界面新闻记者 |
界面新闻编辑 | 文姝琪
9月10日，以“共创AI新经济”为主题的2026 Inclusion·外滩大会在上海开幕。1.5万平方米的科技展馆现场，各种AI终端产品触手可及，40余家具身智能企业带来的机器人、机器狗产品也渗透进真实产业与人们的日常生活里。
在今日的开幕主论坛上，围绕AI技术和经济话题，诺贝尔经济学奖得主菲利普·阿吉翁、普林斯顿大学人工智能创新中心主任王梦迪、源码资本投资合伙人张宏江分别从宏观经济、科学发现和企业组织等层面，给出了各自的答案。大会期间，来自学界以及产业界、投资界嘉宾也云集于此，分享AI对于就业、经济增长和未来社会影响的种种观点。
在技术快速突破时，AI能够做什么，或许已经不是最难回答的问题。但如何看待AI现阶段的潜力和局限、如何适应技术发展的新节奏，与会嘉宾分享了不同视角的见解，但也给出了一些相似的判断。
技术突破并不等于经济增长
阿吉翁首先讨论的是AI能够把经济增长推到什么位置。阿吉翁和同事的研究显示，仅考虑AI对商品和服务生产中任务的自动化，未来十年AI就有望使生产率增速每年额外提高0.68%；如果进一步考虑AI促进新想法产生的作用，潜在提升幅度合计约为1.08%。这一规模与IT革命时期的生产率提升处于同一量级，甚至可能更大。
但在阿吉翁看来，这只是AI的“潜力”，而不是必然兑现的结果——技术突破并不会自动转化为持续增长。
他以美国IT革命为例叙述了自己的观点：1996年至2005年间，信息技术革命曾推动美国全要素生产率明显提升，一批“超级明星企业”快速成长。但与此同时，行业集中度也不断上升，新企业进入率从2000年前后开始下降，随后生产率增长明显回落。
这也是“创造性破坏”理论长期存在的矛盾：创新者需要获得足够高的回报，才有动力继续创新；但当成功的企业建立起越来越高的壁垒，也可能反过来限制新企业进入，最终削弱下一轮创新。
如今，这一问题正在AI产业中重新出现。阿吉翁指出，当前AI价值链上游已经呈现出较高的集中度。云计算市场由亚马逊、谷歌、微软等大型企业主导，图形处理器市场同样高度集中。对他而言，AI是否能够充分释放增长潜力，不只是技术问题，也取决于未来能否维持足够充分的市场竞争。
就业也面临类似的问题。AI会替代一部分人的工作，但生产率提升和新想法产生也可能创造新的岗位。真正的挑战在于，教育体系和劳动力市场能否让劳动者完成这一转换。
阿吉翁认为，教育的意义并不只是让人掌握某一组具体知识，更重要的是让人“学会如何学习”。他甚至建议保留一部分完全不使用AI的学习过程，让学生能够独立阅读、计算和思考。他还以丹麦的“灵活保障”体系为例，认为失业保障、再培训和再就业支持能够帮助劳动者更顺利地进入新的工作岗位。
如果说阿吉翁讨论的是AI这一新技术如何进入经济体系，王梦迪关注的则是另一个更靠近创新源头的问题：AI距离自主发现新科学还有多远？
今天的大模型已经掌握了大量人类知识，但在真正的科学发现上仍然存在明显局限。王梦迪的判断是，大模型更擅长找到“最可能”的答案，而真正的新发现往往藏在概率分布的长尾里。
近期，王梦迪团队与普林斯顿大学社会学教授谢宇合作，用ChatGPT、Claude等大模型进行“模拟人生”实验。结果显示，模型在结婚年龄、职业、性别等多个问题上倾向于高估最常见的情况，却明显低估少数情况和长尾分布。
王梦迪认为，这或许能够解释，为什么大模型在数学、Coding等领域进展迅速，却尚未在物理、化学、生物等基础科学领域产生同等规模的原创发现。
