2025年11月5日，星期三
本报告从整个银行的角度提供了企业层面的见解，重点关注人工智能驱动的技术创新如何重塑全球经济、市场和公共政策。
介绍
技术创新一直是推动进步的动力，它提高了生产力，促进了经济增长。蒸汽机改变了交通运输和制造业，为工业革命奠定了基础。19世纪末20世纪初的电气化改变了人们的日常生活，为工厂和家庭提供了动力，并为新的发明创造铺平了道路。亨利·福特的流水线生产推动了汽车的出现，使出行和货物运输更加快捷高效，彻底改变了交通和贸易方式。近年来，互联网以前所未有的方式连接了世界，加速了沟通，拓展了全球贸易，并开启了数字时代。
人工智能代表着更广泛的技术进步浪潮中的最新成果——它有潜力催化几乎所有行业的创新。正如电气化推动了大规模生产，互联网为数字经济铺平了道路一样，人工智能可以通过加速计算和分析来促进技术进步。将其融入生物技术、能源系统和先进制造等领域，有助于加快发现速度，并缩短将想法转化为实际应用所需的时间。换句话说，人工智能有可能推动生产力增长进入新阶段，并为下一阶段的技术变革奠定基础。
人工智能本身已经以多种形式存在了几十年，从早期的基于规则的系统到基础机器学习。然而，我们今天所知的人工智能——能够学习、适应并执行复杂任务——曾经只是科幻小说中的情节。如今，这些先进技术已成为现实，正在重塑我们的日常生活。从虚拟助手和个性化推荐，到医疗诊断和自动驾驶汽车领域的突破，人工智能已经在众多领域发挥作用。随着这些技术的不断发展和扩展，它们引发了人们对未来五到十年甚至十五年世界将如何变化的兴奋和讨论。
本白皮书从经济和投资的角度，探讨了人工智能快速发展推动的技术创新所带来的影响。我们分析了这些创新如何影响关键宏观经济变量，例如GDP增长、生产率、通货膨胀和利率，以及它们对劳动力市场、政策和监管的影响。此外，我们还评估了技术应用如何影响企业利润和利润率，以及这些变化在不同行业中的差异，从而创造新的赢家和机遇。
由于人工智能有望大幅提升生产力，各公司已在相关技术领域投入数十亿美元，而且未来还将有更多投资涌入。这些趋势已经开始影响全球经济、既有商业模式和投资组合。自大型语言模型（LLM）出现以来，人工智能一直是这些投资的重点，但它只是更广泛的技术变革的一部分，这场变革涵盖自动化、云计算、生物技术和清洁能源等领域，并可能定义下一个增长时代。通过了解这些技术进步将如何共同影响经济活动、企业盈利能力和各个行业，投资者可以更好地调整投资组合，从而抓住新兴机遇、管理风险并调整资产配置策略，以充分利用这一长期趋势。
主要结论
- 技术进步是提升生产力和利润的结构性利好因素：与以往的突破性进展类似，当前由人工智能驱动的技术创新浪潮正在推动新一轮生产力增长。有效整合这些工具的企业有望降低成本、扩大利润率并提高利润，同时资本收入相对于劳动收入的份额也会上升。随着时间的推移，这将有助于支撑企业盈利和股权估值。
- 供应瓶颈和更高的产出可能会推高通胀：这一创新周期的建设阶段需要对数据中心、半导体、能源基础设施和材料进行大量资本投资。这可能造成供应瓶颈，并在短期内加剧通胀。随着生产率的提高，供应过剩可能会在一定程度上缓解通胀压力，但对长期通胀的影响将取决于人工智能带来的收入增长在多大程度上提升了总需求。
- 发达经济体将获益最多，至少在初期是如此：美国、加拿大和其他发达经济体凭借其更高的市场参与度、更强的数字化准备以及更充足的资本和计算资源，最有可能率先获得收益。新兴市场和低收入国家可能在初期收益方面有所滞后，但随着成本下降和技术普及，它们可能会变得更具吸引力。
- 劳动力市场受到的影响可能不均衡且复杂：就业岗位增加与自动化之间的平衡尚不明朗，这将决定劳动力市场受到的冲击程度。在知识密集型工作较多的发达经济体中，就业岗位流失和/或工资下降的风险可能更高。然而，与以往的技术创新一样，随着时间的推移，新的就业领域和更高价值的工作岗位可能会出现，但需要注意的是，这一过渡期可能并不均衡，并且会对劳动力市场造成冲击。
- 的股市与互联网泡沫时期相提并论并非毫无道理，但两者之间存在关键差异：近期股市上涨主要由少数几家公司推动，这引发了人们对人工智能泡沫和估值过高导致的集中风险的担忧。然而，如今的行业领军企业在根本上比互联网泡沫时期的企业更为强大。随着创新周期的成熟，各行业的生产力和盈利增长有望更加均衡。
- 多元化投资过去、现在、将来都至关重要：尽管股票最有可能长期受益于技术进步，但投资者仍应保持多元化投资。估值过高、政策不确定性和集中风险都要求投资者在不同资产类别之间进行均衡配置。固定收益和另类资产将继续在帮助降低波动性方面发挥关键作用，最终，跨地区、跨资产类别和跨行业的多元化投资仍然是驾驭创新驱动但充满不确定性的投资环境的最有效策略。
第一部分 | 回顾往昔——技术创新的弧线
瓦利德·哈立德，特许金融分析师 (CFA) | 全球投资解决方案投资策略总监
胡安·曼努埃尔·埃雷拉| 全球投资解决方案高级经济学家
主要结论
- 自本世纪初以来，生产率增长和固定资本形成总额占 GDP 的比重有所放缓，但人工智能相关资本支出 (capex) 的激增可能会扭转这一趋势。
- 重大技术突破（例如铁路、电气化、个人电脑等）在惠及大众之前，通常都需要大量的资本投入。人工智能也正步入类似的阶段，早期投资将为未来的生产力增长和经济转型奠定基础。
- 人工智能热潮可能仍处于早期阶段，资本支出周期仍有增长空间，技术支出也在加速增长。迄今为止，近年来与人工智能相关的资本支出和技术支出增速已超过互联网泡沫时期的投资增长速度。
在个人电脑和互联网蓬勃发展后的几十年里，生产率增长明显放缓。2000年代和2010年代的创新大多是迭代式的，而非变革性的，它们只是在局部范围内提高了效率，但并未从根本上改变企业的运营方式。全球金融危机也抑制了投资意愿，限制了发达经济体的资本形成。
然而，如今科技相关投资的激增，尤其集中在人工智能领域，表明我们可能正处于另一个转折点的边缘。后疫情时代，企业已投入数十亿美元用于人工智能基础设施、软件和人才建设。这波资本浪潮表明，他们坚信人工智能能够推动生产力增长进入新时代。正如过去的突破性进展重塑了各个行业一样，今天的进步也有可能成为下一个变革性创新，从而促进经济增长，并影响通货膨胀、利率、劳动力市场和投资组合回报的走向。
在美国、加拿大、德国和英国等发达经济体，自20世纪90年代以来，人均劳动生产率增长率呈下降趋势（见图表1）。90年代曾超过1.5%-2%的年增长率，在过去十年中已降至1%以下。疫情后时代，美国的情况较为特殊，其生产率增长率有所回升，而其他发达经济体并未出现同样的复苏。不过，将此完全归因于人工智能驱动的增长可能为时尚早。国际货币基金组织（IMF）的一份报告指出，生产率的大幅提升主要集中在高技能和信息技术密集型行业。疫情前已加大数字化投资的企业，随着远程办公的兴起，数字化进程再次加速，同时，劳动力与岗位匹配度的提高也提升了人均产出（Dao, Platzer, 2024）。
人工智能和更广泛的技术飞跃或许有助于美国经济维持这一趋势。事实上，美国企业在人工智能建设中扮演着举足轻重的角色，并在早期应用方面占据主导地位，领先的科技公司在半导体、数据中心和软件领域投入巨资。此外，美国还受益于更便捷的高端芯片获取渠道、丰富的人工智能人才储备以及更灵活的资本市场，这些优势使企业能够快速扩张。其他经济体，例如欧洲国家，可能面临数字基础设施建设速度较慢和监管更为严格的局面。因此，在美国以外，人工智能的普及可能需要更长时间才能惠及各个行业和地区，从而带来生产力的提升。
图表1——自计算机和互联网繁荣以来，劳动生产率增长大多已放缓
资料来源：世界大型企业联合会；丰业财富管理
自本世纪初以来，生产率增长放缓的同时，发达经济体的投资也处于低迷状态。自20世纪90年代以来，发达经济体的固定资本形成总额（衡量对建筑物、机械和技术等长期生产性资产的投资）占GDP的比重持续下降（见图表2）。企业投资水平的降低限制了基础设施和技术的更新换代，这可能是导致随后几十年生产率增长放缓的原因之一。然而，在后疫情时代，这一趋势开始转变，随着支出浪潮的兴起，固定资本形成总额有所上升，其中大部分支出集中在人工智能、自动化和数据基础设施领域。
图表2——后疫情时代固定资本形成总额已开始回升
注：数据适用于高收入国家。
数据来源：世界银行集团；加拿大丰业财富管理公司。
历史表明，这种模式并非罕见。每一项重大的技术突破都需要大量的资本投入，才能使其效益惠及大众。19世纪的铁路、20世纪初的电气化、90年代的光纤电缆以及21世纪初的移动通信基站建设，都需要一波又一波的投资，为之后几十年的生产力增长奠定了基础（图表3）。
图表3——新技术往往需要大量资本支出
注：所有图表均基于美国数据。
数据来源：CTIA；圣路易斯联邦储备银行；美国人口普查局：《美国历史统计，殖民时代至1970年》（S章）；管理和预算办公室（表12.3）；FCC；彭博金融有限合伙公司；丰业财富管理公司。
我们今天正进入一个类似的阶段。由超大规模数据中心运营商引领的当前投资周期，反映了支撑未来创新的基础设施建设（图表 4）。如果我们将之与互联网泡沫时期进行类比，那么当前的投资周期可能仍处于早期阶段，仍有进一步发展的空间。事实上，如今的技术支出增速已经超过了上世纪 90 年代的投资水平（图表 5）。
图表 4——人工智能相关资本支出已开始回升
注：数据基于美国数据。
数据来源：彭博财经有限合伙公司；加拿大丰业财富管理公司。
图表5——美国科技投资回升，与互联网泡沫时期的情况非常相似。
资料来源：彭博财经有限合伙公司；丰业财富管理公司。
展望未来，我们似乎正在进入一个不同技术将开始以人工智能为基础的时期，并将其作为加速器，推动自动化、生物技术、能源系统、材料科学和数字金融等领域的创新和突破。
例如，区块链正在超越加密货币的范畴，被应用于金融交易和数据验证等领域，而人工智能有望使这些系统更加智能高效。同时，在医疗保健领域，人工智能或许能够改进诊断、药物研发和临床试验模拟。在材料和制造领域，人工智能可以以前所未有的速度用于设计新型化合物、电池和半导体。而在能源领域，人工智能驱动的优化可以提高电网效率。
普通人通过诸如 OpenAI 的 ChatGPT 和 Alphabet 公司的 Gemini 等人工智能助手与人工智能互动。但另一项由人工智能驱动的、显而易见的变革正在机器人领域兴起，它本质上融合了数字世界和物理世界。从自动化仓库到自动驾驶汽车，人工智能机器人正在各行各业迅速发展。这些机器能够实时感知、适应和行动，将生产力提升到前所未有的高度。随着这些技术的规模化应用，它们将变得越来越普遍。
这一切都表明，创新本身正在被重新定义。人工智能正在降低计算成本，加快研究周期，缩短从概念阶段到应用阶段所需的时间，为进一步的技术进步奠定基础，并最终促进经济增长和生产力提高。
第二部分 | 人工智能时代的投资
瓦利德·哈立德，特许金融分析师 (CFA) | 全球投资解决方案投资策略总监
胡安·曼努埃尔·埃雷拉| 全球投资解决方案高级经济学家
主要结论
- 变革性技术往往能够提升生产力增长和产量，同时降低企业成本并扩大利润率。在供应链脆弱、关税、贸易保护主义、近岸外包、环境转型和劳动力成本上升等诸多不利因素对利润率构成挑战的当下，人工智能提供了一种潜在的应对之策。
- 人工智能是一项资本深化技术，这意味着新增产出将更多地流向资本所有者而非劳动者，从而延续资本份额上升、收入份额下降的趋势。这为持有股票提供了理由。
- 人们开始担忧会出现类似互联网泡沫的局面。尽管两者存在相似之处，但如今的人工智能领军企业在根本上更加强大、盈利能力更强、现金流更充裕，拥有多元化的收入来源和可持续的竞争优势。
- 然而，市场集中度、政策和监管的不确定性、估值过高、技术发展可能不如预期以及地缘政治风险等因素依然存在。因此，投资者应继续配置固定收益资产（收益率诱人、投资组合稳定）和另类资产（基础设施、实物资产、大宗商品），以对冲波动风险并把握人工智能经济实体领域的投资机遇。
