发电机与计算机
1980 年代末的"计算机革命没有带来生产率提升"（Solow 悖论）并不反常——19 世纪末发电机革命经历了同样 30–40 年的滞后期才在统计上显现。重大"通用目的技术"（General Purpose Technology, GPT）的红利，要等到配套基础设施、组织变革、技能重组、沉没资产折旧四件事同步发生之后，才会在宏观生产率上显形。
2023–2026 年的 AI 革命正面临同样的质疑：模型能力指数级跃迁，但宏观生产率几乎没动。这篇 1990 年的论文，为当下的 AI 焦虑提供了最严谨的历史框架——它不是鸡汤，而是基于真实计量经济史数据的结论。
背景：1980 年代末的生产力悖论
1987 年前后，美国经济学界、政界、商界陷入一场集体困惑：一波肉眼可见的技术浪潮（微电子、激光、光纤、生物技术）正铺天盖地而来，而全要素生产率（TFP）增长却近乎停滞。这种"技术狂热 vs. 数据沉默"的反差，被概括为"生产力悖论"（Productivity Paradox）。
"我们到处都能看到计算机，唯独在生产率统计里看不到。"
— Robert Solow（1987）
三个最让人不安的现象
1. 数据处理投资最重的行业，反而生产率增长最慢。1980 年代美国金融、保险、零售、电信业在电子数据处理（EDP）上的资本支出增速远超其它行业，但这些行业的人均产出增长却持续低于整体经济平均水平。Morgan Stanley 首席经济学家 Stephen Roach 在两份著名报告中把这一悖论推到台前。
2. 增长核算中的"知识残差"消失了。1950–1973 年的黄金时代，TFP 年均增长 1.5% 以上，其中相当一部分被归功于"技术进步"（即索洛残差）。但 1973 年之后，该残差趋近于零——这与"信息革命"的说法直接冲突。
3. "计算机无处不在，唯独生产率里没有它"。Solow 这句俏皮话成为整个 1980 年代末学界、政界、媒体反复引用的一句咒语。
当时的三种主流解释
① "统计幻觉"派：计算机的真正收益体现在质量改善、新产品、新服务上，但传统国民账户无法度量这些。Baily & Gordon（1988）系统讨论了"测量问题"。
② "等待期"派：新技术需要时间才能完成扩散与重组。Bresnahan & Trajtenberg（1989）的 GPT 理论提供了概念基础。
③ "幻觉派"：计算机根本没用，主张回归传统资本积累。
本文属于第二派的历史化升级：David 不是泛泛说"等一等就好"，而是打开 19 世纪末电气化的真实档案，告诉你具体要等什么、等多久。
核心主张：重组阶段假说
David 的论点不是"计算机没用"，也不是"再等 20 年就好"。他提出了一个可证伪、有计量支撑的历史机制——"重组阶段假说"（Reconstitution Phase Hypothesis）：
一项通用目的技术（General Purpose Technology, GPT）的真正生产率红利，不会出现在技术成熟之时，而是出现在该技术与互补资产、组织结构、技能基础、配套基础设施完成深度重组之后——这一重组期通常需要20 到 40 年。
这一假说的强证据，来自于 1880–1920 年代美国电气化过程的真实计量数据。
为什么是"重组"而不是"扩散"？
扩散（Diffusion）= 把设备装进工厂和办公室。这是一个 5–10 年可以量级完成的过程。
重组（Reconstitution）= 围绕新设备彻底改造工厂布局、组织结构、供应链、技能组合、上下游产业。这是真正慢的部分。
David 的关键洞见：装设备 ≠ 用起来 ≠ 用出生产率。三者之间隔着组织与技能的鸿沟。装一台电动机进 1900 年的纺织厂，不等于把工厂改造成了 1920 年的电气化最佳实践。
重组为什么慢？四个机制
1. 沉没资产拖累（Sunk Asset Drag）：仍可使用的旧式厂房无法被理性替换。1900 年时美国工厂大量装配的是 1880 年代建成的蒸汽动力多层厂房——这些建筑物理折旧没完成，财务上没人愿意拆。
2. 互补资产缺口（Missing Complements）：电动机需要便宜的电力、配套的电路设计、能用电机驱动的设备、懂得电机控制的工程师——其中每一项都要单独演化。
