炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
中金点睛
摘要
引言：当AI时代遇上人口变局：会碰撞出什么样的“火花”？是“灵丹妙药”、还是新的“麻烦制造者”？
我们可能正处在一个前所未有的历史交汇点上，人口变局与AI爆发在同一时空中交织。一方面，人口减少与老龄化已成为一些经济体必须直面的问题，如拖累传统需求且增加财政负担；另一方面，AI几乎以一己之力拉动全球增长，如AI投资就贡献了美国26年一季度GDP增速的五成多。
那当AI遇上人口变局，会碰撞出什么样的“火花”，是解决问题的“灵丹妙药”，还是会制造出新的麻烦？乐天派认为，人少了能缓解竞争压力和资源紧张，AI与机器人的发展不仅能让物质充裕（乐观如马斯克认为将很快迎来物质的可持续丰盛时代，sustainable abundance[1]），也可以对冲人口减少导致的劳动力不足，最终带来人均资源丰盛、差距缩小，也就没那么“卷”了。理性派则认为，人口减少会导致总需求不足和非核心资产收缩退化，AI革命无法带来所有资源同水平的丰富，替代和挤出效应也难以在无干预的情况下自动对所有人均等的丰富，因此处于核心位置和届时属性上稀缺的资源将依然稀缺，一些差异甚至可能会拉大。
会往哪个方向演变、谁又会占据上风，市场存在争论，坦白讲分析难度也很大，但这却意义重大、不应回避，就像工业革命时代的人们面对大机器一样，当我们面对闪烁的代码算法、庞大的算力集群，有一些思考和“先见之明”显得尤为重要，有助于我们在未来AI时代占有“一席之地”。
人口变局与AI变革交织的可能结果：核心与外围资产分化，商品与服务价格分化，分配分化
人口变局和AI变革交织，可能会带来核心与外围资产的分化，商品与服务价格的分化，以及分配的分化。得出这一结论的基础，主要在于对以下几个问题探讨：人口减少能否自动带来资源充裕？AI革命能在多大程度上解决供给充裕问题？AI在提高效率增加供给的同时会带来何种问题？
► 首先，人口减少能否自动带来资源充裕？一个悖论是，维持一定人口密度恰是维持一些资源的必要门槛。人口减少在一开始和在表面上的确可以带来很多人期待的“清净感”，小到出行、旅游、排队，大到教育、住房、医疗，但这种“清静感”的代价可能是功能的弱化和退化。
熵增理论告诉我们，系统天然会从有序趋向无序，维护过程本质上就是投入能量和劳动对抗“熵增”。很多公共服务（如快递、外卖、医疗、教育）、尤其是刚性成本高的公共设施（如地铁、高铁、景区、电网），都需要一定人口密度来维持刚性成本下维护的“经济性”，因此一旦人口低于某个临界点，就会变得“不经济”，走向退化和老化，导致“涨价、低频、体感差”，成为“清静感”的代价。
进一步的，新地理经济学理论（New Economic Geography，克鲁格曼因此获得诺贝尔经济学奖）告诉我们，人口减少和熵减成本的增加会导致资源加速向核心区域集中以维持其经济性，边缘地区则逐渐“退化”，日本边缘村庄的“限界集落”（65岁及以上人口占比超过50%的村庄）[2]，美国“锈带”和底特律的破败，都是这一现象的典型例子。
因此，人口减少并不会自动带来资源充裕，反而会导致核心与边缘分化的拉大，相对稀缺的资源依然稀缺，因此在人口变局下把握核心与中心资源更为重要。当然，AI和机器人的变革可以从分摊并降低维护成本角度来部分解决这一问题，但也至少也会受到电力与算力投入的下限约束。
► 其次，AI革命能在多大程度上解决供给充裕问题？一个悖论是，AI在提供充裕资源的同时，也会因为抬高整体生产力水平，使那些AI暂时无法提供的资源更加稀缺。就如同工业革命尤其是全球化深化的过去二十年间商品与服务价格的巨大剪刀差一样（2000年以来美国计算机等设备、电脑软件、玩具价格下降超过70%，但医疗服务、大学学费、育儿涨幅在130%-230%之间[3]）。
鲍莫尔效应（Baumol Effect）告诉我们，AI时代会带来商品、可复制服务（外卖、快递、出行等）、精细化分工（软件、科技、金融）的充裕甚至“通缩”，复制成本可能无限趋近于原始成本。但AI暂时无法提供的一些商品和服务（情感或陪护）反而可能会因为老龄化导致的需求错配、以及AI时代普遍的生产力提升而更加稀缺，因此AI也无法自动带来所有资源同等的充裕，可能导致“买得起精密电器，请不起优质护工”的悖论。当然，随着AI的不断突破，AI所无法提供的领域也会不断缩小。
► 最后，AI在提高效率增加供给同时，会带来何种问题？当劳动力从要素退化为成本，是否会使得普通个体参与分配的合法性基础——“劳动力价值”逐渐丧失。与蒸汽与电气革命解放人的肌肉以提升效率、互联网革命延伸人的耳目以降低信息分发成本不同，AI与机器人可能在多数生产环节彻底接管人的大脑和双手。如果未来AI能够完全脱离人的参与完成整个生产过程，即柯布-道格拉斯生产函数（Y=A · Kα · L1-α）中劳动力（L）贡献权重（1-α）趋近于零，大部分任务中，劳动力从“要素”降级为“成本”，人成了纯粹的消费者，那么“按劳分配”也将失去载体，这一挤出效应会使得分配向掌握AI生产资料的人群倾斜，使得分配的分化加大，美国劳工部统计IT和金融行业就业人数过去三年分别减少20万和6万人就是例证。
如何应对AI时代与人口变局？重新定义新时代的核心资产；发挥AI正面作用，关注分配问题
理性的思辨揭示，不论是人口变局还是AI变革，都有其两面性，情形没有直觉想象的那么简单或一边倒，因此，充分发挥其积极作用，妥善解决好可能的新问题，同时把握新时代的核心资产，才是理性之选。
► AI在提升全要素生产率和拉动短期增长上有正面性，足以对冲短期人口减少和就业挤出的负面影响，需要充分发挥其正面性作用。我们测算，中美AI产业发展对全要素生产力与资本存量的拉动，未来十年潜在增长年均或可提升0.65和1.09ppt，足以对冲劳动力供给收缩与AI挤出就业带来的拖累（0.19和0.01ppt），综合来看发展AI可提升中美潜在增长年均净增加0.46ppt和1.08ppt。
► 妥善应对好潜在的分配分化问题。随着算力和算法的发展，AI可以独立完成越来越多工作任务，资本与劳动的关系逐渐从互补走向替代，劳动的分配份额可能面临挤出，资本的份额不断扩大。在此背景下，“做大蛋糕”与“分好蛋糕”同样重要，二次分配的税基和保障制度也可以相应优化。
► 把握新时代的核心资产。如何寻找人口变局和AI时代下的稀缺资产，可以从四个测试性的问题出发，比如某一资产：1）在脱离大规模补贴后还能运行吗？2）人口密度大幅降低后，维护成本会激增吗？3）产出的效率和经济性是否有AI高？4）是不是AI运行或机器人制造链条上的必需要素？综合考虑，我们认为以下资产可能符合核心资产的定义：
1） 在物理空间和资产属性上的“稀缺资产”，例如处于核心位置、具有稳定的公共服务提供网络的资产具备韧性，如一线/强二线核心区域的地产、交通网络、优质医疗与教育资源等；相反，边缘尤其是固定折旧较高的资产会陷入“折旧陷阱”，例如收缩型城市的地产、公用事业等；
2） AI无法提供的或供需错配的“非标准化资产”，如定制教育、养老养护、情感陪护，悦己需求等；相反，一般商品、标准化服务、精细化的分工反而会因为充裕而走向“通缩”。在对思考深度和表达深度要求高的工作上，人类仍占据主动。
3） AI时代的“瓶颈资产”，列昂季耶夫生产函数（Leontief Production Function）告诉我们，系统的产出往往受限于最稀缺的资源。中短期看，AI投资扩张催生大量设备与基础设施需求，芯片制造、电气设备、通信、机械等行业供给出现阶段性“短板”；长期而言，跨越产能周期，当AI算力趋向无限充裕甚至接近公用事业时，真正的硬约束将转向物理世界供给弹性最低的领域，如高能量密度的能源、关键的矿产资源、智能与稳定的电网、以及长时间的稳定储能。
风险提示：本文基于人口结构、AI技术和资产定价逻辑的长期推演，相关判断具有一定不确定性。人口变化、区域流动及公共服务收缩路径可能偏离假设。AI技术迭代和商业化落地节奏仍存在不确定性，可能导致生产率拉动、潜在增长和分配格局偏离预期。政策监管、宏观周期、地缘政治及市场流动性等因素的影响也有不确定性。报告测算亦存在模型假设、参数选择和外推偏差。
目录
第一章 人口密度的“悖论”：对抗熵增的必要门槛
1.1 人口减少与老龄化挑战：不能忽视的问题
1.2 人口密度与规模效应：公共服务退化与否的临界点
1.3 核心与外围资产的分化：新地理经济学
第二章 供和需的“错配”：AI能在多大程度上解决供给问题？
2.1 人口变局下的需求错配：整体需求减少但结构需求增加
