### 1. 引言：AI创新的历史脉络与其经济学特点

#### 1.1 AI技术发展的三个浪潮

符号主义与逻辑推理在第一次浪潮（1950s-1970s）中主导AI研发，图灵测试通过符号和规则系统模拟人类思考，专家系统尝试商业化，通过编码人类的专业知识，解决特定领域的问题。然而1960年代，计算能力、知识获取等方面的技术瓶颈导致投资退潮，AI进入第一次寒冬。AI研发重点在第二次浪潮（1980s）中转为统计学习与专用系统，机器学习算法取得理论突破，反向传播算法打下了基于数据的模式识别技术基础，语音识别、计算机视觉等耳熟能详的专项技术初步商业化。但计算资源和数据规模的限制依然明显，智能系统大多局限于狭窄领域而不能泛化，于是AI再次遭遇发展瓶颈，在20世纪末进入调整期。进入21世纪初的第三次浪潮（2010s及以后），AI由于大数据功能算力大幅提升及算法模型的突破，转向深度学习、通用智能方向的研发，深度学习革命在2012年ImageNet竞赛深度学习模型大幅领先中正式爆发，17年后Transformer等架构的出现使得AI在自然语言处理与生成式技术领域取得进展与突破。每一次浪潮都建立在前沿探索与基础设施进步之上，推动着以AI应用为导向的商业化、通用化进程【1】。

#### 1.2 AI创新的经济学特质

纵观几十年发展史，AI创新速度以指数级递增，其性能经历着摩尔定律式的跃进，主要驱动因素可归纳为三点。其一，创新的二元成本结构：前沿模型的研发训练需耗费巨额资金资源，经济技术门槛极高；但对训练完成的模型而言，其产生应用、投入市场的边际成本却极低，大大简化AI规模化应用的难度【2】。其二，创新的高度生态依赖性，它并非孤立的技术突破，而深度依赖于开源软件社区、云计算平台、广泛数据生态形成的强大协同创新网络【3】。其三，创新扩散的渗透性。作为强大的通用技术，AI具备易与各行各业有机结合的特点，现今AI应用正在与传统产业挂钩，驱动传统领域的生产力革命【4】。

#### 1.3 研究问题的提出

AI创新如何创造分配经济价值？AI创新与传统技术创新有何本质区别？如何正确看待AI时代的“创造性破坏”？【5】

### 2. 理论基础：熊彼特创新理论的经济绩效分析

#### 2.1 熊彼特创新理论的核心要义

不同于古典经济学以静态均衡为核心的分析框架，熊彼特创新理论的核心要义在于将创新置于经济发展的中心，视其为打破循环流转、驱动经济演进乃至于打破资本主义社会或市场经济危机的根本动力。首先，熊彼特系统性定义了五种创新形式，包括新产品、新生产方法、新市场、新资源或原材料以及新组织方式【6】。其次，他强调执行这些创新组合的企业家精神是推动变革的主体力量，其行动所引发的“创造性破坏”，即新组合不断淘汰旧结构，是经济动态发展的核心机制【7】。最后，这一过程内嵌着一种重要的激励与正向循环机制：成功的创新者将因暂时的技术或市场优势，获得垄断利润“熊彼特租金”，这既是创新者应得的经济回报，也为后续的再投资与新一轮创新提供了关键的资本来源，侧面实现创新为动力的扩大再生产，构成资本主义发展的内循环【8】。

#### 2.2 AI创新与熊彼特理论的契合与拓展

AI将五种创新有机结合，契合熊彼特理论的“企业家精神”，其包括推动产品服务创新，在工业互联网和工厂中重构生产过程，创造例如AI服务和模型市场的新市场，催生平台化网络化等新组织形态【9】。AI对熊彼特理论的拓展在于：创新过程自动化，AI作为创新工具参与科研（AI for Science）；垄断利润来源从传统专利保护转向数据算法算力构成的壁垒，加剧垄断；创造性破坏的速度急剧加快，技术迭代周期缩短至月甚至周，其破坏范围也从实体经济扩展至认知领域【10】。

#### 2.3 经济绩效的熊彼特式度量

由熊彼特理论可得，AI时代的经济绩效的度量可从多层次进行。其微观体现在企业能否通过持续创新投资获得并维持熊彼特租金；中观表现为产业集中度的变化及新旧动能的转换效率；宏观关系到全要素生产率增长中创新驱动贡献份额【11】。

