央行既要观察投资需求可能带来的价格压力，也要评估技术扩散对潜在增长的影响，还需要关注信用扩张、融资结构及金融机构自身使用AI产生的新风险。
一场技术革命，正在改变中央银行观察经济的方式。
从资本投入到产业应用，再到金融生态，AI（人工智能）技术快速迭代，变化接踵而至。不过，不同个体、企业、市场乃至经济体的“体感”并不同步。
2026年10月19日，中国人民银行行长潘功胜在金融街论坛年会上提及，人工智能产生的需求和供给效应可能存在时差，短期会改变微观效率、拉动投资、推升通胀，中长期可以提升整体生产率、降低通胀水平。他同时谈及人工智能热潮已成为全球股市上涨的主要动力之一，全球金融市场呈现高关联性和高波动性，并提出接下来重点做好三方面工作：密切跟踪研判人工智能发展的宏观影响、做好金融支持人工智能产业发展工作、稳妥推进人工智能在金融领域的应用。
今年以来，美联储、欧洲央行、日本央行、加拿大央行、澳大利亚储备银行和英格兰银行，也从投资、物价、就业、利率、金融稳定等不同角度，评估AI对经济的影响。
政策应对之“惑”
各国央行的观察侧重不同。日本央行与澳大利亚储备银行注意到AI需求对科技产品价格的影响；欧洲央行关注投资扩张、技术应用与生产率之间的距离；加拿大央行研究就业结构变化下的政策权衡；美联储讨论潜在增长与劳动，英格兰银行则将AI融资纳入金融稳定监测。这些研究都在关注尚未形成统一结论，也不意味着各国已据此调整政策。
有一个现象值得关注：AI正在使经济出现“多重速度错配”（时间差、速度差、预期差）。AI技术能力持续突破，资本开支率先形成现实需求，金融市场提前计入未来收益，而生产率改善、就业调整、制度适应则沿着不同的时间表展开。
这里既有经济学上熟悉的技术扩散时滞，也有新技术加速演进带来的认知与决策压力。投资增长未必意味着潜在供给能力同步提高，市场定价也不能替代真实的现金回报。
对央行而言，难题恰在于此——既要判断经济当下发生了什么，还要分辨哪些变化属于短期需求，哪些可能形成持久的供给改善，以及尚未兑现的未来如何提前影响今天的金融条件。
不妨从AI投资的起点说起。从芯片、服务器到数据中心、电网和冷却系统，企业采购设备、组织施工、安排能源和融资。这些支出迅速形成订单与当期需求，但设备建成之后能否充分利用、创造多少新增收入，仍需逐步检验。
2026年7月28日，国际清算银行（BIS）发表的《AI与全球经济：对中央银行的启示》指出，AI正推动大规模、越来越依赖债务融资的投资扩张，并通过贸易、金融市场和财富效应影响全球经济。AI潜在生产率收益虽然可观，却仍存在不确定性，在不同国家与行业间的分布也不均衡。
日本央行在7月的《经济与物价形势展望》中，已将AI相关需求写入正式预测——这一需求支撑日本经济增长，也推动半导体等商品价格上涨。受能源价格、日元贬值及AI相关需求等因素共同影响，日本央行预计2026财年下半年消费者物价同比涨幅可能明显高于2%。
这并不意味着AI成为日本通胀的主要来源，却表明一项被寄予降低长期成本厚望的技术，正在对现实价格产生影响。
澳大利亚储备银行在9月29日的货币政策声明中指出，AI相关需求推动全球科技产品价格快速上涨。
欧洲的资本投入也已有可见规模。10月13日，欧洲央行执行委员会成员菲利普·莱恩披露，欧元区企业计划将2026年约10%的投资用于AI，AI相关贷款约占近期企业信贷增长的四分之一。
莱恩此前还指出，如果家庭和企业提前将未来生产率提高纳入消费与投资决策，AI在转型初期可能通过需求渠道形成通胀压力。
为什么一项未来可能降低生产成本的技术，会在发展初期增加部分经济活动的成本？
技术经济学家卡洛塔·佩雷斯在2002年出版的《技术革命与金融资本》中，曾将重大技术变革区分为“安装期”与“部署期”：资本率先推动基础设施建设和产业扩张，技术经过企业组织、商业模式及制度调整，才可能更广泛地释放生产率收益。
从铁路、电力到信息技术，资本形成与技术普及之间都曾存在不同程度的时间差。佩雷斯的理论为观察今天的AI提供了历史坐标，但不能据此断言它必然重演以往的金融周期。
央行需要辨别的是：眼前的增长是主要来自建设活动，还是经济持续提高供给能力的条件已经形成？这将影响其对通胀性质及持续性的判断。
生产率何时兑现
如果说订单、投资和价格变化可以较快观察，生产率的改善则往往需要更长时间。
10月13日，莱恩披露的欧洲央行调查结果显示，64%的受访欧元区企业已在试验或中等程度使用AI，认为自身应用程度“显著”的只有7%；52%的受访劳动者表示工作中使用AI，而2024年这一比例为26%。
使用者已经报告节省了不少时间，但收益主要集中于编程等特定任务。欧洲央行尚未观察到AI对整体生产率产生显著、可识别的影响。
一种工具已进入越来越多人的工作日程，为何尚未在宏观统计中留下醒目的痕迹？
