人工智能的五个悖论

这是人工智能的时代，它充满着悖论——预测悖论、就业量化悖论、生产率悖论、数据价值悖论、工业革命悖论……我们在悖论中前行。

预测悖论

对人工智能的未来，人们似乎永远预测不准，无论是图灵奖得主、诺贝尔奖得主，还是企业家、创业者。他们总是做出不切实际或过于保守的判断。这就是人工智能的预测悖论。

历史上，马文·明斯基、艾伦·纽厄尔、赫伯特·西蒙等开拓者都曾作出大跌眼镜的预言。例如，马文·明斯基在1970年指出：“在三到八年的时间里，我们将得到一台具有人类平均智能的机器。”至今我们仍在为之努力。

杰弗里·辛顿是当今最具影响力的人物，被誉为“AI教父”。他在2016年做出预测：“应该立即停止培训放射科医生。显而易见，深度学习的表现将会在五年之内超越放射科医生。”它未能成真，现实朝着相反的方向发展，近十年美国放射科医生的数量和收入均大幅增长。

德米斯·哈萨比斯的地位可比肩辛顿，他表示（2025）：“在未来十年左右，AI可能帮助治愈所有疾病。”作为最成功的AI企业家，阿莫迪（2025）认为，AI能在5-10年内使人类寿命翻一番。对近期预言，我们拭目以待。

以上是最著名的6个人物的预言。就话题来说，AGI是当下最受追捧的。企业家和学者两个群体对AGI实现时间的判断呈现出明显分化。企业家激进乐观，甚至认为很快就能实现。主要4类：①已经到来（身在其中却不知晓），②马上就来（一两年），③短期会来（三五年），④长期才来（五到十年，甚至更久）。这些判断有的已经证伪，有的仍需要时间检验。如下表所示。学者的判断普遍悲观，甚至认为AGI是伪命题，永远不会到来。例如，Iris van Rooij指出（2024）:“创造具有人类水平认知能力的AGI是不可能的。”

表著名AI公司CEO对AGI到来时间的预测

来源：腾讯研究院整理，2026年5月

人们喜欢预测。有的是为了宣传、给自己鼓劲，有的是为了论文和课题，还有纯粹的口舌之争。事实上，谁也不知道未来是什么样子。未来并不遵循设定的剧本，它由众人的选择和行为所决定，由与过去的彻底决裂所塑造，充满着巧合和悖论。就像一头岁月静好的猪，无法预测春节的黑天鹅。

就业量化悖论

技术对就业的影响是一门显学，也是一门玄学。它是一个古老话题，像一个幽灵，游荡数百年。它妇孺皆知，鸿儒可谈笑，白丁亦可往来。它下限极低、上限极高，人们争论不休，众说纷纭。近些年学者和机构转向“用数据说话”，试图用一种看起来科学、严谨和高级的方法来证明自己的高明。OECD、IMF、世界经济论坛、联合国贸发会议、国际劳工组织、世界银行等国际组织，以及高盛、麦肯锡、皮尤研究中心等咨询机构纷纷推出AI影响就业的测算报告。如下表所示。

表AI影响就业的部分量化测算结果

单独一份报告都足够有份量，甚至被奉为圭臬。但把这些报告放在一起看，则发现测算结果差距甚大，大体处于0.4%-67%之间，几乎不具可比性。让人祛魅。

就业量化测算的先决条件是能够准确把握技术的发展脉搏。如前所述，技术大佬还无法准确预测AI技术的未来发展，经济学家如何量化AI的就业影响？只能假定技术是静止不动的或者以规定好的速度向前发展，然而这不是现实中的样子。另一方面，AI不是独立影响因素，经济周期、产业经济、技术发展、人口结构、就业偏好、就业政策、全球化、突发事件等多重因素共同影响着就业。它们之间相互联系、相互作用，把AI从中完好切割出来是不可能的。从这种意义上讲，量化AI对就业的影响是一个悖论。

生产率悖论

人工智能是新的通用目的技术，具有普遍适用、持续改进和催生创新的特征，是未来经济增长的引擎。人工智能术语提出已有70年，机器学习革命已有14年，当前AI浪潮如火如荼，从大语言模型、多模态，到世界模型、智能体、物理AI，此起彼伏，层出不穷。然而，生产率增速并没有明显加快，甚至面临着生产率危机（Rogers，2024）。

自ChatGPT发布以来，欧盟每小时劳动生产率增速在0%上下波动，今年一季度增长0.1%。在2022年四季度到2026年一季度的14个季度中，仅有3个季度的生产率增速超过1999年以来的长期平均水平（1.0%）。如下图所示。美国增长强劲，从2022年四季度到2026年二季度，非农企业部门劳动生产率年均增长2.2%，在西方国家中一枝独秀，但这也仅相当于1948年以来的长期平均水平（来源：美国劳工统计局）。