### 3. AI创新对经济绩效的三种效应

#### 3.1 生产率效应

AI驱动的生产率效应有非均衡提升与结构性分化等特点，直接提升机制上，其流程自动化、供应链等关键系统的配置优化、及缺陷检测等领域质量精度的强化直接推动生产率进步，而间接创新效应改变了旧生产模式，AI药物研发与AI编程代表的研发效率革命、大规模个性化生产、教育医疗普惠扩展拓宽了社会生产率的增长方向点，然而，生产率宏观统计仍面临一系列问题，包括对数据算法等无形投资的资本化与测量滞后，企业组织重组技能重塑带来的转型摩擦成本，前沿与滞后企业间收益分布不均，行业内部分化加剧【12】。

#### 3.2 市场结构效应

在市场结构效应中，AI是驱动创造性破坏的发动机。创造性破坏首先体现为进入门槛的拉高，即技术、数据、算力构成了新的竞争门槛，其包括深度学习工程化能力的稀缺、高质量数据积累效应、训练大模型的基础设施、平台所有的用户网络与开发者社区优势，这些高门槛引发了深刻的产业组织变革，有垂直整合与基础模型的平台化垄断风险，但与此同时，API和开源模型也催生了中小企业的长尾创新机会，最终趋向是，创新迭代的速度成为核心速度，市场竞争焦点从单产品转向全产品体系【13】。

#### 3.3 分配效应

AI创新的分配效应分为要素分配，企业间分配，全球区域性分配，作为高效资本品，AI提升了资本报酬率，劳动报酬极化，高技能互补性劳动显著溢价，而可替代性劳动则面临AI挤压与冲击，数据作为关键生产要素，其提供者能否合理分享价值成为新的分配焦点，超额利润被掌握核心技术的领先企业垄断，数字化转型滞后的传统企业面临价值挤压，市场份额向数据拥有者和算法提供者转移，全球算力基础设施的区域性失衡可能扩大数字鸿沟，智能制造通过更低的成本，削弱传统劳动力成本优势，推动全球产业链再度重整【14】。

### 4. 宏观调控对经济绩效的调节机制

#### 4.1 制度环境的塑造作用

制度环境的塑造涉及数据治理制度，创新激励制度与市场竞争监管制度，这些是市场经济中政府宏观调控必不可少的部分，建立了一套保证市场安全的制度环境；数据治理制度涉及对不同所有者数据的产权界定，以及通过数据交易所或信托等机制促进数据有序流通，并在隐私保护与技术创新间寻求平衡；创新激励制度目的是激发研发活力，确立算法专利、模型版权，制定知识产权保护标准，通过税收优惠加大对基础研究的政策支持，利用政府采购引导公共部门成为创新产品的早期使用者；竞争监管制度着眼于规范市场秩序；营造政策环境，需要重新界定反垄断边界以应对数据垄断等新挑战，例如促进平台互联互通防止生态封闭，或制定开源政策培


育健康公共创新【15】。

#### 4.2 政府政策的多维干预

政府政策的干预以产业层面为基础，在此基础上涉及多个维度，其聚焦于通过建设国家算力网络和资助重大研发项目进行战略性投资，培育AI先导区等产业集群以形成AI创新生态，通过算力补贴等措施专项扶持中小企业减缓垄断，面对又一场劳动市场转型大潮，政府着力推动以终身学习体系为核心的技能重塑计划，具体到个人，国家政策可以实施就业转型保障，并对远程办公等新兴工作制度提供制度支持，社会政策促进社会包容稳定，包括弥合数字鸿沟促进公平公开透明，建立算法审计安全评估制度构建安全伦理框架，调整强化社保体系，构筑应对技术性结构失业的韧性社会安全网。多维度的政策协力引导AI发展方向，最大化经济效益并缓和社会冲击【16】。

#### 4.3 基础设施的支撑功能

AI发展的深度与广度，根本上取决于基础设施的完备程度，硬件上，智能计算中心和边缘计算节点为核心的算力基础设施只有合理布局才能有效为AI提供广泛的计算能力，5G乃至6G通信只有与AI应用协同部署，才能保障数据的高速低延迟传输，物联网等传感网络亟需完善，才可能达成AI感知物理世界的目标，软件与数据基础设施上，开源软件生态的繁荣与自主性直接决定了AI的创新方向和路径的多样化。不仅仅是上面的硬性设备要求，公共数据平台的开放质量与范围与AI基准测试体系的标准化也包含在基础设施之内，创新基础设施是技术从研发走向商业化的关键支撑，国家级AI开放创新平台、AI多领域专用测试验证环境与产学研技术转移体系，共同搭建了实验室到产业化的桥梁。不同基础设施相互依赖、共同演进，构成了AI时代国家竞争力的物理与制度基石【17】。

