摘要：作为科技革命的源动力，通用目的技术需要通过技术扩散来增强影响力，才能推动生产力进步。本文利用文献引用关系构建人类知识网络，映射现实世界中的创新活动，分析通用目的技术的跨学科扩散过程，并参照上一轮信息通信（IT）革命中技术前沿国的经验，建模估算了本轮人工智能（A

作为科技革命的源动力，通用目的技术需要通过技术扩散来增强影响力，才能推动生产力进步。本文利用文献引用关系构建人类知识网络，映射现实世界中的创新活动，分析通用目的技术的跨学科扩散过程，并参照上一轮信息通信（IT）革命中技术前沿国的经验，建模估算了本轮人工智能（AI）对劳动生产率的提升作用。模型显示，AI文献的“规模增长”及“融合深化”是技术扩散的关键特征，共同推动全领域的创新活动更为活跃，进而促进劳动生产率加速提升；基于AI技术扩散不及、等同或超越IT的三种情境假设，我们预计本轮AI有望在未来十年内推动劳动生产率的年均增速提高1.3~3.7个百分点。基于“通用目的技术-跨领域扩散-生产力进步”的传导机制，推动通用目的技术快速高效地转化为社会生产力可从三方面出发：维持学科内的高创新活力、提升其他学科与AI的融合水平、加速科技成果转化与推广。

关键词 | 人工智能 技术扩散 知识网络 劳动生产率

研究员 | 陆趣 黎芝源 周子彭

内容概要

►历次科技革命后的生产率提升姗姗来迟，如何理解这种“索洛生产率悖论”？通用目的技术是科技革命的源动力，但其需要通过技术扩散来增强影响力，直到它与各行各业的现有技术结合、与大量丰富的需求场景匹配，才能最终实现劳动生产率的加速增长。技术扩散分为五个阶段，其中的延伸阶段以知识的跨领域流动为标志，是评判通用目的技术影响力的关键。人类知识网络中的跨学科引用关系为研究这种知识流动提供了一种直观且可量化的方法。

►通用目的技术的跨领域扩散程度如何度量，又引起多大程度的生产率提升？IT与AI同属于通用目的技术，具有较强的可类比性，IT革命的发展历程或为前瞻本轮AI的生产力潜力提供参照。观察IT技术在人类知识网络中的扩散过程，可以发现跨领域引用关系的发生伴随着“规模增长”和“融合深化”两大特征。本文采用统计方法表明，两者共同作为外生技术冲击，推动全领域的创新活动更为活跃，进而促进劳动生产率加速提升。根据这种“通用目的技术-跨领域扩散-生产力进步”的传导机制，构建向量自回归模型，并验证了其能够较好预测上一轮IT革命时期的劳动生产率提升。

►参照IT革命，进一步预测本轮AI革命的生产力潜力。通过在模型中引入AI技术冲击，并基于AI技术扩散不及、等同或超越IT的三种情境假设，我们预测了技术前沿的美国在2024-2035年的劳动生产率增速。模型结果显示，本轮AI对劳动生产率的提升可能较上一轮IT革命更快且程度更大，有望在未来十年内推动劳动生产率的年均增速提高1.3~3.7个百分点。

►为了推动通用目的技术快速高效地转化为社会生产力，可从三方面出发：培育AI核心资源，以维持学科内的高创新活力；引导融合不足但意义重大的场景联合创新，以提升其他学科与AI的融合水平；补贴高成本的AI商业应用，以加速科技成果转化与推广。

本轮以大语言模型和人形机器人为标志的技术突破使人工智能（AI）成为广受关注的前沿技术，并显露出通用目的技术特征和广泛融合潜力。随着各个领域的智能应用纷纷落地，我们判断AI或已跨过S曲线的第一拐点[1]。在2024年7月发布的《AI经济学》中，我们从经济学角度系统性地探讨了本轮AI进步的生产力特点和生产关系含义，并基于“元任务”框架测得，到2035年AI有望使我国GDP相较基准情形增加12.4万亿人民币，相当于9.8%的增幅[2]。然而，“索洛生产率悖论”可能会延缓研发到应用的过程，导致技术发展初期的生产率停滞甚至下降，进而拖累经济增长。事实上，基于新一轮AI的研究在微观的技能、职业和行业层面都观察到了劳动者生产效率的提升[3]，但在宏观层面却似乎尚未发现AI带来的显著生产力进步[4]。回顾历次科技革命，经济腾飞在通用目的技术出现的几十年后才“姗姗来迟”的现象屡见不鲜，本轮以快速迭代和广泛扩散为特征的AI技术进步能否打破这一悖论，提升生产力的潜力有多大呢？

一、从知识创新扩散的视角，理解科技革命到生产率提升的过程

经济学家罗伯特·索洛在1987年的一场演说中首次提出了科技革命与生产率增长的脱钩：“人们几乎能在任何地方感受到计算机时代的到来，除了在生产率的统计数据中” [5]。直到1995年以后，“索洛生产率悖论”才得以打破，美国经济终于迎来显著的生产率提升，这与1946年首台通用计算机诞生、1977年苹果公司首款个人电脑上市等重大突破已有几十年的时滞。这种现象也在此前的蒸汽革命和电力革命中多次出现（图表1），如何理解“索洛生产率悖论”？科技革命到生产率提升的过程是怎样的？

图表1：历次科技革命中的生产率增长姗姗来迟

资料来源：Forrester[6]，Brynjolfsson[7]，美国统计局，Kanefsky[8]，Nuvolari[9]，中金研究院

（一） 五阶段技术扩散：科技革命到生产率提升的时滞来源

科技革命的源动力是通用目的技术。从蒸汽机、电力到信息技术，每一次科技革命的到来，都源于某种通用目的技术的突破。创新增长理论[10]将具有广泛适用性的通用目的技术视为其他技术的底座平台，科技革命创造出一个全新且更为高效的平台，其他技术从上一代通用目的技术的平台上迁移过来，不仅能大幅节省成本并提高生产效率，还能催生出大量新兴产业，从而对社会结构和人类生活都造成深远影响。在这一意义上，通用目的技术成为科技革命的基石[11]。

