【华泰宏观 | 深度】美国产业革命如何影响长期增长效率和中性利率

（以下内容从华泰证券《》研报附件原文摘录）
　　如果您希望第一时间收到推送，别忘了加“星标”！ 核心观点 近期美国AI产业周期起飞吸引了全球经济学家和投资者的关注，同时，美国十年期实际利率维持在2%以上超过两年时间，联储、投资者关注美国中性利率是否会因为AI提振劳动生产率而回升，本文对这一问题进行探讨。我们认为，AI产业周期仍处于早期阶段，对劳动生产率的直接提振尚不明显；近期劳动生产率上升更多是来自财政扩张、移民流入等因素。往前看，AI产业周期对劳动生产率的影响或需要3年以上的时间观察，但“大财政”、AI间接提振以及移民等因素或短期推高中性利率，导致联储降息终点高于其指示的水平。 一、美国AI产业革命“如火如荼” 2022年ChatGPT-3.5发布后，美国AI产业革命进入新一轮景气上行周期。彭博全球AI指数大幅上涨，市值较2023年初增加8.4万亿美元。美国普查局2024调查显示，美国居民中使用过ChatGPT的比率上升至23%；AI相关企业注册数量大幅上升，美国企业使用AI的比率从疫情前的3.2%回升至2024年2月的5.4%，且下半年有望上升至6.6%。具体来看，AI使用率与企业规模呈现U型；信息技术和专业服务AI使用率在10%以上；AI使用场景仍然集中于市场营销、客服支持等场景。 二、 2023年以来，AI温和提振投资和消费 尽管AI能够提高单个企业劳动生产率，但AI可能不是近期美国劳动生产率回升的原因。企业层面证据，在市场营销、软件开发等领域，AI对劳动生产率可能有10-20%的提振，且对低技能员工提升更明显。但由于AI在企业中使用率仍然偏低，或不是2023Q2-2023Q4美国劳动生产率增速回升的原因。背后可能是疫情后美国企业“活力”修复、财政宽松以及移民大量流入（参见《美国：人口流入的宏观影响不容小觑》，2024/4/21）。 2023年以来，AI对就业影响有限，但温和提振投资和消费。AI相关投资目前主要集中在数据中心等硬件设备，根据FAAMG（Meta、亚马逊、苹果、微软和谷歌）的指引，2024年资本支出增速合计将达到35.5%，可能提振计算机设备投资、软件和研发无形资产投资。此外，AI提振股市，通过财富效应推高居民消费，幅度相当于2023年GDP的0.3个百分点（参见《从美国居民收入和资本流动看产业起飞的“正向溢出”》，2024/3/26）。 三、AI直接推高中性利率仍可能需要时间，但其他结构性因素或短期推高中性利率 参考历史经验，AI直接推高中性利率仍可能需要时间。AI可能是一种通用技术（GPTs），有提振美国劳动生产率的潜力，但历史经验显示可能存在较长时滞。参考电力和信息技术革命，AI产业周期目前处于播种期，距离明显提振美国劳动生产率的收获期仍然有数年甚至10年以上的时间。中长期看，AI提振劳动生产率、推高企业投资偏好、降低不平等，均有助于推高中性利率。 但“大财政”、AI间接提振以及移民等因素或短期推高中性利率，限制联储降息空间。疫情后美国转向“大财政”，财政政策偏宽松导致增长偏强；AI提振股市，间接带来金融条件宽松，对冲加息影响；移民大规模流入通过提高劳动供给推高增长，这些因素均可能导致中性利率有所上升（参见《2024下半年美国宏观展望：增长通胀“正常化”，降息悬念犹存》，2024/6/2）。此外，中性利率以及期限溢价上升或导致长端利率居高不下。 风险提示：AI扩散慢于预期，AI进步速度不及预期。 目录 1. 美国AI产业革命“如火如荼” 2. 2023年以来，AI温和提振投资和消费 3. AI直接推高中性利率仍可能需要时间，但其他结构性因素或短期推高中性利率 附录1：AI历史和现状 附录2：美国企业对AI的使用情况 附录3：通用技术与劳动生产率 附录4：AI对就业市场的影响 正文 1. 美国AI产业革命“如火如荼” 2022年ChatGPT-3.5发布后，美国AI产业革命进入新一轮景气上行周期。人工智能（Artificial Intelligence，AI）概念已经提出接近70年（图表1），中间经历多轮周期（AI相关历史和发展现状参见附录）。2022年11月Open AI发布的ChatGPT-3.5推动了相关技术和应用的显著突破，导致AI的关注度指数型上升（图表2）。彭博全球AI指数大幅上涨，市值较2023年初增加了8.4万亿美元（图表3）；据Quid统计，2023年中约8成的世界五百强公司在财报会议上提及AI，较2022年的53%明显增加；其中，企业对生成式AI的关注度大幅上升，提及生成式AI的比率从2022年的0.3%上升至2023年的20%（图表4）。 AI在美国居民中快速普及，使用比率上升至23%。2024年2月Pew Research Center调查显示，美国居民对ChatGPT的使用率从2023年6月的18%升至2024年2月的23%。其中，年轻群体使用过ChatGPT的占比从33%大幅提升至43%，而50-64岁（17%）以及65岁以上（6%）的群体的使用率明显低于年轻群体（图表5）。就使用场景而言，工作场景的使用率提升最快，从2023年3月的8%提升至2024年2月的20%，而同期知识学习和娱乐场景的使用率分别提升7pct和6pct至17%（图表6）。但2024年斯坦福HAI报告也显示，随着AI的广泛应用，民众对AI负面影响的担忧也有所上升（图表7）。 2012年以来，AI相关企业的注册数量大幅上升。根据Census Bureau的美国企业注册数据（Business Formation Statistics, BFS），2005-2012年美国AI相关企业的注册数量保持稳定，2012年、2016年以及2023年是三个关键转折点，特别是2023年AI相关企业注册数量大幅跳升，背后可能主要是来自于2023年底生成式AI的出现（图表8）。