AI怎么影响经济增加？

最近，当 Chad Syverson 在美国劳工统计局网站上查找最新的出产力数据时，他带着一种多年来从未有过的达观心情。

由于各种金融和商业原因，曩昔一年左右的数字总体上很微弱，从疫情初期初步反弹。虽然季度数据显得十分“喧闹和不一致”，但这位芝加哥大学经济学家正在细心研讨这些数据，以发现人工智能驱动的经济添加现已初步的任何前期头绪。

他说，对其时统计数据的任何影响或许依然很小，而且不会“改动国际”，所以他对人工智能影响的痕迹没有被发现并不感到惊奇。但他正在亲近重视，期望在未来几年人工智能能够帮忙改动 20 年来出产力添加下滑的局势，这种下滑正在损坏大部分经济。Chad Syverson 说，“假如真的产生了，那么这将改动国际。”

最新的生成式人工智能令人目不暇接，具有绘声绘色的视频、看似专业的内容以及其他过于人性化的行为。跟着数十亿资金涌入草创公司，商业首领们正在为怎么重塑公司而烦恼，而大型人工智能企业正在创立更强壮的模型。关于 ChatGPT 和越来越多的大型言语模型将怎么改动咱们作业和日子方法的猜想举目皆是，供给从金融出资、到下个假日去哪里休假、以及怎么抵达那里等等各个方面的即时主张。

但关于像 Chad Syverson 这样的经济学家来说，环绕咱们对人工智能的痴迷，最要害的问题是这项新式技能将怎么（或不会）前进全体出产力，假如会，需求多长时刻。将其视为人工智能炒作机器的底线：该技能能否在经济添加多年停滞后带来新的昌盛？

出产力添加是一个国家变得愈加殷实的途径。从技能上讲，劳动出产率是衡量工人均匀出产多少的方针；立异和技能前进占其添加的大部分。跟着工人和企业能够出产更多的东西并供给更多的服务，薪资和赢利就会上涨，至少在理论层面是这样，而且假如利益能够公正分配的话。

经济扩张，政府能够添加出资并更挨近平衡预算。关于咱们大多数人而言，这感觉就像是前进。这便是为什么直到曩昔几十年，大多数美国人都以为他们的日子水平和经济时机比他们的爸爸妈妈和祖爸爸妈妈更高。

图｜自 2005 年左右以来美国劳动出产率添加一向低迷。一些经济学家猜想 AI 能够康复出产力并使经济回到昌盛时期（来历：MIT TR）

但当出产率添加相等或挨近相等时，就不再添加。即便是每年 1% 的经济放缓或加快，也能阐明经济是堕入困境仍是昌盛开展。20 世纪 90 时代末和 21 世纪初，跟着互联网时代的鼓起，美国劳动出产率以每年近 3% 的健康速度添加（在二战后的昌盛时期，添加快度乃至更快，远远超越 3%）。但自 2005 年左右以来，大多数兴旺经济体的出产率添加一向十分惨白。

有各种或许的元凶巨恶，但有一个一起的主题：曩昔 20 年里创造的看似光辉的技能，从 iPhone 到无处不在的查找引擎，再到消费交际媒体，招引了咱们的注意力，但却未能带来大规模的经济昌盛。

早在 2016 年，我曾宣布了一篇题为《亲爱的硅谷：遗忘飞翔轿车，给咱们经济添加》的文章。我以为，虽然大型科技公司取得了一个又一个打破，但它们在很大程度上忽视了制造业和资料等要害工业范畴迫切需求的立异。在某些方面，这在财政上是彻底合理的：当一家成功的交际媒体草创公司能够净赚数十亿美元时，为什么还要出资这些老练的、有危险的企业呢？

可是，这种挑选是以出产率添加缓慢为价值的。虽然硅谷和其他地方的一些人变得十分赋有，但至少曩昔几十年来，一些兴旺经济体阅历的政治紊乱和社会动乱能够归咎于技能未能为许多工人和企业添加财政时机，未能在不同区域扩展重要的经济部分。

一些人宣扬耐性：经济的打破需求时刻才干发挥效果，但一旦完结，就要当心了！这或许是真的。但到现在为止，结果是，从硅谷发出出来的技能达观主义和巨大的财富好像只与少数人相关。

