固收专题研究-智能经济学：从基本假设到分析范式

AI缺因素可能不再稀缺：一是，标准化认知劳动的供给曲线被大幅拉平，编程、写作、翻译、数据分析等认知劳动不再完全依赖稀缺的人类劳动时间，而更接近低边际成本、可重复调用的基础能力；在机器人等环节打通之后，更多类别的劳动力稀缺也可能发生变化。二是，知识的边际生产成本下降。Romer（1990）的内生增长理论将技术进步和知识积累内生化，但知识生产仍依赖大量研究人员的稀缺劳动；AI的出现使知识生产本身的边际成AIforCodingAIforScience科斯（1937）将企业的存在归因于市场交易AI使信息匹配、合约审核、质量检验等协调活动的成本明显降低，从而改变交易成本结构。但新的稀缺性也在产生，AI时代的稀缺性可能主要体现在几个方面：一是，短期看物理承载重新变得关键，芯片、算力、电力、冷却、土地、并网和关键矿物决定智能能力能否规模化供给，在资本开支阶段尤其稀缺。二是，高质量数据和框架、真实反馈和垂直场景成为新的稀缺资源。通用模型容易复制，但能持续校准模型并嵌入工作流的数据闭环更难复制。验证、协调和落地越容易成为瓶颈。新的稀缺性会形成新的价值来源。新的约束在哪里形成、谁控制这些约束、这些约束如何进入价格和分配，将成为智能经济学研究的核心问题。图表2：稀缺性的系统性迁移华泰研究第二，要素体系可能需要大幅重构。传统经济学的要素假设长期围绕劳动、资本、土地和技术展开。古典经济学重视土地、劳动和资本的分配关系，新古典增长模型把产出写成资本、劳动和技术的函数，内生增长理体现在生产函数上，Y=AF(K,L)这一简洁AIAKL学性质。一方面，智能资本开始同时具有资本属性、劳动属性和全要素生产率属性。它既像资本一TFP一样提高生产效率，且这种提升具备指数级自我强化的潜力。另一方面，生产函数的数学性质和经济含义也可能发生变化。AI性、边际报酬递增，以及价值高度依赖上下文。更多数据训练出更强模型，更强模型吸引更多用户，更多用户又产生更多数据，从而形成正反馈循环。这会挑战传统生产函数的凸因此，AI时代的要素体系更加丰富，几类要素的重要性可能进一步提升。一是底层物理资本，包括芯片、服务器、数据中心、电力和网络，这是传统资本要素在智能经济中的新形AgentAIAIAI的人。五是组织资本，包括流程重构、治理机制、激励机制和合规能力。只有这五层共同作用，AI才真正从“工具”变成生产要素。生产函数延伸到发现函数。有些任务可数字化、可验证、可重复、可嵌入流程，有些任务AI还要看任务暴露度、流程改造、组织吸收能力，知识和技术自我进化的假设也需要得到更深刻的刻画。图表3：要素体系重构华泰研究第三，经济主体从独立主体转向人机复合决策系统。Agent共同构成的复合系统。偏好可能被算法塑造，行为可能由模型执行，预期可能被机器中介，交易可能由gnt一是偏好漂移。推荐系统、生成式内容和个性化交互使平台能够影响用户看到什么、比较什么、相信什么和最终选择什么，传统信息不对称之外出现了“平台比用户更了解用户”的反向信息不对称。偏好不再完全外生给定，平台和模型可能持续参与偏好形成过程。二是行为一致性可能提高，也可能被放大扭曲。AI可以帮助个人克服记忆、搜索和计算限制，使预算规划、投资组合、合同比较和信息筛选更一致；但如果模型目标函数、训练数据或平台激励存在偏差，偏差也会以更高频率、更大规模被复制。过去行为经济学研究人的有限理性，AI时代则需要研究有限理性被算法修正、放大或重塑后的行为。（更严重的羊群效应业和政策研究者使用相似模型、相似数据源和相似风控框架，常态下信息处理效率可能提AI时代的尾部风险。图表4：经济主体从独立主体转向人机复合决策系统华泰研究第四，均衡机制可能发生变化。均衡并非常态，但均衡是经济学最核心的方法论工具之一。马歇尔的局部均衡分析单个市DSGE即便加入价格黏性、金融摩擦、信息不完全或理性预期，经济学的研究重心也常常放在均衡附近的扰动、比较静态和政策反应函数上。之下的均衡机制可能更复杂。反馈、网络外部性和能力跃迁等特征，容易带来非凸性、规模报酬递增和路径依赖；经济AI可能出现多重均衡。另一方面，AI于非均衡过渡态，动态过程的研究价值在于捕捉阶段切换和非线性变化。在这种情况下，一种替代视角是：不预设系统必然达到均衡，而是用基于主体的建模模拟异质主体的互动，将路径本身作为研究对象。对市场研究而言，这意味着阶段判断比终局图表5：均衡机制的变化华泰研究综合而言，AI改变了经济学分析的起点，也改变了经济学理论对约束、投入、主体和系统状态的预设。伴随基础假设变化，过去的宏观分析范式也需要进一步丰富和完善。此前我四循环、制造业、消费和贸易四大经济循环，看居民、企业、政府、金融和国外五个部门，并在AI第一，分析对象从“五部门”扩展为“碳基五部门内部异质化+传统五部AI让每个部门内部发生分化，研究对象也要从代表性主体转向异质结构。