📈 economics

Forecasting AI-Era Productivity: The Intellectually Converged Human Framework and a Missing Cognitive Mediator in Production Function Theory

本文通过提出“智力融合人类”（Intellectually Converged Human, ICH）框架来解决人工智能生产力悖论，该框架认为人工智能的经济影响取决于一个缺失的认知中介变量——“融合能力”（C），并断言有效的生产力提升需要先进行人类认知整合的发展，而非仅仅是人工智能的部署。

原作者： Kwan Soo Shin, In Seok Kang

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Kwan Soo Shin, In Seok Kang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大谜团：为什么 AI 还没让我们变得更富有？

想象一下，世界刚刚购入了一支庞大的全新、超高速赛车车队。各国政府和企业已经投入了数万亿美元。逻辑告诉我们，如果你给每个人一辆赛车，他们应该都能更快地到达目的地，对吧？

但谜题在于：事实并非如此。

尽管在人工智能（AI）领域进行了大规模投资，但全球经济的整体增速（生产力）并没有像预测的那样大幅跃升。事实上，在像韩国这样的地方，尽管拥有最高学历的劳动力和最先进的 AI 工具，经济增长反而正在放缓。

本文作者认为，经济学家们一直看错了方程式中的部分。他们把 AI 当作一个可以独立运作的引擎，而本文声称，AI 实际上更像是燃料。如果没有一个懂得如何转向、何时刹车以及如何应对风暴的驾驶员，燃料是毫无用处的。

缺失的要素：“收敛能力”

论文引入了一个新概念，称为收敛能力 (Convergence Capacity, C)。你可以把它理解为 AI 时代的“驾照”。它不仅仅是关于掌握知识（这是传统教育衡量标准的内容），而是关于你的大脑如何与机器进行交互。

作者指出，AI 需要四种特定的技能才能真正发挥作用：

具身理解（“直觉检查”）： AI 可以写一份医疗报告，但它无法“感受”病人的痛苦，也看不见病人的肤色。一个拥有高“收敛能力”的人知道什么时候该信任 AI，什么时候该说：“这感觉不对劲。”
元认知校准（“测谎仪”）： 这是关于“思考你的思考”的能力。即询问：“这个 AI 的输出是幻觉吗？它有偏见吗？”如果没有这种能力，人类只会盲目地复制计算机输出的内容。
时间整合（“时空旅行者”）： AI 生活在“当下”。它不记得公司十年前的历史，也不理解今天的决策会在五年后如何破坏企业文化。人类需要将 AI 的数据与过去和未来联系起来。
综合性思维（“连接者”）： AI 擅长解决其既定框架内的特定问题。而人类的作用是将生物学的解决方案应用到工程学中，或者将音乐理论与编程结合起来。AI 无法独自完成这种创造性的“跨界融合”。

三种情景：当 AI 与人类相遇时会发生什么？

论文根据 AI (A) 和人类技能 (C) 的不同组合，描述了三种不同的“机制”或结果：

机制 1：“中介自动化”（高 AI，低技能）
- 类比： 你给一个蹒跚学步的幼儿一辆法拉利。他们坐在驾驶座上，踩下油门，然后撞车了。
- 结果： 这正是韩国等地的现状。他们拥有高水平的 AI 应用和聪明的员工，但员工缺乏引导 AI 所需的特定“收敛能力”。AI 在工作，但人类只是一个中间人，只是机械地传递 AI 的输出而不增加任何价值。结果是：生产力提升为零。
机制 2：“黄金平衡点”（高 AI，高技能）
- 类比： 一位配备完美赛车的 F1 赛车手。
- 结果： 这在新加坡和丹麦等国可以看到。人类利用 AI 处理枯燥的任务，然后利用其“收敛能力”去检查、修正并创造性地改进 AI 的工作。这带来了生产力的巨大飞跃。
机制 3：“图灵陷阱”（过多的 AI，低技能）
- 类比： 一个过度依赖自动驾驶，以至于忘记了如何驾驶的人。
- 结果： 如果你过度依赖 AI 而不锻炼自己的大脑，你的技能就会萎缩。你会变成一个仅仅负责签字盖章的“橡皮图章”，机械地认可 AI 的错误。你使用 AI 越多，你的思考能力就越差，系统的生产力也就越低。

韩国案例研究

论文将韩国作为机制 1的典型案例。

数据统计： 韩国人受过极高的教育（高人力资本）。他们比几乎任何人都更快地采用了 AI（高 AI 使用率）。
问题所在： 他们的教育体系侧重于记忆答案和通过考试（程序化熟练度），而非批判性思维、创造力和质疑权威的能力（收敛能力）。
结果： 由于“收敛能力”较低，AI 投资并未转化为经济增长。因为“驾驶员”太忙于盯着 GPS 看，以至于无法真正掌控方向盘。

