AI与宏观系列之一：AI如何重塑生产函数

正文目录一、AI如何影响生产函数？ 5AI如何影响劳动要素（L）？ 5AI如何影响资本要素（K）？ 7AI如何影响技术水平（A）？ 9AI新增重要要素——数据（D） AI可能带来规模报酬递增 12二、AI对生产函数的影响何时体现？ 12对劳动要素（L）的影响：已部分显现 12对资本要素（K）的影响：处于逐步兑现阶段 14对技术水平（A）的影响：存在较长时滞 15三、AI是否会带来“稀缺性大转移”？ 16参考文献 19图表目录图1AI对传统柯布道格拉斯生产函数的重塑 5图2自动化替代效应与新任务复原效应的累计演化 6图3锯齿状技术前沿概念图 7图4AI对低技能劳动者的增强效应高于高技能劳动者 7图5无形资产投资在GDP中占比不断增加 8图6基础模型的成本结构 8图7创新来源于现有知识的组合 10图8美国研发生产率持续下降 10图9数据进入生产函数的方式 11图10不同研究预测的AI对未来十年年均劳动生产率增速的提升幅度（%） 13图112025-2030年减少最快的新职业 13图12美国劳动生产率拆解 14图13AI在全球济体中的扩散情况（2026年3月） 15图14历史上三次通用技术变革对TFP的拉动都存在时滞 15图15经济价值递进的四个阶段 17图162021-2026E拼豆行业市场规模 17图17消费者沉浸式拼豆 17图182021-2030E全球手工艺品市场规模 18图19我国新注册手作企业数量 18图20参与手工创作的主要动因 18图212025年小红书十大出圈“奇怪”兴趣 18图22体验型消费能带来更大的幸福感 19图23体验型消费的重要性在上升 19202620260817日AI技术加速演进，正全方位渗透至经济社会运行的各个环节，成为新一轮生产力变革的核心驱动力。对比蒸汽机、电力、互联网等历次通用技术革命，AI术具备明显不同的技术特征与扩散逻辑。随之而来的核心疑问是，AI能否延续历史规律，实现全社会生产率的实质性提升？宏观层面的实质性影响又将于何时兑现？在传统的增长核算体系中，总产出通常由柯布-道格拉斯生产函数刻画：𝑌=𝐴∙𝐾𝛼∙𝐿𝛽其中，Y为总产出，K为资本投入，L为劳动投入，A为技术水平（全要素生产率，TFP），α和β分别为资本和劳动的产出弹性。对上式取对数并差分，可得增长率的分解式：𝑔𝑦=𝑔𝐴+𝛼∙𝑔𝐾+𝛽∙𝑔𝐿在这一框架下，经济增长被分解为资本深化（𝑔𝐾）、劳动投入扩张（𝑔𝐿）以及技术进步（𝑔𝐴）三个来源。传统分析隐含几项关键假设：1）资本与劳动为有形且竞争性的生产要素；2）技术水平在短期内外生给定；3）要素投入服从边际报酬递减规律。一、AI如何影响生产数？ AI技术的发展无疑对经典增长理论的基础假设带来了新的挑战。接下来，我们将以柯布-道格拉斯生产函数的核心要素为分析框架，系统梳理学界既有研究成果，分别辨析AI对资本投入、劳动供给以及全要素生产率的异质性作用机制，进而厘清人工智能重塑长期经济增长动力的底层逻辑。图1AI对传统柯布-道格拉斯生产函数的重塑资料来源：招商证券，根据下文总结。AI如何影响劳动要素（L）？本轮AI主导的技术进步与过往多轮技术进步存在明显差异的一点，就是此前技术进步主要实现体力劳动的自动化替代，而AI将自动化覆盖边界大幅延伸至认知型脑力劳动领域。劳动替代范畴的结构性拓展，也使得学术界围绕AI对劳动要素的影响形成了非常多元的视角。首先，替代效应和生产率效应的双重作用机制。AI对劳动的重塑并非单一的“替代”叙事，Acemoglu&Restrepo（2018）1基于任务生产框架提出，自动化技术会同时产生两股反向作用力量，一方面是替代效应（DisplacementEffect），即直接承接原有人力任务，对劳动形成挤出；另一方面是生产率效应（ProductivityEffect），自动化压低生产成本、推动生产规模扩张，进而提升非自动化环节的劳动力需求。两种效应的综合净效应，取决于自动化带来的成本节约规模。若自动化实现的成本降幅足够显著，生产扩张催生的新增用工需求将超过劳动挤出规模，最终带动整体就业增长；反之则会造成劳动力需求净减少，Acemoglu&Restrepo（2019）2将其表述为“平庸型自动化（so-soautomation）”。Webb（2020）3的专利-任务暴露指标显示，与软件、机器人不同，AI主要指向高技能、高薪职业的任务。Eloundouetal.（2024）4估计约80%的美国劳动者至少部分工作任务暴露于大语言模型（LLM）的影响。其次，复原效应（ReinstatementEffect），即创造新任务修复劳动需求。与生产率效应不同，复原效应强调的是因技术迭代催生的全新劳动需求。Acemoglu&Restrepo（2019）5将新任务的产生视作对冲自动化冲击的反向力量。当劳动力在新增工作环节具备比较优势时，市场劳动需求将再度回升，这是劳动需求实现长期增长的核心动力。然而，Acemoglu&Restrepo（2019）对美国经济的长期分解表明，复原效应系统性弱于替代效应。