人工智能正在变革各行各业，大幅提升效率，并重塑未来的工作方式。
探索“智能机器”对以生产力为导向的世界可能产生的深远影响，开启创新与增长的新纪元。
深入了解由人工智能驱动的生产力热潮，把握其将如何变革各个行业，为效率提升和经济发展铺平道路。
某个近期的星期五早晨，我们中的一位在他最喜欢的咖啡店坐下，着手撰写一篇关于人工智能将如何影响劳动力市场的新研究论文。他首先打开了ChatGPT，一款生成式人工智能工具。输入几条用简单英语写成的提示后，该系统便能提供合适的经济模型、起草运行该模型的代码，并生成论文的潜在标题。到上午结束时，他的研究已取得相当于一周的进展。
我们预计，从医生、律师到管理者和销售人员，数以百万计的知识型工作者将在几年之内（如果不是更快）经历生产力方面的类似突破性转变。
最新一代人工智能系统的潜力，通过ChatGPT的病毒式普及得到了生动体现。ChatGPT是一种大语言模型（LLM），因其能够生成连贯且符合语境的文本而吸引了公众的关注。这并非一项被束之高阁的创新，其能力已吸引了数亿用户。
近期公开推出的其他大语言模型包括谷歌的Bard以及Anthropic的Claude。但生成式人工智能并不局限于文本：近年来，我们也看到能够生成图像的生成式人工智能系统，例如Midjourney、Stable Diffusion或DALL-E，以及近期出现的多模态系统，它们可以结合文本、图像、视频、音频，甚至机器人功能。这些技术属于基础模型，即基于深度神经网络的庞大系统，经过海量数据训练后，可以适应执行各种不同的任务。由于信息和知识工作主导着美国经济，这些“智能机器”将显著提升整体生产力。
生产力增长的力量
决定我们长期繁荣与福祉的首要因素是生产率增长速度，即每工时所创造的产出量。即使生产率的变化并非每个人都能立即感受到，而且在短期内，工人对经济的感知主要受商业周期支配，这一点依然成立。从第二次世界大战至20世纪70年代初，劳动生产率的年增长率超过3%，并在此期间翻了一番多，为大多数美国人开启了繁荣时代。20世纪70年代初，生产率增长大幅放缓，在90年代有所回升，但自21世纪初以来再次放缓。
图1：1948至2022年劳动生产率增长的构成。全要素生产率的贡献。资本密集度和劳动力构成的贡献。
图1展示了这一情况。它将劳动生产率的整体增长分解为两个组成部分：全要素生产率（衡量技术影响的指标）以及劳动力构成和资本密集度的贡献。该图表明，劳动生产率变化的关键驱动因素是全要素生产率（TFP）的变化。美国近期经济困境有诸多原因，但全要素生产率增长缓慢是关键原因，它正逐步侵蚀该国的繁荣，使抑制通胀更加困难，侵蚀工人工资，并加剧预算赤字。
经济增长普遍缓慢，加之科技公司的超额利润，人们对数字技术能否惠及广大经济体产生了怀疑。然而，从20世纪90年代起约10年间，生产率增长出现了激增，如图1所示，其主要驱动力是一波巨大的计算机和通信领域的投资浪潮，进而推动了企业转型。尽管期间出现了股市泡沫，劳动力和资源也经历了大规模重新配置，但工人总体上境况更好。此外，联邦预算在1998年至2001年间实现了平衡——这是一举两得。数字技术能够推动广泛的经济增长，而这一切发生在不到三十年前。
对人工智能生产力效应的早期估计
生成式人工智能的近期进展得益于软件、硬件、数据收集以及对前沿模型日益增长的投资。Sevilla等人（2022）指出，过去十年中，用于训练前沿人工智能系统的算力（计算能力）每六个月翻一番。生成式人工智能系统的能力也同步增长，使其能够执行许多过去只有认知型工作者才能完成的任务，例如撰写精良的句子、编写计算机代码、概括文章、头脑风暴、组织计划、翻译其他语言、撰写复杂的电子邮件等等。
生成式人工智能的应用范围广泛，将影响各类工作者、职业和活动。与过去大多数自动化进步不同，它是影响认知工作的“智能机器”。正如近期一篇研究论文（Eloundou等人，2023）所指出的，大语言模型可能以某种形式影响美国80%的劳动力。
