上海交通大学上海高级金融学院实践教授彭文生:人工智能新规模经济 | 2026联想创投CEO年会
联想创投
11月16日,以“拾光同行,科技向新”为主题的2026联想创投CEO年会在杭州举行,共汇聚科学家、经济学家、科技创业者及联想集团高管等近500位嘉宾。上海交通大学上海高级金融学院实践教授、高金智库首席经济学家彭文生发表题为《人工智能新规模经济》的演讲,从经济学视角分析AI的投入产出机制、中美比较优势、价值创造与分配,以及对宏观经济和公共政策的影响。
彭文生指出,人工智能正推动认知的规模化生产。大模型研发遵循规模定律,投入越多,性能提升的边际收益越低,呈现重资产特征;应用阶段则可凭借规模效应提升效率。中美凭借市场和产业优势处于AI发展前列,美国算力与资本投入领先,中国具有人才和应用场景优势。相比互联网平台,大模型边际成本不为零、用户切换成本较低,创造的价值可能更多流向下游。他强调,应关注AI带来的收入差距与需求不足,通过财政政策和社会保障释放技术红利。
以下为彭文生演讲全文:
非常荣幸参加联想创投十周年CEO年会,我从经济的视角分享对人工智能发展的一些思考。
人类生活水平在工业文明中大幅提高,一个重要原因就是规模化生产。制造业与农业生产的一大区别,在于能够通过不断扩大产量降低单位成本,使更多人享受生产率提升的成果。AI带来了新一层次的规模经济,就是认知的规模化生产。
过去,我们对世界的认识,要经过家庭教育、学校学习、工作实践和人际互动,往往需要几十年,成本很高,也受到个人经历的局限。现在遇到问题,可以向大模型提问。过去需要查阅资料、请教专家的事情,机器在一定程度上已经能够参与完成。认知由此成为一种可以规模化生产、广泛应用的投入品。
这引出三个问题:大模型本身的投入产出机制是什么?认知的规模化生产如何提升整个经济的效率和生活水平?AI创造的价值最终由谁获得?这对于科技企业和投资者都有重要意义。
首先是“规模定律”(Scaling Law)。2024年我们研究《AI经济学》时,将这一技术概念与经济学中的规模报酬联系起来。随着算力、数据等投入增加,模型性能不断提升,但同等规模新增投入带来的性能改善逐渐放缓,也就是规模报酬递减。要保持前沿领先,就需要持续投入算力、数据、人才、电力和基础设施。这使基座模型研发具有重资产特征,并非所有企业、所有国家都有能力长期参与。
规模定律也意味着后发优势。领先者继续提升性能的边际收益趋于下降,后来者在一定条件下能够以相同投入取得更快进步,缩小差距。从这个意义上说,美国限制先进算力和芯片出口,也可以理解为试图削弱中国的追赶优势。
第二个层面是“规模效应”(Economies of Scale),即AI进入科研、产业和消费领域后的规模报酬递增。模型在更多场景中复用,可以分摊数据清洗、基础设施等固定成本,并促进算法优化;上下游生态、共享基础设施和人才资源,也能放大应用价值。人口规模、产业体系和应用场景越丰富,价值创造的空间越大。因此,中美既有资源投入大模型,也有动力推广应用。谁先把规模做起来,谁就可能取得先发优势。
创新通常具有外部性:风险由创新者承担,收益却可能由整个社会分享,因此过去我们强调政府补贴和产业政策支持。但这一次,推动大模型突破的主导力量更多来自大型科技企业。为什么会出现这样的变化?这也与数字经济的发展基础有关。
从现实经济看,AI重资产投入已经在拉动美国需求。过去几个季度,AI相关资本开支对美国经济增长的贡献超过40%。与此同时,美股七大科技公司的市值相对美国名义GDP持续上升,也可能通过财富效应带动消费。按自由现金流衡量的估值已接近科网泡沫时期,市场需要关注预期回报能否兑现。
一个值得思考的现象是,美国利率处于高位,AI投资却依然强劲。传统理解是高利率抑制投资,但我的看法是,这一次因果关系可能需要反过来看:市场对AI未来回报预期很高,带动投资需求和总需求,进而对通胀和利率形成支撑。美国股市风险溢价一度接近零,意味着股票投资者几乎不再要求相对长期国债的额外回报。相比之下,中国A股风险溢价超过3个百分点,投资者更为谨慎,中国AI资本开支占GDP的比例也明显低于美国。
接下来要看规模效应和价值分配。美国的比较优势是先进算力,中国则有人才规模和算法工程方面的优势。根据2025年数据,以顶级人工智能会议NeurIPS接收论文的作者为样本,按本科学校所在地统计,中国占51%,美国占12%;按工作机构总部所在地统计,中国占37%,高于美国的32%。中国还有密集的制造业和应用场景:工业机器人装机量占全球54%,人形机器人出货量约占全球80%。这些都为AI应用提供了广阔空间。
AI创造的价值会留在模型企业,还是流向产业下游?数字经济1.0时代,互联网平台的新增用户边际成本接近零,网络效应又很强,容易形成“赢家通吃”。大模型则不同:每次推理都要消耗算力和电力;用户今天可以用豆包,明天也可以用Kimi、千问,切换成本相对较低。因此,大模型的价值可能更多向中下游和整个社会溢出,转化为生产率红利。
但这不等于大模型企业一定没有垄断利润。最终会形成什么样的市场格局,下游应用究竟能创造多大商业价值,目前仍存在不确定性。这是需要继续观察的问题。
这轮AI创新还有一个特点:主导者更多是大型科技公司及其产业资本,而非传统独立风投。中美在上一轮数字经济发展中形成的大型科技企业,积累了资金、算力、基础设施和应用生态,有能力承担大模型研发的高投入。其他经济体并非完全缺少资源,但缺少类似的数字平台积累,这也体现了数字经济发展的路径依赖。
面向未来,美国的考验更多在后端:巨额资本开支能否产生足够回报,估值和投资能否持续;中国的考验则在前端:投入是否足够,先进算力和前沿模型的差距会不会再度扩大。中国既要发挥人才与场景优势,也要正视芯片、算力和资本投入上的短板。
最后谈宏观经济。AI会不会造成大规模失业?从历史经验看,技术进步会替代一些岗位,也会创造新的职业。人的需求不断变化,而且不同行业生产率提升的速度不同,劳动力会从效率提高较快的行业流向其他仍有需求的行业。凯恩斯曾设想技术进步能让人们每周只工作两三天,但现实中新的消费和服务需求不断出现。因此,比长期就业总量更值得关注的,是收入分配和有效需求。
按市场汇率折算,中国名义GDP相对美国的比例,从2021年的约77%下降至2026年一季度的约64%。我认为,原因不是技术进步慢,而是需求不足。金融周期下行、房地产和债务紧缩,以及收入差距,都可能抑制需求。当人们对未来缺乏信心时,更倾向储蓄,而不是进行实体投资和消费。AI还可能进一步拉大收入差距,加重消费不足。
所以,AI时代的公共政策不能只重视供给端。促进总需求、发挥财政扩张的作用十分重要,也需要产业政策、科技金融和信贷支持技术追赶,并通过社会保障、财政税收和收入分配制度,让更多人分享技术进步带来的收益。只有供给能力提升与需求扩张相配合,认知的规模化生产才可能真正转化为更广泛的生活水平提高。
谢谢大家!