1947-1987年间，替代效应每年削减劳动需求约0.48%，同期复原效应约0.47%，二者基本持平，自动化未造成劳动需求的净损失；但在1987-2017年间，替代效应加速至每年约0.70%0.35%，仅为替代速度的一半。图2自动化替代效应与新任务复原效应的累计演化资料来源：Acmlu&str（1、招商证券，蓝色曲线为新任务复原效应对劳动需求的累计贡献，红色曲线为自动化岗位替代效应对劳动需求带来的累计冲击，橙色虚线为二者叠加后的生产任务净结构变动。作者通过将行业劳动份额中无法由劳动和资本要素价格解释的变动，归因于由技术带来的结构性变化，劳动份额下降记作自动化替代，上升记作新任务引入，随后以各行业工资总额占总工资的比重为权重进行汇总，得到二者对总劳动需求的累计影响。最后，增强效应（AugmentationEffect），AI成为劳动质量的放大器。增强效应强调AI通过提升劳动者能力实现生产率提升。Noy&Zhang（2023）6对444名受过大学教育的专业人士的预注册实验发现，ChatGPT使平均生产率显0.80.4的分布既不是均匀的，也不是中立的齿形态。Dell'Acquaetal.（2026）7BCG758AI18AI12.2%的任务、25.1%AIAI的顾问产出正确方案的概率反而低19%。这被称为“锯齿状技术前沿”（JaggedTechnologicalFrontier）。另一方面，AI增效红利在劳动者群体间存在显著分化。Autor（2024）8提出，AI的独特之处在于将原本由精英或专家垄断的高风险决策能力，赋能给具备互补知识、但技能中等的更大规模劳动者群体，从而有助于重建被自动化与全球化掏空的中技能、中产就业。Brynjolfssonetal.（2025）9的证据也显示，经验较少、技能较低的劳动者在速度与质量上改善最明显，是AI增强效应的最大获益者。 图3锯齿状技术前沿概念图 图4AI对低技能劳动者的增强效应高于高技能劳动者 资料来源：lAcuat.（2lAcuat.（2、招商证券，低技能劳动者AIAIAIAI能AI反而会降低决策准确性。

AI4.375.7231%；高技能劳动5.345.82。总结来说，AI对劳动要素的影响具备多元性。1）与之相对的生产率效应则会抬升劳动份额β，二者力量对比共同决定劳动份额的最终走向（Acemoglu&Restrepo，2018）；2）复原效应能够一定程度上对冲自动化替代冲击，对劳动份额与劳动需求形成双重缓冲。3）增强效应独立于前两类冲击，直接体现为有效劳动投入的增加，扩大生产函数中实际劳动供给规模。AI如何影响资本要素（K）？首先，AI正在逐步改变资本的核心形态。传统资本以厂房、机器设备等实物资AI资本（DigitalIntelligenceCapital），除算力硬件外，还包含算法、模型等具备虚拟属性的数字资本，资本深化的重点转向持续增加算力基础设施、模型与算法平台等智能资本投入（Zhang&Zhang,2026）10。根据产权组织和路易斯商学院发布的《202520082024年间，无形资产投资的增长速度是有形资产投资的3.7倍。图5无形资产投资在GDP中占比不断增加资料来源：产权组织-路易斯商学院全球无形资产投资数据库、招商证券，投资数据对以下22异：巴西（20102021年、印度（20112022年）和日本（20132023年。其中提到的无形资产包括组织专有技术、研发、软件及数据库、品牌、设计以及其他知识产权。其次，AI重塑了资本的固定成本与可变成本配比结构。传统重资产制造企业的可变成本与产出近似呈线性关系，每新增一单位产出，均需同步追加原材料、生产能耗等边际投入。而以基础大模型为核心的智能资本明显不同，其研发运营成本可划分为三类：预训练产生的高额固定投入、各垂直领域微调产生的增量固定投入、模型上线后的推理可变成本（Korinek&Vipra，2025）11。智能资本成本以预训练阶段大额固定支出为主体，下游落地应用的边际推理成本极低。MingdengDu（2026）12的测算数据显示，2020-2026年间同等算力水平Token600倍。此外，智能资本的可变成本可能不随产出线性上涨。用户规模扩张会带来海量交互反馈数据，持续迭代优化模型性能，使得产出提升幅度或显著高于可变成本的同步增长幅度。不过，若用户调用量激增，企业必须批量增配硬件设备，这可能会导致固定成本阶梯式跃升。核心释义成本类型成本环节图核心释义成本类型成本环节预训练底座模型 固定成本行业微调适配 固定成本

