AI 革命，会重演电力的"四十年"吗？——三次工业革命告诉我们的扩散规律

science

技术发明的时钟，总是快于社会组织演进的时钟。蒸汽机等了六十年，电动机等了四十年，计算机等了二十年。今天的 AI，正站在同一条曲线的起点上。

一、一个反复出现的”悖论”

1987 年，经济学家罗伯特·索洛说了一句后来被引用无数次的话：”计算机时代无处不在，唯独在生产率统计数据中难觅其踪。”

那一年，IBM 个人电脑已经上市六年，企业在 IT 上的投资年年攀升，但美国的生产率增速却比 1970 年代之前更慢。直到 1995 年之后，生产率才出现明显加速——距离微处理器的诞生已经过去了 25 年。

这不是计算机独有的现象。把时间拨回一百年，电动机在 1882 年就有了商业电网，但 1899 年美国工厂的机械动力里，电动机只占 5%；直到 1920 年代，制造业的生产率才突然跳升。再往前，瓦特 1769 年拿到分离冷凝器专利，而蒸汽真正压倒水力，要等到 1830 年代；蒸汽对英国增长贡献的峰值，出现在瓦特发明约一百年之后。

每一次通用目的技术出现，都要经历一段”技术已经存在、收益迟迟不来”的漫长迟滞。60 年、40 年、20 年——迟滞在缩短，但从来没有归零。

理解这段迟滞为什么存在、由什么决定，是判断今天 AI 浪潮走向的关键。

二、蒸汽：技术存在了一百年，为什么没人用

蒸汽机的故事最能说明”技术出现”和”技术划算”之间的距离。

1712 年纽科门蒸汽机已经能在矿井抽水，但它极度耗煤，只在煤矿口——煤近乎免费的地方——才值得用。瓦特的分离冷凝器让热效率大幅提升，可即便如此，1800 年英国的蒸汽装机只有约 3.5 万马力，而水力有十几万马力。原因很简单：在大多数地方，水力更便宜。

蒸汽真正起飞，需要一连串蒸汽机本身之外的东西：

• 制造精度：瓦特的气缸要等 Wilkinson 的镗床（1774）才能加工合格；

• 制度：瓦特的专利被延长到 1800 年，压制了高压蒸汽机路线，专利到期后改进明显提速；

• 材料：高压锅炉和能承受重型机车的钢轨，要等 1856 年贝塞麦炼钢法之后才廉价可得；

• 基础设施：铁路（1825/1830）和运河把煤运到没有煤的地方，蒸汽机才走出矿区；

• 组织：工厂制本身是新事物，需要新的工匠、新的劳动纪律和新的资本形式（有限责任公司让企业采用蒸汽动力的概率提高了三倍以上）。

经济史学家 Robert Allen 给这段历史加了一个更精确的解释：技术在哪里划算，取决于要素价格。

18 世纪的英国劳动力贵、煤便宜、资本便宜，用机器替代人最划算。同样一台珍妮纺纱机，在英国的投资回报率约 38%，在法国约 9%，在印度则是负数。结果是 1788 年英国有大约两万台珍妮机，法国到 1790 年只有九百台，印度一台没有。

这解释了两件事。一是发明有方向性——高工资地区的人会去发明省劳动的机器；二是扩散有阈值——新技术刚出现时只在很窄的”利基”里划算，随着一连串微小改进降低它对昂贵要素的依赖，利基才逐步扩大。蒸汽机从矿口，到没有煤但煤价最高的康沃尔锡矿，再到全英国、全世界，走的就是这条利基逐步扩大的路。

迟滞期，本质上是技术把”划算区间”推到覆盖主流生产条件所需的时间。

三、电力：真正的收益，来自拆掉旧工厂

电力的故事则说明了另一件事：技术划算了，收益也不一定马上显现。

经济史学家 Paul David 在 1990 年的经典论文《发电机与计算机》里给出了一组数据：电动机占美国制造业机械动力的比例，1899 年约 5%，1909 年约 25%，1919 年约 53%，1929 年约 78%。而制造业的全要素生产率，1900 到 1919 年年增不到 1%，1919 到 1929 年却跃升到 5% 以上。

为什么电动机份额过半之前，生产率纹丝不动？

答案在工厂的结构里。蒸汽时代的工厂靠一根巨大的”总轴”传动：蒸汽机在地下室，通过复杂的轴承、皮带和滑轮把动力送到每台机器。为了减少传动损耗，厂房被迫建成多层、狭窄的结构，机器摆放取决于离总轴的远近，而不是工序的逻辑。

