华泰 | 固收：智能经济学传导机制与跟踪框架

点击查看研报原文

核心观点

AI正在推动宏观分析范式由传统的“五部门”向“硅基跨部门层”拓展，我们在本篇进一步梳理硅基部门对经济传导机制的重构，同时拓展我们的指标跟踪框架。

AI的发展正在重构过去的经济传导机制：

第一，货币政策传导弱化。AI巨头资产负债表强、融资渠道多元，企业更重视市场份额和生态位，数据中心项目周期长、不可逆，都使得政策利率的敏感性降低。

第二，财政政策传导变异。财政目标由逆周期需求管理转为供给安全与产业竞争力工具；AI发展也影响财政收支结构，要求财政职能转向“捕获并再分配AI技术租金”。

第三，就业消费链条脱钩。AI的就业替代可能已经在渐进发生，同时附带着结构性的就业创造和场景创造效应，但分配制度的调整可能相对滞后，短期供给能力扩张速度可能快于需求能力形成，从而导致一定的挤出，短期碳基部门的需求传导链条可能会有所断裂。

第四，通胀传导出现分裂。短期形成硅基投入品通胀、传统碳基最终品、硅基产出品通缩的格局，而长期技术进步或存在通胀效应。

第五，贸易汇率传导逆转。比较优势由先天要素转向可投资的算力、数据、电力和制度禀赋，贸易逻辑转变推动供应链重构，全球形成“AI核心—边缘”结构。

这些变化之下，跟踪框架也需要进化。一方面，硅基部门的运行机制与碳基部门并不相同，对硅基部门的发展需要构建一套系统性的跟踪框架；另一方面，传统的经济传导机制并未完全失效，但需要有所拓展。

对于AI内部的传导机制，沿着（下游）应用←模型←数据中心（云厂商）←硬件/能源（上游）形成上下游关系和循环反馈。短期焦点在算力供给，关注AI巨头资本开支、租赁负债、RPO及硬件收入，验证算力需求和基建落地；同时跟踪电力、建设进度、云收入、算力租金、现金流与折旧，判断资本开支的可持续性。中长期根本的需求来源仍在于应用层和模型层，关注模型能力、Token量价、企业AI采用率、开发者生态、应用软件收入和模型公司ARR，验证“应用增长—模型调用—算力投资”的需求闭环。

对于传统的传导机制，货币端单列硅基资本流和信用定价，就业收入端聚焦高AI暴露行业及重点群体，通胀端区分投入品、最终品和数字价格，贸易与财政端则关注新要素禀赋、数字服务贸易、税基变化及租金归属。

国内传导机制有何特殊性？第一，中国旧增长仍依赖地产、城投和出口，AI短期体现为对相关产业、城市和消费群体的点状外溢，但挤出效应同时存在，尚难替代传统链条。第二，中国供给侧政策工具较强，但需求端传导偏弱，AI可能加剧“供给扩张快于需求形成”的矛盾，需同时观察算力基建与收入、消费、分配机制的改善。第三，长期关键在于能否补齐高端芯片、基础软件和算力基础设施短板，形成“内部需求—国产模型—国产硬件—应用扩散”的自循环。

伴随AI影响的进一步扩散，我们基于新框架跟踪智能经济时代的传导链条，以及其对宏观经济的影响。

风险提示：AI 算力供给与成本约束风险，AI投融资持续性风险。

正文

智能经济学：传导机制与跟踪框架

我们在报告《智能经济学：从基础假设到分析范式》（2026年7月1日发布）中论证AI正在松动经济学的承重假设，并概述了分析范式从“三流、四循环、五部门”向“硅基跨部门层拓展”的迁移方向，本篇我们对宏观经济传导机制的变化进一步展开。

从经济部门的角度来看，AI的影响横跨五个部门，对居民、企业、政府、金融、国外每个部门都形成“拓展”。

（1）企业部门本身正在二元化为碳基企业与硅基企业。碳基企业是以人为核心的传统实体行业，仍服从传统的劳动加资本生产函数，受边际成本递增与融资约束制约；但硅基企业（能源层、芯片层、基础设施层、模型层、应用层）则以智能资本（模型加数据加算力加组织吸收能力）为核心要素，呈现高固定成本、趋零边际成本、规模报酬递增的特征，也具有更强的外溢影响。