从零搭建通用基础大模型，需投入大规模高端算力、海量训练数据集与顶尖研发团队，产生一次性高额投入。针对金融、医疗等细分场景定制优化，需配套行业标注数据与专项算力，属于分场景增量固定支出。用户推理调用 可变成本 模型部署上线后响应用户请求，单次推理所需的算力与电力消耗极低。资料来源：Krk&Vr（2、招商证券最后，AI还可能改变资本的折旧机制。传统实物资本的折旧主要来源于使用过AI为两种不同形态。一方面，GPU、服务器等硬件兼具物理损耗与技术迭代双重折旧，但芯片技术更新迭代节奏可能远快于物理磨损速度，硬件经济寿命通常早于物理使用寿命。Domsetal.（2004）13IT设备进行测算表明，PC价值的衰减可分解为“年限折旧”与“重估效应”（RevaluationEffect）两部分，后者来源于新产品上市带来的降价。在其测算案例中，重估效应造成的价值跌幅（25%）高于年限折旧（20%）。另一方面，数据、算法资产等层面则几乎不存在物理折旧，其价值衰减的重要来源是行业竞争者持续迭代导致现有模型的相对竞争力下降。Zhang&Zhang（2026）将这一效应命名为“红皇后效应”（RedQueenEffect）1。总结来说，AI对资本要素的影响体现为改变资本的存在形态、结构和折旧率。一方面，AI时代算力基础设施、基础模型与算法平台等智能资本的投入会直接推高资本存量𝐾；另一方面，智能资本“高固定成本、低边际复制成本”的成本结构可能提升资本的生产效率，使得同等𝐾对产出增长的贡献放大。不过，智能资本的折旧机制可能由物理磨损主导转向技术迭代驱动，这会使得传统基于使用年限的线性折旧假设难以准确刻画智能资本的价值衰减路径。AI如何影响技术水平（A）？技术水平（A）可能成为内生变量。在标准索洛模型中，全要素生产率（TFP）被当作外生给定的索洛余值。在Romer（1990）14和Jones（1995）15与半内生增长框架中，技术水平（A）虽然进入经济系统，但其演进路径由研发投入决定。AI的出现使全要素生产率的内生性进入了一个新的高度，技术进步AI系统的直接产出。Cockburnal.（2018）16将深度学习定性为“发明方法的发明”（InventionofaMethodofInvention,IMI），AI不仅提高了某一具体创新环节的效率，还改变了“发现新知识”的流程本身，构建起数据驱动的全新创新范式。Besiroglual.,（2024）17AI增强型研AI广泛渗透进研发环节时，这种资本深化将激活“想法积累经济增长资本形成”的良性循环，从而使技术进步与经济增长具备持续上行可能性。Agrawaletal.（2018）18将这一逻辑嵌入“组合知识生产函数”框架，提出创新来源于现有知识的组合，新发明只是从所有可能组合里挑出有价值的组合。AI发展水平可以通过三个参数影响新产生的技术进步搜索效率参数𝜃，AI通过自动文献检索、高通量虚拟实验等手段，提高从海量知识组合里筛选有效发明的效率；2）知识吸收参数𝜙，AI能够打通跨领域、跨语种信息壁垒，降低知识吸收成本；3）团队协作参数𝜂，AI充当跨学科“翻译器”，降低不同领域研究者组建合作团队的知识摩擦成本，使得团队规模得到进一步扩张，带来更多元学科碰撞。在此模型中，AI若持续提升这三个参数，可在半内生增长框架下推高长期稳态增长率。1红皇后效应出自刘易斯・卡罗尔《爱丽丝镜中奇遇》，红皇后对爱丽丝说：“在这个国度，你必须拼命奔跑，才能停留在原地；想要去往别处，要跑得更快”。1973年进化生物学家VanValen由此提出红皇后假说：物种间持续竞争，各方同步演化只能保住现有相对地位，无法拉开差距。2=2

(2𝑚𝐴𝜙)𝜃−1𝜃

，存量知识A的利用效率随𝜙提升而提升，在定义域0<𝜃<1内，𝜃越大，创新产出越高，m是团队规模，而团队的平均规模=(𝜂)𝐿，𝜂上升会直接推高平均团队规模，更大团队带来多元学科知识碰撞，进而提高创1+𝜂𝐴新产出。图7创新来源于现有知识的组合Jones（1995）内生增长模新知识生产，𝐴̇𝐴̇=(𝐴)已有的知识，𝐴型Agrawaletal.Agrawaletal.（2019）组合知识生产函数=) =)已有的知识，𝐴新知识生产，𝐴̇知识的潜在组合，资料来源：Aralt.（1、招商证券Aghionetal.（2017）19还讨论了一种极端情景，当AI不仅能够执行任务，还能够自主参与技术研发并持续改进自身（𝑑𝐴=𝐾×𝐴∅，且∅>0）时，那么技𝑑𝑡术进步将可能形成“自我强化”的增长循环。此时，技术水平越高，AI创造新知识和新技术的速度越快，甚至可能导致技术水平和经济产出在有限时间内出现爆发式增长，即所谓“第二类奇点”3。虽然这一情景在实践层面遥远，但其理论含义是清晰的，如果AI能自我改进，技术水平（A）就不再是对经济系统的外生冲击，而是一个正反馈驱动的内生加速变量。但需要注意的是，Bloometal.（2020）20发现，几乎在其观察到的所有行业，研发生产率都在系统性下降，以美国经济的总体数据为例，研究生产力平均每年下降5.3%，经济每13年就必须将研发投入翻倍，才能维持相同的经济增长速度。AI虽能加速发现新想法，但仍面临知识前沿扩张带来的回报递减。图8美国研发生产率持续下降资料来源：Bmt.（0、招商证券，研发生产率是以全要素生产率（TF）增速衡2030。对应到生产函数中，AI推动技术水平A从外生给定的“索洛余值”转变为与AI3第二类奇点（TypeIISingularity）特指满足∅>0的知识生产结构，此时技术水平与总产出将在有限时点趋向无穷大；该情景成立的核AI完全自动化研发，形成“AIAIAI增长场景。投入相关的内生变量。如果AI能够参与并自动化创新研发、形成技术自我强化反馈，那么𝒈𝑨就具备了持续上行的可能性。