通用目的技术表现出强大的扩散潜力，各领域的已有技术与其结合后形成适合特定需求的创新。通用目的技术出现后，各领域对其进行学习并基于场景需求将自身技术与其结合，在领域内研发产生新的理论、方法和应用。举例来说，信息通信（IT）技术扩散至金融、教育、制造等领域，催生了电子交易系统、在线学习平台、自动化流水线等技术；而近年来AI技术的扩散也生发出交运领域的自动驾驶图像识别技术、医疗领域的分子结构预测模型等新兴技术[12]。这种以通用目的技术为源头的跨领域创新，不断扩大科技革命的影响范围，汇聚为推动生产力进步的重要力量。

通用目的技术直接影响的经济体量有限，需要通过技术扩散扩大其影响力，才能引发劳动生产率的大幅提升。回顾IT革命历程，研究发现，IT技术代表性发明的出现在一段时间内都未能扭转当时美国经济的颓势，直到中位数部门的IT技术扩散率达到一定程度，局势才开始反弹[13]。同样的，我们认为本轮AI革命或将延续这一规律，直到技术扩散到各行各业、与足够丰富的场景需求匹配，才能充分在智能任务中发挥价值，表现出对宏观经济的影响。究其根本，通用目的技术能够同时通过三条路径提升劳动生产率，但都绕不开与其他领域的结合：一是引起各领域广泛的技术进步后，带来全要素生产率（TFP）的大幅增长；二是随着各领域创新效率的提升，降低了创新成本进而促进资本深化[14]；三是改变生产组织形式，使各部门的劳动力技能和思维模式发生转型，从而提高了全社会的劳动力质量并优化了生产要素结构[15]。因此通用目的技术的影响力不仅源自技术本身和领域内部的进步，更重要的是渗透到不同领域，从技术进步、资本深化、生产方式改进等维度共同推动劳动生产率的大幅提升[16]。

从通用目的技术出现到跨领域技术扩散的过程可以分为五个阶段[17]（图表2）。在测试评估阶段，研发者开始了解新出现的通用目的技术，对其性能表现提出质疑，并采取各种方式进行评估，随后形成支持或否定的立场。在实施阶段，通用目的技术已在其领域内被广泛接受，并分化出侧重于解决不同问题的变型。延伸阶段是技术扩散的关键，其主要特点是知识的跨领域流动。此时，通用目的技术的性能表现获得研发者的信任，他们不再致力于在技术层面调整形式和结构，而是开始在不同领域应用其解决各类实际问题。通用目的技术的跨领域传播，一方面通过改变知识组合的形式激发了更多新的子学科出现，另一方面随着这些子学科内的知识成果不断迭代壮大，整个经济体的创新规模加速增长。在与延伸同时发生的消亡阶段，一些通用目的技术的变型技术可能在迭代过程中被新变型完全取代，基于这些消亡变型的后续扩散也将随之走向衰落。因此，基于仍在快速迭代的通用目的技术进行融合创新或面临较高风险，跨领域的广泛融合常常在通用目的技术路径开始收敛后才大幅发生。而改进阶段在整个技术扩散过程中持续发生，研发者会不断对通用目的技术和跨领域创新的缺陷进行修补，优化目标实现的方法。

图表2：创新的跨领域技术扩散过程

本轮AI通用目的技术也遵循这一技术扩散过程。2017年谷歌研究团队提出的Transformer架构[20]能高效捕捉长序列数据中多个不同位置间的关系，从而展现出强大的通用性，开启了新一轮AI技术革命。Transformer架构在提出初期本用于翻译领域，解决长句信息丢失、计算效率低等问题[21]，许多研究人员并未意识到其通用泛化的能力。在测试评估的阶段，百度、OpenAI、谷歌等研究团队探索了Transformer架构下的Decoder-Only[22]、Encoder-Only[23]、Encoder-Decoder[24]等多条技术路径，并在过程中发现了规模定律[25]（Scaling Law）与“涌现”现象[26]。随着研究人员对技术潜力的认知和信心不断加深，通用目的技术进入改进和实施阶段，AI智能水平和通用性逐步提升。仍以OpenAI为例，其提出的GPT-1主要关注的还是模型对自然语言的学习能力，到了GPT-3[27]的技术文档中，开始强调模型通用性的语言能力，随后开发的GPT-4[28]已经能在多个困难专业和学术基准上达到人类智能水平，并通过融合多模态进一步提升通用性。基于GPT开发的ChatGPT、Bard等大语言模型延伸至不同领域，出现了众多经过专业知识增强的行业垂类大语言模型（图表3）。在跨领域延伸的过程中，也有一些AI技术分支走向了消退阶段，如目前更多研究倾向于使用Decoder-Only技术，另外两个技术路径Encoder-Only、Encoder-Decoder由于训练困难、通用性不足而发展渐缓[29]。

图表3：各专业领域内代表性的大语言模型

通用目的技术需要经历技术扩散的各个阶段才能实现广泛应用，这是造成“索洛生产率悖论”时滞与判断生产力提升程度的关键。通用目的技术的初始性能较低、适用场景非常有限，其在改进阶段不断迭代突破并提升性能，达到一定成熟度后，才得以从实施阶段进入延伸阶段，陆续达到其他领域的引入条件。比如在AI科技革命中，模型的智能泛化经历着从简单任务到多任务串联再到接近人类水平的过程，适配的具身硬件也由固定式（平面空间）向轮式（地域空间）再向双足（复杂空间）不断进化，从而纳入巡检、柔性产线任务、餐饮、养老看护等越来越多的适用场景。在通用目的技术广泛扩散并应用于大规模场景的过程中，微观场景中的生产率提升逐步积累，进而在宏观层面表现出生产力的进步。

