生成式人工智能是一类人工智能，能够通过学习现有数据来创造文本、图像或音乐等新内容。
这项技术有望变革众多行业，并改变企业的运营方式。
麦肯锡公司的一份新报告估计，生成式人工智能可能为全球经济增加数万亿美元的价值。
报告还发现，到2040年，生成式人工智能可能使劳动生产率年均增长0.1%至0.6%。
人工智能已逐步渗入我们的生活，从智能手机的底层技术，到汽车的自动驾驶功能，再到零售商用来给消费者带来惊喜与愉悦的各种工具，无处不在。因此，它的进展几乎难以察觉。2016年，由DeepMind开发的人工智能程序AlphaGo击败了世界围棋冠军，这样的重要里程碑曾广受庆贺，但很快便淡出了公众的视线。
ChatGPT、GitHub Copilot、Stable Diffusion等生成式人工智能应用，凭借其广泛的实用性（几乎任何人都能用来交流和创作）以及与用户进行对话的非凡能力，吸引了全球人们的想象力，这是AlphaGo未能做到的。
最新的生成式人工智能应用可以执行一系列常规任务，例如数据的整理与分类。但正是它们撰写文本、创作音乐和制作数字艺术的能力，吸引了媒体头条，并促使消费者和家庭亲自尝试。因此，更广泛的利益相关方正在努力应对生成式人工智能对商业和社会的影响，却缺乏足够的背景信息来理解它。
生成式人工智能技术的发展速度，也让这项任务变得更加艰巨。ChatGPT于2022年11月发布。四个月后，OpenAI发布了一款名为GPT-4的新型大语言模型（LLM），其能力有了显著提升。
同样，到2023年5月，Anthropic的生成式人工智能Claude能够在一分钟内处理10万个令牌的文本，相当于约7.5万个单词，即一部普通长篇小说的篇幅；而该模型在2023年3月推出时，处理能力约为9000个令牌。同样在2023年5月，谷歌宣布推出由生成式人工智能驱动的多项新功能，包括搜索生成体验（Search Generative Experience）以及一款名为PaLM 2的新大语言模型，该模型将为其Bard聊天机器人及其他谷歌产品提供支持。
要理解未来的发展方向，需要先了解促成生成式人工智能兴起的种种突破，而这些突破已经历经数十年的积累。就本报告而言，我们将生成式人工智能定义为通常基于基础模型构建的应用。这些模型包含庞大的人工神经网络，其灵感来源于人脑中相互连接的数十亿个神经元。
基础模型属于所谓的深度学习的范畴，这一术语暗指神经网络中的众多深层结构。深度学习推动了人工智能近期的许多进展，而驱动生成式人工智能应用的基础模型，则是深度学习内部的一次跨越式演进。与以往的深度学习模型不同，它们能够处理极其庞大、多样的非结构化数据集，并执行多项任务。
基础模型带来了新的能力，并大幅提升了现有能力，涵盖图像、视频、音频和计算机代码等广泛的模态。基于这些模型训练的人工智能可以执行多种功能：它能够进行分类、编辑、摘要、回答问题，并起草新内容，以及完成其他任务。
我们所有人都处于理解生成式人工智能的力量、影响范围和能力的旅程起点。本研究是我们评估这一人工智能新时代影响的最新成果。研究表明，生成式人工智能有望改变角色定位，并提升销售与营销、客户运营和软件开发等职能的绩效。在此过程中，它可能在从银行业到生命科学的各个行业释放数万亿美元的价值。以下各节将分享我们的初步研究发现。
如需阅读本报告的完整版，请下载PDF。
核心洞察
生成式人工智能对生产力的影响，可能为全球经济增加数万亿美元的价值。我们的最新研究估计，在我们分析的63个用例中，生成式人工智能每年可能增加相当于2.6万亿至4.4万亿美元的价值。作为比较，英国2021年的国内生产总值（GDP）总额为3.1万亿美元。这将使所有人工智能的影响提升15%至40%。如果将生成式人工智能嵌入目前用于其他任务（超出上述用例）的软件中所产生的影响也计算在内，这一估计值将大致翻倍。
生成式人工智能用例可带来的价值中，约75%集中在四个领域：客户运营、营销与销售、软件工程，以及研发（R&D）。我们在16个业务职能中考察了63个用例，在这些用例中，该技术能够以产生一项或多项可衡量成果的方式应对具体的业务挑战。示例包括生成式人工智能支持客户互动、为营销与销售生成创意内容，以及依据自然语言提示起草计算机代码等，此外还有许多其他任务。
生成式人工智能将对所有行业领域产生重大影响。银行业、高科技和生命科学是最有可能因生成式人工智能而在营收占比上受到最大影响的行业。以银行业为例，若用例得到全面实施，该技术可每年额外带来2000亿至3400亿美元的价值。在零售和消费品包装行业，其潜在影响同样显著，每年可达4000亿至6600亿美元。
生成式人工智能有可能改变工作的构成，通过自动化员工的部分个人活动，增强个体工作者的能力。目前，生成式人工智能及其他技术有可能将占员工当前工作时间60%至70%的工作活动自动化。相比之下，我们此前估计，技术有可能将员工工作时间的一半实现自动化。技术自动化潜力的加速，很大程度上源于生成式人工智能对自然语言理解能力的提升，而这类自然语言理解对占总工作时间25%的工作活动而言是必不可少的。因此，生成式人工智能对与较高薪酬和较高教育要求相关的知识型工作影响更大，而对其他类型工作的影响则相对较小。
鉴于技术自动化潜力的提升，劳动力转型的步伐可能会加快。我们更新后的采纳情景综合考虑了技术发展、经济可行性和扩散时间表，据此估计，当前一半的工作活动可能在2030年至2060年间实现自动化，中位时间点为2045年，比我们此前的估计早约十年。
生成式人工智能能够大幅提升整个经济体的劳动生产率，但这需要相应投入，以支持工作者在转换工作活动或更换岗位时的过渡。到2040年，生成式人工智能可能使劳动生产率年均增长0.1%至0.6%，具体取决于技术采纳速度以及工作者时间向其他活动的重新分配。若将生成式人工智能与所有其他技术结合考虑，工作自动化每年可能为生产率增长带来0.2至3.3个百分点的提升。然而，工作者需要在学习新技能方面获得支持，部分人还将转换职业。如果能够妥善管理劳动力转型及其他风险，生成式人工智能将能够实质性地推动经济增长，并支持更加可持续、更具包容性的世界。
生成式人工智能的时代才刚刚开始。人们对这项技术的热情显而易见，早期试点成效也颇具吸引力。但要充分实现这项技术的效益仍需时日，商业界和社会各界的领导者仍需应对诸多挑战。这些挑战包括管理生成式人工智能固有的风险、确定劳动力所需的新技能与能力，以及重新思考核心业务流程，例如再培训和新技能培养。
请阅读麦肯锡的完整报告，了解生成式人工智能的经济潜力。
