AI時(shí)代與人口變局猜想

文/中金公司CFA分析員劉剛、分析員彭一夫、王牧遙

當(dāng)AI時(shí)代遇上人口變局：會(huì)碰撞出什么樣的“火花”？是“靈丹妙藥”、還是新的“麻煩制造者”？

我們可能正處在一個(gè)前所未有的歷史交匯點(diǎn)上，人口變局與AI爆發(fā)在同一時(shí)空中交織。一方面，人口減少與老齡化已成為一些經(jīng)濟(jì)體必須直面的問(wèn)題，如拖累傳統(tǒng)需求且增加財(cái)政負(fù)擔(dān)；另一方面，AI幾乎以一己之力拉動(dòng)全球增長(zhǎng)，如AI投資就貢獻(xiàn)了美國(guó)26年一季度GDP增速的五成多。

那當(dāng)AI遇上人口變局，會(huì)碰撞出什么樣的“火花”，是解決問(wèn)題的“靈丹妙藥”，還是會(huì)制造出新的麻煩？樂天派認(rèn)為，人少了能緩解競(jìng)爭(zhēng)壓力和資源緊張，AI與機(jī)器人的發(fā)展不僅能讓物質(zhì)充裕（樂觀如馬斯克認(rèn)為將很快迎來(lái)物質(zhì)的可持續(xù)豐盛時(shí)代，sustainable abundance[1]），也可以對(duì)沖人口減少導(dǎo)致的勞動(dòng)力不足，最終帶來(lái)人均資源豐盛、差距縮小，也就沒那么“卷”了。理性派則認(rèn)為，人口減少會(huì)導(dǎo)致總需求不足和非核心資產(chǎn)收縮退化，AI革命無(wú)法帶來(lái)所有資源同水平的豐富，替代和擠出效應(yīng)也難以在無(wú)干預(yù)的情況下自動(dòng)對(duì)所有人均等的豐富，因此處于核心位置和屆時(shí)屬性上稀缺的資源將依然稀缺，一些差異甚至可能會(huì)拉大。

會(huì)往哪個(gè)方向演變、誰(shuí)又會(huì)占據(jù)上風(fēng)，市場(chǎng)存在爭(zhēng)論，坦白講分析難度也很大，但這卻意義重大、不應(yīng)回避，就像工業(yè)革命時(shí)代的人們面對(duì)大機(jī)器一樣，當(dāng)我們面對(duì)閃爍的代碼算法、龐大的算力集群，有一些思考和“先見之明”顯得尤為重要，有助于我們?cè)谖磥?lái)AI時(shí)代占有“一席之地”。

人口變局與AI變革交織的可能結(jié)果：核心與外圍資產(chǎn)分化，商品與服務(wù)價(jià)格分化，分配分化

人口變局和AI變革交織，可能會(huì)帶來(lái)核心與外圍資產(chǎn)的分化，商品與服務(wù)價(jià)格的分化，以及分配的分化。得出這一結(jié)論的基礎(chǔ)，主要在于對(duì)以下幾個(gè)問(wèn)題探討：人口減少能否自動(dòng)帶來(lái)資源充裕？AI革命能在多大程度上解決供給充裕問(wèn)題？AI在提高效率增加供給的同時(shí)會(huì)帶來(lái)何種問(wèn)題？

? 首先，人口減少能否自動(dòng)帶來(lái)資源充裕？一個(gè)悖論是，維持一定人口密度恰是維持一些資源的必要門檻。人口減少在一開始和在表面上的確可以帶來(lái)很多人期待的“清凈感”，小到出行、旅游、排隊(duì)，大到教育、住房、醫(yī)療，但這種“清靜感”的代價(jià)可能是功能的弱化和退化。

熵增理論告訴我們，系統(tǒng)天然會(huì)從有序趨向無(wú)序，維護(hù)過(guò)程本質(zhì)上就是投入能量和勞動(dòng)對(duì)抗“熵增”。很多公共服務(wù)（如快遞、外賣、醫(yī)療、教育）、尤其是剛性成本高的公共設(shè)施（如地鐵、高鐵、景區(qū)、電網(wǎng)），都需要一定人口密度來(lái)維持剛性成本下維護(hù)的“經(jīng)濟(jì)性”，因此一旦人口低于某個(gè)臨界點(diǎn)，就會(huì)變得“不經(jīng)濟(jì)”，走向退化和老化，導(dǎo)致“漲價(jià)、低頻、體感差”，成為“清靜感”的代價(jià)。

進(jìn)一步的，新地理經(jīng)濟(jì)學(xué)理論（New Economic Geography，克魯格曼因此獲得諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)）告訴我們，人口減少和熵減成本的增加會(huì)導(dǎo)致資源加速向核心區(qū)域集中以維持其經(jīng)濟(jì)性，邊緣地區(qū)則逐漸“退化”，日本邊緣村莊的“限界集落”（65歲及以上人口占比超過(guò)50%的村莊）[2]，美國(guó)“銹帶”和底特律的破敗，都是這一現(xiàn)象的典型例子。

因此，人口減少并不會(huì)自動(dòng)帶來(lái)資源充裕，反而會(huì)導(dǎo)致核心與邊緣分化的拉大，相對(duì)稀缺的資源依然稀缺，因此在人口變局下把握核心與中心資源更為重要。當(dāng)然，AI和機(jī)器人的變革可以從分?jǐn)偛⒔档途S護(hù)成本角度來(lái)部分解決這一問(wèn)題，但也至少也會(huì)受到電力與算力投入的下限約束。

? 其次，AI革命能在多大程度上解決供給充裕問(wèn)題？一個(gè)悖論是，AI在提供充裕資源的同時(shí)，也會(huì)因?yàn)樘Ц哒w生產(chǎn)力水平，使那些AI暫時(shí)無(wú)法提供的資源更加稀缺。就如同工業(yè)革命尤其是全球化深化的過(guò)去二十年間商品與服務(wù)價(jià)格的巨大剪刀差一樣（2000年以來(lái)美國(guó)計(jì)算機(jī)等設(shè)備、電腦軟件、玩具價(jià)格下降超過(guò)70%，但醫(yī)療服務(wù)、大學(xué)學(xué)費(fèi)、育兒漲幅在130%-230%之間[3]）。

鮑莫爾效應(yīng)（Baumol Effect）告訴我們，AI時(shí)代會(huì)帶來(lái)商品、可復(fù)制服務(wù)（外賣、快遞、出行等）、精細(xì)化分工（軟件、科技、金融）的充裕甚至“通縮”，復(fù)制成本可能無(wú)限趨近于原始成本。但AI暫時(shí)無(wú)法提供的一些商品和服務(wù)（情感或陪護(hù)）反而可能會(huì)因?yàn)槔淆g化導(dǎo)致的需求錯(cuò)配、以及AI時(shí)代普遍的生產(chǎn)力提升而更加稀缺，因此AI也無(wú)法自動(dòng)帶來(lái)所有資源同等的充裕，可能導(dǎo)致“買得起精密電器，請(qǐng)不起優(yōu)質(zhì)護(hù)工”的悖論。當(dāng)然，隨著AI的不斷突破，AI所無(wú)法提供的領(lǐng)域也會(huì)不斷縮小。

? 最后，AI在提高效率增加供給同時(shí)，會(huì)帶來(lái)何種問(wèn)題？當(dāng)勞動(dòng)力從要素退化為成本，是否會(huì)使得普通個(gè)體參與分配的合法性基礎(chǔ)——“勞動(dòng)力價(jià)值”逐漸喪失。與蒸汽與電氣革命解放人的肌肉以提升效率、互聯(lián)網(wǎng)革命延伸人的耳目以降低信息分發(fā)成本不同，AI與機(jī)器人可能在多數(shù)生產(chǎn)環(huán)節(jié)徹底接管人的大腦和雙手。如果未來(lái)AI能夠完全脫離人的參與完成整個(gè)生產(chǎn)過(guò)程，即柯布-道格拉斯生產(chǎn)函數(shù)（Y=A · Kα · L1-α）中勞動(dòng)力（L）貢獻(xiàn)權(quán)重（1-α）趨近于零，大部分任務(wù)中，勞動(dòng)力從“要素”降級(jí)為“成本”，人成了純粹的消費(fèi)者，那么“按勞分配”也將失去載體，這一擠出效應(yīng)會(huì)使得分配向掌握AI生產(chǎn)資料的人群傾斜，使得分配的分化加大，美國(guó)勞工部統(tǒng)計(jì)IT和金融行業(yè)就業(yè)人數(shù)過(guò)去三年分別減少20萬(wàn)和6萬(wàn)人就是例證。

如何應(yīng)對(duì)AI時(shí)代與人口變局？重新定義新時(shí)代的核心資產(chǎn)；發(fā)揮AI正面作用，關(guān)注分配問(wèn)題

理性的思辨揭示，不論是人口變局還是AI變革，都有其兩面性，情形沒有直覺想象的那么簡(jiǎn)單或一邊倒，因此，充分發(fā)揮其積極作用，妥善解決好可能的新問(wèn)題，同時(shí)把握新時(shí)代的核心資產(chǎn)，才是理性之選。

? AI在提升全要素生產(chǎn)率和拉動(dòng)短期增長(zhǎng)上有正面性，足以對(duì)沖短期人口減少和就業(yè)擠出的負(fù)面影響，需要充分發(fā)揮其正面性作用。我們測(cè)算，中美AI產(chǎn)業(yè)發(fā)展對(duì)全要素生產(chǎn)力與資本存量的拉動(dòng)，未來(lái)十年潛在增長(zhǎng)年均或可提升0.65和1.09ppt，足以對(duì)沖勞動(dòng)力供給收縮與AI擠出就業(yè)帶來(lái)的拖累（0.19和0.01ppt），綜合來(lái)看發(fā)展AI可提升中美潛在增長(zhǎng)年均凈增加0.46ppt和1.08ppt。

? 妥善應(yīng)對(duì)好潛在的分配分化問(wèn)題。隨著算力和算法的發(fā)展，AI可以獨(dú)立完成越來(lái)越多工作任務(wù)，資本與勞動(dòng)的關(guān)系逐漸從互補(bǔ)走向替代，勞動(dòng)的分配份額可能面臨擠出，資本的份額不斷擴(kuò)大。在此背景下，“做大蛋糕”與“分好蛋糕”同樣重要，二次分配的稅基和保障制度也可以相應(yīng)優(yōu)化。

? 把握新時(shí)代的核心資產(chǎn)。如何尋找人口變局和AI時(shí)代下的稀缺資產(chǎn)，可以從四個(gè)測(cè)試性的問(wèn)題出發(fā)，比如某一資產(chǎn)：1）在脫離大規(guī)模補(bǔ)貼后還能運(yùn)行嗎？2）人口密度大幅降低后，維護(hù)成本會(huì)激增嗎？3）產(chǎn)出的效率和經(jīng)濟(jì)性是否有AI高？4）是不是AI運(yùn)行或機(jī)器人制造鏈條上的必需要素？綜合考慮，我們認(rèn)為以下資產(chǎn)可能符合核心資產(chǎn)的定義：

1） 在物理空間和資產(chǎn)屬性上的“稀缺資產(chǎn)”，例如處于核心位置、具有穩(wěn)定的公共服務(wù)提供網(wǎng)絡(luò)的資產(chǎn)具備韌性，如一線/強(qiáng)二線核心區(qū)域的地產(chǎn)、交通網(wǎng)絡(luò)、優(yōu)質(zhì)醫(yī)療與教育資源等；相反，邊緣尤其是固定折舊較高的資產(chǎn)會(huì)陷入“折舊陷阱”，例如收縮型城市的地產(chǎn)、公用事業(yè)等；

2） AI無(wú)法提供的或供需錯(cuò)配的“非標(biāo)準(zhǔn)化資產(chǎn)”，如定制教育、養(yǎng)老養(yǎng)護(hù)、情感陪護(hù)，悅己需求等；相反，一般商品、標(biāo)準(zhǔn)化服務(wù)、精細(xì)化的分工反而會(huì)因?yàn)槌湓６呦颉巴s”。在對(duì)思考深度和表達(dá)深度要求高的工作上，人類仍占據(jù)主動(dòng)。

3） AI時(shí)代的“瓶頸資產(chǎn)”，列昂季耶夫生產(chǎn)函數(shù)（Leontief Production Function）告訴我們，系統(tǒng)的產(chǎn)出往往受限于最稀缺的資源。中短期看，AI投資擴(kuò)張催生大量設(shè)備與基礎(chǔ)設(shè)施需求，芯片制造、電氣設(shè)備、通信、機(jī)械等行業(yè)供給出現(xiàn)階段性“短板”；長(zhǎng)期而言，跨越產(chǎn)能周期，當(dāng)AI算力趨向無(wú)限充裕甚至接近公用事業(yè)時(shí)，真正的硬約束將轉(zhuǎn)向物理世界供給彈性最低的領(lǐng)域，如高能量密度的能源、關(guān)鍵的礦產(chǎn)資源、智能與穩(wěn)定的電網(wǎng)、以及長(zhǎng)時(shí)間的穩(wěn)定儲(chǔ)能。

