文/中金公司CFA分析員劉剛、分析員彭一夫、王牧遙

當AI時代遇上人口變局：會碰撞出什么樣的“火花”？是“靈丹妙藥”、還是新的“麻煩制造者”？

我們可能正處在一個前所未有的歷史交匯點上，人口變局與AI爆發在同一時空中交織。一方面，人口減少與老齡化已成為一些經濟體必須直面的問題，如拖累傳統需求且增加財政負擔；另一方面，AI幾乎以一己之力拉動全球增長，如AI投資就貢獻了美國26年一季度GDP增速的五成多。

那當AI遇上人口變局，會碰撞出什么樣的“火花”，是解決問題的“靈丹妙藥”，還是會制造出新的麻煩？樂天派認為，人少了能緩解競爭壓力和資源緊張，AI與機器人的發展不僅能讓物質充裕（樂觀如馬斯克認為將很快迎來物質的可持續豐盛時代，sustainable abundance[1]），也可以對沖人口減少導致的勞動力不足，最終帶來人均資源豐盛、差距縮小，也就沒那么“卷”了。理性派則認為，人口減少會導致總需求不足和非核心資產收縮退化，AI革命無法帶來所有資源同水平的豐富，替代和擠出效應也難以在無干預的情況下自動對所有人均等的豐富，因此處于核心位置和屆時屬性上稀缺的資源將依然稀缺，一些差異甚至可能會拉大。

會往哪個方向演變、誰又會占據上風，市場存在爭論，坦白講分析難度也很大，但這卻意義重大、不應回避，就像工業革命時代的人們面對大機器一樣，當我們面對閃爍的代碼算法、龐大的算力集群，有一些思考和“先見之明”顯得尤為重要，有助于我們在未來AI時代占有“一席之地”。

人口變局與AI變革交織的可能結果：核心與外圍資產分化，商品與服務價格分化，分配分化

人口變局和AI變革交織，可能會帶來核心與外圍資產的分化，商品與服務價格的分化，以及分配的分化。得出這一結論的基礎，主要在于對以下幾個問題探討：人口減少能否自動帶來資源充裕？AI革命能在多大程度上解決供給充裕問題？AI在提高效率增加供給的同時會帶來何種問題？

? 首先，人口減少能否自動帶來資源充裕？一個悖論是，維持一定人口密度恰是維持一些資源的必要門檻。人口減少在一開始和在表面上的確可以帶來很多人期待的“清凈感”，小到出行、旅游、排隊，大到教育、住房、醫療，但這種“清靜感”的代價可能是功能的弱化和退化。

熵增理論告訴我們，系統天然會從有序趨向無序，維護過程本質上就是投入能量和勞動對抗“熵增”。很多公共服務（如快遞、外賣、醫療、教育）、尤其是剛性成本高的公共設施（如地鐵、高鐵、景區、電網），都需要一定人口密度來維持剛性成本下維護的“經濟性”，因此一旦人口低于某個臨界點，就會變得“不經濟”，走向退化和老化，導致“漲價、低頻、體感差”，成為“清靜感”的代價。

進一步的，新地理經濟學理論（New Economic Geography，克魯格曼因此獲得諾貝爾經濟學獎）告訴我們，人口減少和熵減成本的增加會導致資源加速向核心區域集中以維持其經濟性，邊緣地區則逐漸“退化”，日本邊緣村莊的“限界集落”（65歲及以上人口占比超過50%的村莊）[2]，美國“銹帶”和底特律的破敗，都是這一現象的典型例子。

因此，人口減少并不會自動帶來資源充裕，反而會導致核心與邊緣分化的拉大，相對稀缺的資源依然稀缺，因此在人口變局下把握核心與中心資源更為重要。當然，AI和機器人的變革可以從分攤并降低維護成本角度來部分解決這一問題，但也至少也會受到電力與算力投入的下限約束。

? 其次，AI革命能在多大程度上解決供給充裕問題？一個悖論是，AI在提供充裕資源的同時，也會因為抬高整體生產力水平，使那些AI暫時無法提供的資源更加稀缺。就如同工業革命尤其是全球化深化的過去二十年間商品與服務價格的巨大剪刀差一樣（2000年以來美國計算機等設備、電腦軟件、玩具價格下降超過70%，但醫療服務、大學學費、育兒漲幅在130%-230%之間[3]）。

鮑莫爾效應（Baumol Effect）告訴我們，AI時代會帶來商品、可復制服務（外賣、快遞、出行等）、精細化分工（軟件、科技、金融）的充裕甚至“通縮”，復制成本可能無限趨近于原始成本。但AI暫時無法提供的一些商品和服務（情感或陪護）反而可能會因為老齡化導致的需求錯配、以及AI時代普遍的生產力提升而更加稀缺，因此AI也無法自動帶來所有資源同等的充裕，可能導致“買得起精密電器，請不起優質護工”的悖論。當然，隨著AI的不斷突破，AI所無法提供的領域也會不斷縮小。

? 最后，AI在提高效率增加供給同時，會帶來何種問題？當勞動力從要素退化為成本，是否會使得普通個體參與分配的合法性基礎——“勞動力價值”逐漸喪失。與蒸汽與電氣革命解放人的肌肉以提升效率、互聯網革命延伸人的耳目以降低信息分發成本不同，AI與機器人可能在多數生產環節徹底接管人的大腦和雙手。如果未來AI能夠完全脫離人的參與完成整個生產過程，即柯布-道格拉斯生產函數（Y=A · Kα · L1-α）中勞動力（L）貢獻權重（1-α）趨近于零，大部分任務中，勞動力從“要素”降級為“成本”，人成了純粹的消費者，那么“按勞分配”也將失去載體，這一擠出效應會使得分配向掌握AI生產資料的人群傾斜，使得分配的分化加大，美國勞工部統計IT和金融行業就業人數過去三年分別減少20萬和6萬人就是例證。

如何應對AI時代與人口變局？重新定義新時代的核心資產；發揮AI正面作用，關注分配問題

理性的思辨揭示，不論是人口變局還是AI變革，都有其兩面性，情形沒有直覺想象的那么簡單或一邊倒，因此，充分發揮其積極作用，妥善解決好可能的新問題，同時把握新時代的核心資產，才是理性之選。

? AI在提升全要素生產率和拉動短期增長上有正面性，足以對沖短期人口減少和就業擠出的負面影響，需要充分發揮其正面性作用。我們測算，中美AI產業發展對全要素生產力與資本存量的拉動，未來十年潛在增長年均或可提升0.65和1.09ppt，足以對沖勞動力供給收縮與AI擠出就業帶來的拖累（0.19和0.01ppt），綜合來看發展AI可提升中美潛在增長年均凈增加0.46ppt和1.08ppt。

? 妥善應對好潛在的分配分化問題。隨著算力和算法的發展，AI可以獨立完成越來越多工作任務，資本與勞動的關系逐漸從互補走向替代，勞動的分配份額可能面臨擠出，資本的份額不斷擴大。在此背景下，“做大蛋糕”與“分好蛋糕”同樣重要，二次分配的稅基和保障制度也可以相應優化。

? 把握新時代的核心資產。如何尋找人口變局和AI時代下的稀缺資產，可以從四個測試性的問題出發，比如某一資產：1）在脫離大規模補貼后還能運行嗎？2）人口密度大幅降低后，維護成本會激增嗎？3）產出的效率和經濟性是否有AI高？4）是不是AI運行或機器人制造鏈條上的必需要素？綜合考慮，我們認為以下資產可能符合核心資產的定義：

1） 在物理空間和資產屬性上的“稀缺資產”，例如處于核心位置、具有穩定的公共服務提供網絡的資產具備韌性，如一線/強二線核心區域的地產、交通網絡、優質醫療與教育資源等；相反，邊緣尤其是固定折舊較高的資產會陷入“折舊陷阱”，例如收縮型城市的地產、公用事業等；

2） AI無法提供的或供需錯配的“非標準化資產”，如定制教育、養老養護、情感陪護，悅己需求等；相反，一般商品、標準化服務、精細化的分工反而會因為充裕而走向“通縮”。在對思考深度和表達深度要求高的工作上，人類仍占據主動。

3） AI時代的“瓶頸資產”，列昂季耶夫生產函數（Leontief Production Function）告訴我們，系統的產出往往受限于最稀缺的資源。中短期看，AI投資擴張催生大量設備與基礎設施需求，芯片制造、電氣設備、通信、機械等行業供給出現階段性“短板”；長期而言，跨越產能周期，當AI算力趨向無限充裕甚至接近公用事業時，真正的硬約束將轉向物理世界供給彈性最低的領域，如高能量密度的能源、關鍵的礦產資源、智能與穩定的電網、以及長時間的穩定儲能。

