彭文生 ：對AI投資熱潮的幾點宏觀思考

彭文生系中金公司首席經濟學家、中國首席經濟學家論壇副理事長

分享在2026中國數字經濟發展和治理學術年會上的主旨演講稿

轉載自清華服務經濟與數字治理研究院的微信公眾號

編者按

7月3日，2026中國數字經濟發展和治理學術年會（以下簡稱“年會”）在清華大學舉行。本屆年會以“數智經濟發展中的全球機遇與治理挑戰”為主題，緊扣2026全球數字經濟大會核心議題。近40位頂尖專家學者、智庫和業界代表參會并進行研討交流。近20所高校的研究人員、數字經濟產業相關的科研機構及企業代表共400余人線下參加會議，超10萬人次觀看了大會直播。

中金研究院院長，中金公司首席經濟學家、研究部負責人彭文生發表題為《對AI投資熱潮的幾點宏觀思考》的主旨演講。本文根據彭文生先生現場發言內容整理。

中美的AI發展在全球處于領先地位，近期有一個現象值得關注，中國的AI相關資本開支大幅低于美國。為什么有這個差距，對中美AI未來的發展有什么影響，對公共政策有什么含義？我想從宏觀視角提供一些觀察和思考。

首先，中美在AI模型能力方面處在全球領先地位，我們用的是國際上的一個數據庫，根據它的指數指標，中美大模型的能力在第一梯隊，中國比美國落后一點（圖表1）。一個重要的問題是，這個差距未來是會擴大還是收斂？過去有人說互聯網是美國發明的，互聯網最大的紅利發生在中國，一個體現是中國的互聯網巨頭企業。大模型也是美國人發明的，未來AI大模型的最大紅利會不會發生在中國？這就涉及到我們怎么理解互聯網時代的數字平臺和AI大模型兩者之間的差別。

圖表1：AI大模型能力：中、美共處第一梯隊

注：圖中大模型選擇了截至2026年5月12日，各國大模型在Artificial Analysis Intelligence Index得分中的最大值

資料來源：Artificial Analysis，中金研究院

一、從數字經濟1.0輕資產模式到數字經濟2.0重資產模式

我們可以供給和需求兩個方面看數字經濟1.0（數字平臺）和2.0（AI 大模型）的經濟屬性的差別（圖表2）。

圖表2：人工智能大模型的經濟屬性

資料來源：中金研究院

從供給端來看，核心差別體現在生產能力與邊際成本的關系。過去的數字平臺得益于數據使用的非競爭性特征，數據可無限復制、快速傳輸，邊際成本幾乎為零。只要商業模式跑通，用戶規模的擴大并不會帶來邊際成本的增加。像抖音、微信這類產品，隨著用戶量增加，邊際成本依舊趨近于零。由此一般認為互聯網平臺企業屬于輕資產模式。但AI大模型是重資產模式，有兩個方面的體現。第一是大模型的規模定律（Scaling Law）帶來的規模報酬遞減。模型性能的提升需要投入算力（芯片）、數據、電力等，但達到一定水平后，同等的投入所帶來的模型性能改善的速度放慢，如果企業追求技術領先，甚至追求極致智能比如AGI、就須持續增加資源投入到模型研發（訓練）。

第二是模型運行（推理）存在可變成本。互聯網的使用幾乎沒有可變成本，但大模型每一次推理、每一次問答交互，都要實時消耗算力和能源，7天24小時運行，芯片的物理消耗很快，其技術迭代也導致經濟折舊快，大模型運行的可變成本一直存在。正是這兩大特征，使得AI大模型區別于傳統互聯網，具有重資產屬性。

從需求端看，過去數字平臺具有很強的網絡效應，使用的人越多，整個平臺價值越大，大模型的網絡效應相對小，行業集中度較低，目前似乎看不到收斂到少數1-2 個模型“一統天下”的局面。從第一性原理看大模型首先是個技術手段，至于之后會不會產生網絡效應，產生新的平臺企業或者讓現有平臺企業的壟斷屬性更強，還有很大的不確定性，還有待觀察。網絡效應帶來很強的內部規模經濟和范圍經濟，使得平臺企業收益更多內部化，盈利能力強。相對來講，大模型的弱網絡效應使得其價值創造更多體現在外部規模經濟，大模型作為技術手段在下游的應用中實現經濟價值，同時這也意味其在價值分配中的優勢沒有傳統的數字平臺企業大，或者說大模型的經濟收益更多地被社會化或者外部化。

