夜雨聆风
经济学里有一个朴素到几乎没人争辩的结论:让一个国家长久变富的,归根到底只有一样东西,新想法,经济学家口中的 ideas。资本会折旧,人力会到顶,石油会抽干,唯独一个好点子可以被无数人同时使用而不损耗。增长理论把这件事算了一个世纪,结论始终没变,想法是复利的唯一引擎。
可这台引擎背后,藏着一个越来越响的警报:新想法正变得越来越难找,而且难得有数可查。这个判断最有名的提出者,是斯坦福的 Charles I. Jones,人称 Chad Jones。他半生都在做同一件事,为"想法从哪里来"这个问题,造一把能精确测量的尺子。
而就在这套略显悲观的判断快要坐实的时候,人类造出了一台号称能量产想法的机器:AI。Jones 的整套理论,被推到一个它从未设想过的路口。更耐人寻味的是,同一套理论,在他自己手里,对这台机器给出过两个截然相反的判断。而在这两个判断之上,还压着一个更大的、连他自己也没挑明的问题:人类能不能找到足够多的想法,去造出一台能持续找到更多想法的机器。
「想法是唯一的引擎」
增长理论里有一个不太直观、却被反复确认的结论:长期看,让一个国家持续变富的,几乎只有一样东西,新想法。资本会折旧,劳动力会到顶,自然资源会耗尽,唯独想法不一样。Paul Romer 在 1990 年把这件事讲清楚,并因此拿了 2018 年的诺贝尔经济学奖:想法是非竞争性的,non-rival。一块面包你吃了我就吃不到,一个定理你用了我照样能用,全世界同时用,它一分不少。正因为可以无限复制、无限叠加,想法是唯一能撑起复利式增长的东西。
Romer 的模型漂亮,却有一处和现实顶不上。按它的逻辑,投入研究的人越多,增长率就该越高。可二十世纪的事实是,研究人员的数量涨了几十倍,美国人均收入的增长率却稳稳贴着每年 2% 那条线,纹丝不动。Jones 在 1995 年补上了这个缺口。他的修正后来被称作半内生增长,semi-endogenous growth:长期增长率并不由你砸进去多少研究力量决定,而是由人口的增长率兜底。多投入研究,能把经济抬到更高的水平线上,却换不来更陡的斜率。说到底,这是一个关于人的理论。增长能跑多快,取决于你有多少颗会冒出想法的脑子。
「想法越来越难找」
如果想法是引擎,那么 Jones 职业生涯里最有名的一篇论文,讲的是这台引擎正变得越来越费油。2020 年,他和 Nicholas Bloom、John Van Reenen、Michael Webb 合写的 Are Ideas Getting Harder to Find?,给出一个让整个行业记了很久的判断:想法,确实越来越难找了。
他们的算法很朴素。长期增长可以拆成两项的乘积:有效研究人员的数量,乘以他们的研究生产率。然后他们一个领域一个领域去量后面那一项。摩尔定律是最干净的例子。芯片上晶体管的密度每两年翻一番,这条规律撑了半个世纪,可维持它所需要的研究人员,2014 年是 1971 年的约 18 倍。同样一次翻番,今天要动用的人力是当年的十几倍。半导体研究的"性价比",每年下滑约 **6.8%**。农业、医药,看到哪里几乎都是同一幅图景:产出的想法以大致恒定的速度往外冒,而为了让它恒定地冒,投进去的人和钱在指数式地膨胀。
这给增长描出一幅近乎悲观的底色。所谓稳定的 2% 增长,不是因为想法源源不断,而是因为我们把一支指数式膨胀的研究队伍,扔进了一条正在变窄的矿脉,两股力量相互抵消。文艺复兴式的通才早就死了,今天的突破来得更晚、更靠人海、更靠分工。(这个判断并非没有争论。也有经济学家认为,问题不在创造力枯竭,而在市场没把创造力兑换成回报。但底色的方向,多数人是认的。)
「这一次,也许真的不一样」
把前两节叠在一起,会看到第三件事。Jones 的理论说,增长被两样东西摁住:你有多少颗脑子,以及这些脑子在每个领域里多快撞上"想法越来越难找"的那堵墙。两道约束,落点都在人身上,因为想法得由人来想。
而 AI,如果真能做到它的鼓吹者所说的,恰好是历史上第一项同时撬动这两道约束的技术。它不增加人,它制造脑子。AI 实验室反复描绘的那幅图景,一座装满虚拟天才、昼夜不停产出想法的数据中心,翻成 Jones 的语言,就是把"有效研究人员的数量"这一项,从受制于人口,变成可以靠堆芯片任意放大。一旦会想想法的不必再是人,那条给增长兜底的人口约束,就被直接抽掉了。
