AI与下一轮发展前沿：效率提升、能力扩散及释放红利的制度前提
AI能够降低获取专业能力的代价，但效率红利能否真正兑现，仍取决于劳动者、企业、公共机构及其所依托的经济基本条件。
人工智能常被归类为一项技术前沿。然而，其最终的经济价值，或许并不主要源于底层模型有多先进，而在于它能在多大程度上重塑一个经济体内有用能力的可及性、成本及分布格局。
任何经济体都面临多重制约。资本总是有限，高素质劳动力分布不均，企业间管理水平参差不齐，公共机构往往缺乏足够人力与信息。同样一项专业知识，在大都市几乎触手可及，在偏远地区却可能无从获取。对发展中经济体而言，这些约束尤为突出——医生、教师、工程师、行政人员、金融从业者及资深管理者的长期匮乏，往往压低其他生产性投资本可实现的回报。
人工智能正在给这一格局带来一种潜在的深刻变化。越来越多原本依赖人类完成的认知任务，如今可由具备解释信息、识别规律、生成文本与代码、做出预测、检索知识及辅助决策的系统承接。随着这些系统愈发廉价、愈发易于部署，部分过去只能由训练有素的专业人员亲力亲为提供的能力，或将以软件形态实现部分再现。
这一变化意义深远。
核心的经济议题，并非机器终能否在某种抽象意义上复制人类智能，也并非每位劳动者是否会开始使用市场上最尖端的模型。
对发展而言，真正关键的问题更为具体，也更为务实：
当有用的智能显著降低其复制与传递成本之后，会发生什么？
这一答案未必在所有经济体中趋同。
人工智能既可能提升本就高技能劳动者的效率，也可能让经验较少者胜任过去需更高专业水准方能完成的任务。它或可改善企业效率，但那些掌握更优数据、更强管理、更充裕资本及更成熟组织流程的企业，可能从中攫取不成比例的收益。它或可扩展公共部门能力，但若既有制度本身孱弱，也可能将行政失误成倍放大。它或许能缩小发达经济体与发展中经济体在某些维度上的差距，又可能在算力基础设施、模型与数字平台等领域催生新的依附关系。
因此，人工智能不宜被视作绕开发展进程的一条捷径。
更恰当的理解是：人工智能是一种全新的生产要素，而其所能创造的价值，很大程度上取决于它被植入的是一个怎样的经济体系。
这一体系不仅涵盖电力与网络连接，还包括教育、组织资本、竞争性市场、可获取的数据、金融深度、行政能力与公共信任。
具备上述互补条件的国家，更可能把飞速进化的人工智能能力转化为持续的效率增长。欠缺这些条件的国家，即便能够获得相同的技术，也未必能收获同等程度的经济回报。
由此，人工智能或许改写了发展的生产函数，却并未因此取消发展本身所依赖的基础条件。
重大技术变革很少会立即反映为效率跃升。
蒸汽机、电气化、汽车、电信、计算机与互联网，都需要一系列互补投资才能充分释放其经济影响。工厂必须重组，基础设施必须兴建，劳动者需要习得新技能，企业必须重塑生产流程，新企业必须成长，旧有机构也必须调整。
人工智能与这些通用目的技术存在若干共通特征。
它可应用于多个行业，自身能力仍在持续提升，技术某一环节的创新会催生其他领域的新用途，而真正实现生产性利用，往往要求进行远超技术本身的调整。
但人工智能与过往的通用目的技术之间，还存在一个十分关键的差异：
其底层能力正以前所未有的速度向外扩散。
过去的通用目的技术在不同收入水平国家之间的传播往往以数十年计。蒸汽技术扩散至低收入国家耗时约80年，电力约40年，互联网约20年。相比之下，ChatGPT上线仅六个月，中等收入经济体便已贡献全球相关流量的大约一半。
数字化分发大幅压缩了先进技术进入较低收入经济体的时滞，但技术获取速度加快，并不意味着效率红利会同步兑现。
数字化分发改写了技术扩散的地理路径。
一个模型可在一国完成开发，并几乎瞬时在另一国投入使用。一家小企业无需自建数据中心，便可调用人工智能应用。一位医生无需了解模型架构，即可借助相关工具分析临床信息。一位程序员可使用代码生成工具，却不必拥有这些工具运行所依赖的算力基础设施。
