2026年5月，凯文.沃什就任美联储主席，随即成了五大工作组，其中生产率与就业工作组主要审查AI的影响。

但在2026年8月，美联储主席凯文·沃什在国会听证会仍然被问到一个问题：AI对通胀到底是推高还是压低？

沃什没有给出答案。他说了一句让在场议员们面面相觑的话：“人工智能模型能力呈指数级增长，由其推动的供给能力扩张将成为制定货币政策时必须关注的新变量。至于它是否具有通胀效应，最终效果需依赖数据判断。”

一位央行行长，在国会听证会上，承认自己“不知道”。

这不是他个人的无知。这是全球央行行长共同面临的困境。

就在沃什作证的前几天，中国人民银行发布了二季度货币政策执行报告，首次将“人工智能发展”与“地缘政治走势”并列，列为全球经济金融走势的重要影响因素。央行不再只关心AI产业能获得多少信贷，而是开始评估“对总需求、增长率、通胀路径的实际拉动情况”。

从法兰克福到华盛顿，从北京到东京，全球主要央行几乎在同一时间意识到：AI不再是一个产业议题，它已经成为一个宏观变量。

货币政策是这场宏观变局中最先感受到震动的神经末梢。

AI为什么让央行如此不安？

货币政策的核心任务是“逆周期调节”。

经济过热时收紧，经济过冷时放松。

这个逻辑成立的前提是：央行能够判断经济现在处于什么位置，以及未来会走向哪里。

判断的依据，是一组核心变量：通胀、就业、增长、贸易、信贷、利率等。这些变量之间的传导关系，构成了宏观经济学积累的“信号系统”。

菲利普斯曲线告诉你通胀和失业此消彼长；货币数量论告诉你货币供应和物价水平正相关；泰勒规则告诉你利率应该根据通胀缺口和产出缺口来设定。

这套系统在“大稳健”时代运转良好，因为它假设经济结构是稳定的，变量之间的关系是可预测的。

AI打破的，恰恰是这个“稳定性假设”，AI的需求效应与供给效应存在显著的时序错位。

具体来说，AI首先表现为一轮资本开支周期。亚马逊、谷歌、Meta、微软、甲骨文五家科技公司2025年的资本支出合计达4120亿美元，占美国GDP的1.31%。2026年这一数字预期上调至7350亿美元，占比达2.5%。这些投资直接拉动总需求，推高资源利用率，在供给受限的行业制造价格和工资压力。

在这一阶段，AI是资本支出驱动力量，更接近一个“需求冲击”。增长更强，通胀压力上升。

AI的长期效应应该是“供给冲击”：提升生产效率、降低成本、压低通胀。

企业购买算力和建设数据中心可以很快体现在GDP中，但AI嵌入生产流程需要组织调整、人员培训、业务流程重构，生产率收益存在明显时滞。

这意味着，央行面对的不是一个“AI对通胀是正是负”的简单问题，而是一个“在什么时间在什么尺度上，需求效应和供给效应各占多少权重”的动态问题。

当前的宏观统计框架，几乎没有能力回答这个问题。

AI影响货币政策的渠道可以归纳为三条：

价格渠道——AI投资对PPI和核心CPI的影响。

信贷需求渠道——新质生产力更轻型，单位GDP所需贷款下降。

潜在增长率渠道——生产率效应影响自然利率判断。

前两条已有实证，第三条尚在观察。当三条渠道同时作用、方向不一、时滞不同时，传统的宏观信号系统就失灵了。

央行看到的不是“通胀在上升”或“通胀在下降”，而是一个模糊的、自相矛盾的信号集合。

这就是“信号重新校准期”的本质：不是没有数据，而是数据不再告诉你确定的故事。

全球央行对这个问题的回应，呈现出一种耐人寻味的“共识与分歧并存”格局。

各方对AI影响经济增长、通胀和就业的基本传导机制并不存在明显分歧，差异主要在于对不同传导渠道、AI所处发展阶段以及各经济体暴露程度的权重判断不同。

分歧的来源是“位置”。

美国处于AI资本开支和技术应用的核心位置。美联储首先感受到的是数据中心、芯片、电力和高技能劳动力的需求增长。因此美联储更关注AI投资对需求、资源约束和自然利率的潜在上行影响。美联储副主席杰斐逊在2025年的演说中明确表示：“AI对通胀的影响并非单向向下”，短期内部分价格类别反而可能因AI资本支出潮上涨。