（2）居民部门随之从代表性消费者拓展为异质主体。AI既会替代劳动、又可以增强劳动、甚至可能创造劳动，居民由此分化为AI增强者、被替代的认知劳动者与不可被替代的劳动者，叠加偏好被算法塑造，不同群体的预算约束和行为函数等都可能分化。

（3）政府部门新增AI产业政策主导者与算力基建提供者角色，叠加地缘事件频发，财政从逆周期需求工具转向供给安全与技术主权工具。

（4）金融部门分化为传统金融条件与硅基资本流。AI改造金融中介的资金配置、风险管理等功能，提升效率但同时带来模型集中度风险；AI企业则以多元化的融资能力拓展金融渠道。

（5）国外部门的比较优势从先天要素禀赋拓展为后天可投资的算力、数据与电力禀赋，短期看AI改变贸易流的走向和结构，而远期算力、电力与数据基础设施的之间的差异可能转化为生产率之间的壁垒。

更关键的是传导机制的变化。我们过去强调的经济循环，从根本上可以简化为一条通用传导路径：⓪冲击/政策→①传导载体（信贷、资本、金融条件…）→②终端转化（就业、收入、消费、总需求与价格）→③实体生产（企业投资、要素配置）→④反馈强化（预期、资产价格、再投资），背后则基于货币、财政、就业收入、金融市场、价格信号、外贸汇率等传导节点， AI的发展使得过去的一些传导机制正在被解构，具体体现在几个层面：

第一，货币政策的传导弱化

货币政策传导的主要路径是“政策利率→金融条件→投资/消费/购房”，这一传导机制有效的前提是企业和居民受融资约束且对资金成本敏感。伴随着AI基建规模攀升，AI巨头（以美国科技大厂为主）大幅增加外源性融资，形成了股权、投资级公募债、客户预付、SPV项目融资、资产证券化等多元组合融资方式，不过这套“硅基资本流”对货币政策的敏感性明显低于传统经济。

其一，海外AI大厂是经济中金融摩擦最小的主体：历史上是轻资产、高盈利、靠留存收益和巨额现金储备自我融资、净杠杆极低甚至为负的企业；即便转向外部融资，仍是顶级投资级主体，是外部融资溢价最低的那部分企业，在成本上有更高的定价权，货币传导机制失去着力点。Altavilla, Gürkaynak and Quaedvlieg（2024）发现企业资产负债表强度决定其溢价异质性，强企业溢价低、且对货币政策冲击响应弱。

其二，部分无形资本投资的成本敏感度低。AI投资本质上是无形资本与ICT资本，部分无形资本投资对利率的敏感度系统性低于有形资本。Döttling and Ratnovski（2023）的微观实证发现，无形投资对货币政策的反应仅为有形投资的1/6到1/3，David and Gourio（2023）发现投资结构从有形转向无形或使货币政策对GDP的传导减弱约四分之一。

其三，企业目标函数改变。传统假设企业是当期利润或NPV最大化主体；AI大厂的决策函数是市场份额、生态锁定和长期战略位次，是“不投即出局”的生存博弈，利率在决策机制中的权重很低，Allianz Research（2026）概括为“race to secure and deepen dominant position”——投是为了巩固主导地位，不是算单个项目的回报率。

其四，投资项目规模大、不可逆、周期长，调整成本较大。数据中心与芯片产能是投资巨大、建设周期长、几乎不可逆的项目，且Hyperscaler大量用远期租赁承诺锁定多年产能。传统传导假设利率变化能平滑调节投资量；但这类项目一旦启动，调整成本极大，利率中途变化很难改变已承诺的资本开支计划。

此外，传统行业的货币政策传导也被AI所扭曲。一方面，经济K型分化加剧货币政策难度，AI链与传统经济的背离使得货币政策可能偏向不利于传统经济的方向，货币政策逆周期调整的能力被抑制；另一方面，AI巨头对货币政策的低敏感性可能增加传统部门对流动性变化的暴露，即本来应该被“投放”或“抽水”的流动性需要更多依赖传统部门来消化，这些都可能使得金融条件对传统经济的传导被扭曲，其可预测性明显降低。

第二，财政政策的传导变异

传统财政政策是逆周期需求管理的重要工具，遵循“经济过热/衰退→财政收支调整→熨平总需求波动”的传导链条，但AI时代的财政政策的传导机制也发生变化。

其一，财政政策本身的目标变化。全球秩序重构本就导致全球转向安全化诉求，政策组合上全球都进入财政主导的时代。而AI革命使得财政政策进一步转为供给安全与产业竞争力工具。AI革命把“战略产能”的清单扩容：从芯片、稀土延伸到算力、数据、电力与模型，这些既是卡脖子的安全议题，又是未来增长的引擎，财政资金可能更密集地流向技术主权环节。

