文丨晓静

编辑丨徐青阳

2026年5月30日，半导体研究机构SemiAnalysis发布深度报告《AI Dark Output: The Visible Cost of Invisible Output》，提出了一个“暗产出”的概念，判断AI正在大规模创造真实经济价值，但这些价值在GDP、价格指数和就业统计中几乎无迹可寻，规模“可能不亚于工业革命”。

报告估算，当前一代AI有潜力替代或显著增强的劳动力任务，对应着约1.5万亿美元的工资池。但当AI接手这些工作后，留下的经济痕迹可能只是几美元的token支出，从GDP视角看，产出几乎“消失”了。

当下，美国41%的服务业GDP（7.2万亿美元）采用“工资锚定”法核算，产出增长被定义为工资或工时的增长。意思是，当AI让一个律师的工作效率翻倍，但律师人数和工资没变时，GDP不会记录任何产出增长。AI带来的生产率提升，在统计上完全不可能出现。



2025年美国41%的服务业GDP（$7.2万亿）采用“工资锚定”法核算——产出增长被定义为工资或工时的增长，因此AI带来的生产率提升在统计上完全不可能出现。

报告中的这个概念借用了物理学中的“暗能量”，无法被直接观测，但它占据宇宙能量的主导份额，只能通过它对周围物体的引力效应来感知其存在。



GDP的“三测试”门槛：真实劳动、市场价格、可统计交易，它们将大量真实经济活动挡在门外。而橙色区域正是“暗产出”的藏身之处。

这种“看得见技术、看不见产出”的困境，并非第一次出现。

1987年，诺贝尔经济学奖得主罗伯特·索洛曾经发现了一个怪现象：计算机明明已经无处不在，但官方统计的生产率数据却毫无起色，仿佛计算机从未出现过一样。三十多年后，同样的问题卷土重来，只是主角换成了AI，局面却比当年更棘手。

2025年12月，即将上任的美联储主席凯文·沃什罕见地公开承认了这个困境：只盯着现有统计数据制定利率，等于看着后视镜开车。数据滞后会让人错判经济潜力，在明明可以实现低通胀高增长的时候不敢行动。决策者最终只能像下注一样去赌。

这或许是AI时代最被低估的测量风险。宏观经济数据是一面镜子，但它当下映照出的，是一幅被严重扭曲的经济图景。

一边是数据中心遍地开工、GPU订单排至两年之后、电力公司营收大幅增长。另一边，AI产出的经济价值，在GDP中几乎无从寻觅。



AI 产出在变得可衡量之前就已真实存在

01 “遗嘱”降价

先看一份普通遗嘱价格在过去一千年中的演变。

在17世纪，羊皮纸抄写员起草遗嘱，折合今日的费用约3000美元。文艺复兴时期，公证人收费约800美元。1900年，律师收费约400美元。20世纪90年代，独立执业律师仍收费400美元。

2010年，LegalZoom将价格降至150美元。2026年，前沿模型通过API起草一份约5000词的遗嘱，成本不到0.5美元。从150美元到0.5美元，16年间成本降幅超过99%。



在17世纪到2026年期间，起草法律遗嘱的成本下降趋势。

GDP的核算逻辑在面对这种量级的价格崩溃时直接失效。

服务业GDP如何计算？主要依赖收据与报价。统计人员询问律师事务所“服务价格是上涨还是下跌”，然后将企业总收入除以价格，反推出服务的“数量”。当AI接手起惭棠件，律师事务所的收据便消失了——成本被吸收进仅值几毛钱的令牌费用中。

统计人员再次调查时，会发现平均服务价格反而上涨了，因为留给人类律师的都是更复杂、更高价值的案件。但是统计局看到的景象是：价格上涨，收入下降。结论：衰退。一份价值不变的法律文件，仅仅因为起草者从人变为AI，便在GDP账本上凭空蒸发。现有的核算框架从一开始就没设计用来处理这种级别的成本坍缩。

02 两种“暗产出”

从一份遗嘱的讨论开始，这篇报告将AI暗产出分为两类。

第一类：替代型暗产出。

原本由人类完成的工作，现在由AI执行。比如上文讨论的遗嘱、标准合同、数据录入、客服应答，这些任务的“工资账单”从统计数据中消失，仅在云服务商的计费系统中留下几毛钱的API调用记录。

