經濟學家努里爾·魯比尼（Nouriel Roubini）長期以悲觀預測著稱而獲「末日博士」稱號，卻在人工智慧（AI）議題上公開轉為看多。在香港格林威治經濟論壇上，魯比尼表示 AI 並非泡沫，而是一項將持續演進的結構性技術，並預測到 2050 年，AI 驅動的技術革命可推動美國年均 GDP 成長率達到 10%。
「末日博士」轉向的核心論點：AI 是成長引擎而非泡沫
魯比尼的立場轉向建立在明確的論據基礎上。他認為，AI 及半導體技術的普及將構成未來 10 至 20 年的全球經濟增長引擎，且這一基本面不受地緣政治衝擊、氣候變遷或民粹主義浪潮的根本性干擾。
他在論壇演講中直接表示：「這一基本面——無論地緣政治、氣候變遷還是民粹主義如何——都將是未來 10 到 20 年的增長引擎，對全球整體而言是利好因素。」
他同時保留了對短期人為因素的審慎態度：「從中長期來看，科技終將佔據主導地位，但短期內我們可能因做出許多愚蠢之舉而造成巨大破壞。」這一表述精準反映了他對 AI 長期樂觀、對政策短視謹慎的立場分層。
AI 驅動 GDP 增長的三階段路線圖
魯比尼對未來 AI 驅動的經濟增長軌跡，提出了具體的分階段目標，時間跨度延伸至 2050 年：
2030 年目標：AI 推動美國年均 GDP 成長率達 4%，即使面臨當前地緣政治衝擊，這一趨勢亦不會逆轉
2040 年目標：成長率進一步攀升至 6%，反映 AI 技術廣泛部署後生產力紅利的逐步釋放
2050 年目標：AI 創新成為全球成長的核心引擎，美國年均 GDP 成長率最終達到 10%
魯比尼點名美國與中國為這一新成長時代的主要受益者，認為兩國在 AI 與半導體領域的技術積累，使其在全球競爭格局中具備最強的結構性優勢。
政治領導力的邊際化：科技動能大於政治變數
魯比尼在論壇上提出了一個頗具爭議性的觀點——在 AI 主導的新時代，政治領導人的角色被根本性地降低。他表示，即便「米老鼠」當選美國總統，美國經濟仍將持續成長，因為美國科技業擁有確保這一增長率的內在動力，這與白宮的政策立場無關。
這一邏輯的核心在於，AI 和科技基礎設施的成長動能來自技術本身的迭代進化與市場需求，而非政策指令的推動。政治不確定性雖然可能在短期內造成波動，但無法從根本上逆轉 AI 作為長期成長引擎的結構性走向。
常見問題
魯比尼為何被稱為「末日博士」，此次 AI 看多為何引人注目？
魯比尼因 2005 至 2007 年間準確預警 2008 年全球金融危機的系統性風險，以及長期以悲觀論著稱而獲得「末日博士」稱號。此次他在 AI 問題上公開轉為看多，並給出橫跨 2030 至 2050 年的具體增長路線圖，被市場視為一個重量級的市場情緒轉向信號。
魯比尼為何認為 AI 不是泡沫？
魯比尼認為 AI 是一項持續演進的底層技術，其對生產力的影響具有長期性與結構性，與過去純金融工具類泡沫有本質區別。他預測 AI 的技術紅利將在未來 20 年逐步釋放，而非在短期泡沫破裂後消散，並明確將其定位為未來 10 至 20 年的全球增長引擎。
美中兩國在 AI 時代具有哪些核心優勢？
魯比尼認為，美國與中國在人工智慧與半導體技術的研發投入與產業積累上均居於全球領先地位，其技術創新能力使兩國在全球競爭格局中擁有最強的結構性優勢，並將在 AI 驅動的新成長時代主導技術定價的話語權。
免責聲明：本頁面資訊可能來自第三方，不代表 Gate 的觀點或意見。頁面顯示的內容僅供參考，不構成任何財務、投資或法律建議。Gate 對資訊的準確性、完整性不作保證，對因使用本資訊而產生的任何損失不承擔責任。虛擬資產投資屬高風險行為，價格波動劇烈，您可能損失全部投資本金。請充分了解相關風險，並根據自身財務狀況和風險承受能力謹慎決策。具體內容詳見
聲明。
相關文章
Google 導入試行徵才考試，讓工程師可使用 AI 工具
根據《朝鮮日報》（The Chosun Daily），Google 正在試行一種招聘考試，讓美國的軟體工程師應試者在特定的初階與中階職位中可使用 AI 工具。該試驗包含程式碼理解任務，應徵者需要檢視既有程式碼、修正錯誤並提升效能。面試官將評估候選人如何提示 AI、檢查其輸出、編輯結果並除錯程式碼，而非僅評量其從零開始撰寫程式碼的能力。
GateNews58分鐘前
OpenAI 立即終止微調 API，現有用戶可使用至 2027 年 1 月 6 日
