1987年，諾貝爾經(jīng)濟學獎得主羅伯特·索洛在《紐約書評》上留下了一句讓后來者引用了近四十年的名言：“計算機無處不在，唯獨看不到它們出現(xiàn)在生產(chǎn)率統(tǒng)計中。”這句被稱為“索羅悖論”（Solow Paradox）的斷言，當時被視為對技術樂觀主義的當頭棒喝。眼下，這句話正以一種令人相似的方式在AI時代重演，只不過這一次，計算機換成了大模型，而那個“看不見”的問題，依然還在。

一、索洛悖論：為什么技術在進步，生產(chǎn)率卻在“睡覺”

讓我們先把時針撥回到上世紀八九十年代。PC革命正在全面鋪開，IBM的機器進入辦公室，文字處理軟件替代了打字機，電子表格讓會計師們?nèi)拥袅怂惚P，IT投資占GDP比重持續(xù)上升。這場變革的規(guī)模和深度，任何親歷者都不會否認。

然而，偏偏就在那個年代，美國全要素生產(chǎn)率（TFP）的增速陷入了長達十余年的停滯。數(shù)據(jù)是清楚的：技術在進步，生產(chǎn)率卻在睡覺。這就是“索洛悖論”的由來。

進入2020年代，這一歷史模式正在AI浪潮中高度相似地重演。盡管AI技術能力的提升速度遠超PC時代，微觀層面的證據(jù)已經(jīng)十分充分，但宏觀生產(chǎn)率數(shù)據(jù)中仍難覓清晰的AI貢獻蹤跡。

Block金融支付公司于2026年2月宣布裁員40%，同期上調(diào)全年利潤指引，預計調(diào)整后每股收益3.66美元，大幅超出分析師預期的3.22美元。換言之，60%的人力完成了超過原有水平的產(chǎn)出。Pinterest、CrowdStrike、Chegg等企業(yè)也相繼出現(xiàn)類似的“以AI換人”模式。2025年全年，美國至少有5.5萬個崗位被明確歸因于AI驅動的效率優(yōu)化，是兩年前的12倍。

然而，這些微觀層面的效率躍升，并未在宏觀統(tǒng)計中產(chǎn)生相應的可見痕跡。這種悖論背后的機制與索洛時代高度一致，但某些維度上有所放大。

二、歷史的鏡子：新技術和生產(chǎn)率之間，永遠有一段“黑暗隧道”

面對上述現(xiàn)象，悲觀主義者會說：這次不同了，AI的速度太快，破壞大于建設，人類無法適應。但歷史提供了另一個視角。

1987年索洛發(fā)出那句感嘆之后，美國等了整整十年，才在1995—2005年間真正迎來了IT驅動的生產(chǎn)率大爆發(fā)。其間全要素生產(chǎn)率年均增速超過2.5%，是1973—1995年間年均約1%的兩倍以上。IT時代的價值，只是來晚了，但并沒有缺席。

更早之前，電力的普及也經(jīng)歷了幾乎一模一樣的模式。愛迪生1882年在紐約建立第一家商業(yè)發(fā)電站，但美國制造業(yè)的電氣化生產(chǎn)率紅利，要到1920年代才全面兌現(xiàn)，其間整整經(jīng)歷了四十年?？梢?，技術就緒，并不等于經(jīng)濟就緒；能力到位，并不等于應用到位；應用到位，并不等于組織到位。

經(jīng)濟學家保羅·大衛(wèi)把這個歷史規(guī)律總結為一個命題：通用技術在被經(jīng)濟體真正吸收之前，必然要經(jīng)歷一段生產(chǎn)率下滑的“黑暗隧道”。當新系統(tǒng)的重建成本和舊系統(tǒng)的拆解成本疊加在一起，在某些年份會讓賬面生產(chǎn)率看起來變差了。而正是在這個賬面數(shù)字看起來最難看的時候，真正的組織重構和能力積累在悄悄發(fā)生。

AI很可能正處在這條隧道里。盡管AI工具的能力正在以月為單位復利增長，但AI技術的生產(chǎn)率紅利不因技術能力本身的就緒而立即兌現(xiàn)，而是依賴于整個經(jīng)濟體系的協(xié)同重組，包括工作流程的再設計、從業(yè)者技能的再積累、管理架構的再調(diào)整等等。

三、GDP：一把偉大但對AI失靈的尺子

國內(nèi)生產(chǎn)總值（GDP）作為衡量經(jīng)濟活動規(guī)模的核心指標，其理論基礎奠定于1930年代西蒙·庫茲涅茨的國民賬戶核算體系，并在二戰(zhàn)后的國際協(xié)調(diào)中逐步定型為以市場價格加權的物質(zhì)產(chǎn)出核算框架。這一框架在工業(yè)化時代具有高度的信息密度：鋼鐵產(chǎn)量、汽車銷量、建筑投資，這些可數(shù)、可稱、可定價的物質(zhì)產(chǎn)出，恰好是彼時經(jīng)濟活動的核心載體。

