关于AI与宏观经济活动、产业结构和劳动力市场之间复杂关系的理论总结和实证研究，还远未跟上这场技术变革的速度。

经济学界正处于一个关键的十字路口。

自2022年底ChatGPT横空出世以来，以大型语言模型（LLMs）为代表的生成式人工智能（Generative AI）技术引发了全球性的“AI大爆炸”。这场技术革新，在短短三年的时间里，不仅在多方面重塑了人类的日常生活，更以前所未有的速度和深度渗透进学术研究的诸多环节，彻底改变了学术生态。

《黑天鹅》的作者塔勒布（Nassim Nicholas Taleb）表示，“AI终于终结了金融和经济学领域的学术游戏，那些玩弄体制的学者们写出的论文除了学术地位之外毫无意义”。大多数经济学家恐怕不同意AI终结了经济学，但也不得不承认，今天无论是在论文的写作辅助、复杂计算的执行、专业代码的编写、数据的可视化呈现，还是文献的润色校对上，AI都在扮演越来越重要的角色。在某些情境下，AI甚至比人类更多地介入到创造性工作中，从而引发了关于学术伦理与知识产权归属的广泛讨论。这本身就是经济学、法学和哲学等跨学科领域的新兴研究议题。

毫无疑问，生成式AI仍在快速迭代和演变之中，几乎每隔数月就会有突破性的技术进展出现。然而，关于AI与宏观经济活动、产业结构和劳动力市场之间复杂关系的理论总结和实证研究，还远未跟上这场技术变革的速度。经济学界正处于一个关键的十字路口：既要警惕过度夸大AI影响而引发的“技术恐慌”或“泡沫幻觉”，也要避免低估其颠覆性潜力而错失指导政策实践的良机。

生成式AI目前在事实核查方面普遍存在幻觉，所以人类在某些工作上还具有比较优势：生成式AI系统在内容的快速生成、大规模文本的处理与模式识别方面具备压倒性的比较优势；而人类至少目前尚在高阶的内容评估、事实的辨识、研究项目的战略组织、提出原创性假设和设置价值判断方面拥有比较优势。双方应当优势互补。从方法来看，AI在处理极端海量文本数据方面的超人能力，为新型的人机协作创造了充足的生产性空间，推动经济学家开始重新审视传统的研究范式。

两极分化：AI对产业结构和企业行为的影响

生成式AI技术的普及已对诸多产业产生了直接且显著的影响，这不仅体现在生产效率的提升上，更是为企业的风险管理和竞争策略带来了结构性变化。

如很多人预估的那样，AI的采用率确实在大都市和大型企业中表现出更高的集中度。值得注意的是，AI的采用模式似乎并未在大都市和公司规模之间呈现出明显的替代相关性，这暗示着AI的价值可能并非单纯依赖于基础设施的普遍性，而更取决于复杂的组织能力和人才密度。对此，菲利普·阿吉翁（Philippe Aghion）等人的研究（2023）强调，AI的采用可能存在一个门坎效应，即只有具备一定规模和研发能力的大型企业，才能有效整合和利用AI技术来进行核心业务流程的创新。

此外，AI投资对企业运营绩效的稳定性具有显著影响。有实证研究指出，与AI投资较少的企业相比，在AI方面投入更多的企业，其所有三个主要运营绩效指标的波动性均有所降低。这一发现极具经济学意义，它凸显了AI等技术的采用如何使企业受益，不仅在于提升运营绩效的一阶矩如提高销售额、降低成本等，更在于降低二阶矩如降低经营风险、稳定盈利波动性等。从金融经济学和企业治理的角度来看，降低波动性本身就代表着企业价值的提升，因为它减少了信息不对称、提高了投资者预期，降低企业融资的风险溢价。这种风险缓冲效应是AI技术在产业层面带来的新的价值维度。

随着生成式AI的应用从辅助性工作扩展到核心生产流程，企业的组织架构也在经历重塑。AI在软件开发、法律服务、内容创作等知识密集型产业中，让边缘化的个体工作者或小型团队能够处理传统上只有大型机构才能承担的复杂任务。这可能导致产业集中度的变化：一方面，少数“超级明星”科技公司凭借对底层模型和算力的垄断，将进一步扩大其市场支配力；另一方面，AI作为一种赋能技术也降低了小型创新企业的边际成本，大量微创新促进了新兴市场的发展。这种两极分化的竞争格局，是经济学家们需要重新思考的重要议题。

更广泛的连锁反应：AI对劳动力市场的复杂影响

生成式AI对劳动力市场的影响是一个极为复杂且充满不确定的领域，它既涉及工作的替代和技能的升级，也涉及不平等格局的重塑。早期对自动化的研究，多集中于机器人对制造业蓝领工人的替代。然而生成式AI的特殊性在于，它对于认知任务和传统白领工作构成了更为直接的挑战，这使得劳动力市场的影响变得更加复杂。