此外，AI相关企业的注册在行业和州层面高度集中，例如近 56%的应用属于专业、科学和技术服务行业（NAICS 54），约20%的注册来自加州（Dinlersoz et al., 2024）。但是，需要指出的是，AI相关企业注册数量相对存量企业仍然占比较小（Dinlersoz et al., 2024）。 AI在企业层面的使用率从疫情前的3.2%左右回升至2024年2月的5.4%，未来有望进一步回升。AI使用率与企业规模呈现U型关系，小企业和大企业的使用率相对较高（图表10）；目前AI的主要应用场景是营销自动化、聊天机器人、自然语言处理等（图表12）。AI在不同行业和地区间的使用率存在较大差异：从行业来看，信息技术和专业服务的AI使用率较高；总体而言，多数行业的AI使用率持续上升（图表11）。从地区来看，西部的科罗拉多州、内华达州、加州和东部的一些州使用率较高（图表13）。企业不使用AI的核心原因是业务的不适配，其次是缺乏相关知识以及对潜在负面因素的担忧。 2. 2023年以来，AI温和提振投资和消费 2.1 AI提振单个企业的生产率，但或不是近期劳动生产率加速的原因 现有研究通常发现，AI能够提高单个企业劳动生产率，特别是对低技能员工。对美国企业的抽样调查显示，近期使用AI或者未来准备使用AI的企业所汇报的当前和未来的状况要好于其他企业（图表14）。企业层面的证据也证实，在市场营销、软件开发等领域，AI对劳动生产率可能有10-20%的提振（图表15）。例如，根据Cambon et al. (2023)，使用微软Copilot或者GitHub的Copilot工具，完成特定任务所需要的时间要减少26%-73%（图表16）。此外，一些研究显示，AI相关工具对低技能职工效率提升更加明显，这可能因为AI能够补足高技能劳动者和低技能劳动者之间的隐性知识。例如，目前AI应用的主要场景之一是市场营销/销售领域的聊天机器人，高技能客服拥有更多隐性知识，包括如何更好安抚客户情绪等，但通过训练聊天机器人可以较好补足低技能客服的隐性知识。Erik Brynjolfsson et al（2023）[1]对生成式人工智能的研究发现，AI对生产率的提振接近14%，而对低技能客服生产率的提高幅度达到34%。 2023年二季度以来美国劳动生产率一度明显加速，但我们认为可能不是AI的贡献。2023年2季度以来，美国劳动生产率明显回升，2023Q2-2023Q4季比折年增速分别为3.1%、4.5%和3.6%，与1950-1970年以及1995-2005年劳动生产效率高速增长时期接近（图表17）。一些评论将劳动生产率的上升归结于AI，虽然有提高劳动生产率的潜力（参见第三部分），但AI在企业层面的渗透率仅为5%左右，暂不足以解释如此大幅度劳动生产率的回升，2024年一季度劳动生产率季比折年增速再次回落至0.3%。我们认为，劳动生产率的加速可能是由于企业“活力”修复以及移民大量流入。一方面，疫情后美国企业“活力”修复，提振劳动生产率。疫情前美国劳动生产率整体偏弱，其中一个原因是企业新增数量放缓，企业“活力”下降，这也被称为“初创企业赤字（startup deficit）”：1978年美国新进入的企业占所有企业的比例从14%下降至2020年的9%（Ufuk Akcigit et al., 2019）。疫情后美国企业申请数（Business application）大幅增加，提高企业活力，提振劳动生产率。2021年中以来的月均商业申请数比2019年高50%左右，也大幅高于2004-2019年的趋势（图表18）。另一方面，2022年以来移民大幅流入美国，就业调查或低估了经济中实际的劳动投入，从而导致劳动生产率被高估（参见《美国：人口流入的宏观影响不容小觑》，2024/4/21）。此外，旧金山联储[2]指出，移民流入长期看能够提升全要素生产率（衡量生产效率和技术水平）。 2.2 2023年以来，AI对就业影响有限，但温和提振投资和消费 2023年以来，AI对就业市场的影响有限，且净影响是增加就业。根据Census Bureau的调查，虽然一些企业使用人工智能来替代员工的工作任务和现有的设备/软件，但AI对企业就业的影响有限，且偏向增加就业。2024年2月使用AI的企业中（占比为5.4%），仅5.4%的企业表示过去6个月中就业受到影响，并且增加就业的比率为2.8%，超过减少就业的比率（2.6%）（图表19）；未来6个月12.6%的企业就业可能受AI影响，其中6.5%增加就业，而6.1%减少就业；如果对上述调查用就业进行加权，仅2.8%的企业就业会受AI影响，未来6个月预期上升至7.7%。此外，招聘网站数据也显示AI对就业市场影响有限。Lightcast招聘数据显示，虽然近年来AI相关招聘需求整体上升，但2023年美国AI招聘需求在总需求中的占比仅为1.6%，欧盟国家在0.8%-1.4%之间（图表20）；类似的，Indeed数据显示，生成式AI相关招聘需求虽然在2023年指数型上升，但在总招聘需求的占比仅为0.1%左右（图表21）。 AI推高FAAMG资本支出，推动了美国企业数据中心等硬件设备投资，2024年或是投资增速的高点。AI相关需求拉动了美国数据中心等硬件设备投资。根据CBRE的数据[3]，2023年美国数据中心在建产能增长19%，2024年在建数量有望进一步增加20%（图表22）。而根据FAAMG（Meta、亚马逊、苹果、微软和谷歌）的指引，2024年FAAMG资本支出规模将达到2066亿美元（占2023年美国GDP的0.8%），同比增长35.5%，2025-2026年增速或放缓至8-10%[4]（图表23）。此外，为了满足AI数据中心对电力的需求，电力相关投资未来或有所上升。麦肯锡、波士顿咨询集团和标普全球商品洞察均预测[5]，到2030年与数据中心相关的电力需求复合增速将达到13%至15%。