ARTICLE · 1017847
AI经济新形态:从技术变量到经济变量的范式转换分析
AI经济新形态:从技术变量到经济变量的范式转换分析——基于朱嘉明、黄益平、刘元春、樊纲2026年最新论述的综合报告 摘要：2026年下半年，中国经济学者围绕人工智能对经济体系的影响展开密集讨论，形成了若干具有范式意义的核心判断。朱嘉明提出“传统经济周期已荡然无存，AI不是工具是经济新物种”，黄益平警示“如果AI强化供强需弱，经济增长范式可能发生变化”，刘元春宣告“AI经济新形态已确立”但“AI经济学尚未开始”，樊纲则从新旧动能转换角度论证中国“已经真正换了赛道”。本文整合上述四位学者的核心观点，结合国内外实证研究，从增长核算、结构冲击、就业分配、统计范式四个维度，系统分析AI作为“经济新物种”所引发的经济学基础问题。本文认为，AI对经济体系的根本挑战不在于其提高效率的潜力，而在于它使传统经济学的分析框架——尤其是周期理论、供需均衡理论和增长核算方法——面临系统性失效的风险。中国经济在这一变局中既拥有独特的结构性优势，也面临K型分化加剧的现实约束。关键词：AI经济新形态；经济增长范式；供强需弱；统计核算困境；K型分化 
一、引言：当经济学家开始谈论“饭碗” 2026年9月的外滩大会“AI经济增长新范式与社会价值重构”论坛上，上海财经大学校长刘元春的一句发言引发了广泛共鸣：经济学家的饭碗被AI弄得七零八落。这并非修辞上的夸张。当一个以“理性配置稀缺资源”为研究对象的学科，面对一种能够以近乎零边际成本生成知识、代码和分析的技术时，其自身的知识生产模式便成为了被审视的对象。 刘元春的判断比“饭碗”之说更为审慎和精确：“AI经济的新形态已经确立，但AI经济学还没有真正开始”。这意味着，经济现实已经走在了理论之前。AI驱动的经济活动正在以可观测的速度改变生产函数、重塑产业结构、冲击劳动力市场，但经济学家用以描述和预测这些变化的工具——周期模型、增长核算方程、菲利普斯曲线——却仍然建立在AI出现之前的经验规律之上。 莫干山研究院学术委员会主任朱嘉明的判断则更为激进。他在财联社的发言中给出量化预测：人工智能对全球GDP的平均影响目前应在0.1%左右，预计未来五到十年将趋于10%。这一预测背后的逻辑指向一个更深层的命题：AI不是可以嵌入现有经济框架的“工具变量”，而是一种具有自主演化逻辑的“经济新物种”。 本文试图回答的核心问题是：当四位中国经济学者在同一时间窗口内从不同角度逼近同一个判断时，他们所描述的“新形态”究竟新在何处？旧的分析框架为何失效？中国在这一变局中处于什么位置？ 
二、经济增长核算的AI困境：投入已现，产出未至（一）投资热潮与生产率增长的“时滞断裂” AI对经济增长最直接的贡献目前体现在投资端。圣路易斯联储2026年1月发布的研究显示，2025年第一季度，信息处理设备对实际GDP增长的贡献达到0.90个百分点，显著高于其长期均值0.18个百分点；软件贡献从长期均值0.10跃升至0.41个百分点。数据中心建设投资虽然绝对贡献尚小（约0.04个百分点），但其增速和方向性意义不容忽视。 然而，投资端的繁荣与生产率端的“沉默”构成了鲜明反差。刘元春在论坛上提出的核心问题正在于此：今天形成的算力、模型和基础设施，能不能沉淀成真实生产能力？国际劳工组织2026年5月发布的实证综述指出，生成式AI带来的生产率增益“真实但往往未经核实且分布不均”，工人报告的时间节省仅占工作时间的几个百分点，尚未转化为可测量的产出或收入增长。 这种“投入已现、产出未至”的格局，在历史上并非没有先例。索洛在1987年提出的“生产率悖论”——“你到处都能看到计算机时代，除了在生产率统计数据中”——在AI时代呈现出惊人的相似性。但相似的表象之下隐藏着关键差异：计算机革命主要替代的是常规性体力劳动和文书工作，其生产率效应可以通过制造业产出和办公室效率来追踪；而AI直接作用于认知性任务的核心——分析、判断、创造——其产出形态本身就难以被现有的GDP核算体系捕捉。