其二，AI发展影响财政收支结构。从积极的角度看，数字/ICT 基建的财政乘数显著高于传统基建（IMF测算 ICT 投资乘数约 1.8、非 ICT 约 0.9），同时AI 净生产率或可改善债务动态（CBO, 2024）。但另一方面，投资拉动特征在中长期形成供给能力，财政安全化和生产导向可能加剧远期“供强需弱”的矛盾。同时，从收入法看，AI投资体现为固定资产折旧和营业盈余的贡献，分配由劳动向资本的收入转移压低税率并侵蚀税基（Korinek and Lockwood，2026），不平等加剧抬升转移支付，债务上升可能加大利息支出（Dynan et al., 2026）。

因此，AI红利能否改善财政空间，取决于税制能否对更为集中的资本与租金有效征税。Harris, Mehrotra and Overcash（2026）指出价值流向低税率渠道会吞噬超过一半红利，KfW（2026）将此称为“沉默的赌注”，这需要财政政策进行更多改革适配，财政的角色需要从“调节需求”转向“捕获与再分配技术租金”，一方面拓宽流量税基（消费税、碳税），另一方面可能需要拓展AI财富基金、超额利润税、算力税等更多分配工具。

第三，就业消费的传导链条脱钩

奥肯定律所隐含的需求端传导链条（“经济增长→就业扩大→工资上涨→消费改善→再投资”），是过去两百年宏观传导最核心的传导机制，也是需求侧自我强化的循环机制。AI对这一链条的重构，涉及到其对于增长、就业、分配等多个领域的影响，我们均有专题研究报告细致展开，在此我们主要进行总结性分析：

（1）AI对于经济增长的影响，短期看大厂Capex的投资拉动，长期看生产率如何兑现。我们在《智能经济学：AI重构增长函数》（2026年7月22日发布）中已经提出，AI对生产率的影响可能遵循J曲线，从AI for coding到AI for Science再到物理AI，对生产率的拉动先温和后放大。从劳动生产率数据中，我们已经看到美国劳动生产率小幅提升，且AI采用率更高的行业生产率提升更快，但从整体经济来看，宏观生产率兑现尚不明显，仍有待后续继续跟踪。

（2）对于就业的影响则更为复杂。

一是，AI资本开支高度资本密集，主要投向数据中心、芯片与服务器，单位投资的就业密度远低于基建、地产或传统制造业。数据中心建设期用工有限，运营期更是高度自动化、长期雇员极少，“增长→就业”的乘数被稀释，整体就业弹性（就业增长对GDP增长的比值）系统性下降（Goetzel、Muro和Methkupally，2026）。

二是，AI存在就业“替代效应”。黄益平（2026）援引“替代螺旋”的机制：企业理性用AI替代劳动者→劳动收入被压低→总需求下降→企业面临更大压力→进一步用AI替代劳动，终点可能不再是“红利惠及大众”，而是“生产率上升、需求塌陷”；与之相关的“幽灵GDP”理论，指宏观GDP与个人收入之间出现缺口，生产率提高后，劳动收入可能无法同步增长。

就业替代（等效人力）在劳动力市场已有早期证据。Klein Teeselink and Carey（2026）用39国招聘数据发现高AI暴露职业的招聘减少约6%，生成式AI同时冲击高技能认知岗位，替代速度可能快于新任务创造。美国非农数据上，我们也看到了信息业的就业替代已经发生，雇员增长停止、职位空缺率下降、工资增长反而倾向于降低，行业劳动力市场趋于松弛。

三是，AI对就业也存在积极影响的一面。其一，生产率提升红利，Brynjolfsson, Li and Raymond（2025）基于5172名客服的实地实验，发现AI使生产率提升约15%、且最大增益归于新手与低技能员工，抬升其生产率与议价权，体现AI赋能的积极影响。二是Acemoglu and Restrepo（2019）指出历史上每次通用技术革命都曾带来就业冲击和分配恶化，但最终都形成“新就业增长－生产率与劳动收入良性循环”的逆转，AI训练、数据标注、提示工程、AI运维、模型合规、AI内容创作等新职业可能在局部形成就业拉动（Humlum & Vestergaard，2026）。其三，AI革命使得智能供给提升，以及交易成本下降，从“零工经济”到“一人公司”等不断出现，企业边界的拓展也有利于带动新的业态和新的就业模式。

