在 1961 年的较早估计则为 1.4%。
电力、内燃机和化学工程都是这一时期的重要技术突破。英国在利用第二次工业革命潜力方面，相比美国表现得不那么成功。
第三次工业革命如何使 ICT 成为发明方法？
第三次工业革命通常被用于描述 20 世纪 60 年代至 21 世纪初的计算机科学和信息通信技术发展过程。
这一时期的技术进步经历了大型主机、个人计算机和互联网的发展。ICT 不仅提高了商品和服务的生产效率，还成为一种知识技术，显著降低了获取、储存、传播和处理知识的成本。
它同时改变了研发活动本身。例如，软件密集程度的提高与专利引用中软件相关内容增加有关，也使企业能够以相同的研发投入获得更多专利成果。
计算能力成本的下降尤其惊人。Nordhaus 对计算成本的研究显示，以 2006 年美元计，每百万单位计算能力的成本从 1940—1949 年的 25.7，下降到 1970—1979 年的 0.000592，再下降到 2000—2006 年的 0.000000000137。
这种变化对科学研究和经济学研究产生了巨大影响。
Xavier Sala-i-Martin 在 1997 年发表了一篇基于 400 万次回归分析的研究。他的计算机完成这些计算大约需要 33 小时，而他的计算速度约为每分钟 2,000 次回归。与此相比，Milton Friedman 在 20 世纪 40 年代末运行一次回归就可能需要 40 小时。
计算能力的进步不仅提高了研究速度，也改变了研究者能够提出的问题和使用的方法。
Crafts 还指出，美国非 ICT 行业的 TFP 年均增长贡献从 1974—1995 年的 0.14 个百分点提高到 1995—2004 年的 0.89 个百分点，同期包括 ICT 行业在内的总 TFP 增长从 0.50% 提高到 1.61%。但这种变化并没有持续保持。
人工智能为什么可能成为第四次工业革命的基础？
如果第一次工业革命的核心是系统经验主义，第二次工业革命的核心是工业研发实验室，第三次工业革命的核心是计算机和信息通信技术，那么人工智能可能代表下一次发明方法的变化。
Crafts 认为，人工智能尤其是深度学习，可能同时成为 GPT 和 IMI。它不仅可以执行既有任务，还可能提高研发和科学研究的生产率。
这一点在药物发现和科学研究中已经出现了一些早期案例。
2020 年 2 月，MIT 公布了新型抗生素 Halicin 的发现。2020 年 11 月，DeepMind 在蛋白质折叠问题上取得突破。这些案例表明，机器学习不仅可以提高现有研发活动的效率，还可能帮助研究人员发现新的科学关系和技术方案。
机器学习也已经成为经济学研究中的重要工具。例如，研究人员利用数字化书籍中的文本，推断过去约 200 年人口幸福水平的变化。按照相关研究，如果完全依靠人工完成这些文本分析，可能需要至少 800 亿人小时，而这种自动化分析在 10 年前还不具备技术可行性。
另一个重要问题是，现代研发的生产率是否正在下降。
Bloom 等人在 2020 年的研究中提出，寻找新想法可能变得越来越困难。美国自 20 世纪 30 年代以来，TFP 增长相对于研发支出的下降，与创新所需的知识负担不断增加这一解释相一致。
这可能是因为容易取得的技术成果已经逐渐被开发，也可能是因为现代科学研究越来越专业化，研究人员需要掌握更多知识才能取得新的突破。
如果人工智能能够提高寻找新想法、组合知识和验证假设的效率，它就可能成为缓解研发生产率下降的一种力量。
这里需要特别注意：如果人工智能主要通过提高其他行业的研发效率来推动经济增长，那么传统增长核算未必会把这些收益直接记在 AI 资本或 AI 行业名下，而可能把它们记录为其他经济部门更高的 TFP 增长。
人工智能是否已经具备通用目的技术的全部特征？
人工智能的快速改进是否已经得到证明？
MIT Sloan 于 2024 年 8 月 6 日发表的文章《The Impact of Generative AI as a General-Purpose Technology》，引用 Andrew McAfee 的研究，认为生成式人工智能已经具备通用目的技术的基本特征。
首先是快速改进。
文章指出，OpenAI 的 GPT-3.5 在 2022 年底发布时，在美国律师资格考试中的表现超过约 10% 的考生；GPT-4 于 2023 年 3 月发布后，其表现超过约 90% 的考生。
人工智能的上下文窗口也在快速扩大。2020 年，最先进的生成式 AI 系统能够处理的信息量约为 7.5 页文本；到了 2023 年末，这一能力已经扩大到接近 300 页，约为原来的 40 倍。
除了模型性能提升，推理成本和单位能力价格下降同样重要。基础技术的持续改进与价格下降，使更多企业和个人能够在经济上负担相关应用。
人工智能的应用范围是否已经足够广泛？
