AI革命叙事的试金石：TFP红利能否兑现？——基于文献综述的机制辨析与前景展望

8月28日，美联储主席凯文·沃什在杰克逊霍尔年会上发表演讲，将人工智能定义为一种新的生产要素，并明确提出AI对经济增长和货币政策的长期影响已经成为需要严肃对待的重要议题。他同时提出了一个更根本的问题：AI的应用是否会导致整个经济体生产率显著且持续地提升？如果是，何时会发生？这也正是当下全球市场围绕AI最核心的分歧所在。若AI能推动全要素生产率（TFP）持续上行，那么当前高投入、高估值背后对应的就是新一轮增长中枢抬升；若不能，这种繁荣就很难摆脱泡沫疑虑。

理解AI对生产率的影响，需要回答三个本质问题：第一，为什么同样研究AI对生产率的提升，现有文献会给出差异极大的测算结果？第二，为什么微观层面已经不断证实了AI提效，但宏观统计中的生产率改善仍不明显？第三，在中国经济结构、产业条件和技术扩散路径下，AI红利究竟可能以何种方式、在多大程度上兑现？

一、AI拉动TFP的测算分布及其结构性分歧

关于AI究竟能在多大程度上提高生产率，过去两三年学界与业界进行了一系列探讨，但观点差异极大。一端是诺奖得主Acemoglu给出“未来十年美国TFP累计提升不足1%”的谨慎结论，另一端则是更激进的前沿文献将AI对研发活动的自动化纳入增长分析，讨论增长率显著加速、甚至出现“奇点式”跃升的可能。

如果将研究范围收窄到“AI对既有任务的自动化与辅助”，现有文献的结论并没有市场感受中那么天差地别。统一到年均TFP增量后，大多数研究的结果主要落在0.05至1.24个百分点之间。下沿主要对应Acemoglu（2024）的审慎估计，即未来10年AI带来的TFP累计增幅约为0.53%至0.66%，折合年均约0.05至0.07个百分点；上沿则对应Aghion和Bunel（2024）偏乐观情景下的1.24个百分点。从各位学者预测的基准情景来看，其落点更多集中在这一区间的中低部。而真正将测算差距拉大的，是研究边界的变化——一旦把AI从“现有任务提效工具”进一步扩展为“创新活动加速器”，将研发自动化、知识创造乃至AGI情景纳入分析，结果就会迅速跃迁到“增长率显著加速”的另一数量级。

现有研究之所以会出现巨大落差，最核心的原因之一在于是否将AI对研发活动、知识发现和新任务创造的作用纳入测算。更保守的一类研究，主要把AI看成现有工作流程中的提效工具，关注它能否替代或辅助已经存在的任务，如客服、写作、编程、分析等。这类收益本质上属于“存量流程提效”。典型代表如Acemoglu（2024）明确指出，其基准测算严格限定在既有任务上的成本节约与效率提升之内，并未将新任务、新产品和研发自动化带来的额外生产率收益纳入结果。与之相比，Aghion和Bunel（2024）明确区分了两条机制：一条是AI提高商品和服务生产中的任务效率，另一条是AI提高新思想、新产品和新组织形式的生成能力。

更乐观的一类研究，则把AI进一步放到研发、设计、知识发现和新任务创造中去理解。它们关注的不只是“把原来的事做得更快”，而是“能不能让新知识产生得更快、新产品推出得更早、技术进步本身更迅速”。一旦问题从“流程提效”转向“创新提速”，AI的经济含义就从效率工具上升为增长变量。Korinek和Suh（2024）关于AGI转型情景的研究指出，若AI实现研发创新自动化，经济增长路径可能出现超指数加速。

在只考虑AI对现有任务的提效时，主流文献对AI拉动TFP的估算大体建立在Hulten定理之上。该定理的核心原理在于：在竞争均衡条件下，宏观全要素生产率变化可以表示为各微观部门全要素生产率变化按其经济权重加总后的结果。在此基础上，主流文献进一步将微观任务层面的效率提升近似映射为宏观生产率增量。因此，不同文献之间的差异，主要来源于作者对同一框架中关键现实条件的不同判断。

第一项关键参数是任务暴露度。Acemoglu（2024）对AI暴露度的界定较为严格，更强调在当前能力边界和商业条件下能够形成实际效率改善的任务范围。相比之下，Aghion和Bunel（2024）更倾向于认为AI的能力边界将持续扩展。OECD（2025）关于G7的研究进一步表明，暴露度本身具有显著的部门差异，金融、信息科技、出版媒体和专业服务等知识密集型部门更高，而农业、建筑、餐饮等物理操作占比较高的部门更低。