目前有一批新兴文献估算了人工智能对特定职业或任务的生产力影响。Kalliamvakou（2022）发现，软件工程师使用一种名为Codex的工具（基于大语言模型GPT-3的前一版本）编写代码的速度最多可提高至两倍。这是一种变革性的影响。Noy和Zhang（2023）发现，许多写作任务同样可以快一倍完成，并且Korinek（2023）基于语言模型的25个应用案例估算，使用大语言模型后，经济学家的生产力可提高10-20%。
但这些特定任务上的收益能否转化为现实环境中的显著收益？答案似乎是肯定的。Brynjolfsson、Li和Raymond（2023）表明，呼叫中心的接线员在使用该技术后，生产力提高了14%，而经验最少的员工收益超过30%。此外，与使用生成式人工智能辅助的接线员互动时，客户满意度更高，或许正因如此，员工流失率也有所降低。该系统似乎通过捕捉并传递一些隐性组织知识来创造价值，这些知识包括如何解决问题和让客户满意，以前只能通过实际工作经验获得。
将大语言模型仅仅视为“随机鹦鹉”的批评是站不住脚的。大多数认知工作都涉及借鉴过去的知识和经验，并将其应用于当前问题。生成式人工智能程序确实容易出现某些类型的错误，但这些错误的形式是可以预测的。例如，语言模型往往会出现“幻觉”，即编造事实和参考文献。因此，它们显然需要人工监督。然而，其经济价值并不取决于它们是否完美无缺，而在于能否被有效地加以利用。以此标准衡量，它们已经有望产生巨大影响。此外，生成式人工智能模型的准确性仍在迅速提高。
量化生产力效应
高盛近期的一份报告指出，生成式人工智能可能使全球GDP提高7%，对于任何单一技术而言，这一影响确实十分显著。基于我们对各类应用场景的分析以及从事主要认知工作的劳动力比例，我们认为这一估计是合理的，但人工智能最终的生产力和增长效应仍存在很大不确定性。
有必要严格拆解我们预期生成式人工智能在模型中促进生产力、产出以及最终社会福利增长的各种渠道。
第一个渠道是产出生产效率的提升。通过提高从事生产的认知型工作者的效率，产出水平随之增加。经济理论告诉我们，在竞争性市场中，某一部门的生产力提升对总体生产力和产出的影响，等于该生产力提升幅度乘以该部门的规模（Hulten定理）。例如，如果生成式人工智能在十年或二十年内使认知型工作者的平均生产力提高30%，而认知型工作约占经济中全部增加值的60%（以归因于认知任务的工资总额衡量），那么这将使总体生产力和产出在这些年间累计提高18%。
第二个、也是最终更为重要的渠道，是创新加速进而推动未来生产力增长。认知型工作者不仅生产当前产出，还发明新事物、开展发现，并推动促进未来生产力提升的技术进步。这既包括研发（即科学家的工作），或许更重要的是，将新创新推广到经济各领域生产活动中的过程（即管理者的工作）。如果认知型工作者的效率更高，他们将加速技术进步，从而永久性地提高生产力增长率。例如，若生产力增长率为2%，而支撑生产力增长的认知劳动效率提高20%，则生产力增长率将提高20%，达到2.4%。在某一年内，这种变化几乎难以察觉，通常会被周期性波动所掩盖。
但生产力增长会产生复利效应。十年之后，这一微小的生产力增长提升将使经济规模扩大5%，此后每年的增长还将进一步复利累积。更进一步，如果这种加速作用同样适用于增长率的增长率（例如若人工智能的一项应用是改进人工智能本身），那么增长速度自然会随时间推移而进一步加快。
图2示意性地展示了生产力增长两大渠道在二十年期间的效应。基准情景遵循国会预算办公室（CBO）当前预测的1.5%生产力增长率，二十年间总计实现33%的生产力增长。标注为“水平”的预测假设生成式人工智能在十年内额外使生产力和产出水平提高18%，这与我们在第一个渠道中讨论的示意性数字一致。十年后，增长率恢复至基准水平。标注为“水平+增长”的第三条预测还额外包含增长率在基准之上提高一个百分点的效应，这源于生成式人工智能引发的额外创新。起初，由此产生的增长轨迹与“水平”预测几乎无差别，但通过复利的力量，其效应随时间不断放大，使产出在二十年后接近翻一番，远高于基准预测。
采纳的障碍与驱动因素
