生产率悖论的定义与历史 - 劳动生产率是总产出与总劳动时间的比值，是衡量劳动投入转化为实际产出效率的重要经济指标，从长远看是提高生活水平的唯一途径[4] - 技术进步是生产率增长的主要来源，但“技术创新突飞猛进和生产率增长令人失望”同时存在的情况被称为生产率悖论[4] - 该悖论最经典的表述由罗伯特·索洛于1987年提出，即“计算机时代的踪影无处不在，唯独生产率统计中看不出来”[4] 生产率悖论的三种解释 - 错误预期解释：人们对技术潜力的乐观预期是错误的，其实际变革性不如想象，历史上如核能、可控核聚变、强人工智能等均未达预期[5] - 测量误差解释：新技术带来的生产率收益真实存在，但难以被传统统计工具准确测量，例如免费的互联网服务及性价比不断提升的科技产品[6] - 时间滞后解释：新技术对生产率产生实质影响需要较长时间，通用目的技术尤是如此，看似矛盾的技术进步与统计现实可同时成立，只是时间未到[6] 时间滞后是主要原因及“J形曲线”效应 - 时滞性解释被认为是导致生产率悖论的主要原因，最具说服力[8] - 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，其早期阶段（播种阶段）不应期望出现最大的生产率回报[8] - GPTs对生产率影响的滞后效应被概括为“J形曲线”，即播种阶段生产率增长缓慢甚至下降，到收获阶段增长才真正开始[8] 历史通用目的技术的滞后规律 - 从长期看，生产率悖论只是特定阶段的现象，例如索洛所处的1980年代，信息技术的资本积累到1990年代中后期才达到足以影响生产率的程度[9] - 电力和ICT对美国劳动生产率的贡献历史走势相似，都是前期平缓后期加速，拐点分别在1915年和1995年[9] - 历史上，蒸汽机、发电机和计算机分别在发明118年、91年和49年，在商业化54年、40年和21年后，才开始明显推动生产率提高[9] 人工智能作为新GPTs的现状 - 人工智能是新的通用目的技术，具有普遍适用、持续改进和催生创新的特征，是未来经济增长的引擎[12] - 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浪潮如火如荼，但生产率增速并未明显加快[12] - 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不变，增速在0%上下波动，欧盟在1999-2008年每小时劳动生产率平均增速为1.5%，2010-2019年为1%[12] - 美国2025年非农部门劳动生产率增速达2.2%，在西方国家中一枝独秀，但也仅相当于1947年以来的长期平均水平[12] - 尚无证据表明AI已对经济产生革命性影响[13] AI影响生产率的关键前置指标：渗透率 - AI对劳动生产率的影响程度可通过渗透率直观体现，渗透率是前置指标，决定着生产率的贡献度[14] - 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，即“AI+”指数需要达到50%[14] - 目前AI的企业应用处于早期阶段，面临企业级壁垒[16] - 美国和加拿大的企业AI渗透率处于10%左右，欧盟和英国处于20%左右，中国规上制造业企业AI技术应用普及率超30%[16] - 这些渗透率是“有没有”的衡量，远未达到50%的门槛，表明AI仍处于早期的技术扩散阶段[16] 中美AI发展路径对比 - 中国在人工智能领域与美国旗鼓相当，但发展路径不同[18] - 美国采取大投入、重性能、追求AGI的路径[18] - 中国则采取开放权重、强应用，大力推动AI与各行各业深度融合的路径，将“AI+”作为促进技术变革和赋能行业高质量发展的抓手[18] - “AI+”的本质是提高采纳率，进而提高劳动生产率，随着其纵深推进，劳动生产率必将迎来快速提升[18]