来源丨 腾讯科技（ID：qqtech） 作者丨博阳 编辑丨徐青阳 图源丨Midjourney 近两年来，关于 AI 经济学最引人注目的论战，实际上是一场关于"速度"的博弈。关于AI泡沫的讨 论，最终都会还原到，「AI 多久会反映到 GDP/生产率上」这个问题上。 诺贝尔经济学奖得主 Daron Acemoglu 在 2024 年抛出了一盆冷水。他通过对当时 AI 能力（主要 是 GPT-3.5 时代）的实证观察，计算出 AI 对未来十年 全要素生产率 （TFP）的增长贡献可能仅 为微不足道的 0.07% 到 1%。他的判断主要立足于 AI 只能自动化很少一部分人类任务，且很难在 短时间内大幅降低成本。 但在Agent全面接管工作流、推理模型层出不穷的当下，Acemoglu基于Chat时代的观察显得有点落 伍了。 在他的论点之外，转折派、奇点飞升派等多个流派对AI、对GDP年增长的影响预测从0.07%到10%， 分布在极其广阔的光谱上。 这些预期差距很大程度上源于他们对AI技术本身发展速度的理解差别。AI发展停滞、 Agentic AI 成功落地，以及能够自我迭代的AI进入研发流程，意味着完全不同的增长轨迹。 ...

纪要涉及的行业或公司 * 行业：宏观经济、房地产、新质生产力（涵盖电子元器件、输配电、汽车零部件、电池、新能源链、人工智能、电子半导体、航空航天、可控核聚变等）、有色金属、黑色金属、电力基建、服务业（特别是生产型服务业）[1][3][5][8][9][10][11][16] * 公司：未提及具体上市公司名称 核心观点与论据 * **新旧动能切换与经济拉动**：中国经济正经历新旧动能切换，新质生产力（如电子元器件、输配电、汽车零部件、电池）经济体量扩张，对经济的拉动能力已超过房地产[1][5] 从2012年到2023年，新质生产力对经济拉动能力超过平均水平，并取代传统支柱产业地位[12] * **新质生产力的支柱地位评估**：新质生产力有望承接房地产支柱产业地位，其对经济贡献和拉动能力已超过房地产，但就业吸纳能力仍不足以完全弥补房地产带来的减量[5] * **服务业发展空间**：中国服务业供给和需求与发达经济体相比仍有10%-20%的提升空间，特别是生产型服务业差距更大[1][6] 未来经济将呈现制造业保持合理比重，服务业扩张的趋势[1][6] * **生产效率指标变化**：2023年中国增加值率改善0.8个百分点至38.5%，但与美国及OECD平均水平仍有差距[1][7] 全要素生产率（TFP）自2020年以来增长较快，预计2023年和2024年分别增长1.2%和0.7%[1][7] * **原材料消耗结构变化**：新旧动能切换导致原材料消耗结构变化，设备更新投资增速明显跑赢建安投资增速[8] 有色金属比价跑赢黑色金属，新产品（如汽车、芯片）对有色金属消耗程度显著高于老产品[8] * **嵌入全球电气电子化进程**：中国的新旧动能切换嵌入全球电气电子化进程[1][4] 从2018年起，中国能源终端消费中的电气化比例大幅超过OECD平均水平[9] 过去十年中，铜和银终端需求电气化分别提高8.1和16.3个百分点[9] * **电网建设优势**：中国在电网建设方面具有显著优势，尤其是在1,000伏特高压输电技术以及跨区域输电能力上，工商业电价相对较低，为高耗能产业如人工智能提供了竞争优势[3][10] * **中美AI竞争与能源挑战**：2023年中美在大模型性能上的差距为23%，预计到2025年将显著缩小[11] 人工智能的用电负荷集中且存在尖峰波动，新能源供电难以匹配AI用电需求，未来可控核聚变等新型能源有望迎来发展机遇[11] * **收入分配与税负变化**：2020年至2023年间，中国居民收入上升、生产税净额下降，收入分配向居民倾斜[13] 