# Epoch 研究员：人工智能的主要经济价值将来自于提高各行业的自动化程度而非助力研发

> 本文公开全文。

原文：https://utgd.net/article/21097

🔗 原文链接

AI 的经济未来：为什么广泛自动化将主导，而非研发革命？

近年来，关于人工智能如何重塑经济的讨论中，一个主流观点备受推崇：AI 将主要通过自动化科研（R&D）来推动经济增长。OpenAI 创始人 Sam Altman 曾断言，AI 对科学进步的影响可能 “超越其他一切”；DeepMind CEO Demis Hassabis 更是描绘出 AI “治愈所有疾病” 和 “解决能源危机” 的图景。然而，当我们将这些愿景置于经济学的显微镜下观察时，会发现一个被长期忽视的真相 ——AI 的真正经济价值更可能源自对普通劳动力的广泛替代，而非局限于实验室的研发革命。

### 关于研发带动经济的真相

支撑 “研发至上论” 的核心假设是：科研投入与经济增长存在强因果关系。但美国劳工统计局的数据揭示了令人惊讶的事实 ——1988 至 2022 年间，私营企业研发支出仅贡献了 0\.2% 的年均全要素生产率（TFP）增长，而同期美国整体 TFP 增速为 0\.8%。即便算上公共研发（约占研发总支出的 1/4），其通过知识外溢效应额外贡献 0\.2%，研发总贡献仍仅占 TFP 增长的半壁江山。这意味着，驱动美国劳动生产率增长的三大引擎中，资本深化（如设备投资）占据 50%，剩余份额则由管理优化、知识扩散等 “隐形创新” 瓜分。

这种失衡在投入端更为显著：美国企业每年在设备、厂房等实物资本上的投资达 5 万亿美元，而私营研发支出仅 1 万亿美元。这种 5\:1 的投入比，恰好对应着资本深化与研发对生产率贡献的差距（50% vs 10%）。正如经济学家 Bloom 等人的研究所示，即便假设所有 TFP 增长均来自研发（这一极端假设已被证伪），其产出弹性系数也仅为 0\.3，不及劳动要素的 0\.6。这些数据共同指向一个结论：研发只是经济增长拼图中的一小块。

### AI 做不了所有实验室里的事

即使我们暂且认可研发自动化的潜力，其实现难度也远超常人想象。以医学科学家为例，ONET 职业数据库显示，该岗位的 14 项核心任务中，前五大高权重职责全部依赖物理操作能力：处理有毒材料（重要性 92/100）、评估药物毒性（91/100）、规划疾病研究方案（87/100）、制备细胞样本（87/100）、使用电子显微镜（70/100）—— 这些任务不仅需要多模态感知，更涉及实验室设备的实体操控。即便在看似 “脑力密集” 的环节，如 “制定药物标准化流程”（82/100），也需要结合临床反馈与产业实践经验，远非纯逻辑推理可替代。

这种模式在其他科研领域同样成立。通过 GPT\-4\.5 对 12 类研发职业的自动化潜力分析发现：仅有 “计算机与信息科学家” 可能完全依赖抽象推理（因其任务集中于算法设计与理论建模），而生物工程师需要操作 3D 生物打印机，材料科学家需调试高温熔炉，农业研究员需实地采集土壤样本……真正的科研闭环，始终绕不开 “手眼并用” 的物理世界交互。当 AI 尚不能可靠完成餐厅服务员的端盘动作时，又如何指望它精准操作价值百万美元的质谱仪？

### 普通任务自动化严重被低估

与实验室的复杂门槛形成鲜明对比的是，普通劳动力的自动化早已蓄势待发。美国经济的劳动产出弹性系数达 0\.6，意味着劳动力投入每增加 1%，可撬动 0\.6% 的 GDP 增长 —— 这是研发弹性的两倍。更关键的是，社会每年支付给普通劳动者的报酬约是研发人员工资总额的 20 倍。这种悬殊的经济权重，使得自动化一个零售店员创造的价值，可能百倍于替代某个生物信息学研究员。

历史经验为此提供了注脚：编程工具的进化（从代码库到 GPT\-4 辅助编程）虽解放了研发者的双手，却未引发预期的创新爆发。因为真正的技术突破需要计算硬件、实验数据、工程试错的 “三位一体”—— 正如 AI 领域自身的发展所示，算法进步（如 Transformer 架构）总是与算力投入（过去十年训练成本年均增长 3\-4 倍）同步跃进。这种强互补性在制造业早有先例：Oberfield 与 Raval 的研究表明，当资本与劳动的替代弹性仅为 0\.7 时，单纯自动化某个环节只会引发瓶颈转移，而非持续加速。

### 未来的两种图景

在 “研发至上论” 者眼中，未来是硅谷实验室里的 AI 不断自我迭代，通过 “软件奇点” 瞬间改变世界。但更现实的剧本可能是：

- 渗透期（2025\-2035：AI 逐步接管客服、行政、基础编程等重复性工作，引发劳动力市场持续震荡。在此期间，GDP 增速可能从当前的 2% 缓慢爬升至 4%，但公众对 AI 的认知将从 “神奇工具” 转变为 “就业威胁”。

- 转折期（2035\-2045）：当多模态 AI 能可靠操作工业机器人、医疗影像设备时，自动化浪潮席卷制造业与服务业。经济增长进入 “超速档”（年增速 6\-8%），但社会需要重构分配制度（如全民基本收入）。

- 成熟期（2045 年后）：具备全栈能力的 AI 终于突破实验室壁垒，此时经济规模已因广泛自动化扩张数倍，进一步加速创新的边际效益反而递减 —— 就像 19 世纪蒸汽机普及后，铁路对 GDP 的贡献逐渐让位于更分散的电力应用。

### 重构认知：从 “智力爆炸” 到 “自动化海啸”

这种渐进路径对决策者与公众都意味着认知重构：

- 企业战略：开发能处理 Excel 表格、接听投诉电话的 “白领机器人”，比训练 “诺贝尔级” AI 科学家更有利可图。微软 Teams 中一个能自动整理会议纪要的 AI 助手，其商业价值可能超过某个基因编辑算法的专利。

- 政策制定：当卡车司机与会计师的大规模失业早于 “癌症治愈” 成为头条，公众对 AI 的恐慌与期待将复杂交织，这要求监管框架更具弹性。

- 个人应对：与其担忧 “奇点降临”，不如关注如何将人际沟通、跨领域整合等人类优势与 AI 工具结合 —— 毕竟，在 AI 能同时操作电子显微镜与安抚患者情绪之前，医疗诊断仍需要人类医生的在场保证。

这场变革的本质，或许可以用一个比喻概括：AI 对经济的重塑，不会像闪电劈开橡树般戏剧化，而更像潮水漫过沙滩 —— 每一波自动化浪潮都冲刷掉部分旧岗位，同时为新技术提供更广阔的应用平台。当最后一滴海水触及实验室的门槛时，真正的颠覆早已在无数车间、办公室与服务器机房中悄然完成。

---

[前往标准阅读页](https://utgd.net/article/21097?audience=web)