本杰明·拉赫（Benjamin Lach）在《美国经济学杂志：宏观经济学》上发表的研究提供了一个关键洞察：技术变革的影响是高度不均衡的。他的研究表明，在1993年至2014年间，工业机器人的普及在缩小性别就业差距的同时，却意外地扩大了种族和族裔差距。具体而言，机器人使男性就业率降低了3.7个百分点，女性就业率降低了1.6个百分点，这导致性别差距的缩小，但这是一种“共同损失”式的缩小。然而，在同一时期，机器人使非白人工人的就业率降低了4.5个百分点，而白人工人的就业率仅降低了1.8个百分点，这导致了种族和族裔就业差距的扩大。

拉赫的研究明确指出，技术变革的影响在很大程度上取决于现有的不平等和职业隔离模式。只要某些人口群体集中在特定类型的工作中，即使是看似中性的技术也可能产生歧视性影响。例如，如果非白人工人集中在更容易被机器人替代的低技能制造业岗位，那么自动化自然会极大地影响他们的生计。所以政策制定者不仅需要考虑技术对特定工作的直接影响，还需要考虑其对当地经济和社会公平的更广泛连锁反应。

生成式AI对性别的影响则表现出更高的复杂性。由于女性历史上更多地集中于白领、文案处理和客户服务等认知密集型工作，而AI在执行其中一些任务方面表现出特别的擅长，因此有初步的观点认为，就AI而言，女性可能比男性受到的影响更大，这与传统机器人对蓝领男性工人影响更大的研究结论形成对比。但AI对于性别的影响并非全然负面。进一步的跨国研究表明，在受AI影响较大的职业中，女性的就业份额平均有所上升。这种正相关关系在女性初始劳动力参与率高、女性初始相对教育程度较高的国家尤为密切。这暗示着，AI在替代重复性认知任务的同时，也可能降低了特定白领工作的体力或时间门坎，使更多受过教育的女性能够进入或留在这些职业中，或者AI提高了这些工作的边际生产率，使得女性在这些岗位上的比较优势得到加强。

这种复杂的技术影响模式，迫使经济学家抛弃单一的“技术替代”或“技术互补”论断，转向更细致的“任务视角”（Task-Based Approach）分析框架。阿西莫格鲁（Daron Acemoglu）和雷斯特雷波（Pascual Restrepo）的工作（2019）提醒我们，技术革新对劳动力市场的影响取决于被替代的任务、被互补的任务以及新创造的任务三者之间的动态平衡。生成式AI正在极快地创造出大量新兴工作如“AI提示工程师”（Prompt Engineers）、数据标注员以及AI模型监管员等新职业。当然新兴工作本身要求也在变化，数据标注员的工作就正从低认知要求向高认知要求转变。这些新兴工作的规模和质量，将最终决定AI是加剧还是缓解劳动力市场的不平等。

此外，AI的早期应用也呈现出显著的地理和创业集中度。在高增长的初创企业中，AI的采用也更为普遍，这些企业通常有更高的风险投资资金、近期的产品和流程创新，以及明确的增长导向型商业战略。早期的AI采用模式分布并不均匀。少数超级明星城市和新兴中心引领了初创企业对AI的采用。这种地理和产业的集中，预示着AI的经济和社会影响将远远超出最初有限的传播范围。如果这种早期集中模式持续下去，可能会在区域间、企业间和人群间出现日益扩大的“AI鸿沟”，这也是公共政策需要及时应对的重大挑战。

改变工作流程：AI大爆炸对经济学研究范式的颠覆

生成式AI的爆炸式发展，正在深刻地改变经济学这门学科本身的研究方法和工具箱，其影响不仅限于对数据分析能力的提升，更在非结构化数据的处理、新型数据库的构建，乃至研究流程的自动化方面，带来范式性的转变。

在AI“大爆炸”之前，经济学界已广泛使用机器学习（Machine Learning，ML）技术来增强传统的计量经济学工具。机器学习的核心在于让计算器在没有明确编程的条件下，通过一定的回归算法、分类算法和优化技术，从数据中自动找出处理任务的最优方法和决策。这些方法特别擅长于处理高维度数据和非线性关系，例如范里安（Hal Ronald Varian）就提倡将机器学习视为一种有效的预测工具，用来辅助传统的因果推断（2014）。然而，这种早期应用主要集中在技术层面的工具改进。

而生成式AI带来的变革则是革命性的，可以从以下五个方面观察AI对于经济学家工作流程的改变：

第一，AI处理非结构化文本信息的能力极强。在生成式AI出现之前，文本数据（如中央银行会议记录、企业年报、新闻报道、法律条文、历史文献）一直属于极难分类和量化处理的非结构化信息。现在，AI能够以前所未有的速度和准确性进行情感分析、主题建模、概念提取和信息归类。例如，经济学家可以利用AI快速分析数十年中央银行公开市场委员会会议纪要，提取对通胀、就业等关键词的情感强度和频率变化，从而构建出新的宏观经济不确定性指标。

