跳至正文

你到处都能看到 AI，除了生产率统计

目录

机制裁决第 125 篇 · 对称双向第 120 篇 · section H 社会/经济/集体 · 全库第 183 篇 本篇审的是「生产率悖论」这个名号背后承重的三件事：存在的真实性、数字的含义与兑现的时滞。先读三句红线：

  1. 本篇不裁决任何投资、就业、政策或技术选型建议，不给「该不该买 AI 股票」「该不该学编程」「AI 会不会消灭我的工作」的建议，也不对任何一家公司的技术前景下判断——只审「AI 时代生产率没涨/技术没有用」「AI 马上会带来生产率大爆发」「生产率数据是骗人的」这三句话从统计数字里读出来时承重承不承得住。
  2. 「某个时期宏观生产率增速不高」与「技术没有价值」是两件不同的事：前者是被多国官方统计反复记录的事实（1973–1995 美国劳动生产率放缓、2004–2019 放缓），后者是把「测量到的余值」读成「技术真实贡献」的因果推断。本篇对称审计「AI 没有用/生产率停滞是常态」与「AI 马上会引爆生产率/生产率数据测错了所以一切都好」两个方向。
  3. 全篇承重句均给出可点击来源；英文逐字引用一律标注「一手逐字」（全文取回）或「摘要逐字」。本篇引用的所有数字（BLS 官方序列、TFP 增速、AI 投资额、采用率）都给出出处与方法，相关节写出算法，可复现。

零、一句话裁决

「生产率悖论」是一个真实、反复被观察到的现象（Solow 1987 观察 IT，Brynjolfsson-Rock-Syverson 2017/2018 观察 AI），它的存在本身不是幻觉——但「悖论」这个词把三件不同的事混在了一起：统计测不到的东西（免费数字产品、无形资本、质量改进）、还没兑现的东西（通用技术从发明到生产效益的 20–40 年滞后）、以及真实放缓的东西（2004–2019 美国劳动生产率的回落）。真的不是「AI 什么也没带来」（技术无用论，被 1995–2004 的 IT 兑现和 2019–2024 的官方数据反证）和「AI 马上会带来生产率大爆发」（被 Acemoglu 2024 的 0.66% 上界和 17–18% 的采用率证伪）这两层被声称的定论。 把「统计没涨」读成「技术没用」、把「TFP 数字」读成「技术贡献」、把「现在没兑现」读成「永远不兑现」，是把「测量到的余值」读成「世界本身」、把「未发生的未来」读成「已发生的现在」、把「尺子的量程」读成「世界的全部」。

一、本篇测什么：三跳升格与七件可判定的事

本篇审的不是「生产率重不重要」（重要，它是生活水平的第一驱动），而是「『生产率悖论』这个名号从被观察到被使用，中间经历了哪些跳」。拆成七件可判定的事：

  1. 原句真不真：Solow 1987 到底说了什么、在什么语境下说的、这句话的准确版本是什么（Solow 1987 纽约时报书评原文取回逐字；David 1990 转引的版本差异）——这是守真锚。
  2. 数据真不真：美国劳动生产率与 TFP 的官方序列长什么样、关键分期（1973–1995 放缓、1995–2004 加速、2004–2019 放缓、2019–2024 回升）的数字是什么（BLS 官方新闻稿、BLS API 官方指数、Syverson JEP 引用的官方口径）——这是守真锚的量化层。
  3. 存在真不真：「悖论」是不是一个真现象、还是只有统计幻觉（数字 vs 直觉冲突的真实历史：IT 的 1987、AI 的 2017）——这是存在跳。
  4. 数字真不真：TFP 是什么、它是不是「技术贡献」的直接读数（Solow residual、增长核算、Hulten 定理）——这是归因跳。
  5. 时间真不真：通用技术从发明到生产效益要多久（电力 40 年、IT 10 年、AI 的 J-curve）——这是时间跳。
  6. 测量真不真：免费数字产品、无形资本、质量调整到底让官方统计少算了多少（GDP-B、J-curve 软件测算、Syverson 四类挑战）——这是测量账。
  7. 反向真不真：技术无用论和停滞论是否成立（1995–2004 的 IT 兑现、2019–2024 的官方回升、AI 投资已占 GDP 增长的多少、AI 采用率到哪了）——这是反向红跳。

结构胎记：存在跳 × 归因跳 × 时间跳，附反向红跳。

  • 存在跳：把「宏观生产率统计没涨」读成「新技术没有价值」——但统计可能测不到（免费产品、无形资本、质量改进），「没测到」不等于「没发生」。
  • 归因跳：把「TFP 数字」读成「技术的真实贡献」——TFP 是增长核算的余值（Solow residual），它把所有测量误差、周期因素、资本深化以外的东西都算进「技术」；AI 投资本身出现在 GDP 里（需求侧），但它的生产效益（供给侧）要等无形资本积累后才出现。
  • 时间跳：把「现在没兑现」读成「永远不兑现」（Gordon 停滞论）或「马上兑现」（GPT 狂热）——通用技术从发明到生产效益的滞后长达 20–40 年（电力、IT 先例），「现在没涨」既不能推出「永远不涨」，也不能推出「明天就涨」。
  • 反向红跳：生产率放缓真实≠技术没用；TFP 测不准≠一切都是统计幻觉；「AI 采用率只有 18%」≠「AI 是炒作」。

