腾讯公司资深专家、腾讯研究院闫德利发表文章称，人工智能时代充满悖论，主要体现在预测悖论、就业量化悖论、生产率悖论、数据价值悖论和工业革命悖论五个方面。文章认为，人们一边寄望于AI重塑经济与社会，一边又持续面对判断失准、统计分歧和概念泛化等现实。
预测悖论：越重要的技术，越难被准确预测
文章指出，对人工智能未来的判断，长期存在显著失准现象。无论是图灵奖得主、诺贝尔奖得主，还是企业家、创业者，都曾做出不切实际或过于保守的预测。
文中回顾称，马文·明斯基在1970年曾表示：「在三到八年的时间里，我们将得到一台具有人类平均智能的机器。」但这一目标至今仍未实现。被称为「AI教父」的杰弗里·辛顿则在2016年预测，应当立即停止培训放射科医生，因为深度学习会在5年内超越放射科医生。文章称，这一判断并未兑现，近10年美国放射科医生的数量和收入反而大幅增长。
在更近期的判断中，德米斯·哈萨比斯在2025年表示：「在未来十年左右，AI可能帮助治愈所有疾病。」作为AI企业家，阿莫迪在2025年认为，AI能在5至10年内使人类寿命翻一番。文章对这些近期预测未作结论，仅表示仍需时间检验。
围绕当下最受关注的AGI，文章称，企业家与学者对实现时间的判断出现明显分化。企业家整体更激进乐观，相关判断大致分为4类：已经到来、马上就来（一两年）、短期会来（三五年）、长期才来（5至10年甚至更久）。其中有些判断已经被证伪，有些仍在等待现实给出答案。
相比之下，学者群体普遍更为谨慎，甚至有人认为AGI本身就是伪命题。文章举例称，Iris van Rooij在2024年指出：「创造具有人类水平认知能力的AGI是不可能的。」
闫德利写道，人们热衷预测，有的是为了宣传和鼓劲，有的是为了论文和课题，也有的是口舌之争。但未来并不按照预设剧本展开，而是由人的选择、行为、偶然性与悖论共同塑造。
就业量化悖论：报告很多，结果却相差悬殊
在AI对就业的影响上，文章称，近年学界和机构越来越倾向于「用数据说话」。OECD、IMF、世界经济论坛、联合国贸发会议、国际劳工组织、世界银行等国际组织，以及高盛、麦肯锡、皮尤研究中心等咨询机构，均发布过量化测算报告。
不过，把这些报告放在一起比较后，结果差距很大。文章称，相关测算区间大体落在0.4%至67%之间，几乎不具可比性。单独看，每份报告都分量十足，甚至会被奉为圭臬；合并来看，反而会削弱其确定性。
文章认为，量化AI就业影响的前提，是能够较为准确地把握技术演进方向。但如果连技术界核心人物都无法准确预测AI的未来发展，经济学家也只能在模型中假定技术保持静止，或者按预设速度推进，而这与现实并不一致。
另一个问题在于，就业从来不是由单一变量决定。经济周期、产业结构、技术进步、人口结构、就业偏好、就业政策、全球化和突发事件等因素相互交织，很难把AI从这些变量中完整剥离出来。文章据此认为，从这个意义上看，量化AI对就业的影响本身就是一个悖论。
生产率悖论：AI浪潮高涨，统计数据却没有同步加速
文章将人工智能定义为新的通用目的技术，认为其具备普遍适用、持续改进和催生创新的特征，是未来经济增长的重要引擎。文中提到，人工智能术语提出至今已有70年，机器学习革命已有14年，当前从大语言模型、多模态到世界模型、智能体、物理AI，技术迭代接连不断。
但从生产率数据看，增速并未明显加快。文章援引Rogers在2024年的说法称，当前甚至面临生产率危机。自ChatGPT发布以来，欧盟每小时劳动生产率增速一直在0%上下波动，今年一季度增长0.1%。在2022年四季度到2026年一季度的14个季度中，只有3个季度的生产率增速超过1999年以来1.0%的长期平均水平。
美国的数据相对更强。文章称，从2022年四季度到2026年二季度，美国非农企业部门劳动生产率年均增长2.2%，在西方国家中表现突出，但这一水平也只是相当于1948年以来的长期平均水平。该数据来源于美国劳工统计局。
这种「技术创新突飞猛进和生产率增长令人失望」并存的情况，被文章称为生产率悖论。文中还援引诺贝尔经济学奖得主罗伯特·索洛在1987年的经典表述：「You can see the computer age everywhere but in the productivity statistics（计算机时代的踪影无处不在，唯独生产率统计中看不出来）。」
