让我们期待这一次不同。
这是人工智能的时代，它充满着悖论——预测悖论、就业量化悖论、生产率悖论、数据价值悖论、工业革命悖论 …… 我们在悖论中前行。
预测悖论
对人工智能的未来，人们似乎永远预测不准，无论是图灵奖得主、诺贝尔奖得主，还是企业家、创业者。他们总是做出不切实际或过于保守的判断。这就是人工智能的预测悖论。
历史上，马文 · 明斯基、艾伦 · 纽厄尔、赫伯特 · 西蒙等开拓者都曾作出大跌眼镜的预言。例如，马文 · 明斯基在 1970 年指出：" 在三到八年的时间里，我们将得到一台具有人类平均智能的机器。" 至今我们仍在为之努力。
杰弗里 · 辛顿是当今最具影响力的人物，被誉为 "AI 教父 "。他在 2016 年做出预测：" 应该立即停止培训放射科医生。显而易见，深度学习的表现将会在五年之内超越放射科医生。" 它未能成真，现实朝着相反的方向发展，近十年美国放射科医生的数量和收入均大幅增长。
德米斯 · 哈萨比斯的地位可比肩辛顿，他表示 （2025） ：" 在未来十年左右，AI 可能帮助治愈所有疾病。" 作为最成功的 AI 企业家，阿莫迪（2025）认为，AI 能在 5-10 年内使人类寿命翻一番。对近期预言，我们拭目以待。
以上是最著名的 6 个人物的预言。就话题来说，AGI 是当下最受追捧的。企业家和学者两个群体对 AGI 实现时间的判断呈现出明显分化。企业家激进乐观，甚至认为很快就能实现。主要 4 类：①已经到来 （身在其中却不知晓） ，②马上就来 （一两年） ，③短期会来 （三五年） ，④长期才来 （五到十年，甚至更久） 。这些判断有的已经证伪，有的仍需要时间检验。如下表所示。学者的判断普遍悲观，甚至认为 AGI 是伪命题，永远不会到来。例如，Iris van Rooij 指出 （2024） :" 创造具有人类水平认知能力的 AGI 是不可能的。"
人们喜欢预测。有的是为了宣传、给自己鼓劲，有的是为了论文和课题，还有纯粹的口舌之争。事实上，谁也不知道未来是什么样子。未来并不遵循设定的剧本，它由众人的选择和行为所决定，由与过去的彻底决裂所塑造，充满着巧合和悖论。就像一头岁月静好的猪，无法预测春节的黑天鹅。
就业量化悖论
技术对就业的影响是一门显学，也是一门玄学。它是一个古老话题，像一个幽灵，游荡数百年。它妇孺皆知，鸿儒可谈笑，白丁亦可往来。它下限极低、上限极高，人们争论不休，众说纷纭。近些年学者和机构转向 " 用数据说话 "，试图用一种看起来科学、严谨和高级的方法来证明自己的高明。OECD、IMF、世界经济论坛、联合国贸发会议、国际劳工组织、世界银行等国际组织，以及高盛、麦肯锡、皮尤研究中心等咨询机构纷纷推出 AI 影响就业的测算报告。如下表所示。
单独一份报告都足够有份量，甚至被奉为圭臬。但把这些报告放在一起看，则发现测算结果差距甚大，大体处于 0.4%-67% 之间，几乎不具可比性。让人祛魅。
就业量化测算的先决条件是能够准确把握技术的发展脉搏。如前所述，技术大佬还无法准确预测 AI 技术的未来发展，经济学家如何量化 AI 的就业影响？只能假定技术是静止不动的或者以规定好的速度向前发展，然而这不是现实中的样子。另一方面，AI 不是独立影响因素，经济周期、产业经济、技术发展、人口结构、就业偏好、就业政策、全球化、突发事件等多重因素共同影响着就业。它们之间相互联系、相互作用，把 AI 从中完好切割出来是不可能的。从这种意义上讲，量化 AI 对就业的影响是一个悖论。
生产率悖论
人工智能是新的通用目的技术，具有普遍适用、持续改进和催生创新的特征，是未来经济增长的引擎。人工智能术语提出已有 70 年，机器学习革命已有 14 年，当前 AI 浪潮如火如荼，从大语言模型、多模态，到世界模型、智能体、物理 AI，此起彼伏，层出不穷。然而，生产率增速并没有明显加快，甚至面临着生产率危机 （Rogers，2024） 。
自 ChatGPT 发布以来，欧盟每小时劳动生产率增速在 0% 上下波动，今年一季度增长 0.1%。在 2022 年四季度到 2026 年一季度的 14 个季度中，仅有 3 个季度的生产率增速超过 1999 年以来的长期平均水平 （1.0%） 。如下图所示。美国增长强劲，从 2022 年四季度到 2026 年二季度，非农企业部门劳动生产率年均增长 2.2%，在西方国家中一枝独秀，但这也仅相当于 1948 年以来的长期平均水平 （ 来 源 ：美 国劳工统计局） 。
这种 " 技术创新突飞猛进和生产率增长令人失望 " 同时存在的情况，就是生产率悖论。它不是第一次出现。诺贝尔经济学奖得主罗伯特 · 索洛在 1987 年写到："You can see the computer age everywhere but in the productivity statistics （计算机时代的踪影无处不在，唯独生产率统计中看不出来） 。" 这被看作是 " 生产率悖论 " 或 " 索洛悖论 " 最经典的表达。