共用动作：把一句关于「某个时期的宏观统计数字」的话，读成一句关于「技术有没有用、什么时候有用」的话。

与库内相关篇的分界：

  • 与 AI 就业篇（2026-07-21，第 137 篇）分界写死：那篇审「AI 是否消灭工作」，把 Acemoglu 2024 的 0.53–0.66% TFP 用作「宏观就业未崩」的论据之一，并把 Goldman 7% / McKinsey 万亿作为「暴露度」对照；本篇把「生产率悖论」本身当对象——TFP 数字是怎么来的（余值）、为什么统计与直觉冲突（存在跳）、测量与滞后哪个解释力更强、2024–2026 的最新投资/采用/生产率数据怎么读。两篇共享 Acemoglu、Goldman、McKinsey 三个数字，但用法不同：就业篇用它们判断就业，本篇用它们判断「悖论是否成立、被读成什么」。本篇不重做就业分析，只交叉引用。
  • 与 AI 评测榜篇（2026-08-01，第 174 篇）分界：那篇审「榜分=能力」的测量升格链（测试集与训练集边界）；本篇审「生产率统计=技术贡献」的测量升格链（余值=技术、测量缺漏=幻觉）。两篇共享「尺子被当客观数用」母题，但对象不同：一篇是 AI 模型的测试分数，一篇是宏观经济的生产率统计。
  • 与计量学篇（2026-08-02，第 175 篇）分界：那篇是「尺子被做对」的正面范本（SI 定义常数、GUM 不确定度）；本篇是「尺子有量程限制」——GDP/TFP 不是测错了，而是它们的定义决定了它们测不到某些东西（免费产品、无形资本、质量改进），「测不到」是定义的性质不是故障。
  • 与 AI 就业篇里的 Goldman/McKinsey 数字：就业篇引用的是 Goldman「3 亿岗位暴露」与 McKinsey「$2.6–4.4 万亿」；Acemoglu 2024 引用的是 Goldman「7% GDP」与 McKinsey「$17.1–25.6 万亿」（generative AI 总潜力口径）——两档数字来源不同（就业篇引 Goldman/McKinsey 原始报告、本篇经 Acemoglu 转引），本篇在来源清单中注明口径差异。

编号落位：机制裁决第 125 篇·对称双向第 120 篇·section H 社会/经济/集体·全库第 183 篇（2026-08-03 全库扫描确认未被占用）。去重实测（python 全库 182 篇 10.8 MB）：生产率悖论／productivity paradox／Solow paradox／索洛悖论 全库零命中；生产率/productivity 8 处全在 AI 就业篇（作为就业宏观证据，非以悖论为对象）；TFP/全要素生产率 仅 AI 就业篇 5 次（旁注）、scaling 篇 2 次、AGI 篇 2 次（旁注）；无形资本/intangibles/intangible capital/GDP-B/J-curve/implementation lag/diffusion lag 全库零命中——处女地，邻近但不重叠。

二、守真锚：Solow 1987 的原句与 BLS 的官方数字

本库原则：审「声称」必须回到声称的原件。先清点「生产率悖论」这句话与它依赖的官方统计到底是什么。

2.1 Solow 1987 的原句：出处与语境

「生产率悖论」的源头是一篇书评——不是论文、不是专栏，而是 Solow 为 Cohen & Zysman《Manufacturing Matters》写的书评，载于《纽约时报书评》1987 年 7 月 12 日第 36 页（原 PDF，出处考证；常被误引为《纽约书评》，Standup Economist 2010 年专门考证纠正——NYRB 当年 7 月 12 日没有那一期）。

Solow 评论 Cohen & Zysman 对「可编程自动化革命」的主张时写道（一手逐字，OCR 扫描件）：

“what everyone feels to have been a technological revolution, a drastic change in our productive lives, has been accompanied everywhere, including Japan, by a slowing-down of productivity growth, not by a step up. You can see the computer age everywhere but in the productivity statistics.”

关键语境：Solow 说的不是「电脑没用」，而是「一场所有人都觉得发生了的技术革命，被一阵生产率的放缓而非加速伴随着」——他把这个事实当成一个「令人尴尬的」反常（”they, like everyone else, are somewhat embarrassed by the fact that…”），并明确说 Cohen & Zysman 回避了它（”one cop-out”）。这是一句关于测量与直觉的冲突的话，不是一句关于技术价值的话。

一个重要的版本学细节：Paul David 1990 在《美国经济评论》上转引这句时用的是「We see the computers everywhere but in the productivity statistics」（David 1990 一手逐字，AER 80(2):355-361）——”We see” + “the computers”，与 Solow 原句的 “You can see” + “the computer age” 不同。这是转引中的常见变形，正篇里引用 Solow 原句一律以 Solow 原件为准（”You can see the computer age everywhere”），引用 David 转引时单独注明。

