人工智能推动生产力飞速提升

2023年5月10日，布鲁金斯学会发布《人工智能推动生产力飞速提升》报告。报告指出，大语言模型如ChatGPT等正成为强大的工具，不仅提高了工作人员的生产力，还加快了创新的速度，为经济增长奠定了基础。这种快速进步可能带来巨大的好处，但也可能带来重大风险，因此确保我们能够引导人工智能朝着造福整个社会的方向发展至关重要。

未来几年内，数百万的劳动者，包括医生、律师、经理和销售人员等，将会经历划时代的转变，利用人工智能显著提高他们的生产力。最新一代人工智能系统的潜力可以从ChatGPT的广泛传播中生动展现出来，这个大语言模型通过生成连贯且与上下文相适应的文本引起了公众的关注。这并非是一个默默无闻的创新，它的功能已经吸引了数亿用户。

最近公开推出的其他大语言模型还包括谷歌的Bard和人工智能初创公司Anthropic的Claude。然而，生成式人工智能并不仅限于文本：近年来，我们还见证了生成式人工智能系统在创建图像方面的进展，例如Midjourney、Stable Diffusion或DALL-E，最近还出现了结合文本、图像、视频、音频甚至机器人功能的多模态系统。这些技术都是基础模型，即基于深度神经网络的庞大系统，在大量数据的训练下，可以适应各种不同的任务。由于信息和知识工作在美国经济中占主导地位，这些智能机器将大大提高整体生产力。

01、人工智能对生产力的影响评估

生成式人工智能的最新进展是由软件、硬件、数据收集以及对尖端模型的不断投资推动的。Sevilla等人观察到，过去十年中，用于训练尖端人工智能系统的计算资源每六个月就翻一番。生成式人工智能系统的能力与此同时也在不断增长，使其能够执行许多过去只有认知工作者才能完成的任务，如撰写优雅的句子、生成计算机代码、概括文章、集思广益、组织计划、翻译其他语言、撰写复杂的电子邮件等等。

生成式人工智能具有广泛的应用领域，将对各行各业的工人、职业和活动产生影响。与过去大多数自动化进步不同的是，它是一种影响认知工作的智能系统。正如最近的一篇研究论文所指出的，在某种形式上，大语言模型可能会影响到美国80%的劳动力。

近期的研究文献估计了人工智能对特定职业或任务的生产力影响。Kalliamvakou发现，使用名为Codex的工具，基于大语言模型GPT-3的先前版本，软件工程师的编码速度可以提高一倍。Noy和Zhang发现，许多写作任务的完成速度也可以加快一倍，而Korinek根据25个对语言模型的使用案例估计，经济学家使用大语言模型可以提高10-20%的生产力。

但是，这些特定任务中的收益能否在实际场景中转化为显著的增益呢？答案似乎是肯定的。Brynjolfsson、Li和Raymond的研究表明，在呼叫中心运营商使用该技术后，他们的生产力提高了14%，对于经验最少的工人，提高幅度甚至超过30%。此外，与使用生成式人工智能作为辅助工具的运营商进行互动时，客户更积极，也许正因此，员工的流失率更低。这一系统似乎通过捕捉和传达一些关于如何解决问题和取悦顾客的隐性知识来创造价值，而这些知识过去只能从在职经验中学习。

大多数认知工作涉及利用过去的知识和经验，并将其应用于当前的问题。生成式人工智能程序可能存在某些类型的错误，但这些错误的形式是可以预测的。例如，语言模型倾向于产生“幻觉”，即虚构事实和引用，因此，它们需要人类的监督。然而，它们的经济价值并不取决于其是否完美，而取决于它们是否能够发挥有效的作用。从这个角度来看，它们已经具备产生巨大影响的潜力。此外，生成式人工智能模型的准确性也在迅速提高。

02、生产力效应量化评估

最近高盛的一份报告表明，生成式人工智能可能使全球GDP增长7%，对于任何单一技术来说，这都具有显著的效应。根据我们对各种应用案例和从事主要认知工作的劳动力比例的分析，我们认为这个估计是合理的，尽管人工智能最终对生产力和增长效应的影响仍存在很大的不确定性。

生成式人工智能有两种方式提高生产力。

第一，生成式人工智能提高产出效率从而提高生产力。通过提高从事认知工作劳动者的效率，产出水平也随之增加。经济理论告诉我们，在竞争市场中，某个部门的生产力提升对总体生产力和产出的影响等于生产力提升的规模乘以该部门的规模。例如，如果生成式人工智能使认知型工作者在十年或二十年的时间内平均提高30%的生产力，并且认知工作占经济中所有附加值的60%（根据认知任务所支付的工资总额来衡量），那么在这些年份中，总体生产力和产出将增加18%。

第二，生成式人工智能加速创新，从而推动未来生产力增长。认知工作者不仅产生当前的产出，还进行新的发明和新的发现，并产生促进未来生产力增长的技术进步。这包括研发工作，即科学家所从事的工作，以及更重要的管理者所从事的工作，即将新的创新推广到整个经济的生产活动中。如果认知工作者变得更高效，他们将加速技术进步，从而提高生产力增长的速度，且这种效应将持续下去。例如，如果生产力增长率为2%，而支撑生产力增长的认知劳动力的生产力提高了20%，那么生产力增长率将增加20%，达到2.4%。在某一年中，这种变化几乎不会被察觉，通常被周期性的波动所掩盖。

然而，生产力增长具有复利效应。在十年后，微小的生产力增长将使经济规模增大5%，而且增长将在之后的每一年中进一步累积。此外，如果这种加速应用于增长率的增长率（例如，如果人工智能的一项应用是改善人工智能本身），那么随着时间的推移，增长将加速。

03、人工智能应用的阻碍和驱动因素

为了实现生产力的增长，人工智能的进步必须在整个经济中得到传播。传统上，这总是需要时间的，因此我们不会期望潜在的生产力增益立即显现出来。这些进步需要由在整个经济中雇佣认知劳动力的企业和组织采用和推广，包括一些可能对适应先进新技术的潜力意识较慢或缺乏使用这些技术所需技能的中小型企业。例如，高盛的报告认为，需要10年时间才能完全实现这些增益。

经济学理论认为，新技术仅在对补充无形资产（如业务流程和新技能）进行一段时间的投资后才能带来生产力增益。因此，早期的通用技术，如电力和计算机，花费几十年才对生产力产生显著影响。采用和推广的其他障碍包括对失业的担忧、制度惯性和监管问题，在从医学到金融和法律的各个领域。

然而，生成式人工智能还存在一些可以缓解这些障碍甚至加速采用的因素。首先，与物理自动化相比，认知自动化的一个优点是它通常可以通过软件快速推广，这一点尤为明显地体现在目前普遍存在的数字基础设施互联网上。任何有互联网连接的人都能够访问ChatGPT，并且不需要用户进行任何硬件投资，因此成为历史上最快速发布的产品，仅用两个月就获得了1亿用户。微软和谷歌都正在推出生成式人工智能工具，作为他们搜索引擎和办公套件的一部分，为经常使用这些工具的先进国家的大部分认知劳动力提供了访问生成式人工智能的机会。其次，越来越多的应用程序编程接口（API）能够被使用，以实现系统之间的无缝模块化和连接，插件和扩展市场也在迅速增长，使添加功能变得更加容易。最后，与其他技术相比，生成式人工智能的用户可以使用自然语言与技术进行交互，而不是使用特殊的代码或命令，这使得学习和采用这些工具变得更加容易。

这些积极的因素表明，新技术的推广可能比过去更快。然而，强调充分培训以最大限度地利用这些工具的重要性更是不言而喻的。