EP.2 索洛：到处都是AI，为什么唯独在增长数据中看不到？- 主题精读稿
EP.2 索洛：到处都是AI，为什么唯独在增长数据中看不到？- 主题精读稿
前言：一句比诺贝尔奖还出名的话 (00:00 - 01:38)
本期是"墙裂坛"与"艺人创业加速社区"联合推出的特别系列《AI 背后的经济学和经济学家们》第二期，主角是诺贝尔奖得主、MIT 经济学教授罗伯特·索洛。这个系列的野心很大——五期节目，五位经济学家，回答五个关于 AI 与我们未来的核心问题。杰文斯没听说过半导体，哈耶克不知道大模型，马克思没有 GPU，凯恩斯没用过 ChatGPT，索洛没养过小龙虾，他们都没有见过 AI，但他们思考过的那些问题，到了今天一个比一个锋利。
索洛在 1987 年随手在《纽约时报》书评版写下一句话，这句话后来比他的诺贝尔奖还出名：你可以在世界的每一个地方看到计算机时代的痕迹，唯独在一个地方看不到，这个地方就是生产力的统计数据中。 换上"AI"这两个字，一字不用改，这个问题今天比任何时候都更尖锐。
一、数据的真相：AI 投资热潮与全球生产力的深度割裂 (01:38 - 07:39)
先看投资侧的数字。2024-2025 年，全球企业在 AI 领域的投资总额——包括基础设施、模型训练、应用开发——已经超过了 1 万亿美金。如果这个数字没有感觉，换一种说法：这大概等于印度尼西亚全年 GDP，等于瑞士加瑞典加挪威三个国家的 GDP 之和。英伟达市值在 2025 年突破 5 万亿，从 4 万亿跨越 5 万亿仅用了 113 天，成为全球最值钱的公司。OpenAI 估值从 ChatGPT 发布前的约 200 亿美金涨至逾千亿，微软仅在 OpenAI 上的投入就超过了 130 亿。谷歌、亚马逊、Meta，每家每年的 AI 资本支出都是百亿美金级别。
然后看生产力侧的数字。
美国的数据乍一看很亮眼：2024 年非农生产率增长 2.3%，是除疫情异常年份外 14 年来最强；2025 年二季度年化增长 4.1%，三季度年化增长 4.9%。如果你是 AI 乐观派，这时候大概要拍桌子了——看，AI 让生产力爆发了。
但主播作为宏观分析师，给出了三点让事情变复杂的补充：
第一，两个季度不构成趋势。 生产率数据波动性很大，一两个强劲季度可能是 AI 驱动的结构性拐点，也可能是周期性反弹，或者企业裁员之后的被动效率提升——同样的产出，用了更少的工时，效率自然提升，但这不是真正的生产力进步。从数据上，根本无法区分这两种情况。
第二，拉长到整个商业周期来看，改善幅度值得掂量。 BLS（美国劳动统计局）将 2019 年四季度至今定义为当前商业周期，这个周期内非农生产率年化增速约为 2%，而上一周期（2007-2019 年）是 1.5%，改善了 0.5 个百分点。这 0.5 个百分点是真实的、有意义的改善——但考虑到这期间全球在 AI 上砸了至少 1 万亿美金，我们需要问自己：0.5 个百分点是对 1 万亿美金投资的预期回报吗？而且，这个周期内是前低后高的结构：2020-2022 年疫情冲击把生产率搞得一塌糊涂，2022 年年度生产率甚至是负的（下降 1.5%），然后从 2023 年开始回升。这条曲线确实跟 AI 渗透的时间线有点吻合，但这条曲线也完全可以用疫情后的修复来解释。
第三，放眼美国以外，画面截然不同。 根据 OECD 2025 年生产率指标汇编：2023 年 OECD 国家平均劳动生产率增长仅 0.6%，2024 年初步估计更低（约 0.4%）；欧元区 2023 年劳动生产率下降 0.9%，是 2009 年金融危机以来最严重的跌幅；G7 国家 2024 年平均劳动生产率增速为负 0.3%。在大多数 OECD 国家，衡量纯粹技术进步贡献的全要素生产率，2023 年要么停滞要么为负。OECD 自己在报告里直接说了："尽管生成式 AI 工具引发了对生产力提升的期待，但这种收益尚未在生产率统计中体现出来。" IMF 预测全球 2025 年增速 3%，低于 2000-2019 年 3.7% 的历史均值；世界银行更警告，如果当前趋势持续，这个十年将是 1960 年代以来全球增速最低的十年。