風險提示：本文基于人口結構、AI技術和資產定價邏輯的長期推演，相關判斷具有一定不確定性。人口變化、區域流動及公共服務收縮路徑可能偏離假設。AI技術迭代和商業化落地節奏仍存在不確定性，可能導致生產率拉動、潛在增長和分配格局偏離預期。政策監管、宏觀周期、地緣政治及市場流動性等因素的影響也有不確定性。報告測算亦存在模型假設、參數選擇和外推偏差。

目錄

第一章 人口密度的“悖論”：對抗熵增的必要門檻

1.1 人口減少與老齡化挑戰：不能忽視的問題

1.2 人口密度與規模效應：公共服務退化與否的臨界點

1.3 核心與外圍資產的分化：新地理經濟學

第二章 供和需的“錯配”：AI能在多大程度上解決供給問題？

2.1 人口變局下的需求錯配：整體需求減少但結構需求增加

2.2 AI時代的供給錯配：AI能提供的與AI無法替代的

2.3 商品與服務價格的分化：鮑莫爾的成本病

第三章 從要素退化為成本：勞動力價值的被擠出？

3.1 分配權的大小：對生產函數的貢獻多寡

3.2 分配權的變遷：從蒸汽機到電氣革命，再到信息技術革命

3.3 勞動從生產要素退化為成本：AI時代的不同？

第四章 如何應對AI時代與人口變局？重新定義稀缺資產

4.1 利用AI的正面性：提升全要素生產率和自然利率

4.2 解決可能的問題：應對潛在的分配分化

4.3 如何尋找新時代的稀缺資產：核心、非標準化與瓶頸資產

正文

第一章 人口密度的“悖論”：對抗熵增的必要門檻

1.1人口減少與老齡化挑戰：不能忽視的問題

人口問題正在成為一個主要經濟體無法忽略的問題。全球總人口尚未進入負增長，但增長動能明顯下行，低生育、老齡化和部分經濟體人口收縮已同步出現。

1) 人口數量：歐洲、東亞以及部分新興經濟體均已進入或接近人口平臺期，中國也是樣本之一。2022年中國總人口在連續增長近60年后首次負增長，此后連年下降。2025年末中國總人口為14.05億人，較上年減少339萬人，自然增長率為-2.41‰[4]。

2) 生育率：2024年全球總和生育率約為2.2，聯合國統計超過一半的國家和地區生育率低于世代更替水平2.1（不依賴移民情況下，人口規模要長期維持穩定的生育率水平），覆蓋全球超過三分之二人口[5]。高收入經濟體普遍低生育，東亞則處于低生育的較極端區域。

3) 人口結構：世界銀行統計，全球和OECD成員國的老年人撫養比分別從1960年的8.6%和13.4%走高至2024年的15.7%和28.8%。中國2010年后總撫養比走高，2025年65歲及以上人口占比升至15.9%[6]，屬于中度老齡化社會。

因此，從全球經驗看，隨著經濟增長和社會發展，人口減少、老齡化和少子化可能是一個固有模式，不過中國進入這一階段可能稍快，體現在兩個方面：1）一是速度，中國65歲以上人口占比從7%升至14%用了23年，與其他主要國家相比，老齡化進程較為壓縮。2）二是所處發展階段。中國是在收入水平、社會保障完備程度和區域均衡程度和成熟高收入發達經濟體尚有距離時，進入中度老齡化階段[7]。這意味著，中國老齡化速度要求制度和增長模式更快調整，以避免一些現實問題加劇，包括社保收支壓力上升、養老服務供給不足等。

對于這一變化，樂觀者認為，人口減少可以緩解人均資源緊張，AI與機器人的發展又可以補足人口減少導致的勞動力不足，帶來物質的豐富，共同解決當下很多問題，如養老壓力和資源緊缺。謹慎者則認為，人口的減少會導致需求不足，AI革命無法帶來所有資源均等的豐富，也難以在無干預的情況下自動對所有人都豐富，核心的資源將依然稀缺。那么，人口減少能否自動帶來資源充裕？

1.2 人口密度與規模效應：公共服務退化與否的臨界點

人口減少雖然不利于總需求，但從人均資源角度，直覺似乎告訴我們這是件好事，因為人少了，平均資源就變多了，也就不需要這么卷。這個判斷在靜態條件下似乎成立：如果人口減少而土地總量不變，那么理論上人均土地會增加；如果住房存量不變而人口減少，人均住房面積也會提高。

然而，這種直覺忽視了一個關鍵事實：現實情況并不完全是靜態分配，部分系統依賴規模、密度和網絡效應運行。很多公共服務（如快遞、外賣）、尤其是剛性成本高的公共設施（如地鐵、高鐵），維護過程本質上就是人類在投入能量和勞動來對抗“熵增[8]”，所以需要一定的人口密度和規模效應分攤“熵減”成本。人口既是需求來源，也是維持部分供給體系運行的“分母”。因此，一旦低于某個臨界點，反而可能因為失去規模經濟而變得更貴和更脆弱，就會陷入“漲價、低頻、體感差”，成為所謂人少“清靜感”的代價。

這一判斷有其理論基礎。克魯格曼提出新經濟地理學（New Economic Geography，NEG）[9]，且因其在貿易理論和經濟地理學中的貢獻獲得2008年諾貝爾經濟學獎。新經濟地理學的核心思想是，由于存在規模報酬遞增、運輸成本和市場接近性差異，人口和產業會向少數中心區域集中，當外圍區域失去足夠市場規模時，平均成本會上升更快，人口和資本便會繼續向中心回流。公共經濟學中的“最小有效規模”被視為這一機制在公共服務和本地服務領域的延伸：無論是教育、醫療、交通、市政等公共服務，還是外賣、快遞、社區零售等市場化本地服務，都需要足夠人口和需求密度來分攤固定成本。只不過前者更多依靠財政和行政體系維持，后者更多依靠價格、訂單密度和平臺網絡維持。

因此，人口減少帶來“清靜感”的可能代價是社會服務的老舊和退化，尤其是邊緣地區。高增長階段，很多成本可以被新增人口和新增需求稀釋；人口收縮階段，這種稀釋效應減弱甚至消失，原本被增長掩蓋的固定成本問題會重新暴露。OECD對收縮地區的研究表明，低密度和持續人口流失地區，基礎設施和公共服務的人均固定成本更高，可達性和服務質量也更容易同步惡化[10]。

打比方說，地鐵、鐵路等公共交通客流減少30%，并不意味著線路、信號、檢修和場站成本可以同步下降30%；醫院門診量減少30%，也不意味著急診、影像、檢驗和住院體系可以等比例壓縮；外賣和快遞訂單密度下降后，也不只是少送幾單，騎手調度、倉網覆蓋、履約時效等都會受到影響。人口減少將改變本地社會服務體系的成本曲線，系統從“規模經濟”可能滑向“規模不足”，最終通過漲價、降頻、縮網或退出完成調整。

整體功能性退化和向中心區域集中是同步出現的，現實中諸多經驗如韓國的首都圈、日本的邊遠山村、美國的底特律和中國東北的老工業區也在不斷印證這一點：

? 韓國是新經濟地理學中“核心-邊緣”框架的一個典型樣本。韓國人口自然增長率放緩甚至轉負后，首爾首都圈的集聚程度進一步上升。2000年以來，韓國人口自然增長率從8.2‰下滑至2025年的-2.1‰，首都圈勞動力人數占比卻從47.4%增加至51.2%。經濟活動同樣繼續向核心區域集中，2023年韓國首都圈名義地區生產總值占全國52.3%，2024年進一步升至52.8%[11]。

? 日本的邊遠山村則提供了低密度地區服務體系收縮的證明。日本的“限界集落”，通常指65歲及以上人口占比超過一半、基礎服務體系難以維持的村落[12]。隨著年輕人口外流和老齡化加深，這些地區面臨交通、醫療、商業和照護服務退化的問題，比如地方鐵路和公交普遍出現減班、縮線和站點無人化[13]，JR北海道在過去十余年中陸續停運多條地方鐵路。這一背景下，日本1999年開始推行“平成大合并”，將市町村數量由1999年的3232個降至2010年的1727個，正是希望通過行政合并提升治理能力、擴大基礎服務半徑、攤薄地方固定成本。

? 底特律是更為極端的城市收縮的案例。底特律的人口從1950年前后約185萬人降至2020年的63.9萬人，2024年仍僅約64.6萬人[14]。人口收縮后，人均資源并未趨于寬松，而是表現為社會服務退化。底特律債務調整文件顯示，至2013年4月，全市約40%的8.8萬盞路燈無法正常工作；警察優先級案件平均響應時間接近58分鐘，EMS平均響應時間接近15分鐘；35座消防站平均樓齡高達80年；公交系統方面，DDOT缺勤率高達35%，車輛維護效率比可比系統低58%，服務中斷與不準點現象普遍[15]。人口減少并沒有讓城市治理更輕松，反而讓最基本的照明、治安、急救和交通系統陷入失修狀態。