电动机刚出现时，绝大多数厂主做的是最理性的事：拆掉蒸汽机，换上一台大电动机，接到原来的总轴上。旧厂房是沉没成本，还能用；彻底重建要花大钱。于是省了些煤和煤烟，其他什么都没变。

真正的爆发发生在”单机驱动”之后：每台机器自带一台小电机，总轴和皮带消失，工厂变成单层、宽敞、明亮的空间，机器可以按流水线和物料流动重新排列。电力的红利不在电本身，而在于它给了组织彻底重构生产流程的自由——而这种重构需要报废旧资本、需要一代懂新布局的工程师、需要新的管理知识，只能以代际速度推进。

David 后来把这个规律总结为：一种通用技术要在宏观统计上显现，往往要等到它在资本存量中的份额跨过某个临界（他估计约 50%），并且互补的组织重构完成。1990 年他据此预言，计算机正处在 1900 年电力的位置。五年后，美国生产率开始加速。

四、信息技术：把计算机当打字机的年代

信息革命的迟滞短了，但机制一模一样。

1970 和 1980 年代的企业把计算机当成高级打字机和电子分类账，用来加速原有的纸质流程——这是信息时代的”接总轴”。只有当企业围绕数字系统重构业务（ERP、供应链数字化、及时生产、沃尔玛那样的数据驱动物流），生产率红利才涌现。

这一次迟滞的核心不再是物理厂房，而是无形资本。Brynjolfsson 等人的估算：每 1 美元的 IT 硬件投资，需要大约 9 美元的软件、流程重组、培训等配套投资，而且这些投资在会计上被记为费用而不是资本。于是在转型初期，可测量的生产率不升反降——这就是”生产力 J 曲线”的下降段。

同时起作用的还有：算力价格要跌到临界（摩尔定律跑了二十年）；互联网和电子邮件的价值依赖普及率跨过临界点；TCP/IP 和 Wintel 这些标准要到 1990 年代初才尘埃落定；技能供给一度跟不上，大学溢价在 1980 年代陡升。

五、三次革命的共同规律

把三段历史放在一起，迟滞的原因惊人地一致：

	蒸汽	电力	信息技术
商业化起点	1776	1882	1981
采用过半	1830 年代	1919	1990 年代
生产率显现	1830s–1870	1920 年代	1995–2005
主要瓶颈	制造精度、煤价、专利、铁路	沉没资本、工厂重构、电网、标准	价格阈值、组织重构、标准、技能

归纳起来是六条：

1. 初始性能与成本不占优，技术只在窄利基内划算；

2. 互补品与基础设施缺位；

3. 沉没资本与组织惯性——”接总轴”陷阱每次都重演；

4. 要素价格未跌破阈值；

5. 技能与制度滞后（专利、公司法、标准、金融）；

6. 需要”重新想象”的架构变革，其收益无法逐项核算，因此没人愿意先做。

还有一条关于资本的规律：每一次迟滞期都伴随一轮金融泡沫——1840 年代的铁路狂热、1873 年大恐慌、1929、2000 年互联网泡沫。经济学家 Carlota Perez 把它概括为”安装期”与”部署期”：安装期由金融资本主导，泡沫资助了超前的基础设施建设；泡沫破裂后，廉价的基础设施留了下来，生产资本接管，收益才大规模变现。泡沫不是意外，而是这套机制的一部分。

六、AI 在曲线上的哪个位置

把 AI 放到同一条时间轴上。

技术出现：深度学习 2012 年、Transformer 2017 年。商业化起点：2022 年 11 月的 ChatGPT。按历史类比，我们现在大约处在电力的 1890 年代末，或者 PC 的 1985 年。

采用数据支持这个判断。美国人口普查局的企业调查显示，2025 年底到 2026 年中，在业务中使用 AI 的企业比例在 17%–20% 之间；250 人以上企业约 37%；信息、专业服务和金融行业的大企业达到 50%–60%。但采用者中 57% 只在三个或更少的业务职能里使用——写邮件、做营销文案、客服问答。这很像 1909 年的电力：份额已经不小，但主要是”接总轴”式的浅层使用。

微观生产率的证据也很”索洛”。丹麦一项覆盖 2.5 万名工人、7 千个工作场所的研究发现，AI 聊天工具平均节省约 3% 的工时，但对收入和工作时长的影响是精确的零。个人采用速度确实破了纪录（ChatGPT 两个月过亿用户，两年内约四成美国工作年龄人口用过），但个人采用快，不等于组织采用快。

资本周期处在安装期中段。四大超大规模云厂商 2026 年的资本开支计划合计约 6300 亿美元，比 2025 年增长六成以上。这是典型的安装期特征：金融资本主导、基础设施超前建设、估值脱离现金流。

