在2026年10月19日金融街论坛年会上，潘功胜行长提出一个关键判断：人工智能的需求效应与供给效应存在明显时差，短期拉动投资、推升通胀，中长期才有望抬升生产率、压低通胀；同时，AI冲击在国别、行业之间分布不均，也已经成为驱动全球资产价格波动的重要变量。央行需要审慎评估其对宏观经济、金融市场与货币政策的影响，前瞻性做好政策准备。

这段话，恰好戳中当前全球央行共同面对的困局。有一则广为流传的段子这样描摹决策者的处境：

一个央行行长走进酒吧，点了一杯酒。 酒保问：“加冰吗？” 行长说：“我不知道，我的模型里没这个变量。”

他们手中握着一张经济地图，上面标注通胀、就业、增长、利率等核心变量，而所有变量的基准原点，正是经济学里的自然利率，也就是r-star。

通俗来说，自然利率是利率的中性水平。经济体运行在这一利率附近时，货币政策既不刺激需求，也不收缩压制，经济处在动力充足但不过热的供求均衡状态。

央行加息、降息的决策逻辑，本质就是将市场实际利率与r-star对照：

实际利率高于自然利率，政策偏紧；低于自然利率，则政策偏松。

如今这个锚定一切的“原点”，正被人工智能的浪潮撼动。

利率高了还是低了？不是看现在利率数字的高低，而是看实际利率与自然利率的差异。

这是我们最深刻的教训：通胀及产出的目标不达标，那是政策的力度还没到位。

2026年5月，里士满联储主席巴尔金的一番表态，令债券市场大幅波动。他提出，AI相关资本支出的快速扩张，正对中性利率形成上行推力。

背后逻辑并不复杂：AI产业落地，需要大规模兴建数据中心、采购芯片、消耗电力，持续吸纳资本。资金来源于社会储蓄，当投资需求大幅抬升、储蓄供给跟不上，均衡利率自然上行。

高盛测算，未来五年全球AI领域资本支出规模将达到7.6万亿美元，体量相当于日本一整年的GDP全部投向服务器、算力与通信基础设施。国际金融协会的判断更为直接：一轮良性的AI产业周期会推高r-star，更高的资本预期回报、加速的资本形成，将重塑储蓄与投资的对比关系。巴克莱也发出警示，市场不宜默认利率能够回归2010年代那种长期超低环境。

这是“推高派”的核心论证：AI掀起一轮资本开支海啸，浪潮过后，利率运行的地基已经抬高。

但另一派观点与之针锋相对。

2026年7月，PIMCO发布题为《AI是推高还是压低中性利率？》的研究报告，提出了反直觉的观察视角：团队跟踪历次重磅大模型发布后的市场反应，远期利率往往下行，而非上行。

市场的定价逻辑，不是预判经济过热、利率抬升，而是押注AI将带来全要素生产率提升，长期压低通胀中枢，为货币政策降息打开空间。

数据层面同样充满分歧。

自2020年以来，美国市场估算的r-star上行约1个百分点。不过旧金山联储2026年8月的工作论文给出结论：AI并不是本轮r-star抬升的主因。驱动自然利率上行的核心，是美债的安全溢价回落——市场不再无差别认定国债是零风险资产，要求更高的回报补偿财政风险。

两套观测框架、两组相悖结论，至今难以互相说服。

这就是货币政策当下的困境：r-star这个基准原点持续漂移，而加息降息的政策力度，都建立在这个原点之上。一旦锚点跑偏，整套宏观政策的坐标系都会随之偏移。

纽约联储2026年4月的工作论文，进一步提出AI滞胀风险假说。在AI转型的早期阶段，企业尚未兑现效率红利，但算力、芯片等投入成本已经刚性上涨，摩擦成本拖累生产效率；与此同时，市场把AI视作长期增长主线，乐观预期推高资产估值。

最终形成一种棘手组合：成本端驱动通胀，资本市场泡沫同步滋生。此时降息，会进一步吹大资产泡沫；加息，又容易重创处在转型阵痛中的实体企业。

这并非纯粹理论推演。2026年的美国经济，正在呈现这类特征：AI算力投资推高电价、芯片报价，多数企业暂未从AI落地中获得盈利改善，通胀粘性难消，股市估值也维持高位。

AI对自然利率的影响，在不同经济体之间分化显著，不存在统一结果。

美国处在AI产业链核心，数据中心建设、高端芯片、电力、高技能劳动力的需求集中爆发，美联储感知到自然利率存在上行压力；欧洲本土AI投资体量有限，但高度暴露在全球芯片、能源涨价的冲击之下，欧央行执委莱恩坦言，AI对通胀和中性利率的净效应，仍充满不确定性；亚洲经济体多承担半导体设备、精密制造供给角色，深度绑定AI资本周期，日本央行行长植田和男提示，AI衍生需求叠加日元弱势，可能抬升日本通胀水平。

中国的自然利率运行轨迹，则和美国形成鲜明反差。国内学界与央行系列测算显示，我国自然利率长期处于下行通道，人口结构变化、资本边际回报回落、居民高储蓄偏好是主导力量，短期AI资本投入尚不足以扭转这一长期趋势。

当前国内实际利率与自然利率的匹配格局体现为：市场融资成本持续下行带动实际利率走低，自然利率同步缓步回落，二者维持弱均衡。企业信贷利率处在低位，物价偏弱环境下，实际利率被动抬升的压力仍需要持续关注。国内货币政策锚定自然利率的思路，核心是推动真实利率贴合潜在产出增速，在稳增长、防风险之间求取平衡，不简单跟随海外利率周期被动调整。

人民银行二季度货币政策执行报告将AI列为全球经济金融重要变量，和金融街论坛上潘功胜的判断一脉相承。对中国而言，AI远期的效率红利值得期待，但短期资本拉动效应有限。与美国由算力基建带来储蓄缺口、推升利率的路径不同，国内AI投资更多内嵌于产业转型升级进程，生产率改善尚处在缓慢兑现的周期。

全球曾经共用一套r-star坐标系，如今正在拆解成一组组本土化的局部坐标系。而现行央行政策框架，原本建立在这套统一坐标系之上。美联储主席沃什在国会听证会上那句表态——“我无法确切判断人工智能对通胀的最终影响”，正是坐标系重写时代，负责任的决策者给出的审慎回答。

但是比原点漂移更可怕的，是有人正在试图换掉整个坐标系。

本文讨论的 r-star（自然利率）框架，源自魏克塞尔的利率均衡理论，经伍德福德等学者发展，成为新凯恩斯主义下全球中央银行通用的货币政策基准范式，用于判断货币政策松紧、评估供给与技术冲击对均衡利率的长期影响。潘功胜行长在金融街论坛的研判，也是在这套主流框架之内讨论供给冲击、生产率时差，并没有跳出 r-star 范式。

下一节要讨论的，当AI让经济预测的“时间尺度”发生了断裂——短期信号和长期趋势之间的桥梁塌了——央行行长们怎么办？