从宏观层面的投资数据看，AI温和提振计算机设备投资。电力相关投资可能被计入电厂厂房投资。2023年以来，电厂厂房投资增速不及私人投资增速，电厂厂房投资在私人投资中的占比变动不大，未来或有所回升（图表25）。此外，FAAMG和数据中心相关的资本开支可能被计入计算机设备投资、软件和研发无形资产投资（图表24），2023年上述投资占美国GDP的6.6%，增长3.7%，对GDP的贡献约为0.2个百分点。从信息设备和无形资产占GDP之比可以看到，AI对投资的提振目前仍然较为温和，远低于1990-1999年（图表26）。 AI提振股市，通过财富效应推高居民消费，幅度相当于2023年GDP的0.3个百分点。2023年受益于AI的“横空出世”，美国股市大幅上涨：2023年标普500上涨主要受益于AI的“七姐妹”等股票。美股上涨有助于提振居民净财富，并提振居民财产性收入。居民财富增加（净财富/可支配收入）有助于压低居民储蓄率，从而提振居民消费（图表27-图表28）。2023年“七姐妹”市值累计增加4.7万亿美元，考虑到美国居民的股票财富效应的系数为2美分[6]（即1美元股票财富的增加将提高2美分的消费支出），这意味着居民消费将增加940亿美元，幅度相当于2023年GDP的0.3个百分点。 3. AI直接推高中性利率仍可能需要时间，但其他结构性因素或短期推高中性利率 3.1 参考历史经验，AI直接推高中性利率仍可能需要时间 AI可能是一种通用技术，有提振美国劳动生产率的潜力。AI符合通用技术（General Purpose Technologies，GPTs）的定义（图表29）。在普适性和创新互补性上，AI重构了人类知识检索、创造、运用的基本方式，降低了知识传播的成本、提高了知识共享水平、推动了人力资本水平的提高，同时，AI能够与各行各业广泛结合，提升生产的自动化水平、优化生产的工艺流程；在动态发展性上，AI目前仍然在快速进步，成本也在逐步下降，有望带动生产率水平大幅提升。近期一些机构基于对AI的乐观预期提高了对美国未来潜在增速的预测[7]。例如，高盛估计，到 2034 年人工智能对美国GDP的提振将达到0.4个百分点，对其他发达市场提振为0.3个百分点[8]；麦肯锡全球研究院（2023）预计，生成式AI对全球经济所带来的收益将高达4.4万亿美元/年，相当于全球GDP的4%左右[9]。但也有研究指出，不应过高估计AI对劳动生产率和TFP的提振作用。Acemoglu（2024）认为，AI对美国TFP的贡献为0.07%/年，考虑到AI对投资的推动作用，对GDP的贡献为0.11%/年。 历史经验显示，新技术从诞生到明显提振劳动生产率存在时滞，AI对劳动生产率的提振仍需要较长时间。新技术需要时间才能够在社会中广泛扩散和应用，同时原有的组织形式也需要一定程度变革。例如，电力革命开始于1890年代[10]，但劳动生产率加速发生在30年后的1920年代（David, 1990）[11]。类似的，计算机最早于1943年问世[12]，但宏观上长期看不到信息技术革命对劳动生产率的明显提振。著名经济学家索罗在1987年提出“生产率悖论”：我们到处都看得见计算机，除了生产率统计中[13]。直到1995年，美国劳动生产率数据[14]才开始出现明显上行。Helpman and Trajtenberg（1994）提出通用技术对经济增长的影响可以分为播种和收获两个阶段，两者可能间隔数十年。播种阶段产出和生产率增长缓慢甚至下降，出现所谓的“创造性破坏”，只有在收获阶段劳动生产率才真正开始增长，这两个阶段持续的时间通常在数十年。例如，欧央行（2020）[15]发现，电力革命和信息技术（ICT）革命时期美国劳动生产率都是前期平缓、后期加速，两个时期都持续数十年（图表30）。根据Gartner对人工智能技术成熟度的划分，当前的生成式AI还处于期望膨胀期，还需要5-10年才能进入技术成熟期（图表31）。如果参考电力和ICT技术的历史经验，AI目前仍然处于播种阶段，AI对劳动生产率的提振需要20年以上的时间，但由于新技术普及，AI播种期或更短。过去一百多年的历史显示，不同技术从发明到在社会中逐渐普及所需要的时间存在较大差异。对上述技术普及速度的分析可以发现，新技术普及的速度在加快（图表32），例如汽车（1880年代发明）普及率达到50%花费了40年左右的时间，而互联网（1990年代发明）则只用了20年左右。这背后可能是因为全球化的加速、信息技术普及等因素导致技术传播不断加速；而ChatGPT等AI应用更快投入使用对居民硬件和固定投入的要求更低，叠加疫情后居家办公加速全球数字化进程，AI播种期或更短。 中长期看，AI直接推高中性利率仍可能需要时间。疫情前美国中性利率持续回落（图表33）。正如我们此前所论述的，由于全球潜在增速回落，且储蓄投资偏好对中性利率的推升有限，预计全球中性利率维持低位，或小幅回升（参见《美国真实利率能长期维持高位吗？》，2023/8/25）。但AI产业革命或在中长期推高全球中性利率。第一，AI提振劳动生产率，能够对冲人口老龄化等结构性因素对中性利率的拖累。根据HLW（2017）模型，潜在增速回落1个百分点，中性利率也会回落1个百分点左右（图表34）。若AI产业革命推动美国劳动生产率回升，则美国中性利率有望回升。第二，AI推高企业投资偏好，也有助于推动中性利率回升。第三，若AI能够降低不平等，也有助于推动中性利率回升。1980年以来，不平等上升导致居民在收入分配中占比不断下降。由于富人储蓄倾向偏高，不平等上升将压低中性利率（图表35）。一些研究发现，与以往的自动化技术不同，AI技术对低技能员工生产率提振更大，有助于降低不平等程度（图表36）。但是，由于AI目前仍然处于播种期，对劳动生产率的提振仍然需要时间，因此对中性利率的提振也需要较长时间才能显现。 