经济学家和技术人为何谈不拢 AI 的经济影响

Matt Clancy 于 2026 年 8 月 20 日在 Asterisk Magazine 发表 《Why can’t technologists and economists agree on AI?》。作者追问：经济学家和技术人已经互相阅读、交换论据，甚至花数十小时参加对抗性协作，为什么仍然无法对 AI 会把经济增长推向何处形成共同判断？

作者的回答是，双方争论的表面对象是 AI，真正驱动预测的却是更早形成的先验：一个人长期观察到宏观增长很难改变，还是长期生活在高速增长的软件行业。当前关于 AI 的直接证据太弱，尚不足以把这两种起点推到同一个结论。1

Tom Cunningham 汇总过两类人的 AI 增长预测：经济学家和制度研究者大多预计，AI 对经济增长的影响低于每年 3%；AI 行业内人士则普遍预计影响会高得多，最高接近每年 30%。这组差距并非来自一方拒绝论证，双方都为自己的预测写过完整解释。2

Forecasting Research Institute 在 2022 年组织了一次预测项目，邀请 89 名超级预测者和 80 名 AI 专家判断多种技术进步情景。其中一个问题是：2100 年以前，全球经济是否会出现单年增长超过 15% 的年份。超级预测者给出的中位概率是 5%，AI 专家给出的中位概率是 25%。参与者阅读彼此的理由，并获得预测对方判断的激励后，超级预测者的中位概率降到 2.5%，AI 专家的中位概率保持在 25%，双方的差距从 5 倍扩大到 12 倍。2

研究者随后组织了更密集的 Adversarial Collaboration。22 名原本看法相反的参与者用了两个月、每人 20 至 80 小时，努力理解并准确复述对方的核心论证，直到对方认可复述。这个过程仍然没有让预测明显趋同。作者因此把问题从「双方有没有认真听」推进到「双方究竟把什么算作证据」。2

作者先检查最容易支持乐观预测的经济模型。Charles I. Jones 和 Christopher Tonetti 的论文 《Past Automation and Future A.I.: How Weak Links Tame the Growth Explosion》 把经济拆成许多任务，并把自动化定义为：一项任务从由劳动完成，转为由生产率提升更快的资本完成。

这套模型的关键不是「机器越强，增长就会无限加速」，而是 weak links。论文把任务之间的替代弹性设为小于 1，因此所有任务都对总产出有约束力；少数任务获得极高产出时，最慢的任务仍然会卡住整体结果。自动化只有在更多任务跨过这道转换时，才会把机器生产率的提升传导到总产出。3

论文用美国行业数据做历史核算。1950 年以来，美国私人商业部门的机器生产率相对劳动生产率平均每年高出约 3.8 个百分点；其他全要素生产率与劳动生产率的合计变化约为每年负 0.2%。如果把 1950 年已经自动化的任务冻结，论文估计 1950—2023 年几乎全部全要素生产率增长都会消失。这个结果把自动化的作用说得很具体：增长主要来自把更多任务交给进步更快的机器，而不是来自已经自动化的任务无限变快。3

论文随后模拟 AI 继续自动化商品生产和新思想生产的后果。把 AI 视为历史自动化的延续时，模型中的增长率到 2075 年约为 2.6%；把整个经济都按计算机行业的「Moore’s Law everywhere」校准时，模型会出现有限时间内无限收入的增长爆炸，时间点约在 2060 年。两种结果都来自明确的参数设定，参数却没有足够的现实证据可以提前确定。作者因此认为，模型能告诉读者爆炸式增长通过什么机制发生，也能告诉读者弱链接如何拖慢爆炸，却不能单靠模型判定现实会落在哪一种校准上。23

美国过去一个多世纪的经济增长率长期维持在每年约 1.8%，这段历史让经济学家熟悉「宏观增长很难被大幅移动」的事实。英国的长期数据却给出了另一种观察：1400—1700 年的年增长率约为 0.05%，1700—1870 年约为 0.5%，之后进一步加快。技术乐观者可以用英国的加速说明增长路径确实能够改变，经济学家则会追问这种变化发生在多长时间尺度上，以及它是否意味着单年 20% 的增长。2