MIT Sloan 文章引用了 2023 年的一项覆盖 14,000 名不同职业和行业用户的 Salesforce 调查。
调查中，28% 的受访者表示已经在工作中使用生成式 AI，其中超过一半没有获得雇主正式批准；另有 32% 的受访者预计很快会在工作中使用生成式 AI。
另一项 2023 年的研究估计，美国约 80% 的劳动者至少有 10% 的工作任务会受到生成式 AI 影响，其中约 19% 的劳动者可能有至少一半的工作任务受到影响。
这些数据反映的是 2023 年前后的采用情况和任务暴露程度，并不等同于实际岗位被替代的比例。
从经济增长角度看，广泛应用意味着 AI 不再只属于计算机和软件行业，而是开始进入金融、法律、医疗、教育、营销、客户服务和制造业等不同领域。
为什么互补性创新是判断 AI 是否成为 GPT 的关键？
生成式 AI 能够生成文本、图片和声音，但这些能力本身并不足以形成整个经济体系的生产率革命。
真正重要的是企业能否围绕 AI 重新设计工作流程，开发新的软件工具和服务，调整组织结构，并将 AI 整合到跨部门的业务流程中。
例如，AI 能够帮助医生处理医疗记录，但如果医院没有改变预约、诊断、病历管理和治疗流程，那么 AI 带来的生产率收益就会受到限制。
AI 能够生成代码，但如果企业的软件架构、产品设计和工程协作流程没有发生变化，代码生成效率提高也未必会带来同等幅度的组织生产率提升。
Andrew McAfee 的研究强调，生成式 AI 的深层影响可能来自整个组织的重新设计，而不是单个任务的自动化。
从宏观经济角度看，Goldman Sachs 曾估计，生成式 AI 可能使未来十年美国 GDP 增长率提高 0.4 个百分点。这是一项前瞻性预测，而不是已经实现的增长结果。
为什么 AI 可能比蒸汽机和电力扩散得更快？
传统 GPT 往往需要大量新的基础设施才能广泛使用。
蒸汽动力需要矿山、煤炭供应、机械制造和交通运输系统；电力需要发电设施、输电网络、配电设备以及工厂内部电气化改造。
人工智能则可以直接运行在已经普及的互联网连接设备上。用户不需要掌握编程语言，也不需要理解复杂的计算机操作，只需要使用自然语言就能与模型进行交互。
这显著降低了技术扩散的初始门槛。
不过，我认为基础设施已经存在，并不意味着所有互补创新都已经完成。真正决定 AI 经济影响的，仍然是企业、政府和个人能否将技术能力转化为实际生产流程的变化。
人工智能可能通过哪些渠道改变宏观经济？
AI 提高单一行业生产率，是否意味着 GDP 会大幅增长？
在讨论 AI 的宏观经济影响时，我认为首先需要区分三种不同的情景。
第一种情景是 AI 主要提高某一个行业的生产率，例如软件开发、法律服务或内容生产，而其他行业的生产方式基本不变。
这种情景可能使该行业的产品和服务质量大幅提高，但未必会让 GDP 出现同等幅度的增长。
一个典型的历史案例是照明技术。
电灯泡和其他照明技术出现后，照明行业的生产率提升了许多个数量级。今天的照明效果远远超过几十年前，但照明行业在 GDP 中的份额并没有随生产率提升而不断扩大，反而逐渐下降。
原因在于，当一个行业的生产效率提高、产品价格下降时，消费者购买同样功能的产品所需要支付的费用会减少。即使产品质量和实际价值大幅提高，该行业的名义 GDP 占比也可能下降。
同时，其他生产率没有同步提高的行业仍然需要支付相近的工资，因此它们的相对价格可能不断上升。这种现象与经济学中的成本病（Cost Disease）有关。
因此，如果 AI 首先让软件行业的生产率极大提高，却没有同步改变其他行业的生产方式，宏观 GDP 的变化可能远小于人们根据软件行业效率提升所作出的直觉判断。
AI 如果成为额外劳动力，会产生什么影响？
第二种情景是将 AI 理解为一种额外的劳动供给。
传统经济中，劳动主要来自人类；如果 AI 能够在大量任务上承担与人类相似的工作，那么它就相当于为经济体系增加了一种新的劳动投入。
这种情景的宏观影响取决于 AI 能够替代哪些任务、替代速度有多快，以及经济体系是否能够同步增加资本投入。
如果 AI 能够完成越来越多的任务，但经济中的机器、设备、基础设施和其他互补资本没有同步增加，那么 AI 劳动能力的增长就可能无法完全转化为最终产出增长。
此外，还需要区分 GDP 水平的提高与 GDP 长期增长率的改变。
AI 可能使 GDP 曲线整体上移，也可能改变经济长期增长率。两种结果在经济学上的含义并不相同。
因此，真正值得测量的是：哪些职业和任务正在受到 AI 影响，以及在具体任务中，AI 能够以多快的速度替代或补充人类劳动。
如果 AI 主要提高思想和知识的生产效率，结果会有什么不同？
第三种情景，也是我认为最值得关注的情景，是 AI 主要成为知识生产和创新活动的工具。
