这是人工智能的时代,它充满着悖论——预测悖论、就业量化悖论、生产率悖论、数据价值悖论、工业革命悖论......我们在悖论中前行。
预测悖论
对人工智能的未来,人们似乎永远预测不准,无论是图灵奖得主、诺贝尔奖得主,还是企业家、创业者。他们总是做出不切实际或过于保守的判断。这就是人工智能的预测悖论。
历史上,马文·明斯基、艾伦·纽厄尔、赫伯特·西蒙等开拓者都曾作出大跌眼镜的预言。例如,马文·明斯基在1970年指出:“在三到八年的时间里,我们将得到一台具有人类平均智能的机器。”至今我们仍在为之努力。
杰弗里·辛顿是当今最具影响力的人物,被誉为“AI教父”。他在2016年做出预测:“应该立即停止培训放射科医生。显而易见,深度学习的表现将会在五年之内超越放射科医生。”它未能成真,现实朝着相反的方向发展,近十年美国放射科医生的数量和收入均大幅增长。
德米斯·哈萨比斯的地位可比肩辛顿,他表示 (2025) :“在未来十年左右,AI可能帮助治愈所有疾病。”作为最成功的AI企业家,阿莫迪(2025)认为,AI能在5-10年内使人类寿命翻一番。对近期预言,我们拭目以待。
以上是最著名的6个人物的预言。就话题来说,AGI是当下最受追捧的。企业家和学者两个群体对AGI实现时间的判断呈现出明显分化。企业家激进乐观,甚至认为很快就能实现。主要4类:1已经到来 (身在其中却不知晓) ,2马上就来 (一两年) ,3短期会来 (三五年) ,4长期才来 (五到十年,甚至更久) 。这些判断有的已经证伪,有的仍需要时间检验。如下表所示。学者的判断普遍悲观,甚至认为AGI是伪命题,永远不会到来。例如,Iris van Rooij指出 (2024) :“创造具有人类水平认知能力的AGI是不可能的。”
表著名AI公司CEO对AGI到来时间的预测 来源:腾讯研究院整理,2026年5月
人们喜欢预测。有的是为了宣传、给自己鼓劲,有的是为了论文和课题,还有纯粹的口舌之争。事实上,谁也不知道未来是什么样子。未来并不遵循设定的剧本,它由众人的选择和行为所决定,由与过去的彻底决裂所塑造,充满着巧合和悖论。就像一头岁月静好的猪,无法预测春节的黑天鹅。
就业量化悖论
技术对就业的影响是一门显学,也是一门玄学。它是一个古老话题,像一个幽灵,游荡数百年。它妇孺皆知,鸿儒可谈笑,白丁亦可往来。它下限极低、上限极高,人们争论不休,众说纷纭。近些年学者和机构转向“用数据说话”,试图用一种看起来科学、严谨和高级的方法来证明自己的高明。O EC D、IMF、世界经济论坛、联合国贸发会议、国际劳工组织、世界银行等国际组织,以及高盛、麦肯锡、皮尤研究中心等咨询机构纷纷推出AI影响就业的测算报告。如下表所示。
表AI影响就业的部分量化测算结果
单独一份报告都足够有份量,甚至被奉为圭臬。但把这些报告放在一起看,则发现测算结果差距甚大,大体处于0.4%-67%之间,几乎不具可比性。让人祛魅。
就业量化测算的先决条件是能够准确把握技术的发展脉搏。如前所述,技术大佬还无法准确预测AI技术的未来发展,经济学家如何量化AI的就业影响?只能假定技术是静止不动的或者以规定好的速度向前发展,然而这不是现实中的样子。另一方面,AI不是独立影响因素,经济周期、产业经济、技术发展、人口结构、就业偏好、就业政策、全球化、突发事件等多重因素共同影响着就业。它们之间相互联系、相互作用,把AI从中完好切割出来是不可能的。从这种意义上讲,量化AI对就业的影响是一个悖论。
生产率悖论
人工智能是新的通用目的技术,具有普遍适用、持续改进和催生创新的特征,是未来经济增长的引擎。人工智能术语提出已有70年,机器学习革命已有14年,当前AI浪潮如火如荼,从大语言模型、多模态,到世界模型、智能体、物理AI,此起彼伏,层出不穷。然而,生产率增速并没有明显加快,甚至面临着生产率危机 (Rogers,2024) 。
自ChatGPT发布以来,欧盟每小时劳动生产率增速在0%上下波动,今年一季度增长0.1%。在2022年四季度到2026年一季度的14个季度中,仅有3个季度的生产率增速超过1999年以来的长期平均水平 (1.0%) 。如下图所示。美国增长强劲,从2022年四季度到2026年二季度,非农企业部门劳动生产率年均增长2.2%,在西方国家中一枝独秀,但这也仅相当于1948年以来的长期平均水平 ( 来 源 :美 国劳工统计局) 。
图欧盟近年的劳动生产率增速(来源:欧盟统计局)
这种“技术创新突飞猛进和生产率增长令人失望”同时存在的情况,就是生产率悖论。它不是第一次出现。诺贝尔经济学奖得主罗伯特·索洛在1987年写到:“You can see the computer age everywhere but in the productivity statistics (计算机时代的踪影无处不在,唯独生产率统计中看不出来) 。”这被看作是“生产率悖论”或“索洛悖论”最经典的表达。