（二）朱嘉明的量化判断：从0.1%到10%的逻辑 朱嘉明给出的“0.1%到10%”的预测区间，需要放在上述困境中理解。0.1%的当前贡献对应的是AI作为“狭义工具”的使用——辅助编程、文本生成、客户服务——这些活动的经济价值大多已经隐含在现有产品和服务的改进中，而非创造新的可计量产出。 10%的长期贡献则对应一种截然不同的经济形态：AI本身成为经济活动的主要组织者和执行者，人类从“操作者”转变为“指令发出者”和“结果审核者”。在这种形态下，GDP核算的对象不再是人类劳动的直接产出，而是“人机协作系统”的复合产出，其价值归属、成本结构和价格形成机制都与传统经济截然不同。 朱嘉明特别指出，这一差异“取决于我们用广义人工智能还是用狭义人工智能来定义AI对GDP的贡献”。换言之，统计口径的选择本身就在很大程度上决定了AI“看起来”对经济有多大贡献。这暗示了一个更深层的困境：AI可能正在使GDP这个指标本身变得越来越不适用于衡量经济福祉。（三）黄益平的警示：供强需弱的结构性风险 如果说朱嘉明和刘元春关注的是AI“做大蛋糕”的能力，那么北京大学国家发展研究院院长黄益平则将注意力转向了“蛋糕的分配和消化”问题。他在同一论坛上提出的判断——“如果AI强化供强需弱，经济增长范式可能发生变化”——指向了AI经济的一个核心张力。 传统经济周期理论隐含着一个假设：供给和需求通过价格机制趋向均衡，技术冲击在短期造成波动，在长期通过要素价格调整实现新的均衡。但AI对供给端的影响可能是非对称的：它极大地降低了生产的知识门槛和边际成本，使供给能力以指数级扩张；而需求端受制于人类消费的生理极限、收入分配格局和消费偏好的演化速度，其扩张是渐进的、线性的。 这种“供给指数化、需求线性化”的张力，在黄益平的分析框架中，可能使经济陷入一种新型的非均衡状态：不是传统意义上的产能过剩（可以通过价格下降出清），而是“供给过剩与需求不足的结构性固化”。当AI使产品和服务几乎可以无限复制时，需求不足就不再是周期性现象，而是体系性的特征。 
三、AI经济新形态的结构特征：K型分化与“换了赛道”（一）刘元春的“新形态”判断与统计困境 刘元春“AI经济新形态已经确立”的判断，其经验依据来自对当前经济数据“异常性”的观察。传统的经济复苏在2024—2026年间呈现出明显的“K型”特征：AI相关产业、新能源、高端制造等部门高速增长，而房地产、传统消费、部分服务业持续低迷。刘元春指出，“当前的K型复苏是AI冲击的产物，也是技术与产业革命、房地产深度调整、世界与中国结构变化等多重因素共同作用的结果”。 这一判断的方法论意义在于：K型分化不是经济周期的一个阶段，而是新形态的常态特征。在传统周期理论中，分化最终会通过要素流动和价格调整趋于收敛；但在AI驱动的新形态中，分化具有自我强化的趋势——AI产业吸引资本和人才，进一步加速其发展；传统产业则因需求萎缩和人才流失而陷入下降螺旋。（二）樊纲的“换赛道”论：中国的结构性优势 中国经济体制改革研究会副会长樊纲从比较视角提供了另一种分析框架。他在2026年博鳌全体大会上系统论证了中国与日本1990年代泡沫破裂后的关键差异，核心论点是：中国“已经真正换了赛道”。 樊纲指出三个结构性差异：其一，日本市场出清缓慢，房价下跌拖了二十年才触底，而中国房地产出清更为迅速；其二，日本当时城市化已基本完成（农民不足劳动力5%），中国城市化率仅64%，仍有持续增长空间；其三，也是最关键的，日本当时缺乏新技术与新产业，原有优势产业（半导体）被转移海外，“被掏空了”，而中国在AI、新能源、生物科技等领域“新兴产业正在蓬勃发展”。 樊纲特别强调了新能源产业的战略意义。他提出了一个极具洞察力的判断：美以伊战争和霍尔木兹海峡的冲突，正在为新能源注入新的发展动力——从“低碳”转向“能源安全”。太阳能之所以成为“最安全、最平等”的能源，是因为“每个人头上都有太阳”。这一判断将地缘政治冲击与产业趋势结合起来，为理解中国新能源产业的长期竞争力提供了新的论证。