把它落到那 18 倍上看。过去维持 2% 的增长,靠的是一支指数膨胀的研究大军,每一次翻番都要多征召成倍的人,而人,要生、要养、要二十年才长成。AI 头一回让这支军队的扩编绕开了产房:一个研究者可以像文件一样被复制,开出上千个分身,每个按百倍钟速、昼夜不歇地跑。Romer 当年说,想法是非竞争的,一个定理你用我也能用;AI 把非竞争性又往上抬了一层,连"想出定理的那颗脑子"本身,都变得可以无限拷贝。先前每一项技术,从蒸汽机到互联网,都只是把现有的研究者变得更能干,是一把更趁手的工具;AI 要做的,是直接增产研究者本身。这才是它也许不只是又一项通用技术的原因。
这不是外人的揣测,而是 Jones 自己算过的事。早在 2019 年,他和 Philippe Aghion、Benjamin Jones 合写的一篇论文就证明:在标准增长模型里,一旦 AI 能把生产想法这件事本身自动化,增长不光会加速,某些设定下还会在有限时间里冲向无穷,经济学家口中的"奇点"。那个一向以谨慎、以"这次未必不同"著称的怀疑派,亲手写下了乐观派最激进的那条定理。把他的框架当真,它许诺的不是温和的提速,而是爆炸。即使脑子可以复制,世界也未必可以被同样复制。
「最弱的那一环」
故事若在这里停下,Jones 就只是又一个增长爆炸的预言家了。但他的工具箱里还有另一只手,而这只手,把那股冲劲按了回去。
这只手叫弱环节,weak links。它的直觉,Jones 喜欢用 1986 年 Challenger 号航天飞机的失事来讲。事后调查发现,致命的缺陷出在一圈叫 O-ring 的橡胶密封圈上:发射那天气温创下新低,橡胶变脆、密封失效,整架航天飞机随之解体。一条链子,无论别的环节多结实,要断,只断在最弱的那一环。经济学家 Michael Kremer 受此启发,在 1993 年把这个直觉写成了著名的 O-ring 模型。
弱环节的要害在于:当各项任务彼此互补、缺一不可时,产出被卡在最差的那一项上,而不是被最好的那一项拉起来。Jones 和 Chris Tonetti 在最新的论文里,用这一点算出一个几乎像玩笑的结论。设想产出由两项任务合成,一项容易自动化的 ,一项很难自动化的 。当两者以某种方式互补时,总产出近似于它们的调和平均:
这个式子有个冷酷的性质:哪怕你把容易那项做到无穷大,,产出也只会逼近 ,被那个难的、没被自动化的环节牢牢摁住。
顺着这条逻辑,Jones 和 Tonetti 推出一个更一般的公式:把一项占 GDP 份额为 的任务无限自动化,产出最多涨到原来的 倍。然后他把公式对准了那个最被看好的场景,AI 自动化软件。软件大约占美国 GDP 的 2%。代进去:哪怕你造出无穷多的软件,把今天软件所做的一切任务全部免费、瞬时、无限地完成,GDP 也只涨大约 2%。
你不必相信公式,看看手边这台电脑就够了。它的算力是 1970 年代最好的机器的约一亿倍,可你我并没有比当年的人聪明一亿倍。矩阵求逆快了无数倍,但该把什么数据填进矩阵、该检验哪个假设,还得人来定。被自动化的那部分变得又便宜又渺小,没被自动化的那部分,反而越来越贵、越来越占分量,最后由它来决定整个经济跑多快。这是 William Baumol 半个世纪前就讲过的"成本病":一支弦乐四重奏今天演奏贝多芬,和两百年前一样,要四个人、花同样长的时间,生产率一点没涨,于是它的相对成本只会越抬越高。在 Jones 的框架里,被弱环节卡住的整个经济,就是那支永远需要四个人的四重奏。
那 AI 驱动的机器人、乃至全能的 AGI 呢?把物理任务也交给它,把实验搬进模拟,瓶颈不就拆光了吗。这里要把两件常被混为一谈的事分开:能力,和结构。弱环节摁住产出,靠的不是某项任务能力不足,而是任务之间的互补,也只逼近 ,能力无穷,结构照旧。而这个结构,被三个毫不相干的领域各自撞见过一次,这通常意味着撞见的是规律本身,不是某一行的偏方。农学叫它 Liebig 最小因子律:一块田的收成由最稀缺的那种养分定夺,氮加到天上去,只要磷是短板就一点不长;补足了磷,钾又成了新短板,瓶颈在养分间迁移,从不消失。计算机体系结构叫它 Amdahl 定律:一段程序若有 5% 不能并行,哪怕给你无穷多处理器,加速也封顶在 20 倍,因为那 5% 会膨胀到吃掉几乎全部运行时间。而 Amdahl 的加速上限 (为可并行的比例),和 Jones 那个产出涨 ,是同一个式子,他等于把 Amdahl 定律从一颗芯片搬上了整个经济。