從理論到實踐，從美國到東亞都說明，現代社會具有高固定成本、較強基礎服務依賴和區域發展不均衡等特征，人口增長放緩甚至轉負，會使得建立在規模擴張基礎上的教育、醫療、養老、交通、市政等公共服務和外賣、物流等市場化本地服務，出現成本分攤弱化、邊際負擔上升和區域失衡加劇等問題。這種壓力并非中國獨有，日本、韓國進入人口收縮階段后同樣面臨，但中國由于人口規模更大、地方財政對土地和擴張也更為敏感。

圖表：為攤薄固定公共成本，日本推行平成大合并，削減市町村數量

資料來源：日本總務省[16]，中金公司研究部

圖表：日本過去十余年陸續停運多條地方鐵路

資料來源：Wind，中金公司研究部

圖表：2013年底特律約40%的路燈無法正常工作，遠高于可比城市水平

資料來源：Detroitmi.gov[17]，中金公司研究部

1.3 核心與外圍資產的分化：新地理經濟學

人口減少對資產定價的影響，關鍵不在于總量上的需求收縮，而在于資產重新分層，將從物理空間和資產屬性兩個維度造成分化。物理空間上，中心與邊遠的分化可能加大；資產屬性上，核心與邊緣資產分化也可能加大。

? 空間維度看，人口和服務會從邊緣向中心收縮，物理空間上的分化可能進一步擴大。核心區域由于擁有更高的人口密度、更穩定的稅基，以及更完整的教育、醫療、交通和商業網絡，更能承受人口總量增長放緩的沖擊。邊緣地區則容易因為人口外流跌破系統維持閾值，出現服務退坡、資產折價和進一步人口外流。這一過程對應新經濟地理學中的“累積因果循環”，核心區域的規模優勢會在人口和資本流入中不斷強化。該現象已在多個國家出現：東京圈在全國人口收縮階段維持凈流入，2025年凈流入12.35萬人[18]，“外圍失血、中心虹吸”；韓國首都圈人口占全國比重超過50%[19]；法國巴黎功能區人口占全國比重接近20%[20]。

這也是“稀缺的更加稀缺”的第一層含義。人口減少后，邊緣地區的資產可能變得更便宜、更富余；但能夠持續獲得優質教育、醫療、交通、物流等服務的區域，資產反而會更稀缺。市場定價的是資產背后的人口密度、財政能力和長期可達性。正如日本東京房地產價格較全國平均水平持續上升，2024年東京房價指數較2012年底上漲39.1%，同期日本所有城市土地價格下滑2.1%；美國“銹帶”地區，房地產市場較全國整體水平也持續低迷。

? 資產屬性看，人口減少也會從可維護性上改變存量資產的定價邏輯。過去十多年，部分地方政府在擴張周期中建設了大量景觀河道、亮化工程、公共設施等。這些項目建設時往往依靠土地財政、專項債或擴張型財政支撐，建成后也需要持續維護。隨著人口增長放緩，存量設施使用頻次下降、維護投入不足，可能加速老化，甚至從“城市資產”轉化為“維護負擔”。畢竟從系統論角度看，城市系統存在類似“熵增”的維護壓力：如果缺乏持續投入，基礎設施和服務網絡會逐漸走向低效和失序。這也是底特律后續公共服務修復并非自發，而是依靠政府集中再投資的重要原因。

這是“稀缺的更加稀缺”的第二層含義。隨著時間推移，很多存量資產雖仍然存在，但維護能力、服務質量和使用體驗下降，可能逐漸從“有效資產”變成“低效資產”。所謂“邊緣”不只是地理上的“邊遠”，也包括資產屬性上的邊緣。即使在同一座城市，維護趨弱、形態老化、脫離高質量服務網絡的存量資產，也會被市場重新定價。老舊住宅與新一代住宅間價格差距擴大，反映的正是資產定價已經從單純看區位和供給稀缺，轉向更加看重長期使用價值。

圖表：人口密度下降或推升社會服務單位成本

資料來源：Wind，中金公司研究部

圖表：東京圈在全國人口收縮維持凈流入

資料來源：Wind，中金公司研究部

圖表：韓國首都圈人口占全國比重超過50%

注：數據截至2024年12月31日
資料來源：韓國國家統計局，中金公司研究部

圖表：東京房價較全國水平持續上升

資料來源：Wind，中金公司研究部

第二章 供和需的“錯配”：AI能在多大程度上解決供給問題？

2.1 人口變局下的需求錯配：整體需求減少但結構需求增加

人口收縮和老齡化背景下，經濟面臨的首要約束是總需求增長放緩。這一點在中國尤為重要，不少行業面臨的問題不是供給不足，而是供給較強、但價格承壓。2025年中國規模以上工業產能利用率為74.4%[21]，PPI卻下降2.6%，居民消費價格與上年持平[22]，說明部分工業部門已經處于供給較為充裕、價格競爭加劇的狀態。

更關鍵的是，人口結構變化正在重塑需求結構。根據生命周期消費理論，人口年齡結構變化會改變一國的消費、儲蓄、公共財政和代際資源配置。年輕人口減少，會削弱新增住房、汽車、家電和部分大眾耐用品的需求彈性；老齡化加快，則會推升醫療、護理、養老、康復、陪伴、社區照護等需求。前者更多對應標準化商品和耐用品，后者更多對應非標準化、強人類服務屬性、強本地交付屬性的服務。

日本的經驗正表明了這點，八十年代末日本人口周期拐點顯現，經濟增速放緩，對消費業態的映射表現為：1）家庭小型化、少子化、女性勞動參與率提升，推動便攜式餐飲等消費業態發展；2）人口老齡化促使大健康產業擴張；3）“口紅效應”也促使游戲美妝、微醺酒飲、潮玩娛樂等悅己消費、個性消費和性價比消費獲得增長空間。

中國當前也在人口和經濟結構轉型下經歷消費新趨勢，包括：1）銀發與照護消費，比如養老機構、居家護理、康復醫療和養老金融等；2）消費降級與消費下沉，包括折扣零售和高性價比國貨；3）情緒與悅己消費，包括潮玩娛樂賽道、美妝醫美賽道等；4）體驗與文旅消費等。這一判斷也與4月中央政治局會議的政策取向一致。會議明確要求“擴大優質商品和服務供給，推動消費升級，深入實施服務業擴能提質行動”[23]。

因此，中短期總需求不足與結構性供給短缺并存是當前的主要瓶頸。一方面，部分工業品和標準化消費品供給充裕、價格承壓；另一方面，銀發消費、體驗消費、悅己消費等服務的需求上升，卻受制于人力、財政、專業能力和本地服務網絡。

圖表：中國居民當前的支出中，教育依然排在最前列，其實是保險和健康，醫療、旅游等

資料來源：麥肯錫《新常態下的中國消費》2025年4月，中金公司研究部

圖表：日本消費社會的五個時代及消費特征

資料來源：三浦展（2025）《第五消費時代》，中金公司研究部

2.2 AI時代的供給錯配：AI能提供的與AI無法替代的

關于AI的一個常見觀點是，AI可以顯著提高生產效率，從而解決人口收縮、增長放緩等大部分問題。這一看法背后的直覺不難理解：如果“機器”不僅能執行體力勞動，還能完成認知勞動、輔助決策，甚至不斷自我迭代，那么供給能力似乎就可以持續擴張，原有很多稀缺約束也會被逐步打破。

社會中圍繞“AGI”“奇點”的討論，本質都建立在這一邏輯之上。馬斯克在2025年達沃斯論壇上曾公開表示：通用人工智能（AGI）將于2026年實現，到2030年，AI的總智能將超越全人類[24]。人類正經歷“超音速海嘯”般的“技術奇點”時刻，社會將邁向“普遍高收入”的豐盛時代。這種敘事很有吸引力，AI被想象成一種近似通用的降本工具，“技術終將解決一切約束”。

但是，這一判斷可能存在的問題在于，它把AI對經濟和社會系統的作用理解得過于平均化了，但技術進步從來不會均勻作用于所有部門、所有任務、所有需求。Acemoglu和Restrepo關于自動化與新任務的研究正強調了這一點[25]（Acemoglu & Restrepo, 2019）。AI確實會帶來深刻改變，但它改變的只是一部分供給，而不是全部供給；它顯著降低的是一部分成本，而不是所有成本；能提升的是一部分效率，而不是必然轉化為足夠多的新需求。因此，理解AI影響的關鍵，在于把AI從“抽象”的萬能工具中“具象”出來，放進人口收縮背景下的供需關系，判斷它到底能解決什么、不能解決什么。

