缪延亮：AI革命如何改变经济与市场

缪延亮 中金公司资深董事总经理、首席经济学家

本文转载自9月23日中金点睛微信公众号。

本文字数：10194字

阅读时间：31分钟

一、AI革命与以往技术革命有何不同

第一，扩散速度更快：AI应用渗透速度显著快于历次技术革命。一般而言，一项通用技术从诞生到广泛普及往往需要数十年。以电气革命为例，电机在美国制造业的扩散大致经历了1880年至1930年的半个世纪。无独有偶，上一轮信息技术革命期间，无论是个人电脑还是互联网，渗透率达到90%都经历了大约30年。相比之下，本轮AI革命的扩散过程大幅压缩。ChatGPT自推出至今不到四年的时间内，在美国的渗透率已超过40%。

图1、ChatGPT渗透速度显著快于PC与互联网

注：个人电脑的统计数据存在中断，当前展示结果为已有数据点直接连接后绘制。ChatGPT为成年人使用比例，PC、互联网为家庭渗透率

资料来源：FRED，World Bank，https://ourworldindata.org/grapher/technology-adoption-by-households-in-the-united-states，https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/，中金公司研究部

AI在中国的扩散速度更快。截至2025年底，我国生成式AI用户规模已超过6亿人，普及率达到43%，较上年提高25个百分点[1]。反映在日常生活中，三年前遇到问题，第一反应往往是打开搜索引擎。今天，很多人已经习惯直接问AI。

第二，替代层次更高：工资水平越高、AI暴露程度越大。上一轮信息技术革命对就业的替代作用主要集中在中间层，职业暴露度与工资的关系大致呈现“倒U型”：中等收入的白领阶层更容易被替代，而蓝领和高级白领工作受到的冲击相对有限。但本轮AI革命的替代层次明显上移，高认知岗位也站到了技术替代的前沿。收入越高的职业对AI的暴露程度反而越高、潜在受到的冲击可能更大。但这并不意味着这些职业会在短时间内被AI替代：至少在目前，人与人之间面对面的互动和交流可能激发新的灵感和创造性的思考，仍然有其独特的价值。

图2、IT革命时代工资-技术暴露呈“倒U型”，而AI革命中工资-技术暴露呈现显著正相关

注：曲线为示意曲线，用于描述暴露-工资的关联特征，并非精确的拟合线

资料来源：Autor & Dorn（2013），AIOE Data Appendix，Indeed，中金公司研究部

第三，应用范围更广：从可贸易部门到不可贸易部门。前两次工业革命以机械化和电气化为代表，主要替代的是“标准化的体力劳动”，大幅提升了农业、制造业等部门的生产率。信息革命进一步替代了“常规的认知任务”，提升了信息软件、商务服务等可贸易服务业的生产率。现在，生成式AI正在进入“非常规认知任务”，更多应用于教育、医疗等本地服务业。

以教育为例，信息技术时代诞生了网课教学，但课堂互动和因材施教仍然存在局限。到了AI时代，AI家教可以实时交流，根据学生的理解程度调整教学内容。从这个角度看，过去的技术革命首先改造的是工厂和流水线，而这一次的AI革命改变的是不可贸易的服务业，办公室、课堂和诊室也站到了技术革命的前沿。

归根结底，AI既是一种“通用目的技术”（General-Purpose Technology，GPT），也是一种“发明方法的发明”（Invention of a Method of Invention，IMI）。作为通用技术，AI能够广泛地进入生产流程。作为“发明方法的发明”，AI可以生产新的知识，参与算法设计、数学推理和开放问题求解等以前意想不到的各个环节。

2026年9月，OpenAI宣布，其内部的AI系统提出了纳维—斯托克斯方程存在性与光滑性问题的解法，并给出了形式化证明[2]。这是与黎曼猜想齐名的七大千禧年大奖难题之一，已经困扰学界近百年。这意味着AI已经不只是帮助人类检索知识、整理信息，而是开始进入知识生产的前沿，参与解决过去长期悬而未决的科学难题。

除此以外，AI还可以用于自身的技术迭代，支持人工智能本身的研发、训练、部署和应用（AI for AI），帮助开发更强的AI，这可能是AI技术指数式提升的基础。因此，本轮AI革命不仅扩散速度更快、替代层次更高、应用范围更广，还可能同时提高知识生产效率与创新效率，使技术进步的速度、广度和深度都强于历次技术革命。

