人工智能领域的狂热投资与舆论喧嚣，正面临一盆来自数据的冷水。知名AI批评家Gary Marcus在《金融时报》一则专栏中，引用了该报数据记者John Burn-Murdoch绘制的一张图表，直指当前AI浪潮最脆弱的支撑点：所谓的“生产力革命”，在宏观经济层面几乎看不到影子。

图表揭示了一个冰冷事实：自2010年代中期深度学习兴起以来，全球主要经济体的全要素生产率增长曲线，并未出现显著的上扬拐点。相反，在大多数西方国家，生产率增速仍处于历史低位，甚至低于1990年代至2000年代初的水平。这与OpenAI、微软等企业宣传的“AI伴侣即时代变革”的叙事形成了强烈反差。

这一悖论被Gary Marcus称为“AI的尴尬”。其核心矛盾在于：一方面，大模型在语言生成、图像创作等个别任务上展现出惊人的“涌现能力”；另一方面，这些能力未能转化为国民经济核算表上的可测量效率提升。正如Marcus指出，AI目前更多充当的是“信息噪声发生器”或“复杂问答机”，而非真正替代核心岗位并提升单位产出。

从产业视角审视，这一现象折射出AI产品落地的深层结构性问题。第一，通用大模型的不可控性——幻觉、偏见、推理脆弱性使得其在医疗、法律、金融等高风险场景的应用成本高昂，企业部署意愿被合规与信任风险所压制。第二，大量企业仍处于“为了AI而AI”的探索期，将大模型当作聊天机器人内嵌至工作流，而非深入重构原有业务流程，导致效果停留在“演示版”而非“生产力版”。第三，从微观个体到宏观经济的传导链条漫长——即便少数公司实现了效率提升，也因规模不足或行业间差异而无法体现在国家层面的统计中。

对于产品和战略从业者而言，这张图表的启示是深刻的：它提醒我们警惕对技术红利的速度神话。在决策时，企业需要走出“Deep Tech叙事”的迷思，更务实地评估AI的真实边际收益。与其追风口式上线大模型，不如从具体、高容错、数据闭环的任务入手，通过小步快跑验证产品价值。同时，监管方与投资方也应降低对“颠覆性突破”的预期，转而关注那些能约束AI行为、提升其可靠性且真正改变工作流占比的领域。

Gary Marcus的这张图，或许正是AI行业从狂热幻想步入冷静落地周期的一个注脚。它告诉我们：技术的承诺可以很宏大，但生产力的提升，从来不会因一次发布会或一笔融资而自动发生。