包特 陈晓萌：阿西莫格鲁低估AI了吗？

包特资料图。来源：财新网

本账号接受投稿，投稿邮箱：jingjixuejiaquan@126.com

阿西莫格鲁低估AI了吗？

包特

南洋理工大学经济系长聘副教授

计算技术与金融研究中心研究员

陈晓萌

莫纳什大学商学院经济系博士研究生

关于人工智能的经济影响，达隆·阿西莫格鲁近年的判断值得认真对待。

他并不是简单的技术悲观主义者。他不是说AI没用，也不是说AI必然毁灭人类。他真正关心的是：技术进步的方向不是命中注定的。同一种技术，既可能增强劳动者的能力，也可能替代劳动者；既可能帮助知识扩散，也可能压扁知识生态；既可能创造新任务，也可能强化资本对劳动的控制。技术本身不会自动通向共同繁荣，制度、激励和权力结构会决定它走向何处。

这一提醒是必要的。今天许多关于AI的讨论，确实过于轻率。把演示视频当成生产率，把资本市场兴奋当成社会福利，把少数公司的估值当成整体经济增长，都不是严肃分析。但问题在于，阿西莫格鲁对AI增长潜力的估计，也可能受到传统宏观经济学思维方式的限制：它更擅长衡量既有生产结构中的边际改进，却不太擅长捕捉生产可能性边界的拓展。

在《The Simple Macroeconomics of AI》中，阿西莫格鲁用任务模型估算AI的宏观影响。他的思路大致是：如果AI主要通过自动化和任务互补性影响经济，那么，可以先估算有多少任务会被AI影响，再估算每项任务能节省多少成本，最后推导出总体生产率和GDP的增长。由此，他得出一个相对克制的结论：未来十年AI对全要素生产率的提升可能相当有限，远低于许多乐观叙事中的预测。

这个模型有一种经济学上的清洁感。它反对泡沫，拒绝玄学，要求每一种宏大预测都回到任务、成本和生产率。问题是，它衡量的是AI在旧世界里的效率收益，而不是AI打开新世界的可行性收益。换句话说，它问的是：AI能让现有任务便宜多少？但真正重要的问题可能是：AI会让哪些过去无法稳定生产、无法规模化提供、无法被普通人购买的产品和服务变得可能？

这不是细节差异，而是根本差异。成本节省是在既有生产边界内移动；生产可能性扩张，则是边界本身向外移动。前者问的是，同样一件事能不能更便宜地完成；后者问的是，过去没有商业模式、没有组织方式、没有足够低成本供给的活动，是否终于进入了经济空间。

传统宏观经济学天然更熟悉前一种问题。给定资本、劳动和技术水平，产出能增加多少？给定某些任务的效率提升，总体生产率会提高多少？这些都是增长核算最擅长处理的问题。但AI时代真正有趣的地方，未必只是生产函数中多了一个更高的技术参数，而是更多人可能开始发现新的生产函数。

这就涉及一个传统的K和L框架不容易捕捉的变量：创造力和企业家精神。

AI当然需要资本。芯片、算力、数据中心、云基础设施，都是实实在在的资本投入。AI也会改变劳动。它可以替代某些劳动，也可以增强某些劳动。但它最有意思的影响，可能是提高了创造力和企业家精神的经济回报。它降低了表达成本、试错成本、搜索成本、协调成本和软件生产成本。一个人有一个想法，过去可能停留在脑中、纸上或PPT里；现在他可以更快地写出原型、生成界面、做市场测试、整理数据、设计流程、调用外部知识。增长的关键不再只是投入多少资本和劳动，而是谁能看见新的组合，谁能把新的组合组织成产品、服务和市场。

技术史反复说明，新技术在早期总容易被误解为旧工作的替代品。计算机辅助设计刚出现时，很容易被理解为更快、更整洁的绘图工具。过去画图员用尺规、铅笔和硫酸纸，现在工程师和建筑师用屏幕、鼠标和软件。但CAD真正改变的，不只是绘图速度，而是可建造性。弗兰克·盖里的毕尔巴鄂古根海姆博物馆就是典型案例。那些扭曲、流动、近乎雕塑化的复杂曲面，不是靠CAD简单节省了画图时间，而是借助数字建模、曲面分解、结构分析和制造数据传递，才进入了真实建筑的世界。

手工当然可以画曲线，也可以做模型。但没有数字工具，这些曲线很难变成工程公司能报价、工厂能加工、施工队能安装的对象。CAD不是让旧图纸更便宜，而是让新的建筑几何进入可建造集合。

CG动画也是类似。计算机动画当然可以被理解为替代手绘动画师，但它最重要的影响不是更便宜地复制手绘，而是创造了手绘动画难以稳定规模化生产的新视觉语言。虚拟摄影机可以在不存在的三维空间中运动，角色可以被建模、绑定、打光和摆拍，材质、反射、镜头运动和物理效果成为动画本身的一部分。后来的许多混合风格，尤其是漫画感、三维空间和手绘线条并存的动画，更说明CG不是手绘的替代品，而是新视觉物种的孵化器。

如果当年用“CAD节省了多少制图员时间”来估算CAD的影响，我们会错过盖里式建筑、参数化设计和数字制造。如果用“CG节省了多少手绘工时”来估算CG的影响，我们会错过计算机动画后来打开的新风格、新产业和新叙事方式。同样，如果今天只用“AI节省了多少客服、文案和程序员时间”来估算AI的影响，我们也可能错过它真正重要的部分。

