人工智能背景下的生产率悖论解析
生产率悖论的三类阐释
劳动生产率为总产出与总劳动时间的比值，用于衡量劳动投入转化为实际产出的效率，是关键的经济指标。从长远视角看，生产率增长是提升生活水平的唯一途径（Tim Sargent，2024）。技术进步是生产率增长的核心来源（布鲁金斯学会，2024），但“技术创新飞速发展与生产率增长不尽如人意”的现象却常同时存在，这便是生产率悖论（Productivity Paradox）。
1987年，诺贝尔经济学奖得主罗伯特·索洛在一篇关于去工业化的文章中提到：“You can see the computer age everywhere but in the productivity statistics（计算机时代的痕迹随处可见，唯独在生产率统计中难以寻觅）。”这句看似随意的表述，成为“生产率悖论”或“索洛悖论”的经典诠释。尽管人们普遍认为索洛是生产率悖论的提出者，但实际可能另有其人，彭赓和吕本富（2003）认为提出者是Stephen S. Roach。
四十年来，学者们对生产率悖论展开了持续研究。美国的Paul David和Brynjolfsson是该领域的开创者与引领者，他们提出了错误预期、测量误差和时间滞后三种主要解释。
其一为错误预期。人们对技术潜力的乐观预期存在偏差，技术实际的变革性并不如想象中那般显著。历史上有不少曾令人兴奋的技术未能实现最初的预期。例如：核能远未达到“便宜到无需计量（Too Cheap To Meter）”的程度；可控核聚变“似乎永远需要30年才能实现（Always 30 Years Away）”；马文・明斯基（1970）曾预言“三到八年内我们将拥有一台具备人类平均智能的机器”，但这一目标至今仍未达成。
其二是测量误差。在实际操作中，准确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，却未被精准测量捕捉，人们用于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，以及性能持续提升、价格不断下降的科技产品，都难以在传统统计中得到充分体现。
其三为时间滞后。前两种解释试图消除乐观预期与令人失望的统计现实之间的矛盾，假设其中一方存在某种程度的错误。而时滞性解释则认为，看似矛盾的两个方面可以同时成立，只是时间尚未成熟。也就是说，新技术需要较长时间才能对生产率产生实质影响，通用目的技术（GPTs）尤其如此。
新技术对生产率的影响具有滞后性
Brynjolfsson（2017）认为，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（2000）指出：“范式转型的早期阶段不应期望获得最大的生产率回报，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）将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）也有类似观点，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，从长期来看，生产率悖论并非真正的悖论，它只是特定阶段的现象，比如索洛所处的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极为相似，均为前期平缓、后期加速，拐点分别出现在1915年和1995年。从历史角度看，蒸汽机、发电机和计算机分别在发明118年、91年和49年，以及商业化54年、40年和21年后，才开始显著推动生产率提高。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尚未能显著推动生产率提升
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点，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浪潮蓬勃发展，从大语言模型、多模态，到世界模型、智能体、物理AI，不断涌现。然而，生产率增速并未明显加快，甚至面临生产力危机（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稳定，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。美国增长态势强劲，2025年非农部门劳动生产率增速达2.2%，在西方国家中独树一帜，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）
媒体常用“iPhone时刻”“ChatGPT时刻”等词汇描述重要的技术变革，给人一种瞬间性和突发性的感觉。但技术对经济社会的影响是一个长期过程。诺贝尔经济学奖得主Daron Acemoglu（2024）指出：“很多人认为，AI能迅速彻底改变经济的各个方面，大幅提高生产率，甚至让我们接近奇点。虽然这种可能性不能完全排除，但迄今为止没有证据表明革命性影响已经发生。”
“AI＋”指数需达到50%
渗透率是前置指标，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（2000）指出：“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＋”指数需达到50%，生产率增速才能明显加快。
然而，官方数据显示，AI的企业应用仍处于早期阶段，面临企业级壁垒。美国和加拿大的企业AI渗透率约为10%，欧盟和英国约为20%，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“是否应用”的衡量，只要应用某一项AI技术就算；尚未进入“应用效果如何”的高级阶段，暂不考虑应用的深度、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为当年9月，加拿大为当年二季度。
我国在人工智能领域与美国实力相当（钟才文，2025），却走出了不同的发展道路。美国投入大、注重性能、追求AGI。我国则开放权重、强化应用，大力推动AI与各行各业的深度融合，将“AI＋”作为促进技术变革和赋能行业高质量发展的重要抓手。“AI＋”的本质是提高AI采纳率，进而提升劳动生产率。随着“AI＋”融合的持续深化，劳动生产率必将迎来快速增长。
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.
本文来自微信公众号“腾讯研究院”（ID：cyberlawrc），作者：闫德利，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com