我们今天做出的集体决策将决定人工智能对生产率增速、收入不平等和产业集中度的影响

经济学家在预测未来方面一直表现欠佳。而硅谷在对下一项重大技术的希望和失望中反复循环。因此，对任何关于人工智能（AI）将如何改变经济的观点持健康的怀疑态度，是有道理的。尽管如此，我们有充分的理由重视AI（其为一种展现出智能行为，如学习、推理和解决问题的系统）在实现经济变革方面日益增长的潜力，特别是考虑到过去一年中出现的令人惊艳的技术进步。

AI可能会在经济以外的许多领域影响社会，包括国家安全、政治和文化等领域。但在本文中，我们将重点关注AI对宏观经济三个广泛领域的影响：生产率增速、劳动力市场和产业集中度。AI的未来并无定数。它可以向非常不同的方向发展。未来将会出现的景象会是多方作用的结果，包括今天我们在技术和政策上做出的决定。在每个领域，我们都面临着一个岔路口：两条通往截然不同的AI和经济的未来之路。在每种情况下，阻力最小的道路都通往最糟糕的未来。要想实现更美好的未来，就需要良好的政策，包括：

• 创造性的政策实验
• 为社会对AI的期望设定一系列积极的目标，而不仅仅是避免出现负面结果
• 认识到AI的技术可能性具有极大的不确定性并处于快速变化之中，且社会必须随此灵活变通

第一个岔路口：生产率增速

第一条道路涉及未来的经济增长，这在很大程度上即是未来的生产率增速。在过去50年的大部分时间里，除了1990年代末和2000年代初的短暂复苏，美国经济一直处于生产率增速低下的状态，这令人不安（Brynjolfsson、Rock和 Syverson，2019年）。大多数发达经济体现在都面临着同样的生产率增速低下的问题。生产率（每单位投入的产出）比任何其他因素都更能决定国家的财富和人民的生活水平。随着生产率的提高，预算赤字、减贫、医疗保健和环境等问题都将更容易解决。提高生产率增速可能是全球面临的最根本的经济挑战。

低生产率的未来

在生产率岔路口的一条道路上，AI的影响是有限的。尽管AI的技术能力迅速提高，但企业对其采用可能仍会十分缓慢，并且仅限于大型企业（Zolas等人，2021年）。AI的经济性可能最终仅仅是一种狭隘的节省劳动力的技术——达隆•阿西莫格鲁（Daron Acemoglu）和西蒙 • 约翰逊（Simon Johnson）称之为“很一般的技术”，例如杂货店的自动结账台——而不是一种能够使劳动者从事一些富有创意或强大影响力的事情（参见本期《金融与发展》中的“重新平衡人工智能发展之路”一文）。失业劳动者最终尤其可能会从事生产效率更低、更缺乏活力的工作，从而进一步削弱经济长期生产率增长的总体效益。

就像硅谷最近的在技术层面所展现出的兴趣（3D打印机、自动驾驶汽车、虚拟现实）一样，AI最终也可能不如最初希望的那样前途无量，或者不如最初希望的那样随时可被推广至市场。任何真正的经济收益，哪怕是较小的收益，都可能在最初的技术承诺后的几十年显现在数据之中，这也是最常见的模式。经济学家罗伯特 • 索洛（Robert Solow）在1987年提出了一项著名悖论，“计算机时代已无处不在，但就是无法在生产率的统计数据中观察到”。这项悖论可能会更加极端地体现出来，因为现在人人似乎都有一个令朋友们感到惊艳的AI聊天机器人，但企业似乎并没有因为AI使用的增加而提高生产率。企业可能会进一步削弱AI带来的任何经济利益，因为它们未能弄清楚充分利用AI所需的组织和管理变革。

而且，与自动驾驶汽车一样，从令人兴奋的概念验证到高度可靠的产品，这一过程会面临多项技术挑战。这些挑战还可能会因法律制度而更加复杂，原因在于一些法律制度本身对这项新技术并不具有适应性，且可能严重阻碍其发展。就AI而言，当模型在数百万个数据点（这些数据点可能包括受保护的他人知识产权）上进行训练时，有关知识产权的当前法律会带来何种影响，仍具有巨大的不确定性。知识产权法最终可能会通过创建类似于“专利丛林法则”的概念来作出反应，以有效阻止模型在开发人员没有明确权利的数据上进行训练。与此同时，错误的选择可能会削弱富有创意的专业人员提供更多新颖内容供机器学习系统使用的积极性。

此外，出于各种担忧，国家监管机构可能会实施严格的监管法规，这会减缓AI的发展和传播速度。国家监管机构甚至还可能受到AI早期开发人员的敦促，因为他们渴望保护自己的领先优势。此外，一些国家、企业和其他组织可能会完全禁止AI。