于是问题缩到一句:为什么总剩下清不掉的一环?浅一层的答案在会计里,所有份额加起来永远是 1,你把一项做到极便宜,它就缩向零、退出瓶颈的位置,把权重交给下一项还没攻下的,成功是自我抹除的。深一层的答案更要命:要自动化任务 X,你得先有一个 X 的够保真的模型,而造出这个模型本身,通常是更难、更不可自动化的那一种活,因为它就是研究,就是产出一个新想法。机器人用仿真和强化学习清掉了走路,核试验被搬进了计算机,这些是真胜利,但它们成立的前提,是那门物理已被学透到模型不必再被现实纠偏,核爆的模拟,站在先前上千次真实爆炸标定出的方程之上。换成还没学透的系统,活体的药理、强关联的材料、混沌的湍流,造出那个可信模型,就是下一个最难找的想法。弱环节和"想法越来越难找",到这里露出同一张脸:残差永远是"找出清除当前残差的那个想法",而想法这个输入,本身正越来越稀缺。瓶颈于是不会被消灭,只会迁移,像壁纸下的气泡,这头压平,那头鼓起,只在你能同时处处压平、的那一刻才真正消失。连瓶颈的终结者,自己都长着瓶颈。
还有一个方向的迁移,藏在"想法"这个词内部。把一个想法的一生拆开,它要先被生成,再被筛选、被验证、被解释,最后由某个人担责。AI 头一个攻陷的是最左端的生成,候选从此可以无限便宜地量产;可弱环节顺着这条流水线往右迁,而越往右,验证回路越长,越离不开人。生成越免费,从一万个候选里挑出值得一验的那几个就越要命,品味成了瓶颈;验证要把候选摁回现实挨打,而现实有自己的钟;解释要把一个验证为真的结果接进人类既有的理解,那把尺子握在人手里;最右端的担责根本不是认知问题,是法律与信任,它要的是一个能签字、能被起诉、能在出错时担后果的人,而这是 AI 给不出的。机器把"想出来"变成了免费,"挑得准、验得实、讲得通、扛得住"于是成了全部稀缺所在,生成贬值,判断升值。
可故事还有更平的一面,它也是对怀疑派的考验。怀疑派从不否认 AI 能想出好想法,它甚至未必只会堆候选,它可能反过来侵入验证器本身:设计更好的实验,把实验室自动化,从一团乱的文献里挖出反复失败的暗坑和没人留意的规律,改进模拟、把更多现实系统拉进可算的范围,甚至帮着造出新的科学语言,让验证本身变便宜。所以真正值得盯的,不是 AI 会不会写论文、提猜想、生成代码,而是它能不能缩短"从猜想到可靠知识"那个闭环。能,它就不只是生成器,而开始啃下验证器;不能,它只会造出越来越大的候选堆,把瓶颈整个推给人的判断。怀疑派真正要说的,从不是 AI 想不出好东西,而是:除非它改造那条验证回路,否则想法的爆发,并不等于知识的爆发。
弱环节这枚硬币,还有另一面。"由最弱一环说了算"这条性质,在收益侧表现为迟滞,你得几乎修好每一环,好处才攒得出来;翻过来,在风险侧它表现为脆弱,毁掉任一环就够。慢与险,本是同一枚硬币的两面。
同一个人,先证明了增长可能爆炸,又算清了它为什么多半只会爬。这不是自相矛盾,这是把两股真实的力量,同时摆上了台面。
「数据中心里的天才之国」
把这幅图景概括得最响亮的,是 Anthropic 的 CEO Dario Amodei。他有一句广为流传的话:不久之后,我们会拥有 "a country of geniuses in a data center",一座数据中心里的天才之国。整家公司,某种意义上,押注在这句话会成真。而 6 月 30 日起,Jones 从斯坦福商学院休假,加入了 Anthropic 旗下的研究机构 Anthropic Institute,继续他关于 AI 与长期增长的研究。在那里与他共事的,有 Anton Korinek 这样研究 AI 经济学的人。换句话说,那个造出尺子的人,走进了那座据说装满天才的数据中心。
