人工智能能否推動生產力飛速提升？

未來幾年內，數百萬的勞動者，包括醫生、律師、經理和銷售人員等，將會經歷劃時代的轉變，利用人工智能顯著提高他們的生產力。最新一代人工智能系統的潛力可以從ChatGPT的廣泛傳播中生動展現出來，這個大語言模型通過生成連貫且與上下文相適應的文本引起了公眾的關注。這并非是一個默默無聞的創新，它的功能已經吸引了數億用戶。

最近公開推出的其他大語言模型還包括谷歌的Bard和人工智能初創公司Anthropic的Claude。然而，生成式人工智能并不僅限于文本：近年來，我們還見證了生成式人工智能系統在創建圖像方面的進展，例如Midjourney、Stable Diffusion或DALL-E，最近還出現了結合文本、圖像、視頻、音頻甚至機器人功能的多模態系統。這些技術都是基礎模型，即基于深度神經網絡的龐大系統，在大量數據的訓練下，可以適應各種不同的任務。由于信息和知識工作在美國經濟中占主導地位，這些智能機器將大大提高整體生產力。

01 人工智能對生產力的影響評估

生成式人工智能的最新進展是由軟件、硬件、數據收集以及對尖端模型的不斷投資推動的。Sevilla等人觀察到，過去十年中，用于訓練尖端人工智能系統的計算資源每六個月就翻一番。生成式人工智能系統的能力與此同時也在不斷增長，使其能夠執行許多過去只有認知工作者才能完成的任務，如撰寫優雅的句子、生成計算機代碼、概括文章、集思廣益、組織計劃、翻譯其他語言、撰寫復雜的電子郵件等等。

生成式人工智能具有廣泛的應用領域，將對各行各業的工人、職業和活動產生影響。與過去大多數自動化進步不同的是，它是一種影響認知工作的智能系統。正如最近的一篇研究論文所指出的，在某種形式上，大語言模型可能會影響到美國80%的勞動力。

近期的研究文獻估計了人工智能對特定職業或任務的生產力影響。Kalliamvakou發現，使用名為Codex的工具，基于大語言模型GPT-3的先前版本，軟件工程師的編碼速度可以提高一倍。Noy和Zhang發現，許多寫作任務的完成速度也可以加快一倍，而Korinek根據25個對語言模型的使用案例估計，經濟學家使用大語言模型可以提高10-20%的生產力。

但是，這些特定任務中的收益能否在實際場景中轉化為顯著的增益呢？答案似乎是肯定的。Brynjolfsson、Li和Raymond的研究表明，在呼叫中心運營商使用該技術后，他們的生產力提高了14%，對于經驗最少的工人，提高幅度甚至超過30%。此外，與使用生成式人工智能作為輔助工具的運營商進行互動時，客戶更積極，也許正因此，員工的流失率更低。這一系統似乎通過捕捉和傳達一些關于如何解決問題和取悅顧客的隱性知識來創造價值，而這些知識過去只能從在職經驗中學習。

大多數認知工作涉及利用過去的知識和經驗，并將其應用于當前的問題。生成式人工智能程序可能存在某些類型的錯誤，但這些錯誤的形式是可以預測的。例如，語言模型傾向于產生“幻覺”，即虛構事實和引用，因此，它們需要人類的監督。然而，它們的經濟價值并不取決于其是否完美，而取決于它們是否能夠發揮有效的作用。從這個角度來看，它們已經具備產生巨大影響的潛力。此外，生成式人工智能模型的準確性也在迅速提高。

02 生產力效應量化評估

最近高盛的一份報告表明，生成式人工智能可能使全球GDP增長7%，對于任何單一技術來說，這都具有顯著的效應。根據我們對各種應用案例和從事主要認知工作的勞動力比例的分析，我們認為這個估計是合理的，盡管人工智能最終對生產力和增長效應的影響仍存在很大的不確定性。

生成式人工智能有兩種方式提高生產力。

第一，生成式人工智能提高產出效率從而提高生產力。通過提高從事認知工作勞動者的效率，產出水平也隨之增加。經濟理論告訴我們，在競爭市場中，某個部門的生產力提升對總體生產力和產出的影響等于生產力提升的規模乘以該部門的規模。例如，如果生成式人工智能使認知型工作者在十年或二十年的時間內平均提高30%的生產力，并且認知工作占經濟中所有附加值的60%（根據認知任務所支付的工資總額來衡量），那么在這些年份中，總體生產力和產出將增加18%。

第二，生成式人工智能加速創新，從而推動未來生產力增長。認知工作者不僅產生當前的產出，還進行新的發明和新的發現，并產生促進未來生產力增長的技術進步。這包括研發工作，即科學家所從事的工作，以及更重要的管理者所從事的工作，即將新的創新推廣到整個經濟的生產活動中。如果認知工作者變得更高效，他們將加速技術進步，從而提高生產力增長的速度，且這種效應將持續下去。例如，如果生產力增長率為2%，而支撐生產力增長的認知勞動力的生產力提高了20%，那么生產力增長率將增加20%，達到2.4%。在某一年中，這種變化幾乎不會被察覺，通常被周期性的波動所掩蓋。

然而，生產力增長具有復利效應。在十年后，微小的生產力增長將使經濟規模增大5%，而且增長將在之后的每一年中進一步累積。此外，如果這種加速應用于增長率的增長率（例如，如果人工智能的一項應用是改善人工智能本身），那么隨著時間的推移，增長將加速。

03 人工智能應用的阻礙和驅動因素

為了實現生產力的增長，人工智能的進步必須在整個經濟中得到傳播。傳統上，這總是需要時間的，因此我們不會期望潛在的生產力增益立即顯現出來。這些進步需要由在整個經濟中雇傭認知勞動力的企業和組織采用和推廣，包括一些可能對適應先進新技術的潛力意識較慢或缺乏使用這些技術所需技能的中小型企業。例如，高盛的報告認為，需要10年時間才能完全實現這些增益。

經濟學理論認為，新技術僅在對補充無形資產（如業務流程和新技能）進行一段時間的投資后才能帶來生產力增益。因此，早期的通用技術，如電力和計算機，花費幾十年才對生產力產生顯著影響。采用和推廣的其他障礙包括對失業的擔憂、制度慣性和監管問題，在從醫學到金融和法律的各個領域。

然而，生成式人工智能還存在一些可以緩解這些障礙甚至加速采用的因素。首先，與物理自動化相比，認知自動化的一個優點是它通?？梢酝ㄟ^軟件快速推廣，這一點尤為明顯地體現在目前普遍存在的數字基礎設施互聯網上。任何有互聯網連接的人都能夠訪問ChatGPT，并且不需要用戶進行任何硬件投資，因此成為歷史上最快速發布的產品，僅用兩個月就獲得了1億用戶。微軟和谷歌都正在推出生成式人工智能工具，作為他們搜索引擎和辦公套件的一部分，為經常使用這些工具的先進國家的大部分認知勞動力提供了訪問生成式人工智能的機會。其次，越來越多的應用程序編程接口（API）能夠被使用，以實現系統之間的無縫模塊化和連接，插件和擴展市場也在迅速增長，使添加功能變得更加容易。最后，與其他技術相比，生成式人工智能的用戶可以使用自然語言與技術進行交互，而不是使用特殊的代碼或命令，這使得學習和采用這些工具變得更加容易。

這些積極的因素表明，新技術的推廣可能比過去更快。然而，強調充分培訓以最大限度地利用這些工具的重要性更是不言而喻的。