数学和Coding（编程）有一个共同特点：结果相对容易被验证。但现实世界的科学研究却没有这么简单。王梦迪表示，一个科学想法最终能否成立，往往需要真实的实验设备、研究人员的判断以及跨团队协作。更麻烦的是，一些实验本身就难以稳定复现。在这种情况下，AI获得的信息越来越多，并不意味着真正有效的新信息也在同步增加，科研过程反而可能面临更严重的“信噪比”问题。
因此在王梦迪看来，只有当物理世界中的实验过程能够被系统记录、持续验证、反复复现，AI才可能真正把训练中学到的“似然性”，转化为对“可能性”的探索。
如果说科学发现需要新的基础设施，AI进入企业之后，改变的可能也不只是某一个软件或工作流程。在这一背景下，源码资本投资合伙人、美国国家工程院外籍院士张宏江将讨论进一步推向企业内部。
他认为，从技术层面看，AI正在成为人类历史上发展速度最快的技术浪潮之一。随着前沿模型能力提升，以及AI自我改进能力增强，虚拟世界和物理世界之间开始形成更快的反馈循环。这种变化最终可能推动一种新的经济关系出现：从Agent到Agent Economy，即多个Agent之间形成经济关系网络。
张宏江概括了一条明显的演进路线：“Agent的进化：从对话到助手，被动到主动，从个体到群体。”在这一过程中，软件首先发生变化——过去是人使用软件，未来可能越来越多地变成Agent使用软件。但张宏江认为，软件只是这一轮变化的表层，更值得关注的是企业组织本身。
除了传统意义上的资产之外，企业未来还需要考虑自身的Know-how（专业知识）、专有模型、算力、高质量数据、Agent协作系统以及能够持续改进的工作流。“企业未来的核心竞争力在于能否将企业的IP、Know-how、用户关系和产品能力转化为模型，并使该模型产生涌现效应。”张宏江说。
这些讨论实际上指向同一个议题：AI的技术能力正在快速提升，但技术突破本身并不等于经济增长。AI能否真正转化为新的生产力，不仅和模型本身有关，还取决于竞争环境、科研基础设施以及企业组织能否跟上。
AI时代的新问题
同一时间，场内另一个被热议的话题是：巨额投入AI之后，生产率会不会提升，当效率提高之后，需求和就业又在哪里？
当前围绕AI，一边是规模空前的资本开支，仅亚马逊、微软、谷歌和Meta四家公司，2026年计划投入的资本开支合计就超过7000亿美元。另一边是尚未成型的AI经济学解释框架。AI究竟应该怎样从一个技术变量，变成真正的经济变量？
在9月9日举办的“AI经济增长新范式与社会价值重构”见解论坛上，上海财经大学校长刘元春援引技术革命史指出，一种新技术范式到来时，最先发生的往往不是生产率突然提高，而是思想和社会预期先行变化。
这也符合外滩大会的热议现状。大量讨论、资本进入以及随之而来的金融热潮，本身就是技术革命早期的一部分，刘元春甚至把泡沫称为催生新技术范式的“促产婆”。
但对于对AI能拉动多少增长，经济学界分歧显著。不同研究测算未来10年AI对全要素生产率的贡献，从每年0.07个百分点到1.3个百分点不等，答案相差40余倍。刘元春提到，差异源于对AI可替代任务的假设不同，不必全信。
北京大学国家发展研究院院长黄益平换了一个角度提醒时间差。计算机普及后技术革命轰轰烈烈，但早期宏观统计中全要素生产率并未马上提高，这就是“索洛悖论”。“并不是使用了AI，生产率就会立刻大幅增长。”AI今天也可能面对类似的时间滞后。
美国正涌入AI的巨额投资，建立在模型之上，但没人真正知道这些模型最终会产出什么。