第二项关键参数是经济可行率或采用率。Acemoglu（2024）在这一步尤其谨慎，强调即使技术上暴露于AI，也只有在成本、误差容忍度、组织嵌入和部署流程都满足条件时才进入宏观测算。相反，Aghion和Bunel（2024）更强调技术能力提升、算力成本下降和企业组织调整所带来的动态采用空间。IMF（2025）进一步表明，采用率不仅是技术问题，也是制度和结构问题：工资水平越高、行业结构越偏向知识密集型、监管摩擦越小，AI的采用速度就越快。

第三项关键参数是单任务成本节约或生产率提升。现有微观研究普遍发现，AI在客服、写作、基础分析、编程辅助等场景可以显著提效，但证据多集中于较易标准化、可清晰定义成功标准的任务。Acemoglu（2024）据此采取了更保守的处理，认为不能将简单任务上的提效幅度直接外推到所有受影响任务。

第四项关键参数是任务对应的劳动份额。若AI主要影响的是劳动密集型认知任务，且这些任务集中在高增加值部门，那么同样的微观提效就会更强地传导到宏观TFP；反之，若受影响任务集中于较窄行业或较小环节，宏观红利就会被压缩。

另一个容易被忽视的问题是：局部任务提质增效，并不会自动按同样幅度传导成宏观生产率改善。真实经济不是若干独立任务的简单相加，而是由大量彼此关联、互相制约的部门和环节组成。Jones和Tonetti（2026）提出的“弱链接”机制指出，当生产过程依赖多个彼此互补的环节时，总产出往往受到最薄弱环节的约束。这意味着，即便AI已经覆盖了大量任务，只要仍有少数关键任务难以被自动化，整体增长路径就会被这些剩余瓶颈所牵制。

二、AI生产率悖论的成因辨析

为什么AI已经这么热，企业层面也不断出现提效案例，但官方统计中的生产率改善仍不明显，即“AI生产率悖论”？这并不意味着AI没有提高效率，更可能是AI红利在形成、扩散、兑现和统计之间存在一定的时间差和结构性错位，让红利在短期内难以被完整识别。

对AI生产率悖论最经典的解释，是将其置于通用目的技术扩散的一般规律中进行理解。Brynjolfsson等（2018）提出的“生产率J曲线”指出，通用技术在扩散初期往往伴随大量互补性无形投资，包括组织重构、流程再设计、软件改造、数据治理和人力资本积累。这些投入在经济上具有资本形成属性，但在统计上并不总能被及时、充分地资本化。Baily等（2023）也强调，AI要真正转化为广泛的生产率提升，不仅依赖模型能力本身，更依赖企业对工作流程、组织结构和管理方式的重新设计。基于这一逻辑，短期内宏观生产率数据未见同步跃升，是企业尚处于“先投入、后释放”的组织重构阶段。

除此之外，AI在微观提效与宏观扩散之间也存在鸿沟。Ajuzieogu（2025）指出，AI的经济影响很可能首先集中在少数AI密集型行业、少数头部企业和少数可标准化场景中，而这些局部变化并不足以立刻在宏观统计中形成同等强度的反映。前沿企业能够更快地把模型能力转化为流程提效，是因为它们同时具备更强的数据基础、更成熟的数字流程和更高的管理能力。由于基础模型、算力和数据资源主要集中于少数科技巨头及其上下游企业，总量数据中的资本支出和利润表现，可能更多反映的是前沿供给侧的繁荣，而不一定意味着下游使用行业已经同步实现广泛提效。

AI技术能力的进步速度，并不等于技术部署和扩散的速度。即便前沿企业已表现出效率提升，AI红利要进一步扩散到全经济，仍需突破一系列现实部署瓶颈，包括芯片供给是否充足、数据中心建设及电力保障能否匹配、内部治理结构调整是否及时、合规和责任边界是否清晰等。Epoch AI（2025）提出的GATE综合评估模型，将算力驱动AI能力进步、任务自动化，以及带有内生投资和调整成本的宏观增长过程纳入同一框架。该模型的一个重要启示是：即便AI能力持续进步，芯片供给、数据中心建设、电力扩容、资本积累速度和组织调整成本等现实约束，都会显著改变AI红利的兑现节奏与总量结果。

即便部分AI红利已经开始释放，现有统计体系也未必能够及时、准确地识别。Bontadini等（2026）指出，当前国民核算对AI的低估可能主要来自三类系统性偏差。其一，越来越多AI能力通过云服务、API调用和模型订阅方式交付，使用企业实际获得的是生产能力，但会计上却常被记录为中间投入而非资本形成；其二，AI服务能力提升的速度可能快于现有价格指数所能反映的价格下降，从而造成质量调整缺口；其三，AI基础模型与算力投资高度集中于少数头部公司，因此数据更容易反映头部企业行为，而非对AI在全经济中扩散程度的衡量。

