GDP失灵、索洛悖论与AI的生产率迷局

1987年，诺贝尔经济学奖得主罗伯特·索洛在《纽约书评》上留下了一句让后来者引用了近四十年的名言：“计算机无处不在，唯独看不到它们出现在生产率统计中。”这句被称为“索罗悖论”（Solow Paradox）的断言，当时被视为对技术乐观主义的当头棒喝。眼下，这句话正以一种令人相似的方式在AI时代重演，只不过这一次，计算机换成了大模型，而那个“看不见”的问题，依然还在。

一、索洛悖论：为什么技术在进步，生产率却在“睡觉”

让我们先把时针拨回到上世纪八九十年代。PC革命正在全面铺开，IBM的机器进入办公室，文字处理软件替代了打字机，电子表格让会计师们扔掉了算盘，IT投资占GDP比重持续上升。这场变革的规模和深度，任何亲历者都不会否认。

然而，偏偏就在那个年代，美国全要素生产率（TFP）的增速陷入了长达十余年的停滞。数据是清楚的：技术在进步，生产率却在睡觉。这就是“索洛悖论”的由来。

进入2020年代，这一历史模式正在AI浪潮中高度相似地重演。尽管AI技术能力的提升速度远超PC时代，微观层面的证据已经十分充分，但宏观生产率数据中仍难觅清晰的AI贡献踪迹。

Block金融支付公司于2026年2月宣布裁员40%，同期上调全年利润指引，预计调整后每股收益3.66美元，大幅超出分析师预期的3.22美元。换言之，60%的人力完成了超过原有水平的产出。Pinterest、CrowdStrike、Chegg等企业也相继出现类似的“以AI换人”模式。2025年全年，美国至少有5.5万个岗位被明确归因于AI驱动的效率优化，是两年前的12倍。

然而，这些微观层面的效率跃升，并未在宏观统计中产生相应的可见痕迹。这种悖论背后的机制与索洛时代高度一致，但某些维度上有所放大。

二、历史的镜子：新技术和生产率之间，永远有一段“黑暗隧道”

面对上述现象，悲观主义者会说：这次不同了，AI的速度太快，破坏大于建设，人类无法适应。但历史提供了另一个视角。

1987年索洛发出那句感叹之后，美国等了整整十年，才在1995—2005年间真正迎来了IT驱动的生产率大爆发。其间全要素生产率年均增速超过2.5%，是1973—1995年间年均约1%的两倍以上。IT时代的价值，只是来晚了，但并没有缺席。

更早之前，电力的普及也经历了几乎一模一样的模式。爱迪生1882年在纽约建立第一家商业发电站，但美国制造业的电气化生产率红利，要到1920年代才全面兑现，其间整整经历了四十年。可见，技术就绪，并不等于经济就绪；能力到位，并不等于应用到位；应用到位，并不等于组织到位。

经济学家保罗·大卫把这个历史规律总结为一个命题：通用技术在被经济体真正吸收之前，必然要经历一段生产率下滑的“黑暗隧道”。当新系统的重建成本和旧系统的拆解成本叠加在一起，在某些年份会让账面生产率看起来变差了。而正是在这个账面数字看起来最难看的时候，真正的组织重构和能力积累在悄悄发生。

AI很可能正处在这条隧道里。尽管AI工具的能力正在以月为单位复利增长，但AI技术的生产率红利不因技术能力本身的就绪而立即兑现，而是依赖于整个经济体系的协同重组，包括工作流程的再设计、从业者技能的再积累、管理架构的再调整等等。

三、GDP：一把伟大但对AI失灵的尺子

国内生产总值（GDP）作为衡量经济活动规模的核心指标，其理论基础奠定于1930年代西蒙·库兹涅茨的国民账户核算体系，并在二战后的国际协调中逐步定型为以市场价格加权的物质产出核算框架。这一框架在工业化时代具有高度的信息密度：钢铁产量、汽车销量、建筑投资，这些可数、可称、可定价的物质产出，恰好是彼时经济活动的核心载体。

然而，GDP的设计哲学存在一个深层的局限，它计量的是交换价值，而不是使用价值或消费者剩余。一件商品或服务，只有在市场上以货币价格成交，才能计入GDP。当一个人自己做饭，不贡献GDP；当同一个人把做饭外包给外卖平台，GDP就增加了。这一逻辑在工业时代的误差尚在可接受范围内，但在AI时代，它产生了系统性的严重扭曲，呈现出以下五种相互叠加的具体机制。

机制一：质量改善的不可见性。麻省理工和斯坦福大学联合追踪了一家大型呼叫中心，引入AI辅助工具后，低经验客服人员的处理速度提升了14%，错误率大幅下降。但由于服务定价未变，这14%的质量提升在GDP中几乎毫无体现，“更快更准”的价值被统计漏掉了。

机制二：需求替代的通缩效应。一家咨询公司原本雇佣10名初级分析师，现在2名分析师加AI即可完成同等工作。这8个岗位消失后，GDP中少了8份工资性收入，但公司的分析产出不降反升。从用人成本的角度看，这是“通缩”，是“产出消失”；但从信息生产的实质来看，这是巨大的效率跃升。

机制三：零价格数字产品。当ChatGPT基础版免费、谷歌搜索免费、维基百科免费，这些零价格的巨大价值在原理上就无法计入GDP。AI时代使其规模剧烈扩大。

机制四：无形资本投资的遗漏。企业购买AI算力算进了资本支出，但配套的数据治理、流程再造、员工培训等无形投资大量缺席于统计。相关研究指出，被忽略的无形资本支出可能是有形IT投资的3—10倍，由此造成对数字经济实际资本存量的系统性低估。