AI新增重要要素——数据（D）“数据”作为一种新的生产要素进入分析框架是AI技术发展带来的另一个重要结构性变化，且数据与传统的劳动和资本要素存在明显不同。数据要素有何特征？1）完全非竞争性。Jones&Tonetti（2020）21明确指出，“数据是非竞争性的，一个人的位置历史、医疗记录和驾驶数据可被多家企业同时使用”任意主体使用数据不会削减其他使用者可获得的价值。2）边际复制成本趋近于零。Goldfarb&Tucker（2019）22从数字经济学视角系统指出，数字技术将信息表示为比特（bits），比特信息在法律或技术排除机制缺位的情况下，可以被任何主体以近乎零的边际成本无限复制，且复制过程不会降低原始产品的质量。3）数据网络效应。Farboodietal.（2019）23构建企业动态一般均衡模型刻画数据自我强化的循环增值机制。生产活动会自动生成数据副产品，企业产出规模越大，可沉淀的数据存量越多；海量数据能够持续降低企业对最优生产策略的信息不确定性，提升生产效率。效率提升进一步扩大产能，又会产生更多增量数据，形成数据正向反馈闭环。数值模拟结果证实，引入数据积累机制后，企业规模分布显著右移，头部企业体量持续扩张，呈现典型马太效应。数据要素如何促进经济增长？黄阳华等（2026）24融合新古典增长、内生增长与要素偏向型技术进步理论，梳理出数据进入生产函数的三条可能的宏观路径：第一是新古典增长路径，长期积累、可反复投入生产的数据会形成独立的数据资本，数据资本存量扩张能够直接带动社会总产出提升；第二是内生增长路径，数据能够加速研发与知识挖掘，形成数据积累推动创新、创新又产生更多数据的正向循环，持续抬高经济体长期潜在增长水平。etal.（2022）25证明，数据在生产部门与创新部门之间的非竞争性使用，使数据投入同时具备水平效应与增长效应4。第三是要素偏向型技术进步路径，数据能够改造、赋能传统劳新古典增长路径内生增长路径要素偏向型技术进步路径新增数据要素D数据驱动技术进步新古典增长路径内生增长路径要素偏向型技术进步路径新增数据要素D数据驱动技术进步数据改造传统要素效率𝑌=𝐴(𝐾，𝐿，) 𝑌=𝑨((𝐾，𝐿，) 𝑌=𝐴)(𝐾，𝐿，)资料来源：黄阳华等（、招商证券4水平效应指增加要素投入后一次性抬升经济体产出，但不会改变长期经济增速；增长效应指数据用于创新研发，加速技术进步，能够永久性提高长期稳态增长率。总结来说，数据作为新增要素进入生产函数，为生产率提升提供了新的可能。一方面，数据通过内生增长路径可能推动𝑔𝐴持续上行，从而抬高长期潜在增长水平。另一方面，数据通过改造传统要素，提升K和L的生产效率，使同等数量的传统要素投入产生更大有效产出。AI可能带来规模报酬递增在柯布-道格拉斯框架下，规模报酬由要素产出弹性之和刻画。传统条件下假设规模报酬不变或递减，即𝛼+𝛽=1或者𝛼+𝛽<1。然而，部分学者认为AI技术可能会带来规模报酬递增。非竞争性是规模报酬递增的根源。Romer（1990）指出，知识是一种非竞争性、部分可排他性的物品，非竞争性带来的非凸性5使知识密集型生产函数呈现规模报酬递增。Jones&Tonetti（2020）将这一逻辑推进到数据，数据同样具有非竞争性，若与竞争性投入同比例扩张，则同样具备规模报酬递增。Erdil&Besiroglu（2025）26AI具有“Train-Once-Deploy-Many模型只需训练一次，便可部署任意多个推理副本，这意味着同时增加训练与部署，产出增长可能超过投入增长，呈现规模报酬递增的倾向。数据要素具有网络效应。Agrawalal.（2018）27据增加而递减，但略多的数据带来略高的质量，仍可吸引更多用户，进而产生更多数据，形成“数据反馈循环”，使经济回报递增。互补性放大了规模报酬递增的可能性。Pablo-Marti（2026）28指出，AI资本具有部分非竞争性，且与熟练劳动存在强互补性，这些特性引入了标准新古典理论难以刻画的非凸性。如果AI能带来规模报酬递增，则会改变了生产函数的齐次性质。由于数据要素的非竞争性与智能资本的复用特征，如果生产函数为𝑌=𝐴∙𝐾𝛼∙𝐿𝛽∙𝛾，则可能呈现𝛼+𝛽+𝛾>1，即规模报酬递增。二、AI对生产函数的响何时体现？ 前述分析表明AI正在从多个维度重塑生产函数，但一个关键的问题随之而来，这些影响什么时候能显现？2.1对劳动要素（L）的影响：已部分显现增强效应在微观层面几乎与AI技术的普及同步。Brynjolfssonetal.,（2023）29以一家部署了生成式AI客服辅助工具的企业为自然实验，覆盖5179名客服人员，发现使用该工具后，以“每小时解决问题的数量”衡量的劳动生产率平均5（-covxty）（拟凹性）而言的，指的是生产函数不再满足等产量线凸向AIAI资本与熟练劳动的强互补性，均构成典型的非凸性来源，这使得传统框架下规模报酬不变或递减的假设面临结构性松动，规模报酬递增成为可能。14%34%。宏观层面也已出现相应的数据印证，Sytsma（2025）30对美国劳动生产率增长进行拆分后发现，与2010-2019年相比，2023年以来“劳动质量”对劳动生产率的贡献从每年约0.2个百分点提高到约0.4个百分点。