国汇策略彭文生：AI不是泡沫，就业也无大忧——可以两全吗？

　　来源：首席经济学家论坛

　　本文来源《新金融》2026年第8期

　　彭文生系中国首席经济学家论坛副理事长

　　AI不是泡沫，就业也无大忧——可以两全吗

　　作者简介：

　　彭文生经济学博士，中国首席经济学家论坛副理事长，中金研究院原院长

　　摘要：2026年第二季度，中美资本市场AI板块同步走强，成为核心主线，呈现上游硬件领涨，下游应用偏弱格局。AI资本开支扩张与估值抬升引发泡沫担忧，关键在于下游应用能否提升生产效率，为资本投入创造可持续回报。AI提升效率的核心路径之一是通过任务自动化替代人力，降低企业成本，但这也会形成就业替代冲击。近期AI从“对话”转向“智能体”落地，强化了市场乐观预期，但加剧了对AI替代人的焦虑。问题是，AI泡沫与群体性失业是否关联？若AI仅停留在资本开支与估值扩张，未能实现人力替代和效率改善，则有泡沫，但不会产生严重失业；反之，若大量劳动力被AI替代，意味着AI深度渗透生产环节、支撑资本回报，则不是泡沫，但带来失业冲击。资本获得预期回报与避免失业成为民生问题，两者似乎不可兼得。AI不仅能替代人，还能通过其他渠道提升效率、促增长、增就业，但二者孰强孰弱？理解AI对就业和经济增长的影响，既是民生研究话题，也是分析AI资产估值的关键维度。

　　引用格式：彭文生，2026.AI不是泡沫，就业也无大忧——可以两全吗[J]．新金融（8）：8-14．

　　正文内容

　　一

　　引言

　　传统宏观经济分析遵循“短期看需求、长期看供给”的基本逻辑。总需求由消费、投资、出口三大动力构成，其短期波动往往较为显著；而决定经济供给能力的劳动力、资本存量与技术进步，通常仅在长期内发生明显变化。在此框架下，市场分析侧重高频跟踪消费、投资、出口的短期波动，学术界则更多关注人口、全要素生产率等趋势性因素。这两类研究长期处于相对割裂状态，难以有效解释现实经济运行所呈现的典型特征。过去几十年房地产和信贷相互促进带来顺周期性，成为主要经济体周期波动的重要特征，金融周期使得需求波动超出短期范畴，并通过扭曲经济结构而影响长期供给潜力（彭文生，2017）。

　　现在AI发展从另一个维度对传统分析框架带来挑战。AI相关资本开支的扩张，支持了“三驾马车”中的投资，促进短期的需求增长，其对长期供给的贡献是慢变量吗？笔者近期曾在某论坛分享经济研究领域相关文献，探讨AI对未来十年经济增长的影响。随后另一位演讲嘉宾提出，AI的发展进程应以季度、月乃至周为尺度衡量，并认为其对未来经济增长的拉动效应是10~20个百分点，十倍于笔者引用的数据。AI发展确实日新月异，对未来的判断面临很大的不确定性，正因如此，构建分析框架远比给出具体预测数值更重要，本文试图提出一些思考维度。

　　二

　　从要素禀赋看机器替代人

　　机器替代人带来大规模失业的担忧，不是今天才有。自工业革命以来，经济学家一直担心机器替代人。李嘉图在《政治经济学及赋税原理》中讨论了劳动节约型技术的影响，马克思在《资本论》中系统批判了资本主义生产方式下机器对工人的剥削，凯恩斯在《就业、利息和货币通论》中提出“技术性失业”（technological unemployment）的表述，即技术进步所导致的失业。随着AI的发展，技术性失业这样的经济学名词成为大众话题。

　　我们可以从供给与需求两个维度，分析机器使用对就业的影响。在供给层面，机器与劳动力之间存在两种关系：一是替代关系，机器替代现有劳动力，导致就业减少；二是互补关系，机器投入增加会带动就业上升。在需求层面，技术进步带来生产效率提升、生产成本下降，进而推动居民收入与消费需求扩张，即便单位产出的劳动密集度有所降低，总需求扩大仍可带动就业增加。