風(fēng)險(xiǎn)提示：本文基于人口結(jié)構(gòu)、AI技術(shù)和資產(chǎn)定價(jià)邏輯的長(zhǎng)期推演，相關(guān)判斷具有一定不確定性。人口變化、區(qū)域流動(dòng)及公共服務(wù)收縮路徑可能偏離假設(shè)。AI技術(shù)迭代和商業(yè)化落地節(jié)奏仍存在不確定性，可能導(dǎo)致生產(chǎn)率拉動(dòng)、潛在增長(zhǎng)和分配格局偏離預(yù)期。政策監(jiān)管、宏觀周期、地緣政治及市場(chǎng)流動(dòng)性等因素的影響也有不確定性。報(bào)告測(cè)算亦存在模型假設(shè)、參數(shù)選擇和外推偏差。

目錄

第一章 人口密度的“悖論”：對(duì)抗熵增的必要門檻

1.1 人口減少與老齡化挑戰(zhàn)：不能忽視的問(wèn)題

1.2 人口密度與規(guī)模效應(yīng)：公共服務(wù)退化與否的臨界點(diǎn)

1.3 核心與外圍資產(chǎn)的分化：新地理經(jīng)濟(jì)學(xué)

第二章 供和需的“錯(cuò)配”：AI能在多大程度上解決供給問(wèn)題？

2.1 人口變局下的需求錯(cuò)配：整體需求減少但結(jié)構(gòu)需求增加

2.2 AI時(shí)代的供給錯(cuò)配：AI能提供的與AI無(wú)法替代的

2.3 商品與服務(wù)價(jià)格的分化：鮑莫爾的成本病

第三章 從要素退化為成本：勞動(dòng)力價(jià)值的被擠出？

3.1 分配權(quán)的大?。簩?duì)生產(chǎn)函數(shù)的貢獻(xiàn)多寡

3.2 分配權(quán)的變遷：從蒸汽機(jī)到電氣革命，再到信息技術(shù)革命

3.3 勞動(dòng)從生產(chǎn)要素退化為成本：AI時(shí)代的不同？

第四章 如何應(yīng)對(duì)AI時(shí)代與人口變局？重新定義稀缺資產(chǎn)

4.1 利用AI的正面性：提升全要素生產(chǎn)率和自然利率

4.2 解決可能的問(wèn)題：應(yīng)對(duì)潛在的分配分化

4.3 如何尋找新時(shí)代的稀缺資產(chǎn)：核心、非標(biāo)準(zhǔn)化與瓶頸資產(chǎn)

正文

第一章 人口密度的“悖論”：對(duì)抗熵增的必要門檻

1.1人口減少與老齡化挑戰(zhàn)：不能忽視的問(wèn)題

人口問(wèn)題正在成為一個(gè)主要經(jīng)濟(jì)體無(wú)法忽略的問(wèn)題。全球總?cè)丝谏形催M(jìn)入負(fù)增長(zhǎng)，但增長(zhǎng)動(dòng)能明顯下行，低生育、老齡化和部分經(jīng)濟(jì)體人口收縮已同步出現(xiàn)。

1) 人口數(shù)量：歐洲、東亞以及部分新興經(jīng)濟(jì)體均已進(jìn)入或接近人口平臺(tái)期，中國(guó)也是樣本之一。2022年中國(guó)總?cè)丝谠谶B續(xù)增長(zhǎng)近60年后首次負(fù)增長(zhǎng)，此后連年下降。2025年末中國(guó)總?cè)丝跒?4.05億人，較上年減少339萬(wàn)人，自然增長(zhǎng)率為-2.41‰[4]。

2) 生育率：2024年全球總和生育率約為2.2，聯(lián)合國(guó)統(tǒng)計(jì)超過(guò)一半的國(guó)家和地區(qū)生育率低于世代更替水平2.1（不依賴移民情況下，人口規(guī)模要長(zhǎng)期維持穩(wěn)定的生育率水平），覆蓋全球超過(guò)三分之二人口[5]。高收入經(jīng)濟(jì)體普遍低生育，東亞則處于低生育的較極端區(qū)域。

3) 人口結(jié)構(gòu)：世界銀行統(tǒng)計(jì)，全球和OECD成員國(guó)的老年人撫養(yǎng)比分別從1960年的8.6%和13.4%走高至2024年的15.7%和28.8%。中國(guó)2010年后總撫養(yǎng)比走高，2025年65歲及以上人口占比升至15.9%[6]，屬于中度老齡化社會(huì)。

因此，從全球經(jīng)驗(yàn)看，隨著經(jīng)濟(jì)增長(zhǎng)和社會(huì)發(fā)展，人口減少、老齡化和少子化可能是一個(gè)固有模式，不過(guò)中國(guó)進(jìn)入這一階段可能稍快，體現(xiàn)在兩個(gè)方面：1）一是速度，中國(guó)65歲以上人口占比從7%升至14%用了23年，與其他主要國(guó)家相比，老齡化進(jìn)程較為壓縮。2）二是所處發(fā)展階段。中國(guó)是在收入水平、社會(huì)保障完備程度和區(qū)域均衡程度和成熟高收入發(fā)達(dá)經(jīng)濟(jì)體尚有距離時(shí)，進(jìn)入中度老齡化階段[7]。這意味著，中國(guó)老齡化速度要求制度和增長(zhǎng)模式更快調(diào)整，以避免一些現(xiàn)實(shí)問(wèn)題加劇，包括社保收支壓力上升、養(yǎng)老服務(wù)供給不足等。

對(duì)于這一變化，樂觀者認(rèn)為，人口減少可以緩解人均資源緊張，AI與機(jī)器人的發(fā)展又可以補(bǔ)足人口減少導(dǎo)致的勞動(dòng)力不足，帶來(lái)物質(zhì)的豐富，共同解決當(dāng)下很多問(wèn)題，如養(yǎng)老壓力和資源緊缺。謹(jǐn)慎者則認(rèn)為，人口的減少會(huì)導(dǎo)致需求不足，AI革命無(wú)法帶來(lái)所有資源均等的豐富，也難以在無(wú)干預(yù)的情況下自動(dòng)對(duì)所有人都豐富，核心的資源將依然稀缺。那么，人口減少能否自動(dòng)帶來(lái)資源充裕？

1.2 人口密度與規(guī)模效應(yīng)：公共服務(wù)退化與否的臨界點(diǎn)

人口減少雖然不利于總需求，但從人均資源角度，直覺似乎告訴我們這是件好事，因?yàn)槿松倭?，平均資源就變多了，也就不需要這么卷。這個(gè)判斷在靜態(tài)條件下似乎成立：如果人口減少而土地總量不變，那么理論上人均土地會(huì)增加；如果住房存量不變而人口減少，人均住房面積也會(huì)提高。

然而，這種直覺忽視了一個(gè)關(guān)鍵事實(shí)：現(xiàn)實(shí)情況并不完全是靜態(tài)分配，部分系統(tǒng)依賴規(guī)模、密度和網(wǎng)絡(luò)效應(yīng)運(yùn)行。很多公共服務(wù)（如快遞、外賣）、尤其是剛性成本高的公共設(shè)施（如地鐵、高鐵），維護(hù)過(guò)程本質(zhì)上就是人類在投入能量和勞動(dòng)來(lái)對(duì)抗“熵增[8]”，所以需要一定的人口密度和規(guī)模效應(yīng)分?jǐn)偂办販p”成本。人口既是需求來(lái)源，也是維持部分供給體系運(yùn)行的“分母”。因此，一旦低于某個(gè)臨界點(diǎn)，反而可能因?yàn)槭ヒ?guī)模經(jīng)濟(jì)而變得更貴和更脆弱，就會(huì)陷入“漲價(jià)、低頻、體感差”，成為所謂人少“清靜感”的代價(jià)。

這一判斷有其理論基礎(chǔ)?？唆敻衤岢鲂陆?jīng)濟(jì)地理學(xué)（New Economic Geography，NEG）[9]，且因其在貿(mào)易理論和經(jīng)濟(jì)地理學(xué)中的貢獻(xiàn)獲得2008年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)。新經(jīng)濟(jì)地理學(xué)的核心思想是，由于存在規(guī)模報(bào)酬遞增、運(yùn)輸成本和市場(chǎng)接近性差異，人口和產(chǎn)業(yè)會(huì)向少數(shù)中心區(qū)域集中，當(dāng)外圍區(qū)域失去足夠市場(chǎng)規(guī)模時(shí)，平均成本會(huì)上升更快，人口和資本便會(huì)繼續(xù)向中心回流。公共經(jīng)濟(jì)學(xué)中的“最小有效規(guī)模”被視為這一機(jī)制在公共服務(wù)和本地服務(wù)領(lǐng)域的延伸：無(wú)論是教育、醫(yī)療、交通、市政等公共服務(wù)，還是外賣、快遞、社區(qū)零售等市場(chǎng)化本地服務(wù)，都需要足夠人口和需求密度來(lái)分?jǐn)偣潭ǔ杀?。只不過(guò)前者更多依靠財(cái)政和行政體系維持，后者更多依靠?jī)r(jià)格、訂單密度和平臺(tái)網(wǎng)絡(luò)維持。

因此，人口減少帶來(lái)“清靜感”的可能代價(jià)是社會(huì)服務(wù)的老舊和退化，尤其是邊緣地區(qū)。高增長(zhǎng)階段，很多成本可以被新增人口和新增需求稀釋；人口收縮階段，這種稀釋效應(yīng)減弱甚至消失，原本被增長(zhǎng)掩蓋的固定成本問(wèn)題會(huì)重新暴露。OECD對(duì)收縮地區(qū)的研究表明，低密度和持續(xù)人口流失地區(qū)，基礎(chǔ)設(shè)施和公共服務(wù)的人均固定成本更高，可達(dá)性和服務(wù)質(zhì)量也更容易同步惡化[10]。

打比方說(shuō)，地鐵、鐵路等公共交通客流減少30%，并不意味著線路、信號(hào)、檢修和場(chǎng)站成本可以同步下降30%；醫(yī)院門診量減少30%，也不意味著急診、影像、檢驗(yàn)和住院體系可以等比例壓縮；外賣和快遞訂單密度下降后，也不只是少送幾單，騎手調(diào)度、倉(cāng)網(wǎng)覆蓋、履約時(shí)效等都會(huì)受到影響。人口減少將改變本地社會(huì)服務(wù)體系的成本曲線，系統(tǒng)從“規(guī)模經(jīng)濟(jì)”可能滑向“規(guī)模不足”，最終通過(guò)漲價(jià)、降頻、縮網(wǎng)或退出完成調(diào)整。

整體功能性退化和向中心區(qū)域集中是同步出現(xiàn)的，現(xiàn)實(shí)中諸多經(jīng)驗(yàn)如韓國(guó)的首都圈、日本的邊遠(yuǎn)山村、美國(guó)的底特律和中國(guó)東北的老工業(yè)區(qū)也在不斷印證這一點(diǎn)：

? 韓國(guó)是新經(jīng)濟(jì)地理學(xué)中“核心-邊緣”框架的一個(gè)典型樣本。韓國(guó)人口自然增長(zhǎng)率放緩甚至轉(zhuǎn)負(fù)后，首爾首都圈的集聚程度進(jìn)一步上升。2000年以來(lái)，韓國(guó)人口自然增長(zhǎng)率從8.2‰下滑至2025年的-2.1‰，首都圈勞動(dòng)力人數(shù)占比卻從47.4%增加至51.2%。經(jīng)濟(jì)活動(dòng)同樣繼續(xù)向核心區(qū)域集中，2023年韓國(guó)首都圈名義地區(qū)生產(chǎn)總值占全國(guó)52.3%，2024年進(jìn)一步升至52.8%[11]。

? 日本的邊遠(yuǎn)山村則提供了低密度地區(qū)服務(wù)體系收縮的證明。日本的“限界集落”，通常指65歲及以上人口占比超過(guò)一半、基礎(chǔ)服務(wù)體系難以維持的村落[12]。隨著年輕人口外流和老齡化加深，這些地區(qū)面臨交通、醫(yī)療、商業(yè)和照護(hù)服務(wù)退化的問(wèn)題，比如地方鐵路和公交普遍出現(xiàn)減班、縮線和站點(diǎn)無(wú)人化[13]，JR北海道在過(guò)去十余年中陸續(xù)停運(yùn)多條地方鐵路。這一背景下，日本1999年開始推行“平成大合并”，將市町村數(shù)量由1999年的3232個(gè)降至2010年的1727個(gè)，正是希望通過(guò)行政合并提升治理能力、擴(kuò)大基礎(chǔ)服務(wù)半徑、攤薄地方固定成本。

? 底特律是更為極端的城市收縮的案例。底特律的人口從1950年前后約185萬(wàn)人降至2020年的63.9萬(wàn)人，2024年仍僅約64.6萬(wàn)人[14]。人口收縮后，人均資源并未趨于寬松，而是表現(xiàn)為社會(huì)服務(wù)退化。底特律債務(wù)調(diào)整文件顯示，至2013年4月，全市約40%的8.8萬(wàn)盞路燈無(wú)法正常工作；警察優(yōu)先級(jí)案件平均響應(yīng)時(shí)間接近58分鐘，EMS平均響應(yīng)時(shí)間接近15分鐘；35座消防站平均樓齡高達(dá)80年；公交系統(tǒng)方面，DDOT缺勤率高達(dá)35%，車輛維護(hù)效率比可比系統(tǒng)低58%，服務(wù)中斷與不準(zhǔn)點(diǎn)現(xiàn)象普遍[15]。人口減少并沒有讓城市治理更輕松，反而讓最基本的照明、治安、急救和交通系統(tǒng)陷入失修狀態(tài)。