图10不同研究预测的AI对未来十年年均劳动生产率增速的提升幅度（%）资料来源：Fpccit.,（2、招商证券替代效应已经出现苗头且可能正在加速。Acemoglu&Restrepo（2019）发现，自动化技术将劳动从既有任务中排挤出去的速度从1947-1987年的0.48%，加速至1987-2017年的0.70%。Acemogluetal.（2022）31提出，如果人工智能技术替代原本由劳动者完成的工作任务，且通过生产率效应带动企业对难以自动化任务的用工需求，那么可以观察到应用人工智能的企业招聘规模扩张。然而作者利用美国在线招聘数据进行实证发现，AI暴露程度较高企业中，可以被AI替代任务相关岗位的招聘需求已经下降，这一代人工智能技术以任务替代为主，仅能实现小幅生产率提升。图112025-2030年减少最快的新职业收银、票务办事员客运乘务员、列车员物上门推销员、报摊贩相关保险理赔定损审核调查员

0

预计净降低率（%）40资料来源：WEFFutureofJobsReport2025、招商证券复原效应并未显著显现。Acemoglu&Johnson（2024）32以英国工业革命时期纺织业自动化（动力织机）为例指出，手织工的实际工资在1806–1820年间“不止腰斩”，而当时并没有其他高速扩张的部门能够吸纳这部分被排挤出来的劳动力。PwC（2021）33通过情景分析量化指出，AI对就业的整体影响在约20年内大致呈中性，即复原效应与替代效应的总量大致持平，在此之前复原效应显著小于替代效应，导致劳动力市场出现净就业损失。这种滞后源于劳动力市场固有的调整摩擦，工人需要时间接受再培训以适应新岗位的技能要求，同时还需完成跨地域的劳动力流动，才能迁移至新增就业岗位集中的地区和行业。对资本要素（K）的影响：处于逐步兑现阶段AI对资本的影响正处于逐步兑现的阶段。Sytsma（2025）对美国劳动生产率2010-20192023年以来生产率提升主要由资本深化和劳动质量提升驱动，其中资本深化提升幅度最大，其贡献从2010-2019年的每年约0.3个百分点升至2023年至今的每年约0.9个百分点。%2010-2019 年至今0.90.4%2010-2019 年至今0.10资本深化 劳动质量资料来源：Sytsm（、招商证券成本特征变化的显现则取决于以下事件的兑现进度。1）AI的行业渗透率显著提升。即服务业、制造业企业采购成熟大模型API、行业定制模型，无需从头训练，直接享受边际低成本复制红利。2）智能资本“弱实物折旧”属性在宏观核算中得到体现。5BEA19991980年代软件商业化浪潮间隔10年；SNA20086（SystemNationalAccounts2008）将研发支出划入固8AI2030年前成为企业主流无形投资，对应的国民核算调整窗口大概率落在2035年。6SNA2008认的国民经济核算统一标准框架，规定了国内生产总值（GP、国民收入、资本形成等核心宏观经济指标的核算口径与方法。图13AI在全球经济体中的扩散情况（2026年3月）资料来源：Mcrsft（TesttefalAIffsnn26、招商证券对技术水平（A）的影响：存在较长时滞历史上每一代通用技术的全要素生产率红利都等了数十年。Boussour&Daco（2023）34梳理蒸汽机、电力、计算机三大技术浪潮后发现，新技术落地到拉动整体生产效率存在明显间隔，且滞后时间在持续变短。1712年蒸汽机技术成80GDP1880年代实现40年厂房改造、电网配套与生产流程升级，才带动全行业效率大幅20年后，其对生产率的拉动作用才全面显现。导致这一时滞的主要原因是，新技术需衍生配套组织变革、人力资本需时间积累，且在技术渗透率达到临界规模之前，加总效应会被稀释（Bresnahan&Trajtenberg，199535；Bresnahanetal.，200236；Boussour&Daco，2023）。图14历史上三次通用技术变革对TFP的拉动都存在时滞%1990s%1990s末期-2000s初期TFP明显提升1920sTFP提升1970sPC诞生0.72年瓦特改进蒸汽机1840sTFP提升1880s电气时代开启0.060.30.360.260.0031760- 1830- 1870-1830 1870 英国蒸汽机1899- 1919- 1929- 1974- 1995- 2004-1919 1929 1941美国电力1995 2004 2012美国计算机0资料来源：Crafts（2021）37、招商证券目前我们整理的研究多数认为，AI对全要素生产率的实质性提振或将在2030年后落地，而红利释放节奏由全行业AI渗透率决定。Ajuzieogu（2025）38将当前投资规模可观，但在经济效益的总量统计中仍不可见的现象概括为“现代AI生产率悖论”（ModernProductivityParadox），2026-2029年，随着实施知识扩散、互补投资趋于成熟，生产率提升会先在部分行业层面显现，到2030-2035年，生产率提升型应用在整个经济中广泛扩散，最终随技术成熟而体现在宏观经济统计之中。