【人工智慧】普通程式設計師想投身 AI 行業的機遇與挑戰

雷鋒網 AI 研習社按：據 LinkedIn 釋出的「全球 AI 領域人才報告」顯示，2011 年深度學習技術爆發，人工智慧領域有了飛躍式的發展，但核心人才資源的短缺限制了國內人工智慧相關行業的發展速度，尤其是在軟體、演算法、機器學習等基礎層領域，有著更加明顯的人才需求缺口。與此同時，為了招攬更多優秀的人才，科技公司給 AI 工程師開出的福利待遇也遠遠高於其他 IT 領域開發者的薪資。

在市場的強烈需求以及高額薪資的雙重誘惑下，不少開發者計劃轉型 AI 開發，投身於 AI 的浪潮中。不過，普通開發者如何基於現有的開發經歷順利過渡到 AI 行業？人工智慧開發者如何構建自己的技能體系？未來工業界需要怎樣的人工智慧開發人才？這些都是非 AI 領域程式設計師不得不面對的問題。帶著這些疑問，雷鋒網 AI 研習社採訪了知乎大 V 阿薩姆，他將結合自身的學習與工作經驗為開發者解讀轉型 AI 所要面對的困難和挑戰。

嘉賓簡介：阿薩姆（現知乎 ID 為「微調」），普華永道高階資料科學家，負責統計學習模型開發。有豐富的工業及學術經驗，擅長將理論知識應用於實踐中。曾以第一作者發表過多篇不同領域的學術文章，如人機互動、智慧系統等。研究興趣包括異常檢測、整合學習、跨領域機器學習。以筆名“阿薩姆”在知乎上創作了多篇機器學習相關的文章，曾數次被知乎及知乎日報收錄。樂於技術分享，近期正在進行機器學習實踐書籍創作。阿薩姆曾在雷鋒網 AI 慕課學院舉辦主題為「機器學習實踐經驗分享」的公開課，回顧連結：http://www.mooc.ai/open/course/375。

以下是 AI 研習社對阿薩姆的採訪：

1. 一個合格的機器學習開發者應該需要怎樣的技能？或者說怎樣的知識體系？

我覺得分為很多方面，和公司的規模有很大關係。如果單從開發角度來看，最基本的要求是需要大致瞭解各個模型的優缺點，清楚在什麼情況下選擇怎樣的模型。

公司有規模大小之分，但對於機器學習工程師這一崗位，很多公司也提出了基本的技能要求。這些基本要求不過分強調深度，但追求廣度，屬於一個“合格”工程師應該掌握的基本技能。簡單概括包括如下幾點：

1. 業務能力

• 理解問題的痛點，明白如何用機器學習方法看待商業問題；

• 懂得資料需求，能收集重要的資料和必備的資訊；

• 具備從模型中攫取價值的能力，明白模型的最終目的是產生商業價值。

2. 資料能力

• 資料整合能力：能夠將不同渠道的資料整合(資料庫、excel、JSON等)，合併、去重等；

• 資料處理能力：缺失值處理(發現與補全)、資料格式轉換、資料壓縮、過取樣欠取樣等；

• 資料視覺化：能夠使用基本的資料視覺化工具來分析資料，不管是 R 的 ggplot2 還是 Python 的 Matlibplot，或者 tableau 和 Qlik 等。

3. 模型與演算法理解

• 理解基本的機器學習演算法，明白不同場景下的經典解決方案，不迷信演算法。（比如小資料集的簡單問題用線性模型就夠了）

• 具備基本的統計概率知識，知道如何避免資料中的陷阱；

• 理解經典模型的基本調參，可以解釋分析模型的輸出結果。

4. 程式設計能力

• 熟練操作如 Python、R 等語言，知道特定演算法的工具包，如 Sklearn；

• 熟練不同語言下的資料結構，知道如何高效地處理資料，如 pandas。

• 懂得分散式運算會有所幫助，明白如何線上上部署機器學習模型，也是一個加分項。

詳細資訊請參照我的知乎回答：

https://www.zhihu.com/question/63881785/answer/243635446。

2. 國內外不少巨頭都在打造AI開發者平臺，有的甚至開放了自家的演算法供大家參考，對於目前幾個大的AI開發者平臺，工程師們應該怎樣選擇呢？

現在還處於百家爭鳴的階段，一般都是跟著公司/團隊的需求走。更常見的選擇是跟著巨頭走，比如深度學習的話 TensorFlow（雖然被不少用 pytorch 和 caffe 的人詬病）背靠谷歌好乘涼。跟著巨頭走的主要好處在於程式碼會持續更新，不會慢慢變得無人維護。其次就是和程式語言有關係，如果用 python 的話，通用機器學習庫基本主要是 sklearn，如果用 java 有 weka。但最重要的是，不要把自己繫結到某一語言或者平臺上，要花時間在程式語言和平臺背後的模型上去。工程師們最好具備的是“T字型技能”，即深入掌握某個語言/平臺，但對其他平臺有粗略的瞭解。

3. 資料對於 AI 來講非常重要，對於想轉行做 AI 的工程師來講，如何快速掌握大資料相關知識，培養良好的資料思維？

這個問題我就不強答了，因為我對大資料的瞭解比較有限。有一個值得關注的就是，現階段很多的 ML 模型還用不到大資料，往往資料只有幾個 GB 而已，甚至幾 MB。因此，不要拘泥於大資料知識，如果有條件的話，優先掌握機器學習模型還是比較重要。

同時，工程師也是有分工的，如果有可能掌握更多技能當然最好不過，但時間有限的情況下做到精通機器學習也可以讓你成為不可多得的人才。至於資料思維，機器學習本身學習的就是資料關聯或者特性，把自己當做一個模型，試著培養對資料間關係的敏感度。

4. 您曾經在文章中說過，從廣義角度來說，學術界比較超前，但不會將工業界遠遠甩在身後，而是一套生態系統中的不同環節。對於已經投身於業界並打算轉型 AI 的工程師來講，如何抓住學界最新的研究方向，並將最新的理論應用於自己所在的領域？

雖然這句話聽起來像一句雞湯，但我覺得興趣導向是最重要的。我的工作中遇到了很多欺詐檢測的專案，於是我開始瞭解相關的知識，從看書擴充到研究相關的論文。在學習和研究了這個方向的知識一年左右，我有了一些對於異常檢測的模型改進思路。最近我們投的論文就是提出了一種新的異常檢測方法，而年初剛被 IEEE Intelligent Systems 接受的另一篇論文也是將工作內容轉化為學術成果的產物。因此，如果能從工作中找到樂趣，以及想解決的問題，那麼讀論文、做研究、寫論文是很順理成章的事情。

另外，一開始有新思路的時候我並沒有計劃把這個演算法寫成論文，而僅僅是放到了 GitHub 上計劃開源，但很快發現的確比較實用，因此才擴充成了論文。所以，最重要的是多想、多動手，剩下的事情就是水到渠成。當然，前期積累是很重要的，不然難免閉門造車。

另一個要警惕的是不要追逐熱點，每天新發表的論文太多了，還是要以自己的工作領域為主。書籍作為框架，而論文作為突破方向。

5. 特徵的選擇會直接影響模型實現的結果，但是很多剛轉入 AI 領域的開發者在學習和訓練中很難選出合適的特徵資料集，請問在機器學習中如何選擇特徵資料集？特徵是否越多越好？

特徵不是越多越好，無效特徵會對最終模型施加負面影響。有效的選擇特徵並不容易，一般來說有兩個方法：

• 人工選擇+大量的手工特徵工程；

• 利用深度學習等方法抽取有效的資料表示。

展開了說是非常繁複的，可以參考我的文章（https://www.zhihu.com/question/264417928/answer/283087276 ）。一般來說，資料量夠的話深度學習自動抽取的特徵表示能力更好，小資料集上人工特徵工程效果更好。不幸的是，特徵工程沒太多竅門，唯手熟爾。

6. 如今機器學習已經延伸至各行各業，變得越來越重要，在這種情況下AI 工程師會面臨什麼樣的機會和挑戰？

最大的挑戰來自於工作流程化、模組平臺化的趨勢。換句話說，入門級機器學習工程師的重要性已經越來越低了，很多自動化平臺實現了半自動調參，比新手工程師的效果還好。有趣的討論可以參看：https://www.zhihu.com/question/265761632/answer/298995665。

