衡量人工智能经济（英）

26-9 测量人工智能经济 2026年5月安东·科里尼克和帕特里克·麦凯莱维 安东·科里尼克自2026年2月起担任彼得森国际经济研究所（PIIE）的非居民高级研究员，自2026年5月5日起担任Anthropic Institute变革性人工智能经济研究负责人。他暂别弗吉尼亚大学（UVA），该校的经济学教授，也是变革性人工智能经济学（EconTAI）倡议的负责人。这项工作是在他作为PIIE非居民高级研究员和UVA教授的身份下进行的。帕特里克·麦凯莱维是加拿大银行的资深数据科学家。 摘要 我们构建了美国人工智能总产出的宏观经济估算，将推理和研发/训练活动相结合，并根据固定性能水平下的API价格演变以及算法进步的速度进行质量调整。我们估计，2024年和2025年名义人工智能计算支出每年增长超过140%，原始计算能力每年增长超过200%，质量调整后的人工智能产出每年增长超过2000%。这些增长率反映了三种复合力量：数据中心容量的扩张、芯片效率的持续改进以及快速的算法进步。然后，我们利用这些估算结果开发了一个“人工智能GDP”的初步框架，该框架将人工智能经济作为一个整体进行跟踪，而不是分散在标准的行业分类中。质量调整后的人工智能GDP在2024年和2025年每年增长超过2500%。我们的衡量指标通过提供对难以在现有统计数据中分离的快速变化领域的可见性，补充了传统的国民账户，并且它们可能成为跟踪人工智能在经济中日益增长作用的卫星账户的基石。 作者感谢Martin Chorzempa、Cullen Hendrix、Patrick Honohan、Adam Posen和David Wilcox提出的精彩评论；感谢Kody Karmody和Dylan Ryfe提供的可靠研究协助；感谢Leopold Brown和Yuval Rhymon在早期研究及数据收集方面做出的贡献；感谢Future ImpactGroup提供支持；以及感谢Andrey Fradkin慷慨分享关于推理价格的数据。 JEL Codes:E01, O33, O47, E22 关键词：人工智能；国民账户；GDP测量误差；人工智能卫星账户；质量调整价格；算法进步；人工智能GDP 此处所表达的研究结果、解释、观点和结论均仅为作者本人观点，并不 necessarily代表加拿大银行、Anthropic Institute 或彼得森国际经济研究所的立场。作者在研究和写作的各个阶段都广泛使用了人工智能，并且对所有人工智能生成的输出都进行了仔细的人工审查。 内容 3 方法论 7 3.1 衡量人工智能生产 .......................... 7 4 结果 6 讨论 7 结论 18 1 简介 在人工智能（AI）研究人员和领先科技公司中，普遍认为AI能力正以惊人的速度发展——一些人认为，通用人工智能（AGI）可能很快就能实现。然而，当我们审视传统经济统计数据时，我们看到的是数据中心的上游投资，而这场革命的下游影响几乎难以察觉。美国和其他发达经济体的GDP增长一直保持温和，生产率统计数据几乎没有上升。"我们何时能在GDP统计数据中看到AI？"这个问题已成为经济评论中反复出现的主题。一个自然的回应是耐心：AI的采用需要时间，而具有变革性的经济影响可能只是尚未到来。这几乎肯定是这个故事的一部分。 但我们认为，还有一个相辅相成的、值得严肃对待的问题。国民账户是为这样一种经济体设计的，即所有生产最终都是围绕人作为价值创造的核心点来组织的。这对于经济史上的大部分时间来说，是一种完全恰当的设计，并且它至今仍在很好地履行其核心目的。然而，人工智能部门的快速增长带来了测量挑战，而现有的统计类别并非为应对这些挑战而构建。困难在于，人工智能活动很难通过传统国民账户的视角以及我们通常衡量GDP的方式来看清。 该挑战通过多个渠道产生影响。