　　举例而言，在现有技术条件下，若一人可照看两台机器，当投资增加使机器数量从两台增至四台，则需要两名工人与之匹配，此时互补效应会带动就业增长。若技术进步实现部分环节替代，一人即可照看四台机器，替代效应将导致就业减少。但如果需求扩张推动机器数量进一步增至八台，仍需两名工人，收入效应使就业规模保持不变。

　　AI的作用机制和以往技术进步的关键差异是“智能”，也就是替代脑力劳动的能力，但机器与人的互动的基础逻辑是一致的。我们可以从三个视角看AI对就业的影响：一是AI替代人，包括数字世界的智能决策者（比如智能体）和物理世界的智能执行者（比如人形机器人）；二是AI赋能人，尤其是AI带来的新产业和新商业模式创造新的就业机会；三是AI提升整体生产效率，收入增加转化为总需求增长，促进用工需求。

　　经济学教科书告诉我们，影响分工的一个重要力量是要素禀赋。发达国家资本多，生产资本密集型产品，宏观上体现为资本替代人；发展中国家劳动力多，生产劳动密集型产品，宏观上体现为人替代资本。影响替代效应的关键指标是劳动力与资本的相对价格。完成同样的任务，如果劳动力成本相对资本品（比如人形机器人）价格上升，企业有动力采用自动化替代劳动投入。从微观层面看，核心驱动力是单位产出的成本比较，但脑力替代还在早期阶段，其产出（收益）不容易货币化衡量。

　　我们可以参照工业机器人的发展规律做些分析：一方面，人形机器人与工业机器人具备可比性；另一方面，大模型完成各类认知任务会产生推理成本，即便不涉及实体制造环节，依然存在可变成本。相关测算显示，在中美两大经济体中，工业机器人价格相对制造业平均工资呈持续下行态势，为机器替代人提供了经济激励（见图1）。

　　但要素价格变动带来的激励是否必然导致失业增加，仍需区分驱动价格变化的两类力量，二者具有不同的作用机制与因果关系。若劳动力供给减少推高劳动力相对成本，其前提是劳动力短缺，由此引发的机器人替代属于需求驱动型，并不会产生失业问题；若技术进步导致机器成本相对下降，此类替代则属于供给驱动型，会带来失业后果。人口老龄化减少劳动力供给，而AI技术进步则降低机器人成本，本轮AI推动的机器替代人在一定程度上可谓恰逢其时，可缓解人口老龄化带来的劳动力短缺问题。

　　从国际视角来看，要素相对价格的国别差异，造成机器替代劳动力的效应不同。中国劳动力成本远低于发达国家，而机器人作为可贸易品，在全球套利机制下价格趋同。在机器人售价相近的前提下，美国等发达国家以机器替代劳动力的经济合理性更强，而中国对应的成本收益比则偏弱，因此美国机器替代人工的内生动力更足。同理可延伸至人工智能时代：中美处于不同发展阶段、产业结构也存在差异，叠加劳动力成本差距，使得AI对脑力劳动的替代冲击，无论在强度和速度层面，美国可能将显著高于中国。

　　这是否意味着AI在中国的应用一定比美国弱？从现实情况来看，中国是全球最大的工业机器人生产国和应用国。在生产方面，2025年，中国工业机器人产量达到77.3万台，同比增长28%，远高于IFR（国际机器人联合会）预测的2025年全球6%的增速。在应用方面，2024年中国工业机器人新增装机量占全球总装机量的54%；截至2024年底，中国工业机器人累计安装量已超200万台，约为美国的5倍。中国是制造业大国，工业机器人使用数量大不奇怪，但以制造业工业机器人密度（每万名工人拥有的机器人数量）衡量，中国也在2020年超越美国，而且领先差距持续扩大（见图2）。这应该怎么解释？

