AI会如何改变经济增长？从通用目的技术、弱链接到发展中国家的机会窗口

核心观点：AI真正改变经济的关键，不只是模型能力有多强，而在于它能否突破经济系统中的“最弱环节”。

演讲嘉宾：Susan Athey、Christopher Tonetti
主题：人工智能、宏观经济增长、通用目的技术、发展经济学与弱链接
资料来源：演讲转写稿（约64分钟）World Development Report 2026: The Promise of AI - AI as a General-Purpose Technology

当人们讨论人工智能对经济的影响时，最容易提出的问题往往是：

• AI会消灭多少工作？
• AI能够让GDP增长多快？
• 大模型能力继续指数级提升之后，会不会出现爆炸性经济增长？
• 发展中国家会从AI革命中获益，还是被进一步甩在后面？

Susan Athey 与 Christopher Tonetti 的这场演讲提供了一种很不一样的思考方式。他们并没有从“AI到底有多聪明”出发，而是把AI放回经济体系本身，追问一个更加基础的问题：

即使AI在某些任务上变得无限强大，一个经济体的整体生产率就一定会随之大幅提高吗？

他们的答案是：未必。

真正决定AI宏观经济影响的，可能不是最先进的那部分技术，而是经济系统中最难改善、最稀缺、最迟缓的那些环节。

这也是整场讨论中最重要的关键词——weak links，弱链接或者瓶颈。

演讲首先由 Susan Athey 从世界发展和发展中国家的角度展开，随后 Christopher Tonetti 用一个任务型宏观经济模型解释自动化、生产率和经济增长之间的关系，最后两人进一步讨论技术采用、组织变革、劳动收入以及网络安全问题。整场演讲实际上提出了一套理解AI经济影响的完整框架：

通用目的技术 → 技术适配 → 扩散采用 → 互补资产 → 弱链接 → 宏观增长。

一、为什么发展中国家反而可能对AI更加乐观？

Athey首先指出了一个看似矛盾的现象。

发达国家，尤其是美国，对人工智能往往更加悲观；而许多发展中国家和低收入国家的人，却更加乐观。

按照传统发展经济学的直觉，这似乎并不合理。

人工智能高度依赖算力、数据、数字基础设施和人力资本。富裕国家拥有先进芯片、云计算中心、优秀大学和大量高技能人才。贫穷国家在这些方面明显落后。那么，一场由AI推动的技术革命，难道不会进一步扩大国家之间的差距吗？

Athey认为，理解这一现象的关键，在于不能只比较各国距离“技术前沿”有多远，而应该首先观察它们的现实起点。

在一些发展中国家，人们面临的问题并不是“一个高薪知识工作岗位会不会被AI取代”，而是：

• 农民不知道自己的农产品在其他市场卖多少钱；
• 小商店没有库存管理系统；
• 小餐馆经营者每天花大量时间处理客户订单和供应商订单；
• 很多地区缺少医生；
• 教师自身缺少教学资料和专业培训；
• 农村居民为了得到一次可靠的医疗建议，需要花几个小时赶路。

因此，同样一种人工智能技术，在美国可能意味着“自动化”和“岗位替代”，而在一个医生、教师、农技人员和管理人员严重不足的经济体中，却可能意味着第一次获得原本稀缺的专业能力。

对于一个已经拥有充分专业服务的经济体，AI可能首先表现为替代；而对于一个专业知识长期稀缺的经济体，AI首先可能表现为补充。

AI最重要的发展经济学意义之一，可能不是让原来已经很高的生产率再提高20%，而是让长期处在生产率前沿以内的大量劳动者第一次获得基本的信息、知识和决策支持。

二、不能用美国的AI叙事理解整个世界

Athey进一步提醒，讨论AI不能直接把美国经济模型复制到发展中国家。

其中一个重要原因是企业结构完全不同。

在许多发展中经济体中，大量劳动者工作于不足10人的小企业，例如零售店、餐馆、小作坊、家庭农场和地方服务业。演讲中甚至强调，在相关经济环境下，约90%的人工作于少于10人的企业。