分裂的画面由此成形： AI 投资最密集的美国，最近几个季度生产率刚刚露出苗头，但到底是 AI 驱动的结构性拐点还是周期性反弹，现在说不准。美国以外的发达国家——OECD 整体、欧元区、日本——生产率几乎停滞甚至下降。AI 革命如果存在，到目前为止只在一个国家露出了一点点苗头。
这引出了一个更根本的问题：1 万亿美金之后，我们期待的全球生产力革命，到底在哪里？ 这就是早在 1987 年就被索洛问过的问题，只是当年他问的是"计算机"，今天换成了"AI"。
二、索洛其人：布鲁克林大萧条童年孕育出的增长理论家 (07:39 - 15:33)
如果说上一期的杰文斯是维多利亚时代的忧郁天才，那索洛就是二十世纪美国那种邻居家的、非常聪明但有点离谱、说话特别损的大叔。2001 年，诺贝尔奖经济学得主讲座上，索洛对着一屋子大学生说：过去 50 年是我们的黄金时代，下一个 50 年是你们的，从你们现在直到你们变成像我们这样老得掉渣的这 50 年——我们现在要面对的问题是，这个 50 年还会好吗？潜台词是：也许不会了。结果一语成谶。
罗伯特·索洛，1924 年出生于纽约布鲁克林的一个犹太移民家庭。他小时候经历了大萧条，这个经历极为重要。一个五六岁的孩子在布鲁克林长大，1929 年股市崩盘，整个 30 年代在他的整个童年里，美国经济都在泥潭中挣扎，失业率 25%，四个成年人里就一个没有工作，他家周围的邻居、亲戚很多都在失业和贫困中挣扎。这种童年记忆会让你对经济增长这件事格外的敏感——增长不是一个抽象的数字，它意味着你爸有没有工作，你家能不能付得起房租，你邻居的孩子有没有饭吃。 索洛后来一辈子研究的核心问题正是经济增长到底从哪里来，根源也许就在那个布鲁克林的童年里。
16 岁，索洛考进了哈佛。这里值得一提，1940 年代的哈佛对犹太学生还有配额限制，所以一个布鲁克林的犹太男孩能进哈佛，说明他真的聪明到这所大学没有办法拒绝他。二战爆发后，索洛参军去了北非，然后去了意大利，但他的岗位不是前线冲锋，而是统计分析——在军队里分析作战数据和后勤数据。这段经历对他后来的研究影响极大，虽然他自己可能不会这么直说。在军队里做统计，你会学到一件事：数据不会骗人，但数据也不会自己说话——你必须知道怎么问问题，怎么从一堆混乱的数字中提取出有意义的模式。 索洛后来最重要的经济学研究——增长核算、全要素生产率——本质上就是这件事的升级版：从宏观经济数据中找出到底是什么在驱动增长。
战后，索洛回到 MIT，在那里度过了整个学术生涯。他与保罗·萨缪尔森是邻居、朋友、长期合作者，两人之间持续了几十年的互怼段子文化在 MIT 经济系传了好几代人。索洛本人以毒舌著称，他评价芝加哥学派大佬米尔顿·弗里德曼的那句话，是经济学辩论史上最优雅的人身攻击之一：
Everything reminds Milton of the money supply. Well, everything reminds me of sex, but I keep it out of the paper. 什么事儿都能让弗里德曼想到货币供给，嗯，什么事儿都能让我想到性，但我不会写进论文里。
弗里德曼是出了名的货币供给万能论——在他眼里不管经济出了什么问题，归根结底都是货币供给的问题。索洛这句话等于是在说：你那个执念有问题，但至少我不会把我的执念写进学术论文。这就是索洛，一个非常聪明的大脑，配上一条让人怼不回去的毒舌。
战后回到 MIT，他与保罗·萨缪尔森是邻居、朋友、长期合作者，两人之间持续了几十年的互怼段子文化在 MIT 经济系传了好几代人——据说他们在 MIT 的走廊里聊天，在教职食堂里吃午饭，互相拿对方的理论开玩笑。MIT 经济系在那个年代有多厉害？萨缪尔森大概是 20 世纪最有影响力的经济学家，是把经济学变成一门硬科学的人，他的教科书统治了全球经济学教育几十年。