3. 学习曲线（Learning-by-Doing）：David & Olsen（1986）的理论模型证明，当新技术由竞争性主体供给、且行业内存在显著知识溢出时，技术采用速度会系统性慢于社会最优水平。
4. 生产率测度的系统性盲区：新产品（电气照明）、新品质（更安全的车间）、新服务（更短的通勤）大量涌入时，传统国民账户根本捕捉不到。
历史证据：电气化 30 年的滞后期
David 用 1880–1929 年美国电气化的真实数据，搭建了一条贯穿三代技术的时间线，每个节点都给出了具体百分比与年份。
关键事实表：电气化扩散 vs. 生产率显现
| 年份 | 事件 / 状态 | 数据 |
|---|---|---|
| 1879 | Edison & Swan 推出碳丝白炽灯 | 技术突破 |
| 1881 | Edison 中央发电站在纽约与伦敦建成 | 基础设施起点 |
| 1899 | 美国电气照明在住宅中的渗透率 | 仅 3% |
| 1899 | 美国工厂机械驱动力的电气化比例 | < 5% |
| 1900 | 美国 TFP 增长 | 放缓至接近零 |
| ~1910s | 工厂电气化开始获得动能 | 50% 渗透 |
| 1914–17 | 受管制电力费率下调，中央发电占比超孤立工厂发电 | 转折点 |
| 1919–29 | 制造业 TFP 增长加速 5 个百分点 | 红利显现 |
| 1929 | 距首家中央发电站 | 48 年 |
1919–1929 年间美国制造业 TFP 增长率所记录的 5 个百分点的加速中，约一半可由该十年间制造业二次电动机容量的增长在统计上解释。剩下的一半则来自连续流程制造（造纸、化工、石油）的扩散与组织变革。
这意味着：发电机的红利 真实存在，只是迟到了——而且迟到的方式是有迹可循的。
三个典型的"重组阻力"案例
① 组驱动 vs. 单元驱动：早期工厂只是把电动机叠加在原有蒸汽/水力系统上，保留"组驱动"（一台大电机带一组传动轴），没有真正利用电的灵活性。真正革命的"单元驱动"（每台机器独立小电机）需要工厂重建、工程师重组——这才是 1920 年代效率提升的真正来源。
② 多层厂房 vs. 单层厂房：蒸汽时代为减少长轴传动的功率损失，必须建多层楼。电气化后可以拆掉楼板、改为单层线性厂房——但前提是原有厂房折旧到需要重建。沉没资产是真正的瓶颈。
③ 看不见的品质改善：电动机的间接效益包括更安全的车间（没有裸露旋转皮带）、更好的机器控制（消除皮带打滑）、更高的产品质量。这些效益大量未进入生产率统计。
关键洞察：六条核心结论
① GPT 的红利是"延迟到账"，不是"不到账"
蒸汽、电力、计算机——每一项真正的"通用目的技术"都遵循同样的滞后期。经济史数据反复证明：TFP 增长的拐点通常出现在 GPT 普及后 20–40 年，而非 5–10 年。短期看不到统计红利不构成 GPT 失败的证据。
证据强度：P0（David 1989 工作论文中含完整计量表 Table 5）
② 真正的瓶颈是"重组成本"，不是"技术成本"
装一台电动机很容易（小时级决策），围绕它重组一个工厂很难（10–20 年资本折旧周期）。所有 GPT 的早期阶段都会出现"技术红利先到，组织红利迟到"的现象。装设备 ≠ 用出效率。
证据强度：P0（直接来自 1899–1919 美国制造业数据）
③ 互补资产比技术本身更稀缺
发电机革命的关键不是发电机本身，而是配套的：廉价电力、单元驱动设计、单层厂房布局、能用电机控制的小型化机器、懂电气工程的工程师——每一项都要单独演化。GPT 的系统级红利来自配套生态的整体成熟。
证据强度：P0（DuBoff 1979, Devine 1983, Minami 1987 横向验证）
④ 学习曲线是"社会慢于最优"的
David & Olsen（1986）的理论模型证明：当承载新技术的资本品由竞争性主体供给、且行业内存在显著知识溢出时，技术采用速度系统性慢于社会最优水平。这不是市场失灵，是市场的正常节奏——知识溢出难以独占收益，所以谁都不愿单独承担试错成本。
证据强度：P1（理论模型，论文未提供独立计量检验）