要实现生产力增益，人工智能的进步必须在整个经济中广泛传播。传统上，这一过程总是需要时间，因此我们不应期望潜在的生产力增益会立即显现。这些进步需要被雇用认知型劳动力的企业和组织采纳并推广，包括中小型企业，其中一些企业可能在意识到适应先进新技术的潜力方面较为迟缓，或者可能缺乏有效运用这些技术所需的技能。例如，高盛报告假设，要使增益全面显现需要10年时间。
“生产力J曲线”（Brynjolfsson等人，2021）阐述了新技术，尤其是通用目的技术，只有在对互补性无形商品（如业务流程和新技能）进行一段时间投资之后，才会带来生产力增益。事实上，这甚至可能暂时拉低所测得的生产力。因此，早期的通用目的技术，如电力和第一波计算机浪潮，花了几十年时间才对生产力产生显著影响。采纳和推广的其他障碍还包括对失业的担忧，以及从医疗到金融和法律等领域的制度惯性和监管。
然而，就生成式人工智能而言，也存在能够缓解这些障碍、甚至加速采纳的因素。首先，与实体自动化相比，认知自动化的一个优势在于，它通常可以通过软件迅速推广。在如今无处不在的数字基础设施（互联网）已经具备的情况下，这一点尤为明显。ChatGPT堪称史上推出速度最快的产品，它仅用两个月便获得了1亿用户，因为任何拥有互联网连接的人都能使用，而用户无需在硬件上进行任何投资。
微软和谷歌都在将生成式人工智能工具整合进其搜索引擎和办公套件中，使大量经常使用这些工具的发达国家认知型劳动力能够使用生成式人工智能。此外，应用程序编程接口（API）的可用性日益提高，实现了系统之间的无缝模块化和互联，而插件和扩展程序的市场也在迅速增长，使添加功能变得更加容易。最后，与其他技术不同，生成式人工智能的用户可以使用自然语言而非特殊代码或命令与技术互动，这使这些工具更易学习和采纳。
这些乐观理由表明，这些新技术的推广速度可能快于以往。尽管如此，培训对于最优地使用这些工具的重要性再怎么强调也不为过。
测量问题——无声的生产力增长
最常见的生产力衡量指标（非农企业生产率）在捕捉工业部门的生产力提升方面相当出色，因为其投入和产出是有形的，易于核算。然而，认知型劳动的生产力更难衡量。编制GDP和生产力统计数据的统计人员，有时会通过假定认知活动的产出与用于生产它的劳动投入数量成正比来对其估值，而这自然会消除任何生产力增长的空间。
例如，生成式人工智能使经济学家能够撰写更多思想性文章，并比以往更深入地分析经济形势，但这些产出不会直接体现在GDP统计数据中。读者可能会感到自己获得了更好、更深入的经济分析（有助于上述第一个渠道）。此外，这些分析还可能有助于企业领导者和政策制定者更好地利用生成式人工智能带来的积极生产力效应（有助于上述第二个渠道）。这些工作所带来的积极生产力效应，都不会直接反映在官方GDP或生产力统计数据中，但经济学家的生产力提升所带来的收益仍将提高社会福利。
这一点同样适用于经济中的许多其他认知型工作者。这可能导致显著的低估，即“无声的生产力增长”。
生产力增长、劳动力市场与收入分配
蛋糕变大并不意味着每个人都会平等地受益，甚至不意味着每个人都会受益。生成式人工智能的生产力效应很可能伴随着劳动力市场的重大动荡，许多工人可能面临工资下行压力。例如，前文提到的Eloundou等人的论文预测，多达49%的劳动力最终可能最终有一半或更多工作任务由人工智能完成。这些任务的需求是否会增长到足以抵消此类效率提升？工人能否找到其他工作任务？答案远未确定。在过去的技术变革中，失业工人能够转向新的工作，且平均工资有所提高。然而，鉴于即将到来的颠覆规模及其节省劳动力的性质，这种情况能否在生成式人工智能时代重演，仍有待观察。
此外，当前的认知自动化浪潮不同于以往大多数自动化浪潮，后者主要针对体力工作或常规认知任务。如今，创造性和非结构化的认知工作也正受到冲击。受冲击最严重的不再是收入最低的工人，许多收入最高的职业也将受到影响。这些工作者可能会发现这种颠覆完全出乎意料。如果他们的技能具有通用性，他们可能比蓝领工人更容易适应失业。然而，如果他们积累了大量会变得过时的人力资本，其收入损失可能远大于那些在以往几轮自动化中失业的蓝领工人。