至於機會的話，主要來自於各行各業的AI化。不僅僅是網際網路公司需要AI，傳統行業也需要。最適合在傳統行業推行AI的，反而是出身於這些行業的人，是以為機會。

7. 在 AI 熱之前，開發者也用線性迴歸等去擬合、預測資料或者是聚類、關聯規則挖掘資料，只不過那時沒有冠以「機器學習」的名號。您覺得現在機器學習浪潮會不會有些虛熱？目前人工智慧技術的落地和應用還有哪些困難？

一個 AI 方向的笑話是,“內行都覺得現在的AI模型弱爆了，而外行都覺得現在的AI太強了而擔心毀滅人類”。現在AI的火熱主要取決於資料、演算法、算力三方面的共同發展。虛熱肯定是有的，泡沫是不可避免的。但現在即使用邏輯迴歸，和以前的方法也有了變化，因為要處理的資料量有了變化。同時算力上升使得更多模型變得可能。可以認為現在的機器學習是以前的應用統計的升級實用版，並融入了更多的電腦科學。

8. 您在知乎上的每個回答和每篇文章都有很多人評贊，您平時是怎樣經營你的知乎號？如何在工作和知乎之間平衡的呢？

我似乎沒有特別經營知乎，也沒有什麼特別的訴求。我採用“阿薩姆”筆名的原因就是奔著好玩的目的去的。同時我一般的回答和文章都儘量希望：

• 嚴肅回答，儘量詳實有料，杜絕抖機靈；

• 不懂不答，不強答。不回答情感、八卦、政治這類問題；

• 不隨便點贊，不汙染關注者的時間線。

我給大家的建議也是不管有沒有人看，先寫了再說。在合適的時候，會有人發掘到你的文章。其次就是得失心不必太重，社交平臺當個業餘樂趣即可。至於平衡工作和知乎的話，我的工作比較清閒，偏研究性質，所以只要有空的時候把最近的思考順道寫出來就好了。

9. 您有沒有計劃開拓微信、微博平臺，或者像資料科學圈網紅「愛可可愛生活」老師那樣做個直播，將AI知識變現呢？

愛可可愛生活老師是我輩楷模，每天關注那麼多工作。我暫時還沒有類似的打算，原因如下：

自身能力有限，擔心誤人子弟，還屬於知識積累期。

現在的工作收入尚可，知識變現對我來說反而太奢侈了。當然，時不時的做一些免費分享是很好的。

有很多的研究問題還沒有解決，一直有新的思路冒出來。在靈感枯竭時或許更適合系統的輸出，比如製作一門課程。

一直有朋友想要合作做一個公眾微訊號，但我因為時間問題沒敢接。至於微博，我的確接到了新浪工作人員的聯絡，我的認證賬號是“阿薩姆談AI”，會時不時的發一些短而精的東西，歡迎關注。就像剛才說的，社交平臺對我而言只是樂趣和生活調劑，不想因為“業績壓力”而負重。同時，我的確和電子工業出版社有合作在準備一本機器學習相關的書籍，但因為一直在趕論文，進展有限，出版時間還需要打個問號。

在我心裡一直都是學術第一，別的事情都可以往後排。而且如果一件事情如果無法做好，我一般選擇再積累一段時間，以後再做打算。

10. 對於想轉行做 AI 開發的工程師們，你還有哪些建議給他們？

開個玩笑的話，我想說：“富貴險中求。”但嚴肅的說，我覺得轉行一直有兩個需要特別注意的問題：

• 不要期望一步到位，儘量尋求中間地帶，也就是你現在行業與AI的交叉點。這樣不僅可以轉行，還可以降低風險，並提高自身價值。

• 對行業有更深刻的認識，其實中高階的機器學習/深度學習沒有那麼大的需求，而入門級的其實薪水也不大誘人。因此要根據自身條件慢一點轉，有可能再拿個相關學位也是很好的選擇。做軟體工程也很好，開發手機app對社會也有貢獻，做網路安全的前景也很廣闊。CS的子領域不只有AI，還有很多穩妥、待遇好、有意義的方向。

最後想說，這個行業、時代壓力都很大。雖然工作很重要，但個人身體健康、心理健康更加重要。我有不少同行包括我自己，都或多或少有一些健康問題，比如頸椎或者慢性胃病。因此身體真的是本錢，有些事情得過且過即可。祝大家有個好身體吧。

【深度好文】人工智慧與經濟學：關於近期文獻的一個綜述

“人工智慧” 革命是一場重要的技術變革，它不僅波及到了生產生活的各個方面，也影響到了經濟學研究。最近幾年來，人工智慧不僅成為了經濟學研究的重要工具，也成為了 經濟學研究的重要議題，產生了大量的文獻。本文對最近關於人工智慧的經濟學文獻進行了 梳理，對這一領域的重要研究進行了比較詳細的介紹。希望這項整理工作可以為進一步的研 究有所幫助。全文共計1萬8千字，閱讀需要25-36分鐘。

人工智慧技術的突飛猛進，對經濟社會的各個領域都產生了重大影響，這種影響當然也波及到了經濟學。很多一線經濟學家紛紛加入了對人工智慧的研究，不少知名學術機構還組織了專門的學術研討會，組織學者對人工智慧時代的經濟學問題進行專門的探討。

事實上，經濟學家並不是最近才開始關注人工智慧的。在理論層面，經濟學對決策問題的探討與人工智慧所研究的問題有很多不謀而合之處，這決定了兩門學科在研究上存在著很多交叉之處。從歷史上看，經濟學家對人工智慧的理論關注至少有過三次高潮：第一次高潮是上世紀五六十年代，人工智慧這門學科的奠基之初。當時，有不少經濟學家參與了這一學科的建設。例如，諾貝爾經濟學獎得主Herbert Simon就是人工智慧學科的創始人之一，也是“符號學派”的開創者。在他看來，經濟學和人工智慧有不少共通之處，它們都是“人的決策過程和問題求解過程”，因此在進行人工智慧研究的過程中，他融入了不少經濟學的思想。第二次高潮是在本世紀初。當時，經濟學在博弈論、機制設計、行為經濟等領域都取得了不少的進展，這些理論進展被頻繁地應用在人工智慧領域。最近經濟學家對人工智慧問題的關注是第三次高潮。這次高潮主要是在以深度學習為代表的技術突破的推動下發生的，由於深度學習技術強烈依賴於大資料，因此在這輪高潮中的不少討論集中在了與資料相關的問題上，而在對人工智慧進行建模時也重點體現出了規模經濟、資料密集等相關的性質。

至於應用層面，經濟學和人工智慧這兩個領域的互動更為頻繁。目前，在金融經濟學、管理經濟學、市場設計等領域都可以看到人工智慧的應用。

從總體上看，最近有關人工智慧的經濟學大致可以分為三類：

第一類研究是將人工智慧視為分析工具。一方面，人工智慧的一些技術可以與傳統的計量經濟學相結合，從而克服傳統計量經濟學在應對大資料方面的困難。應用這些新的計量技術，經濟學家可以探索和構建新的經濟理論。另一方面，人工智慧的發展也為採集新的資料提供了便利。藉助人工智慧，諸如語音、影像等資訊都可以較為容易地整理為資料，這些都為經濟學研究提供了重要的分析材料。

第二類研究是將人工智慧作為分析物件。從經濟學角度看，人工智慧具有十分鮮明的性質。首先，人工智慧是一種“通用目的技術”（General Purpose Technology，簡稱GPT），可以被應用到各個領域，其對經濟活動帶來的影響是廣泛和深遠的。現在，在分析經濟增長、收入分配、市場競爭、創新問題、就業問題，甚至是國際貿易等問題時，都很難迴避人工智慧所造成的影響。其次，人工智慧是一種強化的自動化，它會對勞動力產生替代，並造成偏向型的收入分配結果。再次，當前的人工智慧技術發展強烈依賴與大資料的應用，這就決定了它具有很強的規模經濟和範圍經濟，這兩個特徵對產業組織、競爭政策、國際貿易等問題都會產生重要影響。以上的所有這些特徵共同決定了分析和評估人工智慧對現實經濟造成的影響應當成為經濟學研究的一個重要話題。