对于这种悖论，文章梳理了三类主要解释，即错误预期、测量误差和时间滞后。Brynjolfsson在2017年认为，时滞解释最有说服力，也是导致生产率悖论的主要原因，并将通用目的技术对生产率的滞后影响概括为「J形曲线」。
文章进一步列举历史经验称，蒸汽机、发电机和计算机分别在发明118年、91年和49年后，商业化54年、40年和21年后，才开始明显推动生产率提高。按这一逻辑，AI推动生产率明显上升还需要时间，长期来看，所谓生产率悖论未必是真正的悖论。
数据价值悖论：使用价值很高，交易价值却并不突出
在数据问题上，文章称，数据是AI的「粮食」，既要求规模足够大，也要求质量足够高，否则就会出现「垃圾进，垃圾出（GIGO）」。文中提到，数据常被称为「新石油」，也被视为「世界上最有价值的资源」，甚至被表述为与能源、材料资源同等重要。
但文章指出，数据的使用价值很大，却不像普通商品那样天然具备交易价值和货币价值。李国杰在2025年提出：「数据只有在使用中才能确定它的价值。」OECD在2024年梳理46个国家的数据政策文件后发现，「数据」出现最多的政策语境依次是创新、信任、社会、市场开放、利用、就业和准入，而不是交易。
文章同时引用陈昌盛在2023年的表述称：「数据交易所遍地开花，但数据交易所中的‘交易’发展的并不是很好」；「在各地掀起的数据市场建设热潮下，应警惕形成‘只有经过交易买卖的数据才是可用数据’的行为导向」。
在财务体现上，文章称，数据价值密度较低，难以货币化，在资产负债表中的占比微乎其微。根据上海交通大学上海高级金融学院最新数据，我国共有136家上市公司披露数据资源入表相关事项，入表金额合计37.86亿元。按文中测算，前者仅占A股上市公司数量的2.5%，后者仅相当于我国人工智能核心产业规模的0.3%。
从企业结构看，三大电信运营商在数据资源入表规模上占据主导地位，2025年合计入表金额为21亿元，占上市公司入表总金额的55.46%。不过，这些数据资源在公司总资产中的占比仅约0.06%。
文章借此提出，数据对AI的重要性毋庸置疑，但其账面价值和交易表现并没有与其战略地位同步放大，这构成了另一重悖论。
工业革命悖论：几乎每一轮新技术都被称为“第四次工业革命”
文章称，每次技术浪潮兴起，总会有人将其与蒸汽机、电力或计算机类比，并宣布「它将引发第四次工业革命」。这种叙事并非AI时代独有，至少已持续半个世纪。较早被如此描述的包括微电子（1984）、计算机（1988）、纳米技术（1994）、互联网（2000）、替代能源（2010）和信息物理系统（2014）。
近10年，这种表述更为集中，大数据、人工智能、物联网、工业互联网、区块链、量子计算和智能制造，都曾被赋予「第四次工业革命」使命。文章据此指出，媒体语境中的「第四次工业革命」几乎持续不断，而被视为革命起点的技术却不断更替，初步统计至少有20多种。
对于当下这轮变革，文章称，有人认为属于第三次工业革命，也有人认为是第四次工业革命；而「工业革命」与「产业革命」在英文中都对应「Industrial Revolution」，因此文中不作严格区分。
在AI议题上，当前不少人将其视为第四次工业革命的核心。文章提到，德米斯·哈萨比斯在2026年甚至表示：「AGI的规模和速度可能10倍于工业革命。」国内也有企业家把AI视为人类社会最后一次技术革命。
不过，文章强调两点。第一，工业革命和经济危机不可能同时发生。第二，历次工业革命并不是当事人事先准确命名的结果，而是事后形成的历史叙事。第一次工业革命结束40年后，「Industrial Revolution」一词才在阿诺德·汤因比推动下为大众熟知；第二次工业革命结束40年后，经济学家才开始使用「Second Industrial Revolution」，结束55年后，戴维·兰德斯在1969年的《不受束缚的普罗米修斯》才将其学术定义标准化。
至于第三次工业革命，文章称，学界和舆论场至今没有统一认识。杰里米·里夫金在2011年认为，其主题是互联网与可再生能源融合；《经济学人》在2012年认为核心是制造业数字化；埃里克·布莱恩约弗森和安德鲁·麦卡菲在2011年则认为，第三次工业革命由计算机和网络推动。
文章最后写道，AI已经被用来解释过去，也正在被赋予定义未来的使命，但它最终如何证明自身，仍有待现实展开。