人工智能的宏观经济学 - Brynjolfsson - Unger

F&DArtfi社会情报 宏观经济 202023年12月插图作者：JunCen 人工智能 Artfi社会情报 F&D 我们做出的集体决定今天将确定AI如何影响 生产率增长，收入不平等，和工业集中度 ErikBrynjolfsson和GabrielUnger 2023年12月21 F&DArtfi社会情报 E 经济学家的预测记录很差- 未来。硅谷一再 循环通过希望和失望 下一个大技术。所以一个健康的怀疑论者- cism对任何关于如何的声明 人工智能将改变经济是正义的- tified。尽管如此，有很好的理由严重的AI-系统的不断增长的潜力表现出智能行为，如学习、推理- ING和解决问题-转变经济，特别是考虑到惊人的技术进步过去一年。 AI可能会在许多领域影响社会 经济-包括国家安全、政治和 culture.Butinthisarticle,wefocusontheimplications 人工智能在宏观经济利益的三个广泛领域： 生产率增长、劳动力市场和工业 浓度。AI没有预定的未来。 Itcandevelopinverydifferentdirections.Theparticu- 未来的出现将是许多人的结果 事情，包括技术和政策决定 今天制造的。对于每个区域，我们都有一个岔路口:两条路径导致人工智能和人工智能非常不同的未来经济。在每种情况下，糟糕的未来都是 最小的阻力。走向更美好的未来将需要良好的政策-包括 •创造性的政策实验 •社会对人工智能的一系列积极目标，不仅仅是要避免的负面结果 •理解技术的可能性 人工智能的发展非常不确定，发展迅速，社会必须能够与他们一起进化 低生产率的未来 在生产力分叉的一条道路上，人工智能的影响是有限的- 尽管技术能力迅速提高- 与人工智能的联系，它可能会继续被企业采用 速度慢，并将fiNed转换为大fi均方根(Zolas和其他人 2021)。人工智能的经济学可能会变得非常 狭窄的省力品种(什么DaronAcemoglu 西蒙·约翰逊称之为“马马虎虎的技术”，比如 自动杂货店结账台)，而不是一个使工人能够做一些新奇或强大的事情 （请参阅本期F＆D中的“再平衡AI”）。流离失所 工人可能会不成比例地结束在更少的 生产性和动态性较低的工作，进一步抑制任何 对长期生产率增长的总收益fit 经济的速度。 就像硅谷最近的许多技术一样- CAL爱好者(3D打印机、自动驾驶汽车、虚拟 现实)，人工智能也可能最终变得不那么有前途或更少准备比最初希望的要推向市场。任何真正的 经济收益，即使是温和的，也可能出现在 在fi技术的第一个时刻之后几十年的数据- Nologicalpromise,ashasoftenbeenthepattern.The 著名的悖论身份fi由经济学家罗伯特·索洛1987年-“您可以随处可见计算机时代但是生产率统计数据“-可能会变得更多 极端，因为每个人似乎都有一个AI聊天机器人他们的朋友感到惊讶，但企业似乎没有更多 他们更多地使用人工智能是有生产力的。公司可能会- 通过未能 fi找出组织和管理变革 他们需要最好地利用它。 而且，就像自动驾驶汽车一样，技术- 从一个令人兴奋的证明中走出来的合乎逻辑的挑战对高可靠性产品的概念可能会进一步 由于没有设计的法律制度而加剧为了适应这项新技术，可能会- 阻碍了它的发展。在人工智能的情况下，那里 对现行法律的规定有巨大的不确定性- 认证知识产权意味着当模型是 在数百万个数据点上训练，这些数据点可能包括 第一叉：生产率增长 fi第一条道路关系到经济增长的未来-这在很大程度上是生产力增长的未来。美国经济一直陷于令人不安的低水平-在过去50年的大部分时间里，除了在1990年代末和早期短暂的复苏 2000年代（Brynjolfsson，Syverson和Chad2019）。大多数 发达经济体现在也有同样的问题 生产率低增长。比任何其他因素都多，生产率-单位投入的产出-确定 国家的财富和他们的生活水平 人。随着生产力的提高，这样的问题如 预算deficits、减贫、医疗保健和环境变得更加易于管理。提升 生产率增长可能是全球最大的资金- 心理经济挑战。 “导致更糟糕的道路未来是一个最小的电阻和结果低 生产率增长，更高收入不平等，而且更高 工业集中度“。 保护他人的知识产权。知识产权财产法最终可能会通过创造一些-类似于“专利丛林”的东西 防止模型在数据上进行训练 开发商没有明确的权利。同时， 错误的选择可能会破坏 创意专业人士制作更多的小说- Artfi社会情报 创造力和科学fic发现本身-数学，科学- ENCE，进一步的AI开发-一种递归 自我提升曾经只是一门科学fi 思考实验。 第二叉：收入不平等 个人收入不平等的加剧 过去40年的工人是一个主要问题。A 大量的劳动经济学实证研究建议-获取计算机和其他形式的信息技术可能导致了收入不平等- 通过自动化消除常规的中等收入工作，这将劳动力极化为高收入 和低收入工人。虽然首席执行官和 看门人仍然存在，电脑已经取代了一些 oce工人的中间层(Autor、Levy和Mur- nane2003).WeconsidertwoscreenesforAI’seveect 关于不平等。 