從理論到實(shí)踐，從美國(guó)到東亞都說(shuō)明，現(xiàn)代社會(huì)具有高固定成本、較強(qiáng)基礎(chǔ)服務(wù)依賴和區(qū)域發(fā)展不均衡等特征，人口增長(zhǎng)放緩甚至轉(zhuǎn)負(fù)，會(huì)使得建立在規(guī)模擴(kuò)張基礎(chǔ)上的教育、醫(yī)療、養(yǎng)老、交通、市政等公共服務(wù)和外賣、物流等市場(chǎng)化本地服務(wù)，出現(xiàn)成本分?jǐn)側(cè)趸?、邊際負(fù)擔(dān)上升和區(qū)域失衡加劇等問(wèn)題。這種壓力并非中國(guó)獨(dú)有，日本、韓國(guó)進(jìn)入人口收縮階段后同樣面臨，但中國(guó)由于人口規(guī)模更大、地方財(cái)政對(duì)土地和擴(kuò)張也更為敏感。

圖表：為攤薄固定公共成本，日本推行平成大合并，削減市町村數(shù)量

資料來(lái)源：日本總務(wù)省[16]，中金公司研究部

圖表：日本過(guò)去十余年陸續(xù)停運(yùn)多條地方鐵路

資料來(lái)源：Wind，中金公司研究部

圖表：2013年底特律約40%的路燈無(wú)法正常工作，遠(yuǎn)高于可比城市水平

資料來(lái)源：Detroitmi.gov[17]，中金公司研究部

1.3 核心與外圍資產(chǎn)的分化：新地理經(jīng)濟(jì)學(xué)

人口減少對(duì)資產(chǎn)定價(jià)的影響，關(guān)鍵不在于總量上的需求收縮，而在于資產(chǎn)重新分層，將從物理空間和資產(chǎn)屬性兩個(gè)維度造成分化。物理空間上，中心與邊遠(yuǎn)的分化可能加大；資產(chǎn)屬性上，核心與邊緣資產(chǎn)分化也可能加大。

? 空間維度看，人口和服務(wù)會(huì)從邊緣向中心收縮，物理空間上的分化可能進(jìn)一步擴(kuò)大。核心區(qū)域由于擁有更高的人口密度、更穩(wěn)定的稅基，以及更完整的教育、醫(yī)療、交通和商業(yè)網(wǎng)絡(luò)，更能承受人口總量增長(zhǎng)放緩的沖擊。邊緣地區(qū)則容易因?yàn)槿丝谕饬鞯葡到y(tǒng)維持閾值，出現(xiàn)服務(wù)退坡、資產(chǎn)折價(jià)和進(jìn)一步人口外流。這一過(guò)程對(duì)應(yīng)新經(jīng)濟(jì)地理學(xué)中的“累積因果循環(huán)”，核心區(qū)域的規(guī)模優(yōu)勢(shì)會(huì)在人口和資本流入中不斷強(qiáng)化。該現(xiàn)象已在多個(gè)國(guó)家出現(xiàn)：東京圈在全國(guó)人口收縮階段維持凈流入，2025年凈流入12.35萬(wàn)人[18]，“外圍失血、中心虹吸”；韓國(guó)首都圈人口占全國(guó)比重超過(guò)50%[19]；法國(guó)巴黎功能區(qū)人口占全國(guó)比重接近20%[20]。

這也是“稀缺的更加稀缺”的第一層含義。人口減少后，邊緣地區(qū)的資產(chǎn)可能變得更便宜、更富余；但能夠持續(xù)獲得優(yōu)質(zhì)教育、醫(yī)療、交通、物流等服務(wù)的區(qū)域，資產(chǎn)反而會(huì)更稀缺。市場(chǎng)定價(jià)的是資產(chǎn)背后的人口密度、財(cái)政能力和長(zhǎng)期可達(dá)性。正如日本東京房地產(chǎn)價(jià)格較全國(guó)平均水平持續(xù)上升，2024年?yáng)|京房?jī)r(jià)指數(shù)較2012年底上漲39.1%，同期日本所有城市土地價(jià)格下滑2.1%；美國(guó)“銹帶”地區(qū)，房地產(chǎn)市場(chǎng)較全國(guó)整體水平也持續(xù)低迷。

? 資產(chǎn)屬性看，人口減少也會(huì)從可維護(hù)性上改變存量資產(chǎn)的定價(jià)邏輯。過(guò)去十多年，部分地方政府在擴(kuò)張周期中建設(shè)了大量景觀河道、亮化工程、公共設(shè)施等。這些項(xiàng)目建設(shè)時(shí)往往依靠土地財(cái)政、專項(xiàng)債或擴(kuò)張型財(cái)政支撐，建成后也需要持續(xù)維護(hù)。隨著人口增長(zhǎng)放緩，存量設(shè)施使用頻次下降、維護(hù)投入不足，可能加速老化，甚至從“城市資產(chǎn)”轉(zhuǎn)化為“維護(hù)負(fù)擔(dān)”。畢竟從系統(tǒng)論角度看，城市系統(tǒng)存在類似“熵增”的維護(hù)壓力：如果缺乏持續(xù)投入，基礎(chǔ)設(shè)施和服務(wù)網(wǎng)絡(luò)會(huì)逐漸走向低效和失序。這也是底特律后續(xù)公共服務(wù)修復(fù)并非自發(fā)，而是依靠政府集中再投資的重要原因。

這是“稀缺的更加稀缺”的第二層含義。隨著時(shí)間推移，很多存量資產(chǎn)雖仍然存在，但維護(hù)能力、服務(wù)質(zhì)量和使用體驗(yàn)下降，可能逐漸從“有效資產(chǎn)”變成“低效資產(chǎn)”。所謂“邊緣”不只是地理上的“邊遠(yuǎn)”，也包括資產(chǎn)屬性上的邊緣。即使在同一座城市，維護(hù)趨弱、形態(tài)老化、脫離高質(zhì)量服務(wù)網(wǎng)絡(luò)的存量資產(chǎn)，也會(huì)被市場(chǎng)重新定價(jià)。老舊住宅與新一代住宅間價(jià)格差距擴(kuò)大，反映的正是資產(chǎn)定價(jià)已經(jīng)從單純看區(qū)位和供給稀缺，轉(zhuǎn)向更加看重長(zhǎng)期使用價(jià)值。

圖表：人口密度下降或推升社會(huì)服務(wù)單位成本

資料來(lái)源：Wind，中金公司研究部

圖表：東京圈在全國(guó)人口收縮維持凈流入

資料來(lái)源：Wind，中金公司研究部

圖表：韓國(guó)首都圈人口占全國(guó)比重超過(guò)50%

注：數(shù)據(jù)截至2024年12月31日
資料來(lái)源：韓國(guó)國(guó)家統(tǒng)計(jì)局，中金公司研究部

圖表：東京房?jī)r(jià)較全國(guó)水平持續(xù)上升

資料來(lái)源：Wind，中金公司研究部

第二章 供和需的“錯(cuò)配”：AI能在多大程度上解決供給問(wèn)題？

2.1 人口變局下的需求錯(cuò)配：整體需求減少但結(jié)構(gòu)需求增加

人口收縮和老齡化背景下，經(jīng)濟(jì)面臨的首要約束是總需求增長(zhǎng)放緩。這一點(diǎn)在中國(guó)尤為重要，不少行業(yè)面臨的問(wèn)題不是供給不足，而是供給較強(qiáng)、但價(jià)格承壓。2025年中國(guó)規(guī)模以上工業(yè)產(chǎn)能利用率為74.4%[21]，PPI卻下降2.6%，居民消費(fèi)價(jià)格與上年持平[22]，說(shuō)明部分工業(yè)部門已經(jīng)處于供給較為充裕、價(jià)格競(jìng)爭(zhēng)加劇的狀態(tài)。

更關(guān)鍵的是，人口結(jié)構(gòu)變化正在重塑需求結(jié)構(gòu)。根據(jù)生命周期消費(fèi)理論，人口年齡結(jié)構(gòu)變化會(huì)改變一國(guó)的消費(fèi)、儲(chǔ)蓄、公共財(cái)政和代際資源配置。年輕人口減少，會(huì)削弱新增住房、汽車、家電和部分大眾耐用品的需求彈性；老齡化加快，則會(huì)推升醫(yī)療、護(hù)理、養(yǎng)老、康復(fù)、陪伴、社區(qū)照護(hù)等需求。前者更多對(duì)應(yīng)標(biāo)準(zhǔn)化商品和耐用品，后者更多對(duì)應(yīng)非標(biāo)準(zhǔn)化、強(qiáng)人類服務(wù)屬性、強(qiáng)本地交付屬性的服務(wù)。

日本的經(jīng)驗(yàn)正表明了這點(diǎn)，八十年代末日本人口周期拐點(diǎn)顯現(xiàn)，經(jīng)濟(jì)增速放緩，對(duì)消費(fèi)業(yè)態(tài)的映射表現(xiàn)為：1）家庭小型化、少子化、女性勞動(dòng)參與率提升，推動(dòng)便攜式餐飲等消費(fèi)業(yè)態(tài)發(fā)展；2）人口老齡化促使大健康產(chǎn)業(yè)擴(kuò)張；3）“口紅效應(yīng)”也促使游戲美妝、微醺酒飲、潮玩娛樂等悅己消費(fèi)、個(gè)性消費(fèi)和性價(jià)比消費(fèi)獲得增長(zhǎng)空間。

中國(guó)當(dāng)前也在人口和經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型下經(jīng)歷消費(fèi)新趨勢(shì)，包括：1）銀發(fā)與照護(hù)消費(fèi)，比如養(yǎng)老機(jī)構(gòu)、居家護(hù)理、康復(fù)醫(yī)療和養(yǎng)老金融等；2）消費(fèi)降級(jí)與消費(fèi)下沉，包括折扣零售和高性價(jià)比國(guó)貨；3）情緒與悅己消費(fèi)，包括潮玩娛樂賽道、美妝醫(yī)美賽道等；4）體驗(yàn)與文旅消費(fèi)等。這一判斷也與4月中央政治局會(huì)議的政策取向一致。會(huì)議明確要求“擴(kuò)大優(yōu)質(zhì)商品和服務(wù)供給，推動(dòng)消費(fèi)升級(jí)，深入實(shí)施服務(wù)業(yè)擴(kuò)能提質(zhì)行動(dòng)”[23]。

因此，中短期總需求不足與結(jié)構(gòu)性供給短缺并存是當(dāng)前的主要瓶頸。一方面，部分工業(yè)品和標(biāo)準(zhǔn)化消費(fèi)品供給充裕、價(jià)格承壓；另一方面，銀發(fā)消費(fèi)、體驗(yàn)消費(fèi)、悅己消費(fèi)等服務(wù)的需求上升，卻受制于人力、財(cái)政、專業(yè)能力和本地服務(wù)網(wǎng)絡(luò)。

圖表：中國(guó)居民當(dāng)前的支出中，教育依然排在最前列，其實(shí)是保險(xiǎn)和健康，醫(yī)療、旅游等

資料來(lái)源：麥肯錫《新常態(tài)下的中國(guó)消費(fèi)》2025年4月，中金公司研究部

圖表：日本消費(fèi)社會(huì)的五個(gè)時(shí)代及消費(fèi)特征

資料來(lái)源：三浦展（2025）《第五消費(fèi)時(shí)代》，中金公司研究部

2.2 AI時(shí)代的供給錯(cuò)配：AI能提供的與AI無(wú)法替代的

關(guān)于AI的一個(gè)常見觀點(diǎn)是，AI可以顯著提高生產(chǎn)效率，從而解決人口收縮、增長(zhǎng)放緩等大部分問(wèn)題。這一看法背后的直覺不難理解：如果“機(jī)器”不僅能執(zhí)行體力勞動(dòng)，還能完成認(rèn)知?jiǎng)趧?dòng)、輔助決策，甚至不斷自我迭代，那么供給能力似乎就可以持續(xù)擴(kuò)張，原有很多稀缺約束也會(huì)被逐步打破。

社會(huì)中圍繞“AGI”“奇點(diǎn)”的討論，本質(zhì)都建立在這一邏輯之上。馬斯克在2025年達(dá)沃斯論壇上曾公開表示：通用人工智能（AGI）將于2026年實(shí)現(xiàn)，到2030年，AI的總智能將超越全人類[24]。人類正經(jīng)歷“超音速海嘯”般的“技術(shù)奇點(diǎn)”時(shí)刻，社會(huì)將邁向“普遍高收入”的豐盛時(shí)代。這種敘事很有吸引力，AI被想象成一種近似通用的降本工具，“技術(shù)終將解決一切約束”。

但是，這一判斷可能存在的問(wèn)題在于，它把AI對(duì)經(jīng)濟(jì)和社會(huì)系統(tǒng)的作用理解得過(guò)于平均化了，但技術(shù)進(jìn)步從來(lái)不會(huì)均勻作用于所有部門、所有任務(wù)、所有需求。Acemoglu和Restrepo關(guān)于自動(dòng)化與新任務(wù)的研究正強(qiáng)調(diào)了這一點(diǎn)[25]（Acemoglu & Restrepo, 2019）。AI確實(shí)會(huì)帶來(lái)深刻改變，但它改變的只是一部分供給，而不是全部供給；它顯著降低的是一部分成本，而不是所有成本；能提升的是一部分效率，而不是必然轉(zhuǎn)化為足夠多的新需求。因此，理解AI影響的關(guān)鍵，在于把AI從“抽象”的萬(wàn)能工具中“具象”出來(lái)，放進(jìn)人口收縮背景下的供需關(guān)系，判斷它到底能解決什么、不能解決什么。

