高盛：人工智能对经济增长的潜在影响

　　本文亮点速览：

　　最近出现的生成式人工智能(AI)让我们思考是否即将迎来任务自动化的快速加速，从而推动劳动成本节约并提高生产力。尽管生成式AI的潜力存在重大不确定性，但其能够生成与人类创作输出无法区分的内容，打破人与机器之间沟通障碍，这反映了一项重大进步，具有潜在的巨大宏观经济影响。

　　如果生成式AI实现其承诺的能力，劳动力市场可能会被颠覆。本文使用美国和欧洲的职业任务数据发现，目前约有三分之二的工作岗位存在一定程度上的AI自动化风险，而生成式AI最多可能替代当前工作的四分之一。根据本文估计，生成式AI可能使得全球3亿人的工作岗位面临自动化风险。

　　好消息是，自动化导致的工人失业在历史上通常都被新工作的创造所抵消，而技术创新带来的新职业的出现占据了长期就业增长的绝大多数。显著的劳动力成本节约、新岗位的产生以及对未失业工人生产力的提高相结合，提高了生产率繁荣的可能性，从而大幅提高经济增长，尽管这样的繁荣其持续时间难以预测。

　　本文估计，在AI得到广泛应用后的10年内，其可以将美国每年的劳动生产率增长提高不到1.5个百分点，劳动生产率增长的提升大小将取决于AI能够执行的任务难度以及最终自动化的工作数量，这一增长可能低于预期也可能超预期。

　　全球劳动生产率的提升也可能在经济上具有重大意义，本文估计AI最终可以使全球年GDP增长7%。尽管AI的影响最终取决于其能力和实际应用时间，但这一估计凸显了如果生成式AI能够实现其承诺，其能够带来巨大经济潜力。

　　本文概述了人工智能对宏观经济的潜在影响，并认为如果人工智能兑现其承诺的能力，它有可能在未来几十年内显著扰乱劳动力市场并刺激全球生产力增长。以下，enjoy~

　　(正文6699字，12-15分钟)

　　01 生成式人工智能概述

　　本文首先讨论人工智能发展的现状及其关键能力。图1是生成式人工智能的概述，将与其前身机器学习方法(有时称为狭义或分析性人工智能)进行比较。本文的评估着重关注生成人工智能技术，如ChatGPT、DALL-E和LaMDA，它们具有三个主要特征：

　　(1)具备通用性而非特定场景应用;

　　(2)能够生成新颖的、类似于人类的输出，而不仅仅是描述或解释现有信息;

　　(3)它们可以理解多种形式的信息，可以理解自然语言、图像、音频和视频并做出响应。

　　前两个进展是扩大人工智能可执行任务集的关键，而第三个进展则关键在于确定其采用时间表。就像从命令行编程(例如MS-DOS)到图形用户界面(例如Windows)的迁移促进了程序(例如Office)的开发，从而将个人电脑的功能带给了大众一样，当前一代人工智能技术的直观界面可以显著提高其应用速度。例如，ChatGPT在短短5天内就超过100万用户，是所有公司里达到这一里程碑速度最快的。

　　除了这些变化，指数级增长的计算能力使得人工智能可以迅速实现更准确地执行更复杂的任务。例如，OpenAI的GPT模型的最新版本——GPT-4于2023年3月发布。大约在作为ChatGPT基础的GPT-3.5模型完成训练一年后，GPT-4在SAT考试上的得分比其前身高出150分，对于同样的问题回答准确度提高了40%，并且现在GPT-4在GPT-3.5的基础上，不仅可以接受文本输入，还可以接受视觉输入。正如图2所示，生成式人工智能背后的算法在图像分类和阅读理解等任务上已经开始超越人类基准，这一超越甚至在之前就已实现。

　　随着人工智能变得越来越先进和易于使用，越来越多的人对其产生了兴趣并进行投资。上市公司的管理团队在电话会议中提到人工智能的次数也在迅速增加，这些迹象预示着公司对AI的投资将大幅增加(参见图表3)。截至2021年，美国和全球对AI的私募股权投资总额分别为530亿美元和940亿美元。按实际价值计算，美国和全球的AI投资比五年前增长了五倍多。如果投资继续以上世纪90年代软件投资那样温和的速度增长，到2030年，美国仅在人工智能方面的投资就可能接近美国GDP的1%。

　　尽管围绕生成式人工智能的能力和采用时间线仍存在很多不确定性，但这些发展表明，人工智能已做好充分准备，在未来几年内将迅速发展并扩大规模。

　　02 未来的工作

　　生成式AI能够生成与人类创造的产出以及打破人机之间的沟通障碍，这是一项重大进步，反映其具有产生巨大宏观经济影响的潜力。

　　为了评估影响的大小，考虑了生成式人工智能对劳动力市场可能产生的影响，前提是生成式人工智能能够兑现其承诺的能力。本文使用来自O*NET数据库的数据，涉及美国900多种职业(后来扩展到欧洲ESCO数据库的2,000多种职业)，以估计各个职业和行业面临的受节省劳动力自动化影响的总体劳动力份额。