（3）对于终端需求而言，硅基供给扩张快，而碳基需求形成慢，可能产生阶段性的分配鸿沟。

AI的发展在居民部门内部分化出AI增强者、被替代的认知劳动者、非认知劳动者等群体，形成分配差异。被替代群体往往边际消费倾向高（更依赖劳动收入），但对利率不敏感（缺信贷可得性）；被AI互补、收入提升的群体对利率敏感，但储蓄率更高，可能影响实体部门的支出强度。

短期看，AI发展带来的供给能力扩张可能快于需求能力形成，分配差异可能反过来抑制终端，这正是黄益平（2026）所说“AI时代最大宏观挑战”在中国语境下的具体形态，不缺生产率，缺的是良好的收益传导与分配机制。同时，经济K型分化使得政策难度上升，政策逆周期调节能力降低，也可能对传统部门形成挤出。

当然，同样也有几重对冲机制：其一，AI降本使教育、医疗、内容、办公等服务变便宜，可能带动这些领域需求扩张。其二，AI原生企业、平台、算力基建的高收入员工，形成局部的高消费力群体（尽管其储蓄率也偏高）。其三，AI的进步可能带来更多的需求场景，促进供需的良性循环。其四，AI相关股票上涨可能带来财富效应，形成弥补，尤其在财富效应较强的发达经济体。

总之，AI的发展使得就业收入的需求端传导链条非常复杂，一边是生产率拉动，另一边是就业替代；一边是需求的点状拉动，一边是终端需求的挤出。我们认为，AI的就业替代可能已经在渐进发生，同时附带着结构性的就业创造和场景创造效应，但分配制度的调整可能相对滞后，短期供给能力扩张速度可能快于需求能力形成，从而导致一定的挤出，短期碳基部门的需求传导链条可能会有所断裂，全球K型分化可能继续存在。但长期来看，AI的发展可能伴随着就业的结构性迁移、与工时的系统性降低，生产率的提升仍会提高国民经济收入，然后AI租金通过更优化的分配机制流向居民部门，再叠加上新场景的创造，形成终端需求的新支撑。

第四，通胀传导机制的分裂与错位

传统的传导机制中，价格围绕边际成本形成，是供需关系的信号，又通过影响供需实现再平衡，引导资源优化配置。不过，AI使得通胀在部门、时间和国别间的传导形成分裂和错位。

其一，AI革命使得不同部门的定价机制发生根本性分化。其中，硅基产出品（标准化认知服务、数字内容）边际成本趋零、价格趋于下行；碳基投入品（算力、电力、稀土、芯片）因物理供给刚性、需求爆发而价格上行；但碳基需求形成偏慢，最终呈现出“硅基产品丰裕、但投入品短缺，碳基成本端有传导、但需求端不足”的情况，形成硅基投入品通胀（半导体芯片等上游PPI）>碳基最终品震荡（下游PPI和CPI）>硅基产出品通缩（认知类服务CPI）的通胀分裂。当然， AI压低可编码服务价格，但教育、医疗、护理等人工密集服务等非自动化部门的相对价格还取决于AI 能够替代的程度，鲍莫尔成本病可能以新形态继续存在。

其二，AI对通胀的传导在时间维度上有错配。生产率J曲线表明，通用技术落地需先投入大量未被统计的无形资本，这意味着当前AI资本开支与需求是通胀性的，而生产率红利的滞后释放才是通缩性的，二者在时间上错配。Aldasoro等（2024）的研究显示，AI通过拉动生产率显著提升产出，但通胀方向“模糊”、关键取决于主体对AI生产率提升的预期程度；Faria-e-Castro and Ozkan（2026）证明，AI短期通胀压力来自预期与需求侧，长期通缩红利来自供给侧。当然，远期通缩背景，生产率提升带来的通缩效应本质具有更高的福利效应，竞争格局的变化和，但资本开支形成的供给扩张可能降低议价能力。前者更偏福利效应，后者可能挤压企业盈利。

其三，Cerutti et al.（2025）的研究还指出，AI影响的全球分布极不均衡，意味着价格分裂会从部门扩展到国别维度。

第五，贸易汇率传导逆转

贸易与汇率存在一条传导路径：国际要素禀赋→比较优势→贸易结构→汇率。传统李嘉图-赫克歇尔-俄林框架下，比较优势由先天要素禀赋决定，贸易按比较优势展开，汇率通过巴萨效应反映贸易部门的生产率差异。AI改写了这一传导链条：