经济学家 Paul Romer 在内生增长理论中强调，思想与传统商品存在一个重要区别：思想具有非竞争性（Non-rivalry）。
一旦微积分被发明出来，它就可以被无数人同时使用，不会因为某个人使用了它，就减少其他人使用它的机会。
如果 AI 主要提高思想生产效率，它的影响就不只是提高某个行业的劳动生产率，而可能改变整个经济体系发现新知识、组合已有知识和开展研发的速度。
这里的关键并不只是 AI 能够提高人工智能行业自身的研发效率，而是它能否提高整个经济体系的研发效率，包括药物研发、材料科学、工程技术、农业、能源和制造业。
Cockburn、Henderson 和 Stern 在关于人工智能与创新的研究中，也强调 AI 可能成为一种新的通用目的发明方法，改变研发组织和创新过程。
我认为，如果 AI 主要通过提高知识生产效率来推动增长，那么它的宏观经济影响可能远远超出传统的自动化分析。
GDP 是否足以衡量 AI 的经济价值？
GDP 是宏观经济分析的重要指标，但它并不一定能够完整反映数字技术带来的消费者价值。
例如，互联网搜索、在线地图、免费软件和许多数字服务，可能给消费者带来很大的便利，却不一定产生与其使用价值相匹配的市场交易金额。
因此，GDP 可能低估部分数字技术的实际经济价值。
在一场关于 AI 经济学的学术讨论中，演讲者提出，可以考虑通过消费者剩余等指标，补充传统 GDP 核算。
该讨论引用的一项调查估计，美国约 40% 的人每天或每周使用生成式 AI 工具；用户为了继续使用这些工具，平均每月愿意支付约 98 美元，或者说需要获得约 98 美元的补偿才愿意放弃这些工具。
将这一估计与用户规模结合，演讲者给出了约 1,000 亿美元的消费者剩余估算。
这一结果是基于调查和支付意愿的推算，并不是已经纳入官方国民经济核算的 GDP 数据。但它说明，AI 的经济价值可能不仅来自企业销售收入和劳动生产率，还来自消费者获得的额外便利、知识获取能力和时间节约。
发展中国家为什么可能从人工智能中获得更大的相对收益？
为什么发达国家和发展中国家对 AI 的态度可能不同？
2026 年《世界发展报告：AI 的承诺》相关学术讨论中，Susan Athey 提出了一个值得注意的现象：发达国家，尤其是美国，对 AI 的态度相对悲观，而发展中国家的态度则更加乐观。
这看起来有些反直觉，因为发达国家拥有更强大的计算基础设施、更多的 AI 人才和更先进的模型，而发展中国家往往缺乏这些资源。
但我认为，理解这种差异，需要先考虑不同国家的现实起点。
如果一个国家缺少医生、教师、农业专家和其他专业人员，那么 AI 带来的价值可能首先表现为补足稀缺能力，而不是替代已经充足的劳动供给。
例如，在一些发展中国家，农民可能无法获得准确的市场价格信息，教师可能缺乏高质量的教学资源，小型餐馆经营者可能需要花费半天时间处理客户订单和供应商订单，患者也可能无法获得可靠的医疗信息。
在这样的环境中，AI 能够提供原本很难获得的专业知识和服务，其相对于现有经济基础的改善幅度可能非常大。
与此同时，如果一个国家已经拥有相对充足的专业服务和成熟的企业组织，那么人们可能更关注 AI 对现有工作岗位的替代风险。
因此，AI 对不同国家的影响不能只通过技术先进程度判断，还需要结合专业人才的稀缺程度、产业结构、企业规模和公共服务能力。
发展中国家的哪些现实条件值得特别关注？
Susan Athey 在讨论中引用了几组数据，帮助解释发展中国家为什么可能从 AI 中获得较大的生产率提升。
在撒哈拉以南非洲地区，每 10,000 人只有约 2.9 名医生，而全球平均水平约为 16 名。
低收入国家的小学平均每名教师需要面对约 40 名学生，而富裕国家这一数字约为 15 人。与此同时，低收入国家教师本身的受教育水平和数字教学资源也可能存在不足。
在农业领域，一些研究发现，农民可能将超过一半的利润让渡给中间商，其中一个重要原因是缺乏及时、准确的农产品价格信息。
研究还发现，如果能够在正确的时间、正确的地点向农民提供微观天气预报，就可能明显改善农业生产决策。
这些问题的共同点是，经济活动本身并不一定缺乏劳动者，而是缺乏能够提高劳动者生产率的知识、专业能力和信息。
因此，AI 在发展中国家的重要作用，可能不是减少劳动者数量，而是增加每个劳动者能够使用的专业知识和生产能力。
为什么小型企业可能成为 AI 应用的重要场景？
Susan Athey 在讨论中指出，发展中国家的企业结构与发达经济体存在明显差异。
她引用的数据显示，约 90% 的人在员工人数少于 10 人的企业中工作。
这些企业包括零售店、餐馆、商店和家庭农场，很多分布在中小城镇和乡村地区。
经营者通常需要自己处理采购、客户沟通、员工管理、库存记录和经营决策，但他们缺少专业管理软件和完整的业务信息系统。
