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

人工智能是一种通用技术

  人工智能的具体应用固然重要,不过我们认为,人工智能、机器学习以及相关新技术的更重要的经济影响源于它们体现了通用技术的特征。布雷斯纳汉和特拉伊滕贝格(Bresnahan and Trajtenberg,1996)指出,通用技术应该具有普遍性,可以随着时间推移得到改进,并且能够孕育互补性创新。

  蒸汽机、电力、内燃机和计算机都是通用技术的经典实例。它们不仅直接提高生产率,更是催生了重要的互补性创新。例如,蒸汽机除了帮助从煤矿坑中抽水(这是其最重要的初始应用),还刺激发明出更有效的工厂机械,推动了轮船、铁路等新型交通工具的出现。反过来,这些共同发明促成供应链和大规模营销的创新,产生了拥有数十万员工的新组织,甚至激发了看似不相关的创新,比如管理铁路时刻表所需的标准时间。

  人工智能,尤其是机器学习,必定具有普及的潜力,能够随着时间推移不断进步,同时产生互补性创新,令自身成为重要的通用技术。

  正如一些学者(Agrawal、Gans and Goldfarb,2017)指出的,当前的机器学习系统极其适用于扩展或者将某些广义的预测任务自动化。它们涵盖广泛的任务、职业和行业,从驾驶汽车(预测转动方向盘的正确方向)和诊断疾病(预测病因),到推荐产品(预测顾客的喜好)和谱写歌曲(预测哪个音符序列会最受欢迎)。对人类完成的许多任务而言,现行机器学习系统处理的感知和认知核心能力即使并非不可或缺,也是普遍存在的。

  机器学习系统还被设计成可以随时间而改进。事实上,它们与早期技术的区别就在于它们被设计成能够随时间推移自我完善。机器学习算法不要求发明人或开发者对流程的每个步骤进行编码以实现自动化,而是可以自行发现函数,将一组输入X连接到一组输出Y,只要给它足够大的标记示例库把一些输入映射到输出(Brynjolfsson and Mitchell,2017)。这些改进不仅反映新算法和新技术的发现(特别是针对深层神经网络),而且折射了它们与功能更强大的计算机硬件的互补性,以及可用于训练机器学习系统的更大数字数据库的可用性(Brynjolfsson and McAfee,2017)。越来越多的数字数据被收集起来,作为数字化操作、客户交互、通信等生活方面的副产品,为更多更好的机器学习应用提供素材。(*1.例如,通过工厂、互联网商务、移动电话和物联网中的企业资源计划系统收集数字数据。

  最重要的是,机器学习系统能够激励各种互补性创新。例如,机器学习已经改变了机器执行多种基本感知的能力,从而为更广泛的应用程序赋能。考虑机器的视觉能力,也即查看和识别对象、在照片中标记对象以及解释视频流的能力。随着识别行人的错误率从每30帧1次降低到每3000万帧大约1次,自动驾驶汽车变得越来越切实可行(Brynjolfsson and McAfee,2017)。

  改进的机器视觉甚至可以实现各种工厂自动化任务和医疗诊断。吉尔·普拉特(Gill Pratt,2015)以5亿年前动物视觉的发展进行类比,正是视觉发展引发了寒武纪生命大爆发和地球上新物种的大量出现。他进而指出,机器具有生物物种没有的新能力:几乎能够在瞬间与他人分享知识和技能。确切地说,云计算的兴起大大简化了以更低成本扩展新想法的过程。这对于提高机器学习的经济影响尤其重要,因为它使云机器人技术成为可能,即机器人之间共享知识。一旦机器在一个地方学会新技能,它就可以通过数字网络将其复制到其他机器。数据和技能均可共享,从而增加任何给定的机器学习者可以使用的数据量。

  这反过来又加快了技术改进的步伐。譬如当自动驾驶汽车遇到异常情况,它可以通过共享平台上传信息,在这个平台上聚集足够多的示例以便推断模式。只要一辆自动驾驶汽车经历异常情况,其他车辆就可以从中学习。谷歌子公司Waymo拥有2.5万辆“真正的”自动驾驶汽车,每周模拟行驶里程约1900万英里。(*2.http://ben-evans.com/benedictevans/2017/8/20/winner-takes-all.)所有的Waymo汽车都从其他汽车的共同经验中学习。类似地,与采用兼容性知识表达(knowledge-representation)框架的其他机器人共享数据和共同学习,能让正在处理任务的机器人获益匪浅。(*3.“再想想机器人”公司(Rethink Robotics)正在开发这样的平台。