（二） 知识扩散具象化：人类知识网络映射创新的现实影响

为了理解技术扩散的发展阶段和程度，需要将知识创新活动具象化，度量通用目的技术是否在其他领域引发足够多的创新，从而前瞻性地判断应用融合和创新增长。在上述技术扩散模型中，创新增长何时启动取决于通用目的技术知识进入延伸阶段后多大程度地跨领域流动至各个领域的创新过程中。为此，本文通过人类知识网络中的文献引用关系，来映射现实世界的创新过程，量化跨领域的技术扩散过程。

文献间的引用关系是现实世界创新活动的映射，反映了创新行为对于人类社会的影响。文献不仅是创新成果的载体，也是对研究过程的再现，其积累构成了知识体系，使后人能够借鉴前人经验，在此前的基础上继续发展和创新，而这一过程也以文献引用的形式记录下来。引用关系将不同时期、不同领域的研究成果串联起来，形成一个庞大的网络，清晰地展示了各个领域的发展脉络和研究者的探索路径，体现出现实世界的研究活动与技术演化。

文献引用网络为研究人类知识的流动与结构提供了一种直观且可量化的方法。在《非经验识别突破性知识创新——人类知识网络的构建与应用》[31]一文中，我们利用数字化手段将文献间的引用关系抽象为网络结构，构建了人类知识网络，并深入分析其微观结构和形态特征。在该网络中，每篇文献呈现为一个节点，文献之间的引用关系为连接节点的边，知识以从被引用文献流向引用文献的形式在网络中流动。由此，人类知识网络不仅揭示了知识流动和技术扩散的规律，还使得我们能够量化和分析知识网络的内在结构和特性。

知识网络的演进可以反映技术扩散的不同阶段[32]。前文提到的本轮AI革命的技术扩散过程均可以在知识网络中映射为对应的文献，展示为图表4中的黄色圆点，而连接圆点的线条则代表这些重点事件对应文献的引用关系。

图表4：本轮AI技术发展进入延伸的早期阶段

如何在知识网络的视角下理解技术扩散推动的劳动生产率提升？图表5展示了人类知识网络的技术扩散与生产率增长之间的关系。知识网络中的红色圆点代表了通用目的技术领域的文献，其他颜色和形状的点则表示受到通用目的技术影响的其他各领域的文献。在通用目的技术出现的早期，测试评估和实施两个阶段主要是红色领域内的迭代与分化，期间劳动生产率提升较为有限。随着通用目的技术不断改进与变型，红色圆点开始被其他颜色与形状的节点引用，标志着延伸阶段的开启。越来越多领域开始引用通用目的技术的文献，在学习和试错的过程中，一些失败的尝试走向消亡阶段、鲜少再被关注和引用，另一些成功的尝试则积累起大量的后续文献，这些后续文献可能不再直接地跨学科引用通用目的技术，但也间接受到了它的影响。直到大量领域都出现了基于通用目的技术的知识创新，且这些知识创新转化为多样化的产品并达到足够大的应用规模时，宏观上才表现出生产率的加速增长。

图表5：基于人类知识网络的技术扩散与生产率增长

二、探究IT技术革命的创新与增长经验

通用目的技术的跨领域扩散程度如何度量，又引起多大程度的生产率提升？IT与AI同属于通用目的技术，具有较强的可类比性，IT革命的发展历程为我们提供了良好参照。IT和AI技术自身的发展条件相像，都依托算法、数据和算力等核心资源；两者均建立在计算机科学的理论基础上，因而在知识网络中的位置相近、与其他学科的相对距离类似，发生技术扩散的程度和次序可能也较为相似；同时，两种技术都致力于提高自动化水平，很大程度上通过使用机器替代劳动者的部分常规或智能任务来提高生产率[34]。由此，我们认为IT和AI技术在领域内发展、跨学科扩散和应用阶段都具有一定的可类比性，参考历史上IT技术的跨学科扩散及其对劳动生产率的影响，有助于为前瞻本轮AI革命的发展与影响提供经验。

（一）IT跨领域扩散：人类知识网络看通用目的技术扩散

知识网络展示了IT文献跨领域扩散的重要时点。图表6以1946年发表的IT学科经典文献“The Electronic Numerical Integrator and Computer (ENIAC)”[35]作为源头，展示了其在知识网络中扩散到其他领域的时间节点。这篇文献详细记录了世界第一台通用电子数字计算机ENIAC的设计、建造及应用过程，标志着计算机时代的开启，在推动计算技术从机械化向电子化过渡中占据开创性地位，为后续存储程序计算机的发展奠定了理论和实践基础。从这篇文献出发，我们通过后续引用构建知识网络，识别出其首次扩散到其他领域的时间节点。可以发现，由此启发的知识创新在文献发表后的十余年仍处于学科内的测试评估阶段，其后续引用基本发生于“计算机原理与算法”子学科，直到60年代后才陆续扩散到“计算机架构与硬件”“计算机通信与网络”和“计算机模式识别与视觉”等其他IT子学科中。这项通用目的技术的扩散并未止步于学科内部，而是进一步扩散到其他领域中，影响了包括工程学、医学、材料科学在内的许多学科。