2.2 BLS 官方数据：劳动生产率的四个时期

「生产率悖论」依赖的官方统计是 BLS 的劳动生产率和 TFP 序列。以下是四个关键时期的官方口径（不同来源，逐一注明）：

时期 1：1973–1995 放缓（悖论提出时的背景）。 Syverson 2016 引用 BLS 官方数据：「From 2005 through 2015(Q3), labor productivity growth has averaged 1.3% per year. This is down from a trajectory of 2.8% average annual growth sustained over 1995-2004」（Syverson 2016 一手逐字，NBER w21974）。Solow 1987 观察到的正是 1973 年后那个约 1.4% 的低增长期。

时期 2：1995–2004 加速（悖论被兑现）。 Oliner & Sichel 2000 记录：「growth in labor productivity picked up from about 1.6 percent per year in the first half of the 1990s to nearly 2.7 percent in the second half」（Oliner & Sichel 2000 一手逐字，Fed FEDS 2000-20，OCR 复核）——并判定 IT 贡献了其中约三分之二（见第八节）。

时期 3：2004–2019 放缓（Gordon 停滞论的依据）。 同上，Syverson 2016 的 1.3%（2005–2015）与此一致。

时期 4：2019–2024 回升（当前）。 BLS 官方新闻稿（2026 年 6 月 4 日发布的 2026Q1 修订版）给出年度数据：2024 年非农商业劳动生产率增长 3.0%，2025 年为 2.2%（BLS 官方新闻稿，2026-06-04，Wayback 存档；注意这是年度百分变化，含疫情反弹的基数效应）。BLS API 官方指数（PRS84006043，Nonfarm Business 劳动生产率，2009=100，本库自拉官方 API）显示：2019Q4=108.07 → 2024Q4=122.65，按官方指数自算 CAGR 约 2.56%/年（2019Q4→2024Q4），高于 2004–2019 的约 2.27%——这与「AI 时代生产率停滞」的常见叙事方向相反。

重要口径说明：本篇正文中的「1973–1995 约 1.4%」「1995–2004 约 2.8%」「2004–2015 约 1.3%」以 Syverson JEP 引用为准（一手，来自 BLS 官方口径）；「2019–2024 回升」以 BLS 官方新闻稿年度数字（2024 年度 3.0%）与 BLS API 官方指数自算 CAGR 为准。BLS API 指数只用于展示长期趋势形态，标注「本库按官方指数自算」。

2.3 TFP 的官方序列

BLS 官方多要素生产率（MFP）指数：Private nonfarm business TFP，2017=100（BLS API 官方序列 MPU4910062）——2007 年 86.27 → 2019 年 103.70，2007–2019 累计约 +20%（本库按官方指数自算）。这是「生产率放缓」的供给侧证据：TFP 增速在 2000 年代中期后明显低于 1990 年代末。

三、存在跳：悖论是不是真的——数字与直觉的冲突史

3.1 悖论不是 Solow 一个人的幻觉

Brynjolfsson-Rock-Syverson 2017（《Artificial Intelligence and the Modern Productivity Paradox》，NBER w24001 全文逐字）开篇就描述了 2017 年的「现代版」：

“We live in an age of paradox. Systems using artificial intelligence match or surpass human level performance in more and more domains, leveraging rapid advances in other technologies and driving soaring stock prices. Yet measured productivity growth has declined by half over the past decade, and real income has stagnated since the late 1990s for a majority of Americans.”

这是存在跳的起点：数字与直觉的冲突是真实的、被反复观察到的。1987 年的电脑、2017 年的 AI——同一个形状：技术突飞猛进（直觉）、宏观统计不动（数字）。

3.2 但「悖论」不是单一现象

BRS 2017 把可能的解释分成四类（一手逐字）：

“There are four principal candidate explanations for the current confluence of technological optimism and poor productivity performance: 1) false hopes, 2) mismeasurement, 3) concentrated distribution and rent dissipation, and 4) implementation and restructuring lags.”

这是本篇的核心分账：「悖论」这个词把四种不同的事混在一起了——技术真的没用（false hopes）、统计测不到（mismeasurement）、收益被少数人拿走（redistribution）、技术还没兑现（implementation lags）。它们结论完全不同：如果 false hopes 成立，悖论会「以技术被证伪的方式解决」；如果 mismeasurement 成立，悖论是「统计幻觉」；如果 redistribution 成立，技术有用但收益不平均；如果 lags 成立，技术有用且终将兑现，只是时间未到。

3.3 存在跳的落点

「数字与直觉冲突」是真的，「冲突意味着技术没用」是跳。BRS 2017 自己的结论是（一手逐字）：

“we argue that lags have likely been the biggest contributor to the paradox. The most impressive capabilities of AI, particularly those based on machine learning, have not yet diffused widely. More importantly, like other general purpose technologies, their full effects won’t be realized until waves of complementary innovations are developed and implemented.”

即：造尺人自己（BRS 是生产率测量领域的一线研究者）把「滞后」列为最大解释——不是技术没用，不是统计全错，而是「还没到兑现的时候」。这是存在跳的反向锚：冲突真实、技术价值未被证伪。

四、归因跳：TFP 是什么——Solow residual 不是「技术」本身

4.1 TFP 是余值，不是技术

TFP（全要素生产率）在增长核算里的定义是「产出增长中无法被劳动、资本、中间投入解释的剩余部分」——所以它常被称为 Solow residual（Solow 1957 的术语）。BRS J-curve 论文（NBER w25148 全文逐字）说得很直接：

“the usual measurement of productivity growth as a residual after accounting for input changes in the production function can fall short when the technology changes the production function itself.”