2.2 AI时代的供给错配：AI能提供的与AI无法替代的
2.3 商品与服务价格的分化：鲍莫尔的成本病
第三章 从要素退化为成本：劳动力价值的被挤出？
3.1 分配权的大小：对生产函数的贡献多寡
3.2 分配权的变迁：从蒸汽机到电气革命，再到信息技术革命
3.3 劳动从生产要素退化为成本：AI时代的不同？
第四章 如何应对AI时代与人口变局？重新定义稀缺资产
4.1 利用AI的正面性：提升全要素生产率和自然利率
4.2 解决可能的问题：应对潜在的分配分化
4.3 如何寻找新时代的稀缺资产：核心、非标准化与瓶颈资产
Text
正文
第一章 人口密度的“悖论”：对抗熵增的必要门槛
1.1人口减少与老龄化挑战：不能忽视的问题
人口问题正在成为一个主要经济体无法忽略的问题。全球总人口尚未进入负增长，但增长动能明显下行，低生育、老龄化和部分经济体人口收缩已同步出现。
1） 人口数量：欧洲、东亚以及部分新兴经济体均已进入或接近人口平台期，中国也是样本之一。2022年中国总人口在连续增长近60年后首次负增长，此后连年下降。2025年末中国总人口为14.05亿人，较上年减少339万人，自然增长率为-2.41‰[4]。
2） 生育率：2024年全球总和生育率约为2.2，联合国统计超过一半的国家和地区生育率低于世代更替水平2.1（不依赖移民情况下，人口规模要长期维持稳定的生育率水平），覆盖全球超过三分之二人口[5]。高收入经济体普遍低生育，东亚则处于低生育的较极端区域。
3） 人口结构：世界银行统计，全球和OECD成员国的老年人抚养比分别从1960年的8.6%和13.4%走高至2024年的15.7%和28.8%。中国2010年后总抚养比走高，2025年65岁及以上人口占比升至15.9%[6]，属于中度老龄化社会。
因此，从全球经验看，随着经济增长和社会发展，人口减少、老龄化和少子化可能是一个固有模式，不过中国进入这一阶段可能稍快，体现在两个方面：1）一是速度，中国65岁以上人口占比从7%升至14%用了23年，与其他主要国家相比，老龄化进程较为压缩。2）二是所处发展阶段。中国是在收入水平、社会保障完备程度和区域均衡程度和成熟高收入发达经济体尚有距离时，进入中度老龄化阶段[7]。这意味着，中国老龄化速度要求制度和增长模式更快调整，以避免一些现实问题加剧，包括社保收支压力上升、养老服务供给不足等。
对于这一变化，乐观者认为，人口减少可以缓解人均资源紧张，AI与机器人的发展又可以补足人口减少导致的劳动力不足，带来物质的丰富，共同解决当下很多问题，如养老压力和资源紧缺。谨慎者则认为，人口的减少会导致需求不足，AI革命无法带来所有资源均等的丰富，也难以在无干预的情况下自动对所有人都丰富，核心的资源将依然稀缺。那么，人口减少能否自动带来资源充裕？
1.2 人口密度与规模效应：公共服务退化与否的临界点
人口减少虽然不利于总需求，但从人均资源角度，直觉似乎告诉我们这是件好事，因为人少了，平均资源就变多了，也就不需要这么卷。这个判断在静态条件下似乎成立：如果人口减少而土地总量不变，那么理论上人均土地会增加；如果住房存量不变而人口减少，人均住房面积也会提高。
然而，这种直觉忽视了一个关键事实：现实情况并不完全是静态分配，部分系统依赖规模、密度和网络效应运行。很多公共服务（如快递、外卖）、尤其是刚性成本高的公共设施（如地铁、高铁），维护过程本质上就是人类在投入能量和劳动来对抗“熵增[8]”，所以需要一定的人口密度和规模效应分摊“熵减”成本。人口既是需求来源，也是维持部分供给体系运行的“分母”。因此，一旦低于某个临界点，反而可能因为失去规模经济而变得更贵和更脆弱，就会陷入“涨价、低频、体感差”，成为所谓人少“清静感”的代价。
这一判断有其理论基础。克鲁格曼提出新经济地理学（New Economic Geography，NEG）[9]，且因其在贸易理论和经济地理学中的贡献获得2008年诺贝尔经济学奖。新经济地理学的核心思想是，由于存在规模报酬递增、运输成本和市场接近性差异，人口和产业会向少数中心区域集中，当外围区域失去足够市场规模时，平均成本会上升更快，人口和资本便会继续向中心回流。公共经济学中的“最小有效规模”被视为这一机制在公共服务和本地服务领域的延伸：无论是教育、医疗、交通、市政等公共服务，还是外卖、快递、社区零售等市场化本地服务，都需要足够人口和需求密度来分摊固定成本。只不过前者更多依靠财政和行政体系维持，后者更多依靠价格、订单密度和平台网络维持。
因此，人口减少带来“清静感”的可能代价是社会服务的老旧和退化，尤其是边缘地区。高增长阶段，很多成本可以被新增人口和新增需求稀释；人口收缩阶段，这种稀释效应减弱甚至消失，原本被增长掩盖的固定成本问题会重新暴露。OECD对收缩地区的研究表明，低密度和持续人口流失地区，基础设施和公共服务的人均固定成本更高，可达性和服务质量也更容易同步恶化[10]。
打比方说，地铁、铁路等公共交通客流减少30%，并不意味着线路、信号、检修和场站成本可以同步下降30%；医院门诊量减少30%，也不意味着急诊、影像、检验和住院体系可以等比例压缩；外卖和快递订单密度下降后，也不只是少送几单，骑手调度、仓网覆盖、履约时效等都会受到影响。人口减少将改变本地社会服务体系的成本曲线，系统从“规模经济”可能滑向“规模不足”，最终通过涨价、降频、缩网或退出完成调整。
整体功能性退化和向中心区域集中是同步出现的，现实中诸多经验如韩国的首都圈、日本的边远山村、美国的底特律和中国东北的老工业区也在不断印证这一点：
► 韩国是新经济地理学中“核心-边缘”框架的一个典型样本。韩国人口自然增长率放缓甚至转负后，首尔首都圈的集聚程度进一步上升。2000年以来，韩国人口自然增长率从8.2‰下滑至2025年的-2.1‰，首都圈劳动力人数占比却从47.4%增加至51.2%。经济活动同样继续向核心区域集中，2023年韩国首都圈名义地区生产总值占全国52.3%，2024年进一步升至52.8%[11]。
► 日本的边远山村则提供了低密度地区服务体系收缩的证明。日本的“限界集落”，通常指65岁及以上人口占比超过一半、基础服务体系难以维持的村落[12]。随着年轻人口外流和老龄化加深，这些地区面临交通、医疗、商业和照护服务退化的问题，比如地方铁路和公交普遍出现减班、缩线和站点无人化[13]，JR北海道在过去十余年中陆续停运多条地方铁路。这一背景下，日本1999年开始推行“平成大合并”，将市町村数量由1999年的3232个降至2010年的1727个，正是希望通过行政合并提升治理能力、扩大基础服务半径、摊薄地方固定成本。
► 底特律是更为极端的城市收缩的案例。底特律的人口从1950年前后约185万人降至2020年的63.9万人，2024年仍仅约64.6万人[14]。人口收缩后，人均资源并未趋于宽松，而是表现为社会服务退化。底特律债务调整文件显示，至2013年4月，全市约40%的8.8万盏路灯无法正常工作；警察优先级案件平均响应时间接近58分钟，EMS平均响应时间接近15分钟；35座消防站平均楼龄高达80年；公交系统方面，DDOT缺勤率高达35%，车辆维护效率比可比系统低58%，服务中断与不准点现象普遍[15]。人口减少并没有让城市治理更轻松，反而让最基本的照明、治安、急救和交通系统陷入失修状态。
从理论到实践，从美国到东亚都说明，现代社会具有高固定成本、较强基础服务依赖和区域发展不均衡等特征，人口增长放缓甚至转负，会使得建立在规模扩张基础上的教育、医疗、养老、交通、市政等公共服务和外卖、物流等市场化本地服务，出现成本分摊弱化、边际负担上升和区域失衡加剧等问题。这种压力并非中国独有，日本、韩国进入人口收缩阶段后同样面临，但中国由于人口规模更大、地方财政对土地和扩张也更为敏感。
图表：为摊薄固定公共成本，日本推行平成大合并，削减市町村数量
资料来源：日本总务省[16]，中金公司研究部
图表：日本过去十余年陆续停运多条地方铁路
资料来源：Wind，中金公司研究部
图表：2013年底特律约40%的路灯无法正常工作，远高于可比城市水平
资料来源：Detroitmi.gov[17]，中金公司研究部
1.3 核心与外围资产的分化：新地理经济学
人口减少对资产定价的影响，关键不在于总量上的需求收缩，而在于资产重新分层，将从物理空间和资产属性两个维度造成分化。物理空间上，中心与边远的分化可能加大；资产属性上，核心与边缘资产分化也可能加大。
