重大技术进步是经济增长的决定性力量。对这个问题的认识需要从两个层面展开，一个是正面力量：重大技术进步直接带来生产能力提高和产业升级，拉动经济增长；另一个是负面力量：技术进步改变了经济波动的内生机制，如果由此引发了更大的内生波动压力且没有好的应对措施，经济陷入更加频繁且较长时间的经济衰退，经济增长绩效会大打折扣。
上世纪20-30年代的美国经济是技术进步展现双重力量的典型例子。上世纪20-30年代是以电力和内燃机为代表的第二次工业革命高峰期，这个时期内家用电器和电动设备、汽车和商业航空、商业广播、各种合成材料和药品快速普及，美国全要素生产率大幅提升。然而恰恰是这样历史上罕见的技术进步高发期，美国经济陷入了前所未有的大萧条，经济出现了断崖式的持续负增长，社会民生严重倒退。
大萧条背后有多种复杂原因，追根求源的底层原因是重大技术突破加剧了经济波动的内生压力，失败的应对政策未能有效抑制过度经济波动。
近年来人工智能技术取得了突飞猛进的发展，人类正在快速进入AI技术革命时代。AI技术有望成为未来经济增长和经济波动的重要决定力量。对于宏观经济研究而言，亟待回答的问题是如何更好地释放AI带来的生产率提升，如何驯服AI可能会带来的经济波动压力。
AI是能够应用于众多行业的通用技术，其价值不只是替代部分智力劳动，更在于帮助劳动者提高效率，并激发研发、管理和其他行业的技术进步。AI生产率红利不会立即、均匀出现。企业应用AI需要清洗数据、重构工作流程、培训员工和建设组织资本。这些投入短期增加成本，很多无形资产又没有被现有统计充分记录，因此生产率可能先停滞、后上升，形成先低后高的“J曲线”。
美国近两年的数据体现了这种分化。信息、专业服务和金融等高AI采用行业的劳动生产率明显改善。2025年美国信息产业劳动生产率增长约10%，全要素生产率增长约6.7%。但全社会生产率提升仍不突出：美国2024年和2025年全要素生产率分别增长1.5%和0.8%，两年平均约1.1%，尚未明显超过历史表现。AI红利目前主要集中在少数行业，还没有转化为普遍的生产率跃升。
AI对消费的总体影响目前仍较温和且存在不确定性。长期来看，AI带来的自动化可能减少部分就业岗位，把收入从劳动者转向资本所有者，从而压低消费倾向；短期来看，科技股上涨通过财富效应支持中高收入群体消费。
美国近两年的经验显示：诸如信息技术、金融业等高AI渗透率的行业就业增速下降，但也有教育和医疗等高AI渗透率的行业就业较快增长，整体就业跨行业调整幅度没有超过历史常态。劳动收入和家庭可支配收入占GDP的比重也基本稳定，对总体消费没有太大冲击。不过，股权财富增量高度集中，2022年底至2026年一季度新增股权财富中，前10%家庭获得约88%，后50%家庭仅获得约1%，长期消费分化风险值得关注。
AI技术帮助下，企业能够更快、更低成本调整价格和产量，消费者可以更容易比较价格、质量和隐藏条款，金融机构也能利用更多信息识别小微企业和缺少抵押物的借款人。这些变化有助于供求更快匹配，提高市场自我调节能力。对政府而言，AI还可以提高经济监测的及时性，帮助识别供给冲击与需求冲击。
同一技术也可能产生相反结果。AI发展需要巨额资本投入、算力基础设施、大规模数据、云平台、模型生态和用户入口。苛刻的要素投入要求下，只有少数企业能够参与。一旦少数企业在算力、数据、模型和平台入口上形成领先优势，就可能通过正向的反馈机制持续放大市场势力，导致在供给方形成事实上的“自然垄断”。定价算法即使没有直接沟通，也可能在反复博弈中学会维持高价；企业把数据、知识库和工作流程嵌入某一平台后，转换成本会迅速上升。市场上即使存在多个供应商，用户也未必能真正迁移。
一是促进生产率红利广泛扩散。继续支持芯片、算力、基础模型等关键环节，同时把更多政策资源用于行业应用、组织重构和中小企业数字化。建设统一开放的国内市场，减少地区和行业壁垒，以竞争推动企业发现瓶颈、持续创新。对基础科研和具有公共产品属性的数据、工具与平台，要改革科研组织和激励机制，用AI提高科研效率。
二是建立适应AI投资周期的宏观稳定框架。货币政策既要保持较低、稳定的通胀预期，也要关注AI资产价格背后的杠杆和信用扩张。金融监管应加强对数据中心融资、私募信贷、资产证券化、表外合作和非银行机构交叉持仓的监测，开展收入下修、设备快速贬值和融资收紧等压力测试。政策不宜直接判断资产价格是否合理，但应限制高杠杆把局部估值调整转化为系统性风险。
三是缓解收入和就业调整压力。完善失业保险、职业培训和公共就业服务，帮助劳动者向新岗位转移；继续发挥社会保障和公共服务稳定家庭消费的作用。同时，政策不能只靠再分配，应改善创业环境，支持新技术应用和新企业进入，以新产业、新服务和人机协作创造就业。对教育、医疗、养老等难以完全自动化的领域，要利用AI减少重复劳动，把节省的时间转化为更高质量的人对人服务。
四是维护开放、灵活、有弹性的竞争机制。防止少数企业同时控制云服务、算力、数据、模型和分发入口；推动数据和接口在安全前提下开放，增强中小企业获取关键投入的能力。把算法定价和算法协调纳入反垄断分析，对大型平台开展必要的算法审计。强化数据可携带、模型兼容和用户退出权，降低企业、消费者和开发者转换平台的成本。政策目标不是限制AI规模化，而是确保规模优势不能转化为封锁创新和排除竞争的力量。