### 5. 发展视角下AI创新与经济绩效的提升逻辑

#### 5.1 AI创新与经济绩效提升的动态演化逻辑

从动态的发展视角分析，3年内，AI创新驱动力主要表现为投资驱动与效率改进。AI相关投资通过资本积累效应对经济增长做出直接贡献，试点示范项目达成局部效率提升，核心人才队伍的初步形成，共同实现技能产业早期匹配。10年内，AI产业导向市场结构重组与创新扩散，产业数字化转型推动AI与传统经济部门深度融合，平台经济、共享经济等新业态在AI协助下实现规模化发展，就业结构在此过程中将经历新旧岗位更替的转型阵痛与适应性调整。预计10年后，AI创新将引领深刻的模式转变与系统升级，通用技术模式完成以AI为通用技术基础的转换，经济增长动力从要素驱动转向创新驱动，法律、教育及社会保障等社会制度受AI产业反哺进行系统重整，最终经济发展模式与社会运行基础将全面破坏重建【18】。

#### 5.2 循环累积因果机制

由上文得到，AI创新与经济绩效的提升并非简单的线性过程，而是由“循环累积因果机制”驱动的自我增强系统作为正反馈良性循环。创新成功带来超额利润，利润被用于研发再投资，从而催生新创新。同时，创新带来的生产率提升促进了市场扩张和规模收益，并在此过程中积累更多数据，而数据又反过来成为下一轮创新的核心燃料。然而，这一循环持续运行的充分条件是关键的调节机制：必须防止市场垄断固化对创新活力的抑制，确保创新收益在社会中得到相对合理的分配以维持广泛的支持，而且要加强数字基础设施等公共品建设，降低创新扩散成本，使增长红利惠及更广范围【19】。

#### 5.3 国际比较视角

纵观全球，AI提升经济绩效的具体路径有显著差异，美国模式由市场驱动，其基础研究领先，由科技巨头主导生态，中国模式主要由政策驱动，在海量应用场景下进行快速迭代与大规模商业化创新，欧洲模式关注伦理与数据治理，注重扶持中小企业创新，这些不同模式在创新速度、产业控制、社会接受等方面各有利弊，经济绩效差异在于各自资源禀赋、市场结构、治理哲学与政策选择【20】。

### 6. 结论：走向包容性创新的新熊彼特道路

#### 6.1 主要研究发现

1. AI创新本质上仍是熊彼特式的创造性破坏过程，只不过其速度、广度、深度远超以往任何技术革命，创造了全新的“数字型熊彼特租金”【21】。
2. “熊彼特租金”的分配成为核心矛盾，AI在提升总体经济绩效的同时，可能导致的AI行业垄断威胁创新可持续性【22】。
3. 制度政策与市场调节有机结合是内部决定因素【23】。
4. 基础设施投资具有战略性意义，是AI创新的现实基础【24】。

#### 6.2 理论贡献

本研究拓展了熊彼特创新理论在数字时代的解释力，构建了“技术—市场—制度”协同演化的分析框架，为建立AI时代经济绩效的多维评估体系提供了理论推进。

#### 6.3 AI创新的实践启示

企业不仅仅是单纯追求技术的领先性，而要构建一个整合高质量数据、高效算法、充足算力以及与之匹配的组织流程与文化的综合创新体系，政府通过宏观调控，在激励技术创新与防范社会经济安全风险间寻求动态平衡，应优先投向具有广泛正外部性的数字公共产品，如基础算法平台、公共数据集和算力基础设施，社会需要主动建立可适应技术快速迭代的社会学习机制，并通过教育体系改革、社会保障升级与终身学习，增强劳动力市场与社会结构的调整韧性，以确保技术进步的红利能被广泛共享到广大人民的生活之中。

