top of page

Fed AI 研究權衡資料中心與生產力

25 分鐘前
讀畢需時 13 分鐘
Illustrative photograph. Photo: Kampus Production / Pexels.

聯邦儲備局研究人員發表了一項 Fed AI 研究,指出可見的基建投資與仍然難以量度的生產力收益之間,差距正逐漸擴大。建築物、晶片及施工承諾提供了具體的支出證據,但並不能證明整體經濟生產商品及服務的效率提高了多少。

這個區別對資助運算容量的公司,以及購買 AI 工具的企業都很重要。兩者都需要有用的應用場景來證明其投入合理。不過,它們的證據會在不同時間出現:建設項目在最終客戶展示日常工作持續改善之前,已可見諸於人前。

核心張力在於基建投資與已實現的經濟價值之間。Erik Brynjolfsson 及其同事較早前的研究提供了一個歷史參照:科技支出與組織改善未必會同步顯現。問題在於,企業能否令人信服地將前者與後者聯繫起來。

Fed AI 研究實際確立了甚麼

該論文評估現有證據;它並未對 AI 的經濟潛力作出最終裁決。

這份於 2026 年 11 月發布的 AI 經濟研究由 Nick Carollo、Leland D. Crane、Daniel Garcia Molina 及 Joseph Nichols 撰寫。官方頁面最後更新於 11 月 12 日。研究指出,投資及採用範圍正在擴大,但目前整體生產力影響看來仍然有限。

該出版物屬於 Finance and Economics Discussion Series,是旨在支持研究及討論的工作論文系列。其結論代表作者觀點,並不代表聯邦儲備局理事會或其他職員已達成共識。

當標題以「Fed 研究」開首時,這一界線尤其重要。讀者不應將論文解讀為貨幣政策預測。它的發布也不代表決策者已就 AI 將如何影響未來增長、就業或通脹得出定論。

時間點同樣值得審慎看待。大部分分析於 2026 年 6 月完成,雖然論文包含一些其後的資料。它在 11 月面世,並不表示每一項基礎觀察都是 11 月的新量度結果。

對讀者而言,真正有用的改變是分析框架。論文將實體投資、企業採用、投入成本、就業及生產力放在同一討論之中,促使人們以更嚴格的方式解讀熟悉的 AI 標題。

一個規劃中的設施代表建設意向。一個投入運作的設施代表可用容量。一份客戶合約代表在特定條款下的需求。已完成工作獲證實有所改善,則是另一回事。

這些觀察可以互相加強,但沒有一項會自動取代另一項。將它們視為可互換,會令投資故事聽起來比證據所容許的更具結論性。

試想一間假設中的公司購買額外運算容量的使用權。這項購買證明管理層預期可獲得效益,但不能證明員工能否更快完成有用工作、客戶能否獲得更佳服務,或營運表現是否改善。

反過來說,員工可以獲得顯著效益,卻未必令全國統計數字出現明顯變動。即使成功的應用只佔整體經濟很小一部分,仍然具有意義。

因此,這篇論文應令報道更精準,而不是終結辯論。樂觀的說法需要建立從採用到成果之間的橋樑。懷疑的說法則需要解釋,為何有限的整體證據足以排除特定場景中的效益。

對企業買家而言,這改變了最有用的問題。問 AI 是否「有效」,得到的答案過於寬泛,難以指導採購。問哪個工作流程在甚麼條件下獲得改善,則能提供企業可評估的內容。

對基建供應商而言,相應的問題在於需求是否可靠。正在試用工具的客戶,與因為工具改善營運而反覆購買的客戶,所提供的基礎截然不同。

研究的重要性在於,它令這些區別更難被忽略。它將解釋責任放在支出公告與最終經濟成果之間。

已公布項目不等於已完成投資

規模最大的基建數字描述不同發展階段,這些階段不能隨意相加。

資料中心分析指出,已公布計劃在 2024 年接近 3,000 億美元,並在 2025 年超過 1 萬億美元。這些是項目計劃,而非已完成的支出。

作者根據 2026 年 5 月可得的計劃,在其中位情境中預計投資將由 2024 年約 1,000 億美元,增至 2027 年底逾 8,800 億美元。該情境超過國內生產總值的 2%,即在本土生產的商品及服務價值。

這項預測取決於新計劃、放棄項目及施工時間的假設。約三分之一投資用於建築結構,其餘大部分支出則投向高科技設備。

作者估計進口佔比約為 50%,其中包括資本化服務。他們亦指出電力、分區規劃、材料、勞工及融資限制。這些條件令我們不能簡單地將預計投資解讀為保證施工,或等同的本土產出貢獻。

