彭文生：AI规模新经济

人工智能（Artificial Intelligence, AI）是一个与人类智能相对应的概念。自1950年代这个概念出现以来，人类智能对人工智能的探索经历了不同的阶段。从早期的符号主义到建立专家系统，是一种从上到下的设计，事先赋予机器以尽可能多的知识；过去二十余年，AI发展的主流范式逐步转换到了从下到上的模式，赋予机器以学习的能力，将智能视为一种通过学习而对环境展现适应性的机能。以2022年发布的ChatGPT大语言模型为标志，AI神经网络的类人学习能力取得了里程碑式的进展，引发全球范围的AI热潮。

2024年《政府工作报告》中首次提出了“人工智能+”行动[1]，这不仅是顺应全球人工智能发展的趋势，而且与中国产业升级的大势紧密相连，旨在推动AI技术与各行业的深度融合。这一行动体现了政府对AI的高度重视，可以说是推动中国从“互联网时代”迭代升级至“人工智能时代”的政策设计和布局，是发展新质生产力的一个重要方面。

AI的新突破影响经济社会发展，反过来，技术进步是人类经济活动的结果，AI未来的发展也取决于经济社会环境包括公共政策的演变。中金研究院和中金公司研究部联合撰写了这篇研究报告，力图从经济视角探讨本轮AI进步的生产力特点及其对生产关系的冲击，围绕宏观含义、产业影响、治理挑战等问题提供一个系统分析。

作为一项通用目的技术，规模定律（Scaling Law）[2]是本轮AI进步的突出特征，意味在静态上大国有优势，动态上先发者有优势。美国在大模型研发方面拥有先发优势，中国人口多、市场大有利于加速追赶，尤其可能在应用层孕育出引领性的创新，为经济增长注入新动能。按照我们的估算，AI有望使得中国2035年的GDP相较于基准情形提升9.8%，相当于未来10年的年化增长率额外增加0.8个百分点。科技革命不仅促进生产力，也重塑生产关系，AI作为“类人”技术，在数字治理、市场竞争、社会伦理、国际关系等方面将带来深远的影响。历史经验显示，科技进步在提升经济增长的同时，也加大收入差距，促进社会保障既有物质基础也是可持续发展的必然要求。中国可在AI治理方面未雨绸缪，尤其需要着力完善社会保障体系，兼顾效率和公平，让科技发展成果惠及全体人民。在当前总需求不足的背景之下，扩张性财政政策提振经济增长，也有助于中国在AI领域加速追赶。

作为经济分析，我们对AI的研究从何入手？直观来讲，一项技术的重要性和其影响经济社会的范围有关。一个基本共识是AI符合经济学的通用目的技术（General Purpose Technology, GPT）的概念，具有广泛的应用潜力，可以在多个领域和多种环境中发挥作用。技术进步是经济长期增长的源泉，而全社会的技术进步往往是由少数几项关键的通用目的技术所推动的[3]。AI有潜力与电力、计算机、互联网等相比拟，成为对人类发展进程有重要推动力的通用目的技术。

就AI的通用性而言，一个相关的概念是“通用人工智能”（Artificial General Intelligence, AGI）。计算机领域的“通用”强调的是机器在阅读、语音、图像等人的行为领域中具备与人类相近的能力。AI大模型初步展示了这些潜质，比如其核心算法和技术可以应用于各种不同的任务，包括数据分析、自动化控制等。但对于什么构成AGI有很多不同的观点，对于人工智能是否能达到人类智能则有更大的争议，乐观者和悲观者都有[4]。

通用目的技术和通用人工智能看似相近，但是两个不同的概念，AI是通用目的技术，但不一定能实现AGI。经济学领域的“通用”强调普遍适用性（Pervasiveness），但不一定要跟人的能力具有可比性，比如电力，没有人可以发电，然而当今人类的生产与生活离不开电力。普遍适用性不是一天达到的，通用目的技术是一个动态演进的过程，新技术及其应用推动经济社会发展，后者反过来也是创新和应用的驱动力，不同技术工具之间还有协同作用，赋能进一步创新[5]。AI进步与数字经济的发展紧密相连，可以说是数字技术本身作为通用目的技术动态演进和赋能创新的结果。

