作者：閆德利，騰訊公司資深專家， 騰訊研究院

這是人工智慧的時代，它充滿著悖論——預測悖論、就業量化悖論、生產率悖論、數據價值悖論、工業革命悖論……我們在悖論中前行。

預測悖論

對人工智慧的未來，人們似乎永遠預測不準，無論是圖靈獎得主、諾貝爾獎得主，還是企業家、創業者。他們總是做出不切實際或過於保守的判斷。這就是人工智慧的預測悖論。歷史上，馬文·明斯基、艾倫·紐厄爾、赫伯特·西蒙等開拓者都曾做出大跌眼鏡的預言。例如，馬文·明斯基在1970年指出：“在三到八年的時間裡，我們將得到一台具有人類平均智慧的機器。”至今我們仍在為此努力。傑弗里·辛頓是當今最具影響力的人物，被譽為“AI教父”。他在2016年做出預測：“應該立即停止培訓放射科醫生。顯而易見，深度學習的表現將會在五年之內超越放射科醫生。”它未能成真，現實朝著相反的方向發展，近十年美國放射科醫生的數量和收入均大幅增長。德米斯·哈薩比斯的地位可比肩辛頓，他表示（2025）：“在未來十年左右，AI可能幫助治癒所有疾病。”作為最成功的AI企業家，阿莫迪（2025）認為，AI能在5-10年內使人類壽命翻一番。對近期預言，我們拭目以待。以上是最著名的6個人物的預言。就話題來說，AGI是當下最受追捧的。企業家和學者兩個群體對AGI實現時間的判斷呈現出明顯分化。企業家激進樂觀，甚至認為很快就能實現。主要4類：①已經到來（身在其中卻不知曉），②馬上就來（一兩年），③短期會來（三五年），④長期才來（五到十年，甚至更久）。這些判斷有的已經證偽，有的仍需要時間檢驗。如下表所示。學者的判斷普遍悲觀，甚至認為AGI是偽命題，永遠不會到來。例如，Iris van Rooij指出（2024）:“創造具有人類水平認知能力的AGI是不可能的。”表著名AI公司CEO對AGI到來時間的預測來源：騰訊研究院整理，2026年5月人們喜歡預測。有的是為了宣傳、給自己打氣，有的是為了論文和課題，還有純粹的口舌之爭。事實上，誰也不知道未來是什麼樣子。未來並不遵循設定的劇本，它由眾人的選擇和行為所決定，由與過去的徹底決裂所塑造，充滿著巧合和悖論。就像一頭歲月靜好的豬，無法預測春節的黑天鵝。

就業量化悖論

技術對就業的影響是一門顯學，也是一門玄學。它是一個古老話題，像一個幽靈，遊蕩數百年。它婦孺皆知，鴻儒可談笑，白丁亦可往來。它下限極低、上限極高，人們爭論不休，眾說紛紜。近些年學者和機構轉向“用數據說話”，試圖用一種看起來科學、嚴謹和高級的方法來證明自己的高明。OECD、IMF、世界經濟論壇、聯合國貿發會議、國際勞工組織、世界銀行等國際組織，以及高盛、麥肯錫、皮尤研究中心等諮詢機構紛紛推出AI影響就業的測算報告。如下表所示。表AI影響就業的部分量化測算結果單獨一份報告都足夠有份量，甚至被奉為圭臬。但把這些報告放在一起看，則發現測算結果差距甚大，大體處於0.4%-67%之間，幾乎不具可比性。讓人祛魅。就業量化測算的先決條件是能夠準確把握技術的發展脈搏。如前所述，技術大佬還無法準確預測AI技術的未來發展，經濟學家如何量化AI的就業影響？只能假定技術是靜止不動的，或者以規定好的速度向前發展，然而這不是現實中的樣子。另一方面，AI不是獨立影響因素，經濟週期、產業經濟、技術發展、人口結構、就業偏好、就業政策、全球化、突發事件等多重因素共同影響著就業。它們之間相互聯繫、相互作用，把AI從中完好切割出來是不可能的。從這種意義上講，量化AI對就業的影響是一個悖論。

生產率悖論

人工智慧是新的通用目的技術，具有普遍適用、持續改進和催生創新的特徵，是未來經濟增長的引擎。人工智慧術語提出已有70年，機器學習革命已有14年，當前AI浪潮如火如荼，從大語言模型、多模態，到世界模型、智慧體、物理AI，此起彼伏，層出不窮。然而，生產率增速並沒有明顯加快，甚至面臨著生產率危機（Rogers，2024）。自ChatGPT發布以來，歐盟每小時勞動生產率增速在0%上下波動，今年第一季增長0.1%。在2022年第四季到2026年第一季的14個季度中，僅有3個季度的生產率增速超過1999年以來的長期平均水平（1.0%）。如下圖所示。美國增長強勁，從2022年第四季到2026年第二季，非農企業部門勞動生產率年均增長2.2%，在西方國家中一枝獨秀，但這也僅相當於1948年以來的長期平均水平（來源：美國勞工統計局）。 圖歐盟近年的勞動生產率增速（來源：歐盟統計局）這種“技術創新突飛猛進和生產率增長令人失望”同時存在的情況，就是生產率悖論。它不是第一次出現。諾貝爾經濟學獎得主羅伯特·索洛在1987年寫道：“You can see the computer age everywhere but in the productivity statistics（電腦時代的蹤影無處不在，唯獨生產率統計中看不出來）。”這被看作是“生產率悖論”或“索洛悖論”最經典的表述。對生產率悖論，主要有錯誤預期、測量誤差和時間滯後三種解釋。Brynjolfsson認為（2017），時滯性解釋最具說服力，是導致生產率悖論的主要原因，並把通用目的技術對生產率影響的滯後效應概括為“J形曲線”。通用目的技術需要經過多次次級創新、互補創新和組織變革，才能對生產率產生實質影響。從歷史上看，蒸汽機、發電機和電腦分別在發明118年、91年和49年，分別在商業化54年、40年和21年後，才開始明顯推動生產率提高。因此，長期來看，生產率悖論並不是什麼悖論。AI推動生產率明顯提升尚需時日。

