AI生產(chǎn)率悖論解析：通用技術(shù)時滯與貨幣政策應(yīng)對

AI的技術(shù)屬性界定與當(dāng)前表現(xiàn)

學(xué)術(shù)界普遍將人工智能視為具備通用技術(shù)特征的科技進步，其兼具“發(fā)電機型”通用技術(shù)與“發(fā)明方法的發(fā)明”雙重屬性。作為通用技術(shù)，AI在經(jīng)濟各部門間呈現(xiàn)廣泛擴散潛力，核心技術(shù)隨時間持續(xù)改進，并能催化大量衍生創(chuàng)新。數(shù)據(jù)顯示，2023年以來美國勞動生產(chǎn)率已顯著高于疫情前趨勢水平，主要由資本深化和勞動質(zhì)量提升驅(qū)動，全要素生產(chǎn)率提升相對溫和，這一結(jié)構(gòu)特征符合通用技術(shù)擴散早期的典型表現(xiàn)。

長期生產(chǎn)率提升的兩派觀點

關(guān)于AI能否帶來長期生產(chǎn)率提升，學(xué)界存在分歧。以Gordon為代表的“技術(shù)進步放緩論”認為，第二次工業(yè)革命后的新技術(shù)難以復(fù)制電力時代的持久紅利，AI作為“信息”而非“能源”，且面臨教育水平平臺期等逆風(fēng)，難以支撐長期高增長。另一派則基于“索洛生產(chǎn)率悖論”和J曲線效應(yīng)，認為AI作為通用技術(shù)將在長期帶來提升，但早期受時滯效應(yīng)、資源錯配和測量誤差影響，宏觀數(shù)據(jù)表現(xiàn)不顯著。

時滯效應(yīng)與資源錯配機制

時滯效應(yīng)是解釋當(dāng)前悖論的主流視角。通用技術(shù)從突破到全要素生產(chǎn)率增長峰值通常需經(jīng)歷組織變革、人力資本積累等漫長周期。微觀調(diào)查證實，AI應(yīng)用初期因流程重構(gòu)和學(xué)習(xí)成本可能導(dǎo)致生產(chǎn)率短期下降，隨后進入J曲線上行階段。資源錯配方面，新技術(shù)收益往往集中于頭部企業(yè)或特定高技能群體，導(dǎo)致宏觀層面生產(chǎn)率提升缺乏廣泛的行業(yè)基礎(chǔ)，呈現(xiàn)高度的結(jié)構(gòu)性分化。

預(yù)測時點與貨幣政策啟示

歷史規(guī)律顯示，通用技術(shù)滯后時長逐漸縮短，目前研究普遍預(yù)測AI對生產(chǎn)率提振效應(yīng)最顯著的時期在2030年前后。面對轉(zhuǎn)型期的結(jié)構(gòu)性變化，貨幣政策應(yīng)更關(guān)注微觀調(diào)查數(shù)據(jù)以捕捉早期信號，區(qū)分結(jié)構(gòu)性錯位與周期性疲軟。學(xué)界建議維持相對寬松的貨幣政策以支持新技術(shù)擴散，容忍階段性通脹，同時需警惕因過度樂觀引發(fā)的資產(chǎn)泡沫風(fēng)險。