例如，一家小餐馆可能依靠即时通信软件接收客户订单，同时通过相同的软件联系供应商。店主需要手动整理订单、确认库存、安排采购，并跟踪不同客户的需求。
如果 AI 应用能够直接接入现有通信系统，自动整理客户订单、记录库存、识别采购需求和生成经营建议，那么企业就不必首先改变自己的沟通方式或购买复杂的软件系统。
AI 可以在现有工作流程中提供专业能力。
我认为，这种模式特别值得关注，因为它降低了企业采用技术的初始成本，也使 AI 不必依赖传统的大型企业软件部署方式。
为什么医疗、教育和农业能够成为通用目的能力的来源？
在传统宏观经济模型中，生产函数通常被表示为技术、资本和劳动等投入的组合。
但 Susan Athey 强调，专业知识和经验本身也是重要的生产投入。
医疗、教育和农业推广服务能够提高其他行业的生产率，因此这些部门可以被理解为具有通用目的能力（General-Purpose Capabilities）的基础部门。
如果医疗服务质量提高，劳动者因疾病缺勤的时间减少，整体经济产出就可能增加。如果教育质量提高，未来劳动者的人力资本水平也会提高。如果农业推广服务能够提供准确的天气和价格信息，农民就能够改善生产决策，增加农业产出。
这些能力的提升会通过其他行业进一步扩散。
例如，如果 AI 能够让农民的生产率提高 5%，或者帮助农村居民避免为了获得医疗服务而每次往返两小时，那么它带来的经济收益就不仅是节省了某项服务的成本，还可能直接增加劳动时间、农业产出和家庭收入。
这也是为什么我认为，人工智能的经济价值不应只通过它替代了多少工作任务来衡量，还应关注它能否提高整个社会的专业服务供给。
为什么 AI 必须适应当地环境，才能真正实现技术扩散？
采用技术和适应技术有什么区别？
2026 年世界发展报告提出了一个非常重要的框架：Adopt、Adapt、Advance，即采用、适应和推进。
采用意味着使用已经存在的 AI 工具，例如利用现有模型帮助医生进行诊断、帮助农民改善农业决策，或者帮助企业提高运营效率。
适应意味着根据当地语言、制度、数据、基础设施和实际需求，对 AI 工具进行改造，使其能够真正融入当地经济活动。
推进则意味着发展更先进的模型、芯片、数据中心和相关基础设施，逐渐进入 AI 技术价值链的更高层级。
对于大多数发展中国家来说，直接建设最先进的基础模型并不是最现实的起点。它需要大量资金、计算芯片、数据中心、训练数据和世界级研发人才。
相比之下，采用和适应已有技术通常更加经济，也更容易产生现实收益。
世界银行在 2026 年 8 月发布的报告指出，AI 的扩散速度已经明显快于过去的通用目的技术。蒸汽机扩散到低收入国家大约需要 80 年，电力约需要 40 年，互联网约需要 20 年；而在 ChatGPT 推出后的六个月内，中等收入国家已经占据其全球流量的一半。
这意味着发展中国家有机会以更短的时间接触新技术，但能否真正获得收益，仍然取决于本地适应能力。
为什么低成本 AI 可能比最先进的 AI 模型更重要？
在低收入国家，智能手机和互联网的普及程度并不一致。
Susan Athey 在讨论中引用的报告图表显示，低收入国家拥有智能手机的人口比例大约只有 20%。如果只考虑通过智能手机应用直接使用大型聊天机器人，就可能忽略大量潜在用户。
但 AI 应用并不一定需要以聊天机器人的形式出现。
例如，店主真正需要的可能不是与 AI 进行长时间对话，而是让客户通过现有通信软件发送订单，由系统自动整理、确认和处理。
对于只有功能手机的用户，仍然可以通过电话和语音服务提供 AI 能力。即使用户不具备读写能力，也可以通过语音消息获得个性化建议。
Susan Athey 提到，她曾与 Precision Development 合作，通过电话语音向农民提供个性化农业建议。早期系统主要提供单向语音信息，而新一代 AI 有机会进一步实现双向语音交流，使农民能够直接提问，并获得针对具体情况的回答。
在这种环境中，AI 需要适应当地语言、方言、设备条件和用户能力，而不是要求用户适应技术本身。
她还引用了一项小企业调查。该调查虽然不包括员工人数少于 5 人的最小企业，但仍然发现约 90% 的受调查企业使用短信或即时通信软件。这意味着许多企业已经具备基本的通信条件，只需要在现有系统上增加 AI 能力。
为什么小型本地模型有时比前沿模型更有价值？
在讨论中，Susan Athey 提到，她曾接触过非洲的一些团队，这些团队已经能够使用游戏电脑运行较小的 AI 模型。
这些模型不一定能够在数学竞赛中超过最先进的前沿模型，但它们可以完成更具体的任务，例如理解当地语言和方言，或者在较小的专业知识库中回答特定问题。
在这样的场景下，用户真正关心的不是模型在通用能力排行榜上的名次，而是它能否快速、准确、低成本地解决具体问题。
一个需要长时间推理、调用大量计算资源的前沿模型，可能并不适合处理一个简单的地方农业问题。一个经过本地适配、运行成本很低的小模型，反而可能产生更高的实际经济价值。
