核心观点
　　过去两百余年，历次科技革命均沿着“关键要素突破—基础设施扩张—组织形态重构—生产率提升”的路径演进。本轮AI变革呈现技术迭代更快、应用扩散更广、产业竞争更激烈、供应链约束更复杂等特征，从资本开支、技术突破到深度渗透与全要素生产率提升。本文着重探讨AI革命将如何影响经济增长。
　　AI挑战传统增长理论，重构生产函数。第一，智能劳动、智能资本与知识生产进入增长框架，传统劳动和资本面临重估。第二，模型、算法和数据的低复制成本与网络效应推动要素关系重组，部分环节或由边际递减转向规模报酬递增。第三，影响传导快慢不一：资本开支与任务提效率先显现，组织改造、行业扩散及TFP提升则需更长时间。
　　当前市场针对AI影响经济的争论主要围绕如下几方面：
　　1）AI对经济净增长如何拆分？其贡献包括投资拉动、资本深化、经济传导、创新增长和总需求扩张，同时需扣除组织改造、技术折旧、资源挤出、岗位替代和技能错配等成本。
　　2）生产率能够提升多少？Aghion与Bunel（2024）、McKinsey等相对乐观，Acemoglu（2024）和CBO则更为审慎，测算范围约为0.1%-1.8%。分歧主要来自任务替代比例、企业部署速度、互补投资强度及劳动再配置效率等假设。
　　3）生产率何时兑现？ Brynjolfsson等（2021）提出“生产率J曲线”，强调组织重构、流程再造和培训投入先于产出显现。Solow（1987）、David（1990）等亦指出，初期投入和磨合成本先行，待互补投资、组织改造和应用扩散越过阈值后，宏观生产率才会加速改善
　　4）AI是否存在泡沫？当前更接近局部风险积聚，而非全面泡沫。真正风险在于资本形成长期快于Token需求、AI收入和企业ROI兑现，并向资产利用率、残值、权益和信用市场传导。
　　5）如何跟踪AI对增长的影响？可观察资本开支竞赛、技术突破与市场集中、渗透率扩散与商业模式形成、潜在增长提升四个阶段。各阶段相互嵌套，瓶颈也会由芯片、电力迁移至数据、可靠性、组织改造和有效需求。
　　结合上述对AI影响增长的理论拆分，我们重点关注以下几方面问题。
　　第一，短期拉动主要来自算力、能源、网络和软件等资本开支，但需关注进口漏出、传统投资挤出、设备加速折旧及融资成本上升。
　　第二，中期生产率红利取决于企业的数据、流程和组织能力；若收益主要沉淀为资本回报，而劳动收入和消费未同步改善，潜在供给未必能转化为实际增长。
　　第三，长期增长取决于AI能否进入知识生产和物理生产，但仍面临验证成本、知识产权、创意瓶颈和工程化约束。
　　第四，就业影响将经历替代、互补与创造效应转换，短期标准化认知岗位承压，中长期新岗位创造有望增强，但技能错配和再就业时滞仍需重视。
　　第五，国别红利取决于技术前沿、产业链位置、能源资源和应用扩散能力。美国仍占据先进芯片、基础模型和高ARPU应用优势，中国则有望依托广谱制造、低成本模型、国产替代和丰富场景，分享出口、应用扩散及Token服务红利。
　　风险提示：AI对就业的影响超预期，AI投融资持续性风险