博阿兹·巴拉克（Boaz Barak）是哈佛大学计算机科学教授，长期从事计算复杂性理论、密码学与机器学习交叉研究。他并非经济学家，却以计算机科学家的视角切入AI与宏观经济的关系，试图用模型、数据和直觉推演AI对生产力、就业与GDP增长的潜在冲击。他曾参与多个AI安全与对齐项目，并在学术圈以清晰逻辑与跨领域思考著称。
【第一章：从人类文明停滞说起，AI为何可能是真正的拐点】
现代人类大约在10万年前出现，但接下来的9万9千年里，人类的生活水平几乎毫无变化。按照今天的标准，绝大多数人年收入折合约400到600美元，仅仅勉强糊口。农业发明了、帝国兴衰了、战争打了一轮又一轮，可普通人的日子始终没好起来。直到大约200年前——也就是最近10代人的时间——西方世界突然开始变得富裕，人均收入以每年约0.75%的速度持续增长，随后这种增长浪潮席卷全球。这一转折点被经济学家称为“大分流”，它标志着工业革命真正改变了人类的命运轨迹。而今天，我们可能正站在另一个历史拐点上，主角不再是蒸汽机或电力，而是人工智能。
关键区别在于：过去的技术进步往往是线性积累、缓慢渗透，而当前AI的能力提升呈现出惊人的指数特性。这种指数特性并非泛泛而谈的“AI越来越强”，而是有具体可量化的指标支撑。由METR（Measurement, Evaluation, and Testing in Reliability）团队发布的重磅研究，提供了一个令人震撼的图表：横轴是主流大语言模型的发布时间，纵轴则是这些模型能以50%成功率完成的软件工程任务所需的人类时间——注意，纵轴是对数刻度。
这意味着什么？这意味着AI能处理的任务“时长”正在以固定周期翻倍。METR估算这个“翻倍周期”约为7个月，若只看2024年之后的模型，甚至缩短至3个月。为简化讨论，作者假设翻倍周期为6个月，也就是说，AI的任务时长能力每年增长4倍。这个数字非常粗略，但其趋势本身已足够惊心动魄——它不是渐进改良，而是能力边界的指数扩张。
【第二章：能力翻倍的背后，哪些因素影响AI的实际表现？】
当然，任何指标都有其局限。METR图表反映的是实验室环境下的理想表现，真实世界远比基准测试复杂。作者将影响因素分为两类：影响“截距”（即当前能力绝对值）的因素，和影响“斜率”（即能力增长速度）的因素。
首先看影响截距的因素。
第一是可靠性要求。METR图表基于50%成功率绘制，但若将标准提高到80%，同一模型的能力“时长”会大幅缩水。例如GPT-5在50%成功率下可处理人类需2小时17分钟完成的任务，但在80%成功率下只能应对26分钟的任务。这说明AI目前仍存在显著的“可靠性税”。
第二是任务类型。METR主要聚焦软件工程，但在其他领域（如数学推理、法律分析）的数据点虽稀疏，趋势却类似，甚至在某些领域斜率更陡，说明指数增长可能具有跨领域普适性。
第三是“基准偏差”——AI在定义清晰、结果可量化、上下文封闭的任务中表现优异，但现实世界的任务往往模糊、依赖隐性知识、成功标准不明确。作者称之为“混乱税”，并认为这主要拉低了截距（即当前能力），未必会拖慢增长斜率。换句话说，AI在现实中的表现可能永远打个折扣，但这个折扣可能是恒定的，不会阻止其能力持续翻倍。
再看影响斜率或曲线形状的因素。首先是指数级投入。模型能力的跃升背后是算力、数据、人力、资本的疯狂堆砌。Epoch AI的数据显示，训练算力每6个月翻倍，这与METR观察到的能力翻倍周期高度吻合。然而，指数投入不可能无限持续——资源、电力、人才都会成为瓶颈。但截至目前，投入曲线仍未见放缓迹象。其次是“新知识获取”问题。
当前大模型主要学习人类已生成的数据，类似学生读教科书。但科学研究、工程创新往往需要主动探索未知、收集新数据。如果AI无法自主进行实验或与物理世界交互，其进步可能受限。
但有趣的是，即便AI越来越“能动”（agentic），METR数据反而显示近期斜率加速，说明纯文本学习仍能解锁惊人能力。第三是物理任务瓶颈。
软件工程是纯认知劳动，而制造业、农业、医疗操作等涉及物理世界。机器人技术虽在进步，但制造、部署、维护成本高昂，能否复制AI在虚拟世界的指数曲线仍是未知数。
作者特别驳斥了“数据墙”理论，认为过去几年的进步主要来自算法和架构优化，而非海量互联网数据的堆砌。更重要的是，最强的编程模型（如Claude、Codex）往往也是通用能力最强的模型，这暗示AI的突破不会局限于单一领域——正如2020年初没人料到新冠会蔓延全球，今天认为AI只影响程序员的想法同样短视。
【第三章：当AI能处理“全天候任务”，人类工作模式将被重构】
METR论文中另一张图同样震撼：模型成功率与任务时长之间呈现完美的“S型曲线”（sigmoid）。具体来说，对于低于某一阈值的短任务，AI几乎100%成功；超过某一上限，则几乎全军覆没；中间区域则是成功率从100%滑向0%的过渡带。这种关系酷似国际象棋中的ELO评分系统——每个任务有其“难度等级”（以对数时长表示），每个模型有其“技能等级”，当两者匹配时，模型胜率约50%。
这一发现意义重大。它意味着即便我们难以精确测量“100%成功”的任务上限，该上限很可能也遵循相同的指数增长规律。一旦AI的“技能等级”突破人类日常工作的典型时长（如8小时、1周、1月），它就能模拟任意数量人类协作完成的长期项目。
