如果使用得當,人工智慧可以顯著加快經濟增長,並幫助實現生產率增速的反彈。
疫情後,全球經濟受到多方面的困擾:經濟增速放緩、出現了數十年來最持久的通脹、可持續性進展有限,以及高昂借貸成本拖累了投資(包括能源轉型所需的大規模投資)。然而,或許最大的不利因素是自全球金融危機以來生產率增長的疲軟。
供給側的限制導致了經濟增速放緩、新通脹壓力出現、資本成本上升、財政陷入困境和財政空間收縮,以及實現可持續發展目標方面的挑戰——而人工智慧(AI)是我們解除這些限制的最佳機會。原因在於,AI 不僅具有扭轉生產率下降趨勢的潛力,而且還可能帶來生產率的持續大幅提升。
當然,這需要時間。羅伊 · 阿瑪拉(Roy Amara)定律在這裡同樣適用,就像適用於過去的技術轉型一樣:我們總是高估(技術的)短期影響,而低估其長期影響。我的最佳猜測(這只是一種猜測,基於當前的投資模式)是,到本十年末,我們可能會開始看到 AI 對勞動生產率的深刻影響。
所有這一切,都是三股強大力量碰撞的結果。
首先是衝擊,包括大流行病、氣候變化、地緣政治緊張局勢、國家主義捲土重來,以及在實施國際經濟政策時對國家安全問題的關注度日益增加。這些日益嚴重和頻繁的動盪正在使全球供應網路朝著更加多元化和更具韌性的方向發展。但這是一種代價高昂的壓力,也是引發通脹壓力的因素之一。
例如,蘋果公司正在加大其製造業向印度轉移的規模,而目前印度產蘋果手機佔比為 15%。同時,只有韓國和中國臺灣省生產(而非設計)最先進的半導體,從國家安全的角度來看,這種安排不可持續。
旨在將重要供應鏈轉回國內或至少轉到友好國家的政策舉措,增強了資源獲取的多元性,同時也讓對手國家難以獲得商品、技術和資本。其中一些保護主義政策是為了保護國內勞動者免受來自國外的競爭。
其結果是全球供應網路在疫情之後迅速割裂——這些供應網路的聯絡在二戰之後一度變得更加緊密。隨後,供應鏈在很大程度上遵循了經濟學的標準:效率和比較優勢。現在,我們已不可能在最大限度增強韌性的同時儘可能縮減成本了——而且我們也不再儘可能地縮減成本。在眾多因素中,這種結構性轉變已經加劇了通脹壓力。
縱然新冠疫情引起的供應鏈壓力已有所緩解,但第二組相互碰撞的力量已體現在長期趨勢中,而這些長期趨勢進一步降低了經濟的供給韌性並推升了成本。這些趨勢包括不斷下降的生產率,這在發達經濟體中尤為明顯。
這些趨勢還包括佔全球產出 75% 以上的經濟體出現了人口老齡化。生育率下降和壽命延長正在使勞動力的增長放緩(或使勞動力減少),導致勞動者人數減少,而需要照顧的老年人數量增多。若依靠社會保障制度,在中央銀行利率居高不下的情況下,這種情況會帶來財政壓力。令人驚訝的是,許多發達經濟體在其高就業部門都出現了勞動力短缺。在總需求強勁的情況下,這阻礙了經濟增長並加劇了通脹壓力,美國尤其如此。德國也遇到了類似的勞動力供給問題。
疫情的影響包括許多經濟體主權債務水平的上升。目前,全球主權債務已超過全球 GDP 並仍在繼續攀升,而美國當前的主權債務率已超過 120% 的門檻值。歐洲的這一比率為 88.6%,希臘、義大利、西班牙、法國、比利時和葡萄牙的比率高於平均水平(其中希臘和義大利大幅高出平均水平)。中國的主權債務水平看起來更低,但不包括國有企業債務,而國有企業是企業部門的重要組成部分。這在一定程度上可以用疫情期間的大規模支出來解釋,其目的是拯救生命、防止企業倒閉以及避免個人和企業資產負債表的損失。在利率上升的情況下,需求仍然保持韌性的一個原因正是在於:與全球金融危機時相比,疫情中資產負債表的損失要小得多。
最後,在第二組力量中,與新興市場經濟體增長和全球經濟(尤其但不限於中國)產能大幅增加相關的、持續數十年的強大通縮力量正在消退。
發展經濟學家將此稱為 “劉易斯拐點”。在這個增長階段,新興市場經濟體傳統部門中未充分就業和未充分利用的勞動力在很大程度上被城市化和聯絡更緊密的經濟成分所使用和吸收。
生產率的情況值得特別關注。從 1998 年到 2007 年,美國生產率的平均增速為 1.68%,在此期間,許多美國人接入了網際網路,後來還用上了行動電話。隨後,從 2010 年到 2019 年,生產率增速放緩至 0.38%。
這種下降體現在經濟的方方面面。儘管可貿易商品和服務部門僱用的勞動者不足四分之一,但其生產率往往更高,然而這些部門的生產率增速也在放緩,從 4.27% 下降到 1.23%。規模龐大且生產率較低的非貿易服務業的生產率增速從 0.73% 下降到實際為零。