- 从区域角度来看，美国和加拿大等发达经济体很可能率先从人工智能驱动的生产力提升中获益，从而使这些市场更具吸引力。随着技术的普及，其他市场也可能逐渐变得更具吸引力。
剖析技术创新对企业利润的影响
人工智能对生产力、经济增长和收入分配的变革性影响正在重塑全球经济，而这些变化自然会对投资者产生深远且日益重要的影响。与以往局限于特定行业的创新不同，人工智能的影响遍及整个经济，其影响可能跨越资产类别、行业和地域。
在20世纪90年代的互联网泡沫时期，随着企业用计算机和软件替代日常工作，提高自动化程度并提升效率，美国企业利润占GDP的比重有所上升（图表6）。除经济衰退时期外，自本世纪初以来，企业利润占GDP的比重总体呈上升趋势。人工智能的影响可能类似，甚至可能更大，因为它会波及到高技能工作领域。
图表6——企业利润在互联网泡沫时期增长，并且在过去十年中总体呈上升趋势。
资料来源：FRED；丰业财富管理。
历史表明，变革性技术往往与生产率快速增长和盈利能力提升的时期相吻合。1950年至1972年间，美国非农生产率以2.7%的复合年增长率增长，这得益于工业发展、基础设施扩张和大规模资本投资。战后繁荣时期，企业平均利润率高达9.2%，凸显了制造业的强劲实力和生产率驱动型增长。
1973年至1995年这一时期经济增速急剧放缓。由于石油价格冲击和早期技术进步带来的收益递减，生产率增长放缓至年均复合增长率1.9%，利润率也压缩至6.9%，这些因素都对产出造成了压力。
1995年至2004年间，随着个人电脑、互联网和企业软件的兴起，生产力复合年增长率飙升至3.3%，企业运营方式也随之发生根本性转变。企业实现了工作流程自动化，扩大了产量，同时降低了成本，使企业利润率提升至7.8%，标志着现代科技时代的开端。
2005年至2019年期间，生产率增长势头再次减弱，年复合增长率放缓至仅1.3%，信息技术的普及也趋于平缓。效率提升越来越多地来自全球化而非创新，企业纷纷转向离岸外包以降低成本并维持利润。这一策略卓有成效，企业利润率攀升至10.5%（见图表7）。
图表7——全球化之前，企业利润率历来与生产率增长保持同步
资料来源：彭博财经有限合伙公司；丰业财富管理公司。
资本深化型科技或将成为股市的结构性顺风
从投资角度来看，人工智能最直接的影响在于它对资本与劳动力平衡的改变。人工智能是一项资本密集型技术，企业会将资金投入数据中心、芯片和软件，而不是雇佣更多员工。这意味着新增产出更多地归资本所有者（即股东）所有，而非劳动者。从经济角度来看，劳动收入份额下降，而资本收入份额上升，这一趋势我们已经观察了几十年，并且预计还将继续（见图表8）。
图表8——数十年来，劳动收入份额与资本收入份额稳步趋同
资料来源：欧盟委员会 AMECO 数据库；丰业财富管理公司。
在其他条件相同的情况下，人工智能作为一种资本增值技术，可能会为股票市场带来相对于其他资产类别的结构性利好，因为资本支出周期会提高资本份额，从而降低劳动力份额。成功将人工智能融入工作流程的公司，或许能够通过降低成本、利用人工智能增强某些工作、同时减少某些职能部门的员工人数来扩大利润率。话虽如此，股票市场的领导地位将受到人工智能应用阶段的影响。在当前的建设阶段，我们看到人工智能基础设施供应商是主要受益者。这包括像英伟达这样的半导体公司，它们正利用市场对GPU和其他专用芯片的强劲需求获利。像亚马逊、微软、Alphabet和Meta Platforms这样的美国超大规模云服务商主导着支撑人工智能模型训练和部署的云基础设施。公用事业公司可能会受益于不断增长的电力需求，而工业企业和与数据中心建设相关的公司则占据了这一建设阶段的物理层面。随着技术的成熟，受益者范围可能会扩大，各行各业的盈利能力都将得到提升。
后疫情时代，发达经济体（尤其是美国）的企业利润率一直保持强劲，这得益于前所未有的政策刺激、强劲的消费需求以及企业能够将更高的投入成本转嫁出去。然而，利润率此后有所回落。尽管按历史标准衡量，利润率仍然坚挺，但已不再处于巅峰状态，反映出成本环境日益严峻。全球供应链依然脆弱，企业仍然面临半导体、能源和关键投入品供应瓶颈的问题。关税和更广泛的保护主义趋势推高了进口成本，并重塑了外包策略。尽管推动近岸外包和回岸外包有助于在疫情后供应短缺时期增强韧性，但与海外生产相比，其运营成本更高。此外，环境转型也是一个重要因素，脱碳目标需要对设备和现有能源系统进行资本密集型升级。与此同时，随着人口老龄化导致劳动力供应紧张，以及工会活动依然活跃（在加拿大和欧洲比在美国更为活跃），劳动力成本持续上涨。
如果不加以控制，这些因素表明未来几年利润率可能会持续面临挑战。而人工智能恰恰可以起到缓解作用。如果这项技术能够成功降低关键业务职能的成本、提高效率并增加产出，就能为企业提供应对成本压力的有效途径。例如，医疗保健公司可能会越来越依赖人工智能系统来处理计费、保险和行政流程。这可能会带来颠覆性的变革，因为在美国，行政成本占全国医疗保健总支出的15%-25%（ Chernew, Mintz, 2021 ）。另一个例子是消费品行业，更智能的物流可以帮助增强供应链的韧性，而金融等监管严格的行业可以利用人工智能来自动化和改进合规、报告和文件审核等功能。
但这真的是泡沫吗？
如果不考察其后的发展，就无法将人工智能提升生产力的潜力与互联网泡沫时期相提并论。20世纪90年代末的科技繁荣带来了生产力和创新能力的显著提升，但也导致了数十年来最严重的股市暴跌之一，标普500指数从峰值到谷底下跌了约50%，而科技股为主的纳斯达克指数跌幅更大（见图表9）。此次暴跌源于人们对新技术转化为利润的速度抱有过高的乐观预期。投资者将大量资金投入无数未经检验的公司，其中许多公司盈利微薄、商业模式未经证实，且估值过高。当增长预期未能实现，信贷环境收紧时，科技泡沫破裂，众多公司破产倒闭。
图表9——互联网泡沫破裂时，股票市场出现大幅下跌
资料来源：彭博财经有限合伙公司；丰业财富管理公司。
然而，尽管市场低迷，互联网革命并未结束。事实上，它才刚刚开始。虽然当时有很多公司被过度炒作，但支撑互联网泡沫的技术本身具有价值，并成为了现代商业和通信的基础。像亚马逊和微软这样的幸存企业利用这些已建成的基础设施，在接下来的几十年里实现了规模化盈利。因此，尽管市场经历了调整，估值有所压缩，但这项技术仍在不断发展。
当今的种种相似之处显而易见。与二十多年前类似，我们看到，与被认为具有变革潜力的技术相关的公司，其资本投资正在加速增长，股票市场领导地位高度集中，估值也居高不下。
例如，自2023年以来主导股市表现的股票主要集中在科技板块，其中半导体股票涨幅显著，而少数几家在人工智能竞赛中投入数十亿美元的公司——即所谓的“七巨头”（Mag 7）——也表现强劲。这导致了显著的业绩失衡和日益集中的股市（见图表10）。投资者无疑应该意识到这一风险，因为如果这些市值巨大的公司中一家或几家未来盈利不及预期，高度集中的市场可能会导致股市出现剧烈波动。
人工智能投资的相互关联性也带来了风险，因为一些大型企业同时是人工智能领域的投资者、客户和供应商。例如，英伟达最近向OpenAI投资1000亿美元，表明这家芯片制造商正在资助一家依赖其GPU来训练和部署LLM（机器学习模型）的公司。换句话说，英伟达将其利润再投资于客户，而客户反过来又刺激了对其产品的更多需求。这种循环迄今为止一直支撑着这些公司，如果对人工智能系统及其相关零部件和材料的需求持续增长，这种循环可能会继续下去。与此同时，这也带来了脆弱性，因为人工智能应用或商业化方面的不足可能导致这种循环迅速逆转。
图表 10 – 自 2023 年以来，美国股票市场回报主要由一小部分公司推动。
资料来源：彭博财经有限合伙公司；丰业财富管理公司。
估值也一直是人们热议的话题，而且毋庸置疑，目前的估值确实偏高，因此需要保持谨慎。人工智能领域的蓬勃发展已经推高了主要受益者——半导体公司、Mag 7 集团以及更广泛的 IT 行业的市盈率，使其远高于疫情前的长期平均水平。不过，这些市盈率仍然远低于互联网泡沫时期的极端水平，当时 IT 行业的市盈率峰值超过了预期收益的 60 倍（见图表 11）。
图表 11 – 估值倍数虽有所上升，但远不及互联网泡沫鼎盛时期。
资料来源：彭博财经有限合伙公司；丰业财富管理公司。
这两个时代的区别在于我们今天看到的公司类型。与互联网泡沫时期过度乐观、基本面（例如盈利）落后于市场的情况不同，如今的公司，尤其是人工智能领域的领军企业，盈利能力强、现金流充裕，能够持续产生自由现金流，并且拥有长期盈利增长的历史。超大规模数据中心运营商对人工智能的投资主要依靠内部资金，而非发行债券。它们的收入来源也十分多元化，涵盖云服务、数字广告、企业软件、硬件和订阅模式，并且相对于同行拥有可持续的竞争优势，从而具备定价权。
如今估值过高的部分原因在于，人工智能投资对盈利的影响尚未完全显现。市场在财务报表尚未反映出未来生产力和盈利能力提升之前，就已经将其计入价格，这在早期资本支出周期中并不罕见。但这并不意味着这一创新周期会一帆风顺。随着企业（乃至各国）竞相在人工智能竞赛中抢占先机，人们对资本支出周期规模之大感到担忧是合理的。部分产能可能提前建成，估值可能过高或已经过高，回调/回落也并非不可能。但这些因素不太可能逆转技术进步的趋势。即便互联网泡沫破裂，它也留下了推动随后几年增长和创新的技术。人工智能领域的情况可能也是如此。即使估值出现回调，这项技术本身也不太可能消失。它已被各行各业广泛应用，得到政府的支持，并被消费者和企业所利用。
尽管估值扩张主要集中在人工智能领域的领军企业，但指数层面的市盈率也高于历史平均水平，标普500指数目前的远期市盈率远高于其长期平均水平。鉴于估值已经过高，市盈率进一步扩张的可能性不大。这意味着未来的市场表现将越来越取决于盈利增长，以及生产率的提高能否显著提升整个企业部门的利润率。
从历史上看，企业利润率和盈利增长一直保持同步。随着生产率的提高和成本的下降，企业可以扩大利润率，从而转化为更强劲的盈利。以标普500指数为例，一条粗略的经验法则是：营业利润率每提高1个百分点，盈利增长约7%-8%。这种关系在互联网泡沫时期尤为明显，当时生产率的提高使得截至1999年的五年间营业利润率提高了1.5个百分点以上，年化盈利增长率超过10%。
如果人工智能的应用遵循类似的路径，即使在高估值环境下，它也能显著提升利润。我们的研究表明，截至撰写本文时，股票风险溢价（ERP，即投资者持有股票相对于无风险资产（例如国债）所要求的额外回报）约为4%，低于约
5%的十年历史平均水平。如果ERP回升至历史平均水平，市场预期长期盈利增长率将略高于6%，仅比美国过去十年名义GDP增长率高出1个百分点，低于十年历史盈利增长率。鉴于企业资产负债表稳健，且公司资本普遍充足、效率高于整体经济，因此，我们有理由预期，盈利增长——尤其是优质企业的盈利增长——将长期轻松超过名义GDP增长。换句话说，如果技术创新能够帮助企业降低投入成本并扩大利润率，那么股权估值就能得到支撑，这表明市场或许能够“成长”到今天的估值水平。
尽管估值和集中风险值得考虑，但持有股票的长期理由依然成立。人工智能等通用技术可以提高生产力、降低成本并扩大各行各业的利润。虽然主要受益者目前集中在少数几个行业，但随着应用日趋成熟，其益处可能会更广泛地扩散，这也印证了跨地区和跨行业的多元化投资策略对于把握下一阶段人工智能受益者的重要性。
固定收益视角