想想看：人类之所以将大项目拆解为周报、季度目标，是因为个体需休息、需交接、需上下文隔离。而AI理论上可连续运行数月，内部状态无缝衔接——这意味着当AI能处理“一周任务”时，它已具备重构整个项目管理逻辑的潜力。
更惊人的是成本下降曲线。前沿AI能力首次实现时往往昂贵，但复制成本却以每年10倍以上的速度暴跌。DeepSeek等开源模型的出现就是例证：曾经需要数千万美元训练的模型，如今可在消费级GPU上运行。这意味着一旦某项工作被AI自动化，其执行成本将在一年内趋近于零。
这种“首次昂贵、复制廉价”的特性，是电力、内燃机等传统技术不具备的，它将加速AI在经济中的渗透速度。
【第四章：百年2%增长魔咒，AI能否打破？】
宏观经济学有个“诡异”的事实：过去150年，经通胀调整后的美国人均GDP始终以约2%的恒定速度增长。电灯、汽车、计算机、互联网——这些颠覆性发明都没能改变这一轨迹。2%意味着GDP每35年翻一番。日本在追赶阶段曾实现年增8%以上的奇迹，但一旦接近技术前沿，增速立刻回落。这说明推动“前沿增长”比“追赶增长”难得多。
那么AI会是例外吗？经济学家们分歧巨大。阿西莫格鲁（Daron Acemoglu）预测AI每年仅贡献0.1%的GDP增长；高盛则乐观估计为1.5%。而若要达到类似战后日本的爆发式增长（年增7%），AI需贡献约5%的额外增长——是高盛预测的3倍，阿西莫格鲁的50倍。别小看这数字：仅1.2%的额外增长就足以让美国财政重回可持续轨道；2%的提升将是史无前例的。
AI可通过两种路径提升GDP：
一是替代劳动（将人力密集型产业转为资本密集型），
二是提升全要素生产率（TFP），尤其是加速“想法”的生产。
根据琼斯（Benjamin Jones）的模型，若一个行业占经济总量的x，完全自动化最多带来1/(1-x)的GDP提升。软件业约占2%，全自动化仅提升2%；但若“认知劳动”整体占30%，全自动化可带来约42%的GDP跃升——相当于年增3.5%（十年内实现）。而如果AI还能赋能科研、加速新药研发、优化能源网络，其溢出效应将远超直接自动化范畴。
【第五章：指数自动化 vs 线性历史，人类将面临何种转型？】
传统自动化过去80年始终呈线性：每年仅新增几个百分点的自动化率，且增速常在下降。但AI可能打破这一规律。假设某行业的任务时长分布呈“重尾”（即长任务占比按1/T衰减），那么AI任务时长能力的翻倍，就等同于未自动化任务比例的减半。按6个月减半计算，从自动化50%到97%（31/32）仅需2年。这比历史上任何技术扩散都快得多。
当然，这忽略了“扩散延迟”——技术可行≠经济可行≠社会接受。但AI的“沉默渗透”已在发生：程序员用Copilot、律师用AI审合同、设计师用Midjourney。一旦某个临界点被突破（如AI能可靠完成8小时连续编码），整个行业的自动化可能瞬间加速。
另一种思考框架是将AI视为“虚拟人口增长”。假设AI每年新增N(t)个“工人”，每个具备质量Q(t)（即能完成任务的比例）。美国劳动力约1.6亿，若AI等效新增1000万高质量工人，GDP可提升约4%；若新增5000万，提升18%；若翻倍劳动力，GDP可涨50%。而AI的“人口”理论上可无限扩张——想象一下“一万亿美国人”同时工作，这虽荒谬，却揭示了AI作为生产要素的独特性：边际成本趋零，规模无上限。
【第六章：自动化不能“卡脖子”，必须全面突破】
琼斯模型的精髓在于：生产力提升取决于“可自动化”与“不可自动化”任务的调和平均。假设研发任务中有ρ比例无法被AI替代，其余1−ρ可被AI以λ倍效率完成，则整体效率提升上限为1/ρ。例如，若90%任务可自动化（ρ=0.1），理论效率最多提升10倍；但若剩下10%极其关键且无法替代，生产力就被卡死在10倍天花板。
因此，要实现“变革性AI”（即10倍以上生产力增长），必须双管齐下：既要持续降低ρ（扩大自动化边界），也要不断提升λ（降低AI执行成本）。琼斯的模拟图显示，若ρ每年缩小至1/4（即自动化剩余任务的75%），λ每年提升10倍，一年内即可跨入变革性AI区域。但作者坦言，ρ年降75%过于激进；更现实的可能是年降9%（ρ缩小至1/1.1）。即便如此，只要λ同步提升，10–20年内仍可能实现爆炸性增长。
关键结论在于：AI能否引发前所未有的经济增长，取决于“未自动化任务比例”是否能随AI能力指数下降。若能，我们将迎来新工业革命；若不能，AI或许只是又一个提升2%增长的工具。
【尾声：站在指数曲线的起点】
博阿兹·巴拉克坦言自己非经济学家，所有推演都基于简化假设与直觉。但他传递的核心信息清晰而紧迫：AI的能力增长不是线性的改良，而是指数级的边界突破。过去200年经济增长依赖人均产出的缓慢提升，而AI可能带来“有效人口”与“有效智力”的指数扩张。即便存在混乱税、物理瓶颈、扩散延迟，只要能力斜率不崩，经济结构终将被重塑。
我们正站在一个奇特的历史节点：一边是百年不变的2%增长惯性，一边是每6个月翻倍的任务能力曲线。两条轨迹的交汇点，或许就是人类文明下一个大分流的起点。不是“是否会发生”，而是“以多快的速度发生”——这才是真正值得深思的问题。