归因跳就在这一句里：TFP 是所有「测不到的东西」的收容所——包括真实的技术进步、也包括测量误差、周期因素、无形资本积累、甚至统计口径变化。把「TFP 增速」读成「技术创新的速度」是把一个收容所读成一块试金石。

4.2 Hulten 定理：为什么 AI 的宏观效果「看起来小」

Acemoglu 2024（NBER w32487 全文逐字）用 Hulten 定理说明：只要 AI 的效果是「任务层面的成本节约」，宏观 TFP 效果 = 受影响任务占 GDP 的份额 × 平均成本节约率（”GDP and aggregate productivity gains can be estimated by what fraction of tasks are impacted and average task-level cost savings”）。这意味着：

  • 即使 AI 在每个任务里很有效（Noy-Zhang 写作时间 −40%、Brynjolfsson 客服 +14%），只要它只影响 4.6% 的任务、且这些任务的成本节约是 27%，宏观 TFP 效果就是 4.6% × 27% ≈ 0.66%——这个数字「看起来小」不是因为 AI 没用，而是因为宏观数字的尺度是「任务份额 × 成本节约」，不是「单任务效率」。
  • Acemoglu 自己的表述是「nontrivial but modest」——「不算微不足道，但也绝不算大」（一手逐字）。

4.3 归因跳的落点

把「0.66%」读成「AI 没用」和把「0.66%」读成「AI 只有这么点用」都是跳。0.66% 是说「按当前任务暴露度和成本节约估计，未来 10 年 TFP 累计多涨 0.66 个百分点」——它是一个关于任务组合与扩散速度的估计，不是关于AI 技术上限的判决。Acemoglu 自己也列出三项「会让这个数字更小」的考虑（一手逐字）：美国公司 AI 投资极低（Acemoglu et al. 2022 估计 2019 年不足 1.5% 的美国企业有 AI 投资）、数字技术 J-curve 平坦段长达 20 年（Greenwood-Yorukoglu 1997）、早期证据来自「易学任务」。换句话说：0.66% 是上界，不是下界；是「按现状外推」不是「按潜力判决」。

五、时间跳：滞后账——电力 40 年、IT 10 年、AI 的 J-curve

5.1 电力：从发明到生产效益 40 年

Paul David 1990（《The Dynamo and the Computer》一手逐字，AER 80(2):355-361）记录了电力扩散的时间表：

  • 1879 年 Edison 白炽灯、1881 年纽约中央电站；但到 1899 年，美国只有 3% 的住宅用电灯（城市 8%），电力马达只占工厂机械驱动的不到 5%。
  • 电的扩散达到 50% 用了「roughly another two decades」——从 1900 年前后到 1920 年代，约 40 年。
  • 电对工厂生产率的真实冲击在 1920 年代前没有兑现（”did not acquire real momentum in the United States until after 1914-17″），因为旧厂房折旧、组织重构、配套制度都需要时间。
  • David 的结论（一手逐字）：1900 年的人看电，就像 1990 年的人看电脑——”In 1900, contemporary observers well might have remarked that the electric dynamos were to be seen ‘everywhere but in the productivity statistics!'”

这是时间跳的历史锚：通用技术（GPT）从发明到生产效益的真实滞后是几十年，不是几年。电力如此、IT 如此，AI 大概率也如此——「现在没兑现」在这个尺度下几乎说明不了什么。

5.2 IT：悖论提出后 8–10 年兑现

Solow 1987 提出悖论时，电脑已在商业界扩散 20 年。但美国劳动生产率的加速发生在 1995–2004——从 Solow 1987 算起约 8–10 年。Oliner & Sichel 2000 确认这个加速的真实性（一手逐字）：

“growth in labor productivity picked up from about 1.6 percent per year in the first half of the 1990s to nearly 2.7 percent in the second half. The rapid capital deepening related to information technology capital accounted for nearly half of this increase.”

而且他们判定 IT 是主因：「information technology largely is the story」。这是「悖论被兑现」的正面样本：悖论是真的、滞后是真实的、兑现也是真实的。

5.3 AI 的 J-curve：为什么「投资先行、效益滞后」

BRS J-curve 论文（NBER w25148 全文逐字）给出了理论机制：

“firms must create new business processes, develop managerial experience, train workers, patch software, and build other intangibles. The difficulty for productivity measurement arises because intangible investments are not readily tallied on a balance sheet.”

机制是：采用 AI 需要补投大量无形资本（流程改造、人员培训、组织重构），这些投入当期计入成本、不计入产出——所以「投资开始」的年份，测得的生产率是偏低的（资本和劳动被消耗在看不见的无形积累上）；等到无形资本成熟、开始产生产出，测得的生产率才回升。J 曲线的形状（一手逐字）：

“measured productivity growth will initially be underestimated because capital and labor are spent to accumulate unmeasured intangible capital stocks. Later, measured productivity growth overestimates true productivity growth because the capital service flows from those hidden intangible stocks generates measurable output.”