實際含義是,每則基建標題都需要清楚交代量度指標。公告揭示雄心,建設活動揭示執行,設備安裝令項目更接近投入服務,而客戶使用決定該容量是否支持可持續的經濟活動。

在一項假設中的開發項目裡,同一項目在經歷這些階段時,可能出現在多份公告之中。若將每次公告都視為新增投資,便會誇大新活動的規模。

公司整體資本開支數字帶來另一個詮釋問題。資本開支是指用於預期可在一段時間內服務企業的資產之支出。這類數字可涵蓋多項活動,並不會自動單獨反映 AI。

因此,準確比較需要一致的界線。項目估算應與另一項目估算比較,實際支出應與實際支出比較,而情境分析每次出現時都應保留其假設。

GDP 的區別同樣需要嚴謹處理。本土生產與進口設備在國民經濟核算中以不同方式計入。一筆大額採購可支援美國境內的設施,卻不代表同等金額的美國產出。

這並不表示進口設備在經濟上無關緊要。企業可利用它在多年內提供有價值的服務,只是採購行為與其後的生產性貢獻,回答的是不同問題。

讀者亦應避免將預計投資水平直接轉化為對經濟增長的相同貢獻。水平描述某一時點或期間的金額,增長則描述相對另一期間的變化。

當大型數字從研究圖表進入標題時,這些分別至關重要。移除量度期間或情境標籤,可能比縮短數字本身更大幅改變原來說法。

對基建開發商而言,隨之而來的壓力是營運層面的。已公布項目需要具可信性的路徑,走過審批、施工、設備交付及客戶服務。公眾注意力無法完成其中任何一步。

對買家而言,有用的問題是按實際交付條款可取得的容量。相較於企業在工作流程需要時可使用的服務,遙遠項目的公告提供較少保證。

投資管道仍具經濟意義。當每個階段保留自己的標籤,而非被當作整條管道已交付的證明時,其意義會更清晰。

買家需要已完成的工作,而不只是更多容量

基建供應商與企業買家面對同一項根本考驗:額外運算能否帶來值得持續投入的成果。

Fed AI 研究令這項考驗更加清晰,但未有為每間公司解答。以下影響關乎企業應如何理解這個落差,而非對特定供應商回報的結論。

先看一名考慮 AI 寫作助理的企業買家。更快產出草稿可以很有用,但企業成果取決於草稿出現後發生甚麼。

若審閱者必須重建論點、核實每項事實主張,並重寫結論,生成速度只量度工作流程的一部分。相關比較必須包括那些後續步驟。

相反,若草稿只需少量修訂,並幫助員工完成以往未能完成的工作,便是另一種結果,即使工具產生的文字數量相近。

採購決策需要分辨這些可能性。使用量量度的是產品參與度;完成且可接受的工作量度的是朝企業目標前進的程度。兩者都不應被默默地互相替代。

一個假設中的客戶支援團隊說明了這個分別。助理或可幫助客服人員更快找到已核准答案,但它的價值部分取決於該答案能否解決客戶問題,而不會製造額外跟進。

對軟件團隊而言,生成的程式碼亦面對相似鏈條。建議的修改必須配合現有應用程式、通過審查,並保持可維護性。更快的生成可以同時伴隨更快或更慢的交付。

這些例子並不能證明 AI 整體而言有所幫助或造成阻礙。它們說明,為何同一採購類別在不同組織中可產生不同結果。

情境是合理的分野因素。處理不完整指示的工具,與接收相關文件及明確驗收準則的工具,所面對的任務並不相同。

對研究這個問題的團隊而言,可搜尋知識庫提供了一個相關工作流程可供考慮。整理原始材料與證明 AI 生產力收益是兩回事,但這有助界定工作流程需要甚麼資訊。

基建供應商會間接遇到這項挑戰的客戶面向。能獲得可重複價值的企業,有更清晰理由繼續購買服務;無法識別效益的企業,內部理據則較弱。

同一邏輯也有助比較作為模型供應商的 OpenAI 和 Anthropic,以及作為雲端供應商的 Microsoft 和 Amazon。它們在運算供應鏈中處於不同位置,而非可互換的企業。

分析重點在於追蹤客戶關係。模型供應商需要對其能力的需求;雲端供應商需要基建服務客戶;企業買家則需要其自身應用帶來有用成果。

一個層面的成功,並不自動代表所有層面都已獲證實。一家基礎設施供應商可以在企業客戶尚未確定其應用程式是否改善營運前,便已收到款項。

這令壓力比起對 AI 熱潮的爭論更為具體。買家需要能經得起審視及續約考驗的證據。供應商則需要能通過客戶評估的需求。

一項產能公告可以支持市場對該需求的預期,但不能取代最終決定這些預期能否成立的客戶成果。

工作場所證據支持效益,但有其界限

在明確工作場所中顯示效益的研究,比籠統承諾更有力,但其適用界限仍是研究結果的一部分。

Brynjolfsson、Danielle Li 與 Lindsey Raymond 研究了客戶支援人員使用的一個 AI 對話助理。他們發表的工作場所生產力研究報告了來自 5,172 名員工的證據。