对生产率悖论,主要有错误预期、测量误差和时间滞后三种解释。Brynjolfsson认为 (2017) ,时滞性解释最具说服力,是导致生产率悖论的主要原因,并把通用目的技术对生产率影响的滞后效应概括为“J形曲线”。通用目的技术需要经过多次次级创新、互补创新和组织变革,才能对生产率产生实质影响。从历史上看,蒸汽机、发电机和计算机分别在发明118年、91年和49年,分别在商业化54年、40年和21年后,才开始明显推动生产率提高。因此,长期来看,生产率悖论并不是什么悖论。AI推动生产率明显提升尚需时日。
数据价值悖论
数据是AI的粮食,要量大质优,量大到无底洞,质上“垃圾进,垃圾出 (GIGO) ”,或者说数据有“高尚”和“龌龊”之分。数据决定着AI能力的上限,常被誉为“新石油” (Clive Humby,2006) 和“世界上最有价值的资源” (经济学人,2017) , “与能源、材料资源同等重要” (2004年两办文件) 。数据的使用价值极大,却不像普通商品那样具有交易价值、货币价值。正如李国杰(2025)所言:“数据只有在使用中才能确定它的价值。”
O EC D (2024) 梳理了46个国家的数据政策文件,发现“数据”出现的政策语境由高到低依次是创新、信任、社会、市场开放、利用、就业和准入,他们并不关注“交易”。陈昌盛 (2023) 曾指出:“数据交易所遍地开花,但数据交易所中的‘交易’发展的并不是很好”“在各地掀起的数据市场建设热潮下,应警惕形成‘只有经过交易买卖的数据才是可用数据’的行为导向”。
数据的价值密度低,难以货币化体现,在资产负债表中的占比微乎其微,几乎可以忽略不计。根据上海交通大学上海高级金融学院最新数据,我国有136家上市公司披露了数据资源入表的相关事项,入表金额共计37.86亿元。据此推算,前者仅占A股上市公司数量的2.5%,后者仅相当于我国人工智能核心产业规模的0.3%。
三大电信运营商在入表规模上占主导地位,2025年合计入表金额21亿元,占上市公司入表总金额的55.46%。但这些数据资源在公司总资产中仅占0.06%左右,微不足道。如下表所示。
表三大运营商数据资源入表金额及其占比(2025.12.31) 数据来源:根据财报中合并资产负债表整理。
工业革命悖论
每一次技术浪潮兴起,总有人把它比作蒸汽机、电力或者计算机,并兴奋大呼:“它将引发第四次工业革命!”这种现象持续了至少半个世纪,早期如微电子 (1984) 、计算机 (1988) 、纳米技术 (1994) 、互联网 (2000) 、替代能源 (2010) 、信息物理系统 (2014) 。近十年更是愈演愈烈,大数据 (2016) 、人工智能 (2016) 、物联网 (2016) 、工业互联网 (2017) 、区块链 (2017) 、量子计算 (2018) 和智能制造 (2021) ,都曾被赋予第四次工业革命的使命。如下图所示。
图中国知网以“第四次工业革命”等为篇名的文章数量分布 注:选取标准是篇名中包括“第三次工业革命”“第三次产业革命”“第四次工业革命”和“第四次产业革命”的文章。对当下革命,有人认为是第三次,有人认为是第四次;而且工业革命和产业革命在英文中是同一个短语“Industrial Revolution”。因此,本文不做严格区分。
我们在媒体上几乎时刻在经历第四次工业革命。引发这场革命的技术总是“芳林新叶催陈叶,流水前波让后波”,初步统计至少有20多个。每出现一种新技术并赋予第四次工业革命的重大意义,似乎意味着之前都是错误的。当下,人们普遍认为AI就是第四次工业革命。德米斯·哈萨比斯 (2026) 甚至指出:“AGI的规模和速度可能10倍于工业革命。”国内亦有企业家把AI看作人类社会的最后一次技术革命。AI对过往作出了证明,AI本身又如何证明?
我们无法争论,强调两点。一是工业革命和经济危机不可能同时发生。二是历次工业革命不是先知先觉,而是事后叙事,身处其中的人们并不知道自己正处于工业革命之中。第一次工业革命 (1760年代—1840 年代 ) 结束40年后,术语“Industrial Revolution”在阿诺德·汤因比的推动下才为大众所知。第二次工业革命 (1870年代—1914年) 结束40年后,经济学家才开始使用“Second Industrial Revolution”,结束55年后戴维·兰德斯《不受束缚的普罗米修斯》 (1969) 才标准化了其学术定义。第三次工业革命尚无统一认识,杰里米·里夫金 (2011) 认为它的主题是互联网和可再生能源的融合;《经济学人》 (2012) 认为是制造业数字化;埃里克·布莱恩约弗森和安德鲁·麦卡菲 (2011) 认为第三次工业革命是由计算机和网络推动的。让我们期待这一次不同。
本文来自微信公众号 “腾讯研究院”(ID:cyberlawrc),作者:闫德利