AI確實能提高效率，具身智能也可能會把這種效率提升從數字世界進一步延伸到物理世界，但效率提升并不等于需求自動擴張。AI和機器人可以降低成本，也可能催生新的產品形態、商業模式和工種，但中短期卻無法直接創造人口、改善居民收入和消費意愿。成本下降能否轉化為新增需求，仍取決于需求彈性、收入分配和消費傾向。Bessen關于AI與就業的研究強調，技術進步對產出和就業的影響取決于需求條件：如果需求足夠有彈性，效率提升可能帶來產出擴張；如果需求趨于飽和，效率提升未必會帶來足夠新增需求（Bessen, 2018）[26]。

在總需求偏弱的環境下，AI和機器人帶來的效率提升，可能更多表現為價格競爭、利潤再分配和行業出清，而不是自動帶來經濟總量擴張。以制造業為例，如果某類產品本身已經供給充裕、需求彈性有限，進一步自動化和降本并不必然帶來銷量大幅增長，反而可能加劇價格下行壓力。換言之，AI和機器人可以改善生產函數，但不能單獨解決需求函數。

? 一方面，AI最明確且最有把握的作用，是降低標準化勞動的成本。文本生成、知識檢索、代碼輔助、流程管理、甚至內容生產，都屬于容易被模型壓縮邊際成本的任務。機器人則會推動線下場景的自動化，例如倉儲分揀、工業質檢、標準化裝配、物流配送、自動駕駛等。因此，AI與機器人相結合，較容易改善的是標準化商品和流程化服務，使這些供給更便宜、更充裕。

? 另一方面，AI和機器人難以將所有服務自動化，也并非改善全部供給的萬能工具。越是結構化、可預測的場景，AI和機器人的替代越容易；越是開放復雜、非標準化、需要責任承擔和人際互動的場景，替代難度就越高。醫療、護理、養老、教育、社區服務等領域，不僅包括信息處理或機械動作，還需要持續互動、復雜判斷、信任關系和責任承擔。AI和機器人可以作為輔助，卻很難在短期內等價替代問診、照護、教學管理和長期陪伴。

這就導致一個深層次的結構性矛盾：AI可以替代標準化商品和標準化服務，但人口變化真正推高需求的，卻是非標準化、強人類服務屬性的部門，更何況AI和機器人并不能自動提供足夠多的新需求，也不能自動把需求導向它最擅長供給的方向。所以技術進步可以提升潛在供給，卻無法單獨解決需求不足與需求錯配。

圖表：供給端上，AI最明確且最有把握的作用，是降低標準化勞動的成本

資料來源：Anthropic[27]，中金公司研究部

2.3 商品與服務價格的分化：鮑莫爾的成本病

AI革命在宏觀層面，或導致“商品通縮”和“服務相對通脹”并存。商品和標準化服務的邊際成本被AI壓低，這些部門的供給更充裕、競爭更激烈，價格因此承壓；與之相對，醫療、護理、養老和高端線下服務等部門，既受到人口結構變化帶來的需求支撐，又難以通過AI實現同等幅度的降本增效，相對價格更容易保持高位，甚至繼續上升。這就導致，技術進步越快，整體價格的結構分化就越明顯。

不過值得注意的是，如果標準化商品和服務中的部分勞動被AI和機器人替代，那原本從事這些工作的勞動者，可能會轉向更難自動化的服務行業。表面上，這會增加服務供給，對部分低門檻的服務價格形成壓制，然而這種“勞動力再配置”并不意味著整體的服務通脹會消失：被技術擠出的勞動者可以流入服務業，但也難以趕快進入醫療、護理、養老、教育、高端線下消費等高資質和高信任門檻領域。因此，服務價格內部會再分層：低技能、標準化程度較高的服務價格趨于平穩甚至承壓，而照護型、專業型、稀缺型服務價格繼續上漲。

因此，AI沒有消除鮑莫爾成本病，而是在一定程度上使其強化。鮑莫爾1967年的分析指出，當不同部門生產率提升速度不一致、而工資又存在跨部門聯動時，生產率提升較慢的部門，其單位成本和相對價格會持續上升[28]。ECB對服務業價格的分析也延續了這一邏輯：當制造業和可貿易品部門更容易提效，而接觸密集型服務難以同步提效時，服務價格相對于商品價格就會趨于上升[29]。美國數據可以作為現實參照。美國醫療支出占GDP比重已超過18%[30]，過去30年中，美國醫療、教育和住房服務價格上漲速度明顯快于商品價格[31]。

綜上所述，人口與AI放在同一框架下，需求和供給兩方面的錯配會導致資產定價邏輯自然會發生變化。人口收縮削弱規模效應和密度效應，推動社會服務從“普遍覆蓋”轉向“擇優維持”，從而強化空間再集中和資產分化；AI擴散壓低標準化任務的邊際成本，推動商品和可復制服務進一步豐富，同時提高人類服務和物理資源的相對稀缺性。一個壓縮的是系統“分母”，一個壓縮的是復制“成本”，結果都不是均衡化，而是再分層：商品生產的高度自動化，標準化商品和標準化服務更豐富，而優質人類服務、穩定的社會服務網絡與高質量的系統維護能力反而成為真正的稀缺資源。

圖表：美國醫療護理等價格持續跑贏整體

資料來源：Wind，中金公司研究部

圖表：日本醫療服務價格依然跑贏整體

資料來源：Wind，中金公司研究部

第三章 從要素退化為成本：勞動力價值的被擠出？

3.1分配權的大小：對生產函數的貢獻多寡

兩百多年前，當蒸汽機與織布機奏響第一次科技革命的旋律，彼時的農民或許很難想象，生產力得以空前解放的同時，社會秩序也會被深刻重塑。普通人掌握新型生產資料（蒸汽機和工廠）的難度加大和勞動力在生產中議價能力的下降。當下，當人工智能帶來生產力的又一次飛躍，但勞動力的議價能力可能進一步被擠壓，是否會導致分配的分化？

研究分配問題，通常從包含各種要素的生產函數著手。最常見的生產函數形式是柯布-道格拉斯生產函數（Cobb-Douglas），它既可以對數線性化，又能刻畫邊際產出遞減、規模報酬等經濟直覺，在數學的簡潔性和經濟現實的擬合之間取得了較好的平衡。更重要的是，在完全競爭市場的假設下，α恰好等于資本收入的份額，而1?α等于勞動收入的份額。這使得該函數能直接用于解釋各種要素的分配問題。

伴隨著生產率大幅提升，技術進步對勞動和資本的分配產生深遠影響。這種影響并非一成不變，而是取決于技術的偏向性，可分為三種類型：1）當技術進步是“希克斯中性（Hicks Neutrality）”時，資本和勞動生產效率，生產者沒有動機去改變生產要素的組合比例，資本和勞動的分配比例不變；2）如果是資本偏向型，即索洛中性（Solow Neutrality），則資本邊際產出增長更快，生產者提高資本投入，直到資本與勞動的邊際產出相等，資本份額相應提升；3）反之則是勞動偏向型，即哈羅德中性（Harrod Neutrality），相應的，勞動份額會有所提升。

3.2 分配權的變遷：從蒸汽機到電氣革命，再到信息技術革命

嚴謹起見，本節建立一個系統的分析框架：技術進步對勞動份額的凈效應，取決于“任務自動化”與“新任務創造”兩股力量的競賽，而這一競賽的結果，受到一國特定的要素替代彈性、教育體系兼容性及制度環境的深刻調節。由于該機制在不同經濟體中的表現存在系統性差異，本節以美國為歷史參照，同時在信息技術革命等關鍵節點展開跨國比較，避免將單國經驗簡單泛化。

圖表：歷次技術革命本質驅動力以及勞動分配權變化

資料來源：中金公司研究部

一、蒸汽機革命時代，機器替代肌肉，制度對沖缺位，勞動份額顯著下降。

18世紀下半葉至19世紀中葉，隨著蒸汽機的發明與廣泛應用，第一次工業革命實現了從生物能向機械能的根本性轉變。蒸汽機的出現突破了人體肌肉力量的自然極限，將人從繁重的體力勞動中解放出來。這一時期，機器生產逐步取代手工勞動，工廠制度取代傳統手工作坊，生產方式由此進入機械化和規模化發展的新階段，資本的生產效率顯著提升。

另一方面，由于新任務創造效應尚處萌芽，且公共教育與勞動保護制度未建立，勞動的“被替代效應”缺乏對沖。制度與人力資本的調節空間極其有限，技術進步的資本偏向性完全顯化。以美國為例，資本收入份額較世紀初提升約10個百分點，勞動份額顯著下降。