3.2“大财政”、AI间接提振以及移民等因素或短期推高中性利率 “大财政”、AI间接提振以及移民等因素或短期推高中性利率，限制联储降息空间。疫情后美国财政转向“大财政”，政府更主动利用财政政策来应对所面临的挑战，拜登政府任上推出大规模产业政策（参见《美国产业政策的短期影响和长期回报》，2023/11/7），财政政策偏宽松导致增长偏强（图表37）。AI提振股市，间接带来金融条件宽松，对冲加息影响（参见《从美国居民收入和资本流动看产业起飞的“正向溢出”》2024/3/26）。移民大规模流入从供给侧提振经济增长（图表38）。“大财政”、AI间接提振以及移民等因素均可能导致中性利率有所上升，这将限制联储未来的降息空间。参考1995年周期，我们预计联储本轮降息的次数或少于当前点阵图所指示的水平，即降息偏慢且幅度偏少（图表39）。1994年加息周期中，联邦基金利率从3%上升至6%；但由于信息技术革命提振劳动生产率以及中性利率，虽然美联储在1995年开启降息周期，但仅降息75个基点至5.25%，1996-2000年政策利率整体维持在较高水平，显著高于1993年加息开启时的利率（3%）（图表40）。 此外，中性利率以及期限溢价上升可能导致长端收益率居高不下。1980年代以来，增长、通胀波动性下降的“大缓和”时代导致期限溢价持续回落，而2008年后主要央行大规模购债进一步压低了期限溢价（图表41）。近年来，随着增长、通胀的波动性上升以及央行缩表，期限溢价相对低点有所回升，但绝对水平仍低于2008年以前。往前看，“大财政”意味着增长、通胀韧性偏强，且可能导致美国政府债务风险上升（图表42），不排除期限溢价进一步回升。短期中性利率回升叠加期限溢价上升，这意味着美国长端收益率未来或居高不下，难以回到疫情前的中枢水平（图表43）。 风险提示 1） 如果AI扩散慢于预期，则AI的进步或无法快速促进其他领域的技术进步； 2） 如果AI进步速度不及预期，则AI对劳动生产率的提振效果需要更久才能显现。 附录1：AI历史和现状 AI概念提出已经接近70年，中间经历多轮周期（图表44）。人工智能（Artificial Intelligence，AI）概念可以追溯至图灵测试，这一术语是计算机科学家约翰·麦卡锡1956年正式提出的，相关技术和应用经历过多轮周期：1956-1974年第一次人工智能浪潮。随着人工智能概念的提出以及计算机存储能力、运行速度等方面的进步，科学家普遍意识到人工智能的前景，并且在逻辑推理、问题求解、自然语言处理等多个领域展开探索，这一阶段的代表性突破是Newell和Simon的“通用问题求解器”以及Weizenbaum创建的第一个聊天机器人ELIZA。早期技术的突破推高了公众的乐观情绪和期望值。1974-1980年第一次人工智能寒冬（AI winter）：受计算机算力限制、存储容量较低以及运行速度较慢等条件限制，人工智能的进展不及预期。数学家Lighthill向英国科学委员会提交报告强调人工智能研究的进展低于预期，这导致英国政府对人工智能研究的支持和资金大幅减少，引发第一次人工智能寒冬。1980-1987年第二次人工智能浪潮：算法的进步、专家系统的研发带来政府资金的流入推动了第二次人工智能浪潮的发展。一方面，Hopfield和Rumelhart推广了深度学习技术，另一方面，Feigenbaum引入了“专家系统”，通过模仿人类专家的决策过程来帮助非专家解决特定领域的问题引起了政府的关注。日本政府通过第五代计算机项目（FGCP）大力资助了专家系统和AI相关项目。1987-1993年：第二次人工智能寒冬：由于专家系统和AI的进展未达预期，私人部门对AI的投资意愿明显下降。随着FGCP项目结束以及专家系统的部署放缓，政府资助也明显下降。1987年专家系统硬件制造商的大规模倒闭成为人工智能第二次寒冬的导火索。在此期间人工智能的研究和商业化进程严重停滞。1993-2011年：人工智能稳步发展期：由于资金来源的限制，人工智能的发展方向趋于谨慎和专业化，并且在部分领域实现突破，例如1997年深蓝击败世界国际象棋冠军卡斯帕罗夫。此外，芯片的突破大幅提高了计算机的性能、互联网的快速发展也产生了大量数据、云技术的进步等进一步推动了AI相关的研究和应用进展。 2011年后人工智能获得高速发展，特别是2022年ChatGPT-3.5发布以来。2011年以来，AI领域相关的论文发表数量明显提高，尤其是机器学习、计算机视觉等领域（图表45和46）。在产业层面，随着大数据、云计算、互联网、物联网等信息技术的发展，人工智能的技术突破和应用进展迅速。2017年Google提出了 Transformer 架构等关键架构和算法，被广泛应用于大型语言模型；2020年OpenAI发布GPT-3，模型参数规模达到1750亿；2022年11月OpenAI发布ChatGPT-3.5，引爆生成式AI的相关应用：ChatGPT的用户数2个月突破1亿，2024年3月已经达到1.8亿；2023年3月OpenAI发布多模态模型GPT-4，进一步拓宽了大模型在医疗、教育、娱乐等场景的应用；2023年7月Meta发布了最新一代开源大模型Llama 2；2024年3月首个文本生产视频模型Sora推出，突破了传统视频制作的瓶颈；2024年5月ChatGPT-4o发布，人机交互能力大幅提升。目前使用最广泛的AI工具是ChatGPT，其次是Bing AI（图表47）。 AI训练成本指数级增长极大提升了AI的能力。近年来AI大模型算力的需求显著增加，导致AI模型的训练成本大幅上升（图表48和49）。根据AI Index[16]估计，2017年，作为现代大模型的基础原型——Transformer模型的训练成本为900美元；2019年前沿大模型RoBERTa Large的训练成本为16万美元；而2023年OpenAI的GPT-4和谷歌的Gemini Ultra的训练成本预计分别约为7800万美元和1.91亿美元。