来源：中金点睛

　　Abstract

　　摘要

　　AI革命将深刻重塑全球经济，已成为广泛共识，但这场技术革命究竟会把通胀带往何方，仍存在明显分歧：一方面，算力、芯片与数据中心投资快速扩张可能推高通胀；另一方面，生产率提升与劳动替代又可能带来持续的“去通胀”力量。为厘清上述分歧，我们综合历史经验与理论推演，把技术革命影响通胀的机制归纳为供给效应、预期效应、替代效应和瓶颈效应，讨论这四种机制的相对强弱与兑现时序。与以往技术革命相比，AI革命的技术扩散更快，替代层级更高，预期分化更大，可能重塑劳动力市场，在需求侧形成更强的“去通胀”压力。因此，即使短期通胀有所抬升，中长期“去通胀”压力可能高于以往技术革命。中国已处于低通胀环境，面临挑战尤为突出。应对新形势，财政政策可考虑聚焦收入分配、就业支持和社会保障，货币政策则可精准前瞻，相对宽松，避免把生产率改善误判为通胀风险。

　　Text

　　正文

　　一、以史为鉴：过去两次技术革命均伴随“去通胀”

　　（一）萨伊定律——“供给创造需求”

　　技术革命如何影响通胀，一个自然的分析起点是萨伊定律。技术进步首先表现为生产率提升和供给能力扩张，而其对通胀的影响，关键取决于新增供给能否同时形成与之匹配的需求。古典经济学中的萨伊定律后来常被概括为“供给创造需求”[1]。其基本思想是，生产在创造商品的同时也创造收入和购买力；收入既可以用于消费，也可以形成储蓄，只要储蓄重新投入生产性用途，就不会造成总需求的永久损失。后来的古典经济学进一步发展出由利率协调储蓄与投资的理论。按照这一逻辑，生产扩张通常能够形成与之相应的购买力，供给与需求因而可以大体同步扩张，持续而普遍的生产过剩难以长期存在。将这一逻辑延伸至技术革命，如果新增供给能够同步创造相应需求，生产率提升就主要表现为更高的实际产出和社会福利，而不会持续、系统性地改变通胀水平。

　　（二）过去两次技术革命中新供给确实创造了新需求，但供需扩张不同步，带来“去通胀”压力

　　过去两次技术革命的经验显示，“供给创造需求”的机制确实存在，但不意味着供需能够自动同步均衡。技术进步创造的需求在规模、结构和时点上未必始终与快速扩张的供给能力相匹配，两次技术革命均伴随明显的“去通胀”。

　　19世纪后期，大规模机械化、铁路扩张和规模化生产推动美国生产率与实际产出快速提高，供给能力加速扩张。与此同时，金本位对名义需求扩张形成约束。1870年代至1890年代中期，美国总体价格水平累计下降约三成。这一长期价格下行的过程还伴随多次金融危机和经济调整，一度被称为“大萧条”（Great Depression），1929年危机后，这一称谓逐渐让位于新的大萧条，改称“长萧条”（Long Depression）。Bordo， Lane and Redish（2004）的历史分解表明，这一时期的价格下降同时受到正向供给冲击和偏紧货币冲击的影响，其中生产率提升和供给扩张是重要力量。第二次工业革命由此呈现出典型的“高增长、低通胀甚至价格下降”特征：当生产率和供给能力快速提升，而需求未能以同样速度扩张时，技术进步就会形成明显的去通胀压力。

　　信息革命期间，类似的供需相对变化再次出现。20世纪90年代，个人电脑加速普及、互联网快速扩张、通信技术持续进步，美国劳动生产率明显提高，实际产出增长加快。1990年代后期，美国总需求保持强劲，但生产率提高和供给能力的显著扩张缓解了价格压力，经济呈现“高增长、低失业与低通胀”并存的格局。2000年前后，前期IT投资形成的大量产能集中释放，尽管高科技产品需求快速增长，但新增供给扩张得更快，通信等行业逐渐出现明显的产能过剩。互联网泡沫破裂后，投资需求大幅收缩，而生产率继续保持较快增长，经济闲置程度上升，进一步强化了低通胀环境。信息革命期间，美国通胀中枢显著下移，CPI 同比由1990年前后的5%-6%逐步回落，1997-1998年一度降至约1.5%，2001-2002年部分月份再次低于2%，呈现明显的去通胀特征。

　　两次技术革命经验表明，新供给确实能够创造新的消费和投资需求，但不存在保证总需求与供给能力自动、同步扩张的机制。当供给能力扩张更快时，技术进步就会表现为去通胀压力，此时萨伊定律并不成立。

　　（三）萨伊定律的历史批判：长期收入分配问题与短期有效需求问题

　　萨伊定律的问题，在于生产所创造的收入并不会自动、充分地转化为与新增供给相匹配的需求。按照“供给创造需求”的逻辑，生产在创造商品的同时也创造相应收入，只要这些收入能够顺利转化为消费和投资，普遍性的生产过剩就难以持续。但历史上的周期性危机表明，生产、收入与最终需求之间并不存在自动、无摩擦的转化机制。马克思和凯恩斯分别从长期收入分配问题与短期有效需求不足问题两个角度，对这一逻辑进行了批判。

　　马克思聚焦长期收入分配问题。资本积累和技术进步能够持续提高生产能力，但生产出来的商品只有被市场购买，其中包含的价值才能最终实现。如果生产率提升带来的新增收入更多集中于资本和高收入群体，而劳动收入增长相对滞后，社会消费能力就可能跟不上生产能力扩张。投资虽然能够形成当期需求，但同时也会进一步扩大未来产能。因此，当生产能力扩张长期快于最终需求增长时，价值实现的约束会不断积累，并可能表现为生产过剩和周期性危机[2]。

　　凯恩斯聚焦短期有效需求不足问题。收入形成以后，并不会自动全部转化为消费，储蓄也不会仅靠利率调整自动转化为投资。企业投资取决于预期收益、利率和对未来的信心，具有较强的不稳定性。当预期转弱、动物精神下降时，即便利率下降，投资也可能不足，并进一步拖累就业、收入和消费。经济因此可能停留在低于充分就业的水平，生产所创造的收入并不能保证形成足够的有效需求[3]。