这说明 AI 应用需要在能力、成本、速度和适用范围之间进行权衡。
世界银行 2026 年的报告也强调，低成本的“小型 AI”可以通过短信、语音电话和基础手机，把专业知识提供给更多人，而不必要求每个国家都建设大型数据中心或训练最先进的基础模型。
发展中国家是否具备参与 AI 开发和适应的能力？
Susan Athey 在讨论中还引用了 GitHub 上的 AI 相关活动数据。
这些数据表明，除高收入国家外，印度、巴基斯坦、孟加拉国和尼日利亚等国家也存在一定规模的 AI 开发活动。
这些国家中有不少拥有软件外包产业和技术人才，因此具备参与 AI 工具开发、适应和本地化的基础条件。
不过，全球产业分工的变化也可能带来新的风险。
例如，一家跨国公司可能同时在菲律宾和印度班加罗尔设有业务流程外包中心。如果 AI 提高了某一地点的生产率，公司可能很快决定将更多业务集中到班加罗尔。
班加罗尔可能因此获得更多业务，但当地企业也可能进一步利用 AI 自动化这些业务流程。原本在菲律宾从事呼叫中心和业务流程外包工作的员工，则可能失去部分工作机会。
因此，发展中国家不能只关注某个产业是否扩大，还需要关注本地劳动者的下一种比较优势是什么，以及能否把被释放出来的人力资本重新投入 AI 应用开发和本地适应工作。
政府、企业和非政府组织在这一过程中都可能发挥重要作用。
人工智能的宏观增长为什么会受到弱环节限制？
什么是弱环节理论？
在讨论 AI 对长期经济增长的影响时，Christopher Tonetti 和 Chad Jones 的研究引入了一个重要概念：弱环节（Weak Links）。
这个概念与 Michael Kremer 的 O 形环生产理论以及供应链中的瓶颈问题有关。
如果一项产品需要完成一系列相互依赖的任务，那么最终产出往往会受到最弱任务的限制。
例如，制作一个蛋糕需要鸡蛋、糖、面粉和烤箱。如果缺少其中任何一种关键投入，即使其他材料非常充足，也无法制作出完整的蛋糕。
供应链同样如此。如果某个关键零部件无法供应，其他零部件再充足也不能保证最终产品顺利交付。
Tonetti 用一个简单的生产函数来表达这种关系：
[
\frac{1}{Y}=\frac{1}{X_{hard}}+\frac{1}{X_{easy}}
]
其中，(Y) 是最终产出，(X_{hard}) 和 (X_{easy}) 分别代表两种不同任务的产出。
这个表达式体现了调和平均数所具有的弱环节特征：如果其中一个投入已经非常充足，那么继续增加这个投入对最终产出的改善就会越来越有限。
真正限制产出的，是数量最少、效率最低的那项任务。
Tonetti 还使用参数 (\sigma) 表示弱环节的约束程度。按照他在讨论中介绍的估计，(\sigma) 大约为 0.2，这意味着生产体系受到弱环节的约束相当明显。
为什么只让某个行业实现无限生产率，也不会带来无限经济增长？
Tonetti 首先举了软件行业的例子。
在美国，软件支出大约占总收入的 2%。假设软件行业的生产率突然提高到无限大，能够以极低成本提供无限数量的软件，但它并没有承担任何新的任务，其他行业的生产方式也没有改变，那么整体 GDP 能够提高多少？
按照模型中的简单计算，GDP 只会增加约 2%。
这是因为，软件虽然变得极其高效，但其他行业仍然受到原有任务和生产瓶颈的限制。
他进一步考虑一个更加极端的情景：假设目前经济中有 50% 的任务支出都对应于被自动化的任务，而且这些任务的生产率达到无限大，那么整体产出会增加多少？
模型给出的结果仍然只有约 19%。
这说明，即使大量任务的生产率无限提高，其他尚未自动化的任务仍然可能成为限制整体经济增长的瓶颈。
因此，人工智能能否广泛承担不同任务，往往比它能否在某个特定任务上达到极高性能更加重要。
为什么自动化任务范围的扩大如此重要？
Tonetti 的研究不仅关注机器生产率提升的速度，还关注机器能够承担的任务范围。
从历史来看，机器在许多任务上的生产率提高速度明显快于人类。如果只观察计算能力和机械设备性能，人类可能已经很难与机器进行直接比较。
但机器生产率提升并不会自动转化为整体经济增长。它还需要伴随任务边界的不断扩大。
Tonetti 提出了一个历史反事实：假设机器的生产率仍然像现实历史中那样快速提高，但我们始终不允许机器承担 1950 年以后出现的新任务，那么过去几十年里几乎所有重要的生产率收益都可能无法实现。
这说明，经济增长来自两个共同作用的过程：机器本身不断变得更有效率，以及机器能够承担的任务范围持续扩大。
他估计，美国经济中每年大约有 2% 的任务支出份额从人类劳动转向机器。
与此同时，机器生产率的增长速度平均比人类生产率快约 4 个百分点。