2011年诺贝尔经济学奖得主、纽约大学教授托马斯·萨金特将这种“不确定性”表达得更直接。他用开普勒和牛顿作比：AI已擅长从海量数据中识别模式、拟合规律，却还没理解世界为什么如此运行。巨额投入并不自动等于高回报，面对AI，投资者、企业和政策制定者需要为未知留下空间。
事实上，AI也已以另一种方式进入经济。刘元春列了四条路径，芯片价格今年涨了30%以上；AI基础设施投资大规模增长；贸易全面上扬；1至8月出口增长的50%由AI拉动。
对于业界热议的AI泡沫，刘元春认为“有泡沫不可怕。”真正的问题是泡沫期间形成的算力、模型和基础设施能否沉淀为真实生产能力。
当AI不断提升供给能力，另一个问题也随之出现，需求能否同步增长，人有没有足够的收入去消费？黄益平表示，如果AI一边增强供给，一边通过就业结构和收入分配影响需求，今天讨论较多的“供强需弱”，会不会从阶段性现象变成长期特征，进而改变经济增长的范式？“我没有答案。”
中金公司首席经济学家缪延亮从通胀角度给出相似观察，AI短期可能因算力、存储瓶颈推高部分价格，长期则因生产率提升和劳动替代产生去通胀压力。如果更多收入流向资本，总需求就会受到抑制。
不过，长期乐观不意味着短期没有阵痛压力。摩根士丹利中国首席经济学家邢自强提醒，这一轮AI扩散可能只需要十年左右，而蒸汽机、电气化、互联网都给了劳动力市场两三代人的转型时间。结果是AI先提高有经验劳动者的生产率，一些入门级工作可能率先减少，“新岗位的创造，赶不上对旧有岗位的蚕食和冲击”完全可能发生。他还提醒，中国第一次与美国几乎同时站在起点，“没有作业可以抄”。
就业问题再往前一步，是年轻人的教育。人与AI究竟该如何相处，AI时代下的教育问题又该发生什么变化？
香港科技大学（广州）协理副校长熊辉认为，机器最擅长的，是那些可以被数据化、标准化、写进书本和规则的能力。用“知识树”作比喻，重要的是树干和框架，而不是把时间花在记忆“叶子节点”上。AI确实“平了知识的权”，但不会自动“平能力的权”。 熊辉表示，当每个人都能调用相似的大模型，能拉开差距的实际就是提问、判断、经验和0到1的创新能力。
现场也有不同声音。北京大学教授沈艳提醒，不能简单否定“博闻强识”的价值，知识积累与创造力并不矛盾。学者交锋之后，形成的共识是AI时代不是不要知识，而是不能只有知识，还要有能力。
将视角从个人转向企业，今天企业管理也出现了新命题。中国社会科学院大学教授、国务院原副秘书长江小涓的判断是，AI是一种“生而为全球”的创新。
随着越来越多产业进入全球前沿，企业走进“无人区”，只能自己研发；AI又让研发基模和数据可以极低成本复用，产品往往在发布的第一天起就面向全球。今年6月，中国开源模型在全球主要开源社区的下载量首次超过美国，7月、8月调用量前六名均由中国开源大模型占据。
以AI制药行业为例，AI明显加快了前端的靶点发现和分子设计进程，但后期临床仍按原有节奏推进，前后端能力出现明显错配。今年上半年，中国创新药对外授权交易总额达1100亿美元，江小涓认为，这是全球制药业重新分工的表现。
韩歆毅认为，AI经济不能只依靠资本投入，企业也不能停留在“降本增效”。新的需求形成之后，还需要进一步解决一个问题：AI创造的增长，如何转化为更多就业和收入机会，形成“投资—收入—消费”的新循环。黄益平也从分配角度提醒，生产率提高，并不意味着劳动者收入会自动同步提高。所谓“就业优先”，不是让AI少做一些，而是让更多人因为AI能做得更多。这也是韩歆毅给出的衡量标准：“AI的价值最终要由真实增长来检验，也要由更多人的获得感来衡量。”
评论