可使用該助理,令每小時解決的問題平均增加 15%。影響因員工而異。論文刊於 2025 年 5 月出版的《Quarterly Journal of Economics》。

這提供了一個具體的生產性使用例子,而非從基礎設施支出推論而來。它亦確立了一項特定成果:在研究情境中,每小時解決的客戶支援問題數量。

無論這個百分比在何處被引用,都應連同該成果一併呈現。它並非量度每名員工生產力均有提升,亦不能證明所有業務職能都出現相同幅度的變化。

這項區分有助調和正面的工作場所證據與有限的整體影響。一項本地研究問的是:在既定條件下,使用某工具會否改變表現;國家層面的分析則考察更廣泛經濟體的結果。

這些問題的覆蓋範圍、時點及量度方式都不同。第一個問題有明確答案,與第二個問題仍存在不確定性,兩者可以並存。

因此,對企業買家而言,這項客戶支援研究可作為可行性的證據,以及審慎量度的例子。它並沒有免除買家評估自身工作流程的需要。

可比的評估應在檢視結果前,先界定已完成的成果。否則,團隊可能會選擇任何最能令實施看來有利的指標。

假設一個虛構助理增加了員工草擬回覆的數量。若同時考慮收件人是否接受這些回覆,以及問題是否持續獲得解決,這項結果就更有參考價值。

同一原則亦適用於工具改變工作本身的情況。員工可能會製作更詳盡的文件、探索更多選項,或承擔以往避免處理的工作。

單靠節省時間的指標,可能會忽略這些效益。相反,若只計算額外產出而不評估其實用性,亦可能誇大效益。評估必須配合企業採用該工具的原因。

歷史研究提供另一個角度。Brynjolfsson、Daniel Rock 與 Chad Syverson 的生產力 J 曲線研究探討互補投資如何影響通用技術的可量度回報。