　　一个可能是，虽然中国制造业小时工资仍然远低于美国，但随着人口红利下降，劳动力成本快速上涨，倒逼企业加快自动化布局，机器人的使用更多是弥补人力不足，而非单纯替代低成本劳动力。这实际上是人口老龄化解释的延伸，有一定道理，但或不完整，劳动力成本上升为什么导致更多的机器人使用，而不是制造业外迁以享受其他发展中国家的低成本劳动力？

　　三

　　从规模经济看机器赋能人

　　在要素价格之外，还有一个重要影响因素，即规模经济。尽管工业机器人作为可贸易商品在全球标价趋于一致，但中国依托庞大的装机量形成的规模经济、本土完整的服务网络和场景数据优势，让国产机器人在运维成本上拉开了差距：庞大的存量市场摊薄了备件生产、维修服务和软件迭代的成本，密集的服务网络降低了上门调试、故障抢修的时间与费用，海量的应用数据让国产机器人的故障预测、工艺优化更高效，压低了停机损失。规模经济使得中国企业的机器人全周期使用成本显著低于美国同行，即便在劳动力工资相对较低的环境下，自动化投入依然具备合理的成本收益。

　　在人工智能时代，制造业和数字技术的规模经济结合起来，尤其是具身智能和人形机器人成为自动化的新载体。中国的优势不仅在于大规模制造业体系降低机器人的生产成本，也在于数字经济的网络效应提升了机器人应用带来的收益。这一过程中，替代效应与互补效应并存，可以说是熊彼特创新理论所强调的创造性破坏在就业领域的体现。AI提升效率的渠道不止是替代人，还有赋能人。

　　技术降低个体能力门槛，是技术赋能人的重要体现，改变分工和由此形成的规模经济。经济发展的历史显示，技术进步为技能水平较低的群体创造了就业机会。工业革命前，纺纱、织布、木工等工作都需要长期拜师学艺才能掌握，属于高技能职业；而随着技术进步，岗位技能要求显著下降，未经长期培训的普通劳动者也能进入工厂从事规模化生产。工业经济以企业内部专业化拆分、流水线生产和内部规模经济为核心，高度依赖大型组织与固定岗位分工。

　　在互联网经济时代，零工经济发展是技术赋能个体的典型体现。在GPS与移动通信普及之前，高效的出租车司机必须熟悉城市路网，往往需要数月乃至数年的经验积累；而数字技术大幅降低了从业技能门槛，网约车司机、外卖员、快递员、直播销售员等岗位，作为新的职业岗位，培训的需求有限。这背后有平台企业的网络效应，同一劳动者借助数字平台可服务更多人群，对中国这样的城市人口规模大、密度高的大型经济体，更容易实现规模经济。

　　人工智能时代，AI降低认知能力门槛与跨领域协作成本，推动社会分工向任务化、弹性化、生态化转型，强化了传统固定雇佣职业转向零工化的趋势。以“一人公司”为典型新业态，个体可依托平台、云服务及智能工具共享外部规模经济，通过多元经营形成范围经济。新型分工打破固定岗位的重复劳作，转向以个体为核心的动态按需组合，相较传统工业分工具备更高效率与灵活性。

　　分工形态的深层变革，对就业结构与劳动价值分配有重要含义。就业结构的变化已经呈现一些早期迹象。AI降低知识检索、信息整合成本，打破传统脑力中间层依靠信息差建立的职业壁垒，挤压相关专业服务行业的就业与收益。市场需求转向概念建构、创意产出、资源统筹、专家网络调度等高阶能力。整体劳动价值呈现中层脑力贬值、顶层创意统筹增值、一线实操技能保值的结构性分化。

　　综上可见，机器兼具替代人与赋能人双重属性，带来部分群体受益、部分群体受损的分化格局。其背后同时存在要素价格和规模经济两种作用机制，但主流观点多聚焦要素价格引发的替代效应，而对规模经济产生的互补效应重视不够。宏观层面能否引发大规模失业并无定论，在替代与互补效应外，还需结合总量收入效应，后者取决于AI对整体经济增长的拉动作用。