Filippuccial.,（2024）39依托微观生产率增益与行AI暴露度构建多部门校准模型测算，20252035年十年间，AI可拉动美国年0.25-0.6AI能否由头部行业向全产业快速扩散。Arnon&Smetters（2025）40进一步锚定效率拐点AI2027TFP0.09个百分点，2030年增长0.18个百分点，并在2032年达到峰值（0.2个百分点），在行业AI应用饱和后，生产率增速逐步收敛至长期趋势水平。总结来说，AI对生产函数中三大要素的影响在宏观层面的兑现遵循清晰的时序梯度。劳动要素（L）改造最先落地，替代效应和增强效应在微观实验和宏观劳动质量指标中均已显现；资本要素（K）重构正在逐步兑现，资本深化对劳动生产率的贡献已可被拆解识别，但智能资本的成本结构优势传导至宏观利润率与资本存量核算，仍需等待行业渗透率抬升与国民核算改革的制度性落地；全要素生产率（A）的提升则存在较长时滞，多篇研究表明2030年前后或为AI的全要素生产率红利从“信号出现”向“宏观凸显”切换的密集窗口。三、AI是否会带来“缺性大转移综合上述，AI作为一项通用技术在长期维度上能够重塑生产函数已基本成为共识。张晓晶与李晶晶（2025）41研究指出，AI数据、算法与算力等资本逐渐取代传统要素，成为生产端的核心稀缺资源。这AI较少。工业革命实现标准化量产，手工匠艺、个性化定制转而成为稀缺价值。当今社会手工艺的价值恰恰在于它的反效率、不完美甚至冗余，在于它的“不（殷波，2025）42。如若AI技术推动生产效率进一步加速，是否会带来类似的消费端“稀缺性大转移”呢？Pine&Gilmore（1998）43于《哈佛商业评论》提出“体验经济”理论，打破了传统经济学将体验归属于服务业的认知，明确体验是具备独立价值的第四类经济产出，并把经济供给划分为原材料、实体商品、服务、体验四大层级。随着层级提升，产品差异化程度持续增强，企业获取溢价的能力不断提高。以咖啡消费为例，咖啡豆属于原材料，包装成品咖啡是实体商品，门店冲泡咖啡属于服务，而沉浸式主题咖啡馆、限定氛围感咖啡活动则属于体验。图15经济价值递进的四个阶段资料来源：Pe&Gmr（9、招商证券，该图的纵轴代表竞争定位，从同质化走向差异化；横轴代表定价能力，由市场定价转向溢价定价。经济供给依次经历原材料、商品、服务、体验四个层级，随着层级提升，产品差异化程度持续增强，企业获取溢价的能力不断提高。当AI代替创造，亲自完成的体验感或将变得稀缺。近期，一种起源于20世纪70年代瑞典、最初被用于老年人康复训练的塑料拼插玩具——“拼豆”在中国意外爆红。数据显示，2025年拼豆在主流电商平台销售额达2.91亿元，淘宝平台上“拼豆”搜索量同比上涨近500%，抖音马年春节消费数据报告则显示，拼豆的团购订单量同比增幅高达9018%。市场年均增速高达65%。图2021-2026E拼豆行业市场规模 图消费者沉浸式拼豆 0.81.212 0.81.21086420资料来源：策评网、招商证券 资料来源：新华社、招商证券与此同时，类似“拼豆”的消费热潮正在全球范围内广泛出现。从木工、陶艺、编织到绘画、烘焙、园艺，越来越多曾被认为“效率低下”的传统手艺，正重（aftEonmy）逐渐成为新的消费趋势，越来越多消费者愿意为手工制作、限量生产和非标准化商品支付溢价。GrandViewResearch数据显示，全球手工艺品市场规模在2024年已达到74002030983134.8%的市场份额。图2021-2030E全球手工艺品市场规模 图我国新注册手作企业数量资料来源：GrandViewResearch、招商证券 资料来源：企查查、招商证券图参与手工创作的主要动因 图2025年小红书十大出圈“奇怪”兴趣70%62.86050403020100

49.448.546.541.1

34.7

17.6 艺统了手手解工工传技艺

个代缓制性的解礼作化压数品手表字作力达时力

体 和就成就成感感物乐做工 2025年中国青年报社社会调查中心联合问卷网（j.cm35名受访者进行调查得到。

资料来源：小红书、招商证券体验本身也将成为算法趋同之下重塑自我认知的重要一环。Boven&Gilovich（2003）44围绕体验与物质消费的幸福感比较展开了一系列研究，通过问卷调研与多组实验室实验发现，相比购买实物的物质型消费，参与活动的体验型消费能为个体带来更强、更持久的愉悦感，体验更容易被人们以积极视角重新解读、深度塑造个人身份认知、同时有助于搭建稳固的社会联结。Carter&Gilovich（2010）45针对这一现象补充“TheRelativeRelativity”核心机制，他们提出实体商品可以直观并排对比，消费者极易通过与他人的物质差距产生心理落差，但滑雪、度假这类体验无法同时复刻，横向攀比的空间大幅缩小，因此体验带来的满足感更不容易被他人的消费行为消解。此后Carter&Gilovich（2012）46又从自我认同维度完成底层逻辑补充，通过五项对照实验发现，人们在心理距离、人生叙事、自我认知判断上均会把体验消费置于比实物财产更核心的位置，究其根源，体验会转化为专属自传记忆，成为个体自我概念不可或缺的组成部分。202622增长22.6%。北大国家发展研究院的调查同样显示，体验型消费在居民消费决图体验型消费能带来更大的幸福感 图体验型消费的重要性在上升 资料来源：nBven&Gvc（0、rtr&Gvch（，1、招商证券