第三類研究是將人工智慧作為思想實驗。作為一門學科，經濟學是建立在理想化的假設基礎之上的。在現實中，很多假設並不成立，因此經濟學的預言就和現實存在著一定的差距。而人工智慧的出現，從某種意義上來講是為經濟學家提供了一個可能的、符合經濟學假設的環境。這同時也為檢驗經濟理論的正確性提供了一個場所。

在本文中，筆者將對最近幾年來有關人工智慧的經濟學文獻進行梳理，對相關的重要文獻進行介紹。考慮到在上述三類研究中，第三類的科幻性較強，而科學性相對不足，因此本文將暫時不涉及這類研究，對此感興趣的讀者可以自行參考Hanson（2016）等代表性文獻。

在正式展開對人工智慧經濟學的討論之前，我們需要先對文獻中經常提及的幾個概念——“人工智慧”、“機器學習”和“深度學習”進行一下解釋。初略來講，人工智慧的概念是最大的，機器學習是其的一個分支學科，而深度學習又是機器學習的一個分支（如圖1）。

圖1：人工智慧、機器學習和深度學習的關係

在最廣的意義上，人工智慧是“讓智慧體（agent）在複雜環境下達成目標的能力”。關於智慧體應該怎樣達成目標，不同的學者有不同的理解。早期的學者認為，人工智慧應當模仿人類的思考和行動，其目的在於創造出能和人類一樣思考的機器。而較近的一些學者則認為，人類的思維方式只是一種特定的演算法，人工智慧並不一定要模仿人類，而應該在更廣的範圍上讓智慧體合理地思考和行動。以LeCun、 Tagmark為代表的一些學者甚至認為一味模仿人腦只會限制人工智慧的發展。人工智慧包括很多分支學科，例如機器學習、專家系統、機器人學、搜尋、邏輯推理與概率推理、語音識別與自然語言處理等。

機器學習（Machine Learning）是人工智慧的一個分支學科，是實現人工智慧的一種方法。它使用演算法來解析資料，從中學習，然後對真實世界中的事件做出決策和預測。和傳統的為解決特定任務而專門進行程式設計的思路不同，機器學習“讓計算機擁有在沒有明確程式設計的條件下擁有學習的能力”，並通過對大量資料的學習找出完成任務的方法。

根據學習的特徵，機器學習可以分為三類：有監督學習（Supervised Learning）、無監督學習（Unsupervised Learning）和強化學習（Reinforcement Learning）。

有監督學習是通過對有標籤的資料樣本（a sample of labelled data）進行學習，從而找出對輸入和輸出之間的一般性法則。例如，對於房地產企業來說，他們擁有大量房屋屬性，以及房價資訊的資料，如果他們希望對這些資料進行學習，通過建模找出房價和各類房屋屬性之間的關係，那麼這個過程就是有監督學習。進行有監督學習的演算法主要有兩類，一類是迴歸（Regression）演算法，另一類是分類（Classification）演算法。

無監督學習所面對的資料樣本則是沒有標識的，其任務在於通過學習這些資料從而找出資料中隱藏的潛在規律。例如，藝術鑑賞家經常需要對名畫的流派進行鑑定。顯然，在任何一張畫上都不會存在任何明確標識的特徵資訊，因此鑑賞家們只能通過大量欣賞畫作去增加主觀體驗。久而久之，他們會發現某些畫家會固定使用一些作畫技巧，通過對這些技巧的識別，他們就能對畫作的流派進行鑑定。在這個過程中，鑑賞家們的學習就是無監督學習。聚類（Clustering）演算法進行無監督學習的主要演算法。

強化學習是在動態環境中進行的學習，學習者通過不斷試錯，從而使得獎勵訊號最大化。例如，學生通過做習題來溫習功課，每次做完習題後，老師都會批改習題，讓他們知道哪些題做對了，哪些題做錯了。學生根據老師的批改，找出錯誤、糾正錯誤，讓正確率不斷提高，這個過程就是強化學習。

近年來備受關注的深度學習（Deep Learning）是機器學習的一個研究分支。它利用多層神經網路進行學習，通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現資料的分散式特徵表示。在傳統的條件下，由於可供學習的資料過少，深度學習很容易產生“過度擬合”等問題，因而影響其效果。但隨著大資料的興起，深度學習的力量就開始體現出來。今年來人工技術的迅速發展，很大程度上是由深度學習的發展推動的。

人工智慧是經濟學研究的有力工具。一方面，人工智慧中的機器學習目前已開始逐步融入計量經濟學，在經濟學研究中有了較多應用。另一方面，語音識別、文字處理等技術也為經濟學研究的素材收集提供了便利。在本節中，我們不對人工智慧在素材蒐集上的應用進行探討，只集中討論機器學習在經濟學中的應用。由於這個原因，在本節中“人工智慧”和“機器學習”可以被視為是同義詞。

（一）人工智慧對計量經濟學的影響

1、計量經濟學與機器學習：從孤立到融合

統計學關注的問題有四個：（1）預測（Prediction），（2）總結（summarization），（3）估計（estimation），以及（4）假設檢驗。計量經濟學是統計學的一個子學科，因此以上四個問題同樣也是其關心的主題。但作為一門為經濟學研究服務的統計學，計量經濟學對於因果關係的關注是更為突出的，因此它更強調總結、估計和假設檢驗，而對於預測的關注則相對較少。由於強調對因果問題的解釋，所以計量經濟學對估計結果的無偏性和一致性予以了特別的關注，將大量精力投入到了解決“內生性”等可能干擾估計結果一致性的問題上。

相比於統計學和計量經濟學，機器學習是一門更為應用性的學科。它所關注的問題更多是預測，而不是對因果關係的探究。因為這個原因，決策樹（Decision Tree）、支援向量機（SVM）等分類模型，以及在計量經濟學中很少被用到的嶺迴歸（Ridge Regression）、套索演算法（LASSO）等，都在機器學習中被大量使用。

由於關注的焦點不同，傳統上計量經濟學和機器學習之間的交集很小，在某些情況下，兩者甚至存在著一定的矛盾。Athey（2018）曾給出過一個例子：假設我們手頭有一批旅館的入住率和價格的資料。如果我們要利用價格來預入住率，那麼得到的模型通常顯示入住率和價格之間存在著正向關係。理由很簡單，當旅館發現自己的更受歡迎時，會傾向於抬高自己的價格。但如果我們考慮的問題是當企業降價時會有什麼後果，那涉及到的就是因果推斷問題。此時，根據需求定律，如果我們的設定沒有出錯，那麼所得到的模型通常會顯示入住率和價格之間存在著負向關係。

但隨著大資料時代的到來，這兩個學科之間的交集開始逐漸增大。

一方面，在大資料條件下機器學習的方法逐漸展現出了其應用價值。傳統計量經濟學關注的都是樣本較小、維度較低的資料，對於這樣的“小資料”，傳統計量方法是可以較好應付的。但是當資料的數量和維度極具擴大後，這些方法就開始變得捉襟見肘了。例如，在計量分析時，研究者會很習慣於將大量的被解釋變數都加入到模型，然後對其進行估計。這在資料量較小時能行之有效，但當資料量極為龐大時，其對於運算能力的要求將是驚人的。這就要求研究者必須先對模型進行“降維”，找出最關鍵的那些解釋變數，此時機器學習的一些演算法，例如LASSO就會起到作用。

另一方面，機器學習可以為尋找因果關係提供啟發。因果推斷的方法通常是針對一個定義良好（well-defined）的模型採用的，而在現實中，研究者事實上甚至不瞭解應該選擇怎樣的模型。此時，機器學習的方法就有了用武之地。Varian（2014）曾經舉過一個泰坦尼克號乘客年齡與倖存概率的例子。他利用了兩種方法對這一問題進行了分析，其中一種是在尋求因果關係時常用的Logit模型，而另一種則是機器學習中常用的決策樹方法。根據Logit模型，乘客年齡和倖存率之間的關係並沒有顯著的關係。而決策樹模型則顯示，兒童和60歲以上的老年人會擁有更高的生存概率，這是因為在泰坦尼克號沉沒之前，老人和孩子被允許優先逃離。很顯然，在這個例子中，決策樹能夠為我們帶來更多的有價值資訊，有了這些資訊，研究者就可以構建進一步的模型來進行因果推斷。