目前AI在部分领域表现已超过人类，但在复杂认知问题上的表现不如人类。根据2024年斯坦福人工智能指数报告，在九个人类的基础认知任务中，AI在六个领域的表现已经超过人类，包括图像分类（2015年超过人类）、基础阅读理解（2017年）、视觉推理（2020年）、自然语言推理（2021年），但仍有一些更复杂的认知领域表现不如人类（但进展较快），包括视觉常识推理、竞赛级数学等（图表50）。 2023年AI相关的投融资规模连续第二年回落，但生成式AI的投融资规模大幅上升。根据斯坦福2024年全球人工智能指数报告，2023年全球人工智能相关投资（并购、私人投资、上市等）规模连续第二年出现下滑，相对2022年下降约20%至1892亿美元，主要是由于并购规模下降31%（图表52）。虽然对AI的初创投资增速下降7.2%，但是对生成式AI的投资规模增长8倍，规模达到252亿美元。尽管AI初创公司总规模下降的，但由于单个初创公司的平均规模下降，AI初创公司数量反而上升40.6%。从地域来看，美国AI相关的投融资规模达到672亿美元，是欧盟的6倍、中国的8.7倍（图表54）。 预计企业将继续主导人工智能前沿研究，而从国别角度，美国领先中国和欧盟。随着人工智能模型对数据、算力、融资支持等方面的要求大幅提高，企业而不是高校主导了人工智能的前沿研究。2023年，51个知名机器学习模型来自企业，21个来自产学合作，只有15个来自高校（图表51）。分国别来看，美国在人工智能领域领跑。虽然从AI专利持有占比来看，中国领先美国（图表57，但2023年61个知名人工智能模型来自美国，超过欧盟（21个）和中国（15个）（图表56）。 附录2：美国企业对AI的使用情况 目前AI主要应用于营销自动化、聊天机器人等场景，并且在不同行业、地区的使用率存在较大异质性。AI使用率与企业规模呈现U型关系，小企业和大企业的使用率相对较高；目前AI主要的应用场景是营销自动化、聊天机器人、自然语言处理等。AI在不同行业和地区间的使用率存在较大差异：从行业来看，信息技术和专业服务的AI使用率较高，但总体而言，多数行业的AI使用率持续上升。从地区来看，西部的科罗拉多州、内华达州、加州和东部的一些州使用率较高。企业不使用AI的核心原因是业务的不适配，其次是缺乏相关知识以及对潜在负面因素的担忧。 AI在企业层面的使用率从疫情前的3.2%左右回升至2024年2月的5.4%，未来有望进一步回升。根据2024年Census Bureau的调查，美国企业过去两周使用AI的比率为5.4%左右，相对2023年初提高1个百分点，相对2016-2018年的3.2%[17]提高2个百分点左右（图表58）；未来6个月准备使用的比率为6.6%以上，与2023年比变动不大；但是如果用就业加权后的使用率有望在2024年秋季上升至12%左右。 美国企业规模与AI的使用呈现U型关系，即小企业和大型企业使用更多。美国人口普查局2023年9月调查时，小企业使用率要高于大企业，但是此后大企业的使用率上升，截至2024年2月，AI的使用率与企业规模呈现U型关系，其中100人以上的大企业和10人以下小企业对AI的使用率要超过10-99人的中型企业（图表59）。此外，AI使用率随着企业成立时间延长而下降，显示AI由于不涉及大额资本开支，因而对小企业和初创企业的更加友好（图表60）。 从行业来看，不同行业在AI使用上存在较大差异。多数行业对AI的使用率相对偏低但持续上升，信息技术和专业服务AI使用率在10%以上，教育、地产、金融保险、娱乐、医疗的使用率在5%-10%，其他行业的使用率在5%以下，但多数行业的AI使用率在去年9月至2024年2月出现上行（图表61）。 从使用场景来看，AI仍然主要应用于市场营销、客服支持等相对基础的场景。2024年Census Bureau调查显示，企业对AI的用途主要集中在营销自动化（占所有使用过AI的企业比例为28%）、虚拟代理/聊天机器人（22%）、自然语言处理（19%）等。这与和Stanford HAI的报告结论一致，显示目前AI广泛使用的场景相对基础，可能因为AI在相对固定的问答模式下有较好的输出结果，而在其他领域AI的输出仍需要人工检查和修正（图62）。 从地区看，对待人工智能更友好、拥有更多的人工智能研究机构以及对人工智能有更多的规范性立法的州使用率更高。使用率高的州包括西部的科罗拉多州（重视人工智能立法，打击算法歧视）、内华达州、犹他州（微软犹他州技术中心）、加利福尼亚州（苹果、谷歌、Meta总部）、亚利桑那州和华盛顿州（微软、亚马逊总部）、东部的一些州（佛罗里达州、特拉华州、马萨诸塞州）以及哥伦比亚特区（图表64）；使用率低的州包括密西西比州、西弗吉尼亚州、缅因州和北达科他州，高使用率州的比率大约是低使用率州的两倍。这一趋势也与Lightcast的job posting数据一致（图表65）。 不适用于公司业务是企业不使用AI的主要原因。AI在企业层面的使用率主要取决于AI为企业业务创造的收益和成本之间的平衡。2024年Census Bureau调查显示，有81%的企业不使用AI的原因在于AI不适用于企业的业务。这也和Acemoglu根据2019Annual Business Survey (ABS)调查中得出的结论一致：行业和公司业务的性质以及和AI的适配性是影响AI使用率的主要原因，对于部分非制造业企业而言，AI的帮助相对较小，但引入AI或其他先进技术意味着较高的固定成本，因此这类企业意愿不大。此外，其他重要的原因包括，缺乏AI相关知识（7.3%）、对隐私和安全的担忧（6.6%）、AI技术不够成熟（6.1%）等（图表66）。 附录3：通用技术与劳动生产率 过去二十年全球劳动生产率整体低迷，未来前景取决于能否出现新的通用技术。