除了技术本身，人工智能的发展还受多重因素影响，且影响范围同样很广。厘清各种因素如何互动，有助于我们识别哪些力量能改变人工智能的发展轨迹，哪些领域可能出现障碍与机遇。
要点
人工智能进步几乎会影响到所有人。ChatGPT问世还不到四年，生成式人工智能已经改变了我们的思考与工作方式，其未来走向充满不确定性。它将改善我们的生活，还是夺走我们的工作？会带来前所未有的增长，还是引发剧烈动荡？谁将受益，谁又将受损？
解答关于人工智能的重大问题，必须纵览全局，不能仅仅聚焦技术本身。为此，我们梳理了人工智能与实物资源、制度、企业、市场、地缘政治及民众之间的关系图谱，它们不仅影响人工智能，也受人工智能影响。
人工智能系统各部分的发展速度悬殊，由此产生各种风险与瓶颈。用某些指标衡量，人工智能的能力呈指数级增长；数据中心、电网、芯片工厂与采矿等领域的建设呈线性增长；而重新设计企业及其员工的工作模式需要很多年。一个瓶颈刚刚缓解，常常又冒出来新的瓶颈。
因此，在人工智能时代，决策者必须学会以多重速度驾驭变革。当基础设施或组织结构跟不上技术步伐时，可能会拖累人工智能产业的进步；但当技术采用速度超过安全机制、治理机制或公众接受度时，风险亦会悄然积聚。有时答案在于为滞后环节加速，有时则在于审慎踩下刹车。系统性视角，正是我们权衡这些抉择的倚仗。
人工智能或许是我们这个时代最具深远影响的技术。但人工智能的渗透范围能有多广、速度能有多快、又将带来何种影响？这些问题的答案几乎关乎所有人。劳动者想知道，“大规模失业”的预言是确凿可信还是危言耸听——一个被广泛报道、姑且承认偏于极端的预测称，人工智能可能在未来五年内淘汰多达一半的白领入门级岗位。投资者想知道，巨额基础设施投入能否获得回报，抑或重蹈早期铁路与互联网泡沫过后产能过剩、损失惨重的覆辙。政策制定者关注的是：如何在严格管控人工智能风险的同时，不使自身经济陷入劣势——中国、欧盟与美国正走在不同的道路上。首席执行官与首席技术官面临的问题更加紧迫：技术已经落地铺开，为什么业绩报表上却看不到成效？
这些问题没有哪一个能孤立回答。正如人工智能技术本身一样，这些问题需要跨学科、跨领域综合分析。岗位是否会消失，取决于人工智能能否像人类一样出色且廉价地完成构成一个岗位的各项任务，也取决于新任务能否足够快地涌现，以填补被人工智能接管的岗位空缺。投资能否获得回报，取决于人工智能服务的需求是否增长得足够快，能否填满为它而建的算力——那些芯片、电力和数据中心。监管者面临两难：行动过慢，风险可能失控；行动过快，监管更宽松的对手可能抢得先机。而一家企业的技术落地能否结出硕果，不仅取决于技术本身和经济效益，更重要的是，取决于组织是否随之变革，以充分释放人工智能的全部价值。
要理解这些力量如何相互影响，我们需要看清整个系统以及各组成部分之间的内在联系。基于我们先前的研究与客户合作实践，我们提出一个总框架，将那些常被分开考察的因素串联起来，揭示出那些容易被忽视的关联关系。
本报告首先揭示人工智能的各个组件如何可能彼此脱节，以及由此引发的瓶颈与风险；随后将这些组件重新整合，展示它们如何构成一个统一系统，以及某一个环节的变化如何牵动其他环节。这一框架是思考人工智能所引发的重大问题的出发点：例如，快速演进的能力如何转化为更高的生产率与经济增长；基础设施、组织变革或公众舆论又如何影响人工智能的采用。系统性视角能帮助我们理解塑造人工智能发展路径的各方力量，辨识我们的选择在何处能够有所作为。
第一章将考察系统的各个组成部分以多快的速度变化，以及当它们彼此不同步可能引发的后果。但在此之前，先浏览下图以了解整体概况（图1）。
图1 在人工智能系统中，一个环节变化会影响整个系统
注：图中只选择了系统内最重要的主题与作用路径，并未涵盖系统中可能存在的所有联系。
资料来源：麦肯锡全球研究院（McKinsey Global Institute）分析。
时间表不匹配：瓶颈、风险与机遇