人工智能的影响远不止于股票市场，它还会通过影响利率和债券收益率进而影响固定收益市场。尽管人们可能倾向于将人工智能视为长期通缩力量，因为它能提高生产率并降低单位劳动力成本，但国际清算银行（BIS）和国际货币基金组织（IMF）的研究——本报告稍后将对此进行讨论——指出结果更为复杂。两份研究报告均发现，由于总需求增强等抵消因素，短期至中期内通胀可能偏高——但这取决于劳动力市场状况，因为大量失业可能会对需求产生净负面影响——之后才会有所缓解。假设劳动力市场状况不会显著恶化，BIS的研究报告预测，即使通胀压力可能会减弱，但在预测期内仍将高于基准水平；而IMF则预测，长期来看，人工智能将产生轻微的通缩效应，部分原因是各国央行采取必要的货币政策措施来恢复价格稳定。换句话说，通胀前景不明朗，给固定收益投资者带来了一系列需要考虑的可能性。
在一种情景下，人工智能启动所需的投资可能会在生产率提升完全实现之前，对通胀和债券收益率构成上行压力。部署人工智能的企业必须投入大量资金用于计算基础设施、数据中心、半导体和熟练劳动力。对硬件、能源和建筑能力的需求激增也可能造成供应端的瓶颈。与大多数变革性技术一样，投资与可衡量的产出增长之间通常存在滞后。在此期间，由于资本支出规模和人工智能建设受益者的收入增长（资本市场收益可能带来财富效应，从而促进消费），总需求上升，而总供给必须迎头赶上。各国央行可能会通过维持紧缩的货币政策来应对，从而推高短期收益率，而由于预期生产率的提高最终将抵消价格压力，长期收益率的涨幅可能较小，导致收益率曲线出现轻微的熊市平缓。
一旦生产率的提高开始惠及更广泛的经济体，通胀压力应该会缓解，经济增长可能会稳定在健康的水平，而生产率提高带来的劳动生产率提升可能会降低单位劳动力成本并稳定通胀预期。随着时间的推移，这种环境可能有利于长期投资，因为通胀缓解会导致货币政策宽松，从而降低短期收益率，而强劲的增长预期抵消了通缩压力，使得长期收益率保持稳定或下降幅度较小，从而使收益率曲线趋于陡峭。
另一种情景是，生产率增长提升了经济的潜在增长能力，导致中性利率（即既不刺激也不抑制经济活动的利率）和收益率上升或维持在高位。在此背景下，随着长期收益率上调以反映更强劲的增长前景和更高的长期中性利率，收益率曲线可能会变得更加陡峭。从仓位配置的角度来看，这意味着需要采取更为平衡的久期策略：一方面，保持对套利收益和潜在通缩收益的敞口；另一方面，如果收益率出现结构性重定价，则应谨慎避免过度集中于长期债券。
财政状况也可能至关重要。美国国会预算办公室 (CBO) 的财政预测基于相对温和的生产率增长速度。然而，如果技术创新提升潜在产出（进而提升税收收入），财政前景可能会改善（见图表 12），从而降低长期收益率中蕴含的风险溢价（前提是财政支出没有相应增加）。财政状况改善导致的风险溢价下降，可以抵消中性利率预期上升对长期收益率的压力，从而抑制长期收益率相对于短期收益率的相对上升。这可能为投资者延长久期以把握期限溢价的压缩铺平道路，从而降低对债务可持续性的担忧。当然，如果技术创新停滞不前，生产率增长放缓，则可能出现相反的情况。
对于信贷市场而言，人工智能早期建设阶段可能伴随较高的借贷成本，这有利于资产负债表稳健且能够进入资本市场的发行人。从长远来看，生产率的提高和盈利能力的改善应能增强企业基本面，从而收窄利差并降低违约率，为高收益信贷市场创造机会。与人工智能基础设施相关的行业（例如公用事业、工业以及部分投资级科技发行人）可能率先受益，随后效率提升的益处将逐步扩展到其他行业。
图表 12 – 美国国会预算办公室对不同生产率情景下联邦债务占 GDP 比重的预测有所不同
资料来源：CBO；丰业财富管理。
为人工智能经济构建投资组合
正如我们将在后续章节中讨论的那样，发达经济体在中长期内最能从人工智能中获益。这些经济体，尤其是美国，在人工智能的普及程度、准备程度和计算资源获取方面都名列前茅。它们也是引领人工智能建设的企业（从半导体生产商到超大规模数据中心）的所在地，这使得投资者更倾向于投资发达经济体的股票。而对于新兴市场，由于基础设施瓶颈和人工智能普及速度较慢，早期收益可能会受到限制，因此投资者应更加谨慎地选择投资标的。
尽管如此，随着人工智能技术的普及和计算成本的下降，其他市场可能会变得更具吸引力。因此，投资者应密切关注新兴市场中可能受益于人工智能技术的新兴市场，尤其是在那些识字率高、拥有熟练劳动力和能源储备足以支持人工智能相关基础设施发展的国家。
人工智能虽然有潜力重塑全球经济，但其对市场的长期影响可能不会一帆风顺。这项技术有望提高生产力、降低成本并增强盈利能力，所有这些都有利于股票市场。然而，正如每一次重大创新周期一样，人工智能的发展也会经历调整阶段、扩散不均以及出乎意料的政策反应。从资产配置的角度来看，股票仍然是最明显的长期受益者。成功将人工智能融入其商业模式的公司有望扩大利润率、提高效率并占据更大的市场份额。此外，考虑到前文讨论的成本上涨风险，股票也是更好的通胀对冲工具，这一点至关重要。
然而，尽管股票的结构性优势明显，但风险依然存在。市场集中度仍然很高，指数层面的回报仍然主要由少数几家市值超大的科技公司驱动。政策和监管方面的不确定性——从反垄断执法到数据治理、人工智能安全规则以及半导体出口管制——都可能影响行业领头羊的走势和估值。
因此，我们认为投资者应继续持有固定收益资产。高利率可提供诱人的收益率，而债券在经济增长或风险情绪疲软时仍能起到稳定投资组合的作用。如果人工智能带来的生产力提升开始显现，且通胀趋于缓和，利率下降将提升固定收益资产的总回报潜力，并增强其多元化优势。当然，正如前文所述，如果由于技术创新导致产出潜力提高，从而使中性利率和收益率偏高，则需要谨慎管理久期敞口。
在这种环境下，另类资产也值得关注。支撑人工智能的基础设施，例如数据中心、公用设施和能源系统，代表着一个多年的资本周期，这可能使投资于实物资产和大宗商品的投资者受益。基础设施和可再生能源投资既可以抵御通胀，又能让投资者参与到人工智能经济的实体层面。
最终，尽管人工智能展现出令人瞩目的增长前景，但正确的投资策略并非过度集中，而是分散投资。人工智能的应用、监管和生产力提升的未来发展路径充满不确定性，市场也鲜少能平稳地对技术革命进行定价。在股票、固定收益和另类资产之间进行均衡配置，可以确保投资组合在各种情况下保持稳健：既能参与创新带来的增长，又能抵御可能出现的波动。换言之，投资者应该抓住人工智能带来的机遇，但要通过审慎的分散投资来实现，而非投机。
第三部分 | 曝光度、准备度和获取途径——塑造人工智能竞赛
瓦利德·哈立德，特许金融分析师 (CFA) | 全球投资解决方案投资策略总监
胡安·曼努埃尔·埃雷拉| 全球投资解决方案高级经济学家
主要结论
- 发达经济体受人工智能的影响最大，约60%的工作岗位可能受到影响，相比之下，新兴市场和低收入国家的这一比例分别为42%和26%。早期数据（斯坦福大学，2025年）表明，人工智能应用领域（例如软件开发）的年轻劳动者面临最高的失业风险，而应用较少的岗位（例如仓库管理员、卫生助理）则持续增长。
- 根据国际货币基金组织（IMF）的指数，美国和其他发达经济体在人工智能准备度方面排名最高。事实上，美国在人工智能领域的投资额远高于其他主要经济体，而且美国的数据中心数量也超过了排名第二和第三的15个国家的总和。
- 美国在半导体、云计算和资本方面占据主导地位，这赋予了它结构性优势。中国面临出口管制，但正在开发本土解决方案（例如DeepSeek）。新兴市场和低收入国家面临诸多挑战：高端芯片获取渠道有限、云计算成本高昂以及资本市场不发达。
- 历史趋势表明，技术成本会随着时间的推移迅速下降，从而促进其更广泛应用。开源模型（例如 DeepSeek）可以通过降低硬件和计算需求来帮助创造更公平的竞争环境，使资源较少的国家也能更容易地采用人工智能。
- 人工智能早期带来的收益将集中在发达经济体，加剧贫富国家之间的差距。随着时间的推移，成本下降和技术普及，新兴经济体和低收入经济体或许能够从人工智能驱动的生产力提升中获得更多收益。
人工智能是一种用途广泛的通用技术，这意味着它的影响将遍及各个行业、部门和经济体。然而，这些影响的分布并不均匀。相反，人工智能带来的益处和挑战将主要取决于国际货币基金组织定义的三个因素：
- 曝光度：“人工智能会对劳动力和行业产生多大程度的影响。”
- 准备情况：“一个国家的机构、数字基础设施、劳动力、监管框架和治理结构的准备情况。”
- 获取途径：“人工智能专用技术、数据和基础设施的可用性，以及全球合作伙伴关系，这些都是充分利用人工智能所必需的。”
国际货币基金组织根据以下三个因素，在三个地理区域（发达经济体、新兴市场和低收入国家）评估人工智能的影响。
受影响程度：人工智能对劳动力市场和经济产出的重塑程度可能因经济体而异。国际货币基金组织估计，发达经济体约有60%的工作岗位受到人工智能的影响，而新兴市场和低收入国家的这一比例分别为42%和26%（见图表13）。需要注意的是，受影响程度并不一定意味着会被取代的工作岗位比例。它指的是特定工作职能中的某些任务可能被自动化或增强的程度。例如，虽然发达经济体可能会出现一些劳动力市场动荡，但受影响程度指标并不意味着60%的工作岗位将会消失。
图表 13 – 各经济体中受人工智能影响的就业岗位比例
资料来源：国际货币基金组织；加拿大丰业财富管理公司。
在就业高度集中于服务型和知识密集型（即技术型）工作的发达经济体中，人工智能的影响范围很广。例如，软件开发、客户服务、法律和医疗诊断等领域的工作岗位都可能受到实质性影响。这既带来了更大的颠覆性风险，也带来了更大的生产力提升潜力。相比之下，新兴市场和低收入国家的劳动力更多地集中在资源开采和建筑等行业，这些行业的自动化程度较低，至少目前以现有技术而言是如此。因此，这些经济体在短期内采用人工智能的速度可能会较慢，但劳动力市场受到的冲击也会较小。
不同国家的情况也可能有所不同。在美国，斯坦福数字经济实验室的一篇论文（Brynjolfsson等人，2025）记录了人工智能对软件开发岗位，尤其是年轻员工的就业压力。该研究发现，自2022年10月以来，22-25岁年龄段的就业人数较2022年底的峰值下降了近20%。26-30岁年龄段的就业人数也有所下降，但降幅远小于22-25岁年龄段，而31岁及以上人群的就业人数则持续增长。
该研究通过观察不同职业在不同人工智能应用水平下的就业趋势，扩展了这一分析。例如，市场营销和销售经理的人工智能应用水平处于第四个五分位，其年轻员工的就业人数出现下降，与软件开发人员的趋势类似。相反，人工智能应用水平较低的职业，例如仓库管理员和卫生助理，自2022年底以来，所有年龄段的就业人数均持续增长。与美国不同，劳动保护法律更完善的国家，例如欧洲国家，其劳动力市场变革的速度可能较慢，但生产力提升带来的效益实现速度也可能较慢。在印度等国家，人工智能应用水平可能较高（且集中于IT服务领域），这些领域可能面临自动化带来的风险，但也拥有出口人工智能服务的机遇。
准备程度：即使一个经济体的风险敞口得分很高，其有效整合人工智能的能力也取决于准备程度。国际货币基金组织（IMF）的准备程度指数显示，美国以0.77分位居榜首。发达经济体的平均准备程度得分为0.73，而新兴市场和低收入国家的得分分别为0.50和0.35（见图表14）。较高的准备程度得分表明该经济体拥有快速高效整合人工智能所需的物质资本和人力资本。这可能意味着拥有强大的宽带网络、数据基础设施、技能娴熟且受过良好教育的劳动力以及获得资金的渠道。相比之下，新兴市场和
低收入国家可能在这方面面临瓶颈，这意味着生产力提升可能有限或进展缓慢。
图表 14 – 发达经济体最有利于实现人工智能驱动的生产力提升
资料来源：国际货币基金组织；加拿大丰业财富管理公司。
当然，准备工作并非一朝一夕就能完成，而是多年来在研究和投资规模上取得的成果。目前，美国人工智能模型的数量几乎是排名第二和第三的六个国家总和的两倍，凸显了其在知识资本方面的优势。与此同时，过去十年间，美国对人工智能的私人投资也远远领先于其他国家（见图表15、16和17）。这些优势共同解释了为什么美国在准备工作指标中名列前茅，以及为什么生产力提升可能率先在美国显现。