一個令人吃驚的事實是,儘管最近生產率增速疲軟,但相對於包括整個歐洲在內的其他發達經濟體而言,美國的表現一直十分亮眼。歐洲增長率和生產率滯後的部分原因是數字技術的採用和部署速度和效率較低,以及相對於美國和中國而言,其科技行業發展落後。
新冠疫情期間,歐洲的生產率指標略有上升,這主要是因為生產率較低的行業部分停工停產,而生產率較高的行業則轉為遠端辦公。我們還需要更多資料來了解這種回升是否會持續,但我們在其他發達經濟體中也看到了類似的模式。
這兩組力量的綜合作用,使經濟以相對較快的速度,從需求限制型增長轉向了供給限制型增長。經濟增長乏力。通脹持久存在。實際利率仍處高位。包括我在內的許多經濟學家認為,我所描述的結構性環境意味著,借貸成本很可能會保持高位,並且肯定高於全球金融危機後的十年。這很可能會給投資界帶來重大變化,包括將資本成本和貼現率保持在更高水平,以及壓低估值。
值得注意的是,投資者對很可能出現的利率路徑存在分歧,並會改變其看法。例如,去年作出的關於美聯儲將在今年開展七次 25 個基點的降息這一預期很快就破滅了。市場現在正預期美聯儲今年將會降息一到兩次。市場預期可能會進一步認為利率將在更長時間內維持更高水平,而結構性環境也指向了這一點。
這就談到了第三組相互碰撞的力量:科學和技術。目前,至少有三項革命正在進行。第一項是長達數十年的數字化轉型,現在正因 AI 的突破性進展而提速。第二項是生物醫學和生命科學領域的變革。第三項是支撐向可持續能源轉型的技術。
這三項變革都得到了充足投資的支援。進步的加快不僅是因為受到了技術突破的推動,而且還源於一系列強大工具的推動——它們的成本正在下降,而可用性則有所提高。過去十年中,太陽能的成本大幅下降。從先進半導體到 DNA 測序,再到公共資料庫中免費提供的數億種蛋白質的三維模型,其他領域的技術進步也大幅出現。
開發這類技術並將其用於生產用途,將刺激世界經濟出現重大的結構性變化。我們無法預測這些變化所預示的全部範圍,但其影響肯定是巨大的。
新興技術能夠持續提升生產率,正如我去年在一篇關於生成式 AI 的潛力的文章中所論述的——該文為我與谷歌公司的詹姆斯 · 曼尼卡(James Manyika)合著。這與諸如麥肯錫全球研究院等方面的估計是一致的。
生成式 AI 是第一個具有類似人類能力的 AI,可以在多個領域中執行,並且能僅根據對話指令檢測和切換領域。它能夠討論通脹,編寫計算機程式碼,做一些數學運算——儘管其還在進一步開發之中。其超人般的模式識別能力使其成為功能強大的數字助手。比起完全自動化,更理想的模式是人機協作,其有時被稱為 “增強智慧”(augmentation)。
傑弗裡 · 辛頓(Geoffrey Hinton)是現代神經網路 AI 的先驅,他對 AI 的影響有著特殊的理解。他以一位經驗豐富的醫生為例進行了說明。雖然這位醫生可能已經治療了數千名患者,但醫療 AI 卻能夠回顧並吸收數十萬名患者病例。這樣,醫療 AI 對有經驗的醫生而言如虎添翼,而對於那些經驗不足的醫生來說更是大有助益。這與關於 AI 在其他領域(如客戶服務)應用的研究發現一致,在這些領域,AI 數字助理透過以往的互動訓練,總體上帶來了生產率的大幅提升,甚至為經驗不足的工作人員帶來了更大的助益。
AI 是一項通用技術,在整個經濟體系中都有應用,無論是按部門還是按工作型別劃分。這一點非常重要,因為只有通用技術才能帶來整個經濟範圍內的生產率的大幅提升。
AI 應用已經被內建到手機等個人裝置中,這在一定程度上要歸功於先進的半導體技術。
儘管如此,要實現 AI 更大的潛力,還需要克服更多挑戰。其中一項挑戰是實施監管以防止技術和資料的濫用。這一降低風險的監管議程正在全球範圍內進行。
另一項挑戰是克服自動化偏見,或埃裡克 • 布林約爾松(Erik Brynjolfsson)所說的 “圖靈陷阱”——它是指一種完全實現自動化並取代人類的強烈傾向。
這是存在於媒體、業界和政策討論中的普遍觀點。對就業急劇下降的普遍擔憂反映了這一點。
