人工智能的生产率悖论

闫德利腾讯研究院资深专家

原文发表于《中国信息化》，有修改。

生产率悖论的三种解释

劳动生产率是总产出和总劳动时间的比值，衡量的是劳动投入转化为实际产出的效率。它是一个十分重要的经济指标。从长远来看，生产率增长是提高生活水平的唯一途径（Tim Sargent，2024）。技术进步是生产率增长的主要来源（布鲁金斯学会，2024），然而“技术创新突飞猛进和生产率增长令人失望”的情况却常常同时存在。这就是生产率悖论（Productivity Paradox）。

1987年，诺贝尔经济学奖得主罗伯特·索洛在一篇去工业化的文章中写到：“You can see the computer age everywhere but in the productivity statistics（计算机时代的踪影无处不在，唯独生产率统计中看不出来）。”这句漫不经心的话，就是“生产率悖论”或“索洛悖论”最经典的表达。人们一般认为是索洛首先提出了生产率悖论，实际可能另有其人，彭赓和吕本富（2003）认为是Stephen S. Roach。

四十年来，学者就生产率悖论开展了持续研究。美国的Paul David和Brynjolfsson是其中的开创者和引领者，形成了错误预期、测量误差和时间滞后三种主要解释。

一是错误预期。人们对技术潜力的乐观预期是错误的，它实际并不像想象的那样具有变革性。历史上有很多令人兴奋的技术未能实现最初的预期。例如：核能远未“便宜到无需计量（Too Cheap To Meter）”；可控核聚变“永远需要30年才能实现（Always 30 Years Away）”；马文・明斯基（1970）预言“在三到八年的时间里我们将得到一台具有人类平均智能的机器”，它仍未出现。

二是测量误差。在实际操作中，衡量生产率并非易事（Tim Sargent，2024）。新技术带来的生产率收益真实存在，但尚未被准确测量捕捉，人们衡量实证现实的工具未能有效发挥作用。例如：免费的互联网服务，以及性能不断提高、价格不断降低的科技产品，都难以在传统统计中充分体现。

三是时间滞后。前两种解释都试图消除乐观预期与失望的统计现实之间的矛盾，从而假设其中一方在某种程度上是错误的。时滞性解释则认为，看似矛盾的两个方面可以同时成立，只是时间未到。也就是说，新技术需要花费较长的时间才能对生产率产生实质影响，通用目的技术（GPTs）尤是如此。

新技术对生产率的影响具有滞后性

Brynjolfsson认为（2017），时滞性解释最具说服力，是导致生产率悖论的主要原因。Paul David指出（2000）：“范式转型的早期阶段不应期望出现最大的生产率回报，尽管此时新技术的扩散速度可能最快。”通用目的技术需要经过多次次级创新、互补创新和组织变革，才能对生产率产生实质影响。Brynjolfsson（2020）把通用目的技术对生产率影响的滞后效应概括为“J形曲线”。Helpman和Trajtenberg（1994）有类似观点，他们把通用目的技术对经济增长的影响分为播种和收获两个阶段，在播种阶段生产率增长缓慢甚至下降，只有到收获阶段增长才真正开始。

因此，长期来看，生产率悖论并不是什么悖论，它只是特定阶段的现象，例如索洛所处的1980年代。从1990年代中后期开始，信息技术的资本积累才达到足以影响生产率的程度（Stephen Oliner & Daniel Sichel，2000）。根据欧洲央行的研究（2020），电和ICT对美国劳动生产率的贡献在历史走势上具有很大相似性，都是前期平缓，后期加速，拐点分别是1915年和1995年。从历史上看，蒸汽机、发电机和计算机分别在发明118年、91年和49年，分别在商业化54年、40年和21年后，才开始明显推动生产率提高。如下图所示。

图通用目的技术从发明和商业化到明显提升生产率的年限

数据来源：根据Nicholas Crafts（2018）、Paul David（1990）、Stephen Oliner & Daniel Sichel（2000）和欧洲央行（2020）数据整理。