图表15——美国目前拥有全球最知名的AI模型
资料来源：斯坦福大学：《2025 年人工智能指数报告》；丰业财富管理。
图表16——美国的数据中心数量也超过了排名其后的15个国家的总和。
数据来源：Datacentermap；丰业财富管理。
图表 17 – 过去十年，美国私人对人工智能的投资轻松超越其他领域
资料来源：斯坦福大学：2025 年人工智能指数报告；丰业财富管理。
获取途径：人工智能所需的各种投入要素，例如半导体（及其原材料）、云计算和资本，在各国之间的获取极不均衡。美国目前占据主导地位，这得益于其作为领先芯片制造商和云服务提供商所在地的战略地位，使美国公司在人工智能规模化方面拥有结构性优势。
中国的情况独特而有趣。尽管美国的出口管制限制了这个世界第二大经济体获取最先进芯片的途径，但阿里巴巴和DeepSeek等国内企业在自主研发解决方案方面取得了进展。这表明，尽管出口管制等短期限制可能会减缓技术普及速度，但中国在人工智能竞赛中仍有可能取得显著进展。然而，新兴市场和低收入国家面临着更大的挑战。它们获取高端芯片的渠道有限，云计算成本高昂，而且国内资本市场可能缺乏足够的深度来支持大规模投资。
获取机会不均意味着人工智能可能会加剧现有的技术鸿沟。发达经济体有望获得不成比例的收益，而新兴市场和低收入国家则面临进一步落后的风险，除非全球供应链实现多元化和成本下降，但全球化进程的倒退和保护主义的抬头可能会成为一大障碍。
然而，这里存在一个潜在的抵消因素。我们讨论的“获取”是指计算能力、半导体（及其质量）和熟练劳动力——而这些领域恰恰是发达经济体的优势所在。特别是美国，由于美国的出口管制，能够无可比拟地获取英伟达最先进的GPU，而中国则不具备这一优势。然而，像DeepSeek这样的模型表明，人工智能可以更高效地进行训练，从而降低前期成本并有可能扩大其应用范围。图表18显示，DeepSeek的性能与OpenAI、谷歌和Anthropic的模型相当，但成本却明显更低。尽管如此，推理成本（即模型训练完成后运行的成本）也必须考虑在内，因为它是人工智能系统总成本的一部分，也是决定这些解决方案可扩展性的关键因素。随着时间的推移，芯片设计和模型优化的改进可能会提高能源效率和计算利用率，这意味着训练和推理成本应该会下降，从而实现更具成本效益的解决方案。
在能源方面，它正逐渐成为最重要的因素之一，因为计算密集型人工智能模型运行在复杂的硬件基础设施上——从GPU到冷却系统——而这些基础设施都需要大量的能源投入。据国际能源署（IEA）预测，数据中心目前消耗全球约1.5%的电力，但到2030年，随着模型训练和数据存储需求的增长，这一数字预计将翻一番，达到3%。因此，人工智能竞赛的胜负不仅取决于谁能获得最先进的芯片或数据，还取决于谁能获得价格合理且可靠的电力，从而在不牺牲成本效益的前提下，维持人工智能的长期应用。
图表 18 – 高能耗和运营成本相关的障碍不再那么令人望而却步，因为开源解决方案相对便宜
资料来源：国际货币基金组织；加拿大丰业财富管理公司。
图表 19 – 人工智能成本正在快速下降，这与计算成本和内存成本的历史趋势一致
注：数据按年份排序，首年数据排名前100。
数据来源：国际货币基金组织；加拿大丰业财富管理公司。
这三个渠道——接触度、准备度和获取途径——表明，人工智能早期通过提高生产力、增加收入和促进投资流动所取得的收益可能更倾向于发达经济体，从而加剧并扩大富裕国家和低收入国家之间的差距。随着时间的推移，人工智能技术的普及可能会更加广泛，新兴经济体和低收入经济体也将能够实现人工智能驱动的生产力提升。
第四部分 | 宏观经济学.EXE：人工智能时代的增长重塑
瓦利德·哈立德，特许金融分析师 (CFA) | 全球投资解决方案投资策略总监
胡安·曼努埃尔·埃雷拉| 全球投资解决方案高级经济学家
主要结论
- 人工智能影响经济的主要途径将是提高生产率，从而在投入相同单位的劳动或资本的情况下获得更高的产出。然而，经济学家们对于这种积极的生产率冲击究竟有多大存在很大分歧，其对GDP增长、通货膨胀和货币政策的影响也存在不确定性。
- 人工智能对总体生产率的影响将通过四个关键渠道体现出来：自动化（人工智能取代工人）、互补性（人工智能增强工人的产出）、自动化深化（人工智能提高自动化任务的产出）以及新的劳动密集型产品或任务（与人工智能相关的替代作用使工人迁移到其他行业并提高其他行业的产出，或者该技术的采用创造了新的经济活动）。
- 我们对现有关于人工智能可能影响的文献进行回顾后发现，对于人工智能带来的生产力提升幅度，以及由此带来的GDP增长规模，目前尚无明确共识。国际货币基金组织（IMF）估计，在人工智能快速普及和推广的情景下，未来十年全球生产力累计增长将达到2.4个百分点，相当于每年相对于基准水平增长约0.25个百分点。相比之下，国际清算银行（BIS）认为每年可提升1.5个百分点，而麻省理工学院的达龙·阿西莫格鲁（Daron Acemoglu）则估计每年仅增长约0.1个百分点。
- 人工智能的普及程度、准备情况和获取途径预计将导致各国从人工智能中获得的潜在收益存在显著差异。劳动者或国内生产总值中人工智能应用比例越高，意味着经济中能够获得生产力提升的领域就越大（但也伴随着更高的岗位流失风险）。更强大的基础设施和促进创新的政策基础，即更充分的准备，将有助于更快、更全面地发挥人工智能的潜力。最后，例如，由于地缘政治问题导致的人工智能设备或知识产权获取不均，可能会进一步扩大领先国家和落后国家之间的差距。
- 现有研究表明，人工智能对通胀的影响总体上是中性的或积极的，因为生产率的提高虽然可能导致供给过剩（通缩），但会被收入的增长以及由此带来的总需求增加所抵消，从而推高价格。然而，通胀和货币政策的结果将很大程度上取决于人工智能最终是会补充还是取代劳动力。现在判断人工智能将如何影响劳动力市场还为时尚早。早期针对受人工智能影响行业的年轻劳动者的就业数据显示，人工智能至少在部分劳动力市场中取代了部分劳动力。
人工智能有望提升经济产出的关键途径在于提高生产率，从而在投入相同劳动或资本的情况下实现更高的产量。这项技术有潜力实现流程的自动化或加速，从而补充（在某些情况下甚至可以替代）员工的工作，使员工在相同的时间限制下完成更多工作，同时还能深化他们在其他可能无法自动化或需要“人为干预”的岗位上的专业化和生产力。在本节中，我们将重点介绍学术机构和跨国组织公开的研究成果和结论。
正如革命性技术诞生之初常见的情况一样，人工智能在其发展初期阶段对GDP提升前景的预期也存在很大差异。评估人工智能可能带来的生产力和经济影响需要诸多假设，而这些假设会对最终结果产生实质性影响，例如企业和员工将人工智能融入日常工作的速度，以及对这些技术的资本投资速度。就整体经济活动而言，还需要对人工智能如何补充或取代人力劳动、其对工资的影响以及调整期内的劳动力匹配摩擦等重要假设做出解释，而所有这些反过来又会影响人工智能对需求的影响是中性、正向还是负向。各国对人工智能收益的评估也存在差异，尽管现有研究普遍认为发达国家将从中受益最多（稍后将对此进行更详细的讨论）。
图片由丰业财富管理公司提供
人工智能生产力渠道
阿西莫格鲁（麻省理工学院，2024 年）评估了人工智能对代表性经济体的潜在影响，他采用一个简化的、直观的、学术上稳健的框架来分析人工智能普及应用可能带来的好处和弊端。
在他的研究中，他概述了影响生产力的四个主要渠道：自动化、互补性、自动化深化以及新的劳动密集型产品或任务。前两个渠道广为人知且相当直观，通常作为研究人工智能潜在影响的关键切入点，而后两个渠道则属于需要考虑的较小因素。
自动化。人工智能扩大了自动化在生产流程中的应用范围，使其涵盖更多任务，并凭借更高的效率完全取代人工投入，从而可能降低单位总成本，实现利润最大化。在阿西莫格鲁的模型中，人工智能的引入使得自动化程度更高，因为它为以前未完全自动化的任务（例如，基础写作、数据分类）提供了一种成本相对较低的选择。对于某些公司而言，人工智能的引入也可能提高其他自动化任务的效率，从而增加自动化作为生产投入的比例，但同时也会减少对人工的依赖。
互补性。人工智能可以提高劳动者在劳动任务中的生产率。这可以通过更快地为劳动者提供更优质的信息，或通过自动化子任务（例如，编写基础的初始代码）来实现。人工智能的应用将使劳动者能够专注于其他不适合自动化的任务，从而提高他们在差异化产出方面的绩效或生产率。由于劳动者能够将相对更多的时间投入到非自动化子任务中（因为其他任务已经自动化），整体劳动生产率的提高将成为人工智能广泛应用下劳动力需求增长的关键驱动因素。
自动化程度不断加深。得益于人工智能新技术，已实现自动化的任务展现出更高的绩效或更低的成本，仅仅通过替换或“升级”目前已取代劳动力供给的自动化流程，就能产生积极的生产力提升效果。
新的劳动密集型产品或任务。劳动力转移可能会创造更多自由就业的工人，他们可以从事劳动比自动化更具优势的新活动（即使需要技能再培训/重新培训），或者填补某些行业的就业缺口，从而提升整体经济产出。人工智能等技术的进步也可能催生新的活动，从而创造对劳动力的需求。新的任务是维持劳动力需求的重要制衡力量，可以对抗自动化（以往的自动化浪潮也证明了这一点）。
人工智能生产力评估数据寥寥无几。
我们对现有关于人工智能潜在影响的文献进行回顾后发现，对于这项技术带来的生产力提升幅度，目前尚无明确共识，而这会对其对经济增长、通货膨胀和政策利率的影响产生重要影响（见图表20）。由于人工智能的经济相关性仍处于早期阶段，研究人员不得不对技术采纳率、投资速度和互补性效益等关键因素做出并实施假设，而这些假设可能会极大地影响他们的结论。此外，一些限制性或简化的框架，例如将劳动力市场限制在均衡状态（即不允许全经济范围内出现与自动化相关的失业），可能过于乐观，因为它们忽略了自动化可能对家庭消费以及GDP增长、通货膨胀和货币政策带来的负面影响。目前，仅有少量研究（特别是来自公正的学术机构或跨国组织的）对人工智能的生产力进行了估算。
图表 20 – 人工智能对美国生产力提升的预估差异巨大
注：左侧图表为右侧图表中所有研究的平均值。BBK = Baily、Brynjolfsson 和 Korinek (2023)。OECD 2025 = Filippucci、Gal、Laengle 和 Schief (2025)。OECD 2024 = Filippucci、Gal 和 Schief (2024)。AB = Aghion 和 Bunel (2023)。IMF = IMF (2025)。Ace. = Acemoglu (2024)。
数据来源：OECD；丰业财富管理。
在前一节引用的典型经济体案例中，阿西莫格鲁估计人工智能带来的收益在十年内累计仅为0.7%至1.0%，相当于全要素生产率（TFP）年增长率仅提高约0.1%。在美国，疫情前的2010-2019年间，TFP年均增长率为0.8%，因此阿西莫格鲁的估计可能相对较小，并非其他专家（甚至市场）所预期的生产力增长的大幅转变或复苏。与此相反，一份经常被引用的2023年私营部门研究报告估计，人工智能将在十年内平均每年将生产力增长率提高1.5个百分点。然而，该报告的作者假设人工智能的收益和应用将在未来十年内完全实现，从而将经济影响集中在前期。布鲁金斯学会的研究人员（BBK，见图表 20）认为，人工智能相关的创新和生产力优势如何带动其他行业的创新和生产力增长，从而进一步（间接地）提高人工智能的生产力收益，最终使生产力比基准水平每年提高高达 1.7 个百分点。