然而，快速获取技术不应被等同于快速实现经济转型。
必须区分：
技术扩散与经济扩散。
前者意味着技术变得可用，后者则意味着企业与机构围绕新技术展开足够深度的重组，从而真正改变产出、投资、就业、效率与收入。
两者之间可能存在相当长的滞后期。
一家企业可为员工配备生成式人工智能，却对既有工作流程毫无触动。劳动者可能主要把人工智能用于外围任务，而非核心生产环节。公共部门可启动数十个试点项目，却无法将成功应用整合到日常公共服务之中。学校可获得教育技术，却并未因此改善学习成效。政府可发布国家人工智能战略，而基础电力与网络条件依然捉襟见肘。
因此，人工智能的经济后果，既取决于模型能力攀升的速度，也取决于互补体系调适的速度。
这一点提示我们既不应过度乐观，也不应过度悲观。
人工智能被迅速采用，并不意味着它必然立即带来效率繁荣。同样，当前测得的效率增速并不显著，也不能断言这一技术缺乏重要经济意义。
通用目的技术往往需要经历较长的制度与组织调整，宏观经济影响才会充分显现。
今日真正特殊之处在于，许多国家正同步经历这一调整过程。
发展中经济体最持久的约束之一，是专业能力的稀缺。
问题并不仅仅是平均受教育水平偏低，而在于某些具体能力，在特定时空下供给极度有限。
一家乡村诊所或许拥有护士，却缺乏专科医生。
一家小型制造企业或许拥有工人与设备，却欠缺库存优化或质量控制方面的专业能力。
一个地方政府或许汇集了大量行政数据，却没有足够的分析人员真正加以利用。
农民或许面对日趋不稳的天气，却难以稳定地获取农业技术指导。
小企业往往缺乏专业会计、法律、营销或财务支持，因为获取这些服务的固定成本过高。
传统上，要扩大这些能力的供给，就必须扩充受过专业训练的人口。
这仍是不可或缺的路径。
然而人力资本的形成极为缓慢。医生、工程师、教师、律师及资深管理者都需要经年累月的培养。人口流动可以重新配置专业能力，但这种流动往往流向而非流出本就较为繁荣的地区。
人工智能或许通过一种全新机制松动这一约束：
它可使部分专家能力以极低的边际成本被复制。
这并不意味着专家将被取代。
在许多具有重要经济价值的场景中，更精准的机制应当称为：
专业能力放大。
一位医生借助诊断软件，可评估更多患者。
一位教师借助人工智能系统，可为更大规模的班级生成差异化练习。
一位农技推广员可结合本地观察与机器生成的气象预测，覆盖更广阔区域。
一位资历较浅的员工可以承担过去通常需要显著更多经验方能胜任的工作。
这类系统的经济价值，部分源自固定成本与边际成本之间的鸿沟。
开发一个高能力模型或许耗资不菲。
但模型一旦建成，为额外用户提供部分能力的成本却可能极为低廉。
由此催生出一种新的可能性：
某些专业能力的生产，可与其分发彼此剥离。
从经济学视角看，人工智能可降低获取认知能力的边际成本。
这一点在专业能力稀缺的地区，可能比在专业能力本就充裕的地区更具分量。
试想一座坐拥大量专科医生的高收入城市。
人工智能诊断助手或许只是带来便利性或效率的改善。
但在一个相关专科医生几乎绝迹的地区，同样的技术可能直接决定当地居民能否获得某项服务。
因此，其福利效应可能是非线性的：
同一种技术，在专业能力基础供给越薄弱的地方，边际价值反而可能越高。
同一逻辑也适用于企业。
大型企业向来有能力雇佣会计师、律师、软件开发人员、分析师、设计师、翻译及顾问。
小企业则未必承担得起这些固定成本。
人工智能服务或许把过去需要借助昂贵专业劳动方可获取的一部分能力，转化为按用量计费的数字化投入。
这不会消弭专业判断的价值。
但它确实改写了哪些能力在经济上可被提供。
其对发展的潜在影响或许相当深远，因为许多长期存在的效率差距，并非狭义上的“缺乏技术”，而是知识难以稳定部署到数以百万计的企业、农场、学校、诊所与公共机构之中。
人工智能之所以蕴含潜力，是因为：