过去很多服务不是没有需求，而是没有供给方式。每个学生都想要一个耐心、实时、懂自己薄弱环节的老师；每个病人都想听懂自己的检查报告；每个小企业都想拥有财务、法务、市场、数据分析和软件开发能力；每个研究者都想有一个随时可以讨论、搜索、建模、写代码的助手。问题在于，这些需求在传统经济中太贵、太碎、太个性化、太依赖专家，无法被大规模满足。

AI降低的不只是劳动成本，而是认知成本、表达成本、搜索成本、试错成本和协调成本。当这些成本下降，经济中会出现一种过去很难成熟的现象：潜在需求开始变成真实市场，未成形的产品开始获得商业形态。

目前较清楚的案例之一，是医疗场景中的环境式AI病历书记员，代表公司如Abridge。它的工作方式并不是简单替医生打字，而是在医生和病人的自然对话中，实时捕捉临床信息，自动整理成病历，再接入电子健康记录系统，由医生审核确认。过去也有医生自己写病历，也有人类medical scribe，也有语音转录软件。但“大规模、低摩擦、实时、可嵌入医院流程的临床对话结构化系统”，在大语言模型和语音AI成熟之前很难成为稳定商业模式。

这个案例的意义，不是“AI让医生少写几分钟病历”这么简单。它真正创造的是一个新的信息生产层：原本会消散在诊室里的对话，被转化为结构化、可搜索、可复用、可进入后续护理流程的数据资产。AI在这里不是替代医疗判断，而是把医疗过程中长期存在却难以充分利用的信息流，变成新的生产资料。

当然，这类AI医疗应用必须面对隐私、错误、幻觉和责任边界问题。它不能被神化为自动医生，也不应绕过医生审核。但恰恰因为它是辅助性的，而不是完全自主诊断和处方，目前看它的社会外部性相对可控，甚至可能相当正面。它减少医生文书负担，改善医患沟通，让医生在问诊时少盯电脑，多看病人。

这类例子说明，AI的经济价值不只体现在“替代某个岗位”。它更可能出现在旧任务清单没有位置的地方。

阿西莫格鲁关于知识崩溃的担忧，也应该被认真对待。如果人类越来越依赖AI，而AI又继续从AI生成内容中学习，知识生态确实可能出现退化。如果学生只是让AI替自己写作，研究者只是让模型总结模型已经总结过的文献，平台只是批量生产低质内容，那么AI会制造一种知识通货膨胀：内容越来越多，思想越来越薄。

但把“AI feed AI”一概理解成退化循环，也过于简单。AlphaGo Zero提供了一个相反例子。它并不依赖人类棋谱和专家指导，而是通过强化学习和自我对弈训练，在围棋规则所定义的空间中自行搜索、淘汰、更新和进化。它不是复述人类围棋传统，而是开辟了人类棋谱之外的下法宇宙。

关键不在于AI是否学习AI，而在于这个循环有没有外部锚点、反馈机制和选择压力。没有现实反馈的AI循环，可能变成语料温室里的近亲繁殖；但有规则、有检验、有失败惩罚的AI循环，则可能打开新空间。围棋中的胜负、数学中的证明、代码中的测试、药物研发中的实验、工程设计中的仿真、市场中的用户反馈，都可以成为外部锚点。此时AI不是被自己的影子催眠，而是在和一个规则世界摔跤。

AlphaGo没有让围棋变窄，反而让人类突然看见，过去几千年的围棋智慧只是棋盘宇宙中的一个文明分支。所谓棋理，也许只是人类有限搜索长期沉淀出的局部传统。机器自我迭代带来的未必是知识坍塌，也可能是路径逃逸。

这也正是AI与传统自动化之间的差别。传统自动化往往指向一个明确任务：把某个环节机器化、标准化、低成本化。但AI更像一个能力层，可以嵌入教育、医疗、设计、科研、金融、法律、软件和企业管理。它不只是执行任务，还能帮助人类生成任务、拆解任务、重组任务，并把过去难以表达的意图转化为可执行流程。

值得强调的是，这并不意味着阿西莫格鲁关于制度和分配的警惕是多余的。恰恰相反，他最重要的贡献就在于提醒我们：技术不会自动走向好的方向。AI可能被设计成替代劳动、集中权力和稀释知识的机器；也可能被设计成扩展能力、创造任务和打开新生产边界的机器。真正的争论，不是乐观还是悲观，而是哪一种AI会成为现实。

阿西莫格鲁说技术方向不是命中注定的，这一点完全正确。但正因为技术方向不是命中注定的，AI的经济影响也不应被预先锁定在“现有任务有多少可以被自动化”这一框架中。真正重要的问题不是AI能让现有生产函数里的系数改变多少，而是它在多大程度上改变了函数形式本身。

火车取代马车，不是因为煤比草料便宜。它真正改变世界，是因为铁轨把人类社会带到了马车辙无法企及的位置。AI也一样。它最重要的经济意义，未必是让旧任务更便宜，而是让旧技术体系到不了的产品、服务和组织方式成为可能。■

扫描二维码参加上半年数据解读研讨

扫描二维码参加《太学TAIXUE》录制

点击小程序参加全年30场直播