AI確實(shí)能提高效率，具身智能也可能會(huì)把這種效率提升從數(shù)字世界進(jìn)一步延伸到物理世界，但效率提升并不等于需求自動(dòng)擴(kuò)張。AI和機(jī)器人可以降低成本，也可能催生新的產(chǎn)品形態(tài)、商業(yè)模式和工種，但中短期卻無(wú)法直接創(chuàng)造人口、改善居民收入和消費(fèi)意愿。成本下降能否轉(zhuǎn)化為新增需求，仍取決于需求彈性、收入分配和消費(fèi)傾向。Bessen關(guān)于AI與就業(yè)的研究強(qiáng)調(diào)，技術(shù)進(jìn)步對(duì)產(chǎn)出和就業(yè)的影響取決于需求條件：如果需求足夠有彈性，效率提升可能帶來(lái)產(chǎn)出擴(kuò)張；如果需求趨于飽和，效率提升未必會(huì)帶來(lái)足夠新增需求（Bessen, 2018）[26]。

在總需求偏弱的環(huán)境下，AI和機(jī)器人帶來(lái)的效率提升，可能更多表現(xiàn)為價(jià)格競(jìng)爭(zhēng)、利潤(rùn)再分配和行業(yè)出清，而不是自動(dòng)帶來(lái)經(jīng)濟(jì)總量擴(kuò)張。以制造業(yè)為例，如果某類產(chǎn)品本身已經(jīng)供給充裕、需求彈性有限，進(jìn)一步自動(dòng)化和降本并不必然帶來(lái)銷量大幅增長(zhǎng)，反而可能加劇價(jià)格下行壓力。換言之，AI和機(jī)器人可以改善生產(chǎn)函數(shù)，但不能單獨(dú)解決需求函數(shù)。

? 一方面，AI最明確且最有把握的作用，是降低標(biāo)準(zhǔn)化勞動(dòng)的成本。文本生成、知識(shí)檢索、代碼輔助、流程管理、甚至內(nèi)容生產(chǎn)，都屬于容易被模型壓縮邊際成本的任務(wù)。機(jī)器人則會(huì)推動(dòng)線下場(chǎng)景的自動(dòng)化，例如倉(cāng)儲(chǔ)分揀、工業(yè)質(zhì)檢、標(biāo)準(zhǔn)化裝配、物流配送、自動(dòng)駕駛等。因此，AI與機(jī)器人相結(jié)合，較容易改善的是標(biāo)準(zhǔn)化商品和流程化服務(wù)，使這些供給更便宜、更充裕。

? 另一方面，AI和機(jī)器人難以將所有服務(wù)自動(dòng)化，也并非改善全部供給的萬(wàn)能工具。越是結(jié)構(gòu)化、可預(yù)測(cè)的場(chǎng)景，AI和機(jī)器人的替代越容易；越是開放復(fù)雜、非標(biāo)準(zhǔn)化、需要責(zé)任承擔(dān)和人際互動(dòng)的場(chǎng)景，替代難度就越高。醫(yī)療、護(hù)理、養(yǎng)老、教育、社區(qū)服務(wù)等領(lǐng)域，不僅包括信息處理或機(jī)械動(dòng)作，還需要持續(xù)互動(dòng)、復(fù)雜判斷、信任關(guān)系和責(zé)任承擔(dān)。AI和機(jī)器人可以作為輔助，卻很難在短期內(nèi)等價(jià)替代問(wèn)診、照護(hù)、教學(xué)管理和長(zhǎng)期陪伴。

這就導(dǎo)致一個(gè)深層次的結(jié)構(gòu)性矛盾：AI可以替代標(biāo)準(zhǔn)化商品和標(biāo)準(zhǔn)化服務(wù)，但人口變化真正推高需求的，卻是非標(biāo)準(zhǔn)化、強(qiáng)人類服務(wù)屬性的部門，更何況AI和機(jī)器人并不能自動(dòng)提供足夠多的新需求，也不能自動(dòng)把需求導(dǎo)向它最擅長(zhǎng)供給的方向。所以技術(shù)進(jìn)步可以提升潛在供給，卻無(wú)法單獨(dú)解決需求不足與需求錯(cuò)配。

圖表：供給端上，AI最明確且最有把握的作用，是降低標(biāo)準(zhǔn)化勞動(dòng)的成本

資料來(lái)源：Anthropic[27]，中金公司研究部

2.3 商品與服務(wù)價(jià)格的分化：鮑莫爾的成本病

AI革命在宏觀層面，或?qū)е隆吧唐吠s”和“服務(wù)相對(duì)通脹”并存。商品和標(biāo)準(zhǔn)化服務(wù)的邊際成本被AI壓低，這些部門的供給更充裕、競(jìng)爭(zhēng)更激烈，價(jià)格因此承壓；與之相對(duì)，醫(yī)療、護(hù)理、養(yǎng)老和高端線下服務(wù)等部門，既受到人口結(jié)構(gòu)變化帶來(lái)的需求支撐，又難以通過(guò)AI實(shí)現(xiàn)同等幅度的降本增效，相對(duì)價(jià)格更容易保持高位，甚至繼續(xù)上升。這就導(dǎo)致，技術(shù)進(jìn)步越快，整體價(jià)格的結(jié)構(gòu)分化就越明顯。

不過(guò)值得注意的是，如果標(biāo)準(zhǔn)化商品和服務(wù)中的部分勞動(dòng)被AI和機(jī)器人替代，那原本從事這些工作的勞動(dòng)者，可能會(huì)轉(zhuǎn)向更難自動(dòng)化的服務(wù)行業(yè)。表面上，這會(huì)增加服務(wù)供給，對(duì)部分低門檻的服務(wù)價(jià)格形成壓制，然而這種“勞動(dòng)力再配置”并不意味著整體的服務(wù)通脹會(huì)消失：被技術(shù)擠出的勞動(dòng)者可以流入服務(wù)業(yè)，但也難以趕快進(jìn)入醫(yī)療、護(hù)理、養(yǎng)老、教育、高端線下消費(fèi)等高資質(zhì)和高信任門檻領(lǐng)域。因此，服務(wù)價(jià)格內(nèi)部會(huì)再分層：低技能、標(biāo)準(zhǔn)化程度較高的服務(wù)價(jià)格趨于平穩(wěn)甚至承壓，而照護(hù)型、專業(yè)型、稀缺型服務(wù)價(jià)格繼續(xù)上漲。

因此，AI沒有消除鮑莫爾成本病，而是在一定程度上使其強(qiáng)化。鮑莫爾1967年的分析指出，當(dāng)不同部門生產(chǎn)率提升速度不一致、而工資又存在跨部門聯(lián)動(dòng)時(shí)，生產(chǎn)率提升較慢的部門，其單位成本和相對(duì)價(jià)格會(huì)持續(xù)上升[28]。ECB對(duì)服務(wù)業(yè)價(jià)格的分析也延續(xù)了這一邏輯：當(dāng)制造業(yè)和可貿(mào)易品部門更容易提效，而接觸密集型服務(wù)難以同步提效時(shí)，服務(wù)價(jià)格相對(duì)于商品價(jià)格就會(huì)趨于上升[29]。美國(guó)數(shù)據(jù)可以作為現(xiàn)實(shí)參照。美國(guó)醫(yī)療支出占GDP比重已超過(guò)18%[30]，過(guò)去30年中，美國(guó)醫(yī)療、教育和住房服務(wù)價(jià)格上漲速度明顯快于商品價(jià)格[31]。

綜上所述，人口與AI放在同一框架下，需求和供給兩方面的錯(cuò)配會(huì)導(dǎo)致資產(chǎn)定價(jià)邏輯自然會(huì)發(fā)生變化。人口收縮削弱規(guī)模效應(yīng)和密度效應(yīng)，推動(dòng)社會(huì)服務(wù)從“普遍覆蓋”轉(zhuǎn)向“擇優(yōu)維持”，從而強(qiáng)化空間再集中和資產(chǎn)分化；AI擴(kuò)散壓低標(biāo)準(zhǔn)化任務(wù)的邊際成本，推動(dòng)商品和可復(fù)制服務(wù)進(jìn)一步豐富，同時(shí)提高人類服務(wù)和物理資源的相對(duì)稀缺性。一個(gè)壓縮的是系統(tǒng)“分母”，一個(gè)壓縮的是復(fù)制“成本”，結(jié)果都不是均衡化，而是再分層：商品生產(chǎn)的高度自動(dòng)化，標(biāo)準(zhǔn)化商品和標(biāo)準(zhǔn)化服務(wù)更豐富，而優(yōu)質(zhì)人類服務(wù)、穩(wěn)定的社會(huì)服務(wù)網(wǎng)絡(luò)與高質(zhì)量的系統(tǒng)維護(hù)能力反而成為真正的稀缺資源。

圖表：美國(guó)醫(yī)療護(hù)理等價(jià)格持續(xù)跑贏整體

資料來(lái)源：Wind，中金公司研究部

圖表：日本醫(yī)療服務(wù)價(jià)格依然跑贏整體

資料來(lái)源：Wind，中金公司研究部

第三章 從要素退化為成本：勞動(dòng)力價(jià)值的被擠出？

3.1分配權(quán)的大?。簩?duì)生產(chǎn)函數(shù)的貢獻(xiàn)多寡

兩百多年前，當(dāng)蒸汽機(jī)與織布機(jī)奏響第一次科技革命的旋律，彼時(shí)的農(nóng)民或許很難想象，生產(chǎn)力得以空前解放的同時(shí)，社會(huì)秩序也會(huì)被深刻重塑。普通人掌握新型生產(chǎn)資料（蒸汽機(jī)和工廠）的難度加大和勞動(dòng)力在生產(chǎn)中議價(jià)能力的下降。當(dāng)下，當(dāng)人工智能帶來(lái)生產(chǎn)力的又一次飛躍，但勞動(dòng)力的議價(jià)能力可能進(jìn)一步被擠壓，是否會(huì)導(dǎo)致分配的分化？

研究分配問(wèn)題，通常從包含各種要素的生產(chǎn)函數(shù)著手。最常見的生產(chǎn)函數(shù)形式是柯布-道格拉斯生產(chǎn)函數(shù)（Cobb-Douglas），它既可以對(duì)數(shù)線性化，又能刻畫邊際產(chǎn)出遞減、規(guī)模報(bào)酬等經(jīng)濟(jì)直覺，在數(shù)學(xué)的簡(jiǎn)潔性和經(jīng)濟(jì)現(xiàn)實(shí)的擬合之間取得了較好的平衡。更重要的是，在完全競(jìng)爭(zhēng)市場(chǎng)的假設(shè)下，α恰好等于資本收入的份額，而1?α等于勞動(dòng)收入的份額。這使得該函數(shù)能直接用于解釋各種要素的分配問(wèn)題。

伴隨著生產(chǎn)率大幅提升，技術(shù)進(jìn)步對(duì)勞動(dòng)和資本的分配產(chǎn)生深遠(yuǎn)影響。這種影響并非一成不變，而是取決于技術(shù)的偏向性，可分為三種類型：1）當(dāng)技術(shù)進(jìn)步是“希克斯中性（Hicks Neutrality）”時(shí)，資本和勞動(dòng)生產(chǎn)效率，生產(chǎn)者沒有動(dòng)機(jī)去改變生產(chǎn)要素的組合比例，資本和勞動(dòng)的分配比例不變；2）如果是資本偏向型，即索洛中性（Solow Neutrality），則資本邊際產(chǎn)出增長(zhǎng)更快，生產(chǎn)者提高資本投入，直到資本與勞動(dòng)的邊際產(chǎn)出相等，資本份額相應(yīng)提升；3）反之則是勞動(dòng)偏向型，即哈羅德中性（Harrod Neutrality），相應(yīng)的，勞動(dòng)份額會(huì)有所提升。

3.2 分配權(quán)的變遷：從蒸汽機(jī)到電氣革命，再到信息技術(shù)革命

嚴(yán)謹(jǐn)起見，本節(jié)建立一個(gè)系統(tǒng)的分析框架：技術(shù)進(jìn)步對(duì)勞動(dòng)份額的凈效應(yīng)，取決于“任務(wù)自動(dòng)化”與“新任務(wù)創(chuàng)造”兩股力量的競(jìng)賽，而這一競(jìng)賽的結(jié)果，受到一國(guó)特定的要素替代彈性、教育體系兼容性及制度環(huán)境的深刻調(diào)節(jié)。由于該機(jī)制在不同經(jīng)濟(jì)體中的表現(xiàn)存在系統(tǒng)性差異，本節(jié)以美國(guó)為歷史參照，同時(shí)在信息技術(shù)革命等關(guān)鍵節(jié)點(diǎn)展開跨國(guó)比較，避免將單國(guó)經(jīng)驗(yàn)簡(jiǎn)單泛化。