资料来源：北京大学国家发展研究院、招商证券，数据采用全国线上分层抽样得到，日常娱乐、出行、餐饮等体验型消费，重要感知普遍提升；住房、教育、购物等物质属性较强的消费领域主观重要性有所回落。当数字世界真假难辨，真实痕迹正在成为新的信任锚点。过去十余年间，社交媒体推动了一套高度精修、标准化的审美体系，滤镜、美颜、修图和精心策划AI生成内容大量涌现，人们开始对这种“完美感”产生审美疲劳。越来越多年轻人转向记录未经修饰的日常生活，随手拍摄的照片、模糊的镜头、未加滤镜的视频等。无论是“小红书式生Beeal一种对真实感的重新追求。这种变化已经开始影响品牌营销策略。近年来越来AI生成”等概念。例如ove、otee等品牌出台明确规范，禁止广告、社媒物料采用生成式AI制作人像与虚拟场景。当完美变得廉价，缺陷反而成为真实性的证明。总结来说，AI越擅长什么，未来我们可能就会越重视什么AI作、绘画、编程、设计乃至情感陪伴时，内容生产和知识获取的门槛正在快速下降。未来最稀缺的是那些无法被轻易复制的人类体验、真实的情感连接、亲身参与的创造过程、独特的人生经历，以及由此形成的身份认同。AI技术能够做到什么，当然值得关注，但是未来当技术无所不能时，人类会坚持亲自去做什么，或许也很值得探讨。风险提示：历史经验失效。当下经济发展与历史状况多有不同，历史参照标准可能失灵。技术迭代超预期。人工智能技术更新落地节奏或大幅超出市场预判。政策变动超预期。国内外AI策变化力度和节奏或超出预期。参考文献AcemogluD,RestrepoP(2018).TheRacebetweenManandMachine:ImplicationsofTechnologyforGrowth,FactorShares,andEmployment[J].AmericanEconomicReview,108(6):1488-1542.AcemogluD,RestrepoP.ThewrongkindAI?Artificialintelligenceandthefutureoflabourdemand[J].CambridgeJournalofRegions,EconomyandSociety,2019,13(1):25-35.[3]WebbM.Theimpactofartificialintelligenceonthelabormarket[R].StanfordUniversityWorkingPaper,2020.[4]EloundouT,ManningMishkinRockD.GPTsareGPTs:Labormarketimpactpotentiallargelanguagemodels[J].Science,2024,384(6702):1306-1308.[5]AcemogluD,RestrepoP(2019).AutomationandNewTasks:HowTechnologyDisplacesandReinstatesLabor[R].NBERWorkingPaper,No.25682.NoyS,ZhangW(2023).ExperimentalEvidenceontheProductivityEffectsofGenerativeArtificialIntelligence[R].WorkingPaper.Dell'AcquaA,McFowlandE,MollickER,al.(2026).NavigatingtheJaggedFrontier:FieldExperimentalEvidenceoftheEffectsofKnowledgeWorkerProductivityandQuality[J].OrganizationScience,37(2):403-423.AutorD,ChinC,Salomonsetal.(2024).ApplyingtoRebuildMiddle-ClassJobs[R].NBERWorkingNo.32140.[9]ErikBrynjolfsson,DanielleLi,LindseyRaymond,GenerativeAIatWork,TheQuarterlyJournalofEconomics,140,Issue2,May2025,Pages889–942,/10.1093/qje/qjae044.ZhangJ,ZhangZ(2026).EconomicsDigitalIntelligenceCapital:EndogenousDepreciationandtheStructuralJevonsParadox[R].WorkingKorinekA,VipraJ(2025).ConcentratingIntelligence:ScalingandMarketStructureinArtificialIntelligence[J].Economic40(121):225-256.]Du,M.