目前的顶尖宏观经济学与金融学研究, 在量化 AI 的经济影响时, 绝大多数仍然被困在“人适应机器(传统 IT 时代)”的数学框架和路径依赖中. 虽然他们得出了极其宏大的结论, 但在处理“传导摩擦力”这个核心变量时, 依然沿用了旧时代的假设. 可以从这几篇论文的底层模型中, 清晰地看到学术界的这种“滞后性”与“妥协”：

1. Brynjolfsson 的“J 曲线”: 依然建立在极高的组织摩擦之上
在 2017 年的论文中, Brynjolfsson 等人明确将 AI 与此前的通用目的技术(蒸汽机、电力、计算机)相提并论, 并强调释放这些技术的全部效应需要长期的“互补性创新”. 他们认为, 企业必须经历漫长且艰难的组织变革、业务流程重组以及新技能的培养, 这构成了庞大的无形资产投资.
盲区暴露： 这种逻辑本质上依然是“人适应机器”的延续. 论文明确以 1990 年代企业实施大型 ERP 系统为例, 指出当年企业在业务流程再造和员工培训上的花费远超硬件本身, 且耗时极长. 作者理所当然地假设 AI 也会遭遇同样的组织僵化和人类学习曲线的阻碍, 完全没有将“自然语言交互”带来的“零门槛嵌入”特性纳入数学考量.

2. Wachter 的“调整成本”: 经典的机械式摩擦
在 2026 年的论文中, Wachter 和 Wachter 试图用“显示偏好”绕开对底层技术的猜测, 直接用资本开支反推生产率跃升. 但在处理资本如何转化为产能时, 他们依然套用了经典的二次调整成本模型(Quadratic Adjustment Costs).
盲区暴露： 模型生硬地假设企业每年只能弥补目标资本存量与现有资本存量之间三分之一的缺口(即设定 θa =3). 作者在文中甚至坦承, 真实的 AI 投资呈现出加速态势, 而传统的调整成本模型预测的却是减速, 如何为 AI 行业构建微观基础的调整成本模型仍是一个有待研究的问题. 这意味着, 为了让数学模型能够求解, 他们强行套用了工业时代的物理摩擦系数, 而忽略了 AI 软件层面的极速扩散能力.

3. Caballero 的突破与局限: “类劳动力资本”的粗略抽象
Caballero 的理论是目前最接近事物本质的. 他创造性地将 AI 定义为“类劳动力资本(Labor-like Capital)”, 打破了传统经济学中“资本边际收益递减”的铁律.
盲区暴露： 尽管他指出了 AI 可以直接替代人类任务, 但他依然是从宏观总量的“替代弹性”去推导的, 并没有在微观机制上刻画出“机器读懂自然语言”所带来的传导效率质变. 在他的模型中, 跨越低效均衡依然需要极端的估值泡沫来填补漫长的时间与资金鸿沟, 他并没有意识到这个鸿沟的跨越时间可能会因为交互方式的降维而被极度压缩.

学术极值与现实的反转
学术界的模型构建往往需要严谨的历史数据来校准参数. 当学者们用过去 40 年 IT 资本的折旧率、调整成本和组织重构时间来外推 AI 时, 必然会得出一条“深不见底且漫长”的 J 曲线, 但是经济运行的规律往往在触及结构性极值时酝酿着反转. 过去的技术周期是“工具越强大, 人类的学习成本越高”；而在当前的周期中, 这种线性外推彻底失效了——大模型极高的算力复杂度, 换来的是应用端极简的自然语言接口. 这种“反向运动”直接抽空了旧模型中赖以生存的摩擦力假设.