这意味着AI进入经济的主要路径，不一定是：

大型企业购买企业级AI系统 → 自动化部门 → 裁减白领岗位。

另一条可能更加重要的路径是：

小微经营者获得低成本智能工具 → 获得过去无法购买的管理、营销、会计、农业、医疗或教育知识 → 改善日常决策 → 提高大量小企业和劳动者的生产率。

在美国，“AI与劳动”经常被讨论为一个替代问题：AI会替代哪些人？

但在很多发展中国家，更重要的问题可能是：AI能够把哪些过去极度稀缺的能力，以极低成本提供给更多普通人？

这两种问题看似讨论的是同一种技术，本质上却属于完全不同的发展逻辑。

三、理解AI最好的框架：通用目的技术

Athey认为，如果一定要寻找一个能够理解AI长期经济影响的理论框架，那么最合适的可能仍然是通用目的技术（General-Purpose Technology，GPT）。

所谓通用目的技术，并不只是“用途很多”。

蒸汽机、电力、计算机都是通用目的技术。它们真正重要的地方，在于能够触发整个经济系统的连续重组。

一个行业采用新技术以后，会改变对劳动、资本和其他投入品的需求。投入结构变化以后，价格发生变化；价格变化以后，其他行业重新进行投资。企业重新组织生产，劳动者重新学习技能，人口可能从农村迁移到城市，土地价格变化，供应链重新布局，新的商业模式和组织结构不断形成。

因此，通用目的技术不是一项孤立技术，而是一个动态经济重构过程。

这也解释了为什么真正重大的技术革命通常不会在一夜之间完成。技术本身也许发展很快，但企业、组织、制度、城市、劳动市场和基础设施的调整速度要慢得多。

所以，真正值得研究的问题不只是：AI最终会产生什么影响？

而应该进一步问：哪些影响会首先发生？哪些影响要慢很多？为什么？

这可能是理解AI时代最重要的方法论转变之一。

四、“AI很厉害”并不等于“经济增长很快”

Christopher Tonetti 随后的演讲，把这个问题进一步形式化了。

他与 Chad Jones 的研究关注一个宏观经济问题：人工智能和自动化究竟能够让整个经济增长多快？

Tonetti没有直接预测未来，而是首先研究过去几十年的自动化。

他的基本定义很简单：自动化就是把原来由人完成的生产任务，转交给机器完成。

从马拉犁、拖拉机到GPS自动驾驶拖拉机，从机械设备到计算机软件，自动化并不是今天才出现的事情。AI只是在把自动化扩展到越来越复杂的认知任务。

问题在于：如果机器在某一个任务上的生产率提高100倍，整个经济的生产率会提高100倍吗？

答案显然不是。原因就在于弱链接。

五、弱链接：整个系统由最差的那一环决定

Tonetti用了一个非常直观的例子。

假设生产一个蛋糕需要鸡蛋、糖、面粉和烤箱。即使你拥有无限多的糖，如果没有鸡蛋，仍然做不出蛋糕。

换句话说，当生产需要多个互补任务共同完成时，总产出并不取决于“最好”的那个环节，而往往被“最差”的那个环节限制。

A chain is only as strong as its weakest link.
一条链条的强度取决于它最弱的一环。

这个道理对AI尤其重要。

假设AI让软件开发效率提高了100倍。如果软件只占整个经济很小的一部分，而医疗、建筑、物流、能源、教育、监管和物理生产仍然没有发生变化，那么宏观GDP并不会提高100倍。

Tonetti给出了一个非常有启发性的极端思想实验：

假设软件的生产率变成“无限大”，但软件仍然只完成今天已经完成的那些任务。由于软件支出只占美国经济大约2%，即使软件变得近乎免费，宏观产出的提升仍然大致只有几个百分点。

更惊人的是，如果今天经济中大约50%的任务都实现近乎无限生产率，在强弱链接条件下，总产出增加仍可能只有约19%。

为什么？因为另外50%没有被自动化的任务，会成为新的瓶颈。

决定AI宏观影响的，不只是AI把自己擅长的事情做得多好，而是AI能够扩展到多少不同任务。

六、真正重要的不是“能力上限”，而是“任务覆盖率”