索洛本人以毒舌著称，他评价芝加哥学派大佬米尔顿·弗里德曼的那句话，是经济学辩论史上最优雅的人身攻击之一：
Everything reminds Milton of the money supply. Well, everything reminds me of sex, but I keep it out of the paper. 什么事儿都能让弗里德曼想到货币供给，嗯，什么事儿都能让我想到性，但我不会写进论文里。
弗里德曼是出了名的货币供给万能论——在他眼里不管经济出了什么问题，归根结底都是货币供给的问题。索洛这句话等于是在说：你那个执念有问题，但至少我不会把我的执念写进学术论文。这就是索洛，一个非常聪明的大脑，配上一条让人怼不回去的毒舌。
三、索洛模型：87.5% 的增长来自"别的什么东西" (15:33 - 21:28)
段子归段子，索洛为什么能拿诺贝尔奖？因为他用几页纸就改变了人类理解经济增长的方式。
在索洛之前，经济学家理解增长的方式简单到也许太简单了：经济增长基本上等于资本（投了多少钱、建了多少工厂、买了多少设备）加上劳动力（有多少工人）。道理很直白——开个面包店，多买一台烤箱，或者多雇一个面包师，你就能烤更多的面包。
但索洛做了一件颠覆性的事。 他拿美国 1909-1949 年四十年的经济数据，把资本和劳动力的增长贡献刨掉，看看还剩下多少增长是这两样东西解释不了的。结果把他自己都吓了一跳：在这四十年的经济增长中，注意这个数字——大约只有 12.5% 可以由资本和劳动力的增加来解释。
那剩下的 87.5% 是什么？
索洛管这 87.5% 叫做"技术进步"。学界后来给它起了个更正式的名字：全要素生产率（Total Factor Productivity，TFP）。更直白的叫法是"索洛残差"——因为它就是把能解释的东西全都剔除之后剩下的那个"别的什么东西"。
用面包店来理解：假设你的面包店去年烤了一千个面包，今年你没有多买烤箱，也没有多雇人，但今年居然烤了一千两百个。多出来的两百个面包从哪里来的？也许是你发明了一种更好的揉面方法，也许是你重新安排了面包师的分工让流程更顺畅，也许是你换了一种更好的酵母，也许是你从别人那学了一个新配方——这些东西加在一起，就是更聪明地做事，就是技术进步，就是 TFP。不是砸更多的钱，不是雇更多的人，而是用同样的投入做出更多的产出。
这个发现有多反直觉？在索洛之前，如果你问一个政策制定者怎么让经济增长，答案十有八九是：投资啊，修路啊，建工厂啊，多雇人啊——全都是资本和劳动力的故事。而索洛说：你们搞错了主次关系，这些东西加起来只能解释 12.5%，真正的引擎是技术进步，是创新，是教育，是知识的积累和扩散，而这些东西你没有办法简单地用砸钱和砸人来获得。
顺带一提，索洛的这个发现也解释了为什么纯粹堆资本的增长模式是有边际报酬递减的——你的第一台烤箱效益最大，第二台稍差，第三台更差，如果只靠堆资本最终增长会停止。真正打破这个天花板的是技术进步，而技术进步在索洛的基本模型里是"外生"的——他承认自己那时候还解释不了技术进步从哪里来，这也留下了后来者（比如罗默的内生增长理论）继续探索的空间。
这个发现的影响至今仍在：它是全球央行、财政部、IMF 做增长预测时的底层框架。当你看到一份 IMF 经济展望报告说某国未来 5 年潜在增长率是多少，背后的计算基本上就是索洛模型的某个变体——预估资本积累多少，劳动力增长多少，再加上一个对 TFP 增速的假设。
1956 年索洛发表《经济增长理论的一个贡献》，1957 年发表《技术变迁与总量生产函数》，进一步量化了这个残差。1987 年，他因这些工作获得诺贝尔经济学奖。
但是，也就在同一年，他随手在《纽约时报》书评版里写了一句话——这句话居然比他的诺贝尔奖还出名。