綜上，大模型具有重資產特征，要維持行業領先地位，需要持續的資本開支投入，大模型作為新的通用目的技術，其價值創造主要承載在經濟活動的應用中，實現外部規模經濟的潛力巨大。雖然模型性能的領先可能在一段時間帶來創新的熊彼特利潤，但弱網絡效應使得大模型在商業模式上的護城河較低，在分配中的勢力沒有傳統的數字平臺企業強。冒著過度簡化的風險，我們可以說，數字平臺的價值攫取能力大于其價值創造能力，AI大模型的價值創造能力大于其價值攫取能力。

由此帶來所謂的正外部性，大模型重資產投入所創造的價值和分配更多發生在應用層面，這種外溢效應使得常規的投入-產出分析會導致個體投入加總起來低于社會理想水平。外部性特征對我們思考重資產投入的發生機制、投入的可持續性、以及社會價值有重要含義。在這樣的分析框架下，我們來看中美AI 資本開支的情況。

二、中美AI資本開支落差及原因

美國的AI資本開支大幅度加速，過去幾個季度非常明顯，從今年第一季度同比看，美國AI資本開支貢獻了美國GDP增長的44%，貢獻了美國總需求增長的66%，總需求的三分之二都是AI資本開支貢獻的（圖表3）。這兩個數據顯示，雖然AI在經濟供給側提升效率的力度還有待觀察，但在需求側已經成為當下美國經濟增長的主要驅動力量。從宏觀來看，美國當前的經濟狀況符合典型的凱恩斯投資驅動經濟周期論。

圖表3：美國AI資本開支加速，在需求端是經濟增長的主要推力

資料來源：Haver，中金公司研究部

那為什么本輪AI資本開支力度如此強勁？凱恩斯的投資理論有助于我們理解這個問題，投資取決于資本回報預期和資本成本之差。資本回報預期不確定，但資金成本（利率）是確定的，比如借一筆貸款用于未來5年的投資，這個利率當下就知道，或者用自有資金投資，所喪失的機會成本（存在銀行或者買國債帶來的收益）也是確定的。由此導致在現實經濟分析中，人們的注意力更多放在利率的變化上。從典型的IS-LM 模型來看，貨幣市場形成利率，利率進而平衡實體端的儲蓄與投資，由此利率成為驅動投資波動的重要力量。按照這個框架，美國實際利率仍在高位，資本開支理應收縮，現實情況是，非AI資本開支確實比較弱，但AI資本開支快速擴張，這只能用市場極度樂觀的預期來解釋。極度樂觀的預期在資本市場有體現：以標普500指數來衡量，持有股票的回報預期（盈利收益率，或者說P/E倒數）幾乎和美債收益相當，股市的風險溢價近似零，這在歷史少見，是極度樂觀情緒的直觀表現（圖表4）。

圖表4：兩級預期觀: 當前AI投資由極度樂觀預期驅動

注：實際利率=10年期國債利率-過去12個月CPI均值

資料來源：Wind，FactSet，中金公司研究部

怎么理解美國AI相關資本開支由極度樂觀預期驅動？和新古典經濟學的理性預期相反，凱恩斯“動物精神”的核心邏輯是非理性。后凱恩斯的一位代表性人物英國經濟學家沙克爾，從凱恩斯的動物精神延伸，認為市場預期只有兩種極端狀態：樂觀或悲觀。樂觀者加杠桿，悲觀者則會選擇去杠桿，利率決定杠桿的成本，但市場主體中有多大比例是樂觀者，則難以事先把握，波動性也很大。就當下美國的情況而言，基于高利率的事實，極度樂觀預期是AI資本開支的更合理的解釋。

由此帶來的問題是，這種由極度樂觀驅動的投資能不能持續，后凱恩斯經濟學的另一位代表性人物明斯基把凱恩斯的動物精神、非理性預期和金融結合起來，不穩定的一個重要方面是現金流能不能持續。美股七巨頭的市現率（股票價格相對于自由現金流的比例）已經接近科網泡沫時期的高點，彰顯了市場風險或者說脆弱性（圖表5）。關鍵問題在于，這種極度樂觀預期還能持續多久，在高利率的環境下，投資者包括一級市場的風險投資者有多大耐心等待預期的兌現。

圖表5：泡沫風險：科技巨頭現金流估值接近科網泡沫時期

注：美股七巨頭具體為英偉達、谷歌、蘋果、微軟、亞馬遜、特斯拉、Meta，數據截至2026/5/30

資料來源：Bloomberg，中金研究院

從中國的情況來看，AI資本開支大幅低于美國：截至2026年1季度，AI相關資本開支對我國GDP和總需求同比增長的貢獻只有0.10-0.15個百分點（圖表6）。

圖表6：中國：AI資本開支對經濟增長貢獻有限

資料來源：Wind，中金公司研究部

中美AI資本開支差距懸殊的一個體現是，外需對我國AI相關產品出口的拉動作用上升（圖表7）。

圖表7：但外需對AI相關出口拉動作用明顯

資料來源：Wind，中金公司研究部

怎么解釋中美之間的反差，有幾個可能的原因。第一是技術供給受限，受美國GPU出口限制影響，國內企業即便有投入意愿，也面臨設備采購難的問題，直接制約了資本投入落地。第二是資本市場熱度較低，相比美國市場，A股整體熱度和投資者樂觀情緒偏弱。與當前美國股市風險溢價近乎歸零不同，A股仍維持3%左右的風險溢價（圖表8）。

