工业革命与AI革命

CHARLES & KWOK · MULTI-ASSET RESEARCH

工业革命与AI革命

内部培训材料 · 数据截至2026年10月14日

---

1771年,理查德·阿克莱特在英格兰德比郡的德文特河边建了一座纺纱厂。厂房沿河而建,河水推动水车,水车通过轴和皮带带动几百个纱锭,工人按班次进厂,在固定的时间做固定的工序。这座克罗姆福德纺纱厂通常被看作现代工厂的起点。在它之前,纺纱是农户在家里做的活,在它之后,人要到机器所在的地方去工作。

两百五十年后,2022年11月,OpenAI发布了ChatGPT。三年多的时间里,美国几家最大的科技公司每年投在数据中心上的钱从一千多亿美元涨到六千多亿美元,企业开始把写代码、做调研、写初稿这类工作交给AI,一部分公司开始让AI智能体接管整段工作流程。

把这两件事放在一起比较,用处在于工业革命已经走完了全程,我们知道它在哪些地方让当时的人看错了:技术到底花了多久才体现在生产率上,资本在中间经历了几次狂热和崩溃,工人的收入什么时候才跟上来,法律又是什么时候才开始介入。AI革命还在开头,这些问题都还没有答案,但工业革命的经历可以告诉我们应该看什么、大概要等多久。

下面讲工业革命时把它分成三段:阿克莱特和瓦特所在的工厂与蒸汽阶段,1830年代开始的铁路阶段,以及1880年到1930年的电气化与流水线阶段。每一段都对应着AI革命今天正在经历或可能经历的某个部分。

图1:工业革命三个阶段与AI革命的时间轴(示意)。

01 机器有了,工厂还没改

讲工业革命,很多人第一个想到的是瓦特的蒸汽机。瓦特改良的蒸汽机1776年就投入了商业使用,但它对英国经济的影响来得很慢。经济史学者Nicholas Crafts做过测算,蒸汽动力在1830年以前对英国经济增长的贡献很小,它的影响到瓦特发明大约一百年之后才达到顶峰,中间还要等到1850年前后高压蒸汽机出现。也就是说,工业革命早期的增长主要来自阿克莱特那样的工厂制度:把机器、动力和工人集中到一起,按流程组织生产。机器本身出现得早,能把机器用起来的组织方式要晚得多。

电力的故事更能说明这一点。1880年代美国工厂开始用电,最初的做法很简单:把厂房里那台大蒸汽机拆掉,换成一台大电动机,其余一切不变。轴还是那根轴,皮带还是那些皮带,机器还是围着动力源排列。这样换下来,省了点煤,生产率没有多大变化。电力的好处要等到工厂改用每台机器各配一个小电动机之后才显出来:轴和皮带拆掉了,厂房可以按物料的流向重新布置,车间更亮、更干净,也可以随时增减机器。根据Devine的研究,1909年美国制造业的机械动力中电动机驱动的占比还不到25%,到1919年才超过53%。从第一批工厂通电算起,这个过程大约用了四十年。

福特的移动装配线就是在这种重新布置的基础上出现的。1913年,高地公园工厂把底盘装配改成流水线,一台底盘的装配时间从12小时8分钟降到1914年的93分钟。流水线的前提是每个工位都有独立的动力,这在蒸汽加皮带的时代做不到。经济学家Paul David在1990年把电力和计算机放在一起比较,得出的结论是:通用技术的生产率回报,要等企业把厂房、流程和组织都重新设计一遍之后才会出现,这中间常常隔着几十年。

今天大部分企业用AI的方式,很像当年拆掉蒸汽机换上大电动机。员工在原来的岗位上、按原来的流程工作,只是多了一个可以提问、可以帮忙写东西的工具。流程本身没有改,所以效果也有限。美国人口普查局的企业调查显示,截至2026年5月,美国用过AI的企业约占19.8%。大企业比小企业用得多,250人以上的企业有37%在用,4人以下的不到20%;信息业和金融保险业用得最多,接近或超过三分之一。

相当于“每台机器配一个电动机”的那一步,在AI这里是围绕智能体重新设计流程:一段工作拆成若干环节,每个环节由一个智能体完成,人负责安排任务、检查结果、在出错时介入。这一步已经在一些地方开始了。GitHub披露,2026年10月约三分之一的代码提交请求有AI智能体参与,一年前还不到十分之一。伦敦一家广告公司的创始人对CNBC说,AI接手调研、初稿和数据整理以后,一个初级员工现在能负责五个客户的账户,原来要几个人。