但有一点和信息革命截然不同：能源重新成为硬约束。软件时代的核心要素是人才和风险资本，边际资本需求极低。AI 的前沿门槛是数百亿美元级的固定资本，数据中心的电力需求正在与电网扩容速度赛跑——微软曾披露一笔 800 亿美元的云服务积压订单，主要受电力供应而非需求限制。这在结构上更像第一、第二次工业革命，而不是第三次。

于是 AI 呈现出一个双层结构：应用层是数字的，扩散速度受软件更新周期支配；基础设施层是历史上最重资产的一轮，节奏受物理约束和资本周期支配。这是判断”AI 的迟滞会比信息技术短多少”时最容易被忽略的一点。

七、迟滞会有多长

关于 AI 的宏观影响，学界分歧很大。

高盛预计广泛应用将在十年内推动全球 GDP 增长 7%；麦肯锡认为到 2040 年可能为先进经济体带来每年最高 3.4 个百分点的生产率增长。另一边，MIT 的 Daron Acemoglu 用更审慎的方法估计，未来十年 AI 对全要素生产率的提升可能不到 0.7%——他的核心论点是，AI 目前展示的能力集中在有客观反馈标准的”易学任务”（比如写代码），而大量依赖复杂上下文、缺乏客观评估的”难学任务”，渗透会异常艰难。

这两派其实可以用 J 曲线调和：Acemoglu 描述的是曲线底部，投行预期的是跨过组织重构拐点之后的爆发。两边都对，只是看的不是同一段。

综合三次革命的节奏和当前的采用、资本、能源数据，一个融合的预测是：

• 2022–2025，安装期初期：算力军备竞赛，企业点状测试。

• 2026–2028，瓶颈与转折：能源与数据成为掣肘，高质量公开数据枯竭，金融资本退潮，估值出现剧烈调整。这对基础设施层是过剩投资的清算，对应用层反而是廉价要素的来源——就像过剩的铁轨和暗光纤。

• 2028–2031，组织重构期：第一批完成”单机驱动”式重建的企业开始拉开差距——不是把 AI 挂在旧流程上，而是围绕它重新设计流程、岗位和责任。

• 2032–2035 以后，全面部署期：宏观生产率显现。

按这个节奏，从 ChatGPT 到宏观统计上可见的生产率跃升，大约需要 10 到 20 年。比信息技术短，但不会是两三年。

八、给读者的三个判断

历史不会简单重复，但它提供的判断框架相当稳定：

第一，不要用个人采用速度推断组织变革速度。蒸汽机、电动机和计算机在”能用”和”必须用”之间都隔了几十年；隔开它们的从来不是技术本身，而是互补要素的积累——技能、组织知识、基础设施、标准、制度。

第二，扩散顺序由”验证成本”决定，而不是由模型能力决定。一项任务的产出越容易被便宜、快速地验证对错，AI 就越早在那里划算；验证越昂贵、周期越长的领域，扩散就越慢。Allen 的利基边界、David 的资本临界、Acemoglu 的难学任务，说的都是这件事。

第三，价值最终会向稀缺要素集中。蒸汽时代是煤和铁，电力时代是电网和组织资本，信息时代是无形资本和风险资本。这一轮，稀缺的是电力、先进芯片、私有数据，以及把技术输出变成可信决策的验证能力——而不是模型本身。模型会像发电机一样，很快变成人人能买到的东西；真正的赢家，历史上从来是电网。

安装期的喧嚣终会退去。留下来的基础设施、被迫完成的组织重构、以及跌破阈值的要素价格，才是下一个”黄金时代”的原料。1920 年代抛弃总轴的厂主，和 1990 年代重建业务流程的企业，做的是同一件事。这一次，轮到我们。

主要参考文献

• Allen, R. C. (2009). The British Industrial Revolution in Global Perspective.

• David, P. A. (1990). The Dynamo and the Computer. American Economic Review.

• Devine, W. D. (1983). From Shafts to Wires. Journal of Economic History.

• Crafts, N. (2004). Steam as a General Purpose Technology. Economic Journal.

• Brynjolfsson, E., Rock, D. & Syverson, C. (2021). The Productivity J-Curve. AEJ: Macroeconomics.

• Perez, C. (2002). Technological Revolutions and Financial Capital.

• Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER.

• Humlum, A. & Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. NBER/BFI.

• U.S. Census Bureau (2026). Business Trends and Outlook Survey, AI supplement.

图表数据来源见各图标题；2023–24 年资本开支与 1800–1870 年水力马力为约数。