#### 6.4 对AI创新的未来展望

AI创新与经济绩效的关系仍处于快速演化中，生成式AI如何推动从基础研究到产品开发的全链条创新，全球AI治理体系博弈如何影响不同国家的经济绩效与发展空间，AI如何与碳中和、共同富裕等长远目标有效协同，新一轮潜在技术突破与AI融合可能带来哪些变革，都是我们需要考虑的内容。AI创新的深远经济价值，不仅仅是生产率提升，更是在推动构建一个智能高效包容的经济社会新系统。我们需要在接纳AI创造性破坏的同时，搭建可广泛共享发展红利的新市场和新社会。

### 参考资料

1. Pham, T., Nguyen, H., & Tran, O. (2024). AI Innovation and Economic Growth: A Global Evidence. Sciendo.
2. Agrawal, A., Gans, J., & Goldfarb, A. (2019). *Prediction Machines: The Simple Economics of Artificial Intelligence*. Harvard Business Review Press.（阐述AI预测成本降低带来的经济学影响）
3. Brynjolfsson, E., & McAfee, A. (2014). *The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies*. W. W. Norton & Company.（论述数字技术生态与协同创新）
4. Bresnahan, T. F., & Trajtenberg, M. (1995). General Purpose Technologies 'Engines of Growth'? *Journal of Econometrics, 65*(1), 83-108.（关于通用目的技术GPTs的经济学分析框架）
5. 刘健， 侯宪利. (2023). 人工智能推动“创造性破坏”向纵深拓展. *中国社会科学报*.
6. Schumpeter, J. A. (1912). *The Theory of Economic Development*. Harvard University Press.（熊彼特创新理论的起源）
7. Schumpeter, J. A. (1942). *Capitalism, Socialism and Democracy*. Harper & Brothers.（系统阐述“创造性破坏”概念）
8. Antonelli, C., & Gehringer, A. (2017). Technological change, rent and productivity growth: A Schumpeterian approach. *Technological Forecasting and Social Change, 115*, 289-298.（探讨熊彼特租金与创新激励）
9. Brynjolfsson, E., & Mitchell, T. (2017). What can machine learning do? Workforce implications. *Science, 358*(6370), 1530-1534.（分析AI对工作与生产流程的影响）
10. 刘伟. (2025). 人工智能时代熊彼特创新理论的再审视. *科学网*.
11. Aghion, P., & Howitt, P. (1992). A Model of Growth Through Creative Destruction. *Econometrica, 60*(2), 323-351.（基于熊彼特理论的增长模型，用于分析宏观绩效）
12. Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. *NBER Working Paper No. 25148*.（分析GPTs与无形投资带来的生产率J型曲线）
13. Cockburn, I. M., Henderson, R., & Stern, S. (2019). The Impact of Artificial Intelligence on Innovation. *NBER Working Paper No. 24449*.（探讨AI对创新过程、市场结构的影响）
14. Acemoglu, D., & Restrepo, P. (2018). Artificial Intelligence, Automation and Work. *NBER Working Paper No. 24196*.（分析AI对劳动力市场、收入分配的极化效应）
15. 张晓， 蔡跃洲. (2023). 人工智能发展中的数据治理与竞争政策研究. *中国工业经济*.
16. OECD. (2019). *Artificial Intelligence in Society*. OECD Publishing.（综合政策报告，涵盖技能、产业、伦理等多维度）
17. 中国信息通信研究院. (2023). *全球数字经济白皮书*.（详细论述算力、网络、数据等数字基础设施）
18. 贾康， 苏京春. (2022). 人工智能驱动经济发展的阶段特征与路径选择. *管理世界*.
19. Arthur, W. B. (1989). Competing Technologies, Increasing Returns, and Lock-In by Historical Events. *The Economic Journal, 99*(394), 116-131.（阐释技术发展的路径依赖与正反馈机制）
20. 施奕驰， 李蕊. (2024). 主要国家人工智能创新模式比较与中国选择. *经济学家*.
21. 蔡跃洲， 马文君. (2021). 数字技术对国民经济影响的途径与测度. *经济研究*.
22. Furman, J., & Seamans, R. (2019). AI and the Economy. *Innovation Policy and the Economy, 19*(1), 161-191.（讨论AI带来的经济收益与垄断风险）
23. 江小涓. (2023). 数字时代政府与市场关系的再调整. *中国社会科学*.
24. 国务院. (2020). *新一代人工智能发展规划*.（中国国家层面关于AI基础设施与发展目标的战略文件）