劳动报酬率有所提高，新能源链相关产业劳动报酬改善显著[3][13] 2024年中国宏观税负率约27.8%，低于OECD国家平均水平34.1%[15] * **未来经济展望与投资方向**：未来经济均衡状态应是新质生产力与现代服务业双足并进[16] 有色金属和电力长期投资价值看好[16] 在科技竞争领域，如AI等高耗能领域，中国具备优势[16] 其他重要内容 * **资本市场趋势**：2026年中国资本市场呈现出科技开门红的行情，与提质增效主线密切相关[2] * **分析方法**：通过2002年至2023年的投入产出表变化，可以观察中国各产业的新旧动能切换[3] * **就业与内循环**：服务业扩张有助于提高居民劳动报酬和消费水平，并形成内循环[13] 高校毕业生就业难问题也使现代服务业扩张具有一定诉求[14] * **宏观税负国际比较**：过去十年间，中国宏观税负率下行约5至9个百分点[15] 考虑到OECD国家多属高福利、高税负国家，中国提升空间有限[15]

（文章来源：第一财经） 中信建投研报表示，"十五五"时期是中国跨越中等收入陷阱、应对全球产业链重构的关键窗口期。当前 中国制造业增加值占GDP比重虽降至24.87%，但仍处于符合国际规律的合理区间。面对外部地缘政治 博弈与内部要素成本上升的双重挤压，保持制造业合理比重不仅是经济安全的"压舱石"，更是培育新质 生产力的核心载体。未来五年，制造业发展的核心逻辑将从"保总量"向"优结构"跃迁：在总量上，参考 德日经验，努力维持在20%-25%的底线区间；在结构上，以全要素生产率（TFP）提升为导向，通 过"有进有退"的产业置换，推动高技术制造业占比提升，实现从要素驱动向创新驱动的本质转变，确立 全球竞争新优势。 ...

中国城市行政等级体系的核心观点 - 中国的公共资源分配主要依赖行政等级而非价格机制 这构成了理解城市发展差异、路径及营商环境的关键框架 [1][8] - 国家治理的“条块结合 以块为主”的中央集权体制决定了资源自上而下的分配逻辑 高级别城市优先获得资源 [2] - 城市行政级别直接影响其获取财政拨款、高等教育资源及企业生产效率等关键发展要素 [8][10][11] 城市行政等级金字塔结构 - 金字塔顶端为四个直辖市（北京、上海、天津、重庆） 行政级别为正部级 其市委书记通常为副国级政治局委员 且下属所有辖区和部门级别均高于普通地级市两级 [4] - 第二层为15个副省级城市（如哈尔滨、沈阳、大连、青岛、南京、宁波、厦门、武汉、广州、深圳、成都、西安、济南、杭州、长春） 其行政级别为副省级 市委书记通常为省委常委 市直部门设置参考直辖市 [5] - 第三层为17个普通的省会城市（如南昌、海口） 虽多为地级市 但市委书记通常由省委常委兼任 政治地位相当于副省级 [6] - 第四层为261个普通地级市（总计293个地级市中除副省级和省会外的城市） 行政级别为地厅级 少数经济强市可能“高配”副省级官员兼任市委书记 [7] - 基层由县级及以下行政单位构成 截至2024年底 中国有2846个县级行政区和超过38700个乡镇或街道 但不同级别城市下属的区县行政级别差异巨大 [7] 行政等级对财政资源分配的影响 - 在五级财政体制下 财政拨款自上而下层层下拨 上级政府优先考虑自身需求 导致下级政府财权与事权不对等 [8] - 举例说明：若中央拨款100亿元 在省级分配中 作为省委常委的省会城市和副省级城市书记可能先分走一半（50亿元） 剩余50亿元由10个地级市平分 各得5亿元 地级市再分配时 市委常委的市辖区书记可能又分走一半 剩余2.5亿元分给10个县 最终每个县仅得2500万元 仅为总额的1/400 [8] - 20世纪90年代起推行的“扩权强县”、“省直管县”等改革 旨在解决“财政漏斗”问题 