对普通人而言，“创造的就业岗位与被取代的岗位”之争是劳动力市场颠覆最直观的体现。失业确实是重大的社会关切，我们需要相应政策以促进调整。然而，作为经济学家，我们注意到，决定新技术对劳动力市场影响的关键因素，归根结底是其对劳动需求的影响。仅计算有多少就业岗位被创造、有多少被消灭，忽略了就业是由劳动需求与劳动供给的均衡所决定的。劳动供给相当缺乏弹性，这反映出大多数处于工作年龄的人无论收入上升还是下降，都想要或不得不工作。因技术变化而失去工作的人会寻求其他就业机会。而且，在技术变化提高生产率的范围内，这将增加国民收入并刺激劳动需求。从长期来看，劳动力市场有望趋于均衡，这意味着就业供给、就业需求和工资水平将进行调整，以维持充分就业。事实也证明了这一点：美国的失业率在战后时期始终保持在较低水平（在经济衰退期间，货币与财政政策也提供了帮助）。就业岗位的消失始终由就业岗位的创造所抵消。相反，自动化和增强的影响往往体现在工资和收入上。
生成式人工智能对劳动需求的影响取决于这些系统是与劳动力互补还是替代。当人工智能模型自动化某些工作的大部分或全部任务时，就会发生替代；而当它们只自动化某些工作的一小部分，使人类仍不可或缺时，则是互补。此外，如果人工智能系统能够开辟新任务或提升质量，它们也可以与人类劳动形成互补。
随着企业在生成式人工智能上的投入不断增加，它们往往需要选择是强调替代还是强调互补。例如，呼叫中心可以利用人工智能辅助人工接线员，或者随着人工智能的改进，它们也可能重组流程，让系统处理越来越多的咨询，而无需人工接线员参与。同时，整体经济中更高的生产力增长可能通过增加总体劳动需求而使整体效应更偏向互补，并可能缓解这种颠覆。
近几十年来，影响收入分配的主要力量有三种。首先，收入整体上已从工资转向企业资本。其次，出现了对企业所看重技能的回报增加（部分体现为教育回报的提高）。第三，出现了由外国竞争加剧所引起的转变。
很难预测生成式人工智能将如何影响这一格局。积极的解读是，目前在数学和写作某些方面存在困难的工作者，借助这些新工具将变得更有生产力，并能借助新技术获得薪酬更高的工作。消极的解读是，企业将利用这项技术消除或削弱越来越多的岗位，把更大比例的劳动力推入缺乏成就感的工作，从而提高利润在收入中的份额，并可能增加对劳动力中最精英人才的需求。
毫无疑问，技术进步不会止步于当前这一波生成式人工智能。相反，我们可以预期人工智能将取得更加显著的进展，使该技术更接近所谓的通用人工智能（AGI）。这将带来生活与工作更为彻底的变革。人类劳动力的稀缺性在人类历史上一直是一把双刃剑：一方面，它阻碍了经济增长，因为更多的产出需要更多劳动力；另一方面，它极大有益于收入分配，因为工资代表了稀缺劳动力的市场价值。如果未来劳动力在广泛任务中可以被机器取代，这两点都可能不再成立，我们或许会在劳动价值下降的同时，迎来人工智能驱动的增长起飞。这将带来一项对我们社会而言的重大挑战。此外，通用人工智能也可能给人类带来巨大风险若未与人类目标保持一致。
结论
大型语言模型和其他形式的生成式人工智能仍处于早期阶段，因此很难高度确定地预测其将产生的确切生产力影响。然而，正如我们此前所论证的，我们预计生成式人工智能将带来巨大的正向生产力效应，既能提高生产力水平，也能加速未来的生产力增长。
对政策制定者而言，目标应是在利用人工智能带来的正向生产力收益的同时，减轻日益强大的人工智能所带来的风险和负面影响。更快的生产力增长是一剂良药，可以解决或缓解我们社会的诸多挑战，包括提高生活水平、消除贫困、实现全民医疗保健以及加强国防。事实上，如果没有足够强劲的增长，几乎不可能解决某些财政挑战，包括日益扩大的财政赤字。
由人工智能驱动的生产力增长也将带来挑战。可能需要更新社会福利计划和税收政策，以减轻劳动力市场动荡带来的福利成本，并确保人工智能的收益带来共享繁荣，而非财富集中。其他危害同样需要应对，包括错误信息和社会极化的加剧（可能破坏民主的稳定），以及可能导致无数人受伤或死亡的新型生物武器和其他武器的出现。
因此，我们不能让人工智能的能力超越我们对其潜在影响的理解。经济学家和其他社会科学家需要加快对人工智能影响的研究工作，以跟上人工智能研究领域的同行快速推进技术发展的步伐。如果我们做到这一点，我们乐观地认为，社会能够利用人工智能带来的生产力收益和增长加速，在未来几年显著促进人类福祉。