二、電氣革命時代，更靈活通用的動力技術創造大量新任務，疊加制度保障，勞動份額有所回升。

19世紀末，誕生了以電力和內燃機為標志的第二次技術革命。但這一階段，勞動收入份額反而在上升，二十世紀30年代相比十九世紀中期提升約9ppt。電氣革命之所以是勞動偏向型，核心原因在于電力、內燃機相比蒸汽機驅動更靈活、更具通用性，替代部分舊任務的同時，創造了大量新的、勞動密集型的工作崗位[32]。電氣革命從無到有創造了汽車、家電、通信等產業，并且通過提供模塊化、可靈活布局的動力單元，促進了標準化流水線作業發展，由此又帶來了大量的生產調度、質量控制、流程管理等崗位。人作為機器的“操作者、決策者”參與分配。

統計顯示，相比1850年，1900年美國男性勞動力職業結構中農民占比大幅下降，而白領、藍領工作占比均有提升。但勞動份額在美國回升約9個百分點的結果，并不只是技術自動實現的。公共教育提升了新任務的技能匹配度，為這些新工作培養了合格勞動力；此外工會壯大保障了議價權，集體談判進一步增加了勞動力的收入份額。

三、信息技術革命時代，信息處理、成本大幅降低，但技術的替代性因國家而異，疊加全球化分工等因素，以美國為代表的發達國家勞動份額不斷下降。

20世紀后期，以計算機和互聯網為核心驅動的第三次科技革命爆發。由于大幅度降低了信息處理、分發成本，計算機及數字化技術開始大規模介入并部分替代人類在信息收集、分析和傳遞等環節需要中等技能的勞動。這種替代不僅體現在制造業等可貿易部門的自動化控制上，更廣泛地滲透至許多不可貿易部門，如金融、法律等服務業。另一方面，計算機和互聯網技術的普及延伸了人的耳目，壓縮了時空距離，顯著提升了人與人、人與信息的連接效率，為全球范圍內的協同與分工創造可能。據IMF測算[33]，1993年~2024年，發達經濟體勞動力份額的下降中，約一半來自信息技術進步，全球化分工等因素則貢獻了剩余50%的降幅。不過，與美國不同，信息技術對中國的勞動力市場相對友好，其微觀根源可能在于兩國的要素替代彈性系數以及產業結構存在系統性差異。

圖表：技術革命勞動與資本分配權演變和猜想

資料來源：劍橋美國經濟史（斯坦利·L.恩格爾曼等，2021），Haver，中金公司研究部

圖表：1800年以來年美國勞動報酬份額

資料來源：劍橋美國經濟史，Haver，中金公司研究部

3.3 勞動從生產要素退化為成本：AI時代的不同？

AI革命的核心是算法和大模型，本質是算法決策代替人類邏輯，人類的認知功能第一次被技術外化。隨著算力算法的發展，AI可自行完成“感知-判斷-決策-執行”的全鏈條環節，人類將不再是生產的主體單位。資本不再需要勞動作為“中介”就能實現自我復制和自我改進，資本與勞動的關系發生了根本性改變，分配權從“人的貢獻”徹底轉向“資本獨占”，分配權的關系也將出現根本性變化。

AI相比歷次科技革命對勞動份額的影響更大，很大程度上是因為勞動不再是生產的必要投入，從要素逐漸退化為成本，不再是增長的約束，也不再是分配的依據，這就使勞動力逐漸失去了參與分配的合理性：

? 人的生產主體性被逐漸擠出。前兩次工業革命中人類作為機器的看管者和維護者參與生產分配，第三次工業革命中人類作為信息處理者和信息節點參與生產分配，人在生產決策中處于中樞角色，但是AI革命背景下人類的認知功能被外化，判斷決策功能被替代，正在成為生產環節的邊緣角色。

? 資本從被增強到自我增強。前三次工業革命中技術進步提高了資本效率，但是資本仍然依賴人的維護。而AI革命的核心機制是自我復制和自我改進，資本不僅能夠自我復制，還能自我迭代，不斷提升自身質量與效率，真正實現了資本的自主生命。

那么，勞動的份額將如何變化？我們接下來參考Restrepo（2025）[34]的研究，進一步區分強假設和弱假設，對勞動份額的變化進行推演。

#1 悲觀情形（強假設）：算力無限增長，勞動貢獻趨近于零

假設存在一個“AGI時代”：1）任何工作均可由有限算力獨立完成，且隨著技術進步，完成每項工作所需的算力成本將逐步下降并收斂至某個常數；2）算力、能源等要素雖在任意時刻有限，但隨時間推移可不斷增長，算力邊際成本不變甚至遞減。

在這個社會中，工作將分為兩大類任務：標準化和非標準化任務。按照上文定義，1）標準化任務具有重復度高、復制性強、可程序化等特征，大部分制造業、編程、甚至結構化寫作都屬于這一類。算力相比人類完成這類任務更有性價比。2）非標準化的任務通常需要發揮人類情感、創意的價值，較難程序化，例如陪護、藝術和創造發明等。算力也可完成相關任務，但單位產出相比人類沒有優勢。

在追求產出最大化與競爭均衡的環境中，隨著時間推移到無窮期，可得到如下推論：

? 所有標準化任務最終被算力自動化。算力持續增長且具備替代標準化任務的能力，而人類勞動產出相對固定，那么增量的標準化工作將被算力完全替代。并且，在摩爾定律與規模經濟的作用下，算力邊際成本不變甚至遞減，其相對于人類勞動的經濟性優勢持續擴大。因此，存量標準化任務也將被逐步滲透與替代。

? 標準化任務的工資收斂到算力替代成本。人工智能時代，算力與勞動完全替代。在市場競爭機制下，當工資低于算力替代成本時，雇主會爭相雇傭人類勞動，抬高工資；如果高于算力替代成本，雇主則會用算力替代勞動，從而壓低工資。最終，工資被牢牢錨定在算力替代成本附近。

? 非標準化任務因為算力替代不經濟，仍保留人類勞動。對于非標準化任務，算力替代成本仍高于人類勞動產出，因此其替代勞動在技術上可行但經濟上不可行。這也就意味著，非標準化任務可能仍由人類勞動主導。

? 生產函數無需勞動力參與也可獨立運轉，勞動貢獻趨近于0。AI時代，理論上所有任務都可以被算力自動化，即使非標準化認為經濟上不可行但是技術上也可被算力替代。因此勞動不再是必須的生產要素，生產函數無需勞動力參與也可獨立運轉。長期而言，算力增長無限而勞動力供給相對有限，導致總產出中，算力產出占比趨近于1，而勞動占比趨近于0，收入分配極度向算力的所有者集中。

圖表：悲觀情形下，算力和勞動力市場出清，勞動份額趨近于零

資料來源：中金公司研究部

#2 溫和情形（弱假設）：算力有限增長，勞動保留部分分配權

在溫和的弱假設下，如果存在除算力外的能源、材料等資源品限制，算法效率又無法持續提升時，算力持續增長不再成立，部分結論也會發生變化。具體看：

? 工資水平提升，但仍無法高于算力替代成本。理論上，算力仍可以替代任意環節的任務，算力替代成本仍是工資的重要參考。不過，因為算力的生產成本邊際遞增，算力替代成本也隨之上升，從而抬高了工資水平。但是，在完全競爭市場中，工資仍無法高于算力替代成本。因為，如果工資持續高于算力成本，資本會涌入算力生產，用算力替代勞動，直至算力的邊際成本提升至與勞動的邊際產出相等，即與工資持平。

? 勞動收入份額不再趨近于零，算力和瓶頸資源共同參與資本分配。資源約束下，算力總量有限，可能無法完全替代所有標準化任務。特別是那些需要大量算力的任務，仍需人類勞動完成。此外，需要更多算力且邊際產出較低的非標準化任務，算力替代的比例會更低。勞動收入份額會明顯大于0。另一方面，資本份額，不再被算力獨占，存在瓶頸限制的資源也將參與收入分配。算力和瓶頸資源分配比例與兩者的產量以及邊際產出有關。

圖表：溫和情形下，算力和勞動力市場出清后，勞動保留一定份額

資料來源：中金公司研究部

#3 那算力能否趨近公用事業？整體很難，部分標準化環節可以

隨著硬件、算法和工程技術的持續迭代，算力邊際生產成本正在顯著下降。同等智能模型生成的詞元價格已從2022年60美元斷崖式下降至2026年初的0.06美元。加上算力在物理形態上具有“即產即用”、短期供應存在剛性等特點，人們很容易將其與電力這類公用事業商品相類比。由此引申出一個核心命題：算力定價路徑將如何演繹？是悲觀情形下成本邊際不變，逐步淪為與電力類似的廉價公用事業品；還是溫和情形下成本邊際遞增，演化為差異化定價的關鍵要素資源？