图表6：以IT经典文献“ENIAC”为源头的技术扩散网络

知识网络还体现出跨领域扩散的文献规模和融合程度。图表7利用基于重力原理的可视化技术，模拟了IT技术在四个关键时点上的跨领域扩散情况，其中每一条线代表一次知识引用关系，点和线条的颜色则标识了发起引用行为的文献所属的学科。观察2005年各领域文献聚集的相对位置，可以发现IT文献大多集中在网络中部偏右的位置，与右上方工程和应用科学领域文献的交叉重叠尤为显著，这不仅表明IT技术与工程及应用科学之间的深度融合，也彰显了两者在创新和应用领域的协同赋能作用；右下方的自然科学领域与IT技术也保持着相对紧密的联系，反映出IT技术在自然科学中的广泛应用与重要性；相比之下，左侧的医学领域与更远处的社会科学领域虽然同样受到IT技术的影响，但其关联程度相对较弱，显示出跨学科扩散的梯度性差异。进一步从时间维度来看，1975年时IT文献已开始向其他学科扩散，各色的引用线条出现并交织成网，这意味着通用目的技术的影响已初露端倪，而其他学科内部也对这一新兴技术展开了初步讨论，形成了各自领域颜色的网络。到了1985年，IT技术的影响力显著增强，其触角深入到其他学科的各个研究分支，图中的引用线条更加密集、网络结构更加复杂，清晰地展示了IT技术在各学科更加广泛的应用。当时间推移至1995年，短短十年间，IT技术的影响力实现了爆炸式增长。各领域受到IT技术启发的文献数量激增，相互之间的引用关系也变得更加频繁。

图表7：IT技术跨领域扩散的重力图

（二） 跨领域扩散的两大特征：规模增长与融合深化

从人类知识网络中，创新活动随着IT文献数的快速增长和跨学科的密切引用而不断壮大，图表7中各色线条变多变深所代表的规模增长与融合深化可能是技术扩散的两大重要特征。我们从这两个维度来阐述和量化通用目的技术的演化与扩散对整体创新活动的影响。

规模增长方面，通用目的技术的文献数量增长越快，技术扩散也越快，整体上创新活动也越活跃。图表8统计了各时期IT学科的新发文献数量，以及跨领域引用IT学科的文献数量[36]，可以发现两者基本保持同步增长。通用目的技术的文献数量越多，表明其评估讨论越充分、技术路径越确定、分化变型越丰富，其他学科与其结合成功的概率就可能越高，由此产生的跨领域创新也就越多。不仅如此，跨领域创新文献的增长在其自身学科内还具有乘数效应，对这些文献的引用也可能间接吸收IT技术，最终导致该学科总文献数的加速增长。

图表8：通用目的技术创新与引用其的跨领域创新数量同步增长

融合深化方面，跨领域创新深入融合通用目的技术，创新水平和影响力持续提升。图表9以“参考文献集合中属于通用目的技术学科的文献比例（Reference Share）[37]”来衡量各应用型[38]学科对通用目的技术的融合程度，可以发现60年代开始其他学科的IT融合程度出现明显提升，并在1995-2000年经济增长前趋缓并稳定在一定水平。通用目的技术进化迭代后的适用场景越多样，其他学科与其融合的程度就可能越深，进而推动引用该通用目的技术的跨领域创新不断涌现和发展。相较学科内未受技术扩散影响的文献，这些跨领域创新在长期能够获得更多引用量并产生广泛的社会和经济影响[39]。

图表9：其他领域对IT技术的融合持续深化

抓住规模增长和融合深化两大特征，有助于预判通用目的技术促进的创新活跃及未来的生产率提升。我们采用格兰杰因果检验这一统计方法，来科学验证上述观察。格兰杰因果检验是一种时间序列分析方法，在经济学与社会科学研究中被广泛用于判断一个时间序列变量是否能够帮助预测另一个时间序列变量，从而推断它们之间是否可能存在因果关系。如果变量X的过去值能够显著提高对变量Y当前值的预测能力，而超过仅使用Y自身滞后值的预测能力，那么可以认为X是Y的“格兰杰原因”。我们发现，1950-2000年间IT学科当年发表文献的增速（x1）和其他文献参考集合中属于IT学科的比例（x2）均是其他学科当年发表文献增速（y1）的格兰杰原因，即两者能够显著预示并促进更广泛领域内创新活跃程度的提升。进一步地，其他学科当年发表文献增速（y1）还与劳动生产率增速（y2）之间存在着格兰杰双向因果关系，这意味着创新与生产率增长之间形成了一种相互促进的良性循环机制（图表10）。这些发现为理解并预测IT等通用目的技术对未来社会经济发展的影响提供了重要的理论依据。

本文使用美国劳动生产率指数测算增速（y2），主要出于以下三方面的考量。第一，研究表明，技术在跨国溢出时可能因为中断和延迟等原因限制其对生产力的推动作用，美国在IT和AI革命中均处于前沿水平，是技术发源地之一，有助于更准确地测算通用目的技术对劳动生产率的影响[40]。第二，美国国会预算办公室（CBO）曾明确指出IT革命正式引起国内劳动生产率加速增长的时点是在1995年之后[41]，为后文3.1节中基于增长时期的IT技术冲击对AI技术情境进行假设提供了依据。另外，美国官方自20世纪中期开始就公布劳动生产率数据，信息相对可靠完整。因此，我们先以美国为例来量化分析两次通用目的技术革命对劳动生产率增速的影响，3.3节进一步探讨了美国预测结果对其他经济体的拓展意义。

图表10：基于两大特征与格兰杰因果检验，理解通用目的技术对生产率的传导机制

（三） 从扩散到增长：VAR建模估算IT技术对劳动生产率的影响

明确通用目的技术对生产率的传导机制后，可以进一步通过模型来估算和预测通用目的技术冲击下的劳动生产率变化。为了探究通用目的技术扩散对劳动生产率的影响，我们基于格兰杰因果检验结果，利用协整或平稳的时间序列数据，确定最优滞后阶数并构建以下向量自回归（VAR）模型。VAR模型是一种多元时间序列模型，用于分析多个时间序列变量之间的动态关系。其假设系统中每个变量都受到系统中所有变量过去值的影响，并用这些变量自身及其他变量的滞后项来建模，从而捕捉变量之间的动态交互和反馈机制。该模型以通用目的技术的进步与扩散作为外生冲击，包括前文的文献规模增长（x1）和跨领域文献融合深化（x2）两个维度，来探究IT革命如何通过跨领域创新促进整体创新活动（y1），进而提高劳动生产率增速（y2）。