现在判别这一次状况会怎么开展还为时过早。生成式人工智能是否真的是个百年一遇的打破，将影响经济重回昌盛时期，或许它是否对创造实在的广泛昌盛没有多大效果。换句话说，它会像运用电力和创造电动机相同带来工业昌盛，仍是更像智能手机和交际媒体相同耗费咱们的团体认识，却没有带来显着的经济添加？

关于人工智能，特别是生成式人工智能来说，要比曩昔几十年的其他数字前进产生更大的经济影响，咱们需求运用这项技能来改动整个经济的出产力，乃至在咱们怎么产生新主意方面。这是一项艰巨的使命，不或许一蹴即至，但咱们正处于一个要害的转折点。咱们是否初步走上这条通向广泛昌盛的路途，或许当今打破性人工智能的创造者是否持续忽视这项技能实在改善咱们日子的巨大潜力？ 

对猜想泼冷水

上一年的一系列研讨标明，生成式人工智能怎么前进从事各种作业人群的出产力。斯坦福大学和麻省理工学院的经济学家发现，呼叫中心作业人员在运用人工智能对话帮忙时的作业功率前进了 14%；值得注意的是，缺少经验的作业人员的作业功率前进了 35%。另一项研讨标明，在人工智能的帮忙下，软件工程师的编码速度能够前进一倍。

上一年，高盛核算出，生成式人工智能或许会推进兴旺国家的全体出产率每年前进 1.5 个百分点，并在 10 年内使全球 GDP 添加 7 万亿美元。有人猜想，这些影响很快就会闪现。

弗吉尼亚大学经济学家 Anton Korinek 标明，出产率数据中没有显现出额定的添加，由于生成式人工智能在整个经济中分散还需求一些时刻。但他估计下一年美国出产率将前进 1% 至 1.5%。他标明，假如生成式人工智能模型持续取得打破（比方 ChatGPT 5），终究的影响或许会“显着前进”。

并非一切人都持达观情绪。麻省理工学院经济学家 Daron Acemoglu 标明，他的核算“纠正了那些以为整个美国经济将在 5 年内产生改动的人”。在他看来，“生成式人工智能或许是一件大事。咱们还不知道。但假如是这样，咱们在 10 年内不会看到革新性的影响，现在还为时过早，究竟这需求时刻。”

本年 4 月，Daron Acemoglu 宣布了一篇论文，猜想生成式人工智能对全要素出产率（详细反映立异和新技能奉献的部分）的影响将在未来 10 年内到达 0.6% 左右，远低于高盛和其他公司的预期。几十年来，全要素出产率添加一向很缓慢，他以为生成式人工智能在显着改动这一趋势方面收效甚微，至少在短期内是这样。

Daron Acemoglu 标明，他估计生成式人工智能的出产力前进相对较小，由于其大型科技创造者在很大程度上专心于运用人工智能以主动化代替人，并完结查找和交际媒体的“在线货币化”。他以为，为了对出产力产生更大的影响，人工智能需求面向更广泛的劳动力集体，并与更多的经济范畴相关。至关重要的一点是，它需求被用来创造新式就业时机，而不仅仅是代替工人。

他以为，生成式人工智能能够用来扩展工人的才干。例如，为多种类型的作业供给实时数据和牢靠信息。幻想一下，一个智能的人工智能体，它通晓工厂车间出产的复杂性。可是，他写道，“除非（科技）职业产生根本性的从头定位，包含对最常见的生成式人工智能模型的架构进行严重改动，不然这些收益将依然难以完结。”

人们很简单以为，或许这仅仅用恰当的数据调整当今大型根底模型的问题，使它们广泛用于各个职业。但实践上，咱们需求从头考虑这些模型，以及怎么在更广泛的用处中更有用地布置它们。

取得发展

以制造业为例。长时刻以来，它一向是美国经济出产率前进的重要来历之一。它依然占美国研制的大部分。最近主动化程度的前进和工业机器人的运用或许标明制造业的出产力正在前进，但实践并非如此。由于某种奥秘的原因，自 2005 年前后以来，美国制造业的出产率一向像是一场灾祸，这在全体出产率放缓中发挥了巨大效果。

