---
author: Best Partners TV
date: '2026-06-01'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=WNTN9o8hYDw
speaker: Best Partners TV
tags:
  - ai-economic-impact
  - productivity-measurement
  - gdp-limitations
  - service-sector-automation
  - dark-output
title: AI暗产出：重新定义现代生产力的测量边界
summary: 本文深入剖析了“AI暗产出”现象，指出传统GDP统计方式在AI时代面临严重的度量失效。文章详细阐述了替代型与新增型暗产出，探讨了统计系统无法捕捉生产力提升的核心原因（服务业的不可度量性），并呼吁更新经济衡量工具，以应对即将到来的生产力爆炸时代。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people: []
companies_orgs:
  - 美国经济分析局
  - Anthropic
  - 美国劳工统计局
products_models: []
media_books: []
status: evergreen
---
### 索洛悖论的AI新时代

大家好，我是大飞。大家有没有注意到一个非常矛盾的现象：现在几乎所有的科技头条都在说 **人工智能**（Artificial Intelligence: 模拟人类智能的计算系统）正在改变世界，科技巨头们也在疯狂投入。**英伟达**（Nvidia: 全球领先的GPU及人工智能计算平台供应商）的市值突破5万亿美元，Magnificent 7的市值之和甚至是整个欧洲所有上市公司市值的1.8倍。然而，官方宏观经济数据中，AI对生产力的提升几乎看不到。

这让人不禁想起上世纪80年代的计算机革命。当时诺贝尔经济学奖得主 **罗伯特·索洛**（Robert Solow: 美国经济学家，以索洛增长模型闻名）在1987年说了一句著名的话：“你可以在任何地方看到计算机时代，除了在生产力统计数据里。”这就是著名的 **索洛悖论**（Solow Paradox: 指在科技高速发展背景下，生产力统计数据并未出现相应显著提升的现象）。

2013年，**美国经济分析局**（Bureau of Economic Analysis: 负责编制国民收入与产品账户的机构）通过将研发支出和知识产权投资计入GDP，修正了曾经漏掉的巨额产出。但今天AI带来的测量问题，远非当年可比。我们正在进入一个 **AI暗产出**（AI Dark Output: AI创造的真实经济价值，但未被现有宏观经济统计方法捕捉的部分）的时代。AI创造的大部分经济价值，可能永远不会出现在传统的GDP统计中。

### 替代型与新增型暗产出

即将上任的美联储主席凯文·沃什（Kevin Warsh）在2025年底指出，依赖旧数据制定货币政策会犯严重错误。现在的经济统计系统已经“坏了”，无法反映AI时代的现实。为了理解“暗产出”，我们需要将其拆解为几个类别。

**替代型暗产出**（Substitutive Dark Output）最为直观：AI接管了以前由人类完成的任务。例如起草一份基本遗嘱。以前律师收取几百美元，现在用 **大语言模型**（Large Language Model: 基于海量文本训练的 AI 系统）的API生成只需不到1美元。当AI接管这些任务时，从GDP核算来看，这笔交易“消失了”，统计系统反而可能记录为法律服务产出下降、价格上涨——因为剩下的律师处理的是更复杂的高价业务。这忽略了生产力实际上获得了百倍甚至千倍的提升。

更重要的是 **新增型暗产出**（Incremental Dark Output）。这是指AI出现前根本不存在的工作。以前，完成一份全面的学术文献综述可能需要博士生耗时数周、成本高达2000美元；现在AI仅需几美元即可完成。当成本降至极低，人们会在几乎所有小项目前都进行综述，或在面试前用AI分析候选人的全部论文。这些工作创造了真实的经济价值，节省了时间并提高了决策质量，但除了AI公司的token收入外，不会在宏观账户中留下任何痕迹。这种新增产出的价值越大，在统计上就越隐形。

### 为什么制造业能测量而服务业不能？

大家可能会问，为什么制造业自动化能被准确测量，而服务业用AI替代人类却不行？答案很简单：制造业有东西可以数。在制造业，当机械师效率提高时，工厂产出的螺丝数量是明确的。过去600年，普通铁螺丝的实际价格下降了99%，但产量增加了约100亿倍，GDP准确捕捉到了这一点。

而在服务业和脑力劳动中，我们缺乏统一的单位。很多人认为 **token**（Token: 大语言模型处理的最小文本单位）是单位，这是错误的。100万个token可能产生垃圾，也可能产生一份改变公司战略的决策，其价值取决于产出的质量和用途，而非数量。服务业产出的无形性、不可计数性和不可标准化，使得当AI提高生产力时，统计数据只能捕捉到收入的下降，却捕捉不到生产力的爆炸。

### 如何识别暗产出的“指纹”？

虽然无法直接观测暗产出，但可以通过其留下的异常指纹进行感知：

*   **初级员工替代与平均工资上升**：公司裁掉日常重复工作的初级员工，保留高薪高级员工，导致行业平均工资虚高。
*   **就业下降与工资上升**：在AI暴露度最高的行业，就业人数相对整体经济下降，但工资却在相对上升，这是生产力提升的明确信号。
*   **Token的大规模应用但无失业浪潮**：根据 **Anthropic**（Anthropic: 一家致力于开发安全人工智能系统的公司）的数据，大量token被用于计算机和数学领域，但软件投资并未偏离历史趋势。这说明token并未单纯替代工人，而是被用于做以前人类做不到的新工作。

### 测量崩溃的四种逻辑错误

传统的统计系统在四个方面已经彻底失效：

1.  **边界转移（Boundary Shifting）**：付费的外部市场服务转变为企业内部的AI工作流。当这部分工作在企业内部完成时，它就从GDP统计中消失了。
2.  **价格崩溃（Price Collapse）**：统计系统捕捉到了收入减少，却无法识别这是生产力提升带来的价格断崖式下跌。
3.  **行业错配（Industry Mismatch）**：AI在医疗行业创造价值，但数据却记录为科技行业的收入，导致政府对医疗行业生产力判断失误。
4.  **新工作的不可见性（Invisibility of New Tasks）**：那些以前根本不存在、现在用几美分完成的新任务，没有任何传统的收据记录。

### 从女性主义经济学看GDP的局限

最后，我们需要从历史中汲取教训。女性主义经济学家玛丽莲·沃林（Marilyn Waring）曾指出，传统的GDP核算完全忽略了无偿的家务劳动和护理工作。这些被视为对国民账户“没有重要性”的工作，价值却相当于全球科技行业产出的三倍。

经济学家玛丽特·里德（Margaret Reid）在1934年提出的诊断标准至今适用：如果一项工作可以委托给付费的第三方，那么它就是生产性的。但会计处理完全取决于钱是否“易手”。AI使得几乎每一项信息任务都可以被委托，当我们用AI处理医疗咨询或撰写简报时，这笔交易在国民账户中甚至没有任何痕迹。

我们正试图用为一个完全不同的时代设计的旧尺子，去衡量一个生产力正在爆炸的时代。如果我们不能更新这些工具，我们就只能在黑暗中决策，不仅会错过巨大的机遇，还会严重低估随之而来的结构性挑战。暗产出不仅仅是一个会计难题，它是在呼吁我们重新审视衡量经济的核心标准。