⑤ 测度盲区可能"吃掉"大部分红利
电气照明的"亮度提升、防火安全、维护便利"，有轨电车的"更快通勤、更好居住品质"，单元驱动的"更安全车间、更标准化产出"——这些福祉贡献绝大多数未进入国民账户。当 GPT 偏向创造"新品质"与"新服务"时，统计上的"无生产率"可能恰恰是福祉最大的时期。
证据强度：P0（Baily & Gordon 1988、David 1989 工作论文表 5 交叉验证）
⑥ GPT 的红利是"非线性的"——前 20 年是沉没投资期
从 1881 首家中央发电站到 1920 年代 TFP 加速，整整 40 年。其中前 30 年是"只投入不产出"。这意味着 GPT 的资本回报是J 形曲线，而非 L 形。如果用 5–10 年的财报视角评估 GPT，一定会得出错误结论。
证据强度：P0（David 1989 工作论文，Appendix A 详细论证 50% 渗透门槛）
对当下的启示：AI 革命是 1990 还是 1920？
2023–2026 年的生成式 AI 革命，几乎完美复刻了 1900 年的电气化局面：
• 模型能力指数级跃迁（类似 1881 中央发电站建成）
• 宏观生产率几乎没动（类似 1899 美国 TFP 增长近乎为零）
• 围绕 AI 的组织变革、技能重组才刚刚开始（类似 1914–17 前的"组驱动"阶段）
把这篇论文作为镜子，可以看清我们当下究竟处在哪一阶段，以及未来 10–20 年最可能发生什么。
① 我们大概率处于"早期采用 + 组驱动叠加"阶段
今天绝大多数企业的 AI 应用，本质上是"组驱动叠加"：
- • 让 LLM 写邮件 → 原有工作流保留，AI 叠加
- • 让 Copilot 补全代码 → 原有开发流程保留，AI 叠加
- • 让 AI 总结会议 → 原有会议流程保留，AI 叠加
这种叠加不会带来 5 个百分点的 TFP 加速——只会抬高资本-产出比（GPU 资本开支暴涨），与 1900–1914 美国电气化的轨迹高度相似。
② AI 的真正红利 = "单元驱动"式重组
1920 年代的"单元驱动"革命，不是把电机装进旧厂房，而是为电而重新设计：单层厂房、模块化生产线、可重构布局。对应到 AI，这意味着：
- • 不是"AI 帮员工做某事"，而是"重设工作流使 AI 成为中枢"
- • 不是"AI 帮旧流程提速"，而是"砍掉旧流程、由 AI 直接生成新流程"
- • 不是"为 AI 加 GPU 服务器"，而是"围绕 AI 重构数据中心、网络、终端"
这一阶段需要 10–20 年的资本折旧与组织演化——不是任何单一公司能加速的，而是整个经济系统级别的演进。
③ PM 视角：你正在"卖电机"，还是在"卖工厂"?
把这篇论文的视角套到自己的产品上：
如果你的产品只卖"AI 能力"（聊天、生成、总结），你处于电气化的早期——营收会快速增长，但客户的生产率提升有限，留存会很难。
如果你的产品卖"重组后的工作流"（即客户用了你的产品，整个组织的生产方式都变了），你卖的是 1920 年代的新型单元驱动工厂——短期卖不动，但一旦卖出去就是长期锁定。
对照案例：Excel 不是"AI killer app"，但它是 1980–2020 年间最伟大的"生产力软件"——它不是替代了会计，而是重新定义了会计、运营、销售的工作流。AI killer app 也大概率诞生在工作流重组上，而不是在"模型能力"上。
④ 避免两个极端：盲目乐观 & 短期焦虑
David 论文最后一节明确警告：避免两种偏差——不切实际的乐观与不切实际的急躁。当下 AI 讨论恰恰在两端剧烈摇摆：
• 乐观派："AGI 就在两年后，GDP 即将起飞"——忽视了重组成本
• 急躁派："AI 是泡沫，3 年没 ROI，必须回归传统行业"——忽视了 GPT 红利的历史规律
历史给出的中间路线：1987 焦虑 → 1995 Windows 95 → 2005 互联网泡沫破裂 → 2010 云计算成熟 → 2015 移动互联网生产力爆发 → 2020 平台期。每一次 GPT 的红利都真实到来，只是比预期晚 15 年。
PM Q&A：六个面向产品经理的具体问题