如何研判AI作为一项通用目的技术的发展潜力和路径？一般而言，通用目的技术的发展遵循“萌芽-成长-成熟”的三阶段S型曲线的规律[6]，技术可行性、经济可行性是判断其动态演进的两个重要指标。从技术可行性看，普遍的观点是，本轮AI大模型的技术突破标志着S型曲线的第一拐点已被跨越，但在广阔的消费和工业生产场景中，AI的渗透率仍有限，并未呈现出像互联网技术广泛应用的情况[7]。这背后有经济可行性问题，当前AI的使用成本高，包括数据库的建设、算法和人才的培养、算力消耗等，同时大模型的应用还在发展初期，其产生经济效益的前景还有较大的不确定性。

AI的经济可行性不是静态的，而是动态演进的，随着技术迭代和应用规模扩大，AI技术的使用成本将呈现下降趋势，商业模式的盈利逐渐显现。其他产业可借助AI实现赋能、改造与升级，推动本产业的降本增效，例如，金融结合AI可助力智慧投研及风险防控，科研结合AI可实现自动文献阅读、研究方案设计乃至科研设备控制等科研助手功能。未来几年，AI大模型在各行业的应用推广将是AI促进经济增长的载体，可能带来深远的影响。

长远来看，AI对经济社会的潜在影响也取决于S曲线的第二拐点在什么地方？一个争议点是AGI能否实现，什么时候实现？语言是知识的载体和传播途径，一些观点认为，大语言模型基于语言（现有知识）模拟智能，自然难以产生超越现有知识的智能[8]。基于历史数据训练的大模型如何理解并适应现实世界的动态变化，可能是一个挑战。AI可能在某些方面超越人的能力，但在很多领域尤其是创新领域，无法代替人类的思考。

在讨论AI作为一项通用目的技术对经济的影响时，无端的猜想和推测没有现实意义，我们应当遵循科学的方法论，把理性分析建立在有逻辑的框架之上。无论是AI发展本身还是其对经济的影响，分析逻辑的一个关键词是规模效应。

经济学的一个重要概念是规模经济效应，即生产规模的增加带来单位成本下降，效率提升。本轮AI技术进步有一个类似的概念，就是规模定律，指的是随着模型规模的增加，其性能出现系统性的改进。在算法优化、数据增加、算力增长的支持下，大语言模型可以包含数千亿甚至上万亿的参数，帮助机器学习语言数据中的复杂模式。规模定律描述的是技术可行性，规模经济效应关乎经济可行性，两者相互联系，在一定意义上可以说前者是后者的基础，后者是AI影响经济运行的载体，反过来也影响技术演进。

从未来发展来看，一个关键问题是规模增加带来效率提升有没有极限，边界在哪？从模型技术层面看，有两派观点。乐观一派认为在跨越了S型曲线的第一拐点后，AI的发展还远没有达到规模定律的极限，顺着规模定律指明的方向，结合更高效的算法架构、更高性能的算力芯片、更多数据的应用，我们可以期待未来几年AI的技术性能持续突破[9]。谨慎一派则认为，算力、数据、参数增加的边际产出已经出现下降的迹象，同时数据量从存量的使用到依靠增量也面临限制[10]。

大模型的应用不仅是技术问题，即使数据规模增加的边际产出（模型预测的准确度）递减，如果其应用产生的收益大于投入成本，经济可行性仍然成立。在AI应用和产业发展上规模经济效应是关键因素。经济学的规模效应有内部规模经济和外部规模经济两个方面，前者是指单个企业做大生产和经营规模而实现效率提升（单位成本下降），后者是指产业链上下游的企业通过协作，或者共享基础设施与公共服务而提升效率。在数字经济时代，企业内部效率提升不一定体现为单一产品量的增加上，还可能通过经营范围扩大、产品种类增加来实现，即范围经济效应。

具体而言，AI的内部规模经济效应体现在单个企业凭借大模型而享受运营规模增加而带来的效率提升。技术层面的规模定律隐含着经济层面的门槛要求。在算力、参数和数据量达到一定规模时，模型的准确性和能力出现跳跃式提升，即所谓的涌现。这种非线性效应带来AI大模型研发在资源投入上有一定的门槛要求，叠加应用层面的范围经济效应，头部大型科技公司更有能力实现内部规模经济。

AI的外部规模经济可以体现在三个方面。首先，在大语言模型的推动下，市场对于AI领域给予了前所未有的关注，越来越多的资本投向新算法架构的研发、数据库和算力基础设施的建设，这有助于降低整个市场的算法、数据、算力的平均成本，对所有市场主体都有利。中国的企业在算力方面的不足可能限制其内部规模经济的发挥，但这可以在一定程度上通过基础设施、公共服务（共享）等外部规模经济来弥补。