生成式人工智能在康复出产力方面的远景是，它能够帮忙整合从初始资料和规划挑选，到来自出产设备中嵌入的传感器的实时数据的一切内容。多模态功用能够让工厂工人拍照问题的相片，并依据图画、公司的操作手册、相关的监管攻略以及来自工厂的很多实时数据，向人工智能模型寻求处理计划。

这便是咱们的愿景，至少。

实践状况是，在规划和制造中布置当今根底模型的尽力还处于前期阶段。麻省理工学院专门研讨机器学习的机械工程师 Faez Ahmed 标明，到现在为止，人工智能的运用仅限于“狭隘的范畴”，依据特定设备的数据来安排维护。比较之下，从理论上讲，生成式人工智能模型能够广泛用于从运用实在数据改善初始规划，到监控出产进程的进程，再到剖析工厂车间的功用数据等各个方面。

在 3 月份发布的一篇论文中，由麻省理工学院的经济学家和机械工程师（包含 Daron Acemoglu 和 Faez Ahmed）组成的团队确认了生成式人工智能在规划和制造中的很多时机，然后得出结论：“由于几个要害缺陷，其时的（生成式人工智能）处理计划无法完结这些方针。”ChatGPT 和其他人工智能模型的首要缺陷是无法供给牢靠的信息，缺少“相关范畴常识”，以及“不了解职业标准要求”。这些模型的规划也很糟糕，无法处理制造车间的空间问题以及出产设备（包含旧机器）创立的各种类型的数据。

Faez Ahmed 说，最大的困难是现有的生成式人工智能模型缺少恰当的数据，它们承受的练习是从互联网上抓取的数据。“这些更多的是关于猫、狗以及多媒体内容，而不是怎么实践操作车床。这些模型在制造使命上体现相对较差的原因是，它们从未见过制造使命。”他指出。

图｜反映立异和新技能的全要素出产率下降令许多经济学家感到困惑（来历：MIT TR）

获取此类数据十分扎手，由于其间大部分数据都是专有的。“有些人真的很惧怕模型会拿走我的数据并‘逃跑’。一个相关的问题是，制造需求精确性，而且一般需求恪守严厉的职业或政府辅导方针，假如体系不精确、不可信，人们就不太或许运用它们。这是一个先有鸡仍是先有蛋的问题：由于模型不精确，由于没有数据。”他说。

麻省理工学院的研讨人员呼吁开发合适制造业的“下一代”人工智能模型。但存在一个问题：运用根底模型的力气创立与制造相关的人工智能需求职业和人工智能公司之间的亲近协作，而这仍处于起步阶段。

微软研讨院工业研讨董事总经理 Ranveer Chandra 标明，迄今为止缺少发展。“并不是由于人们不感爱好，也不是由于他们看不到商业价值。阻止在于寻觅方法来维护数据，保证数据以有用的方法存在，并为特定的制造问题供给相关的答案。”

微软正在推广多种战略。一种是要求根底模型依据公司的专有数据（例如公司的操作手册和出产数据）来给出答案；一个更困难但更有招引力的代替计划是微调模型的底层架构，以更好地习惯制造业。还有另一种方法：所谓的小言语模型，它也能够专门依据公司的数据进行练习。由于它们比 GPT-4 等根底模型更小，因而需求更少的算力，而且能够更有针对性地完结特定的制造使命。

“但这仅仅现在的一切研讨。”Ranveer Chandra 说，“咱们处理了吗？还没有。”

新构思的金矿

从长远来看，运用人工智能促进科学发现和立异或许会对全体出产力产生最大的影响。经济学家长时刻以来一向以为新主意是长时刻添加的源泉，并期望新的人工智能东西能够加快对它们的查找。虽然前进呼叫中心作业人员的功率或许意味着该企业出产力的一次跃升，但运用人工智能来改善创造新技能和事务实践的进程（创造有用的新主意）或许会带来耐久的效益，经济添加率的前进，由于它重塑了立异进程和研讨方法。