从侧面印证了财政资源依赖行政等级分配的逻辑 [9] 行政等级对高等教育资源分布的影响 - 中国优质高等教育资源高度集中于高行政等级城市 39所“985工程”大学绝大部分位于副省级以上城市 仅4所位于普通省会城市（长沙、合肥） 1所位于“准副省级”行政区（陕西杨凌） [10] - 116所“211工程”大学中 北京一城就占据了约五分之一 [10] - 山东、山西、河南、河北四省考生众多但优质大学稀缺 而江西省仅有1所211大学 反映出资源分配与行政等级的强关联 [10] 行政等级对企业生产效率与资源配置的影响（基于学术研究） - 行政级别越高的城市 其制造业企业的全要素生产率（TFP）平均水平越高 城市级别每提高一级 TFP水平约提高6% 例如 若处级县昆山升为地级市 TFP提高6%后将超过全国90%的地级市 [11] - 行政级别越高的城市 其制造业企业的资源错配程度也越严重 城市级别每提高一级 以TFP离差度量的资源错配程度约增加10% 表明高级别带来了更多资源但也可能导致效率损失 [11] - 城市级别提升企业TFP的主要渠道包括：获得更多政府补贴、雇佣技术人才优势更大、融资更便利、承担的地方税负更小 印证了“资源跟权力走”的现象 [11]

核心观点 - 当前AI产业的核心矛盾在于上游算力基建投入已基本完成，行业进入等待下游企业级应用落地并兑现盈利的阶段，2026年将是关键的“证伪之年” [2] - 全球股市（特别是美股AI板块）是全球“生产力”的核心，全球主要资产波动率与其高度绑定，AI的证伪或证实将决定全球市场的走向 [2][19] - 市场分析的核心应从关注负债端（利率）转向资产端（AI能否产生真实回报率），若资产端出问题，负债端的调整无济于事 [3][20] 生产力、生产关系与制度秩序的联动 - 股市长期反映的是全要素生产率（TFP），即经济系统将生产要素转化为产出的效率，而非短期宏观经济指标 [4] - 生产力、生产关系与制度秩序三者像齿轮一样联动：生产力拉动生产关系，生产关系重塑制度秩序，制度秩序反过来推动生产力，齿轮转动的效率即是TFP [5] - 大量研究证实，多数国家股市的长期走势与TFP的变化趋势高度匹配，以美股为例，1929年至今推动其长期向上的核心动力始终是经济效率的提升 [6][7] 产业生命周期视角：从广撒网到去伪存真 - 2015、2016年是关键节点，既是美股打破宽幅震荡开启趋势性行情的起点，也是市场意识到美国经济效率将跃升的转折点 [8] - 产业早期的最优投资策略是广泛布局所有技术路径，享受估值扩张红利；产业进入成熟期后，市场进入“去伪存真”阶段，资金集中到真正胜出的赢家 [8] - 2022年的市场杀估值正是“去伪存真”过程，例如英伟达股价下跌70%，市场逼迫其证明自己是AI算力基础设施提供商而非游戏显卡公司 [8] - 2022年底、2023年初ChatGPT的出现，标志着市场从众多技术路径中明确了少数能跑通的赛道，英伟达用后续财报确立了其作为AI时代“铲子”的确定性地位 [9] 波动率与市场风险：确定性越高，风险越大 - 波动率是确定性的反面，不确定性越高波动率越大，确定性越强波动率越小 [10] - 2022年英伟达大跌后，随着AI资本开支和业绩兑现的确定性增强，市场波动率持续下降，但高确定性催生了贪婪和过度杠杆 [13] - 2024年英伟达“闪崩”的核心原因是全球资产都绑在了AI这一“生产力资产”上，资产端的确定性被过度透支，负债端的任何变化都只是导火索 [14] AI的“修路”与“通车”——生产力到生产关系的传导 - AI行业正处在“路修完了，有没有车跑”的关键节点，过去几年几万亿美元的上游基建（算力、电力）已投下，但真正的企业级AI应用尚未大规模跑起来 [15] - 