AI投资热潮与生产率停滞的“索洛悖论”再现
近期，旧金山联邦储备银行行长玛丽·戴利（Mary Daly）在一次公开讲话中指出：“数据中尚未体现人工智能带来的生产率提升。”这一表态虽简短，却触及当前全球资本市场对AI投资热潮与实体经济回报之间脱节的核心关切。尽管自2023年以来，生成式人工智能（Generative AI）迅速渗透至企业运营、软件开发乃至客户服务等多个环节，但宏观层面的劳动生产率——尤其是美国非农部门的季度环比年化增长率——并未出现显著跃升。这一现象不仅挑战了技术乐观主义者的预期，也迫使政策制定者、投资者与产业观察者重新审视AI对经济结构的真实影响路径。
AI投资热潮与生产率“悖论”的重现
历史上，重大通用技术（General Purpose Technology）如电力、内燃机或互联网，在初期往往伴随资本开支激增，但生产率提升通常滞后数年甚至十年。经济学家称之为“索洛悖论”（Solow Paradox）：计算机无处不在，唯独不见于生产率数据。当前AI的发展轨迹似乎正在重演这一模式。过去两年，全球科技巨头在AI基础设施上的资本支出已突破千亿美元量级，英伟达等芯片制造商的营收与股价屡创新高，云计算平台加速部署专用AI算力集群。然而，美国劳工统计局（BLS）数据显示，2024年至2026年上半年，非农商业部门的劳动生产率年均增速仍徘徊在1.5%左右，远低于1995–2004年互联网黄金时期的2.5%以上。
戴利的评论正是对此脱节的官方确认。作为美联储货币政策委员会（FOMC）的投票委员，她的观点具有政策信号意义：若AI未能在中期内转化为可测量的供给侧改善，那么当前由需求端驱动的通胀压力可能更难通过技术进步自然缓解。这也意味着，美联储在评估未来利率路径时，或将维持对“潜在增长中枢未显著上移”的基准假设。
产业链视角：从算力基建到应用落地的传导断层
从产业逻辑看，AI对生产率的影响并非线性传导。当前投资高度集中于上游——包括GPU芯片、数据中心、光模块与云服务——而中下游的企业级应用仍处于试点或局部优化阶段。以制造业为例，尽管视觉检测、预测性维护等AI模块已在部分工厂部署，但要实现全流程智能化，仍需重构产线逻辑、员工技能与供应链协同机制，这涉及高昂的组织成本与较长的学习曲线。
服务业的情况更为复杂。客服聊天机器人、文档摘要工具等生成式AI应用虽能节省人力时间，但其价值多体现为“效率增益”而非“产出倍增”。例如，一名分析师使用AI辅助撰写报告，可能将耗时从8小时压缩至4小时，但若市场需求未扩张，整体产出未必增加，反而可能导致岗位缩减或薪资停滞。这种“任务替代”效应在短期内未必提升宏观生产率，甚至可能因劳动力市场摩擦而拖累总需求。
此外，AI模型的训练与推理本身消耗大量能源与算力资源。据国际能源署（IEA）估算，全球数据中心电力需求在2026年可能占到总用电量的4%以上，其中AI负载占比快速上升。若能源供给未能同步绿色化与高效化，AI驱动的“数字生产力”可能部分被物理世界的碳成本与资源约束所抵消。
监管与会计准则滞后：隐性价值难以货币化
另一个关键障碍在于，现有宏观经济统计体系难以捕捉AI创造的“非市场价值”。例如，免费使用的AI工具（如Copilot、Gemini）提升了个人或小企业的决策质量与创作能力，但这些改进未被计入GDP或生产率指标。同样，企业内部部署的AI系统若未直接产生可销售产品，其效益往往体现在管理费用节约或风险控制优化上，这类“软性收益”在财务报表中易被忽略。
更深层的问题是监管框架的滞后。当前各国对AI系统的审计、验证与责任归属尚无统一标准，导致企业在大规模部署时趋于保守。中国、欧盟与美国在AI治理路径上的分化——前者强调安全可控，后者侧重创新激励——也增加了跨国企业协调全球AI战略的复杂度。这种制度不确定性抑制了AI从“技术演示”向“规模化生产工具”的转化速度。
市场情绪与跨资产传导：从叙事驱动到基本面验证
资本市场对AI的定价已从早期的纯叙事驱动，逐步转向对现金流兑现能力的检验。2023–2024年，美股“Magnificent Seven”科技股的估值扩张主要基于AI资本开支预期；但进入2025年后，投资者开始追问：哪些公司能真正将AI转化为可持续的利润率提升？微软通过Azure AI服务实现云业务增速回升，谷歌在搜索广告中嵌入生成式结果以提升点击率，这些案例被视为“变现路径清晰”的代表。相比之下，硬件厂商若无法绑定长期服务合约，则可能面临周期性库存波动风险。
港股市场则呈现另一番图景。尽管中国科技企业也在积极布局大模型与行业AI解决方案，但受制于本土半导体供应链限制与数据跨境监管，其AI商业化节奏相对审慎。投资者更关注AI能否助力传统产业升级——如智能电网、港口自动化或医疗影像诊断——这些领域虽增长稳健，但爆发力不及消费互联网，估值逻辑偏向PEG（市盈增长比率）而非PS（市销率）。
在数字资产领域，AI概念曾短暂催生一批“AI+区块链”项目，但多数缺乏真实应用场景。随着监管趋严与流动性收紧，市场资金正回流至具备实际算力调度能力或数据确权机制的底层协议。不过，整体而言，AI对加密市场的直接影响仍有限，更多是作为宏观科技叙事的一部分间接影响风险偏好。
关键变量：何时、何地、何种AI将打破僵局？
未来12–24个月，有三个变量可能改变当前局面。其一，企业AI支出从“探索性预算”转向“核心运营预算”，标志是AI相关CAPEX占IT总支出比例超过15%（目前约8–10%）。其二，出现可复制的行业级AI解决方案，例如在保险核保、药物发现或物流调度中形成标准化工作流，从而降低中小企业采用门槛。其三，统计机构调整核算方法，将AI带来的质量调整型价格下降（如更精准的推荐减少退货率）纳入生产率测算。
值得注意的是，生产率提升未必均匀分布。高技能密集型行业（如金融、专业服务）可能率先受益，而低技能岗位集中的零售、运输等领域，AI更多表现为成本削减而非产出扩张。这种结构性分化将进一步加剧收入不平等，反过来制约总需求复苏，形成新的政策困境。
综上所述，戴利的观察并非否定AI的长期潜力，而是提醒市场避免陷入“技术决定论”的幻觉。真正的生产率革命，从来不只是算法或芯片的胜利，更是组织变革、制度适配与人力资本再投资的综合结果。对于全球投资者而言，下一阶段的超额收益，或将属于那些既能驾驭AI技术浪潮，又能穿越组织与制度深水区的企业——无论它们身处硅谷、深圳还是班加罗尔。