人工智能的潜力现已有了诱人的头绪。

最值得注意的是，谷歌 DeepMind 将其使命界说为“处理咱们这个时代一些最困难的科学和工程应战”，并标明已有超越 200 万用户拜访其深度学习人工智能体系来猜想蛋白质折叠。许多药物都针对特定的蛋白质，而了解此类蛋白质的 3D 结构（传统上需求进行艰苦的实验室剖析）或许是创造新药的名贵一步。本年 5 月，谷歌发布了 AlphaFold 3，宣称它“猜想一切生命分子的结构和彼此效果”，以帮忙辨认各种生物分子怎么彼此改动，为寻觅新药供给更强壮的辅导。 

包含 DeepMind 和微软研讨院在内的人工智能模型创立者也在致力于处理生物学、基因组学和资料科学中的其他问题。人们期望生成式人工智能能够帮忙科学家从这些范畴常见的很多数据会集搜集要害信息，然后更简单、更快速地发现新药物和新资料。

咱们迫切需求这样的推进。几年前，一个由顶尖经济学家组成的团队写了一篇题为“构思越来越难找到了吗？”的论文，并发现需求越来越多的研讨人员和资金来找到对保持技能前进至关重要的新构思。从技能视点来说，问题在于研讨出产力正在敏捷下降。换句话说，是的，构思越来越难找到。咱们一般经过添加更多的研讨人员并加大研制出资来跟上脚步，但美国全体研讨出产力自身正在大幅下降。

摩尔规律猜想，芯片上的晶体管数量大约每两年就会添加一倍，为了恪守该规律，半导体职业需求的研讨人员数量是 20 世纪 70 时代初的 18 倍。相同，与几十年前比较，需求更多的科学家才干研制出大致相同数量的新药。

伦敦经济学院教授、该论文的作者之一 John Van Reenen 以为，现在要看到人工智能对出产力数据产生任何实在的改动还为时过早，但他标明，“期望它能够带来一些改动。AlphaFold 是人工智能怎么改动科学的‘模范’，问题是这是否能够从轶事变成更体系的东西。”

咱们的方针不仅是供给各种东西，让科学家的日子变得更轻松，比方主动文献查找，而且是让人工智能自身提出原创且有用的科学主意。在这一愿景中，人工智能规划出比现有药物更有用、更安全的新化合物，以及扩展核算和清洁动力或许性的令人惊叹的资料。这个方针特别有目共睹，由于潜在分子的国际简直是无限的，在这样一个简直无限的空间中导航并探究很多的或许性是机器学习特别拿手的。

但不要屏住呼吸等候人工智能的爱迪生时刻。虽然 AlphaFold 在科学上的遍及前进了人们对人工智能潜力的期望，但将研讨成果转化为实践产品（不管是新药仍是新资料）仍处于前期阶段。在最近的一项剖析中，麻省理工学院的一组科学家这样说：“生成式人工智能无疑拓展并加快了化学规划的前期阶段。可是，实践国际的成功产生在更下流，到现在为止，人工智能的影响有限。”

实践上，将人工智能的科学发现转化为实践有用东西的进程仍处于起步阶段。 

这是一个物质国际

或许没有什么比常常被忽视的资料发现范畴更令人振奋的人工智能改动研讨的潜力了。国际迫切需求更好的资料。咱们需求它们来出产更廉价、更强壮的电池和太阳能电池，以及使清洁工业进程成为或许的新式催化剂；咱们需求有用的高温超导体来彻底改动咱们的电力传输方法。

因而，当 DeepMind 标明它现已运用深度学习发现了约 220 万种无机晶体（其间包含约 38 万种估计是安稳且有期望用于实践组成的候选晶体）时，该陈述引起了极大的振奋，特别是在人工智能界。资料革新！DeepMind 研讨人员在《天然》杂志上写道，这好像是一座新资料的金矿，“人类已知的安稳资料的数量级扩张。”据报道称，DeepMind 数据库名为 GNoME（“资料探究图网络”的缩写），相当于 800 年的常识堆集。

但在论文宣布后的几个月里，一些研讨人员对这种炒作提出了质疑。加州大学圣塔芭芭拉分校的资料科学家宣布了一篇论文，其间陈述称，他们发现“很少依据”标明 DeepMind 数据库中的任何结构都满意“新颖性、可信度和有用性的三重要求”。

