彭文生：AI规模新经济（上）

人工智能（Artificial Intelligence, AI）是一个与人类智能相对应的概念。自1950年代这个概念出现以来，人类智能对人工智能的探索经历了不同的阶段。从早期的符号主义到建立专家系统，是一种从上到下的设计，事先赋予机器以尽可能多的知识；过去二十余年，AI发展的主流范式逐步转换到了从下到上的模式，赋予机器以学习的能力，将智能视为一种通过学习而对环境展现适应性的机能。以2022年发布的ChatGPT大语言模型为标志，AI神经网络的类人学习能力取得了里程碑式的进展，引发全球范围的AI热潮。

2024年《政府工作报告》中首次提出了“人工智能+”行动[1]，这不仅是顺应全球人工智能发展的趋势，而且与中国产业升级的大势紧密相连，旨在推动AI技术与各行业的深度融合。这一行动体现了政府对AI的高度重视，可以说是推动中国从“互联网时代”迭代升级至“人工智能时代”的政策设计和布局，是发展新质生产力的一个重要方面。

AI的新突破影响经济社会发展，反过来，技术进步是人类经济活动的结果，AI未来的发展也取决于经济社会环境包括公共政策的演变。中金研究院和中金公司研究部联合撰写了这篇研究报告，力图从经济视角探讨本轮AI进步的生产力特点及其对生产关系的冲击，围绕宏观含义、产业影响、治理挑战等问题提供一个系统分析。

作为一项通用目的技术，规模定律（Scaling Law）[2]是本轮AI进步的突出特征，意味着在静态上大国有优势，动态上先发者有优势。美国在大模型研发方面拥有先发优势，中国人口多、市场大有利于加速追赶，尤其可能在应用层孕育出引领性的创新，为经济增长注入新动能。按照我们的估算，AI有望使得中国2035年的GDP相较于基准情形提升9.8%，相当于未来10年的年化增长率额外增加0.8个百分点。科技革命不仅促进生产力，也重塑生产关系，AI作为“类人”技术，在数字治理、市场竞争、社会伦理、国际关系等方面将带来深远的影响。历史经验显示，科技进步在提升经济增长的同时，也加大收入差距，促进社会保障既有物质基础也是可持续发展的必然要求。中国可在AI治理方面未雨绸缪，尤其需要着力完善社会保障体系，兼顾效率和公平，让科技发展成果惠及全体人民。在当前总需求不足的背景之下，扩张性财政政策提振经济增长，也有助于中国在AI领域加速追赶。

一、通用目的技术与通用人工智能

作为经济分析，我们对AI的研究从何入手？直观来讲，一项技术的重要性和其影响经济社会的范围有关。一个基本共识是AI符合经济学的通用目的技术（General Purpose Technology, GPT）的概念，具有广泛的应用潜力，可以在多个领域和多种环境中发挥作用。技术进步是经济长期增长的源泉，而全社会的技术进步往往是由少数几项关键的通用目的技术所推动的[3]。AI有潜力与电力、计算机、互联网等相比拟，成为对人类发展进程有重要推动力的通用目的技术。

就AI的通用性而言，一个相关的概念是“通用人工智能”（Artificial General Intelligence, AGI）。计算机领域的“通用”强调的是机器在阅读、语音、图像等人的行为领域中具备与人类相近的能力。AI大模型初步展示了这些潜力，比如其核心算法和技术可以应用于各种不同的任务，包括数据分析、自动化控制等。但对于什么构成AGI有很多不同的观点，对于人工智能是否能达到人类智能则有更大的争议，乐观者和悲观者都有[4]。

通用目的技术和通用人工智能看似相近，但是两个不同的概念，AI是通用目的技术，但不一定能实现AGI。经济学领域的“通用”强调普遍适用性（Pervasiveness），但不一定要跟人的能力具有可比性，比如电力，没有人可以发电，然而当今人类的生产与生活离不开电力。普遍适用性不是一天达到的，通用目的技术是一个动态演进的过程，新技术及其应用推动经济社会发展，后者反过来也是创新和应用的驱动力，不同技术工具之间还有协同作用，赋能进一步创新[5]。AI进步与数字经济的发展紧密相连，可以说是数字技术本身作为通用目的技术动态演进和赋能创新的结果。