如果电力的经验可以借鉴,AI对生产率的影响,会在越来越多企业改完流程之后才逐步体现,而改流程比买工具慢得多。接下来几年值得看的是:大企业和小企业的使用率差距会不会缩小,信息、金融以外的行业会不会跟上。

02 算力是新的动力

工业革命的每一个阶段,都受制于动力从哪里来。阿克莱特的工厂只能建在河边,枯水期就要减产;蒸汽机让工厂离开了河,但要靠煤,工厂又集中到了煤田和运河附近;电网出现之后,工厂才可以建在任何接得上电的地方。动力的来源决定了工厂建在哪里、能建多大。

AI看起来是软件,它的动力来源却非常具体:芯片、数据中心和电。2022年第一季度,亚马逊、微软、Alphabet、Meta和甲骨文五家公司合计的资本开支是376亿美元,到2025年第四季度,单季已经达到1,406亿美元。2026年的指引更高,亚马逊约2,200亿美元,Alphabet接近2,000亿美元,Meta在1,300亿到1,450亿美元之间。这些钱大部分用来买GPU、建数据中心。

图2:五家超大规模厂商的资本开支。左为合并单季数据,右为各公司最近四个季度累计值与2026年全年指引(据Epoch AI及公司财报整理,经媒体转引)。

数据中心要用电。美国能源部下属的劳伦斯伯克利国家实验室估计,美国数据中心的用电量在2023年占全国用电的4.4%,到2028年可能升到6.7%到12%。电厂和电网的建设周期以年计,接入一座大型数据中心往往要排几年队。芯片也一样,台积电的先进封装产能据报道已经订满到年底。这些就是AI时代的“河流位置”和“枯水期”。

图3:美国数据中心用电量及占全国用电比例(美国能源部、劳伦斯伯克利国家实验室,2024年报告)。

电力系统还有一个特点:它是一张网,一个工厂接上了哪家电网,就很难换。大模型常被拿来和电力系统类比,意思是企业一旦把业务建在某个模型上,换起来也有成本。但模型和电网有一个很大的区别,模型的价格下降得非常快(后面讲价格时会说到,同等能力的推理价格每年下降几十倍),换一个更便宜或更好的模型,经济上的理由一直存在。企业能不能换得动,主要看它的数据、流程和智能体是放在自己手里,还是放在模型厂商的平台上。

03 等待生产率的那段时间

蒸汽从发明到影响达到顶峰用了大约一百年,电力从进入工厂到成为主要动力用了大约四十年。AI从ChatGPT发布到现在不到四年。用这个尺度看,现在讨论AI有没有提高生产率,有点像1890年讨论电力有没有提高生产率。

目前能看到的数字是这样的:美国劳工统计局9月初公布的修订数据显示,2026年第二季度美国非农企业的劳动生产率同比增长2.2%;从2019年底这一轮经济周期开始算,年均增长2.1%,高于上一轮周期的1.5%,但和1947年以来的长期平均水平差不多。制造业第二季度的产出年化增长5.4%,是2021年以来最快的。

这些数字里有多少来自AI,目前分不出来。同一时期美国经济有通胀偏高、投资集中在数据中心建设等多种因素,数据中心本身的建设也会拉动产出。可以说的是,到现在为止,生产率还没有出现明显超出历史水平的提升。这和电力早期的经验一致:技术已经到位,统计数据还没跟上来。

这段等待对市场的影响最大。投资者一般相信技术最终会带来回报,判断容易出错的地方在时间上。工业革命的几次资本狂热,都发生在这段“技术已经出现、回报还没兑现”的时间里。

04 钱先到,回报后到

1840年代的英国铁路狂热是最早的一次技术投资泡沫。1830年利物浦到曼彻斯特的铁路开通以后,铁路的前景被普遍看好。到1846年至1848年,英国每年花在铁路建设上的钱占到GDP的5.7%到6.7%。当时的铁路股票是分期缴款的,投资者先付一小部分钱就能持有股票,剩下的由公司按建设进度陆续催缴。股价上涨时,这种方式让很多人用很少的钱买了很多股票;股价一停涨,催缴通知一到,拿不出钱的人只好卖股票,抛售又压低股价。铁路股指数从1845年8月的高点到1850年跌了约三分之二。1844年到1847年议会批准的铁路线,大约三分之一最后没有建成。