欧洲的AI投资规模相对较小，对全球芯片、能源和资本品价格变化的暴露更明显。欧洲央行执委莱恩认为，AI可能通过提升生产力、拉动投资需求、影响能源价格、改变收入分配及引发金融市场波动等途径影响货币政策，但“对通胀和自然利率的净影响目前仍不确定”。

日本央行行长植田和男则表示，AI相关需求及日元疲软可能会推高该国通胀率。

亚洲经济体更多通过半导体设备、精密制造和数据中心相关资本品的外需受到AI周期影响。中国央行则从两个方向同时观察：AI投资拉动总需求、推动增长、推升通胀的效应已在显现；而提升生产效率、降低成本、降低通胀的效应仍有待观察。

这些差异不是“谁对谁错”的问题。它们是同一头大象的不同侧面。AI的宏观影响不是全球统一的，它取决于一个经济体在AI产业链中的位置、AI投资的规模、以及AI技术向实体经济渗透的速度。

全球央行面对的不是一个“AI问题”，而是数十个不同的“AI问题”。

如果说“信号失灵”是AI给货币政策带来的第一个挑战，那么“模型黑箱”是第二个，而且可能更难解决。

中国人民银行原行长周小川在2025年外滩年会上的发言，是这个问题最清醒的表述之一。

他首先承认了AI的潜力：“AI可以在物价和微观行为的数据收集、处理、模式识别和推理方面影响货币政策制定。”他紧接着提出了一个根本性的质疑：“货币政策是‘慢变量’，慢变量要慢处理，响应太快可能引发不必要的波动。”

“慢变量要慢处理”——这六个字，是对AI在货币政策中应用边界的最精准界定。

货币政策之所以是“慢变量”，不是因为央行反应迟钝，而是因为货币政策的传导本身需要时间。加息不会立刻降低通胀，降准不会立刻刺激信贷。从政策宣布到效果显现，中间有数月甚至数年的时滞。如果央行根据高频数据频繁调整政策，它很可能在“效果还没出来”的时候就已经再次转向，造成政策信号的混乱。

更深的担忧来自AI的“黑箱”特性。周小川说：“AI发展，特别是机器学习、深度学习，必然带来模型的黑箱特性。未来监管需要面对黑箱模型产生的结果和行动，来调节或监管金融市场。”

这引出了一个比“AI准不准”更根本的问题：如果AI告诉央行“应该加息”，央行行长无法解释“为什么”。 他只能告诉公众“模型建议的”。这不是解释，这是推卸责任。在货币政策这个需要向公众和市场交代的领域，“无法解释的决策”是致命的。

周小川还指出了一个更微妙的矛盾：如果AI模型大量运用短期高频数据进行训练和预测，它的学习结果会倾向于“高频、短期、技术性操作”，这可能与金融稳健和宏观调控所要求的“面向基本面、长远稳定性”的目标相偏离。

翻译成更直白的语言：AI会被数据“教坏”。如果训练数据里全是高频波动，AI就会学会追逐高频波动。而货币政策的目标，恰恰是稳定那些不应该波动的东西。

欧洲央行的实践，提供了另一种思路。

2026年4月，四位欧洲央行经济学家公开披露，早在2022年底，央行已将一套机器学习模型纳入货币政策决策工具箱。这个模型一次纳入约60项指标，涵盖通胀预期、成本压力、实体经济活动与金融环境，每季更新数次。