這裡值得說明的是，如果訓練集很小，那麼機器學習的演算法很容易會導致過度擬合（overfit）的問題，此時其優勢很難體現出來。而在大資料條件下，過度擬合問題的影響大大減小，其價值也就顯露了出來。

2、機器學習在因果推斷中的應用

前微軟首席經濟學家、史丹佛大學教授Susan Athey曾在Science上發文討論了機器學習在因果推斷和政策評估中的作用。她指出，過去更多被用於預測的機器學習在因果推斷領域有很強的應用前景，未來的計量經濟學家應當更多將機器學習的技術與現有的計量經濟理論相結合。

機器學習在因果推斷中的第一個應用是將用來取代常規方法中一些不涉及因果關係的步驟。例如，在因果推斷分析中，傾向性得分匹配法（Propensity Score Matching）是經常被用到的。使用這一方法的第一步是要依賴於核估計等方法計算出傾向性得分，而這些估計在協變數眾多的情況下是難以進行的。為了在眾多的協變數中篩選出有用的部分，一些研究者就提出了將LASSO、Booting、隨機森林等常用於機器學習的演算法應用到協變數篩選的過程中去，然後再用得到的結果按照傳統的步驟進行匹配。

機器學習在因果推斷中的第二個應用是對異質性處理效應的估計。過去的因果關係推斷，主要是在平均意義上展開的，其關注的焦點是平均處理效應（Average Treatment Effect，簡稱ATE）。這樣的分析固然有重要的價值，但在不少情況下它並不能滿足實際應用的需要。舉例來說，當醫生決定是否要對一位癌症病人採用某項療法時，如果他僅知道平均來看這種療法可以讓病人的存活時間增加一年，這顯然是不夠的。由於同一療法對於不同病人的效果區別很大，因此在決定是否採用該療法時，醫生就需要進一步知道不同特質的病人在採用這種療法時會有怎樣的症狀。換言之，除了ATE外，他還需要關注異質性的處理效應（Heterogeneous Treatment Effect）。

Athey and Imbens（2015）將機器學習中常用的分類迴歸樹（Classification and Regression Trees）引入到了傳統的因果識別框架，用它們來考察異質性處理效應。他們比較了四種不同的分類迴歸樹演算法——單樹法（Single Tree）、雙樹法（Two Trees）、轉化結果樹法（Transformed Outcomes Tree）以及因果樹法（Causal Tree），並特別強調了因果樹法的作用。Wager and Athey（2015）推廣了因果樹方法，討論瞭如何用隨機森林（Random Forest）來處理異質性處理效應。Hill（2011）、Green and Kern（2012）則採用了另一種思路——貝葉斯可加性迴歸樹（Bayesian Additive Regression Tree，簡稱BART）來考察異質性處理效應，這種方法在某種意義上可以被視為是貝葉斯版的隨機森林方法。不過，BART方法的大樣本性質目前仍然是不清楚的，因此其應用還存在著一定的侷限。

關於機器學習在因果推斷中的應用的更多介紹，可以參考Athey and Imbens（2016）的綜述。這裡有兩點需要強調。首先，因果推斷理論和機器學習理論的交叉並不是單向的。以圖靈獎得主Judea Pearl為代表的一些人工智慧專家認為，現在強人工智慧技術不能得到突破的原因就在於現有的機器學習理論沒有考慮因果性。如果沒有因果性，就不能進行反事實分析（Counterfactual Analysis），智慧體就無法應對紛繁複雜的現實情況。因此，這些學者建議，未來的機器學習應當考慮吸納因果推斷理論的成果，為實現自動化推理奠定基礎。其次，在機器學習領域發展最快的深度學習到目前為止並沒有在經濟學研究中發揮作用。這可能是因為深度學習的學習過程本身是一個黑箱，不適合被用來作為因果識別的工具所致。

（二）人工智慧在行為經濟學中的應用

人工智慧可以為行為經濟學的研究提供一種思路。相對於傳統的經濟學，行為經濟學的研究方法是十分開放的，它試圖通過納入其他學科（例如心理學、社會學）的理論，來解釋傳統經濟學所不能解釋的人類行為。可能解釋人的行為的變數很多，究竟哪些變數真正有用就稱為了問題，此時機器學習的方法就可以被用來幫助研究者選出那些真正有價值的變數。

目前，已有一些行為經濟學的文獻借用了機器學習的方法。例如，Camerer，Nave and Smith（2017）在分析“非結構化談判”（unstructured bargaining）問題時採用了機器學習的方法，用其來幫助尋找影響談判結果的行為要素。Peysakhovich and Naecker（2017）則利用機器學習的方法對人們在金融市場中的風險選擇問題進行了研究。

除了指出機器學習在分析中的應用外，Camerer（2017）還將機器學習和人類的決策進行了對比。在他看來，人類的決策可以被認為是一種不完美的機器學習。過度自信、對於錯誤很少改正等行為缺陷在某種意義上可以被認為是機器學習中的“過度擬合”問題。從這個角度出發，Camerer認為人工智慧的發展將會有助於人類更有效地進行決策。

作為一種新技術，人工智慧技術已經進入了經濟生活的各個領域，對生產、生活的各個方面都產生了重大影響。目前，已經有不少文獻對這些影響進行了分析。在本節中，我們將分領域對這些研究進行一些簡要的介紹。

（一）人工智慧與經濟增長

1、關於人工智慧與經濟增長的理論探討

從理論淵源上看，關於人工智慧對經濟增長影響的討論其實是關於自動化對經濟增長影響討論的延續。Zeira（1998）年曾提出過一個理論模型，用來分析自動化的增長效應的模型。在這個模型中，某一產業的產品可以通過兩種技術——手工技術和工業技術進行生產。在這兩種技術中，手工技術所需的勞動力投入更高，但所需的資本投入卻更低。究竟兩種技術中的哪一種被用來進行生產，取決於技術水平。如果生產率很低，那麼更多依靠手工技術進行生產就更有利；而當生產率突破了一定的臨界點時，轉而採用工業技術進行生產就會變得更合算。這樣，技術進步就會產生兩個效應：一是直接對生產效率的提升；二是通過自動化來實現生產方式的改變。一個經濟中有很多產業，不同產業實現自動化的臨界條件不同，因此生產率的增長和自動化的程度將呈現一種連續函式關係。當自動化程度較高時，經濟中的資本回報份額也就越高，因此當經濟處於最優增長路徑時，增長率將主要取決於兩個條件：生產率的增長速度，以及經濟中的資本回報份額，更高的生產率，以及更高的資本回報份額都會讓經濟獲得更高速的增長。

Aghion et al（2017）對人工智慧對經濟增長的可能影響進行了全面的分析。他們的分析是從“人工智慧革命”的兩個效應——自動化和“鮑莫爾病”出發的。一方面，和其他任何的技術進步一樣，人工智慧的應用會在導致生產率提升的同時促進自動化程式的加速。這將會導致生產過程中人力使用的減少，從會讓經濟中的資本回報份額增加。但另一方面，“人工智慧革命”也會遭遇所謂的“鮑莫爾病”，即非自動化部門的成本的提升，這會導致經濟中資本回報份額的降低。一般來說，隨著經濟的發展，經濟中的落後部門對經濟發展的影響將會變得更為重要。在這種條件下，“鮑莫爾病”的影響將會變得更加不可忽視。

將兩種效應綜合起來看，人工智慧的使用對經濟增長的影響將是不確定的。雖然人工智慧的使用可以確定地讓生產率增長速度得到提升，但至少從短期看，它對於資本回報份額的影響卻是不確定的。因此，並不能確定經濟增長率究竟會如何變化。

在正常條件下，資本的回報份額不會無限上升，在穩態時它會維持在某個小於1的值，此時經濟增長的速度將主要依賴於生產率的變化速度。據此可以得出結論，人工智慧究竟如何影響經濟增長，將主要取決於其對技術進步率的影響方式。如果人工智慧帶來的只是一次短期的衝擊，那麼它只會讓生產率產生一次性的增加，其作用將是暫時的。而如果人工智慧的應用會帶來生產率的持續增加，那麼經濟增長率也將隨之持續增加，從而出現“經濟奇點”。在幾位作者看來，“經濟奇點”出現的最關鍵條件是突破知識生產這一瓶頸。這點是否能夠實現，主要要看人工智慧是否可以真正取代人類進行知識生產。