1987 年 7 月 12 日，索洛写了一篇书评，评论一本叫《制造业至关重要》的书。书评本身没什么大事，但里面有一句话：
You can see the computer age everywhere these days, except in the productivity statistics. 你可以在每一个地方看到计算机时代，唯独在生产力统计数据中看不到。
这就是"索洛悖论"。
四、索洛悖论与经济学界的三派之争 (21:28 - 29:15)
这句话为什么炸了？
1987 年的美国，个人电脑已经普及差不多十年。IBM PC 在 1981 年发布，苹果 Macintosh 在 1984 年发布，到 1987 年，美国企业的办公桌上几乎都有电脑了——银行在电脑上处理交易，航空公司用电脑做预定系统，会计事务所用电脑做报表。整个 80 年代，美国企业在 IT 上的投入总计数千亿美金，IT 支出占 GDP 的比重在快速上升，每个 CIO 都在跟 CEO 说"不信息化就落后了"。
但你去看当年的生产力统计数据，基本看不到任何变化。美国劳动生产率增速在整个 70-80 年代——恰恰是个人电脑革命的时代——非常低迷，比起二战后到 70 年代初的黄金年代，增速下降了差不多一半。电脑无处不在，但增长无处可见。
这到底是怎么回事？经济学界为此争吵了十几年，分成了三派：
第一派：电脑确实没什么用。 代表人物是西北大学经济学家罗伯特·戈登，他后来写了一本非常重量级的书《美国增长的起落》，是技术悲观主义的集大成之作。戈登的核心观点：你们这些人都高估了 IT 革命的重要性。跟真正改变文明的发明相比——电力、内燃机、室内管道、抗生素——个人电脑只不过是锦上添花。是电力让你从蜡烛时代进入光明时代，是内燃机让你从马车时代进入汽车时代，个人电脑让你做了啥？从纸上记账变成电脑上记账？这只是效率提升，不是文明跃迁。
戈登的论证有一个经典思想实验：在两样东西之间选一个放弃——第一，放弃室内管道，意味着每天去屋外打水、上露天旱厕；第二，放弃互联网。大部分人想了想，选择了留管道。戈登用这个说明，我们对 IT 革命的重要性有严重的近邻偏差——因为它就发生在我们身边，所以我们觉得特别重要，但从更长的历史尺度看，它的颠覆性远不如电力和管道。
第二派：电脑有用，只是还没看到。 代表人物是 MIT 经济学家 Erik Brynjolfsson（布林约尔松），他是最早系统研究 IT 生产力悖论的经济学家，也可以算是索洛的同事。他的核心观点：你们太心急了。他说过一句后来被宏观分析师反复引用的话：技术投资和生产力提升之间有一个很长的滞后期。 原因在于，你不光要买电脑，还要做很多配套的事：重新设计工作流程、重新培训员工、开发配套软件、重构组织架构——这些东西加在一起，是被他称之为"无形的资本投资"，它们不会出现在企业资产负债表上，但它们是技术真正发挥效果的前提条件。电脑就像一颗种子，你把种子埋进地里，不能第二天就来收麦子，需要浇水、施肥、等待阳光。如果三个月后挖开土看种子怎么还没发芽，不是种子的问题，是你太心急了。
第三派：数据本身有问题。 GDP 的计算方法是在工业时代设计的，它很擅长衡量多生产了多少吨钢、多盖了多少栋楼，但不擅长衡量服务业和信息经济的价值提升。以前你要查一个信息，得去图书馆翻书翻半天；现在你谷歌一下三秒钟搞定——这节省了你大量时间，有巨大的价值，但这个价值不会出现在 GDP 里，因为谷歌搜索是免费的。GDP 衡量的是交易，不是价值。也许技术确实带来了巨大的福利改善，只是我们的统计工具瞎了，看不到。
最终，第二派暂时赢了。 理由是接下来发生的事。
值得注意的是，"数据有问题"这个角度其实并没有被彻底否定——谷歌搜索让你几秒钟找到以前要图书馆翻半天的信息，拍一万张数码照片替代了以前每张都要钱的胶卷，消费者剩余实实在在地提升了，但这些都不进 GDP，因为 GDP 衡量的是交易，不是价值。也许两件事同时为真：技术确实带来了巨大的福利改善，而我们的统计工具也确实有盲区。