知识的传播可以比人走得更远。
获得智能，并不意味着能够有效驾驭智能。
这是对人工智能驱动发展这一乐观叙事最重要的限定之一。
设想两家企业获得完全相同的模型。
第一家企业拥有可靠的数字化记录、经验丰富的管理人员、标准化流程、训练有素的员工、网络安全管控以及充裕资本，可对整个组织进行重塑。
第二家企业依赖纸质记录、依赖非正式流程、数据质量参差不齐、管理薄弱、网络连接也不稳定。
两家企业所能调用的技术能力或许完全一致。
其经济回报却注定不同。
因此，人工智能与其他形式的资本之间存在高度的互补性。
部分互补条件属于数字化范畴：
算力基础设施、网络连接、云服务、数据库、网络安全以及软件之间的互操作性。
另一些条件则非常传统：
电力、识字率、数理基础、管理质量、组织纪律、融资能力、法律制度、市场竞争以及基本行政能力。
人力资本尤为关键。
人工智能确实可降低完成某些任务所需的专业门槛，但使用者仍需具备足够的知识，方能提出恰当的问题、理解输出、识别错误，并判断何时不应轻信自动生成的建议。
在高风险情境中，随着人工智能越发强大，这些能力的重要性反而可能上升，而非下降。
由此催生一个看似矛盾的命题：
人工智能越强大，某些基础互补能力的价值反而可能越高。
拥有领域知识的劳动者，可借助AI放大自身知识。
缺乏基础技能的劳动者，则可能难以识别那些貌似合理却实则错误的答案。
管理有方的企业可围绕自动化重塑工作流程。
管理失序的企业则可能仅仅多购一项软件订阅，却全然不改变生产方式。
具备能力的政府机构可借助AI提升行政效率或优化公共资源配置。
�弱的官僚机构则可能只是把原本就漏洞百出的流程自动化，并以更大规模复制错误。
因此，人工智能的经济回报取决于周边系统的质量。
这一点对各国之间能否实现趋同具有深远意义。
如果发达经济体能够把AI与更完善的基础设施、更深的资本市场、更强的企业、更大规模的高技能劳动者群体以及更有能力的制度相结合，那么即便底层模型可在全球范围内获取，它们仍可能收获更大的效率红利。
技术扩散本身，并不保证收入趋同。
这一模式在过往的技术革命中已屡次上演。
计算机在广泛普及多年之后，不同企业之间依然存在显著的效率落差。有关信息技术的研究也反复表明，组织资本与管理实践显著影响数字化投资的回报。
人工智能或将进一步强化这一机制，因为它直接介入决策过程与知识型工作。
因此，真正应当被视为“采用单位”的，并非软件许可证。
而是：
工作流程。
人工智能的经济回报取决于基础设施、技能、管理、数据、资本与制度等互补条件，因而即便拥有相同的技术接入，不同经济体也可能呈现截然不同的效率结果。
有关人工智能的公共讨论，往往从一个二元问题切入：
哪些工作将消失？
这一框架并不完整。
工作由一系列任务构成。
技术很少会在同一时间自动化一个职业内的全部任务。
它通常先改变某些活动的相对成本，提升另一些活动的价值，并促使企业重组生产方式。
生成式人工智能的近期劳动力市场影响，也极有可能在不同收入水平的经济体中呈现显著差异。
高收入经济体的就业结构，更集中于认知型、行政型、专业型及服务型岗位，而这些岗位的许多任务可通过数字化方式完成。
发展中经济体则有更大比例的劳动者从事农业、建筑、制造、运输、零售及其他高度依赖实体互动的活动。
因此，当前发展中经济体直接受到生成式人工智能自动化影响的就业比例，明显低于高收入经济体。
现有估算显示，低收入与中等收入经济体中，约4.5%的就业面临较明显的自动化风险，而高收入经济体这一比例约为14.2%。
但若审视可能获得显著效率增强的就业比例，差距却小得多：
发展中经济体约为16.2%，高收入经济体约为18.7%。
发展中经济体面临的生成式AI自动化暴露明显低于高收入经济体，但两者在可能获得显著效率提升的就业比例上已极为接近。
这些数字揭示出一种重要的不对称性。