　　过去的技术革命同时体现了这两类问题。从长期看，技术进步会改变就业结构和收入分配，进而影响新增收入向消费需求的转化。第二次工业革命推动劳动力由农业向工业和服务业转移，信息革命则进一步加快了就业结构分化。计算机和自动化更多替代常规性任务，高技能和部分低技能岗位扩张，中等技能岗位相对收缩，形成明显的就业极化（Autor and Dorn，2013）。与此同时，生产率红利并未同比例转化为广泛的劳动收入增长。根据WID数据，美国前1%人口收入占比由1980年的10.4%上升至2000年的17.3%。从短期看，技术扩散还会通过投资预期、资本开支和就业波动影响有效需求。当企业对新技术的盈利前景过度乐观或突然转弱时，投资和就业都可能出现较大波动，并通过乘数效应放大总需求变化。

　　二、技术革命如何影响通胀：从萨伊定律到四大影响机制

　　前文的讨论表明，技术进步不仅会提高生产能力，也会通过收入、消费、投资和要素分配等渠道影响需求。为了进一步厘清这些变化如何作用于通胀，我们先从一个简化情景出发，再逐步引入现实中的主要摩擦，从而识别技术革命影响通胀的不同机制。

　　（一）从简化世界到现实世界

　　设想一个简化经济体：技术进步创造的新增收入能够及时、充分地转化为消费和投资，名义需求与潜在供给同步扩张；价格和工资能够即时充分调整；经济主体不会提前对未来技术红利作出反应；技术红利在不同人群间均等分配；关键生产要素不存在短期供给约束。在这一基准情形下，技术进步虽然提高生产率和潜在产出，但不会造成持续的供需错配，主要表现为实际产出和社会福利提高，而不会系统性改变通胀水平。现实经济中，上述条件往往难以同时成立。价格和工资存在粘性，企业和居民会根据对未来技术红利的预期调整当前投资和消费，技术进步还可能改变资本与劳动之间的收入分配，而部分关键生产要素在短期内也存在供给约束。这些现实摩擦会使技术进步对供给和需求产生不同的影响，并进一步改变通胀的方向和幅度。

　　为了更好地刻画现实世界，我们构建了一个扩展版多部门新凯恩斯模型，在基准情形上逐步引入价格与工资粘性、预期偏差、收入分配差异以及关键生产要素的短期供给约束。模型采用CES生产函数刻画资本与劳动之间不同程度的替代关系，并引入异质性家庭，允许劳动收入与资本收入具有不同的边际消费倾向，从而使技术进步引起的要素替代和收入分配变化进一步作用于总需求。同时，模型加入关键投入品的短期供给约束，以刻画技术革命初期资本开支快速扩张可能形成的供给瓶颈。模型的具体结构、均衡条件和参数设定见附录。在这一框架下，技术进步主要通过供给效应、预期效应、替代效应和瓶颈效应四条渠道影响通胀。不同机制的作用方向和兑现时序并不相同，其相对强弱共同决定技术革命最终呈现通胀还是去通胀特征。

　　（二）技术进步影响通胀的四大机制

　　1．供给效应：生产率提高压低通胀

　　技术进步提高生产率，推升潜在产出。如果名义需求无法同步扩张，实际产出对潜在产出的追赶就会滞后，形成负产出缺口并压低通胀。与此同时，在工资存在粘性的情况下，名义工资难以及时跟随劳动生产率上升，单位劳动成本下降，企业实际边际成本随之降低，进一步强化去通胀压力。因此，生产率提升越快，而需求、工资和价格调整越慢，供给效应带来的去通胀压力就越强。

　　图表1：生产率提升越快，通胀下行压力越大

　　注：ā为累计生产率增幅，并在10年内均匀释放；总增幅越大，每年的生产率提升越多，表现为技术进步越快。相关数据为内部模拟数据，由扩展版多部门新凯恩斯模型计算得到，用于展示对应机制对通胀的方向性作用，非真实情况；模型设定与求解方法见附录资料来源：中金公司研究部

　　2．预期效应：乐观预期推高通胀

　　技术革命对通胀的影响，不仅取决于生产率已经提高多少，也取决于市场相信未来的技术红利有多大。如果大量生产率红利尚未兑现，却已经被家庭和企业提前计入决策，未来收入和利润便会转化为今天的消费和投资：家庭因预期永久收入提高而增加当前消费，企业因预期未来市场扩大、资本回报上升而提前增加资本开支。此时，未来的供给能力尚未形成，需求却已经提前释放，从而形成正产出缺口并推高通胀。因此，对未来技术红利的预期越乐观、需求前置程度越高，预期效应带来的通胀压力越强。

　　图表2：对未来技术红利的预期越强，通胀压力越大

　　注：λ是预期强度，值越大表示对技术红利的预期越乐观。相关数据为内部模拟数据，由扩展版多部门新凯恩斯模型计算得到，用于展示对应机制对通胀的方向性作用，非真实情况；模型设定与求解方法见附录资料来源：中金公司研究部

　　3．替代效应：劳动收入份额下降，抑制总需求与通胀

　　如果技术进步显著提高资本对劳动的替代能力，劳动收入份额可能下降，更多新增收入流向资本所有者。由于资本所有者和高收入群体的边际消费倾向通常低于普通劳动者，收入向低边际消费倾向群体集中，会降低全社会消费倾向，使技术进步创造的新增收入更难充分转化为最终需求，从而形成去通胀压力。因此，技术对劳动收入份额的压制越明显、不同收入群体边际消费倾向的差异越大，收入再分配对总需求和通胀的抑制作用就越强。

　　图表3：劳动者和资本所有者消费倾向差距越大，去通胀压力越大

　　注：h为储蓄家庭外部消费习惯（短期 MPC 差异的代理变量），值越大表示劳动收入者与资本收入者边际消费倾向差异越大。相关数据为内部模拟数据，由扩展版多部门新凯恩斯模型计算得到，用于展示对应机制对通胀的方向性作用，非真实情况；模型设定与求解方法见附录资料来源：中金公司研究部

　　4．瓶颈效应：关键生产要素稀缺，短期推高通胀

　　技术革命初期往往伴随资本开支快速扩张，对关键生产要素的需求可能在短时间内集中释放。如果相关投入品供给缺乏弹性，其价格便会快速上涨，形成局部供给瓶颈。理论上，关键投入品价格上涨会挤出其他商品需求，其他价格下降可以部分抵消这一影响；但在价格存在粘性的情况下，其他商品价格难以及时下调，局部相对价格上涨便更容易转化为总体通胀。此外，如果投资品和消费品共用芯片、能源、存储等上游投入，价格冲击还会沿生产网络向其他部门传导，进一步放大瓶颈型通胀。因此，资本开支扩张越快、关键投入越稀缺、短期供给弹性越低，瓶颈效应带来的通胀压力就越强。