美国劳动生产率的数据轨迹是这样的：
- 1950-1973 年（战后黄金年代）：年均增速约 2.5-3%
- 1973-1995 年（生产力大放缓）：年均约 1.5%——恰是个人电脑革命的时代，索洛悖论最悖论的时期
- 1995-2005 年（互联网爆发期）：年均重回 2.5-3%——生产力大爆发
- 2005 年至今：又是一次放缓，年均约 1.3%
1995-2005 年这十年是关键。 是什么驱动了这波爆发？互联网，加个人电脑，加数据库，加企业软件，这一整套东西经过了十几年的积累，终于开始产生化学反应。几个标志性案例：沃尔玛在 90 年代用信息技术重新设计了整条供应链，从供应商到配送中心到门店每个环节都被数字化，结果库存周转率大幅提高，成本大幅下降，打败了大批传统零售商；戴尔用按需定制模式，客户在网上下单工厂按订单组装，几乎归零库存，这在没有互联网的时代根本不可能；金融业的交易从人工喊价变成了电子交易，结算周期从 T+5 缩短到 T+1，一个交易员的生产力提升了几十倍。而且这波爆发不只在科技行业，它还发生在零售、金融、物流、制造业几乎所有领域——这说明 IT 确实渗透到了经济的毛细血管里。
索洛悖论的第一个结局：生产力提升来了，只是迟到了——从 1987 年索洛说那句话，到 1995 年生产力开始起飞，整整八年；从 1981 年 PC 普及算起，十四年。 这个十四年的时间差，就是布林约尔松所说的滞后期。生产力大爆发不是技术本身带来的，而是技术加上十几年的组织适应、工作流程重设、员工技能升级，这些东西加在一起产生的化学反应。换句话说：种子是 1981 年种下的，收获是 1995-2005 年发生的。
五、AI 的索洛悖论：现在是 1987 年还是 1993 年？ (29:15 - 37:08)
讲到这里，自然引出最关键的问题：AI 的索洛悖论时刻会持续多久？
我们现在大约等于站在 1987 年的位置——到处都能看到 AI，但是生产力数据纹丝不动。那到底是在 1993 年——马上就要起飞了；还是已经在 1995 年——已经在起飞，只是数据还没有反映出来？这应该是当下全球最重要的宏观经济问题之一。
为了分析这个问题，主播引入了卡洛塔·佩雷斯的框架。佩雷斯是委内瑞拉裔英国经济学家，著有《技术革命与金融资本》，在硅谷投资圈几乎是人手一本，A16Z 的 Marc Andreessen 反复推荐过它。
佩雷斯的核心论点是：过去 250 年里，人类经历了五次重大技术革命：
- 1770 年代：工业革命（棉纺织+铸铁+水利）
- 1830 年代：蒸汽与铁路
- 1870 年代：钢铁、电力、重工业
- 1910 年代：石油、汽车、大规模生产
- 1970 年代：信息技术与电信
现在可能是第六次：AI 时代。
每一次技术革命都遵循了几乎完全相同的四阶段模式：
爆发期：新技术出现，早期采用者开始入场，风险资本大量涌入，所有人都处于亢奋状态。
狂热期：金融资本大举涌入，泡沫膨胀，每个人都在谈论"新经济"，估值疯狂，技术应用跑在了组织变革和制度适应的前面——技术已经有了，但社会还没有准备好充分利用它。
转折点：泡沫破裂，崩盘，恐慌，大量投资被浪费——但关键是，技术基础设施留下来了。铁路的泡沫破了但铁轨还在，.com 的泡沫破了但光纤网络和数据中心还在。
协同期/部署期：在泡沫的灰烬中，生产力革命真正开始。技术开始深入地、缓慢地、扎实地改变每一个行业。组织创新跟上了，工厂的管理方式变了，公司架构变了，工人的技能变了。这时候已经没有人在喊"革命"了，因为变化太渐进、太日常。但这恰恰是技术真正产生经济价值的阶段。
电力革命是佩雷斯框架最好的注脚。1880 年代发电厂纷纷建立，但第一批工厂从蒸汽机切换到电力后，生产力并没有立刻提升。原因是：他们只是把电动机放在蒸汽机原来的位置上，然后一切照旧——工厂的空间布局、生产流程、工人的工作方式一点没变。电力的潜力被困在了旧框架里。