替代型暗产出的核心是“交易记录的蒸发”。经济价值依然存在，但国民经济核算无法再捕捉到它。

第二类：新型暗产出。

指过去根本无人从事的工作，因为成本过高，不值得做。AI将价格压低到可以随时随地使用的程度。

比如完成一次学术文献综述，雇研究助理需2000美元，现在2美元的API调用几分钟就能完成。若在几年前，从时间、投入成本和产出结果来对比，就会觉得荒谬。

还有一种微妙情形：AI完成了人类的工作，没有“工资产生”。

比如一家企业过去以1万美元采购外部人力资源服务，现在以同样1万美元购买AI驱动的同类服务，GDP不受影响。但如果该服务转为内部AI流程，仅消耗10美元token费用，GDP便会硬生生减少9990美元。同样的工作，同样的价值，账面上的差异只取决于“在何处运行”。

真正的统计黑洞，出现在成本趋近于零、交易从市场消失、工作被企业内化的场景。但是这些场景，恰巧是AI最可能大规模渗透的领域。

03 AI时代数不清楚多生产了多少“螺丝”

工业革命时期也出现过类似的测量难题，机器替代了手工劳动，产出形态剧变。但制造业有一个统计上的天然优势：产出是实体，可以计数。

比如过去六个世纪，螺丝的实际价格下降超过99%，全球产量增长约100亿倍，GDP框架正确地把这种改变捕捉为增长与生产率提升。



螺丝钉实际价格与全球产量

但服务业没有“螺丝”。没有“法律服务单位”，没有“文献综述的公吨数”，没有“咨询服务的桶数”。所能获得的，只有律师开具的发票数量和咨询公司收取的服务费用。

曾经一个经济学家团队可能花一百年完成一份关于工业革命生产率的研究，如今几美元API费用便可得到。产出相同，GDP只看到后者被埋没在“计算机系统设计”科目的一个小数点之后。

报告中有一句话说的很精辟，我们至今仍缺乏一套描述脑力工作的功能性词汇。工业革命拥有“马力”，提供了一种将机器产出与人类劳动置于同一尺度下比较的方法。

AI时代的“token”做不到这一点，因为一百万个token可能产出垃圾信息，也可能产出一项改变公司战略的重大决策。经济价值取决于产出内容，而非token数量。

如果AI产出的价值只能通过token支出、电价和水耗来观察——换言之，只能看到成本端——经济数据便会呈现出一幅反常画面：投资狂飙，产出一片沉寂。这就像泡沫。如果投资者和央行依据扭曲的数据判断AI是泡沫从而收紧资金，后果将是真实而深刻的。

04 就业下降、工资上涨，但无人加薪

既然无法直接观测暗产出，能否通过“副作用”间接追踪？报告团队的暗产出监测器正在尝试这条路径。

他们发现了一个诡异的信号：在受AI影响最大的经济部门中，就业人数相对于整体经济在下降，但这些部门工资却呈现增长。

道理不复杂。

AI最先替代初级员工的日常工作。当收入最低的那部分员工率先从样本中消失，剩下的便是更资深、薪酬更高的人员。于是该行业的平均工资上升了。没有人真正获得加薪，是统计数据自身在上涨。

这种就业与工资之间的背离，正是替代型暗产出的指纹之一。



在1.53万亿美元暴露于AI替代风险的劳动力成本中，62%来自已有明确替代证据的工作（如裁员），37%来自增强型证据（AI作为工具辅助现有员工），仅1%两者兼具。

另外一方面，Anthropic于2026年3月发布的经济指数显示，37%的token使用集中在计算机和数学领域。按理说，该领域产出应爆发式增长。但软件投资对GDP的贡献既未偏离AI兴起前的趋势，甚至未回到历史高点。

大量token被消耗，产出正在发生，统计数狙唐丝不动。这种格局说明新型暗产出的规模可能远超替代型——大部分token被用于执行过去从未存在过的工作，这些工作在统计系统的词典中没有对应词条。

05 1.5万亿并非已消失的工资

报告设计了一套六级证据阶梯：第一、二级基于基准测试，仅用于估算成本。第三级是炒作层，公司公开声称产品具备某种能力。第四级：有企业表示工具已在生产中使用。第五级：有公司在法庭上为AI工作的合法性辩护。第六级：有保险公司为相关风险承保。

