AI 部门一年长 20 倍，GDP 却纹丝不动——不是它没在生产，是尺子没这个刻度
Where Is AI in GDP Statistics? Filling the Measurement Gap
今年 5 月，彼得森国际经济研究所发了一份编号 26-7 的政策简报，标题就是很多人私下问过的那句话：AI 到底在 GDP 的哪儿？作者是弗吉尼亚大学经济学教授 Anton Korinek 和加拿大央行的数据科学家 Patrick McKelvey。他们的数字很扎眼：美国 AI 部门的质量调整产出，2024 和 2025 连着两年都以每年 2000% 以上的速度在涨——换算成倍数是一年二十几倍——而同期美国 GDP 增长平平，生产率统计几乎没动。
值得读的有两条。一是它把「AI 很猛但宏观数据没反应」这场反复出现的争论，从口水仗变成了一道会计题：不是 AI 没在生产，是国民账户这套尺子从来没为它刻过度。二是它给了一个反直觉但很硬的解释——AI 的名义收入之所以看着不起眼，恰恰是因为它太成功了。单位能力的价格崩得几乎和产量涨得一样快，两边一乘，市场价值就被抹平了。这和第 19 篇 Anthropic 经济指数从使用侧做的统计，是同一个问题的两端。
三层账：花了多少钱、买到多少算力、产出了多少「智能」
他们没去问企业「你用 AI 创造了多少价值」——那种调查太软。他们从物理量往回倒推：数据中心耗了多少电、芯片存量是什么规格、GPU 市面租金多少、同一个基准分数下的推理价格是多少、训练出同等能力的模型要烧多少算力。由此得到三层数字，一层比一层大。
第一层是名义算力支出。按 GPU 租金折算，美国从 2023 年的 370 亿美元涨到 2024 年的 900 亿、2025 年的 2190 亿，两年都是每年约 145%；他们另外用全球芯片销售数据做了一次交叉验证，量级对得上。第二层是原始算力容量：芯片本身在变强，同样一美元买到的计算更多，按 H100 等效单位算，容量每年涨超过 200%，跑赢了花钱的速度。
第三层最夸张。所谓质量调整（hedonic adjustment，统计学里把「同一件商品变好了」折算成「变多了」的做法），在这里的含义是：同样一个 token，今天比去年更聪明。固定基准成绩下的推理价格每年跌约 94%，而训练出同等能力的模型所需的算力每年降约三分之二。两个效率叠在一起，质量调整产出 2024 年增长约 2290%，2025 年约 2271%。三个指数里，算法进步是最大的那一个——不是建了多少数据中心，也不是芯片变强了多少。
再往前一步，他们把 AI 当成一个独立的经济实体来记账，按毛利率、服务收入和人力投入的简单假设，估出 2025 年名义 AI GDP 约 2500 亿美元，质量调整口径下年增速约 2600%。这个绝对数的参照物是作者自己给的：大约等于全美定期客运航空业的规模。
为什么它在 GDP 里几乎看不见
原因说穿了在恒等式那一层：名义收入等于价格乘数量。固定能力下的单价跌得几乎和质量调整后的产量涨得一样快，乘起来就没剩多少。半导体几十年就是这么过来的——每一代芯片的单位性能成本都暴跌，所以半导体占 GDP 的比重一直不大，哪怕它的质量调整产出涨了天文数字。AI 是同一个现象更极端的版本。
作者搬了个 1958 年的老概念来命名它：贫困化增长（immiserizing growth，Bhagwati 提出，指一个部门产量猛增，但贸易条件恶化得更快，增长反而没换来价值）。换句话说，AI 公司的收入之所以配不上它的能力，一部分原因是它自己把价格打崩了。不过作者留了口子：最近 GPU 租金开始企稳，大企业的长期合约在增加，这个趋势未必一直走下去。还有一层是结构性的：AI 活动散在云服务、软件出版、数据处理等一长串行业代码里，没有哪个类目装得下「AI 经济」这个整体。另一层测不准来自消费者剩余——免费和包月产品让用户拿到的好处，不进任何人的收入表。
这一次和半导体、互联网哪里不一样
这是全文最重要的一节，也是他们敢把话说重的理由。关于「统计没测准」，经济学界打过一轮了：互联网时代的生产率放缓是不是测量误差造成的？Byrne、Fernald、Reinsdorf 和 Syverson 反复查过，结论是误差真实存在，但太小，也和各国放缓的模式对不上，解释不了那个谜。Korinek 明确说他接受这个结论——他不认为今天的 AI 测量误差已经大到能改写头条数字，他认为的是再过几年可能会。
区别在哪？半导体和互联网在总量层面都是人类劳动的互补品：更好的芯片让工人更能干，免费的数字服务要经过人的时间和注意力才能兑现。好处必须过人这道瓶颈，宏观足迹因此是有上界的。而 AI 是第一个有可能成为劳动替代品的候选者。一旦替代真的发生，比价的参照系就换了：不再是「今天的 AI 对比去年的 AI」（这个比价一直在暴跌），而是「AI 对比人的工资」（这个贵得多）。到那一步，推理价格的下跌可能放缓甚至反转，那些一直在名义上隐形的产能会突然出现在头条统计里——而且可能来得很急。
从测量缺口到政策缺口
他们把政策风险说得很直白。第一处是税基：发达经济体的财政靠收入税和工资税撑着，而一个拿常规数据做十年期收入预测的财政部，会系统性低估劳动税基被冲击的概率，也就来不及去设计税制改革、主权基金这类应对。「看不见的红利没法分。」同样，算力税、AI 服务消费税、前沿模型暴利税这些提案，都预设了一张关于税基的量化图，而现在的官方统计根本给不出这张图。第二处是货币政策：产出缺口、生产率、自然利率都是从国民账户里推出来的，而 AI 投资正在吃掉越来越多的电力、资本开支和熟练劳动力，信号却被压住、被滞后。
三条建议因此很务实。一是统计机构联合 OECD、IMF 建 AI 卫星账户（satellite account，国民账户体系里为某一领域单开的一套子账，比如美国经济分析局已有的数字经济卫星账户）——上面那三层指标就能当起步组件，不需要动头条 GDP 的口径。二是统计机构、AI 公司和学界之间搞结构化的数据合作，因为算力在训练和推理之间怎么分、AI 厂商的毛利率是多少、基准成绩和经济价值怎么换算，这几个洞靠外部估算补不上。三是别等账户建好，先把哪怕粗糙的 AI 产能估计塞进中期预测和情景分析——粗糙的数字也远好过现行预测里那个隐含假设：这个部门又小又慢。理由很实际：把研发支出资本化进国民账户，从提出到 2008 年国民账户体系落地花了几十年，而按他们估的增速，AI 留的窗口短得多。
文末还有一句自我披露值得留意：这项研究从头到尾大量使用了 AI，所有 AI 生成的内容都经过人工复核。一篇测量 AI 经济的论文，本身就是那个经济的产物。
本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。 篇目由编辑独立选取，来源均经人工核实。