高生产率的未来

但还存在另一种情景，即AI会在未来提高生产率增速。AI可能会应用于由大多数劳动者完成的很大一部分任务（Eloundou等人，2023年），并大大提高这些任务的生产率。在这个未来中，AI兑现了承诺，成为几十年来最具颠覆性的技术突破。此外，它将最终与人类劳动实现互补——让劳动者将更多时间花在非常规、创意性和创造性的任务上，而不仅仅是取代人类劳动。AI通过利用大量新数字化的数据，捕捉并体现个人和组织的隐性知识（通过经验获得，但难以清晰表达）。因此，更多的劳动者可以将更多的时间投入到对新问题的研究中，越来越多的劳动力将形成一个越来越像由研究型科学家和创新者组成的社会。其结果是，这不仅会提高经济的生产率水平，而且永久性地提高了生产率的增速。

在这样的未来中，AI与机器人的成功整合也意味着更多的经济领域可以适应与人工智能相关的进步。AI不仅能使社会把已在从事的工作做得更好，还能让社会去做和设想以前无法想象的事情。AI支持的医学研究使人类生物学和药物设计知识取得了快速进展。AI能够帮助推动创造力和科学发现的引擎（数学、科学、AI的进一步发展）本身，这是一种递归性的自我提升，曾经仅存在于科幻小说中的思想实验。

第二个岔路口：收入不平等

过去40年，个体劳动者之间收入不平等的加剧是一个重要的问题。劳动经济学的大量实证研究表明，计算机和其他形式的信息技术可能通过实现常规性的中等收入工作的自动化而加剧了收入的不平等，这导致劳动力两极分化为高收入和低收入的劳动者群体。尽管企业的首席执行官（CEO）和看门人这样的工作仍然存在，但计算机已经取代了一些中层的办公室工作人员（Autor、Levy和Murnane，2003年）。我们考虑了AI对不平等现象产生影响的两种情景。

不平等加剧的未来

在第一种情景下，AI会加剧收入不平等。技术人员和管理人员设计和实施AI，以直接替代多种人类劳动，从而压低许多劳动者的工资。更糟糕的是，生成式AI开始生成文字、图像和声音（这些任务以前被认为是非常规的，甚至是创造性的），机器能够与客户互动，并为市场营销活动创建内容。受到AI竞争威胁的工作岗位数量最终会大幅增加。整个行业会被颠覆，且AI取代人工的程度会逐步加深（最近美国编剧和演员的罢工或许也显示出AI对劳动力的威胁，他们要求电影公司限制使用AI）。

在这种情景中，未来不会出现大规模的失业。但在这个不平等加剧的未来，随着AI取代高薪或体面的工作，更多的劳动者会被降级，转而从事低薪的服务业工作，比如医院的护理员、保姆和门卫。对于这些低薪工作而言，一些人类劳动的存在本质上是有价值的，加之工资如此之低，以至于企业无法证明投入大量技术投资来取代人工的成本是合理的。纯人类劳动的最终堡垒，可能是这些包含体力劳动的工种。在这种情况下，收入不平等将加剧，因为劳动力市场会进一步两极分化为少数高技能精英阶级和大量低薪服务劳动者的下层阶级。 

不平等下降的未来

然而，在第二种情景下，AI会导致收入不平等的下降，因为AI对劳动力的主要影响是帮助经验不足或知识储备较少的劳动者更好完成工作。例如，软件编程人员现在已受益于Copilot等AI模型的帮助，这些模型有效地借鉴了许多其他劳动者编程的最佳实践。使用Copilot，会使经验不足或水平欠佳的编程人员的水平接近于优秀编程人员——即使二者都可以使用相同的 AI工具，也是如此。一项针对5,000名在电话客服中心从事复杂客户协助工作的员工的研究发现，在获得AI助手支持的员工中，最不熟练或最新员工的生产率提升幅度最大（Brynjolfsson、Li和Raymond，2023年）。如果雇主与员工分享这些生产率提升的收益，收入分配将变得更加平等。

除了创造一个减少收入不平等的未来之外，AI还可以在另一个更微妙、但更深刻的层面上为劳动力带来帮助。如果AI可以替代最常规和公式化的任务，那么通过让人们从繁琐的日常工作中解放出来，AI可以对真正有创意性和趣味性的任务形成补充，改善工作的基础心理体验，以及提升产出的质量。事实上，电话客服中心的研究发现，使用AI助手的员工不仅提高了生产率，还减少了员工流动，并提高了客户满意度。 

第三个岔路口：产业集中度

自1980年代初以来，产业集中度（衡量一个行业中最大型企业的集体市场份额）在美国和许多其他发达经济体中急剧上升。这些大型超级明星企业通常比较小型的同行企业拥有更多资本，技术水平也更发达。

AI在这方面的影响也包含着两种不同的情景。

集中度提高的未来

在第一种情景中，行业集中度提高，只有最大型的企业在其核心业务中大量使用AI。AI使这些企业的生产率和利润率会高于其竞争对手，其规模也会更大。就原始计算能力而言，AI模型的开发成本越来越高——这是只有最大型的企业才能负担得起的巨大前期成本。此外，还需要让AI针对大量的数据集开展训练。大型企业已经从其庞大的客户群体中获得了这些数据集，但小型企业则还没有。此外，在训练和创建了AI模型后，其运营成本也可能很高。例如，GPT-4模型在初始开发期间的训练成本超过1亿美元，每天需要大约70万美元才能运行。开发大型AI模型的典型成本可能很快就会达到数十亿美元。领先AI企业的高管预测，在可预见的未来，关于训练成本和性能之间密切关系的扩展法则将继续成立，从而为拥有最大规模预算和数据集的企业带来优势。

