美联储副主席菲利普·N·杰斐逊（Philip N. Jefferson）于2026年11月13日表示，生成式人工智能正在美国经济中迅速普及，但在可衡量的生产率方面尚未带来明显回报，同时警告由技术驱动的数据中心投资激增已经在加剧物价压力。"迄今为止的证据似乎表明，AI对总体生产率的贡献有限，但增长潜力相当可观，这与历史上技术突破时期的情形大体一致。"杰斐逊在加州圣迭戈加州大学圣迭戈分校经济圆桌会议上发表讲话时表示，"不过，未来生产率提升的幅度和时机仍高度不确定。"

这篇题为《新技术，老问题：生产率之谜与宏观经济》的演讲面向学生、教职员工和商界领袖发表。演讲全文可在美联储网站上查阅，讲话内容也提供PDF版本。杰斐逊指出，文中观点仅代表其个人立场，未必反映美联储理事会或联邦公开市场委员会（FOMC）其他成员的看法。

副主席是美联储理事会中级别第二高的职位，这使杰斐逊成为就AI对增长、物价和就业的影响作出详细公开评估的最资深美国经济政策制定者之一。

计算机时代的启示

杰斐逊以诺贝尔经济学奖得主罗伯特·索洛1987年的著名论断开场——"计算机时代无处不在，唯独在生产率统计数据中看不到"，并暗示索洛"可能对他所看到的计算机期望过高"。尽管1989年有32%的工人在工作中使用计算机，但那个年代的机器性能并不强大：如今手机的处理器每秒运算能力大约相当于1000万台1987年款的个人电脑。从总体上看，当时全国在计算机上的支出——如演讲图1所示——几乎难以察觉，即便个人电脑已成为时代精神的重要组成部分。

十年之后，计算机投资迅猛增长，一些观察人士——尤其是时任主席艾伦·格林斯潘——认为可以在生产率统计数据中看到其影响，不过两者之间的关联直到后来才得以确认。杰斐逊表示，对信息技术（IT）资本——计算机、软件和通信设备——的投资在1990年代末将劳动生产率年增速提高了约3/4个百分点。

这轮繁荣不仅是资本积累的结果。企业还围绕计算机重组了运营方式，进一步支撑了生产率增长。技术进步改变了创造、存储和传递信息的成本，为企业重新思考自身的范围、规模和生产函数提供了机会。电子商务、一波全球化浪潮以及云计算软件最终从这一进程中诞生。重组有益且意义重大的一个标志，是2000年代初IT行业以外单位投入产出量的快速上升——这种增长反映了经济学家所说的全要素生产率（TFP）的提升，而不仅仅是更多的资本投入。

杰斐逊指出，1990年代生产率繁荣的种子早在索洛1987年的观察之前就已播下。奠定现代计算基础的基础研究包括1947年晶体管的发明和1954年Fortran编译器的问世，随后是企业数十年的应用研究，这些研究产生了实用应用并不断改进信息技术。

这段历史暗示了一个简单的生产率增长模型。不以明确应用为目标的基础研究拓展了人类对世界的认知。应用研究则开发出实用的产业应用，提高生产率并降低生产成本。当成本下降时，物价往往也会随之下降，尤其在存在竞争的情况下。随着时间的推移，企业加大使用由更高生产率带来的价格更低的资本品——这一过程被称为"资本深化"——而使用这些资本的企业会重新思考其生产方式，进一步提升TFP，或许还会重启投资周期。杰斐逊表示，正如计算机的例子所示，这一过程需要时间才能充分显现和衡量，尤其是对于需要企业重组的技术。

将该模型应用于AI

杰斐逊认为，同样的模型相当适用于AI的发展。今天的生成式模型可以追溯到晶体管发明后不久开始的基础研究。实际应用在许多年后才出现——例如，美国邮政服务在1990年代开始使用AI识别手写信封。大约10年后，随着机器学习模型的出现，使用量开始激增，尤其是在信息和金融行业。最后，在经历巨大改进并在海量数据集上完成训练——据某些说法，涵盖了整个万维网上的全部文本——之后，大型语言模型如今已足以支持当今流行的聊天机器人、编程助手和智能设备，以及科学研究等众多不那么显眼的应用。

"当今世界与鲍勃·索洛观察到的情形如出一辙，"杰斐逊表示。生成式AI占据新闻头条、出现在手机上，并频繁现身于软件和客服电话中，它可能对劳动者、企业和政府机构——包括中央银行——产生深远影响。但老问题依然存在：企业和劳动者究竟在多大程度上使用它，这种使用是否正在影响生产率统计数据？

