人工智能（AI）正在成为全球经济最重要的结构性变量之一。市场普遍将AI视为继电力、互联网之后的新一轮通用技术革命，并据此提前定价未来数十年的生产率跃升。然而，与资本市场的乐观预期形成鲜明对比的是，全球经济仍然面临通胀压力，长期潜在增长率并未明显上修。

为何技术突破正在以前所未有的速度发生，但全球经济增长却没有同步加速？参考经济理论，为我们理解AI时代提供了新的视角：经济增长并不由最先进的部门决定，而是由落后的瓶颈决定。现阶段，算力、能源等物理约束，企业流程和系统等组织约束，人类监督和判断等人力约束，以及法律和监管等制度约束，共同限制了AI由局部任务效率向整体生产率的转化。

随着AI由辅助工具进一步演变为能够自主交易、谈判和生产的经济代理人，传统经济学中的理性人假设、市场竞争、均衡机制和知识生产也将面临重构，并可能带来目标错配、算法合谋、决策同质化、系统性风险与知识坍塌等新问题。更重要的是，突破弱环只是生产率提升的必要条件，真正决定AI能否引发增长革命的，是其能否超越既有任务自动化，持续创造新的产品、服务、职业和消费需求。短期而言，在供给约束尚未突破之前，AI驱动的新一轮资本开支周期可能率先推升能源以及算力需求，结构性通胀压力或快于广泛意义上的技术通缩。展望未来，能否突破索洛悖论，关键在于AI能否演变为需求创造平台，并形成新的消费场景、商业模式和产业生态，从而转向长期的J型爆发式扩张。

弱环约束：为什么AI尚未显著提升生产率

2026年，AI无疑已经成为全球经济与金融最受关注的主题之一。对于许多市场参与者而言，AI不仅意味着一次产业升级，更意味着一次足以媲美电力革命、互联网革命甚至工业革命的生产率跃升。然而，当我们把目光从资本市场转向经济数据时，却会发现另一幅截然不同的图景。全球经济仍然面临通胀压力，长期潜在增长率也并未明显上修。资本市场正在交易未来，但全要素生产率和长期潜在增长率并未显著改善。

这种反差背后，隐藏着AI时代的索洛悖论：为什么技术革命正在发生，而增长革命尚未到来？参考NBER最新的工作论文，为我们理解AI时代提供了新的视角。其中指出，经济增长并不由最先进的部门决定，而是受到关键瓶颈的约束。一个系统并不会因为最先进部分的突破而自动进入高效率状态，相反，它往往会被那些最难替代、最难升级、最缺乏弹性的部分所约束。

这一逻辑与诺贝尔经济学奖得主克雷默提出的○型环经济理论（○-Ring Theory）高度一致，即在复杂生产体系中，各项任务并非彼此独立，而是具有较强的互补性。任何关键环节的低质量或失误，都可能降低其他高质量投入的边际价值，使单个环节的技术进步无法按比例转化为整体产出。

当前限制AI生产率释放的弱环，可以概括为四类：一是物理弱环。AI依赖算力、能源、电网、芯片、数据中心和实体设备，对于制造、物流、建筑和医疗等行业，数字智能还必须通过机器人、设备和基础设施才能作用于现实世界。二是组织弱环。大量企业目前止步于将AI嵌入原有流程，而不是围绕AI重新设计流程。旧有的数据系统、组织边界和管理机制，使AI只能提高局部任务效率，却无法改变企业整体运行方式。三是人力弱环。AI生成结果仍然需要人类提出问题、判断质量、承担责任并处理异常。特别是在高风险和复杂决策中，人类经验、隐性知识和情境判断仍然不可替代。因此AI不仅难以节省人力，反而可能增加验证、监督和纠错成本。四是制度弱环。数据隐私、知识产权、法律责任、行业监管和安全要求限制了AI在医疗、金融、法律和公共服务中的大规模应用。即使技术上可行，企业也未必能够或愿意把关键决策交给AI。因此，AI时代的核心矛盾或许并非技术创新不足，而是技术进步速度与现实世界扩张速度之间的错位，索洛悖论也因此在新的技术周期中再次显现。