选取上一轮IT革命的数据，对VAR模型测算劳动生产率的有效性进行验证。我们首先使用1950-2000年的数据样本进行回归分析，验证该模型可以根据通用目的技术延伸阶段的表现来预测未来对劳动生产率的推动作用。格兰杰因果检验的最优滞后阶数表明，各时点过去4年内的IT文献规模增长（x1）与过去2年内的融合深化（x2）都可能对该时点的创新活动产生影响。由此我们构建了以下方程系统，并根据得到的回归系数利用样本外2001-2010年的IT技术冲击对劳动生产率增速（y2）进行预测。

结果如图表11所示，2001-2010年实际劳动生产率增速落在了模型预测值的95%置信区间内；具体而言，实际值的年均增速约为2.68%，而预测值约为2.04%，且两者的波动较为同步。因此，VAR模型在预测样本外历史数据时表现出较高的准确性，可以利用该方法判断通用目的技术扩散对劳动生产率的提升效果。根据模型预测的增速，我们进一步计算了劳动生产率指数，相对而言也与实际数据较为接近。

图表11：IT科技革命期间劳动生产率增速和指数的实际值与预测值接近

通过人类知识网络，我们观察到通用目的技术扩散形成跨领域创新时表现出规模增长和融合深化的两大特征；通过向量自回归模型，建立了“通用目的技术-跨领域扩散-生产力进步”的传导机制。接下来，我们将对比IT革命与本轮AI革命的技术冲击，以估计未来短期内AI技术的发展趋势，进一步利用模型预测劳动生产率可能的增长幅度。

三、基于AI技术冲击的劳动生产率预测

为了预测本轮AI进步对生产率的积极影响，首先需要拓展上文构建的VAR模型使其适用于AI革命，然后结合人类知识网络来评估AI技术冲击的现状和趋势，即判断VAR模型中AI学科文献发表增速（x1）和其他文献参考集合中属于AI学科的比例（x2）两个外生变量的增长情境，再通过回归分析来预测不同技术发展情境下的劳动生产率增长。

（一）对照IT技术革命，本轮AI技术扩散行至何处？

基于上文验证，我们通过图表10的传导机制构建VAR模型，对IT技术的影响进行量化。鉴于AI与IT技术的可类比性，我们有理由相信，该模型同样适用于AI技术影响的评估。

我们在上述模型中引入AI技术冲击，并验证其仍然能够有效预测。此前模型中IT技术冲击的影响可能尚未完全结束，所以我们在保留上述方程系统中IT技术冲击的前提下，进一步加入AI文献增速和融合程度作为外生冲击。

格兰杰因果检验表明，两个AI技术冲击变量的最优滞后阶数略短于IT技术冲击，分别为3年和1年。最优滞后阶数的缩短说明了AI技术在科研领域的应用正迅速发展，可从供给端和需求端两个角度进行分析。供给端来看，AI作为后起技术能够快速融入现有IT框架，并借助云计算和开源工具的普及，降低了使用门槛[42]，推动了科研工具和技术的智能化与自动化发展。需求端来看，随着科研问题复杂性增加和数据量急剧增长，传统研究方法难以有效应对海量信息，AI因此成为关键手段，不仅提升了分析效率，还能发现潜在规律，推动科研从假设驱动向数据驱动的转型，改变了整体研究方法和实践[43]。供需双方的结合加速了AI在科研领域的普及与应用。

使用1953-2015年的数据对如下方程系统进行回归分析，得到新的回归系数后，再利用样本外2016-2023年的技术冲击对劳动生产率增速进行预测。结果如图表12所示，2016-2023年实际劳动生产率增速依然落在了模型预测值的95%置信区间内；具体而言，实际值的年均增速约为1.66%，而预测值约为1.38%，且两者的波动较为同步。再次说明，整体上VAR模型在通用目的技术扩散的早期能较好地预测劳动生产率的变化[44]。

图表12：加入AI技术冲击后的劳动生产率增速和指数预测同样较为准确

IT技术革命时期，相关文献表现出规模增长和融合深化的特征，而当下本轮AI也已初现类似的趋势。参考历史上IT文献的发展经验，我们提供了本轮AI技术冲击的三种情境假设。

规模方面，AI文献已为跨领域扩散积累了深厚技术基础，发表量或持续高增。数量来看，2020年以来AI学科发表了超过30万篇文献，引用AI学科的其他学科新发文献数量更是超过280万篇（图表13），与图表8相比，AI文献积累已远超过IT革命时期，且每篇AI文献平均被更多其他学科文献引用，表明AI技术扩散非常强劲。增速来看，AI文献自2017年起增速显著提升并基本维持在10%以上，2017-2023年平均约为10.6%，这与图表8中IT文献的年均增速在1995年生产率提升前持续稳定在10%以上的特征相符，表明近年AI学科内的研究活动越发活跃。据此，图表14对VAR模型中的IT和AI文献发表增速（x1）进行估计，假设前者以2017-2023年期间的平均增速7.9%恒定增长，后者可能分别从同期平均增速均匀提升至25%（乐观）、16%（中性）及回落至7.9%（悲观），其中乐观和中性情境分别参照历史上IT新增文献的最高和平均年增速进行调整。

图表13：AI技术积累深厚，扩散强劲

图表14：AI新发文献或持续高增

融合方面，一些学科已表现出对AI的融合深化，但整体可能尚有较大提升空间。由于IT和AI学科在人类知识网络中的位置相近、与其他学科的相对连结程度也类似，我们将1995年IT革命出现生产率提升时的融合程度作为比较基准。自2017年以来，其他学科参考集合中属于AI文献的比例开启了新一轮提升，近年增长至1.6%左右，还未达到图表9中1995年IT的1.8%以上水平。分学科看，医学和材料学是近年引用AI文献比例增速最快的两个学科，而工程学和商业的AI融合程度及提升速度可能还有较大空间（图表15）。图表16对VAR模型中的IT和AI融合程度（x2）进行估计，假设前者继续维持在3.22%水平，后者可能分别以2倍（乐观）、1倍（中性）和0.5倍（悲观）的IT历史融合速度不断提升，在10年后达到当前、本世纪初期和上世纪末期的IT融合程度。