加拿大央行研究人员Joshua Brault、Maryam Haghighi和Jing Yang今年3月的论文，将这一现象称为“AI生产率悖论”。一些微观实证研究显示，AI可使特定任务的生产率提高15%—60%，但相关收益尚未充分体现于宏观生产率统计。
这些数字来自不同任务和样本，不能直接推算整个经济的效率提升幅度。
经典研究对此提供了另一层解释。2021年，经济学家埃里克·布林约尔松、丹尼尔·罗克和查德·赛弗森发表的关于“生产率J曲线”的研究显示，通用目的技术投入使用后，企业往往需要同步调整业务流程、培训员工、改造组织，并投入大量难以充分计量的无形资产。
这些前期投入未必立即带来可见的产出增长。随着新技术及配套组织逐渐成熟，生产率收益才可能进一步显现。
因此，技术使用率提高与宏观生产率增长不明显，可以同时成立。但统计滞后也不能保证未来一定出现大幅生产率跃升。
技术进步还会改变劳动需求。
加拿大央行同一研究团队在今年7月建立的“双速经济”模型，将AI影响区分为辅助劳动者提高效率与自动化替代任务。研究发现，不同行业受到的冲击可能差异明显。如果央行试图通过扩大总需求稳定受冲击行业的就业，可能同时增加其他行业的通胀压力。
这是理论模型揭示的政策权衡，并非加拿大央行已经出现AI失业的现实判断。
8月，美联储主席凯文·沃什在杰克逊霍尔央行年会上讲话时，也提出一系列尚无定论的问题：AI何时带来持续的全经济生产率提升？算力与劳动究竟是互补还是竞争？技术投资的回报最终由谁获得？
这些问题关系到经济潜在增长，也关系到央行如何评估就业、工资与通胀。
归根结底，AI的长期经济价值仍取决于实际应用。模型能力提高，只有进一步转化为企业流程改进、生产效率提升和新产品、新服务，才能更广泛地进入国民经济统计。
利率答案各异
生产率和就业的变化尚在展开，金融市场却每天都在为未来形成价格。
英格兰银行7月发布的《金融稳定报告》指出，2025年部分AI企业的投资需求已经超过自身经营现金流能够支持的规模，2026年上半年外部融资进一步加快，涉及公司债、银行贷款、私募信贷和结构化融资等多种渠道。
报告援引的市场预测显示，大型AI科技企业的2028年资本开支预期，已从2025年末不足6000亿美元上修至超过1万亿美元。
融资结构正在改变AI产业链上不同企业的资金约束。
数据中心建筑和配套设施可以长期使用，内部芯片、服务器却面临更快的技术迭代。一项长期融资能否由项目现金流持续偿还，取决于设备更新、客户合同、使用率和未来融资条件。
英格兰银行因此关注AI建设从企业内部融资转向广泛信贷市场后，风险可能如何传导。但报告也明确指出，目前尚无充分证据表明AI融资已经明显挤占其他企业或政府获取资金的能力。
10月，国际货币基金组织发布的《全球金融稳定报告》进一步提醒，如果AI投资及盈利预期未能兑现，资产价格调整可能通过杠杆、集中持仓及信用关联放大市场波动。
这是一种需要监测的风险情景，并不意味着技术投资周期已经逆转。
更微妙的变化发生在利率上。10月13日，莱恩指出，全球AI投资扩张以及对未来生产率改善的预期，可能正在对全球长期利率形成上行影响。欧洲AI投资规模相对有限，却同样受到国际债券市场变化的传导。
不过，长期利率同时受通胀、财政融资、储蓄、风险溢价和货币政策预期等因素影响。AI投资增加，并不意味着自然利率必然上升。
如果AI持续改善生产率，可能扩大有利可图的投资机会，也可能增加收入、储蓄并改善企业偿债能力。其对长期均衡实际利率的净影响，仍需要数据检验。
佩雷斯对金融资本与生产资本的区分，就此仍有启发意义：资本市场可以提前为技术前景定价，企业则须在较长的生产周期中完成建设、销售和回款。
技术可以继续突破，资产价格却未必同步上涨。融资成本的变化，也会反过来影响哪些项目能够持续建设、哪些创新可以获得资本支持。
这使AI与货币政策的关系更为复杂。央行既要观察投资需求可能带来的价格压力，也要评估技术扩散对潜在增长的影响，还需要关注信用扩张、融资结构及金融机构自身使用AI产生的新风险。
潘功胜提出的政策方向也很有现实意义。潘功胜指出，前期，中国人民银行会同有关部门从完善基础设施、提升应用能力、拓展应用场景、防控安全风险等方面，研究了推进人工智能在金融领域应用的工作思路与方向，制定出台了“人工智能+金融”的有关政策文件。中国人民银行将继续探索人工智能在辅助开展货币政策形势分析、金融风险识别，以及支付、征信、反洗钱监管服务等领域的应用；同时，指导金融机构防范数据安全、模型应用等风险。
全球主要央行开始关注、研究和评估AI，面对的正是几个走速不同的经济时钟：投资已发生，技术应用在扩散，生产率收益尚待验证，而利率与资产价格则是每天都在形成。
货币政策需要在未来尚未兑现时，为当下的增长、物价与金融稳定作出判断。
