青年报·青春上海记者 冷梅/文 施剑平/图、视频

9月10日，以“共创AI新经济”为主题的2026 Inclusion·外滩大会在上海黄浦世博园区开幕。本届大会聚焦人工智能从“生成”迈向“执行”的关键跃迁，围绕智能跃迁、经济重构、人本未来三大板块，设置1场主论坛、40多场见解论坛，汇聚600余位国内外分享嘉宾。

会上包括诺贝尔经济学奖得主托马斯·萨金特（Thomas J. Sargent）、菲利普·阿吉翁（Philippe Aghion），源码资本投资合伙人、美国国家工程院外籍院士张宏江，之江实验室主任、阿里云创始人王坚，中国科学技术大学教授陆朝阳，普林斯顿大学教授王梦迪，黄益平、缪延亮、邢自强等经济学者，以及韩歆毅、周靖人、刘作虎等科技产业实践者出席本届大会，共同探讨AI如何重塑经济图景，推动产业进步，增进社会福祉。

诺奖得主萨金特：

AI发展尚处在“开普勒阶段”

9月9日，2011年诺贝尔经济学奖得主、纽约大学教授托马斯·萨金特已率先在外滩大会见解论坛分享观点。在萨金特看来，理解AI正在带来的经济变化，首先需要承认一个事实：我们正在进入一个“知道AI很重要，却还不知道它究竟会把经济带向哪里”的阶段。

他用17世纪的开普勒和牛顿作比。开普勒通过大量天文观测数据，总结出了行星运行的规律，但当时并不知道这些规律背后的物理原因；牛顿则进一步解释了这些规律背后的基本原理。“今天的AI有点像开普勒。”萨金特表示。

“我们还不知道AI什么时候会进入‘牛顿阶段’。”萨金特说。这也意味着，AI新经济的到来，并不意味着未来已经确定。

恰恰相反，随着AI越来越深地进入金融投资、企业经营、科研创新和公共政策等领域，如何面对“不确定性”，可能成为AI时代越来越重要的经济问题。

“我们正身处‘未知’的核心。”萨金特说。因此，他反复强调“谦逊”。对今天的AI而言，真正稀缺的或许不是更多预测，而是在预测之外，承认未知、保留余地，并在不确定中做出更稳健的选择。AI可以越来越聪明，但面对AI新经济，人类或许首先需要学会承认：我们还不知道。

诺奖得主阿吉翁：

AI潜在影响或超IT革命

菲利普·阿吉翁首先从生产率角度分析了AI可能带来的经济影响。他和同事的研究显示，仅考虑AI对商品和服务生产中任务的自动化，未来十年，AI就有望使生产率增速每年额外提高0.68个百分点，这一影响与根据IT革命经验推算出的生产率提升处于同一量级。

“0.68个百分点只是一个下限。”如果进一步考虑AI促进新想法产生的作用，阿吉翁认为，生产率增速每年还可能额外提高至少约0.4个百分点，合计潜在提升约1.08个百分点。

谈及中国，他表示，从高科技专利占比等指标看，中国目前在前沿创新方面表现良好。“中国在前沿创新方面做得很好。”

AI新经济的另一面，是生产率提升之后，对普通人会有什么影响。阿吉翁认为，AI会接管一部分原本由人完成的任务，一些岗位因此减少；但另一方面，采用AI的企业生产率和竞争力提高，市场需求扩大，也可能增加用工。同时，AI促进新想法产生，也会催生新的产品、企业和工作岗位。

从生产率增长、前沿创新到就业变化，阿吉翁的演讲也提供了一条理解AI新经济的经济学线索：AI带来的新增长不仅取决于技术能做什么，也取决于新的创新能否持续产生，以及更多企业和劳动者能否参与并分享这一过程。

源码资本投资合伙人张宏江：

AI呈现前所未有的加速度

2025年，源码资本投资合伙人、美国国家工程院外籍院士张宏江在外滩大会重点阐述智能体群Agent Swarm和Agent Economy概念。而2026年则是对上述观点的进一步深化。外滩大会成为观察AI新经济发展脉络的窗口。

他在题为《人工智能加速演进:大模型技术发展的3点观察》分享当中，指出从技术层面，AI是人类有史以来发展最快的技术浪潮，前沿AI模型的智力测试已突破人类平均水平。与此同时，AI的递归式自我改进能力，进一步让AI在物理世界与虚拟世界之间形成自我大循环，呈现出前所未有的加速度。

技术层面的突破让经济层面出现新的形态：从Agent 到 Agent Economy，即多个Agent之间形成经济关系网络。张宏江概括出了一个显著的演进路线：“Agent的进化：从对话到助手，被动到主动，从个体到群体”。

张宏江表示，更加值得关注的是AI对“组织架构”层面的影响。他表示在Agent Economy时代，企业组织需要重新认识到巨大的变革，例如OPC这种生产模式下，“一个人＋多个Agent”的组织形态已经让公司规模进一步小型化。

普林斯顿大学王梦迪：

AI距离自主发现新科学还有多远？

普林斯顿大学人工智能创新中心主任王梦迪教授在主论坛上发问：AI距离自主发现新科学还有多远？她的判断是，今天的大模型已经掌握了大量人类知识，但在真正的科学发现上仍然存在明显局限：大模型更擅长找到“最可能”的答案，而真正的新发现，往往藏在概率分布的长尾里。

王梦迪团队近期用ChatGPT、Claude等大模型进行“模拟人生”实验。例如，让模型模拟一个1930年出生的英国人，自主生成自己此后的人生轨迹。实验发现，在结婚年龄、职业、性别等多个问题上，大模型倾向于高估最常见的情况，却明显低估少数情况和长尾分布。

她认为，这也解释了为什么大模型在数学、Coding等可实现验证的领域进展迅速，却尚未在物理、化学、生物等基础科学领域产生同等规模的原创发现。在她看来，AI走向自主科学发现的关键，并不是让模型再多知道一些，而是让现实世界变得越来越可验证。

王梦迪认为，真正决定AI能否成为“发现者”的，不只是模型有多大，而在于是否存在一套能够连接假设、验证、追溯和重复的基础设施。只有当物理世界中的实验过程能够被系统记录、持续验证、反复复现，AI才可能真正把训练中学到的“似然性”，转化为对“可能性”的探索。

青年报·青春上海记者 冷梅/文 施剑平/图、视频

编辑：陆天逸

来源：青春上海News—24小时青年报