从工具到代理人：AI如何重构传统经济学

当AI只是辅助工具时，传统经济学仍然可以将其视为资本投入、技术进步或生产率提升的来源。但当AI开始自主搜索、交易、谈判、定价和组织生产时，它便不再只是生产函数中的一种投入，而开始成为经济活动中的代理人。由此产生的变化，不只是机器替代了部分人类工作，更在于经济决策开始由一种可以被设定目标、大规模复制并相互连接的算法主体执行。

首先，AI会重新定义传统经济学中的理性主体。AI本质上是优化系统，因此在信息处理、选项比较和策略执行层面，表面上比人类更接近标准经济学中的理性人。但问题不只在于AI能否有效优化，更在于被设定的目标能否完整代表人类偏好，以及模型在复杂环境中形成的实际行为是否始终与该目标一致。由此，AI带来的并不是理性人的消失，而是新的委托代理问题。

其次，AI可能重塑市场竞争与均衡形成机制。AI可以显著降低搜索成本，使消费者更容易比价，从而压低企业加价率。但多个定价智能体也可能在重复互动中形成高价均衡，即使它们没有明确沟通。算法合谋的结果可能与传统卡特尔相似，但不存在书面协议或明确主谋，这会对现有反垄断框架提出挑战。

再次，AI可能导致市场行为高度同质化。如果大量企业和消费者使用相似的基础模型，它们可能在相同信息下作出相似决策。传统经济中的个体误差通常可以相互抵消，但AI误差可能因为模型复制而高度相关。一旦模型在异常环境中失效，金融市场、信贷、库存和供应链可能同时作出错误反应，形成系统性风险。

最后，AI的广泛应用可能引发知识坍塌。个体依赖AI获取答案，可以提高当期效率。但人类学习不仅产生私人收益，也会为社会创造公共知识。但如果AI直接提供高质量答案，人类自主学习和探索的动力可能下降。对个体而言，这是理性的，因为学习成本被节省。从社会角度看，原创知识供给可能减少。当AI输出又进入未来训练数据时，系统可能不断重复自身生成的内容，独立信息和知识多样性逐渐下降。

需求跃迁：生产率爆发式增长的充分条件

突破弱环，是AI提升生产率的必要条件，却不足以保证其进一步演变为持续的增长革命。生产率的持续提升不仅需要供给侧效率改善，还需要需求侧形成新的产品、新的服务和新的市场。参考经济学家阿西莫格鲁与雷斯特雷波提出的新任务创造框架，技术进步对经济的影响主要来自两种力量：一种是自动化效应，即机器替代原有劳动者完成既定任务。另一种是新任务创造效应，即技术催生过去不存在的新职业、新产业和新的消费需求。前者更多体现为成本节约，后者才是真正推动经济增长的来源。

历史经验表明，推动生产率跃升的技术革命往往并非来自效率改善本身，而是来自新需求的诞生。电力不仅提高了工厂效率，更催生了家电产业与现代城市生活。汽车不仅替代马车，更创造了高速公路、物流网络、旅游业和郊区经济；互联网不仅提高信息传递效率，更创造了电子商务、社交媒体、移动支付和数字广告等全新产业体系。因此，生产率革命的本质，不只是以更低成本完成既有任务，而是持续扩张经济活动的边界。局部任务效率首先需要转化为企业整体运行效率，企业效率改善又需要进一步转化为新产品、新服务和新市场。

沿着这一传导链条，AI对宏观经济的影响可能呈现两个阶段性特征。一方面，结构性通胀可能快于广泛意义上的技术通缩。人工智能正在推动新一轮资本开支周期。数据中心、GPU、网络设备、电力设施以及相关基础设施投资快速扩张，对能源、金属、土地以及资本品形成持续需求。然而，建设一座数据中心需要数年时间，扩建电网需要长期投资，先进制程芯片产能释放受到设备、人才和供应链约束，能源开发则受到资源禀赋与政策环境影响。供需错配之下，价格压力可能率先显现。

另一方面，K型分化向J型爆发的关键仍在于新需求的创造。如果未来AI能够催生新的消费场景、新的商业模式以及全新的产业生态，那么生产率增长在短期内表现为K型分化与增长停滞，长期则伴随弱环突破与需求扩张，有望呈现J型爆炸式增长曲线，反之，如果AI主要停留在既有产业内部的效率优化，其宏观影响可能低于市场当前的乐观预期。

（程实系工银国际首席经济学家，周烨系工银国际宏观分析师）