对人工智能影响GDP的中位估算包括来自多家公司的数据：牛津经济研究院（8年后增长1.8%至4%）、麦肯锡（长期增长2.4%至4.1%）、高盛（10年后增长7%）。高位估算包括普华永道（10年后增长8%至15%）以及阿尔达索罗等人（Aldasoro et al.）的国际清算银行学术工作论文（假设经济所有部门都至少受到人工智能一定程度影响的情况下，10年后增长20%至45%）。阿隆索等人（Alonso et al.）的估算范围更广（4.7%至19.5%），这反映了对人工智能将更多替代熟练劳动力还是非熟练劳动力存在着不确定性（如果是后者，将导致大分化，从而产生对美国增长估算的高位值）。作为对比，信息技术与创新基金会（ITIF）2010年的一项研究表明，信息技术革命使美国GDP增长了约14%。

这些估算都假设人工智能可以部分但不能完全替代人类劳动力：如果人工智能能够完成所有人类任务，资本将成为劳动力的替代品，经济增长将提高到每年45%（参见汉森，2001）。

表一 不同机构及经济学家对人工智能产业影响GDP水平的评估（分为美国和全世界，10年、8年及长期） 图自：《人工智能与大分流》报告，下同

2.3 人工智能出现前的国际经济增长

即使在人工智能出现之前，不同国家也可能处于不同的增长轨道上：美国的潜在GDP增长正在加速，而欧洲和中国的增长正在放缓。就欧洲与美国相比，这主要归因于结构性因素，如美国更强的生产力增长（尤其是在科技领域）和更优越的商业环境。就中国而言，经过数十年的快速增长后，现在增速正在放缓，更接近新兴市场的水平。

人工智能驱动的增长对中国可能尤为重要，因为其曾经的高增速近年来已放缓至与其他新兴市场相当的水平。与中国类似，人工智能驱动的增长对欧洲也可能尤为重要。虽然中国在21世纪的经济崛起是时常被提及的地缘政治故事，但另一个较少被讨论、却可能同样重要的故事则是欧洲的衰落。欧盟占世界GDP的比重已从1980年的27%降至2025年的14%。这不仅是因为新兴市场的高增长率，也是因为德国和许多欧盟国家的增长率低于其他发达经济体。这一趋势在人工智能领域仍在延续，欧盟在各种人工智能发展指标上落后于美国和中国。例如，2013年至2024年间，美国私营部门对人工智能的投资累计超过4700亿美元，而所有欧盟国家合计仅约500亿美元。

认识到人工智能对未来增长的关键作用，美国与许多盟友通过促进“硅基和平”（Pax Silica）——美国在人工智能供应链上的国际合作伙伴关系——的实现而联合起来。“硅基和平”的成员范围广泛，从日本等上游半导体设备制造商，到卡塔尔等下游的数据中心投资者。这个多元化群体因对人工智能和科技发展的前瞻性视野而团结在一起。因此，“硅基和平”成员的增长速度超过其他国家的两倍也就不足为奇了：从2022年第四季度ChatGPT发布到2025年第三季度的最新数据，其平均实际GDP增长率为2.5%，而七国集团（G7）国家平均仅为1.1%。

2.4 人工智能对劳动力的影响与杰文斯悖论

目前的证据显示，人工智能对就业的影响喜忧参半。布林约尔松等人（Brynjolfsson et al.，2025）的研究表明，在计算机编程和客户售后服务等易受人工智能影响的职业中，处于早期职业生涯阶段的工作者就业率正在下降。其他研究发现，人工智能暴露度与当前失业率之间没有相关性。还有一些研究发现，虽然在人工智能可以直接替代人类劳动力的部门就业率有所下降，但在依赖人工智能提供能力支持的部门，人工智能暴露度实际上增加了就业（约翰斯顿和马克里迪斯，Johnston and Makridis，2025）。尽管人工智能目前产生了影响，但截至2025年12月，美国总体失业率仅为4.4%。

短期内，如果人工智能提高了劳动力效率，就会减少创造一定产出所需的劳动力数量，从而可能减少就业。但历史先例表明，效率提升往往可以增加（而不是减少）该项资源的总使用量——这一现象被称为杰文斯悖论（Jevon's Paradox）。当技术进步减少了某些特定应用所需的资源（如劳动力）数量时，就会出现杰文斯悖论。这实际上会导致该资源的整体使用量增加，因为使用范围扩展到了新的应用领域。