对生产率悖论，主要有错误预期、测量误差和时间滞后三种解释。Brynjolfsson 认为 （2017） ，时滞性解释最具说服力，是导致生产率悖论的主要原因，并把通用目的技术对生产率影响的滞后效应概括为 "J 形曲线 "。通用目的技术需要经过多次次级创新、互补创新和组织变革，才能对生产率产生实质影响。从历史上看，蒸汽机、发电机和计算机分别在发明 118 年、91 年和 49 年，分别在商业化 54 年、40 年和 21 年后，才开始明显推动生产率提高。因此，长期来看，生产率悖论并不是什么悖论。AI 推动生产率明显提升尚需时日。
数据价值悖论
数据是 AI 的粮食，要量大质优，量大到无底洞，质上 " 垃圾进，垃圾出 （GIGO） "，或者说数据有 " 高尚 " 和 " 龌龊 " 之分。数据决定着 AI 能力的上限，常被誉为 " 新石油 " （Clive Humby，2006） 和 " 世界上最有价值的资源 " （经济学人，2017） ， " 与能源、材料资源同等重要 " （2004 年两办文件） 。数据的使用价值极大，却不像普通商品那样具有交易价值、货币价值。正如李国杰（2025）所言：" 数据只有在使用中才能确定它的价值。"
OECD （2024） 梳理了 46 个国家的数据政策文件，发现 " 数据 " 出现的政策语境由高到低依次是创新、信任、社会、市场开放、利用、就业和准入，他们并不关注 " 交易 "。陈昌盛 （2023） 曾指出：" 数据交易所遍地开花，但数据交易所中的‘交易’发展的并不是很好 "" 在各地掀起的数据市场建设热潮下，应警惕形成‘只有经过交易买卖的数据才是可用数据’的行为导向 "。
数据的价值密度低，难以货币化体现，在资产负债表中的占比微乎其微，几乎可以忽略不计。根据上海交通大学上海高级金融学院最新数据，我国有 136 家上市公司披露了数据资源入表的相关事项，入表金额共计 37.86 亿元。据此推算，前者仅占 A 股上市公司数量的 2.5%，后者仅相当于我国人工智能核心产业规模的 0.3%。
三大电信运营商在入表规模上占主导地位，2025 年合计入表金额 21 亿元，占上市公司入表总金额的 55.46%。但这些数据资源在公司总资产中仅占 0.06% 左右，微不足道。如下表所示。
工业革命悖论
每一次技术浪潮兴起，总有人把它比作蒸汽机、电力或者计算机，并兴奋大呼：" 它将引发第四次工业革命！" 这种现象持续了至少半个世纪，早期如微电子 （1984） 、计算机 （1988） 、纳米技术 （1994） 、互联网 （2000） 、替代能源 （2010） 、信息物理系统 （2014） 。近十年更是愈演愈烈，大数据 （2016） 、人工智能 （2016） 、物联网 （2016） 、工业互联网 （2017） 、区块链 （2017） 、量子计算 （2018） 和智能制造 （2021） ，都曾被赋予第四次工业革命的使命。如下图所示。
我们在媒体上几乎时刻在经历第四次工业革命。引发这场革命的技术总是 " 芳林新叶催陈叶，流水前波让后波 "，初步统计至少有 20 多个。每出现一种新技术并赋予第四次工业革命的重大意义，似乎意味着之前都是错误的。当下，人们普遍认为 AI 就是第四次工业革命。德米斯 · 哈萨比斯 （2026） 甚至指出："AGI 的规模和速度可能 10 倍于工业革命。" 国内亦有企业家把 AI 看作人类社会的最后一次技术革命。AI 对过往作出了证明，AI 本身又如何证明？
我们无法争论，强调两点。一是工业革命和经济危机不可能同时发生。二是历次工业革命不是先知先觉，而是事后叙事，身处其中的人们并不知道自己正处于工业革命之中。第一次工业革命 （1760 年代— 1840 年代 ） 结束 40 年后，术语 "Industrial Revolution" 在阿诺德 · 汤因比的推动下才为大众所知。第二次工业革命 （1870 年代— 1914 年） 结束 40 年后，经济学家才开始使用 "Second Industrial Revolution"，结束 55 年后戴维 · 兰德斯《不受束缚的普罗米修斯》 （1969） 才标准化了其学术定义。第三次工业革命尚无统一认识，杰里米 · 里夫金 （2011） 认为它的主题是互联网和可再生能源的融合；《经济学人》 （2012） 认为是制造业数字化；埃里克 · 布莱恩约弗森和安德鲁 · 麦卡菲 （2011） 认为第三次工业革命是由计算机和网络推动的。让我们期待这一次不同。