关于一些担任寻觅新资料的人来说，或许的无机晶体的巨大数据库（其间许多或许不行安稳而无法实践存在）好像是一种搅扰。“假如你向咱们发送 40 万种新资料，而咱们乃至不知道其间哪一种是实践的，那么咱们就不知道其间哪一种合适电池、催化剂或你想要制造的任何资料。那么这些信息就没有用了。”普林斯顿大学化学家 Leslie Schoop 说道。他参加撰写了一篇论文，批判了在自主实验室中运用机器人和机器学习来制造由 DeepMind 数据库猜想的一些结构的尽力。

需求清晰的是，这并不意味着人工智能不会在资料科学和化学范畴发挥重要效果。乃至批判人士也标明，他们对长时刻的或许性感到振奋。但这些批判暗示咱们在运用人工智能来处理资料发现的艰巨使命，并使其成为寻觅比现有化合物更好的新化合物的牢靠东西方面还为时过早。

制造和测验任何或许的新资料都十分贵重且耗时的进程。工业研讨人员实在需求的是牢靠的头绪，指出这些资料是可猜想安稳的、能够组成的，而且或许具有特别功用，包含制造成本低价。

DeepMind 科学创立者标明，GNoME 数据库或许包含风趣的化合物。但他们供认，这仅仅展现人工智能怎么帮忙资料发现的第一步，要扩展其用处，还有许多作业要做。

谷歌研讨科学家、《天然》论文的合著者 Ekin Dogus Cubuk 将其陈述的作业描绘为，依据量子力学核算猜想很多或许在肯定零度下安稳的无机晶体的前进，在肯定零点，原子运动中止。这样的猜想关于那些对新资料（资料发现的十分前期阶段）进行核算模仿的人来说或许很有用。   

可是，他说，机器学习没有用于猜想在室温下安稳的晶体。完结这一方针后，咱们的方针是运用人工智能来猜想怎么在实验室中组成结构，以及终究怎么大规模地制造它们。他说，在机器学习实在改动新资料的绵长而贵重的开发进程之前，有必要完结一切这些作业。

关于那些期望人工智能模型能够经过改动科学来前进经济出产力的人来说，有一个经验是清晰的：要有耐性。这样的科学前进总有一天会产生影响。但这需求时刻，或许以几十年为单位。

索洛悖论

作为谷歌担任研讨、技能和社会的高档副总裁，James Manyika 对人工智能改动经济的巨大潜力充满热情，这并不令人意外。但他不是一个毫不掩饰的“啦啦队长”，他牢记取自己多年来研讨技能怎么影响出产力所取得的经验经验。

在 2022 年参加谷歌之前，James Manyika 担任了数十年的参谋、研讨员，最终担任这家咨询巨子的经济研讨部分麦肯锡全球研讨所的主席。在麦肯锡，他成为研讨技能与经济添加之间联络的威望，他将麻省理工学院经济学家 Robert Solow 视为他的前期导师，他因解说技能前进怎么成为出产力添加的首要来历而取得 1987 年诺贝尔奖。

Robert Solow 上一年年末逝世，享年 99 岁，他的经验之一是，即便是强壮的技能也需求时刻才干影响经济添加。1987 年，Robert Solow 玩笑道：“除了出产力统计数据之外，你到处都能够看到核算机时代。”其时，信息技能正在阅历一场革新，最显着的是个人核算机的推出。可是，经济学家衡量的出产力却很低。这被称为“索洛悖论”。直到 20 世纪 90 时代末，也便是核算机时代几十年后，出产力的添加才总算初步加快。

前史告知 James Manyika，在猜想全体经济怎么以及何时感受到生成式人工智能的影响时要慎重。“我没有时刻结构。出产率前进的估计值一般十分大，但当谈到时刻结构问题时，我会说‘这要看状况。’”他标明。 

详细来说，他说这取决于经济学家所说的“分散速度”。基本上，用户在职业界和跨职业承受技能的速度有多快。它还取决于各种用户，特别是最大经济部分的企业“重组功用、使命和流程以运用技能”并前进其运营和工人出产力的才干。James Manyika 说，假如没有这些部分，咱们将堕入“索洛悖论”。

“技能能够做任何技能想做的工作，从劳动出产率的视点来看，这并不重要，由于其劳动力相对较少。咱们有必要让最大的职业产生改动，才干初步在经济层面看到出产率的前进。”他说。