图表15：医学和材料学的AI融合快速提升

图表16：假设IT融合不变，AI融合提升

基于上述假设，我们下一步将前瞻的外生技术冲击输入此前的VAR模型，探讨三种情境下未来的劳动生产率增长路径。由于该假设中的IT文献规模增速恒定且融合深度不变，劳动生产率的加速提升主要依靠AI进步来实现。

（二）以技术前沿的美国为例，本轮AI能带来多大程度的生产率提升？

从人类知识网络的视角，AI文献的规模增长和融合程度已经达到或接近上一轮IT革命开始推动劳动生产率时的水平，AI技术进步下的新一轮增长蓄势待发。历史表明，IT革命使美国劳动生产率的平均增速由1985-1995年间的1.6%上升至1995-2005年间的2.8%，2010年后随着IT学科论文增速和其他学科对IT融合程度的趋缓，劳动生产率增速开始回落。本轮AI又将对劳动生产率产生多大的影响呢？

本轮AI对劳动生产率的潜在提升作用可能较上一轮IT革命更突出。上述VAR模型在中性情境下的预测结果表明，AI技术有望通过广泛的技术扩散效应，使美国劳动生产率的平均增速由2013-2023年间的1.5%提升至2024-2035年间的3.9%，这一幅度超过此前IT革命、相当于过去40年的增长（图表17）。在同等技术冲击下，AI对生产力可能起到更强劲的推动作用，比较图表8和13中通用目的技术文献和对其进行引用的其他领域文献的相对数量，AI用于科学研究（AI for Science）能够激发更为活跃的知识创新（y1）。参考增长后期IT文献规模和融合程度的发展路径，AI技术进步和扩散空间还非常广阔，可能在未来十年内持续推动劳动生产率不断加速，使生产力进步迈入一个全新的阶段，经济增长动能显著增强。

图表17：中性情境下，本轮AI技术推动劳动生产率增长幅度超过此前IT革命

AI技术发展速度之快、潜在影响之广，可能推动劳动生产率迎来一个前所未有的增长期。在VAR模型中，AI技术冲击的最优滞后阶数小于IT技术冲击，表明AI技术冲击经过扩散转化为生产率的速度可能更快，美国或将在2026年就迎来生产力加速增长的拐点；同时，从图表15也可以看出AI已经在大多数学科超过或达到了IT基准融合水平，并保持着不断深化的融合趋势。在我们的乐观预测情境下，AI技术的潜力被进一步放大，可能促使美国劳动生产率的平均增速在2024-2035年间达到5.2%。这相较我们的中性预测还要高出1.3个百分点，意味着在AI技术的强力驱动下，2030年后美国劳动生产率增速或将保持在5.5%以上的高水平（图表18）。

图表18：乐观情境下，AI或推动美国劳动生产率在2030年后维持超5.5%高增

如果后续遇到迟迟难以突破的技术瓶颈或扩散壁垒，AI技术对劳动生产率的促进作用也可能在短期内受到限制。在我们的悲观预测情境下，AI文献增速回落至10%以下且与其他学科的融合速度仅为IT革命时期的一半，此时它大致使劳动生产率增速保持在平均2.8%左右。

（三） 预测结果对全球及中国的拓展意义

“通用目的技术-跨领域扩散-生产力进步”的传导在国家间具有一定的协同性，对美国劳动生产率增长的预测有助于判断其他经济体的生产力进步空间。在通用目的技术的扩散过程中，以文献为载体的知识流动呈现出易于复制、传播和共享的特点，大量AI文献跨越国界地被其他领域引用和学习。同时，国际贸易和资本流动、跨国公司及供应链全球化等因素也都促进了技术从前沿国向其他经济体快速传播[45]。在生产力转化过程中，各领域吸收AI技术后形成的智能产品通过国际贸易供给各国使用，推动全球范围内的劳动生产率提升。尽管知识流动或国际贸易存在一些现实摩擦，通用目的技术对劳动生产率的推动在国家间可能是协同共进的，尤其是当前各国都充分重视并投入大量资源加速AI发展的情况下，技术迭代和追赶非常迅速，强化了这种协同性，因此对作为技术发源地的前沿国进行预测有助于为其他经济体提供劳动生产率增长的参考。

参考技术前沿国，本轮AI对其他经济体劳动生产率的提升作用可能也非常迅猛。我们对美国的三种情境预测表明，AI革命可能带来比IT革命更强劲和快速的生产力进步，在技术全球性扩散的背景下，其他经济体也可能超越自身在上一轮IT革命中的生产力增长表现。具体程度而言，现实中前沿国的国内扩散可能快于跨国扩散[46]，从而更快且更大程度地实现生产力提升[47]。AI扩散水平较高，即在各领域积极吸收并应用AI技术的国家在我们的中性预测情境下可能接近前沿国2.4个百分点的生产率加速，而AI扩散水平较低的经济体可能低于2.4个百分点。

中国在本轮AI发展中的劳动生产率提升幅度可在一定程度上参照美国预测结果。我们此前构建的“AI发展指数”从研发和应用两个层面衡量了各国在智能融合浪潮中的发展潜力，中国表现出较高的技术活跃度和市场友好度[48]。2017年以来，中国在AI领域的知识创新活动越发活跃，论文发表量已反超美国保持全球第一[49]；庞大的市场规模和均衡的产业分布带来显著的外部规模效应，对我国AI技术扩散和应用形成有力支撑。结合上述预测与此前研究，我们认为本轮AI对中国的促进作用可在一定程度上参照美国预测结果，进而加速我国的结构优化和经济增长。