人工智能可能对GDP产生的影响的估算，比现有关于人工智能对全要素生产率（TFP）潜在提升的研究更为匮乏，而探讨或详细阐述人工智能应用对通胀和货币政策影响的学者更是寥寥无几。阿西莫格鲁估计，未来十年美国GDP相对于基准水平的增幅上限为1.6个百分点，而国际货币基金组织（IMF）的估计则为2个百分点（低）至5.5个百分点（高）。如果采用阿西莫格鲁将TFP提升转化为GDP提升的框架，经济合作与发展组织（OECD）预测，未来十年美国TFP对GDP的贡献约为基准水平的5-15个百分点（OECD，2025）。正如我们在本报告后续部分将要讨论的，对人工智能TFP收益幅度的假设和初始值，会对经济的通胀反应产生重大影响。在国际货币基金组织（IMF）的高全要素生产率（TFP）情景下（未来十年GDP增长5.5个百分点），美国通胀率的峰值仅比基准水平高出不到0.1个百分点，同时央行采取温和的紧缩政策来抑制价格增长。相比之下，国际清算银行（BIS）的研究——极少数提供通胀预测的研究之一——预测，在预期和非预期情景的平均值下，未来十年通胀率将比基准水平高出约1个百分点，政策利率也将高出约1.5个百分点，这是基于全要素生产率每年大幅增长1.5个百分点的假设。然而，由于人工智能（AI）应用的增加，这些研究对就业结果持中立态度，而劳动力市场的反应可能会极大地影响价格走势（可能抵消其预测中的价格上涨压力）。
国际货币基金组织的结果显示，全球全要素生产率（TFP）增长幅度不大，且不均衡。
在2025年4月的一份报告中，国际货币基金组织（IMF）根据两种不同的生产率增长情景估算了人工智能带来的经济收益。这两种情景的定义基于不同的人工智能应用程度、采用深度和速度以及成本节约情况。我们之所以重点关注IMF的这份报告，是因为它具有扎实的技术基础，而且作者针对多个地区进行了估算，而大多数其他研究通常只关注单一国家（主要是美国）或地区。IMF的研究强调了人工智能带来的经济效益可能不均衡，并得出结论：人工智能应用程度和准备程度越高，美国和欧盟相对于新兴市场经济体而言，将获得更大的人工智能收益。
在全要素生产率（TFP）较低的环境下，即“技术采纳和扩散速度较慢”的情况下，国际货币基金组织（IMF）估计，未来五年全球TFP将增长0.6%，未来十年将增长0.8%；而在全要素生产率较高的环境下，即“预期生产率将大幅提升”的情况下，该报告估计未来五年和十年全球TFP增长率分别为1.8%和2.4%（所有数据均与IMF最新的基准经济预测相比）。IMF并未提出一个统一的TFP情景，可能是担心被解读为IMF的观点，但全球TFP增长率相对于基准情景的低TFP情景和高TFP情景的中间值分别为：未来五年增长1.2%，未来十年增长1.6%。
人工智能的普及程度、准备情况和获取途径决定了各国人工智能生产力的差异
国际货币基金组织（IMF）的研究结果显示，人工智能带来的潜在生产力收益存在显著的区域差异，因此各国从全球范围内人工智能技术的普及应用中获得的GDP增长也存在显著差异（见图表21）。IMF的模型预测，未来十年，美国在低全要素生产率（TFP）和高全要素生产率（TFP）两种情况下，经济增长率将分别提升1.5%和4.3%，远高于全球0.8%和2.4%的预期值，约为中国预期收益的两倍，也远超低收入国家（LIC）的水平（低收入国家的TFP收益预计在0.5%至1.0%之间）。欧盟、瑞士和其他发达经济体的生产力提升幅度与美国相当，但略小，足以使其保持增长势头。
图表 21 – 低全要素生产率和高全要素生产率冲击情景对生产率的 10 年累计影响
注：CHI = 中国。EMA = 新兴市场经济体（亚洲、中亚、俄罗斯等）。EML = 新兴市场经济体（拉丁美洲、中东、非洲等）。EUS = 欧盟和瑞士。LIC = 低收入国家。OAD = 其他发达经济体。
数据来源：国际货币基金组织；加拿大丰业财富管理公司。
造成这种跨国差异的原因是什么？国际货币基金组织（IMF）的模拟研究考虑了三个关键因素——风险敞口、准备情况和获取途径（本报告前文也曾讨论过）——这些因素导致了人工智能应用方面存在显著的跨国/区域差异，进而影响到人工智能对生产力和经济增长的推动作用。我们上文引用的IMF报告的主要结论侧重于基准人工智能冲击情景下的风险敞口和准备情况因素，暂且不考虑获取途径，而是构建其他情景，在这些情景下，一些国家面临人工智能技术获取方面的限制——正如美国最近限制向中国出口先进人工智能芯片所体现的那样。
图片由丰业财富管理公司提供。
人工智能暴露度衡量的是一个国家的经济和/或行业的劳动者在多大程度上会受到人工智能的影响，人工智能既可以作为劳动力的补充，也可以作为劳动力的潜在替代品。行业差异（例如信息技术在劳动力和经济中所占比例较高）和职业差异（例如行业内高人工智能暴露岗位的比例）共同构成了国家和行业的人工智能暴露度指数。以美国为例，作者估计人工智能密集型产业占GDP的16.3%，而欧盟为12.9%，中国为12.1%，新兴市场（不包括亚洲）为8.7%（图表22）；我们将在本报告后续部分讨论构成人工智能密集型产业的要素。
尽管欧盟和中国人工智能密集型经济的占比乍看之下相近，似乎意味着二者从生产率提升中获得的全要素生产率收益也相似，但人工智能的影响并非仅限于这些行业。在欧盟，非贸易行业（例如服务业）占经济总量的64%，由于数据处理、语言处理或计算机使用等相关工作的普遍性，这些行业的从业人员接触人工智能的机会更高。在中国，非贸易部门占GDP的比重较小，为60%，而贸易部门（农业、采矿业、制造业和交通运输业）则接近经济总量的30%。
图表 22 – 人工智能密集型和非贸易行业占比越高，人工智能效益越大。
注：CHI = 中国。EMA = 新兴市场经济体（亚洲、中亚、俄罗斯等）。EML = 新兴市场经济体（拉丁美洲、中东、非洲等）。EUS = 欧盟和瑞士。LIC = 低收入国家。OAD = 其他发达经济体。数据来源：国际货币基金组织；加拿大丰业财富管理公司。
除了按行业划分的人工智能应用情况外，行业内部的人工智能应用情况对于确定人工智能对各国的益处也至关重要。在可贸易行业、非贸易行业以及人工智能密集型行业中，由于岗位要求或技术资源的可用性和先进程度不同，员工在日常工作中享受到的技术融合程度也各不相同。因此，对于X国A行业的代表性员工而言，人工智能的应用对其生产力的影响程度，与Y国A行业的代表性员工相比，也会有所不同。
为了评估人工智能对各国劳动者可能产生的不同影响，并校准其总体经济影响，国际货币基金组织（IMF）考察了被认为高度受人工智能影响的就业比例，这些就业群体更有可能受到人工智能更显著、更快速的生产力提升。作者分析了构成特定岗位的不同任务与人工智能能力之间的重叠情况，并确定美国人工智能密集型行业的劳动者中有85%高度受人工智能影响，略高于欧盟的82%，但远高于中国的58%。综合来看，美国人工智能密集型行业占GDP的16.3%，且其85%的劳动者高度受人工智能影响，这使其在获取人工智能收益方面比中国更具优势。中国的人工智能密集型行业占GDP的12.1%，而其高度受人工智能影响的劳动者比例仅为58%。
新技术出现之初准备更充分的国家，更有能力充分发挥其潜力。正如本报告前文所述，即使一个经济体的风险敞口较高，其有效整合人工智能的能力也取决于其准备程度。
国际货币基金组织的人工智能准备指数（AIPI）根据四个因素（图表 23）评估各国的人工智能准备情况：数字基础设施、创新和经济一体化、人力资本和劳动力市场政策以及监管和道德。
- 数字基础设施是指技术资源的实力和可用性，它是人工智能更快普及和应用的基础。
- 创新和经济一体化体现了一个国家通过研发支出、信贷可得性或对国际贸易市场和外国投资（及专业知识）的开放程度所展现的技术发展势头。
- 人力资本和劳动力市场政策既考虑到了数字技能的普及，以便更轻松地利用新技术，也考虑到了促进劳动力重新配置和保护失业工人的政策。
- 监管和伦理衡量现有法律和执法框架对新型数字商业模式的适用性。
图表 23 – 国际货币基金组织四大支柱人工智能准备指数
资料来源：国际货币基金组织；加拿大丰业财富管理公司。
基于这四个因素，国际货币基金组织（IMF）的人工智能发展指数（AIPI，见图表24）将七国集团（G7）列为榜首，其得分为0.72，美国得分为0.77，欧元区为0.67。相比之下，新兴市场经济体的平均得分为0.46，各国得分差异显著，例如中国的0.64和智利的0.59，而印度和巴西的得分约为0.5。因此，以IMF的AIPI指数衡量的，各国在人工智能浪潮初期阶段的不同起点，正在加剧经济差距，因为一些国家缺乏充分发挥这项新兴技术潜力的基础。撒哈拉以南非洲的AIPI指数为0.34，不到美国和加拿大的一半。
图表 24——发达经济体在人工智能准备竞赛中领先
注：EM = 新兴市场；LAC =拉丁美洲和加勒比地区；MECA = 中东和中亚；SSA = 撒哈拉以南非洲。
资料来源：国际货币基金组织；加拿大丰业财富管理公司。
获取途径是影响各国从人工智能中获益程度差异的最后一个主要决定因素。国际货币基金组织的框架认为，各国在获取设备或知识产权方面可能存在不平等，这限制了它们在能够利用人工智能技术的行业中的创新能力和竞争力。地缘政治或国家安全问题以及出口限制等因素都会制约获取途径，尤其对于新兴市场或低收入国家而言，这些国家往往缺乏在国内进行研发的能力。中国以远低于七国集团（G7）成员国人工智能模型的成本构建了DeepSeek平台，这表明发展中市场和新兴市场之间的这种差异可能并不那么显著，尽管这种差异主要体现在资源更丰富的大国身上。
这些障碍加剧了国际货币基金组织（IMF）基准情景下经济成果的不平等。IMF在高全要素生产率（TFP）情景下对新兴市场经济体（不包括中国）实施人工智能准入限制的模拟结果显示，尽管美国、发达经济体和中国的GDP增长与基准情景相比仅略有下降，但新兴市场国家的产出增长却比基准情景减少了约40%。拉丁美洲经济体未来10年的GDP增幅将略低于2%，而美国则将增幅达到5.4%（见图表25）。
图表 25 – 人工智能普及可能会限制人工智能应用带来的本已微弱的 GDP 增长
注：CHI = 中国。EMA = 新兴市场经济体（亚洲、中亚、俄罗斯等）。EML = 新兴市场经济体（拉丁美洲、中东、非洲等）。EUS = 欧盟和瑞士。LIC = 低收入国家。OAD = 其他发达经济体。数据来源：国际货币基金组织；加拿大丰业财富管理公司。
全球GDP结果取决于生产率差异
根据前一节概述的人工智能应用对生产率的影响估算，国际货币基金组织发现，在全要素生产率（TFP）较高的情景下，全球GDP在未来五年内将比基准水平高出约2.5个百分点，到十年后将增幅达4个百分点。在全要素生产率较低的情景下，预计未来五年和十年内，全球GDP将分别增长0.8个百分点和1.3个百分点（见图表26）。
然而，人工智能带来的全球效益分布并不均衡。在全要素生产率较高的情况下，10年后美国和欧盟的GDP分别增长5.4个百分点和4.4个百分点，而新兴市场（不包括亚洲）的GDP仅增长3.2个百分点，低收入国家则仅为2.7个百分点。国际货币基金组织指出，人工智能的准备和应用方面存在不足，尤其强调农业和体力劳动就业中，有相当一部分人未能充分利用人工智能技术。
该研究指出，中国在全要素生产率（TFP）高低方面分别实现了 3.5 个百分点和 1.2 个百分点的十年增长，虽然中国在创新和基础设施方面准备充分，但其制造业在经济中的占比较高（28% 对比美国的 16%），以及其他行业中人工智能密集型就业占比较低，限制了人工智能的发展。
图表 26 – 潜在的 GDP 增长可能不均衡
注：CHI = 中国。EMA = 新兴市场经济体（亚洲、中亚、俄罗斯等）。EML = 新兴市场经济体（拉丁美洲、中东、非洲等）。EUS = 欧盟和瑞士。LIC = 低收入国家。OAD = 其他发达经济体。数据来源：国际货币基金组织；加拿大丰业财富管理公司。
经济内部人工智能带来的益处因行业而异
