美国会把GDP的9%花在AI上吗？整个行业正寄望于此

9%是美国企业和消费者最终每年必须在AI服务上花费的金额占GDP的比例，只有达到这个水平，眼下正投向这项技术的惊人资金规模才说得过去。

相信人工智能(AI)热潮的人需要仔细关注这个数字：GDP的9%。

这是美国企业和消费者最终每年必须在Anthropic和OpenAI等公司的服务上花费的金额占GDP的比例，只有达到这个水平，眼下正投向这项技术的惊人资金规模才说得过去。

美国人把收入中与食品开销相当的份额花在这一项技术上，这听起来合理吗？这个数字大约是美国在各类能源上支出的两倍，也大约是电脑和软件总支出的两倍；是消费者在电话、流媒体和互联网服务上合计支出的七倍。

你应该对此持怀疑态度。即便是最具变革性的发明，最终也会遇到收益递减规律：用户每多花1美元，所获得的生产率提升（或享受）都会低于前1美元。这会形成一个天然的上限。

当然，问题在于这个上限究竟在哪里。无论你是否认为GDP的9%这个数字合理，你都必须关注它，因为这不是某种狂热幻想。投资者和企业眼下投入的资金本身，就隐含着这个数字。

这个数字来自哥伦比亚大学(Columbia University)金融学教授斯泰恩·范纽韦尔堡(Stijn Van Nieuwerburgh)。他最初在布鲁金斯学会(Brookings Institution)提交的论文显示，AI建设热潮如今已超过美国历史上任何一次投资热潮。他提出的另一个统计数据更耐人寻味，也更令人警醒：AI必须获得多少收入，才能证明这轮热潮是合理的。

范纽韦尔堡从当下数据中心建设方的实际计划和单个数据中心的平均成本出发，再假设一些数据中心计划会被取消、每1美元收入可产生50美分现金流，以及建设方需要获得10%的无杠杆投入资本回报率。

由此他得出结论：到2032年，AI收入需要达到3.5万亿美元，相当于GDP的8.8%（这里他假设GDP每年增长4%，未按通胀调整。）

这一收入预测中的一个关键假设是，AI公司将能够继续按如今的价格对算力收费。但范纽韦尔堡表示，眼下是算力稀缺在支撑价格和利润率。这些公司”基本上是在说，到了2032年我们还会继续按稀缺性定价收费，而到那时，想必会有大量竞争，我们的算力也已经扩大到现在的四倍。”

价格大幅下跌曾让以往的投资热潮走向瓦解。1997年至2001年，随着更多光纤被铺设、新技术又扩大了每根光纤的容量，伦敦至纽约之间的光纤带宽价格暴跌了96%。那轮价格暴跌加速了许多长途光纤公司的破产。

乐观派的理由

在科技行业，价格下跌往往是效率提升的另一面。AI模型的能力大约每四到五个月就会翻一番。Epoch AI的数据显示，自2023年以来，在特定模型能力水平下，AI的有效价格每季度下降了47%，下降速度是算力价格下降速度的六倍。

AI乐观论的依据是，价格下降和能力提升会刺激需求，而新增需求足以抵消价格下跌的影响。这种关系被称为”杰文斯悖论”(Jevons Paradox)，得名于英国经济学家威廉·斯坦利·杰文斯(William Stanley Jevons)，他曾在19世纪英格兰的煤炭动力使用中注意到这一现象。

至少到目前为止，情况似乎确实如此。几个月前，芝加哥联邦储备银行的埃兹拉·卡格(Ezra Karger)牵头的一个团队调查了一个专家小组，该小组预测，到2030年，OpenAI和Anthropic的合计年收入将达到3,000亿美元。

现在看来，这个预测过于保守了：目前这两家公司合计年化收入已在1,800亿美元左右，而且每季度都保持两位数增长。

AI的坚定倡导者认为，AI实际上将成为继资本和劳动力之后的第三大生产要素。若是如此，GDP的9%似乎就不算多了。（劳动力报酬目前约占GDP的51%。）当然，在这种情境下，就业人数会大幅下降，政府将不得不对AI征税，以弥补所得税和薪酬税的流失。

更现实的风险是，一旦AI被广泛采用、最能提升生产率的应用落地，目前的增长率将难以维持。

电脑时代的先例

从20世纪60年代一直到21世纪初，微芯片密度大约每两年提高了一倍，这一现象被称为”摩尔定律”(Moore’s Law)；与此同时，电脑实际价格每年下降约15%。个人电脑以及电子表格等杀手级应用点燃了需求爆发，远远抵消了价格下降的影响：1974年至1984年，企业对电脑及外围设备的投资增加了两倍，达到GDP的0.8%。

此后，电脑性能持续提升、价格不断走低，却没有激发同等规模的新需求。现在，电脑已经无处不在。VisiCalc和Lotus 1-2-3的初代版本曾重塑商业运作；后来微软(Microsoft) Excel功能越来越强，却无法带来同样的革命性变化。因此，企业在电脑上的支出进入平台期，只有两轮后续热潮例外：一轮由20世纪90年代末的互联网推动，另一轮就是当下的AI。

AI的进步速度和普及速度都远快于电脑当年，它带来的生产率提升也相当可观。

哈佛大学(Harvard)经济学博士生Fiona Chen和詹姆斯·斯特拉顿(James Stratton)通过Jellyfish平台研究了软件项目，企业使用该平台分析自己的工程团队。他们发现，AI助手使代码行数增加了12%，使”拉取请求”增加了5%。所谓”拉取请求”，是指将新代码合并进现有代码库的请求。可以脱离人类自主运行的AI智能体，使代码行数增加了30%，使拉取请求增加了23%。

然而，这两位作者发现，AI对已完成项目的提升作用很小，而且”在统计上不显著”。原因在于，用户花费了大量时间来审查、评论和修改拉取请求。

关键在于，AI几乎肯定会提高生产率并推动经济增长，但这种提升不一定会直接转化为收入，也不一定会带来投资者所指望的丰厚回报。