对许多发展中经济体而言，人工智能的近期经济机会，或许更多源自：
增强劳动者，而非替代劳动者。
这一点对政策选择至关重要。
若人工智能主要扮演补充劳动的角色，那么政策目标便不应是保护现有任务免受技术变革冲击，而应是提升劳动者使用新工具的能力，并帮助他们向那些随着认知能力变得更廉价而价值上升的活动迁移。
这并不意味着就业替代风险可被忽视。
部分发展中经济体已围绕数字化可交付服务建立起出口产业，其竞争优势正是熟练认知劳动成本低于发达经济体。
业务流程外包、客服支持、基础编程、翻译、内容生产与行政服务，或许正是最早受到生成式人工智能冲击的领域之一。
因此，人工智能可能侵蚀某些既有的发展路径，同时在其他领域开辟新的机会。
关键取决于企业究竟是依靠廉价的常规认知劳动竞争，还是能够把人类判断、客户知识、专业能力与AI工具结合起来，转向更高价值的服务。
一国之内的劳动力市场调整同样不会均匀发生。
数字技能更强的劳动者可能更早获益。
大型城市企业可能比非正规企业更快采纳新技术。
年轻劳动者与年长劳动者的适应速度也可能存在差异。
部分职业即便效率提升，若最终需求未同步扩张，就业规模仍可能收缩。
因此，单单测量“AI暴露程度”只能作为分析起点。
真正关键的问题是：
技术如何改变不同劳动者的边际产出，以及市场如何回应这种变化。
总量效率最终是在组织内部形成的。
因此，要判断人工智能能否成为一种广泛共享的经济技术，还是主要集中于少数领先企业，企业本身就是最关键的分析单元之一。
乐观的机制十分清晰。
人工智能可降低行政、分析、营销、编程、翻译、客服、研究与设计等工作的成本。
它可帮助小企业获得过去只有大型团队或外部专业机构才能提供的能力。
通过降低部分固定成本，人工智能或可使创业变得更容易，也让年轻企业得以进入过去更偏向大型组织的市场。
但与之相悖的机制同样存在。
大型企业拥有更多专有数据、更完善的管理体系、更便捷的资本获取、更大的技术预算以及更专业化的员工。
它们能够把人工智能整合进整个生产体系，而不仅仅是使用若干零散的消费级应用。
它们也更有能力获取算力资源、争夺稀缺技术人才，并承担网络安全、治理与模型定制等方面的固定成本。
因此，人工智能可能在某些维度降低进入壁垒，同时又在其他维度强化规模经济的回报。
最终效率红利如何分配，将高度取决于市场结构。
假设仅少数前沿企业实现巨大的效率提升，而成千上万的小企业几乎毫无变化。
总量效率或许有所上升，但经济集中度却可能急剧攀升。
劳动与资本将涌向领先企业。
但若市场竞争不足、融资扭曲，或企业退出遭遇政治阻碍，低效率企业仍可能长期存续。
反之，竞争激烈的产品市场可加速技术扩散。
面临强竞争压力的企业，更有动力采用提升效率的工具。
新进入者可以从一开始就搭建高度依赖AI的组织，而无需背负旧有系统。
劳动者可流向效率更高的企业。
资本也将重新配置到更具扩展性的商业模式。
这就是为什么有效的人工智能战略不能脱离更宏观的商业环境。
改善融资渠道、简化企业准入、允许失败企业退出、维护市场竞争、降低监管不确定性并鼓励试验——这些政策的分量或许并不亚于直接补贴AI采用。
此外，还有一个管理层面的问题。
安装软件轻而易举。
重塑一家企业却困难重重。
最大的效率收益，很可能源自企业围绕新技术重塑工作流程，而非简单把AI嵌入既有流程。
这可能要求重新设计岗位职责、审批制度、员工激励、客户界面、数据架构，乃至企业边界。
这种重组需要时间。
这也解释了为何一个经济体即便经历了人工智能能力的惊人跃升，测得的总量效率却未必立即出现同样惊人的加速。
技术先行一步，组织随后跟上。
人工智能在数字分发层面高度开放，但在产业结构上却高度集中。
这一组合，是当下技术转型的重要特征。
在应用层，进入壁垒看似相对偏低。
开发者可调用外部模型与云基础设施来构建产品。
个人可通过普通设备访问复杂系统。