　　图表4：关键投入越稀缺，短期通胀压力越大

　　注：相关数据为内部模拟数据，由扩展版多部门新凯恩斯模型计算得到，用于展示对应机制对通胀的方向性作用，非真实情况；模型设定与求解方法见附录资料来源：中金公司研究部

　　由此可见，技术革命究竟带来通胀还是去通胀，并不只取决于技术最终能够提高多少生产率，而取决于四种机制的相对强弱及其兑现时序：生产率红利释放得有多快，市场对未来红利提前定价了多少，资本对劳动的替代有多深，技术红利如何在劳动与资本之间分配，以及资本开支是否率先遭遇关键要素瓶颈。不同阶段主导机制的切换，决定了技术革命通胀效应的方向。这也构成了后文判断AI革命为何可能呈现“短期推高通胀、中长期压低通胀”的理论基础。

　　三、AI时代：短期推高通胀，长期压低通胀，去通胀压力或高于以往技术革命

　　（一）AI扩散速度更快，瓶颈效应率先显现，供给效应仍待释放

　　AI的扩散速度显著快于以往技术革命。ChatGPT诞生不到4年，AI已经迅速进入居民生活和企业生产。当前美国成年人中，接近一半已经使用过AI聊天机器人[4]，就业人口中使用AI处理工作任务的比例也已接近四成，明显快于个人电脑与互联网发展初期的渗透速度。更快的技术扩散意味着AI对经济的影响也可能以更快的速度体现出来。

　　图表5：AI革命的渗透速度明显快于以往技术革命

　　注：个人电脑的统计数据存在中断，当前展示结果为已有数据点直接连接后绘制。ChatGPT为成年人使用比例，PC、互联网为家庭渗透率资料来源：FRED，World Bank，https：//ourworldindata.org/grapher/technology-adoption-by-households-in-the-united-states，https：//www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/，中金公司研究部

　　在任务层面，AI降本增效的证据已经较为充分。实证研究显示，应用AI后，客服人员每小时解决的工单数量提高约14%—15%，且对低经验劳动者的改善更加明显（Brynjolfsson， Li and Raymond，2025）；在咨询等复杂认知任务中，AI也能够明显缩短任务完成时间，并在其能力边界内提高工作质量（Dell’Acqua et al．，2026）。这说明AI已经能够在具体生产任务中显著提升效率。

　　但在宏观层面，AI提高生产率的证据尚不充分，供给效应仍待释放。首先，劳动生产率并不是识别技术进步的最佳指标。即使全要素生产率没有明显提高，仅靠资本深化，也可以推动单位劳动产出上升。近年美国劳动生产率确实有所加快，但AI资本开支快速增长本身就在大幅增加资本投入；相比之下，更能反映技术进步的“经产能利用率调整的TFP”（utilization-adjusted TFP）仍处于相对低位，与互联网革命1996—2005年期间的生产率跃升相比仍有明显差距。换言之，当前宏观数据中已经能够看到AI资本开支带来的资本深化，却尚未看到与之匹配的全要素生产率跃升，AI真正的供给效应仍有待释放。

　　图表6：AI革命期间全要素生产率（TFP）尚未加速增长，符合IT革命期间TFP的“J曲线”特征

　　注：数据截止到2026Q2资料来源：旧金山联储，中金公司研究部

　　其次，需要区分“AI投资推高GDP”与“AI提高生产率”。近两年AI Capex快速增长，本身已经对美国经济增长形成显著拉动。圣路易斯联储估算，美国AI相关四类投资对2025年前三季度实际GDP增长的贡献合计达到39%[5]。但这主要反映资本形成直接进入GDP，而不是AI已经通过提高TFP显著扩大经济的供给能力。换言之，当前宏观层面率先兑现的是“投资红利”，而非“生产率红利”。这也意味着，AI完全可能在生产率提升带来的供给效应尚未充分显现之前，先通过投资需求和关键投入品瓶颈推高通胀。

　　不过，全要素生产率尚未提升，并不意味着AI未来难以形成显著的生产率红利。这是通用技术扩散的历史共性。历史上，从技术突破到宏观生产率提升通常存在较长时滞，呈现典型的生产率“J曲线”。新技术真正转化为生产率，不仅要求技术本身可用，还需要企业围绕新技术重新设计生产流程、组织结构和商业模式。19世纪末至20世纪初，如果工厂只是以电动机简单替代蒸汽机，而继续沿用原有集中动力和生产线布局，其生产率改善较为有限；只有随着分布式动力和生产组织重新设计，电气化的生产率红利才真正释放（David，1990）。AI同样可能经历类似过程。此外，AI主要作用于信息处理、分析、决策和知识生产，很多效率提升表现为质量改善而非数量增长。一般来说，国民账户对这类产出质量改善的捕捉相对困难（Schreyer，2012）。因此，AI当前很可能仍处于“微观效率已经出现、宏观生产率尚待兑现”的阶段。

　　也正因为AI扩散和资本开支走在生产率兑现之前，瓶颈效应反而率先显现。AI资本开支在短时间内集中释放，对先进芯片、存储、服务器、电力和数据中心等关键投入形成巨大需求，而这些生产要素的供给能力无法同步调整，价格由此快速上涨。存储提供了一个具有代表性的跨时代对照。1993年住友化学树脂工厂火灾曾造成DRAM价格大幅上涨，1995年前后PC升级又推升存储需求；相比之下，本轮AI服务器需求对传统存储产能形成更强挤压，2025年以来部分消费类DRAM和NAND价格自低点累计上涨超过600%。与此同时，服务器对DRAM、HBM等存储产品的需求快速增加，还可能挤占面向手机等消费电子的产能，使局部投资品瓶颈向消费品价格传导。

