经济学界亟需对传统的内生增长模型、劳动力市场出清机制以及既有的社会财富契约进行深度反思。当下全球经济正面对结构性增长放缓、人口老龄化进程加快以及劳动生产率长期停滞等多重挑战。人工智能（AI）作为新一代通用目的技术，正引发经济学与公共政策领域的广泛讨论和深刻审视。争论的核心焦点在于，技术乐观主义者预言的“指数级增长”与劳动经济学界忧虑的“人力资本专属性系统性贬值”之间存在的明显分歧。
回顾历史上的经济发展轨迹，从19世纪蒸汽动力的广泛应用到20世纪信息技术的普及，每一次通用目的技术的涌现都从根本上重塑了宏观经济的生产函数与要素分配结构。然而，当前以大语言模型等生成式人工智能为驱动力的技术变革，与以往工业革命在本体论上存在显著差异：其自动化范畴首次实质性地渗透到认知、逻辑推演与非结构化判断等领域，这些正是人类长期保持绝对优势的领域。这样的特征迫使经济学界不得不对传统的内生增长模型、劳动力市场出清机制以及既有的社会财富契约进行全面评估。
宏观经济增长的核心逻辑
关于人工智能是否能够帮助宏观经济突破长期以来的线性增长轨迹，学术界存在两种截然不同的理论观点。这一分歧本质上关系到传统经济学中的“研发收益递减法则”是否会被底层算法彻底颠覆的核心问题。
传统的半内生增长模型揭示了一个不容忽视的经验事实：经济体系中的知识发现容易受到边际收益递减效应的制约。在过去的百年间，尽管全球在科研领域投入的人力资源和资本呈指数级增长态势，但由于基础创新难度日益增加，以往的颠覆性技术仅能部分抵消旧技术领域创新放缓带来的负面影响，由此勉强维持了发达经济体长期约百分之二的实际人均国内生产总值复合增长率。
弗吉尼亚大学经济学教授安东·科里内克（Anton Korinek）尝试通过引入具有颠覆性的内生变量来挑战这一假设。该理论追溯至科学家冯·诺依曼的“递归自我提升”概念，指出当人工智能的推理与认知能力跨越特定临界点后，其在经济模型中的角色将从被动的辅助工具转变为具备自主迭代能力的“合成研发劳动力”。如果由算法驱动的知识生产速度能够超越研发难度上升的阻力，那么宏观经济模型将发生根本性逆转，从而摆脱线性束缚，步入变量加速发散的加速增长阶段。
这一预期建立在三重正向反馈循环的基础之上：人工智能在电子设计自动化领域的应用显著加速了底层芯片的物理迭代；大语言模型通过代码生成有效提升了反向传播算法及软件架构的效率；人工智能作为通用技术扩散至结构生物学、材料科学等实体领域，极大缩短了广义科学的试错周期。理论上，如果研发环节中有足够比例能够被自动化，那么这种规模收益递增将引导宏观经济的快速扩张。
不过，斯坦福大学经济学家查尔斯·琼斯（Charles I.Jones）提出了基于生产函数微观任务结构的约束模型，对上述乐观预期提出了质疑。在“弱环节”模型中，宏观总产出取决于一系列高度互补的任务组合，这些任务的替代弹性严格小于一。这种观点认为，宏观经济扩张的潜力最终将被那些最薄弱、最难自动化的瓶颈任务所限制。数学推导显示，即便某个特定任务领域的生产率提升至无穷大，其对总体产出的贡献上限也仅限于该任务在初始国民收入中支出份额的倒数。
