关键见解 对生产力的影响可以为全球经济增加数万亿美元的价值。我们的最新研究 如果完全实施用例,则每年增加2000亿至3400亿美元。在零售和消费包装商品中,潜在影响也很大,每年为4000亿至660亿美元。 生成AI可以大大提高整个经济中的劳动生产率,但这将需要投资来支持工人转移工作活动或换工作。到2040年,生成AI可以使劳动生产率每年增长0.1%至0.6%,具体取决于技术采用率和工人时间的重新部署 据估计,在我们分析的63个用例中,生成式AI每年可以增加相当于2.6万亿美元至4.4万亿美元-相比之下,英国2021年的整个GDP为3.1万亿美元。 这将使所有人工智能的影响增加15到40%。如果我们将将生成AI嵌入到当前用于这些用例之外的其他任务的软件中的影响包括在内,这一估计将大约增加一倍。 其他活动。将生成式AI与所有其他技术相结合,工作自动化每年可以为生产率增长增加0.2到3.3个百分点。然而,工人在学习新技能方面需要支持,有些人将改变职业。如果能够管理工人转型和其他风险,生成人工智能可以为经济增长做出实质性贡献,并支持一个更可持续、更具包容性的世界。 2.生成AI用例可以提供的价值的75%落在四个领域:客户运营,营销和销售,软件工程和研发。在16个业务功能中,我们检查了63个用例,其中技术 技术自动化潜力的加速很大程度上是由于生成AI提高了理解自然语言的能力,这对于占总工作时间25%的工作活动是必需的。因此,与其他类型的工作相比,生成AI对与工资和教育要求更高的职业相关的知识工作的影响更大。 生成人工智能的时代才刚刚开始。对这项技术的兴奋是显而易见的,早期的飞行员也是令人信服的。但是要完全实现这项技术的好处需要时间,商业和社会的领导者仍然 可以以产生一个或多个可衡量结果的方式解决特定的业务挑战。示例包括生成AI支持交互的能力 有相当大的挑战要解决。这些包括管理生成AI固有的风险,确定劳动力将拥有哪些新技能和能力 与客户一起,为营销和销售生成创意内容,并根据自然语言提示起草计算机代码,以及许多其他任务。 鉴于技术自动化的潜力增加,劳动力转型的步伐可能会加快。我们更新的采用方案,包括技术开发、经济可行性和扩散时间表,估计今天一半的工作活动可以在2030年至2060年实现自动化,2045年达到中点,比我们之前的估计提前了大约十年。 需要,并重新思考核心业务流程,如再培训和发展新技能。 生成AI将对所有行业产生重大影响。 银行业,高科技和生命科学是可能从生成式AI收入中获得最大影响的行业。例如,在整个银行业中,该技术可以带来价值 作为技术催化剂的生成AI 要把握未来的发展,就需要理解那些突破,这些突破已经推动了几十年的生成人工智能的崛起。ChatGPT,GitHb Copilot,稳定扩散和其他生成AI工具引起了公众的关注,这是近年来大量投资的结果,这些投资有助于推进机器学习和深度学习。这项投资巩固了我们每天使用的许多产品和服务中嵌入的AI应用程序。 但由于人工智能已经逐步渗透到我们的生活中— —从为我们的智能手机提供动力的技术到汽车上的自动驾驶功能,再到零售商用来让消费者感到惊讶和高兴的工具— —它的进步几乎是难以察觉的。明确的里程碑,例如DeepMid开发的基于AI的程序AlphaGo在2016年击败了世界冠军围棋选手,但随后很快就从公众的意识中消失了。 ChatGPT及其竞争对手以AlphaGo没有的方式抓住了世界各地人们的想象力,这要归功于它们广泛的实用性— —几乎任何人都可以使用它们来交流和创造— —以及与用户对话的超自然能力。 最新的生成AI应用程序可以执行一系列常规任务,例如数据的重组和分类。但是,正是他们撰写文字,创作音乐和创作数字艺术的能力赢得了头条新闻,并说服了消费者和家庭自己进行实验。因此,更广泛的利益相关者正在努力应对生成人工智能对商业和社会的影响,但没有太多的背景来帮助他们理解它。 我们是怎么到这里的?