市场的疑虑在于等待答案：AI基建究竟是能拉动经济增长的资产，还是无法产生回报的债务 [16] - 从利率曲线结构可见美联储的“预防性操作”，例如英伟达闪崩后，美国国债“三个月减十年期”利差迅速倒挂，以调节流动性为AI应用落地争取时间，但这也会让估值变得更贵 [16][17] - 2026年将是AI从生产力到生产关系传导的证明或证伪之年 [18] 关键标的与两条路径 - 特斯拉是2026年证明过程的关键标的，其需要证明自己是一个企业级重AI应用平台，而不仅仅是一家汽车公司，答案将决定其估值天差地别 [2][18] - 若特斯拉只是汽车公司，其当前万亿市值已透支；若是AI应用平台，万亿市值只是起点 [19] - 关于AI未来的两条路径：一是证伪路径，即上游基建无法转化为下游生产力，投资变成债务，全球市场崩盘；二是证实路径，即AI完成从“修路”到“通车”的传导，生产力拉动生产关系变革，带来第二波系统性机会 [21] - 每一轮长周期有三次大机遇：生产力提升、生产关系改变、制度秩序重构，英伟达已证明是确定性的生产力标的，未来的机会在于生产关系的变革，即AI应用的落地和普及 [21]

中国经济增长模式转型 - 中国经济过去四十多年高速增长主要依靠资本与劳动的持续投入，全要素生产率A的贡献有限[1] - 当前要素增长空间非常小，劳动参与率是美国的1.16倍，平均劳动时长是美国的1.23倍，资本产出比是美国的1.18倍[1] - 中国TFP水平只有美国的0.37，增长潜力巨大，亟须完成从要素投入驱动向效率提升驱动的结构性转变[1] 全要素生产率概念解析 - TFP被视为除资本与劳动外所有导致产出增长因素的综合效应，是一个"剩余项"[2] - 传统测算多停留在结果层面，缺乏对原因的剖析，导致政策可操作性大大减弱[2] - 学界提出固定效应、OP、LP、ACF等计量经济学方法处理内生性问题，但TFP作为"剩余"的本质未变[2] TFP构成要素分解 - 创新和技术进步是TFP增长最传统来源，内涵已超越单纯科研成果，更强调创新扩散与吸收能力[3] - 数字资产等新生产要素为TFP带来新活力，数据、算力与算法正成为新生产要素，数字化意义在于重塑整个生产函数[3] - 制度与组织管理体系对创新发展至关重要，制度安排决定资源配置效率，管理与治理机制改进可提高产出[4] - 外部效应与社会责任应纳入更广义TFP范畴，部门生产率提升会通过供应链传导带动上下游行业效率改善[5] 政策启示与治理工具 - 建立统一TFP数据与分析体系，打破部门和行业数据孤岛，整合财务、运营、科技、人力资源等多维信息[6] - 拓展TFP考核口径，建立兼顾经济效率与社会价值的综合指标体系，将创新能力、数字化水平等软要素纳入考核[6] - 推动以效率为导向的改革，以提升全要素生产率作为国有企业改革、区域协调发展、产业政策优化的共同导向[6] - 使TFP从"统计指标"走向"管理工具"，针对性地设计激励机制，对政府和企业努力进行量化考核[7]

中国经济增长模式转变 - 过去四十多年经济增长主要依靠资本与劳动的持续投入，增长逻辑基于K（资本）和L（劳动）的积累，全要素生产率A的贡献有限 [1] - 当前要素增长空间非常小，劳动参与率是美国的1.16倍，平均劳动时长是美国的1.23倍，资本产出比是美国的1.18倍 [1] - 中国经济亟须完成从要素投入驱动向效率提升驱动的结构性转变，未来增长关键在于提高全要素生产率，当前TFP水平只有美国的0.37 [1] 全要素生产率的概念与挑战 - TFP被视为除资本与劳动外所有导致产出增长的因素的综合效应，是一个"剩余项"，处于理论与实证的"黑箱"状态 [2] - 实际研究中TFP的测算存在严重内生性问题，资本与劳动的投入往往与企业生产率水平同时决定产出 [2] - 