二、AI如何重塑宏观经济：增长、就业、通胀与汇率

基于这些特点，AI可能从各个维度重塑宏观经济，我们从增长、就业、通胀和汇率等维度分别讨论。

1、增长：投资红利率先兑现，生产率红利仍在路上。AI对经济增长的拉动首先反映在投资端。过去三年，AI相关投资对美国GDP增长的贡献在持续兑现。圣路易斯联储估算，美国AI相关的四类投资对2025年前三季度实际GDP增长的贡献合计达到39%。考虑到AI带来的股市繁荣还会产生财富效应，拉动居民消费，对实际增长的拉动作用可能更高。

但在生产率层面，AI技术进步尚未体现在全要素生产率（TFP）统计数据中。微观层面，很多人已经感受到工作效率的明显提升。但宏观层面，全要素生产率（TFP）的改善却尚未充分显现。这其实符合历史的一般规律。1987年，诺贝尔经济学奖得主罗伯特·索洛提出著名的“索洛悖论”：“计算机革命无处不在，唯独在生产率统计中看不到”。

为什么会出现这种现象？因为新技术从投入使用到真正提高生产率，通常需要经历一条“J曲线”：企业投资、引进技术后，还需要改造流程、培训员工。这些配套投资需要时间，有些甚至难以被传统统计数据充分捕捉。因此，技术进步的红利并不会立即体现在宏观生产率数据中。电气革命就是一个典型的例子。早期，工厂只是用电动机替代蒸汽机，仍然沿用原有的传动装置和生产布局，生产率提升相对有限。直到企业围绕电力重新设计生产流程和工厂布局，电气化的生产率红利才逐步释放（David，1990）。

目前，我们可能仍处于这条J曲线的前段。但如前文所述，本轮AI革命与以往技术革命的一个重要不同在于，AI既是通用目的技术，又是发明方法的发明，既提高生产效率，又能够参与研发和创新，成为推动自身技术进步的工具。也就是说，AI不仅能够提高生产率，还可能提高生产率增长的速度。从这个角度讲，AI相比以往的技术革命，生产率的提升空间从长远来看可能更大，持续时间也可能更久，这是我们对AI长期增长效应保持乐观的重要原因。

2、就业：存量整体稳定，结构上职业入口收窄，青年就业承压。从总量数据看，虽然AI正在向更高收入、更高认知层次的工作任务渗透，但尚未引发就业的明显恶化。截至2026年8月，美国失业率为4.1%，低于1990年以来的中位数5.3%[3]。

为什么职业暴露度提高没有引发大规模失业？一种解释是技术对劳动力的替代存在时滞。企业从引入AI到真正调整用工结构，需要经历技术适应、流程改造和组织调整，这与前面讨论的生产率“J曲线”有一定相似之处。另一种解释是“任务互补理论”。一份工作通常由多个子任务构成，其中部分子任务相对更容易被替代，但仍有一部分子任务依赖人的参与，延缓AI对于整个工作的替代过程。比如在研究工作中，AI更擅长找数据、读文献、整理材料，却未必能够替代投资者沟通、观点形成与决策判断。也就是说，AI可以替代一份工作中的部分任务，但部分任务被替代，并不意味着整个岗位立刻会被替代。

没有出现大规模失业也并不意味着可以高枕无忧。AI对就业的冲击更多体现为结构性变化，尤其是职业入口的收窄。我们使用美国的数据，对AI暴露度较高的职业按照年龄分组后发现，22-25岁的青年群体受到的就业冲击明显大于其他年龄组：截至2026年Q2，41-49岁的中坚组表现最优，就业指数增幅接近10%，而青年初级组则下跌11.5%。与其说企业正在大规模裁员，不如说它们首先减少了对年轻人的招聘。