1929年的美国是另一种杠杆。那时买股票只要自己出10%,其余90%向券商借。道琼斯指数从1929年9月的高点跌到1932年7月的低点,跌了约89%,直到1954年才回到1929年的高点。这一轮狂热的背景,是电气化和流水线让美国工业在1920年代快速增长,汽车、收音机、家电进入普通家庭,人们相信这种增长会一直持续。2000年的互联网泡沫也是类似的结构:纳斯达克指数五年涨了约570%,随后两年多跌了约78%,电信公司铺下的光纤大部分在泡沫破灭时还没被用上。

图4:三次技术投资泡沫的跌幅与收复高点所用的时间(据Campbell与Turner、美联储及纳斯达克历史数据整理,经二手资料转引)。

这三次泡沫有一个共同点:泡沫破了,建起来的东西还在。英国今天的铁路网大部分是那一轮建的;光纤在2000年代后期被视频和云计算用满。投资者亏了钱,社会得到了基础设施。

AI这一轮的资金来源和前几次不太一样。亚马逊、微软、Alphabet、Meta这四家公司主要用自己经营产生的现金来投资,不怎么借钱,这和铁路时代的分期缴款、1929年的保证金都不同。但链条的其他部分杠杆越来越高。甲骨文、CoreWeave这类新兴云厂商更多靠发债和客户预付款。模型公司也签下了大量长期合同:据路透社对Anthropic招股文件的报道,这家公司未来十年的算力采购承诺至少有5,180亿美元,其中约80%无论用不用都要付钱,而它2025年的收入约46亿美元。Alphabet在2026年第二季度出现了上市以来第一个自由现金流为负的季度。国际货币基金组织在10月13日的《全球金融稳定报告》里提示了几项风险:企业为建AI大量举债,投资者的敞口集中在少数几家公司,AI公司之间互相投资、互相做客户,形成循环。

市场上有一种判断,认为AI会重复铁路和电气化的节奏:2028年前后出现一轮大的狂热,2029年前后泡沫破灭,原因是方向判断对了,回报来得比预期慢。这个预测无法验证,但历史上的时间间隔可以作参照:

如果AI这一轮出现泡沫,留下来的会是数据中心、电厂和电网。和铁路、光纤相比,数据中心里最贵的GPU几年就要更新,折旧比铁轨快得多,留下的东西保值能力要弱一些。比较值得留意的信号有:资本开支和经营现金流的比例,自由现金流转负的公司数量,以及算力合同里不能取消的部分有多大。

05 工人等了六十年

工业革命最让后人难以接受的一段,是工人收入长时间没有跟上来。经济史学者Robert Allen把这段时间叫作“恩格斯停滞”,因为恩格斯1845年写《英国工人阶级状况》时,描述的正是这样的情形。Allen的数据显示,1780年到1840年,英国人均产出增长了46%,工人的实际工资只增长了12%,利润率翻了一倍,国民收入中归于利润的份额上升,归于劳动的份额下降。

同一时期,被机器替代的纺织手工业者陷入困境,卢德运动中的工人去砸毁织机。当时的人普遍认为机器会让工人越来越穷。后来的发展说明,这种状况持续了几十年,但没有一直持续下去:1840年到1900年,人均产出增长了90%,实际工资增长了123%,工资追了上来。Allen的解释是,新技术刚出现时需要大量资本,资本稀缺,利润就高;高利润又被投入新的工厂和机器,等到资本积累得足够多,工人的议价能力恢复,工资才跟上生产率。从1780年算起,这个过程用了大约六十年。

图5:左:英国两个时期人均产出与实际工资的累计增长(Allen,2009)。右:美国非农企业部门2026年第二季度的同比数据(美国劳工统计局)。

2026年的美国数据和这段历史有相似的地方。第二季度美国非农企业部门的劳动份额降到52.8%,是1947年有这个统计以来最低的。生产率同比增长2.2%,扣除通胀以后的实际时薪过去四个季度下降了0.1%,非金融企业的单位利润增长了17.8%。产出在增长,增长的部分更多流向了利润。

这些数字不能都算在AI头上,今年通胀偏高,实际工资本来就受压。但方向和1780年到1840年的英国是一致的。岗位层面的变化更直接:据Indeed的数据,美国软件开发岗位的招聘自2025年2月以来有所增加,但新增的岗位七成是资深职位;斯坦福大学的一项研究显示,22到25岁软件开发人员的就业人数下降了近20%;英国开放大学对1,500位企业负责人的调查中,19%表示已减少招聘初级员工,其中四成多把原因归到AI上。工业革命时受冲击的是手工业者,这一次受冲击的是刚入行的知识工作者。