根據 Beating 監控到的 OpenAI 官方公告，該公司將即日起停止其面向開發者的自助式微調 API。新使用者將不再能夠建立微調任務，而現有的活躍使用者則可在 2027 年 1 月 6 日之前繼續存取該服務。已部署的微調模型，其推論服務將與其基礎模型的生命週期綁定；當基礎模型下架時，推論服務也將停止。 OpenAI 表示，其新的基礎模型（例如 GPT-5.5）在遵循指令與格式化方面已足夠強大。該公司指出，將提示工程與檢索增強生成（Retrieval-Augmented Generation，RAG）結合使用，比微調更便宜、更快速，且足以滿足多數使用情境。
GateNews1小時前
Sakana AI 與 Nvidia 透過跳過 80% 的無效運算，使 H100 推論速度提升 30% 更快
Sakana AI 和 Nvidia 已開源 TwELL，這是一種稀疏資料格式，可讓 H100 GPU 在大型語言模型中跳過 80% 的無效運算，同時不犧牲準確性。該解決方案在 H100 上可提供最高 30% 更快的推論速度，以及 24% 更快的訓練速度，同時降低峰值記憶體使用量。在 1.5 十億參數模型的測試中，透過訓練期間使用輕量化正則化，該方法將作用中的神經元降至低於 2%，且在七項下游任務中沒有出現效能退化。
GateNews2小時前
Microsoft 將 Phi-Ground 4B 模型開源，表現優於 OpenAI Operator 與 Claude 的點擊螢幕準確率
根據 Beating，Microsoft 最近開源了 Phi-Ground 模型家族，該家族旨在解決「AI 應該在電腦螢幕的哪裡點擊」這個問題。這個 40 億參數版本，並搭配用於指令規劃的大型語言模型，在 Showdown 基準測試中超越了 OpenAI Operator 與 Claude Computer Use 的點擊精度，並在包含 ScreenSpot-Pro 的五項評估中，於所有低於 100 億參數的模型中排名第一。 團隊以超過 4,000 萬筆資料樣本進行訓練，並發現學術論文中常用的三種訓練技術在規模化後變得無效。關鍵方法證實其實很簡單：輸出座標作為一般數字，例如「523, 417」。先前的研究為座標發明了專用位置詞彙，但這些方法無法擴展到更大規模。團隊也發現，將文字指令放在影像之前能提升效能，因為模型在處理像素時就能辨識目標。此外，像 DPO 這類強化學習方法，即使在微調之後也能提升準確度。
GateNews3小時前
Tilde Research 發現 Muon Optimizer 會殺死 25% 的神經元；Aurora 替代方案實現 100 倍的資料效率提升
根據 Tilde Research，DeepSeek V4 與 Kimi K2.5 等領先 AI 模型採用的 Muon 優化器存在隱藏缺陷：它會導致在早期訓練期間，MLP 層的神經元中超過 25% 永久死亡。團隊設計了 Aurora，這是一種替代優化器，並將其開源。參數量 11 億的模型僅用 1000 億 tokens 訓練，就在 HellaSwag 與 Winogrande 等語言理解基準上達到了與在 36T tokens 上訓練的 Qwen3-1.7B 相當的表現，顯示資料效率大約提升了 100 倍。Aurora 相較於 Muon 會增加 6% 的計算開銷，且可作為直接替代方案。
GateNews3小時前
Nvidia 於 2026 年初承諾投資超過 400 億美元於 AI，包括 300 億美元投資 OpenAI
根據 TechCrunch，Nvidia 在 2026 年前幾個月承諾投入超過 400 億美元於 AI 公司股權投資，其中對 OpenAI 的 300 億美元投資是單一最大承諾。這家晶片製造商也承諾最高 32 億美元投資玻璃製造商 Corning，並投資至多 21 億美元給資料中心營運商 IREN，其中包括一份為期五年的認股權證，以及一份價值 34 億美元、用於採用 Nvidia Blackwell 系統的託管 GPU 雲端服務的獨立合約。根據 FactSet 數據，Nvidia 今年宣布了對上市公司進行七項數十億美元級別的投資，同時也參與了約兩打（約 24 次）私營新創公司的募資輪次。
GateNews6小時前