AI 现在处于 David 论文时间线上的哪一阶段？是 1899（<5% 渗透）还是 1914（开始有动能）？
答案：约在 1905–1910 之间。
判断依据：
• 类似 1899：核心 AI 能力（GPT-4、Gemini、Claude）的"渗透率"（按"组织使用 AI 替代/增强关键工作流"的口径）估计不到 10%——和 1899 年电气照明在住宅的 3% 渗透率同量级。
• 类似 1914：AI 基础设施的成本曲线正在快速下行（GPU 价格/性能每年提升 3–5×），类似 1914 后电力费率大幅下调。这正是 David 论文强调的"动能启动条件"。
• 但远未到 1920：1920 的核心标志是"工厂围绕电力重建"，对应 AI 时代就是"组织围绕 AI 重建"——这件事今天还没真正开始。
为什么 Excel 是真正的"killer app"，而不是 AI 聊天机器人？David 的框架如何解释？
答案：Excel 是 David 所说的"重组工具"——它把"会计/分析"这件事从专业领域变成了通用技能，让所有非专业人士都能完成原本需要专家的工作。
这正对应 1920 年代"单元驱动"革命的本质：把电力从集中式工厂资产变成每台机器的局部资源。Excel 把"计算/分析"从集中式 IT 部门资产变成了每个业务人员的桌面工具。
AI 聊天机器人目前还停留在"集中式能力"阶段——必须调用云端 API，没有真正"嵌入"业务人员的日常工作流。
真正的 AI killer app 会是某种把 AI 能力本地化、桌面化、流程化的产品——比如 Office Copilot 正在尝试的方向。
David 说的"沉没资产拖累"对 CapCut / 剪映这类 AI 视频产品有什么具体启示？
答案：非常直接。
剪映/CapCut 的"沉没资产"是用户的传统剪辑工作流：找素材→粗剪→精剪→配乐→调色→字幕→导出。这套流程基于"人工逐帧操作"，积累了大量教程、模板、插件。
AI 视频的真正机会不是"在旧流程里加 AI 按钮"（这是"组驱动叠加"，类似 1900 的"在蒸汽厂加电动机"），而是重新定义"视频生产"这件事——从"剪辑"变成"prompt + 模板 + 微调"。
具体的产品形态：
- • 消灭"剪辑"：用户给一段 prompt + 原始素材，AI 直接生成成片
- • 消灭"调色"：AI 自动化美学决策
- • 消灭"配乐"：AI 根据画面情绪生成/选择音乐
每消灭一步，就向"单元驱动"靠拢一步。
David 论文里"测度盲区"的概念，对评估 AI 产品价值有什么方法论启示？
答案：传统指标会严重低估 AI 价值——正如 1900 年电气化的"防火安全、照明质量、维护便利"未被统计。
具体启示：
• 不要只用"节省时间"评估 AI。节省时间是 GPT 的最浅层红利。真正的红利包括：决策质量提升（未被度量）、员工满意度提升（未被度量）、新创意被探索的可能性（未被度量）、失败成本降低（未被度量）。
• 不要只看收入 / ROI。AI 创造的新使用场景、新产品形态，初期可能在统计上完全不可见——1900 年不会有人想到"电气化让家庭妇女能晚上做针线活"是一个 GDP 项目。
• 为产品设计"扩展指标"。除了传统 KPI，还要追踪：用户尝试的新工作流数量、用户对产品"省心"的评分、用户使用产品后的创作多样性、用户跨场景复用率。
David 强调"沉没资产"会让旧体制持续到折旧结束。AI 时代我们的"沉没资产"是什么？什么时候会"折旧"？
答案：AI 时代的"沉没资产"包括三层：
1. 物理层：传统数据中心、CPU 优化的服务器、桌面 PC 工作站。GPU 数据中心、边缘推理节点正在缓慢替代它们。
2. 软件层：传统 SaaS（基于 GUI + 人工流程设计的 ERP、CRM、OA）。AI-native 应用正在替代它们——但任何一家公司替换核心 ERP 都需要 3–5 年项目周期。
3. 认知层：最顽固的"沉没资产"——管理者对"什么算生产力"的理解。管理者习惯了用"人/天"、"工时"、"产量"评估团队，对"AI 重构后的组织产能"完全没有度量框架。
折旧的时间尺度：
- • 物理层 5–10 年（按 1900–1910 美国电气化节奏）