其次，外部规模经济体现在模型开发者与使用者之间互动和相互赋能上。比如，开源大模型可以吸引来自高校、企业和个人等各类开发者进行调用，他们在使用过程中发现问题，并通过网络平台提供使用反馈和修改意见，由此形成分工协作网络，加快技术迭代和进步。

再次，随着AI技术从科技企业扩散到其他行业，相关企业可将自身业务与AI相融合，形成产业链和生态系统，实现产业内和产业间分工协作，带来外部规模经济效应。随着大模型的迭代完善，科研、医疗、金融等行业将能够开发定制小模型，运用于日常的业务活动，进一步丰富技术生态。不同行业的小模型可互相借鉴知识和经验，创造出新的公共数据反哺技术研发，实现范围经济效应。

人类的历史显示，一项技术进步带来的规模经济效应并不是无限的，边际收益递增最终转向边际收益递减。我们需要超越技术层面来思考AI的规模经济效应，这是因为技术进步是内生的，即使第二拐点离我们还远，规模扩大本身可能也面临约束。经济社会资源是有限的，而人类的需求是多元的，不大可能把所有的资源投入在某一个技术或者产业上。

从经济社会层面看，一个宏观约束和应对气候变化有关，能耗和碳排放问题已经成为公众关注本轮AI进步的焦点之一。AI的生命周期在训练阶段和推理阶段需要消耗电力，增加碳排放。另一方面，AI可以助力能源转型、降低碳排放，比如AI可以帮助开发新的清洁能源技术材料，优化太阳能和风能发电场的运行等。这两个力量哪个作用更大？经济发展的历史显示，技术进步有助于降低单位能耗，但人类对美好生活的追求使得经济总量增长，带来总能耗上升[11]。

应对AI进步对碳排放的影响需要加速绿色转型，促进绿色能源替代化石能源。绿色能源的制造业属性较强，具有规模经济效应，中国作为制造业大国和大市场可以为全球的绿色转型做出重要贡献。但中国绿色产业的发展已经带来保护主义的压力，背后是国家之间经济和地缘政治层面的竞争。

科技进步对国家或地区之间的经济竞争力与发展差距有重要影响。工业革命时期，西方国家（如英国、德国、美国）的经济快速增长，而以中国为代表的东方国家则逐渐落后，导致了全球范围内的经济和政治格局的重大变化，这一现象在经济史领域被称为“大分流”[12]。二战后少数经济体（主要是东亚）在工业化的过程中成功追赶发达经济体，中国改革开放以来经济快速增长，大大缩小了与发达国家的差距，这些被视为“大收敛”的例子[13]。在科技快速进步的今天，有观点担心全球正在经历由于科技创新和产业化集中在少数国家导致的第二次大分流，拉大先进技术国家和传统制造业国家之间的差距[14]。

本轮AI进步将导致分化还是收敛？经济学的两派观点有助于我们理解这个问题，关键在于对技术进步和规模经济的认知。按照新古典增长理论，技术进步是外生的，资本的边际报酬递减，给发展中国家带来后发优势。发展中国家的资本边际收益高于发达国家，资本从高收入国家流向低收入国家，学习和模仿带来技术的扩散，使得后者的经济增长快于前者，人均收入水平的差距趋于收敛[15]。

内生增长理论则强调技术进步是内生的，规模经济效应是一个重要力量。和农业经济相比，工业经济具有规模经济效应，使得率先实现工业化的国家有更多资源投入研发和创新，在前沿技术进步上有先发优势，导致跨国间收入水平差距不收敛[16]。

两派差异的另一个含义是，在其他条件相同的情况下，内生增长模型隐含大国比小国增长更快，大国比小国更富有，而新古典增长理论认为经济增速与规模无关。顺着技术进步是内生的逻辑，在供给端，大国有更多的资源可以投入研发和创新，在需求端大市场意味创新的利润空间更大，同时技术进步在大国的溢出效应更强[17]。