如何研判AI作为一项通用目的技术的发展潜力和路径？一般而言，通用目的技术的发展遵循“萌芽-成长-成熟”的三阶段S型曲线的规律[6]，技术可行性、经济可行性是判断其动态演进的两个重要指标。从技术可行性看，普遍的观点是，本轮AI大模型的技术突破标志着S型曲线的第一拐点已被跨越，但在广阔的消费和工业生产场景中，AI的渗透率仍有限，并未呈现出像互联网技术广泛应用的情况[7]。这背后有经济可行性问题，当前AI的使用成本高，包括数据库的建设、算法和人才的培养、算力消耗等，同时大模型的应用还在发展初期，其产生经济效益的前景还有较大的不确定性。

AI的经济可行性不是静态的，而是动态演进的，随着技术迭代和应用规模扩大，AI技术的使用成本将呈现下降趋势，商业模式的盈利逐渐显现。其他产业可借助AI实现赋能、改造与升级，推动本产业的降本增效，例如，金融结合AI可助力智慧投研及风险防控，科研结合AI可实现自动文献阅读、研究方案设计乃至科研设备控制等科研助手功能。未来几年，AI大模型在各行业的应用推广将是AI促进经济增长的载体，可能带来深远的影响。

长远来看，AI对经济社会的潜在影响也取决于S曲线的第二拐点在什么地方？一个争议点是AGI能否实现，什么时候实现？语言是知识的载体和传播途径，一些观点认为，大语言模型基于语言（现有知识）模拟智能，自然难以产生超越现有知识的智能[8]。基于历史数据训练的大模型如何理解并适应现实世界的动态变化，可能是一个挑战。AI可能在某些方面超越人的能力，但在很多领域尤其是创新领域，无法代替人类的思考。

在讨论AI作为一项通用目的技术对经济的影响时，无端的猜想和推测没有现实意义，我们应当遵循科学的方法论，把理性分析建立在有逻辑的框架之上。无论是AI发展本身还是其对经济的影响，分析逻辑的一个关键词是规模效应。

二、规模定律与规模经济效应

经济学的一个重要概念是规模经济效应，即生产规模的增加带来单位成本下降，效率提升。本轮AI技术进步有一个类似的概念，就是规模定律，指的是随着模型规模的增加，其性能出现系统性的改进。在算法优化、数据增加、算力增长的支持下，大语言模型可以包含数千亿甚至上万亿的参数，帮助机器学习语言数据中的复杂模式。规模定律描述的是技术可行性，规模经济效应关乎经济可行性，两者相互联系，在一定意义上可以说前者是后者的基础，后者是AI影响经济运行的载体，反过来也影响技术演进。

从未来发展来看，一个关键问题是规模增加带来效率提升有没有极限，边界在哪？从模型技术层面看，有两派观点。乐观一派认为在跨越了S型曲线的第一拐点后，AI的发展还远没有达到规模定律的极限，顺着规模定律指明的方向，结合更高效的算法架构、更高性能的算力芯片、更多数据的应用，我们可以期待未来几年AI的技术性能持续突破[9]。谨慎一派则认为，算力、数据、参数增加的边际产出已经出现下降的迹象，同时数据量从存量的使用到依靠增量也面临限制[10]。

大模型的应用不仅是技术问题，即使数据规模增加的边际产出（模型预测的准确度）递减，如果其应用产生的收益大于投入成本，经济可行性仍然成立。在AI应用和产业发展上规模经济效应是关键因素。经济学的规模效应有内部规模经济和外部规模经济两个方面，前者是指单个企业做大生产和经营规模而实现效率提升（单位成本下降），后者是指产业链上下游的企业通过协作，或者共享基础设施与公共服务而提升效率。在数字经济时代，企业内部效率提升不一定体现为单一产品量的增加上，还可能通过经营范围扩大、产品种类增加来实现，即范围经济效应。

具体而言，AI的内部规模经济效应体现在单个企业凭借大模型而享受运营规模增加而带来的效率提升。技术层面的规模定律隐含着经济层面的门槛要求。在算力、参数和数据量达到一定规模时，模型的准确性和能力出现跳跃式提升，即所谓的涌现。这种非线性效应带来AI大模型研发在资源投入上有一定的门槛要求，叠加应用层面的范围经济效应，头部大型科技公司更有能力实现内部规模经济。

AI的外部规模经济可以体现在三个方面。首先，在大语言模型的推动下，市场对于AI领域给予了前所未有的关注，越来越多的资本投向新算法架构的研发、数据库和算力基础设施的建设，这有助于降低整个市场的算法、数据、算力的平均成本，对所有市场主体都有利。中国的企业在算力方面的不足可能限制其内部规模经济的发挥，但这可以在一定程度上通过基础设施、公共服务（共享）等外部规模经济来弥补。