2006-2024年尽管出现了移动互联网、智能手机、新能源、电动车等新技术，但是全球劳动生产率整体较为低迷，这一时期美国劳动生产率增速平均仅为1.5%，显著低于1995-2005年（2.9%），英国更是回落至1800以前水平（图表67）。劳动生产率低迷拖累全球增长和中性利率，是央行采取超宽松货币政策的一个重要原因。根据历史经验看，全球劳动生产率提升或需要新一轮的技术进步，特别是类似于电力和计算机的新的通用技术（General Purpose Technologies，GPTs）。如果能够出现新的通用技术，则全球劳动生产率有望再次重新回到上行趋势，这对全球增长、通胀、市场、甚至政治都将产生重大影响。 GPTs具有普适性、动态发展性以及创新互补性三个特征。Bresnahan and Trajtenberg (1995) 将技术分为通用技术（General Purpose Technologies，GPTs）和一般和专用目的技术（Special Purpose Technologies，SPTs），GPTs是指具有明显基础性和通用性的技术，具有普适性、动态发展性以及创新互补性三个特征，有潜力带来持续的劳动生产率增长。人类历史上曾诞生过24种通用目的技术（图表68），其中，蒸汽机、电动机、内燃机和信息技术是工业社会最典型、最重要的通用技术。1）普适性，能够广泛应用于各个领域。GPTs的一个显著特征是能够从初期的一个应用领域实现向后期多个领域的广泛应用，作为各个行业的投入，它们的影响力遍及经济的各个部门。2）动态发展性，能够持续促进生产率提高、降低使用者的成本。随着新技术的发展和应用，GPTs的应用成本不断下降，应用范围不断拓展。3）创新互补性，能够促进其他新技术创新和新产品生产，并且反过来促进自身进步。通用技术与其它技术之间存在着强烈互补性，具有强烈的外部性，能够提高应用部门的研发生产率，并反哺该技术自身的进步、促进其它新技术的创新和应用。除了产品和生产的创新外，通用技术的应用还可能促进组织管理方式的优化，实现产品技术、过程技术、组织技术的提升，例如蒸汽机的诞生催生了工厂等。 1890年以来，全球只出现过两轮劳动生产率加速期，背后是电力和信息技术这两种GPTs的出现。以美国为例，1920-1930年代劳动生产率开始加速，最高达到4.3%，背后主要驱动因素是第二次工业革命，代表性技术是电力、内燃机、化工生产等，二战后美国劳动生产率高位回落（图表69）。欧洲、日本劳动生产率加速要滞后于美国，在1960年代达到高点（图表70）。1980-2000年代美国劳动生产率再次加速，最高达到2.3%，显著低于上一轮的高点，且持续的时间也明显更短。这一轮劳动生产率的加速背后是信息技术革命，代表性的技术包括计算机、互联网以及AI等。欧洲、日本这一轮劳动生产率并未跟随美国上升，信息技术革命似乎并没有外溢到欧洲和日本（图表70）。 AI相关应用目前仍然属于初步阶段，后续能否快速扩散存在不确定性。新技术从发明到广泛应用存在较长时滞，且所需要的时间存在较大差异（图表71）。例如，微波炉从发明到在美国90%的家庭普及花了30年时间，而抽水马桶从发明到在美国90%的家庭普及则花了超过100年的时间。AI目前已经在包括识别信用卡欺诈以及改善客户服务等领域得到使用，但这两个领域使用AI相对更加容易：前者数据较为充分、任务较为明确，预测质量的成本和收益容易被量化，后者同样数据充分，AI功能容易被整合到现有的系统，且任务复杂程度不高。正如比尔盖茨所说，“人们往往会高估短期的影响,而低估长期的变化和影响”，不应该过度高估AI的短期影响。2016年现代深度学习方法的共同创造者、图灵奖获得者、谷歌科学家杰弗里·辛顿建议，“现在人们应该停止培训放射科医生；很明显，五年内深度学习将比放射科医生做得更好。”但事实上，2016年以来对放射科医生的需求并没有减少（Acemoglu and Johnson，2023）。类似的，2015年谷歌自动驾驶汽车部门的首席技术官自信地预计，他当时11岁的儿子在16岁时不需要获得驾照；2019年埃隆·马斯克预测，2020年底特斯拉将拥有100万辆完全自动化的无人驾驶出租车上路，这些预测也都没有实现。 AI进一步拓展可能会存在一些障碍[18]。第一，风险和不确定性。AI的预测可能出错（即“一本正经的胡说八道”），给企业带来额外的风险，故风险规避的企业可能不太愿意使用AI。第二，数据约束。AI性能依赖于高质量和大规模数据，如果企业没有收集到必要数据，AI应用和落地可能会遇到困难。第三，法律、监管、隐私、安全、伦理等问题。AI相关法律法规尚不完善，版权法可能阻碍数据的使用，而AI系统处理大量数据可能引发隐私保护和数据安全方面的担忧，而公众对AI应用的不信任或抵触也可能拖累AI的落地。例如，根据2024年斯坦福人工智能指数报告，美国民众对日常生活中使用AI担忧超过激动的比率在2023年大幅上升，当前比率已经超过一半。 即使AI显著提振劳动生产率，不同国家受益时点以及受益程度可能存在差异。第二次工业革命时期，劳动生产率的进步从美国逐步扩散至欧洲、日本等国家，但是信息技术革命似乎并未从美国扩散到欧元区（图表72）。主要有以下三个原因：第一，欧盟信息技术（ICT）投资低于美国。1995年，美国ICT投资占GDP 3.7%，而欧盟仅为2.1%，且这一差距始终存在。第二，美国零售业利用ICT技术发展规模经济，向更高效的“大型商店”（big box）模式转变，而欧洲零售业高分散化，导致欧洲ICT密集型服务业生产率不及美国。此外，欧洲在电子制造行业方面落后美国，拖累了ICT硬件制造业劳动生产率。第三，结构性因素制约了ICT技术在欧洲的使用。例如，欧洲劳动力市场相对僵化，制约了企业利用ICT技术优化劳动力配置的能力；欧洲市场竞争程度不如美国，企业面临的创新动力不足；欧盟内部市场碎片化程度依然较高，各成员国之间在税收、法规等方面仍存在差异，阻碍了企业利用规模经济。