► 空间维度看，人口和服务会从边缘向中心收缩，物理空间上的分化可能进一步扩大。核心区域由于拥有更高的人口密度、更稳定的税基，以及更完整的教育、医疗、交通和商业网络，更能承受人口总量增长放缓的冲击。边缘地区则容易因为人口外流跌破系统维持阈值，出现服务退坡、资产折价和进一步人口外流。这一过程对应新经济地理学中的“累积因果循环”，核心区域的规模优势会在人口和资本流入中不断强化。该现象已在多个国家出现：东京圈在全国人口收缩阶段维持净流入，2025年净流入12.35万人[18]，“外围失血、中心虹吸”；韩国首都圈人口占全国比重超过50%[19]；法国巴黎功能区人口占全国比重接近20%[20]。
这也是“稀缺的更加稀缺”的第一层含义。人口减少后，边缘地区的资产可能变得更便宜、更富余；但能够持续获得优质教育、医疗、交通、物流等服务的区域，资产反而会更稀缺。市场定价的是资产背后的人口密度、财政能力和长期可达性。正如日本东京房地产价格较全国平均水平持续上升，2024年东京房价指数较2012年底上涨39.1%，同期日本所有城市土地价格下滑2.1%；美国“锈带”地区，房地产市场较全国整体水平也持续低迷。
► 资产属性看，人口减少也会从可维护性上改变存量资产的定价逻辑。过去十多年，部分地方政府在扩张周期中建设了大量景观河道、亮化工程、公共设施等。这些项目建设时往往依靠土地财政、专项债或扩张型财政支撑，建成后也需要持续维护。随着人口增长放缓，存量设施使用频次下降、维护投入不足，可能加速老化，甚至从“城市资产”转化为“维护负担”。毕竟从系统论角度看，城市系统存在类似“熵增”的维护压力：如果缺乏持续投入，基础设施和服务网络会逐渐走向低效和失序。这也是底特律后续公共服务修复并非自发，而是依靠政府集中再投资的重要原因。
这是“稀缺的更加稀缺”的第二层含义。随着时间推移，很多存量资产虽仍然存在，但维护能力、服务质量和使用体验下降，可能逐渐从“有效资产”变成“低效资产”。所谓“边缘”不只是地理上的“边远”，也包括资产属性上的边缘。即使在同一座城市，维护趋弱、形态老化、脱离高质量服务网络的存量资产，也会被市场重新定价。老旧住宅与新一代住宅间价格差距扩大，反映的正是资产定价已经从单纯看区位和供给稀缺，转向更加看重长期使用价值。
图表：人口密度下降或推升社会服务单位成本
资料来源：Wind，中金公司研究部
图表：东京圈在全国人口收缩维持净流入
资料来源：Wind，中金公司研究部
图表：韩国首都圈人口占全国比重超过50%
注：数据截至2024年12月31日资料来源：韩国国家统计局，中金公司研究部
图表：东京房价较全国水平持续上升
资料来源：Wind，中金公司研究部
第二章 供和需的“错配”：AI能在多大程度上解决供给问题？
2.1 人口变局下的需求错配：整体需求减少但结构需求增加
人口收缩和老龄化背景下，经济面临的首要约束是总需求增长放缓。这一点在中国尤为重要，不少行业面临的问题不是供给不足，而是供给较强、但价格承压。2025年中国规模以上工业产能利用率为74.4%[21]，PPI却下降2.6%，居民消费价格与上年持平[22]，说明部分工业部门已经处于供给较为充裕、价格竞争加剧的状态。
更关键的是，人口结构变化正在重塑需求结构。根据生命周期消费理论，人口年龄结构变化会改变一国的消费、储蓄、公共财政和代际资源配置。年轻人口减少，会削弱新增住房、汽车、家电和部分大众耐用品的需求弹性；老龄化加快，则会推升医疗、护理、养老、康复、陪伴、社区照护等需求。前者更多对应标准化商品和耐用品，后者更多对应非标准化、强人类服务属性、强本地交付属性的服务。
日本的经验正表明了这点，八十年代末日本人口周期拐点显现，经济增速放缓，对消费业态的映射表现为：1）家庭小型化、少子化、女性劳动参与率提升，推动便携式餐饮等消费业态发展；2）人口老龄化促使大健康产业扩张；3）“口红效应”也促使游戏美妆、微醺酒饮、潮玩娱乐等悦己消费、个性消费和性价比消费获得增长空间。
中国当前也在人口和经济结构转型下经历消费新趋势，包括：1）银发与照护消费，比如养老机构、居家护理、康复医疗和养老金融等；2）消费降级与消费下沉，包括折扣零售和高性价比国货；3）情绪与悦己消费，包括潮玩娱乐赛道、美妆医美赛道等；4）体验与文旅消费等。这一判断也与4月中央政治局会议的政策取向一致。会议明确要求“扩大优质商品和服务供给，推动消费升级，深入实施服务业扩能提质行动”[23]。
因此，中短期总需求不足与结构性供给短缺并存是当前的主要瓶颈。一方面，部分工业品和标准化消费品供给充裕、价格承压；另一方面，银发消费、体验消费、悦己消费等服务的需求上升，却受制于人力、财政、专业能力和本地服务网络。
图表：中国居民当前的支出中，教育依然排在最前列，其实是保险和健康，医疗、旅游等
资料来源：麦肯锡《新常态下的中国消费》2025年4月，中金公司研究部
图表：日本消费社会的五个时代及消费特征
资料来源：三浦展（2025）《第五消费时代》，中金公司研究部
2.2 AI时代的供给错配：AI能提供的与AI无法替代的
关于AI的一个常见观点是，AI可以显著提高生产效率，从而解决人口收缩、增长放缓等大部分问题。这一看法背后的直觉不难理解：如果“机器”不仅能执行体力劳动，还能完成认知劳动、辅助决策，甚至不断自我迭代，那么供给能力似乎就可以持续扩张，原有很多稀缺约束也会被逐步打破。
社会中围绕“AGI”“奇点”的讨论，本质都建立在这一逻辑之上。马斯克在2025年达沃斯论坛上曾公开表示：通用人工智能（AGI）将于2026年实现，到2030年，AI的总智能将超越全人类[24]。人类正经历“超音速海啸”般的“技术奇点”时刻，社会将迈向“普遍高收入”的丰盛时代。这种叙事很有吸引力，AI被想象成一种近似通用的降本工具，“技术终将解决一切约束”。
但是，这一判断可能存在的问题在于，它把AI对经济和社会系统的作用理解得过于平均化了，但技术进步从来不会均匀作用于所有部门、所有任务、所有需求。Acemoglu和Restrepo关于自动化与新任务的研究正强调了这一点[25]（Acemoglu & Restrepo， 2019）。AI确实会带来深刻改变，但它改变的只是一部分供给，而不是全部供给；它显著降低的是一部分成本，而不是所有成本；能提升的是一部分效率，而不是必然转化为足够多的新需求。因此，理解AI影响的关键，在于把AI从“抽象”的万能工具中“具象”出来，放进人口收缩背景下的供需关系，判断它到底能解决什么、不能解决什么。
AI确实能提高效率，具身智能也可能会把这种效率提升从数字世界进一步延伸到物理世界，但效率提升并不等于需求自动扩张。AI和机器人可以降低成本，也可能催生新的产品形态、商业模式和工种，但中短期却无法直接创造人口、改善居民收入和消费意愿。成本下降能否转化为新增需求，仍取决于需求弹性、收入分配和消费倾向。Bessen关于AI与就业的研究强调，技术进步对产出和就业的影响取决于需求条件：如果需求足够有弹性，效率提升可能带来产出扩张；如果需求趋于饱和，效率提升未必会带来足够新增需求（Bessen， 2018）[26]。
在总需求偏弱的环境下，AI和机器人带来的效率提升，可能更多表现为价格竞争、利润再分配和行业出清，而不是自动带来经济总量扩张。以制造业为例，如果某类产品本身已经供给充裕、需求弹性有限，进一步自动化和降本并不必然带来销量大幅增长，反而可能加剧价格下行压力。换言之，AI和机器人可以改善生产函数，但不能单独解决需求函数。
► 一方面，AI最明确且最有把握的作用，是降低标准化劳动的成本。文本生成、知识检索、代码辅助、流程管理、甚至内容生产，都属于容易被模型压缩边际成本的任务。机器人则会推动线下场景的自动化，例如仓储分拣、工业质检、标准化装配、物流配送、自动驾驶等。因此，AI与机器人相结合，较容易改善的是标准化商品和流程化服务，使这些供给更便宜、更充裕。
► 另一方面，AI和机器人难以将所有服务自动化，也并非改善全部供给的万能工具。越是结构化、可预测的场景，AI和机器人的替代越容易；越是开放复杂、非标准化、需要责任承担和人际互动的场景，替代难度就越高。医疗、护理、养老、教育、社区服务等领域，不仅包括信息处理或机械动作，还需要持续互动、复杂判断、信任关系和责任承担。AI和机器人可以作为辅助，却很难在短期内等价替代问诊、照护、教学管理和长期陪伴。
这就导致一个深层次的结构性矛盾：AI可以替代标准化商品和标准化服务，但人口变化真正推高需求的，却是非标准化、强人类服务属性的部门，更何况AI和机器人并不能自动提供足够多的新需求，也不能自动把需求导向它最擅长供给的方向。所以技术进步可以提升潜在供给，却无法单独解决需求不足与需求错配。