传统测算多停留在结果层面，缺乏对原因的剖析，导致政策上的可操作性大大减弱 [2] TFP的构成要素分解 - 创新和技术进步是TFP增长最传统的来源，新阶段更强调创新的扩散与吸收能力以及技术应用、产业转化和知识共享 [3] - 数字资产等新生产要素为TFP带来新活力，数据、算力与算法通过信息系统、自动化控制与智能决策提升整体效率 [3] - 制度与组织管理体系是TFP的重要来源，制度安排决定了资源流动和配置效率，管理与治理机制的改进能提高产出 [4] - 外部效应与社会责任应被纳入更广义的TFP范畴，部门生产率提升会通过供应链传导，带动上下游行业整体效率改善 [5] 政策启示与治理工具 - 建立统一的TFP数据与分析体系，打破部门和行业的数据孤岛，整合财务、运营、科技、人力资源等多维信息 [6] - 拓展TFP考核口径，建立兼顾经济效率与社会价值的综合指标体系，将创新能力、数字化水平等软要素纳入考核 [6] - 推动以效率为导向的改革，使国有企业改革、区域协调发展等都以提升全要素生产率为共同导向 [6] - 将TFP从"统计指标"走向"管理工具"，针对性地设计激励机制，对各项努力进行量化讨论和考核 [7]

诺奖研究主题与关联性 - 2025年诺贝尔经济学奖授予乔尔·莫基尔、菲利普·阿吉翁和彼得·霍伊特（KAH），其研究核心为"创新驱动的经济增长" [1] - 该获奖主题被认为与中国推动的"新质生产力"发展密切相关 [1] - 2024年获奖者阿西莫格鲁、约翰逊与罗宾逊（AJR）的研究领域与KAH高度重合，均涉及"创新与技术进步如何影响经济增长与社会平等"，连续两年颁奖给同一领域学者在经济学诺奖历史上极为罕见 [10][11] 工业革命成因的学术演进 - AJR早期发展并因"制度优势论"获奖，但该观点受到学界批评，难以解释工业化为何很快从英国扩展到整个西欧 [12] - 莫基尔获奖的关键在于其提出工业革命发生需"理论知识"与"实践知识"能够被充分创造、积累、传播并相互结合，强调英国与欧洲特殊的政治与文化环境更有利于两类知识形成良性循环 [12] - AJ在2023年出版的《权力与进步》中反思并修正了自身观点，承认制度仅是"必要但不充分"条件，并提出了整合地理、经济、社会和文化的更全面动态的解释框架 [13][15] - AJ的新框架强调英国新兴中产阶级的崛起与"新愿景"的形成是工业革命的关键驱动力，指出工业革命本质是"中产革命"，由中北部英格兰的"新贵"企业家驱动 [16][17] 创新与共享繁荣的关系 - 历史上大部分时间的技术进步并未带来共享繁荣，创新的好处主要被资本和权力阶层获取，而劳动阶层面临失业、收入降低及工作环境恶化 [21] - 二战后主要发达国家和改革开放后的中国是技术进步惠及劳工阶层的少数例外 [21] - 在美国，对于没有大学文凭的男性而言，实际工资收入自1970年代起长期停滞，贫富差距扩大 [22] - 与AI乐观派不同，AJ对人工智能能否带来共享繁荣表示怀疑，并呼吁提前应对其潜在冲击 [23] 全要素生产率（TFP）的悖论与解释 - 全球多国TFP自1960年代后呈现持续下降趋势，美国TFP从1940年代开始下降，仅在1980-2000年间短暂回升 [26] - 中国在2010-2019年间，TFP的贡献从之前十年的年均3.1个百分点下降至1.1个百分点 [27] - 菲利庞在《大逆转》中发现，2000年后的美国超级明星企业对实体经济和上下游企业的贡献减少，尽管其规模与财富增加，但对TFP的贡献却在减小 [27] - 阿吉翁等人的研究指出，超级明星企业在加大自身创新的同时，会通过阻碍追赶者创新（如大量购买并封存专利）来维持优势，导致普通企业创新激励不足，最终拉低整体经济的创新与增长 [28][29] - 利率环境的变化影响了企业行为，2000年后更低的宏观利率促使领先企业为巩固地位而创新，但这反而打击了普通企业的创新，导致产业集中度提高而总创新下降 [30][31] 对新质生产力发展的启示 - 发展新质生产力需警惕过度扶持领先企业可能拉大其与追赶者的差距，导致更多企业选择减少创新投入 [33] - 提高新质生产力的关键并非"一枝独秀"，而是创造公平竞争环境，降低准入门槛，限制大企业滥用专利保护，鼓励知识技术的传播与扩散，以缩小领先企业与追赶企业的差距 [33]