5.4 时间跳的落点

把「现在没兑现」读成「永远不兑现」（Gordon）和「马上兑现」（GPT 狂热）都是跳。电力用了约 40 年、IT 用了约 10 年才兑现；Acemoglu 2024 引用 Greenwood-Yorukoglu 1997：「the flat part of the J-curve lasts no less than 20 years for digital technologies」（一手逐字）。「AI 的投资已经开始、效益还没来」是目前最符合数据的状态——它不是悖论，是通用技术史的正常章节。

六、测量账：mismeasurement 为什么解释不了全部

6.1 测量问题的真实性：免费产品与无形资本确实测不到

测量账的起点是真实的：GDP/TFP 确实测不到免费数字产品（Google、Facebook、Wikipedia 价格为零，在国民账户里价值为零）、无形资本（BRS 估计软件相关无形资本使 2016 年底测得的生产率被低估约 0.86%/年，1990 年代末更是 1.6%/年；一手逐字）、以及质量改进（hedonic 价格调整）。GDP-B 论文（NBER w25695 一手逐字）用激励相容选择实验估算：把 Facebook 计入 GDP-B，美国 GDP-B 增长每年 +0.05–0.11 个百分点（2003–2017 累计 +1.54 个百分点）。这是「统计测不到真实价值」的真实证据——但量级是关键。

6.2 Syverson 的四类挑战：测量问题解释不了放缓的规模

Syverson 2016（NBER w21974 全文逐字）对「mismeasurement 假说」做了四类独立检验，全部给它设了障碍：

  1. 放缓是国际性的：”The productivity slowdown is not unique to the U.S. It has occurred with similar timing across at least two dozen other advanced economies”——而且各国放缓的幅度与其 ICT 消费/生产强度无关。如果测量问题是主因，ICT 密集度高的国家应该测得更准、放缓更小——数据不支持。
  2. 数字技术 surplus 远小于 missing output：如果生产率没放缓，2015Q3 的 GDP 会比现在高 $2.7 万亿（15.0%）。而文献里对互联网 consumer surplus 的最大估计（含慷慨的时间价值假设）也只有 missing output 的约三分之一：”Even the largest, which explicitly accounts for the time people spend online and is computed with very generous assumptions about the value of that time, totals to about one-third of the missing output.”
  3. ICT 产业需要不合理的增长：如果 mismeasurement 要解释全部放缓，ICT 生产/服务业的真实产出增速要是实测的 5 倍、真实增加值要是 6 倍、真实劳动生产率要涨 363%（11 年）——”true labor productivity in the industries would have risen 363% over 11 years”，这个规模不现实。
  4. GDI vs GDP 的时序不对：GDI 比 GDP 高（可能是「生产了免费送出去的东西」的迹象），但这个差距始于 1998 年（早于 2004 年放缓），且来自异常高的资本收入（利润）而非劳动收入——”this trend actually began before the productivity slowdown and moreover reflects unusually high capital income rather than labor income.”

Syverson 的结论（一手逐字）：”In combination, these complementary facets of evidence suggest that the reasonable prima facie case for the mismeasurement hypothesis faces real hurdles when confronted with the data.”

6.3 测量账的落点：测不到是真、测不到能解释一切是假

BRS J-curve 论文自己算过一笔最关键的账：把无形资本调整后，2004 年后的放缓还在不在？ 答案是在，甚至更陡（一手逐字）：

“Adjusted annual TFP growth over 2005-2017 was 0.85%, up from the measured value of 0.40%. However, the adjusted series was also larger before the productivity slowdown, averaging 2.53% per year from 1995-2004, higher than the measured value of 1.63%. Thus the productivity slowdown also exists in the adjusted series. Indeed, at 1.68% per year it is larger than the measured slowdown of 1.23%.”

这是本篇最重要的一个数字：写 J-curve 论文的同一批人（BRS）自己用无形资本调整后的序列验证——放缓在调整后依然存在，甚至更大（1.68% vs 1.23%）。测量问题真实存在（J-curve 是真的、软件低估 0.86%/年是真实的），但「测量问题解释了放缓」是假的——它反而让放缓看起来更大。把「生产率数据测错了」读成「所以一切照旧」是又一个跳。

七、消费账：0.66% vs 7 万亿——数字分母战争

7.1 同一个 AI，两个差一万倍的数字

AI 的宏观效果在不同来源里差一万倍（0.66% vs 7 万亿是不同量纲，但差距同样悬殊）。Acemoglu 2024 开篇列出（一手逐字）：

  • Goldman Sachs 2023：global GDP +7%，约 $7 万亿，美国生产率年增速 +1.5%（10 年期）。
  • McKinsey Global Institute 2023：generative AI 总潜力 $17.1–25.6 万亿，加上自动化带来的增长，发达国家平均年 GDP 增长可能 +1.5–3.4 个百分点。
  • Acemoglu 2024（任务法 + Hulten 定理）：未来 10 年 TFP 累计 +0.66%（上界），含困难任务后 <0.53%。