　　四

　　人工智能时代的经济增长

　　技术背景与经济学背景的研究者，对AI驱动经济增长的乐观程度存在明显差异。两类群体内部也存在观点分歧，但整体上呈现技术界偏乐观、经济学界偏谨慎的特征。极端乐观的技术派甚至预测世界生产总值（GWP）的年增长率可能超过20%（Potlogea et al．，2025）。哪一派更站得住脚？技术派对技术理解深刻，善于捕捉前沿最新变化，但容易陷入局部均衡分析的限制；经济学视角更多是一般均衡分析，考虑到经济系统内的互动，但理解技术进步存在时滞。经济学更强调历史经验、增长核算约束与现实制度摩擦。

　　增长核算普遍采用任务模型（task-based）法，把各类工作拆解为细分任务，识别可被AI替代的环节，再依托企业数据与对照实验测算效率提升幅度，结合对应行业经济权重，加总局部效应后得到整体贡献。2024年，经济学诺奖得主Acemoglu采用任务模型法，预判未来10年AI每年仅提升经济增速0.07个百分点（Acemoglu，2025）；2025年，诺贝尔经济学奖得主Aghion利用任务法的测算是0.68个百分点，其参照电力与IT革命历史外推的结果是0.8~1.3个百分点（Aghion et al．，2024）。中金研究院2024年《AI经济学》报告采用元任务（meta-task）模型法，测算未来10年AI可使中国GDP年增长率提升0.8个百分点。元任务是从具体工作里抽象提炼出的跨行业、跨职业、通用基础能力单元，更适配大模型、AI智能体的能力特征。

　　理论上讲，元任务分析法可以覆盖AI替代、人机互补、新增任务等不同类型任务，但宏观与行业实际量化测算中，标准化存量元任务的替代效应易量化、有就业和工时成本数据支撑；而人机互补、新增任务等效应，难以建模赋值且缺少基准参数。这使得现实中的实证估算，容易被简化为AI仅替代人类常规劳动的单一逻辑，或者说其他维度增长渠道的测算面临很大的不确定性。

　　显然，经济学界内部分歧较大，但关键并非具体数值，而是其背后的作用机制与约束条件。针对元任务分析方法存在的实操局限，也不能直接认定该框架下的增长估算必然低估AI的作用，我们可从AI对劳动力的替代、赋能，以及促进技术创新三个维度看这个问题。

　　第一，如果AI以赋能劳动力为主，即AI资本与劳动力形成互补关系，那么AI带来的效率提升必须依托劳动力才能转化为实际产出。AI对经济增长的拉动空间将受制于劳动力供给规模。包括中国在内的主要经济体面临人口老龄化、劳动年龄人口持续下降的问题，劳动力数量长期收缩，会限制AI与人协同发挥作用的空间，从而约束AI拉动经济增长的潜力。

　　第二，如果AI的作用主要是替代劳动力，相当于扩大了社会有效劳动供给，则有助于弥补老龄化带来的劳动力缺口，对增长的拉动空间更大，这对中国这样的人口收缩型社会更为重要。但如果被替代劳动者无法快速再就业，失业使得部分劳动力供给闲置，则削弱AI对经济增长的拉动效果。

　　第三，如果AI的作用主要是提升研发效率、加速全社会技术创新，那么其增长效应的约束不再来自劳动力市场，而是取决于整个经济的创新效率。新技术、新模式、新业态带来新型规模经济与范围经济，这一逻辑对大型经济体尤为适用，关键还是AI推广与渗透的速度有多快。

　　历史经验表明，通用目的技术向经济领域渗透需要较长周期，例如电力从发明到全面普及就历经数十年。人工智能技术及应用模式的推广似乎更快，但也面临一些堵点，从而延缓整体进程。堵点的作用体现在几个方面。

　　一是规模不经济。比如模型要素投入存在规模报酬递减特征（所谓规模定律），算法改善可以缓解这个约束但不能消除（彭文生等，2025）。又比如应用层面的物理瓶颈，AI与实体场景适配的投入产出比不具备经济可行性，制约具身智能发展。就AI应用而言，其和互联网平台经济的一个重要差别是，大模型推理等可变成本无法趋近于零，而传统互联网服务的边际成本可以近乎归零。