四、总结与启示

通过人类知识网络探究通用目的技术扩散对社会生产力的影响，对比上一轮IT革命的经验，我们建模估算了本轮AI技术进步与扩散对劳动生产率的潜在提升作用。AI作为一场通用目的技术革命，其积极影响需要等待技术扩散来增强影响力，这具象化地表现为人类知识网络中的跨领域引用关系。对照技术扩散的五个环节，人类知识网络中的两大特征可能是通用目的技术被广泛跨领域引用的关键，一是通用目的技术的文献规模，其增长越快，技术扩散也越快；二是通用目的技术在其他学科中的融合程度，其他学科参考文献中引用通用目的技术的比例越高，技术扩散越深。将这两个特征作为外生技术冲击，我们建立“通用目的技术—跨领域扩散—生产率提升”的向量自回归模型，以技术前沿的美国为例，基于AI技术扩散不及、等同或超越IT的三种情境假设，预测了本轮AI对劳动生产率的提升幅度。我们测算得出，中性情境下，AI有望在未来十年内推动美国劳动生产率的年均增速提高2.4个百分点；在AI技术进步和扩散速度超过IT革命的乐观情境下，可能在2030年后使美国劳动生产率增速保持在超过5.5%的高水平；但也不排除后续AI遇到难以突破的技术瓶颈和扩散壁垒，对生产力进步的推动不及预期的情况。结合我们此前对各国智能融合发展潜力的评估，本轮AI对中国的促进作用可在一定程度上参照美国预测结果。

本轮AI革命的冲击程度和速度较上世纪末的IT革命更为迅猛，推动通用目的技术快速高效地转化为社会生产力，主要从以下三个方面出发：第一，作为技术扩散的源头和基础，AI学科内创新活跃程度的持续提升不仅能够推动AI理论与实践的最新进展，还增大了其他学科顺利找到融合点的可能性。为了促进以文献发表为代表的知识创新的活跃程度，需要及时了解并扫清技术突破的客观障碍，对人才、资金、算力和数据等核心AI资源给予适当支持，以防技术再次陷入寒冬。第二，在积累了扎实的技术基础后，提高其他学科的AI融合水平对找到更多应用场景至关重要。我们发现，目前工程学对AI文献的参考比例相对于IT革命时期仍然偏低，然而工程学与AI技术的融合对生产力的提升潜力可能更大[50]。针对这类融合程度不足但意义重大的场景，政府、企业及学术界应联合引导并探索技术融合与创新实践。第三，从知识层面的通用目的技术进步与扩散到生产层面的效率提升，还需要经历科技成果的转化与推广，该过程可能要耗费不短的时间（在我们的模型中为2-3年左右）。加速该过程是缩短“索洛生产率悖论”时滞的可行方案之一，如人形机器人等AI技术前期可能因为成本过高或技术门槛而难以实现大规模商业化，政府可考虑对商业购买或租赁进行适当补贴。

资料来源

[1] 技术发展通常要经历三个阶段，生命周期遵循“S曲线”。S曲线刻画了技术的累计采用率——在初始阶段扩散较为缓慢，随后进入加速期，最终放缓并达到饱和。“AI或已跨过S曲线的第一拐点”相关论述请参考：周子彭、李娜、陆趣、刘梦玲，《迈入通用模型时代，迎接智能融合浪潮》，2024.6.

[2] 周子彭、熊督闻、周彭、蔡志刚、彭文生，《元任务与AI经济影响分析》，2024.6.

[3] Brynjolfsson, Erik and Li, Danielle and Raymond, Lindsey R, Generative AI at Work, NBER Working Papers, 2023.

[4] Gao, Xueyuan, and Hua Feng. 2023. "AI-Driven Productivity Gains: Artificial Intelligence and Firm Productivity" Sustainability 15, no. 11: 8934.

Aleksandra Parteka, Aleksandra Kordalska, Artificial intelligence and productivity: global evidence from AI patent and bibliometric data, Technovation, Volume 125, 2023.

[5] Robert Solow, "We'd better watch out", New York Times Book Review, July 12, 1987, page 36. https://www.standupeconomist.com/pdf/misc/solow-computer-productivity.pdf

[6] Rochelle Forrester, The Invention of the Steam Engine, 2019.

[7] Brynjolfsson E, Rock D, Syverson C. Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics[J]. NBER Working Paper, 2017 (w24001).

[8] Kanefsky, J., & Robey, J. (1980). Steam Engines in 18th-Century Britain: A Quantitative Assessment. Technology and Culture, 21(2), 161. doi:10.2307/3103337

[9] Nuvolari, A., Verspagen, B. & von Tunzelmann, N. The early diffusion of the steam engine in Britain, 1700–1800: a reappraisal. Cliometrica 5, 291–321 (2011). https://doi.org/10.1007/s11698-011-0063-6

[10] Sicheng He, Growing through Endogenous Innovation Cycles, Journal of Macroeconomics, Volume 71, March 2022, 103388.

[11] Lipsey, R. G. , Carlaw, K. I. , & Bekar, C. T., 2005, Economic transformations: general purpose technologies and long term economic growth. RePEc.

[12] Sicheng He, Growing through Endogenous Innovation Cycles, Journal of Macroeconomics, Volume 71, March 2022, 103388.

[13] Boyan Jovanovic, Peter L. Rousseau, Chapter 18 - General Purpose Technologies, Handbook of Economic Growth, Elsevier, Volume 1, Part B, 2005, Pages 1181-1224.

[14] IMF research, The Information Technology Revolution, 2001.

[15] David P, Wright G. General Purpose Technologies and Surges in Productivity: Historical Reflections on the Future of the ICT Revolution[J]. 1999.