  当人们把人工智能视为通用技术,它对产出和福利收益的影响就会远远超出我们之前的分析。例如,自动驾驶汽车可以显著改变许多非运输行业。零售业可能进一步转向按需求送货上门,从而创造消费者福利收益,并进一步释放目前用于停车的宝贵的高密度土地。交通和安全问题可得到优化,保险风险可降低。鉴于美国每年有超过3万人死于车祸,全世界有近100万人死于车祸,我们将有机会拯救大量生命。(*1.自动驾驶汽车的后两个结果虽然肯定反映了福利的改善,但是需要以商品或服务的价格进行资本化,从而用标准的GDP和生产率指标来测算。我们将在后面深入讨论与人工智能相关的测算问题。当然,应当记住的是,自动驾驶汽车也有可能产生新的经济成本,譬如因开车的边际成本降低而造成的拥堵无法通过交通管理技术的充分改进或某些基础设施投资来抵消时。

为什么未来的技术进步与当前的低生产率增长并不矛盾

  阐述了技术乐观的理由之后,接下来我们探讨它们与当前低生产率增长并不矛盾,实际上两者甚至可能天然关联的原因。

  和其他通用技术一样,人工智能很可能成为生产率的重要推动力。然而,正如若干学者(Jovanovic and Rousseau,2005)指出的\[另见David(1991)列举的历史案例\]:“某项通用技术不会一面世就立即提高生产率。”(第1184页)这项技术可能存在并得到足够发展,以让人们了解它的变革性效应,即便它没有以任何明显的方式影响当前的生产率水平。我们认为当前经济可能正处于这种状态。

  前面我们讨论过,如果需要建立足够大的新资本存量,或者需要识别、生产和配置互补类有形和无形资本,以充分利用一项通用技术的生产率优势,那么此项通用技术可能会在某个时刻出现而不影响当前的生产率增长。

  建立充足资本存量所需的时间可能很长。例如,直到20世纪80年代末,即集成电路发明25年之后,计算机资本存量才达到长期稳定状态,占非住宅设备总资本的约5%(按历史成本计算)。而10年前该比例仅为这一水平的一半。因此,当索洛提出以他名字命名的悖论时,计算机才总算发展到了随处可见的程度。

  大卫(David,1991)注意到电气化推广过程中也存在类似现象。直到1919年,大约在转向多相交流电30年后,美国至少还有一半制造企业没有通电。最初,人们接受电气化仅仅是因为电动机提供动力节约了成本。在出现互补性创新之后,最大的收益接踵而至。管理人员开始彻底重新组织工作,更换工厂的集中电源,给每台机器配备单独的电动机。这样一来,设备的位置变得更加灵活,最终实现了原材料流动的有效装配线。

  现在回头看,这种组织工厂的方法可谓平淡无奇,却花了漫长的30年时间才被广泛采用。为什么?正如亨德森(Henderson,1993,2006)指出的,正是因为现有企业都是围绕当前的运作方式设计的,而且精于此道,以致它们对新方法视而不见或无法吸收,进而受制于现状,也即遭遇了“知识的诅咒”。(*1.Atkeson and Kehoe(2007)指出,在向电力过渡的初期,制造商并不愿意放弃其庞大的知识储备以便采用起初只有略微优越的技术。David and Wright(2006,第147页)的阐述更为具体,他们着重探讨“定义并构造任务和产品的方式需要组织上和概念上的改变”。

  工厂电气化的例子阐明,还有一个因素导致技术的兴起与其可测算的生产率效应之间出现时间差:对配置(往往是发明)互补性资本的需求。这包括有形投资和无形投资。发明、获取和配置这些互补品所需的时间,通常比刚才讨论的建设时间更长。