數據價值悖論

數據是AI的糧食，要量大質優，量大到無底洞，質上“垃圾進，垃圾出（GIGO）”，或者說數據有“高尚”和“齷齪”之分。數據決定著AI能力的上限，常被譽為“新石油”（Clive Humby，2006）和“世界上最有價值的資源”（經濟學人，2017）， “與能源、材料資源同等重要”（2004年兩辦文件）。數據的使用價值極大，卻不像普通商品那樣具有交易價值、貨幣價值。正如李國傑（2025）所言：“數據只有在使用中才能確定它的價值。”OECD（2024）梳理了46個國家的數據政策文件，發現“數據”出現的政策語境由高到低依次是創新、信任、社會、市場開放、利用、就業和准入，他們並不關注“交易”。陳昌盛（2023）曾指出：“數據交易所遍地開花，但數據交易所中的‘交易’發展得並不是很好”“在各地掀起的數據市場建設熱潮下，應警惕形成‘只有經過交易買賣的數據才是可用數據’的行為導向”。數據的價值密度低，難以貨幣化體現，在資產負債表中的佔比微乎其微，幾乎可以忽略不計。根據上海交通大學上海高級金融學院最新數據，中國有136家上市公司揭露了數據資源入表的相關事項，入表金額共計37.86億元。據此推算，前者僅佔A股上市公司數量的2.5%，後者僅相當於中國人工智慧核心產業規模的0.3%。三大電信業者在入表規模上佔主導地位，2025年合計入表金額21億元，佔上市公司入表總金額的55.46%。但這些數據資源在公司總資產中僅佔0.06%左右，微不足道。如下表所示。表三大電信業者數據資源入表金額及其佔比（2025.12.31）數據來源：根據財報中合併資產負債表整理。

工業革命悖論

每一次技術浪潮興起，總有人把它比作蒸汽機、電力或者計算機，並興奮大呼：“它將引發第四次工業革命！”這種現象持續了至少半個世紀，早期如微電子（1984）、計算機（1988）、納米技術（1994）、互聯網（2000）、替代能源（2010）、信息物理系統（2014）。近十年更是愈演愈烈，大數據（2016）、人工智能（2016）、物聯網（2016）、工業互聯網（2017）、區塊鏈（2017）、量子計算（2018）和智能製造（2021），都曾被賦予第四次工業革命的使命。如下圖所示。 圖中國知網以“第四次工業革命”等為篇名的文章數量分佈註：選取標準是篇名中包括“第三次工業革命”“第三次產業革命”“第四次工業革命”和“第四次產業革命”的文章。對當下革命，有人認為是第三次，有人認為是第四次；而且工業革命和產業革命在英文中是同一個短語“Industrial Revolution”。因此，本文不做嚴格區分。我們在媒體上幾乎時刻在經歷第四次工業革命。引發這場革命的技術總是“芳林新葉催陳葉，流水前波讓後波”，初步統計至少有20多個。每出現一種新技術並賦予第四次工業革命的重大意義，似乎意味著之前都是錯誤的。當下，人們普遍認為AI就是第四次工業革命。德米斯·哈薩比斯（2026）甚至指出：“AGI的規模和速度可能10倍於工業革命。”國內亦有企業家把AI看作人類社會的最後一次技術革命。AI對過往作出了證明，AI本身又如何證明？我們無法爭論，強調兩點。一是工業革命和經濟危機不可能同時發生。二是歷次工業革命不是先知先覺，而是事後敘事，身處其中的人們並不知道自己正處於工業革命之中。第一次工業革命（1760年代—1840年代）結束40年後，術語“Industrial Revolution”在阿諾德·湯因比的推動下才為大眾所知。第二次工業革命（1870年代—1914年）結束40年後，經濟學家才開始使用“Second Industrial Revolution”，結束55年後戴維·蘭德斯《不受束縛的普羅米修斯》（1969）才標準化了其學術定義。第三次工業革命尚無統一認識，傑里米·里夫金（2011）認為它的主題是互聯網和可再生能源的融合；《經濟學人》（2012）認為是製造業數字化；埃里克·布萊恩約弗森和安德魯·麥卡菲（2011）認為第三次工業革命是由計算機和網絡推動的。讓我們期待這一次不同。 原