应用普及：上升但不均衡

近期调查显示，相当可观且不断上升比例的美国企业和劳动者正在使用生成式AI。针对劳动者的调查发现，40%至50%的在职成年人正在工作中使用这项技术，如演讲图2中的蓝线所示。然而，在确实在工作中使用AI的劳动者中，每天使用的人只占一小部分。

此外，各行业的采用率差异很大。尽管企业采用指标因方法论不同而差异明显，但美国人口普查局对具有全国代表性的美国企业样本进行的调查说明了跨行业的差异。如图3所示，该调查显示，截至2026年10月，今年年中约有25%的美国企业在至少一项业务职能中使用了这项技术。在专业服务和信息等知识密集型行业，这一比例接近40%；而在另一端，采矿以及休闲和酒店业的比例约为10%。

杰斐逊表示，与个人电脑等更成熟的技术相比，AI还谈不上真正无处不在——即尚未全面融入经济中大多数企业和劳动者的工作流程。相反，经济似乎处于一个较早的阶段，这是创新和应用漫长周期中的自然环节：新技术已展示了其能力，企业和劳动者正在积极使用并探索其可能性，其中一些行业、企业和职业在这一进程中远远走在前列。

生产率统计数据：为时尚早

迄今为止观察到的应用是否已体现在总体生产率统计数据中？近年来生产率增长确实有所上升，但杰斐逊表示，现在断言AI在其中发挥了什么作用还为时过早。由于生产率指标波动性很大，经济学家通常通过观察较长的滚动平均值来忽略季度甚至年度的波动。2020年至2025年间，劳动生产率年均增长2.2%——相比上一个商业周期1.5%的温和平均增速，这是一个可喜的提升。然而，这轮生产率加速始于2022年流行AI聊天机器人问世之前，很可能反映了包括新企业创立加速在内的多种因素。"厘清AI对近期生产率增长的贡献并非易事，"杰斐逊表示，"我们还需要更多数据。"他指出，研究是回溯性地将1990年代的生产率繁荣与IT联系起来，但在当时无法实时确定。

在微观经济层面，越来越多的证据表明，新技术正在直接且显著地提升某些特定任务的效率，尤其是在它最容易替代人类的领域。例如，一项具有影响力的学术研究发现，生成式AI工具显著提高了部分客服人员解决问题的能力。

与此同时，关于任务层面的效率提升如何影响更广泛生产率的证据似乎并不一致。一方面，一些近期研究发现了生产率增长与企业层面AI采用或暴露之间的正相关关系。另一方面，一些试图更直接衡量因果关系的调查迄今仅发现温和的效应。例如，一项近期调查访问了高管，估计AI在过去三年中仅将人均销售额提高了0.5个百分点。

杰斐逊提出了两种可能的解释来说明任务层面与企业层面收益之间明显的脱节。第一，即使在采用AI的企业中，应用范围仍然有限，因为它们仍在试验和学习：一项近期研究发现，在采用AI的企业中，大多数至多只在少数几项业务职能中使用AI，最常见的是销售和营销、战略与业务发展以及信息技术。第二，即便对于最自然的使用场景，一个领域的效率提升往往伴随着其他领域的抵消性成本、新需求或瓶颈——例如，一些企业报告称AI生成的代码包含更多错误，因此需要更多的调试工作。

尽管如此，杰斐逊表示，更广泛的改善很可能随着时间推移而实现。企业和劳动者可能会扩大并加深对AI的使用，并重组生产和 workflows；成功的企业可能获得竞争优势，使其得以扩张，并从竞争对手那里吸引劳动力和资本。

宏观经济影响

杰斐逊的基本判断是，新技术的采用最终将大幅但渐进地提升经济的生产能力。经济供给侧长期收益的预期已经在显著推高总需求。过去几年股价的大幅上涨，相当一部分可归因于对新技术的热情，这部分新增财富似乎正在推高家庭支出。企业正在大规模建设和装备新数据中心以支持模型训练和推理，推动企业总体投资快速增长。

这些支出正在给资源利用率和总体物价水平带来上行压力。此外，由于投资需求集中在供应难以跟上的部分行业——例如存储芯片和逻辑芯片——它还导致特定商品价格大幅上涨。杰斐逊表示，从中期来看，这些商品的供应应该会赶上需求，采用AI带来的更广泛生产率提振也应会显现；这两方面的发展都应能缓解当前物价面临的上行压力。

虽然新技术最终应在总体上带来更高的产出和收入，但杰斐逊承认，这一转型对部分劳动者和企业而言可能是痛苦的。采用滞后的企业可能处于竞争劣势，其长期生存能力可能面临风险。即使在成功采用该技术的企业中，专门从事AI能更高效完成的任务的劳动者——例如软件开发的某些方面——也可能面临岗位被取代的风险。