居民部门不再只是代表性消费AI企业部门AIAI应用企业；金融部门也要区分传统信贷体系与硅基资本流。AI服务，它不是传统产业分类K实体流本约束，后者更多表现为模型服务、数据调用、数字内容和智能能力的低边际成本扩散，两者在边际成本、报酬规律和价格形成机制上可能存在明显差异。资金流约束，后者更多依赖股权、风投、自有现金流、云厂商资本预算和生态融资，两者之间的交叉也在强化。政策流安全和就业再分配等都进入政策反应函数。而是生产要素、需求制造工具和硅基部门燃料；数据的采集、标注、交易、训练和回流构AIAI构。注意力流则是数字经济中的真实消费量和稀缺资源，AI但其对经济的拉动可能进一步弱化。制造业循环可能出现产出上升但就业吸纳同步减弱的现象，传统“工业增长—就业—消费—再投资”的链条会变弱。消费循环的一端是新经济AI替代认知劳动后可能削弱居民收入，供给能力增强并不必然带来需求能力同步增强。贸易循环则从比较优势优先转向安全冗余优先，芯片、算AI提升—用户增长—数据回流—应用扩散—更多算力需求”的正反馈机制，正在成为新的增长引擎，也可能强化资源瓶颈和收益集中。图表6：AI-算力循环机制华泰研究具体到宏观变量和细分理论上，主要有以下几点影响：第一，增长核算方法需要进一步完善。GDP一方面，AI时代可能出现大量低价甚至免费的智能服务供给。哪些应计入最终产出，哪些GDPTFP的解释。许多福利以时间节约、质量提升和消费者剩余的形式存在，未必发生，但实际产出质量、处理速度和决策效率已经改变；AI小，但消费者剩余可能很大。SNA（N202投资而非中间投入，相关变化及其影响已经开始显现。全社会就业、居民收入、消费和政府所得税的带动有限；同时，验证成本、责任风险、隐私损失和注意力消耗也可能形成新的隐性成本，而无法被实物流所捕捉。此外，AI核算还涉及价格和质量调整问题。传统价格指数可以处理同质商品的价格变化，也能通过享乐价格法处理部分质量改进，但AI产品的质量提升往往表现为能力边界扩展、任务覆盖增加、错误率下降和响应速度提升，不容易被单一价格指数捕捉。理论上，需要把AI产出拆分为可交易价值、隐含服务流、质量调整、时间节约和风险成本等维度，而不是简单用名义收入或订阅价格代表真实产出。GDPAI经济全貌，一个可行思路是转向GDP+数字福利账户”的双轨衡量，同时观察交易产出、真实福利、质量改进和生产率兑现等。AIAI第三，定价体系和价格信号需要从边际成本锚转向多维信号体系。传统价格机制能够把供AI增、数据反馈和生态锁定等特征，价格未必围绕边际成本形成。未来的定价机制可能不再ke、订阅、调用次数、结果分成、生态绑定和版本分层只是表层形式，背后是价值不再由单一边际投入决定，而由任务完成概率、场景重要性、替代成本、责任边界和用户锁定共同决定。理论上，定价框架需要从“边际成本加会压低可编码服务价格，时解释数据飞轮、开源竞争、平台锁定和算力集中；央行反应函数也需要重新建模。我们会在后续系列报告中继续讨论。图表7：分析范式的一些具体影响华泰研究AI时代不仅改变了经济学底座和宏观分析范式，也在重塑市场和交易结构。那么，对于总量投研而言，有哪些启示？我们最后谈几点思考：图表8：投研能力地图华泰研究AI低获取门槛，标准化、可验证的分析（数据整理、图表、初稿、纪要）可以被自动化，但判断与框架反而更稀缺。投研护城河从“信息获取”进一步转向“判断力、框架和预期差AIAI生成内容泛滥、注意力更加稀缺，市场短期越来越容易被“叙事”驱动，AI球化、能源转型等大故事可能主导资金流向。但判断叙事的真伪、边界和衰减时机，仍需要经验与批判性，也就是识别“当前市场在讲什么故事、这个故事被定价到什么程度、何第三，研究的“久期”意识需要强化，阶段判断比终局判断更重要，非均衡本身也应成为研究对象。AI影响在不同时间尺度上可能指向不同结论，需要避免把短期现象外推为长期趋势，或把长期愿景直接当成短期交易逻辑。第四，预期差与博弈的来源正在变化。一方面，AI加速信息扩散，传统信息类预期差（如数据超预期）被市场消化的速度越来越快，交易窗口收窄；但结构性、认知类预期差（如稀缺迁移、租金归属、生产率兑现节奏）反而可能更持久。另一方面，宏观经济不确定性上升，AI更擅长给出概率而非确定性，这要求投资者转向概率分布下的决策机制，并建立更高频、更精细的跟踪框架和决策机制。第五，数据跟踪与领先指标体系需要重建，防止噪音是难题。AI降低了数据获取和解读成本，但信号噪音比可能同步下降，能拿到的数据更多，并不意味着能提取的真信号同步增加。另一方面，传统领先指标多基于工业经济和银行体系设计，重建一套“AI标”的必要性上升。传统高频盯金融条件、PMI、发电量和房地产销售；AI时代需要关注kenGUAI周期脉动。第六，市场结构变化要求更多应对。AI使市场交易结构出现以下变化：AI和闪崩风险需要更高关注。“共识”的形成机制发生