更关键的是，这套系统在实战中“过关”了。2025年第二季度和第四季度，它提前侦测到核心通胀上行风险，最终实际结果比官方预测高出约20个基点。

值得注意的是欧洲央行的使用方式。这个AI模型不是“决策者”，它是“工具箱”的一部分。它和其他模型、其他分析工具并列，供决策者参考。

最终的利率决定仍然由管理委员会投票产生，由人做出，由人负责。

德国央行的应用则更广泛。德国央行行长纳格尔在2025年底的会议上表示，央行已大量导入AI，从内部文本助理、文件分析，到用模型评估欧央行沟通内容。他特别强调了一句：“科技最终是为人民服务，对央行而言，AI是为了更好履行物价稳定的任务。”

“为人民服务”——这个表述看似平常，但它暗含了一种制度选择：AI是工具，不是主体。 它的价值在于帮助人更好地完成人的使命，而不是替代人做出判断。

这与周小川的“慢变量要慢处理”形成了呼应。欧洲央行的实践表明，AI可以在“监测”和“预警”层面发挥巨大作用，在“决策”层面，人类必须保留最终权威。

不是因为人类一定比AI更聪明，是因为责任只能由人来承担。

中国人民银行副行长陆磊在2026年9月的中国-东盟金融合作论坛上，用一句话概括了中国央行对AI应用的核心关切：

“人工智能可学习研判人类行为的底层逻辑，但人类难以穿透人工智能的内部决策过程，这种人与人工智能之间的‘不对称理解’，可能给金融行业带来深层次挑战。”

“不对称理解”。这个词比“黑箱”更精准。它描述的不是一个技术缺陷，而是一种结构性权力关系：AI理解我们，但我们不理解AI。 在这种关系中，AI在信息上占据绝对优势，而人类处于认知劣势。

中国的应对策略，陆磊将其概括为“先外围后核心、先辅助后协同、先对内后对外”的应用范式。这是一个极其审慎的路径：AI先从“外围”业务（如文档处理、数据分析）开始，逐步向“核心”决策渗透；先从“辅助”角色开始，逐步向“协同”角色演进；先在“对内”管理中应用，再考虑“对外”服务。

这个路径的底层逻辑是：AI在货币政策中的角色，必须由制度来定义，而不是由技术来推动。 技术可以快速迭代，制度必须稳步演进。当两者速度不匹配时，制度必须设定技术应用的边界。

数字人民币2.0的“智能合约”实践，是这一逻辑在货币操作层面的体现。智能合约在供应链金融、财政补贴、预付费监管等场景中自动执行“条件支付”，实现了政策意图的“程序化直达”。但规则由央行和运营机构设定，AI在受控环境下执行。这是“可控智能”路线在货币政策工具层面的落地。

沃什在国会听证会上的沉默。

他的“不知道”不是失职。在这个阶段，“不知道”可能是最诚实的回答。

AI对货币政策的影响，不是一道有标准答案的考题，而是一个正在展开的过程。它的最终形态取决于三个同时发生但速度不同的演化：

第一，AI技术本身的演化。大模型的能力边界在哪里？AI代理经济的规模会增长到什么程度？这些问题没有先例可循。

第二，经济结构的演化。AI投资从“资本开支”转化为“生产率提升”需要多久？这个转化的速度和幅度，决定了AI对通胀和自然利率的最终影响。

第三，货币治理制度的演化。央行如何在不扼杀创新的前提下设定AI应用的边界？如何在利用AI增强认知能力的同时保留人的判断权和问责权？

这三条演化线交织在一起，构成了AI时代货币政策的核心张力：技术跑得最快，经济结构变化居中，制度演进最慢。

货币政策的特殊性在于，它必须在“制度尚未准备好”的时候，就开始对“技术已经改变”的经济做出反应。

这就是“信号重新校准期”的含义。

不是央行不知道该做什么。

而是央行知道自己在用一套正在过时的信号系统，去解读一个正在被AI重塑的经济，同时被要求用一套尚未成熟的技术工具来辅助决策。

三重的“正在过时”与“尚未成熟”叠加在一起，构成了AI时代货币政策最真实的处境。