如果进一步考虑一个极端的情景，即所有行业中的机器生产率都按照计算机和信息技术行业的速度提高，那么这一差距可能达到约 11 个百分点，而不是历史趋势下的 3.8 个百分点。
这就是研究中所称的“Moore's Law Everywhere”情景。
为什么生产率的弱环节决定 AI 的宏观增长速度？
我认为，弱环节理论给出了一个非常重要的判断：AI 的宏观价值并不取决于它在少数任务上有多么出色，而取决于它能否在足够广泛的任务中达到可用水平。
如果 AI 能够在少数复杂任务上表现出极高能力，但其他大量任务仍然需要人类完成，那么整个经济体系仍然可能受到这些任务的约束。
相反，如果 AI 能够在医疗、教育、行政、制造、农业、物流和企业管理等领域，以中等质量完成大量实际任务，那么它可能带来更广泛的生产率增长。
Tonetti 将 AI 在不同任务上的能力差异称为不均匀智能（Jagged Intelligence）。AI 可能在某些任务上极其出色，但在另一些任务上仍然存在明显局限。
因此，决定宏观增长速度的并不是技术能力的最高点，而是整体生产体系中最薄弱的环节能否持续得到改善。
AI 未来可能带来多大程度的经济增长？
完全自动化是否意味着劳动收入份额必然归零？
Tonetti 在研究中考虑了三种长期自动化情景。
第一种情景是最终所有任务都由机器完成，人类不再承担任何生产任务。
第二种情景是机器承担的任务越来越多，但人类在任何时期都仍然承担一部分任务，只是这些任务的比例持续下降。
第三种情景是不完全自动化，即长期仍然有一些任务需要人类完成。
在历史趋势延续的基准情景中，三种情况在未来几十年里可能呈现非常相似的经济表现。
如果机器最终承担全部任务，资本收入份额可能逐渐上升到 100%。但如果人类始终保留一定任务，即使自动化持续推进，资本收入份额也可能长期保持相对稳定。
这说明，自动化程度提高并不必然意味着劳动收入份额会持续下降。
即使劳动收入份额下降，也需要区分收入份额和实际收入水平。劳动者最终消费的是收入水平，而不是收入份额。如果整个经济的总产出大幅提高，即使劳动者占总收入的比例下降，其实际收入仍然可能增加。
Tonetti 用一句很直接的话表达了这一点：人们消费的是收入水平，而不是收入份额。
基准情景下，AI 会带来多大的 GDP 增长？
在历史趋势延续的基准情景中，Tonetti 的模型显示，自动化会使经济增长速度逐渐提高，但在未来几十年内，这种提高仍然比较温和。
到 2070 年左右，模型中的年经济增长率可能达到约 2.6%。
到 2050 年，经济总产出相对于原有趋势的提高约为 4%。
这与部分科技行业人士所预测的短期内经济产出增长数倍甚至十倍，存在明显差异。
模型认为，原因在于弱环节的约束：即使部分 AI 任务的生产率迅速提高，整体经济仍然受到其他尚未自动化的任务限制。
Moore's Law Everywhere 情景是否可能产生指数级增长？
在更加乐观的情景中，假设整个经济体系的机器生产率都能够以计算机行业的速度增长，而且自动化任务扩张的速度也显著提高，那么经济增长可能出现完全不同的结果。
模型显示，这种情况下，增长率可能快速提高，甚至在特定参数条件下出现有限时间内产出趋于无穷大的数学奇点。
这类情景的机制是机器能够制造更好的机器，而更好的机器又进一步提高机器研发和生产效率，最终形成自我强化的增长循环。
但即使在这种极端假设下，模型也指出，短期产出的扩张仍然受到任务范围和弱环节的限制。
因此，是否能够出现奇点，与未来十年或二十年的现实生产率增长，并不是同一个问题。
我认为，这一模型最重要的价值不在于预测某一个具体增长率，而在于指出：如果 AI 能够广泛承担不同任务，并且这些任务之间的互补瓶颈得到解决，宏观经济增长才可能真正加速。
人工智能对劳动市场和经济安全意味着什么？
AI 自动化是否一定会造成劳动收入份额下降？
从第一次工业革命的历史来看，技术替代与新任务创造往往同时发生。
机器能够接管部分人类劳动，但经济活动扩张也会产生新的工作任务。劳动者最终的收入和福利，取决于这两种力量之间的相对变化，以及社会能否帮助劳动者完成职业转移。
Crafts 的研究指出，英国第一次工业革命并没有出现长期、大幅度的劳动收入份额下降。虽然部分职业受到严重冲击，但整体劳动市场同时出现了新职业和新的中产阶级职业群体。
这并不意味着 AI 不会造成失业，也不意味着所有劳动者都能够自然找到新的工作。
真正重要的是降低劳动力调整成本，包括教育、培训、职业转换、就业信息和社会保障。
为什么 AI 安全风险可能比短期就业冲击更加紧迫？
Tonetti 在讨论中还提出，弱环节理论不仅适用于经济增长，也适用于 AI 安全风险。
在正向增长方面，弱环节意味着必须让足够多的任务得到改善，才能显著提高整体产出。
但在负向风险方面，少数关键任务或系统受到破坏，就可能导致整个经济体系出现严重损失。
网络安全就是一个典型例子。