[16] Brynjolfsson E, Rock D, Syverson C. Artificial intelligence and the modern productivity paradox[J]. The economics of artificial intelligence: An agenda, 2019, 23: 23-57.

[17] Rogers, E.M. Diffusion of innovations, 1962；Yujia Zhai, et al. Measuring the diffusion of an innovation: A citation analysis, 2017.

[18] Rogers, E.M. Diffusion of innovations, 1962.

[19] Yujia Zhai, et al. Measuring the diffusion of an innovation: A citation analysis, 2017.

[20] Vaswani A. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017.

[21] Garg S, Peitz S, Nallasamy U, et al. Jointly learning to align and translate with transformer models[J]. arXiv preprint arXiv:1909.02074, 2019.

[22] Radford A. Improving language understanding by generative pre-training[J]. 2018.

[23] Devlin, Jacob & Chang, Ming-Wei & Lee, Kenton & Toutanova, Kristina. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. 10.48550/arXiv.1810.04805.

[24] Chen L C, Zhu Y, Papandreou G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 801-818.

[25] Hestness J, Narang S, Ardalani N, et al. Deep learning scaling is predictable, empirically[J]. arXiv preprint arXiv:1712.00409, 2017.

Kaplan J, McCandlish S, Henighan T, et al. Scaling laws for neural language models[J]. arXiv preprint arXiv:2001.08361, 2020.

Henighan T, Kaplan J, Katz M, et al. Scaling laws for autoregressive generative modeling[J]. arXiv preprint arXiv:2010.14701, 2020.

[26] Wei J, Tay Y, Bommasani R, et al. Emergent abilities of large language models[J]. arXiv preprint arXiv:2206.07682, 2022.

[27] Brown T, Mann B, Ryder N, et al. Language models are few-shot learners[J]. Advances in neural information processing systems, 2020, 33: 1877-1901.

[28] Achiam J, Adler S, Agarwal S, et al. Gpt-4 technical report[J]. arXiv preprint arXiv:2303.08774, 2023.

[29] Yang J, Jin H, Tang R, et al. Harnessing the power of llms in practice: A survey on chatgpt and beyond[J]. ACM Transactions on Knowledge Discovery from Data, 2024, 18(6): 1-32.

[30] Zhao W X, Zhou K, Li J, et al. A survey of large language models[J]. arXiv preprint arXiv:2303.18223, 2023.

[31] 周子彭、黎芝源、陆趣，《非经验识别突破性知识创新——人类知识网络的构建与应用》，2023.11.

[32] Yujia Zhai, et al. Measuring the diffusion of an innovation: A citation analysis, 2017.

[33] 同图表2和3的资料来源。

[34] Aghion, Philippe et al. “Artificial Intelligence and Economic Growth.” Kauffman: Conferences & Seminars (Topic) (2017): n. pag.

[35] Goldstine H H, Goldstine A. The electronic numerical integrator and computer (eniac)[M]//The Origins of Digital Computers: Selected Papers. Berlin, Heidelberg: Springer Berlin Heidelberg, 1946: 359-373.

[36] 统计IT学科的文献数量时剔除了AI文献。

[37] Van Noorden, R. Interdisciplinary research by the numbers. Nature 525, 306–307 (2015).

[38] 利用Gemini、智谱清言和ChatGPT对4,500余个三级学科进行“理论/应用”分类，本文衡量通用目的技术冲击（包括规模增长和融合深化）时仅包含应用型学科的文献。

[39] Okamura, K. Interdisciplinarity revisited: evidence for research impact and dynamism. Palgrave Commun 5, 141 (2019). https://doi.org/10.1057/s41599-019-0352-4

[40] Keller, Wolfgang, (2001), Knowledge Spillovers at the World's Technology Frontier, No 2815, CEPR Discussion Papers, C.E.P.R. Discussion Papers, https://EconPapers.repec.org/RePEc:cpr:ceprdp:2815.

[41] https://www.cbo.gov/sites/default/files/110th-congress-2007-2008/reports/03-26-labor.pdf

[42] Bick A, Blandin A, Deming D J. The rapid adoption of generative ai[R]. National Bureau of Economic Research, 2024.

[43] Xu Y, Wang F, An Z, et al. Artificial intelligence for science—bridging data to wisdom[J]. The Innovation, 2023, 4(6).

[44] VAR模型的线性假设和固定参数假设、数据质量问题、未来新信息的进入等可能使预测值发生偏差。

[45] Kose M A, Lakatos C, Ohnsorge F, et al. The global role of the US economy: Linkages, policies and spillovers[J]. 2017；Klein M, Linnemann L. Real exchange rate and international spillover effects of US technology shocks[J]. Journal of International Economics, 2021, 129: 103414.

[46] Jiang, Lidan & Chen, Jingyan & Bao, Yuhan & Zou, Fang. (2021). Exploring the patterns of international technology diffusion in AI from the perspective of patent citations. Scientometrics. 127. 10.1007/s11192-021-04134-3.

[47] Ristuccia, Cristiano & Solomou, Solomos. (2012). General Purpose Technologies and Economic Growth: Electricity Diffusion in the Manufacturing Sector Before WWII.

[48] 周子彭、李娜、陆趣、刘梦玲，《迈入通用模型时代，迎接智能融合浪潮》，2024.6.

[49] 陆趣、黎芝源、周子彭，《竞争人工智能》，2023.3.

[50] Mokyr, Joel. "Innovation in an historical perspective: tales of technology and evolution." Technological innovation and economic performance 23 (2002): 36.

本文参考2024年12月31日中金研究院已发布的《从IT到AI：科技革命的生产力潜力——基于人类知识网络中的跨领域技术扩散》。

作者信息为：

黎芝源 SAC 执证编号：S0080122030015

周子彭 SAC 执证编号：S0080520070004 SFC CE Ref：BRW302

来源：新浪财经