人工智能宏观经济学

Source details

Canonical URL

人工智能宏观经济学

Other formats

• Markdown version
• Structured JSON version
• Bundle manifest

Bibliographic details

• Authors: Erik Brynjolfsson, GABRIEL UNGER
• Published: December 20, 2023

概述

• 文章作者：埃里克 • 布林约尔松（ERIK BRYNJOLFSSON），加布里埃尔 • 昂格尔（GABRIEL UNGER）。
• 出版：金融与发展，2023年12月。
• 主题焦点：AI对宏观经济的三大广泛领域的影响——生产率增速、劳动力市场（收入不平等）与产业集中度。
• 核心观点：AI的未来并无定数；社会与政策选择将决定AI如何影响生产率、收入分配和市场结构。阻力最小的道路通常通向更差的结果；实现更好未来需要创造性的政策实验、设定积极目标并承认AI技术的不确定性与快速变化性。

第一个岔路口：生产率增速

• 历史背景与重要性
  • 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（Brynjolfsson、Rock和 Syverson，2019年）。
  • 生产率（每单位投入的产出）是决定国家财富和人民生活水平的关键因素。
• 低生产率的未来（情景一）
  • AI的经济影响有限，采用缓慢且主要集中在大型企业（Zolas等人，2021年）。
  • AI可能仅成为“很一般的技术”（达隆•阿西莫格鲁和西蒙 • 约翰逊的表述），类似杂货店自动结账台，未能显著提升创造性或高附加值活动。
  • 企业可能未能完成必要的组织与管理变革来充分利用AI。
  • 法律与监管障碍（例如知识产权法可能演化出“专利丛林法则”）和严格监管或禁令，可能延缓或阻碍AI发展。
  • 技术从概念验证到可靠产品的路径会面临重大挑战，真实经济收益可能在几十年后才能显现（索洛悖论提及，1987年）。
• 高生产率的未来（情景二）
  • AI大规模应用于大量由多数劳动者完成的任务（Eloundou等人，2023年），显著提高这些任务的生产率。
  • AI与人类劳动互补，使劳动者能投入更多非常规、创意性和创造性的任务，从而永久性提高生产率增速。
  • AI通过数字化数据捕捉并体现隐性知识，使劳动力更像研究型科学家和创新者，产生递归性的自我强化——推动科学与AI自身的进一步发展。
  • 成功整合AI与机器人可扩展到更多经济领域并催生以前无法想象的工作与发现（医学研究、药物设计、创造力推动等）。

第二个岔路口：收入不平等

• 背景
  • 过去40年个体劳动者之间收入不平等加剧是重大问题。
  • 计算机与信息技术已通过自动化常规中等收入工作导致劳动力两极分化（Autor、Levy和Murnane，2003年）。
• 不平等加剧的未来（情景一）
  • 技术人员与管理人员设计并部署AI以直接替代大量人类劳动，压低许多劳动者工资。
  • 生成式AI能够生成文字、图像和声音，机器可与客户互动并创作营销内容，扩增被替代的工作岗位数量。
  • 虽然不会出现大规模失业，但许多原本高薪或体面的工作会被降级为低薪服务业职位（例如医院护理员、保姆、门卫），劳动市场更加两极分化，少数高技能精英与大量低薪服务劳动者形成对立。
  • 行业内的罢工（例如美国编剧和演员的罢工）被视为AI对劳动力威胁的信号。
• 不平等下降的未来（情景二）
  • AI主要帮助经验不足或知识储备较少的劳动者更好完成工作，从而缩小技能差距。
  • 例证：编程领域中，使用Copilot等AI工具使经验不足或水准欠佳的编程人员接近优秀人员的水平。
  • 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）。
  • 若雇主与员工共享生产率提升的收益，收入分配将变得更加平等。
  • AI还可解放劳动者免于繁琐公式化任务，使其从事更具创造性和心理满足感的工作；电话客服中心研究显示AI助手不仅提高生产率，还降低员工流动并提高客户满意度。