攻击者不需要成功攻击所有系统，只需要找到一个关键漏洞并成功利用，就可能造成巨大的经济影响。尤其是当一个软件供应商、金融服务机构或基础设施系统同时服务大量企业和个人时，它本身就可能成为整个社会的弱环节。
Susan Athey 在讨论中举例指出，美国曾经出现一次重大网络攻击，使约三分之一的美国人口在一个月内无法正常获得数字处方服务。
这一案例说明，如果一个关键服务被少数供应商集中提供，那么单点故障就可能影响大量下游用户。
人工智能可能降低网络攻击的技术门槛，让攻击者能够更快速地尝试大量不同方法。攻击者不需要像正规企业一样经过产品安全审查、组织重构和内部审批，只需要有一种攻击方式成功，就可能获得巨大收益。
网络安全还具有明显的外部性。单个企业可能没有足够动力承担全部安全投入，但其安全不足可能影响整个社会。
因此，不能只关注 AI 能否提高劳动生产率，还需要关注它能否被用于网络攻击、诈骗和关键基础设施破坏。
生物安全为什么也是重要问题？
除了网络安全，人工智能还可能降低部分生物技术活动的知识门槛。
讨论中提出了两个方向：AI 可能帮助恶意行为者学习如何实施危险的生物活动，也可能帮助他们进一步掌握相关物质和技术的制造过程。
这类风险与 AI 模型的开放程度、使用成本和扩散速度有关。
开放模型能够帮助发展中国家以更低成本获得高质量 AI 能力，但同时也可能让部分具有风险的技术能力更容易被恶意行为者获取。
因此，AI 开放性和安全性之间存在需要认真处理的权衡，不能简单地把所有监管都解释为市场保护，也不能忽略技术扩散带来的真实风险。
我认为应该如何理解 AI 作为通用目的技术的长期价值？
不能只问 AI 最终会产生什么影响，还要问不同影响会以什么速度发生
在 2026 年的学术讨论中，Susan Athey 提出了一个非常重要的分析方法：不要只问 AI 最终会发生什么，而要问不同影响分别会以什么速度发生。
有些变化可以很快完成，例如攻击者使用 AI 生成诈骗内容、自动化网络攻击，或者企业在已有软件系统中加入 AI 功能。
另一些变化则需要很长时间，例如大型企业重新设计组织结构、调整员工职责、替换生产设备、建立新的数据体系，以及重新配置跨部门工作流程。
这些变化即使具有很高的经济回报，也未必能够立即发生。
例如，一个受到政府保护、具有政治关联或存在市场准入壁垒的企业，不一定会因为出现了更有效率的 AI 工具就立刻改变经营方式。它可能有其他方式保护自己的市场地位。
员工也可能因为担心失去工作和收入而不愿意使用 AI。如果管理者没有让员工理解技术如何改善工作，也没有建立相应的激励机制，技术就可能无法顺利扩散。
因此，GPT 理论需要结合具体的微观经济事实、企业组织和制度环境，才能用于预测 AI 的经济影响。
为什么企业有时会理性地选择等待？
AI 能力和使用成本正在快速变化。
Christopher Tonetti 在讨论中指出，某个模型在上一年处于前沿水平时，可能具有较高的运行成本；到了下一年，同一个模型可能已经变得非常便宜。
因此，一个发展中国家或者企业可能会面临选择：现在使用昂贵的前沿模型，还是等待几个月，使用性能更好、价格更低、已经得到更多验证的模型。
对于企业来说，如果今天投入大量资金重构生产流程，但六个月后其他公司已经开发出更成熟的解决方案，那么提前投资的回报可能并不理想。
因此，等待并不一定意味着缺乏创新意识，有时反而是面对技术不确定性时的理性决策。
但这种等待也可能使整个经济体系延迟获得技术收益。
这再次说明，AI 的经济影响取决于技术性能、采用成本、企业组织和未来预期之间的共同作用。
为什么医疗服务中的弱环节特别值得关注？
Susan Athey 在讨论中提出了一个医疗案例。
假设 AI 已经能够准确识别患者的疾病，并为患者推荐正确的治疗方法，但患者所在的农村地区没有药品供应，或者缺乏能够执行治疗的医疗人员，那么 AI 的诊断能力就无法转化为实际健康收益。
在这种情况下，真正限制产出的并不是诊断技术，而是药品配送、医疗人员和服务基础设施。
因此，AI 提高某一环节的效率，并不意味着整个系统就会同步改善。
我认为，这也是弱环节理论最有价值的地方。它让我们从单项技术性能转向整个生产系统，关注哪些互补资源仍然稀缺，以及这些资源如何限制 AI 的实际经济收益。
AI 作为通用目的技术需要什么样的政策和制度环境？
政府应该如何成为 AI 发展的推动者？
世界银行 2026 年《世界发展报告：AI 的承诺》提出，政府可以从三个身份发挥作用：AI 的推动者、使用者和监管者。
作为推动者，政府需要建立 AI 广泛应用所需要的数字和非数字基础设施。
数字基础设施包括计算资源、数据资源、互联网连接和 AI 人才；非数字基础设施则包括稳定的电力供应、基础教育、职业技能、商业环境和制度能力。
这些基础条件需要协同建设，因为单独改善某一个领域，并不一定能够带来足够收益。
