2026外滩年会：关于人工智能的五个追问

来源：财经杂志

2026年10月，人工智能（AI）在数学领域接连出现新进展。先是OpenAI向公开代码库上传722份由内部模型生成的数学论文稿，数学界对其署名引用和验证方式提出批评；后是谷歌DeepMind的AlphaProof Nexus研究成果刊于《科学》（Science）杂志，在所尝试的353道埃尔德什开放问题中解出9道，其中两道足足悬了56年。

两个星期后，10月22日，欧洲央行原行长、外滩年会国际顾问委员会主席让-克洛德·特里谢（Jean-Claude TRICHET）在由中国金融四十人论坛（CF40）与清华大学联合主办的2026外滩年会的闭幕致辞中说，“这是有史以来机器对人类在智识和哲学上最强烈的挑战。”

正是由于AI能力一天比一天惊人，特里谢提醒，不能任由AI加深分裂，催生新的风险。

在10月19-22日召开的2026外滩年会上，来自24个国家的数百位财经政要、顶尖学者和商业领袖，围绕经济、金融、科技等领域的重点议题展开头脑交锋，但几乎所有讨论都没能绕开AI这个关键议题。讨论的焦点不在AI的能力是否可信，而在制度准备是否充分——AI的生产率红利何时到来尚不确定，但投资风险、就业冲击和分配压力已初显端倪。

中国人民银行原行长周小川在年会上的一条预警引发关注。他没有预言危机，但强调必须未雨绸缪：“考虑到如今有如此巨额的资金流向人工智能及相关基础设施，一旦其中一部分失败，就可能引发金融动荡，并酿成危机。”他特别提到，应当开展研究并做好预案，在政策工具箱中储备相应的政策工具，以应对这类动荡和影响。

而在就业领域，政策工具箱正在充实。外滩年会闭幕次日，10月23日，国务院办公厅对外发布‌《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》，旨在应对人工智能技术快速发展对就业市场带来的深刻影响。“当前可能是人工智能产生更大就业影响之前的短暂安静期，也是分析人工智能就业影响，提前做好理论和政策准备的窗口期。”中国金融四十人论坛学术委员会主席、中国社会科学院学部委员蔡昉在年会上表示。

纵览外滩年会四天讨论，留给人们的未解问题可主要概括为：生产率回报何时显现？AI投资的风险藏在哪一层？冲击带来的转型成本由谁承担？AI红利如何分享？AI的行为由谁负责？

这些问题暂时没有统一答案，但回避它们，代价只会更大。

生产率回报为什么看不见？

对于AI能带来多高的生产率增长，各方估算不一。

哈佛大学教授、美国白宫经济顾问委员会原主席杰森·弗曼（Jason FURMAN）认为，未来AI带来的生产率增长约为0.75个百分点，远低于硅谷一些人所说的15、20、50甚至100个百分点。他同时提醒，即便是美国这样的经济体，每年增长2.5%就已经很了不起了，每年增长3%就“有些不切实际”。布鲁盖尔研究所高级研究员、欧洲投资银行原首席经济学家黛博拉·雷沃尔泰拉（Debora REVOLTELLA）介绍，企业层面的研究显示，AI对生产率的提升在0.4至1个百分点之间，欧洲过去五年全要素生产率增长中约10%可归因于AI，但前提是企业必须同时投资无形资产和技能，经济体系也要具备重新配置资源的能力。美国银行全球首席经济学家克劳迪奥·伊里戈延（Claudio IRIGOYEN）估算，当前AI对全球增长的贡献约为10个基点，最理想情况下十年后可达1个百分点。

生产率提升为什么在宏观数据中不明显？弗曼提到J形曲线，即企业先雇人探索如何使用AI，短期拖累生产率。清华大学校务委员会副主任杨斌则提出，将技术转化为经济回报“不是一个技术问题，而是一个组织层面的问题”，对成熟组织尤其如此。清华大学经济管理学院院长白重恩提到索洛悖论——创新改善的工作和生活未必体现在GDP中。此外，AI应用仍处早期，企业重组管理架构是一个缓慢的过程，加之投资多集中于模型和芯片，流向应用层的还“远远不够”。

国际劳工组织（ILO）首席宏观经济学家埃克哈德·恩斯特（Ekkehard ERNST）提出“加总悖论”：任务层面的效率提升明显，但需要有人核验AI输出，形成“验证税”，且可自动化的任务只占一天中的一小部分，因此难以在宏观层面加总。