AI大模型的规模定律对经济学意义上的规模效应在静态（大国比小国有优势）和动态（先发者有优势）上的体现有什么含义？AI大模型的涌现（非线性特征）或者投入门槛要求使得大国在AI发展过程中享有规模优势。大国拥有更多人口和企业，有助于分摊高昂的固定（训练）成本，更快突破AI技术的规模阈值。同时，大国使用AI的主体和场景更多，带来庞大和丰富的本地数据，以及更大规模和更多样的应用市场，从而实现更强的干中学效应。大国也更容易建设有利于AI落地应用的基础设施，助力产品和技术的扩散。

规模效应意味本轮AI进步对中美这两个全球最大的经济体更有利，美国的经济体量比中国大，但中国的人口比美国多，资本和劳动力在一定程度上相互替代但不能完全替代，由此从规模来看中美各有优劣势。但就本轮AI进步而言，美国拥有先发优势。在传统深度学习时代，中美AI发展虽略有差距，但基本处于并跑或者各有千秋的状态。在过去几年以大模型为标志的AI进步中，美国保持相对领先，而且差距有拉大的迹象。如何看待未来的发展？我们可以从算力层、模型层、应用层分别做些探讨。

就算力层而言，有迹象显示传统摩尔定律面临极限，芯片制程进入规模报酬递减阶段，这意味发达国家先发优势的重要性下降，为中国追赶先进水平提供了空间。同时，新计算架构、非硅基半导体等新技术路线尚处于研发初期，中国存在加速追赶的可能性。

从模型层看，在S型曲线第一个拐点后，大模型进入规模报酬递增阶段，意味着美国拥有先发优势。美国的先发优势有多大，部分取决于技术层面大模型的第二拐点还有多远，或者说领先者本身面临的技术极限在哪，这一点目前看还有较大的不确定性。同时，美国试图在AI相关人才和基础设施的自由流动出台相关举措来强化其先发优势。把AI大模型的通用性和规模定律蕴含的研发投入门槛结合起来，后发劣势可能导致中国的相关企业自发的追赶激励不足。

在应用方面，包括美国在内的很多国家均在探索大模型应用场景，成熟的成功案例尚少，美国的先发优势不明显。在应用层的探索中，中国应用场景丰富、潜在需求多样的市场规模优势明显，不但有利于加速追赶，甚至有可能孕育出一些具有原创性、引领性的创新。

AI作为一项通用目的技术，在应用层通过外部规模经济提升整个经济的效率，体现在供给与需求端，上下游链接协同，相互赋能，促进创新。AI大模型通过大数据来模拟和预测，有利于后发者的模仿能力，不仅赋能“知其所以然”的传统仿制，也增加“只知其然”的新型仿制能力，这些都有助于追赶式创新。仿制能力增强对于依赖原创的引领式创新的含义并不清晰，一方面，仿制侵蚀引领式创新者的垄断利润，抑制创新意愿，另一方面仿制品加剧了市场竞争，由此导致的产业平均利润率下降促使企业加强引领式创新，以维护超额利润。这正反两个力量哪个更强，规模效应也是关键因素，大市场提供的利润空间激励竞争环境中的创新投入。

就技术进步的主要驱动力来看，在S型曲线第一拐点之前，AI技术发展更多体现为供给侧推动创新，大语言模型是一个突出成果。在第一拐点被跨越之后，AI产业化是关键，是技术进步促进经济增长的载体，产业化所带来的商业利润反过来也促进AI技术迭代创新。因此，在当前阶段，需求侧的应用是关键。从应用的角度来看，中国具有规模优势。在面向普通用户服务层面，中国人口数量多，AI产业化潜在需求广阔。在面向企业用户服务层面，中国的工业体系完整，可为产业AI化提供丰富的应用场景。发挥好中国的规模优势需要公共政策营造有利于创新的宏观环境，包括强劲的消费需求、繁荣的资本市场、有效的数字经济治理机制和公共基础设施。

中国的规模优势有利于发挥AI进步对于经济体系内创新的促进作用。单一产品大市场对于仿制者有激励作用，而多样化需求促进引领式创新。只有少数大型经济体有足够大的市场既容纳多个细分赛道同时每个细分赛道有足够大的体量实现规模效应，从而兼顾追赶和引领式创新。

发挥好中国的规模优势，一个关键问题是如何促进资源投入创新。对于追赶式创新，其技术路径已较为清晰，应该发挥大企业在创新要素积累（知识产权、人力资本、研发投入等）方面的优势，由银行提供长期、稳定的资金支持。引领式创新通常没有成熟的技术路径可供参考，更加依赖众多中小企业的创新试错，资本市场能更有效地起到筛选创新技术路线、商业模式的作用。中国的规模优势在制造业领域尤其突出，一个新增长点是人形机器人。