因此，可能只有最大型的企业及其业务合作伙伴才能开发专有AI，就像Alphabet、Microsoft和OpenAI等公司的例子一样，而较小型企业尚且没有这样做。这样大型企业的规模将越来越大。

更细微、但也许更重要的一点是，即使在一个专有AI不需要只有大型企业才能负担得起的巨额固定成本的世界里，AI仍然可能会给大型企业带来更多收益，帮助它们完善其复杂业务运营的内部协调——这是小型企业和结构简单的企业所不具备的。高层管理人员管理最大型企业内部资源的“看得见的手”（其现在得到了AI的支持）使企业效率得以提升，这挑战了哈耶克提出的小型企业在分散市场中拥有本地知识的优势。

集中度降低的未来

然而，在产业集中度降低的未来，开源AI模型（如Meta的LLaMA或伯克利的Koala）变得广泛可用。营利性企业、非营利组织、学术界和个人编程人员的结合创造了一个充满活力的开源AI生态系统，使人们能够广泛访问已开发的AI模型。这使小型企业能够获得以前从未拥有过的行业领先水平的生产技术。

谷歌在2023年5月泄露的一份内部备忘录中预示了这其中的大部分内容，其中一位研究人员表示，相比专有模型，“开源模型的速度更快，可定制的程度更高，更为私密且能力更强”。该研究人员表示，小型开源模型中的流程可以被许多人快速重复，其最终会比由单个团队缓慢迭代的大型专有模型能力更强，并且开源模型的训练成本也更低。在这位谷歌的研究人员看来，开源AI最终可能会超越昂贵的专有模型。

也有可能是这种情况：AI鼓励了广泛的、分散的创新，相比在一家大型企业中，这种创新在多家小型企业中能发展得更好。企业的边界是一系列权衡取舍的结果；在这样一个世界里，更多运用AI的创新者需要对其工作的剩余控制权，因此越来越多的创新者们宁愿成为小型企业的所有者，也不愿成为大型企业的雇员。

其结果是，在过去长期上升的产业集中度开始呈现出一种新的走势：一些灵活的小型企业填补甚至逆转了与大型企业的技术差距，并赢回了更多的市场份额。

制定政策议程

对于每个岔路口来说，阻力最小的道路都会通向更糟糕的未来，会导致生产率增速低下、收入不平等加剧和产业集中度的提高。要选择更好的道路，我们需要做出艰苦的努力——有助于塑造技术和经济未来的明智的政策干预。

同样重要的是，我们要对政策由更广泛的认识。现在，关于AI监管的大部分讨论都围绕着一种“水力模型”进行，即我们应该增加还是减少甚至禁止AI的使用。出现这种讨论的前提是，AI被视为某种固定的东西，具有一个预先确定的未来。AI的发展或快或慢。这或多或少都会发生。 

然而，如果政策制定者明白AI可以朝着不同的方向发展，那么讨论的内容就会大不相同。政策应该如何鼓励各种类型的AI来补充人类劳动，而不是模仿和取代人类劳动？什么样的政策选择将鼓励各种规模的企业都参与AI的发展，而不仅仅是那些最大型的企业？这可能需要什么样的开源生态系统，政策制定者如何提供支持？AI实验室应该如何进行模型开发，企业应该如何进行AI的实施？社会如何得到一个能够释放颠覆性创新能力的AI技术，而不是对现有商品、服务和系统进行小幅调整？

许多不同的参与者都有能力影响AI未来的发展方向。大型企业将不得不就如何将AI与其员工队伍结合做出重要决策。这些企业中规模最大的企业还将开发其内部的AI。各大高校的AI/计算机科学实验室也将开发AI模型，并将其中一些模型开源。联邦立法机构和监管机构将产生重大影响，更多地方立法机构和监管机构可能也一样。选民也将表达其观点。工会必须明确它们希望与AI建立何种关系，以及它们的诉求是什么。

尽管我们已经描绘了AI的一些可能的未来，但我们想强调的不仅是这项技术的未来是多么难以预测，而且是在积极和集体地决定AI的未来时社会所具有的主观能动性。

我们提出的问题比给出的答案更多，这在一定程度上反映了AI的采用和影响尚处于起步阶段。但这也反映出两类研究之间的深层次的不平衡：一类是推进技术前沿的研究，另一类是更具限制性的旨在了解技术的经济和社会后果的研究。

当这一技术对宏观经济的影响有限时，这种不平衡无足轻重。但今天，当AI对社会的影响很可能以数万亿美元来衡量时，我们应该在AI经济学研究方面投入更多资源。在经济和政策理解方面，社会需要与AI本身突破的规模和范围相匹配的创新。重新调整研究的优先次序并制定明智的政策议程可以帮助社会迈向一个可持续和包容性经济增长的未来。

文章和其他材料中所表达的观点均为作者个人观点，不一定反映IMF的政策。