　　基于对生成式人工智能可能使用情况的现有文献综述，将ONET数据库中的39项工作活动中的13项归类为暴露于人工智能自动化的影响之下，并在基准情况下假设人工智能能够完成ONET“级别”评分为7级中的4级难度的任务。本文对每个职业的重要工作任务进行权重平均，以估计人工智能有潜力替换的每个职业总工作量的份额。本文进一步假设，那些工作中工人大部分时间在户外或从事体力劳动的职业是不能被人工智能自动化取代的。

　　图4展示了AI可能自动化的任务份额在职业级别上的分布。本文发现，约三分之二的美国职业面临一定程度的AI自动化风险，而且大多数暴露于AI自动化风险之下的职业中有25%—50%的工作量可能被AI替代。

　　通过按照每个职业在美国职业就业和工资调查(OEWS)中的就业份额进行加权估计，并汇总到行业层面，本文估计美国约有四分之一的现有工作任务可以由人工智能自动化替代(图5上)，特别是行政(46%)和法律(44%)职业，这两者存在着很高的自动化替代风险，而体力劳动职业，如建筑(6%)和维修(4%)职业，其被人工智能自动化替代的风险较小。将职业级别估计与欧洲ISCO职业分类系统匹配，并使用欧盟统计局劳动力调查数据库(LFS)进行类似的分析，无论是总体还是行业层面可得出类似的结果(图5下)。

　　接下来，将美国和欧洲估计扩展到全球范围，并调整各国产业结构的差异。本文进一步假设，由于新兴市场经济体和发达市场经济体之间农业部门的产业构成和生产方法存在显着差异，人工智能不会影响新兴市场经济体的农业部门[1]。估计显示，在就业加权的基础上，全球约有18%的工作可能被AI自动化所取代(图6)。新兴市场相对发达市场，能够被自动化替代的工作岗位相对较少。

　　总体来说，大量的工作岗位面临着被人工智能自动化取代的风险，这可能会显著节约劳动力。为了评估估计的稳健性，将作为基准的美国估计结果与更广泛的情景进行比较，包括假设的人工智能可以执行比基准更难或更容易的任务，并且放宽了人工智能不能协助主要在户外或从事体力劳动的工作的假设(即认为有一种情况是人工智能与机器人和现有机械设备相辅相成)。

　　情景分析表明，面临被自动化替代风险的岗位可能占到所有岗位的15—35%(图7左)，这一范围与现有文献中的估计一致，但相对保守(图7右)。相对保守的基准主要反映了对生成式人工智能影响的关注范围集中在行业本身，与其他研究有所不同，这些研究会考虑更广泛的相关技术(包括机器人技术等)，从而增加了自动化的范围。

　　尽管AI对劳动力市场的影响可能很大，但大多数工作和行业只是部分任务被自动化替代，因此AI更有可能起到补充效果，而不是直接替代工作岗位。在图8中，假设自动化能够替代的任务占工作中重要和复杂任务超过50%的定义为很可能被AI替代，自动化能够替代10—49%的任务的，AI更有可能起到补充效果，而对于只有0—9%的工作会被人工智能自动化替代的岗位，则不太可能受到影响。在基准估计中，这些假设意味着当前美国7%的就业岗位可能被AI替代，63%得到补充，30%不受影响，但最终的影响将取决于职业需求和工作量如何演变以响应劳动力的部分替代。

　　03 衡量AI对生产力和增长的推动作用

　　大量的就业机会面临被生成式人工智能自动化取代的风险，这提高了提高劳动生产率的潜力，可以显著增加全球产出。人工智能驱动的自动化可以通过两个主要渠道提高全球GDP。

　　首先，大多数职业的任务都部分会被人工智能自动化替代，因此在采用人工智能后，工人可能会将部分解放出来的能力用于提高生产活动的产出。学术研究表明，采用AI的公司的工人有更高的劳动生产率增长，他们的劳动生产率每年增加2—3个百分点(图9)。

　　尽管生成式AI的能力与早期年份的差异使得预测未来很难，但至少这清楚地表明生成式AI可以推动生产力显着提高。此外，对于一些行业和职业，AI可能会补充人类的工作能力而不是取代其工作，这也会提高生产力。

　　此外，我们预计许多因人工智能自动化而失去工作的工人最终会通过从事新的职业，以响应新的总体和劳动力需求或者直接从事与人工智能有关的职业，从而提高总产出。这两个渠道都有许多历史先例。例如，信息技术创新引入了网页设计师、软件开发人员和数字营销专业人员等新职业，但同时也增加了总收入并间接推动了医疗保健、教育和食品服务等行业对服务业劳动者的需求。