技术进步影响经济有替代劳动力和赋能劳动力两个方面。一方面，技术进步带来自动化机器设备等新的生产工具，使得资本可部分替代劳动力。另一方面，技术进步帮助劳动者用更少时间完成同样的工作任务，提升劳动生产率。AI同样有替代和赋能劳动力两个作用，但模式与强度较过往技术进步有所不同。过往技术进步对劳动力的替代更多发生在农业、低端制造业等体力劳动密集的领域。AI进步尤其大语言模型等技术已展示出替代部分脑力劳动的能力，比如翻译等。

替代体力和替代脑力并不是相互排斥的，本轮AI技术进步的一个重要潜力就是两者的结合，体现在具身智能的发展上。具身智能（Embodied AI）是指智能体有一个身体，并通过身体与环境的互动来获得智能。这种交互包括使用传感器来感知环境，以及通过执行器对环境产生影响，智能体通过与外部世界的物理互动来学习和适应。例如，让机器人能够在没有明确指示的情况下，通过探索和实验来学习如何执行任务，如行走、抓取物体等。

具身智能可以说是人工智能与机器人技术的深度融合，其应用的一个重要方面是人形机器人。人形机器人是指那些具有类似人类外观和功能的机器人，可以在一定程度上执行人类能完成的任务，如行走、操作工具、交流等。本轮AI突破提升了人形机器人的技术可行性，自然语言处理、面部识别和表情模拟等有助于机器与人类进行更为自然的交流。人形机器人可以在多个领域，如制造业、医疗护理及服务业等，替代或辅助人力，提高生产效率和服务质量。人形机器人的普及将促使更多的劳动力从物理劳动转向创造性和管理性的工作，不仅有助于提升工作的附加值，还能改善劳动条件，减少工伤事故。

人形机器人的推广普及不仅有技术可行性的问题，更是经济可行性问题。生产机器人的制造业具有规模经济效应，而突破技术障碍要靠研发和创新投入，大市场是促进创新动能的关键因素。随着创新带来的设计优化，以及规模化生产，人形机器人的生产成本有望持续下降。制造业的规模经济和数字技术的规模经济结合起来，使得中国在发展人形机器人方面有独特的优势。

中国已经拥有全球市场规模第一的工业机器人应用市场，2022年工业机器人装机量占全球比重超过50%[18]，人形机器人有望带来新的产业发展机遇。在供给端，人形机器人的生产离不开制造业，而中国制造业的产业门类齐全、产业体系完整。在需求端，中国较大的细分市场为人形机器人的应用提供了广阔的测试和部署环境，比如工厂制造、养老陪护、危险救援等部门，可以累积大量数据，有助于AI技术的迭代和优化。在现阶段的中国，人形机器人的发展并不仅限于家庭用途，而是在工业领域，包括制造、采矿等，展现出更大的应用潜力。AI的发展也可能带来一些新技术路径，降低传统日美等发达国家机器人制造商的知识溢价，中国发展人形机器人产业，如同发展新能源汽车产业一般，有可能实现弯道超车。

当然，人形机器人的发展将是全球性现象，具有普遍意义，有一系列的宏观和结构含义值得探讨。机器替代人自然让人联想起人多人少的争议。一方面，人形机器人作为一种先进的技术解决方案，为应对人口老龄化带来的劳动力短缺问题提供了新的可能性。另一方面，机器替代人带来大规模失业的担忧，尤其是人形机器人的推广普及的前景，使得技术性失业（Technological Unemployment，指因技术进步引发的失业）这样的经济学专业名词成为大众话题。

我们应该如何理解这个问题？经济学的“鲍莫尔病”[19]的概念提供了一个有用的分析框架，其逻辑是资源（包括劳动力）从效率提升快的部门（供大于求）转向提升慢的部门（供不应求）。技术进步带来的劳动生产率提升的速度在不同部门之间有差异，总有劳动生产率增长相对慢的行业和领域，同时，人类的欲望是一个心理概念，在某些方面是无限的，总有一些需求得不到满足，需要资源的投入。