圖表：歷次技術(shù)革命本質(zhì)驅(qū)動(dòng)力以及勞動(dòng)分配權(quán)變化

資料來(lái)源：中金公司研究部

一、蒸汽機(jī)革命時(shí)代，機(jī)器替代肌肉，制度對(duì)沖缺位，勞動(dòng)份額顯著下降。

18世紀(jì)下半葉至19世紀(jì)中葉，隨著蒸汽機(jī)的發(fā)明與廣泛應(yīng)用，第一次工業(yè)革命實(shí)現(xiàn)了從生物能向機(jī)械能的根本性轉(zhuǎn)變。蒸汽機(jī)的出現(xiàn)突破了人體肌肉力量的自然極限，將人從繁重的體力勞動(dòng)中解放出來(lái)。這一時(shí)期，機(jī)器生產(chǎn)逐步取代手工勞動(dòng)，工廠制度取代傳統(tǒng)手工作坊，生產(chǎn)方式由此進(jìn)入機(jī)械化和規(guī)?；l(fā)展的新階段，資本的生產(chǎn)效率顯著提升。

另一方面，由于新任務(wù)創(chuàng)造效應(yīng)尚處萌芽，且公共教育與勞動(dòng)保護(hù)制度未建立，勞動(dòng)的“被替代效應(yīng)”缺乏對(duì)沖。制度與人力資本的調(diào)節(jié)空間極其有限，技術(shù)進(jìn)步的資本偏向性完全顯化。以美國(guó)為例，資本收入份額較世紀(jì)初提升約10個(gè)百分點(diǎn)，勞動(dòng)份額顯著下降。

二、電氣革命時(shí)代，更靈活通用的動(dòng)力技術(shù)創(chuàng)造大量新任務(wù)，疊加制度保障，勞動(dòng)份額有所回升。

19世紀(jì)末，誕生了以電力和內(nèi)燃機(jī)為標(biāo)志的第二次技術(shù)革命。但這一階段，勞動(dòng)收入份額反而在上升，二十世紀(jì)30年代相比十九世紀(jì)中期提升約9ppt。電氣革命之所以是勞動(dòng)偏向型，核心原因在于電力、內(nèi)燃機(jī)相比蒸汽機(jī)驅(qū)動(dòng)更靈活、更具通用性，替代部分舊任務(wù)的同時(shí)，創(chuàng)造了大量新的、勞動(dòng)密集型的工作崗位[32]。電氣革命從無(wú)到有創(chuàng)造了汽車、家電、通信等產(chǎn)業(yè)，并且通過(guò)提供模塊化、可靈活布局的動(dòng)力單元，促進(jìn)了標(biāo)準(zhǔn)化流水線作業(yè)發(fā)展，由此又帶來(lái)了大量的生產(chǎn)調(diào)度、質(zhì)量控制、流程管理等崗位。人作為機(jī)器的“操作者、決策者”參與分配。

統(tǒng)計(jì)顯示，相比1850年，1900年美國(guó)男性勞動(dòng)力職業(yè)結(jié)構(gòu)中農(nóng)民占比大幅下降，而白領(lǐng)、藍(lán)領(lǐng)工作占比均有提升。但勞動(dòng)份額在美國(guó)回升約9個(gè)百分點(diǎn)的結(jié)果，并不只是技術(shù)自動(dòng)實(shí)現(xiàn)的。公共教育提升了新任務(wù)的技能匹配度，為這些新工作培養(yǎng)了合格勞動(dòng)力；此外工會(huì)壯大保障了議價(jià)權(quán)，集體談判進(jìn)一步增加了勞動(dòng)力的收入份額。

三、信息技術(shù)革命時(shí)代，信息處理、成本大幅降低，但技術(shù)的替代性因國(guó)家而異，疊加全球化分工等因素，以美國(guó)為代表的發(fā)達(dá)國(guó)家勞動(dòng)份額不斷下降。

20世紀(jì)后期，以計(jì)算機(jī)和互聯(lián)網(wǎng)為核心驅(qū)動(dòng)的第三次科技革命爆發(fā)。由于大幅度降低了信息處理、分發(fā)成本，計(jì)算機(jī)及數(shù)字化技術(shù)開始大規(guī)模介入并部分替代人類在信息收集、分析和傳遞等環(huán)節(jié)需要中等技能的勞動(dòng)。這種替代不僅體現(xiàn)在制造業(yè)等可貿(mào)易部門的自動(dòng)化控制上，更廣泛地滲透至許多不可貿(mào)易部門，如金融、法律等服務(wù)業(yè)。另一方面，計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的普及延伸了人的耳目，壓縮了時(shí)空距離，顯著提升了人與人、人與信息的連接效率，為全球范圍內(nèi)的協(xié)同與分工創(chuàng)造可能。據(jù)IMF測(cè)算[33]，1993年~2024年，發(fā)達(dá)經(jīng)濟(jì)體勞動(dòng)力份額的下降中，約一半來(lái)自信息技術(shù)進(jìn)步，全球化分工等因素則貢獻(xiàn)了剩余50%的降幅。不過(guò)，與美國(guó)不同，信息技術(shù)對(duì)中國(guó)的勞動(dòng)力市場(chǎng)相對(duì)友好，其微觀根源可能在于兩國(guó)的要素替代彈性系數(shù)以及產(chǎn)業(yè)結(jié)構(gòu)存在系統(tǒng)性差異。

圖表：技術(shù)革命勞動(dòng)與資本分配權(quán)演變和猜想

資料來(lái)源：劍橋美國(guó)經(jīng)濟(jì)史（斯坦利·L.恩格爾曼等，2021），Haver，中金公司研究部

圖表：1800年以來(lái)年美國(guó)勞動(dòng)報(bào)酬份額

資料來(lái)源：劍橋美國(guó)經(jīng)濟(jì)史，Haver，中金公司研究部

3.3 勞動(dòng)從生產(chǎn)要素退化為成本：AI時(shí)代的不同？

AI革命的核心是算法和大模型，本質(zhì)是算法決策代替人類邏輯，人類的認(rèn)知功能第一次被技術(shù)外化。隨著算力算法的發(fā)展，AI可自行完成“感知-判斷-決策-執(zhí)行”的全鏈條環(huán)節(jié)，人類將不再是生產(chǎn)的主體單位。資本不再需要?jiǎng)趧?dòng)作為“中介”就能實(shí)現(xiàn)自我復(fù)制和自我改進(jìn)，資本與勞動(dòng)的關(guān)系發(fā)生了根本性改變，分配權(quán)從“人的貢獻(xiàn)”徹底轉(zhuǎn)向“資本獨(dú)占”，分配權(quán)的關(guān)系也將出現(xiàn)根本性變化。

AI相比歷次科技革命對(duì)勞動(dòng)份額的影響更大，很大程度上是因?yàn)閯趧?dòng)不再是生產(chǎn)的必要投入，從要素逐漸退化為成本，不再是增長(zhǎng)的約束，也不再是分配的依據(jù)，這就使勞動(dòng)力逐漸失去了參與分配的合理性：

? 人的生產(chǎn)主體性被逐漸擠出。前兩次工業(yè)革命中人類作為機(jī)器的看管者和維護(hù)者參與生產(chǎn)分配，第三次工業(yè)革命中人類作為信息處理者和信息節(jié)點(diǎn)參與生產(chǎn)分配，人在生產(chǎn)決策中處于中樞角色，但是AI革命背景下人類的認(rèn)知功能被外化，判斷決策功能被替代，正在成為生產(chǎn)環(huán)節(jié)的邊緣角色。

? 資本從被增強(qiáng)到自我增強(qiáng)。前三次工業(yè)革命中技術(shù)進(jìn)步提高了資本效率，但是資本仍然依賴人的維護(hù)。而AI革命的核心機(jī)制是自我復(fù)制和自我改進(jìn)，資本不僅能夠自我復(fù)制，還能自我迭代，不斷提升自身質(zhì)量與效率，真正實(shí)現(xiàn)了資本的自主生命。

那么，勞動(dòng)的份額將如何變化？我們接下來(lái)參考Restrepo（2025）[34]的研究，進(jìn)一步區(qū)分強(qiáng)假設(shè)和弱假設(shè)，對(duì)勞動(dòng)份額的變化進(jìn)行推演。

#1 悲觀情形（強(qiáng)假設(shè)）：算力無(wú)限增長(zhǎng)，勞動(dòng)貢獻(xiàn)趨近于零

假設(shè)存在一個(gè)“AGI時(shí)代”：1）任何工作均可由有限算力獨(dú)立完成，且隨著技術(shù)進(jìn)步，完成每項(xiàng)工作所需的算力成本將逐步下降并收斂至某個(gè)常數(shù)；2）算力、能源等要素雖在任意時(shí)刻有限，但隨時(shí)間推移可不斷增長(zhǎng)，算力邊際成本不變甚至遞減。

在這個(gè)社會(huì)中，工作將分為兩大類任務(wù)：標(biāo)準(zhǔn)化和非標(biāo)準(zhǔn)化任務(wù)。按照上文定義，1）標(biāo)準(zhǔn)化任務(wù)具有重復(fù)度高、復(fù)制性強(qiáng)、可程序化等特征，大部分制造業(yè)、編程、甚至結(jié)構(gòu)化寫作都屬于這一類。算力相比人類完成這類任務(wù)更有性價(jià)比。2）非標(biāo)準(zhǔn)化的任務(wù)通常需要發(fā)揮人類情感、創(chuàng)意的價(jià)值，較難程序化，例如陪護(hù)、藝術(shù)和創(chuàng)造發(fā)明等。算力也可完成相關(guān)任務(wù)，但單位產(chǎn)出相比人類沒有優(yōu)勢(shì)。

在追求產(chǎn)出最大化與競(jìng)爭(zhēng)均衡的環(huán)境中，隨著時(shí)間推移到無(wú)窮期，可得到如下推論：

? 所有標(biāo)準(zhǔn)化任務(wù)最終被算力自動(dòng)化。算力持續(xù)增長(zhǎng)且具備替代標(biāo)準(zhǔn)化任務(wù)的能力，而人類勞動(dòng)產(chǎn)出相對(duì)固定，那么增量的標(biāo)準(zhǔn)化工作將被算力完全替代。并且，在摩爾定律與規(guī)模經(jīng)濟(jì)的作用下，算力邊際成本不變甚至遞減，其相對(duì)于人類勞動(dòng)的經(jīng)濟(jì)性優(yōu)勢(shì)持續(xù)擴(kuò)大。因此，存量標(biāo)準(zhǔn)化任務(wù)也將被逐步滲透與替代。

? 標(biāo)準(zhǔn)化任務(wù)的工資收斂到算力替代成本。人工智能時(shí)代，算力與勞動(dòng)完全替代。在市場(chǎng)競(jìng)爭(zhēng)機(jī)制下，當(dāng)工資低于算力替代成本時(shí)，雇主會(huì)爭(zhēng)相雇傭人類勞動(dòng)，抬高工資；如果高于算力替代成本，雇主則會(huì)用算力替代勞動(dòng)，從而壓低工資。最終，工資被牢牢錨定在算力替代成本附近。

? 非標(biāo)準(zhǔn)化任務(wù)因?yàn)樗懔μ娲唤?jīng)濟(jì)，仍保留人類勞動(dòng)。對(duì)于非標(biāo)準(zhǔn)化任務(wù)，算力替代成本仍高于人類勞動(dòng)產(chǎn)出，因此其替代勞動(dòng)在技術(shù)上可行但經(jīng)濟(jì)上不可行。這也就意味著，非標(biāo)準(zhǔn)化任務(wù)可能仍由人類勞動(dòng)主導(dǎo)。

? 生產(chǎn)函數(shù)無(wú)需勞動(dòng)力參與也可獨(dú)立運(yùn)轉(zhuǎn)，勞動(dòng)貢獻(xiàn)趨近于0。AI時(shí)代，理論上所有任務(wù)都可以被算力自動(dòng)化，即使非標(biāo)準(zhǔn)化認(rèn)為經(jīng)濟(jì)上不可行但是技術(shù)上也可被算力替代。因此勞動(dòng)不再是必須的生產(chǎn)要素，生產(chǎn)函數(shù)無(wú)需勞動(dòng)力參與也可獨(dú)立運(yùn)轉(zhuǎn)。長(zhǎng)期而言，算力增長(zhǎng)無(wú)限而勞動(dòng)力供給相對(duì)有限，導(dǎo)致總產(chǎn)出中，算力產(chǎn)出占比趨近于1，而勞動(dòng)占比趨近于0，收入分配極度向算力的所有者集中。

圖表：悲觀情形下，算力和勞動(dòng)力市場(chǎng)出清，勞動(dòng)份額趨近于零

資料來(lái)源：中金公司研究部

#2 溫和情形（弱假設(shè)）：算力有限增長(zhǎng)，勞動(dòng)保留部分分配權(quán)

在溫和的弱假設(shè)下，如果存在除算力外的能源、材料等資源品限制，算法效率又無(wú)法持續(xù)提升時(shí)，算力持續(xù)增長(zhǎng)不再成立，部分結(jié)論也會(huì)發(fā)生變化。具體看：

? 工資水平提升，但仍無(wú)法高于算力替代成本。理論上，算力仍可以替代任意環(huán)節(jié)的任務(wù)，算力替代成本仍是工資的重要參考。不過(guò)，因?yàn)樗懔Φ纳a(chǎn)成本邊際遞增，算力替代成本也隨之上升，從而抬高了工資水平。但是，在完全競(jìng)爭(zhēng)市場(chǎng)中，工資仍無(wú)法高于算力替代成本。因?yàn)?，如果工資持續(xù)高于算力成本，資本會(huì)涌入算力生產(chǎn)，用算力替代勞動(dòng)，直至算力的邊際成本提升至與勞動(dòng)的邊際產(chǎn)出相等，即與工資持平。

