人工智慧的生產力悖論

閆德利
騰訊研究院資深專家

原文發表於《中國信息化》，有修改。

勞動生產率是總產出與總勞動工時的比值，用以衡量勞動投入轉化為實際產出的效率。這是一個至關重要的經濟指標。從長遠來看，生產率的增長是提高生活水準的唯一途徑（Tim Sargent，2024）。技術進步是生產率增長的主要來源（布魯金斯學會，2024），然而「技術創新突飛猛進」與「生產率增長令人失望」的情況卻常常並存。這就是「生產力悖論」（Productivity Paradox）。

1987 年，諾貝爾經濟學獎得主羅伯特·索洛在一篇關於去工業化的文章中寫道：「You can see the computer age everywhere but in the productivity statistics（計算機時代的蹤影無處不在，唯獨生產率統計中看不出來）。」這句看似漫不經心的話，正是「生產力悖論」或「索洛悖論」最經典的表述。人們普遍認為是索洛首先提出了生產力悖論，但實際可能另有其人，彭賡和呂本富（2003）認為提出者是 Stephen S. Roach。

四十年來，學者們對生產力悖論進行了持續研究。美國的 Paul David 和 Brynjolfsson 是其中的開創者和引領者，形成了錯誤預期、測量誤差和時間滯後這三種主要解釋。

一是錯誤預期。人們對技術潛力的樂觀預期是錯誤的，技術實際上並不像想像中那樣具有變革性。歷史上有很多令人興奮的技術未能實現最初的預期。例如：核能遠未達到「便宜到無需計量（Too Cheap To Meter）」；可控核融合「永遠需要 30 年才能實現（Always 30 Years Away）」；馬文·明斯基（1970）預言「在三到八年的時間裡我們將得到一台具有人類平均智能的機器」，但它至今仍未出現。

二是測量誤差。在實際操作中，衡量生產率並非易事（Tim Sargent，2024）。新技術帶來的生產率收益真實存在，但尚未被準確測量和捕捉，人們衡量實證現實的工具未能有效發揮作用。例如：免費的網際網路服務，以及性能不斷提高、價格不斷降低的科技產品，都難以在傳統統計中充分體現。

三是時間滯後。前兩種解釋都試圖消除樂觀預期與失望的統計現實之間的矛盾，從而假設其中一方在某種程度上是錯誤。時滯性解釋則認為，看似矛盾的兩個方面可以同時成立，只是時間未到。也就是說，新技術需要花費較長的時間才能對生產率產生實質影響，通用目的技術（GPTs）尤其是如此。

Brynjolfsson 認為（2017），時滯性解釋最具說服力，是導致生產力悖論的主要原因。Paul David 指出（2000）：「典範轉移的早期階段不應期望出現最大的生產率回報，儘管此時新技術的擴散速度可能最快。」通用目的技術需要經過多次次級創新、互補創新和組織變革，才能對生產率產生實質影響。Brynjolfsson（2020）把通用目的技術對生產率影響的滯後效應概括為「J 形曲線」。Helpman 和 Trajtenberg（1994）有類似觀點，他們把通用目的技術對經濟增長的影響分為播種和收穫兩個階段，在播種階段生產率增長緩慢甚至下降，只有到收穫階段增長才真正開始。

因此，長期來看，生產力悖論並不是什麼悖論，它只是特定階段的現象，例如索洛所處的 1980 年代。從 1990 年代中後期開始，資訊技術的資本累積才達到足以影響生產率的程度（Stephen Oliner & Daniel Sichel，2000）。根據歐洲央行的研究（2020），電力和資訊通信技術（ICT）對美國勞動生產率的貢獻在歷史走勢上具有很大相似性，都是前期平緩，後期加速，拐點分別是 1915 年和 1995 年。從歷史上看，蒸汽機、發電機和計算機分別在發明 118 年、91 年和 49 年，分別在商業化 54 年、40 年和 21 年後，才開始明顯推動生產率提高。如下圖所示。

圖：通用目的技術從發明和商業化到明顯提升生產率的年限

數據來源：根據 Nicholas Crafts（2018）、Paul David（1990）、Stephen Oliner & Daniel Sichel（2000）和歐洲央行（2020）數據整理。

人工智慧是新的通用目的技術（Nicholas Crafts，2021；OECD，2024；NBER，2026），具有普遍適用、持續改進和催生創新的特徵，是未來經濟增長的引擎。人工智慧術語提出已有 70 年，機器學習革命已有 14 年，當前 AI 浪潮如火如荼，從大型語言模型、多模態，到世界模型、智能體、實體 AI，此起彼伏，層出不窮。然而，生產率增速並沒有明顯加快，甚至面臨著生產力危機（Rogers，2024）。

自 2022 年 11 月 ChatGPT 發布以來，加拿大和歐盟的勞動生產率基本保持不變，增速在 0% 上下波動。而歐盟在 1999-2008 年每小時勞動生產率平均增速達到 1.5%，2010-2019 年達到 1%。如下圖所示。美國增長強勁，2025 年非農部門勞動生產率增速達 2.2%，在西方國家中一枝獨秀，但這也僅相當於 1947 年以來的長期平均水準（來源：勞工統計局）。

圖：歐盟近年的勞動生產率增速（來源：歐盟統計局）

媒體喜歡用「iPhone 時刻」「ChatGPT 時刻」等詞語來描述重要的技術變革，這給人一種瞬間性和突发性的感覺。然而，技術對經濟社會的影響是一個長期的過程。諾貝爾經濟學獎得主 Daron Acemoglu 指出（2024）：「很多人認為，AI 可以迅速徹底改變經濟的各個方面，並導致生產率的大幅提高，甚至使我們接近奇點。雖然這種可能性不能完全排除，但迄今為止還沒有證據表明革命性的影響已經發生。」

滲透率是前置指標，它決定著生產率的貢獻度。AI 對勞動生產率的影響程度，可透過滲透率直觀體現。Paul David 指出（2000）：「成本節約型技術的滲透率只有達到 50% 的門檻後，才會對全要素生產率的增速產生最大影響。」也就是說，「AI＋」指數需要達到 50%，生產率增速才能明顯加快。

然而，官方數據表明，AI 的企業應用還處於早期階段，面臨企業級壁壘。美國和加拿大的企業 AI 滲透率處於 10% 左右，歐盟和英國處於 20% 左右，我國規模以上製造業企業 AI 技術應用普及率超 30%。這裡的滲透率是「有沒有」的衡量，只要應用某一項 AI 技術就算；還沒到「好不好」的高級階段，尚不考慮應用的深度、廣度和效果。由於統計口徑不同，這些數字不能直接橫向比較，但都表明，AI 仍處於早期的技術擴散階段，滲透率遠未達到 50% 的門檻。如下圖所示。

圖：主要國家和地區的企業 AI 滲透率

註：中國指的是規模以上製造業企業；歐盟、德國和法國限定為 10 人及以上企業；英國和美國的調查時間均是當年 9 月，加拿大是當年二季度。

我國在人工智慧領域與美國旗鼓相當（鍾才文，2025），卻走出了一條不同的道路。美國大投入、重性能、追求 AGI（通用人工智慧）。我國則開放權重、強應用，大力推動 AI 和各行各業的深度融合，把「AI＋」作為促進技術變革和賦能行業高品質發展的抓手。「AI＋」的本質就是提高採納率，進而提高勞動生產率。隨著「AI＋」的縱深推進，勞動生產率必將迎來快速提升。

參考文獻：

閆德利：《AI 導致矽谷十萬大裁員？》

閆德利：《技術創新的性質》