当全球科技巨头以万亿美元计押注AI基础设施时，一张来自《金融时报》的图表却给这场狂欢浇了盆冷水。认知科学家、著名AI批评者Gary Marcus在博客中引用该图表，直言它精准概括了自己多年来的核心论点：尽管AI领域的资本密度与舆论声量已达历史峰值，但全球生产力的实际增长曲线几乎纹丝不动。这不是又一个技术怀疑论者的唱衰，而是基于权威经济数据的冷静叩问。

这张图的核心冲击力在于对比的极端性：左侧纵轴是AI相关投资额（以十亿美元计）的陡峭上升，右侧纵轴则是全球劳动生产率（每小时GDP产出）的平缓甚至低迷走势，尤其自2022年生成式AI爆发以来，后者并未出现任何显著拐点。与之形成参照的，是历史上电力、计算机与互联网的渗透周期——每次革命性技术普及后，生产力统计至少会在5-10年内出现可量化的跃升。但AI的“生产力兑现”至今像一场迟到的剧场。

Gary Marcus对此的解读带有其一贯的犀利：当前AI系统的“智能”其实高度脆弱，依赖海量数据与统计模式拟合，在需要可靠推理、常识判断或复杂跨领域任务的场景中失误率极高，难以转化为工业级、可复用的生产力工具。许多企业部署AI后，发现实际节省的时间与成本远低于预期，甚至在合规、安全等方面制造了新成本。这种“幻觉式效率提升”构成了典型的生产力幻觉——统计数字被安防、营销、文娱等低风险应用场景的边际改进所稀释，而真正驱动整体经济跃升的制造业、物流、医疗等核心领域，AI至今未能提供颠覆性方案。

从行业背景看，这一判断并非孤例。麦肯锡2024年报告指出，虽然生成式AI能在特定知识型任务中提升30%效率，但将其嵌入企业流程的“最后一公里”成本平均超过部署成本的三倍。更致命的是，技术折旧速度极快——今天能精准回答问题的模型，明天可能因训练数据分布偏移而骤降性能。企业在反复采购、适配、维护中消耗了大量资源，却难以沉淀为可持续的生产力增量。

作为AI产品或战略的从业者，这张图的价值不在于否定AI的长期潜力，而在于撕掉“技术必然带来效率”的惯性标签。当银行、医院、工厂的决策者讨论AI落地时，需要先回答一个反直觉的问题：如果AI制造的新问题（幻觉、偏见、不可解释性、合规风险）的成本超过了它解决的老问题，这笔账该如何算？理性策略或许是：聚焦高确定性、低风险场景（如代码补全、文档摘要），同时为技术变迁预留足够的弹性预算。毕竟，生产力的革命从不取决于算力堆砌，而取决于系统能否在可靠性、可审计性与泛化能力上取得实质性突破。