同一对象（「AI 对宏观经济的贡献」），两个极端相差超过一个数量级。这不是「谁对谁错」，而是「分母/口径/时间尺度不同」：

  • Goldman 的 7% 是「若生成式 AI 完全兑现承诺」（”if AI fulfills its promise”）的情景估计，不是基准预测。
  • McKinsey 的 $17.1–25.6 万亿是「总潜力」（total potential），含长期、含全部自动化，不是短期 GDP 增量。
  • Acemoglu 的 0.66% 是「未来 10 年、按当前任务暴露度、按当前成本节约估计、含不确定性打折」的 TFP 上界。

消费跳在于：这三个数字被媒体和投资叙事拿来互相替换——「McKinsey 说 17 万亿」「Acemoglu 说不到 1%」，仿佛在同一天平上。实际上它们测的不是同一个东西。

7.2 官方采用率：AI 到哪了

Census 官方 BTOS 调查（一手：Census 官方工作论文 CES-WP-26-25、Census 官方故事页、Fed 官方 note）给出截至 2026 年初的官方采用率：

  • Census BTOS（2025 年 11 月改口径后，问「是否在任何业务职能中使用 AI」）：约 18% 的公司使用 AI，就业加权约 32%；未来 6 个月预期升至 22%。采用集中在大型公司和知识密集行业（信息/专业服务/金融的很大公司 50–60%，就业加权 60–70%）。
  • Fed 三调查交叉：BTOS（公司）18%、RPS（个体劳动人口用生成式 AI）约 41%、SBU（公司高管，就业加权）78% 的劳动力在采用 AI 的公司工作、54% 在采用 LLM 的公司工作（Fed 官方 note 一手逐字）。
  • 一个关键的口径事件：Census 在 2025 年 11 月把 BTOS 的 AI 问题从「是否用 AI 生产商品或服务」改成「是否在任何业务职能中用 AI」，采用率直接从 10%（2025-09 旧口径）跳到 17–18%（新口径）——同一个国家、同一种调查，改一个问题的口径，采用率几乎翻倍。这是「尺子口径跳」的活标本：报数前必须问「这个 18% 是按哪个问题测的」。

消费账的落点：AI 采用率在 18%（公司）/32%（就业加权）/41%（劳动力用生成式 AI）量级——远未到「人人都在用」，但也不是「没人用」。BRS 2017 说「最惊人的 AI 能力还没广泛扩散」的论断，在 2026 年依然成立：采用集中在少数行业和大型公司。

7.3 消费跳的落点

把「采用率只有 18%」读成「AI 是炒作」（虚无）和把「AI 投资 3800 亿」读成「AI 已经改变经济」（升格）都是跳。投资侧（Fed 2026-07-17 note，《The AI Buildout and the Economy》一手逐字）已经很大：五大科技公司 2025 年资本支出 $3800 亿、2026 年预测翻倍；AI 相关投资 2025Q4 约占美国实际 GDP 年增量的约五分之一；AI 基建投资占私人固定资产投资的份额从 2022 年 3.3% 涨到 2026 年预测 14%。但投资是需求侧（花在 GDP 里），生产效益是供给侧（还没大规模兑现）——这正是 J-curve 预测的形状。

八、反向红跳：技术无用论与停滞论为什么都不立

8.1 1995–2004：悖论被兑现的正面样本

Oliner & Sichel 2000 的结论（一手逐字，OCR 复核）：IT 资本深化 + 电脑生产效率改进解释了 1990 年代后半生产率加速的三分之二：

“we estimate that the use of information technology and the production of computers accounted for about two-thirds of the 1 percentage point step-up in productivity growth between the first and second halves of the decade. Thus, to answer the question posed in the title of this paper, information technology largely is the story.”

这是反向红跳的核心：「技术无用论」在 IT 上被官方记录证伪了。Solow 1987 提出悖论时，电脑已在商业界 20 年没兑现；但 1995–2004 它兑现了，而且官方核算确认是 IT 的贡献。「悖论」不是一个永久的黑洞，而是一段可兑现的滞后。

8.2 Gordon 停滞论：一个被数据部分支持、但被最新数据挑战的命题

Gordon 2012（NBER w18315 一手逐字）主张：IR#3（电脑/网络/手机）只带来 1996–2004 的短暂复苏，美国增长进入长期放缓（六逆风：人口、教育、不平等、全球化、能源环境、债务）；IR#2（电力/内燃机/自来水）才是真正重要的那次革命。这个「停滞论」在 2004–2019 的数据里部分得到支持（生产率确实放缓了）。但 2019–2024 的官方数据（BLS 年度劳动生产率 2024 年 3.0%、2025 年 2.2%）与 Gordon 的「新常态低增长」预测方向相反——虽然疫情期间的反弹有基数效应，但至少「永远停滞」的强版本在最近五年没有兑现。停滞论不是被证伪，而是被最新数据挑战：它是「现在没涨就永远不涨」的时间跳的学术版本。

8.3 AI 投资已经进入 GDP：需求侧的真实

Fed 2026-07-17 note 给出 AI 投资的最新官方数据（一手逐字）：

  • 五大科技公司 2025 年资本支出约 $3800 亿，2026 年预测约翻倍（到 $7550 亿量级）。
  • AI 相关投资占私人固定资产投资的份额：2022 年 3.3% → 2026 年预测 14%（另一份测算：AI 基建投资占 GDP 从 0.6% 涨到 2.4%）。
  • AI 相关投资在 2025Q4 约占美国实际 GDP 年增量的约五分之一。
  • Fed 的结论是「目前证据与 buildout phase（建设期）而非大规模替代期一致」（”the evidence as of the publication of this note is consistent with a buildout phase rather than the onset of broad-based displacement”）。