　　不过，从历史经验来看，瓶颈效应的持续性和总量影响均不宜高估。从持续时间看，在以往技术革命中，投入品瓶颈的高压阶段通常仅持续3-5年，而本轮AI革命的相关瓶颈已持续约3年。考虑到AI技术扩散速度更快，本轮瓶颈效应可能仍在强化，部分关键投入品价格仍有上行压力，但边际强化速度或开始放缓。从总量影响看，以往技术革命中，投资品瓶颈对整体通胀的推升幅度有限。尽管AI革命扩散更快、短期瓶颈效应相对更强，但其对总体通胀的影响或相对温和。明尼阿波利斯联储估算，截至2026年7月，AI相关供给约束抬升核心PCE约0.4个百分点[6]，影响相对有限。因此，本轮AI革命的一个突出特征是：生产率红利尚未充分进入宏观供给，资本开支却已经率先撞上供给约束，瓶颈效应因而比供给效应更早体现，但其对通胀总量影响有限。

　　图表7：以往技术革命的瓶颈效应通常持续3-5年

　　资料来源：FRED，https：//fraser.stlouisfed.org/files/docs/publications/merchmag/merchmag_v30_185406.pdf，中金公司研究部

　　（二）AI替代层级更高，重塑劳动市场，分配问题可能已经出现

　　历次技术进步都会重塑劳动力市场。本轮AI革命的突出特征在于，技术替代的边界开始从体力劳动和规则明确、可程序化的常规性任务，推进至编程、分析以及金融、法律等领域中的复杂认知任务。但现阶段，较高的AI暴露并不意味着大规模职业或岗位已经消失，而是表现为三组看似矛盾但同时存在的现象：大部分职业暴露，但存量就业总体稳定；宏观失业率平稳，但招聘流量与职业入口已经率先收缩；岗位仍然存在，但劳动收入份额可能已经开始承压。

　　1．收入-技术暴露度关系变化：AI暴露与工资呈现正相关

　　AI时代一个非常重要的变化，是技术暴露程度与工资之间的关系发生改变。计算机时代，技术冲击主要集中于规则明确、流程固定、可以程序化的常规性任务，这些任务大量分布在中等技能和中等收入职业；高薪的抽象认知任务与低薪的非标准化手工服务反而较难被计算机替代。因此，1990年代的常规任务强度（RTI）与工资水平总体呈“倒U型”。

　　图表8：IT时代中间收入群体的常规任务强度更高

　　生成式AI改变了这一关系。AI能够处理语言、代码、推理、知识检索和分析等复杂认知任务，使高收入、高技能职业的AI暴露程度明显上升，AI暴露度与工资的相关系数已经高达0.54。从职业分布看，计算机时代高暴露职业主要集中于校对员、簿记员等工资分布的中低端，其年薪多在2.4万—2.9万美元附近；而当前AI高暴露职业则大量集中于精算师、金融审查员、预算分析师等高薪认知职业，其年薪约9.6万—14.4万美元，达到全社会工资中位数的两倍以上。进一步看，RTI前25%职业的平均工资低于后25%，而AIOE前25%职业的平均工资则接近后25%的两倍。

　　图表9：AI时代高收入群体的AI暴露度更高

　　需要强调的是，AI暴露度并不等同于岗位最终被替代的概率，较高暴露既可能意味着替代，也可能意味着AI对劳动者的增强。但技术暴露与工资的关系由倒U型转为显著正相关，本身已经说明技术冲击的边界正在发生重要变化：计算机时代主要影响中等技能的常规性任务，而生成式AI开始直接进入高技能、高工资职业赖以形成工资溢价的核心认知环节。过去难以编码的专业知识壁垒正在被AI逐步突破，技术冲击的层级明显上移。如果这一趋势持续，AI不仅可能改变这些职业的任务结构，也可能削弱部分高认知职业的技能稀缺性与工资溢价，并进一步改变其薪资和雇佣结构。

　　2．存量稳定：AI尚未导致大规模失业

　　尽管在能力和任务层面AI已经表现出较强的替代潜力，宏观就业市场尚未出现明显的大规模存量调整。从总体数据看，美国失业率目前仍处于相对稳定水平；从职业结构看，在22-65岁的人群中，高AI暴露职业与低AI暴露职业的就业表现差异同样并不显著。这种“高暴露”与“低失业”并存的现象并不矛盾，主要可以从以下角度理解。

　　图表10：当前美国失业率低于1990年以来中位数

　　一是组织调整时滞。技术从具备生产能力到广泛改变生产流程、岗位设计和人员配置，通常存在较长时滞，与前述生产率“J曲线”类似（Brynjolfsson， Rock and Syverson， 2021）。历史上的电力革命从技术发明到生产率大范围兑现经历了数十年时间（David，1990）。最新微观研究同样发现，LLM工具普及之后的一段时期内，劳动者收入和工时尚未出现明显变化（Humlum and Vestergaard，2025）。技术具备替代某项任务的能力，并不意味着企业会立即完成组织重构并裁撤相应岗位。组织架构、数据系统、法律责任、监管要求和社会规范都会延缓企业真正实施岗位替代[7]。因此，AI能力的快速扩张与存量就业的相对稳定完全可能在相当长一段时期内同时存在。

　　二是互补机制。技术通常不会一次性消灭整个职业，而是首先替代职业内部的部分任务（Autor， Levy and Murnane，2003；Acemoglu and Restrepo，2018）。更进一步，即使AI能够完成某项任务，也不意味着该任务能够完整、经济地从整个工作流程中剥离。Garicano， Li and Wu（2026）提出的“任务绑定”框架指出，如果不同任务之间存在较强互补关系，单个任务被AI替代后，岗位边界可能收窄，但整个岗位未必消失。Freund and Mann（2025）的一般均衡分析也表明，技术替代最终取决于劳动者完整的技能组合。这可以解释为什么同为AI高暴露职业，不同职业的就业结果差异很大：标准化程度高、任务容易拆分的客服业务更容易被自动化，而需要综合判断、协调、责任承担和隐性知识的高技能岗位，替代速度明显更慢。

　　3．流量收缩：招聘冻结与职业入口收窄，青年就业承压

　　我们认为，宏观就业仍然稳定，一个重要原因在于企业对劳动需求的边际调整首先落在流量而非存量。现实中，很多高技能职业内部存在明显的层级分工。律师、咨询、金融、软件开发等行业中，资料整理、基础分析、初级代码和文书工作通常由年轻员工承担，而资深员工更多负责判断、协调、客户关系和责任承担。当AI能够接管其中一部分相对标准化的基础认知任务时，企业未必需要立即裁撤已经存在的岗位，却可以直接减少对初级人员的新增招聘。职业仍然存在，但组织金字塔的底部开始收窄。