　　为了展示最初取代工人的技术创新如何在长期内推动就业增长，我们在图10中展示了经济学家大卫·奥托(David Autor)及其合著者最近的一项研究结果。他们使用人口普查数据发现，今天60%的工人从事的职业在1940年并不存在，这意味着过去80年中，超过85%的就业增长是由技术驱动创造新岗位。

　　图11利用了经济学家Daren Acemoglu和Pascual Restrepo的另一项学术研究，将劳动力需求的变化分解为生产率增长和技术驱动的工人失业和再就业(以及其他因素)的贡献，以显示随时间变化劳动力需求的驱动因素。

　　研究发现，技术变革在战后时期的前半段以大约相同的速度替换了工人并创造了新的就业机会，但自1980年代以来，技术变革替换工人的速度超过了创造新机会的速度。这些结果表明，如果人工智能对劳动力市场的影响类似于信息技术的早期进步，那么近期生成式人工智能对劳动力需求的直接影响可能是负面的，尽管对劳动力生产率增长的影响仍将是积极的。

　　将显着降低劳动力成本、创造新的工作机会和提高非失业工人生产率的效果相结合，有可能促进劳动生产率的繁荣，就像早期的通用技术(如电动机和个人电脑)出现后的繁荣一样。这些历史经验提供了两个重要的教训。

　　第一，劳动生产率繁荣的时间很难预测，但在这两种情况下，都是在技术突破后大约20年开始的，当时大约有一半的美国企业采用了这项技术(图12左)。第二，在这两种情况下，劳动生产率增长在繁荣开始后的10年中每年增加约1.5个百分点，表明劳动生产率的增长可能相当可观(图12右)。

　　为了估计生成式人工智能广泛应用对美国劳动生产率的提升，我们在图13中总结了直接劳动力成本节省、非失业工人生产率提高以及重新就业对劳动生产率的隐含影响。本文的基准分析结合了上述的主要发现，包括大约7%的劳动者完全被人工智能自动化取代，这些被取代的大多数人只能在生产率略低的职位上找到新工作，部分任务被人工智能替代的劳动者生产率提高与现有估计一致(图9)，并且这种影响在10年的时间内实现，大约从半数企业应用生成人工智能的时间开始。

　　在这些假设下，我们估计广泛应用生成式人工智能可以使整体劳动生产率每年提高约1.5个百分点(最近的平均增长率为1.5%)，与之前的变革性技术(如电动机和个人电脑)提振劳动生产率增长的幅度相当。本文估计AI对劳动生产率增长的提振幅度相当大，但不确定性也很大。因此，图13还考虑了其他可能的情景，并表明美国生产率增长的提振幅度大概率在0.3—3.0个百分点之间，具体取决于生成式人工智能可以执行的任务的难度级别、最终自动化的工作数量以及应用速度：

　　首先，我们改变了AI能够完成的O*NET任务的难度等级。在一个相对较弱的AI情景下，例如，生成型AI最终只能“阅读一篇简短的文章并进行摘要总结”(难度分数为2)，而不能“确定为新融资的利息成本”(难度分数为4)，若按照这种估计，劳动生产率增长的提升将降至每年0.3个百分点。如果AI反而更加强大，再举个例子，能够“分析美国所有医院的医疗服务成本”(难度分数为6)，那么劳动生产率增长的提升将达到每年2.9个百分点。

　　其次，我们改变了被生成型AI完全取代的劳动力的数量。假设没有劳动力被取代，劳动生产率增长的提升略微减少至每年1.2个百分点，因为未被取代的工人仍将经历显著的生产力提升，而假设更大一部分工人被取代，则会使生产率增长的提升达到每年2.4个百分点。

　　第三，我们改变了AI大规模应用的时间点。如果在20年的时间里实现大规模应用，生产率增长的提升将只有大约一半;如果在30年的时间里大规模应用，生产率增长的提升将仅为三分之一。

　　从这些分析中得出的主要结论是，劳动生产率的最终提升尚不确定，但在大多数情况下仍具有重要的经济意义。

　　在图14中，将美国的分析推广到其他国家，假设劳动力的行业组成差异可以解释劳动生产率增长的大部分差异。估计表明，在本文覆盖的国家范围内，AI的应用可能在10年的时间里使全球年度生产率增长提高1.4个百分点(以外汇加权平均计算)，尽管预计在新兴市场经济体中，这种影响可能会有所延迟。

　　广泛采用AI可能最终使全球GDP在10年内增长7%或近7万亿美元。尽管AI影响的大小最终取决于其能力和采纳时间表——围绕这两个因素的不确定性足够高，以至于目前还没有将我们的发现纳入基线经济预测——但我们的估计突显了生成式AI在实现其承诺时的巨大经济潜力。

　　本文编译自高盛，选自《全球科创观察》2023年第16期“专题研究”栏目。

　　[1] 这个假设是相对保守的。我们可以想象一个场景，在这个场景中，人工智能提高了农业物流和生产的效率，尤其是如果人工智能和机器人技术相互作用以自动化物理任务。在这种情况下，新兴市场的农业部门也可能受到人工智能自动化的影响。