"我的基本展望面临的一个风险是，新技术取代劳动者的速度可能远快于他们适应和再培训的速度，这可能导致失业率上升，"杰斐逊表示。在这种情况下，货币政策的一个关键问题是，这种上升中有多少是结构性的——即反映劳动者技能与企业需求之间的持续错配——因而即使在经济接近充分运行时仍可能持续存在。货币政策可以影响周期性状况，例如就业和支出的暂时下滑，但无法解决决定长期就业水平的结构性因素。

杰斐逊还指出了新技术对长期中性利率（通常称为r*）的潜在影响。如果中性利率上升，那么在联邦基金利率水平不变的情况下，货币政策实际上会变得更为宽松；反之，如果中性利率下降，政策实际上会变得更为紧缩。如果新技术带来永久性更高的生产率增长，可能会增强企业的投资意愿，进而增加其融资需求，推高利率水平。如前所述，更高的生产率增长还可能通过提高预期未来收入来抑制家庭储蓄并促进消费。在这种情况下，为使投资增加与储蓄减少相匹配，中性利率可能会上升。然而，鉴于生产率增长与实际利率之间的历史关系噪音很大，预测中性利率的变化颇具挑战。他表示，政策制定者必须密切关注实时和潜在的未来动态，以确保货币政策立场保持适当校准。

按照杰斐逊自己的说法，需要关注的风向标包括：企业是否会将AI的使用范围扩大到目前集中的少数业务职能之外；存储芯片和逻辑芯片等受限环节的供应能否赶上数据中心需求；以及能否积累足够的数据来厘清AI对总体生产率的贡献。

经济展望与政策立场

转向更广泛的经济层面，杰斐逊表示，今年经济动能增强，扩张速度大致与潜在水平一致——考虑到除技术建设热潮外，经济还经受了包括能源冲击在内的一系列冲击以及贸易政策的重大变化，这一持续增长尤为显著。如演讲图4所示，第三季度GDP以3.4%的速度扩张。企业投资相当强劲，消费者支出保持韧性。杰斐逊表示，他预计明年的扩张将大致与潜在产出保持一致。

近期广泛的劳动力市场数据显示状况已趋于稳定。如图5所示，失业率今年以来基本横盘整理，10月份稳定在4.1%。裁员人数保持低位，职位空缺略有上升。虽然就业创造有所波动，但近几个月来就业增长已扩展到许多行业——杰斐逊对此感到鼓舞。他预计短期内失业率将维持在当前水平附近——他认为这一水平与充分就业相一致。他对产出和就业预测的风险大致平衡：与中东紧张局势相关的不确定性上升可能对活动和招聘构成压力，而投资支出的进一步激增则可能支撑更强劲的增长。

就美联储双重使命中稳定物价的一面而言，通胀仍显著高于FOMC的2%目标。如图6中的蓝线所示，9月份个人消费支出物价指数的12个月变化为3.6%。能源成本上升是通胀高企的驱动因素之一：油价波动剧烈，且地缘政治紧张局势加剧导致全球能源供应再度承压。杰斐逊表示，他仍然担心能源价格上涨导致更广泛的通胀持续上升的风险。

剔除波动较大的食品和能源价格的核心PCE通胀12个月变化在9月份为3.1%。间接来看，更高的能源成本正体现在机票和运输等领域，而新技术需求热潮也一直在推高依赖相同投入品（如存储芯片）的消费品和服务的成本出现异常强劲的上涨。迄今收到的10月份数据仍与远高于目标的通胀相一致。

杰斐逊也在密切关注通胀预期。基于调查的短期通胀预期指标有所上升，主要反映了能源价格上涨；不过，大多数长期通胀预期指标保持在符合2%通胀的水平，保持稳定。

在上个月的FOMC政策会议上，杰斐逊与大多数同事一起投票支持将联邦基金利率维持不变，如图7所示。会议之后收到的数据表明经济活动和劳动力市场状况总体保持稳健，而通胀读数则显示价格压力持续存在。因此，杰斐逊表示，他认为通胀走势是决定货币政策适当立场的更重要信号。展望未来，他认为进一步的政策调整应通过仔细研判数据趋势、不断演变的前景以及风险平衡来确定。

结语

最后，杰斐逊回到他的核心主题：新技术促使我们重新审视老问题，但这些问题非常重要。从创新到采用、从适应到持续的生产率提升，路径可能不均衡且难以预测——有人甚至说，令人费解。新技术早在影响可衡量的生产率之前就吸引了人们的注意，它们促使我们重新思考经济运行的方式，令货币政策制定过程既令人兴奋又充满挑战。"所幸，贯穿始终，美联储的使命是明确的，"他说：兑现国会赋予美联储的双重使命——充分就业和物价稳定。"这是我们每一项行动的目标。"