上一年年末，James Manyika 在《外交事务》上参加合写了一篇题为“行将到来的人工智能经济革新；人工智能能否改动出产率放缓的局势？”的文章，作者在文中给出了一个十分达观但慎重的答案。

他们写道：“到下一个十年之初，向人工智能的改动或许成为全球昌盛的首要推进力。”由于它有或许影响“人类和经济活动的简直各个方面”。他们弥补道：“假如这些立异能够得到运用，人工智能能够改动许多兴旺经济体现在面对的出产率添加长时刻下降的局势。”但他们也供认，这是一个很大的假定，并标明这“不会自行产生”，而且需求“活跃的方针来促进人工智能最具出产力的用处”。

方针的呼吁是对未来艰巨使命的认可，也是供认即便像谷歌这样的人工智能巨子也无法单独完结这一使命。这需求政府和企业对根底设施进行广泛出资并进行更多立异。

James Manyika 标明，从小型草创公司到大型企业，各种公司都需求选用根底模型（例如 Google 的 Gemini），并“在自己的环境、自己的范畴中针对自己的运用程序进行定制。”他说，在某些状况下，谷歌做了一些定制，“由于这对咱们来说很风趣。”

例如，谷歌于 5 月发布了 Med-Gemini，运用其根底模型的多模态功用来帮忙完结广泛的医疗使命，包含依据成像、手术视频和电子健康记载中的信息做出确诊决议计划。James Manyika 说，“现在，医疗保健从业者和研讨人员应该考虑怎么运用这一点，由于咱们不是以这种方法从事医疗保健事务的。可是，这给了他们一个杰出的初步。”

但假如人工智能要改动经济，这便是未来的巨大应战。

虽然生成式人工智能大肆宣传，而且数十亿美元流向环绕该技能的草创公司，但其分散到商业国际的速度并不那么令人鼓舞。美国人口普查局 3 月份发布的对数千家企业的查询显现，运用人工智能的企业份额从 2023 年 9 月的约 3.7% 上升到本年 2 月的 5.4%，估计年末将到达 6.6% 左右，其间大部分来自金融和技能等职业。建筑业和制造业等职业简直没有受到影响。缺少爱好的首要原因是：大多数公司以为人工智能对其事务“不适用”。

关于许多公司，特别是小公司来说，依然需求巨大的决心来押注人工智能并投入资金和时刻来环绕它重组事务功用。除了看不到该技能的任何价值之外，许多企业领导者还对生成式人工智能模型的牢靠性存有疑问，错觉在聊天室中是一回事，但在出产车间或医院急诊室中则彻底是别的一回事。他们还忧虑数据隐私和专有信息的安全。假如没有更合适各种企业需求的人工智能模型，许多人或许会持张望情绪。

与此一起，硅谷和大型科技公司痴迷于人工智能体和生成式人工智能制造的视频；跟着智能手机和互联网查找的飞速开展，个人和企业的财富正在堆集。与 2010 时代初期相同，经济的其他大部分都被扫除在外。他们既没有从技能的经济报答中获益，也没有从技能扩展大型部分并前进出产力的才干中获益。

或许盼望大型科技公司会产生改动、忽然关怀运用其巨大的力气谋福制造业等职业好像有些过分了。究竟，大型科技公司做了它该做的事。

关于人工智能公司来说，从头考虑针对此类实践问题的巨大根底模型并不简单。他们需求与来自各个范畴的职业专家协作并满意他们的需求。但实践是，大型人工智能公司是仅有具有运转当今根底模型的强壮核算才干和创造下一代技能的人才的安排。

因而，不管你喜爱与否，在主导该范畴的一起，他们也承当了其广泛适用性的职责。他们是否会为了咱们一切的利益而承当这一职责，或许为了财富堆集的引诱而忽视这一职责，终究将揭晓，或许开始会在美国劳工统计局网站上那些常常简直无法解读的季度数据中闪现出来。

原文链接：https://www.technologyreview.com/2024/08/20/1096733/how-to-fine-tune-ai-for-prosperity/

本文来自微信大众号：麻省理工科技谈论APP，作者：David Rotman