财新传媒
《比较》 > 前沿 > 正文

人工智能与现代生产率悖论:预期与统计数据的冲突

来源于 《比较》 2019年第1期 出版日期 2019年02月01日
可以听文章啦!
文丨埃里克·布莱恩约弗森 丹尼尔·洛克 查德·西维尔森

  *Erik Brynjolfsson,麻省理工学院斯隆管理学院教授,美国国民经济研究局研究员;Daniel Rock,麻省理工学院斯隆管理学院教授;Chad Syverson,芝加哥大学布斯商学院教授,美国国民经济研究局研究员。感谢作者授权发表。——编者注

  本文在美国国民经济研究局第24001号工作论文的基础上做了一些小修改。感谢Eliot Abrams、Ajay Agrawal、David Autor、Seth Benzell、Joshua Gans、Avi Goldfarb、Austan Goolsbee、Guillaume Saint-Jacques、Andrea Meyer、Manuel Tratjenberg,以及2017年9月人工智能与经济学NBER研讨会的众多与会者。特别是,Rebecca Henderson对早期版本进行了详细而有益的评论,Larry Summers提出了与J曲线的类比。另外,麻省理工学院数字经济倡议项目(Initative on the Digital Economy)为这项研究提供了部分慷慨资助。

  围绕近期总体生产率增长模式的讨论凸显了一个看似矛盾的问题。一方面,有令人惊讶的例子显示,潜在的变革性新技术可以大大提高生产率和经济福利(Brynjolfsson and McAfee,2014)。早先也有一些具体迹象呈现了这些技术的前景,最近人工智能(AI)性能上的飞跃就是最突出的实例。然而与此同时,过去10年测算到的生产率增长显著放缓。这一减速幅度很大,在经济放缓前的10年里,生产率增长减少了一半甚至更多。这种减速也很普遍,已经发生在整个经合组织(OECD)成员国,最近更蔓延到许多大型新兴经济体(Syverson,2017)。(*1.关于潜在的技术进步,一场类似但更悲观的激烈争论是:机器人从越来越多工人手里抢走工作(例如Brynjolfsson and McAfee,2011;Acemoglu and Restrepo,2017;Bessen,2017;Autor and Salomons,2017)。)

  因此,我们似乎正在面临“索洛悖论”(Solow,1987)的重演:到处都能看见变革性新技术,但在生产率统计数据中却看不见它们。

  本文回顾了现代生产率悖论的证据和解释,并提出解决方案。换句话说,前瞻性的技术乐观主义和事后的失望之间并无内在矛盾。两者可以同时存在。实际上,当经济经受与变革性技术相关的结构调整时,理论上,我们有充分的理由认为它们会同时存在。本质上,在技术变革时期,未来公司财富的预测者和历史经济表现的测量者表现出最大的分歧。在本文中,我们将论证经济正处于这样一个阶段。

技术乐观主义的来源

  联合利华首席执行官保罗·波尔曼(Paul Polman)最近感叹:“技术创新的速度从未如此之快。”同样,微软联合创始人比尔·盖茨发现,“创新正以惊人的速度发展”。科斯拉风险投资公司(Khosla Ventures)的维诺德·科斯拉(Vinod Khosla)认为:“在未来10年、15年、20年内……技术进步将迅猛加速。”谷歌母公司Alphabet的埃里克·施密特(Eric Schmidt)更是相信:“我们正在进入……富足时代,在富足时代,我们将见证一个新时代……智能的时代。”(*1.https://www.khoslaventures.com/fireside-chat-with-google-co-founders-larry-page-and-sergey-brin.https://en.wikipedia.org/wiki/Predictions_made_by_Ray_Kurzweil#2045:_The_Singularity.https://www.theguardian.com/small-business-network/2017/jun/22/alphabets-eric-schmidt-google-artificial-intelligence-viva-technology-mckinsey.)类似的断言在技术领袖和风险资本家中尤其常见。