直到新一代工厂主——他们是从一开始就用电的一代——重新设计了整个工厂：不再需要中央转动轴了，机器可以按照生产流程的逻辑来排列，而不是按照物理连接的需要来排列，工厂可以变成多层建筑。这个时候，生产力才暴增。从电力被发明到生产力真正爆发，隔了差不多三十年。这一观察来自斯坦福大学经济史学家 Paul David 1990 年的著名论文——不是技术不行，而是组织跟不上。
把这个框架套在 AI 上：我们现在大概处于佩雷斯模型的第二阶段，狂热期的中后段。大量金融资本涌入，英伟达、OpenAI 和各种 AI 初创公司的估值像火箭一样上窜，每个 CEO 都在说"要全面拥抱 AI"，投资银行在拼命出报告说 AI 将创造多少万亿美金的经济价值。但索洛悖论也正在上演——AI 到处都是，生产力统计里还看不到。
今天大多数企业的"AI 转型"，和 1890 年代工厂只是把电动机放在蒸汽机位置上没有本质区别。大多数公司的所谓 AI 转型是什么样的？老板们给员工开了个 ChatGPT 企业版账号，然后说"好了，大家用 AI 吧"。没有重新设计工作流程，没有重新思考哪些环节应该由 AI 接管、哪些应该由人来做，审批流程还是一样，AI 光速完成了工作，你还是要等三天层层审批才算做完，也没有重新培训员工。这和 1890 年代工厂主拆掉蒸汽机装上电动机然后对工人说"好了继续干吧"有什么两样？当然看不到效率提升。
真正的效率提升需要组织创新。 需要重新设计工作流程，让 AI 做 AI 擅长的事（重复性的判断、大量数据处理、出稿生成），让人做人最擅长的事（人际关系、突发情况、复杂判断）。还需要技能重塑：员工得学会怎么跟 AI 协作——不只是会打字就会用 ChatGPT，而是知道什么问题该问 AI、什么问题不该问，能审核和修正 AI 的输出，能在 AI 的输出基础上增加人类独有的判断。还需要制度适应：AI 的法律框架还是一团混乱，版权问题没有解决，数据隐私问题没有解决，AI 造成的错误由谁来负责没有答案——这些不确定性本身就在拖慢 AI 的部署。
还需要制度适应：AI 的法律框架还是一团混乱，版权问题没有解决，数据隐私问题没有解决，AI 造成的错误由谁来负责没有答案——这些不确定性本身就在拖慢 AI 的部署速度。
布林约尔松那句话在这里完全适用：技术是必要条件，但不是充分条件，组织创新才是那个成数。
主播的判断：AI 的索洛悖论是真实存在的，1 万亿美金的投入现在还没有体现在宏观生产力数据上，这是事实。但这不意味着 AI 没用，它更可能意味着我们正在经历历史上每一次技术革命都经历过的安装期——技术跑在前面，组织还在后面追。如果按照 PC 互联网的经验，从技术成熟到生产力爆发大概需要 8-15 年。ChatGPT 于 2022 年底发布，类比下来，真正的生产力爆发期可能在 2028-2035 年之间——其实也没几年了。
六、阿西莫格鲁的反驳：这次也许不一样 (37:08 - 43:11)
就在乐观派等待爆发的时候，2024 年诺贝尔经济学奖得主达隆·阿西莫格鲁给出了截然相反的判断：也许这次 AI 不会带来生产力革命，至少不是你想象的那种。
阿西莫格鲁在 2024 年的学术论文中严谨估算（注意，这是学术论文级别的严谨，不是随口说说）：AI 在未来十年对美国 GDP 的提升可能只有 0.5%-1.5%。对比之下，高盛预测是十年提升全球 GDP 7%，麦肯锡预测是每年增加数万亿美金的经济价值——两者之间差了整整一个数量级。
他为什么这么悲观？阿西莫格鲁的论证分两个层次：
第一层：自动化 vs. 增强的区分。
阿西莫格鲁区分了 AI 的两种用途：
- 自动化（Automation）：用 AI 替代人类工作。客服机器人替代客服人员，AI 翻译替代翻译，自动驾驶替代司机。