然而，GDP的設計哲學存在一個深層的局限，它計量的是交換價值，而不是使用價值或消費者剩余。一件商品或服務，只有在市場上以貨幣價格成交，才能計入GDP。當一個人自己做飯，不貢獻GDP；當同一個人把做飯外包給外賣平臺，GDP就增加了。這一邏輯在工業(yè)時代的誤差尚在可接受范圍內(nèi)，但在AI時代，它產(chǎn)生了系統(tǒng)性的嚴重扭曲，呈現(xiàn)出以下五種相互疊加的具體機制。

機制一：質(zhì)量改善的不可見性。麻省理工和斯坦福大學聯(lián)合追蹤了一家大型呼叫中心，引入AI輔助工具后，低經(jīng)驗客服人員的處理速度提升了14%，錯誤率大幅下降。但由于服務定價未變，這14%的質(zhì)量提升在GDP中幾乎毫無體現(xiàn)，“更快更準”的價值被統(tǒng)計漏掉了。

機制二：需求替代的通縮效應。一家咨詢公司原本雇傭10名初級分析師，現(xiàn)在2名分析師加AI即可完成同等工作。這8個崗位消失后，GDP中少了8份工資性收入，但公司的分析產(chǎn)出不降反升。從用人成本的角度看，這是“通縮”，是“產(chǎn)出消失”；但從信息生產(chǎn)的實質(zhì)來看，這是巨大的效率躍升。

機制三：零價格數(shù)字產(chǎn)品。當ChatGPT基礎版免費、谷歌搜索免費、維基百科免費，這些零價格的巨大價值在原理上就無法計入GDP。AI時代使其規(guī)模劇烈擴大。

機制四：無形資本投資的遺漏。企業(yè)購買AI算力算進了資本支出，但配套的數(shù)據(jù)治理、流程再造、員工培訓等無形投資大量缺席于統(tǒng)計。相關研究指出，被忽略的無形資本支出可能是有形IT投資的3—10倍，由此造成對數(shù)字經(jīng)濟實際資本存量的系統(tǒng)性低估。

機制五：時間節(jié)省的價值。一位醫(yī)生使用AI在5分鐘內(nèi)完成原本需要3天才能處理的影像分析，這節(jié)省的時間，統(tǒng)計系統(tǒng)幾乎感知不到。時間本身的使用價值，在以價格為錨的GDP體系中幾乎完全隱匿。

可見，在AI全面滲透的當下，實體經(jīng)濟里正在發(fā)生的價值創(chuàng)造與重組，正在以越來越快的速度逃離傳統(tǒng)統(tǒng)計體系的測量范圍。經(jīng)濟學家們給這種現(xiàn)象起了個有趣的名字：“幽靈GDP”（Ghost GDP）。

四、AI提升生產(chǎn)效率的展望：從微觀證據(jù)到宏觀效率

微觀層面的證據(jù)已經(jīng)十分充分，AI對生產(chǎn)率的提升正在發(fā)生，但最終轉化為宏觀生產(chǎn)率紅利，主要體現(xiàn)在以下三個路徑。

路徑一是任務自動化與資源重配。AI承接大量標準化、重復性的認知任務，將人力資源釋放至創(chuàng)造性、關系性、高判斷力的工作。諾貝爾經(jīng)濟學獎得主阿西莫格魯?shù)睦碚摽蚣鼙砻鳎詣踊夹g的最終凈效應取決于“任務恢復”速度，即新的人類工作崗位涌現(xiàn)的速度。

路徑二是知識生產(chǎn)加速。AI在科學研究、新藥發(fā)現(xiàn)、材料設計等領域的突破，將加速人類知識前沿的推進速度。如果AI使全球科研效率提升一倍，其對長期增長路徑的影響將是結構性的。

路徑三是邊際成本趨零的規(guī)模擴張。AI內(nèi)容生產(chǎn)、AI診斷、AI代碼生成等服務的邊際成本接近于零，這意味著一旦初始研發(fā)成本攤薄，這些服務可以以極低成本無限擴展。傳統(tǒng)上效率提升最慢的服務業(yè)，如教育、醫(yī)療、法律、金融咨詢等，恰好是AI滲透率最高的領域，這將從根本上改變長期宏觀增長的約束結構。