作为使用者，政府可以通过公共采购和公共服务应用，推动 AI 在医疗、教育、农业推广和司法等领域落地。
政府采购不仅能够帮助公共部门提高效率，还可以为本地 AI 企业创造真实需求，使它们有机会开发和适应本地化解决方案。
作为监管者，政府需要处理隐私、网络安全、AI 系统可靠性和市场集中等问题。对于市场机制无法有效解决的社会风险，可以通过现有法律、行业标准和国际合作建立相应的约束机制。
为什么竞争政策和市场结构也会影响 AI 的增长贡献？
Bresnahan 和 Trajtenberg 的研究提醒我们，GPT 的发展与市场结构密切相关。
如果基础技术提供者拥有很强的市场权力，它可能通过定价方式影响下游企业的创新激励。如果不同应用行业之间缺少合作机制，基础技术的公共收益也可能无法得到充分利用。
世界银行 2026 年的报告进一步指出，AI 价值链的不同层级，包括芯片、基础设施、模型和应用，集中在少数国家和少数公司手中。
这种集中会产生依赖风险。对于发展中国家而言，如果 AI 的关键投入全部依赖少数跨国企业，那么技术创造的经济收益可能有相当一部分通过模型服务、芯片和计算资源采购流向国外。
这意味着，AI 带来的生产率提高并不必然全部转化为本地收入和利润。
因此，我认为发展中国家需要在开放使用全球技术与建设本地适应能力之间寻找平衡，而不是简单追求建设自己的所有底层模型和基础设施。
世界银行也强调，建设前沿 AI 模型是最困难、成本最高的路径。对多数发展中国家而言，更现实的策略是先采用现有技术，再根据当地需求进行适应，最后在具备相应能力后推进更高层级的技术研发。
为什么必须降低劳动者的技术调整成本？
AI 的长期经济收益可能来自劳动生产率提高、任务重新分配和新产业发展，但这些变化并不会自动让每个人受益。
如果部分岗位被快速替代，而新的岗位和职业能力还没有形成，劳动者可能在相当长的时间内面临失业和收入下降。
因此，政策需要关注教育、职业培训、就业转换和社会保障，帮助劳动者从被自动化的任务转向新出现的任务。
从第一次工业革命的经验来看，新任务的形成能够抵消部分技术替代效应，但如果劳动力调整完全交给市场，调整成本可能非常高。
这也是为什么我认为，人工智能时代的政策重点不能只放在技术研发和企业采用率上，还需要关注技术收益在劳动者之间如何分配。
结论：人工智能的深层影响来自整个经济体系的重新设计
回顾蒸汽机、电力、半导体和信息通信技术的发展历史，我认为，通用目的技术的核心价值从来不只是提高某个产品或某个行业的效率，而是改变整个经济体系产生创新、组织生产和积累知识的方式。
Bresnahan 和 Trajtenberg 的研究说明，GPT 具有广泛渗透性、持续改进潜力和创新互补性。基础技术与应用行业之间的双向诱导，使得技术进步能够产生超出单项创新本身的经济收益。但由于纵向和横向外部性，市场机制可能造成创新不足、创新滞后和协调失败。
Crafts 的历史研究则说明，通用目的技术的宏观经济影响通常需要时间才能显现。蒸汽机、电动机和 ICT 的历史都表明，技术改进、组织重构、互补性投资和学习积累，是技术突破转化为生产率增长的重要条件。
第一次工业革命的深层意义，是形成了系统经验主义和知识传播机制；第二次工业革命通过工业研发实验室和应用科学改变了创新方式；第三次工业革命通过计算机和互联网大幅降低了知识获取和研发成本。
人工智能可能成为第四次工业革命的重要基础，但它是否能够真正发挥 GPT 的作用，还取决于能否形成足够广泛的应用，以及能否进一步成为一种提高研发和知识生产效率的新方法。
从宏观经济角度看，AI 的增长贡献可能通过三种渠道实现：提高单一行业生产率、扩大可用劳动供给，以及提高整个经济体系的知识生产和研发效率。其中，第三种渠道可能具有最深远的长期影响。
从发展中国家的角度看，AI 还有一个特殊机会：它可以补足长期稀缺的专业知识、医疗服务、教育能力和农业信息。通过低成本模型、语音服务、本地化应用和现有通信系统，AI 有机会以较低成本提高大量小型企业和个体劳动者的生产率。
但我认为，最终决定 AI 经济影响的，仍然不是某个模型能够达到多高的性能，而是整个经济体系能否解决那些限制生产率的弱环节。
如果只有少数行业获得了极高的 AI 能力，而其他行业仍然缺乏必要的人才、基础设施和组织能力，那么整体增长仍然会受到限制。
如果 AI 能够在广泛任务中提供足够可靠、足够低成本的能力，并且能够推动企业、政府和社会组织重新设计工作流程，那么它就有可能成为真正的通用目的技术。
我对 AI 长期经济价值的核心判断是：技术能力决定可能性，互补性创新决定扩散范围，组织和制度决定实现速度，而整个经济体系中的弱环节最终决定增长能够达到的高度。
我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
诗篇 23:4