2026年初，经济学家Johannes Stroebel发起了一个名为Automated Political Economy Project（APE）的研究项目，尝试探索AI在经济学研究过程中的应用潜力。一个月的时间内，产出了230篇AI论文，从劳动经济学到发展经济学，从金融计量到行为实验，覆盖面之广令人咋舌。该项目的出现反映了一个关键问题：当AI不再只是辅助研究工具，而开始直接参与知识创造过程时，科研活动本身是否会发生根本性变化？

过去几十年中，经济学关于AI的讨论主要围绕劳动市场展开，例如AI是否会替代劳动、哪些职业更容易受到冲击，就业结构会有什么变化。然而，当AI开始进入科学研究、技术开发和创新活动本身，一个更加根本的问题逐渐浮现：AI究竟会如何改变创新过程？换言之，未来经济增长的关键或许不再只是AI能够替代多少劳动，而是AI是否能够提高人类创造新知识、新技术和新思想的速度。

来自美国西北大学和NBER的经济学家Benjamin F. Jones提出了一个新的理论框架。他试图将人工智能纳入创新经济学中的“思想生产函数”（ideas production function），回答一个核心问题：如果人工智能能够参与研发活动，它究竟会在多大程度上加速技术进步？

Jones对传统创新生产函数进行了扩展，AI并不是简单增加研发投入，而是可能改变研发活动本身的组织方式。因此，Jones将研发过程进一步拆解为一系列具体任务（tasks），并考察人工智能如何进入这些任务之中。在模型中，研发活动被视为由大量相互关联的任务组成，包括信息搜索、理论推导、数据分析、实验设计以及代码编写等。每一项任务既可以由人类研究者完成，也可以由人工智能完成，Jones关注AI对于不同研发任务的替代和增强能力，即人工智能能够覆盖多少任务，以及在这些任务上能够达到怎样的生产率水平。

技术进步速度表示为不同研发任务产出的综合结果：

每项研发任务可以通过两种方式完成：由人类研究者完成，或者由人工智能系统完成。对于人类完成的任务，产出取决于研究者投入的劳动和人力资本水平；对于AI完成的任务，产出则取决于人工智能系统的计算能力和任务执行效率。因此，AI并非作为一个外生技术冲击直接影响创新，而是通过改变研发任务的生产方式进入创新生产函数。

模型中，AI影响技术进步主要由三个核心参数决定。第一个是AI任务覆盖比例，即人工智能能够执行的研发任务范围。如果AI只能完成少部分任务，即使这些任务效率大幅提高，其对于整体创新速度的影响仍然有限。第二个是AI在具体任务上的生产率，即AI完成某项研发任务的能力。第三个是研发过程中的瓶颈程度，即不同任务之间的互补关系。如果创新过程存在关键瓶颈，那么单纯提升AI能力可能无法带来同等幅度的技术进步。在给定研发预算约束下，研究机构需要在人力投入和AI投入之间进行选择，以最大化知识生产速度。

模型的核心结果表明，人工智能对创新的影响并不取决于AI是否足够“聪明”，而取决于AI能否进入关键研发环节，并突破限制知识生产效率的瓶颈。

Jones进一步提出三个重要命题：

第一，AI能力提升能够提高技术进步速度，但这一效果受到研发任务覆盖范围和任务互补性的限制；

第二，扩大AI能够承担的研发任务范围，往往比单纯提高AI在单一任务上的能力更加重要；

第三，只有当AI能力提升、任务自动化扩展以及研发瓶颈突破同时发生时，人工智能才可能带来具有变革性的创新加速。

接下来，Jones讨论了一个更具争议的问题：如果未来出现具有高度自主研发能力的人工智能系统，其是否会推动技术进步进入指数增长阶段？

Jones将这一类人工智能定义为Transformative Artificial Intelligence（TAI），即能够使技术进步速度提升一个数量级的人工智能系统。按照作者的定义，TAI并不是简单意义上的“更强AI”，而是能够显著改变研发生产过程，使整体技术进步速度提高10倍甚至更高水平的人工智能。