图3、在美国的高AI暴露职业中，青年就业弱于年长群体

资料来源：https://digitaleconomy.stanford.edu/project/indicators/canaries/，中金公司研究部

对于年轻人而言，第一份工作不仅意味着收入，更是积累经验、学习技能和形成人力资本的重要起点。一旦职业入口收窄，年轻人就可能失去早期积累人力资本的机会，甚至形成持续影响未来职业发展的“疤痕效应”。日本“就职冰河期世代”的经验表明，青年时期遭遇的就业冲击即使在宏观失业率恢复之后，仍可能长期影响其就业率、工资和职业发展（Genda, Kondo and Ohta，2010；Kondo，2024）。因此，当替代发生时，企业未必需要立即裁撤已经存在的岗位，却可以直接减少对初级人员的新增招聘。职业入口收窄、青年就业承压，可能是替代效应在总量就业转弱出现之前的领先信号。

3、通胀：短期看瓶颈，长期看生产率与收入分配。

AI革命本质上是技术进步，首先改变的是生产率、产出等实际变量。在一个理想的无摩擦的经济环境中，如果价格和工资能够灵活调整，储蓄能够顺畅转化为投资，那么生产率提升所带来的供给扩张，并不必然引发持续的总需求不足。这就是古典经济学中萨伊定律的基本思想，可以总结为“供给创造需求”。它的逻辑是，生产活动在创造商品和服务供给的同时，也创造了相应的收入和购买力。这些收入中的一部分转化为消费，没有用于消费的收入形成储蓄，储蓄在利率调节下可以转化为投资。由于总需求等于消费加投资，所以经济始终能够出清。

但在现实当中，萨伊定律所描述的供求自动协调机制并不总是能够顺畅发挥作用，主要有四个原因：首先，萨伊定律要求价格能够灵活调整，但现实中价格和工资往往存在粘性，不能随着生产率的变化及时调整。第二，经济主体具有前瞻性预期。当我们预期未来技术进步会带来更高的收入时，可能今天就会增加消费和投资。第三，技术进步的红利并不会在资本和劳动之间均匀分配，不同群体的消费倾向也存在差异。第四，现实中资源供给存在约束，某些关键投入品可能面临供给瓶颈。

正是由于这些现实因素，技术进步带来的供给扩张未必能够与需求同步调整。也就是说，技术进步虽然首先改变的是实际变量，但也会通过不同渠道影响通胀等名义变量。

基于上述四方面因素，我们进一步归纳出技术进步影响通胀的四种效应。

一是供给效应（去通胀）。生产率提高后，企业的供给能力增强，单位生产成本下降。但由于存在工资与价格粘性，需求未必能够同步增长，当供给扩张快于需求增长时，就可能形成负向产出缺口，带来去通胀压力。

二是预期效应（推升通胀）。如果市场高度看好未来的技术红利，就可能将部分投资和消费前置，使未来的技术红利转化为当期需求，推升当期物价。

三是替代效应（去通胀）。技术替代劳动，使收入更多向资本端集中。由于资本所有者的边际消费倾向通常低于劳动者，收入分配的变化可能削弱总需求，从而形成中长期的去通胀压力。

四是瓶颈效应（推升通胀）。当算力、电力、存储等关键投入品的供给难以同步扩张时，就会出现局部供需失衡，推高相关产品和服务的价格。如果这些成本进一步向下游传导，还可能对整体物价形成上行压力。回顾历史，技术革命往往伴随着关键投入品的供给瓶颈。铁路建设带动了对铁的需求，电气革命带动了对铜的需求，上一轮信息技术革命也曾出现存储芯片供不应求的情况。这一次AI革命同样如此，而且由于技术扩散速度更快，部分关键投入品的价格上涨更为剧烈。2025年以来，部分消费类DRAM和NAND价格自低点累计上涨超过600%。

这四种力量对通胀的影响方向不同，也不会在同一阶段以相同强度出现。所以，AI究竟带来通胀还是通缩，取决于这四种力量在不同阶段的相对强弱。综合各种力量的净效应，我们得出以下两点结论。

第一，短期瓶颈效应可能占主导，带来一定通胀压力。当前，AI带来的生产率红利可能仍处于“J曲线”的前段，尚未充分释放，供给效应的去通胀作用也没有完全兑现。但在预期效应下，企业已经大幅增加AI资本开支，对算力、电力和存储等关键投入品形成了强劲需求。与此同时，算力、电力和存储等关键投入仍受到瓶颈效应下的供给约束。需求先于供给扩张，短期更容易形成通胀压力。但这个过程可能不会持续太久。回顾历史，从铁路革命时期的铁，到电力革命时期的铜，再到IT革命时期的存储，关键投入品的瓶颈往往持续3-5年。