（三）“新物种”命题的经济学含义 回到朱嘉明的“AI不是工具是经济新物种”命题。这一判断的深刻之处在于它拒绝了将AI简单类比于蒸汽机、电力或互联网的惯常做法。通用目的技术（GPT）理论认为，重大技术通过降低通用投入的成本来重塑整个经济体系，但其本身仍然是“工具”——只是比以往的工具更具渗透性。 朱嘉明暗示的是更激进的可能性：AI不仅降低认知成本，而且开始自主地执行“经济决策”——配置资源、定价、创新。当AI系统能够独立完成从市场分析到产品设计到定价策略的全链条决策时，它就不再是工具，而成为了经济活动的“主体”之一。这带来了两个根本性的理论挑战： 其一，传统的“生产函数”假设资本和劳动是基本的投入要素，技术是乘数因子。如果AI成为自主的生产者，生产函数需要被重新定义为包含“自主决策单元”的复杂系统。 其二，传统经济学的“稀缺性”前提面临挑战。AI可以无限复制知识和设计，使许多传统意义上的稀缺资源（专业知识、分析能力、创意）变得不再稀缺。稀缺性的重新配置将颠覆价格理论和资源配置理论的根基。 
四、就业、教育与收入分配：AI冲击的社会维度（一）从“抢饭碗”到“重塑饭碗” 关于AI对就业影响的讨论，2026年的学术共识已经从简单的“替代/创造”二元论转向更细致的“任务重塑”分析。里士满联储2026年第三季度的研究报告指出，AI采纳在企业层面已经广泛存在，80%的大企业报告了AI投资，但其动机“很少是让人失业”，而是提高生产效率、加速决策和增强产出。国际劳工组织的综述同样发现，“大规模岗位替代仍然有限”。 然而，这些乐观的总体数据掩盖了结构性冲击的严重性。刘元春在论坛上指出，AI对就业的影响“没有只停留在‘AI会不会抢饭碗’”，更值得关注的是就业结构的“K型分化”——高技能、与AI互补的岗位需求上升，常规性认知岗位被压缩，低技能服务岗位的工资增长停滞。 一个值得警惕的现象来自硅谷的经验。纽约时报2026年4月的报道显示，科技行业自身正在成为AI冲击的“培养皿”——超过70家科技公司在2026年前四个月裁员至少4万人，旧金山县在2022至2025年间损失了约3万个科技岗位。Block公司裁减了40%的员工，其CEO明确表示“智能工具与更小、更扁平的团队”正在“根本性地改变创建和运营公司的含义”。当AI的“生产者”本身成为被替代的对象时，其对其他行业的溢出效应值得深思。（二）刘元春的教育革命命题 刘元春在WAIC 2026论坛上提出的判断，将讨论提升到了人力资本再生产的层面：“大学的第一性原理正从培养掌握知识的人转向培养定义问题、驾驭工具、创造价值的人。”他提出了一个极具冲击力的命题：“学生怎么学比学什么重要100倍。” 这一判断的政策含义是深远的。如果AI能够比任何人类个体更快、更准确地掌握和调用既有知识，那么以“知识传授”为核心的传统教育模式就丧失了经济理性。教育的价值必须转向AI无法替代的能力：提出有价值问题的能力、在不确定情境中做出判断的能力、跨领域整合的能力、以及“驾驭”AI而非被AI驾驭的元能力。 上海财经大学推行的“数智新财经”改革——打破学科围墙、产教融合、双导师制——可以视为对这一判断的制度回应。但其效果尚需时间检验，且其可复制性取决于中国高等教育体系的整体改革进度。（三）收入分配的深层挑战 AI对收入分配的影响可能比就业影响更为深远，也更难以通过短期政策对冲。其核心机制在于：AI显著提高了资本相对于劳动的谈判能力。当企业可以用AI系统替代部分认知劳动时，劳动收入份额面临进一步下降的压力。 更隐蔽的机制在于“技能溢价的重构”。传统上，大学教育提供了稳定的技能溢价——受教育年限越长，收入越高。但AI对高技能认知任务的替代效应，可能使部分高学历人群的技能溢价收窄，同时使另一部分（与AI互补的、涉及物理世界操作和人际互动的）技能溢价扩大。这种“技能溢价的结构性重组”，将使以教育水平为基准的收入分配分析框架面临失效风险。 国际清算银行2025年12月的研究为这一担忧提供了国际维度的证据：AI的增长效应在发达经济体更为显著，部分原因是其“数字基础设施、人力资本、创新能力和监管框架”更为完备。研究结论直言：“AI的扩散可能在近期内扩大全球收入差距。” 
