原文：Citadel Securities《The 2026 Global Intelligence Crisis》
作者：Frank Flight
原文链接：https://www.citadelsecurities.com/news-and-insights/2026-global-intelligence-crisis/
当前市场上有一种普遍的叙事，认为“AI将快速取代大量工作，引发就业与需求危机”。这种观点很大程度上建立在一个前提之上：AI的扩散速度会极快。然而，从现有的数据来看，AI在工作中的使用强度并未出现所谓的“非线性跃升”，其扩散模式更符合历史上技术普及所遵循的 S曲线 规律。
这里有几个更关键的点需要厘清：
- 递归能力（技术会自我加速）≠ 递归采用（经济部署会指数级扩散）。即使人工智能的算法能力不断提升，其实际落地仍会受到算力、能源、资本开支、监管以及组织变革成本的制约。
- AI带来的生产率提升，本质上是一种正向供给冲击：它能降低边际成本、提高潜在产出与真实收入。从中期来看，其影响更偏向于“促进增长”并在供给侧“抑制通胀”。
- 要出现持续的“负向需求冲击”（即需求崩塌），需要同时满足一系列苛刻条件：采用速度显著加速、劳动替代接近完全、财政与监管应对缺位、投资吸收能力枯竭、算力可无约束扩张等。
因此，最终的结论可能更接近：在老龄化、气候变化、逆全球化等长期逆风之下，AI或许只是“刚好够用”来对冲这些增长拖累，而非将经济带入某种失控的指数增长时代。
图表速览
通过以下几组数据，我们可以更直观地理解上述观点。
1）软件工程师岗位发布仍在上行
尽管有“AI替代程序员”的担忧，但数据显示软件工程师的招聘需求仍在增长。
来源：Citadel Securities， Indeed
2）“使用生成式AI”的趋势并未出现非线性拐点
用于工作的AI每日使用占比数据出人意料地稳定，没有显示出即将发生大规模替代的迹象。
来源：Citadel Securities， St Louis Fed
3）技术扩散通常遵循S曲线
将生成式AI的采用速度与历史上的PC、互联网进行对比，可以发现它依然遵循着技术扩散的经典S曲线模式，而非指数爆炸。
来源：Citadel Securities， BLS， St Louis Fed 等
4）新企业申请量在上升
新企业创立是经济吸收技术冲击、创造新就业的重要机制之一，其数量的上升是一个积极信号。
来源：Citadel Securities， US Census Bureau
5）劳动力市场前瞻指标指向改善
综合多项数据的劳动力市场跟踪指标显示，前瞻性分项已出现改善。
来源：Citadel Securities， Bloomberg， BLS 等
6）数据中心建设或在推升建筑业用工
AI发展催生的数据中心建设热潮，正在转化为建筑行业的实际用工需求。
来源：Bloomberg， Citadel Securities（2026年2月）
1/ 2026年的宏观画面与扩散速度之问
假设我们来到2026年：失业率维持在4.28%；AI资本开支约占GDP的2%（约6500亿美元）；为支撑模型训练与推理，美国计划新建约2800座数据中心。尽管“AI将造成岗位位移”的叙事盛行，但软件工程师的招聘信息却在快速上升，同比增长约11%。
一个有趣的现象是：宏观研究群体往往很难可靠预测未来两个月的非农就业数据增量，但关于“劳动力将被AI摧毁”的长期前景，却似乎能从一篇假想的未来文章中“相当确定”地推断出来。这促使我们回到一个根本问题上：AI扩散的速度到底有多快？
圣路易斯联储基于“实时人口调查”的数据提供了观察窗口。最直观的问题是“你是否使用AI？”。但对“替代”叙事更关键的问题是：AI在工作中的使用强度到底有多高？ 我们可以从数据中按“使用频率”分桶的子集寻找答案。
如果AI意味着迫在眉睫的大规模替代风险，那么数据应当显示，用于工作的“每日使用AI”占比出现明显的加速上拐。但现实数据却出人意料地稳定，几乎看不出任何即将发生替代危机的迹象。
2/ 递归技术 ≠ 递归采用
当前关于AI的讨论，常常混淆了“技术的递归潜力”（系统可以自我改进、加速能力）与“经济部署会递归/指数扩散”的预期。人们容易因为AI系统可能自我提升，就外推出一个自动化与生产率将无限复利的未来。
但历史经验反复证明：技术扩散通常遵循S曲线。早期采用缓慢且昂贵；随着成本下降、配套基础设施成熟，增长会加速；最终，随着市场趋于饱和，增速也会放缓。市场经常线性外推“加速阶段”，却忽略了随着组织整合成本高企、监管出现、经济部署存在边际收益递减，采用速度终将趋于平缓。采用速度越慢，替代风险就越低。