　　Indeed招聘数据已经给出明显信号。多个AI高暴露职业的招聘持续走弱，并明显低于Indeed全平台平均水平，其中软件开发行业的招聘水平已经低于疫情前。微观研究也指向同一方向：Hosseini Maasoum and Lichtinger（2025）基于6200万份简历发现，采用AI的企业初级岗位招聘平均下降约22%；Massenkoff and McCrory（2026）发现，AI暴露程度较高职业中年轻劳动者招聘明显放缓；Brynjolfsson et al．（2026）对ADP数据持续追踪发现，目前尚未出现广泛的整体就业替代，但高AI暴露职业中的青年就业表现已经明显弱于其他群体，且差距主要来自新增招聘减少，而非在职劳动者离职率提高。中国招聘数据中也已经出现类似特征：高AI暴露岗位的劳动力需求趋于走弱，同时职业内部工资差异有所扩大（张丹丹等，2025）。

　　图表11：低AI暴露职业的就业并未出现年龄分化

　　注：金丝雀指数记录样本企业的就业存量，但斯坦福的研究指出，指数的下降大部分由招聘冻结贡献资料来源：https：//digitaleconomy.stanford.edu/project/indicators/canaries/，中金公司研究部

　　图表12：高AI暴露职业的就业年龄分化显著

　　注：金丝雀指数记录样本企业的就业存量，但斯坦福的研究指出，指数的下降大部分由招聘冻结贡献资料来源：https：//digitaleconomy.stanford.edu/project/indicators/canaries/，中金公司研究部

　　职业入口收缩首先冲击的是高学历但缺乏工作经验的青年群体，其影响可能远远超出当期就业本身。职业早期是劳动者通过“干中学”积累专业技能、隐性知识和组织经验的关键阶段。如果初级岗位持续减少，一部分青年劳动者可能长期无法进入原本的职业阶梯，由此形成就业和收入的“疤痕效应”，使短期招聘收缩转化为长期收入损失和职业发展受阻。日本“就职冰河期世代”的经验表明，青年时期遭遇的就业冲击即使在宏观失业率恢复之后，仍可能长期影响其就业率、工资和职业发展（Genda， Kondo and Ohta，2010；Kondo，2024）。对宏观经济而言，这意味着AI替代可能通过一条相对隐蔽的路径影响需求：总量就业暂时稳定，但就业机会首先在职业入口端、尤其是相对脆弱的青年群体中收缩，进而压低未来收入预期和消费倾向，形成更加持久的去通胀压力。

　　随着AI应用快速扩散，高暴露职业中的青年就业分化进一步扩大，技术替代可能正成为其中不可忽视的结构性力量。经济低迷还会与AI替代形成相互强化：低迷本身减少企业招聘，使AI替代效应更难从周期性收缩中被单独识别；但当企业本就需要控制成本时，AI又提高了“不再招聘”的可行性，使部分周期性招聘收缩逐渐固化为结构变化。换言之，低迷为替代提供“掩护”，而替代又可能进一步“巩固”低迷。

　　4．分配承压：劳动份额开始下降

　　任务绑定可以延缓职业整体替代，但无法保证劳动者在新增价值中的相对地位不变。只要AI开始承担更多原本由劳动完成、且具有较高附加值的任务，即使岗位仍然存在，劳动的边际贡献、稀缺性和议价能力也可能下降，表现为工资增长慢于生产率增长、劳动收入份额承压，最终通过前述替代效应抑制总需求和通胀。

　　机制上，AI和自动化可能通过多条渠道压低劳动收入份额。从企业内部要素配置看，Karabarbounis and Neiman（2014）指出，资本品相对价格下降会推动企业以资本替代劳动，从而压低劳动份额。Acemoglu and Restrepo（2019）进一步强调，自动化不仅降低资本相对价格，还能够使机器、软件和模型直接承担原本由劳动完成的任务（称为“位移效应”），减少企业对相应劳动的需求。从市场竞争格局看，Autor et al．（2020）的“超级明星企业”理论指出，技术优势和规模经济会推动市场份额向高生产率、低劳动份额的头部企业集中，从而在行业和宏观层面进一步压低劳动收入份额。

　　数据层面，这一风险已经开始值得关注。金融危机以后，美国劳动收入份额总体处于历史较低水平，近期再次出现下降迹象。目前尚不能将这一变化简单归因于AI，但AI自主完成人类任务的能力正在快速提升。METR的测算显示，前沿AI模型能够自主完成的任务复杂度和持续时间正在近似指数式扩张。如果这一能力进一步转化为更广泛的任务自动化，劳动需求和劳动收入份额受到的压力可能继续加大。

　　图表13：2021 年以来美国劳动份额再度下行，2026年二季度末降至 1991 年以来最低

　　当然，长期来看，技术进步不仅会替代旧任务，也会创造新任务，劳动收入份额并不必然持续下降（Acemoglu and Restrepo，2018，2019）。长期劳动市场的最终均衡，取决于“旧任务自动化”与“新任务创造”两种力量之间的竞赛。问题在于，两种力量的兑现速度可能并不一致：旧任务可以随着技术能力提高迅速被自动化，而新职业形成、技能转换和劳动力重新配置通常需要更长时间。从历史经验看，IT革命初期同样伴随任务替代，但到20世纪90年代后期，随着数字技术和新产业快速扩张，新任务创造明显加快，逐步抵消了自动化对劳动需求的负面效应。相比之下，AI革命初期旧任务自动化明显快于新任务创造，新职业的形成速度也慢于AI向既有职业和工作任务的渗透速度，任务结构变化对劳动需求的负面影响加深。“旧任务替代”与“新任务创造”之间的时间错配可能使AI时代通胀的替代效应比以往技术革命来得更快、影响更深。

　　（三）技术乐观与收入悲观形成预期分化

　　AI时代，对技术进步的预期呈现出“供给乐观”与“替代/分配悲观”的明显分化。一方面，AI能力快速提升、渗透速度远快于以往技术革命，使企业和投资者对未来生产率、利润和经济增长保持高度乐观，并推动AI相关资本开支持续扩张；另一方面，技术能力越强，对劳动替代的担忧也越突出，劳动者对未来就业、工资和职业安全的预期反而可能趋于谨慎。同一项技术，一端形成对未来增长的强烈乐观，另一端却形成对未来收入和就业的担忧，这是本轮AI革命非常突出的预期特征。