- 增强（Augmentation）：AI 帮助人类把工作做得更好。医生用 AI 辅助诊断看不清的 X 光片，科学家用 AI 加速药物筛选，工程师用 AI 优化设计。
问题在于：目前大部分 AI 投资的方向是自动化，而非增强。 而自动化的生产力提升效果是有限的——你把人类客服换成 AI 客服，省了一份工资，但客服这个环节本身在公司成本里可能只占几个百分点。在几个百分点的成本上省了 50%，总效果能有多大？
真正能带来巨大生产力提升的是增强——让人类能够做到以前做不到的事。一个医生用 AI 看出了肉眼看不到的早期癌症，这才是拯救生命和创造巨大经济价值的点。一个科学家用 AlphaFold 预测了蛋白质的结构，这就可能加速新药研发。但"增强"这条路，需要全新的工作流程、全新的人机协作模式、全新的训练体系——更难、更慢、更复杂。所以大部分企业在走容易的路——自动化，替代人，而不是走难的路——增强，让人变强，改变整个管理和治理架构。走容易的路带来的生产力提升必然有限。
第二层：技术进步不会自动造福大众。
这里阿西莫格鲁与布林约尔松产生了真正的分歧：布林约尔松相信只要等到组织创新跟上，生产力爆发和工人工资提升会一起来；阿西莫格鲁则认为，即便生产力提升了，好处也不会自动落到工人手里。他与 Simon Johnson 在《权力与进步》中论证：技术进步造福谁，取决于谁控制了技术，以及制度如何分配收益。
他们举了英国工业革命的例子。1760-1840 年，整整 80 年，工业革命如火如荼：蒸汽机、纺织机、铁路，生产力暴增。但英国工人的实际工资几乎没涨，工作时间变长了，童工泛滥，生活条件在很多方面反而恶化了。这就是经济史上著名的"恩格斯间歇"——技术爆炸了，生产力提升了，但劳动者几十年没分到一点好处。好处去哪了？都去了工厂主和资本家那里。原因在于：工业革命早期的技术，主要作用不是增强工人，而是替代工人——机器不是让工匠更厉害了，机器让工匠变成了多余的人，一个熟练工匠花十几年学的手艺，一台动力织布机几周就能替代，过人的溢价能力被彻底摧毁。
阿西莫格鲁在今天的 AI 里看到了一模一样的模式。 AI 目前的主要部署方向是用更少的人做同样的事——这就是自动化，这就是替代。它节省了企业的劳动力成本，但同时减少了劳动者的收入。
宏观层面的连锁反应是这样的：如果 AI 只是把价值从工资转移到利润，员工少了，公司还是赚那么多甚至更多，GDP 可能还会增长——但增长会更加不平衡。利润集中在少数拥有 AI 的企业和他们的股东手里，被替代的劳动者失去收入，消费能力下降，总需求萎缩，经济增长放缓——这是一个恶性循环。技术进步可能带来了供给侧的效率提升，但同时也破坏了需求侧的消费能力。如果加总来看，供给侧提升被需求侧萎缩抵消，宏观数据上就什么都看不到。这也许是索洛悖论的另一种解释：也许 AI 确实在提升某些部门的生产力，但这些提升被其他部门的收入下降和需求萎缩所抵消，所以加在一起，宏观数据上看不到变化。
七、两派同时为真，以及给三种身份的建议 (43:11 - 50:00)
主播的宏观判断，是一个有点无聊但诚实的答案：两派都对了一部分，而且他们可能同时为真。
AI 的生产力爆发可能确实会来，但只在某些行业、某些应用场景、某些类型的企业中爆发——具体说，是那些成功实现了组织创新的地方：重新设计了工作流程，重新培训了员工，真正用 AI 做了以前做不到的事。在这些地方，你会看到惊人的效率提升。
但在更多的地方——那些只是给员工开了个账号，然后等着奇迹发生的地方——什么都不会发生，钱花了，生产力没有提升，最后变成了一笔沉没成本。 主播有一个有点悲观的判断：目前在人类社会大部分的行业，可能属于第二种，他们未来是会被淘汰还是会升级，这个真的非常不确定。
而且不管生产力提不提升，分配问题是真实存在的。AI 的好处正在向资本集中，英伟达股东们赚翻了，而那些被 AI 替代的人呢？