此外，训练与推理需要巨量的半导体产能、数据中心与能源。要替代大规模白领工作，所需的算力强度将比当前水平高出数个数量级。如果自动化快速扩张，算力需求必然飙升，推高其边际成本。
一旦算力的边际成本高于某些任务中人力的边际成本，替代就不会发生——这构成了自然的经济边界。这与“智能可无摩擦复制、无限扩张”的叙事形成鲜明对比。即便算法能力递归提升，经济部署仍受制于实体资本、能源供给、监管审批与组织变革。递归能力不等于递归采用。
3/ 生产率冲击，本质是供给冲击
从根本上说，AI驱动的自动化是一种生产率冲击。而生产率冲击是正向供给冲击：它降低边际成本、扩大潜在产出、提高真实收入。就其自身而言，它在中期通常是“抑制通胀并提升增长”的。历史上每一次重大技术进步——从蒸汽机到计算机——都大体遵循这一模式。
反对意见认为AI不同，因为它会直接挤压劳动收入，从而压低总需求。但如果企业能以更低的成本生产更多：结果要么是价格下降，要么是利润率上升（或两者兼有）。更低的价格提高了真实购买力，通常会刺激更高水平的消费。 更高的利润率则提升了企业的留存收益与再投资能力。
从国民收入核算恒等式来看，如果产出上升、实际GDP上升，那么需求侧总有某个分项（消费、投资、政府支出或净出口）必须相应增加。“生产率大幅上升、产出上升，但总需求却崩塌”的情形，会与基本的核算恒等式相冲突。若要让AI造成持续的宏观收缩，必须假设劳动收入下降的同时，投资、财政转移或外部需求均未出现任何补偿性上升。
4/ “替代弹性”约束：AI到底能替代多少劳动？
AI替代的关键变量，是AI资本与劳动之间的替代弹性。
如果替代弹性极高——企业能以相对稳定的成本，用自动化系统替代几乎所有人力——那么劳动收入占比可能崩塌，资本收入大幅上升、工资收入下降。但即便如此，总需求也不必然自动瓦解。资本收入的边际消费倾向确实低于工资收入，但并非为零；利润可以被用于再投资、分红、纳税或被资本家消费。
要让需求出现结构性下滑，需要社会再分配机制长期失灵，同时经济的投资机会也同步枯竭。面对潜在替代风险的民主国家，通常更可能在监管与财政政策上做出偏向于“缓冲最坏结果”的调整，从而在事实上限制替代弹性。
而且，截至目前，劳动力市场数据中几乎看不到AI造成冲击的证据。相反，前瞻性指标已经改善；而AI数据中心建设，似乎正带来建筑业招聘的回升。
经济中包含了大量难以低成本自动化的任务：体力劳动、人际关系维护、合规审查、监督管理等。即便是认知型任务的自动化，也面临协同摩擦、责任约束与信任壁垒。AI更可能在许多领域成为劳动的“补充”而非“替代”。 历史上，技术革命更多是改变了任务的结构，而非消灭“劳动”这一生产要素。
一个直观的类比是：Microsoft Office的出现，对办公室职员而言，事前担忧是替代，事后看却更像是明显的效率补充。
5/ “每周15小时工作制”的历史误判
1930年，凯恩斯在《我们子孙的经济前景》中曾预测：生产率的增长将如此强大，以至于到21世纪初，人们每周只需工作15小时。他在生产率提升的方向上大致正确，但在对劳动力市场的影响上却严重误判。
现实并非“工作总量大幅减少”，而是“消费总量大幅增加”。原因在于，生产率提升降低了成本，扩大了人类可消费的产品与服务的边界；人们的偏好转向更高质量的商品、全新的服务以及此前难以想象的支出领域。闲暇时间确实有所增加，但物质与服务的消费追求扩张得更多。
这段历史表明：生产率的提升并不自动意味着人们退出劳动或总需求崩塌；它会改变需求的结构、提高真实收入并催生新的产业。凯恩斯低估了人类欲望的弹性。
结论
若要AI造成持续的负向需求冲击，经济需要同时出现以下苛刻条件：采用速度显著加速、劳动替代接近完全、缺乏财政与监管应对、投资吸收能力极弱、算力可无约束扩张。
回顾过去一百年，一波又一波的技术变革既未带来失控的指数增长，也未让劳动变得无关紧要。相反，它们往往“刚好足够”将发达经济体的长期趋势增速维持在约2%左右。
在当下，老龄化、气候变化、逆全球化等长期力量正在压低潜在增速与生产率。也许，AI只是那个足以抵消这些增长逆风的技术力量。 宏观经济的前景，最终仍将由技术替代的真实弹性、社会制度的应对方式，以及“人类欲望的持续弹性”共同支配。
版权与免责声明
本文为对 Citadel Securities 原文的翻译与要点整理，仅用于学习交流。文中图表与数据来源均归原作者/机构所有；图表仅供示意，历史表现不代表未来。若需转载或商业使用，请联系原网站确认授权。对这类数据科学与宏观趋势的交叉分析感兴趣，可以到云栈社区与更多同行交流探讨。
发表于 2 小时前
|
查看: 3|
回复: 0