参考信息技术革命的经验，各国从AI中受益的程度可能存在差异。美国当前的AI的投入和应用上领先其他国家，受益程度或最大；中国AI相关研究和投入不及美国，或滞后受益于AI革命；欧元区投入不及中美，且结构性拖累因素仍然存在，虽然可能一定程度上受益于美国的溢出，但可能重演信息技术革命的历史，受益程度或有限。 附录4：AI对就业市场的影响 历史经验显示，技术进步对就业总量的影响可能是相对中性甚至偏积极，但技术进步存在分配效应，可能加大就业市场内部的不平等程度。一般而言，技术进步并未导致就业岗位明显下降，整体相对中性甚至偏积极。理论上，技术进步对就业的影响机制包括替代效应、抑制效应[19]（图表73）。替代效应是指技术替代劳动导致就业岗位减少，抑制效应指技术进步创造出新的就业岗位，抑制效应可进一步分为补偿效应[20]和创造效应[21]。历史经验通常显示，技术进步不会带来大规模失业，虽然部分就业会被技术或者机器替代，但新增就业岗位最终会超过减少岗位，即抑制效应超过替代效应。目前的实证研究大多支持“技术进步对就业总量的影响呈中性”的判断。例如，Dauth和Findeisen 等（2017）对德国研究发现，1台工业机器人会导致2个制造业岗位消失，但服务业会出现更多的新增就业岗位，就业是净增加。但也有学者指出，不是所有的技术进步均改善了民众处境。1770-1870年英国工业革命时期的纺纱自动化创造了手工织布工的大量就业机会，但此后的织布自动化并没有创造出补偿性劳动力需求。穆勒在《政治经济学原理》中所说，机器“只是让更多的人口过上同样辛苦而禁锢（imprisonment）的生活，让更多的工厂主和其他人发财”（Acemoglu和Johnson，2023）。此外，技术进步可能存在分配效应，加大就业市场内部的不平等程度。例如计算机等自动化计划高教育群体的生产能力（Autor et al., 2003; Goldin and Katz, 2008），1980年代以来的信息技术所带来的自动化替代了部分蓝领和白领工作是不平等上升的一个重要原因（Acemoglu and Restrepo, 2022）。 参考历史经验，与此前的技术进步类似，预计AI不会带来大规模失业。尽管对AI大规模替代劳动存在一些担忧，但是从已有的证据看，AI创造的岗位超过AI替代的岗位，AI对就业市场整体影响是正面的（详见2.2节）。长期看，虽然企业对AI的使用可能快于以往周期，但是对就业的影响或较为温和，不会带来大规模失业。Eloundou et al.,（2023）发现，美国20%左右的工作内容可能受到AI影响，但考虑到AI的成本，这些受到AI影响的工作中最终只会有一部分被AI替代。Svanberg et al., (2024)测算显示，受AI影响的岗位中十年内只有23%使用AI是有利可图的，因此真正能够被AI替代的就业比率或不到5%（Acemoglu，2024）。 一些研究认为，与以往的自动化技术不同，当前的AI技术对低技能提振更大，有助于降低不平等程度。此前的自动化技术通常对中等收入的职业影响较大，导致中产阶级的空心化（hollowing out of the middle）。因为低收入的职业使用自动化技术性价比不高，且一些体力工作难以被自动化替代，因此中等技术的工作最容易被取代，而高技术的工作由于较为复杂，被取代的可能性相对更低。因此低收入和低教育群体在过去被自动化替代的概率更高。例如，IT和机器人属于增强劳动技能的技术，高技能的人受益更大，可能会放大不平等[22]。但是，生成式AI等技术可能对高技术岗位产生的冲击更大，高技能群体受冲击的概率更大，或有助于降低不平等程度。Deniz et al., (2023)发现，使用生成式AI后相对简单的工作效率提升幅度更大，但是复杂工作效率提升的幅度更有限（图表74）。Kanazawa et al., (2022)同样发现，AI有助于将出租车司机搜寻客户的时间平均缩短5%，其中低技能司机的搜寻时间缩短7%，对高技能司机几乎没有影响，因此AI使高技能和低技能司机生产率差距收窄14%。但是，Acemoglu和Johnson（2023）指出，只有当AI增强低技能群体的生产效率，缩小与高技能群体之间的差异，AI才能够降低不平等；如果AI只是替代高技能群体，从而导致低技能和高技能收入差距缩小，这对于社会是负面的影响。历史经验显示，工作被替代的高技能群体工资增速会下降，且将加大与低技能群体的竞争（Acemoglu and Restrepo, 2022）。 AI对就业市场的影响仍然存在较大不确定性，可能取决于具体的政策选择。第一，AI的替代效应可能超过抑制效应。Acemoglu和Johnson（2023）指出，目前开发和部署人工智能的大公司绝大多数都倾向于自动化（取代人类），而不是增强（提高人类的生产力），可能导致很多工作被替代，从而对就业产生负面拖累。第二，即使AI对就业市场是正面效应，也需要警惕AI所带来的分配效应。一方面，AI所带来的好处在人群中的分配是严重不均衡的，可能带来社会和政治问题。例如，AI将显著提高对“提示工程师”（Prompt engineers）的需求，但是翻译等被AI替代的就业需求将显著下降。正如在全球化的例子中所看到的，全球化虽然整体带来了社会福利的增加，但没有对受损者进行及时救助，最终会阻碍全球化的发展，带来社会和政治问题。另一方面，AI可能降低收入分配中劳动的份额。AI的使用即使利好部分劳工，但主要的收益将流向资本，从而降低劳动在收入分配中的份额，提高资本在收入分配中的份额，进一步放大美国等发达经济体业已存在的劳动资本分配问题。第三，AI可能被用于对劳动者的监视和控制。根据Acemoglu和Johnson（2023）的，长期看，技术进步本身是中性的，且对就业和社会的影响取决于政策选择。