# Goldman Sachs 报告揭示 AI 对美国经济增量的真实贡献为何接近零 > 基于高盛首席经济学家的量化分析，拆解 AI 投资在 GDP 核算中被归零的结构性原因，并给出产业参与者的应对策略。 ## 元数据 - 路径: /posts/2026/02/24/goldman-sachs-ai-gdp-contribution-zero/ - 发布时间: 2026-02-24T08:47:04+08:00 - 分类: [mlops](/categories/mlops/) - 站点: https://blog.hotdry.top ## 正文 2025 年是人工智能投资狂飙突进的一年。美国科技巨头在数据中心、GPU 集群和大模型训练上的资本支出突破历史纪录，华尔街投行和主流媒体纷纷宣称 AI 已成为支撑美国经济增长的核心引擎。然而，高盛首席经济学家简·哈丘斯（Jan Hatzius）在大西洋理事会的一次活动中，给出了一个与主流叙事截然相反的结论：**2025 年美国 AI 投资对 GDP 增长的贡献「基本为零」（basically zero）**。这一判断并非情绪化表达，而是基于标准国民账户核算方法的严谨推导。理解这一结论背后的方法论逻辑，对于 AI 产业参与者——无论是技术决策者、产品经理还是投资人——都至关重要，因为它揭示了一个常被忽视的结构性现实：**AI 的经济价值创造与官方 GDP 统计之间，存在显著的统计口径错位**。 ## 进口抵消：芯片与硬件的「 GDP 漏出」效应 哈丘斯观点的核心逻辑，可以从 GDP 核算的基本恒等式说起。在国民账户体系中，国内生产总值（GDP）由消费（C）、投资（I）、政府支出（G）和净出口（NX）构成，公式为 Y = C + I + G + NX。其中，净出口等于出口减去进口。当一家美国公司从海外供应商采购商品或服务时，进口额增加，在 GDP 核算中会被扣除。这意味着，**如果投资支出的相当一部分流向了海外供应商，那么其对美国国内生产总值的净贡献将被进口抵消**。 AI 基础设施投资恰恰面临这一问题。当前这一代 AI 系统的核心硬件——高性能 GPU、专用加速器和先进制程半导体——高度依赖全球供应链，尤其是台湾和韩国。英伟达（NVIDIA）虽然是一家美国公司，但其芯片的制造环节主要分布在台积电（TSMC）的台湾工厂以及韩国的三星代工部门。当美国云服务商、数据中心运营商和科技巨头斥资数百亿美元采购这些设备时，支出数字的确非常庞大，但**这些资金中有相当比例流向了海外的制造业 GDP，而非留在美国国内**。哈丘斯本人曾明确指出：「我们看到的许多 AI 投资在增加台湾的 GDP，在增加韩国的 GDP，但并没有真正增加多少美国的 GDP。」这句话精准地概括了进口漏出问题。 这一现象在 2025 年的数据中表现尤为明显。尽管媒体报道的 AI 资本支出数据屡创新高，但经过进口因素的调整后，净效应被大幅压缩。如果仅看「信息处理设备与软件」这类投资类别在 GDP 增长中的贡献，可能会得出 AI 驱动了大部分增长的结论；但一旦将进口 content 剥离，真实贡献立即缩水。 ## 中间投入品陷阱：芯片为何不是「投资」 除了进口抵消之外，另一个关键因素在于美国经济分析局（BEA）对 AI 相关商品的统计分类方法。**高性能半导体被 BEA 归类为「中间投入品」（intermediate inputs），而非可以直接计入投资的最终资本品**。在国民账户的核算规则中，中间商品的价值只有在被嵌入最终产品或服务并向客户出售时，才会体现在 GDP 中。举例来说，一颗 GPU 被安装在服务器上、构成云计算服务的一部分，最终以 AI 云服务的形式销售给终端用户时，其价值才会被计入 GDP；反之，如果芯片被采购后用于构建尚在开发中的模型或能力，而没有形成可销售的最终产品，那么这笔支出在当前统计周期内就不会体现为投资。 这正是当前 AI 浪潮的一个独特之处：大模型训练和 AI 基础设施的构建，在很大程度上是在「建设一项无形资产」（building an intangible asset）。企业采购大量 GPU 和算力，但这些投入尚未完全转化为可变现的产品或服务。模型能力的提升是渐进且难以直接量化的，其经济价值往往需要等到实际应用场景产生收入后，才能在 GDP 中得到体现。**这意味着在当前的统计周期内，大量的 AI 支出被归入了「中间投入」的范畴，其价值贡献被推迟确认，甚至在短期内被系统性地低估**。 ## 「真实 GDP」与「统计 GDP」的差距 高盛的研究团队（由 Peng、Briggs、Dong 等分析师在哈丘斯的领导下完成）进一步量化了这一差距。他们构建了一个「真实 GDP」（true GDP）序列，试图捕捉 AI 基础设施支出所带来的国内增值。从公司财报和资本支出数据出发，研究团队进行了两项关键调整：首先剔除价格通胀的影响，其次减去进口部分和海外生产环节的贡献。经过这些调整后，高盛估计 **自 2022 年以来，AI 为美国「真实 GDP」增加了约 1600 亿美元，相当于美国 GDP 总量的约 0.7%，折合年均增速约 0.3 个百分点**。 然而，在官方统计口径下，同期 AI 带来的 GDP 贡献仅为约 **450 亿美元**，约占 GDP 的 0.2%，年均增速贡献仅约 0.1 个百分点。两者之间的差距约为三倍，这正是进口抵消和中间投入品处理造成的统计漏出。换言之，**AI 产业确实在创造真实的经济价值，但很大一部分价值没有被当前的 GDP 统计方法所捕获**。这也是为什么高盛将 2025 年 AI 投资对 GDP 增长的净贡献评估为「接近零」——在剔除进口和中间投入因素后，短期内可量化的增长效应微乎其微。 ## 对产业参与者的启示 理解这一统计现象，对于 AI 产业从业者具有多重实际意义。首先，**不应将 AI 投资的账面支出等同于其对宏观经济的拉动效果**。企业在算力上的大规模投入，在财务报表上体现为资本支出增长，但这些支出中有相当一部分通过供应链流向了海外制造商，国内经济乘数效应因此被高估。对于政策制定者而言，这意味着仅凭 GDP 数据来评估 AI 政策的短期成效可能会产生误判——真实的经济价值可能已经在创造，但尚未被传统统计框架所反映。 其次，**AI 生产力效应的显现存在滞后性**。正如哈丘斯所指出的，目前没有可靠的方法来衡量企业和消费者使用 AI 的方式如何转化为生产力提升。对数千名企业高管的调查显示，大多数人表示尚未在就业或生产力方面感受到 AI 的显著影响。这种滞后性意味着，AI 对经济增长的实质性贡献——即通过提高生产效率、创造新产品和新服务来拉动 GDP——可能需要更长时间才能在统计数据中得到体现。当前阶段，AI 更像是一项大规模的「前置投资」，其回报将在未来若干年内逐步释放。 最后，对于关注 AI 商业化和投资回报的企业领导者来说，**需要区分「AI 支出」与「AI 价值产出」这两个不同的概念**。在评估 AI 项目 ROI 时，不应简单对比投入的算力成本与短期的收入增长，而应将 AI 视为一项能力建设，其价值体现于产品竞争力提升、业务流程优化和长期市场地位的巩固。随着 AI 应用逐步从基础设施层走向应用层，最终产品和服务开始向客户收费，AI 的价值才会通过收入端真正计入经济产出。 ## 结语 高盛的这份报告并非要否定 AI 的经济潜力，而是提醒决策者和市场参与者：**官方 GDP 统计与 AI 真实价值创造之间存在结构性错配**。进口依赖和中间投入品的统计处理，使得 AI 投资在短期内的 GDP 贡献被系统性地低估。随着 AI 应用从基础设施建设转向商业化落地，这种统计漏出将逐步收窄，AI 对经济增长的真实贡献有望在未来几年内逐步显性化。在此之前，理解并接受这一「统计滞后期」，是评估 AI 产业真实影响力的前提。 --- **参考资料** - Goldman Sachs Research (2025). "AI investment contributed basically zero to US GDP growth in 2025." Goldman Sachs. - Fortune (2025). "AI has added $160 billion to 'true GDP' since 2022, Goldman Sachs estimates." ## 同分类近期文章 ### [MegaTrain全精度单GPU训练100B+参数LLM：梯度分片与optimizer状态重构技术路径](/posts/2026/04/09/megatrain-full-precision-single-gpu-training-100b-llm/) - 日期: 2026-04-09T01:01:41+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 深入解析MegaTrain如何通过主机内存存储、流水线双缓冲执行引擎与无状态层模板，实现单GPU全精度训练百亿参数大模型的核心技术细节与工程化参数。 ### [可验证的 RLHF 合成数据流水线与质量评估框架](/posts/2026/04/08/synthetic-data-rlhf-pipeline-verification-framework/) - 日期: 2026-04-08T23:27:39+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 基于 LLM 生成奖励模型训练数据，构建可验证的合成数据流水线与质量评估框架。 ### [单GPU全精度训练百亿参数LLM：显存优化与计算调度工程实践](/posts/2026/04/08/single-gpu-100b-llm-training-memory-optimization/) - 日期: 2026-04-08T20:49:46+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 深度解析MegaTrain如何通过CPU内存作为主存储、GPU作为瞬态计算引擎，实现单卡训练120B参数大模型的核心技术与工程细节。 ### [Gemma 4 多模态微调在 Apple Silicon 上的实践：MLX 框架适配与内存优化](/posts/2026/04/08/gemma-4-multimodal-fine-tuner-apple-silicon/) - 日期: 2026-04-08T12:26:59+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 在 Apple Silicon 本地运行 Gemma 4 多模态微调，聚焦 MLX 框架适配与内存优化工程参数，提供可落地的配置建议。 ### [极简自蒸馏SSD：代码生成中单次训练无过滤的工程实践](/posts/2026/04/05/embarrassingly-simple-self-distillation-code-generation/) - 日期: 2026-04-05T12:26:02+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 深入解析Simple Self-Distillation方法，探讨训练温度、截断策略与代码生成pass@1提升之间的参数映射关系。