在宏观经济总体影响和跨国表现的背景下，国际货币基金组织（IMF）模拟了经济中不同部门如何从人工智能（AI）的应用中获益。在其研究中，IMF将经济体细分为三大部门：可贸易部门、不可贸易部门和人工智能密集型产业。如前所述，这些行业在一个国家经济中所占的份额会对整体经济的人工智能收益产生重要影响，因为每个部门所受到的人工智能利好因素影响程度各不相同。此外，各国国内以及各部门在人工智能准备度和风险敞口方面的差异也意味着，一个国家的人工智能密集型产业所获得的收益可能小于另一个国家的同类产业。
不出所料，在国际货币基金组织重点关注的地区，人工智能对人工智能密集型行业的生产率提升幅度高于非贸易部门和贸易部门。大多数国家和地区各行业所获收益的差距大致成比例（再次见图表20）。在美国，在高全要素生产率（TFP）情景下，人工智能密集型行业的生产率提升约为5-5.5个百分点，而
贸易部门的生产率提升约为2.5-3.0个百分点，约为前者的一半；非贸易部门的生产率提升则介于两者之间，略高于4个百分点。
在美国，人工智能密集型行业的AI风险敞口值为0.85 ，该数值代表各行业中被认为高度受人工智能影响（即85%）的就业比例。相比之下，非贸易行业和贸易行业的AI风险敞口分别为67%和43%。图表27列出了分别属于人工智能密集型、贸易行业和非贸易行业的概况，其中金融保险、电信和信息技术等行业属于人工智能密集型行业，这些行业中85%的就业岗位都高度受人工智能影响。
图表 27 – 代表性行业（占美国经济的百分比）
资料来源：国际货币基金组织；加拿大丰业财富管理公司。
为了得出人工智能行业暴露度 (AIIE) 值，国际货币基金组织 (IMF) 将人工智能职业暴露度 (AIOE) 超过所有职业 AIOE 中位数的职业归类为高度人工智能暴露。职业暴露度是通过分析约 50 项工作场所技能（例如，定量或语言能力）及其与 10 项人工智能应用（例如，图像识别或翻译）的关联或暴露程度得出的，然后根据构成该职位的不同技能，对职业的总体 AIOE 进行加权。
图表28展示了国际清算银行（BIS）计算的构成美国经济的20个行业的AIIE得分及其各自的就业份额。得分设为1代表AIIE得分最高，在本例中为金融和保险业，约占总就业人数的5%，其次是专业和商业服务以及企业管理（分别为55%和54%）、教育（61%）和信息业（51%）。与此同时，农业、运输和仓储以及食品和住宿业的AIIE得分最低。
图表 28 – 金融、专业服务、教育和信息行业在人工智能应用方面排名最高
注：北美行业分类系统（NAICS），从左至右：11 = 农业、林业、渔业和狩猎业；48-49 = 运输和仓储业；72 = 住宿和餐饮服务业；23 = 建筑业；21 = 采矿、采石以及石油和天然气开采业；56 = 行政和支持服务、废物管理和修复服务；71 = 艺术、娱乐和休闲业；31-33 = 制造业；81 = 其他服务业（例如公共管理）；44-45 = 零售业；22 = 公用事业；42 = 批发业；53 = 房地产及租赁业；99 = 政府部门；62 = 医疗保健和社会援助；51 = 信息和文化产业；61 = 教育服务业；54 = 专业、科学和技术服务业；55 = 公司和企业管理；52 = 金融和保险业。资料来源：国际货币基金组织；丰业财富管理公司。
通胀影响及政策应对尚不明朗
人工智能的通胀影响仍存在不确定性，但现有研究的估计普遍偏高。尽管人们普遍认为，积极的生产率冲击具有通缩作用，因为在其他条件不变的情况下，更高的劳动生产率（进而更高的总产出）会导致经济中商品和服务供给增加，从而导致价格下降或价格涨幅减少。然而，由于人工智能冲击的特点是劳动者之间的互补性与劳动者替代程度存在不确定性，因此很难对人工智能将如何影响劳动力市场以及家庭收入（家庭收入是总需求和消费价格的关键决定因素）做出假设。
国际货币基金组织的模型包含一个前瞻性部分，该部分产生的通胀反应仅略高于其基准预测。对更高生产率和更高未来收入的预期，加上当前的收入增长——同时伴随着人工智能带来的日益增长的效益或为利用该技术而进行的更多投资和招聘——将导致总需求增加，从而在中短期内引发更高的通胀——尽管广泛的劳动力市场动荡和工资抑制可能会产生相反的效果。快速的基础设施建设和工作场所对人工智能日益增长的需求可能已经在经济数据中有所体现。
基于此，国际能源署（IEA）在其《能源与人工智能》报告中预测，未来五年全球数据中心的电力需求将增长一倍以上，而人工智能优化的数据中心电力需求预计将增长四倍（见图表29）。IEA的报告指出，到2030年，数据中心的电力消耗将占国内能源需求增长的一半，该行业的能源消耗将超过所有能源密集型商品行业（包括铝、钢铁、水泥和化工制造）的总和。
其他条件不变的情况下，这当然会推高全球能源价格，尽管加大对能源生产（无论是否可再生能源）的投资或采取供应政策（例如，欧佩克+）会对能源价格的中期走势产生实质性影响。与电力需求增长同步，人工智能热潮也可能影响个人电脑和手机等电子设备的价格，因为企业对先进芯片的需求正在不断增长。能源和关键矿产资源的集中加剧了地缘政治风险，这可能会加剧成本压力（并对第4.4节中描述的人工智能获取方面的不足产生影响）。
图表 29 – 数据中心电力需求预计将激增
资料来源：国际能源署；加拿大丰业财富管理公司。
然而，就国际货币基金组织（IMF）的研究而言，短期需求对通胀的影响相对温和。IMF的高全要素生产率（TFP）模拟显示，在研究涉及的国家和地区中，通胀的峰值影响出现在第三至第四年，约为基准水平的0.05至0.1个百分点（见图表30）。这些通胀上升幅度可能较小，因为积极的货币政策能够抑制过高的价格压力，政策制定者会根据模型中的通胀目标来应对冲击。短期通胀的提振作用在模拟期的后半段也会减弱，转为轻微的通缩效应。更高的供给能力（随着技术进步和资本积累）抵消了需求渠道对通胀的推动作用，导致从第七年左右到第十年出现0.0至0.05个百分点的通缩效应。
图表 30 – 国际货币基金组织情景分析认为对通货膨胀的影响有限
资料来源：BIS；丰业财富管理。
与国际货币基金组织（IMF）对通胀反应较为温和的预测形成对比的是，国际清算银行（BIS）基于更高的全要素生产率（TFP）提升幅度所做的估算，更清晰地展现了人工智能（AI）的潜在通胀效应（尽管可能有所夸大）。BIS对人工智能对产出和通胀影响的研究假设，未来十年人工智能的普及将使全要素生产率每年提升1.5个百分点，而IMF的高全要素生产率情景下，未来十年的累计增幅为2.4个百分点。尽管如此，更大的冲击幅度挑战了经济模型固有的僵化性，使其难以引发更明确的通胀和央行政策反应。
图表31——国际清算银行的大规模全要素生产率冲击引发了巨大的GDP连锁反应
资料来源：BIS；丰业财富管理。
国际清算银行强调，除了 GDP 之外，宏观经济的不同组成部分可能会因人工智能的采用是预期之内还是预期之外而出现明显差异（图表 31）。
在第一种情况下，家庭观察到生产率的同步增长，同时也预期未来的收益，这导致短期内消费受到更强烈的正向冲击（预期支出增加会平滑当前的支出），从而引发通胀率在峰值时较基准水平大幅上升超过2个百分点，并持续数年（图表32）。反过来，政策利率在第一个十年的大部分时间里都大幅超过基准水平3个百分点以上。投资受到消费增长的挤出，同时由于央行官员以需求驱动型通胀为导向，较高的政策利率也显著抑制了投资，最终导致长期人工智能在GDP中的资本化率略有下降。
与预期相反，国际清算银行的模拟结果显示，短期内通胀将受到不利影响。人工智能应用带来的全要素生产率（TFP）提升将推动国内生产总值（GDP）强劲增长，产能提升和成本降低，以及供给增加，将在未来五年内抑制通胀。在此期间，政策利率将随着短期内温和的通胀而下降。
图表 32 – 通货膨胀和政策应对取决于人工智能生产力冲击的性质
资料来源：BIS；丰业财富管理。
然而，国际清算银行出人意料的情景框架显示，家庭正逐渐意识到人工智能带来的巨大经济效益，人工智能普及对总需求的影响将超过总供给增加的影响，从而引发通胀加速，并在第5年左右达到峰值，比基准水平高出0.5至1.0个百分点。在经历了多年低于目标水平的通胀之后，各国央行采取紧缩性政策利率，在第11至15年达到峰值，比基准水平高出约1至1.5个百分点。
总体而言，国际清算银行的研究结论是，与基准相比，人工智能的采用将产生比国际货币基金组织框架更高的通货膨胀，两项研究都一致认为，在中期内，人工智能的采用会产生净正向的通货膨胀影响，这种影响在国际清算银行的研究中持续到模拟期结束，但在国际货币基金组织的方案中，这种影响会转变为略微通缩的影响。
就业影响将取决于与人工智能的互补性
国际货币基金组织和国际清算银行并未详细阐述人工智能普及对总体就业的影响，因为它们对劳动力市场做出了简化的假设，即工人会在中期内重新配置劳动力或劳动力市场会适应人工智能普及的需求。短期内，当前的劳动力市场结构以及工人的技能和适应能力可能会导致部分人失业，某些特定人群可能难以适应新技术，并且在失业后面临更不利的再就业前景。人口结构的影响可能比以往的技术创新浪潮（例如工业革命）更为广泛，工业革命对男性劳动力的影响更大，并且在某些地区的影响也比其他地区更为显著。
在组织内部和各个行业中，某些岗位或职能部门受人工智能的影响程度更高，这既包括其增强能力带来的影响，也包括其自动化风险（图表 33）。人工智能对就业的净影响也会对总需求产生重要影响，总需求可能起到通缩或通胀的作用，这与国际清算银行和国际货币基金组织在评估央行应对措施时的结果相辅相成。
图表 33 – 法学硕士课程中自动化和增强技术在工作职能方面的影响
资料来源：世界经济论坛；丰业财富管理公司。
各国在人工智能应用程度和潜在互补性方面的差异，决定了人工智能给劳动力带来的风险和收益平衡。在发达经济体，更高比例的工作岗位与人工智能密切相关，这将转化为更大的总体生产率提升。然而，这种更高的应用程度也可能增加人工智能取代现有岗位的风险，具体取决于该技术是与现有工人互补还是取代现有工人。而对于低收入国家而言，情况则恰恰相反，因为在这些国家，人工智能密集型或受益行业在劳动力或经济中所占的比重较小。人工智能应用程度的提高是一把双刃剑，发达经济体在人工智能正负互补谱的两端都拥有更多劳动者，他们因采用人工智能而获得的收益和损失表明，人工智能对各国劳动力市场的影响比低收入国家更为两极分化，这会对收入不平等和/或公共政策产生影响。如图表34所示，美国劳动者对人工智能技能的熟悉程度更高，这可能使他们比其他国家的劳动者更容易利用该技术的互补优势，因为知识差距可能有利于自动化。
图表 34 – 人工智能技能集中在少数几个国家（经合组织人工智能技能普及率 = 1）
资料来源：经合组织；丰业财富管理公司。
斯坦福大学研究人员最近发表的一篇论文分析了美国劳动力市场数据，以寻找人工智能影响的早期迹象，并提出了关于年轻劳动者劳动力市场疲软的六项关键发现（见下文图表35）。然而，需要注意的是，这些发现仅是微观层面的初步结果，其结论（至少目前）尚未适用于整体经济，但越来越多的个案证据可以为人工智能对更广泛的劳动力市场影响提供指导。
- 与经验丰富的同行就业稳定或持续增长形成鲜明对比的是，在人工智能相关职业（如软件开发人员和客户服务代表）中，年轻劳动者的就业人数出现了显著下降。
- 自2022年底以来，初级职业就业人数停滞不前，而整体就业人数则持续增长。在人工智能应用更为广泛的领域，年轻求职者的就业岗位减少了6%，而经验丰富的求职者的就业岗位则增长了6%至9%。
- 与人工智能增强产出的工作岗位相比，人工智能主要实现工作自动化的岗位入门级就业人数有所下降，而人工智能实现工作自动化的岗位入门级就业人数则有所增加。
- 与同行业或公司中较少接触人工智能的同龄人相比，接触过人工智能的年轻员工的就业趋势较弱。
- 劳动力市场的调整在就业人数上比在员工薪酬上更为明显。年轻的、接触过人工智能的求职前景可能较弱，但他们的工资增长动态与经验更丰富或接触人工智能较少的同龄人基本持平。