要使杰文斯悖论发生，进而带来采用人工智能之后的就业岗位增加，必须满足三个条件：第一，人工智能必须显著提高劳工的生产力；第二，由此产生的成本节约必须转化为更低的价格；第三，更低的价格必须使消费者需求的增速快于效率提升，导致单位劳动力需求降低的速度。

虽然这些条件看起来要求很高，但杰文斯悖论已在许多不同领域被观察到。杰文斯于1865年首次描述了这一悖论：当时煤炭在铸铁发动机中的使用效率提升，实际上增加了对煤炭、铁和其他资源的需求。在农业中，灌溉效率的提高可能会增加用水量。节能照明的改进既增加了灯泡的需求量，也增加了照明用电量。杰文斯悖论甚至出现在看似与生产无关的领域：道路通行能力的提升会带来道路上的驾驶员数量增加。具体到人工智能和就业，放射科医生可能正在经历类似的情况：这个职业曾被预测将被人工智能取代，但现在的就业率却达到历史高位。

从长期来看，关键问题是将人工智能与以往的颠覆性技术进行比较和对照。历史类比表明，颠覆性技术（蒸汽动力、电力、计算机、互联网等）最终会带来更多的就业和收入。但如果人工智能技术发展出自主性（使其能够像人类一样独立工作），或者大幅提高劳工生产力却不产生新的劳动力需求，那么人工智能可能成为例外（Ayres, 1990; Donaldson, 2018; Feigenbaum and Gross, 2024）。而过去技术变革的一般先例是，它们会创造各种新领域或行业。1860年，美国43%的就业人口集中在农业，而2015年这一比例仅为1.2%。在此期间，大量新职业被创造出来，其中许多依赖于新技术的发明。现在，美国大多数劳工从事的是自1940年以来创造的工作岗位，范围从“风力涡轮机技术员”到“软件开发人员”，从“纺织化学家”到“心理健康咨询师”。

3.需要追踪的关键指标

要理解人工智能，最重要的关注点之一是进步和变化的速度。用于训练人工智能模型的算力不仅仅是每年翻一番：自2010年以来，平均每年增长约4倍。同样，顶级人工智能公司的收入每年增加两倍，预计未来增长速度将超过谷歌、亚马逊或微软在高速增长阶段的表现（见图5和图7）。由于许多指标每隔几个月就翻一番，每年增长数倍，这意味着人工智能带来的变化可能非常迅速。

就像市场分析师通过监测住房开工率或制造业产出来预测更广泛的经济健康状况一样，一组特定指标可以揭示人工智能在美国经济中日益增长的影响力。人工智能对GDP的影响体现在全要素生产率的变化上，因此我们首先强调这一指标。但是，由于全要素生产率是滞后指标，我们还需要考虑其他可作为人工智能影响先行指标的数据。这些指标追踪人工智能相关投资规模的扩大、人工智能能力的加速提升以及人工智能采用率的上升，共同构成人工智能革命的经济晴雨表。这些指标相互关联：投资直接表明公司正在投入资源推进技术发展，这会带来模型性能提升和单位成本降低。更低成本下的更强能力推动人工智能使用量扩大，这最终反映在人工智能公司的收入上。

我们首先讨论美国的这些指标，然后转向跨国分析。

3.1 全要素生产率

人工智能对增长如此重要，是因为它对全要素生产率的潜在影响。但以往的科技革命与生产率的关系相当复杂。计算机曾经是占据整个房间的大型机，现在却能放进口袋。1987年，经济学家罗伯特·索洛有句名言：“计算机时代随处可见，唯独在生产率统计数据中看不到。”对计算机看似缺乏影响的解释涵盖了从时间滞后性、经济学家无法衡量其实际收益，到声称计算机实际上并未提高生产率等种种说法。因此，虽然人工智能对全要素生产率的影响可能是关键问题，但我们也需要依赖其他指标。

3.2 投资

人工智能生态系统的投资规模巨大，既包括模型本身，也包括相关基础设施。

3.2.1 人工智能模型

人工智能模型表现出一种可预测的趋势：随着开发者增加模型参数数量、训练数据集规模和用于训练模型的算力，模型性能会提升。这被称为“缩放定律”（Scaling Laws），这些经验式关系使得模型开发者能够不单纯依赖基础科学领域的突破，而是通过投入更多资源来提升人工智能模型的性能。其他领域也可见类似的经验关系，例如摩尔定律——集成电路上的晶体管数量每两年翻一番。由于缩放定律本身不是自然法则，而是观察到的经验关系，它们总有一天可能终结。但它们概括了当前所处的深度学习时代，自2012年以来，用于训练计算机模型的算力增长了超过10亿倍（见图1）。

图1 训练不同模型所需的算力