即便AI提升了潜在生产率，但宏观经济未必会同步改善，因为供给侧效率提升能否兑现，还取决于总需求能否同步承接。若自动化带来的收入再分配主要表现为劳动份额下降、资本份额上升，那么消费能力可能弱于潜在供给扩张，现实产出可能低于潜在产出。Fornaro和Wolf（2026）将这一问题刻画为“需求外部性”。他们指出，单个企业采用AI以降低成本、提高效率，在微观层面是理性的；但如果全体企业都主要以替代劳动的方式推进自动化，劳动收入下降和失业上升就可能侵蚀总需求，反过来压制企业营收、利润预期和投资意愿。这与Acemoglu（2024）对“过度自动化”的警示相一致。BIS《2026年年度经济报告》中的专题分析则从宏观周期与金融条件角度指出，AI在短期内对经济增长的支撑，更可能首先表现为算力、数据中心、半导体和相关基础设施投资的上升，而非立即体现为广泛的生产率改善。

三、中国情境下AI拉动TFP的前景展望

结合中国行业结构、采用条件和劳动份额等因素，未来十年AI对中国TFP的潜在影响大概率不会是单一、线性的过程，而更可能呈现出由局部提效向广泛扩散、由流程优化向创新深化逐步演进的特征。粗略估算，AI对中国未来10年TFP增长的累计额外拉动或将落在2.12%至11.79%区间内，折合复合年化增量约0.21至1.12个百分点。

在保守情景下，AI的应用主要集中在现有任务的自动化与辅助上。此时AI作为“既有流程中的效率工具”，尽管能够对宏观生产率形成正向支撑，但其经济含义更接近于对既有生产体系的局部优化，而非足以系统性改写经济增长范式的中枢力量。AI会提高部分行业、部分企业和部分岗位的效率，但其作用受到行业结构、采用条件、组织重构能力和实际落地节奏的约束，尚不足以突破更广泛的现实瓶颈。从投资视角看，这一情景下相对受益的是数字化程度较高、任务标准化程度较强、流程容易形成验证闭环的行业与龙头企业，例如企业服务、办公协同、经营效率改善弹性较大的平台型公司等。

在中性情景下，AI不再局限于既有任务自动化，而是逐步进入复杂决策环节，对创新效率形成边际提升。这一情景并非远期想象，而是已经在现实产业中出现雏形——过去两年，AI已被广泛应用于生物医药、化学、材料等领域的研发创新，在大模型企业内部也已形成了“AI自我迭代”。这意味着，AI的作用边界开始从“帮助完成既有任务”，延伸到“帮助更快地产生新知识、新方案和新产品”。因此，这一情景对应着“创新效率温和抬升、技术进步速度边际上移”的中期路径。从投资视角看，这一情景下AI红利的外溢将明显扩大。市场关注焦点不再局限于芯片、模型、数据中心等供给侧资产，而会进一步转向能够率先将AI嵌入研发、设计、知识生产和复杂决策环节的领域。受益方向包括研发工具链、工业软件、科研服务平台、企业级智能化解决方案等更广义的创新基础设施领域，以及具备较强数据积累、研发能力和组织重构能力的科技龙头企业。

在乐观情景下，AI不仅在现有任务中实现更广泛、更深层的渗透，而且在研发、设计、工艺、工程和知识发现中的作用显著增强，进而对技术进步速度和整体生产率中枢形成更持续的抬升。此时，AI开始具备更强的“创新基础设施”属性，系统性缩短研发周期、提高试错效率、扩大可搜索空间，并加快技术方案走向商业化的速度。一旦该机制成立，AI的经济含义就将不再只是主题投资或短期资本开支逻辑，而会逐步转化为中长期生产率重估的逻辑。乐观情景的成立依赖若干关键前提：一是模型能力持续进步，尤其是在复杂推理、多模态理解、科学知识调用和Agent执行方面取得实质突破；二是企业研发流程、数据基础和算力供给能够支撑AI从辅助工具上升为创新平台；三是监管、知识产权、责任认定和行业标准等制度环境能够为创新场景中的大规模应用提供稳定预期。从投资视角看，这一情景意味着AI带来的将不只是部分行业景气改善，而是对整体生产率中枢的重新定价。受益范围将从少数科技与创新链前端板块，扩展至更广泛的行业和产业链条，形成从上游算力与能源支撑、中游软件与平台能力，到下游场景应用和传统行业改造的全链条重估。