他没有完整说明过为什么是现在、为什么是这里,以下只是推断,不是他的原话。但把他的研究和 AI 的走势叠在一起,理由并不难看出来。他大半生想测准的那个量,想法究竟从哪里来、能不能被一台机器重新批量造出,答案此刻并不躺在公开的统计里,而藏在实验室内部的能力曲线和算力账本里,要许多年后才会渗进 GDP。一个一辈子隔着公开数字测量想法的人,如今有机会坐到那台也许正在制造想法的机器旁边。这个动机,和他全部的研究是严丝合缝的。
而他带进去的,其实不止一个问题。前面那枚硬币翻过来,就是它:弱环节让好处来得慢,也让坏处来得脆,毁掉任一环就够。一个在软件上超人、却被坏人拿去用的 AI,攻进金融系统或一间病毒实验室,不必先解决所有难任务,只需踢断一环。好处是合取,风险是析取。所以他研究的,从来不只是"AI 能让 GDP 多快增长"这一个问题,还有它的孪生:为什么收益被系统结构拖慢,风险却能从局部泄漏。而这个问题,一家造前沿 AI、又把安全当命的公司,最需要它被回答。
于是把一位增长理论家请进 AI 实验室,就不只是装点门面。它至少有两种读法,而诚实要求两种都摆着。一种是:一家押注于"这次不一样"的公司,主动把一个最有分量的怀疑者请进内部,让他用自己的弱环节去捶打公司的故事。另一种没那么好看:把斯坦福的信誉借来,为一套既定的叙事背书。消息一出,就有人在 Jones 的帖子下追问,要他公开和 Anthropic 之间关于研究独立性、保密协议的具体约定。这个问题问得对,而眼下,谁也答不上来。
Jones 自己的位置,才是要紧的。他不站在任何一端。他论文里反复出现的那句话是:真实的未来,大概落在两个极端之间,问题只是落在哪。他既不肯陪硅谷狂欢,也不肯陪末日论合唱。这种"身在局外、知之甚深"的悬置,本是一个学者最难守、也最值钱的姿态。它能不能在一家有立场的公司内部守住,是这次加盟真正待解的问题。
「量它的人,和被量的东西」
退一步看,这次加盟有一种近乎对称的况味。Jones 一辈子在问同一个问题:想法到底从哪里来,又为什么越来越难找。他造出半内生增长,是为了回答前半句;他写《想法越来越难找》,是为了量后半句。这套理论的全部用处,是判断一项技术能不能真正改变增长的速率,而不只是把它抬高一截。
而 AI,是人类造出的第一台公开宣称要去制造想法的机器。它要正面回答 Jones 问了三十年的那个问题,甚至要把那条"越来越难找"的曲线掰直。
所以他去 Anthropic,不是选了一边,他是把尺子带到了被量的东西跟前。但这把尺子,不是一架中立的天平。他亲手把最强的武器递给了乐观派,那道奇点,又转身花了更大的力气,去证明这把枪暂时打不响。他把弱环节的强度设得很高,赌的是残差极黏,爆炸被推迟几十年,而非取消。到今天为止,那条"想法越来越难找"的曲线,还没有可见地拐头。一个人花半生打磨一件仪器,为的是量出增长究竟能不能被改变;如今它终于要对准那项唯一为改变增长而生的技术。它量得出爆炸,也量得出又一支永远要四个人的四重奏;Jones 的直觉显然更怕后者被低估,但他真正留下的不是答案,而是一把判断爆炸是否正在发生的尺子。
但 Jones 的赌注,还不是这件事的底。AI 唯一真正的新意,是让那颗会冒猜想的脑子,生成器,可以被复制。可复制不了的,是验证器,是判断哪个问题值得做、哪个结果可信的那套眼光,更是那道把猜想摁回现实去挨打的接地线。科学之所以可靠,从不在单个科学家多聪明,而在它是一台系统性地少犯错的机器,可靠性是过程的性质,不是头脑的性质。生成便宜,验证昂贵,接地最贵,因为现实不能被复制。把一千个天才装进数据中心,得到的不是一个国家,是一个非常聪明、却未经校验的稿件堆。而增长经济学过去几十年最硬的一条发现,与这个意象正面相撞:让国家富起来的,不是要素禀赋,不是人均智商,而是制度,Acemoglu 那一脉凭它拿了 2024 年的诺奖。照这把尺子,数据中心里的天才之国,若只是一堆高智商的模型,确实是个范畴错误,财富从不住在最聪明的那些脑袋里,而住在把脑袋绞成知识的那套制度里。但它未必停在那里:一旦这堆模型长出自己的分工、记忆、纠错、验证、激励,以及那道连向现实的接口,它就不再是一堆天才,而开始逼近一个"国家",一座科学共同体。