这实际上颠覆了很多关于AI发展的直觉。

今天衡量AI进步，人们经常关注模型参数、数学竞赛成绩、代码能力、推理基准测试和模型是否超过某一类专家。

但从宏观经济角度看，更重要的变量可能不是某个任务上的“最高能力”，而是：AI究竟能够可靠地完成多少种经济任务。

Tonetti用历史数据估计，美国经济长期大约每年有2%的任务从劳动转向机器完成。与此同时，机器完成任务的生产率增长速度明显快于人类。

历史经验显示，过去几十年的生产率增长并不仅仅来自“机器越来越强”。真正关键的是：机器一边变强，一边不断进入新的任务。

如果机器能力提高，却永远只完成1950年已经能够完成的那一小部分任务，那么过去几十年绝大多数自动化带来的生产率收益都不会出现。

一个在20个任务上达到超人水平的AI，对宏观经济的影响未必大于一个在1000个任务上达到“足够好”水平的AI。

一个能够把很多事情做到中等水平的通用AI，可能比一个只在少数任务上实现惊人突破的AI，更能够推动总体经济增长。

七、两个AI未来：2.6%的增长，还是7%的增长？

Tonetti进一步构造了两种不同的未来。

情景一：历史趋势延续

AI只是过去长期自动化进程的延续。机器生产率继续比人类增长得更快，机器继续逐步接管新的任务，但速度并没有发生数量级变化。

在这一情景下，AI确实会使经济增长加速，但远没有一些硅谷预测那么夸张。

模型显示，即使到2070年前后，增长率也可能只是从约2%提高到约2.6%；到2050年，总产出大约比原有趋势高4%左右。

情景二：“摩尔定律无处不在”

第二种情景被称为Moore's Law everywhere。

不只是计算机行业，而是整个经济中所有自动化任务的机器生产率都像历史上的计算机产业一样高速增长，而且自动化任务范围扩张速度也明显加快。

在这种极端情况下，到2030年前后，模型可以产生约7%的年增长率，甚至在某些长期设定下出现机器生产机器、增长不断自我强化的“奇点式”结果。

说明：以上是演讲所述模型的条件情景，并非对实际经济增长的确定预测。

争论AI是否会带来爆炸式增长，真正应该争论的不是“大模型是不是足够聪明”，而是两个更加具体的参数：AI能力提高得多快，以及AI能够多快扩展到越来越多的经济任务。

八、发展中国家的机会：AI可能直接修复“弱链接”

到了这里，Athey把Tonetti的模型重新带回发展经济学。

如果发达国家的弱链接是难以自动化的复杂任务，那么发展中国家的弱链接可能完全不同，例如教育质量低、医生数量不足、农业信息匮乏、中小企业管理能力不足、专业知识稀缺、市场价格信息不透明，以及基础商业软件缺失。

这些本身就是生产率瓶颈。

AI对发展中国家最大的意义可能不是提高已经高度自动化部门的效率，而是直接改善这些长期限制经济发展的“弱链接”。

演讲中列举了几个具体事实：撒哈拉以南非洲每万人只有约2.9名医生，而全球平均约为16名；低收入国家小学阶段大约每40名学生对应一名教师，而富裕国家约为15名学生一名教师；一些农民由于缺乏市场价格信息，可能把很大一部分利润让给中间商。

如果AI能够提升基层医疗人员能力、帮助教师准备课程、为农民提供天气和市场信息，这些应用看起来没有“通用人工智能”那么科幻，却可能具有更大的现实生产率价值。

这也是Athey提出的一个重要概念：general-purpose capabilities——通用能力。

医疗、教育、农业推广、管理知识，本身就是其他生产活动的投入。如果AI提高这些基础能力，它产生的影响会沿着整个经济体系进一步扩散。

九、真正的问题不是让所有人使用ChatGPT

发展中国家的AI扩散，并不意味着必须让每个人都拥有最新智能手机，然后打开ChatGPT聊天。

Athey明确反对这种想象。

一个忙碌的小商店经营者并不一定希望在高峰期与聊天机器人长时间对话。他真正需要的是客户通过自己已经熟悉的消息工具发送订单，AI自动整理订单、更新库存、提醒缺货、记录客户、辅助处理供应商关系。