　　宏观层面，这种预期分化已经体现在投资与消费行为的背离中。当前美国制造业资本开支预期处于历史较高水平，而消费信心则相对低迷。两类预期对通胀的作用方向恰好相反：企业对技术红利的乐观预期推动资本开支前置，在未来供给尚未形成之前增加当期需求，并进一步强化芯片、存储、电力等领域的瓶颈效应；居民对就业和收入的担忧则可能提高预防性储蓄，使家庭不愿根据“尚未兑现的未来生产率红利”提前扩大消费，从而削弱前述预期效应。

　　图表14：投资信心与消费信心明显分化，均处于近50年极端水平

　　注：费城联储未来资本开支扩散指数基于费城联储辖区（宾州东部、新泽西南部及特拉华州）制造业企业调查，因此或低估AI相关资本开支的扩张强度资料来源：FRED，中金公司研究部

　　因此，与理论模型中相对单一的“技术乐观预期”相比，现实中的AI预期效应本身就是分化的。资本端的乐观推高投资，劳动端的悲观抑制消费，两种力量相互抵消，使预期效应对总需求和通胀的净影响难以简单判断。这也是我们认为，当前AI带来的短期通胀压力更多来自已经发生的资本开支和供给瓶颈，而非单纯来自对未来生产率的乐观预期。

　　（四）AI革命对通胀的影响：短期推高，长期压低

　　综合前述四种机制，AI革命对通胀的影响具有明显的阶段性：短期可能首先推高通胀，中长期则更可能转向去通胀。其背后并不是作用机制发生改变，而是不同机制的相对强弱会随着技术革命的推进而变化。

　　图表15：短期瓶颈效应主导通胀，长期供给与替代效应主导去通胀

　　注：向上的箭头表示通胀，向下的箭头表示去通胀，—表示不确定或微弱资料来源：中金公司研究部

　　短期看，AI仍处于“投资先行、生产率后到”的阶段，通胀效应可能占据主导。当前任务层面的效率提升尚未充分转化为宏观TFP增长，供给效应仍然有限；企业和居民对AI前景的预期明显分化，对总需求的净影响尚不明确；劳动替代已经开始从招聘等就业流量层面显现，但对工资和总收入的影响仍较有限。与此同时，AI投资快速增长，对芯片、存储、电力和数据中心等关键生产要素形成集中需求，而这些要素短期供给弹性有限，使供给瓶颈成为当前最明显的通胀力量。因此，在技术革命早期，需求扩张快于供给能力释放，AI可能首先推高通胀。

　　长期看，四种机制的相对强弱将发生变化，AI的净效应更可能转向去通胀。随着企业完成生产流程和组织结构调整，任务层面的效率提升逐步转化为宏观TFP增长，供给效应明显增强；与此同时，芯片、存储、电力和数据中心等关键投入品的供给能力逐渐扩张，早期瓶颈效应随之消退。劳动替代也可能进一步由招聘流量传导至工资和劳动收入份额，并通过收入分配和消费需求影响总需求。随着供给效应和替代效应逐渐增强，而瓶颈效应逐步减弱，AI对通胀的净影响可能由前期的通胀转向中长期的去通胀。

　　（五）与以往技术革命相比：AI带来的“去通胀”压力可能更大

　　与以往技术革命相比，本轮AI革命最大的差异可能不在供给侧，而在需求侧。供给侧的基本机制并没有改变：电力革命、信息革命同样经历了“投资先行、生产率后到”的J曲线，也都曾在技术扩散初期面临资本和关键投入品的供给约束。AI的主要不同在于扩散速度更快，因此早期投资和供给瓶颈可能更加集中，而一旦组织调整和配套资本形成完成，生产率红利也可能更快向全经济扩散。

　　需求侧的差异则更加结构性。以往技术革命虽然同样替代部分劳动，但替代主要集中于特定技能层级，同时新产业、新职业和新任务不断形成，为劳动力提供新的就业和收入来源。信息革命时期，计算机和自动化大量替代规则化任务，但软件、互联网等新产业也持续创造编程、系统设计、数据库和网络维护等新的劳动需求。AI的不同之处在于，替代层级明显上移。生成式AI已经能够进入语言、代码、分析、推理等过去主要由高技能劳动者完成的认知任务，高工资、高技能职业的技术暴露度明显提高。这意味着AI不仅可能替代部分中低技能常规任务，也可能削弱高认知职业的技能稀缺性和工资溢价，使技术冲击更广泛地传导至工资、劳动收入份额和收入分配。一旦其收入增长和就业预期受到影响，对总需求的拖累也可能更加明显。

　　与此同时，AI扩散速度更快，又更容易嵌入现有工作流程，使旧任务的自动化可以迅速推进，而新任务、新职业以及相应的制度调整则需要更长时间形成。当前已经出现“总量坚挺、入口冻结”的特征，新增就业和工资增长有所放缓。如果未来新任务创造和劳动收入增长持续滞后于生产率提升，技术红利将更多向资本端集中，居民收入和消费需求的增长可能进一步落后于供给能力扩张。

　　因此，与以往技术革命相比，AI一方面可能更快释放生产率红利，另一方面也可能通过更高层级、更快速度的劳动替代，对就业、工资和收入分配产生更强影响。两者共同作用，使本轮技术革命中长期的去通胀压力可能更大。

　　四、中国特征：AI应用前景广阔，就业保障体系或需进一步适应AI带来的结构变化，去通胀压力可能更大

　　AI时代，中国在供给红利兑现方面具有较强优势，但收入分配与需求转化基础偏弱，两方面力量叠加，长期“去通胀”压力可能更大。

　　AI在中国扩散速度快、市场规模大、应用场景多、产品迭代快，应用阶段的优势可能更加突出。与美国类似，当前中国AI渗透也呈现消费端领先、生产性应用仍处于早期的特征。截至2025年12月，中国生成式人工智能用户规模已达6.02亿，普及率升至42.8%。庞大的用户基础、成熟的互联网平台以及快速的产品迭代，为AI由消费端向企业和生产端扩散提供了良好基础。

　　图表16：中国居民消费端AI采用率相比美国增长更快，且用户基数大

　　注：中美AI采用率的统计口径存在一定差异，仅供方向性参考资料来源：第57次《中国互联网络发展状况统计报告》，GenAI Adoption Tracker： Harvard Project on Workforce， Alex Bick， Adam Blandin （2026），中金公司研究部