渐渐地,然后突然 出于本报告的目的,我们将生成AI定义为通常使用基础模型构建的应用程序。这些模型包含广阔的人工神经网络,其灵感来自人脑中连接的数十亿个神经元。基础模型是所谓深度学习的一部分,这个术语暗指神经网络中的许多深层。深度学习为人工智能的许多最新进展提供了动力,但为生成AI应用程序提供动力的基础模型是深度学习中的逐步变化。与以前的深度学习模型不同,它们可以处理非常庞大和多样的非结构化数据集,并执行多个任务。 基金会模型已经启用了新功能,并在包括图像,视频,音频和计算机代码在内的各种模式中极大地改进了现有功能。在这些模型上训练的AI可以执行多种功能:它可以分类,编辑,总结,回答问题和起草新内容,以及其他任务。 持续的创新也将带来新的挑战,例如,训练具有数千亿参数的生成AI所需的计算能力有可能成为发展的瓶颈。此外,还有一个重要的举措— —由开源社区牵头,并传播给生成人工智能公司的领导者— —让人工智能更负责任,这可能会增加成本。 尽管如此,用于生成人工智能的资金虽然仍然只占人工智能总投资的一小部分,但规模巨大且增长迅速-仅在2023年的前五个月就达到了120亿美元。从2017年到2022年,风险资本和其他私人外部投资对生成人工智能的平均复合增长率每年增长74%。在同一时期,人工智能的整体投资每年增长29%,尽管基数较高。 在所有事物上投入资金的冲动反映了其功能的发展速度。ChatGPT于2022年11月发布。四个月后,OpenAI发布了一个新的大型语言模型,称为GPT - 4,具有显着改进的功能。同样,到2023年5月,Anthropic的生成AI Claude能够处理100, 000个文本标记,相当于一分钟内大约75, 000个单词-平均小说的长度-而2023年3月推出时大约有9, 000个标记。2023年5月,谷歌宣布了几项由生成AI提供支持的新功能,包括搜索 生成体验和一个名为PaLM 2的新LLM将为其Bard聊天机器人提供动力,以及其他Google产品。 从地理角度来看,外部私人对生成人工智能的投资,主要来自科技巨头和风险投资公司,主要集中在北美,反映了非洲大陆目前对整体人工智能投资格局的主导地位。从2020年到2022年,美国的与人工智能相关的公司筹集了约80亿美元,占同期此类公司总投资的75%。 生成型人工智能让世界震惊和兴奋,因为它有潜力重塑知识工作在整个经济中的行业和业务职能中的完成方式。在销售和营销,客户运营和软件开发等职能中,它准备转变角色并提高绩效。在这个过程中,它可以在从银行业到生命科学的各个领域释放数万亿美元的价值。我们在本报告中使用了两个重叠的镜头来了解生成AI为公司创造价值和改变劳动力的潜力。以下部分分享了我们的初步发现。 应用程序编程接口(API)是一种以编程方式访问(通常是外部)模型、数据集或其他软件的方法。 人工神经网络(ANN)由被称为“神经元”的基于软件的计算器的互连层组成。这些网络可以吸收大量的输入数据,并通过多个层提取和学习数据的特征来处理这些数据。 深度学习是使用深度神经网络的机器学习的子集,深度神经网络是连接的“神经元”层,其连接具有可以训练的参数或权重。它在从图像,文本和音频等非结构化数据中学习时特别有效。 早期和晚期场景是我们工作自动化模型的极端场景。“最早”场景将所有参数弯曲到合理假设的极端,从而导致自动化开发和采用的速度更快,而“最新”场景将所有参数弯曲到相反的方向。现实很可能介于两者之间。 微调是调整预训练的基础模型以在特定任务中更好地执行的过程。这需要对标记的数据集进行相对较短的训练,这比模型最初训练的数据集要小得多。这个额外的训练 允许模型学习并适应较小数据集中的细微差别、术语和特定模式。 基础模型(FM)是在大量非结构化、无标签数据上训练的深度学习模型,这些数据可以用于各种开箱即用的任务,也可以通过微调适应特定任务。这些模型的例子有GPT - 4、PaLM、DALL · E 2和稳定扩散。 