其一，比较优势的来源从先天禀赋到后天可投资。传统比较优势以劳动力、土地、自然资源等先天要素为基础；AI时代，比较优势的来源转向数据、算力、电力和制度禀赋，后者是后天可变、可投资的，而非先天给定，比较优势的“动态性”上升，一个国家可以通过投资算力、电力、数据基础设施来“制造”比较优势，这也是争取“AI核心”位置的关键。

其二，AI削弱了“劳动力套利”的逻辑：当生产可由AI和机器人完成，贸易结构从“劳动力套利”转向“算力套利”，可能加剧全球供应链的重构与回流。Artuc et al.（2023）用李嘉图框架揭示发达国家采用机器人通过降价、扩规模与回流效应重塑贸易格局、发展中国家尤其暴露；Faber（2020）以墨西哥为例证明发达国家自动化通过回流显著减少离岸目的地就业；Krenz, Prettner and Strulik（2021）量化了每千工人增加一台机器人与约3.5%回流活动相关。

这些变化之下，如何观测宏观经济的传导机制？

一方面，硅基部门的运行机制与碳基部门并不相同，对硅基部门的发展需要构建一套系统性的跟踪框架；另一方面，传统的经济传导机制并未完全失效，只是需要有所拓展。基于这些变化，我们在此更新下我们对于宏观经济的跟踪体系。

1、硅基部门的传导链条，既影响AI产业逻辑本身，也影响宏观经济。

影响因素上看，AI的传导链条非利率敏感、低就业相关，更多以算力与应用为载体，具备自我强化的潜力；传导链条上看，形成“算力投资→模型能力提升→用户与调用量增长→数据回流和训练→更强模型→更多算力需求”的循环机制；产业链条上看，沿着（下游）应用←模型←数据中心（云厂商）←硬件/能源（上游）形成上下游关系。不过，产业链的上游和下游在兑现时间上存在差异，形成两条相互连接的观测主线。

第一，短期的焦点在算力供给侧。需求来源于AI大厂的数据中心基建投资，对应到硬件层的盈利兑现，具体的观测锚有：

（2）AI巨头的租赁负债变化：除了表内资产开支，云厂商也开始推进表外融资方式，通过经营租赁、或者通过建立SPV与融资租赁等方式持有数据中心资产，部分支出不直接计入Capex，但也应算入算力建设的一部分。这部分Q1单季规模已经超过600亿美元，后续仍会继续上升，是AI基建中不可忽略的部分。

（3）云厂商RPO（Remaining Performance Obligation，剩余履约义务）：这部分是云厂商AI基建未来的资金来源，主要来源于模型和应用层公司，具有相对较高的确定性，也是观测云厂商未来资本开支预期的参考基准。目前海外四家云大厂的RPO规模在两万亿美元左右，能够支撑资本开支预期继续增长。

（4）硬件层验证：AI基建落地的直接拉动对象，是当前增长拉动和盈利验证最为确定性的部分，我们通过多维数据观测，如全球半导体销售量价、硬件层企业数据中心收入增速、 中国台湾科技企业月度营收、韩国半导体出口量价及结构等，目前均在绝对高增区间。

当然，市场对云厂商的资本开支预期也存在一些担忧因素，我们重点观察：

（1）能源、电力等瓶颈情况（以美国用电量价衡量、尤其重点数据中心州的用电量）；

（2）数据中心建设进度（运营和在建进展等）；

（3）云厂商的云收入水平/利润率，即AI投资回报率的问题；

（4）算力租赁价格也可侧面反映当前算力市场的供需关系；

（5）Capex/OCF、折旧/营业收入等指标验证AI巨头财务压力。

这些指标的走势决定美国AI资本开支强度能否持续。数据上Capex占大厂OCF的比例快速上升至75%左右（TTM），折旧摊销占营业收入比例不断上升，财务压力客观存在，且数据中心规划速度暂时放缓。但另一方面美国数据中心在建仍在继续，重点数据中心州用电量增速上升，大厂云收入保持增长，算力相对紧缺，租赁价格仍高，Capex的双向博弈因素依然存在。

第二，中长期根本的需求来源仍在于应用层：应用层是模型层的需求来源，而应用层和模型层又是数据中心的需求根源，即终端应用/企业采用→模型能力与Token消耗→模型层ARR+应用层直接算力需求→数据中心云收入，其直接决定上文的云厂商AI基建的投资回报率。几个重点观测锚：