五、统计范式与理论框架的“创造性破坏”（一）GDP核算的“AI盲区” 如果AI的核心贡献是提高认知任务的质量和速度，而非增加可交易的商品和服务数量，那么GDP核算体系将系统性地低估AI的经济价值。这一问题的严重性可以从一个思想实验来理解：假设AI使一个经济学家的分析效率提高了三倍——他可以在同样时间内完成三倍的研究报告。但如果这些额外报告没有进入市场交易（大多数学术研究并不直接产生GDP），那么GDP统计将完全“看不见”这一效率提升。 传统经济学的应对方式是通过“全要素生产率”（TFP）来捕捉无法被要素投入解释的增长。但TFP本质上是一个残差项，它衡量的是“我们不知道的东西”。当AI成为主导性的增长来源时，TFP将变得越来越庞大且越来越不可解释，使增长核算失去其诊断功能。（二）周期理论的适用性危机 朱嘉明“传统经济周期已荡然无存”的判断，需要放在上述统计困境中理解。传统经济周期的驱动力——库存波动、投资加速数、信贷周期——都建立在“供给可以精确计量、需求受制于收入约束”的假设之上。当AI使供给能力以不可计量的方式扩张时，周期理论赖以运行的“可观测性”基础便动摇了。 更根本的问题在于，如果AI的产出（如代码、分析、设计）无法被有效定价和计量，那么传统的“价格信号→资源配置→周期波动”的传导链条就断裂了。我们可能正在进入一个“统计上不可见”的周期时代——经济活动在真实意义上剧烈波动，但在统计意义上表现为平缓的随机游走。（三）黄益平命题的理论含义 黄益平“供强需弱可能改变增长范式”的判断，可以视为对上述理论危机的具体化表达。在传统增长理论中，供给和需求通过价格机制趋向均衡，增长范式（无论是索洛模型还是内生增长模型）都假设存在某种均衡路径。但如果AI使供给能力的扩张速度持续、显著地超过需求扩张速度，且价格机制无法有效调节这种失衡（因为AI产出的价格可能趋向于零），那么“非均衡”就成为常态，“均衡增长”的分析框架就失去了意义。 这引出了一个更深层的问题：如果AI使经济体系持续处于“供过于求”的非均衡状态，那么经济政策的目标函数是否需要从“促进增长”转向“管理过剩”？从“做大蛋糕”转向“分配蛋糕”？这些问题已经超出了传统经济学的理论储备。 
六、结论：在旧地图与新大陆之间整合四位学者的判断，可以勾勒出AI经济新形态的轮廓： 在增长维度上，AI的投资效应已经可见且显著，但其生产率效应和产出效应仍在“统计暗区”中积累。朱嘉明的“0.1%到10%”预测区间，反映的正是这种“已发生但未被计量”的状态。 在结构维度上，K型分化不是过渡期现象，而是新形态的常态特征。樊纲的“换赛道”论和中国的结构性优势，为理解分化的方向提供了有价值的视角，但分化的自我强化趋势值得警惕。 在分配维度上，AI对就业和收入的影响正在从“总量冲击”转向“结构重组”。刘元春的教育革命命题和黄益平的供需失衡警示，分别从供给侧和需求侧指出了政策应对的紧迫性。 在理论维度上，最根本的挑战在于：我们用以理解经济的工具——周期理论、增长核算、供需均衡——都建立在一个正在消逝的世界之上。刘元春“AI经济学还没有真正开始”的判断，既是一种诊断，也是一种召唤。 对于中国经济而言，樊纲所论证的结构性优势是真实的：完整的制造业体系、快速出清的市场机制、尚未完全释放的城市化潜力、以及在新兴产业领域已经形成的竞争力。但这些优势的兑现，取决于能否在制度层面回应AI带来的新挑战——包括教育体系的根本性改革、统计核算方法的更新、以及收入分配机制的重构。 在旧地图失效的新大陆上，谨慎的乐观主义或许是最合适的态度：既承认理论框架的危机，也承认实践探索的空间；既警惕K型分化的风险，也看到结构性优势的潜力。毕竟，经济学家的真正任务从来不是预测未来，而是帮助社会理解正在发生的变化——即使这意味着先要承认，我们手中的理论工具，可能已经不够用了。