这是反向红跳的量化锚：AI 经济影响「已经发生」的部分主要在需求侧（投资），供给侧（生产率/就业结构）还没大规模兑现。「AI 没影响经济」是假的（投资已经改变 GDP 结构）；「AI 已经改变生产率」也是假的（供给侧还没兑现）——现实是 J-curve 的中间段。

8.4 反向红跳的落点

三句话都不立：

  • 「AI 什么也没带来」不立——1995–2004 的 IT 兑现（Oliner-Sichel 三分之二）、2019–2024 的官方回升、AI 投资已占 GDP 增量五分之一。
  • 「AI 马上会带来生产率大爆发」不立——Acemoglu 0.66% 上界、采用率 18%、J-curve 平坦段 20 年。
  • 「生产率数据测错了所以一切都好」不立——Syverson 四类挑战、BRS 调整后放缓仍在且更大。

立住的是：技术有用（守真锚）、测量有缺（真实但不足以解释全部）、滞后是主因（BRS 判断）、兑现需要时间（电力 40 年、IT 10 年先例）。

九、落点与工具

9.1 落点

生产率悖论不是一个待解的谜，而是一个包含了三类不同事件的名号：

  1. 测不到的东西（免费产品、无形资本、质量改进）——真实存在，GDP-B 和 J-curve 给出量级（Facebook 0.05–0.11pp/年、软件低估 0.86%/年），但 Syverson 证明它们解释不了 2004–2019 放缓的规模。
  2. 还没兑现的东西（通用技术的滞后）——真实存在，电力 40 年、IT 10 年、AI 的 J-curve 平坦段 20 年；这是 BRS 判断的最大解释。
  3. 真实放缓的东西（2004–2019 的 TFP 回落）——真实存在，BRS 无形资本调整后放缓依然存在（甚至更大）。

「悖论」这个词的危险在于它暗示有一个需要「解决」的矛盾。实际上没有矛盾：技术有用 + 测量不全 + 滞后真实 + 部分放缓真实，四件事可以同时为真。矛盾来自把「统计没涨」读成「技术没用」、把「TFP」读成「技术」、把「现在」读成「永远」。

灵魂句：统计是一把有量程的尺——它量得到我们能付钱的东西，量不到我们免费获得的东西；而把「尺子没量到」读成「世界不存在」，是把尺子的量程读成世界的边界。

9.2 工具：读到「生产率」「TFP」「AI 宏观效果」数字时的四问

  1. 这是哪个口径？ 劳动生产率（output per hour）还是 TFP（余值）？年度百分变化还是指数？疫情反弹的基数效应去了吗？
  2. 这是谁的数字？ 官方统计（BLS/BEA/Census）还是机构预测（Goldman/McKinsey）？预测的话，是基准还是情景？时间尺度是 1 年还是 10 年还是「潜力」？
  3. 这个数字测得到什么？ 免费产品、无形资本、质量改进在不在里面？在的话，调整后的数字是变大还是变小（BRS 调整后放缓更大——测得更准反而更糟）？
  4. 这个数字在说什么时间？ 投资（需求侧，已发生）还是生产效益（供给侧，滞后 20–40 年）？现在是 J-curve 的哪一段？

9.3 诚实空位

  • Solow 1987 原句的 OCR 版本：gwern PDF 是扫描件，OCR 有噪声（”ever]rwhere”），关键短语经人工比对原文确认（”You can see the computer age everywhere but in the productivity statistics”）；如需更精确逐字，建议核对纸质原件。David 1990 的转引版本（”We see the computers”）经 JSTOR 版 PDF 逐字确认。
  • Oliner-Sichel 2000：Fed PDF 为纯扫描件（51 字节文本层），关键结论句经 OCR + 人工复核，但与 JEP 正式版（14(4):3-22）的摘要逐字一致（Oliner & Sichel 2000, JEP, “information technology largely is the story”）；本篇 OCR 复核的句子可在 JEP 版 免费摘要中交叉验证。
  • BLS API 官方指数：PRS84006043（Nonfarm Business 劳动生产率，2009=100）1970–2025 全年按官方 API 分 6 段拉取，各段衔接点连续（1979/80、1989/90、1999/00、2009/10、2019/20），早期段（1970s）与官方 rebase 后口径的换算关系未做（本篇分期数字以 Syverson JEP 引用的官方口径为准，BLS API 指数仅用于趋势形态展示）。1973–1995 段的官方数字（约 1.4%/年）以文献引用为准，未直接自算。
  • 2026 年最新宏观数据：证据截止 2026-08-03；本篇引用的最新官方数据为 BLS 2026Q1 修订版新闻稿（2026-06-04）、Fed AI adoption note（2026-04-03）、Fed AI Buildout note（2026-07-17）、Census CES-WP-26-25（2026）。2026Q2 及以后的官方数据未纳入。
  • AI 投资占 GDP 的具体口径：五大科技公司 capex 数字（$3800 亿/2025、翻倍/2026）来自 Fed note 与 NBER w35290（两者一致），但「AI 投资」的界定无官方统一口径（Fed note 明言 “there is no established consensus for how AI investment can be identified in aggregate statistics”），投资数字含非 AI 部分（”the headline capex figures could progressively understate total AI-related infrastructure investment”——因租赁；也包含非 AI capex）。
  • GDP-B 的 0.05–0.11pp：来自激励相容选择实验的 WTA 估计，样本为美国互联网人口代表性样本，Facebook 单项；量级方向（测不到免费产品）是确证的，具体数值依赖实验设定。