图4、以往技术革命的瓶颈效应通常持续3-5年

注：采用各轮技术革命中覆盖周期较完整的代表性投入品，以比较持续期

资料来源：FRED，https://fraser.stlouisfed.org/files/docs/publications/merchmag/merchmag_v30_185406.pdf，https://dam.stanford.edu/memory-prices.html，中金公司研究部

随着资本开支逐步转化为新增的产能，投资品供给改善，瓶颈效应往往逐渐消退。另外需要强调的一点是，供给瓶颈可能使某些关键投入品的价格大幅上涨，但其整体宏观效应往往相对有限。因为上游企业通过涨价获得更高利润的同时，也会增加下游企业的成本，挤压其利润和需求。因此，局部的价格上涨，并不必然转化为同等幅度的整体通胀压力。本轮AI革命经过快速扩散，部分关键投入品的瓶颈效应可能正在逐步筑顶。尽管某些环节仍然存在供给约束，价格也可能继续上涨，但瓶颈效应进一步强化的速度可能已经放缓。随着新增产能逐步释放，供需矛盾有望缓解，瓶颈效应可能逐步消退。

第二，中长期去通胀力量可能比以往技术革命更强，尤其要关注替代效应。前面我们分析了本轮AI革命与以往技术革命的不同：扩散速度更快、应用范围更广、替代层次更高。这意味着，AI不仅能够提高生产效率，还可能通过就业、劳动收入和收入分配，对总需求产生更加深刻的影响。当前，AI革命的替代效应已经开始显现。美国非农商业部门的劳动收入份额在战后相当长一段时期内大致维持在60%—66%的水平，进入21世纪后总体呈下降趋势。尤其是2021年以来，劳动收入份额进一步下行，2026年第二季度降至约53%，创1947年有记录以来的最低水平。

劳动收入份额下降意味着在总体经济产出中，更多收入向资本端集中。前文提到，资本所有者的边际消费倾向通常低于劳动者。如果技术进步的红利更多向资本端集中，而没有充分转化为劳动收入，那么即使生产率不断提高，总需求也可能受到收入分配的约束，从而在中长期形成持续的去通胀压力。

综合来看，我们对AI革命如何影响通胀的判断并非静态，而是一条随着技术扩散不断变化的路径。早期，瓶颈效应可能占主导，带来一定的通胀压力。中长期，随着供给能力提升，生产率红利逐步释放，以及替代效应增强，去通胀力量可能逐步占上风。因此，短期看瓶颈，长期看生产率，尤其要看收入分配。

图5、短期瓶颈效应主导通胀，长期供给与替代效应主导去通胀

注：向上的箭头表示通胀，向下的箭头表示去通胀，—表示不确定或微弱

资料来源：中金公司研究部

4、汇率：生产率的赢家，未必是汇率的赢家

历史上，一个国家如果在技术进步中取得领先，往往伴随着本币实际汇率升值。在开放宏观经济学中，这可以用“巴拉萨—萨缪尔森效应”（Balassa-Samuelson Effect）来解释。其逻辑是，过去的技术进步主要发生在制造业等可贸易部门。随着可贸易部门生产率提高，产出和工资水平随之上升。由于劳动力可以在可贸易和不可贸易部门之间流动，服务业等不可贸易部门的工资也会相应提高。但这些部门的生产率未必同步改善，工资上涨就会推高本地服务价格，进而带动本国相对物价上升，推动实际汇率升值。

这种实际汇率升值，既可能体现为本国物价相对国外上涨，也可能体现为本币名义汇率升值。举一个通俗的例子。同样是一位理发师，在北京理发，和在江西理发，一个小时能剪的头发可能差不多，但在北京获得的报酬往往更高。因为北京其他部门的生产率和工资水平更高，也带动了本地服务业的工资和价格上涨。放在国家之间，道理也是一样的。

