罗汉堂 | 前白宫经济顾问委员会主席 Martin Baily：AI 资本热潮，是否会重演互联网泡沫？

以下是 Baily 博士演讲的中译全文：

首先，非常感谢罗汉堂的邀请，很高兴参加今天的活动，也非常期待与大家的交流和讨论。 

在正式开始之前，我想先坦诚一点。对于人工智能究竟会如何改变经济，不只是我，恐怕我们所有人都还在理解和判断的过程中。至少到今天，我不认为有人已经真正看清，人工智能最终会把我们带向何方。 

现在外界存在非常多不同的看法。有人认为，人工智能可能在未来几年内就带来深刻甚至颠覆性的变化，对就业、产业乃至整个经济结构产生巨大冲击；也有人认为，它的影响未必会像当前市场预期得那么快、那么直接，真正的变化可能比人们想象中来得更慢，也更复杂。 

其实，与很多人一样，我们都在尝试回答一个问题：AI 究竟会如何改变经济运行的方式，又将怎样重新塑造我们的工作、组织和社会。希望我今天的分享，能为大家理解这场变革，带来一些新的观察和思考。 

01

全球生产率增长放缓：AI 被寄予厚望

如果大家长期关注生产率和经济增长，应该都会注意到一个越来越明显的趋势：过去这些年，全球许多主要经济体的生产率增长都在持续放缓。欧洲如此，日本如此，中国其实也不例外。虽然中国的生产率增长依然快于欧美，但和过去相比，放缓的趋势同样十分明显，甚至印度也出现了类似情况。 

所以在我看来，今天很多国家其实都在寻找新的增长动力，希望重新推动生产率提升，并找到下一轮增长的来源。在这样的背景下，人工智能自然也被寄予了很高期待。 

当然，正如我刚才提到的，围绕人工智能，也确实存在另一种担忧：有人担心，它的发展会不会太快，快到经济和社会还来不及适应。虽然这种担忧本身完全合理，但我个人并不认为 AI 的发展最终会快到那种程度。

01

这一轮 AI 技术变革究竟有何不同？

坦率地说，人工智能本身并不是什么新鲜事，它其实已经发展了很多年。但大约从 2023 年前后开始，随着生成式人工智能的出现，尤其是 ChatGPT 进入公众视野，全社会对人工智能的关注一下子被点燃了。 

短时间内，大量用户开始接触和使用它，下载量迅速攀升，传播速度也远远超出很多人的预期。身边几乎每个人都在尝试 —— 我在用，我的朋友在用，我的同事也在用。可以说，这是一波非常迅猛、几乎是突然爆发的关注热潮。

我想，真正让 AI 如此吸引人的一个关键原因在于，它第一次让人与技术之间的互动，变得如此自然，是人类第一次真正实现了以自然语言为入口的大规模人机交互。它理解人的语言，也能够用人的自然语言回应你。你不需要学习复杂的操作逻辑，不需要具备任何专业背景，你几乎可以像和一个人交流一样去使用它。 

这一点，其实和早期个人电脑刚刚出现时很不一样。那个时候，电脑虽然意义重大，但对大多数普通人来说，使用门槛其实相当高。经历了相当长一段时间，电脑才逐渐变得足够易用，最终真正进入大众生活，并在商业世界里被广泛采用。 

而像 ChatGPT 这样的产品，从一开始就让人们看到了另一种可能 —— 它不仅是一项技术工具，更是一种全新的交互入口。或者更准确地说，你可以很自然地和它 “对话交流”。也正是从那时开始，也就是过去两三年的时间，我们看到整个社会对人工智能的兴趣迅速升温。所以坦率地说，我们今天依然处在观察的初期，我们还在理解，它最终究竟会给经济和社会带来多大的影响。

03

AI 热潮背后，巨额资本押注的是未来，还是泡沫？

正如我刚才提到的，围绕人工智能未来会如何发展，今天依然存在很大的不确定性。 

以美国为例，目前在人工智能领域的投入已经是以数十亿、甚至数百亿美元计。几家主要科技公司之间，实际上正展开一场非常激烈的投资竞赛 —— 比如谷歌、Anthropic、OpenAI 等主要参与者，都在持续加码。