或許最重要的政策問題與潛在收益有關。為了讓 AI 逐步實現其對經濟的全面影響,就必須使所有經濟部門以及大大小小的企業都能用上它。毫無疑問,在技術和金融等行業開展的大規模投資將產生重大影響,但 AI 的應用需要進入存在大規模就業的部門,而這些部門(如政府、醫療保健、建築和接待服務業)在引入 AI 方面往往會滯後。在 AI 時代之前開展的數字技術採用研究表明,這種廣泛擴散的模式並不一定會出現,而是可能甚至很可能完全取決於市場力量的分化。
與各方對降低風險和 AI 技術濫用的高度關注相比,目前支援 AI 的可得性、傳播和技能以幫助實現 AI 的全部潛力的政策較為薄弱。加大後者的政策力度而不放棄前者,是政策再平衡的重要內容。這並不是提倡由政府來挑選出贏家或國家冠軍企業。相反,有效的競爭政策應成為一攬子政策的一部分。此外,重點需要部分放在可能在技術發現和採用方面滯後的部門和企業,例如中小企業。而且,由於工作崗位將隨著 AI 技術應用的出現而變化,因此應優先關注技能再培訓和新技能的獲取。
AI 的潛在收益遠遠超過應對疫情後的生產率和增長方面的挑戰。這些收益將影響從生物學到物理學和材料科學的科技研究,並在能源轉型過程中發揮關鍵作用。
人才、計算能力和快速增長的電力需求是構建能力日益增強的生成式 AI 模型的主要障礙。資料可用性並不是主要的制約因素。網際網路上有著可用於訓練的充足資料。當然,有些 AI 不屬於強大且重要的生成式 AI 類別。AlphaFold 就是一個例子,它是一個預測蛋白質三維結構的 AI 系統。要應用此係統,您需要投入專門的生物學資料和有關蛋白質摺疊原理的專業知識。
同樣,推動生成式 AI 發展的大型平臺也確實擁有依賴個人資料和高度精確定位的商業模式。但是,大語言模型等模型的訓練,不需要敏感的個人資料。
這些系統足夠強大,能夠訓練具有數十億個引數的模型,它們主要存在於私人部門的雲端計算系統中,大部分位於美國和中國。這一點,再加上人才競爭,使科學界和學術界陷入了不利的境地。將計算基礎設施擴充套件成一個由研究人員和創新人員組成的廣泛社群,是一項必不可少的重要政策步驟。這將以民主的方式建立一個開放社群,並使其在學術和私人創新之間保持良好的平衡。實現這種平衡將支援技術的廣泛傳播。
歐洲在開發和應用 AI 方面有可能將落後於美國和中國,原因有三。一是歐盟對基礎研究的資金投入相對不足。二是歐盟在支援研究的計算能力方面落後。三是未能充分利用規模龐大的歐洲經濟。由於數字和 AI 技術的固定開發成本高,而可變成本相對較低,因此大規模應用是決定投資回報率的巨大優勢。歐洲資本市場仍然較為割裂;服務市場一體化尚未完成,並受到國家層面監管割裂的阻礙。這種情況是否會持續下去,或是在近期的歐洲議會選舉後改弦易轍,還有待觀察。提交給歐盟委員會的兩份報告——一份來自恩里科 · 萊塔(Enrico Letta),另一份來自馬里奧 · 德拉吉(Mario Draghi)——主張增加對數字技術的投資。
中國是一個 AI 強國。印度在數字技術方面根基牢固,擁有龐大且不斷增長的國內市場以及深厚的工程人力資本儲備,很可能會成為一股不斷增長的力量。
其他新興市場經濟體可能會從 AI 應用中獲益良多,但至少在未來幾年內,它們將主要成為大多產生於美國和中國的先進 AI 技術的消費國。
AI 將在未來幾十年內推動大規模的結構變化和顛覆。雖然部分群體會因自動化或生產率的快速提升而失去工作,而另一部分群體將被僱用並從事由 AI 技術創造的新工作,但受到最大影響的是處於中間位置的勞動者。在這個中間位置,工作崗位不一定會消失,但卻會發生變化。這將是一個顛覆性的過程,需要不同的技能和大量的組織變革。私人部門和公共部門都將發揮重要作用,以確保順暢實現轉型。
如果能出臺政策幫助 AI 技術在整個經濟中加速傳播,那麼 AI 能夠顯著加快經濟增長,並幫助生產率增長實現反彈。而且,如果 AI 技術放鬆了作為造成通脹的部分原因的供給側限制,那麼它將能逐漸間接降低實際利率和資本成本。在一個需要數萬億美元的投資來改變能源效率和綠色轉型方程式的世界裡,這將很有幫助。在全球經濟面臨的老齡化問題方面,AI 將幫助更年輕的勞動人口為更年老的群體提供支援,而不必作出過度的犧牲。
儘管經濟增長面臨衝擊和長期不利因素,但我們確實擁有促進全球經濟增長、提升包容性和可持續性的人才和工具——但前提是我們有積極而明智地使用這些人才和工具的意願。
本文作者
邁克爾 • 斯賓塞(Michael Spence)
胡佛研究所高階研究員