通用技术能够变革经济、改善生活，但要充分发挥其全部潜力，远不止于发明本身。还需要互补性创新、新的基础设施、新的规则、资本，以及愿意改变工作方式的人与组织。这些要素很少会同时齐备，而从一项新能力诞生到其全部价值兑现，历史上往往需要数十年时间（图2）。
图2 通用技术的推进速度，可能超越实现其潜力所需配套体系的建设速度
注：为了方便阅读，数据用四舍五入法取整。
1. 通用技术通常会随着时间的推移，通过许多创新不断发展；“开发时间”代表该项技术开始商业部署的时期。例如，首个公共电力设施出现在19世纪80年代初。
2. 各项通用技术对全国人均GDP增长的最大贡献率估值；蒸汽机数据是对英国人均GDP增长的最大贡献率估值，电力、信通技术数据是对美国人均GDP增长的最大贡献率估值。
资料来源：尼古拉斯·克拉夫特（Nicholas Crafts），《作为通用技术的人工智能：历史视角》（Artificial intelligence as a general-purpose technology: an historical perspective），《牛津经济政策评论》（Oxford Review of Economic Policy），第37卷第3期，2021年，第521-536页；麦肯锡全球研究院（McKinsey Global Institute）分析。
在电气化的最初几十年里，仅是为了产生足够的电力来驱动工厂和工业机械，就已经困难重重。后来，当这一障碍逐渐缓解，电网的极限便暴露出来。只有在工厂围绕电动机进行物理重构之后，生产率的大幅跃升才真正到来——而这已是更晚的阶段了。互联网的发展路径几乎如出一辙：首先必须铺设光纤网络，继而需要新的商业模式，最终企业必须围绕这项技术进行组织再造。
发展速度不匹配
人工智能同样面临类似的挑战——诸多必要组成部分循着截然不同的时间线、以各异的变化形态走向成熟。模型能力呈指数级提升，按近期某些衡量标准，每数月即翻一番。相比之下，物理基础设施的建设则更趋线性推进，往往耗时数年。企业层面的变革节奏可能更不均衡，且耗时更长——毕竟企业需要开发新产品、重塑工作方式。
当各组成部分彼此脱节时，瓶颈便随之产生，拖慢技术进步或应用落地的步伐——例如下文将讨论的2023年人工智能芯片需求超过制造能力的情形。对组织而言，一段快速应用的时期过后，同样可能迎来放缓甚至逆转——若产品失败或造成意料之外的损害，或技术部署未能及时带来生产率红利。另一些时候，节奏错位则可能滋生风险，例如当公司治理或网络安全落后于强大新工具的采用时。
生成式人工智能发展的早期，最先遇到的障碍之一是前沿芯片与算力供应不足。随着这些瓶颈逐渐缓解，市场焦点转向电力供应与电网接入。未来的瓶颈更有可能是应用场景、劳动力技能以及企业工作流程，而不再局限于硬件（图3）。
图3 人工智能的基础模块的发展速度差异悬殊
1. 撰写本报告时，还无法获得2026年4月之后发布的模型的数据；开源模型无统计数据。模型评估与威胁研究机构（METR）指出，由于评测任务集有限，时长超过16小时的任务的测试结果不太可靠。
2. 对此问题已连续进行了四轮全球调查，覆盖的国家约30‑32个。
数据来源：模型评估与威胁研究机构（METR）；斯坦福大学以人为本人工智能研究院（Stanford HAI AI Index）2026年报告；麦肯锡数据中心供给模型（McKinsey Data Center Supply Model）；益普索 全球人工智能监测报告（Ipsos AI Monitor）（2023‑2026年）；麦肯锡全球研究院（McKinsey Global Institute）分析。
......
如需阅读全文，请扫描二维码，登录国研网获取。
作者：麦肯锡全球研究院 舒布哈姆·辛格哈尔（Shubham Singhal）、萨尔文德·戈文达拉詹（Arvind Govindarajan）、唐吉·卡特林（Tanguy Catlin）、玛丽亚·赫苏斯·拉米雷斯（María Jesús Ramírez）、泽维尔·里格比（Xavier Rigby），国研网编译
来源：麦肯锡全球研究院（MGI）