他們的框架包括組織變革、新流程及人力資本,說明建立周邊能力可先於可量度的生產力改善。

這是審慎檢視實施成本的理由,並非保證每項實施最終都會成功。延遲回報與失敗項目,起初看來可能很相似。

要作出區分,便需要持續跟進。若公司將疲弱結果解釋為調整期,後續證據應顯示哪些地方有改變,以及表現是否改善。

對買家而言,當耐心建基於可觀察的實施過程時,便更容易被合理辯護。無限期承諾效益日後會出現,能提供的指引則少得多。

因此,最有力的樂觀解讀仍然帶有條件:工作場所研究顯示成效可以達成。下一項挑戰,是在不假設各處結果相同的前提下,於更多工作及組織中複製有用成果。

疲弱統計數據與舊實驗都不足以定論

懷疑論的論點同樣值得審視,尤其當歷史發現被延伸為對現時工具的主張時。

METR 在 2025 年 7 月進行的開發者生產力實驗,考察了在自己儲存庫上工作的資深開源開發者。研究包括 16 名開發者及 246 項工作。

獲准使用 AI 的開發者完成工作所需時間長了 19%。這些工具反映 2025 年初的能力,而研究人員明確警告,不應將結果概括至所有軟件開發工作。

這項發現挑戰了「輔助必然縮短完成時間」的簡單假設,亦顯示使用者印象與量度表現值得分開看待。

但其適用範圍與其方向同樣重要。在熟悉的儲存庫中工作的資深貢獻者,面對的是特定的工作與標準組合。其他開發者及項目需要各自的證據。

其後的發展,令把這個結果當作現時定論變得更複雜。METR 在 2026 年 2 月 24 日的實驗設計更新中表示,其較新的實驗對當前影響產生了不可靠的訊號。

研究人員發現了選擇問題,包括開發者因不願在沒有 AI 的情況下工作而拒絕參與。他們認為較新的工具可能帶來更多加速效果,但強調其幅度仍不確定。

這項更新並沒有抹去較早的實驗,但改變了應如何有把握地把該實驗套用至其原有時期及情境以外。

更廣泛的啟示涉及不斷改變的技術與使用者。工具演進時,證據需要有日期;使用者改變所嘗試的工作時,比較便需要顧及該行為。

試想一名虛構開發者運用 AI 嘗試一項過去被認為不可行的工作。與早前工作流程比較完成時間會變得困難,因為早前流程從未產生同樣的結果。

這並不證明新工作流程具生產力,卻說明比較不能只問開發者是否覺得更快。

相反的問題亦存在。使用者可能因助理產生可見活動而感到高效,但審閱及修正卻耗掉表面上的時間節省。

健全的評估需要區分這些情況,應識別嘗試了甚麼工作、哪些成果符合所需標準,以及結果背後需要多少人力投入。

Fed AI 研究在更廣的尺度上同樣需要這種紀律。量度到的收益有限,足以令市場對廣泛主張保持審慎;但這不代表每項本地效益都是虛構,也不代表未來收益不可能出現。

同樣地,不確定性不應成為令人失望結果的籠統辯護。公司不能只靠聲稱現有量度並不完美,便證明其價值。

合理立場需要在兩個方向都嚴格要求。正面主張需要與有用成果掛鈎的證據;負面主張則需要足夠廣泛而且足夠新的證據,才能支持其結論。

對讀者而言,這意味著應把一個引人注目的百分比視為調查的起點。它所涉及的工作、群體、比較方式及量度時期,決定了它實際能解釋甚麼。

當這些細節變得清晰,分歧就更有用。研究人員與買家不必爭論 AI 是否普遍提升生產力,而可識別結果在哪些地方不同,並研究原因。

留意交付、客戶成果及更廣泛的生產力

下一批證據應先把營運進展與客戶價值連結起來,才支持有關全經濟轉型的主張。

未來數月,首個值得留意的訊號,是現有基礎設施承諾的交付情況。項目更新最重要之處,在於有否區分修訂後的計劃,以及真正開始提供的設施與服務。

已完成交付的證據,會加強投資故事中執行層面的說服力。延誤或縮減,則會削弱市場對已公布產能能按原定時間表到位的假設。

但單憑任何一項結果,都不能解答生產力問題。交付只證明投入要素存在;下一個問題是客戶如何使用它。

第二個訊號,是超越取得使用權及試驗階段的客戶證據。應留意涉及獲接受的工作、服務質素、重複使用及持續採購的明確結果。

公司報告改善時,應解釋比較方式。有用的披露會指出工作流程、成果,以及審閱工作是否計入量度的一部分。

可重複的改善,會加強基礎設施支出支持持久需求的論點。若報告只着眼於已建立的帳戶或已生成的內容,這座橋樑就仍未充分建立。

這亦是產品之間的比較變得更有資訊價值的地方。買家需要知道哪項工具適合自身的工作及營運條件,而非哪個供應商公布最宏大的整體願景。

在狹窄工作流程中表現良好的產品,可能值得繼續使用;功能廣泛的產品,仍可能需要多於特定買家所能合理投入的實施工作。

第三個訊號,是隨時間解讀的更廣泛生產力證據。整體生產力指標量度整個經濟體中產出相對於投入的關係。較強的趨勢會很重要,但要將其歸因於 AI,仍需要額外分析。

有利的全國數據並不能證明每項 AI 投資都成功;疲弱的數據亦不能否定一項設計良好的工作場所實驗。這些量度針對不同層次的活動。

能加強整體論點的,是這些層次之間的一致性。營運交付、有用的客戶成果及更廣泛的改善,會形成比任何單一公告都更具說服力的鏈條。

會削弱論點的,則是持續脫節。產能已交付卻沒有可靠需求,會令供應商受壓;廣泛使用卻沒有可量度效益,則會令買家重新考慮其實施方式。

這些是觀察訊號,而非對下一個報告週期將顯示甚麼的預測。其目的在於令未來主張可以驗證。

這篇論文持久的價值,在於它為該過程帶來的紀律。它要求讀者分辨:哪些已建成、哪些已被採用,以及哪些已有改善。

在把下一項 AI 公告視為經濟回報的證據前,先辨識它量度的是這條鏈中的哪一部分。尋找已完成的成果、有意義的比較,以及對所需投入的清晰交代。把成功的工作場所證據放在眼前,同時保留其限制。閱讀令人失望的結果時,亦要同樣注意其日期及情境。Fed AI 研究是一個有用起點,因為它把可見投資與仍需證明的效益分開。以這項區分為基礎,跟進下一次項目更新、客戶評估及生產力公布。哪些新證據真正把新增運算能力與更好的工作成果連結起來?

 
 

為每個智能代理提供更完整的背景,提升工作表現

讓智能代理連接 remio 已整理好的知識、決策和歷史紀錄。

remio 目前支援 Windows 10+(x64) 及配備 Apple 晶片的 Mac。

你的 AI 工作夥伴
和 remio 一起高效工作

規劃、創作、交付
一站式完成

bottom of page