索洛悖论的真正教训也许不是技术到底有没有用这么简单，而是技术有没有用取决于你是谁，你在哪，你的社会地位，你的社会选择，以及我们整个社会的管理者如何选择技术，该为谁服务。 这不是乐观对悲观的简单选择题，这是一个谁受益谁受损的分配问题，而分配问题不是技术能解决的，它需要制度和政策。
有一个细节值得补充：主播坦言，目前来看，在人类社会大部分行业，可能属于"只开了账号等奇迹"的那种——他们未来是会被淘汰还是会升级，这个真的非常不确定。而分配问题是真实存在的，AI 的好处正在向资本集中，英伟达股东们赚翻了，而那些被 AI 替代的人呢？宏观分析师的职责是把这个问题说清楚，而不是给出一个乐观或悲观的单一答案。
宏大叙事讲完了，对三种身份的具体建议：
打工人：不要把 AI 公司的市值当成是自己的生产力。英伟达涨了不等于你变强了，公司买了企业版 ChatGPT 不等于你的效率自动提升了。真正效率提升需要做一件事：花时间想清楚，在你的具体工作中，AI 到底能帮你做什么——不是泛泛地"提高效率"，而是非常具体地，在哪个环节可以交给 AI，交了之后省出来的时间你会用来做什么更有价值的事。这个思考过程才是真正的生产力乘数，而不是安装一个 AI 工具。另外，从职业安全的角度看，学会与 AI 协作的那批人，和只是被 AI 使用的那批人，长期命运可能截然不同。索洛悖论在个人层面的寓意是：你的生产力不是由你手里有什么工具决定的，而是由你如何使用这些工具决定的。
投资者：佩雷斯的框架给出了一个非常实用的投资启示。在技术革命的安装期，赚钱最快的是卖铲子的人——AI 时代的铲子是芯片（英伟达）、云计算（AWS 等大云厂商）、基础模型（OpenAI 等），他们确实在赚真金白银。但历史上每次技术泡沫，卖铲子的公司最后也不是都能活下来。1850 年代英国铁路泡沫里，铁轨制造商赚得风生水起，泡沫破后大多倒闭；.com 泡沫里的思科，股价从峰值跌了 80%，到现在都没回来。罗伯特·席勒在《非理性繁荣》里说得透彻：泡沫的特征不是技术是假的——技术通常是真的——泡沫的特征是价格太高了。 铁路是真的，但铁路公司的股价太高了；互联网是真的，但 .com 公司的估值太高了；AI 是真的，但 AI 公司的估值是不是太高了，大家心里都有数。
公民：技术投资本身不等于社会进步，一万亿美金砸进 AI 不等于你的生活自动会变好。技术对社会是利是弊，取决于制度，取决于政策制定者做了什么选择——是让 AI 好处集中在少数人手里，还是建立机制让更多人分享？是让 AI 替代劳动者后不管他们，还是投资于再培训和社会安全网？这些不是技术问题，是政治问题。阿西莫格鲁在《权力与进步》结尾说了一句话：技术的方向不是命中注定的，它是社会选择的结果。 如果你觉得 AI 正朝着错误的方向发展，你有权利说出来。
尾声：下一个问题——哈耶克的警告 (49:39 - 50:00)
今天全世界最强大的几个 AI 模型只掌握在几家公司手里——OpenAI、Google/DeepMind、Anthropic、Meta，加上几家中国大厂——他们读过人类几乎所有的公开文本，处理过几乎所有可获取的数据。如果说以前"知识就是权力"，那拥有人类所有知识的 AI，是什么级别的权力？
90 年代，有一个奥地利经济学家，他跟凯恩斯打了一辈子架但输了，被整个学术界遗忘了 30 年，一个人在黑暗中坚持自己的判断，直到斯德哥尔摩来了一个电话。他一辈子在警告一件事：不要让任何一个中心拥有所有的信息，因为那将通向的不是繁荣，而是奴役。
这个人叫哈耶克。他说的那个全能全知的中央大脑，听起来像不像我们手机里的那个 AI 助手？
推荐书目：
- 卡洛塔·佩雷斯《技术革命与金融资本》——即使不是经济学专业也能读得很愉快，强烈推荐
- 达隆·阿西莫格鲁 & Simon Johnson《权力与进步》——学术深度，必读
- 罗伯特·戈登《美国增长的起落》——AI 怀疑派最完整论述，厚如砖头，但论证扎实