（1）大模型Token用量和价格：算力需求的直接观测指标。当前大模型Tokens调用量增长、价格下行仍是大趋势，模型层竞争依然激烈，也反映资本开支固定成本投入后的规模效应。不同模型的调用量差异也是模型能力、成本等综合选择的结果。

（2）前沿模型能力：模型能力进步是AI采用率和劳动生产率提高的必要条件。通过观测大模型能力的进步速度和对比情况，关乎不同技术路线选择、国际算力竞争格局等，产业链映射也不尽相同，尤其关注中国大模型能力的进展。

（3）应用端验证。应用端是Token的最终使用者，即AI需求的根源所在。只有应用层保持增长，“应用层消耗Token，模型层租用或自建算力，云厂商建数据中心”这套闭环才会实现。宏观上跟踪BTOS企业采用率数据，微观上关注开发者生态下载、Saas公司收入等。AI一方面赋能应用，另一方面也可能颠覆应用，这也是结构上的重要关注点。

（4）模型公司收入（ARR）：模型能力提升打开新场景，推理价格下降提升调用弹性，企业采用率是Token需求从用户走向真实生产的桥梁，收入与生产率才是兑现端。

2、碳基部门传统的传导机制也需要得到拓展。

过往的传导机制仍在运转，只是AI发展之下需要更聚焦或者需要适当拓展，我们重点关注以下几个维度：

一是，货币传导上，依赖银行信贷的中小企业、地产与家庭部门，利率传导依然有效甚至被数字化强化，金融条件仍是观测传统部门的主口径。但对于脱敏的硅基部门，需要单列硅基资本流（股权融资、债券发行、客户预付、内部现金流等），尤其关注AI巨头的融资事件、信用利差曲线、CDS等，大厂融资是AI资本开支的另一面，也间接反映其投资回报预期、债务可持续性等情况。

二是，就业消费传导上，增长-就业-消费的传导短期有所脱钩，需要在总量视角之外更为聚焦在AI关联度最高的部分群体。可以通过分行业AI采用率划分AI的暴露程度，然后观测AI暴露最高群体的就业、收入和消费情况，以此跟踪AI发展对宏观经济的影响。同时，在分配制度进一步适配之前，总财富指标可能更适合捕捉硅基部门收入向碳基部门的传导，但不同群体的消费倾向和支出特征存在系统性差异。

三是，通胀传导上，不仅仅看单一的Headline CPI，价格分裂的情况下需要区分硅基产出品价格（AI服务、数字内容）、碳基投入品价格（电力、稀土、芯片、算力）、碳基最终品价格（传统消费品）等分别跟踪，AI发展对短期价格和长期价格的意义也不一致。

四是，贸易传导上，国际竞争力和汇率的关键可能转向一国在“AI核心-边缘”结构中的位置（算力与电力基建、模型与应用生态），而非传统制造业生产率单一锚。观测上，关注新要素进展（算力、数据、电力基建）、服务业与制造业的生产率分化、数字服务贸易等。

五是，财政传导上，支出端拆结构，判断财政发力供给侧（产业政策、算力基建补贴）还是需求侧（民生消费），两者宏观意义存在差别；收入端拆税基，看价值流向哪个渠道、劳动税基是否被侵蚀（现行税制本身偏向资本、隐性补贴硅基部门，Acemoglu, Manera and Restrepo, 2020）；分配端看AI资本（算力、模型、数据）的所有权与租金归属，一国财政健康度取决于能否捕获AI技术租金，并有效改善分配不平衡。中长期的财政空间盯AI对r-g的净影响（生产率抬g vs 利率升r vs 税基侵蚀）。