创新可发生在远离底层模型开发企业的地方。
但在这一看似开放的表层之下，人工智能的生产结构要集中得多。
先进半导体制造、高性能计算、超大规模云基础设施、前沿模型开发以及部分关键软件生态，都需要巨额资本投入、专业技术能力、充足能源与规模优势。
因此，AI价值链中的若干关键瓶颈，集中掌握在相对少数的企业与经济体手中。
对发展中经济体而言，这种集中会同时催生两种相反的效应。
第一种是：
依附。
高度依赖外部供应商的国家，可能面临价格、访问条件、模型政策、数据要求以及地缘政治限制的变动，而这些变动并不由它们自身掌控。
公共部门可能逐渐依赖专有系统。
本土企业可能建立在少数上游供应商之上，其商业模式的盈亏也高度受制于这些供应商。
敏感数据还可能与受其他司法辖区规则约束的系统发生交互。
第二种效应则是：
可及性。
正因昂贵基础设施高度集中，并非每个国家都需要另起炉灶重建一套。
全球云计算模式使企业可租用算力，而无需自拥数据中心。
应用开发者可调用预训练模型，而无需从零起步训练前沿系统。
政府可基于既有技术进行适配，而无需把稀缺的财政资源投入商业可行性高度不确定的项目。
因此，集中化既会催生依附风险，也会形成规模经济，使那些根本无力独立建设完整技术栈的国家，也能获得先进能力。
政策回应并不存在显而易见的标准答案。
若把AI价值链的每一层都视为战略上不可替代的资源，许多国家最终会走向成本极高的产业政策。
但若完全忽视集中化，又可能形成未来代价高昂的技术依附。
更为合理的政策目标是：
韧性。
各国需要厘清，哪些能力必须掌握在国内，哪些能力需要保持多元供给，哪些能力可以安全地通过国际市场获得。
这更像是一道组合管理题，而非“主权”与“依附”之间的二元抉择。
前沿芯片、算力基础设施与基础模型仍高度集中，而适配与应用层拥有更广泛的参与空间。对许多经济体而言，创造价值的关键或许在于适配与部署AI，而非复制整套技术栈。
各国人工智能战略愈发频繁地援引“主权”这一概念。
这种动机可以理解。
技术已与国家安全、经济竞争力、数据治理及地缘政治权力深度交织。
政府担忧，若芯片、云平台或模型高度依赖外国供应商，未来的政策选择空间可能受到限制。
但若把“主权”无限延展，它将成为一个极为昂贵的概念。
建设前沿人工智能系统，需要稀缺技术人才、先进半导体、巨额数据中心投资、充足电力、高度成熟的资本市场，以及持续不断的投入以追赶不断移动的技术前沿。
对少数经济体而言，这类投资在商业与战略上或许都具备合理性。
但对更多国家而言，试图复制整套AI技术栈，可能只会消耗稀缺公共资源，却难以构筑持久的比较优势。
真正需要区分的是：
战略自主与技术自给自足。
自主意味着保留真正的选择权。
一个国家或许希望拥有多家云供应商。
希望数据可以迁移。
希望不同系统之间能够互操作。
希望具备网络安全能力。
希望国内拥有足够的专业人才，能够独立评估外部技术。
也希望在法律上能够自由更换供应商。
但这些目标，都不必然要求打造一个国家级的前沿大模型。
更高的经济回报，或许来自适配。
一个主要基于发达经济体数据训练出来的通用模型，即便自身能力极强，也可能并不契合某一国特定的法律体系、语言、农业环境、课程标准、医疗流程或行政体系。
唯有当通用技术能力与具体信息相结合时，本地经济价值才真正得以生成。
这可能包括模型微调、改进检索系统、开发本地语言数据集、把AI与行业知识结合、为不同识字水平设计界面，或开发可在低带宽条件下运行的应用。
这些投资没有建设大型数据中心那般引人注目，但社会回报可能更高。
这揭示出一条更普遍的技术发展规律。
国家并非因为掌握自身所运用的每一项技术才走向富裕。
国家真正走向富裕，是因为形成了：
选择、吸收、适配、组合与进一步改进全球技术的能力。
工业化历史中，有大量经济体先通过吸收外部技术实现发展，随后才逐渐跻身前沿创新