鲍莫尔发表文章的1960年代是制造业效率提升快，服务业慢，所以资源从制造业转向服务业，发达国家服务业比重上升，制造业比重下降。但如果现在的机器替代人更多在服务业，意味服务业效率提升快，制造业生产机器人的供给可能赶不上需求，劳动力需要从效率提升快的服务业（机器替代人）转向生产机器人的制造业和那些效率提升慢的服务行业。虽然我们难以精确预测未来就业结构的变化，但大的逻辑应该是，技术进步快的行业产生的富余劳动力最终会被技术进步慢、供给不能满足需求的行业所吸收。当然，这个调整对某些行业、某些人群可能是一个痛苦的过程，需要公共政策的扶持和帮助。

另外，全球制造业比例上升也意味实体资源的重要性上升，比如对钢铁、铜、铝等材料的需求上升，带来商品的相对价格调整。这也可能增加能源消耗，增加碳排放和污染问题，加大全球绿色转型的压力。

在经济层面之外，人形机器人在社会、文化、伦理等方面的影响也值得关注。人形机器人可以用于教育、医疗、家庭服务等多个领域，可能改变人类对这些领域和社会角色的认知。社会伦理与治理机制是关乎包括人形机器人在内的所有AI技术发展的重要议题。当前，在AI伦理与治理的讨论中，有三个方面的话题尤其值得关注：一是数据要素的治理；二是大企业的市场势力；三是更广泛的社会公平与安全问题。

首先，数据是AI产业的基础性生产要素，数据治理是AI相关治理机制的关键部分。尽管有人将数据比作数字经济时代的石油，但在经济学视角下，数据因其非竞争性特征——即可供不同主体重复使用且边际成本趋近于零——与石油这类不可再生的生产要素有着本质的区别。非竞争性带来外部性，数据的生产和使用不仅涉及直接相关的个体或组织，还可能对社会其他成员产生影响，包括正面和负面的影响。

正外部性源自数据的网络效应，即数据的价值往往随着数据量和多样性的增加而上升。AI的规模定律意味只有达到一定规模的数据才能在大模型训练中发挥其价值。多模态模型进一步要求数据的多样性，数据来源于多种渠道，形式和类型也多样，如文本、图片、视频等。

负外部性体现为数据的生成和使用可能带来隐私和安全等问题。个人数据的收集、存储、使用和传输在创造经济价值的同时也导致隐私泄露和数据滥用的风险。数据可以轻易地复制和传播，这既有利于知识的传播，也可能带来知识产权等方面的争议。数据的产生者和使用者之间可能存在信息不对称，使得上述的正外部性和负外部性之间的矛盾更加突出。这为数据发挥规模效应带来了挑战，要么因为规模不够使得数据的价值不能被充分挖掘，要么有规模的使用容易导致滥用问题。

外部性意味着数据应该被视为一种准公共品，需要政策层面的介入与调节，既要促进数据的开放共享，发挥数据的规模效应，也要保护公民的隐私和数据安全。数据的生产和使用需要相应的治理和监管机制，当前而言，一个关键着力点在于流通环节，数据只有在流通环节充分发挥出价值，其生产行为才能得到激励。

从全球经验来看，数据流通主要有两种方式。中国主要通过各地方交易所进行场内交易，美国等发达国家则主要通过数据经纪商进行场外交易。从现实状况来看，尽管中国的数据总量已位居世界第二，但2021年的数据市场规模不及美国的25%[20]。鉴于数据要素的产权难以界定，权利主体分散，且定价过程复杂，过度强调通过数据确权来实现标准化交易可能增加数据流通的交易成本，在宏观上反而达不到规模化流通的目的。

解决这些问题需要在实践中摸索不同的方法和路径，从技术、管理、政策多个层面综合治理。就当下而言，推动政府与公共部门非敏感数据公开，鼓励企业创新数据生产和使用尤其重要。可能的措施包括加强国企面临的市场竞争约束，以提升其对数据汇集和使用的重视程度；对大型制造企业尤其是民企给予经济激励，以支持其进行数据库建设等AI化改造；在芯片等“卡脖子”问题突出的精密制造领域，着重打造大企业主导的追赶式创新模式，通过纵向一体化组织架构来便利稀缺数据的汇集。