图表：供给端上，AI最明确且最有把握的作用，是降低标准化劳动的成本
资料来源：Anthropic[27]，中金公司研究部
2.3 商品与服务价格的分化：鲍莫尔的成本病
AI革命在宏观层面，或导致“商品通缩”和“服务相对通胀”并存。商品和标准化服务的边际成本被AI压低，这些部门的供给更充裕、竞争更激烈，价格因此承压；与之相对，医疗、护理、养老和高端线下服务等部门，既受到人口结构变化带来的需求支撑，又难以通过AI实现同等幅度的降本增效，相对价格更容易保持高位，甚至继续上升。这就导致，技术进步越快，整体价格的结构分化就越明显。
不过值得注意的是，如果标准化商品和服务中的部分劳动被AI和机器人替代，那原本从事这些工作的劳动者，可能会转向更难自动化的服务行业。表面上，这会增加服务供给，对部分低门槛的服务价格形成压制，然而这种“劳动力再配置”并不意味着整体的服务通胀会消失：被技术挤出的劳动者可以流入服务业，但也难以赶快进入医疗、护理、养老、教育、高端线下消费等高资质和高信任门槛领域。因此，服务价格内部会再分层：低技能、标准化程度较高的服务价格趋于平稳甚至承压，而照护型、专业型、稀缺型服务价格继续上涨。
因此，AI没有消除鲍莫尔成本病，而是在一定程度上使其强化。鲍莫尔1967年的分析指出，当不同部门生产率提升速度不一致、而工资又存在跨部门联动时，生产率提升较慢的部门，其单位成本和相对价格会持续上升[28]。ECB对服务业价格的分析也延续了这一逻辑：当制造业和可贸易品部门更容易提效，而接触密集型服务难以同步提效时，服务价格相对于商品价格就会趋于上升[29]。美国数据可以作为现实参照。美国医疗支出占GDP比重已超过18%[30]，过去30年中，美国医疗、教育和住房服务价格上涨速度明显快于商品价格[31]。
综上所述，人口与AI放在同一框架下，需求和供给两方面的错配会导致资产定价逻辑自然会发生变化。人口收缩削弱规模效应和密度效应，推动社会服务从“普遍覆盖”转向“择优维持”，从而强化空间再集中和资产分化；AI扩散压低标准化任务的边际成本，推动商品和可复制服务进一步丰富，同时提高人类服务和物理资源的相对稀缺性。一个压缩的是系统“分母”，一个压缩的是复制“成本”，结果都不是均衡化，而是再分层：商品生产的高度自动化，标准化商品和标准化服务更丰富，而优质人类服务、稳定的社会服务网络与高质量的系统维护能力反而成为真正的稀缺资源。
图表：美国医疗护理等价格持续跑赢整体
资料来源：Wind，中金公司研究部
图表：日本医疗服务价格依然跑赢整体
资料来源：Wind，中金公司研究部
第三章 从要素退化为成本：劳动力价值的被挤出？
3.1分配权的大小：对生产函数的贡献多寡
两百多年前，当蒸汽机与织布机奏响第一次科技革命的旋律，彼时的农民或许很难想象，生产力得以空前解放的同时，社会秩序也会被深刻重塑。普通人掌握新型生产资料（蒸汽机和工厂）的难度加大和劳动力在生产中议价能力的下降。当下，当人工智能带来生产力的又一次飞跃，但劳动力的议价能力可能进一步被挤压，是否会导致分配的分化？
研究分配问题，通常从包含各种要素的生产函数着手。最常见的生产函数形式是柯布-道格拉斯生产函数（Cobb-Douglas），它既可以对数线性化，又能刻画边际产出递减、规模报酬等经济直觉，在数学的简洁性和经济现实的拟合之间取得了较好的平衡。更重要的是，在完全竞争市场的假设下，α恰好等于资本收入的份额，而1−α等于劳动收入的份额。这使得该函数能直接用于解释各种要素的分配问题。
伴随着生产率大幅提升，技术进步对劳动和资本的分配产生深远影响。这种影响并非一成不变，而是取决于技术的偏向性，可分为三种类型：1）当技术进步是“希克斯中性（Hicks Neutrality）”时，资本和劳动生产效率，生产者没有动机去改变生产要素的组合比例，资本和劳动的分配比例不变；2）如果是资本偏向型，即索洛中性（Solow Neutrality），则资本边际产出增长更快，生产者提高资本投入，直到资本与劳动的边际产出相等，资本份额相应提升；3）反之则是劳动偏向型，即哈罗德中性（Harrod Neutrality），相应的，劳动份额会有所提升。
3.2 分配权的变迁：从蒸汽机到电气革命，再到信息技术革命
严谨起见，本节建立一个系统的分析框架：技术进步对劳动份额的净效应，取决于“任务自动化”与“新任务创造”两股力量的竞赛，而这一竞赛的结果，受到一国特定的要素替代弹性、教育体系兼容性及制度环境的深刻调节。由于该机制在不同经济体中的表现存在系统性差异，本节以美国为历史参照，同时在信息技术革命等关键节点展开跨国比较，避免将单国经验简单泛化。
图表：历次技术革命本质驱动力以及劳动分配权变化
资料来源：中金公司研究部
一、蒸汽机革命时代，机器替代肌肉，制度对冲缺位，劳动份额显著下降。
18世纪下半叶至19世纪中叶，随着蒸汽机的发明与广泛应用，第一次工业革命实现了从生物能向机械能的根本性转变。蒸汽机的出现突破了人体肌肉力量的自然极限，将人从繁重的体力劳动中解放出来。这一时期，机器生产逐步取代手工劳动，工厂制度取代传统手工作坊，生产方式由此进入机械化和规模化发展的新阶段，资本的生产效率显著提升。
另一方面，由于新任务创造效应尚处萌芽，且公共教育与劳动保护制度未建立，劳动的“被替代效应”缺乏对冲。制度与人力资本的调节空间极其有限，技术进步的资本偏向性完全显化。以美国为例，资本收入份额较世纪初提升约10个百分点，劳动份额显著下降。
二、电气革命时代，更灵活通用的动力技术创造大量新任务，叠加制度保障，劳动份额有所回升。
19世纪末，诞生了以电力和内燃机为标志的第二次技术革命。但这一阶段，劳动收入份额反而在上升，二十世纪30年代相比十九世纪中期提升约9ppt。电气革命之所以是劳动偏向型，核心原因在于电力、内燃机相比蒸汽机驱动更灵活、更具通用性，替代部分旧任务的同时，创造了大量新的、劳动密集型的工作岗位[32]。电气革命从无到有创造了汽车、家电、通信等产业，并且通过提供模块化、可灵活布局的动力单元，促进了标准化流水线作业发展，由此又带来了大量的生产调度、质量控制、流程管理等岗位。人作为机器的“操作者、决策者”参与分配。
统计显示，相比1850年，1900年美国男性劳动力职业结构中农民占比大幅下降，而白领、蓝领工作占比均有提升。但劳动份额在美国回升约9个百分点的结果，并不只是技术自动实现的。公共教育提升了新任务的技能匹配度，为这些新工作培养了合格劳动力；此外工会壮大保障了议价权，集体谈判进一步增加了劳动力的收入份额。
三、信息技术革命时代，信息处理、成本大幅降低，但技术的替代性因国家而异，叠加全球化分工等因素，以美国为代表的发达国家劳动份额不断下降。
20世纪后期，以计算机和互联网为核心驱动的第三次科技革命爆发。由于大幅度降低了信息处理、分发成本，计算机及数字化技术开始大规模介入并部分替代人类在信息收集、分析和传递等环节需要中等技能的劳动。这种替代不仅体现在制造业等可贸易部门的自动化控制上，更广泛地渗透至许多不可贸易部门，如金融、法律等服务业。另一方面，计算机和互联网技术的普及延伸了人的耳目，压缩了时空距离，显著提升了人与人、人与信息的连接效率，为全球范围内的协同与分工创造可能。据IMF测算[33]，1993年~2024年，发达经济体劳动力份额的下降中，约一半来自信息技术进步，全球化分工等因素则贡献了剩余50%的降幅。不过，与美国不同，信息技术对中国的劳动力市场相对友好，其微观根源可能在于两国的要素替代弹性系数以及产业结构存在系统性差异。
图表：技术革命劳动与资本分配权演变和猜想
资料来源：剑桥美国经济史（斯坦利·L．恩格尔曼等，2021），Haver，中金公司研究部
图表：1800年以来年美国劳动报酬份额
资料来源：剑桥美国经济史，Haver，中金公司研究部
3.3 劳动从生产要素退化为成本：AI时代的不同？
AI革命的核心是算法和大模型，本质是算法决策代替人类逻辑，人类的认知功能第一次被技术外化。随着算力算法的发展，AI可自行完成“感知-判断-决策-执行”的全链条环节，人类将不再是生产的主体单位。资本不再需要劳动作为“中介”就能实现自我复制和自我改进，资本与劳动的关系发生了根本性改变，分配权从“人的贡献”彻底转向“资本独占”，分配权的关系也将出现根本性变化。
AI相比历次科技革命对劳动份额的影响更大，很大程度上是因为劳动不再是生产的必要投入，从要素逐渐退化为成本，不再是增长的约束，也不再是分配的依据，这就使劳动力逐渐失去了参与分配的合理性：