工业革命也没有提供唯一读法。作者引用的分析认为，工业革命时期的增长加速，主要表现为高增长年份出现得更频繁、经济收缩发生得更少；美国经济不可能只靠增加高端年份、减少低端年份，就达到每年 20% 的增长。历史因此能证明经济增长曾经加速，却不能直接告诉读者 AI 会以多大的幅度、在多短的时间内改变增长率。2

当前的生产率数据也没有解决分歧。怀疑者把 AI 迄今带来的整体生产率增长有限，视为扩散摩擦和现实瓶颈的证据；乐观者则认为，真正的增长跃迁本来就会发生在能力达到足够高的门槛之后，门槛尚未到来不能证明跃迁不会发生。Forecasting Research Institute 的协作项目曾要求参与者提出能在近期检验、并足以改变对方判断的预测，双方却很难找到这样的共同指标。2

作者认为，经济学家的长期训练会把注意力放在五种经验上：宏观增长很难改变；技术上可行的事情与现实中真正被采用之间存在巨大差距；完美信息、理性和计算能力并不足以消除制度与协调障碍；市场即使比单个参与者更聪明，也不代表市场结果接近最优；研究复杂系统时，边际变化比断裂式变化更容易被识别。经济学家因此会谨慎对待「技术可行性直接变成宏观增长」这一步。2

作者把技术人的经验归纳为四种：软件公司和产品可以在短时间内高速增长；技术进步经常重排行业和商业模式；代码与工程技巧让人见过少量聪明办法产生巨大收益；创业文化把从 0 到 1 的突破视为目标，而不是把改进限制在现状附近。这样的工作环境会让人更容易相信，智能提升能够触发非连续的增长变化。作者明确说明，这部分是解释不同先验如何形成的示意，不是对所有技术人的调查结论。2

两组经验并没有直接回答 AI 的未来，却改变了人们如何解释同一组材料。经济学家看到的是能力扩散所需的制度、组织和基础设施；技术人看到的是能力一旦跨过门槛，产品和行业可能快速重排。生产率数据、历史增长和模型模拟都没有足够强的诊断力来压过这两套长期经验，所以双方会把相同证据读成不同方向的支持。2

作者建议，一个人可以先在没有阅读相关论证的情况下写下直觉预测，再读研究、与他人争论，最后写下第二次预测。两次预测如果几乎没有变化，读者就能看见自己的判断主要由先验推动，而不是由刚读到的论据推动。这个练习不能证明哪一方正确，却能把「我相信这个结论」拆成「我从哪些长期经验开始相信这个结论」。2

作者提出的另一条路径，是寻找经历过多个社群的人，例如在科技公司工作的经济学家，再观察他们如何综合不同群体的证据。这个办法会遇到选择偏差：最支持技术乐观的人可能更愿意进入硅谷；跨越两个社群的人仍然可能保留很大的预测分歧；经济学家、技术人、超级预测者、公务员、物理学家和国家安全研究者的经验也不可能由一个人完整拥有。2

因此，作者更谨慎的建议是，让不同背景的人分别说清楚哪些一生经验塑造了自己的概率起点。浓缩后的经历未必足以说服对方，但它能让争论从「你的 AI 论据不够强」转向「你为什么把这类证据看得重要」。2

Matt Clancy 没有用一组新数据替经济学家或技术人裁决 AI 的增长前景。作者把争论的僵局解释为一个认识论问题：当直接证据只能展示若干可能机制，预测就会更多地反映人们对宏观增长可变性、技术扩散摩擦、智能力量和非连续变化的长期先验。

这也解释了为什么高强度讨论没有自动带来共识。双方可以准确复述彼此的理由，却未必接受对方用来判断理由的标准。当前材料足以说明两类预测为何长期分开，也足以帮助读者识别自己站在哪种经验形成的起点；材料不足以替读者决定 AI 最终会带来每年几个百分点的渐进增长，还是一场由弱链接逐步解除而来的增长爆炸。