算力和電力生產鏈條有相似也有不同。從流程上看，兩者的生產邏輯是類似的，都需要將原材料（能源、礦產等）通過各種生產設備進行加工轉化，得到最終的產品；兩者的單位生產成本都在通過技術進步不斷降低；更重要的是，它們都是通用目的技術，滲透到了各行各業。然而，算力鏈產出的詞元和電力鏈產出的電力存在本質上的區別：

? 電力是同質化商品。無論它來自煤電、核電還是風電，終端用戶使用的都是同質化的商品，單位電力產生的能量也完全相同。電力市場的競爭焦點主要集中在價格和供應穩定性上。

? 詞元是差異化商品。不同模型生成的詞元，數量相同的情況下，“質量”可能天差地別，這種品質層面的差異直接決定了其經濟價值。以開源模型和閉源模型的競爭為例，開源模型主打性價比，同等測試得分下的詞元價格較閉源模型低20%；閉源模型側重更高的智能水平和輸出質量。如果詞元是同質化的，那么開源模型會迅速搶占閉源模型的市場份額。但現實卻是，閉源模型的市場份額依然領先。這說明，不同模型輸出的詞元在準確性、嚴謹性、匹配度等品質上存在顯著差異和壁壘且用戶愿意為高質量、高智能支付溢價。

綜上，算力定價更類似于溫和情形，實現一定程度的差異化定價。電力市場是價格驅動的同質化競爭，而算力市場是技術、質量與生態驅動的差異化競爭。即使未來算力極度充裕，詞元的“質量分層”也不會消失。高端詞元將繼續因其稀缺的“智能質量”而享有溢價，而低端標準化詞元則可能陷入價格戰。這種分化意味著，算力不會演變為一種單一的、無差別的“電力”，而是實現一定程度的差異化定價。

不過，產業鏈上的某些環節確實可能向公用事業模式靠攏。例如，純粹的推理提供商或云平臺，它們提供的是相對標準化的“算力管道”服務——將詞元從模型傳輸到用戶。這一環節的競爭焦點在于帶寬、穩定性和成本，與電網或電信運營商高度相似，這類服務提供商未來的角色確實可能朝著電網等公用事業的方向演變。

圖表：算力生產與電力生產流程對比

資料來源：中金公司研究部

圖表：開源模型難以撼動閉源模型的市場份額

資料來源：Artificial Analysis，中金公司研究部

第四章 如何應對AI時代與人口變局？重新定義稀缺資產

通過上文的分析，可以發現，不論是人口變局還是AI變革，都有其兩面性，情形沒有直覺想象的那么簡單或一邊倒，因此，充分發揮AI的積極作用，也妥善解決好可能帶來的新問題，同時把握新時代的核心資產，才是理性之選。

4.1 利用AI的正面性：提升全要素生產率和自然利率

AI對增長有多大作用，能否對沖人口減少與對就業的擠出？本章節中，我們綜合AI對勞動力市場的沖擊，測算AI對經濟增長的影響。

Acemoglu & Restrepo（2018）[35]認為，AI對宏觀經濟的影響主要體現在兩方面：一是全要素生產率TFP的增長，二是TFP增長提升資本的邊際產出后帶來的資本存量的增加。我們估算顯示，中國和美國的AI產業發展通過對全要素生產力以及資本存量的拉動，未來十年潛在增長年均或可提升約0.65和1.09ppt；而勞動力供給收縮以及AI對勞動力的替代則可能拖累中美增長分別約0.19和0.01ppt。綜合來看，發展AI可提升中國和美國潛在增長年均凈增加0.46ppt和1.08ppt。

需要指出的是，本文測算沿用Acemoglu（2024）的技術供給框架，其基本邏輯是AI降本提效，提升全要素生產率，從而促進資本深化增加投資，最終擴大潛在產出。這一路徑暗含了“新古典增長模型”中供給自動創造需求的假設，即新增產出總能找到足夠的需求承接。然而，如前文所述（第二章），人口老齡化與收入分配失衡可能使總需求長期偏弱，導致需求無法自動跟上供給擴張。這一情形下，AI拉動的潛在增長可能無法完全實現，實際增長將取決于政策能否改善分配，有效刺激需求（如轉移支付、社會保障重構、財政擴張等）。因此，該測算應理解為技術潛力上限，而非確定性預測；若需求側條件不能改善，AI對增長的帶動可能低于該估算。收入分配調節機制等需求側政策若能落地，將有助于彌合供需缺口，使實際增長更接近供給潛力。

#1 AI對TFP的影響：年均提升中美0.51和0.30ppt

參考Acemoglu（2024）[36]的研究，如果完成某類任務的成本因為AI而下降，意味著單位產出需要的投入更少，整個經濟體的生產效率提升。因此，AI對全要素生產率TFP的提振可以表示為：

? 首先，美國和中國分別有26.6%和18.1%的工作AI自動化潛力較高。AI大模型（LLM）強項在于處理信息、生成內容和執行基于規則的重復性認知任務上，直接觸及知識型工作的核心環節。Gmyrek等人（2025）[37]認為職業是一系列任務的組合，通過統計AI大模型擅長任務在各類職業中的占比，定義各類職業的AI敞口。

該研究將不同職業對AI暴露敞口從低到高劃分為5個梯度，本文選擇后三檔梯度，即平均敞口在40%以上以及平均敞口+一個標準差[38]大于50%的職業作為存在較大AI自動化潛力的工作。此口徑下，全球、北美和亞太地區AI自動化潛力較高的工作比例分別為16.4%，21.0%和14.3%。由于數據可得性原因，本文以北美和亞太地區的數據分別指代美國和中國。

進一步，測算各梯度的薪資水平。每個梯度包含若干職業，本文以梯度內占比最大的職業的薪資水平代表該梯度的薪資。最后，將薪資水平與梯度占比的乘積除以全社會的平均薪資，得到中美兩國受AI顯著影響的職業在勞動要素中的占比，分別為26.6%和18.1%。

? 其次，不同配置模式下，AI的經濟可行性從23%~80%不等。參考Svanberg et al.（2024）[39]的研究，企業是否采用AI，取決于完成一項任務的“AI成本”是否低于“人工成本”。AI總成本包括部署AI系統完成任務的固定成本、訓練成本和推理成本。基準情形下，固定成本占比超過80%，推理成本占比不到1%。因此，盡管推理環節，AI成本不到人工的4%[40]，但是考慮固定成本、訓練成本后，AI的部署存在最小可行規模。

Svanberg et al.（2024）測算顯示，在美國，以視覺任務為例：1）標準配置下（本地部署數據庫、算力和模型等），只有約23%的AI暴露任務在當前技術成本下，部署AI比雇傭人工更便宜。2）簡化配置下（部分功能利用公有云完成，數據和訓練成本為0，固定成本大幅降低），部署AI的可行性占比提升到49%。3）云端配置（AI as a Service，企業不承擔任何固定成本、訓練成本），部署AI的可行性占比提升至80%以上。

? 第三，美國和中國成本節約率分別為78.3%和69%。標準配置下，數據安全性、隱私性高，但是成本高昂；云端配置成本較低，但存在數據或者機密信息泄露風險。兩方面權衡后，我們以簡化配置模式作為基準，計算部署AI相對于人工勞動的成本節約率。

研究顯示[41]，獨立完成指定任務AI的推理成本為$0.94~$2.39，平均$1.5，美國人工成本為$24.79。以美國私營部門平均時薪32美元為基準，有人工成本數據可倒算得到該任務耗時0.8小時。據此，一家20人規模企業（美國私人企業平均規模），5年可以完成258065份類似任務，任務費用為640萬美元。如果這些任務量交給AI獨立完成，結合該研究提供的AI任務成功率47.3%（vs. 人工84.6%），得到AI需完成461570份任務才能與人工任務量等效。再考慮簡化配置的固定成本69.7萬美元，得到AI成本約為139萬美元，相當于人工的21.7%，即成本節約率78.3%）。

因此總體看，美國未來十年AI會帶來年均0.51ppt的全要素生產率提升；中國因為受AI顯著影響的職業占比以及成本節約率均低于美國，因此全要素生產率的提升略低，年均增速為0.3ppt。

圖表：AI暴露度等級劃分以及不同國家地區AI暴露結構

資料來源：ILO, 中金公司研究部

#2 AI對資本存量的影響：拉動中美1.0和0.6ppt

全要素生產率增長提升了資本的邊際產出，如果資本的邊際產出大于邊際成本時，企業有強烈的動機增加投資。隨著投資的持續增加，資本存量不斷提升，直到資本的邊際收益等于資本的成本，形成新的均衡。