 图欧盟近年的劳动生产率增速（来源：欧盟统计局）

这种“技术创新突飞猛进和生产率增长令人失望”同时存在的情况，就是生产率悖论。它不是第一次出现。诺贝尔经济学奖得主罗伯特·索洛在1987年写到：“You can see the computer age everywhere but in the productivity statistics（计算机时代的踪影无处不在，唯独生产率统计中看不出来）。”这被看作是“生产率悖论”或“索洛悖论”最经典的表达。

对生产率悖论，主要有错误预期、测量误差和时间滞后三种解释。Brynjolfsson认为（2017），时滞性解释最具说服力，是导致生产率悖论的主要原因，并把通用目的技术对生产率影响的滞后效应概括为“J形曲线”。通用目的技术需要经过多次次级创新、互补创新和组织变革，才能对生产率产生实质影响。从历史上看，蒸汽机、发电机和计算机分别在发明118年、91年和49年，分别在商业化54年、40年和21年后，才开始明显推动生产率提高。因此，长期来看，生产率悖论并不是什么悖论。AI推动生产率明显提升尚需时日。

数据价值悖论

数据是AI的粮食，要量大质优，量大到无底洞，质上“垃圾进，垃圾出（GIGO）”，或者说数据有“高尚”和“龌龊”之分。数据决定着AI能力的上限，常被誉为“新石油”（Clive Humby，2006）和“世界上最有价值的资源”（经济学人，2017）， “与能源、材料资源同等重要”（2004年两办文件）。数据的使用价值极大，却不像普通商品那样具有交易价值、货币价值。正如李国杰（2025）所言：“数据只有在使用中才能确定它的价值。”

OECD（2024）梳理了46个国家的数据政策文件，发现“数据”出现的政策语境由高到低依次是创新、信任、社会、市场开放、利用、就业和准入，他们并不关注“交易”。陈昌盛（2023）曾指出：“数据交易所遍地开花，但数据交易所中的‘交易’发展的并不是很好”“在各地掀起的数据市场建设热潮下，应警惕形成‘只有经过交易买卖的数据才是可用数据’的行为导向”。

数据的价值密度低，难以货币化体现，在资产负债表中的占比微乎其微，几乎可以忽略不计。根据上海交通大学上海高级金融学院最新数据，我国有136家上市公司披露了数据资源入表的相关事项，入表金额共计37.86亿元。据此推算，前者仅占A股上市公司数量的2.5%，后者仅相当于我国人工智能核心产业规模的0.3%。

三大电信运营商在入表规模上占主导地位，2025年合计入表金额21亿元，占上市公司入表总金额的55.46%。但这些数据资源在公司总资产中仅占0.06%左右，微不足道。如下表所示。

表三大运营商数据资源入表金额及其占比（2025.12.31）

数据来源：根据财报中合并资产负债表整理。

工业革命悖论

每一次技术浪潮兴起，总有人把它比作蒸汽机、电力或者计算机，并兴奋大呼：“它将引发第四次工业革命！”这种现象持续了至少半个世纪，早期如微电子（1984）、计算机（1988）、纳米技术（1994）、互联网（2000）、替代能源（2010）、信息物理系统（2014）。近十年更是愈演愈烈，大数据（2016）、人工智能（2016）、物联网（2016）、工业互联网（2017）、区块链（2017）、量子计算（2018）和智能制造（2021），都曾被赋予第四次工业革命的使命。如下图所示。

 图中国知网以“第四次工业革命”等为篇名的文章数量分布

注：选取标准是篇名中包括“第三次工业革命”“第三次产业革命”“第四次工业革命”和“第四次产业革命”的文章。对当下革命，有人认为是第三次，有人认为是第四次；而且工业革命和产业革命在英文中是同一个短语“Industrial Revolution”。因此，本文不做严格区分。

我们在媒体上几乎时刻在经历第四次工业革命。引发这场革命的技术总是“芳林新叶催陈叶，流水前波让后波”，初步统计至少有20多个。每出现一种新技术并赋予第四次工业革命的重大意义，似乎意味着之前都是错误的。当下，人们普遍认为AI就是第四次工业革命。德米斯·哈萨比斯（2026）甚至指出：“AGI的规模和速度可能10倍于工业革命。”国内亦有企业家把AI看作人类社会的最后一次技术革命。AI对过往作出了证明，AI本身又如何证明？

我们无法争论，强调两点。一是工业革命和经济危机不可能同时发生。二是历次工业革命不是先知先觉，而是事后叙事，身处其中的人们并不知道自己正处于工业革命之中。第一次工业革命（1760年代—1840年代）结束40年后，术语“Industrial Revolution”在阿诺德·汤因比的推动下才为大众所知。第二次工业革命（1870年代—1914年）结束40年后，经济学家才开始使用“Second Industrial Revolution”，结束55年后戴维·兰德斯《不受束缚的普罗米修斯》（1969）才标准化了其学术定义。第三次工业革命尚无统一认识，杰里米·里夫金（2011）认为它的主题是互联网和可再生能源的融合；《经济学人》（2012）认为是制造业数字化；埃里克·布莱恩约弗森和安德鲁·麦卡菲（2011）认为第三次工业革命是由计算机和网络推动的。让我们期待这一次不同。