? 勞動(dòng)收入份額不再趨近于零，算力和瓶頸資源共同參與資本分配。資源約束下，算力總量有限，可能無(wú)法完全替代所有標(biāo)準(zhǔn)化任務(wù)。特別是那些需要大量算力的任務(wù)，仍需人類勞動(dòng)完成。此外，需要更多算力且邊際產(chǎn)出較低的非標(biāo)準(zhǔn)化任務(wù)，算力替代的比例會(huì)更低。勞動(dòng)收入份額會(huì)明顯大于0。另一方面，資本份額，不再被算力獨(dú)占，存在瓶頸限制的資源也將參與收入分配。算力和瓶頸資源分配比例與兩者的產(chǎn)量以及邊際產(chǎn)出有關(guān)。

圖表：溫和情形下，算力和勞動(dòng)力市場(chǎng)出清后，勞動(dòng)保留一定份額

資料來(lái)源：中金公司研究部

#3 那算力能否趨近公用事業(yè)？整體很難，部分標(biāo)準(zhǔn)化環(huán)節(jié)可以

隨著硬件、算法和工程技術(shù)的持續(xù)迭代，算力邊際生產(chǎn)成本正在顯著下降。同等智能模型生成的詞元價(jià)格已從2022年60美元斷崖式下降至2026年初的0.06美元。加上算力在物理形態(tài)上具有“即產(chǎn)即用”、短期供應(yīng)存在剛性等特點(diǎn)，人們很容易將其與電力這類公用事業(yè)商品相類比。由此引申出一個(gè)核心命題：算力定價(jià)路徑將如何演繹？是悲觀情形下成本邊際不變，逐步淪為與電力類似的廉價(jià)公用事業(yè)品；還是溫和情形下成本邊際遞增，演化為差異化定價(jià)的關(guān)鍵要素資源？

算力和電力生產(chǎn)鏈條有相似也有不同。從流程上看，兩者的生產(chǎn)邏輯是類似的，都需要將原材料（能源、礦產(chǎn)等）通過(guò)各種生產(chǎn)設(shè)備進(jìn)行加工轉(zhuǎn)化，得到最終的產(chǎn)品；兩者的單位生產(chǎn)成本都在通過(guò)技術(shù)進(jìn)步不斷降低；更重要的是，它們都是通用目的技術(shù)，滲透到了各行各業(yè)。然而，算力鏈產(chǎn)出的詞元和電力鏈產(chǎn)出的電力存在本質(zhì)上的區(qū)別：

? 電力是同質(zhì)化商品。無(wú)論它來(lái)自煤電、核電還是風(fēng)電，終端用戶使用的都是同質(zhì)化的商品，單位電力產(chǎn)生的能量也完全相同。電力市場(chǎng)的競(jìng)爭(zhēng)焦點(diǎn)主要集中在價(jià)格和供應(yīng)穩(wěn)定性上。

? 詞元是差異化商品。不同模型生成的詞元，數(shù)量相同的情況下，“質(zhì)量”可能天差地別，這種品質(zhì)層面的差異直接決定了其經(jīng)濟(jì)價(jià)值。以開源模型和閉源模型的競(jìng)爭(zhēng)為例，開源模型主打性價(jià)比，同等測(cè)試得分下的詞元價(jià)格較閉源模型低20%；閉源模型側(cè)重更高的智能水平和輸出質(zhì)量。如果詞元是同質(zhì)化的，那么開源模型會(huì)迅速搶占閉源模型的市場(chǎng)份額。但現(xiàn)實(shí)卻是，閉源模型的市場(chǎng)份額依然領(lǐng)先。這說(shuō)明，不同模型輸出的詞元在準(zhǔn)確性、嚴(yán)謹(jǐn)性、匹配度等品質(zhì)上存在顯著差異和壁壘且用戶愿意為高質(zhì)量、高智能支付溢價(jià)。

綜上，算力定價(jià)更類似于溫和情形，實(shí)現(xiàn)一定程度的差異化定價(jià)。電力市場(chǎng)是價(jià)格驅(qū)動(dòng)的同質(zhì)化競(jìng)爭(zhēng)，而算力市場(chǎng)是技術(shù)、質(zhì)量與生態(tài)驅(qū)動(dòng)的差異化競(jìng)爭(zhēng)。即使未來(lái)算力極度充裕，詞元的“質(zhì)量分層”也不會(huì)消失。高端詞元將繼續(xù)因其稀缺的“智能質(zhì)量”而享有溢價(jià)，而低端標(biāo)準(zhǔn)化詞元?jiǎng)t可能陷入價(jià)格戰(zhàn)。這種分化意味著，算力不會(huì)演變?yōu)橐环N單一的、無(wú)差別的“電力”，而是實(shí)現(xiàn)一定程度的差異化定價(jià)。

不過(guò)，產(chǎn)業(yè)鏈上的某些環(huán)節(jié)確實(shí)可能向公用事業(yè)模式靠攏。例如，純粹的推理提供商或云平臺(tái)，它們提供的是相對(duì)標(biāo)準(zhǔn)化的“算力管道”服務(wù)——將詞元從模型傳輸?shù)接脩?。這一環(huán)節(jié)的競(jìng)爭(zhēng)焦點(diǎn)在于帶寬、穩(wěn)定性和成本，與電網(wǎng)或電信運(yùn)營(yíng)商高度相似，這類服務(wù)提供商未來(lái)的角色確實(shí)可能朝著電網(wǎng)等公用事業(yè)的方向演變。

圖表：算力生產(chǎn)與電力生產(chǎn)流程對(duì)比

資料來(lái)源：中金公司研究部

圖表：開源模型難以撼動(dòng)閉源模型的市場(chǎng)份額

資料來(lái)源：Artificial Analysis，中金公司研究部

第四章 如何應(yīng)對(duì)AI時(shí)代與人口變局？重新定義稀缺資產(chǎn)

通過(guò)上文的分析，可以發(fā)現(xiàn)，不論是人口變局還是AI變革，都有其兩面性，情形沒有直覺想象的那么簡(jiǎn)單或一邊倒，因此，充分發(fā)揮AI的積極作用，也妥善解決好可能帶來(lái)的新問(wèn)題，同時(shí)把握新時(shí)代的核心資產(chǎn)，才是理性之選。

4.1 利用AI的正面性：提升全要素生產(chǎn)率和自然利率

AI對(duì)增長(zhǎng)有多大作用，能否對(duì)沖人口減少與對(duì)就業(yè)的擠出？本章節(jié)中，我們綜合AI對(duì)勞動(dòng)力市場(chǎng)的沖擊，測(cè)算AI對(duì)經(jīng)濟(jì)增長(zhǎng)的影響。

Acemoglu & Restrepo（2018）[35]認(rèn)為，AI對(duì)宏觀經(jīng)濟(jì)的影響主要體現(xiàn)在兩方面：一是全要素生產(chǎn)率TFP的增長(zhǎng)，二是TFP增長(zhǎng)提升資本的邊際產(chǎn)出后帶來(lái)的資本存量的增加。我們估算顯示，中國(guó)和美國(guó)的AI產(chǎn)業(yè)發(fā)展通過(guò)對(duì)全要素生產(chǎn)力以及資本存量的拉動(dòng)，未來(lái)十年潛在增長(zhǎng)年均或可提升約0.65和1.09ppt；而勞動(dòng)力供給收縮以及AI對(duì)勞動(dòng)力的替代則可能拖累中美增長(zhǎng)分別約0.19和0.01ppt。綜合來(lái)看，發(fā)展AI可提升中國(guó)和美國(guó)潛在增長(zhǎng)年均凈增加0.46ppt和1.08ppt。

需要指出的是，本文測(cè)算沿用Acemoglu（2024）的技術(shù)供給框架，其基本邏輯是AI降本提效，提升全要素生產(chǎn)率，從而促進(jìn)資本深化增加投資，最終擴(kuò)大潛在產(chǎn)出。這一路徑暗含了“新古典增長(zhǎng)模型”中供給自動(dòng)創(chuàng)造需求的假設(shè)，即新增產(chǎn)出總能找到足夠的需求承接。然而，如前文所述（第二章），人口老齡化與收入分配失衡可能使總需求長(zhǎng)期偏弱，導(dǎo)致需求無(wú)法自動(dòng)跟上供給擴(kuò)張。這一情形下，AI拉動(dòng)的潛在增長(zhǎng)可能無(wú)法完全實(shí)現(xiàn)，實(shí)際增長(zhǎng)將取決于政策能否改善分配，有效刺激需求（如轉(zhuǎn)移支付、社會(huì)保障重構(gòu)、財(cái)政擴(kuò)張等）。因此，該測(cè)算應(yīng)理解為技術(shù)潛力上限，而非確定性預(yù)測(cè)；若需求側(cè)條件不能改善，AI對(duì)增長(zhǎng)的帶動(dòng)可能低于該估算。收入分配調(diào)節(jié)機(jī)制等需求側(cè)政策若能落地，將有助于彌合供需缺口，使實(shí)際增長(zhǎng)更接近供給潛力。

#1 AI對(duì)TFP的影響：年均提升中美0.51和0.30ppt

參考Acemoglu（2024）[36]的研究，如果完成某類任務(wù)的成本因?yàn)锳I而下降，意味著單位產(chǎn)出需要的投入更少，整個(gè)經(jīng)濟(jì)體的生產(chǎn)效率提升。因此，AI對(duì)全要素生產(chǎn)率TFP的提振可以表示為：

? 首先，美國(guó)和中國(guó)分別有26.6%和18.1%的工作AI自動(dòng)化潛力較高。AI大模型（LLM）強(qiáng)項(xiàng)在于處理信息、生成內(nèi)容和執(zhí)行基于規(guī)則的重復(fù)性認(rèn)知任務(wù)上，直接觸及知識(shí)型工作的核心環(huán)節(jié)。Gmyrek等人（2025）[37]認(rèn)為職業(yè)是一系列任務(wù)的組合，通過(guò)統(tǒng)計(jì)AI大模型擅長(zhǎng)任務(wù)在各類職業(yè)中的占比，定義各類職業(yè)的AI敞口。

該研究將不同職業(yè)對(duì)AI暴露敞口從低到高劃分為5個(gè)梯度，本文選擇后三檔梯度，即平均敞口在40%以上以及平均敞口+一個(gè)標(biāo)準(zhǔn)差[38]大于50%的職業(yè)作為存在較大AI自動(dòng)化潛力的工作。此口徑下，全球、北美和亞太地區(qū)AI自動(dòng)化潛力較高的工作比例分別為16.4%，21.0%和14.3%。由于數(shù)據(jù)可得性原因，本文以北美和亞太地區(qū)的數(shù)據(jù)分別指代美國(guó)和中國(guó)。

進(jìn)一步，測(cè)算各梯度的薪資水平。每個(gè)梯度包含若干職業(yè)，本文以梯度內(nèi)占比最大的職業(yè)的薪資水平代表該梯度的薪資。最后，將薪資水平與梯度占比的乘積除以全社會(huì)的平均薪資，得到中美兩國(guó)受AI顯著影響的職業(yè)在勞動(dòng)要素中的占比，分別為26.6%和18.1%。

? 其次，不同配置模式下，AI的經(jīng)濟(jì)可行性從23%~80%不等。參考Svanberg et al.（2024）[39]的研究，企業(yè)是否采用AI，取決于完成一項(xiàng)任務(wù)的“AI成本”是否低于“人工成本”。AI總成本包括部署AI系統(tǒng)完成任務(wù)的固定成本、訓(xùn)練成本和推理成本?；鶞?zhǔn)情形下，固定成本占比超過(guò)80%，推理成本占比不到1%。因此，盡管推理環(huán)節(jié)，AI成本不到人工的4%[40]，但是考慮固定成本、訓(xùn)練成本后，AI的部署存在最小可行規(guī)模。

Svanberg et al.（2024）測(cè)算顯示，在美國(guó)，以視覺任務(wù)為例：1）標(biāo)準(zhǔn)配置下（本地部署數(shù)據(jù)庫(kù)、算力和模型等），只有約23%的AI暴露任務(wù)在當(dāng)前技術(shù)成本下，部署AI比雇傭人工更便宜。2）簡(jiǎn)化配置下（部分功能利用公有云完成，數(shù)據(jù)和訓(xùn)練成本為0，固定成本大幅降低），部署AI的可行性占比提升到49%。3）云端配置（AI as a Service，企業(yè)不承擔(dān)任何固定成本、訓(xùn)練成本），部署AI的可行性占比提升至80%以上。

? 第三，美國(guó)和中國(guó)成本節(jié)約率分別為78.3%和69%。標(biāo)準(zhǔn)配置下，數(shù)據(jù)安全性、隱私性高，但是成本高昂；云端配置成本較低，但存在數(shù)據(jù)或者機(jī)密信息泄露風(fēng)險(xiǎn)。兩方面權(quán)衡后，我們以簡(jiǎn)化配置模式作為基準(zhǔn)，計(jì)算部署AI相對(duì)于人工勞動(dòng)的成本節(jié)約率。

