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
文丨埃里克·布莱恩约弗森 丹尼尔·洛克 查德·西维尔森

对生产率持乐观态度的技术理由

  简单地预测近期的生产率增速并非预测未来10年生产率增长的好方法。可这是否意味着人们根本无法预测生产率增长?我们并不这么认为。

  我们不依赖过去的生产率统计数据,而是考虑在不久的将来期望看到的技术创新环境。特别是,我们需要研究和了解实际存在的具体技术,并评估其潜力。

  我们不需要太深入地研究现有技术,也不需要从任何一种技术中获取巨大利益,才能证明这些处于萌芽阶段的现有技术可以结合起来,对总体生产率增长产生明显的促进作用。大家先来看一些具体例子,我们将证明人工智能是一种通用技术,具有更广泛的含义。

6

  首先,考虑自动驾驶汽车的生产潜力。根据美国劳工统计局(BLS)的数据,2016年,有350万人在私营部门从事各种“机动车操作”的工作(包括卡车司机、出租车司机、公共汽车司机和其他类似职业)。假设在某段时间里,自动驾驶车辆可以把完成当前工作量所需的驾驶员数量减至150万人。鉴于该项技术的潜力,我们认为这一前景并非遥不可及。2016年中,非农业私营部门就业人数为1.22亿人。因此,自动驾驶汽车可把实现相同产出所需的工人数量减至1.2亿人。这将导致总劳动生产率(使用标准BLS非农私营序列数据计算)提高1.7%(=122/120)。假设这种转变发生在10年之内,那么单此项技术将直接促进该10年里生产率每年增长0.17%。

  这个收益十分显著,这还没包括自动驾驶汽车普及可能引发的互补变化带来的潜在生产率增长。例如,自动驾驶汽车是对交通服务的自然补充,不同于个人拥有汽车。目前,一般车辆有95%的时间是闲置的,以便车主或主要用户随时使用(Morris,2016)。然而在人口密度足够大的地方,人们可以根据需要召唤自动驾驶汽车。这可使汽车能够在更多时间内提供有用的运输服务,即便计入汽车磨损的增加,也可降低每位乘客每英里的资本成本。因此,替代驾驶员除了显著提高劳动生产率之外,也将显著提高资本利用率。当然,技术采用的速度对于评估技术的影响十分重要。莱维(Levy,2017)就较为悲观地指出,从近期看长途卡车司机的就业将在2014—2024年增长约2%。这比不采用自动驾驶汽车技术时的就业增长减少3%(这类工作有近55000个工作岗位),约占长途卡车司机总就业人数的3%。

7

  第二个例子是呼叫中心。截至2015年,美国约有220万人在超过6800个呼叫中心工作,另有数十万人在家里或小型站点担任呼叫中心代理。(*1.https://info.siteselectiongroup.com/blog/how-big-is-the-us-call-center-industry-compared-to-india-and-philippines.)语音识别系统的改进与智能问答工具(如IBM公司的沃森)相结合,大概能够处理60%—70%或更多的呼叫电话,特别是根据帕累托原则,很大一部分呼叫量都可归因于少量基本查询的变化。如果人工智能使工人数量减少60%,那么美国的劳动生产率将提高1%,甚至10年内还会继续升高。同样,这可能刺激互补性创新,从购物推荐和旅行服务到法律建议、咨询建议和实时个人辅导。相应地,莱维援引人工智能辅助客户服务方面的进展,预测2014—2024年客户服务代表的人数将是零增长,与美国劳工统计局的预测相差26万个工作岗位(Levy,2017)。

  除了节省劳动力,人工智能的进步还可能提高全要素生产率。尤其是,许多大型工厂的能源效率和材料使用可以得到改善。譬如,谷歌深度思维团队最近训练了一组神经网络,以期优化数据中心的耗电量。通过仔细跟踪从数千个传感器收集到的数据,分析温度、用电量以及泵转速,系统学会了如何调整操作参数。结果,与人类专家达到的水平相比,人工智能可以将用于冷却的能量减少40%。该算法是一种旨在计算复杂动力学问题的通用框架,所以人们很容易弄懂这类系统如何应用于谷歌或世界各地的其他数据中心。总体而言,美国数据中心的电力成本每年约为60亿美元,其中约20亿美元专门用于制冷。(*1.根据2017年8月24日与劳伦斯伯克利实验室Jon Koomey、Arman Shehabi和Sarah Smith的个人交流。

  此外,机器学习的类似应用可以在各种商业和工业活动中实施。例如,制造业每年的增加值约为2.2万亿美元。像通用电气这样的制造公司已经在使用人工智能预测产品需求和未来的客户维护需求,同时分析来自其资本设备传感器的性能数据。最近,训练深层神经网络模型感知物体并实现感觉运动控制的研究,已经生产出能够执行各种手眼协调任务(比如拧开瓶盖和挂衣架)的机器人(Levine et al.,2016)。一些学者(Liu et al.,2017)还运用一种名为“模仿学习”的技术训练机器人做家务,譬如扫地或把杏仁倒进锅里。(*2.以下是这类活动的视频网址:https://sites.google.com/site/imitationfromobservation/)在这个方法中,机器人根据原始视频演示,学习如何执行它的任务。这些技术对未来自动化制造流程无疑具有重要意义。研究结果表明,人工智能可能很快也会提高家庭生产任务的生产率,2010年,家庭生产任务的非市场增加值高达2.5万亿美元(Bridgman et al.,2012)。(*3.或许能缓解人工智能驱动生产率增长总体影响的一个因素是,对具有最大人工智能生产率增幅的行业的产品需求缺乏足够弹性。在这种情况下,这些行业在总支出中的占比将缩小,活动将转向增长较慢的部门,并使总体生产率增长减缓(参见Baumol and Bowen,1966)。目前尚不清楚哪类产品的需求弹性最有可能受到人工智能的影响。

  虽然这些例子无不暗示了显著的生产率增长,但到目前为止,它们只是人工智能和机器学习应用程序的一小部分。詹姆斯·曼伊卡(James Manyika)和同事分析了2000项任务,预测在美国经济中,大约45%的有偿活动可以使用现有的人工智能和其他技术实现自动化。他们强调,自动化的速度将取决于技术可行性以外的因素,包括自动化的成本、监管障碍和社会接受度。

  [《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

财新微信