退到比他更远的地方看,这样一台不断找出新想法的机器,人类其实造过至少三台:演化、科学、市场。顺着同一条逻辑,它们立刻显出真身,从来不是三堆聪明零件,而是三套制度,一套做选择,一套做检验与复现,一套做定价与协调,每一台都把自己的产出喂回自己的输入,每一台都自我改进。可四十亿年里,没有一台真正烧起来:"想法生出更多想法"这把火,从没有一次自己烧成燎原。不是因为零件不够聪明,而是因为把猜想筛成真知识,被协调、判断、接地这三道慢工摁着,火每烧到这三关就弱下去。这把尺子,四十亿年反复读出同一个数:始终没烧成片。复制天才,复制的是零件;要让它自己烧起来,得复制整座制度,而制度最要命的那道接地线,偏偏复制不了,因为现实复制不了。
但"复制"本就是错的动词。前面那条验证回路,只是其中一套制度,而制度从来不在 AI 之外,它本身就是一种技术,一种组织行为、分配信任、压低协调成本、存下错误教训的技术。于是 AI 最深的经济意义,也许不是当"研究者的替代品",而是当"制度的改造器":不只改造验证,还改造市场、组织、监管。改到那一层,它改写的就不再是某一个想法,而是生产想法的那条底层函数。
AI 实验室造的,因此不只是更聪明的模型,是一套刚出生的知识制度,模型、人、实验、市场、安全约束绞在一起。真正待问的,从不是它多聪明,而是这套制度能不能稳定地产出真知识。而 Jones 这位想法的经济学家,嵌进的就是这样一套制度,而不是一台更聪明的机器。一套制度能不能把聪明绞成知识,本就落在增长经济学的核心。于是那个连他也没挑明的问题,终于收成一句:在演化、科学、市场之后,它是这条序列里第一台烧起来的制度,还是第四台始终没烧起来的。
参考来源
Charles I. Jones, AI and Our Economic Future, version 2.0, May 2026(为 Journal of Economic Perspectives准备),web.stanford.edu/~chadj Nicholas Bloom, Charles I. Jones, John Van Reenen, Michael Webb, Are Ideas Getting Harder to Find?, American Economic Review 110(4), 2020, 1104–1144 Charles I. Jones, R&D-Based Models of Economic Growth, Journal of Political Economy 103(4), 1995(半内生增长) Philippe Aghion, Benjamin F. Jones, Charles I. Jones, Artificial Intelligence and Economic Growth,载 The Economics of Artificial Intelligence, NBER, 2019 Charles I. Jones & Chris Tonetti, Past Automation and Future AI: How Weak Links Tame the Growth Explosion, 2026(工作论文) Michael Kremer, The O-Ring Theory of Economic Development, Quarterly Journal of Economics, 1993 Paul Romer, Endogenous Technological Change, Journal of Political Economy 98(5), 1990 Jones 关于加入 Anthropic Institute 的公开说明(@ChadJonesEcon);斯坦福 GSB If/Then播客 "Our AI Future: From Abundance to Apocalypse" 弱环节的跨学科同构:William Baumol 的成本病、Liebig 最小因子律、Gene Amdahl 定律(1967);核试验转入模拟,参见美国库存管理计划(Stockpile Stewardship) 制度而非禀赋决定繁荣:Daron Acemoglu、Simon Johnson、James Robinson 的相关研究(2024 年诺贝尔经济学奖)