但问题在于，这些公司最终能不能收回如此巨大的投入，现在其实谁也说不准。所以，在我看来，完全有可能出现这样一种情况：人工智能最终未必能够兑现当前市场所寄予的高预期，而在竞争过程中，部分企业也可能因为无法形成可持续的商业模式，最终被市场淘汰。当然，另一种担忧是，AI 会不会推动变化来得太快，以至于劳动力市场来不及适应，进而带来巨大的就业冲击。 

我之前的一位同事，弗吉尼亚大学经济学教授 Anton Korinek，现在也是 Anthropic 经济顾问委员会委员，他就持一种相对激进的判断，认为未来几年失业率甚至可能上升到 30%。但如果从更乐观的角度来看，人工智能也完全有可能像历史上那些真正重要的技术突破一样，它的影响需要放在更长的历史尺度下，才能真正看清其对生产率提升和经济增长的推动作用。 

在第一次世界大战和第二次世界大战之间，很多国家经历过一轮非常强劲的生产率增长。到了 20 世纪 50 年代和 60 年代，美国也出现过非常明显的生产率提升；而在欧洲，这样的增长势头甚至延续到了 70 年代，之后整体增速才开始逐渐放缓。 

如果人工智能最终未能兑现今天人们对它的期待，那么在大量资本持续涌入的背景下，它是否可能引发金融市场的调整，甚至带来更大的风险。而在我看来，这里面一个真正值得关注的问题是：今天流向人工智能的这些资金，其背后的融资结构究竟是什么。由于我们现在仍无法准确判断这轮新技术最终会把经济带向哪里，所以很多时候，我们仍然需要回到历史 —— 毕竟，到目前为止，历史依然是我们理解技术变革最重要的参照。

04

如何判定 AI 是否属于通用目的技术（GPT）？

经济史学家和技术研究者通常会提出一个判断：如果一项新技术具备 “通用目的技术”（GPT）的特征，那么它不仅仅会改变某一个行业，而是有可能对整个经济体系产生深远影响。 

我认为，现在越来越有迹象表明，生成式人工智能可能正在带来这样的变化 —— 它不仅能够提升生产和工作的效率，更可能提升科研和创新本身的效率。在经济学里有一个有趣的概念，叫做 “发明方法的发明（Invention in the Method of Invention, IMI）”。这个概念最早由 Zvi Griliches 在 20 世纪 50 年代研究杂交玉米时提出，说得直白一点，这一概念想表达的是：革命性技术不应只是帮助我们完成已有工作，而是直接提升了人类探索未知、推动科研和创造新知识的能力。

通常，判断一项技术是否真正具备 “通用目的技术” 的特征，一个非常重要的标准就是：它有没有开始被大规模采用？它是不是正在快速进入越来越多的行业、企业和应用场景？ 

如果用这个标准去看人工智能，尤其是生成式人工智能，坦率地说，目前的答案更像是：它正在朝这个方向发展，但距离被完全验证，可能还需要更多时间。毫无疑问，大家对人工智能都非常兴奋，市场关注度也非常高。但如果真正去看实际应用的情况，尤其是在中小企业层面，整体落地速度其实并没有人们想象中那么快。 

很多大型企业确实都会说自己已经在使用人工智能。但如果进一步了解，你会发现，其中相当一部分仍然处在试验阶段，或者只是把它应用在某一个具体环节、某一个特定功能上，而不是已经全面融入企业的核心运营或生产体系。 

所以，生成式人工智能最终能在多大范围内真正实现普及，能不能像过去那些关键技术一样深入到经济活动的各个层面，我认为还需要时间观察。不过至少从目前来看，它展现出的潜力，确实是值得期待的。 