- 从 2022 年末开始，人工智能接触因素与早期职业劳动力市场疲软之间的关系变得明显起来，因为生成式人工智能工具的使用迅速增长，大约在当年 11 月 ChatGPT 推出前后。
图表35——人工智能普及程度越高，就业形势越疲软，尤其是在年轻劳动者群体中。
资料来源：Brynjolfsson、Chandar、Chen（2025）；丰业财富管理。
第五部分 | 规制这场革命——应对人工智能的政策
丽贝卡·杨| 加拿大丰业银行经济部副总裁兼包容性和韧性经济学主管
主要结论
- 就业保险、技能再培训和终身学习的现代化对于帮助劳动者适应人工智能驱动的变革至关重要。政策应侧重于支持转型而非保护特定岗位，并建立失业风险预警系统。
- 加大对有形和无形资产的投资，构建可靠的人工智能基础设施，并支持人力资本发展，将加速人工智能的普及应用和提高生产力。政策应使中小企业能够采用人工智能，并鼓励其探索和推广创新路径。
- 财政政策必须适应价值从劳动向资本的转移。需要采用自动稳定器、现代化的税收管理以及均衡的税收结构，以维持公共收入并为必要的配套设施提供资金，同时避免过高的工资税，并支持劳动激励措施。
- 各国政府应将人工智能纳入其核心职能，加大对公共部门能力建设的投入，并将相关基础设施视为公共产品。建立公众信任需要保障隐私、安全和网络安全，并制定清晰的数据和知识产权规则。
- 促进竞争、开放获取关键人工智能输入以及增强金融市场的韧性至关重要。在标准、税收和风险管理方面开展国际协调，将有助于实现收益并控制风险，确保利益惠及大众。
如前文所述，要描绘出人工智能更广泛的宏观经济影响并非易事。工资、通货膨胀、利率和汇率的走势可能随时间和地域而变化。人工智能规模化发展的早期投资阶段可能引发通货膨胀，而普遍的生产率提升则可能在后期产生通缩压力。工资可能随着人工智能的普及而上涨，也可能在替代效应超过再吸收效应时下降。部门生产率的不平衡——尤其是在可贸易部门和非贸易部门之间——会扭曲相对工资、价格和竞争力。例如，国际货币基金组织的分析表明，人工智能对国内部门的集中影响可能会削弱实际汇率调整的传统作用——逆转通常的巴拉萨-萨缪尔森动态——并使落后者进一步被边缘化。
从政策角度来看，人工智能经济影响的真正考验在于它是否能提升社会福祉。即使GDP增长，如果参与率或工资水平滞后，家庭也可能蒙受损失。在公共服务领域（医疗、教育和社会福利），人工智能可以提升福祉，但如果管理不善，则可能加剧错误、偏见和排斥。有害用途——欺诈、虚假信息、安全漏洞——也会降低社会福祉，而这些影响并不会反映在价格上。最终的净收益取决于政府的准备情况和可信的保障措施。
这一切都在实时发生。全球经济活动正在放缓，劳动力市场供过于求，投资依然疲软，地缘政治风险持续影响着经济。通胀、利率和投资动态不能孤立地看待。近期出现的“招聘犹豫”可能反映了上述诸多因素，以及人工智能引发的劳动力需求不确定性。另一方面，强劲但集中的人工智能资本支出和股市上涨势头掩盖了全球经济活动正在出现的普遍疲软。
预测人工智能的宏观发展路径充满挑战，任何点估计都可能造成不准确的结果。未来仍充满未知，现在就断言充满希望、炒作或幻想都为时尚早。人工智能固然蕴藏着变革的潜力，但最终结果将取决于当下的选择。涵盖教育、劳动力市场、投资、竞争和数据治理等领域的政策框架可以引导人工智能朝着理想的方向发展，或者至少可以规避令人担忧的风险。
这种不确定性更加凸显了追踪新出现的压力点的必要性。
紧张关系与权衡取舍
工人、工资和赢家
劳动力市场结果将是影响宏观经济走向的重要力量。人工智能是替代现有工作还是增强现有工作，将决定就业、收入和劳动份额的走向。如果替代速度超过互补性工作创造速度，有效劳动投入就会下降，劳动份额会进一步降低，总需求也会疲软——即便产出潜力上升。更具韧性的路径是增强现有工作，这可以提高工作效率，留住劳动者，并使收入和需求能够促进人工智能的扩散。
潜在的分配不均效应可能具有重要的政治意义。对工资和就业的影响可能会因行业、任务类型、公司规模和员工类型而异。增强技术可能会使高技能员工和可扩展的公司受益，而替代技术则可能导致常规或可自动化岗位的工资下降。另一方面，一些人推测，人工智能可以通过标准化高价值任务来缩小某些职能领域的技能溢价。我们认为，现在就断言谁是赢家谁是输家还为时过早，因为证据仍然不足，而且大多数研究结果尚无定论或前后矛盾。即使平均值有所改善，如果匹配摩擦和采用不均衡加剧了差异，那么更大的分散性也是有可能的。
为避免造成创伤，重新配置的速度必须与任务重组保持同步。如果技能再培训、匹配和再就业滞后于裁员，离职现象将持续存在，劳动参与率将下降，滞后效应将损害未来的生产力。失业保险等自动稳定器以及更有针对性的措施在缓冲冲击方面发挥着关键作用，但其覆盖范围和充足性差异很大。在经合组织国家中，失业保险仅能弥补不到60%的收入损失，而且只是暂时的，而大多数国家的长期福利远低于贫困线（图表36、37）。与此同时，发达国家仅将GDP的约0.3%用于积极的劳动力市场政策，例如培训项目或就业服务，以支持劳动力重新融入社会（图表38）。这些平均值掩盖了各国在慷慨程度和可及性方面的显著差异。而且，关于这些政策有效性的证据——尤其是在技术快速变革的背景下——仍然褒贬不一。随着人工智能重塑任务需求，能否顺利支持劳动力市场无缝衔接将决定我们能否做好准备。
图表36——最低收入保障的充足性：各国福利待遇差异巨大
注：反映的是无子女单身失业者的年收入占家庭可支配收入中位数的百分比。数据来源：经合组织；加拿大丰业银行经济研究。
图表 37 – 失业后的净替代率：各国就业保险差异巨大
注：反映的是单身无子女人士失业期间的年化家庭收入占失业前家庭可支配收入的比例。数据来源：经合组织；加拿大丰业银行经济研究部。
图表38——积极的劳动力市场政策支出：各国针对性调整的支出有限
资料来源：经合组织；加拿大丰业银行经济研究。
岗位更替更容易建模，但就业创造——通常是涌现的且非线性的——却带来了预测上的挑战，并涉及重大的政策影响。人工智能可能会催生全新的任务、职业和公司，例如快速工程、人工智能伦理、合成数据设计、虚拟生产、人工智能辅助药物研发和自主物流，以及一些目前尚未被设想的服务。历史告诫我们保持谦逊：过去几波通用技术浪潮都曾以预测者未能预料的方式重塑就业格局。正因如此，即使长期的职业更替更为渐进且难以预测，短期劳动力市场的影响往往在模型中占据主导地位。
我们认为，全民基本收入的实施为时尚早。首先，阿西莫格鲁指出，自动化带来的经济效益可能远低于简单的劳动力规模，而且资本边际收益递减的趋势会随着时间的推移抵消劳动力流失的影响。实际上，很少有国家具备维持普惠全民基本收入所需的财政能力或税收体系。更紧迫的当务之急是更快、更公平地进行资源重新配置——包括技能培训、匹配、流动性提升和工作场所重新设计——以确保劳动者就业，并确保收益惠及所有人。如果转型管理不善，参与度下降，那么要求采取成本更高的干预措施的压力就会增加，从而加剧财政紧张，导致赤字上升，进而可能进一步削弱更广泛的收益。
收入、奖励和约束
财政政策面临着时机和结构上的双重压力。在大多数发达经济体中，劳动收入仍然是公共财政收入的支柱，约占总收入的60%（见图表39）。然而，人工智能的早期应用往往会将价值重心转移到资本和无形资产上，而这些资产通常享有税收优惠。这种转变可能会削弱财政收入，而此时各国政府正面临着日益增长的资金需求，需要用于技能再培训、再就业、数字基础设施、监管以及计算密集型公共服务。其结果可能是，在生产率提高之前，财政赤字就会扩大，在税收基础尚未体现增长之前，财政基线就已经捉襟见肘。
图表39——劳动税是政府收入的重要来源
注：*本类别中包含的个人资本利得税，不计入个人所得税收入类别，以反映劳动
税收负担。资料来源：Brynjolfsson、Chandar、Chen (2025)；丰业财富管理。
保障税收基础至关重要，但绝不能以牺牲创新为代价。经济理论支持对高风险、互补性投资，尤其是在私人资本稀缺的情况下，采取较轻的早期税收政策。据国际货币基金组织（IMF）统计，在发达经济体，全球金融危机后的几年里，私人投资暴跌了25%，此后复苏乏力。这种持续疲软反映了需求低迷、资金受限以及持续存在的不确定性。在美国以外，资本市场规模较小且投资水平结构性偏低，使得在促进创新和保障税收之间取得平衡尤为棘手。
另一个核心矛盾在于如何在不加剧劳动税负的情况下维持财政能力。在许多发达经济体，受人口老龄化影响，预计到2030年，劳动参与率将停滞不前甚至下降。对劳动征收更高的税负可能会加剧人们的工作积极性下降，加速劳动参与率的下降，并将经济活动转移到税收较少、资本密集型的领域。这将加剧财政压力，并凸显出构建更加平衡的税收结构的必要性——这种结构应逐步转向与地域相关的、类似租金的回报模式，理想情况下，还应在协调一致的国际规则下进行，以维持公平、效率和财政凝聚力。
人工智能的财政收益是真实存在的，但并非必然。正如美国国会预算办公室的预测所示，经济增长路径如潮水般涌来，能够通过广泛的产出增长提升财政收入，但这并非必然。除了增长红利之外，实现财政收益还取决于政策的协调一致和制度保障。人工智能在提升项目完整性和税收征管效率方面的应用，需要强有力的隐私保护、可审计性和人机协作的治理机制。此外，财政设计必须确保谁在承担成本，谁在受益。由于成本往往具有地域性，租金流动性强，因此各级政府之间的协调对于确保公平和避免税基侵蚀至关重要。
服务、社会与满意度
衡量经济成功的标准必须是福利，而不仅仅是产出。经济检验的关键在于人工智能能否改善人们的生活状况，而不仅仅是提高总产出。家庭购买力——通过工资、工时和参与度来衡量，更不用说生活成本——仍然至关重要，但公共服务的质量、可及性和公平性也同样重要。有害用途，例如欺诈、虚假信息和不安全的系统，即使收入增长，也会损害福利。
人工智能将在公共服务领域展现其公共价值。在医疗、教育、司法和收入保障等领域，公民能够最切实地感受到人工智能带来的益处，而信任的建立或丧失也将在此受到影响。妥善部署人工智能可以缩短等待时间、提高服务精准度并提升每位员工的工作效率。而管理不善的部署则可能导致偏见、错误和排斥现象的加剧。至关重要的是，诸如改善健康结果或实现更公平的医疗服务获取等质量调整后的收益往往无法用传统的生产力指标来衡量，因此政府在评估成本和速度的同时，也必须评估用户体验和公平性。
公共机构也能成为突破性创新的孵化器。精准医疗、诊断和教育技术等领域的进步往往源于公共资助的项目，这凸显了政府作为服务提供者和创新催化剂的双重角色。事实上，美国食品药品监督管理局（FDA）医疗器械审批速度的加快，反映了医疗保健技术的快速创新以及监管框架日益增长的重要性（图表40）。与学术机构的合作不仅对培养未来人才至关重要，而且对推动基础研究以及弥合发现与应用之间的差距也至关重要。
展品 40 – 人工智能在医疗保健领域蕴藏着巨大潜力
资料来源：斯坦福大学 HAI 2025 人工智能指数报告；加拿大丰业银行经济研究。
公众信任至关重要。这意味着权利、问责和申诉机制必须清晰明确：人们应该知道人工智能何时参与决策、决策是如何做出的，以及如何质疑这些决策。基于风险的保障措施、隐私保护和可审计性对于扩大效益至关重要，同时，必须明确规定人为决策的责任——尤其是在错误造成不对称伤害的情况下。目前仍处于早期阶段，但数据显示，很大一部分公众仍然不愿意信任人工智能系统（图表 41）。
图表 41 – 人工智能系统中的信任鸿沟
注：调查反映了来自 47 个国家的 4.8 万份回复。数据来源：墨尔本大学和毕马威会计师事务所 (2025)；加拿大丰业银行经济研究。
为了回应公众对人工智能监管透明度日益增长的需求，相关法规的数量正在加速增长（见图表 42）。下图显示，美国的监管活动显著增加，凸显了随着人工智能技术的日益普及，公众信任问题如何推动政策制定。
展品 42 – 人工智能监管的早期阶段