► 人的生产主体性被逐渐挤出。前两次工业革命中人类作为机器的看管者和维护者参与生产分配，第三次工业革命中人类作为信息处理者和信息节点参与生产分配，人在生产决策中处于中枢角色，但是AI革命背景下人类的认知功能被外化，判断决策功能被替代，正在成为生产环节的边缘角色。
► 资本从被增强到自我增强。前三次工业革命中技术进步提高了资本效率，但是资本仍然依赖人的维护。而AI革命的核心机制是自我复制和自我改进，资本不仅能够自我复制，还能自我迭代，不断提升自身质量与效率，真正实现了资本的自主生命。
那么，劳动的份额将如何变化？我们接下来参考Restrepo（2025）[34]的研究，进一步区分强假设和弱假设，对劳动份额的变化进行推演。
#1 悲观情形（强假设）：算力无限增长，劳动贡献趋近于零
假设存在一个“AGI时代”：1）任何工作均可由有限算力独立完成，且随着技术进步，完成每项工作所需的算力成本将逐步下降并收敛至某个常数；2）算力、能源等要素虽在任意时刻有限，但随时间推移可不断增长，算力边际成本不变甚至递减。
在这个社会中，工作将分为两大类任务：标准化和非标准化任务。按照上文定义，1）标准化任务具有重复度高、复制性强、可程序化等特征，大部分制造业、编程、甚至结构化写作都属于这一类。算力相比人类完成这类任务更有性价比。2）非标准化的任务通常需要发挥人类情感、创意的价值，较难程序化，例如陪护、艺术和创造发明等。算力也可完成相关任务，但单位产出相比人类没有优势。
在追求产出最大化与竞争均衡的环境中，随着时间推移到无穷期，可得到如下推论：
► 所有标准化任务最终被算力自动化。算力持续增长且具备替代标准化任务的能力，而人类劳动产出相对固定，那么增量的标准化工作将被算力完全替代。并且，在摩尔定律与规模经济的作用下，算力边际成本不变甚至递减，其相对于人类劳动的经济性优势持续扩大。因此，存量标准化任务也将被逐步渗透与替代。
► 标准化任务的工资收敛到算力替代成本。人工智能时代，算力与劳动完全替代。在市场竞争机制下，当工资低于算力替代成本时，雇主会争相雇佣人类劳动，抬高工资；如果高于算力替代成本，雇主则会用算力替代劳动，从而压低工资。最终，工资被牢牢锚定在算力替代成本附近。
► 非标准化任务因为算力替代不经济，仍保留人类劳动。对于非标准化任务，算力替代成本仍高于人类劳动产出，因此其替代劳动在技术上可行但经济上不可行。这也就意味着，非标准化任务可能仍由人类劳动主导。
► 生产函数无需劳动力参与也可独立运转，劳动贡献趋近于0。AI时代，理论上所有任务都可以被算力自动化，即使非标准化认为经济上不可行但是技术上也可被算力替代。因此劳动不再是必须的生产要素，生产函数无需劳动力参与也可独立运转。长期而言，算力增长无限而劳动力供给相对有限，导致总产出中，算力产出占比趋近于1，而劳动占比趋近于0，收入分配极度向算力的所有者集中。
图表：悲观情形下，算力和劳动力市场出清，劳动份额趋近于零
资料来源：中金公司研究部
#2 温和情形（弱假设）：算力有限增长，劳动保留部分分配权
在温和的弱假设下，如果存在除算力外的能源、材料等资源品限制，算法效率又无法持续提升时，算力持续增长不再成立，部分结论也会发生变化。具体看：
► 工资水平提升，但仍无法高于算力替代成本。理论上，算力仍可以替代任意环节的任务，算力替代成本仍是工资的重要参考。不过，因为算力的生产成本边际递增，算力替代成本也随之上升，从而抬高了工资水平。但是，在完全竞争市场中，工资仍无法高于算力替代成本。因为，如果工资持续高于算力成本，资本会涌入算力生产，用算力替代劳动，直至算力的边际成本提升至与劳动的边际产出相等，即与工资持平。
► 劳动收入份额不再趋近于零，算力和瓶颈资源共同参与资本分配。资源约束下，算力总量有限，可能无法完全替代所有标准化任务。特别是那些需要大量算力的任务，仍需人类劳动完成。此外，需要更多算力且边际产出较低的非标准化任务，算力替代的比例会更低。劳动收入份额会明显大于0。另一方面，资本份额，不再被算力独占，存在瓶颈限制的资源也将参与收入分配。算力和瓶颈资源分配比例与两者的产量以及边际产出有关。
图表：温和情形下，算力和劳动力市场出清后，劳动保留一定份额
资料来源：中金公司研究部
#3 那算力能否趋近公用事业？整体很难，部分标准化环节可以
随着硬件、算法和工程技术的持续迭代，算力边际生产成本正在显著下降。同等智能模型生成的词元价格已从2022年60美元断崖式下降至2026年初的0.06美元。加上算力在物理形态上具有“即产即用”、短期供应存在刚性等特点，人们很容易将其与电力这类公用事业商品相类比。由此引申出一个核心命题：算力定价路径将如何演绎？是悲观情形下成本边际不变，逐步沦为与电力类似的廉价公用事业品；还是温和情形下成本边际递增，演化为差异化定价的关键要素资源？
算力和电力生产链条有相似也有不同。从流程上看，两者的生产逻辑是类似的，都需要将原材料（能源、矿产等）通过各种生产设备进行加工转化，得到最终的产品；两者的单位生产成本都在通过技术进步不断降低；更重要的是，它们都是通用目的技术，渗透到了各行各业。然而，算力链产出的词元和电力链产出的电力存在本质上的区别：
► 电力是同质化商品。无论它来自煤电、核电还是风电，终端用户使用的都是同质化的商品，单位电力产生的能量也完全相同。电力市场的竞争焦点主要集中在价格和供应稳定性上。
► 词元是差异化商品。不同模型生成的词元，数量相同的情况下，“质量”可能天差地别，这种品质层面的差异直接决定了其经济价值。以开源模型和闭源模型的竞争为例，开源模型主打性价比，同等测试得分下的词元价格较闭源模型低20%；闭源模型侧重更高的智能水平和输出质量。如果词元是同质化的，那么开源模型会迅速抢占闭源模型的市场份额。但现实却是，闭源模型的市场份额依然领先。这说明，不同模型输出的词元在准确性、严谨性、匹配度等品质上存在显著差异和壁垒且用户愿意为高质量、高智能支付溢价。
综上，算力定价更类似于温和情形，实现一定程度的差异化定价。电力市场是价格驱动的同质化竞争，而算力市场是技术、质量与生态驱动的差异化竞争。即使未来算力极度充裕，词元的“质量分层”也不会消失。高端词元将继续因其稀缺的“智能质量”而享有溢价，而低端标准化词元则可能陷入价格战。这种分化意味着，算力不会演变为一种单一的、无差别的“电力”，而是实现一定程度的差异化定价。
不过，产业链上的某些环节确实可能向公用事业模式靠拢。例如，纯粹的推理提供商或云平台，它们提供的是相对标准化的“算力管道”服务——将词元从模型传输到用户。这一环节的竞争焦点在于带宽、稳定性和成本，与电网或电信运营商高度相似，这类服务提供商未来的角色确实可能朝着电网等公用事业的方向演变。
图表：算力生产与电力生产流程对比
资料来源：中金公司研究部
图表：开源模型难以撼动闭源模型的市场份额
资料来源：Artificial Analysis，中金公司研究部
第四章 如何应对AI时代与人口变局？重新定义稀缺资产
通过上文的分析，可以发现，不论是人口变局还是AI变革，都有其两面性，情形没有直觉想象的那么简单或一边倒，因此，充分发挥AI的积极作用，也妥善解决好可能带来的新问题，同时把握新时代的核心资产，才是理性之选。
4.1 利用AI的正面性：提升全要素生产率和自然利率
AI对增长有多大作用，能否对冲人口减少与对就业的挤出？本章节中，我们综合AI对劳动力市场的冲击，测算AI对经济增长的影响。
Acemoglu & Restrepo（2018）[35]认为，AI对宏观经济的影响主要体现在两方面：一是全要素生产率TFP的增长，二是TFP增长提升资本的边际产出后带来的资本存量的增加。我们估算显示，中国和美国的AI产业发展通过对全要素生产力以及资本存量的拉动，未来十年潜在增长年均或可提升约0.65和1.09ppt；而劳动力供给收缩以及AI对劳动力的替代则可能拖累中美增长分别约0.19和0.01ppt。综合来看，发展AI可提升中国和美国潜在增长年均净增加0.46ppt和1.08ppt。
需要指出的是，本文测算沿用Acemoglu（2024）的技术供给框架，其基本逻辑是AI降本提效，提升全要素生产率，从而促进资本深化增加投资，最终扩大潜在产出。这一路径暗含了“新古典增长模型”中供给自动创造需求的假设，即新增产出总能找到足够的需求承接。然而，如前文所述（第二章），人口老龄化与收入分配失衡可能使总需求长期偏弱，导致需求无法自动跟上供给扩张。这一情形下，AI拉动的潜在增长可能无法完全实现，实际增长将取决于政策能否改善分配，有效刺激需求（如转移支付、社会保障重构、财政扩张等）。因此，该测算应理解为技术潜力上限，而非确定性预测；若需求侧条件不能改善，AI对增长的带动可能低于该估算。收入分配调节机制等需求侧政策若能落地，将有助于弥合供需缺口，使实际增长更接近供给潜力。
#1 AI对TFP的影响：年均提升中美0.51和0.30ppt
参考Acemoglu（2024）[36]的研究，如果完成某类任务的成本因为AI而下降，意味着单位产出需要的投入更少，整个经济体的生产效率提升。因此，AI对全要素生产率TFP的提振可以表示为：
► 首先，美国和中国分别有26.6%和18.1%的工作AI自动化潜力较高。AI大模型（LLM）强项在于处理信息、生成内容和执行基于规则的重复性认知任务上，直接触及知识型工作的核心环节。Gmyrek等人（2025）[37]认为职业是一系列任务的组合，通过统计AI大模型擅长任务在各类职业中的占比，定义各类职业的AI敞口。
该研究将不同职业对AI暴露敞口从低到高划分为5个梯度，本文选择后三档梯度，即平均敞口在40%以上以及平均敞口+一个标准差[38]大于50%的职业作为存在较大AI自动化潜力的工作。此口径下，全球、北美和亚太地区AI自动化潜力较高的工作比例分别为16.4%，21.0%和14.3%。由于数据可得性原因，本文以北美和亚太地区的数据分别指代美国和中国。
进一步，测算各梯度的薪资水平。每个梯度包含若干职业，本文以梯度内占比最大的职业的薪资水平代表该梯度的薪资。最后，将薪资水平与梯度占比的乘积除以全社会的平均薪资，得到中美两国受AI显著影响的职业在劳动要素中的占比，分别为26.6%和18.1%。
► 其次，不同配置模式下，AI的经济可行性从23%~80%不等。参考Svanberg et al．（2024）[39]的研究，企业是否采用AI，取决于完成一项任务的“AI成本”是否低于“人工成本”。AI总成本包括部署AI系统完成任务的固定成本、训练成本和推理成本。基准情形下，固定成本占比超过80%，推理成本占比不到1%。因此，尽管推理环节，AI成本不到人工的4%[40]，但是考虑固定成本、训练成本后，AI的部署存在最小可行规模。
Svanberg et al．（2024）测算显示，在美国，以视觉任务为例：1）标准配置下（本地部署数据库、算力和模型等），只有约23%的AI暴露任务在当前技术成本下，部署AI比雇佣人工更便宜。2）简化配置下（部分功能利用公有云完成，数据和训练成本为0，固定成本大幅降低），部署AI的可行性占比提升到49%。3）云端配置（AI as a Service，企业不承担任何固定成本、训练成本），部署AI的可行性占比提升至80%以上。
► 第三，美国和中国成本节约率分别为78.3%和69%。标准配置下，数据安全性、隐私性高，但是成本高昂；云端配置成本较低，但存在数据或者机密信息泄露风险。两方面权衡后，我们以简化配置模式作为基准，计算部署AI相对于人工劳动的成本节约率。
研究显示[41]，独立完成指定任务AI的推理成本为$0.94~$2.39，平均$1.5，美国人工成本为$24.79。以美国私营部门平均时薪32美元为基准，有人工成本数据可倒算得到该任务耗时0.8小时。据此，一家20人规模企业（美国私人企业平均规模），5年可以完成258065份类似任务，任务费用为640万美元。如果这些任务量交给AI独立完成，结合该研究提供的AI任务成功率47.3%（vs． 人工84.6%），得到AI需完成461570份任务才能与人工任务量等效。再考虑简化配置的固定成本69.7万美元，得到AI成本约为139万美元，相当于人工的21.7%，即成本节约率78.3%）。
因此总体看，美国未来十年AI会带来年均0.51ppt的全要素生产率提升；中国因为受AI显著影响的职业占比以及成本节约率均低于美国，因此全要素生产率的提升略低，年均增速为0.3ppt。
图表：AI暴露度等级划分以及不同国家地区AI暴露结构
资料来源：ILO， 中金公司研究部
#2 AI对资本存量的影响：拉动中美1.0和0.6ppt
全要素生产率增长提升了资本的边际产出，如果资本的边际产出大于边际成本时，企业有强烈的动机增加投资。随着投资的持续增加，资本存量不断提升，直到资本的边际收益等于资本的成本，形成新的均衡。
参考Acemoglu（2024）[42]的研究，假设资本存量的增速与全要素生产率成比例，那么AI对美国资本存量增速的拉动为
得到AI对美国资本存量的拉动为1.00ppt。类似的，对中国资本存量的拉动为0.58ppt。作为对照，美国20世纪90年代的互联网浪潮期间，资本存量的平均增速在96~00年相比91~95年提升约1.18ppt，幅度与上文测算基本吻合。
#3 劳动力收缩的影响：拉低中美0.4ppt和0.02ppt
在测算未来十年劳动力供给的变化时，我们假设主导因素主要来自出生率或者劳动人口减少的变化。AI革命引发的人类劳动力被算力替代的影响主要体现在劳动份额减少层面，这隐含了被替代的劳动力可以寻找其他工作再就业，但是因为供需关系改变，工资水平明显下滑。
根据联合国测算，因为出生率下降，中美两国十年后15~64岁的劳动人口占比相比2025年分别下降4.03ppt和0.21ppt。进一步假设中美劳动份额在此期间下降10ppt（参考第一次技术革命时劳动份额下降幅度），测算其对资本和劳动力要素的影响时，则采用期初和期末均值。综合两方面影响，得到劳动力要素年均拉低中美两国潜在增长分别为0.01和0.19ppt。
综合测算，中美AI产业发展通过对全要素生产力以及资本存量的拉动，均能对冲劳动力供给收缩的拖累。其中，美国GDP年均净增加1.03ppt，中国GDP年均净增加0.43ppt。
AI提升投资回报率和加速资本深化体现为驱动自然利率上行。自然利率上行意味着资本潜在回报率提升，进而激发新一轮高强度投资需求。AI时代投资并非源于传统的终端消费预期，而是源于TFP自我强化下的“算力创造供给”：投资高度集中于算力扩张，如大模型研发、超大规模数据中心、能耗更低的AI芯片等。同时，AI领域先发优势和潜在的“赢家通吃”，进一步激励企业进行高强度、甚至超前于明确市场需求的技术投资。这种强劲且集中的投资需求，构成经济增长的重要驱动力。
参考历史经验，当技术进步明显偏向资本时——例如历史上的蒸汽革命与信息技术革命——均伴随着社会总投资占GDP比重的阶段性跃升。AI作为新一轮的技术革命，可能正在重现类似的宏观范式：即全要素生产率提升，驱动自然利率上行，投资回报率提升，加速资本深化进程。
图表：AI对中美GDP的劳动均可以有效对冲劳动力减少的拖累
资料来源：中金公司研究部
值得注意的是，以上对AI经济影响的测算基于现有技术趋势、成本假设及情景演绎，存在较大不确定性。实际效果可能受技术进步速度、政策法规、社会接受度、能源约束及地缘政治等诸多因素影响，相关数据仅供参考。
4.2 解决可能的问题：应对潜在的分配分化
随着算力和算法的发展，AI可以独立完成越来越多工作任务，资本与劳动的关系从互补走向替代，分配制度从“按劳分配”转向“资本独占”，劳动的分配权有所调整，资本的收入份额相应扩大，劳动的分配可能面临被挤出。在此背景下，宏观政策的重心可以从“做大蛋糕”向“分好蛋糕”延伸，如二次分配的税基优化和保障制度。
一方面，可以适当调节间接税（例如增值税、消费税）与直接税（如个人所得税、企业所得税、财产税等）的比重，这一方向与近期政策讨论中优化税制结构、加强直接税调节的趋势一致[43]。对于将利润投入研发、绿色转型以及促进就业的企业，可通过税基扣除（如加速折旧、投资税收抵免）给予激励。此外，可以探索适应AI时代的新税种，例如征收数据版权税、机器人税等。
另一方面，社会保障体系可有优化空间。当前的社会保障制度主要围绕工作构建，如退休金、失业救济和医疗保险等，但在AGI时代，大量劳动可能被AI替代。Korinek指出，在一个劳动力市场被颠覆的未来，可以考虑独立于工作的新收入分配机制，如全民基本收入（无条件基本收入，UBI）制度，人们可以凭借公民身份直接分享产出收益。
4.3 如何寻找新时代的核心资产：稀缺、非标准化与瓶颈资产
人口的变局和AI时代也会深刻地改变优质和稀缺资产的逻辑。评估真正的优质和稀缺资产可以从四个问题出发：
1） 问题一：人口变局下，脱离大规模政府补贴后，该资产是否仍能独立、可持续地运行？人口变局下，物理空间与资产属性的分化加大，人口和服务从边缘向中心收缩。这意味着大量依靠公共财力维持运转的设施将面临一个根本性挑战：当人口流失、税基减少、政府补贴下降后，它们还能独立运营吗？
2） 问题二：如果人口密度减少，单位维护成本是否会翻倍？即便通过了生存考验，资产受到的冲击并未结束。物理系统的维护本质上是人类投入能量对抗“熵增”，其成本是刚性的。当人口密度减少、使用频次降低后，单位维护成本是否会急剧上升，是否会跌入“规模不足”的成本陷阱？
3） 问题三：AI快速演进下，资产的核心产出效率和经济性是否有竞争力？AI最明确的作用是降低标准化劳动的成本。这意味着，如果一项资产的核心产出能够被AI以更低的成本完成，它就会在效率竞争中被替代，丧失经济价值。因此，在效率和经济性上相对AI能否有竞争力，成为衡量资产价值的新维度。
4） 问题四：分配权重构下，能否成为AI运行或机器人产业链条上的必需品？AI时代更深层的变化在于分配权的重构。当AI或机器人可以脱离劳动力独立完成生产过程，劳动便从“要素”退化为“成本”，按劳分配的机制趋于瓦解，分配权将向AI或机器人产业链的资本集中。
综合考虑，优质的核心资产可能有以下几类：
► 第一类：在物理空间和资产属性上的“稀缺资产”。老龄化社会，人口从边缘向中心收缩是新经济地理学揭示的长期趋势。另一方面，随着时间推移，许多资产虽仍有现金流，但维护成本上升，逐渐从“有效资产”变成“低效资产”甚至“负资产”。因此，处于核心位置、具有稳定的公共服务提供网络的资产具备韧性，例如一线/强二线核心区域的地产、交通网络、优质医疗与教育资源等；相反边缘尤其是固定折旧较高的资产会陷入“折旧陷阱”，例如收缩型城市的地产、公用事业等。
► 第二类：AI无法提供的或供需错配的“非标准化”资产。AI的高速发展，标准化程度高的商品与服务的供给能力将实现跃迁。与此同时，人口老龄化正在同步推升医疗、护理、养老和康复等需求，而这些恰恰属于非标准化、强人际交互属性的服务。因此，非标准化的商品与服务，如定制或私立教育、高端养老、心理咨询，艺术与品牌价值等或能成为稀缺资产。
此外，非标准化工作，人类仍掌握工作的主导权，在思考和表达两个维度与标准化工作存在明显差异。相比标准化工作通过明确的规则、流程和模式产出确定性结果，非标准化工作的规则、流程和模式不明确，结果具有探索性、创造性，要求思考或表达层面的深度。1）思考深度高，工作涉及非结构化问题解决，路径和答案开放，依赖跨领域联想、辩证思维和创新能力，典型的工作如战略规划、算法设计；2）表达深度高，工作依赖于即兴的语言、符号或形体输出，需要在动态情境中实时调整、适应和创造，无法被简单或规则化复制，例如体育竞赛、手工艺术创作、心理治疗、即兴演讲等。
► 第三类：AI时代的“瓶颈资产”。列昂季耶夫生产函数（Leontief Production Function）告诉我们，产出往往受限于最稀缺的资源，所谓的“短板效应”。
图表：AI产业链与瓶颈环节
资料来源：中金公司研究部
1） 中短期看，我们测算，AI带来的全要素生产率提升有望撬动约8100亿美元的年度新增固定资产投资，2025年额外拉动约3800亿美元，目前仍有约4300亿美元的扩张空间，主要集中于计算机设备、软件、电气设备、通信设备和电力等板块[44]。供给端，产能利用率层面已暴露出阶段性“短板”，相关板块如芯片制造、电气设备、通信、机械等行业的产能利用率已处于历史高位，供给出现阶段性“短板”，新增需求将进一步加剧供给紧张。
图表：AI增量投资以及用电量提升对计算机设备、软件、电气设备和电力拉动较强
资料来源：BEA，中金公司研究部
图表：计算机、电气设备等行业产能利用率已处于历史偏高水平
资料来源：Haver，中金公司研究部
2） 长期角度，当算力成为接近免费且无处不在的公用事业时，真正约束生产函数的短板只剩下关键矿产和高能量密度能源，即马斯克口中的“瓦特币”。
AI数据中心需要不间断供电，能源刚性的自然禀赋约束远强于制造业的产能扩张周期。正因如此，单一能源无法满足AI需求，能源结构朝着高EROI（EROI衡量的是投入的能量与最终产出能量的比率，新增能源类型要确保能源生产的净能量收益高，经济可行）、高可靠性（AI数据中心需要7x24小时近乎不间断的电力供应）、低碳方向演变。核能凭借其出色稳定性和零碳特征，成为最具战略性的选项；天然气则以其可靠性在电网稳定中发挥“压舱石”作用；智能与稳定的电网、以及长时间的稳定储能也是能源结构的重要组成部分。
此外，支撑算力硬件制造与电网储能的关键矿产如镓、稀土、铜、硅和锂等，长期可能面临物理瓶颈。据IEA测算[45]，仅数据中心对镓的需求就可能达到2024年全球供应量的10%以上，供需格局较为紧张。
图表：主要能源多维度比较
资料来源：中金公司研究部
图表：人口与AI变局下的稀缺资产
资料来源：中金公司研究部
图表：AI时代的能源选择
资料来源：中金公司研究部
图表：数据中心对关键矿产的需求
注：数据中心对锂的需求用储能需求增长估计，锂的产出缺口为IEA测算的2035年预计值资料来源：IEA，中金公司研究部
风险提示
本文基于人口结构变化、AI技术演进、资产定价逻辑的长期推演，相关判断具有较强前瞻性和不确定性。
1） 人口变化、生育率及老龄化速度、区域人口流动和公共服务收缩路径可能与假设不一致，导致核心与外围资产分化程度低于或高于预期。
2） AI技术迭代、商业化落地等存在不确定性，若技术进步慢于预期，AI对生产率和潜在增长的拉动可能不足；若技术扩散快于预期，也可能加剧分化。
3） 政策、监管和机制变化可能显著改变AI与人口变局对经济结构、企业盈利和资产价格的影响。
4） 关于中美潜在增长、TFP、资本存量、就业替代、产业链投资和用电需求等测算依赖模型假设、样本数据和参数选择，存在测算误差和外推偏差。
5） 相关资产和行业表现也会受到宏观周期、利率、汇率、地缘政治、海外技术限制、市场流动性和估值波动影响，可能出现较大波动。
[1]https：//www.weforum.org/stories/2026/01/elon-musk-technology-abundant-future-davos-2026/
[2]https：//www.jamp.gr.jp/wp-content/uploads/2019/12/115_04.pdf
[3]数据来自美国劳工部，Wind汇总统计
[4]https：//www.stats.gov.cn/sj/zxfb/202602/t20260228_1962662.html
[5]https：//www.un.org/development/desa/pd/sites/www.un.org.development.desa.pd/files/undesa_pd_2025_wfr_2024_final.pdf
[6]https：//www.stats.gov.cn/sj/zxfb/202602/t20260228_1962662.html
[7]https：//www.stats.gov.cn/zs/tjws/tjbz/202301/t20230101_1903949.html；国家统计局将60岁及以上人口比重超过20%或65岁及以上人口比重超过14%定义为中度老龄化
[8]Clausius， R． （1865）． On several convenient forms of the fundamental equations of the mechanical theory of heat． Annalen der Physik und Chemie， 125， 353–400．
[9]Krugman， P． （1991）． Increasing returns and economic geography． Journal of Political Economy， 99（3）， 483–499． https：//doi.org/10.1086/261763
[10]https：//www.oecd.org/content/dam/oecd/en/publications/reports/2025/05/shrinking-smartly-and-sustainably_f94497c0/f91693e3-en.pdf
[11]https：//mods.go.kr/boardDownload.es？bid=11755&list_no=443802&seq=1； https：//mods.go.kr/boardDownload.es？bid=11755&list_no=435279&seq=2
[12]https：//www.jamp.gr.jp/wp-content/uploads/2019/12/115_04.pdf
[13]https：//www.oecd.org/content/dam/oecd/en/publications/reports/2024/04/addressing-demographic-headwinds-in-japan-a-long-term-perspective_85b9a67f/96648955-en.pdf
[14]https：//www.census.gov/quickfacts/fact/table/detroitcitymichigan/PST045224
[15]https：//www.casemine.com/judgement/us/5c2156a7342cca657a0d6b13？locale=en_US
[16]https：//www.soumu.go.jp/kouiki/kouiki.html
[17]https：//detroitmi.gov/sites/detroitmi.localhost/files/2018-05/City of Detroit Proposal for Creditors1.pdf
[18]https：//www.stat.go.jp/data/idou/2025np/jissu/youyaku/index.html
[19]https：//mods.go.kr/synap/skin/doc.html？fn=af04f0ea6fbd9fa9c32899055b5ef5aea4bf6d4eb02d858d08d8384fc9297326&rs=/synap/preview/board/11747/
[20]https：//www.insee.fr/fr/statistiques/8274695
[21]https：//www.stats.gov.cn/sj/zxfb/202601/t20260119_1962320.html
[22]https：//www.stats.gov.cn/sj/zxfb/202601/t20260109_1962272.html
[23]https：//www.gov.cn/zhengce/content/202604/content_7066483.htm
[24]https：//www.weforum.org/stories/2026/01/elon-musk-technology-abundant-future-davos-2026/
[25]https：//pubs.aeaweb.org/doi/pdfplus/10.1257/jep.33.2.3
[26]https：//www.nber.org/system/files/working_papers/w24235/w24235.pdf？utm_source=PANTHEON_STRIPPED
[27]https：//www.anthropic.com/research/labor-market-impacts
[28]Baumol， W． J． （1967）． Macroeconomics of unbalanced growth： The anatomy of urban crisis． American Economic Review， 57（3）， 415–
[29]https：//www.ecb.europa.eu/press/blog/date/2022/html/ecb.blog221125~d34babdf3e.en.html
[30]https：//www.cms.gov/data-research/statistics-trends-and-reports/national-health-expenditure-data/historical
[31]https：//www.bls.gov/cpi/
[32]Acemoglu Daron and Pascual Restrepo， “The Race between Man and Machine： Implications of Technology for Growth， Factor Shares， and Employment，” American Economic Review， 2018， 108 （6）， 1488–1542
[33]Mai Dao， Mitali Das， Zsoka Koczan， and Weicheng Lian， “Why Is Labor Receiving a Smaller Share of Global Income？ Theory and Empirical Evidence，” IMF Working Papers， 2017， 169 （2017）
[34]Pascual Restrepo， The Economics of Transformative AI （University of Chicago Press， 2025）， chap． 9，．
[35]Acemoglu Daron and Restrepo Pascual， 2018． “The Race between Man and Machine： Implications of Technology for Growth， Factor Shares， and Employment”， American Economic Review
[36]Acemoglu Daron， 2024． “The Simple Macroeconomics of AI”， NBER Working Papers
[37]Gmyrek et al．， 2025． “Generative AI and Jobs： A 2025 update”， ILO Working Papers．
[38]平均敞口，反映该职业所包含任务的平均暴露水平；标准差，反映该职业内部任务之间暴露程度的差异。标准差大，说明该职业既有高暴露度任务，也有低暴露度任务；标准差小，说明所有任务的暴露度较为一致。
[39]Svanberg， Maja S． et al．， 2024． “Beyond AI Exposure： Which Tasks are Cost-Effective to Automate with Computer Vision？”， MIT
[40]Wang， Z.Z． et al．， 2025． “How Do AI Agents Do Human Work？ Comparing AI and Human Workflows Across Diverse Occupations”． ArXiv， abs/2510.22780．
[41]Wang， Z.Z． et al．， 2025． “How Do AI Agents Do Human Work？ Comparing AI and Human Workflows Across Diverse Occupations”． ArXiv， abs/2510.22780．
[42]Daron Acemoglu， 2024． “The Simple Macroeconomics of AI，” NBER Working Papers 32487
[43]“十四五”这五年丨我国税收收入呈现出“量增质优”的特点 _光明网
[44]测算逻辑：2021年（ChatGPT问世前一年），美国资本存量77万亿美元，资本折旧率约为5%。AI发展对TFP的提振可带来美国1%的资本存量提升（下文测算），那么AI拉动的年度新增（剔除替代部分）固定资产投资额将达到77x1%/（1-5%）=8100亿美元。2025年相关板块投资较2021年预计增加3800亿美元，因此仍有约4300亿美元的扩张空间。若这4300亿美元的投资也按照2025年AI资本开支相关行业的固定资产投资占比进行分配，利用投入产出表中的完全需求系数矩阵（即列昂惕夫逆矩阵），便可测算其对上下游需求的拉动。
[45]IEA （2025）， Energy and AI， IEA， Paris https：//www.iea.org/reports/energy-and-ai， Licence： CC BY 4.0
新浪声明：此消息系转载自新浪合作媒体，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。
海量资讯、精准解读，尽在新浪财经APP
责任编辑：凌辰
捷希源配资提示：文章来自网络，不代表本站观点。