通胀是这一时滞中最先显现的信号。在10月19日的CF40-G30外滩圆桌“转型中的央行：职责、市场与宏观审慎风险”上，美联储原副主席唐纳德·科恩（Donald KOHN）表示，AI投资对需求的拉动先于对供给的影响，正在增加通胀压力；美国劳动力市场表现平稳，工资增速不高，工人对AI的担忧可能抑制了加薪诉求。欧洲央行执行董事会成员、首席经济学家菲利浦·莱恩（Philip R. LANE）带来了欧洲视角，他认为AI全球供应链提振了今年的欧元区贸易，投资也受AI推动，对欧洲经济有一定刺激，但规模不及美国；欧元区工资温和、服务业通胀平静。G30荣誉主席、以色列央行原行长雅各布·弗伦克尔（Jacob A. FRENKEL）认为，AI对供给的影响也许很大，但不会在短期内显现，而基于未来预期的资产估值已在拉动需求。美国彼得森国际经济研究所（PIIE）非常驻高级研究员、IMF原经济顾问兼研究部主任皮埃尔-奥利维耶·古兰沙（Pierre-Olivier GOURINCHAS）的概括最为直接：目前还没有看到AI转化为生产率的显著提升，它不是正面的生产率冲击，而是一次巨大的需求冲击。

AI投资：风险藏在哪一层？

周小川将AI相关投资分为三类：大模型及用于训练的算力和数据中心，AI应用，半导体、电力、液冷等支撑行业。他认为，投资支撑行业相对安全，因为无论AI如何发展，都需要水和电；生产率提升则可能主要来自应用层。他提到，现在有若干发展方向可以帮助AI应用并提升生产率，但同时也存在风险，例如很多投资正在涌向数据中心建设，但未来AI大模型和应用在多大程度上依赖数据中心的算力，是存疑的。他还提出，随着AI发展，全球供需平衡和产业结构可能出现较大变化，应让价格机制发挥重要作用，不宜过多依赖行政手段。

美国第70任财政部长罗伯特·鲁宾（Robert RUBIN）对风险的判断则不同。他在与北京大学国家发展研究院院长黄益平的对话中表示，美国金融体系目前相当稳健，向AI相关企业提供贷款的主要是资本充足的大型银行，地区性银行并未大规模涉足；非银行贷款机构提供AI融资的情况中有一些需要处理的问题，个别企业可能经营失败甚至破产，但“爆发金融危机的风险极低”。但他也强调，任何与AI相关的事情都伴随着“巨大的不确定性”。荷兰央行原行长克拉斯·诺特（Klaas KNOT）则提示，AI投资热潮中约三分之一来自债务融资，而表外承诺往往意味着这一比例只是下限；美国消费对财富效应较为敏感，市场调整可能很快产生更广泛的影响。

更具体的分歧是算力资产会不会贬值。白重恩对数据中心服务的需求更乐观，因为AI推理的边际成本不低。PIIE高级研究员马丁·乔泽姆帕（Martin CHORZEMPA）表示，这轮资本开支主要由云服务商而非模型公司投入，芯片具有通用性，老一代芯片因能运行产出更高的模型而增值，折旧的担忧有所缓解。伊里戈延认为，AI生态各环节都带有“赢家通吃”的特点，企业为避免被淘汰而过度投资，在逻辑上不可持续，“三年以后，这些公司不可能全部健在”，市场需要判断投资放缓究竟是因为一些公司退出，还是最终需求不及预期。弗曼的前提则相反，他认为这是“伯特兰式竞争”，“我今天可以用ChatGPT，明天就可以换成DeepSeek”，价格趋近边际成本，反而加剧人们对泡沫的担忧，因为即便生产率大幅提高，也难以变现。

视线落回中国的算力建设。中国金融四十人研究院院长郭凯在发布《CF40研究年度报告》时表示，据中国金融四十人研究院估算，能源领域的良性循环将使中国电价下降30%至33%，这将在未来十年极大提升中国的竞争力，并助力中国构建AI算力，因为AI高度依赖电力成本。

风险累积方面，古兰沙提醒，金融体系的脆弱性仍在累积，其中一部分与AI建设热潮有关。葡萄牙原财长、布鲁盖尔研究所非常驻研究员维托尔·加斯帕（Vítor GASPAR）认为，AI带来的大量不确定性使资产估值极其困难，金融市场应预期“一段颠簸的旅程”。

该如何防范？原江西省常务副省长、原科技部火炬高技术产业开发中心主任梁桂提出，财政资金和政府投资基金应做“耐心的锚定资本”，补足公共性、外部性和长期不确定性，不与社会资本争项目、抬估值，市场资本则按企业成长阶段接力。他建议在降低传统财务门槛的同时提高证据门槛，核验五件事：技术能否真实可复验，产品能否进入非关联客户的生产环境，使用是否来自持续的独立需求，规模扩大后单位经济是否改善，资本、算力、订单、平台之间是否过度依赖——这些证据可沉淀为金融机构共同使用的“成长档案”。