日本经济新常态与市场反应 - 通胀、人手不足与薪资上涨已成为日本经济运行的“新常态” [1][7] - 股票市场对高市早苗主张的“负责任的积极财政”表示欢迎，而债券市场则担忧国债发行量可能增加 [1] - 尽管石破茂政权对经济政策关注不足，日经平均股价却以历史高点为其任期画上句号 [3] 企业软件投资趋势 - 2025年度大型企业软件投资计划同比增长10.7%，中坚企业增长14.6%，中小企业增长28.1% [3] - 与2024年度相比，中坚企业和中小企业软件投资方向大幅调整，2024年度中坚企业同比下降4.8%，中小企业同比下降6.4% [3] - 批发零售业2025年度软件投资计划从2024年度的同比减少23.9%转变为同比增长39.5%，餐饮住宿业从减少0.3%转变为增长39.5% [5] 投资驱动的生产率提升 - 企业为应对人手不足与薪资上涨压力，正紧急加大软件投资力度 [5] - 日本银行研究报告指出，批发零售、住宿餐饮等服务行业的软件投资正推动全要素生产率增长率大幅提升 [5] - 投资不应仅停留在弥补人手缺口的替代层面，更重要的是推动边际生产率的提升 [6] 长期经济增长前景 - 在人口持续减少背景下，若日本能实现年均4.0%的名义投资增长率，将相关领域资本存量提升至当前的1.8倍，名义GDP有望实现年均3.1%的增长 [6] - 名义劳动生产率将年均提升3.7%，实际GDP年均增幅可达1.7%，劳动生产率年均增长2.3% [6] - 这一前景基于“总人口年均减少0.6%、劳动年龄人口年均减少1.0%”的人口动态前提 [6] 政权更迭的市场影响 - 随着石破茂卸任，如果日本股市的“石破折价”能随之消除，对投资者将是最大利好 [7] - 新任总裁高市早苗面临的关键课题是能否顺势而为，面对当前的经济变革趋势 [8]

人民币汇率近期走势 - 离岸人民币兑美元升破7.10关口，最高升至7.0995，为去年11月以来首次 [1] - 在岸人民币收盘价亦创下自去年同期以来新高 [2] - 人民币稳步走强自今年4月开始，源于国际资本对中国经济的持续看好 [2] 美联储降息与美元影响 - 美联储降息25个基点，市场预计此为降息周期开始 [1] - 美元指数迅速下探至96.2199，创下自2022年2月初以来新低 [1] - 美联储降息路径推进使美元走弱成为大概率事件 [2] 人民币走强的驱动因素 - 中美利差持续收窄为人民币走强提供动力 [2] - 中国超大市场规模优势成为全球稀缺资源，中国经济走势在横向国际比较中优势凸显 [2] - 依托人工智能等科技创新，实现全要素生产率的持续改善 [2] 国际资本与机构观点 - 国际投行德银对2025年人民币汇率破7充满乐观，对2026年人民币兑美元看涨至6.7 [3] - 世界银行将2025年全球经济增长预期从2.7%下调至2.3%，发达经济体增速预测仅为1.2%，新兴市场为3.8% [3] - 外资看好中国资产，增加对人民币的配置 [3] 汇率市场机制与未来展望 - 外贸企业结售汇意愿增加，推动外汇市场净流入 [4] - 人民币汇率单边快速升值或贬值的可能性不大，与美元反向波动和小幅调整将成为常态 [4] - 汇率形成机制市场化改革深化，可能推动人民币汇率波动幅度走阔，未来人民币大概率走强 [4]