人工智能可能正在超越人类智能；我们应为此做好准备
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。
人工智能（AI）正迅猛发展，并在近几年加速进步。ChatGPT于2022年11月发布，它能生成堪比人类产出质量的文本和代码、无缝翻译各种语言、编写创意性内容并使用丰富的信息回答问题，让用户感到无比惊艳。所有这些功能都达到了前所未见的水平。
然而，在这背后，生成式AI的基础模型已经历了十多年的快速发展。在过去十年中，用于训练最尖端AI系统的计算资源（或简称“算力”）每六个月翻一番。当今领先的生成式AI模型所能做到的事情在几年前曾是难以想象的：它们能够帮助世界一流的顾问、程序员甚至经济学家显著提高生产率（Korinek，待发布）。
关于AI加速发展的猜想
AI的最新进展促使顶尖的研究人员预测，目前的发展速度不仅可能持续下去，甚至可能在未来进一步提速。2023年5月，奠定深度学习理论基础的计算机科学家杰弗里•辛顿（Geoffrey Hinton）谈到其观点的重大转变：“我突然改变了对这些东西（AI）是否会比我们更聪明的看法。”他推测，通用人工智能（AGI）——即具有理解、学习和执行人类可以完成的任何智力任务的能力的AI——可能会在5到20年内成为现实。
一些AI研究人员对此持怀疑态度。这些不同观点反映出未来AI发展速度的巨大不确定性——其可能会加速，或是最终趋于停滞。此外，我们还面临着其他巨大的不确定性：一方面是AI进步带来的更广泛的经济影响，另一方面是日益复杂的AI应用的预期损益比。
从根本上讲，这种不确定性还涉及到有关智能本质和人脑能力的深层次问题。图1显示了关于人脑所能执行的工作任务的复杂性分布的两种不同观点。
小图1展示的观点是：人脑解决更为复杂的任务的能力是无限的。这与我们自工业革命以来在经济方面的经验相一致：随着自动化边界的扩展，人类已经实现了简单任务（包括机械性任务和认知性任务）的自动化，并重新分配了劳动力来更多执行余下的、更复杂的任务——也就是说，他们已经进入了图中所示的复杂性分布的右端尾部。简单而直接的推断表明，随着AI的进步并让越来越多的认知性任务实现自动化，这一过程将持续下去。
图1中的小图2展示了另一种观点：人脑可执行任务的复杂性有一个上限。信息论认为，人脑是一个不断处理大量数据的计算实体。人脑的输入包括感官知觉（视觉、听觉和触觉等），其输出表现为身体动作、想法和情绪反应。即使是使我们具有人性的复杂方面，如情感、创造力和直觉，也可以被视为来自神经回路和生化反应的复杂相互作用的计算输出。尽管这些过程非常精细，并且包含我们并不完全理解的复杂性，但上述观点表明，人脑可执行任务的复杂性有一个明确的上限。
这两种观点对未来自动化的潜在范围有着截然不同的影响。截至2023年，就以稳健的方式执行广泛的智力任务的能力而言，人脑是最先进的计算设备。然而，如果第二种观点被证明是正确的，那么现代AI系统正在迅速迎头赶上。事实上，许多尖端基础模型的计算复杂性已经接近人脑计算的复杂性。人脑计算的复杂性受到生物学的限制，大脑向其他智能实体（人类或AI）传递信息的能力受到我们感官和语言缓慢的信息传输速度的限制。然而，AI系统继续快速发展，可以以明显更快的速度交换信息。
做好准备应对多种情景
经济学家很早就观察到，应对不确定性的最佳方式是运用投资组合方法。鉴于世界知名专家对AI未来发展的看法大不相同，将所有鸡蛋放在一个篮子里，为单一一种情景制定经济计划，可能并不是明智之举。相反，关于未来情景的不确定性应该激励我们做好风险对冲，并仔细分析可能实现的一系列不同情景，从维持现状到实现AGI的可能性。除了充分考虑普遍存在的不确定性外，情景规划还使潜在的机会和风险变得真实可感，并帮助我们制定应急计划并为多种可能的结果做好准备。
以下是经济政策制定者应关注的三种技术情景，涵盖了可能出现的广泛结果：
情景一（保守，维持现状）：AI的进步提升了生产率，并实现了一系列认知工作任务的自动化，但也为受到影响的劳动者创造了新的机会，使他们能够进入新的工作岗位，平均而言，这些工作比他们被取代的工作的生产效率更高。这一观点体现在图1的小图1中。