另一个值得观察的问题是，这项技术在被使用之后，是否会进一步激发出新的创新 —— 也就是说，它不仅仅被拿来使用，还能不能在使用者手中催生出更多新的应用和新的价值。 

从目前来看，这种情况似乎确实正在发生。比如我们现在看到，越来越多人开始探索 “AI 智能体” 的使用，也就是让人工智能不只是回答问题，而是能够理解任务、协同决策，甚至主动执行一系列工作流程。与此同时，很多企业也不再只是把人工智能当成一个通用工具来使用，而是开始结合真实的业务数据、运营流程和内部场景，对人工智能进行更深度的应用。 

换句话说，企业正在尝试把人工智能真正 “嵌入” 自己的业务体系，让它更贴合自身的实际需求，更好地服务于具体的经营和管理场景。某种意义上说，这本身就是技术扩散过程中非常重要的一种创新。 

还有一个关键问题是：这项技术本身，是不是还在持续进步，还是已经面临发展瓶颈？ 

坦率地说，我原本一直以为，技术发展的速度可能会慢慢开始放缓 —— 当然，这也可能带有我个人的一些判断偏好。但就在上周，来自斯坦福大学以人为本的人工智能研究所（Stanford HAI），负责《2026 年人工智能指数》研究的团队在布鲁金斯学会（Brookings Institution）做了一场分享，他们给出的判断其实非常明确：到目前为止，他们并没有看到 AI 技术发展开始进入平台期，或者明显放缓的迹象。从他们持续跟踪的一系列测试结果来看 —— 包括模型在不同任务中的表现，以及它能够完成的能力边界 —— 人工智能整体仍然在以相当快的速度持续进步。 

至少从现阶段来看，这轮 AI 技术演进，可能还远没有走到放缓的时候。

05

AI 渗透速度将超越以往技术变革

如果参考过去历次重要技术变革的经验，通常从技术出现，到真正大规模改变经济和社会，往往都需要相当长的时间，不会一夜之间完成。但现在的问题在于，生成式人工智能会不会有所不同？它会不会比过去那些技术扩散得更快、影响来得更早？ 

我认为，这种可能性确实存在。其中一个非常重要的原因就在于，它是以自然语言作为交互方式。你不需要接受复杂的技术训练，也不需要具备专业背景，几乎每个人都可以直接上手使用。而这种 “通过语言交互就能用” 的特性，和过去很多技术相比，确实可能带来本质上的不同，也很可能让它的普及速度比历史上的很多技术都更快。

但另一方面，从我过去和麦肯锡咨询公司打交道的一些经验来看，企业真正要完成业务流程的改变，通常都是一个相对缓慢的过程。因为技术的引入，从来不只是把一个新工具装进去那么简单。企业往往需要持续投入资金，需要重新调整流程，需要培训员工，也需要让组织内部逐渐适应新的工作方式。很多时候，管理者自己可能也还在摸索：到底应该把这项技术用在哪里？怎么用？哪些环节值得改，哪些环节暂时不该动？而这些问题，本身就需要时间去探索和试错。 

所以，人工智能看上去确实非常令人兴奋，甚至有些耀眼。但真正要把它有效地用到企业经营当中，把它转化成实实在在的生产率提升，其实远比外界想象得要困难得多。 

那么，人工智能是否正在提高科研本身的效率？ 

我认为，答案大概率是肯定的，而且这方面的变化，可能比商业落地来得更快一些。很多研究人员已经开始明显感受到，人工智能确实正在帮助他们完成过去做起来更耗时、甚至做不到的一些工作。当然，这种影响并不只是来自生成式人工智能，过去几代人工智能技术，其实也已经在科研领域发挥作用。从这个角度看，人工智能的确有可能帮助提升科研效率，甚至推动创新的速度。但这里还有一个背景值得注意：过去很多年，科研自身的效率其实一直在下降。

比如斯坦福大学经济学讲席教授 Nicholas Bloom 和伦敦政经经济学讲席教授 John Van Reenen 的一系列研究就指出，今天要维持一个高水平研究实验室的运转，需要投入的人越来越多，资金成本也越来越高。 

换句话说，相比过去，我们今天往往要投入更多的人力、更多的资源，才能获得同样甚至更有限的科研产出。某种意义上，做研究这件事本身，正在变得越来越 “昂贵”。所以，人工智能也许能够在一定程度上缓解这种趋势，帮助我们提高科研效率。 