工业革命的经验是,劳动最后会分到增长的好处,但要等资本积累足够、新的岗位出现,中间的几十年里,一整代人承担了转型的代价。AI时代有没有可能缩短这段时间,取决于新岗位出现得多快,以及人能不能及时转到做安排、做判断、检查结果这类工作上去。后面值得持续看的是劳动份额能不能从52.8%回升,实际工资和生产率之间的差距是在缩小还是扩大,以及初级岗位的招聘比例。

06 便宜下来的东西

工业革命带来的另一个长期结果,是原来只有富人用得起的东西变得人人用得起。福特T型车是最典型的例子。1909年,T型车Touring车型卖850美元;流水线投产以后,价格一路下降,到1925年只要290美元。福特在1914年还把工人日薪提高到5美元,让自己的工人也买得起自己造的车。从卖给少数有钱人,到卖给几百万普通家庭,这是流水线在商业上的意义。

AI的价格下降得比T型车快得多。研究机构Epoch AI统计了六项基准测试,发现要达到同一能力水平,推理价格每年下降的中位数是50倍。另一种测算是,达到GPT-3在2021年水平的能力,每百万token的价格从60美元降到2024年底的0.06美元,三年降了约一千倍。T型车用了十六年降价约三分之二,AI同等能力的价格在三年里降到了千分之一。

图6:左:福特T型车Touring车型售价。右:达到同一能力水平的每百万token价格(右图为对数刻度)。

工业革命降低的是实物的价格,AI降低的是服务的价格。医疗、法律、教育、财务咨询这类专家服务,过去主要是有钱人才用得上。健康是一个直观的例子:Chetty等人发表在JAMA上的研究显示,2001年到2014年,美国收入最高5%的男性预期寿命增加了2.34岁,收入最低5%的男性只增加了0.32岁。如果AI加上可穿戴设备能让普通人得到接近家庭医生的健康管理,这个差距有缩小的可能。中国国务院2025年发布的《关于深入实施“人工智能+”行动的意见》(国发〔2025〕11号)也写了这个方向:“探索推广人人可享的高水平居民健康助手,有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用,大幅提高基层医疗健康服务能力和效率。”

价格降下来以后,用不用得好还是另一回事。T型车便宜了,也要有公路、加油站和会开车的人。AI也一样,目前大企业比小企业用得多,高端模型和低价模型之间的价格还差着几个数量级。能力最强的那一档会不会也像T型车一样便宜下来,决定了“服务平权”能走多远。

07 谁掌握动力

电力在工业革命里有一个特点:它主要给工厂带来了生产能力,给家庭带来的主要是消费。电灯、电扇、冰箱让家庭生活方便了很多,但普通人用电来生产、创业的机会很少,生产仍然集中在工厂和公司里。

互联网时代也有类似的情况。个人可以上网,但用户和数据被锁在几家大平台各自的体系里,购物、支付、社交、广告都在平台内部完成,平台之间不互通。有人把这称为“数字封建主义”。

AI会让能力更集中还是更分散,目前两种迹象都有。集中的一面很明显:最近四个季度,七家公司的数据中心投资合计约6,571亿美元,其中四家最大的公司占了5,431亿;顶尖的大模型只有少数几家公司做得出来,模型公司的算力又依赖这几家云厂商。分散的一面是,个人现在可以用很低的成本调用接近专家水平的能力,一个人加几个智能体可以完成过去一个小团队的工作。

个人能不能拥有自己的智能体,用它跨平台比价、办事、换模型,取决于两件事:一是平台愿不愿意向第三方智能体开放接口,二是手机和操作系统厂商能不能守住不出售用户数据的承诺。把大模型嵌进手机操作系统,可能绕过超级应用的入口,也可能让操作系统厂商成为新的守门人。中美两边的路径也不一样。美国从个人电脑和固定互联网发展过来,积累了大量文本和内容,生成式AI在内容生成上最先突破;中国的移动互联网更发达,手机上积累了大量行为数据,国发〔2025〕11号提出,到2027年新一代智能终端和智能体的普及率超过70%,到2030年超过90%。

08 法律追上来用了多久

工业革命开始以后,英国过了很久才开始用法律管工厂。阿克莱特的工厂建于1771年,英国第一部有实际执行机制的工厂法是1833年的《工厂法》(Labour of Children, etc., in Factories Act 1833),中间隔了62年。这部法律禁止纺织厂雇用9岁以下的儿童;9到12岁的儿童每天工作不得超过8小时,13到17岁的不得超过12小时;13岁以下的儿童每天要接受2小时的学校教育;同时设立工厂监察员来检查执行情况。1844年的《工厂法》进一步把儿童的工作时间限制在每天6.5小时,同时要接受3小时教育,13到18岁的青少年和妇女每天最多工作12小时。