但本轮AI革命，可能正在改变这一传统逻辑。过去，生产率提升主要集中在制造业等可贸易部门；这一次，AI开始广泛进入教育、医疗、配送等不可贸易服务业。这些服务主要在本地提供，难以像工业品一样大规模出口。当技术进步更多发生在这些部门时，效率改善就可能更多转化为成本和价格下降，而不是通过出口扩张带动工资和本地物价上涨。

这就可能形成与传统巴拉萨—萨缪尔森效应相反的机制，本文把它称为“逆巴萨效应”——生产率在提高，汇率却未必同步升值。以外卖配送服务为例，过去几年间，配送算法不断优化，骑手的配送效率也在提高。但外卖服务本身无法出口，效率提高更多体现为配送时间缩短、配送成本下降，或者消费者支付的价格下降，从而削弱实际汇率升值的动力。

这引申出一个问题：中美两国都在广泛应用AI，如果美国的技术进步更快，是否会加大人民币升值压力？首先需要强调的是，人民币是强势货币而非弱势货币。但强势货币不等于无限升值，AI革命有可能降低人民币实际汇率升值的天花板。这里需要考虑中美两国的两个差异。

第一个差异是中美两国AI高暴露行业的可贸易程度不同。中国的AI高暴露行业集中于教育、批发零售、餐饮等不可贸易部门；美国则集中于金融、保险、科研和专业技术服务等行业，可贸易性相对更强。对于不可贸易部门而言，效率改善可能更多体现为成本和价格下降，而不是通过出口扩张推动实际汇率升值。

图6、中美分行业AI暴露度（按中国暴露度降序）

注：基于职业层面的AI任务暴露分数，按行业内各职业的就业人数加权，得到各国各行业的AI暴露度

资料来源：中金公司研究部

第二个差异源自中美两国AI高暴露行业的市场竞争结构不同。中国部分AI高暴露行业受到价格约束，或是市场竞争较为充分，技术进步的效率红利向终端价格传导，更多体现为降价。相比之下，美国部分高暴露行业的垄断地位相对更强，具有更强的定价能力，成本下降就可能更多转化为企业利润的增长。

因此，在逆巴萨效应下，我们可能第一次看到生产率的赢家未必仍是汇率的赢家，这是本轮AI革命可能带来的一个重要变化。

三、AI如何重塑市场逻辑

前面我们讨论了AI对增长、就业、通胀和汇率的影响。那么，这些宏观经济的变化，最终会如何传导至资产价格？哪些我们熟悉的市场规律，可能正在发生变化？我们把它总结为四个“脱钩”。

1、股票与汇率“脱钩”：股票强未必汇率强。

一般认为一个国家的资本市场表现强劲，通常伴随着本币升值。但AI革命下，汇率和股市的相关性可能下降。以美国为例。2025年以来，全球货币秩序继续重构，美元信用受到一定挑战，但美股依然表现强劲。其背后，一个重要的支撑是AI产业趋势持续强化，科技企业盈利预期不断改善，美股七巨头2026年一、二季度盈利同比增速分别为63%和119%。美元走弱并未成为美股上涨的必然约束。

图7、美股走强未必要求美元走强

资料来源：Wind，中金公司研究部

同样的逻辑也适用于中国。前面我们讨论了AI可能通过“逆巴萨效应”降低人民币升值的天花板，但也未必妨碍中国科技资产走强。

2、估值与利率“脱钩”：高利率不意味着低估值。

传统估值框架认为，无风险利率上升会推高折现率，从而对股票估值形成压制。但这一轮AI革命，使我们需要重新审视利率与估值之间的关系。2026年9月，10年期美债收益率一度突破5%，但美股科技龙头仍然维持着较高的估值水平，对高利率的承受能力明显提升。AI革命可能改变企业长期增长前景和竞争格局，使市场愿意为具有持续竞争优势的科技企业支付更高的估值溢价。

3、AI龙头企业与其他企业“脱钩”：科技巨头明显上涨，其他股票明显跑输，股市集中度上升。

本轮AI革命的另一个重要特征是AI头部企业与其他企业的市场表现明显分化。以2022年11月30日ChatGPT发布为起点，美国“科技七姐妹”累计上涨约300%，而剔除七姐妹后的标普500指数累计涨幅仅为65%。这反映了AI时代的“马太效应”：技术在快速扩散，而利润却高度集中。AI虽然可以被越来越多的企业采用，但并不是所有企业都能够跨越技术壁垒以及数据和分发渠道壁垒。头部企业不仅有能力承担大规模前期投入，还可能凭借已有的技术积累和市场地位，率先把AI转化为产品、盈利和现金流，享受到更多的技术红利。