第三个岔路口：产业集中度

• 背景
  • 自1980年代初以来，产业集中度在美国和其他发达经济体急剧上升，出现“超级明星企业”现象，具有更多资本和发达技术。
• 集中度提高的未来（情景一）
  • 只有最大型企业在核心业务中大量使用AI，因而生产率和利润率高于竞争对手并扩大规模。
  • 原始计算能力与训练数据需求的高昂前期成本使大型企业具有显著优势。
  • 文中举例：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企业预期训练成本与性能之间的扩展法则将在可预见未来继续成立，从而支持拥有最大规模预算与数据集的企业。
  • 即使专有AI的巨额固定成本不再是障碍，AI仍可能帮助大型企业完善复杂内部协调，利用“看得见的手”并借助AI提升效率，从而挑战分散市场中小型企业的本地知识优势（哈耶克观点对照）。
• 集中度降低的未来（情景二）
  • 开源AI模型（示例提及Meta的LLaMA或伯克利的Koala）广泛可用，形成活跃的开源生态系统，营利性企业、非营利组织、学术界和个人开发者共同贡献，使小型企业广泛获得行业领先的生产技术。
  • 谷歌在2023年5月泄露的一份内部备忘录中，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”。该研究人员认为小型开源模型的流程可被多人快速重复，最终可能在能力与训练成本方面超过大型专有模型。
  • AI可能鼓励分散的创新，使更多创新者愿意成为小型企业所有者而非大型企业雇员，从而逆转长期上升的产业集中度趋势。

制定政策议程（政策要点）

• 面临的选择：阻力最小的道路会导致更糟糕的未来（低生产率增速、收入不平等加剧、产业集中度提高）；选择更好道路需要积极的政策干预与社会努力。
• 建议的政策原则与问题导向：
  • 鼓励各种类型的AI以补充人类劳动，而不是仅促使AI模仿或替代人类劳动。
  • 设计政策以鼓励各规模企业参与AI发展，而不仅使最大型企业获益。
  • 支持并构建开放的开源生态系统；考虑政策如何提供支持以促成广泛可访问的模型与工具。
  • 指导AI实验室在模型开发中的行为，规范企业在AI实施中的做法。
  • 促进社会获得能够释放颠覆性创新能力的AI技术，而非仅对现有商品、服务和系统进行小幅改良。
• 多方角色与影响力：
  • 大型企业需决定如何将AI与其员工队伍结合并开发内部AI。
  • 高校AI/计算机科学实验室将在开发与开源模型方面发挥作用。
  • 联邦及地方立法与监管机构、选民与工会等利益相关者将影响AI未来的发展方向与制度安排。
• 对政策讨论的再定位：
  • 超越单一“增加或减少/禁止AI”式的“水力模型”讨论，认识到AI不是一个固定事物，而是可塑的方向选择问题。
  • 关键问题包括：如何鼓励补充型AI、如何保障各规模企业参与、什么样的开源生态系统需要被支持、如何进行模型开发与企业实施以达成社会目标。

研究与资源重新配置的必要性

• 当前研究分布不平衡：大量研究推进技术前沿，而旨在理解技术经济与社会后果的研究相对不足。
• 鉴于AI的潜在影响可能以数万亿美元计，社会需在AI经济学研究方面投入更多资源，以匹配AI本身突破的规模与范围。
• 重新调整研究优先次序并制定明智政策议程，有助于实现可持续且包容性的经济增长未来。

作者简介（原文信息）

• 埃里克 • 布林约尔松（ERIK BRYNJOLFSSON）：斯坦福大学人本人工智能研究所“杰里 • 杨（Jerry Yang）和山崎明子（Akiko Yamazaki）”教授，斯坦福大学数字经济实验室主任。
• 加布里埃尔 • 昂格尔（GABRIEL UNGER）：斯坦福大学数字经济实验室博士后研究员。