金融方面的规则来得更晚。1844年的英国铁路法案没有限制铁路公司的分红,也允许公司在账目里不计固定资产折旧,这让铁路公司的分红看起来很高,进一步推高了股价。美国直到1934年才通过《T条例》规定买股票的最低保证金,第一次设定为25%到45%,1974年以后定为50%。

AI这一次,法律来得快得多。欧盟《人工智能法》第5条从2025年2月2日起禁止八类做法:(a)造成重大伤害的操纵性或欺骗性技术;(b)利用年龄、残疾或社会经济处境方面的弱点;(c)导致不合理不利待遇的社会评分;(d)仅凭画像或人格特征预测某人会犯罪;(e)无针对性地抓取人脸图像建立人脸识别数据库;(f)在工作场所和学校进行情绪识别,医疗和安全用途除外;(g)用生物识别推断种族、政治观点、性取向等敏感特征;(h)执法部门在公共场所进行实时远程生物识别,只有很窄的例外。2026年12月2日起还将增加一项,禁止生成未经同意的私密图像和儿童性虐待材料。第99条规定了罚款:违反第5条的,最高3,500万欧元或全球年营业额的7%,取较高者;违反其他义务的,最高1,500万欧元或3%;向主管机关提供不正确或误导性信息的,最高750万欧元或1%。

中国的国发〔2025〕11号在“人工智能+民生福祉”部分写了就业问题:“加强人工智能应用就业风险评估,引导创新资源向创造就业潜力大的方向倾斜,减少对就业的冲击。”同一部分还有“大力支持开展人工智能技能培训,激发人工智能创新创业和再就业活力”。

从ChatGPT发布到欧盟第5条生效,只隔了两年两个月,和工厂法的62年差别很大。不过两者管的东西不一样。工厂法管的是劳动本身,工时、年龄、教育;现在的AI法律主要管的是哪些用法不允许,对就业冲击的处理还停留在评估和培训的层面。金融方面,国际货币基金组织已经提出了风险提示,但目前还没有专门针对AI投资杠杆的规则,这和1844年铁路法案时的情形有些像。

09 两场革命放在一起看

回头看,工业革命里最容易被低估的是时间。蒸汽机发明一百年后影响才到顶,电力进入工厂四十年后才成为主要动力,工人的工资六十年后才跟上生产率,法律六十年后才开始管工厂。每一个阶段,技术都比社会的调整快得多。AI在技术扩散的速度上明显更快,价格下降更快,法律跟进也更快,但企业重组流程、资本回收投资、劳动者转换岗位,这几件事仍然需要时间,很难快到和技术同步。

另一个容易被低估的是资本的节奏。工业革命的几次泡沫都发生在技术已经被证明、回报还没兑现的那段时间里,泡沫破灭不意味着技术失败,铁路和电力在泡沫之后继续扩张。AI这一轮的投资规模更大、集中度更高,资金来源中经营现金流的比重更高,杠杆主要在新兴云厂商和模型公司的长期合同上。

两场革命也有明显的不同。工业革命放大的是体力和物质生产,AI放大的是认知和知识性工作;工业革命冲击的是手工业者,AI冲击的是刚入行的白领;工业革命的产品每多生产一件都要消耗原料和人工,AI多回答一个问题的成本却在快速趋近于零,只有电和芯片是硬约束。

如果要持续跟踪这场比较,比较有用的数据有这样几组:美国劳工统计局每季度的生产率和劳动份额(第三季度初值11月5日公布);人口普查局每两周更新的企业AI使用率;几家大公司每季度的资本开支和经营现金流;数据中心用电占比;以及欧盟《人工智能法》第5条和第99条的执法案例。

说明:文中部分数据来自媒体转述和二手整理(包括超大规模厂商资本开支汇总、Anthropic招股文件内容、国际货币基金组织报告的内容、几次泡沫的指数数据和岗位数据),没有逐一回到原始披露核对;2028年至2029年的泡沫时间表是市场预测,文中只作参照。主要资料:美国劳工统计局、美国经济分析局、美国人口普查局、美国能源部与劳伦斯伯克利国家实验室;Crafts(2004)、Devine(1983)、David(1990)、Allen(2009)、Chetty等(2016);Epoch AI;欧盟《人工智能法》;国发〔2025〕11号;英国议会资料。