对比蒸汽机、电力、互联网等历次通用技术革命，AI技术具备明显不同的技术特征与扩散逻辑。那么AI能否延续历史规律，推动全社会生产率的实质性提升？宏观层面的实质性影响又将于何时兑现？
　　想要得到AI如何影响生产效率的答案，先要理解AI如何重塑生产函数。我们整理了学界近50篇文献，对AI如何影响柯布-道格拉斯生产函数中的劳动要素（L）、资本要素（K）、技术水平（A）等逐一进行讨论。
　　 AI对劳动要素的影响具备多元性。本轮AI主导的技术进步与过往多轮技术进步存在明显差异的一点，就是此前技术进步主要实现体力劳动的自动化替代，而AI将自动化覆盖边界大幅延伸至认知型脑力劳动领域。Acemoglu &Restrepo（2018）基于任务生产框架提出，自动化技术会同时产生两股反向作用力量，一方面是替代效应（Displacement Effect），即直接承接原有人力任务，对劳动形成挤出；另一方面是生产率效应（Productivity Effect），自动化压低生产成本、推动生产规模扩张，进而提升非自动化环节的劳动力需求。两种效应的综合净效应，取决于自动化带来的成本节约规模。如果成本降幅不足以催生新的劳动需求，则会陷入“平庸型自动化（so-soautomation）”。不过，AI也会创造新任务修复劳动需求，也即是发挥复原效应（Reinstatement Effect），然而Acemoglu & Restrepo（2019）对美国经济的长期分解表明，复原效应系统性弱于替代效应。较难否认的是，AI同时具备增强效应（Augmentation Effect），是劳动质量的放大器，只不过增强效应的分布具备“锯齿状技术前沿” （ Jagged TechnologicalFrontier）特征，且AI增效红利在劳动者群体间存在显著分化。
　　 AI对资本要素的影响体现为改变资本的存在形态、结构和折旧率。首先，AI正在逐步改变资本的核心形态。传统资本以厂房、机器设备等实物资产为主，而AI时代催生了数字智能资本，除算力硬件外，还包含算法、模型等具备虚拟属性的数字资本。其次，AI重塑了资本的固定成本与可变成本配比结构。传统重资产制造企业的可变成本与产出近似呈线性关系，每新增一单位产出，均需同步追加原材料、生产能耗等边际投入。而以基础大模型为核心的智能资本明显不同，一方面，其以预训练阶段大额固定支出为主体，下游落地应用的边际推理成本极低；另一方面，其可变成本可能不随产出线性上涨。最后，AI还可能改变资本的折旧机制。传统实物资本的折旧主要来源于使用过程中的物理磨损，折旧率的高低与使用年限高度相关。而AI资本的折旧则表现为两种不同形态，其一，GPU、服务器等硬件兼具物理损耗与技术迭代双重折旧，但芯片技术更新迭代节奏可能远快于物理磨损速度，硬件经济寿命通常早于物理使用寿命；其二，数据、算法资产等层面则几乎不存在物理折旧，其价值衰减的重要来源是行业竞争者持续迭代导致现有模型的相对竞争力下降，即“红皇后效应”（Red Queen Effect）。
　　 AI使得技术水平可能转变为内生的自我强化变量。传统增长模型中技术水平A属于外生给定索洛余值，Cockburn et al.（2018）将深度学习定性为“发明方法的发明”，也就是说AI不仅提高了某一具体创新环节的效率，还改变了“发现新知识”的流程本身。Besiroglu et al.,（2024）认为当AI广泛渗透进研发环节，形成技术与资本的正向循环时，经济增速具备持续上行的可能性。Aghion et al.（2017）讨论了一种极端情景，当AI不仅能够执行任务，还能够自主参与技术研发并持续改进自身时，技术水平越高，AI创造新知识和新技术的速度越快，甚至可能导致技术水平和经济产出在有限时间内出现爆发式增长，即所谓“第二类奇点”。
　　数据作为非竞争性新要素进入到生产函数。数据具备非竞争性、零边际复制成本、网络效应三大独有属性。黄阳华等（2026）融合新古典增长、内生增长与要素偏向型技术进步理论，梳理出数据进入生产函数的三条可能的宏观路径：第一是新古典增长路径，长期积累、可反复投入生产的数据会形成独立的数据资本，数据资本存量扩张能够直接带动社会总产出提升；第二是内生增长路径，数据能够加速研发与知识挖掘，形成数据积累推动创新、创新又产生更多数据的正向循环，持续抬高经济体长期潜在增长水平。第三是要素偏向型技术进步路径，数据能够改造、赋能传统劳动与实物资本，提升两类生产要素的生产效率，盘活存量生产资源。
　　 AI可能带来规模报酬递增。在柯布-道格拉斯框架下，规模报酬由要素产出弹性之和刻画，过去传统条件下通常假设规模报酬不变或递减。然而，部分学者认为AI技术可能会带来规模报酬递增。Romer（1990）指出，知识是一种非竞争性、部分可排他性的物品，非竞争性带来的非凸性使知识密集型生产函数呈现规模报酬递增。Jones & Tonetti（2020）将这一逻辑推进到数据，数据同样具有非竞争性，若与竞争性投入同比例扩张，则同样具备规模报