  这些断言某种程度上反映了信息技术(IT)在许多领域的持续发展,从核心技术进步,比如基础计算机能力加倍(但基数越来越大),到成功投资必需的互补性创新(complementary innovations),比如云基础设施和新的服务型商业模式。但乐观主义的更大源泉在于最近人工智能的进步浪潮,特别是机器学习。机器学习是第一波计算机化浪潮掀起的根本转变。历史上,大多数计算机程序都是通过对人类知识进行精心编码,将输入映射到程序员规定的输出而创建。相反,机器学习系统主要使用各种一般算法(例如神经网络)单独计算相关映射,通常依靠输入非常庞大的样本数据集。借助这些利用总体数据增长及数据处理资源的机器学习方法,机器在感知和认知方面取得了令人瞩目的进步,这可是大多数人类工作的两种基本技能。例如,在ImageNet(一个含有1000多万张图像的大型可视化数据库)上标记照片内容的错误率,已经从2010年的超过30%下降到2016年的低于5%,最近在2017年大规模视觉识别挑战赛(ILSVRC2017)中使用SE-ResNet152产生的错误率更是降至2.2%(见图1)。(*1.http://image-net.org/challenges/LSVRC/2017/results.ImageNet含有每个图像的标注,它们最初由人类提供。譬如,有339000个标记为花,1001000个标记为食物,188000个标记为水果,137000个标记为真菌,如此等等。)Switchboard语音数据库的语音识别错误率(通常用于衡量语音识别的进展),从2016年的8.5%下降到2017年的5.5%(Saon et al.,2017)。5%的阈值很重要,因为这大致就是人类在相同测试数据上执行这些任务时的表现。

1

  尽管尚未达到人类专业表现的水平,但脸书(Facebook)的人工智能研究团队最近已然采用卷积神经网络序列预测技术,改进了现有的最佳机器语言翻译算法(Gehring et al.,2017)。另外,深度学习技术与增强式学习相结合,成为一套强大的技术,用于生成控制和操作系统,通过这些系统训练,自治智能体(autonomous agents)在给定环境下采取行动,最大限度地提高未来的回报。虽然这个领域刚刚起步,但是进展令人难忘。而谷歌的DeepMind(深度思维)公司,除了在围棋比赛中获胜,还在许多雅达利游戏中展示了超凡的表现(Fortunato et al.,2017)。

  这些都是值得关注的技术里程碑。它们甚至有可能改变经济格局,为创造商业价值和降低成本创造新的机会。例如,一个使用深层神经网络的系统和21名经过认证的皮肤科医生的对比测试表明,两者在诊断皮肤癌方面的表现旗鼓相当(Esteva et al.,2017)。还有脸书,每天运用神经网络进行45亿多次翻译。(*2.https://code.facebook.com/posts/289921871474277/transitioning-entirely-to-neural-machine-translation/.

  越来越多的公司对这些机会做出响应。如今,谷歌将其重点定位为“人工智能第一”,微软CEO萨提亚·纳德拉(Satya Nadella)则表示人工智能是技术领域的“终极突破”。他们对人工智能的乐观绝不止于空口白话,而是大量投资于人工智能,苹果、脸书、亚马逊也不例外。到2017年9月,这些公司成为世界上最有价值的五大公司。与此同时,以科技股为主的纳斯达克综合指数(NASDAQ composite index)在2012年至2017年间翻了一倍多。据调研公司CBInsights称,全球对专注人工智能的私营公司的投资增长得更快,从2012年的5.89亿美元增加到2016年的逾50亿美元。(*1.交易数量从160宗增加到658宗。参见https://www.cbinsights.com/research/artificial-intelligence-startup-funding/

  [《比较》印刷版,点此订阅,随时起刊,免费快递。]

版面编辑:吴秋晗
  • 此篇文章很值
  • 赞赏激励一下

首席赞赏官虚位以待

财新私房课
好课推荐
财新微信


热词推荐
十八届五中全会 收官 全国人大常委会 龚正 黄坤明 印度经济 王晓东 诚通集团 全面深化改革 宋卫平 东北特钢集团 tpp协议 bdi 医学生 陈小鲁