在論文中，幾位作者還對增長的分配效應進行了探討。在他們看來，人工智慧技術的應用將會引發“技術偏向型”的增長，讓高技能的工人獲益，低技能的工人受損。而由技術導致的企業組織結構變化會強化這種效應——密集使用人工智慧技術的企業會向本企業內部職工支付較高的工資，同時將一些技術含量較低的生產環節外包給工資更低的低技能工人。由這些因素造成的收入分配效應將是不容忽視的。

值得一提的是，在Aghion et al（2017）的討論中，決定人工智慧對增長影響的一個關鍵因素是人工智慧會對創新、對知識生產產生怎樣的作用，但關於這個問題，幾位作者並沒有作更多的展開分析。Agrawal et al（2017）的論文對此進行了補充。這篇論文借鑑Weitzman（1998）的觀點認為，知識生產的過程很大程度上是一種對原有知識的組合過程，而人工智慧的發展不僅有助於人們發現新的知識，更有助於人們將既有的知識進行有效的組合。幾位作者在Jones（1995）的模型中植入了知識組合的過程，用這個新模型來分析了人工智慧技術的影響。結果發現，人工智慧技術的引入將通過促進知識組合來讓經濟實現顯著的增長。

2、關於人工智慧與經濟增長的爭論

關於人工智慧會對經濟增長產生怎樣的影響，存在著很多的爭議。在本節中，我們將對兩個重要的爭論進行討論。第一個爭論是，人工智慧技術究竟能否真正帶來經濟增長。第二個爭論是，人工智慧技術是否可以真正引發“經濟奇點”（Economic Singularity）的到來。

（1）人工智慧是否能帶來經濟增長

關於這個問題的討論，實際上是關於 “索洛悖論”（Solow Paradox）的討論的繼續。“索洛悖論”又稱“生產率悖論”（Productivity Paradox），是由Robert Solow在探討計算機的影響時提出的。當時，他感嘆道：技術轉變隨處可見，但在統計資料卻沒有顯示技術對增長產生的影響。此後，有不少研究都佐證了Solow的這個觀察，認為包括計算機、網際網路等新技術的出現並沒有對經濟增長產生實質性的影響。

這類觀點的代表人物是Tyler Cowen和Robert Gordon。Cowen在一部暢銷書中指出，被認為十分重要的計算機、網際網路技術並沒有像之前的技術革命那樣讓生產率獲得突破性的進步，並且從目前的技術發展看看，所有“低垂的果實”都已經被摘盡了，因此經濟將會陷入長期的“大停滯”。而Gordon則由對美國的經濟增長狀況的長期趨勢進行分析發現，最近的技術進步實際上只帶來了很低的生產率進步。

人工智慧技術的興起也同樣遭遇了“索洛悖論”的質疑。儘管從直觀上看，人工智慧對生產生活的各個方面都產生了重要影響，但到目前為止，經驗證據卻同樣難以對這種影響給予證實。在一次著名的辯論中，Gordon等學者對人工智慧的作用提出了質疑，認為人們對其的期盼顯然是過高了。

針對“技術懷疑論者”的質疑，以Brynjolfsson為代表的“技術樂觀派”旗幟鮮明地表達了反對。在Brynjolfsson及其合作者看來，以計算機、網際網路為代表的現代技術毫無疑問對提高生產率和促進經濟增長起到了關鍵作用，而人工智慧等新技術的影響可能還要更為巨大。

至於為什麼從統計中並不能看出人工智慧等技術的貢獻，Brynjolfsson et al（2017）給出了詳細的討論。在他們看來，有四種可能的原因可以被用來解釋人們對技術進步的主觀感受和統計資料之間的背離。第一種解釋是“錯誤的希望”（false hopes），即人們確實高估了技術進步的作用，而實際上技術並沒有能帶來人們所期盼的生產率進步。第二種解釋是“測量誤差”（mismeasurement），即統計資料並沒有真正反映出技術進步所帶來的產出，因而就對其增長效應做出了低估。第三種解釋是“集中化的分配和租值耗散”（concentrated distribution and rent dissipation），即儘管人工智慧等新技術確實可以帶來生產率的增長，但只有部分明星企業享受到了由此帶來的好處。這不僅加劇了收入分配的不平等，也讓少數企業獲得了更高的市場力量，而這些因素反過來會導致生產率的下降。第四種解釋是執行滯後 （implementation lag）。新技術作用的發揮，需要配套的技術、基礎設施，以及組織結構的調整作為基礎。而在目前看來，這些配套工作是相對滯後的，因此就可能導致人工智慧的力量不能充分得到發揮。幾位作者在對上述四種可能的解釋進行了逐一檢驗後發現，最後一種解釋是最有說服力的。因此，他們認為人工智慧的作用是不可忽視的，但現階段滯後的配套工作限制了其作用的發揮。隨著相關配套工作的完成，“人工智慧革命”的力量將會逐步釋放出來。

（2）人工智慧是否會帶來“經濟奇點”

“奇點”（Singularity）最初是一個數學名詞，指的是沒有被良好定義（例如趨向於無窮大），或者出現奇怪屬性的點。未來學家Kurzweil在自己的書中借用了這個名詞，用來指人工智慧超越人類，從而引發人類社會劇變的關鍵時刻。而所謂“經濟奇點”，指的則是一個關鍵的時間點，當越過這個時間點後經濟將保持持續增長，並且增長速度會持續加快。

在歷史上，有不少經濟大師曾對“經濟奇點”有過憧憬，巨集觀經濟學的創始人凱恩斯、諾貝爾獎得主赫爾伯特·西蒙都是其中的代表。儘管截止目前這些憧憬都沒有變成現實，但隨著人工智慧技術的發展，關於“經濟奇點”的討論又開始高漲。一些“技術樂觀派”學者認為，由於人工智慧可以大幅提升生產率，並且可以完成很多人類無法完成的任務，因此“經濟奇點”不久就會到來。

這種“技術樂觀派”的觀點引發了很多爭議。Nordhaus（2015）從經驗方面對此給出了質疑。Nordhaus指出：首先，隨著新技術的發展成熟，它們的價格急劇下降，因此它們的相關產業對經濟的貢獻也迅速下滑。這意味著，相對落後的產業，而非新產業將成為經濟增長的關鍵。其次，儘管人們給予了網際網路、人工智慧等新技術很多希望，但它們並沒有能切實帶來生產率的大幅度提高。再次，至少從美國的現實看，目前投資品的價格並沒有出現急速的下滑，投資也沒有出現迅速增長的勢頭。綜合以上幾點分析，Nordhaus認為“經濟奇點”可能還只是一個遙遠的夢想。Aghion et al（2017）從理論上對“經濟奇點”進行了分析。他們認為，“經濟奇點”是否能到來，主要要看知識增長的瓶頸能否打破。儘管內生增長模型已經說明了知識作為一種產品是可以生產的，但這個過程是需要人的參與的。隨著經濟增長的進行，人口增長減緩，能作為生產要素投入到知識生產過程的人力也會減少。除非人工智慧可以替代人類從事創意工作、進行知識生產，否則這一重要瓶頸就很難被突破。而至少在現在，人工智慧還沒有發展到這一水平。

（二）人工智慧與就業

技術的進步在推進生產率提升的同時，會帶來“技術性失業”。作為一項革命性的技術，人工智慧當然也不例外。與以往的歷次技術革命相比，“人工智慧革命”對就業的衝擊範圍將更廣、力度將更大、持續也將更久。

目前，人工智慧對就業的可能衝擊已經成為了重要的政策話題，有不少文獻對此進行了探討。需要指出的是，由於在討論人工智慧對就業和收入分配的影響時，通常把人工智慧作為一種強化版的自動化來處理，因此在以下兩節中，我們在介紹人工智慧影響的文獻外，還將介紹自動化和機器人影響的文獻。