　　中国制造业基础雄厚、电力供给充裕、自动化程度较高，同时国产大模型调用和推理成本较低，AI供给红利在应用阶段可能更快兑现。中国制造业占比较高，具有较为完整的产业链和自动化基础。IFR数据显示，中国工业机器人年安装量占全球54%，在用存量达到202.7万台[8]。叠加“人工智能+制造”等政策推动，AI不仅可以应用于软件、金融和专业服务，还可以进一步嵌入研发、生产、质检、物流和供应链管理，更有利于技术红利由数字领域向实体生产扩散。与此同时，中国发电规模全球领先，电力及相关能源设备产业链较为完整，能够为算力扩张提供重要支撑[9]；国产旗舰大模型的调用价格也明显低于海外同类模型，降低了企业采用AI的门槛。上述条件意味着，一旦AI进入大规模应用阶段，中国的供给效应可能释放得更快、更广。

　　图表17：中国旗舰模型的平均调用成本显著低于美国旗舰模型

　　但与较强的供给基础相比，技术红利向居民收入和最终需求转化的基础相对偏弱。首先，中国受AI影响较大的认知型岗位就业规模较大，替代压力更容易传导到国内劳动力市场。AI首先影响的客服沟通、数据处理、基础编程、文书处理和基础分析等认知任务，在中国拥有规模较大的国内就业群体。如果企业更多通过减少招聘、压缩岗位甚至调整存量用工来实现AI对人工的替代，技术冲击就会较直接地传导至居民就业和收入。尤其是在劳动供给相对充裕、部分行业议价能力偏弱的情况下，生产率提升未必能够同步转化为广泛的工资增长，技术红利可能更多表现为企业成本下降和资本收益提高。

　　其次，失业保障待遇仍有提升空间。对于真正受到就业冲击的劳动者而言，保障力度不仅取决于是否参保，也取决于失业后的收入替代水平。按照国际可比口径，中国失业保险的工资替代水平仍有一定提升空间。对于更可能受到AI替代冲击的青年劳动者而言，由于缴费年限较短、就业稳定性相对较弱，其实际获得保障的能力可能更低。因此，在社会保障缓冲能力仍有待增强的情况下，同样程度的技术替代更容易转化为预防性储蓄上升和消费收缩。

　　此外，当前居民收入和就业预期本已偏弱，使技术红利向需求转化面临更强约束。调查显示，中国公众对AI技术本身高度乐观，85%的受访者认为AI产品和服务“利大于弊”，明显高于美国的38%[10]；但与此同时，人民银行储户调查中的收入信心指数和就业预期指数分别为45.8%和42.2%[11]，仍处于较低水平。由此形成一个值得关注的反差：居民可以高度看好AI技术，却未必因此看好自身未来收入。技术乐观与收入谨慎并存，意味着生产率红利即使加快兑现，也未必能够同步转化为居民消费。

　　因此，中国面对的并非简单的“AI发展不足”，而可能是供给端技术红利释放较快、需求端收入承接相对偏弱之间的错配。较强的制造业、电力、自动化和低成本应用能力，有利于AI更快降低生产成本、扩大潜在供给；而收入分配和社会保障等因素，又可能削弱技术红利向居民收入和最终需求的传导。两方面力量共同作用，可能强化AI长期的去通胀效应。这也是为什么，在已经处于低通胀环境的中国，AI革命带来的宏观挑战可能更加突出。

　　五、政策组合：财政调结构，货币稳需求，宏观审慎防风险

　　前文分析表明，AI革命短期可能推高通胀，但随着生产率红利逐步释放和劳动替代深化，中长期更可能形成去通胀压力。对中国而言，由于AI扩散较快，同时当前通胀水平本身偏低，这种去通胀压力可能更加突出。面对这一变化，是否需要政策应对，以及应该如何应对，首先取决于价格下行背后的性质。

　　已有文献通常将通缩区分为“良性通缩”和“恶性通缩”。如果价格下降主要来自生产率提升和供给扩张，并同时伴随产出增长，通常属于供给改善主导的良性通缩；如果价格下降主要来自需求不足，并伴随产出、就业和收入走弱，则更接近恶性通缩（Bordo et al．， 2004；Borio and Filardo， 2004）。因此，技术进步带来的价格下降本身并不必然需要政策对冲。如果生产率提高能够转化为更高的实际收入和居民福利，较低通胀甚至价格下降本身可以是技术红利的一部分。

　　问题在于，宏观层面的“良性”并不意味着所有居民都能同步受益。即使总产出继续增长，技术替代和收入分配变化仍可能使部分劳动者面临就业减少、工资增长放缓和资产缩水（Adam and Zhu， 2016；Doepke and Schneider， 2006）。如果这些局部损失进一步通过消费、资产负债表和金融体系向总需求传导，原本由生产率提升推动的良性去通胀，也可能逐步叠加需求不足、债务压力和金融收缩，呈现更多恶性通缩的特征（King， 1994；Korinek and Simsek， 2016）。

　　因此，政策真正需要防范的，并不是AI带来的价格下降本身，而是生产率红利无法顺利传导至就业、收入和消费，使供给改善最终演变为需求不足。相应地，政策可从三个层面同时发力：财政政策促进技术红利向居民收入和就业更广泛传导；货币政策稳定总需求，并为生产率和潜在增长提升留出空间；宏观审慎政策则防范AI投资热潮中的估值泡沫、杠杆积累和投资反转风险。

　　（一）财政政策：推动技术红利向居民收入转化

　　首先，避免税收和补贴体系无意中强化“资本替代劳动”的激励。国际研究表明，美国税制长期存在劳动有效税负高于设备和软件资本的现象，客观上降低了企业自动化替代劳动的相对成本。对中国而言，关键或不在于简单照搬海外税制改革，也不在于普遍征收“机器人税”，而是系统评估税收、折旧、产业补贴等政策是否过度偏向资本投入和设备替代。政策目标可聚焦于减少税收和补贴对低效自动化的过度激励，同时降低企业使用劳动的相对成本，使企业在技术升级过程中仍有动力创造高质量就业。

　　其次，转移支付可更加定向，并与再就业激励相结合。对受到AI明显冲击的劳动者，可以提高失业保障，加强职业转换和培训支持，但政策设计也需注意避免临时冲击演变为劳动者长期退出劳动力市场。丹麦1994年劳动力市场改革的一个重要经验，是取消通过参加劳动力市场项目反复延长失业金资格的“福利旋转门”，并逐步强化“权利—义务”原则，将收入保障与积极就业服务结合起来（OECD， 1994；Kreiner and Svarer， 2022）。AI时代的政策重点同样不在于以长期收入补偿替代再就业，而在于针对受冲击最明显的青年和入门级劳动者，在关键职业转换期提供更充分的收入缓冲、培训和再就业支持。