基于以上，我们构建AI在金融市场层和宏观外溢层的跟踪视角：

（1）金融端，跟踪AI巨头融资情况、信用利差、CDS等。

（2）增长端，观测AI基建对GDP的拉动、以及劳动生产率（尤其高AI暴露行业）变化。

（3）就业端，关注分行业（尤其高AI暴露行业）的失业率、就业、解雇、职位空缺等情况，以及重点群体就业（如青年、毕业生、高学历人群等）。

（4）收入端，关注分行业（尤其高AI暴露行业）工资增长，同时总财富指标可能更适合捕捉硅基部门收入向碳基部门的传导。

（5）支出端，关注分群体消费倾向、劳动报酬份额等。

（6）通胀端，关注碳基、硅基分部门价格。

对国内传导机制的影响有何特殊性？

AI对以上传导机制的重构具有全球普遍性，全球都呈现出明显的K型分化格局，但落到中国，有几重特殊性值得单独讨论。

第一，中国旧的增长传导高度依赖地产、城投和出口三条链，信贷传导是主干。地产循环曾是信贷需求和居民资产负债表的核心载体；城投循环曾是地方信用扩张和基建投资的引擎；出口循环则连接外部需求与国内生产。新旧动能转换已经是中国宏观传导近年来的主线，不过旧经济仍是决定居民资产负债表和金融部门融资需求的关键。AI对这些传导的拓展在于，重点关注AI链景气度潜在的点状拉动，比如对一线城市地产、服务消费、高端消费等可能存在的点状溢出，以及对土地财政等影响。

第二，中国的政策工具箱，在供给侧定向支持上较为充足，但需求端传导仍待进一步畅通。我们的政策组合具有更多的“生产导向型”特征，再叠加上AI本身就在制造“供给能力扩张快于需求能力”的剪刀差，供需再平衡仍需要时间。因此，去年以来政策向“投资于人”、“消费率提升”等方向侧重，供需再平衡逻辑仍是观测内生动能传导的关键。不过从短期来看，投资端的抓手可能比消费端更为具体和可落地，包括AI算力网和通信网在内的六网建设仍是后续政策端重要抓手。

第三，中国在“AI核心-边缘”结构中的位置仍是长期关键。我国在部分关键环节（AI基建规模、硬件产业链层级）仍有追赶空间。若能进入核心区（掌握模型、算力、数据、应用生态），并建立起硅基部门传导的内部循环机制，有望获得更大的短期经济拉动、更快的全要素生产率提升和更高的产业利润。

具体来看，中国在模型层、应用层具备较强竞争力，但在高端芯片、基础软件、关键算力基础设施上仍存在短板。这种结构性位置，决定了中国AI传导的“上行收益”与“卡点风险”并存：上行是投资规模、应用扩散和生产率提升的空间较大，卡点则是关键环节的供给约束。芯片国产替代等产业进展是我国AI资本开支上修并落地的必要条件，也将构成AI链拉动增长和利润的第二曲线。

总结：五层跟踪框架

基于以上分析，我们总结下前文我们对智能经济时代的跟踪框架拓展，主要分为五层：

（1）AI基建层，以AI巨头资本开支为需求来源，形成硬件端强拉动，同时关注能源、建设进度、投资回报率、现金流、折旧等制约因素。

（2）模型与应用层，伴随着模型能力提升，以Token消耗为需求来源，行业AI采用、应用落地等形成模型层公司ARR。

（3）金融市场层，重点关注AI巨头融资及定价情况。

（4）宏观外溢层，观测AI发展的宏观影响，重点在于增长拉动、劳动生产率、就业替代与创造、收入传导、通胀分裂、财富分配等因素。

（5）中国数据层，关键是内部AI产业链的自循环何时建立、以及对旧传导机制的点状拉动和挤出影响。

具体跟踪指标细节已在前文展开，主体指标如下表。伴随AI影响的进一步扩散，要素投入、收入分配、税收等更多维度指标亦值得纳入观测。

风险提示：

1）AI 算力供给与成本约束风险：当前AI 大模型训练与推理高度依赖高规格算力资源，算力租赁、芯片采购成本居高不下且波动剧烈。若上游算力紧缺、硬件价格持续上行，将持续抬高企业研发与运营成本，压缩行业整体盈利空间，制约 AI 技术迭代与规模化落地节奏。

2）AI 投融资持续性风险：当前大量AI 主体尚未形成稳定盈利，行业高度依赖持续外部资本输血，若商业化落地进度不及预期、流动性环境收紧，融资热度回落将引发估值回调与行业结构性出清。

参考文献

[1]ALTAVILLA C, GÜRKAYNAK R S, QUAEDVLIEG R. Macro and micro of external finance premium and monetary policy transmission[J]. Journal of Monetary Economics, 2024, 147(S): 103634. DOI: 10.1016/j.jmoneco.2024.103634.

[2]DÖTTLING R, RATNOVSKI L. Monetary policy and intangible investment[J]. Journal of Monetary Economics, 2023, 134: 53-72. DOI: 10.1016/j.jmoneco.2022.11.001.