生成AI是通常使用基础模型构建的AI,并且具有早期AI没有的功能,例如生成内容的能力。基础模型还可以用于非生成目的(例如,根据呼叫记录将用户情绪分类为负面或正面),同时提供比早期模型的显着改进。为简单起见,当我们在本文中提到生成AI时,我们包括所有基础模型用例。 图形处理单元(GPU)是最初为生成计算机图形(例如用于视频游戏)而开发的计算机芯片,也可用于深度学习应用。相比之下,传统的机器学习和其他分析通常在中央处理单元(CPU)上运行,通常称为计算机的“处理器”。 大型语言模型(LLM)构成一类基础模型,可以处理大量非结构化文本,并学习单词或单词部分之间的关系,称为标记。这使LLM能够生成自然语言文本,执行摘要或知识提取等任务。GPT - 4(ChatGPT的基础)和LaMDA(Bard背后的模型)是LLM的示例。 机器学习(ML)是AI的一个子集,其中模型在对许多示例数据点进行训练或显示后即可获得功能。机器学习算法检测模式,并通过处理数据和经验来学习如何做出预测和推荐,而不是通过接收明确的编程指令。这些算法还可以适应新的数据和经验,并且可以变得更加有效。 模态是一个高级数据类别,如数字、文本、图像、视频和音频。 生产率劳动是GDP与经济中总工作时间的比率。劳动生产率的增长来自每个工人可用资本数量的增加,劳动力的教育和经验以及技术的改进。 工程提示是指设计、细化和优化输入提示的过程,以指导生成AI模型产生所需的(即准确的)输出。 自我注意有时称为内注意力,是一种旨在模仿认知注意力的机制,将单个序列的不同位置相关联以计算该序列的表示。 结构化数据是可用于有效训练某些机器学习模型的表格数据(例如,组织在表、数据库或电子表格中)。 变压器是一种相对较新的神经网络架构,它依靠自我注意力机制将输入序列转换为输出序列,同时将注意力集中在输入周围上下文的重要部分。 技术自动化潜力是指可以自动化的工作时间的份额。 We assessed the technical potential for automation across the component activities of each occupiation. We used databases published by institutions including the World Bank and the US Bureau of Labor Statistics to bread down about 850 occuities into about 2, 100 activit 每个活动所需的性能能力取决于人类当前的执行方式。 用例是针对特定业务挑战的有针对性的应用程序,这些应用程序会产生一个或多个可衡量的结果。 例如,在市场营销中,生成AI可用于生成创意内容,例如个性化电子邮件。 非结构化数据缺乏一致的格式或结构(例如,文本、图像和音频文件),通常需要更高级的技术来提取见解。 跨功能和行业的生成AI用例 生成人工智能是人工智能发展的一个阶跃变化。随着公司急于适应和实施它,了解该技术为整个经济和社会带来价值的潜力将有助于制定关键决策。我们使用了两个 补充透镜,以确定具有当前功能的生成人工智能在哪里可以提供最大的价值,以及这个价值可能有多大(图表1)。 附件1 可以通过两个镜头来评估生成AI的潜在影响。 麦肯锡公司 第一个镜头扫描组织可以采用的生成AI用例。我们将“用例”定义为生成AI针对特定业务挑战的有针对性的应用,从而产生一个或多个可衡量的结果。例如,营销中的用例是应用AI来生成创意内容,例如生成电子邮件, 可衡量的结果可能包括减少生成此类内容的成本,并增加大规模高质量内容的有效性带来的收入。我们确定了63个生成AI用例,涵盖16个业务功能,当跨行业应用时,每年可带来2.6万亿美元至4.4万亿美元的总价值。 这将使我们现在估计的非生成人工智能和分析可以解锁的