但这并不意味着，技术进步的整体速度就一定会因此出现爆发式提升。它更可能是帮助我们对冲一部分效率下降的压力，而不是立刻把整个创新体系带入一个全新的高速增长阶段。

06

从企业应用到创业热潮，AI 走到哪一步了？

我这里想把刚才提到的一些观点和判断，用更具体的数字做一个说明。 

美国普查局（US Census Bureau）曾经针对企业做过一项持续调查。由于它的样本中中小企业占比较高，所以在一定程度上，更能反映普通企业的真实情况。 

从调查结果来看，过去几年，使用人工智能的企业比例确实出现了比较明显的上升，大致从最初的 4% 到 5%，上升到了 10% 左右。这说明人工智能的实际应用，确实在逐步扩散。不过需要说明的是，在 2025 年 11 月最新一轮调查中，这个数字又进一步上升到了 17.3%。乍一看，这似乎意味着人工智能应用突然出现了大幅跃升。但这里其实有一个统计口径上的变化需要注意。在此前的调查中，他们问的是：“企业是否正在采用人工智能？” 而在最新调查里，问题变成了：“企业是否在任何业务环节中使用过人工智能？” 

这两个问题听起来接近，但统计范围并不完全一样，所以数字上升，部分原因来自调查方式的调整，而不完全意味着企业应用突然大幅加速。换句话说，这组数据并不能简单地和前面的数据直接做比较。 

除此之外，像麦肯锡、斯坦福大学，以及波士顿咨询公司做的一些企业调查，也得出了类似的结论。当然，这些调查更偏向大型企业。 

从结果来看，很多大公司至少已经开始尝试使用人工智能，或者正在某些具体业务环节中进行测试和应用。虽然距离全面普及可能还有一段距离，但至少从企业端来看，探索和试验已经在明显展开。

另外一组数据是展示新企业注册申请的变化情况。为什么这个指标值得关注？因为过去这些年，很多人一直在讨论：美国经济是不是正在逐渐失去过去那种创新活力。

在这个领域，像我以前在马里兰大学的同事 John Haltiwanger，就是非常有代表性的学者之一。 

其中一个引发担忧的重要原因是，美国新企业的创办速度，过去一段时间其实并不算特别高，甚至某种程度上偏低。但从这张图里可以看到，在新冠疫情期间，新企业申请数量突然出现了一次非常明显的跃升。当然，这背后有多种因素共同作用。其中一个很重要的变化，就是线上零售和数字商业模式在那段时间快速发展，比如像亚马逊（Amazon）这样的线上平台进一步改变了消费方式和创业模式。 

我们看到，大量小微型的企业和个体经营者在这一时期迅速涌现。比如有时候，我在亚马逊上搜索某个在实体店根本买不到的小众商品，结果总有人在某个地方把它寄给我，并且从中赚到利润。听起来很简单，但这背后其实反映的是一个更大的变化 —— 数字平台大幅降低了创业门槛，也让很多原本很难成立的小本生意变得可行。而这一波变化，很大程度上也被突如其来的新冠疫情进一步加速了。 

不过，从 2025 年开始，我们确实看到一个新的变化：与人工智能相关的新企业数量，出现了非常明显的增长。 这里的数据和判断，主要也是参考了 John Haltiwanger 的研究。 如果看近两年新成立企业的结构，会发现 2025 年出现的那一波增长，相当一部分都来自人工智能相关的企业。 

当然，这里还是要保持一定的谨慎。因为我们目前其实还不完全清楚，这些新成立的人工智能企业究竟在做什么；它们的商业模式到底有没有真正的竞争力；它们能不能持续创造价值；或者说，其中有多少只是抓住市场热度，试图通过 “教别人怎么用人工智能” 来寻找商业机会。 

这些问题，都还需要时间去验证和回答。但至少从创业活跃度的角度来看，这依然是一个相对积极的信号。如果你相信人工智能最终会被广泛应用，那么新企业数量在短时间内明显上升，尤其是人工智能相关企业快速增加，本身说明市场正在开始围绕这项技术形成新的创业动力和商业探索。