圖表8：中國資本市場熱度較小

注：實際利率=10年期國債利率-過去12個月CPI均值

資料來源：Wind，FactSet，中金公司研究部

第三是勞動力成本差異。有研究顯示，高薪職業的AI暴露度較高，而美國的人均收入比我們高很多，意味AI替代人的腦力的需求在美國更強（圖表9）。第四是總體宏觀經濟環境對AI盈利空間預期的影響。中國當下面臨總需求不足的問題，尤其體現在金融周期下半場，房地產疲弱與債務負擔交織在一起，帶來很強的順周期性，需要強有力的逆周期調節來應對（圖表10）。

圖表9：勞動力成本差異，高薪職業的AI暴露度更高

注：橫軸為統一的職業工資百分位，分別將 Autor & Dorn（2013）按1980年工資排序的職業和Hampole等（2025）按2014年工資排序的職業映射至同一0-100區間；Hampole等(2025)中關于AI暴露度（AI exposure probability）是指某個職業的所有任務，平均被企業實際部署的AI應用替代的比例

資料來源：David H. Autor and David Dorn. The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market. The American Economic Review, AUGUST 2013, Vol. 103, No. 5, pp. 1553-1597. Menaka Hampole, Dimitris Papanikolaou, Lawrence D.W. Schmidt & Bryan Seegmiller. Artificial Intelligence and the Labor Market. NBER working paper 33509. September 2025.

圖表10：宏觀基本面，中美金融周期分化

注：時間截至2026Q1

資料來源：BIS，Wind，中金研究院

以上幾個因素可能都有一定的解釋力，從糾正外部性的角度看，最重要的差別在于股權和股市投資的熱度或者說泡沫，投資者的非理性預期起到了對沖理性的投入-產出分析導致社會總體投入不足的問題。一旦泡沫破裂，一些個體投資主體將承受損失，但總量投入對AI發展的促進作用有可能對整個社會是有益的。

三、美國的壓力在后端、中國的壓力在前端

在上述邏輯下，怎么看待資本開支差異對中美AI未來發展的含義？兩國面臨的考驗和風險不同（圖表11）。美國的考驗在后端，其前端已經形成了較大規模的AI資本投入，其風險在于驅動投資的樂觀預期能否兌現，多快速度兌現。一旦預期無法兌現，或者高利率削弱等待的耐心，現金流斷裂，不僅一些個體投資者將承受損失，AI資本開支在一定程度上有點類似基礎設施投資，其大上大下有可能也影響整體投入-產出效率。

中國的考驗在前端，AI資本開支不足，如果這種狀態持續下去，可能拖慢前沿大模型的迭代進度，拉開我們和美國的技術差距。簡單來說，美國的風險在于投資過剩、泡沫破裂，我們的風險在于投資不足、技術掉隊。

圖表11：未來發展：美國考驗在后端，中國考驗在前端

資料來源：Counterpoint Research，Stanford HAI《2026 AI Index》，IFR World Robotics 2025，中金研究院

中國下一步應該做的事情，就是追趕美國的AI資本開支。美國的股市泡沫起到了糾正創新的外部性的作用，中國的股票投資和股權投資市場沒有美國那么發達，怎么辦？我們應該發揮產業政策的作用，通過產業政策的引導，糾正外部性所導致的私人機構投入不足的問題。AI大模型的技術路徑已經比較清晰，在動員資金投入方面，科技金融需要重視銀行信貸和產業政策的結合。銀行也面臨投入產出比的商業考量，政策性金融包括政府的直接投入和監管引導可以發揮作用。股市泡沫和產業政策引導都有可能導致過度投資和微觀層面一些項目的抵效率，但在新的地緣形勢下，由于投資不足導致AI技術落后帶來的風險更大。

結合近期政策表態與多家科技企業投資布局動向判斷，預計明年國內 AI 領域資本開支有望實現明顯增長。政策層面已釋放明確導向，持續支持以智算中心為代表的 AI 基礎設施建設。最終落地的效果有多大，仍有待觀察。從更廣的層面來看，貨幣政策支持財政擴張，促進內部需求，營造有利于創新的宏觀經濟環境也是關鍵觀察點。