“无论公共债务还是私人债务，余额总体上都高于2008年全球金融危机之前的水平，全球经济和金融依然脆弱，此时不能自满。”特里谢提醒道。

就业：冲击来了吗，谁先受冲击？

从总量数据看，冲击尚不明显。经济合作与发展组织（OECD）就业、劳动和社会事务部代理主任马克·皮尔逊（Mark PEARSON）说，OECD今年6月至8月在14个国家调查了约8000名雇主和雇员，已采用AI的雇主中只有11%报告削减岗位，其中9%归因于AI，即约1%到2%的采用AI雇主因AI减员。他举例说，1970年代末行政人员的工作几乎被全部自动化，但美国现在的办公室行政人员比70年代还多。弗曼也表示，美国失业率为4.2%，与ChatGPT问世前基本持平。

但影响或许已在初级入口岗位显现。中国社科院大学教授、国务院原副秘书长江小涓认为，AI对就业的影响已经发生，但目前不算严重，集中在支持性、重复性、确定性的办公岗位。同时，AI也在创造新的工作，以影视行业为例，影视制作行业就业人数从130万降到70万，但短剧行业新吸纳了100万以上的就业。杨斌认为，目前最大的挑战是年轻人的第一份工作——企业越来越缺乏为年轻人保留初阶工位的动力，因为智能体的产出效率和性价比更高，但入门岗位承担着人才梯队培养的功能，这一环被切断，下一代人才将无从培育。伊里戈延也提醒，若认为AI可直接取代大量初级员工，将出现人才梯队断层。

鲁宾认为，即便就业岗位总量没有减少，仍很有可能有大量知识型工作者失去现有岗位，不得不转向其他职业，而转型过程可能极具复杂性，因为这批人未必具备其他工作所需的技能。黄益平提到经济史学家罗伯特·艾伦研究的“恩格斯停顿”——第一次工业革命后，产出大幅增长，实际工资却在一段时间内停滞。鲁宾表示认同，并指出这不仅会影响收入分配，还会影响税收收入，因为相较于资本所得，劳动所得通常面临更高的税负。

在政策层面，皮尔逊强调培训。他说，所在公司有培训的工人中，89%表示AI提高了生产率，没有培训的公司这一比例为69%；但引入AI的雇主中只有一半做培训。蔡昉强调，劳动力市场“等不得”，不能等到生产率真正提高再作制度安排。他引用斯坦福大学经济学家埃里克·布林约尔松等人提出的“生产率J曲线”表示，人工智能的应用在产业之间、部门之间、企业之间甚至不同工序和劳动任务之间都不均衡。某个环节为了节省开支减了人手，就业破坏就已经开始，而生产受整体均衡制约，不一定同时提高。在极端情况下，J字形曲线下探的那段“短腿”期间，可能出现就业破坏加剧、收入增长停滞、收入分配恶化，进而损害国民经济循环，最终反而阻碍劳动生产率的提升。

蔡昉还特别提到，此次AI就业冲击与历史上两次技术冲击的最大不同在于：前两次尽管经历了阵痛，但最终都创造了大量新岗位，而AI从相对高端的岗位开始替代，被替代者只能向下流动，没有同等质量的岗位可承接，可能导致劳动生产率逆势下降、收入恶化。历史上，即便在最理想的情况下，就业恢复调整过程也耗费了很长时间，其间劳动者生活水平受到不利影响。因此，劳动力市场的自我调节既会伤害劳动者，又耗时过长，社会等不起。故而当前比以往任何时期都更需要政府政策的介入和制度变革。他建议超前培育需求弹性大但当前劳动生产率偏低的行业，例如服务业。整体提高劳动生产率的目的，正是让这类行业有生存空间，使就业、收入和人的发展不与个体劳动生产率硬性脱钩。这既是“人类往哪儿放”的未来答案，也是当下防止就业冲击的“防火墙”和“缓冲器”。

红利归谁，怎么分？

谁将从AI中获益最多？竞争派和集中派各执一词。弗曼认为竞争激烈，“我今天可以用ChatGPT，明天就可以换成DeepSeek”，雷沃尔泰拉亦认同多方竞争的格局。江小涓认为开源模型带来了“AI时代的平权”，很多国家没有头部模型，但开发者可以在开源模型基础上开发适合本国产业和国情的新模型，云模一体化、按Token付费、私有化部署等商业模式也并不缺乏。