研究顯示[41]，獨(dú)立完成指定任務(wù)AI的推理成本為$0.94~$2.39，平均$1.5，美國(guó)人工成本為$24.79。以美國(guó)私營(yíng)部門平均時(shí)薪32美元為基準(zhǔn)，有人工成本數(shù)據(jù)可倒算得到該任務(wù)耗時(shí)0.8小時(shí)。據(jù)此，一家20人規(guī)模企業(yè)（美國(guó)私人企業(yè)平均規(guī)模），5年可以完成258065份類似任務(wù)，任務(wù)費(fèi)用為640萬(wàn)美元。如果這些任務(wù)量交給AI獨(dú)立完成，結(jié)合該研究提供的AI任務(wù)成功率47.3%（vs. 人工84.6%），得到AI需完成461570份任務(wù)才能與人工任務(wù)量等效。再考慮簡(jiǎn)化配置的固定成本69.7萬(wàn)美元，得到AI成本約為139萬(wàn)美元，相當(dāng)于人工的21.7%，即成本節(jié)約率78.3%）。

因此總體看，美國(guó)未來(lái)十年AI會(huì)帶來(lái)年均0.51ppt的全要素生產(chǎn)率提升；中國(guó)因?yàn)槭蹵I顯著影響的職業(yè)占比以及成本節(jié)約率均低于美國(guó)，因此全要素生產(chǎn)率的提升略低，年均增速為0.3ppt。

圖表：AI暴露度等級(jí)劃分以及不同國(guó)家地區(qū)AI暴露結(jié)構(gòu)

資料來(lái)源：ILO, 中金公司研究部

#2 AI對(duì)資本存量的影響：拉動(dòng)中美1.0和0.6ppt

全要素生產(chǎn)率增長(zhǎng)提升了資本的邊際產(chǎn)出，如果資本的邊際產(chǎn)出大于邊際成本時(shí)，企業(yè)有強(qiáng)烈的動(dòng)機(jī)增加投資。隨著投資的持續(xù)增加，資本存量不斷提升，直到資本的邊際收益等于資本的成本，形成新的均衡。

參考Acemoglu（2024）[42]的研究，假設(shè)資本存量的增速與全要素生產(chǎn)率成比例，那么AI對(duì)美國(guó)資本存量增速的拉動(dòng)為，代入上文測(cè)算的美國(guó)TFP增速0.51%，以及美國(guó)資本份額51%，得到AI對(duì)美國(guó)資本存量的拉動(dòng)為1.00ppt。類似的，對(duì)中國(guó)資本存量的拉動(dòng)為0.58ppt。作為對(duì)照，美國(guó)20世紀(jì)90年代的互聯(lián)網(wǎng)浪潮期間，資本存量的平均增速在96~00年相比91~95年提升約1.18ppt，幅度與上文測(cè)算基本吻合。

#3 勞動(dòng)力收縮的影響：拉低中美0.4ppt和0.02ppt

在測(cè)算未來(lái)十年勞動(dòng)力供給的變化時(shí)，我們假設(shè)主導(dǎo)因素主要來(lái)自出生率或者勞動(dòng)人口減少的變化。AI革命引發(fā)的人類勞動(dòng)力被算力替代的影響主要體現(xiàn)在勞動(dòng)份額減少層面，這隱含了被替代的勞動(dòng)力可以尋找其他工作再就業(yè)，但是因?yàn)楣┬桕P(guān)系改變，工資水平明顯下滑。

根據(jù)聯(lián)合國(guó)測(cè)算，因?yàn)槌錾氏陆担忻纼蓢?guó)十年后15~64歲的勞動(dòng)人口占比相比2025年分別下降4.03ppt和0.21ppt。進(jìn)一步假設(shè)中美勞動(dòng)份額在此期間下降10ppt（參考第一次技術(shù)革命時(shí)勞動(dòng)份額下降幅度），測(cè)算其對(duì)資本和勞動(dòng)力要素的影響時(shí)，則采用期初和期末均值。綜合兩方面影響，得到勞動(dòng)力要素年均拉低中美兩國(guó)潛在增長(zhǎng)分別為0.01和0.19ppt。

綜合測(cè)算，中美AI產(chǎn)業(yè)發(fā)展通過(guò)對(duì)全要素生產(chǎn)力以及資本存量的拉動(dòng)，均能對(duì)沖勞動(dòng)力供給收縮的拖累。其中，美國(guó)GDP年均凈增加1.03ppt，中國(guó)GDP年均凈增加0.43ppt。

AI提升投資回報(bào)率和加速資本深化體現(xiàn)為驅(qū)動(dòng)自然利率上行。自然利率上行意味著資本潛在回報(bào)率提升，進(jìn)而激發(fā)新一輪高強(qiáng)度投資需求。AI時(shí)代投資并非源于傳統(tǒng)的終端消費(fèi)預(yù)期，而是源于TFP自我強(qiáng)化下的“算力創(chuàng)造供給”：投資高度集中于算力擴(kuò)張，如大模型研發(fā)、超大規(guī)模數(shù)據(jù)中心、能耗更低的AI芯片等。同時(shí)，AI領(lǐng)域先發(fā)優(yōu)勢(shì)和潛在的“贏家通吃”，進(jìn)一步激勵(lì)企業(yè)進(jìn)行高強(qiáng)度、甚至超前于明確市場(chǎng)需求的技術(shù)投資。這種強(qiáng)勁且集中的投資需求，構(gòu)成經(jīng)濟(jì)增長(zhǎng)的重要驅(qū)動(dòng)力。

參考?xì)v史經(jīng)驗(yàn)，當(dāng)技術(shù)進(jìn)步明顯偏向資本時(shí)——例如歷史上的蒸汽革命與信息技術(shù)革命——均伴隨著社會(huì)總投資占GDP比重的階段性躍升。AI作為新一輪的技術(shù)革命，可能正在重現(xiàn)類似的宏觀范式：即全要素生產(chǎn)率提升，驅(qū)動(dòng)自然利率上行，投資回報(bào)率提升，加速資本深化進(jìn)程。

圖表：AI對(duì)中美GDP的勞動(dòng)均可以有效對(duì)沖勞動(dòng)力減少的拖累

資料來(lái)源：中金公司研究部

值得注意的是，以上對(duì)AI經(jīng)濟(jì)影響的測(cè)算基于現(xiàn)有技術(shù)趨勢(shì)、成本假設(shè)及情景演繹，存在較大不確定性。實(shí)際效果可能受技術(shù)進(jìn)步速度、政策法規(guī)、社會(huì)接受度、能源約束及地緣政治等諸多因素影響，相關(guān)數(shù)據(jù)僅供參考。

4.2 解決可能的問(wèn)題：應(yīng)對(duì)潛在的分配分化

隨著算力和算法的發(fā)展，AI可以獨(dú)立完成越來(lái)越多工作任務(wù)，資本與勞動(dòng)的關(guān)系從互補(bǔ)走向替代，分配制度從“按勞分配”轉(zhuǎn)向“資本獨(dú)占”，勞動(dòng)的分配權(quán)有所調(diào)整，資本的收入份額相應(yīng)擴(kuò)大，勞動(dòng)的分配可能面臨被擠出。在此背景下，宏觀政策的重心可以從“做大蛋糕”向“分好蛋糕”延伸，如二次分配的稅基優(yōu)化和保障制度。

一方面，可以適當(dāng)調(diào)節(jié)間接稅（例如增值稅、消費(fèi)稅）與直接稅（如個(gè)人所得稅、企業(yè)所得稅、財(cái)產(chǎn)稅等）的比重，這一方向與近期政策討論中優(yōu)化稅制結(jié)構(gòu)、加強(qiáng)直接稅調(diào)節(jié)的趨勢(shì)一致[43]。對(duì)于將利潤(rùn)投入研發(fā)、綠色轉(zhuǎn)型以及促進(jìn)就業(yè)的企業(yè)，可通過(guò)稅基扣除（如加速折舊、投資稅收抵免）給予激勵(lì)。此外，可以探索適應(yīng)AI時(shí)代的新稅種，例如征收數(shù)據(jù)版權(quán)稅、機(jī)器人稅等。

另一方面，社會(huì)保障體系可有優(yōu)化空間。當(dāng)前的社會(huì)保障制度主要圍繞工作構(gòu)建，如退休金、失業(yè)救濟(jì)和醫(yī)療保險(xiǎn)等，但在AGI時(shí)代，大量勞動(dòng)可能被AI替代。Korinek指出，在一個(gè)勞動(dòng)力市場(chǎng)被顛覆的未來(lái)，可以考慮獨(dú)立于工作的新收入分配機(jī)制，如全民基本收入（無(wú)條件基本收入，UBI）制度，人們可以憑借公民身份直接分享產(chǎn)出收益。

4.3 如何尋找新時(shí)代的核心資產(chǎn)：稀缺、非標(biāo)準(zhǔn)化與瓶頸資產(chǎn)

人口的變局和AI時(shí)代也會(huì)深刻地改變優(yōu)質(zhì)和稀缺資產(chǎn)的邏輯。評(píng)估真正的優(yōu)質(zhì)和稀缺資產(chǎn)可以從四個(gè)問(wèn)題出發(fā)：

1) 問(wèn)題一：人口變局下，脫離大規(guī)模政府補(bǔ)貼后，該資產(chǎn)是否仍能獨(dú)立、可持續(xù)地運(yùn)行？人口變局下，物理空間與資產(chǎn)屬性的分化加大，人口和服務(wù)從邊緣向中心收縮。這意味著大量依靠公共財(cái)力維持運(yùn)轉(zhuǎn)的設(shè)施將面臨一個(gè)根本性挑戰(zhàn)：當(dāng)人口流失、稅基減少、政府補(bǔ)貼下降后，它們還能獨(dú)立運(yùn)營(yíng)嗎？

2) 問(wèn)題二：如果人口密度減少，單位維護(hù)成本是否會(huì)翻倍？即便通過(guò)了生存考驗(yàn)，資產(chǎn)受到的沖擊并未結(jié)束。物理系統(tǒng)的維護(hù)本質(zhì)上是人類投入能量對(duì)抗“熵增”，其成本是剛性的。當(dāng)人口密度減少、使用頻次降低后，單位維護(hù)成本是否會(huì)急劇上升，是否會(huì)跌入“規(guī)模不足”的成本陷阱？

3) 問(wèn)題三：AI快速演進(jìn)下，資產(chǎn)的核心產(chǎn)出效率和經(jīng)濟(jì)性是否有競(jìng)爭(zhēng)力？AI最明確的作用是降低標(biāo)準(zhǔn)化勞動(dòng)的成本。這意味著，如果一項(xiàng)資產(chǎn)的核心產(chǎn)出能夠被AI以更低的成本完成，它就會(huì)在效率競(jìng)爭(zhēng)中被替代，喪失經(jīng)濟(jì)價(jià)值。因此，在效率和經(jīng)濟(jì)性上相對(duì)AI能否有競(jìng)爭(zhēng)力，成為衡量資產(chǎn)價(jià)值的新維度。

4) 問(wèn)題四：分配權(quán)重構(gòu)下，能否成為AI運(yùn)行或機(jī)器人產(chǎn)業(yè)鏈條上的必需品？AI時(shí)代更深層的變化在于分配權(quán)的重構(gòu)。當(dāng)AI或機(jī)器人可以脫離勞動(dòng)力獨(dú)立完成生產(chǎn)過(guò)程，勞動(dòng)便從“要素”退化為“成本”，按勞分配的機(jī)制趨于瓦解，分配權(quán)將向AI或機(jī)器人產(chǎn)業(yè)鏈的資本集中。

綜合考慮，優(yōu)質(zhì)的核心資產(chǎn)可能有以下幾類：

? 第一類：在物理空間和資產(chǎn)屬性上的“稀缺資產(chǎn)”。老齡化社會(huì)，人口從邊緣向中心收縮是新經(jīng)濟(jì)地理學(xué)揭示的長(zhǎng)期趨勢(shì)。另一方面，隨著時(shí)間推移，許多資產(chǎn)雖仍有現(xiàn)金流，但維護(hù)成本上升，逐漸從"有效資產(chǎn)"變成"低效資產(chǎn)"甚至"負(fù)資產(chǎn)"。因此，處于核心位置、具有穩(wěn)定的公共服務(wù)提供網(wǎng)絡(luò)的資產(chǎn)具備韌性，例如一線/強(qiáng)二線核心區(qū)域的地產(chǎn)、交通網(wǎng)絡(luò)、優(yōu)質(zhì)醫(yī)療與教育資源等；相反邊緣尤其是固定折舊較高的資產(chǎn)會(huì)陷入“折舊陷阱”，例如收縮型城市的地產(chǎn)、公用事業(yè)等。

? 第二類：AI無(wú)法提供的或供需錯(cuò)配的“非標(biāo)準(zhǔn)化”資產(chǎn)。AI的高速發(fā)展，標(biāo)準(zhǔn)化程度高的商品與服務(wù)的供給能力將實(shí)現(xiàn)躍遷。與此同時(shí)，人口老齡化正在同步推升醫(yī)療、護(hù)理、養(yǎng)老和康復(fù)等需求，而這些恰恰屬于非標(biāo)準(zhǔn)化、強(qiáng)人際交互屬性的服務(wù)。因此，非標(biāo)準(zhǔn)化的商品與服務(wù)，如定制或私立教育、高端養(yǎng)老、心理咨詢，藝術(shù)與品牌價(jià)值等或能成為稀缺資產(chǎn)。