首先，人工智能活动较为分散：在人工智能计算、模型开发以及人工智能驱动服务方面的支出分散在数十个行业类别中——数据处理、云计算、软件出版、专业服务——这使得难以将人工智能经济作为一个整体进行追踪。其次，人工智能质量的改进速度异常快：人工智能能力的提升速度远快于统计机构已为大多数开发质量调整方法的经济领域，这引发了关于标准享乐技术是否能够捕捉到实际情况的疑问。第三，人工智能在经济中的作用正在演变：随着人工智能系统变得越来越强大，它们可能从众多中间投入之一转变为在生产中扮演更核心的角色，这可能会给那些为机器作为被动资本而非经济产出积极贡献者的世界而设计的类别带来压力。 人工智能是继半导体和互联网等一系列快速增长的新技术中最新的一个，它带来了新的测量挑战。但与以往的情况不同，人工智能的发展不一定受限于辅助性人类劳动的供给，这可能导致更大范围的测量错误。 这些测量挑战在今天很重要，在不久的将来将更加重要。如果人工智能能力继续快速进步，政策制定者和研究人员将需要能够结合传统统计数据来追踪人工智能经济增长的工具。 现在就构建此类工具的理由——尽管人工智能领域目前还相对较小——基于一个简单的观察：统计基础设施需要时间来发展，而等到测量差距变得严重时再行动，就为时已晚。 本文提出了两项相关但可分离的贡献。首先，我们构建了美国人工智能产出的生产端估计，该估计结合了推理和训练活动，并使用在固定性能水平下的API价格和质量调整算法进步估计。这些估计显示，实际人工智能产出增长率远远超过了名义支出——这一发现可以作为一种希多修正纳入传统GDP统计中，而无需对现有的国民账户进行任何重组。其次，我们提出了一个“人工智能GDP”的框架，将人工智能部门视为一个与人类经济进行交易的整体经济实体，并使用该框架来描绘人工智能经济规模和增长的综合图景。 2 方法与贡献 本文构建了美国人工智能总产出的宏观经济估算，并构建了相应的质量调整人工智能生产指数。我们的衡量指标通过多个层级进行汇总。首先，我们从原始计算能力的估算开始，该估算以电力使用预测（Patel等人，2024年）和数据中心特征（Epoch AI，2026b）为基础，并与芯片销售数据（Epoch AI，2026a）进行交叉验证。其次，我们使用收集到的GPU小时租赁价格数据集，将原始计算能力映射到名义支出上。第三，我们构建质量调整：对于推理，使用固定基准性能（Demirer等人，2025年）的演进；对于训练，使用API价格来衡量算法进步的速度（Ho等人，2024年），该速度通过达到特定模型性能所需的计算量来衡量。 我们利用这些估算来构建一个初步的更广泛的框架，用于计算AI GDP——即与AI计算而非人类计算更紧密相关的经济价值创造部分。该框架为以AI自身的标准追踪其对经济的贡献提供了潜在的概念基础，而非将其视为人类中心化会计类别中的偶然副产品，从而为塑造我们经济的力量提供了一个新颖且互补的视角。 与传统国家会计的关系 明确具体地说明我们的方法如何与标准的国家会计实践相关联，以及它在哪些方面提供了额外信息，这是有益的。我们对人工智能的测量 生产代表遵循传统国家会计规则的精神，但对其进行调整，以更清晰地展现人工智能。 追踪人工智能行业作为一个整体。国民账户按机构单位和行业组织经济活动。因此，与人工智能相关的活动分布在多个类别中，包括云计算、软件和专业服务。我们的方法则将人工智能经济作为一个整体进行追踪——所有计算生产、模型开发和推理输出——无论其属于哪个行业分类。这类似于贸易经济学家有时为“可贸易部门”构建账户，或能源经济学家如何跨越标准行业边界追踪能源部门。我们构建的某些指标，特别是我们对名义人工智能计算支出和原始计算能力的估计，可以作为现有国民账户框架内人工智能卫星账户的基石，提供人工智能活动的结构化视图，而无需更改主要GDP方法。这很重要，因为人工智能可能很快成为价值创造的主要驱动力之一，因此有必要对其影响有一个整体的了解。 更细粒度的质量调整。标准统计机构在应用享乐价格调整时较为保守。