恩斯特则指出，这一轮新技术的好处第一次被少数公司占有，而且至少在当前制度框架下不会被侵蚀。森特诺认为，企业借助智能体可以精确掌握每个工人的情况，在原子化的劳动力市场中形成信息不对称、占有租金。康奈尔大学教授、世界银行原首席经济学家考希克·巴苏（Kaushik BASU）讲了一个人类学故事：村民围坐讨论，超级富有的地主一走进来，大家突然说不出话了——全球话语权正在被极少数科技巨头所掌控，发展中国家尤其失去了声音。

对于如何分享红利，各方主张不同。鲁宾不赞成以全民基本收入（UBI）应对冲击，因为人们想要工作，工作在很大程度上构成人类自我认同的一部分。他对美国学者金·克劳辛和娜塔莎·萨林提出的累进式企业税方案表示“某种程度上是对的”：把税率提高回某个水平，并让税制具有累进性，使从AI中受益最多的企业承担更多税负，“这实际上是一种间接对AI征税的方式”。他认为这对增长的不利影响会非常小，难点在于需要高超的“政治推销”。

巴苏则主张“全民基本份额”：企业保留一部分利润，但一部分超额利润必须分享。江小涓主张税制从鼓励企业买设备转向鼓励用人。恩斯特主张建立数据市场和“主权数字财富基金”：政府投资AI公司、从财富积累中受益，再通过向公民直接支付或对基础设施建设的间接支付进行分配。

国家之间的差距同样引发关注。世界银行常务副行长兼首席行政官张文才引用《2026年世界发展报告》说，AI有望让发展中国家在十年内完成原本可能需要百年的增长，但前提是电力、互联、技能和制度质量等方面的差距得以弥补；他建议按“采纳、适应调整、推进”的顺序使用AI，对多数国家最受益的是适应调整，成本较低的小型AI工具比最前沿的大模型更适合低收入国家。巴苏提出“K型未来”，即有些国家会沿着向上的路径飙升，另一些国家表现可能会较差。恩斯特描述了一种机制：AI主要冲击高技能就业，而在印度等高技能服务出口国，从低增加值向高增加值服务业的传统升级路径可能会受阻。智利央行董事会成员克劳迪奥·索托（Claudio SOTO）表示，拉美地区在AI价值链中的参与度较低，却承受着AI需求扩张带来的全球金融条件收紧等负面外溢。

AI治理：该管什么，谁来负责？

在鲁宾看来，除增长和就业外，他目前最为关注的就是AI安全，认为这“比这些都更重要”。他指出，AI带来严重不利影响的概率“可能会相当高”，包括各类网络攻击，开源又使这类技术可以被更多人获取，而人类对此“并没有非常好的应对方案”。他主张中美放下不信任与对抗，在AI安全上共同行动。

周小川提出，国际社会呼吁就AI开展合作，当前至少有三件事可以做：一是控制军事用途，二是打击黑客和欺诈，三是保护个人隐私。

与会嘉宾还讨论了AI的治理细节，尤其是AI在金融领域的治理细节。中国工商银行行长刘珺提出AI的“身份困境”：AI究竟是具有类法律主体地位的行为者，还是技术工具？责任如何在算法开发者、部署者、使用者和终端用户之间划分？他同时指出几重错配：监管要求充分披露，算法和数据参数却难以披露；数据需要本地存储，数据和算法却没有国界；各国不愿把AI的控制权交给别国，催生了主权AI；银行业以信用为基础，却难以对AI算法打信用分。

张文才介绍，世界银行调查显示，仅11%的新兴市场金融监管机构在使用AI监管工具，约50%的机构表示没有足够的人员和工具进行有效监管。他提出三点：夯实基础，借鉴而非重新发明，把数字身份纳入数据保护和支付体系；帮助监管者用AI监管AI，需要互联的数据和懂技术的员工；即使技术来自他处，金融机构仍须对AI决策负责。在金融包容性上，他提醒，获得数字贷款不等于实现金融包容，监管者应看结果，而不只是看模型。

在落地层面，国泰海通证券首席信息官俞枫认为，金融行业不能出错，“不能等到一个‘完美模型’的出现”，要靠系统化的工程方法控制输出、限定行动、追溯责任，构筑贯穿知识来源、档案生成、持续校正、行动职能的责任链，把AI服务限制在可管理、可回收、可检测的范围内，最终由人判断方向、承担责任。新加坡金融管理局副行长兼首席经济师爱德华·罗宾逊（Edward ROBINSON）表示，AI风险不是静态的，需要在整个生命周期中管理，测试阶段发现的风险会随实际应用而演变，治理不是上线时的一次性做法，而是持续反馈；风险缓释要与具体应用的风险相称。阿里云智能集团副总裁、新金融行业总经理张翅认为，金融需要的AI不是工具，而是“一个新的体系”，需要可信数据和可靠的执行环境；金融决策“不光结果要正确，过程还要正确”，因此需要“可审计、可回溯”的底层环境。