07

AI 能否真正带来生产率跃升？

关于生产率增长，真的有提升吗？如果给一个相对谨慎的回答，我会说：是的，至少目前看，确实出现了一些积极变化。 

根据美国劳动统计局（US BLS）公布的数据，美国生产率 —— 也就是每小时劳动产出 —— 在非农商业部门的增速，自 2004 年以来大约维持在每年 1.5% 左右。这里所说的非农商业部门（nonfarm business sector），主要指政府机构和非营利组织之外的其他部门。客观地说，1.5% 的增长并不算差，也绝不是停滞，在国际比较中甚至比一些国家表现更好。但如果把它放在更长的历史背景下来看，这个速度其实明显低于美国过去某些时期。比如 20 世纪 90 年代的信息技术浪潮时期，或者更早 50 年代、60 年代那几轮高速增长阶段，当时的生产率表现都更强。 

不过，从 2019 年以来，我们确实看到了一些改善。最近几年，美国生产率增速大致回升到了 2% 左右。虽然现在还很难断言这是否意味着一轮新的长期趋势已经开始，但至少从数据上看，生产率确实出现了一些值得关注的回暖迹象。

不过，正如大家从这张图里也能看到的，新冠疫情在很大程度上打乱了生产率数据原本的走势，所以我们现在其实还很难非常确定地说，美国生产率已经进入了一个稳定的、每年 2% 左右的新增长阶段。而且，坦率地说，人工智能真正大规模进入经济体系，也不过就是这两三年的事情。要说它现在已经对整体生产率产生了非常显著的影响，可能还为时尚早。 

如果仅从目前这些数据来看，我会保持一种 “谨慎乐观” 的态度。也就是说，人工智能或许已经开始产生一些影响，但我们还没有足够明确的证据，可以非常肯定地说，最近生产率的改善，主要就是由人工智能推动的。 

还有一点也值得我们注意：从 2004 年到 2019 年，美国即使在没有今天这波生成式人工智能热潮的情况下，生产率本身也一直维持着大约 1.5% 左右的增长。换句话说，那 1.5% 的增长，本来就存在 —— 可能来自数字化、软件、供应链优化、管理创新，或者其他技术和制度因素。所以现在的问题并不是 “有了人工智能，生产率会不会增长”，而是：人工智能到底能不能把这个增长率进一步推高？还是说，它更多只是帮助我们把未来的增长稳定在 1.5% 到 2% 的水平，而不是带来真正意义上的跃升？ 

坦率地说，我们现在还没有答案。我们还不知道，未来的生产率增长最终会停留在 1.5%，是 2%，是 3%，还是像有些人非常乐观地预测的那样，甚至能达到 6%。如果问我个人的判断，我会觉得，未来几年更有可能看到生产率增长落在 2% 到 3% 的区间。当然，现阶段这更多还是一种基于经验的判断，而不是已经被数据完全证明的结论。

08

泡沫还是危机：AI 投资热潮会重演 2001 还是 2008？

这次分享重点让我回答的一个问题是：人工智能的发展，会不会最终引发一场金融危机？围绕这个问题，我和我的同事 Lenny Mendonca 此前也在 Project Syndicate 上写过几篇相关文章。我们的基本判断是：至少从目前来看，这种可能性并不大。

当然，还是那句话，现在谁都不可能百分之百确定。但至少从目前看到的情况来看，这轮人工智能投资热潮，更像是 2001 年前后的那一轮科技泡沫调整，而不像 2008 年或 2009 年那场由金融体系内部失衡所引发的系统性金融危机。换句话说，它看起来并不像那种足以把整个银行体系拖入危机的风险。 

当然，市场里确实存在融资和借贷，但与此同时，也有大量资金其实来自企业自身积累的利润，也就是企业用自己赚到的钱持续投入，而不是高度依赖外部杠杆。更重要的是，今天投入巨额资金推动人工智能发展的，主要还是一批盈利能力非常强的大型科技公司。像谷歌、亚马逊、微软，这些公司本身拥有非常强的现金流和盈利能力，不太可能因为人工智能投资就陷入财务困境。同样，像 Meta 和英伟达这样的公司，情况也类似。 