文章开头提出的1.5万亿美元，是基于证据层级中第四级及以上信号得出的。它对应的是“在当前AI具有可信替代潜力的范畴内，相关任务对应的工资池”，而非“已消失的劳动力”。换言之，这是“受影响的劳动力”，并不是“已蒸发的工作岗位”。



判断AI能不能替代人，最弱的证据是"考试考得好"，最强的证据是"保险公司愿意为它的错误买单"。

其中，第六级是最强信号，因为保险公司已为失败模式定价并承担了真金白银的风险。迄今尚未观察到第五级或第六级活动的证据。在一个炒作自净能力几乎为零的AI行业中，这一空白本身就是一剂清醒剂。

目前收集到的大部分证据指向AI的增强作用，而非替代——人们在使用AI，而非被AI取代。一个被标注为高暴露度的行业，更应被解读为该领域的替代经济学逻辑极为清晰，至于最终结果，只有时间能回答。

06 统计数据失灵的四种方式

最后回到最初的问题，总结来看，为什么GDP测不出AI创造的价值？根源在于四种相互纠缠的统计失灵。

第一种，交易消失了。过去公司花10万元买咨询报告，这笔交易记入GDP。现在员工用AI几分钟完成同样分析，只花几块钱API费用。分析报告的价值还在，但那笔10万元的交易凭空消失了。统计体系根本不知道有这笔产出发生过。



一份报告的成本，从1500年的10万美元降到2026年的15美元，降幅超过7000倍。

第二种，价格信号骗人。制造业有实物可数，椅子从100元降到1元，还能数出产量在增加。服务业没有“个数”，只能靠收据估算。当AI把合同起草从150美元打到0.5美元，统计局看到却只是“律师行收入暴跌、但剩余律师收费更高了”。

系统把这组信号诊断为：通胀上升、生产率下降。成本在坍缩，统计却报出滞胀。

第三种，功劳算错地方。医院用AI把病历处理效率提升三倍，但增长的功劳记在云服务商账上。按行业分GDP，AI供应商看起来是唯一的增长引擎，真正用AI创造了价值的行业，数据上却像个落后者。

第四种，新工作不存在于统计范围内。过去没人会花钱“把半年邮件整理成500字摘要”，太荒谬了。现在AI用几毛钱就能完成，这类脑力工作海量发生，但它们没有工资单、没有收据，唯一的记录是几分钱token消耗。统计体系从未为它们预留位置，它们在GDP里等于零。

这四种失灵相互放大，层层叠加下来，AI带来的真实繁荣，在数据上完全可能被读成经济萧条。

有人可能会问：强调“暗产出”，是不是在为AI的巨额投入找借口？毕竟建了那么多数据中心、买了那么多GPU，总得看到回报吧？

报告明确回答了这个问题：不是。AI的成本，无论是数据中心、GPU、电力、水资源还是土地投入，每一笔都有据可查；你调用了多少次API、消耗了多少token，云服务商的账单上也写得明明白白。成本这一端，所有人都看得见。

真正的问题出在另一端：AI产出的经济价值，在账本上几乎一片空白。

报告的原话翻译过来就是：如果AI真是一场堪比工业革命的大事件，那我们需要的不仅是“AI抢走了多少人的工作”这类数据，更要知道它创造了什么。

当一个社会的经济测量系统看不见正在发生的价值创造，后果很严重。

第一，税基出问题：大量经济活动不再以“发工资”的形式存在，基于劳动收入的税收基础会悄然萎缩。

第二，舆论出问题：批评者不需要任何证据，一看GDP没动静，就可以理直气壮地说AI就是一场泡沫。

第三，决策出问题：政策制定者一边看到AI在替代就业，另一边却看不到AI在创造什么，两面夹击之下，他们很难做出合理的权衡。

2013年，美国曾经修订过一次GDP核算方法，把研发投入和知识产权投资也计入其中。这一改，20世纪90年代的经济总量一下子多出了3.6万亿美元。但那次修订至少还有发票、合同这些原始凭证可以追溯。

而AI创造的暗产出，甚至连发票都没有，什么都没留下。这才是真正棘手的地方。

特约编译金鹿对本文亦有贡献