　　二是要素投入本身面临规模障碍，比如高质量数据供给不足、流通不畅，或者电力供应短缺。针对电力供应这一瓶颈，清洁能源虽具有规模经济效应，叠加市场竞争可推动电价下降，中国处于有利地位，但地缘竞争与贸易保护主义可能制约其对全球的溢出效应。

　　三是制度治理与地缘政治可能产生反规模经济效应。一方面，医疗、金融等高可靠性领域对精准度、稳定性和安全性要求严苛，相关监管规则与责任界定机制形成制度约束，限制AI规模化商用；另一方面，地缘竞争阻碍AI大模型的跨国规模化应用。

　　四是AI规模化应用产生负外部性。AI大模型显著降低知识获取成本，但也导致深度造假泛滥，影响信息可信度；同时，AI大模型冲击知识产权保护，削弱市场主体的创新动力，尤其是AI多集中于优化现有技术，可能不利于未来的基础性突破。更为严峻的是，AI在军事领域的应用潜藏重大风险。无人机与作战机器人一旦被赋予自主决策能力，可在无人干预的情况下实施自主杀伤，这一隐患已引发广泛担忧。

　　应对上述挑战，需构建适度监管机制并加强国际治理协同。但在地缘政治博弈背景下，AI开发者与各国政府多优先追求竞争优势，治理问题常被边缘化。人类发展的历史显示，制度变革与治理完善往往由危机驱动：工业经济在规模效应提升生活水平的同时，其环境污染等负外部性直至引发突出问题后才迎来政策干预；现代金融提高资源配置效率，针对负外部性的监管也是在多次金融危机后逐步改进的。

　　五

　　科技向善：健全社会保障体系、改善收入分配

　　人工智能作为通用目的技术，拥有拉动经济增长、改善民生的巨大潜力，但其发展落地与经济渗透受经济、社会伦理、全球治理等多重因素制约，属于系统性工程。相关分析同样需要秉持系统思维，既要关注AI对社会总供给的提升作用，也要重视供给端与需求端的匹配关系。若AI替代效应引发大规模失业，即便生产效率有所提高，也会造成总需求缺口，削弱其对经济增长的正向拉动作用。

　　从历史经验看，技术进步并不会造成长期大规模失业，背后依托市场调节机制和公共政策的共同作用。首先，技术进步提升各行业劳动生产率的步调并不一致，有快有慢；由于单类商品的消费需求存在上限，比如一般而言，一个人不会用几辆车，生产率提升较快的行业会析出富余劳动力，并向生产率偏低、需求尚未饱和的领域转移配置。这一逻辑与AI落地应用的现实约束内在一致：堵点使得技术进步不产生大规模失业，但也意味着整体生产效率的提升速度受限。

　　其次，工资变动可以调节劳动力市场的供求平衡，难以发生持续的劳动力短缺或者大规模失业。机器替代人带来工资下降压力，工资下降减少机器成本相对人工的吸引力，存在一个自我稳定的机制。如果受政策、社会等多重因素影响，工资难以向下调整，不平衡可能更多会体现在失业上升。劳动替代与劳动者工资下降对资本的收益有利，但收入差距扩大导致消费需求疲弱，就会在总量层面降低对劳动者的需求，同时资本回报也会受到冲击。

　　人工智能带来的深层影响，最终将集中体现于收入分配格局，本质上属于政治经济学议题。工业革命以来，技术进步未引发持续性大规模失业，关键在于财税制度变革，尤其是社会保障体系的不断完善，有效调节了收入分配、收敛贫富差距。进入人工智能时代，科技向善有多维度，对我国而言，当前的核心落点在于健全社会保障体系，重点补齐农村居民在养老、医疗、生育、养育、教育等领域的保障，以及构建适配零工经济的制度体系，包括法律界定、权益保障、职业发展、算法治理、民生配套等。