解决方案：改变操作顺序

论文认为，目前的政策方向搞反了。各国政府和企业正急于购买 AI 工具（AI 优先），并寄希望于生产力随之而来。

论文的处方是“C 优先”：
在购买更多 AI 之前，你必须先训练你的“驾驶员”。

教育： 不要只教知识。要教学生如何质疑，如何连接不同的想法，以及如何识别 AI 何时出错。
商业： 不要只是安装软件。要创造一种文化，在这种文化中，员工因检查 AI 的工作并加入自己的创意巧思而获得奖励，而不仅仅是因为使用了该工具。

核心结论

AI 不是能解决一切问题的魔杖。它是一个强大的工具，只有当握住它的那个人具备正确的思维技能时，它才能发挥作用。

论文总结道，关于“为什么 AI 还没让我们变得更富有”的谜团已经解开：我们拥有了燃料（AI），但我们还没有训练出足够的驾驶员（收敛能力）。 如果我们改善培训，经济将会腾飞；如果我们不这样做，我们最终只会拥有一堆昂贵且快速、却只能在交通堵塞中原地踏步的赛车。

技术摘要：通过智力融合人类框架预测 AI 时代的生产力

1. 问题所在：AI 生产力悖论

本文探讨了当代经济学中的一个核心悖论：全球对人工智能（AI）的大规模投资未能产生相应的全要素生产率（TFP）增益。尽管 AI 在 OECD 经济体中的采用率正在迅速加速，但经验数据表明，AI 强度与生产力增长之间的相关性较弱。例如，对 20 个 OECD 经济体的普通最小二乘法（OLS）分析显示，仅靠 AI 采用本身只能解释 TFP 增长 31% 的方差（ $R^2 = 0.31$ ）。

作者认为，这并非经验上的异常，而是现行生产函数框架的理论失效。现有的模型（包括主流的任务型框架 Acemoglu & Restrepo）将 AI 视为一种可分离的生产要素或一种任务自动化机制。这些框架未能对生成生产价值所需的**认知中介（cognitive mediation）**进行建模。因此，投资被导向了部署（AI 强度， $A$ ），而忽视了必须先行发展的、用于锚定、校准及创造性延伸 AI 输出的人类认知能力。

2. 研究方法

本文采用了基于经验观察的概念-理论研究方法，这是一种公认的构建框架类贡献的方法。研究设计包括：

理论构建： 综合了生产函数理论的演进（从工业经济到知识经济阶段）以及认知科学（符号接地、具身认知、元认知、时间整合），旨在提出一个新的生产框架。
比较案例分析： 对 20 个 OECD 经济体进行了小样本（small-n）跨国分析（2018–2023 年数据）。这遵循了通过模式一致的说明而非统计确认来开发理论命题的传统。
偏差案例分析： 对韩国进行了重点考察。韩国表现出高人力资本（ $H$ ）和高 AI 采用率（ $A$ ），但 TFP 增长停滞，这为所提理论提供了一个关键测试案例。
统计建模： 展示了六个 OLS 模型以演示描述性模式。主要模型（模型 6）引入了 AI 采用与“收敛能力”（ $C$ ）代理变量之间的交互项。
稳健性检验： 研究采用了留一交叉验证、自助抽样法（10,000 次迭代）以及刀切法（jackknife）程序，以解决小样本精确度问题，确认交互效应并非由单一离群值驱动。

3. 核心贡献

A. 智力融合人类（ICH）框架

本文提出了一个第五阶段的生产函数框架，将有效人力资本（ $\hat{H}$ ）重新定义为基础人力资本（ $H$ ）、AI 利用强度（ $A$ ）和**收敛能力（ $C$ ）**的函数：

$\hat{H} = H \cdot [1 + \phi(A, C)]$
$Y = F(K, \hat{H})$

在此公式中，索洛（Solow）的 TFP 残差（ $A_{Solow}$ ）被内生化为增强函数： $A_{Solow} = [1 + \phi(A, C)]^{1-\alpha}$ 。

B. 定义收敛能力（ $C$ ）

作者将 $C$ 定义为一个四维认知构念，它中介了 AI 输出向生产价值的转化。它与人力资本（ $H$ ）或吸收能力（Absorptive Capacity）截然不同，且不能被其还原。其四个维度为：