AI尚不能明显推动生产率提升

人工智能是新的通用目的技术（Nicholas Crafts，2021；OECD，2024；NBER，2026），具有普遍适用、持续改进和催生创新的特征，是未来经济增长的引擎。人工智能术语提出已有70年，机器学习革命已有14年，当前AI浪潮如火如荼，从大语言模型、多模态，到世界模型、智能体、物理AI，此起彼伏，层出不穷。然而，生产率增速并没有明显加快，甚至面临着生产力危机（Rogers，2024）。

自2022年11月ChatGPT发布以来，加拿大和欧盟的劳动生产率基本保持不变，增速在0%上下波动。而欧盟在1999-2008年每小时劳动生产率平均增速达到1.5%，2010-2019年达到1%。如下图所示。美国增长强劲，2025年非农部门劳动生产率增速达2.2%，在西方国家中一枝独秀，但这也仅相当于1947年以来的长期平均水平（来源：劳工统计局）。

图欧盟近年的劳动生产率增速（来源：欧盟统计局）

媒体喜欢用“iPhone时刻”“ChatGPT时刻”等词语来描述重要的技术变革，这给人一种瞬间性和突发性的感觉。然而，技术对经济社会的影响是一个长期的过程。诺贝尔经济学奖得主Daron Acemoglu指出（2024）：“很多人认为，AI可以迅速彻底改变经济的各个方面，并导致生产率的大幅提高，甚至使我们接近奇点。虽然这种可能性不能完全排除，但迄今为止还没有证据表明革命性的影响已经发生。”

“AI＋”指数需要达到50%

渗透率是前置指标，它决定着生产率的贡献度。AI对劳动生产率的影响程度，可通过渗透率直观体现。Paul David指出（2000）：“成本节约型技术的渗透率只有达到50%的门槛后，才会对全要素生产率的增速产生最大影响。”也就是说，“AI＋”指数需要达到50%，生产率增速才能明显加快。

然而，官方数据表明，AI的企业应用还处于早期阶段，面临企业级壁垒。美国和加拿大的企业AI渗透率处于10%左右，欧盟和英国处于20%左右，我国规上制造业企业AI技术应用普及率超30%。这里的渗透率是“有没有”的衡量，只要应用某一项AI技术就算；还没到“好不好”的高级阶段，尚不考虑应用的深度、广度和效果。由于统计口径不同，这些数字不能直接横向比较，但都表明，AI仍处于早期的技术扩散阶段，渗透率远未达到50%的门槛。如下图所示。

图主要国家和地区的企业AI渗透率

注：中国指的是规上制造业企业；欧盟、德国和法国限定为10人及以上企业；英国和美国的调查时间均是当年9月，加拿大是当年二季度。

我国在人工智能领域与美国旗鼓相当（钟才文，2025），却走出了一条不同的道路。美国大投入、重性能、追求AGI。我国则开放权重、强应用，大力推动AI和各行各业的深度融合，把“AI＋”作为促进技术变革和赋能行业高质量发展的抓手。“AI＋”的本质就是提高采纳率，进而提高劳动生产率。随着“AI＋”的纵深推进，劳动生产率必将迎来快速提升。

参考文献：

【1】Erik Brynjolfsson, Daniel Rock, and Chad Syverson, "Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics," NBER Working Paper 24001 (2017), https://doi.org/10.3386/w24001.

【2】Paul A. David，2000. “Understanding Digital Technology's Evolution and the Path of Measured Productivity Growth: Present and Future in the Mirror of the Past,” https://doi.org/10.7551/mitpress/6986.003.0005

【3】S. S. Roach, “America’s Technology Dilemma: A Profile of the Information Economy,” Morgan Stanley, 1987.

【4】Daron Acemoglu, 2024. "The Simple Macroeconomics of AI," NBER Working Papers 32487, National Bureau of Economic Research, Inc.

【5】Filippucci, F, P Gal and M Schief (2024), "Miracle or Myth? Assessing the macroeconomic productivity gains from Artificial Intelligence", OECD Artificial Intelligence Papers, No. 29.