  让我们再来探讨信息技术领域的大量投资与公司内部生产率收益之间的测算滞后问题。有学者(Brynjolfsson and Hitt,2003)发现,当考虑一年的差异时,较小的生产率收益与公司的信息技术投资相关;但是随着检验的时间变长,收益大幅增加,大约7年后达到峰值。他们把这种模式归因于业务流程需要互补性的改变。譬如在实施大型企业规划系统时,公司在业务流程重新设计和培训上的花费,几乎总是比开发硬件和软件的直接成本高出好几倍。招聘和其他人力资源实践常常需要相当大的调整,以使公司的人力资本与新的生产结构相匹配。实际上,相关学者(Bresnahan、Brynjolfsson and Hitt,2002)发现,有证据显示,信息技术、人力资本、投资决策的组织变化与生产率水平之间存在三重互补。此外,我们的研究(Brynjolfsson、Hitt and Yang,2002)表明,每1美元的信息技术资本存量与大约10美元的市值相关。这足以说明存在大量与信息技术相关的无形资产,将信息技术投资与特定组织实践相结合的企业不仅生产率更高,其市场价值也远高于只投资其中一项的企业。数据呈现的这种模式与长期研究十分一致:一般而言,在进行信息技术等投资时,组织乃至文化变革起着重要作用(例如Aral et al.,2012;Brynjolfsson and Hitt,2000;Orlikowski,1996;Henderson,2006)。

  但是,这种变化需要大量的时间和资源,因而造成组织惰性。企业是复杂系统,需要有广泛的互补性资产网络才能借助通用技术完全改造自身。尝试转型的公司必须重新评估和重新组合的不仅仅是内部流程,还有供应链和分销链。这些变化需要时间,但管理者和企业家总会以节省最昂贵投入的方式指导发明(Acemoglu and Restrepo,2017)。根据勒夏特列(LaChatelier)原理(Milgrom and Roberts,1996),随着准固定要素的调整,长期弹性往往大于短期弹性。

  调整并不必然成功。的确有证据表明,通用技术级的模态变换会失败。相关学者(Alon、Berge、Dent and Pugsley,2017)发现,五年以上的企业对总体净生产率增长的贡献很小,也就是说,在老牌企业中,一家企业的生产率提高会被其他公司的生产率下降抵消。俗话说“老狗学不会新把戏”。何况老狗(此处指企业)常常有不学习新把戏的内在动机(Arrow,1962;Holmes、Levine and Schmitz,2012)。从某种意义上说,工业技术每进步一次,就会导致某家企业的消亡。

  转型的产业和部门甚至需要更多的调整和重组。零售业就是一个生动的例子。尽管零售业是20世纪90年代互联网热潮中的最大创新之一,但在随后的20年里,零售业最大的变化不是电子商务,而是仓库和超级购物中心的扩张(Hortacsu and Syverson,2015)。直到最近,电子商务才成为一般零售商考虑的力量。为什么花了这么长时间?布莱恩约弗森和史密斯(Brynjolfsson and Smith,1999)记述了现有零售商在调整业务流程以充分利用互联网和电子商务时面临的困难。诸多互补性投资尚待挖掘;整个行业需要构建完整的分销基础设施;客户必须“重新培训”。这一切都不可能很快发生。电子商务掀起零售业变革的潜力早已得到广泛认可,甚至在20世纪90年代末被大肆宣传,但它在零售业中的实际份额微乎其微,仅占1999年零售总额的0.2%。经过20年被广泛预测但耗时的行业变化之后,电子商务才慢慢趋近零售总额的10%,像亚马逊这样的公司才开始对传统零售商的销售和股票市场估值产生重要影响。

  前面讨论的自动驾驶汽车案例提供了一个更具前瞻性的例子,说明生产率如何滞后于技术。大家想想当引入自动驾驶汽车时,现有的车辆生产和车辆操作工会发生什么情况?生产方面的就业率首先会提高,以应对研发、人工智能开发以及新的汽车工程等问题。此外,学习曲线问题很可能意味着早期制造这些车辆时生产率较低(Levitt、List and Syverson,2013)。因此,对于生产相同数量的车辆,短期内的劳动力投入其实可能会增加而不是减少。在自动驾驶车辆开发和生产的早期,生产者增加的边际劳动超过机动车操作工被替代的边际劳动。直到部署的自动驾驶汽车接近稳定状态之后,测算的生产率才能反映出该技术的全部好处。

  [《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