其次，外部规模经济体现在模型开发者与使用者之间互动和相互赋能上。比如，开源大模型可以吸引来自高校、企业和个人等各类开发者进行调用，他们在使用过程中发现问题，并通过网络平台提供使用反馈和修改意见，由此形成分工协作网络，加快技术迭代和进步。

再次，随着AI技术从科技企业扩散到其他行业，相关企业可将自身业务与AI相融合，形成产业链和生态系统，实现产业内和产业间分工协作，带来外部规模经济效应。随着大模型的迭代完善，科研、医疗、金融等行业将能够开发定制小模型，运用于日常的业务活动，进一步丰富技术生态。不同行业的小模型可互相借鉴知识和经验，创造出新的公共数据反哺技术研发，实现范围经济效应。

人类的历史显示，一项技术进步带来的规模经济效应并不是无限的，边际收益递增最终转向边际收益递减。我们需要超越技术层面来思考AI的规模经济效应，这是因为技术进步是内生的，即使第二拐点离我们还远，规模扩大本身可能也面临约束。经济社会资源是有限的，而人类的需求是多元的，不大可能把所有的资源投入在某一个技术或者产业上。

从经济社会层面看，一个宏观约束和应对气候变化有关，能耗和碳排放问题已经成为公众关注本轮AI进步的焦点之一。AI的生命周期在训练阶段和推理阶段需要消耗电力，增加碳排放。另一方面，AI可以助力能源转型、降低碳排放，比如AI可以帮助开发新的清洁能源技术材料，优化太阳能和风能发电场的运行等。这两种力量哪个作用更大？经济发展的历史显示，技术进步有助于降低单位能耗，但人类对美好生活的追求使得经济总量增长，带来总能耗上升[11]。

应对AI进步对碳排放的影响需要加速绿色转型，促进绿色能源替代化石能源。绿色能源的制造业属性较强，具有规模经济效应，中国作为制造业大国和大市场可以为全球的绿色转型作出重要贡献。但中国绿色产业的发展已经带来保护主义的压力，背后是国家之间经济和地缘政治层面的竞争。

三、大收敛与大分流

科技进步对国家或地区之间的经济竞争力与发展差距有重要影响。工业革命时期，西方国家（如英国、德国、美国）的经济快速增长，而以中国为代表的东方国家则逐渐落后，导致了全球范围内的经济和政治格局的重大变化，这一现象在经济史领域被称为“大分流”[12]。二战后少数经济体（主要是东亚）在工业化的过程中成功追赶发达经济体，中国改革开放以来经济快速增长，大大缩小了与发达国家的差距，这些被视为“大收敛”的例子[13]。在科技快速进步的今天，有观点担心全球正在经历由于科技创新和产业化集中在少数国家导致的第二次大分流，拉大先进技术国家和传统制造业国家之间的差距[14]。

本轮AI进步将导致分化还是收敛？经济学的两派观点有助于我们理解这个问题，关键在于对技术进步和规模经济的认知。按照新古典增长理论，技术进步是外生的，资本的边际报酬递减，给发展中国家带来后发优势。发展中国家的资本边际收益高于发达国家，资本从高收入国家流向低收入国家，学习和模仿带来技术的扩散，使得后者的经济增长快于前者，人均收入水平的差距趋于收敛[15]。

内生增长理论则强调技术进步是内生的，规模经济效应是一个重要力量。和农业经济相比，工业经济具有规模经济效应，使得率先实现工业化的国家有更多资源投入研发和创新，在前沿技术进步上有先发优势，导致跨国间收入水平差距不收敛[16]。

两派差异的另一个含义是，在其他条件相同的情况下，内生增长模型隐含大国比小国增长更快，大国比小国更富有，而新古典增长理论认为经济增速与规模无关。顺着技术进步是内生的逻辑，在供给端，大国有更多的资源可以投入研发和创新，在需求端大市场意味着创新的利润空间更大，同时技术进步在大国的溢出效应更强[17]。

AI大模型的规模定律对经济学意义上的规模效应在静态（大国比小国有优势）和动态（先发者有优势）上的体现有什么含义？AI大模型的涌现（非线性特征）或者投入门槛要求使得大国在AI发展过程中享有规模优势。大国拥有更多人口和企业，有助于分摊高昂的固定（训练）成本，更快突破AI技术的规模阈值。同时，大国使用AI的主体和场景更多，带来庞大和丰富的本地数据，以及更大规模和更多样的应用市场，从而实现更强的干中学效应。大国也更容易建设有利于AI落地应用的基础设施，助力产品和技术的扩散。