机制五：时间节省的价值。一位医生使用AI在5分钟内完成原本需要3天才能处理的影像分析，这节省的时间，统计系统几乎感知不到。时间本身的使用价值，在以价格为锚的GDP体系中几乎完全隐匿。

可见，在AI全面渗透的当下，实体经济里正在发生的价值创造与重组，正在以越来越快的速度逃离传统统计体系的测量范围。经济学家们给这种现象起了个有趣的名字：“幽灵GDP”（Ghost GDP）。

四、AI提升生产效率的展望：从微观证据到宏观效率

微观层面的证据已经十分充分，AI对生产率的提升正在发生，但最终转化为宏观生产率红利，主要体现在以下三个路径。

路径一是任务自动化与资源重配。AI承接大量标准化、重复性的认知任务，将人力资源释放至创造性、关系性、高判断力的工作。诺贝尔经济学奖得主阿西莫格鲁的理论框架表明，自动化技术的最终净效应取决于“任务恢复”速度，即新的人类工作岗位涌现的速度。

路径二是知识生产加速。AI在科学研究、新药发现、材料设计等领域的突破，将加速人类知识前沿的推进速度。如果AI使全球科研效率提升一倍，其对长期增长路径的影响将是结构性的。

路径三是边际成本趋零的规模扩张。AI内容生产、AI诊断、AI代码生成等服务的边际成本接近于零，这意味着一旦初始研发成本摊薄，这些服务可以以极低成本无限扩展。传统上效率提升最慢的服务业，如教育、医疗、法律、金融咨询等，恰好是AI渗透率最高的领域，这将从根本上改变长期宏观增长的约束结构。

然而，从微观证据到宏观效率的转化，并非没有障碍，而是存在着三大结构性挑战。

第一，分配断裂。生产率红利若主要流向资本所有者而非劳动者，将形成需求基础的侵蚀。达拉斯联储2026年初的研究显示，22—25岁、从事AI高暴露职业的年轻人就业率已经下降了13%；同期，有经验的从业者就业率保持平稳甚至上升。J.P. Morgan的团队发现，美国大学毕业生的失业率已升至5.8%，是四年多以来的最高水平，而且罕见地开始高于全体劳动力的总失业率。这是一个结构性信号，不是周期性波动，将形成所谓的“资历断崖”，人才管道底层正在空洞化，在未来10—15年形成中坚层人才的系统性断层。

第二，组织适应滞后。技术能力以季度为单位迭代，组织能力以年为单位演进，制度适应以十年为单位漂移。夹在这个速度差中间的企业，即使工具买了、能力没到位、流程没重构、人员没培训，生产率反而可能短期下滑（即“J形曲线效应”）。企业在AI工具采购之外，还需要在组织能力上投入相当于IT硬件数倍的无形资本，才能真正将AI效能转化为可持续的生产率提升。

第三，监管与信任摩擦。在医疗、法律、金融、教育等高度监管行业，AI应用面临显著的合规门槛和责任认定困难。这些领域恰好是AI潜在效率提升最大的地方，但监管框架的滞后可能使红利长期被锁在门外。欧盟的《AI法案》、美国SEC对AI辅助金融建议的限制、医疗AI的FDA准入流程，都在客观上形成了技术扩散的摩擦力。

五、用旧地图走新路：政策的困境与可能的出路

AI提升生产效率的长期展望总体乐观，微观证据充分、宏观兑现路径清晰，但这并不意味着可以漠视转型过程中的分配断裂与结构性挑战，还需要从以下方面突破政策困境，探寻可能出路。

统计方法的现代化。学术界呼吁多年的“GDP+”概念——将数字产品消费者剩余、无形资本投资、数据资产价值纳入统计框架，在AI时代已从学术讨论演变为政策设计的前提条件。没有准确的测量，就没有准确的判断，就没有准确的政策。当前急需推进的工作包括：修订国民账户核算框架，纳入无形资本存量的系统性估算；将AI产品的质量改善显性化；探索追踪数字服务的真实消费者剩余等。

对分配问题的正视。生产率的收益如果只是安静地流向资本所有者，而劳动者既失去工作又失去消费能力，那整个系统的需求基础将会塌陷。罗素在《闲暇颂》里早就描述过这个困境，技术让一半人过度劳累，让另一半人失业挨饿。而AI版本的这个困境，需要同样认真的制度性回应。针对AI引发的结构性失业提供足够具有吸引力的再培训激励；探索劳动者参与AI增值分配的机制安排（如利润分享、广义数据权益）；加速针对“资历断崖”的教育体系改革，重建人才培养管道的底层基础。

时间差的主动管理。技术能力以季度为单位移动，组织能力以年为单位移动，制度适应以十年为单位移动。被夹在这个速度差之间的一代人——此刻正在找工作的应届生，此刻正在被裁的中年白领，他们的痛苦是真实的，即使长期前景是光明的。政策的责任，是管理这个时间差，而不是用长期乐观来掩盖短期失序。具体而言，这意味着：设计更具弹性的社会安全网以承载更频繁的职业转换；加大对AI技能培训的公共投入，缩短从旧技能到新技能的迁移周期；在教育体系中从基础教育阶段就系统性地嵌入AI素养课程。

历史一再证明，技术创新的“黑暗隧道”终有出口，索洛悖论则是一面镜子，它既映照出人类对新技术的认知惯性，总是高估短期影响、低估长期重构，也映照出统计体系的历史局限。AI时代的任务，是在承认这一局限的前提下，以更准确的测量、更公平的分配和更聪明的政策设计，让这一轮可能是人类历史上最深刻的技术革命，真正惠及最广泛的人群。

(作者施东辉为复旦大学国际金融学院教授)

来源：施东辉