第二，AI帮助经济学家构建了大量全新的数据库。AI擅长从原始、分散的网络和文件资源中提取、结构化和标准化数据，这使得经济学家能够轻易地扩展数据集，创建以前因人力成本过高而无法实现的微观数据库。比如利用AI自动抓取和整理数百万份企业专利文件、招聘广告或产品描述，能够构建出关于技术溢出、技能需求变化或竞争格局演变的精确指标。

第三，AI的代码能力极强，已深入到代码编写工作之中。生成式AI能够理解和生成Python、R、Stata等主流经济学编程语言的代码，极大地提高了数据清洗、计量模型实施和结果绘制的效率。对于长期使用复杂数值仿真或大规模实证分析的经济学家而言，AI不仅是辅助编码的工具，更是提高研发效率的得力助手。

第四，AI拥有强大的深入学习能力，可以帮助研究者进行文献综述的工作。生成式AI能够快速消化和归纳特定领域内的海量学术文献，提取核心论点、识别研究空白、勾勒出关键的学术争议，甚至能自动生成内容摘要和知识图谱。这些工具显著降低了新进入该领域研究者的知识获取成本，使得研究者能够更迅速地定位研究前沿，将更多精力投入到原创性假设和模型的构建中。

第五，AI深度参与数据分析、数据可视化和论文撰写的整个过程。从最初的探索性数据分析到最终的结果解释，AI可以提供多种模型选择建议、结果稳健性测试，甚至以清晰、规范的学术语言来起草方法论和结果部分。虽然最终的思想原创性和价值判断仍由人类决定，但AI大幅降低了论文生产的边际体力成本。

绝非被动：经济学如何反向影响AI的发展方向

这场AI大爆炸虽然由计算机科学和工程学主导，但经济学在其中扮演的角色绝非被动。事实上，经济学的理论框架、价值判断以及政策建议，正在深刻地反向影响着AI技术的发展方向、治理模式和应用伦理。

首先，从市场设计和激励机制来看，经济学为AI模型训练和数据生成提供了关键的激励设计。大型语言模型的性能极度依赖于高质量的数据和人类反馈。经济学家正在运用机制设计理论、博弈论和实验经济学的方法，来设计有效的激励机制，确保数据标注员提供高质量数据，并鼓励用户提供准确的反馈来优化AI模型的伦理对齐。如何设计一个“信誉机制”来奖励提供真实、有价值的数据的AI，而非鼓励投机或作弊行为，这个问题在个人和AI训练中同时存在，也正是经济学家积极介入解决的问题。

其次，从AI的治理和监管来看，经济学的福利分析、风险评估和反垄断理论提供了核心的政策框架。AI的快速发展引申出巨大的外部性问题，包括劳动力市场冲击、数据隐私泄露和市场集中风险。经济学家正在努力量化AI带来的社会净福利，分析垄断力量在AI领域的形成和扩散机制。比如如何运用反垄断工具来限制少数几家头部AI企业对算力和模型的控制，如何设计知识产权政策来平衡对AI创新的激励和对内容创作者的保护，这些都是经济学家们正在积极研究的重大问题。

第三，从AI的社会伦理和公平性来看，经济学的行为理论和公平理论提供了诊断和矫正AI偏见的工具。AI模型在训练过程中会继承甚至放大数据中的历史偏见。经济学家正在研究如何量化和识别AI在信贷决策、招聘筛选或司法量刑等应用中产生的歧视性影响（丘格[Chugh]等，2023）。运用公平分配理论（Fair Allocation Theory）和行为经济学的洞察，经济学家致力于设计无偏见的算法和政策框架，以确保AI的部署能够服务于社会公平的目标。

* * *

自2022年底AI爆炸以来，经济学这门学科正经历着从工具使用到理论重构的全面洗牌。

在微观层面，AI正以降低风险、提升效率的方式重塑企业的边界和竞争格局；在劳动力市场层面，其影响表现为复杂的替代、互补和不平等重塑的动态平衡，特别是对白领和认知工作的冲击带来了前所未有的挑战。

对于经济学界本身而言，生成式AI提供了处理非结构化数据、加速计算和文献挖掘的革命性工具，极大地拓展了研究的可能性边界。同时，经济学的理性分析、激励设计和福利评判等核心理论，也为AI的健康发展、伦理治理和社会应用提供了不可或缺的框架与指导。面对这场深刻的技术变革，经济学家的任务不仅仅是事后分析和量化影响，更应当主动地介入，利用学科自身对于人性的深刻理解，来引导AI技术朝着最大化社会福利的方向发展。

（作者单位：上海财经大学）