具身理解（ $C_1$ ）： 将符号化的 AI 输出与感觉运动、文化及上下文现实相连接的能力。
元认知校准（ $C_2$ ）： 监控自身知识状态并校准对 AI 输出信任度的能力（例如，识别幻觉或次优算法的能力）。
时间整合（ $C_3$ ）： 将 AI 输出置于制度记忆（过去）与未来预测（未来）之中进行情境化的能力。
综合思维（ $C_4$ ）： 进行类比推理和跨领域综合，从而生成超越 AI 训练分布的新颖解决方案的能力。

C. 理论区分

本文严格区分了 $C$ 与相邻构念：

与人力资本（ $H$ ）的区别： $H$ 是领域知识的存量； $C$ 是决定如何有效利用 AI 的元认知架构。
与吸收能力的区别： 吸收能力是组织层面的知识处理能力； $C$ 是个人的认知微观基础。
与任务型框架的区别： 任务型框架决定了哪些任务被自动化； $C$ 则决定了剩余的人机交互的生产力。
与技术接受模型（TAM）的区别： TAM 解释了采用； $C$ 解释了采用后的生产性利用。

D. 三种增强机制

增强函数 $\phi(A, C)$ 的属性定义了三种不同的生产机制：

机制 I（欠增强）： 高 $A$ ，低 $C$ 。结果： $\phi \approx 0$ 。AI 被密集使用，但仅作为“中介自动化”渠道，产生的是任务置换而非生产力增益。这解释了“平庸技术”（so-so technology）现象。
机制 II（最优增强）： 高 $A$ ，高 $C$ 。结果： $\phi$ 达到最大化。人力资本与 AI 处于生产性平衡中，实现了对 AI 输出的创造性延伸。
机制 III（过度自动化/图灵陷阱）： 相对于 $C$ 而言，过度的 $A$ 。结果： $\phi$ 下降。人类沦为“橡皮图章”，且由于缺乏锻炼，认知基础设施（ $C$ ）发生萎缩，形成了一种自我强化的退化循环。

4. 结果与经验发现

交互效应： 跨国分析表明，AI 采用与收敛能力之间的交互作用（ $A \times C$ ）解释了 86% 的 TFP 增长方差（ $R^2 = 0.86$ ），较仅由 AI 采用解释的 31% 有显著提升。
韩国悖论： 韩国作为一个证实该理论的偏差案例。尽管韩国拥有高人力资本（70% 高等教育程度，PISA 成绩顶尖）和高 AI 采用率（28% 的企业），其 TFP 增长仍处于停滞状态（约 0.48%）。该框架将其归因于由于应试教育（低 $C_2$ ）、组织等级制（低 $C_2$ ）和学术孤岛化（低 $C_4$ ）导致的 $C$ 的结构性抑制。
比较证据： 高 $C$ 国家（如新加坡、丹麦、瑞典）表现出强劲的 AI-TFP 耦合关系，而低 $C$ 国家无论 AI 采用水平如何，均表现出停滞。
本体论约束： 本文认为，由于存在四个本体论约束，AI 不能作为一个独立的生产变量：缺乏符号接地、缺乏具身认知、缺乏真正的元认知以及缺乏时间整合（心理时间旅行）。这些约束使得人类的认知中介成为必要。

5. 重要性与主张

本文声称提供了一个以人为中心的机制，将索洛的 TFP 残差从一个“无知度的度量”转变为一个由人类-AI 集成质量决定的内生政策变量。

政策启示： 作者主张采取**“C 先行”的政策排序**。国家和组织应在部署 AI 之前或同时，优先发展收敛能力（通过教育改革、跨学科综合和元认知训练）。在低 $C$ 环境下加速 AI 采用，预计会导致收益递减或产生积极伤害（机制 III）。
理论进展： 该框架弥合了 AI 生产力研究中的微观-宏观鸿沟，提供了一个将个人认知效应聚合为宏观经济结果的机制。它将生产力悖论重新解读为投资排序问题，而非测量误差或时间滞后（J 曲线）。
可证伪性： 本文提出了一个可证伪的十年期预测（2025–2035 年）：投资于 $C$ 发展的国家，其 AI-TFP 耦合度将显著高于那些仅追求采用率而忽视 $C$ 的国家。具体而言，本文预测，如果越南遵循韩国那种“以凭证为导向”的教育路径而未发展 $C$ ，将会复制韩国的增强赤字。

作者总结道，在 AI 时代，“智力融合人类”（ $\hat{H}$ ）是关键变量。生产性价值并非仅由 AI 生成，也非仅由人力资本生成，而是由允许人类对 AI 输出进行锚定、校准和创造性延伸的收敛能力所驱动。