情景二（进步，在20年内实现AGI）：在未来20年里，AI逐渐发展为AGI，能在该时期结束时具备执行所有人类工作任务的能力，从而使劳动贬值（Susskind，待发布）。这与图1的小图2所体现的有限脑力的观点一致，并假设AI需要20年才能完成最复杂的认知任务。
情景三（激进，在5年内实现AGI）：此情景与情景二类似，但在时间表上更为激进，将在5年内实现AGI及其对劳动产生的所有相关影响。
虽然我在撰写本文时非常不确定，但我估计这三种情景中的每一种都有超过10%的概率会成为现实。为了应对不确定性并为未来做好充分准备，我认为政策制定者应该认真对待每一种情景，对我们的经济和金融政策框架在每种情景下的表现进行压力测试，并在必要时对其进行改革，以确保政策框架的充分性。
这三种情景有可能在经济增长、工资和资本回报率、财政可持续性、不平等和政治稳定等一系列广泛指标上导致截然不同的经济结果。此外，它们还要求改革我们的社会保障体系和税收制度，并影响货币政策、金融监管以及工业和发展策略的实施。
Korinek和Suh（2023年）使用了一个研究自动化的主流宏观经济模型，分析了上述情景对产出和工资的影响。图2显示了所有三种情景的结果，其中左侧显示了每种情景的产出路径，右侧显示了竞争性市场工资的路径。
主要结论有三点：
第一，虽然经济增长继续沿着我们过去几十年在保守的“维持现状”情景中所习惯的轨迹发展，但在两种AGI的情景下，产出增长要快得多，因为劳动力的稀缺性不再是产出的一项制约因素。
第二，在所有三种情景下，工资最初都会上涨——但这仅限于劳动力稀缺的时期。当经济接近实现AGI时，工资暴跌。
第三，在两种AGI情景中，产出的大幅增长和工资的暴跌都是由同一种力量驱动的：稀缺的劳动力被相对更丰富的机器所取代。这表明，应该有可能设计出补偿劳动者收入损失的制度，并确保AGI产生的收益可以带来共享繁荣。
图2大致描绘了前所未有的技术变革可能对宏观经济产生的影响，但最好将其理解为对可能性的解释，而不是精确的预测。需要关注许多注意事项。首先，该图背后的模型是在一个劳动获得有竞争力的回报的高效经济中建立的。与技术上的可能性相比，一系列因素可能会减缓AGI的推出，从组织摩擦、监管法规和对资本积累的限制（如芯片供应链瓶颈）到实施AGI的社会性选择。即使技术上可以取代人工，社会也可能选择在某些职能上保留人工——例如牧师、法官或立法人员。由此产生的“怀旧”工作可以永久维持对人类劳动力的需求（Korinek 和 Juelfs，待发布）。
为了确定哪种AI情景与未来发展最为相似，政策制定者应该监测多个领域的先行指标，且同时牢记所有预测努力都面临着巨大的不确定性。有用的指标包括：技术基准指标，流入AI开发的投资水平，AI技术在整个经济中的采用率，以及由此产生的宏观经济和劳动力市场趋势。技术基准指标可以最直接地衡量AI系统在执行各种劳动任务时的表现。投资水平，例如对研发、人才和计算机芯片的投资，反映了我们有多少资源流入了AI的开发。所有经济部门的AI采用率上升的指标，将反映由研发出的AI系统是否在实践中得到了有效部署。最后，宏观经济影响最终将在生产率统计数据和劳动力市场的趋势中显现出来。
追踪这些互为补充的信号使政策制定者能够根据人工智能的现实情况调整政策应对措施。但我们必须保持谦虚谨慎——未来很可能会使我们大吃一惊。
前面描述的三种情景所隐含的截然不同的经济轨迹突出表明，制定适应性的政策框架十分重要，以便能够随着未来的发展而灵活应对。政策制定者应就每种情景对现有的制度进行压力测试，并在必要时对其进行改革，以确保其具备韧性。这可能包括渐进性的措施（例如改革税收制度和扩大社会保障体系）或实施新的计划（例如引入小额基本收入制度，并可在必要时扩大其规模）。
政策制定者应委托专家团队进行迭代情景规划，以帮助他们定期评估各种情景的发生概率出现了怎样的变化。通过一种适应性的、基于情景的方法来拥抱不确定性，将使我们能够最大限度地在经济领域从AI的持续发展中获益，同时降低其风险。
© 2026 International Monetary Fund. All rights reserved.