參考Acemoglu（2024）[42]的研究，假設資本存量的增速與全要素生產率成比例，那么AI對美國資本存量增速的拉動為，代入上文測算的美國TFP增速0.51%，以及美國資本份額51%，得到AI對美國資本存量的拉動為1.00ppt。類似的，對中國資本存量的拉動為0.58ppt。作為對照，美國20世紀90年代的互聯網浪潮期間，資本存量的平均增速在96~00年相比91~95年提升約1.18ppt，幅度與上文測算基本吻合。

#3 勞動力收縮的影響：拉低中美0.4ppt和0.02ppt

在測算未來十年勞動力供給的變化時，我們假設主導因素主要來自出生率或者勞動人口減少的變化。AI革命引發的人類勞動力被算力替代的影響主要體現在勞動份額減少層面，這隱含了被替代的勞動力可以尋找其他工作再就業，但是因為供需關系改變，工資水平明顯下滑。

根據聯合國測算，因為出生率下降，中美兩國十年后15~64歲的勞動人口占比相比2025年分別下降4.03ppt和0.21ppt。進一步假設中美勞動份額在此期間下降10ppt（參考第一次技術革命時勞動份額下降幅度），測算其對資本和勞動力要素的影響時，則采用期初和期末均值。綜合兩方面影響，得到勞動力要素年均拉低中美兩國潛在增長分別為0.01和0.19ppt。

綜合測算，中美AI產業發展通過對全要素生產力以及資本存量的拉動，均能對沖勞動力供給收縮的拖累。其中，美國GDP年均凈增加1.03ppt，中國GDP年均凈增加0.43ppt。

AI提升投資回報率和加速資本深化體現為驅動自然利率上行。自然利率上行意味著資本潛在回報率提升，進而激發新一輪高強度投資需求。AI時代投資并非源于傳統的終端消費預期，而是源于TFP自我強化下的“算力創造供給”：投資高度集中于算力擴張，如大模型研發、超大規模數據中心、能耗更低的AI芯片等。同時，AI領域先發優勢和潛在的“贏家通吃”，進一步激勵企業進行高強度、甚至超前于明確市場需求的技術投資。這種強勁且集中的投資需求，構成經濟增長的重要驅動力。

參考歷史經驗，當技術進步明顯偏向資本時——例如歷史上的蒸汽革命與信息技術革命——均伴隨著社會總投資占GDP比重的階段性躍升。AI作為新一輪的技術革命，可能正在重現類似的宏觀范式：即全要素生產率提升，驅動自然利率上行，投資回報率提升，加速資本深化進程。

圖表：AI對中美GDP的勞動均可以有效對沖勞動力減少的拖累

資料來源：中金公司研究部

值得注意的是，以上對AI經濟影響的測算基于現有技術趨勢、成本假設及情景演繹，存在較大不確定性。實際效果可能受技術進步速度、政策法規、社會接受度、能源約束及地緣政治等諸多因素影響，相關數據僅供參考。

4.2 解決可能的問題：應對潛在的分配分化

隨著算力和算法的發展，AI可以獨立完成越來越多工作任務，資本與勞動的關系從互補走向替代，分配制度從“按勞分配”轉向“資本獨占”，勞動的分配權有所調整，資本的收入份額相應擴大，勞動的分配可能面臨被擠出。在此背景下，宏觀政策的重心可以從“做大蛋糕”向“分好蛋糕”延伸，如二次分配的稅基優化和保障制度。

一方面，可以適當調節間接稅（例如增值稅、消費稅）與直接稅（如個人所得稅、企業所得稅、財產稅等）的比重，這一方向與近期政策討論中優化稅制結構、加強直接稅調節的趨勢一致[43]。對于將利潤投入研發、綠色轉型以及促進就業的企業，可通過稅基扣除（如加速折舊、投資稅收抵免）給予激勵。此外，可以探索適應AI時代的新稅種，例如征收數據版權稅、機器人稅等。

另一方面，社會保障體系可有優化空間。當前的社會保障制度主要圍繞工作構建，如退休金、失業救濟和醫療保險等，但在AGI時代，大量勞動可能被AI替代。Korinek指出，在一個勞動力市場被顛覆的未來，可以考慮獨立于工作的新收入分配機制，如全民基本收入（無條件基本收入，UBI）制度，人們可以憑借公民身份直接分享產出收益。

4.3 如何尋找新時代的核心資產：稀缺、非標準化與瓶頸資產

人口的變局和AI時代也會深刻地改變優質和稀缺資產的邏輯。評估真正的優質和稀缺資產可以從四個問題出發：

1) 問題一：人口變局下，脫離大規模政府補貼后，該資產是否仍能獨立、可持續地運行？人口變局下，物理空間與資產屬性的分化加大，人口和服務從邊緣向中心收縮。這意味著大量依靠公共財力維持運轉的設施將面臨一個根本性挑戰：當人口流失、稅基減少、政府補貼下降后，它們還能獨立運營嗎？

2) 問題二：如果人口密度減少，單位維護成本是否會翻倍？即便通過了生存考驗，資產受到的沖擊并未結束。物理系統的維護本質上是人類投入能量對抗“熵增”，其成本是剛性的。當人口密度減少、使用頻次降低后，單位維護成本是否會急劇上升，是否會跌入“規模不足”的成本陷阱？

3) 問題三：AI快速演進下，資產的核心產出效率和經濟性是否有競爭力？AI最明確的作用是降低標準化勞動的成本。這意味著，如果一項資產的核心產出能夠被AI以更低的成本完成，它就會在效率競爭中被替代，喪失經濟價值。因此，在效率和經濟性上相對AI能否有競爭力，成為衡量資產價值的新維度。

4) 問題四：分配權重構下，能否成為AI運行或機器人產業鏈條上的必需品？AI時代更深層的變化在于分配權的重構。當AI或機器人可以脫離勞動力獨立完成生產過程，勞動便從“要素”退化為“成本”，按勞分配的機制趨于瓦解，分配權將向AI或機器人產業鏈的資本集中。

綜合考慮，優質的核心資產可能有以下幾類：

? 第一類：在物理空間和資產屬性上的“稀缺資產”。老齡化社會，人口從邊緣向中心收縮是新經濟地理學揭示的長期趨勢。另一方面，隨著時間推移，許多資產雖仍有現金流，但維護成本上升，逐漸從"有效資產"變成"低效資產"甚至"負資產"。因此，處于核心位置、具有穩定的公共服務提供網絡的資產具備韌性，例如一線/強二線核心區域的地產、交通網絡、優質醫療與教育資源等；相反邊緣尤其是固定折舊較高的資產會陷入“折舊陷阱”，例如收縮型城市的地產、公用事業等。

? 第二類：AI無法提供的或供需錯配的“非標準化”資產。AI的高速發展，標準化程度高的商品與服務的供給能力將實現躍遷。與此同時，人口老齡化正在同步推升醫療、護理、養老和康復等需求，而這些恰恰屬于非標準化、強人際交互屬性的服務。因此，非標準化的商品與服務，如定制或私立教育、高端養老、心理咨詢，藝術與品牌價值等或能成為稀缺資產。

此外，非標準化工作，人類仍掌握工作的主導權，在思考和表達兩個維度與標準化工作存在明顯差異。相比標準化工作通過明確的規則、流程和模式產出確定性結果，非標準化工作的規則、流程和模式不明確，結果具有探索性、創造性，要求思考或表達層面的深度。1）思考深度高，工作涉及非結構化問題解決，路徑和答案開放，依賴跨領域聯想、辯證思維和創新能力，典型的工作如戰略規劃、算法設計；2）表達深度高，工作依賴于即興的語言、符號或形體輸出，需要在動態情境中實時調整、適應和創造，無法被簡單或規則化復制，例如體育競賽、手工藝術創作、心理治療、即興演講等。

? 第三類：AI時代的“瓶頸資產”。列昂季耶夫生產函數（Leontief Production Function）告訴我們，產出往往受限于最稀缺的資源，所謂的“短板效應”。

圖表：AI產業鏈與瓶頸環節

資料來源：中金公司研究部

1) 中短期看，我們測算，AI帶來的全要素生產率提升有望撬動約8100億美元的年度新增固定資產投資，2025年額外拉動約3800億美元，目前仍有約4300億美元的擴張空間，主要集中于計算機設備、軟件、電氣設備、通信設備和電力等板塊[44]。供給端，產能利用率層面已暴露出階段性“短板”，相關板塊如芯片制造、電氣設備、通信、機械等行業的產能利用率已處于歷史高位，供給出現階段性“短板”，新增需求將進一步加劇供給緊張。