规模效应意味着本轮AI进步对中美这两个全球最大的经济体更有利，美国的经济体量比中国大，但中国的人口比美国多，资本和劳动力在一定程度上相互替代但不能完全替代，由此从规模来看中美各有优劣势。但就本轮AI进步而言，美国拥有先发优势。在传统深度学习时代，中美AI发展虽略有差距，但基本处于并跑或者各有千秋的状态。在过去几年以大模型为标志的AI进步中，美国保持相对领先，而且差距有拉大的迹象。如何看待未来的发展？我们可以从算力层、模型层、应用层分别做些探讨。

就算力层而言，有迹象显示传统摩尔定律面临极限，芯片制程进入规模报酬递减阶段，这意味着发达国家先发优势的重要性下降，为中国追赶先进水平提供了空间。同时，新计算架构、非硅基半导体等新技术路线尚处于研发初期，中国存在加速追赶的可能性。

从模型层面看，在S型曲线第一个拐点后，大模型进入规模报酬递增阶段，意味着美国拥有先发优势。美国的先发优势有多大，部分取决于技术层面大模型的第二拐点还有多远，或者说领先者本身面临的技术极限在哪，这一点目前看还有较大的不确定性。同时，美国试图在AI相关人才和基础设施的自由流动出台相关举措来强化其先发优势。把AI大模型的通用性和规模定律蕴含的研发投入门槛结合起来，后发劣势可能导致中国的相关企业自发的追赶激励不足。

在应用方面，包括美国在内的很多国家均在探索大模型应用场景，成熟的成功案例尚少，美国的先发优势不明显。在应用层的探索中，中国应用场景丰富、潜在需求多样的市场规模优势明显，不但有利于加速追赶，甚至有可能孕育出一些具有原创性、引领性的创新。

AI作为一项通用目的技术，在应用层通过外部规模经济提升整个经济的效率，体现在供给与需求端，上下游链接协同，相互赋能，促进创新。AI大模型通过大数据来模拟和预测，有利于后发者的模仿能力，不仅赋能“知其所以然”的传统仿制，也增加“只知其然”的新型仿制能力，这些都有助于追赶式创新。仿制能力增强对于依赖原创的引领式创新的含义并不清晰，一方面，仿制侵蚀引领式创新者的垄断利润，抑制创新意愿，另一方面仿制品加剧了市场竞争，由此导致的产业平均利润率下降促使企业加强引领式创新，以维护超额利润。这正反两个力量哪个更强，规模效应也是关键因素，大市场提供的利润空间激励竞争环境中的创新投入。

就技术进步的主要驱动力来看，在S型曲线第一拐点之前，AI技术发展更多体现为供给侧推动创新，大语言模型是一个突出成果。在第一拐点被跨越之后，AI产业化是关键，是技术进步促进经济增长的载体，产业化所带来的商业利润反过来也促进AI技术迭代创新。因此，在当前阶段，需求侧的应用是关键。从应用的角度来看，中国具有规模优势。在面向普通用户服务层面，中国人口数量多，AI产业化潜在需求广阔。在面向企业用户服务层面，中国的工业体系完整，可为产业AI化提供丰富的应用场景。发挥好中国的规模优势需要公共政策营造有利于创新的宏观环境，包括强劲的消费需求、繁荣的资本市场、有效的数字经济治理机制和公共基础设施。

中国的规模优势有利于发挥AI进步对于经济体系内创新的促进作用。单一产品大市场对于仿制者有激励作用，而多样化需求促进引领式创新。只有少数大型经济体有足够大的市场既容纳多个细分赛道同时每个细分赛道有足够大的体量实现规模效应，从而兼顾追赶和引领式创新。

发挥好中国的规模优势，一个关键问题是如何促进资源投入创新。对于追赶式创新，其技术路径已较为清晰，应该发挥大企业在创新要素积累（知识产权、人力资本、研发投入等）方面的优势，由银行提供长期、稳定的资金支持。引领式创新通常没有成熟的技术路径可供参考，更加依赖众多中小企业的创新试错，资本市场能更有效地起到筛选创新技术路线、商业模式的作用。中国的规模优势在制造业领域尤其突出，一个新增长点是人形机器人。