所以，至少从融资结构和参与主体来看，这轮人工智能投资，和当年由高杠杆、金融资产错配引发的系统性风险，还是有比较明显的不同。这些公司本身拥有非常强劲的现金流，也确实正在把其中相当大一部分持续投入到人工智能的发展中。当然，它们也在融资，也会使用一部分外部资金。 

但问题在于，如果未来它们发现，人工智能并没有带来与当前投入相匹配的回报，那么首先受到冲击的，很可能是资本市场 —— 尤其是它们的股价和整体估值。如果这种预期发生明显逆转，我们完全有可能看到像纳斯达克（NASDAQ）这样的科技股市场出现大幅调整，就像 2001 年互联网泡沫破裂时发生的那样。而如果科技股出现剧烈下跌，进一步拖累企业投资、市场信心和消费预期，那么它确实有可能引发经济衰退，甚至带来全球范围的经济放缓。 

但即便如此，从目前的情况来看，它大概率也不会演变成 2008 到 2009 年那种系统性的金融危机。因为那场危机的核心问题，是银行体系内部高度杠杆化、资产错配以及信用风险在整个金融系统中的层层传导。而今天人工智能投资所面临的风险，更多还是集中在企业估值、资本市场定价，以及投资回报预期上，而不是整个金融体系的基础稳定性本身。 

不过，我也想提醒一点，作为一个风险提示。当前美国政府正在相当积极地推动放松金融限制和金融监管。当然，金融监管本身并不是越多越好，也不是越严越好。监管有做得好的，也有做得不够合理的地方，关键是要找到一个合适的平衡点，让监管既能支持创新和市场活力，又能守住风险底线。但与此同时，我们显然也不希望监管被放松得过头。尤其是现在，在私人信贷领域，我们已经开始看到一些值得关注的压力信号。 

所以在我看来，接下来非常重要的一点，就是保持足够审慎的监管和有效的金融规则。只有这样，我们才能在推动新技术和资本投入的同时，尽可能避免风险不断累积，最终演变成更大的问题。

09

如何应对 AI 带来的挑战？

最后，我只想再补充一点，我相信后面我们还会进一步讨论这个问题。 

在我看来，AI 并不只是一时的热潮。恰恰相反，它是一项意义深远的新技术，只是它的影响真正全面展开，可能比很多人想象得更慢，也更复杂。但我相信，它最终一定会改变经济运行的方式。我们真正面临的挑战，或许不在技术本身，而在于人、企业，以及整个社会，能否足够快地适应这样一项新的技术。 

坦率地说，在帮助劳动力适应新技术这件事上，美国其实做得并不够好，尤其是对于那些没有接受过大学教育的普通劳动者来说，这个问题更加严峻。因为要真正帮助劳动者完成转型，第一步往往不是直接去培训工人，而是先要培养能够教他们的人 —— 也就是说，你首先要有足够好的教师、培训者，以及一整套有效的人才培养体系。我认为，美国需要向其他国家学习，也需要投入更多资源，真正把职业培训和技能提升这件事做好。 

当然，现实中的挑战还不只是制度和投入。很多劳动者自己，其实也并不喜欢培训，更不喜欢 “再培训”。他们更希望保住原来的工作，而不是重新学习、重新适应，甚至重新进入一个完全陌生的职业领域。而这恰恰是人工智能时代一个非常现实、也非常严峻的挑战。 

即便人工智能的影响不会像有些乐观派想象得那么快，也不会像某些悲观论者所担心的那样立刻造成巨大冲击，它依然很可能给劳动力市场带来相当大的压力。所以，我们真正需要做的，是确保技能提升和教育机会，不只是服务于高收入人群，或者那些已经接受过大学教育的人。 

更重要的是，要让普通劳动者也有机会获得新的能力，因为未来很多人可能都不得不面对转型 —— 他们需要学习新的技能，适应新的工作方式，甚至重新寻找新的职业方向。

我的分享先到这里。感谢大家，期待与各位进一步交流与讨论。