- • 软件层 10–15 年（按 1910–1925 单元驱动革命节奏）
- • 认知层 15–25 年（按 1920–1940 组织变革节奏）
David 提到"信息不是电流"——AI 时代哪些类比会失效？PM 应该警惕哪些"过度乐观的类比"？
答案：三类失效的类比——这是 David 论文第 VI 节明确警告的：
① "信息像电一样可无限传输" — 错。信息缺乏超可加性（电可加性 100%，信息几乎为 0），边际传输成本近零。所以 AI 输出不是"更多电"，而是"更多噪声"——这导致信息过载（overload）。
② "AI 像电力一样可标准化" — 部分错。电是物理量，可严格标准化；AI 是认知系统，质量随场景变化。模型统一≠输出统一。同一个 GPT-4 在不同 prompt 下输出质量天差地别。
③ "AI 像电力一样会自动折旧" — 大错。发电机有物理折旧，旧机器到年限必须更换。但AI 系统不会自动折旧——传统 ERP 用 10 年被迫换，AI 系统可能用 30 年还在用，因为它的"折旧"是经济过时，不是物理过时。这意味着企业可能更慢地切换到新一代 AI 工具。
全文翻译（学术中文译本）
以下为论文 AER P&P 1990 短版的学术中译本。完整译稿亦保存于 translation.md。
§1 引言：Solow 悖论的提出
许多观察西方工业化国家近期趋势的研究者，都对"技术革新高速推进、而生产率增长却令人失望地缓慢"这一矛盾感到困惑。经济学家这一代人，成长于把全要素生产率（TFP）指数的增长等同于"技术进步"的时代，如今却发现：经济增长核算中那个代表"知识进步"的残差项，恰恰在一波重大创新浪潮——微电子、激光与光纤通讯、复合材料、生物技术——涌现的同一时刻消失了。人们对"计算机革命"以及刚刚开启的"信息时代"在此问题上的失望尤为强烈。事实上，"当下局面存在某种反常"这种说法的吸引力，很大程度上源于一个明显的失败：基于微处理器和存储芯片的创新浪潮，未能在那些近期大量投资电子数据处理设备的美国经济部门中激发出生产率的高速增长。所谓的"生产力悖论"的这一面向，借 Robert Solow 那句广为流传的简洁概括而家喻户晓："我们到处都能看到计算机，唯独在生产率统计里看不到。"
然而，只要我们愿意从"网络型产业中大型技术系统的经济史"这一视角切入，并记住"从既有技术体制过渡到下一代技术体制"所需的恰当时间尺度，那么所谓的生产力悖论的诸多特征，便不会再显得那么史无前例、那么令人费解。
§2 目标：通用目的发动机的演进史
我的目标很简单，就是说服现代经济分析者：追溯围绕"通用目的发动机"（general purpose engines）形成的技术-经济体制演进史的研究，与当下议题直接相关。所谓"通用目的发动机"，典型地指作为关键功能性组件内嵌于硬件、可作为"工程设计的模块化单元"而应用于多种特定操作或流程之中的技术。James Watt 蒸汽机设计，作为第一工业革命中扮演这一技术角色的创新，自然是脑海里浮现的首个例子。但对我的论证而言，更有用的做法是把注意力引向另一对类比——现代计算机与另一种在所谓"第二次工业革命"中占据突出地位的通用目的发动机，即电力发电机（electric dynamo）。
§3 计算机与发电机：四大相似性
计算机与发电机各自构成了物理上分布式的（传输）网络的节点要素。两者都在一组强互补性的技术关系网中占据关键位置，由此产生各种类型的"网络外部性效应"，从而使得兼容性与标准化问题成为商业战略与公共政策的重要议题。在两种情形下，我们都能识别出：渐进性技术改进的延伸轨迹；向广泛用途扩散的漫长过程；与其它技术创新流的汇流——所有这些都是相互依存的特征，共同构成一个动态过程，借此一个通用目的发动机获得其广阔的应用领域。
不仅如此，构成现代人对"生产力悖论"之感知的主要经验现象，在不到一个世纪前西方工业化国家的境况中均有惊人的历史先例，包括 1890-1913 年间两个领先工业国——英国与美国——所经历的工业与总体生产率增长的明显减速。在 1900 年，当时的观察者本可以这样评论：电力发电机也是"到处都看得见，唯独在生产率统计里看不见"！
§4 1900 年的电气时代：转型远未发生