AI治理的第二个方面是大模型的发展有可能增加各方对大企业市场势力的关注。垄断曾是数字经济平台治理中的焦点，但进入AI大模型时代后，关于垄断的讨论似乎还较少。一个重要的背景是，AI大模型作为一种破坏式创新，正在对数字经济时代平台企业的垄断势力产生较大影响。例如，在搜索引擎市场，尽管截至2024年4月，谷歌全球市场份额依然高达90%[21]，但市场上关于哪个AI应用将颠覆谷歌搜索已有了诸多猜想[22]。另外，AI大模型在各个领域的泛化能力仍受到技术条件的约束，无论是在基础大模型领域、还是在垂直应用领域，各类大模型创业企业之间的竞争激烈。

虽然垄断不是AI大模型发展目前面临的主要风险，但未来这个领域是否会形成新的不利于竞争的市场势力？技术视角的规模定律告诉我们，伴随着技术能力的不断进步，多模态AI大模型可能“赢者通吃”，取代其他性能一般的模型。经济视角的规模效应告诉我们，AI大模型具有网络效应，其前置的开发成本高昂，但边际的使用成本较低，可能形成有利于少数几个大型企业的局面。

在探讨市场势力及其治理时，有结构主义和行为主义两种主要思路，前者认为产业组织结构决定企业行为，主张通过反垄断措施拆分垄断结构，后者则认为结构是行为的结果，反垄断关注的重点应该在于不利竞争的垄断行为而非产业组织结构[23]。哪一种思路更适合大模型时代？是否有利于创新是重要的判断标准。AI大模型由于具有规模效应，更有利于大企业提升市场份额，但关键在于相关企业是否存在阻碍数据、人才等要素自由流动的反竞争行为。

当前，中国AI领域的创新面临着双重挑战，既要追赶世界一流大模型的水平，也要把眼光放长远，实现引领式的创新。大企业在追赶式创新中扮演更重要的角色，而小企业是引领式创新的主力军。结构主义思路可能会抑制大型科技企业的创新，而行为主义思路可以更好地平衡大、小企业创新的关系。与其关注企业的规模，不如关注市场的可竞争性，比如防范企业的垄断行为，促进数据、算力、人才等要素的自由流动。

AI治理的第三个方面是地缘政治层面的伦理和安全问题。AI技术在高端制造领域的应用，可能导致新的伦理和安全问题。AI产业技术密集，与经济、社会息息相关，各国都很重视，近两年全球60多个国家先后推出AI发展战略[24]，但规模效应以及与此相关的先发优势可能使得大国尤其美国处在更有利的地位。AI发展将给国际治理机制带来新的挑战和变革压力。

人工智能作为一项通用目的技术，在提升生产效率的同时，可能带来经济和就业结构的变化，加大收入分配的差距，在社会层面为平衡效率和公平带来新挑战，在总量层面体现为需求相对供给不足，对宏观经济政策有重要含义。规模经济效应是联系微观维度的效率与公平，和宏观层面的总需求和总供给平衡的重要载体，规模经济放大技术进步对效率的提升效果，同时也可能扩大收入差距，加剧总需求不足的问题。

从供给侧来看，AI与各行各业融合发展有望增加经济潜在增长率。与需要预编程的机器自动化不同，本轮技术进步赋予了AI更强的通用性，可以跨场景地普遍参与到人类工作的任务流程中，通过替代人和赋能人两个渠道提升全要素生产率（TFP）。随着AI能力提升、成本下降，与AI进行融合的产业规模将逐步扩大，对经济的提升效果也将越发显著。我们估计到2035年，AI有望使得中国GDP总量相较于基准情形提升9.8%，相当于未来十年的年化增长率额外增加0.8个百分点。AI技术的渗透和应用扩散需要时间，意味生产效率提升在经济增长的体现将呈现前低后高的特征。

供给能力提升不是一蹴而就的，技术渗透和商业应用需要时间。虽然AI改变我们的生活已经成为大众话题，但很多企业还在寻找可行的商业模式。其中一个方面是前期投资的支持，要有广泛意义的效率提升，需要在软件，硬件，机器人生产方面大规模投资。宏观层面AI显著提升经济效率的前提是先要观察到资本投资大幅上升，这也是我们观察经济新增长点的一个视角。

长远来看，与供给侧的提升相比，AI技术的普遍使用对总需求的促进作用相对较小，导致供大于求的宏观格局。这是因为技术进步加剧收入分配的差距，而高收入者的边际消费倾向通常低于低收入者，收入不平等的扩大降低社会的整体消费倾向，抑制最终需求（消费）的增长。