此外，非標(biāo)準(zhǔn)化工作，人類仍掌握工作的主導(dǎo)權(quán)，在思考和表達(dá)兩個(gè)維度與標(biāo)準(zhǔn)化工作存在明顯差異。相比標(biāo)準(zhǔn)化工作通過(guò)明確的規(guī)則、流程和模式產(chǎn)出確定性結(jié)果，非標(biāo)準(zhǔn)化工作的規(guī)則、流程和模式不明確，結(jié)果具有探索性、創(chuàng)造性，要求思考或表達(dá)層面的深度。1）思考深度高，工作涉及非結(jié)構(gòu)化問(wèn)題解決，路徑和答案開放，依賴跨領(lǐng)域聯(lián)想、辯證思維和創(chuàng)新能力，典型的工作如戰(zhàn)略規(guī)劃、算法設(shè)計(jì)；2）表達(dá)深度高，工作依賴于即興的語(yǔ)言、符號(hào)或形體輸出，需要在動(dòng)態(tài)情境中實(shí)時(shí)調(diào)整、適應(yīng)和創(chuàng)造，無(wú)法被簡(jiǎn)單或規(guī)則化復(fù)制，例如體育競(jìng)賽、手工藝術(shù)創(chuàng)作、心理治療、即興演講等。

? 第三類：AI時(shí)代的“瓶頸資產(chǎn)”。列昂季耶夫生產(chǎn)函數(shù)（Leontief Production Function）告訴我們，產(chǎn)出往往受限于最稀缺的資源，所謂的“短板效應(yīng)”。

圖表：AI產(chǎn)業(yè)鏈與瓶頸環(huán)節(jié)

資料來(lái)源：中金公司研究部

1) 中短期看，我們測(cè)算，AI帶來(lái)的全要素生產(chǎn)率提升有望撬動(dòng)約8100億美元的年度新增固定資產(chǎn)投資，2025年額外拉動(dòng)約3800億美元，目前仍有約4300億美元的擴(kuò)張空間，主要集中于計(jì)算機(jī)設(shè)備、軟件、電氣設(shè)備、通信設(shè)備和電力等板塊[44]。供給端，產(chǎn)能利用率層面已暴露出階段性“短板”，相關(guān)板塊如芯片制造、電氣設(shè)備、通信、機(jī)械等行業(yè)的產(chǎn)能利用率已處于歷史高位，供給出現(xiàn)階段性“短板”，新增需求將進(jìn)一步加劇供給緊張。

圖表：AI增量投資以及用電量提升對(duì)計(jì)算機(jī)設(shè)備、軟件、電氣設(shè)備和電力拉動(dòng)較強(qiáng)

資料來(lái)源：BEA，中金公司研究部

圖表：計(jì)算機(jī)、電氣設(shè)備等行業(yè)產(chǎn)能利用率已處于歷史偏高水平

資料來(lái)源：Haver，中金公司研究部

2) 長(zhǎng)期角度，當(dāng)算力成為接近免費(fèi)且無(wú)處不在的公用事業(yè)時(shí)，真正約束生產(chǎn)函數(shù)的短板只剩下關(guān)鍵礦產(chǎn)和高能量密度能源，即馬斯克口中的“瓦特幣”。

AI數(shù)據(jù)中心需要不間斷供電，能源剛性的自然稟賦約束遠(yuǎn)強(qiáng)于制造業(yè)的產(chǎn)能擴(kuò)張周期。正因如此，單一能源無(wú)法滿足AI需求，能源結(jié)構(gòu)朝著高EROI（EROI衡量的是投入的能量與最終產(chǎn)出能量的比率，新增能源類型要確保能源生產(chǎn)的凈能量收益高，經(jīng)濟(jì)可行）、高可靠性（AI數(shù)據(jù)中心需要7x24小時(shí)近乎不間斷的電力供應(yīng)）、低碳方向演變。核能憑借其出色穩(wěn)定性和零碳特征，成為最具戰(zhàn)略性的選項(xiàng)；天然氣則以其可靠性在電網(wǎng)穩(wěn)定中發(fā)揮“壓艙石”作用；智能與穩(wěn)定的電網(wǎng)、以及長(zhǎng)時(shí)間的穩(wěn)定儲(chǔ)能也是能源結(jié)構(gòu)的重要組成部分。

此外，支撐算力硬件制造與電網(wǎng)儲(chǔ)能的關(guān)鍵礦產(chǎn)如鎵、稀土、銅、硅和鋰等，長(zhǎng)期可能面臨物理瓶頸。據(jù)IEA測(cè)算[45]，僅數(shù)據(jù)中心對(duì)鎵的需求就可能達(dá)到2024年全球供應(yīng)量的10%以上，供需格局較為緊張。

圖表：主要能源多維度比較

資料來(lái)源：中金公司研究部

圖表：人口與AI變局下的稀缺資產(chǎn)

資料來(lái)源：中金公司研究部

圖表：AI時(shí)代的能源選擇

資料來(lái)源：中金公司研究部

圖表：數(shù)據(jù)中心對(duì)關(guān)鍵礦產(chǎn)的需求

注：數(shù)據(jù)中心對(duì)鋰的需求用儲(chǔ)能需求增長(zhǎng)估計(jì)，鋰的產(chǎn)出缺口為IEA測(cè)算的2035年預(yù)計(jì)值
資料來(lái)源：IEA，中金公司研究部

風(fēng)險(xiǎn)提示

本文基于人口結(jié)構(gòu)變化、AI技術(shù)演進(jìn)、資產(chǎn)定價(jià)邏輯的長(zhǎng)期推演，相關(guān)判斷具有較強(qiáng)前瞻性和不確定性。

1) 人口變化、生育率及老齡化速度、區(qū)域人口流動(dòng)和公共服務(wù)收縮路徑可能與假設(shè)不一致，導(dǎo)致核心與外圍資產(chǎn)分化程度低于或高于預(yù)期。

2) AI技術(shù)迭代、商業(yè)化落地等存在不確定性，若技術(shù)進(jìn)步慢于預(yù)期，AI對(duì)生產(chǎn)率和潛在增長(zhǎng)的拉動(dòng)可能不足；若技術(shù)擴(kuò)散快于預(yù)期，也可能加劇分化。

3) 政策、監(jiān)管和機(jī)制變化可能顯著改變AI與人口變局對(duì)經(jīng)濟(jì)結(jié)構(gòu)、企業(yè)盈利和資產(chǎn)價(jià)格的影響。

4) 關(guān)于中美潛在增長(zhǎng)、TFP、資本存量、就業(yè)替代、產(chǎn)業(yè)鏈投資和用電需求等測(cè)算依賴模型假設(shè)、樣本數(shù)據(jù)和參數(shù)選擇，存在測(cè)算誤差和外推偏差。

5) 相關(guān)資產(chǎn)和行業(yè)表現(xiàn)也會(huì)受到宏觀周期、利率、匯率、地緣政治、海外技術(shù)限制、市場(chǎng)流動(dòng)性和估值波動(dòng)影響，可能出現(xiàn)較大波動(dòng)。

[1]https://www.weforum.org/stories/2026/01/elon-musk-technology-abundant-future-davos-2026/

[2]https://www.jamp.gr.jp/wp-content/uploads/2019/12/115_04.pdf

[3]數(shù)據(jù)來(lái)自美國(guó)勞工部，Wind匯總統(tǒng)計(jì)

[4]https://www.stats.gov.cn/sj/zxfb/202602/t20260228_1962662.html

[5]https://www.un.org/development/desa/pd/sites/www.un.org.development.desa.pd/files/undesa_pd_2025_wfr_2024_final.pdf

[6]https://www.stats.gov.cn/sj/zxfb/202602/t20260228_1962662.html

[7]https://www.stats.gov.cn/zs/tjws/tjbz/202301/t20230101_1903949.html；國(guó)家統(tǒng)計(jì)局將60歲及以上人口比重超過(guò)20％或65歲及以上人口比重超過(guò)14％定義為中度老齡化

[8]Clausius, R. (1865). On several convenient forms of the fundamental equations of the mechanical theory of heat. Annalen der Physik und Chemie, 125, 353–400.

[9]Krugman, P. (1991). Increasing returns and economic geography. Journal of Political Economy, 99(3), 483–499. https://doi.org/10.1086/261763

[10]https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/05/shrinking-smartly-and-sustainably_f94497c0/f91693e3-en.pdf

[11]https://mods.go.kr/boardDownload.es?bid=11755&list_no=443802&seq=1; https://mods.go.kr/boardDownload.es?bid=11755&list_no=435279&seq=2

[12]https://www.jamp.gr.jp/wp-content/uploads/2019/12/115_04.pdf

[13]https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/04/addressing-demographic-headwinds-in-japan-a-long-term-perspective_85b9a67f/96648955-en.pdf

[14]https://www.census.gov/quickfacts/fact/table/detroitcitymichigan/PST045224

[15]https://www.casemine.com/judgement/us/5c2156a7342cca657a0d6b13?locale=en_US

[16]https://www.soumu.go.jp/kouiki/kouiki.html

[17]https://detroitmi.gov/sites/detroitmi.localhost/files/2018-05/City%20of%20Detroit%20Proposal%20for%20Creditors1.pdf

[18]https://www.stat.go.jp/data/idou/2025np/jissu/youyaku/index.html

[19]https://mods.go.kr/synap/skin/doc.html?fn=af04f0ea6fbd9fa9c32899055b5ef5aea4bf6d4eb02d858d08d8384fc9297326&rs=/synap/preview/board/11747/

[20]https://www.insee.fr/fr/statistiques/8274695

[21]https://www.stats.gov.cn/sj/zxfb/202601/t20260119_1962320.html

[22]https://www.stats.gov.cn/sj/zxfb/202601/t20260109_1962272.html

[23]https://www.gov.cn/zhengce/content/202604/content_7066483.htm

[24]https://www.weforum.org/stories/2026/01/elon-musk-technology-abundant-future-davos-2026/

[25]https://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.33.2.3

[26]https://www.nber.org/system/files/working_papers/w24235/w24235.pdf?utm_source=PANTHEON_STRIPPED

[27]https://www.anthropic.com/research/labor-market-impacts

[28]Baumol, W. J. (1967). Macroeconomics of unbalanced growth: The anatomy of urban crisis. American Economic Review, 57(3), 415–

[29]https://www.ecb.europa.eu/press/blog/date/2022/html/ecb.blog221125~d34babdf3e.en.html

[30]https://www.cms.gov/data-research/statistics-trends-and-reports/national-health-expenditure-data/historical

[31]https://www.bls.gov/cpi/

[32]Acemoglu Daron and Pascual Restrepo, “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment,” American Economic Review, 2018, 108 (6), 1488–1542

[33]Mai Dao, Mitali Das, Zsoka Koczan, and Weicheng Lian, "Why Is Labor Receiving a Smaller Share of Global Income? Theory and Empirical Evidence," IMF Working Papers, 2017, 169 (2017)

[34]Pascual Restrepo, The Economics of Transformative AI (University of Chicago Press, 2025), chap. 9,.

[35]Acemoglu Daron and Restrepo Pascual, 2018. “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment”, American Economic Review

[36]Acemoglu Daron, 2024. "The Simple Macroeconomics of AI", NBER Working Papers

[37]Gmyrek et al., 2025. “Generative AI and Jobs: A 2025 update”, ILO Working Papers.

[38]平均敞口，反映該職業(yè)所包含任務(wù)的平均暴露水平；標(biāo)準(zhǔn)差，反映該職業(yè)內(nèi)部任務(wù)之間暴露程度的差異。標(biāo)準(zhǔn)差大，說(shuō)明該職業(yè)既有高暴露度任務(wù)，也有低暴露度任務(wù)；標(biāo)準(zhǔn)差小，說(shuō)明所有任務(wù)的暴露度較為一致。

[39]Svanberg, Maja S. et al., 2024. “Beyond AI Exposure: Which Tasks are Cost-Effective to Automate with Computer Vision?”, MIT

[40]Wang, Z.Z. et al., 2025. “How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations”. ArXiv, abs/2510.22780.

[41]Wang, Z.Z. et al., 2025. “How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations”. ArXiv, abs/2510.22780.

[42]Daron Acemoglu, 2024. "The Simple Macroeconomics of AI," NBER Working Papers 32487

[43]“十四五”這五年丨我國(guó)稅收收入呈現(xiàn)出“量增質(zhì)優(yōu)”的特點(diǎn) _光明網(wǎng)

[44]測(cè)算邏輯：2021年（ChatGPT問(wèn)世前一年），美國(guó)資本存量77萬(wàn)億美元，資本折舊率約為5%。AI發(fā)展對(duì)TFP的提振可帶來(lái)美國(guó)1%的資本存量提升（下文測(cè)算），那么AI拉動(dòng)的年度新增（剔除替代部分）固定資產(chǎn)投資額將達(dá)到77x1%/(1-5%)=8100億美元。2025年相關(guān)板塊投資較2021年預(yù)計(jì)增加3800億美元，因此仍有約4300億美元的擴(kuò)張空間。若這4300億美元的投資也按照2025年AI資本開支相關(guān)行業(yè)的固定資產(chǎn)投資占比進(jìn)行分配，利用投入產(chǎn)出表中的完全需求系數(shù)矩陣（即列昂惕夫逆矩陣），便可測(cè)算其對(duì)上下游需求的拉動(dòng)。

[45]IEA (2025), Energy and AI, IEA, Paris https://www.iea.org/reports/energy-and-ai, Licence: CC BY 4.0

來(lái)源｜中金點(diǎn)睛

編輯 | 王茅

審核丨秦婷

責(zé)編 | 蘭銀帆

Review of Past Articles -

01

02