4、企业盈利与工资收入“脱钩”：企业利润增长快于劳动报酬。

与上一轮信息技术革命相比，本轮AI革命呈现出一个值得关注的现象：企业对技术投资和未来增长的预期较为积极，但消费者信心并没有同步改善，表现为费城联储的未来资本开支扩散指数走高，而消费者信心指数持续走低。AI提高了企业的生产效率，但由此产生的收益，未必能够同步转化为工资增长和居民购买力。

图8、与IT时代不同，AI时代投资信心走强，消费信心走弱

资料来源：FRED，中金公司研究部

四、AI革命下的资产配置

总体判断上，我们认为本轮AI驱动的行情尚未结束，仍然看好AI相关股票的中长期机会，但市场的核心矛盾正在发生变化：从科技股是否有行情，转向哪些科技企业能够真正兑现盈利，从普涨逐步走向分化。随着AI技术不断扩散，市场定价将更加重视真实的效率提升、盈利改善和竞争壁垒。仅仅应用AI已经不足以构成竞争优势，关键在于企业能否将技术进步转化为持续的利润和现金流。因此，投资逻辑也需要从过去偏重自上而下的产业趋势判断，转向更加重视自下而上的精选个股，寻找真正能够赚取技术红利的企业。

资产配置上，我们继续看好中美科技股票，尤其是具有较高技术、资本和渠道壁垒的龙头企业，兼顾景气度较高的创新药、电网设备和部分供需格局改善的周期行业。同时，考虑到AI盈利兑现仍存在不确定性，叠加海外利率高位运行和政策预期波动，我们建议以现金流稳定、分红可持续的红利板块作为组合底仓，增强组合应对不确定性的能力。

对于美元和美债，我们的判断相对谨慎。全球货币秩序正在重构，美债作为全球安全资产的共识有所松动。AI革命虽然能够提高美国的生产率，但技术红利更多向资本端集中，可能加剧收入分配矛盾，使生产率提升难以充分转化为居民收入和消费增长，进而增加财政政策稳增长和再分配的压力。叠加美国原有的财政赤字和债务问题，如果经济增长持续依赖债务融资，投资者可能要求更高的风险补偿，美元信用与美债的安全资产地位也将面临进一步挑战。尤其对于长期美债，财政融资需求上升、通胀前景不确定性以及美联储政策公信力面临的挑战，都可能推高期限溢价。因此，我们倾向于低配长端美债。

布局节奏上，短期关注供给瓶颈，中长期聚焦生产率兑现与竞争壁垒。当前，AI资本开支持续扩张，算力、电力等关键投入品的供给仍然偏紧，相关环节可能继续获得瓶颈溢价。但随着新增产能逐步释放，供需矛盾有望缓解，瓶颈溢价也可能逐渐收敛。中长期，市场定价的重心或从资本开支扩张转向生产率红利兑现。届时，真正重要的不是企业投入了多少资金，而是这些投入能够创造多少收益。能够持续降本增效、将技术进步转化为盈利和现金流，并形成难以复制的竞争壁垒的企业，才更有可能持续受益于本轮技术革命。

未来，我们认为需要持续关注三个核心变量：一是AI产业自身的技术进展，包括技术能力能否持续提升、应用场景能否进一步拓展，以及生产率红利能否真正兑现。二是美联储政策与全球流动性。随着美联储前瞻指引的作用有所弱化，政策路径和通胀前景的不确定性可能进一步影响美债期限溢价，进而传导至全球资产定价。三是中国政策的力度和节奏，以及经济数据的实际表现。AI革命提供了新的增长动力，但技术进步能否转化为更广泛的经济增长和企业盈利，仍然取决于宏观政策与经济基本面的配合。

[1]https://www.cnnic.cn/n4/2026/0304/c88-11549.html

[2]https://openai.com/zh-Hans-CN/index/navier-stokes-solution/

[3]https://fred.stlouisfed.org/series/UNRATE