圖表：AI增量投資以及用電量提升對計算機設備、軟件、電氣設備和電力拉動較強

資料來源：BEA，中金公司研究部

圖表：計算機、電氣設備等行業產能利用率已處于歷史偏高水平

資料來源：Haver，中金公司研究部

2) 長期角度，當算力成為接近免費且無處不在的公用事業時，真正約束生產函數的短板只剩下關鍵礦產和高能量密度能源，即馬斯克口中的“瓦特幣”。

AI數據中心需要不間斷供電，能源剛性的自然稟賦約束遠強于制造業的產能擴張周期。正因如此，單一能源無法滿足AI需求，能源結構朝著高EROI（EROI衡量的是投入的能量與最終產出能量的比率，新增能源類型要確保能源生產的凈能量收益高，經濟可行）、高可靠性（AI數據中心需要7x24小時近乎不間斷的電力供應）、低碳方向演變。核能憑借其出色穩定性和零碳特征，成為最具戰略性的選項；天然氣則以其可靠性在電網穩定中發揮“壓艙石”作用；智能與穩定的電網、以及長時間的穩定儲能也是能源結構的重要組成部分。

此外，支撐算力硬件制造與電網儲能的關鍵礦產如鎵、稀土、銅、硅和鋰等，長期可能面臨物理瓶頸。據IEA測算[45]，僅數據中心對鎵的需求就可能達到2024年全球供應量的10%以上，供需格局較為緊張。

圖表：主要能源多維度比較

資料來源：中金公司研究部

圖表：人口與AI變局下的稀缺資產

資料來源：中金公司研究部

圖表：AI時代的能源選擇

資料來源：中金公司研究部

圖表：數據中心對關鍵礦產的需求

注：數據中心對鋰的需求用儲能需求增長估計，鋰的產出缺口為IEA測算的2035年預計值
資料來源：IEA，中金公司研究部

風險提示

本文基于人口結構變化、AI技術演進、資產定價邏輯的長期推演，相關判斷具有較強前瞻性和不確定性。

1) 人口變化、生育率及老齡化速度、區域人口流動和公共服務收縮路徑可能與假設不一致，導致核心與外圍資產分化程度低于或高于預期。

2) AI技術迭代、商業化落地等存在不確定性，若技術進步慢于預期，AI對生產率和潛在增長的拉動可能不足；若技術擴散快于預期，也可能加劇分化。

3) 政策、監管和機制變化可能顯著改變AI與人口變局對經濟結構、企業盈利和資產價格的影響。

4) 關于中美潛在增長、TFP、資本存量、就業替代、產業鏈投資和用電需求等測算依賴模型假設、樣本數據和參數選擇，存在測算誤差和外推偏差。

5) 相關資產和行業表現也會受到宏觀周期、利率、匯率、地緣政治、海外技術限制、市場流動性和估值波動影響，可能出現較大波動。

[1]https://www.weforum.org/stories/2026/01/elon-musk-technology-abundant-future-davos-2026/

[2]https://www.jamp.gr.jp/wp-content/uploads/2019/12/115_04.pdf

[3]數據來自美國勞工部，Wind匯總統計

[4]https://www.stats.gov.cn/sj/zxfb/202602/t20260228_1962662.html

[5]https://www.un.org/development/desa/pd/sites/www.un.org.development.desa.pd/files/undesa_pd_2025_wfr_2024_final.pdf

[6]https://www.stats.gov.cn/sj/zxfb/202602/t20260228_1962662.html

[7]https://www.stats.gov.cn/zs/tjws/tjbz/202301/t20230101_1903949.html；國家統計局將60歲及以上人口比重超過20％或65歲及以上人口比重超過14％定義為中度老齡化

[8]Clausius, R. (1865). On several convenient forms of the fundamental equations of the mechanical theory of heat. Annalen der Physik und Chemie, 125, 353–400.

[9]Krugman, P. (1991). Increasing returns and economic geography. Journal of Political Economy, 99(3), 483–499. https://doi.org/10.1086/261763

[10]https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/05/shrinking-smartly-and-sustainably_f94497c0/f91693e3-en.pdf

[11]https://mods.go.kr/boardDownload.es?bid=11755&list_no=443802&seq=1; https://mods.go.kr/boardDownload.es?bid=11755&list_no=435279&seq=2

[12]https://www.jamp.gr.jp/wp-content/uploads/2019/12/115_04.pdf

[13]https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/04/addressing-demographic-headwinds-in-japan-a-long-term-perspective_85b9a67f/96648955-en.pdf

[14]https://www.census.gov/quickfacts/fact/table/detroitcitymichigan/PST045224

[15]https://www.casemine.com/judgement/us/5c2156a7342cca657a0d6b13?locale=en_US

[16]https://www.soumu.go.jp/kouiki/kouiki.html

[17]https://detroitmi.gov/sites/detroitmi.localhost/files/2018-05/City%20of%20Detroit%20Proposal%20for%20Creditors1.pdf

[18]https://www.stat.go.jp/data/idou/2025np/jissu/youyaku/index.html

[19]https://mods.go.kr/synap/skin/doc.html?fn=af04f0ea6fbd9fa9c32899055b5ef5aea4bf6d4eb02d858d08d8384fc9297326&rs=/synap/preview/board/11747/

[20]https://www.insee.fr/fr/statistiques/8274695

[21]https://www.stats.gov.cn/sj/zxfb/202601/t20260119_1962320.html

[22]https://www.stats.gov.cn/sj/zxfb/202601/t20260109_1962272.html

[23]https://www.gov.cn/zhengce/content/202604/content_7066483.htm

[24]https://www.weforum.org/stories/2026/01/elon-musk-technology-abundant-future-davos-2026/

[25]https://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.33.2.3

[26]https://www.nber.org/system/files/working_papers/w24235/w24235.pdf?utm_source=PANTHEON_STRIPPED

[27]https://www.anthropic.com/research/labor-market-impacts

[28]Baumol, W. J. (1967). Macroeconomics of unbalanced growth: The anatomy of urban crisis. American Economic Review, 57(3), 415–

[29]https://www.ecb.europa.eu/press/blog/date/2022/html/ecb.blog221125~d34babdf3e.en.html

[30]https://www.cms.gov/data-research/statistics-trends-and-reports/national-health-expenditure-data/historical

[31]https://www.bls.gov/cpi/

[32]Acemoglu Daron and Pascual Restrepo, “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment,” American Economic Review, 2018, 108 (6), 1488–1542

[33]Mai Dao, Mitali Das, Zsoka Koczan, and Weicheng Lian, "Why Is Labor Receiving a Smaller Share of Global Income? Theory and Empirical Evidence," IMF Working Papers, 2017, 169 (2017)

[34]Pascual Restrepo, The Economics of Transformative AI (University of Chicago Press, 2025), chap. 9,.

[35]Acemoglu Daron and Restrepo Pascual, 2018. “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment”, American Economic Review

[36]Acemoglu Daron, 2024. "The Simple Macroeconomics of AI", NBER Working Papers

[37]Gmyrek et al., 2025. “Generative AI and Jobs: A 2025 update”, ILO Working Papers.

[38]平均敞口，反映該職業所包含任務的平均暴露水平；標準差，反映該職業內部任務之間暴露程度的差異。標準差大，說明該職業既有高暴露度任務，也有低暴露度任務；標準差小，說明所有任務的暴露度較為一致。

[39]Svanberg, Maja S. et al., 2024. “Beyond AI Exposure: Which Tasks are Cost-Effective to Automate with Computer Vision?”, MIT

[40]Wang, Z.Z. et al., 2025. “How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations”. ArXiv, abs/2510.22780.

[41]Wang, Z.Z. et al., 2025. “How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations”. ArXiv, abs/2510.22780.

[42]Daron Acemoglu, 2024. "The Simple Macroeconomics of AI," NBER Working Papers 32487

[43]“十四五”這五年丨我國稅收收入呈現出“量增質優”的特點 _光明網

[44]測算邏輯：2021年（ChatGPT問世前一年），美國資本存量77萬億美元，資本折舊率約為5%。AI發展對TFP的提振可帶來美國1%的資本存量提升（下文測算），那么AI拉動的年度新增（剔除替代部分）固定資產投資額將達到77x1%/(1-5%)=8100億美元。2025年相關板塊投資較2021年預計增加3800億美元，因此仍有約4300億美元的擴張空間。若這4300億美元的投資也按照2025年AI資本開支相關行業的固定資產投資占比進行分配，利用投入產出表中的完全需求系數矩陣（即列昂惕夫逆矩陣），便可測算其對上下游需求的拉動。

[45]IEA (2025), Energy and AI, IEA, Paris https://www.iea.org/reports/energy-and-ai, Licence: CC BY 4.0

來源｜中金點睛

編輯 | 王茅

審核丨秦婷

責編 | 蘭銀帆

Review of Past Articles -

01

02