虚实之间：为何数据无法捕捉人工智能革命

假设一项技术问世，它能让医生工作更有效率，加速科学发现，颠覆劳动力市场，转移数万亿的财富，并动摇税收体系——而所有这些，官方经济统计数据却几乎无法捕捉。

在最近的一次采访中，Michael Spence 告诉我，这正是即将发生的事情。

Spence 并非一位理想化的科技布道者。他是诺贝尔经济学奖得主、斯坦福商学院前院长，也是全球在增长和全球市场领域思想最严谨的学者之一。他同时还身处一线，拥有绝佳的观察视角：他为各大投资公司和 Google 提供咨询，追踪硅谷和中国的发展动态，并定期与多个领域的科技专家和科学家交流。

当 Spence 指出人工智能的影响将是“多维度的”，并且只关注就业、生产力或军事应用等任何单一维度都会使人错失全局时，他的观点值得我们关注。

无形富足的悖论

Spence 最引人注目的见解之一是，人工智能的巨大经济效益可能在未来数年内都不会体现在传统的国民收入统计数据中。这不是一个新问题——而是整个数码经济的一个显著特征。

他指出：“二十年前，我们花 1500 新元买的电脑，按今天的标准来看几乎一无是处。而现在我们花 1500 新元能买到的电脑，性能堪比当年的超级计算机。” 硬件革命改变了世界，但将所有 1500 新元的电脑都一视同仁的经济数据，却几乎没有捕捉到这一变化。

人工智能也将如此。标准衡量方法无法解释“免费商品”——如搜索引擎、社交媒体、导航应用——这些以微不足道的增量成本创造出巨大价值的产品。人工智能将在医疗保健、教育和专业服务领域带来巨大的质量提升，而这些提升将不会反映在官方的国内生产总值（GDP）数据中。

Spence 说：“我们可能会得到更好的医疗保健服务，医生们或许会有更多时间去打高尔夫球。我们会知道有重要的事情发生了——但我们没有数据来证明这一点。” 他是在最近的亚洲财经研究局年会的间隙对我说的这番话。

就业问题：切勿止步于初步分析

公众对人工智能和就业问题的焦虑症是可以理解的——但其中大部分是基于不完整的分析。Spence 说，常见的做法是找出可被取代的任务，将它们相加，然后预测失业人数。“这个分析值得一做，”他说，“前提是你的分析不能止步于此。”

SEE ALSO

AI-linked layoffs in US spark new wave of one-person start-ups

‘Human judgment’ is vital even with AI’s introduction: HSBC CEO

Singapore employers willing to pay premium for AI skills amid softer hiring sentiment: survey

Banks lay groundwork for mass workforce cuts as AI takes hold

More

缺失的步骤是理解价格弹性：效率提升将在多大程度上降低价格以扩大消费，人们因此会购买更多什么，以及这些连锁反应将如何在更广泛的经济中展现。在人工智能的协助下，一位外科医生可能会接诊更多病人；更便宜的法律服务可能会催生更多对法律工作的需求。净就业效应在很大程度上取决于这些二阶动态效应——而大多数关于失业的研究都忽略了这一点。

人工智能的颠覆性究竟有多大，还取决于其普及速度。在商界，Spence 认为其发展速度会比科技爱好者预期的要慢。

“把 ChatGPT 交给人们去体验，这花不了多长时间。但在企业环境中实施它、创造新的商业模式、改变根深蒂固的行为、建立让公司信赖的系统——所有这些都需要时间。”

他引用了硅谷的经验法则：当一项新技术问世时，人们倾向于高估其短期影响，而低估其长期影响。

“这很好地预示了我们将要经历的一切。互联网时代也是如此。当时有很多关于其发展速度的疯狂想法，也出现了泡沫——但正是从那个时期诞生了 Amazon、Google，以及重塑辉煌的 Apple。那并不仅仅是炒作。”

那么，这是泡沫吗？

“有一点，”Spence 说。

这是由激励机制驱动的。在美国科技巨头和中美竞争之间，竞争的动力就是不惜一切代价取胜。

“如果要在过度投资和投资不足而冒险落后之间做选择，大家宁愿选择过度投资。”

怀疑论者认为这是浪费资源，无法带来所承诺的生产力飙升。而乐观主义者则相信，即使回报相对于最初的期望令人失望，这些投资仍将在长期内产生正回报。历史表明，乐观主义者往往是正确的。

Spence 表示，泡沫可能因两个原因破裂：一是发生重大安全事件，引发严厉的监管干预；二是人工智能开发商的收入增长疲软得令人失望，导致估值大幅重置。

在监管方面，Spence 对强硬干预持谨慎态度。一些经济学家主张将关键的人工智能基础设施国有化，就像核设施被国有化一样。

“这可能不是个好主意，”他说，“尤其是在创新周期中，政府通常不擅长驾驭这种情况。” 但他承认，部分人工智能基础设施可能会成为受监管的公用事业。

他指出，即使在行业内部，出于正当理由，一些自我监管也已经在进行。Anthropic 公司拒绝向公众发布其最强大的新模型 Claude Mythos，而是将其使用权限制在一小部分受信任的机构中，因为他们认为该模型的能力过于危险，不适合公开发布。

“所以，即使在参与者中，监管的想法也并非天方夜谭，”Spence 说。同样的逻辑也应适用于中国开发的强大人工智能系统。

“拥有一批开源模型是好事，但如果其中一个模型是危险的，就必须将其关闭——否则可能会天下大乱。”

Spence 补充说，在人工智能治理方面的国际合作将不可避免。关键问题是，主要参与者之间是否有足够的共同利益来就基本规则达成一致——例如，防止人工智能驱动的自主战争，或阻止国家和非国家行为者利用人工智能攻击关键的数码经济基础设施。

难以解决的财富问题

在人工智能带来的所有挑战中，Spence 对其财政和分配后果的看法最为尖锐。

人工智能将使全球经济变得更加资本密集。如果收入继续从劳动力转向资本，本已严峻的财富集中问题将进一步恶化。

在美国，最富有的 10% 人口拥有约三分之二的总净资产；而最底层的 50% 人口仅拥有约 2.5%。随着金融资产的强劲回报，这一差距将会扩大。

全民基本收入（UBI）经常被提议作为解决方案。“这或许不是个坏主意，”Spence 说，“但它肯定不是最终的解决方案。它只是为收入设定了一个底线——结果是大多数人勉强糊口，而少数人则攫取了由资本产生的巨额财富。”

他认为，真正的挑战在于让人们在资本本身中拥有有意义的股份。政府可以获取一部分资本回报并进行再分配。

一个更宏大的设想是，可以给予个人直接的资本所有权——例如，在出生时设立一个资本资产账户，并将其投资于追踪大盘的指数基金之类的产品。

“无论选择哪条路，”Spence 说，“如果人们不能比现在更大程度上地拥有经济中的股权，我们最终将无法达到理想的状态。”

在 Spence 看来，人工智能革命既不是其支持者所承诺的技术乌托邦，也不是其批评者所担心的就业毁灭性灾难。

它是一场更复杂、更具挑战性的变革：这场转型将创造非凡的财富，但同时也使其更难衡量；它将以简单的任务计算无法预测的方式重塑劳动力市场；它还将对政治和财政制度进行压力测试，而这些制度并非为资本所有者获得绝大部分利益的世界而设计的。

换句话说，技术本身不是最难的部分。最难的是技术出现后的一切。 THE STRAITS TIMES

• Vikram Khanna 是《海峡时报》前副主编，撰写经济事务相关文章。