(2026).Tieredsuper-Moore’slaw:Priceevolution,productionfrontiers,andmarketcompetitioninlargelanguagemodelinferenceservices. arXiv Preprint arXiv:2603.28576./abs/2603.28576.DomsME,DunnWE,OlinerSD,SichelDE.fastdopersonalcomputersdepreciate?[J].TaxPolicyandtheEconomy,2004,18:37-80RomerPM.Endogenoustechnologicalchange[J].JournalPoliticalEconomy,1990,98(5):S71-S102.JonesCI.R&D-basedmodelseconomicgrowth[J].JournalofPoliticalEconomy,1995,103(4):759-784.CockburnIM,HendersonR,SternS.impactofartificialintelligenceoninnovation[R].NBERWorkingPaperNo.24449,2018.BESIROGLUT,EMERY-XUN,THOMPSONN.EconomicimpactsofAI-augmentedR&D[J].ResearchPolicy,2024,53(7):105037. AgrawalA,McHaleOettlFindingneedleshaystacks:Artificialintelligenceandrecombinantgrowth[R].NBERWorkingPaperNo.24541,2018.AghionP,JonesBJonesCI.Artificialintelligenceandeconomicgrowth[R].NBERWorkingPaper23928,2017. BloomN,JonesCI,ReenenJ,al.(2020).AreIdeasGettingHardertoFind?[J].AmericanEconomicJonesCI,TonettiC.Nonrivalryandtheeconomicsofdata[J].AmericanEconomicReview,2020,110(9):2819-2858.GoldfarbA,C(2019).DigitalEconomics[J].JournalofEconomicLiterature,57(1):3-43.[23]FarboodiM,MihetR,PhilipponT,VeldkampL.Bigdataandfirmdynamics[J].AEAPapersandProceedings,2019,109:38-42.黄阳华，张津硕，张钟文，基于数据要素的数字经济增长与核算理论[J].国人民大学学报,2026,40(1):37-47.CongLW,XieD,ZhangEndogenousgrowthundermultipleusesofdata[J].JournalofEconomicDynamicsandControl,2022,141:104221.ErdilE,BesirogluT(2025).Once,DeployMany:AIandIncreasingReturns[EB/OL].EpochAI.(2025)[2026-08-09].https://epoch.ai/blog/train-once-deploy-many-ai-and-increasing-returnsAgrawalGansJ,GoldfarbA(2018).PredictionMachines:SimpleEconomicsArtificialIntelligence[M].Boston:HarvardBusinessReviewPress.Pablo-MartiF(2026).TheAggregateProductionFunctionintheAgeAI[R].SSRNWorking BrynjolfssonE,LiD,RaymondLR(2023).GenerativeAIWork[R].NBERWorkingNo.SytsmaT(2025).TheDynamicsBehindArtificialIntelligence'sImpactonProductivityGrowth[R].WorkingPaper/PolicyBrief. AcemogluD,AutorD,HazellJ,etal.(2022).DemocratizingAI?TheImpactofAIontheLaborMarket[J].Journ