资料来源：加拿大丰业银行经济研究；斯坦福大学 HAI 2025 人工智能指数报告。
信任也取决于对公共产品基础设施的审慎投资：例如，关联且管理良好的数据集；以结果为导向的评估；以及重新设计工作流程的能力等等。这些不仅仅是技术上的支持——它们还能降低固定成本，促进技术普及，并在实践中增强人工智能系统的可信度。
维系信任需要根据证据和风险调整步伐。行动过快会削弱信任；行动过慢则可能导致需求无法得到满足，并阻碍学习。政府应从收益风险比高的领域入手，进行严格的评估，并推广行之有效的措施。持久的福利提升并非来自一次性的部署，而是来自持续不断的改进。
专注、协调和保管
随着人工智能系统规模的扩大，如何维持市场竞争成为一项核心挑战。数据、模型、分发和计算方面的规模优势固然能够加速发展，但也可能导致现有企业地位稳固，并提高转换成本。当务之急是在规模化不可避免的情况下，通过开放接口、数据可移植性以及为挑战者提供与主导平台互操作的可靠途径，来维护市场竞争。这些措施有助于保持前沿创新的活力和竞争力，即使在那些尚未完全模块化或易于拆分的市场中也是如此。
跨境互操作性对于避免代价高昂的碎片化至关重要。人工智能可以通过翻译、发现和合规性降低贸易摩擦，但数据传输、测试、知识产权和本地化方面的规则分歧正在造成市场分裂。指导原则应是基于风险的互操作性，它应趋于统一，形成足以建立信任的保证和审计要求，同时允许各司法管辖区自行调整风险承受能力。世界贸易组织预测，到2040年，人工智能有望将全球贸易额提升近40%。然而，实现这些收益取决于开放、可预测的政策框架以及为弥合数字鸿沟而开展的更深入合作——而世界目前尚未走上这条道路。
投资竞争不应削弱财政能力。为吸引人工智能活动而展开的竞争存在着竞相降低标准的危险，税收优惠和一次性激励措施层出不穷，而数字税收规则却尚未定型。其原则是遵循纪律的竞争：在基本要素（技能、基础设施和监管确定性）上展开竞争，同时在最低税收标准、反避税规则和无形资产的统一处理等保障措施上开展合作。这种方法既能促进资本形成，又能维护为配套项目提供资金所需的税收基础。
稀缺资源和战略要地正成为制约因素。可靠电力、电网容量、冷却、芯片和关键矿产的获取正日益影响选址和定价决策，从而产生租金和潜在的市场扭曲。政策应承认资源稀缺性，但不应加剧其影响：资源定价应透明，基础设施规划应着眼于多年，并避免制定会削弱竞争性的定制化协议。当公共利益（例如安全、韧性、可负担性和气候可持续性）受到威胁时，政府应与值得信赖的合作伙伴开展战略性、长期的协调，摒弃碎片化的做法，以免造成进一步的动荡。
韧性必须不断发展，以应对不断涌现的风险的复杂性和规模。这些风险远不止模型误差，还包括云服务中断、合成媒体欺诈、数据管道网络攻击以及基于人工智能生成内容训练的模型产生的反馈循环。金融市场也增加了脆弱性，人工智能相关股票的集中化以及与计算和能源相关的资本支出周期加剧了相关衰退的风险。当务之急是系统级保障：对依赖关系进行压力测试、监控集中度、明确第三方供应商的责任以及对系统进行压力测试——确保做好准备，同时又不阻碍创新。
从紧张走向转变
发展初期需要采取务实的经济学方法。目前大多数关于人工智能的宏观预测仍基于模型，并依赖于其应用、互补性和扩散性。这种不确定性要求我们制定一套切实可行的策略，以应对各种人工智能发展前景。我们的目标是在证据确凿之处采取行动，在不确定性较高之处进行对冲，并在溢出效应具有系统性影响时进行协调。
这并非要重新发明生产力政策的轮子。在人工智能热潮中，生产力提升的基础依然不变：更合理的资源配置、开放且竞争的市场、可靠的基础设施以及充足的金融支持——无论有没有人工智能——都能提高生产力。正如国际货币基金组织所强调的，传统的结构性改革往往比投机性的人工智能收益带来更大、更确定的生产力提升。人工智能可以强化而非取代这些基础。
一套可信的人工智能战略必须面面俱到。人工智能的影响很可能波及社会的方方面面。在能够带来变革性收益的领域，应加速推广；在发展路径较为平缓的领域，应进行缓冲和调整；在存在潜在风险的领域，应在不阻碍创新的前提下降低风险（参见下一页方框1）。行动的范围和复杂性强化了一个核心原则：生产力和福利仍然是经济政策的核心目标，而进步需要明确的问责机制。
有时，即使是人工智能给出的最明智的答案也是“我不知道”。这并非缺乏远见，而是制定合理政策的开端。在这个充满复杂且高风险决策的世界里，以严谨的态度和明确的方向拥抱不确定性，才是真正变革得以扎根的途径。
方框 1：政策策略手册
A. 平滑过渡
- 通过扩大覆盖范围、灵活触发机制和重返工作岗位支持，实现就业保险的现代化。
- 通过与工会和雇主共同制定的有针对性的技能再培训、更快的匹配和搬迁支持，加强以证据为基础的积极劳动政策。
- 通过可携带账户和清晰的技能发展路径，促进终身学习。
- 尽早将数字和人工智能素养以及批判性判断能力融入K-12和高等教育中。
- 通过保护工人及转型而非特定工作岗位，避免出现新的劳动力市场扭曲，并保持跨部门和跨地域的灵活重新配置。
- 建立劳动力流失风险的预警信号和政策触发机制——例如，劳动力流失指数。
B. 趋向互补性和扩散性
- 通过可预测的激励措施、更快的审批速度、监管确定性和明确的长期信号，增加对有形和无形资产的投资，从而重建资本基础。
- 通过扩大清洁稳定的电力供应、升级电网和连接、保障关键投入、保障价格可承受性，同时推进气候目标，构建可靠的人工智能基础设施。
- 通过激励措施促进技能提升、改善管理和工作流程、数据工程、评估和安全，并辅以简单的劳动力计划，投资于人力和组织资本。
- 通过提供符合中小企业实际情况的政策，促进中小企业采用相关技术——例如，共享咨询服务、沙盒环境以及有时限的培训或审核券。
- 创建测试和扩展路径，以便企业能够试用、评估和扩展已验证的 AI 应用，并获得有时限的支持和快速的暂停/启动审查。
- 将人工智能作为一种手段，把政策与生产力、增长和福利联系起来，并且不要忽视更广泛的改革议程。
C. 保护不断变化的税基
- 加强自动稳定器，使其具备明确的触发机制，以便在行业或区域冲击发生时迅速扩大支持规模。
- 通过降低边际有效税率来保持工作积极性；平滑减税进程，包括惠及第二收入者；并扩大就业支持，包括可提高弱势群体参与度的新型人工智能驱动工具。
- 该基金通过扩大税基而非提高工资税来补充，并辅以严格的评估和快速失效的政策触发机制。
- 利用数字服务实现税务管理现代化，保障实时数据安全，使用预填申报表，采用更简单的规则，并利用分析来确保合规性和政策的制定。
- 通过监测从劳动力向资本的转移，制定有序的税收再平衡计划；通过有纪律的资本税收制度保护投资激励，包括采用现代化系统来获取无形资产的超额租金；同时，在可行的情况下，通过协调避免竞相降低税收标准。
D. 让政府做好人工智能准备
- 将人工智能融入核心职能，采取全政府方法，将责任纳入部门战略、预算和服务交付，并以明确的角色、中央协调和共同原则为支撑。
- 投资于公共部门能力，使其能够应用人工智能在医疗保健和教育领域提供更好、更低成本的服务；通过测试和规模化途径培养创新热情；并结合隐私、安全、公平和问责制保障措施，以保护公众利益。
- 调动公共购买力，做出明智的自建与购买选择，扩大可信的本土解决方案规模，并保护安全和数据主权等战略利益。
- 将基础设施视为公共产品，提供可靠的数据治理和访问、行业数据中心、可互操作的应用程序编程接口和数字身份，以及适合用途的计算、网格和互连，以降低固定成本。
- 通过安全和网络安全、隐私、数据和知识产权（包括访问和可移植性）方面的保障措施和明确规则，建立公众信任和对话。
E. 保持市场的可竞争性和安全性
- 通过确保对基本投入（计算、云、芯片和数据）的开放获取，促进竞争和市场活力，要求实现互操作性和可移植性，实现公平切换和数据移动性，并通过促进竞争的补救措施审查排他性和新兴收购。
- 通过绘制关键第三方和跨市场依赖关系图、监测集中度和相互关联的风险敞口、进行系统性压力测试、提高透明度和事件报告机制以及调整审慎监管范围以应对非传统风险，来增强金融市场的韧性。
- 增强家庭抵御能力，使家庭能够在工资之外分享财富创造，同时保持抵御冲击的能力——例如，通过提高金融素养、投资激励、默认多元化储蓄、可携带养老金、审慎的杠杆限制和明确的咨询标准。
- 加强国际协调，以实现收益并控制风险，具体措施包括：统一制定基于风险的数据、测试和保证标准，实现可信的跨境资本、贸易和数据流动；协调税收和审慎监管框架以限制套利；确保市场互联互通；并通过能力建设支持发展中国家，使利益广泛共享。
参考
阿西莫格鲁，达龙。2025。“人工智能的简单宏观经济学。”经济政策40（121）：13-58。
Aghion, Philippe 和 Stéphane Bunel. 2024. “人工智能与增长：我们处于什么位置？”政策简报。
Aldasoro, Iñaki, Sebastian Doerr, Leonardo Gambacorta 和 Daniel Rees. 2024. “人工智能对产出和通货膨胀的影响。” BIS 工作论文第 1179 号。
Baily, Martin, Erik Brynjolfsson 和 Anton Korinek. 2023. “心智机器：人工智能驱动的生产力繁荣的案例。”布鲁金斯学会报告。
Brynjolfsson, Erik、Bharath Chandar 和 Raymond Chen. 2025. “煤矿里的金丝雀？关于人工智能近期就业影响的六个事实。” 斯坦福数字经济实验室工作论文。
卡扎尼加、Marco、Florence Jaumotte、李林、Giovanni Melina、Andrew J. Panton、Carlo Pizzinelli、Edward J. Rockall 和 Mariana Mendes Tavares。 2024 年。“Gen-AI：人工智能和工作的未来。”国际货币基金组织工作人员讨论笔记。
切鲁蒂、尤金尼奥、安东尼奥·加西亚·帕斯夸尔、木户佑子、李林、乔瓦尼·梅琳娜、玛丽安娜·门德斯·塔瓦雷斯和巴勃罗·温根德。 2025 年。“人工智能的全球影响：注意差距。”国际货币基金组织工作文件第 25/76 号。
国会预算办公室。2024 年。“人工智能及其对经济和联邦预算的潜在影响。”
Cornelli, Giulio, Jon Frost 和 Swapan-Kumar Mishra. 2023. “人工智能对产出和通货膨胀的影响。” BIS 工作论文第 1135 号。
Filippucci, Fabio, Peter Gal, Katharina Laengle 和 Michael Schief. 2025. “人工智能为七国集团经济体带来的宏观经济生产率提升。”经合组织人工智能论文第 41 号。
Filippucci, Fabio, Peter Gal 和 Michael Schief. 2024. “奇迹还是神话？评估人工智能带来的宏观经济生产力提升。”经合组织人工智能论文第 29 号。
Filippucci, Fabio, Peter Gal, Carlo Jona-Lasinio, Álvaro Leandro 和 Giuseppe Nicoletti. 2024. “人工智能对生产率、分配和增长的影响：关键机制、初步证据和政策挑战。” OECD 人工智能论文第 15 号。
国际能源署（IEA）。2025。“能源与人工智能”。《世界能源展望》特别报告。
国际货币基金组织（IMF）。2024。“全球中期增长放缓：扭转局面需要什么？”载于《世界经济展望》，4月，第3章。
麦肯锡公司。2023。“生成式人工智能的经济潜力”。麦肯锡报告。
世界经济论坛。2023。“未来的工作：大型语言模型与就业。”白皮书。
世界贸易组织。《2025年世界贸易报告》。“让贸易与人工智能携手合作，造福所有人”。