1、關於人工智慧和自動化就業影響的理論分析

Autor et al（2003）提出的ALM模型是研究人工智慧和自動化的就業影響的基準模型。在ALM模型中，生產需要兩種任務——程式化任務和非程式化任務配合，其中程式化任務只需要低技能勞動，而非程式化任務則需要高技能勞動。在幾位作者看來，自動化只能用來完成程式化任務，而不能用來完成非程式化任務，因此它對低技能勞動形成了替代，而對高技能勞動則形成了互補。在這種假設下，自動化的衝擊將是偏向性的，它對低技能勞動者造成損害，但卻會給高技能勞動者帶來好處。Frey and Osborne（2013）對ALM模型進行了擴充。在新的模型中，而非程式化任務則既需要程式化勞動需要高技能勞動和低技能勞動的共同投入。在這種設定下，自動化對於高技能勞動者的作用將是不確定的，在一定條件下它們也會受到自動化的損害。

Benzell et al（2015）在一個跨期迭代（OLG）模型中討論了機器人對勞動力進行替代的問題。他們指出，在一定條件下，機器人可以完全替代低技能工作，並替代一部分高技能工作，這會導致對勞動力需求的減少和工資的下降。雖然在採用機器人後，由生產率提升會帶來的價格下降可以在一定程度上改善勞動者福利，不過從總體上講它並不能完全彌補就業替代對勞動力造成的損害。因此，幾位作者認為機器人的使用可能會帶來所謂的“貧困化增長”（Immiserizing Growth）——雖然經濟增長了，但社會福利卻下降了。為了防止這種現象的發生，幾位作者建議要推出針對性的培訓計劃，並對特定世代的人群進行補貼。

Acemoglu and Restrepo構造了一個包括就業創造的模型。在模型中，自動化消滅某些就業崗位的同時，也會創造出勞動更具有比較優勢的新就業崗位，因此其對就業的淨效應要看兩種效應的相對程度。他們發現，在長期均衡的條件下，結果取決於資本和勞動的使用成本。如果資本的使用成本相對於工資足夠地低，那麼所有職業都將被自動化；反之，自動化就會有一定的界限。此外，幾位作者還指出，如果勞動本身是異質性的，那麼自動化的進行還將導致勞動者內部收入差異的產生。

2、關於人工智慧和自動化就業影響的實證分析

Autor et al （2003）對1960-1998年的美國勞動力市場進行了分析。結果發現在1970年之後，“計算化”（Computerization）導致了“極化效應”——對程式化工作的需求大幅下降，但同時導致了對非程式化工作需求的增加。尤其是在1980年之後，這種趨勢更加明顯。Goos and Manning（2007）利用英國資料對ALM模型的結論進行了檢驗，結果發現技術進步在英國也導致了“極化效應”的出現。隨後，Autor and Dorn（2013）、Goos et al（2014）等文獻分別對美國和歐洲的資料進行了分析，也同樣發現了“極化效應”的存在——在技術進步的衝擊下，大批製造業的就業機會被服務業所搶佔。

Graetz and Michaels（2015）分析了1993-2007年間17個國家的機器人使用及經濟執行狀況。發現平均而言機器人的使用讓這些國家的GDP增速上漲了0.37個百分點。同時，機器人的使用還讓生產率獲得了大幅增加，並減少了中、低端技能工人的勞動時間和強度。Acemoglu and Restrepo（2017）利用1990年到2007年間美國勞動力市場的資料進行了研究。結果發現，機器人和工人的比例每增加千分之一，就會減少0.18%-0.34%的就業崗位，並讓工資下降0.25%-0.5%。

3、關於人工智慧和自動化就業影響的預測和趨勢分析

除了實證研究外，也有不少學者採用不同的方法對人工智慧對就業的影響進行了預測，其結果相差很大。Frey and Osborne（2013）曾對美國的702個就業崗位被人工智慧和自動化替代的概率進行了分析，結果表明47%的崗位面臨著被人工智慧替代的風險。Chui，Manyika，and Miremadi， （2015）則預測，美國45%的工作活動可以依靠現有技術水平的機器來完成；而如果人工智慧系統的表現可以達到人類中等水平，該數字將增至58%。相比之下，Arntz， M.， Gregory，T.， and Zierahn（2016）的預測則要樂觀得多，他們認為OECD國家的工作中，只有約9%的工作會被取代。在國內，陳永偉和許多（2018）用Frey and Osborne（2013）的方法對中國的就業崗位被人工智慧取代的概率進行了估計，結果顯示在未來20年中，總就業人的76.76%會遭受到人工智慧的衝擊，如果只考慮非農業人口，這一比例是65.58%。

除了基於計量方法的預測外，也有一些經濟史學者根據歷史經驗對人工智慧的就業影響進行了分析。在一次麻省理工學院組織的研討會上，Gordon指出從第一次工業革命以來的這250年間，還沒有哪個發明引起了大規模的失業。儘管工作崗位持續地在消失，卻有更多的就業機會湧現了出來。在他看來，同樣的機制將會保證“人工智慧革命”並不會造成劇烈的衝擊。而Mokyr則認為，隨著經濟的發展，服務性行業的比例將會上升，這些行業相對來說較難被人工智慧所替代。即使人工智慧替代了其中的一部分崗位，但老齡化等問題會帶來巨大的勞動力需求，由此提供的就業崗位將足以抵消人工智慧帶來的影響。

此外，還有一些學者認為在分析人工智慧的就業影響時，應當綜合考慮其他各種因素。例如Goolsbee（2018）認為現有的研究大多是從技術可行性角度去思考人工智慧的就業影響，而沒有分析價格因素和調整成本，也沒有考慮衝擊的持續時間。顯然，如果忽略了這些因素，只是抽象地說人工智慧會替代多少勞動力，其政策意義將大打折扣。

4、對於人工智慧就業影響的政策探討

儘管不同學者關於“人工智慧革命”影響的估計存在很大差異，但大部分學者都認為，同歷史上的各次技術革命一樣，“人工智慧”在長期將會創造出足夠多的新崗位以代替被其摧毀的崗位，因此問題的關鍵就是通過政策平滑好短期的衝擊，讓就業結構完成順利轉換。

應對短期就業衝擊的最重要政策是加強教育。很多研究指出，“人工智慧革命”對就業的最大影響並不是讓就業崗位絕對減少了，而是從舊崗位被淘汰的那部分勞動者不適應新崗位。因此，為了讓勞動者們適應新崗位，政府應當負責提供教育和職業指導。由於“人工智慧革命”的衝擊是持續性的，因此相關的教育也應當有持續性。為了解決失業人員的培訓支出，可以探索“工作抵押貸款”，讓失業人員以未來獲得的工作為抵押來獲取貸款，用以進行相關培訓。

（三）人工智慧與收入分配

人工智慧可能通過多個渠道對收入分配發生影響。首先，從理論上講，人工智慧是一種偏向性的技術（Directed Technical Change或Biased Technical Change），它的使用會對不同群體的邊際產出產生不同作用，進而影響他們的收入狀況。這中效應體現在兩個層次上，第一個層次是在不同要素之間，這主要會影響不同要素回報的分配；第二個層次是在勞動者內部，這主要影響不同技能水平的勞動者的收入分配。其次，人工智慧的使用還會對市場結構造成改變，讓一些企業獲得更高的市場力量，進而讓企業擁有者獲得更多的剩餘收入。當然，以上這些效應最終如何起作用，還和相關的政策有很大關係。

1、人工智慧對於要素回報的影響

要素回報的差異是造成收入分配差別的最主要原因之一。近年來，資本回報率在全世界範圍內都呈現出了增加的趨勢，更多的收入和財富向少數資本所有者聚集，這導致了不平等的加劇。而人工智慧技術的應用，則可能強化這種要素收益的不平等。

人工智慧是一種“技術偏向性”的技術。一方面，它的普及將會減少市場上對勞動力的需求，進而降低勞動力的回報率；而與此同時，作為一種資本密集型技術，它可以讓資本回報率大為提升。在這兩方面因素的作用下，資本和勞動這兩種要素的回報率差別會繼續擴大，這會引發收入不平等的進一步攀升。