[3]DAVID J M, GOURIO F. The rise of intangible investment and the transmission of monetary policy[J/OL]. Chicago Fed Letter, 2023, No.482.

[4]SUBRAN L, DEJEAN G, HIRT A, et al. AI capex cycle: war-proof for now[R/OL]. Allianz Research, 2026-03-25[2026-07-22].

[5]KORINEK A, LOCKWOOD L. Public finance in the age of AI: A primer[R]. Cambridge: National Bureau of Economic Research, 2026. NBER Working Paper No.34873.

[6]DYNAN K, ELMENDORF D, SHEINER L. How might fiscal policy respond to the rise of artificial intelligence?[R]. NBER Working Paper No.35437, 2026.

[7]HARRIS B, MEHROTRA N R, OVERCASH W. Can AI restore fiscal sustainability in the US?[R]. Brookings Institution, 2026.

[8]BALES S. Die stille Wette: Künstliche Intelligenz, Produktivität und die Schuldentragfähigkeit der USA[R/OL]. Frankfurt am Main: KfW Research, 2026-07-02.

[9]GOETZEL D, MURO M, METHKUPALLY S. Turning the data center boom into long-term, local prosperity[EB/OL]. Washington, DC: Brookings Institution, 2026-02-05.

[10]黄益平. AI 对宏观经济的影响——增长、通胀与分配视角[EB/OL]. 2026-04-27.

[11]KLEIN TEESINK B, CAREY D. AI, automation, and expertise[PP/OL]. SSRN, 2026-04-17.

[12]BRYNJOLFSSON E, LI D, RAYMOND L. Generative AI at work[J]. The Quarterly Journal of Economics, 2025, 140(2): 889-942. DOI: 10.1093/qje/qjae044.

[13]ACEMOGLU D, RESTREPO P. Automation and new tasks: How technology displaces and reinstates labor[J]. Journal of Economic Perspectives, 2019, 33(2): 3-30. DOI: 10.1257/jep.33.2.3.

[14]HUMLUM A, VESTERGAARD E. Still waters, rapid currents: Early labor market transformation under generative AI[R]. Cambridge, MA: National Bureau of Economic Research, 2025, revised 2026. NBER Working Paper No.33777. DOI: 10.3386/w33777.

[15]ALDASORO I, DOERR S, GAMBACORTA L, et al. The impact of artificial intelligence on output and inflation[R]. Basel: Bank for International Settlements, 2024.

[16]FARIA-E-CASTRO M, OZKAN S. Can AI optimism raise inflation? What a standard macro model says[EB/OL]. Federal Reserve Bank of St. Louis, 2026-03-26.

[17]CERUTTI E M, GARCIA PASCUAL A I, KIDO Y, et al. The global impact of AI: Mind the gap[R]. Washington, DC: International Monetary Fund, 2025. IMF Working Paper No.2025/076. DOI: 10.5089/9798229008570.001.

[18]ARTUÇ E, BASTOS P, RIJKERS B. Robots, tasks, and trade[J]. Journal of International Economics, 2023, 145: 103828.

[19]FABER M. Robots and reshoring: Evidence from Mexican labor markets[J]. Journal of International Economics, 2020, 127: 103384. DOI: 10.1016/j.jinteco.2020.103384.

[20]KRENZ A, PRETTNER K, STRULIK H. Robots, reshoring, and the lot of low-skilled workers[J]. European Economic Review, 2021, 136: 103744. DOI: 10.1016/j.euroecorev.2021.103744.

[21]DRAGHI M. The future of European competitiveness: A competitiveness strategy for Europe, Part A[R]. Brussels: European Commission, 2024.

[22]ACEMOGLU D, MANERA A, RESTREPO P. Does the US tax code favor automation?[J]. Brookings Papers on Economic Activity, 2020, 2020(1): 231-300.

文章来源

研报：《智能经济学：传导机制与跟踪框架》2026年7月23日

张继强 分析师 S0570518110002 | AMB145

吴靖 分析师 S0570523070006

李梓豪 分析师 S0570124060040

关注我们

华泰证券研究所国内站（研究Portal）

https://inst.htsc.com/research

访问权限：国内机构客户

华泰证券研究所海外站

https://intl.inst.htsc.com/research 

访问权限：美国及中国香港金控机构客户

添加权限请联系您的华泰对口客户经理

免责声明

▲向上滑动阅览

本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究报告的发布平台，本公众号仅供华泰证券中国内地研究服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。

本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。