📢 转载信息
原文作者：David Rotman and Richard Waters
欢迎回到《AI 现状》（The State of AI），这是 《金融时报》与 《麻省理工科技评论》合作推出的新系列。在接下来的两周里，每周一，来自两家出版物的作者将就重塑全球格局的生成式 AI 革命的一个方面进行辩论。
本周，《金融时报》专栏作家、前西海岸编辑 Richard Waters 与 《麻省理工科技评论》特约编辑 David Rotman 讨论了 AI 对就业市场的真正影响。
额外福利：如果您是《麻省理工科技评论》的订阅者，您可以与 David 和 Richard，以及《麻省理工科技评论》主编 Mat Honan，于美国东部时间 12 月 9 日星期二下午 1 点，就此主题进行独家在线对话。 点击此处报名参加。
Richard Waters 撰文：
任何深远的新技术在普及方面总是存在不均衡性，但很少有技术像生成式 AI 这般不均衡。这使得评估它对个体企业乃至整个经济生产力的可能影响变得困难。
在一端，AI 编码助手彻底改变了软件开发人员的工作。马克·扎克伯格最近预测，一年内 Meta 公司一半的代码将由 AI 编写。而在另一端，大多数公司对其初步投资几乎没有或看不到任何收益。麻省理工学院的一项广为引用的研究发现，到目前为止，95% 的生成式 AI 项目产出零回报。
这为那些坚持认为生成式 AI 本质上是一种易产生幻觉的概率性技术，永远不会对企业产生深远影响的怀疑论者提供了弹药。
然而，对于许多技术史学家来说，缺乏即时影响只是转型性新技术通常伴随的“正常延迟”。埃里克·布林优夫森（Erik Brynjolfsson）当时是麻省理工学院的助理教授，他在 20 世纪 90 年代初首次描述了他称之为“IT 生产力悖论”的现象。尽管有大量轶事证据表明技术正在改变人们的工作方式，但这种变化并未在总体数据中以更高的生产力增长形式体现出来。布林优夫森的结论是，企业只是需要时间来适应。
对 IT 的大规模投资最终在 20 世纪 90 年代中期开始，带来了美国生产力增长的显著反弹。但这种增长在十年后减弱，并随后出现了第二次低迷期。
在 AI 的案例中，企业需要在指望看到成效之前，建立新的基础设施（特别是数据平台）、重新设计核心业务流程，并对员工进行再培训。如果说滞后效应解释了效果缓慢的原因，那么至少有一些理由让人保持乐观：将生成式 AI 推广到更广泛的商业用户所需的大部分云计算基础设施已经到位。
机遇和挑战都非常巨大。一家财富 500 强公司的一位高管表示，其组织对分析的使用情况进行了全面审查，并得出结论，其员工的总体价值贡献甚微或为零。用 AI 取代低效的人工劳动和淘汰旧软件可能会带来显著成果。但是，正如这位高管所说，这种彻底的改革将需要对现有流程进行重大调整，并且需要数年时间才能完成。
目前已出现一些令人鼓舞的早期迹象。美国生产力增长率在十多年半的时间里一直徘徊在 1% 到 1.5% 之间，去年反弹至 2% 以上。今年前九个月可能也达到了同一水平，尽管由于近期美国政府停摆，官方数据缺失，这无法得到证实。
但我们无法确定这种反弹将持续多久，也无法确定其中有多少可以归因于 AI。新技术的影响很少是孤立存在的。相反，它们会带来复合效应。AI 正是受益于早期在云计算和移动计算方面的投资。同样，最新的 AI 热潮可能只是更广泛影响经济的领域（如机器人技术）中突破的前兆。ChatGPT 也许抓住了大众的想象力，但 OpenAI 的聊天机器人不太可能成为最终的赢家。
David Rotman 回复：
这正是我目前对人工智能最感兴趣的讨论话题：AI 将如何影响整体经济生产力？忘掉那些迷人的视频、陪伴的承诺以及完成繁琐日常任务的代理人前景——底线是 AI 能否促进经济增长，而这意味着提高生产力。
但是，正如你所说，很难确定 AI 究竟是如何影响这种增长，以及未来将如何影响。埃里克·布林优夫森预测，像其他所谓的通用技术一样，AI 将遵循一条 J 形曲线：初期由于企业在技术上投入巨大，生产力影响缓慢甚至呈负面，然后才能收获回报。接着就是繁荣期。
然而，有一个反例削弱了“再等等看”的论点。IT 带来的生产力增长在 20 世纪 90 年代中期有所上升，但自 2000 年代中期以来却相对低迷。尽管出现了智能手机、社交媒体以及 Slack 和 Uber 等应用程序，但数字技术对实现强劲的经济增长几乎没有起到作用。强劲的生产力提升从未出现。
麻省理工学院经济学家、2024 年诺贝尔奖得主达龙·阿西莫格鲁（Daron Acemoglu）认为，生成式 AI 带来的生产力收益将远小于 AI 乐观主义者所认为的，并且所需时间也会长得多。原因是，尽管这项技术在许多方面令人印象深刻，但其关注点过于狭隘，与最大的商业领域关联不大。
你引用的关于 95% 的 AI 项目缺乏业务效益的统计数据很能说明问题。
以制造业为例。毫无疑问，某种形式的 AI 可以提供帮助；想象一下工厂车间的工人拍下一张问题图片并向 AI 代理寻求建议。问题在于，开发 AI 的大科技公司对解决这种单调任务并不真正感兴趣，而它们庞大的基础模型大多是在互联网上训练的，对此帮助不大。
很容易将 AI 迄今为止缺乏生产力影响归咎于商业实践和员工培训不足。你提到的那位财富 500 强公司高管的例子听起来非常熟悉。但更有价值的是要问，如何训练和微调 AI，才能为护士、教师以及工厂车间的人员等工人提供更多能力并提高他们的工作效率。
这个区别很重要。最近宣布大规模裁员的一些公司将 AI 列为原因。然而，令人担忧的是，这可能只是短期成本削减的手段。正如布林优夫森和阿西莫格鲁等经济学家所同意的那样，AI 的生产力提升将来自于它被用于创造新型工作岗位和增强工人能力时，而不是仅仅用于削减工作岗位以降低成本时。
Richard Waters 回应：
大卫，看来我们都持谨慎态度，所以我将尝试以积极的基调结束。
一些分析认为，现有工作中很大一部分在当今 AI 的能力范围之内。麦肯锡估计有 60%（而阿西莫格鲁的估计是20%），并将整个经济的年生产力增长潜力定为高达 3.4%。此外，像这样的计算是基于对现有任务的自动化；正如你所暗示的，对现有工作的增强作用（不仅在经济层面）将是额外的奖金。
成本削减似乎总是任何新技术首先要考虑的事情。但我们仍处于早期阶段，而且 AI 的发展速度非常快，所以我们总能抱有希望。
延伸阅读
《金融时报》首席经济评论员马丁·沃尔夫（Martin Wolf）一直对技术投资是否能提高生产力持怀疑态度，但他认为 AI 可能会证明他是错的。负面影响是：失业和财富集中可能导致“技术封建主义”。
《金融时报》的 Robert Armstrong 认为，数据中心投资的繁荣不必以衰退告终。最大的风险在于债务融资在建设过程中可能扮演了过大的角色。
去年，David Rotman 在《麻省理工科技评论》上撰文探讨了我们如何确保 AI 有助于提高生产力，以及需要进行哪些路线修正。
David 还撰写了这篇文章，讨论了我们如何最好地衡量基础研发（R&D）资金对经济增长的影响，以及为什么其影响往往比我们想象的要大。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区