生成式人工智能 (GenAI) 正在迎来经济史上的重要时刻。自 2008 年全球金融危机以来,生产率增长经历了长期急剧的放缓。在危机爆发前的几十年里,生产率年均增长率略低于3%。在此后的数年里,生产率年均增长率放缓至不到这一增速的一半,约为1.3%。经济增长放缓具有全球性,但在发达经济体尤为明显。尽管人们提出了许多解释,包括跨部门劳动力重新分配的长期滞后、财政限制和紧缩政策、债务去杠杆、技能获得速度趋于稳定、全球价值链长度和复杂性的停滞,或者只是估算误差,但没有一个是完全令人满意的,经济增长放缓的原因在某种程度上仍然是一个谜。1
全要素生产率 (TFP) 简单地量化了我们将投入转化为产品、商品和服务的效率。2 全要素生产率增长是人均GDP增长的主要长期驱动力,因而也是生活水平提高的主要动力。因此,扭转经济放缓趋势对于增强政治稳定、社会凝聚力以及实现包括减贫在内的发展目标至关重要。但实践证明,这一工作颇具挑战性,政策制定者无法支持生产率增长回到危机前的水平。
GenAI 应运而生,这是一项通用技术,它将制作各种内容(包括文本、图像、代码和数据)的成本基本降至零,即制作文本提示的成本。大语言模型 (LLM) 所展现的广泛认知技能表明,它对各个行业都有广泛影响,但可能集中在知识工作占主导地位的信息密集型服务业。这些工具的早期实证证据表明,它们不仅可以提高知识工作者的效率,更重要的是还可以支持创新。因此,它们为全要素生产率加速增长奠定了基础,随着时间的推移,这种增长预示着 GDP 相对于基线呈指数级增长。
思维机器
大语言模型可以完成大量历来只由认知工作者完成的任务,Brookings Institute 称之为“思维机器”。 3 例如,Github Copilot等工具使软件工程师能够以 2 倍的速度编写代码。同样,麻省理工学院最近的一项研究估计,写作任务也可以 2 倍的速度完成。整个经济领域中这种效率的提升不断重复,创造了巨大的经济价值。大语言模型在各个领域的广泛适用性值得关注,最近的研究表明,80% 的美国劳动力可能会受到影响。4 本质上,有了这项技术,我们可以用相同或更少的投入更快地实现更多的产出。
然而这些收益是有代价的。员工可能会过度依赖生成式工具,从而带来一些弊端。例如,随着模型使训练数据中嵌入的知识同质化,输出内容的多样性可能会下降。此外,输出内容的平均质量可能会下降,尽管这种情况可以通过强有力的专家主导的人工审查流程来缓解甚至扭转。
经济学家使用一种简单的启发式方法来预估提高生产率的技术所带来的 GDP 增长,即胡尔登定理,该定理将生产率的百分比增长(比如20%)乘以部门产出份额(比如20%),得出所创造的额外增长 (4%)。 5 例如,高盛预测,GenAI 将使全球 GDP 水平提高7%,即约7万亿美元,这对于一项单一技术来说是一个惊人的数字。6 这大致相当于在未来一二十年内,全球 GDP 增加两个 G7 经济体(大致是德国和英国的总和)。
但可以说更重要的影响是我们还可以产生更多的创意。认知工作者发明新事物、新产品、新服务和新技术。这些高技能员工从事基础研究以推动科学发现,并在企业经理将创新推广到商业活动中时进行反复试错。这种基础研发,成本高、风险大,需要人才投入大量时间,而且其收益并不确定。
GenAI为研发过程提供了重要的支持。首先,在自动化日常任务的过程中,工人有更多的空闲时间用于更高级别的认知任务,例如构思和复杂问题解决,而这些模型还不够纯熟,无法解决这些问题。7 其次,美国国家经济研究局 (NBER) 最近的研究强调,生成式模型是有价值的研究助手,其技能能够协助背景材料收集、编码、数据分析和数学推导。8 IBM 最近还表示,GenAI 工具可以增强研发流程,并有助于推动科学发现。9 最后,这些模型是有用的设计支持工具,能够以极快的速度生成创意输出,并帮助以极低的边际成本迭代新设计。10