和过去的技术进步比较，AI作为一种“类人”技术在收入分配方面可能更不利于劳动者。IMF的报告认为，全球约有40%的职业会暴露于AI，这一比例在发达经济体高达60%[25]。在市场机制的作用下，最终出现大规模失业的可能性小，但代价是工资增长相对资本的回报慢。AI技术本身是研发的产物，高额回报主要属于创新人员和风险投资家，同时，AI技术的商业应用尤其人形机器人的普及需要大量投资，资本深化意味GDP中劳动收入份额下降。同时，本轮AI进步对于位于社会中间收入的白领人群可能影响较大，加剧劳动者之间收入分配极化的问题。

伴随AI应用推广，有可能出现一种情况，技术进步的收益被私有化，应对其冲击带来的问题的成本则由全社会承担，这个成本在宏观上最突出的体现就是总需求不足。总需求不足对公共政策有什么含义？财政和货币政策是调节总需求的两个抓手，货币政策是总量的逆周期调节工具，对收入分配等结构性问题的作用有限，甚至有反作用，财政政策既可以做总量的逆周期调节，也可以是调整结构、降低收入不平等的有效工具。针对AI进步带来的不平等问题，财政政策也应该发挥关键作用，促进技术进步的成果惠及全体人民。

在财政支出方面，近些年全民基本收入（Universal Basic Income, UBI）在国际上成为热门话题，其核心在于提供一种无条件的、普遍的收入保障，让全民享受技术进步带来的收益。虽然有很多争议，但相关概念的提出反映了在数字经济时代提升社会保障以平衡技术进步和社会福祉的迫切性。

回顾发达国家的历史，科技进步和经济增长带来社会保障体系的建立和逐步改善。现代社会保障制度的初步形式出现在工业革命后[26]，例如德国在19世纪末实施的工人保险制度。以电力和内燃机的广泛应用为标志的第二次技术革命加速了工业化进程，期间社会保障制度得到了进一步的发展，包括退休金制度的建立和医疗保险的实施。以计算机和互联网的普及为特征的第三次科技革命以来，社会保障涵盖的范围进一步扩大，如失业保险、家庭补贴和长期护理保险。

改革开放以来，中国的社会保障制度从最初的单一层次保障体系，发展到现在的多层次、广覆盖社会保障体系。社会保障制度虽然实现了从部分覆盖到普惠全民的转变，但一个突出的问题仍然是公平性不足。养老、医疗、失业等社会保险项目和以最低生活保障制度为核心的社会救助仍是分城乡或群体组织实施，不同群体之间的保障水平、社保待遇存在较大差距。尤其是部分项目的保障功能不足，例如农村居民养老金还只能发挥补充作用，一些经济欠发达地区的低保标准仍有待进一步提高。

这些问题和挑战需要通过进一步的改革来解决，而技术进步尤其本轮AI发展带来的经济供给的提升为完善社会保障制度提供了基础。科技进步带来的经济增长和财富增加使得社会变得更慷慨，也更有能力帮助弱势群体，加强对低收入群体的兜底保障，尤其是提高针对农民工及农村居民的社会保障，有助于促进共同富裕。同时，AI和大数据分析等新技术的应用，也为社会福利的发放、管理和监督提供了新的可能性，有助于提高社会保障的效率和透明度。

改善社会保障带来的财政支出怎么弥补？当前而言，需求不足的背后既有结构性问题，也有经济周期下行的因素，扩张性财政政策可以将稳增长和调结构结合起来，促进效率和公平的统一。也就是说，财政可通过增加国债发行而不是税收来筹集资金以改善社会保障和公共服务。政府债务促进需求，需求实现供给潜力，促进创新和技术进步，提升未来的增长和债务的偿还能力。

需要指出的是，AI技术发展和产业化应用还在早期，并非当下总需求不足的原因。目前我们更需要重视技术进步的内生性，面对总需求不足的问题，扩张性财政政策提振经济增长，由此也为科技创新活动提供坚实的需求基础和宽松的宏观环境，有助于中国在AI领域加速追赶。

长远来讲，技术进步和资本深化也要求税收制度的变革。数字税、机器人税和AI税近年来在全球范围内引起广泛的讨论。就中国而言，十八届三中全会确立的增加直接税（尤其财产相关的直接税）、降低间接税是促进公平的大方向。

中金公司首席经济学家、研究部负责人

中金研究院院长

彭文生