2、人工智慧對不同勞動者的影響

技術的偏向性不僅體現在不同生產要素之間，還體現在勞動者群體內部，不同技能勞動者在面臨技術進步後，其收入變化會有很大差異。從性質上看，人工智慧是技術偏向性的，它對於不同就業崗位的衝擊並不相同。人工智慧的一個重要作用是自動化，而目前已有很多研究證明了自動化對不同技能勞動者帶來的不同影響。在現階段，遭受自動化衝擊較為嚴重主要是那些以程式化任務為主，對技能要求較低的職業。自動化的普及不僅壓低了從事這些職業的勞動者的收入，還造成了相當數量的相關人員失業。而如此同時，自動化對那些非程式化、對技能要求較高的職業，則主要起到了強化和輔助作用，因此面對“人工智慧革命”的衝擊，從事這些職業的勞動者的收入不僅沒有下降，反而出現了上升。儘管關於人工智慧的技能偏向性的研究還較少，但從邏輯上講，作為一種實現高階自動化的技術，它也將會產生類似的效應。

需要指出的是，隨著人工智慧技術的發展，自動化的範圍已經不再像過去那樣侷限於程式化較強，對技能要求較低的職業，很多程式化較低、對技能要求很高的職業，如醫生、律師也面臨著自動化的衝擊。在這種背景下，當分析自動化的影響時就需要對自動化的類別進行分析。如果自動化是對低技能勞動進行替代，那麼它將會擴大工資的不平等；而如果自動化是對高技能勞動進行替代，那麼它或許將有助於縮小收入的不平等。

3、人工智慧對利潤分配的影響

除了改變要素的邊際收益外，人工智慧還會可能通過另一條間接渠道——改變市場力量來對收入分配產生影響。

經濟學的基本理論告訴我們，當市場結構不是完全競爭時，市場中的企業就可能獲得經濟利潤，而經濟利潤的高低則和企業的市場力量密切相關。近年來，世界各國的市場結構都呈現出了集中的趨勢，大量佔據高市場份額的“超級明星企業”（Superstar Firms）開始出現，並憑藉巨大的市場力量獲得鉅額利潤。不少學者認為，高技術的使用是導致“超級明星企業”一個重要原因，而人工智慧作為一種重要的新技術顯然會強化這一趨勢。不過，就筆者所知，目前還沒有文獻對人工智慧影響收入分配的這一渠道進行過專門的實證分析，因此這種猜測暫時只存在於理論層面。

4、政策對人工智慧分配效應的影響

技術變遷的收入分配效應必然受到政策因素的影響，合理的政策措施可以讓技術變遷過程更有包容性，使所有人更好地共享技術變遷的成果。Korinek and Stiglitz（2017）曾對“人工智慧革命”中的分配政策進行過討論。他們指出，儘管像人工智慧這樣的技術進步可以讓社會總財富增加，但由於現實世界中的人們不可能完全保險，也不可能進行無成本的收入分配，因此就難以讓這些技術進步帶來帕累託改進，在一些人因技術進步受益的同時，另一些人則會受到損害。為了扭轉這種情況，政策的介入是必要的。政策必須對技術進步帶來的兩種效應——剩餘的集中和相對價格的變化做出回應，而為了達到目的，稅收、智慧財產權政策、反壟斷政策等政策都可以發揮一定作用。Kaplan（2015）對相關收入分配政策進行了全面探討。他建議，考慮到人工智慧對不同人群帶來的不同影響，應該考慮對那些因這項技術獲益的人徵稅，用來補貼因此而受損的人們。Cowen（2017）指出，良好的社會規範將有助於政策作用的發揮，因此在進行收入分配時，必須要注意相關的社會規範的培育。

（四）人工智慧與產業組織

毫無疑問，人工智慧技術的發展將對產業組織和市場競爭產生極為顯著的影響。它將通過影響市場結構、企業行為，進而影響到經濟績效，而所有的這些現象都將對傳統的規制和競爭政策提出新的挑戰。

1、人工智慧對市場結構的影響

人工智慧對於市場結構的影響是通過兩個渠道進行的。第一個渠道是技術的直接影響。使用人工智慧技術的企業可以獲得生產率的躍升，這將使它們更容易在激烈的市場競爭中勝出。同時由於人工智慧技術需要投入較高的固定成本，但邊際成本卻較低，因此這就能讓使用人工智慧的企業具有了較高的進入門檻。這兩個因素疊加在一起，導致了市場變得更為集中。第二個渠道是技術引發的企業形式變革。企業的組織形式是隨技術的變化而變化的。在人工智慧技術的衝擊下，平臺（Platform）正在成為當今企業組織的一種重要形式。由於平臺通常具有“跨邊網路外部性”，因而會導致“雞生蛋、蛋生雞”似的正反饋效應，這讓平臺企業可以迅速膨脹佔領市場，並形成一家獨大的現象。 綜合以上兩種因素，人工智慧技術的迅速發展推動了一批“超級巨星企業”企業的出現，並讓市場迅速變得高度集中。

需要指出的是，人工智慧對於市場結構的影響不僅反映在橫向關係上，還反映在縱向關係上。Shapiro and Varian（2017）指出，由於機器學習的特殊性，那些採用機器學習的企業更傾向於垂直聯合以獲取更多資料並削減機器學習的成本。根據這一理論我們可以預見，隨著人工智慧技術的發展，大型平臺企業對下游的併購趨勢將會加強，而推動這種併購整合的動因將不再是爭奪直接的利潤或市場份額，而是爭奪資料資源。

2、人工智慧對企業行為的影響

人工智慧技術的發展將會對企業的不少行為發生影響。很多以前難以採用的策略將會變成現實。

一個例子是演算法歧視（Algorithmic Discrimination）。在傳統的經濟學中，由於企業的資訊越蘇，“一級價格歧視”只在理論上出現。而在人工智慧時代，借用大資料和機器學習，企業將有可能對每個客戶精確畫像，並有針對性地進行索價，從而實現“一級價格歧視”，獲得全部的消費者剩餘。即使企業不進行“一級價格歧視”，人工智慧技術也能夠幫助他們更好地進行二級或三級價格歧視，從而更好地攫取消費者剩餘。

另一個例子是演算法合謀（Algorithmic Collusion）。合謀一直是產業組織理論和反壟斷法關注的一個重要問題。市場上的企業可以通過合謀來瓜分市場，從而提升企業利潤的目的。產業組織理論的知識告訴我們，企業的這種合謀會導致產量減少、價格上升、消費者福利受損。但是，在傳統的經濟條件下，由於存在資訊交流困難以及“囚徒困境”等問題，合謀是很難持久的。儘管從理論上講，重複博弈機制可以幫助企業合謀的實現，但事實上由於難以監督違約、難以懲罰違約，以及難以識別經濟資訊等問題的存在，這也很難真正達成。但隨著人工智慧技術的發展，過去很難達成的合謀將會變成可能。與過去不同的是，企業之間的合謀不再需要相互猜測合謀夥伴的行動，也無需要通過某個訊號來協調彼此的行為。只要通過某種定價演算法，這些問題都可以得到解決。在這種背景下，企業數量的多少、產業性質等影響合謀難度的因素都變得不再重要，在任何條件下企業都可以順利進行合謀。

除了演算法歧視以及演算法合謀外，人工智慧技術的發展還會引發很多新的競爭問題。例如，平臺企業可以藉助搜尋引擎影響人們的決策，或者通過演算法來影響人們在平臺上的匹配結果。

（五）人工智慧與貿易

人工智慧對於貿易產生的影響將是多方面的：其一，作為一種重要的技術進步，人工智慧將對要素回報率產生重大影響，並改變不同要素之間的相對回報狀況，這會讓各國的動態比較優勢狀況發生明顯的變化。其二，作為一個新興的產業，人工智慧的相關技術和人才也成為了貿易的重要物件，而各國的戰略性貿易政策將會對該產業的發展產生關鍵作用。其三，在微觀上，人工智慧的使用也將影響企業的生產率狀況，根據“新新貿易理論”，這將會影響企業的出口決策。

不過，目前在現有文獻中直接討論人工智慧與國際貿易的文獻還相對較少，就筆者所知，Goldfarb and Trefler（2018）是目前唯一一篇對這一問題進行專門討論的論文。在這篇論文中，兩位作者首先指出了人工智慧產業的兩個重要特點：規模經濟以及知識密集。人工智慧產業對於資料的依賴非常強，規模經濟的屬性決定了它們在人口基數更為龐大、各類交易資料更為豐富的國家（如中國）更容易得到發展。而知識密集的特徵則決定了知識的擴散、傳播方式將對各國人工智慧的發展起到重要影響。

