周小川认为，对生产率起提升作用的可能“最主要来自于AI应用层”。他特别点出两项技术：一是“轻量化模型”，二是“蒸馏”。但他也提醒，现在有若干发展方向可以帮助AI应用并提升生产率，但同时也存在风险。例如很多投资正在涌向数据中心建设，但未来AI大模型和应用在多大程度上依赖于数据中心的算力，是存疑的
读完这场外滩圆桌，我更关心三个问题：AI的能力怎样变成生产率，生产率怎样变成企业利润，增长的收益又怎样落到普通人身上。
这三个环节不会自动接通。技术可以进步很快，组织调整很慢；社会可以获得很大收益，投资者却未必赚到钱；经济总量可以上升，一些人和一些国家的处境却可能恶化。
生产率的关键在应用深度和组织重构
周小川判断，AI对生产率的提升可能主要来自应用层。他特别提到轻量化模型和蒸馏：让能力以更低成本进入汽车、电脑和手机，进入具体业务。
我理解，这个判断把关注点从模型有多强，推向了能力能否被广泛使用。但模型进入业务，只是起点。
杨斌指出，真正获得经济回报，需要以AI为起点，重新设计业务流程、工作方式和组织架构。AI原生企业的转型包袱较少，成熟组织则更难。这也是为什么消耗多少Token，最终要让位于产生多少实际回报。
Furman提出的“J形曲线”解释了这种时差：企业先投入人员和资源探索，短期生产率可能受到拖累，配套创新成熟后才兑现收益。
对我而言，管理上的重点很明确：评估AI项目，既要看任务完成得怎样，也要看整个流程是否因此改变。一个环节提速，如果没有改善最终交付，经济价值就仍然有限。
这种应用也不限于现有业务。杨斌观察到，高校对AI的讨论正在从赋能教学延伸到数学、材料科学等领域的基础研究。科研进程的加快，是生产率收益的另一条长期路径。
宏观收益已有线索，幅度仍需谨慎
Furman估计，美国过去五年生产率累计增幅中，可能有0.5到1个百分点来自AI，但也不排除实际贡献为零。他预计未来AI带来的生产率增速提升更接近每年0.75个百分点，对硅谷的一些激进预测明显保留。
Revoltella介绍的研究则估算，欧洲过去五年全要素生产率增长的10%可以归因于AI。这个数字说的是增长中的贡献占比，不能理解成生产率提高了10%。
她的研究还发现，欧洲企业虽然也在使用AI，但系统性应用、进一步开发内部应用的比例低于美国。恰恰是深入应用，更能体现生产率收益，而这还依赖人才、技能、无形资产投入和资源重新配置。
我倾向于把这些看作积极但尚不充分的证据。企业案例、宏观统计和长期预测，需要分别判断。
短期宏观影响也未必是降价。Furman认为，AI投资先拉动需求，供给能力随后才提升，因此当前更可能带来通胀和利率上行压力。技术最终能降低成本，不代表转型过程没有成本压力。
模型竞争越充分，投资回报越需要重新审视
这场讨论里，一个值得重视的判断是：AI未必复制互联网平台的赢家通吃。
Furman的理由是，用户可以切换模型，企业也未必需要最强能力，往往更看重价格和速度。模型继续进步，反而可能加剧同质化竞争，把价格压向边际成本。
Revoltella进一步强调了开源的作用。企业可以下载模型权重，在内部部署，围绕自己的数据和场景开发应用。这既增加选择，也缓解了向第三方提供敏感数据的顾虑。
江小涓则提出，开源并不意味着整条产业链没有收入：云服务、API调用、部署和微调，都可能形成商业模式。
我的判断是，开源扩大应用机会，与模型企业面临回报压力，可以同时成立。全社会生产率提高，也不保证每一家提供底层能力的公司都能收回投资。
这同样适用于基础设施。周小川提醒，大量资金正在进入数据中心，但未来模型和应用究竟在多大程度上依赖这些算力，仍有不确定性。轻量化、蒸馏以及其他技术路线，都可能改变需求结构。
所以，看好AI的长期价值，不能代替对具体资产、成本和回报路径的判断。
就业要看岗位总量，也要看人才成长的入口
江小涓用影视与短剧举例，说明AI替代部分旧岗位的同时，也可能扩大新行业的就业。她主张加强失业救济和灵活就业保障，并在税收制度上更多鼓励企业用人。
杨斌提出的问题更具体：年轻人的第一份工作怎么办？
初级岗位既承担生产任务，也承担训练人才的功能。企业如果只比较当期效率，可能更愿意使用智能体；但当入门岗位减少，下一代专业人才从哪里积累经验？他因此建议，由高校、企业和社会力量探索过渡性衔接机构。
我认为，这个问题需要提前处理。新岗位在别处增加，并不意味着失去岗位的人能顺利转过去，更不意味着年轻人的成长通道会自然补齐。
Basu又提出了更长远的分歧：如果未来大量常规工作确实不再需要，单靠鼓励雇人，可能演变成缺乏生产价值的岗位安排。他主张探索全民基本份额和利润分享，同时保留创新激励。
这两种思路对应不同阶段：眼前要帮助人进入工作、完成转型；长期则要研究，劳动收入之外如何分享技术进步的收益。目前还没有可以直接照搬的统一答案。
国家间的差距，还可能变成话语权的差距
Basu担心，AI带来的可能是国家之间的“K型未来”：一些国家快速上升，另一些国家落后。总量增长，并不保证普遍改善生活。
技术与人才储备、国际联结能力，会影响各国的位置。开源降低了部分门槛，但企业是否具备应用能力、国家能否获得关键技术和服务，仍会形成差异。Revoltella对欧洲模型和云服务依赖的关注，就是这一问题的具体表现。
更深一层，是财富集中可能转化为话语权集中。Basu提醒，当极少数科技富豪拥有越来越大的影响力，低收入国家可能更难参与决定自身命运的讨论。
我理解，这意味着国际合作不能只讨论技术安全，也要让发展中国家有能力参与应用、有机会表达利益。技术可以被广泛使用，收益和规则却仍可能高度集中。
政策既要允许调整，也要准备承受失败
周小川最后强调了两件事：让价格机制反映供需和产业结构的变化；为巨额AI投资可能出现的失败准备金融应对工具。
这两点需要放在一起看。技术路线变化、企业退出和资产重新定价，是转型的一部分；但如果损失通过金融体系扩散，就可能超出单个投资项目的范围。
在国际治理上，他提出军事用途、黑客与欺诈、个人隐私等可以推进合作的领域。就业、分配和社会结构方面，则仍需观察、研究和形成共识。
我从这场讨论中得到的判断是：推动AI应用，需要组织和资本的耐心；面对投资与社会风险，需要政策准备。最终值得追踪的，是业务创造了多少价值、人才怎样成长，以及技术收益能否被更广泛地分享。