宏观经济模型，如索洛模型和内生增长模型，试图预测长期经济增长，但它们依赖于许多脆弱的假设，尤其是在技术进步和参数稳定性方面。尽管经济增长在历史上呈现出稳定的对数线性趋势，但人工智能等颠覆性技术可能会打破这一规律。因此，这些传统模型难以准确预测未来，经济学家在进行长期预测时应保持谨慎，并向公众强调模型固有的局限性和未来的 高度不确定性。
传统增长模型的基础：索洛模型
早期的经济增长理论以 索洛模型 为核心。这个模型至今仍是宏观经济学入门的基础，其核心观点如下：
- 产出 (Y) 是由 资本 (K) 和 劳动 (L) 共同决定的。
- 模型假设劳动力是外生给定的，只有资本可以积累。
- 技术进步被简化为一个乘数因子 A，它只影响劳动力的效率。
- 模型的核心机制是 资本收敛：资本过少的经济体通过积累资本来提高产出，而资本过多的经济体则会减少储蓄，让资本折旧，最终都趋向一个理想的资本水平。
探索增长的内在动力：内生增长模型
索洛模型无法解释现实世界中的一些难题，这催生了 内生增长理论。该理论试图将决定技术进步的因素（即索洛模型中的 A）纳入模型内部进行解释。它主要试图解决两个谜题：
- 资本回报之谜： 按照索洛模型的预测，贫穷国家的资本回报率应该远高于富裕国家，资本应该从富国流向穷国。但现实并非如此。
- 思想的价值之谜： 索洛模型建立在完全竞争的框架上，要求所有生产要素都获得其边际产出作为报酬。但“思想”或“创意”的开发成本很高，传播成本却很低，这与完全竞争的假设相悖。
早期的内生增长模型（如 AK 模型）通过将研发投入与技术进步直接挂钩来解决这些问题。其核心预测是，如果研发的回报率低于资本回报率，就不会有新的思想产生，经济增长也会停滞。
模型预测的脆弱性
尽管这些模型为思考经济增长提供了清晰的框架，但它们的预测能力非常脆弱，因为它们建立在一系列为了分析方便而非贴近现实的假设之上。
这些模型对关于技术进步如何发生、生产函数的性质以及参数是否随时间稳定等一系列假设都极其敏感。
- 增长率的稳定性： 理论上，影响新思想发现速率的因素应该会影响经济增长率。但现实中，尽管研发人员数量大幅增加，美国的经济增长率却始终沿着一条对数线性趋势线稳定移动，并未加速。
- 研发回报递减： 内生增长模型假设增加研究人员数量会提高增长率。如果现实并非如此，则意味着新思想可能越来越难被发现，存在 “研发回报递减” 的现象。如果是这样，长期来看经济增长模式最终还是会回归到索洛模型。
- 不变的技术结构： 现有模型大多假设技术进步是中性的，即不改变资本和劳动的最优比例。但现实中，技术变革完全可能改变这一比例。
当稳定的“事实”不再稳定
几十年来，资本与劳动的比率一直非常稳定，以至于经济学家尼古拉斯·卡尔多将其列为经济增长的“典型化事实”之一。然而，这一比率现在已经不再稳定。劳动收入在国民总收入中的份额很可能已经下降，并且未来可能进一步下降。当这些模型赖以建立的基础事实发生变化时，模型的预测能力自然会受到质疑。
大多数关于增长的思考，最终都归结为试图解释为什么增长率长期保持不变，并为此构建一个数学上看似合理的框架，让这条直线可以无限延伸下去——尽管我们有无数理由相信它不应该如此。
人工智能带来的挑战与预测的谦卑
这正是为什么对人工智能未来的经济预测需要持 强烈的怀疑态度。我们无法再假设模型中的参数是稳定的。如果人工智能是一项重大变革，它将彻底改变我们对经济的认知。
- AI 的影响不能简单地归结为劳动力或资本的增加，它会从根本上改变 我们生产什么 以及 我们如何生产。
- 模型的精确性不应与准确性混淆。建立一个模型来清晰地表达观点是必要的，但我们绝不能因为模型在数学上是精确的，就认为它对未来的预测是准确的。
经济学在分析那些会反复出现的事情时表现最好。但我完全不相信我们能对 20 年后的经济状况做出任何有把握的判断。当我们不向公众传达我们有多么不确定时，我们作为经济学家是在帮倒忙。