如果生成式人工智能用于增强劳动者的生产率，而不是用于替代劳动者，则对社会整体是有利的，否则将带来负面后果。政策可以通过引入法规和制度改变科技行业的创新方向，从而创造出有利于劳动者的人工智能。 [1] https://www.nber.org/papers/w31161 [2] https://www.frbsf.org/research-and-insights/publications/economic-letter/2010/08/effect-immigrants-us-employment-productivity/ [3] https://www.wsj.com/tech/ai/why-the-ai-industrys-thirst-for-new-data-centers-cant-be-satisfied-93c7eff5?mod=article_inline [4] 参见《半导体设备市场更新预测：2024年全球增长7%，中国高位稳定》，2024/5/27 [5] https://www.wsj.com/finance/investing/a-way-for-energy-investors-to-ride-the-ai-boom-bb0a607d [6] Analyzing the Effects of Financial and Housing Wealth on Consumption using Micro Data，IMF 2019 [7]https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier#key-insights [8]https://www.goldmansachs.com/intelligence/pages/ai-may-start-to-boost-us-gdp-in-2027.html [9]https://www.mckinsey.com/featured-insights/mckinsey-explainers/whats-the-future-of-generative-ai-an-early-view-in-15-charts [10] 1879年爱迪生发明白炽灯；1882年美国纽约建立世界上第一个发电厂，同年，特斯拉发明了交流电系统，奠定了现代电力传输和配电的基础；1895年美国加州加成了世界上第一个大型水电站。 [11] Paul A. David (1990), “The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox,” American Economic Review, vol. 80 (May), pp. 355–61. [12] 1971年美国研制出世界上第一台微型计算机，个人计算机时代被开启；1980年代个人计算机大规模进入学校和家庭；1990年互联网兴起。 [13] We see transformative new technologies everywhere but in the productivity statistics. [14] 劳动生产率数据波动较大，直到1995年劳动生产率增速才开始明显回升，如果从平滑后的劳动生产率增速来看，1980年代开始劳动生产率增速有所回升。 [15] “Virtually everywhere? Digitalisation and the euro area and EU economies,” Occasional Paper Series 244, European Central Bank. [16] “Artificial Intelligence Index Report 2024” Stanford University Human-Centered Artificial Intelligence [17] 2016-2018年数据来自Census Bureau的Annual Business Survey (ABS)调查。 [18] 2024年美国总统经济报告第七章。 [19] http://iqte.cssn.cn/cycg/yjlw/201912/P020191211389978177865.pdf [20] 补偿效应是指技术进步带来效率提升/成本降低导致企业扩大生产规模，从而增加就业需求。 [21] 创造效益主要是指新技术直接创造出新工种、新岗位，从而增加就业需求。 [22] Autor et al. (2003); Bartel et al. (2007); Acemoglu and Restrepo (2020, 2022). 文章来源 本文摘自2024年6月3日发布的《 美国产业革命如何影响长期增长效率和中性利率 》 易峘 研究员 SAC No. S0570520100005 | SFC AMH263 胡李鹏 联系人 PhD SAC No. S0570122120062 齐博成 联系人 SAC No. S0570122080197 免责声明 ▲向上滑动阅览 本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究报告的发布平台，本公众号仅供华泰证券中国内地研究服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。 本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 华泰证券宏观研究 欢迎关注华泰证券宏观研究，感谢您的支持！我们将与您一同剖析宏观经济、关注资本市场！

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）