演讲注释与参考文献

1. 演讲中表达的观点仅代表杰斐逊个人，未必反映美联储理事会或联邦公开市场委员会其他成员的看法。
2. 演讲中讨论的近期技术进步有时被称为超级智能（super intelligence）或SI。
3. Robert Solow (1987), "We'd Better Watch Out," New York Times, July 12。
4. 英特尔386微处理器是当时PC的高端配置，每秒执行约20万次浮点运算（FLOPS）。参见Richard Grehan, Tom Thompson, Curtis Franklin Jr., and George A. Stewart (1988), "Introducing the New BYTE Benchmarks," BYTE, June。用于iPhone 17的Apple A19芯片性能为2.07万亿次FLOPS。参见Nanoreview.net (2026), "Apple iPhone 17: Specifications and Benchmarks,"
5. 当时，计算机在资本存量中的占比很小被视为对该悖论的一种解释。参见Stephen D. Oliner, Daniel E. Sichel, Jack E. Triplett, and Robert J. Gordon (1994), "Computers and Output Growth Revisited: How Big is the Puzzle?" Brookings Papers on Economic Activity, no. 2, pp. 273–334。
6. Alan Greenspan (1998), "The Implications of Technological Changes," speech delivered at the Charlotte Chamber of Commerce, Charlotte, N.C., July 10。关于生产率跃升与信息技术之间存在关联的证据，参见Stephen D. Oliner and Daniel E. Sichel (2000), "The Resurgence of Growth in the Late 1990s: Is Information Technology the Story?" Journal of Economic Perspectives, vol. 14 (4), pp. 3–22。
7. Daniel E. Sichel, Stephen Oliner, and Kevin J. Stiroh (2007), "Explaining a Productive Decade," Brookings Papers on Economic Activity, Spring, pp. 81–152。
8. Timothy F. Bresnahan, Erik Brynjolfsson, and Lorin M. Hitt (2002), "Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence," The Quarterly Journal of Economics, vol. 117 (1), pp. 339–76。
9. Sichel, Oliner, and Stiroh, "Explaining a Productive Decade" (see note 7)。
10. James Moor (2006), "The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years," AI Magazine, December 15, pp. 87–91。
11. Brian Tanton (2007), "Becoming More Clear," Mailing Systems Technology, January 29。
12. Alexander Bick, Adam Blandin, David J. Deming, and Tyler R. Schumacher (2026), "What Work Does Generative AI Do?" NBER Working Paper Series 35677 (Cambridge, Mass.: National Bureau of Economic Research, August)。
13. 由于大型企业在总就业中所占份额不成比例，按就业加权的采用率甚至高于本文讨论的人口普查局数据。参见Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom, Philip Bunn, Chanya Chawla, Steven J. Davis, Kevin M. Foster, Aaron Jalca, Brent H. Meyer, Paul Mizen, Michael A. Navarrete, Samil Oh, Katia Garcia Loredo, Monique Reid, Pawel Smietanka, Gregory Thwaites, and Ben Zhe Wang (2026), "Firm Data on AI," NBER Working Paper Series 34836 (Cambridge, Mass.: National Bureau of Economic Research, February; revised October 2026)。该论文发现，按就业加权计算，美国企业的采用率为95%。
14. Erik Brynjolfsson, Danielle Li, and Lindsey Raymond (2025), "Generative AI at Work," The Quarterly Journal of Economics, vol. 140 (2), pp. 889–942。
15. Tania Babina, Alex X. He, and Renhao Jiang (2026), "Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital," NBER Working Paper Series 35684 (Cambridge, Mass.: National Bureau of Economic Research, August)。
16. Yotzov et al. (2026), "Firm Data on AI" (see note 13)。该估计值是受访者按就业加权的平均值。
17. Kathryn Bonney, Cory Breaux, Emin Dinlersoz, Lucia Foster, John Haltiwanger, and Aditya Pande (2026), "The Microstructure of AI Diffusion: Evidence from Firms, Business Functions, and Worker Tasks," Center for Economic Studies Working Paper No. CES-26-25 (Washington: U.S. Census Bureau, April)。
18. 这部分投资需求中相当大的份额，尤其是IT设备，由进口满足，从而降低了对GDP的直接影响。尽管如此，无论资本是否进口，资本深化都会提高劳动生产率。
19. 特别是，存储芯片制造商已宣布大幅扩大产能，这将在未来几年缓解使用DRAM的产品所面临的价格压力。

来源：美联储理事会，副主席菲利普·N·杰斐逊演讲《新技术，老问题：生产率之谜与宏观经济》，2026年11月13日，https://www.federalreserve.gov/newsevents/speech/jefferson20261113a.htm