　　第三，再培训的重点可从“学习工具”转向“人机互补任务迁移”。AI时代的再培训，比起停留在教劳动者如何编写提示词、使用模型或某一种软件，或许更适合围绕企业真实工作流程，把劳动者从容易被自动化的任务迁移到人与AI互补的任务。例如，从文书初稿转向事实核验、判断、最终签署与责任承担，从基础代码生成转向需求定义、系统设计和测试，从信息整理转向客户沟通和复杂决策。政策资源可更多投入企业内部转岗、学徒制和在岗技能形成，而不是以一次性课程和证书作为主要目标。

　　第四，加大对AI较难替代、社会回报较高部门的财政支持。随着可编码认知任务成本快速下降，护理、教育、养老、儿童服务以及大量面对面服务的重要性可能进一步上升。这些行业具有较强的人际互动、责任承担和非标准化特征，短期内较难被AI完全替代，同时又能够吸纳大量就业。财政政策可以通过扩大公共服务投入、政府采购、职业培训和适度补贴，提高这些行业的供给能力、收入水平和职业吸引力，使其成为承接劳动力转移、稳定居民收入和消费的重要缓冲部门。

　　第五，财政支持可更加重视技术扩散和红利共享。AI具有显著的规模经济和网络效应，如果财政资源过度集中于少数头部企业和大型项目，技术红利也更容易向资本和少数企业集中，加剧收益分配的不均衡。财政政策不仅可以支持AI技术突破，也可通过算力基础设施、公共数据平台、中小企业数字化改造和应用补贴等方式，降低中小企业和传统行业使用AI的门槛，推动AI能力向更多企业和行业扩散。只有技术扩散与红利共享同步推进，生产率提升才更容易转化为更广泛的就业、收入和需求增长。

　　（二）货币政策：给生产率提升留空间，防止低通胀预期自我强化

　　货币政策面对技术革命时，一个重要难点是区分“经济过热”与“潜在增速提高”。1996年前后，美国失业率持续下降，传统模型一度提示经济可能过热，但格林斯潘判断信息技术革命正在提高生产率和潜在增长，使FOMC没有因为低失业率机械加息。事后来看，美国随后实现了较快增长、较低失业与较低通胀并存。这一经验真正值得借鉴的，并不是“技术革命来了就应该降息”，而是在生产率和潜在增速存在明显上行可能时，货币政策不适合机械依据传统的增长和就业指标判断经济过热。

　　但“给生产率留空间”也不意味着为技术乐观预期和资产估值背书。如果短期率先上涨的只是AI资本开支、股票估值和相关融资，而生产率改善尚未得到TFP、企业效率和单位成本等指标验证，技术红利的乐观预期可能不足以构成进一步放松金融条件。尤其需要避免宽松流动性与高估值、高杠杆相互强化，使多年以后才能兑现的生产率收益被过度资本化。因此，对实体经济的支持与对金融泡沫的约束并不矛盾。

　　对中国而言，当前更值得关注的是AI可能进一步强化原有的低通胀压力。中国本身已经处于低通胀环境，相较于美国，AI资本开支带来的芯片、数据中心、电力等瓶颈效应对整体通胀的推动相对有限；与此同时，中国AI应用扩散较快，未来劳动替代、收入分配和居民预期渠道可能带来更明显的需求端去通胀压力。在这种环境下，货币政策可保持更加积极的支持性立场，重点不是担心生产率提高以后经济增长“过热”，而是防止AI带来的去通胀力量与既有低通胀环境相互强化。

　　尤其注意防范低通胀形成自我强化的预期循环。如果企业和居民持续预期价格、工资和收入增长偏弱，企业可能进一步压缩招聘和投资，居民则提高储蓄、推迟消费，进而使需求进一步走弱，并反过来强化低通胀预期。技术进步还可能带来类似“恩格斯停滞”的阶段，即生产率已经提高，但劳动收入在较长时期内未能同步增长。如果这一过程叠加青年就业压力、社会保障不足和居民资产负债表调整，生产率红利就可能更多体现为供给扩张，而难以转化为消费需求。因此，中国货币政策可更积极地稳定总需求和居民预期，避免技术进步带来的良性去通胀进一步演变为需求不足主导的低通胀循环。

　　（三）宏观审慎政策：警惕“真技术 + 过度杠杆”的金融加速器

　　真正的技术革命并不意味着投资不会过度。历史上的运河、铁路、电气化和互联网投资热潮，都建立在真实技术进步之上，但也曾吸引远超最终商业回报所能支撑的资本。本轮AI同样存在这一风险：头部科技企业资本开支持续快速增长，部分投资开始更多依赖公司债、私募信贷以及其他外部融资安排。如果未来投资回报低于当前预期，资本开支可能快速收缩，并通过资产价格、信用条件和企业投资向更广泛的经济活动传导。

　　技术真实进步与资产价格过高完全可以同时存在。如果AI未来的生产率回报不及当前市场预期，企业不仅可能削减资本开支，前期依靠债务和高估值支撑的投资也可能反向收缩。资产价格下跌会压低抵押品价值和企业融资能力，信用条件收紧又进一步压制投资和资产价格，从而形成“资产价格下降—融资收紧—投资收缩”的金融加速器。因此，真正需要防范的并不是AI技术失败，而是企业和投资者通过高估值和高杠杆，把多年以后才能兑现的生产率红利过度提前到今天。

　　宏观审慎政策可重点关注AI投资中的杠杆积累和风险传导。一方面，可以加强对AI相关公司债、私募信贷、数据中心项目融资以及循环融资安排的监测和压力测试，评估估值调整、投资回报下降和资本开支骤降对金融机构及信用市场的影响，并重点关注期限错配、集中度上升和隐性杠杆等风险；另一方面，可以避免金融体系在AI投资景气上行期过度顺周期扩张，通过资本、流动性和风险管理要求约束杠杆快速积累，降低资产价格调整对信用供给和实体投资的放大作用。政策目标不是压制AI投资，而是避免“真实技术突破—资本过度涌入—杠杆快速积累—资产价格调整—信用收缩—投资进一步下降”的金融加速机制放大技术投资周期。

　　实习生张弛对本文亦有贡献。