也就是说，AI应该嵌入人们已经使用的工作流程。

如果当地人使用功能手机，可以通过语音服务提供AI能力；如果识字率较低，可以使用双向语音；如果互联网带宽有限，就需要运行更小、更便宜的模型。

Athey提出了整场演讲中另一个重要命题：

Adaptation enables adoption.
适配才能带来采用。

技术并不会因为“存在”就自动产生发展效果。

通用模型 → 当地适配 → 嵌入现有通信与业务流程 → 用户真正采用 → 改善决策和生产 → 经济增长。

中间任何一个环节失败，AI的潜在能力都可能停留在模型基准测试上，而不会转化成GDP。

十、为什么“再等等”可能是理性的？

这场演讲对企业为什么没有立刻全面采用AI，给出了一个更加宽容的解释。

很多技术乐观主义者认为：如果AI收益这么高，企业为什么不马上重构组织？如果企业行动缓慢，一定是管理者缺乏远见。

Athey认为事情没有这么简单。

假设你管理一家中型企业，今天投入大量资金，引进一套AI系统、重新招聘人员、裁撤部门、重构流程、建设基础设施。但六个月以后，一家软件公司可能推出更加成熟、更加便宜的标准产品，把你今天自己开发的大部分东西直接商品化。

那么今天进行巨额投资，就未必是最优决策。

等待本身可能是一种理性选择。

AI技术越快变化，这个问题反而越严重。这形成了一个有趣的悖论：AI发展得越快，企业有时越有理由暂缓大规模不可逆投资。

所以技术能力快速进步，并不一定意味着经济采用速度同样快速。技术变化速度和组织变化速度，完全可能不同。

十一、AI采用首先是一个管理问题

在讨论为什么发展中国家和企业不能自动获得AI红利时，Tonetti特别提到一个经常被忽略的变量：management practices——管理实践。

即使技术已经存在，如果企业没有能够理解新技术、组织员工、重新设计流程的中层管理人员，AI仍然很难转化成生产率。

这个观点对管理研究尤其重要。AI扩散并不只是：

技术 → 生产率。

中间实际上存在一系列组织变量：技术认知、管理者注意力、投资决策、组织结构、岗位重新设计、员工激励、培训、知识整合、流程再造、信任以及权力和利益调整。

在宏观经济模型看来只是一个“技术采用率”的参数，在组织研究中实际上可能对应一整套复杂的管理过程。

未来AI研究的重要方向，不应该只是研究“AI是否提高绩效”，而应该研究：

什么样的组织能够把AI能力真正转化成生产率？

十二、AI未必让劳动者获得更小的蛋糕

对于就业和劳动收入，Tonetti也提出了一个容易被忽略的区别。

即使机器完成的任务越来越多，也并不必然意味着劳动收入占国民收入的比例一定持续下降。

更重要的是，即使劳动收入份额下降，也必须区分：share——份额与level——绝对水平。

假设劳动收入占比从60%下降到40%，但整个经济规模增长了三倍，那么劳动者获得的绝对收入仍然可能明显增加。

人们实际消费的是收入水平，而不是收入份额。

“机器获得更高收入份额”和“人类生活水平下降”不是同一个命题。

当然，这并不意味着分配问题不重要，而是意味着分析AI必须同时观察总产出、劳动收入、资本收入、收入分布和不同群体受到的冲击。不能仅凭其中一个比例推断整体福利变化。

十三、弱链接既限制AI收益，也放大AI风险

整场演讲最值得警惕的一部分出现在最后。

弱链接理论不仅能够解释为什么AI带来的增长可能没有想象中那么快，也能够解释为什么AI造成的某些风险可能比想象中更快。

在“好的一面”，如果希望整个经济获得巨大生产率提升，就必须同时改善很多互补环节。这很难，所以增长可能比较慢。

但是在“坏的一面”，攻击者不需要改善整个系统。他只需要破坏一个关键弱链接。

这就是为什么网络安全特别值得关注。

经济增长可能是：很多环节都提高 → 才产生巨大收益。

网络攻击却可能是：攻破一个关键环节 → 整个系统受损。

这是一种高度不对称的结构。

更麻烦的是，企业采用AI往往需要采购、培训、组织重构和流程调整，因此存在较高采用成本；而攻击者采用AI几乎没有这些成本。他们不需要企业采购程序、员工培训或组织重构，就可以使用工具发动攻击。