在認識了人工智慧產業的基本特徵後，兩位作者討論了戰略性貿易保護政策在發展人工智慧產業過程中的有效性。在兩位作者看來，傳統的戰略性貿易保護文獻有一個重要的缺陷，即只有當存在著利潤時，戰略性貿易保護政策才是起作用的。但是，一旦產業由於政府的保護而產生了超額利潤，只要進入門檻足夠低，更多的企業就會進入這個產業，直至利潤被壓縮到零。而在這種情況下，戰略性貿易保護政策就失效了。由於人工智慧產業具有很強的網路外部性，所以在這個產業中有企業先行發展起來，其規模就為其構築起很高的進入門檻，這意味著即使產業有很高的利潤也不會有新企業繼續進入。在這種條件下，戰略性貿易保護政策就會變得更有效了。

兩位作者通過幾個模型對幾類政策，如補貼政策、人才政策，以及叢集政策的影響進行了討論。他們指出，這些政策究竟是否能成功，主要要看人工智慧所依賴的知識外部性究竟來自於本國範圍還是世界範圍。如果人工智慧依賴的知識外部性主要來自於本國，那麼政府就可以通過產業政策和戰略性貿易保護政策對企業進行有效扶持，從而讓企業在世界範圍內更具有競爭力。但如果人工智慧依賴的知識外部性是全世界範圍內的，由於知識的擴散會相當容易，因此以上政策的作用就不會明顯。

在論文的最後，兩位作者著重對隱私政策進行了討論。從經驗上看，更強的隱私保護會限制企業對資料的獲取，進而會阻礙以資料為關鍵資源的人工智慧產業的發展。因此，在實踐中，隱私保護政策經常被作為隱性的貿易保護政策來對付國外企業。但這兩位作者看來，這類政策也同時會損害本國企業，因此是不可取的。他們建議，出於支援本國企業的目的，政府可以採用其他一些扶持政策，例如資料本地化規則、對政府資料訪問的限制、行業管制、制定本地無人駕駛法規，以及強制訪問原始碼等。

（六）人工智慧與法律

人工智慧的興起帶來了很多新的法律問題。例如，人工智慧在一定程度上可以替代或輔助人進行決策，那麼在這個過程中人工智慧是否應該具有法律主體地位？在應用中，人工智慧需要利用其他裝置或軟體執行過程中的資料，那麼誰是這些資料的所有人，誰能夠作出有效的授權？在遭遇人工智慧造成的事故或產品責任問題時，應該如何區分人工操作還是人工智慧本身的缺陷？對於演算法造成的歧視、合謀等行為應當如何應對？……這些問題都十分實際，但卻充滿了爭議。限於篇幅，筆者只想對兩個問題進行專門討論，對於更多人工智慧引發的法律問題的探討，可以參考Pagallo（2013），Erzachi and Stucke（2016），Stucke and Grunes（2016）等著作。

1、人工智慧帶來的隱私權問題

現階段人工智慧的應用是和資料密不可分的。例如商家在利用人工智慧挖掘消費者偏好時，就必須依賴從消費者處蒐集的資料（包括身份資訊、交易習慣資料等）。對於消費者來講，讓商家蒐集這些資料將是有利有弊的——一方面，這些資料可以讓商家更充分地瞭解他們的偏好，從而為他們更好地服務；另一方面，消費者的這些資料被蒐集後也會帶來很多問題，例如可能被商家進行價格歧視，受到商家的推銷騷擾，在部分極端的情況下甚至可能因此而受到人身方面的威脅。

在資料的蒐集和交換不太頻繁的情況下，消費者在遭受因資料引發的麻煩時很容易追蹤到責任源頭，因此他們可以有效地對出讓資料而帶來的風險進行成本收益分析。在理性決策下，一些消費者會選擇自願出讓自己的資料。但是，隨著大資料和人工智慧技術的發展，這種情況發生了改變：（1）商家在蒐集了資料後可以更持久儲存，可以在未來進行更多的使用，因此消費者出讓資料這一行為帶來的收益和遭受的累積風險之間將變得十分不對稱；（2）由於現在商家蒐集資料的行為已經變得十分頻繁，當消費者遭受了資料相關的問題後也很難判斷究竟是哪個商家造成的問題，因此事實上就很難進行追責；（3）商家在蒐集消費者資料後，可能並沒有按照其事先向消費者承諾的那樣合理使用資料，而消費者卻很難懲罰這種行為。

在上述背景下，如何對資料使用進行有效治理，如何在保護消費者合法權益的基礎上有效利用資料就成為了一個需要尤其值得關注的問題。目前，對於人工智慧條件下如何保護消費者隱私的爭議很多，有學者認為應當由政府進行更多監管，有學者認為應當由企業自身進行治理，有學者則認為應該由民間團體組織治理。總體來講，幾種思路都各有其利弊，因此這一問題目前仍然是一個開放性問題。

2、人工智慧的產品責任問題

人工智慧及使用人工智慧技術的裝置（如機器人）可以大幅度提高生產率，但同時也會更大的使用風險。在這種背景下，界定人工智慧的產品責任，明確一旦發生了事故，究竟人工智慧製造者需要為此承擔多大責任，就成為了一個關鍵的問題。

在討論類似人工智慧這樣的高新技術的產品責任時，一個需要著重考慮的問題是責任劃分對創新激勵的影響。在一篇較近的論文中，Galasso（2017）對這個問題進行了討論。他建立了一個簡單的模型：企業可以選擇人工智慧產品的研發強度，研發強度會改變產品對企業帶來的收益，以及產品發生事故的概率。一旦事故發生，企業會承擔一個固定的損失，法律決定了發生事故時企業需要承擔的責任比例。Galasso求解了企業利潤最大化時企業的最優研發強度。結果發現，產品責任的劃分會影響產品的研發響度，要求企業承擔更多責任會增加安全產品的研發強度，減少危險產品的研發強度；反之，如果要求企業承擔更少責任會減少安全產品的研發強度，增加危險產品的研發強度。不過，只要研發帶來的收益足夠高，安全責任將不會對是否研發的決策產生影響，而只會改變邊際上的研發強度，從而影響技術革新的速度。據此，Galasso認為在考察人工智慧相關產品的產品責任問題時，應當十分重視其對創新的影響，並強調應該對成本收益的動態效應進行關注。

作為一門致用之學，經濟學是在回應現實發展的過程中不斷髮展的。每一次重大的技術進步都會帶來生產生活的巨大改變，而這些改變最終也會體現在經濟學上。第一次工業革命帶來的生產方式和階級結構的變化為李嘉圖、馬克思等經濟學家的研究提供了鮮活的素材；第二次工業革命帶來的經濟結構變化和社會結構的變化催生了巨集觀經濟學、產業經濟學、發展經濟學等經濟學分制；資訊革命則為產業組織、資訊經濟學和網路經濟學的應用提供了用武之地。

相比於之前的歷次技術進步，“人工智慧革命”所引發的衝擊更為巨大，其對經濟學造成的影響也將更為廣泛和深遠。相信在不久的將來，人工智慧將作為重要的研究工具和研究議題進入經濟學的主流。

在本文中，筆者對近期以來有關人工智慧的經濟學文獻進行了一些梳理和介紹，希望這些微小的工作可以為有志於研究人工智慧的經濟學者提供一些借鑑和幫助。由於這支文獻發展很快，所以這個綜述難免掛一漏萬，加之筆者水平所限，其中可能還會有不少錯誤，關於這些，還望各位讀者可以不吝批評指正。轉自 工業4俱樂部

本文系“產業智慧官”（公眾號ID：AI-CPS）收集整理，轉載請註明出處！

版權宣告：由產業智慧官（公眾號ID：AI-CPS）推薦的文章，除非確實無法確認，我們都會註明作者和來源。部分文章推送時未能與原作者取得聯絡。若涉及版權問題，煩請原作者聯絡我們，與您共同協商解決。聯絡、投稿郵箱：erp_vip@hotmail.com