十、来源清单

一手逐字（全文取回）

  1. Solow, Robert M. 1987. “We’d Better Watch Out” [书评，评 Cohen & Zysman《Manufacturing Matters》]. New York Times Book Review, July 12, p. 36. 原文扫描 PDF（OCR 复核逐字）；出处考证（NYT BR 非 NYRB）。
  2. David, Paul A. 1990. “The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox.” American Economic Review 80(2): 355–361. PDF（JSTOR 版，双栏逐字读取）。
  3. Brynjolfsson, Erik, Daniel Rock, and Chad Syverson. 2017. “Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics.” NBER Working Paper 24001. PDF（全文逐字）。
  4. Brynjolfsson, Erik, Daniel Rock, and Chad Syverson. 2018. “The Productivity J-Curve: How Intangibles Complement General Purpose Technologies.” NBER Working Paper 25148. PDF（全文逐字）。
  5. Syverson, Chad. 2016. “Challenges to Mismeasurement Explanations for the U.S. Productivity Slowdown.” NBER Working Paper 21974. PDF（全文逐字；正式版 JEP 31(2): 165–186, 2017——注意正式版 missing output 数字从 $2.7T 改为 $3T，本篇以 NBER 版为准并注明差异）。
  6. Acemoglu, Daron. 2024. “The Simple Macroeconomics of AI.” NBER Working Paper 32487. PDF（全文逐字）。
  7. Gordon, Robert J. 2012. “Is U.S. Economic Growth Over? Faltering Innovation Confronts the Six Headwinds.” NBER Working Paper 18315. PDF（摘要+正文逐字）。
  8. Brynjolfsson, Erik, Avinash Collis, W. Erwin Diewert, Felix Eggers, Kevin J. Fox. 2019. “GDP-B: Accounting for the Value of New and Free Goods in the Digital Economy.” NBER Working Paper 25695. PDF（全文逐字；正式版 AEJ: Macro 17(4): 312–44, 2025）。
  9. Oliner, Stephen D., and Daniel E. Sichel. 2000. “The Resurgence of Growth in the Late 1990s: Is Information Technology the Story?” Fed FEDS 2000-20. PDF（扫描件，OCR 复核；正式版 JEP 14(4): 3–22, 2000，摘要逐字一致）。
  10. Federal Reserve Board. 2026-07-17. “The AI Buildout and the Economy: Publicly Available Data to Assess AI’s Impact.” FEDS Note。
  11. Federal Reserve Board. 2026-04-03. “Monitoring AI Adoption in the U.S. Economy.” FEDS Note。
  12. U.S. Census Bureau. 2026. “The Microstructure of AI Diffusion: Evidence From Firms, Business Functions, and Worker Tasks.” CES-WP-26-25. PDF。
  13. U.S. Census Bureau. 2026-05-26. “Large Firms With at Least 20 Employees Biggest AI Users.” BTOS 官方故事页。
  14. U.S. Bureau of Labor Statistics. 2026-06-04. “Productivity and Costs, First Quarter 2026, Revised.” 官方新闻稿（Wayback 存档）。

官方数据（本库自拉）

  1. BLS Public API. 劳动生产率指数 PRS84006043（Nonfarm Business，2009=100，1970Q1–2025Q4）、TFP 指数 MPU4910062（Private Nonfarm Business，2017=100，2007–2019）。BLS API（本库按官方 API 分 6 段拉取，各段衔接连续）。

库内交叉引用

  1. AI 会消灭工作吗——从工业革命、任务模型到 GPT 时代就业数据的七层承重测试（第 137 篇：Acemoglu 0.53–0.66% 用作就业宏观证据、Goldman 3 亿岗位/McKinsey $2.6–4.4T 对照——本篇与它共享数字、不同用法）。
  2. AI 榜分还测得准吗——从 MMLU 的 29.1%、GPT-4 的 50 字符自查到 SWE-bench 三圈循环的九层承重测试（第 174 篇：「榜分=能力」测量升格链，与本篇「TFP=技术」测量升格链同母题）。

未取回或降级

  • Solow 1987 纸质原件逐字：仅 OCR 版，关键句经人工比对；如需更精确建议核对 NYT 微缩胶片。
  • McKinsey 2023 原始报告（$17.1–25.6T）：本篇经 Acemoglu 2024 转引（一手引二手），未直接取 McKinsey 原报告；AI 就业篇引用的 $2.6–4.4T 是另一份 McKinsey 报告口径。
  • 2026Q2 及以后 BLS 官方数据：证据截止 2026-08-03。

关联笔记

标签: