2022 年底，OpenAI 推出的 ChatGPT 悄然改变了公众对人工智能的认知。这是一个能以人类语言对话、解答复杂问题的工具，在短短数月内掀起了一场全球范围内的技术热潮。数据显示，ChatGPT 的移动应用下载量很快突破千万，全球关于AI”的网页搜索量较此前翻了数倍，而为支撑生成式 AI 模型训练与运行，数据中心建设和 AI 芯片投资呈爆发式增长。

有人将其视为下一次信息技术革命的起点，期待它复刻 20 世纪 90 年代末的 IT 生产力繁荣；也有人担忧其巨大的能耗、对就业的冲击，以及尚未明确的监管边界。

生成式 AI 究竟会如何影响经济？它带来的生产力提升是短暂的昙花一现，还是能推动经济长期增长的核心动力？

布鲁金斯学会（Brookings Institution）与美国联邦储备委员会联合发布的工作论文《生成式 AI 在十字路口：灯泡、发电机，还是显微镜？》，从技术分类的视角给出了深刻分析。

brookings.edu

论文将生成式 AI 与历史上三类关键技术对比：像灯泡那样仅一次性提升生产力水平，还是像发电机（通用技术）那样持续催生创新，亦或像显微镜（发明方法的发明）那样重塑研发本身？

这场关于技术本质的讨论，或许能帮我们看清生成式 AI 的长期价值。

提到人工智能，很多人会想到机器学习、计算机视觉等宽泛概念，但生成式 AI（genAI）与传统 AI 有着本质区别。传统 AI 多聚焦于 “分类” 或 “预测”，比如识别图像中的物体、预测用户偏好，而生成式 AI 的核心是 “创造”，它能基于数据中的模式，生成文本、代码、图像、化学结构甚至数学证明等多样化内容，且这些内容往往具备人类级别的连贯性与语境适配性。

这种突破的关键，源于 “大语言模型（LLMs）” 与 “Transformer 架构” 的结合。早年间的 AI 语言系统，比如 20 世纪 60 年代的聊天机器人 ELIZA、2011 年击败人类的 IBM Watson，就是规则驱动 的符号系统。它们依赖预设的逻辑和数据库，只能生成公式化的内容，比如自动撰写体育赛事报道或诊断常见疾病。而大语言模型通过 “词嵌入” 技术，将文字转化为高维空间中的数值向量，捕捉词语间的语义关联，比如 “国王” 与 “女王” 的向量差异，类似 “男人” 与 “女人” 的差异。

图自unsplash

2017 年问世的 Transformer 架构，进一步让模型具备了 “上下文理解” 能力。它的 “注意力机制” 能让模型在处理文本时，自动聚焦于与当前内容相关的部分。比如在 “我去河边的 bank 钓鱼” 与 “我从 bank 取了钱” 中，模型能通过上下文区分 “bank” 是 “堤岸” 还是 “银行”。这种能力让生成式 AI 摆脱了固定规则的束缚，生成的内容更开放、更多元。例如，早期符号系统只能生成格式固定的财报摘要，而 ChatGPT 能以爱伦・坡的风格写一篇关于 “焦虑机器人” 的短篇小说，GitHub Copilot 能根据程序员的思路自动补全代码，甚至优化算法。

如今的生成式 AI 早已超越 “文本交互” 的范畴。在医疗领域，它能辅助生成病历摘要、优化影像诊断流程；在金融行业，它可用于定制客户投资组合、简化合规审查；在能源领域，它能模拟电网负荷变化、预测设备故障。这些应用的核心，是生成式 AI 不再局限于 “完成单一任务”，而是能适配不同场景的需求，成为一种灵活的 “工具平台”—— 这也是它区别于传统 AI 的关键特征。

历史上，真正能推动经济长期增长的技术，往往是 “通用技术（General-Purpose Technologies, GPTs）”—— 这类技术具备三个核心特征：广泛扩散至各个行业、催生大量衍生创新、核心技术持续迭代。从蒸汽机、电力到计算机、互联网，通用技术的影响从不局限于单一领域，而是能重塑整个经济的生产方式。

生成式 AI 是否符合这三个标准？现有证据正在给出答案。

图自unsplash

首先是 “广泛扩散”。生成式 AI 的应用正在从科技巨头向更多领域渗透，但进程仍不均衡。调研显示，大型企业的 adoption 速度显著快于中小企业 —— 麦肯锡 2024 年的调查显示，约 67% 的大型企业已使用生成式 AI，而美国普查局的商业调查显示，整体企业的 AI 使用率仅 9%，其中员工不足 5 人的小企业使用率不足 10%。这种差异背后，是小企业缺乏数据治理能力、技术投入成本较高等现实障碍。

但从行业层面看，部分领域的扩散已初见规模。在信息行业，2023 年已有 92% 的美国程序员使用 AI 工具（包括生成式 AI），69% 的平面设计师用 DALL-E 等工具辅助创作；在医疗领域，2025 年多数医生表示会用生成式 AI 撰写出院指导、生成检查报告，甚至辅助影像诊断。放射科的 AI 应用已覆盖从患者追踪到图像质量评估的全流程；在金融行业，摩根大通等机构用 AI 审查合同，将律师和信贷人员的工作时间减少 36 万小时 / 年；在能源行业，约 1/3 的电力企业试点用生成式 AI 优化客户服务、预测电网负荷。这些案例表明，生成式 AI 正在从 “可选工具” 变为部分行业的 “必需工具”。

其次是 “催生衍生创新”。生成式 AI 正在带动产品、流程与组织形态的连锁变革。在产品层面，用户界面的创新让生成式 AI 更易使用。OpenAI 的 Custom GPT 允许用户创建领域专用模型（如法律领域的 LegalGPT），Google 的 NotebookLM 支持上传文档并转化为交互式讨论，微软 365 Copilot 则将 AI 嵌入办公软件，让普通员工无需专业技能就能使用。

注意：不同任务中使用的“人类基线”概念有所不同。对于更具挑战性的任务，基线表现往往更为突出，以体现专家级水平的表现。资料来源：经斯坦福以人为本人工智能研究所2024年AI指数报告授权转载

在硬件交互上，NVIDIA 的 Isaac SDK 让 AI 与机器人深度融合，帮助机器人实现环境定位与地图绘制，而多模态模型能将文本、图像输入转化为机器人的动作指令（如关节旋转角度）。

在生产流程上，生成式 AI 推动 “生成式设计” 兴起，设计师不再需要手动绘制多个方案，而是通过设定参数，让 AI 生成大量符合技术与美学要求的设计方案，再进行优化筛选；在组织层面，企业开始建立跨部门的数据团队，打破业务单元间的信息壁垒，这种 “数据中心化” 的组织形态，正是为了更好地发挥生成式 AI 的价值。

最后是 “核心技术持续迭代”。生成式 AI 的性能提升并未依赖单一维度的投入，而是在模型、硬件、数据三方面同步突破。

在模型层面，研究者通过 “混合专家（MoE）” 架构让模型仅激活部分参数响应请求，大幅降低计算成本；通过 “剪枝” 移除冗余参数、“量化” 降低精度要求（如从 32 位浮点转为 8 位），让模型能在普通设备上运行。

在硬件层面，GPU 的计算效率持续提升 ——2007 年一款 349 美元的 NVIDIA GPU 仅能提供 0.3 TFLOPS 的计算能力，2024 年 299 美元的 GPU 计算能力达 15.1 TFLOPS，17 年间单位计算成本年均下降 24%。

在数据层面，“合成数据” 技术解决了高质量数据稀缺的问题 —— 比如用 AI 生成医学影像训练诊断模型，既避免隐私泄露，又能扩大训练样本规模。这些进步让生成式 AI 的 “性价比” 持续提升，为进一步扩散奠定基础。

应用程序是ChatGPT，克劳德，DeepSeek和困惑。包括Android和iOS。Android下载信息不适用于中国。不考虑通过应用程序接口进行访问。网络搜索包括在谷歌“人工智能”主题下的相关术语。来源: appfigures；谷歌趋势

当然，生成式 AI 距离成为成熟的通用技术仍有差距 —— 多数企业尚未将其融入核心业务流程，衍生创新的规模还未覆盖全行业。但从历史经验看，通用技术的扩散往往需要数十年（比如电力从发明到全面提升生产力用了 50 年），生成式 AI 的旅程才刚刚开始。

除了通用技术，历史上还有一类技术对经济增长至关重要 ——“发明方法的发明（Inventions of Methods of Invention, IMIs）”。这类技术不直接提升生产效率，而是通过改善观测、分析、沟通或组织方式，提升研发（R&D）本身的效率。比如显微镜让人类看到微生物，推动了医学与生物学的革命；印刷术降低了知识传播成本，加速了科学思想的扩散。生成式 AI 是否属于这类技术？它正在如何改变人类的 “发明过程”？

在 “观测” 层面，生成式 AI 能弥补传统工具的不足，帮助人类捕捉更精准的信息。传统观测工具（如望远镜、显微镜）会因设备缺陷或环境干扰产生误差，而生成式 AI 能基于数据的内在规律，修复这些缺陷 —— 比如用生成式技术增强望远镜拍摄的星系图像，还原因大气扰动模糊的细节；在医学影像领域，AI 能填补 CT 扫描中的缺失数据，生成更完整的器官图像，帮助医生发现早期病变。这种 “智能修复” 能力，让观测工具的精度突破了硬件的物理限制。

图自unsplash

在 “分析” 层面，生成式 AI 成为研究社会与自然现象的 “新显微镜”。在社会科学领域，大语言模型能从海量文本中提取人类认知的隐含模式 —— 研究者发现，文本语料中包含可识别的历史偏见，这为研究社会公平问题提供了新视角。

在经济学研究中，生成式 AI 可用于情感分析，通过企业财报、新闻报道的语气变化预测经济趋势；在自然科学领域，AI 能加速物质属性的预测 —— 研究者用生成式模型预测新型合金的性能，减少了物理实验的次数，将研发周期缩短数月甚至数年。

这些应用的核心，是生成式 AI 降低了 “信息提取” 的成本，让原本难以量化的现象（如社会偏见、物质属性）变得可分析。

在 “沟通” 与 “组织” 层面，生成式 AI 简化了科研流程中的非创造性工作。在沟通上，AI 能辅助撰写文献综述、 grant 申请、学术报告 —— 研究者只需提供核心观点，AI 就能生成结构化的文本，再经人工修改优化，大幅减少文书工作时间；在组织上，“数字孪生” 技术借助生成式 AI 实现突破 —— 在药物研发中，GAN（生成对抗网络）可模拟药物与人体的相互作用，替代部分动物实验；在材料科学中，数字孪生能模拟材料在不同环境下的降解过程，帮助研究者优化配方。这种 “虚拟实验” 不仅降低了研发成本，还能避免传统实验中的伦理争议（如动物实验）。

更具突破性的是 “研究代理（Research Agents）” 的出现 —— 这类 AI 系统能自主生成研究问题、设计实验、分析结果，甚至撰写论文。Google 的 AI 协科学家、Sakana 的 The AI Scientist 就是典型案例，有研究称这类系统生成一篇可发表论文的成本仅 15 美元。

尽管目前研究代理仍有明显缺陷（如文献综述不深入、实验代码易出错、结果存在 “幻觉”），但它预示了一种可能：未来的科研或许是人类与 AI 协作的过程 —— 人类提出核心问题，AI 负责执行繁琐的实验与分析，这种分工将大幅提升研发效率。

从实证证据看，生成式 AI 对研发的渗透已有所体现。美国专利商标局的数据显示，2018 年后（Transformer 架构发布后），AI 相关专利数量较此前增长 50%，其中自然语言处理、计算机视觉等与生成式 AI 相关的专利增长更快；企业财报电话会议中，2023 年后提及 “AI 用于研发” 的公司数量激增，约翰・威利父子公司用 AI 扩展化合物数据库，加速科学发现，Cadence 设计系统则计划用 AI 推动数字生物学与生命科学的自动化。

Anthropic 的用户数据显示，科学家使用生成式 AI 的频率是普通职业的 7.1 倍，他们主要用 AI 构建数学模型、预测系统性能 —— 这些数据都表明，生成式 AI 正在从 “辅助工具” 变为科研过程的 “核心参与者”。

当我们讨论生成式 AI 时，很容易陷入 “它能提升多少生产力” 的单一视角，但历史告诉我们，真正改变世界的技术，其影响从不局限于效率本身。电力的价值不仅是替代蒸汽动力，更是催生了流水线生产、家用电器，重塑了城市布局与人类生活方式；互联网的价值不仅是加速信息传播，更是创造了电商、社交网络等新经济形态，改变了人际互动模式。

图自unsplash

生成式 AI 站在 “通用技术” 与 “发明方法的发明” 的交叉点上，它的潜力不仅是让程序员写代码更快、医生写病历更省时间，更是推动整个经济的生产方式从 “人力驱动” 向 “数据与 AI 驱动” 转型，让研发从 “试错式” 向 “精准式” 升级。但这种转型不会自动发生 —— 它需要企业重构组织形态、政府完善监管框架、社会建立技术伦理共识。

现在的生成式 AI，或许就像 19 世纪末的电力。当时的工厂只是用电机替代蒸汽机，并未改变生产流程，直到数十年后，流水线、连续生产等新方式出现，电力的生产力价值才完全释放。生成式 AI 会不会重蹈覆辙？它需要多久才能跨越 “技术发明” 到 “经济影响” 的鸿沟？当它同时改变生产与研发时，我们如何确保技术进步的收益被广泛分享，而非集中在少数企业或群体手中？

这些问题没有标准答案，但它们提醒我们，技术的未来不是由技术本身决定的，而是由人类如何选择、如何适应决定的。生成式 AI 站在十字路口，而我们每个人，都是那个决定方向的 “行人”。

【本文中包含的图片均来源于网络，仅用于信息传播和新闻报道目的。我们尊重并保护所有版权拥有者的权利。若有任何版权问题，或版权拥有者不希望图片被使用，请与我们联系，我们将在收到通知后立即处理并删除相关图片。】