世纪之交时，那些有远见的工程师已设想电气化将对工厂、商店与住宅带来的深远变革。但这些愿景的物化在当时远未到来。1899 年的美国，电气照明仅在 3% 的住宅（城市住宅单元中也只占 8%）中使用；制造业工厂所安装的全部电动机的马力容量，仅占工厂机械驱动力的不到 5%。大致而言，还要再过二十年，这些电气化程度总体指标才达到 50% 的扩散水平。
1900 年之后的电气化史使得 Christopher Freeman 与 Carlotta Perez 所提出的"体制转型假说"颇具说服力。他们主张：生产率增长一直缓慢，且很可能将继续保持缓慢，因为基于计算机与通讯创新的新"技术-经济体制"的出现与展开，极可能是一桩旷日持久且充满历史偶然性的事情。
§5 为何转型如此迟缓：四个机制
5.1 工厂电气化的延迟：直到 1914-1917 年之后，受管制的电力费率大幅下降，中央发电站容量超过孤立工业厂内发电容量时，电气化才真正获得动能。工厂电气化直到 1920 年代初期才在技术发展上完全成熟，距首家中央发电站已过去四十年。
5.2 耐用工业设施的拖累：仍可使用的旧式厂房无法被理性替换。更广泛的"最佳实践"应用机会，有待于：耐用厂房建筑的进一步物理折旧；旧式工厂的选址过时；以及 1920 年代扩张性宏观经济气候中固定资本形成的普遍繁荣。
5.3 "组驱动"系统的低效叠加：将一种技术系统叠加于既有底层，会抬高资本-产出比，不利于 TFP 增长。这种"叠加"现象在蒸汽革命、计算机应用中都重复出现。
5.4 学习曲线与产业组织：去中心化的学习过程取决于对新工业设施的需求规模，而这一过程内在不确定且启动缓慢。David & Olsen（1986）的理论模型证明：当承载新技术的资本品由竞争性主体供给、且行业内存在显著知识溢出时，技术采用速度系统性慢于社会最优水平。
§6 生产率测算的盲区
另一组不同的考量涉及常规生产率测度方法的缺陷。发电机革命的历史对当下围绕计算机之所谓冲击提供了值得关注的先例：(1) 与新商品引入相关的、未被度量的品质变化；(2) 新技术偏向于扩大此前未被国民账户记录的某类商品与服务生产这一测度偏差。
1890-1914 年间发电机最初的商业应用集中于照明设备与城市公交系统。诸如亮度、易维护性、防火安全等品质特征，对于商店、工厂以及住宅的白炽照明尤为重要。电力有轨电车、地铁所带来的出行速度提升与候车时间缩短（更不必说让城市工人能够从更宜居的郊区住宅通勤），对经济福祉的贡献，绝大多数都未为常规的实际产出与生产率指数所捕获。
利用横截面关系：1919-1929 年间美国制造业总体 TFP 增长率所记录的 5 个百分点的加速，约一半可由该十年间制造业二次电动机容量的增长在统计上解释。
§7 结语：避免两个极端
更仔细地研读一些经济与技术史，特别是发电机革命的故事，应当有助于我们避免两种偏差——不切实际的乐观与不切实际的急躁——它们在当下关于生产力悖论的讨论中过于频繁地交替出现。
计算机不是发电机：人机交互的本质远比电气照明与电力技术实现过程更微妙、更复杂。信息作为一种经济商品，与电流截然不同。它具有特殊属性——缺乏超可加性、边际传输成本可忽略不计——使得对其生产与配置进行直接度量极为困难。信息的另一个特殊之处在于：它能产生"过载"，一种特殊的"拥塞效应"。
企业的信息结构可视为生产与运输系统物理布局与物料流模式的直接对应物。信息结构构成沉没成本，且不会自动发生显著的物理折旧——它们可能在经济上过时而因此被报废。因此，在信息密集型生产组织的演进中，可能存在强大的惯性成分。
这些告诫性的限定条件进一步强化发电机类比的一个主要论点：新型（信息）技术的商业化面临特殊困难，必须克服这些困难，大众信息使用者方能以生产者的角色获益，并使这种获益为我们传统的、以市场为导向的生产率指标所反映。
📄 完整参考文献、译注与原文对照，请参见本地 translation.md 文件。
本中译本根据 David (1990) AER P&P 7 页短文译出；其更长的 1989 年 CEPR Working Paper No. 172 版本（Computer and Dynamo，约 47 页）包含更详尽的统计表格与数学模型。