为了分析TAI可能产生的影响，Jones利用模型模拟了不同AI能力水平和研发任务自动化程度下的技术进步速度变化。结果显示，实现变革性人工智能需要满足较高条件。首先，AI必须能够覆盖较大范围的研发任务；其次，AI需要在这些任务上达到较高的执行效率。如果AI只能提升少数任务的效率，即使其在某些领域表现超过人类，也难以推动整体技术进步速度出现数量级提升。

Jones进一步指出，TAI的影响受到研发过程瓶颈的限制。创新活动并不是由单一任务决定，而是由多个相互关联的研发任务共同完成。当某些关键任务无法被AI替代或显著改善时，这些环节会限制整体创新速度。因此，超级人工智能是否能够带来“创新爆炸”，不仅取决于AI自身能力，更取决于研发体系中的约束是否能够被突破。

换言之，AI能力提升并不必然意味着技术进步速度同步提升。只有当人工智能能够深入进入研发流程，覆盖更多关键任务，并降低知识生产过程中的瓶颈约束时，才可能真正实现变革性影响。

在理论模型中，Jones提出，人工智能对技术进步的影响取决于AI能够执行多少研发任务，以及AI在这些任务上的生产率。然而，一个关键问题仍然存在：现实中如何判断一个AI系统能够承担哪些研发任务？如何衡量AI对于具体科研活动的影响？

为回答这一问题，Jones进一步提出，将AI能力评价从传统的通用性能测试转向基于具体研究任务的测度框架。也就是说，未来衡量AI是否能够推动创新，不能只关注模型参数规模或者单一能力指标，而需要分析AI是否能够完成科研过程中的具体任务。

因此，研发活动首先需要被拆解为不同任务单元。例如，一个完整的科研过程可能包含问题识别、文献检索、理论推导、计算分析、实验设计、结果验证等多个环节。不同任务对于AI能力的要求不同，因此AI对于创新过程的影响也会存在显著差异。

Jones进一步指出，AI benchmark的设计，应当与具体研发任务相匹配。只有当benchmark能够衡量AI在真实科研任务中的表现，才能判断AI是否真正提高了知识生产效率。

因此，未来关于AI与创新关系的经验研究，需要从两个方向推进：一方面，需要构建能够衡量AI任务能力的指标体系；另一方面，需要识别不同领域研发流程中的关键任务和潜在瓶颈。

AI正在从传统的生产自动化工具，逐渐转变为参与知识创造过程的新型技术要素。Jones的这篇论文并没有简单回答“AI是否会带来创新爆炸”，而是从创新经济学的核心问题出发，重新思考人工智能如何进入技术进步过程。

模型结果表明，提高AI自身能力虽然能够推动技术进步，但其效果受到研发体系内部结构的限制。只有当AI能够承担越来越多的研发任务，并突破限制创新速度的关键环节时，人工智能才可能带来具有变革性的影响。这也意味着，未来AI与创新之间的关系，不应仅仅被理解为“机器替代人”，而应被视为人工智能重新参与知识生产过程的结果。

Jones对于TAI的讨论也提供了一个重要启示：即使未来出现能力远超当前水平的AI系统，技术进步速度仍然取决于整个研发体系是否能够被重新组织。如果研发过程中的关键瓶颈无法被突破，单纯提升AI能力也难以带来无限增长的创新速度。

因此，理解人工智能时代的创新，需要从传统的投入产出框架进一步转向：研发任务到AI能力，再到知识生产效率的分析框架。未来人工智能究竟会带来怎样的创新变革，不仅取决于算法能力的提升，更取决于AI如何与人类研究者、科研组织以及现有知识生产体系形成新的协作关系。

推文作者：李一杰，上海财经大学博士研究生。