在半导体等快速发展的技术领域，每年20%至30%的质量调整后价格下降被视为异常。我们的推算质量调整因子每年下降约94%——这意味着在同等花费下，质量调整后的产出增加了约16倍。这反映了两种力量的叠加效应：持续的芯片效率提升和快速的算法进步。这一挑战并非没有先例：豪斯曼（1999）表明，由于未能考虑移动电话服务的引入这一新商品，美国劳工统计局（BLS）的电信类消费者价格指数（CPI）每年系统性高估了约2.3个百分点，而官方统计机构在纳入这一新商品方面反应迟缓。这种激进调整是否恰当，取决于基准性能提升转化为经济价值的程度——我们承认这是一个重要的注意事项。但我们认为这项研究具有启发性，因为它凸显了在理解人工智能（AI）经济轨迹方面，选择平减方法学的重要性。如果人工智能（AI）跨越了通用人工智能（AGI）等门槛，并在经济中变得广泛适用，我们的估计可能会对由此产生的宏观经济影响提供重要洞见。在这种情况下，人工智能（AI）GDP的平减因子可能不再以当前速度下降，人工智能生产的快速增长也可能更直接地转化为传统GDP增长。 将模型开发视为资本形成。我们的框架将AI训练视为对“模型资本”——即提升未来推理输出质量的无形资产——的投资，这扩展了已在国民账户中嵌入的逻辑。 自2008年SNA修订将研发资本化以来，随着AI模型开发规模的扩大，统计机构可能发现将其作为现有知识产权框架内的一个独立资产类别来识别是有用的。 我们关于开发“AI GDP”新兴框架的建议，代表了国家会计统计的根本性重新定向，但随着人工智能在我们世界中的作用日益增长，它可能会变得越来越有用： 人工智能GDP的初始框架。在标准的国民核算中，大部分人工智能生产被视为中间产品，在最终GDP的计算中会被抵消。这掩盖了人工智能领域的快速变化。我们提出一个新的框架，将人类GDP和人工智能GDP区分开来，后者包括所有由基于人工智能的计算驱动的经济活动。人工智能系统运行所需的投入，如电力、计算和维护，被归类为对人工智能经济的进口，而销售给人类经济的推理输出则被计为支出，因此也是进口。模型训练被视为对模型资本的投入。这一区别比其他区别更具影响：它反映了一种观点——在我们人工智能GDP框架的第五部分将进一步阐述——随着人工智能系统变得越来越强大，“被消耗的资本”与“产出生产者”之间的界限可能会变得越来越模糊。我们将其呈现为一种替代当前GDP编制实践的视角，随着人工智能能力的增长，这种视角将变得越来越有用。 我们设计的AI GDP框架旨在涵盖AI未来经济角色的多种场景，保持其信息价值。标准核算方法在当前目的上对AI的处理是充分的，因为AI是一个相对较小的中间投入。但如果AI的作用显著扩大——无论是逐渐扩大还是通过更快的转型——那么以AI自身的规则追踪AI经济，就能提供早期信号，补充传统统计数据所能提供的信息。 我们强调，我们的方法旨在补充，而非取代传统的GDP衡量方法。标准账户将继续在很大程度上服务于其核心目的——从人类视角追踪经济福祉，尽管它们可能需要在边缘进行调整。我们的衡量方法为这一快速变化的领域提供了额外的可见性。 数据局限性与不确定性。我们的估计是对人工智能经济进行宏观视角审视的初步尝试，而数据局限性意味着需要做出较强的假设。训练与推理之间的算力分配很大程度上未被观察到，迫使我们依赖那些表明大致均分的轶事证据。我们对人工智能公司毛利率的洞察有限。并且，基准性能（这是我们质量调整的基准）与实际经济价值之间的关系仍然不确定。这些差距指向了有价值的合作机会。 在统计机构、人工智能公司和研究人员之间。随着人工智能经济的增长，建立系统性测量基础设施的必要性也日益凸显。 3 方法论 我们测量工作的核心重点是人工智能生产，这包括为整个经济体生成推理输出（即token生成）以及模型资本的构建。我们在此处概述了我们的测量方法和数据来源。深入的方法论在技术附录中进行描述。在下方，我们也将利用人工智能生产来发展一个用于衡量人工智能GDP的初步概念框架。 3.1 人工