Athey因此提出，可以把AI影响按照两个维度划分：快／慢与好／坏。

很多AI带来的生产率收益可能位于“好但慢”的象限；而网络攻击、诈骗等问题可能位于fast and bad——又快又坏的象限。

这意味着公共政策如果过度把注意力集中在“AI明年会不会消灭所有工作”，反而可能忽视那些经济学上更加明确、速度更快的现实风险。

十四、从这场演讲中可以得到什么？

将整场演讲压缩成五点核心判断：

第一，不要把AI模型能力直接等同于宏观经济影响。 通用目的技术是否改变经济，取决于企业采用、任务扩展、互补资产和组织重构，而不是单纯取决于基准测试。

第二，真正决定AI经济影响的是瓶颈，而不是前沿。 如果AI已经把某些任务做得极其便宜，那么经济价值会逐渐转向那些仍然稀缺的任务。未来最值钱的资源，可能恰恰是AI最难替代的部分。

第三，发展中国家未必是AI革命的天然输家。 如果AI能够低成本提供医疗、教育、农业、管理和专业知识，它可能首先修复这些经济体当前最严重的生产率弱链接。

第四，AI扩散的核心不只是触达，而是适配。 拥有API并不等于采用AI。真正有效的AI必须适应当地语言、设备、成本、通信方式、组织流程和现实约束。

第五，管理能力将成为AI时代最重要的互补资产之一。 技术能力提高之后，企业之间真正拉开差距的，可能越来越不是“有没有AI”，而是谁能够重新设计任务、重新配置人与AI、调整激励机制、突破组织瓶颈，并将AI能力转化成新的生产方式。

十五、比“AI有多聪明”更重要的问题

这场演讲最终把关于人工智能的讨论，从一个技术竞赛问题重新带回经济学和管理学。

今天我们习惯追问：下一代模型会有多强？什么时候出现AGI？AI能不能超过人类专家？

这些问题当然重要。但从经济和组织的角度看，另外一些问题可能更加重要：

• AI能够覆盖多少经济任务？
• AI能否嵌入现实工作流程？
• 企业为什么采用，为什么不采用？
• 哪些组织和制度阻碍技术扩散？
• 人与AI之间如何重新分配任务？
• 哪些互补能力变得更加稀缺？
• 哪些弱链接决定整个系统的生产率？
• 技术进步和组织变革分别需要多长时间？

一旦这样思考，AI革命的图景就会发生改变。

未来的决定性竞争，可能不再只是“谁拥有最强模型”，而是：

谁能够最先找到自己经济和组织中的关键弱链接，并利用AI把它真正打开。

从这个意义上说，人工智能时代真正稀缺的东西，也许不会是智能本身。

当智能越来越便宜之后，真正昂贵的，将是那些仍然无法被智能轻易解决的瓶颈。

而经济增长、企业竞争优势乃至国家发展差距，很可能就将在这些瓶颈上重新形成。

说明：本文根据 Susan Athey 与 Christopher Tonetti 的演讲转写稿整理。涉及增长率、任务自动化比例及其他数值的内容，均按演讲中的模型设定与表述呈现；文中的分析性衔接和管理学启示属于作者的归纳，不应视为演讲者的逐字引语。

希望 Susan Athey 获得 2026年诺贝尔经济学奖（瑞典央行纪念阿尔弗雷德·诺贝尔经济学奖）。

“For her pioneering integration of economic theory and machine learning, her advancement of causal inference methods, and her establishment of new methodological foundations for market design and policy evaluation in the digital age.”

“因其开创性地融合经济理论与机器学习，推动因果推断方法的发展，并为数字时代的市场设计与政策评估奠定了新的方法论基础。”