然而，從微觀證據(jù)到宏觀效率的轉化，并非沒有障礙，而是存在著三大結構性挑戰(zhàn)。

第一，分配斷裂。生產(chǎn)率紅利若主要流向資本所有者而非勞動者，將形成需求基礎的侵蝕。達拉斯聯(lián)儲2026年初的研究顯示，22—25歲、從事AI高暴露職業(yè)的年輕人就業(yè)率已經(jīng)下降了13%；同期，有經(jīng)驗的從業(yè)者就業(yè)率保持平穩(wěn)甚至上升。J.P. Morgan的團隊發(fā)現(xiàn)，美國大學畢業(yè)生的失業(yè)率已升至5.8%，是四年多以來的最高水平，而且罕見地開始高于全體勞動力的總失業(yè)率。這是一個結構性信號，不是周期性波動，將形成所謂的“資歷斷崖”，人才管道底層正在空洞化，在未來10—15年形成中堅層人才的系統(tǒng)性斷層。

第二，組織適應滯后。技術能力以季度為單位迭代，組織能力以年為單位演進，制度適應以十年為單位漂移。夾在這個速度差中間的企業(yè)，即使工具買了、能力沒到位、流程沒重構、人員沒培訓，生產(chǎn)率反而可能短期下滑（即“J形曲線效應”）。企業(yè)在AI工具采購之外，還需要在組織能力上投入相當于IT硬件數(shù)倍的無形資本，才能真正將AI效能轉化為可持續(xù)的生產(chǎn)率提升。

第三，監(jiān)管與信任摩擦。在醫(yī)療、法律、金融、教育等高度監(jiān)管行業(yè)，AI應用面臨顯著的合規(guī)門檻和責任認定困難。這些領域恰好是AI潛在效率提升最大的地方，但監(jiān)管框架的滯后可能使紅利長期被鎖在門外。歐盟的《AI法案》、美國SEC對AI輔助金融建議的限制、醫(yī)療AI的FDA準入流程，都在客觀上形成了技術擴散的摩擦力。

五、用舊地圖走新路：政策的困境與可能的出路

AI提升生產(chǎn)效率的長期展望總體樂觀，微觀證據(jù)充分、宏觀兌現(xiàn)路徑清晰，但這并不意味著可以漠視轉型過程中的分配斷裂與結構性挑戰(zhàn)，還需要從以下方面突破政策困境，探尋可能出路。

統(tǒng)計方法的現(xiàn)代化。學術界呼吁多年的“GDP+”概念——將數(shù)字產(chǎn)品消費者剩余、無形資本投資、數(shù)據(jù)資產(chǎn)價值納入統(tǒng)計框架，在AI時代已從學術討論演變?yōu)檎咴O計的前提條件。沒有準確的測量，就沒有準確的判斷，就沒有準確的政策。當前急需推進的工作包括：修訂國民賬戶核算框架，納入無形資本存量的系統(tǒng)性估算；將AI產(chǎn)品的質(zhì)量改善顯性化；探索追蹤數(shù)字服務的真實消費者剩余等。

對分配問題的正視。生產(chǎn)率的收益如果只是安靜地流向資本所有者，而勞動者既失去工作又失去消費能力，那整個系統(tǒng)的需求基礎將會塌陷。羅素在《閑暇頌》里早就描述過這個困境，技術讓一半人過度勞累，讓另一半人失業(yè)挨餓。而AI版本的這個困境，需要同樣認真的制度性回應。針對AI引發(fā)的結構性失業(yè)提供足夠具有吸引力的再培訓激勵；探索勞動者參與AI增值分配的機制安排（如利潤分享、廣義數(shù)據(jù)權益）；加速針對“資歷斷崖”的教育體系改革，重建人才培養(yǎng)管道的底層基礎。

時間差的主動管理。技術能力以季度為單位移動，組織能力以年為單位移動，制度適應以十年為單位移動。被夾在這個速度差之間的一代人——此刻正在找工作的應屆生，此刻正在被裁的中年白領，他們的痛苦是真實的，即使長期前景是光明的。政策的責任，是管理這個時間差，而不是用長期樂觀來掩蓋短期失序。具體而言，這意味著：設計更具彈性的社會安全網(wǎng)以承載更頻繁的職業(yè)轉換；加大對AI技能培訓的公共投入，縮短從舊技能到新技能的遷移周期；在教育體系中從基礎教育階段就系統(tǒng)性地嵌入AI素養(yǎng)課程。

歷史一再證明，技術創(chuàng)新的“黑暗隧道”終有出口，索洛悖論則是一面鏡子，它既映照出人類對新技術的認知慣性，總是高估短期影響、低估長期重構，也映照出統(tǒng)計體系的歷史局限。AI時代的任務，是在承認這一局限的前提下，以更準確的測量、更公平的分配和更聰明的政策設計，讓這一輪可能是人類歷史上最深刻的技術革命，真正惠及最廣泛的人群。

(作者施東輝為復旦大學國際金融學院教授)