F&D 为机器学习系统提供动力的帐篷。更不平等的未来 此外，国家监管机构，在任何国家的推动下- 出于担忧，可能会实施严格的规定， 减缓AI发展和传播的速度。 他们甚至可能被早期的开发商敦促 渴望保护自己的领先优势的AI。此外，一些国家、企业和其他组织 可能会完全禁止AI。 高生产率的未来 但还有一种替代方案，人工智能导致 更高的生产率增长未来。人工智能可能会被应用 大部分工作所完成的任务- ers(Eloundou等2023年)和大幅提升 在这些任务中的生产力。在这个未来，人工智能承诺成为最激进的技术 几十年来的突破。而且，它最终 补充工人-让他们花更多的钱 时间在非常规、创造性和创造性的任务上，而不是 而不仅仅是取代它们。AI捕获并体现隐性知识(通过经验获得，但 难以阐明)的个人和组织 利用大量新的数字化数据。作为 结果，更多的工人可以花更多的时间在新的问题，以及越来越多的劳动力 越来越像一个研究社会 科学家和创新者。结果是经济不 只是在更高的生产力水平上，但在一个周期- 增长率更高。 在这个未来，人工智能与机器人也意味着更多的经济 适应人工智能相关的进步。人工智能使社会-不仅仅是为了更好地做它已经做的事情，而是做事情，想象以前是不可思议的事情- 无法。人工智能支持的医学研究能够实现无线电- CAL人类生物学和药物知识的进步 设计。AI变得能够帮助引擎 在fi第一种情况下，人工智能导致更高的收入不平等- 技术专家和经理设计和实施- AI直接替代多种人类 劳动，压低了许多工人的工资。到 更糟糕的是，生成AI开始产生 文字、图像和声音，以前想到的任务作为非常规甚至创造性的机器 与客户互动并为 amarketingcampaign.Thenumberofjobsunder 来自AI竞争的威胁最终会大大增加 更大。整个行业都被颠覆了，而且越来越替换(对劳动的威胁可能由 最近的罢工的编剧和演员在美国，要求制片厂限制 他们对AI的使用)。 这不是大规模失业的未来。但是在 这个更不平等的未来，因为人工智能取代了高 或体面的工作，更多的工人被降级 低薪的服务工作——比如医院的服务员， 保姆和门卫-有些人的存在 本质上是有价值的，工资是如此之低，以至于忙- Neves不能证明一项大型技术的成本是合理的 投资来取代它们。纯粹的fiNAL堡垒 人类劳动可能是这些类型的工作，有一个物理- CAL维度。收入不平等在这种情况下增加- 随着劳动力市场进一步两极分化，高技能精英和大量低收入阶层 服务工人。 未来不平等程度较低 然而，在第二种情况下，人工智能导致更低的收入不平等，因为它对 劳动力是帮助经验最少或最少的人 知识渊博的工人更擅长他们的工作。软件- 例如，软件编码人员现在受益于来自各部门的fit-AI模型，如Copilot，这些模型 F&DArtfi社会情报 借鉴许多其他工作的编码最佳实践- ers。使用Copilot的缺乏经验或低于标准的编码器 变得更像一个非常好的编码器，甚至 当两者都可以使用相同的AI时。一项对5,000的研究 从事复杂客户援助工作的工人在呼叫中心发现，在工人中 在AI助手的支持下，最不熟练的或者最新的工人表现出最高的生产力 收益(Brynjolfsson、Li和Raymond2023)。如果就业- Eers与工人分享了这些收益，分配了 收入会变得更加平等。 除了创造低收入的未来 不平等，人工智能可能会帮助劳动在另一个更微妙的，但意义深远。如果人工智能是最 常规和公式化的任务，然后通过采取 繁琐的日常工作，人类的手，人工智能可能会完成- 真正有创意和有趣的任务，改进- 工作的基本心理体验，以及 作为输出的质量。事实上，呼叫中心研究 不仅发现生产率提高，而且减少了工人营业额和客户满意度的提高 使用AI助手。 第三叉：工业集中 自20世纪80年代初以来，工业集中-这衡量最大fi均方根的集体市场份额 在一个行业-在美国大幅上升 和许多其他发达经济体。这些大 超级明星fi均方根通常是资本密集型的 技术上比他们的小 同行。 对于 AI的影响。 更高浓度的未来 在fi第一种情况下，工业集中度增加，只有最大的fiRMS在其核心中密集使用AI业务。AI使这些fi均方根变得更加亲- 诱人的，专业的fi表，比他们的竞争对手更大。 人工智能模型的开发变得越来越昂贵，在原始计算能力的术语-一个巨大的前期 成本，只有最大的fi均方根值才能获得。需要在海量数据集上进行培训，这非常大型fi均方根已经从他们的许多客户 而小fi均方根不会。此外，在AI模型是培训和创建，操作起来可能很昂贵。对于例如，GPT-4型号的成本超过1亿美元-狮子在最初的发展过程中训练，需要 大约每天运行700,000美元。开发的典型成本- 一个大型的人工智能模型可能很快就会达到数十亿美元的水平。美元。领先的AIfiRMS的高管预测 缩放定律显示出 培训成本的增加和绩效的提高将在可预见的未来保持优势给拥有最大预算和 最大的数据集。 那么，可能只有最大的fi均方根和他们的 业务合作伙伴开发专有AI-作为fiRMS 如Alphabet、微软和OpenAI已经 doneandsmallerfirmshavenot.Thelargefirmsthen 变得更大。 更微妙，但也许更重要，甚至在一个专有AI不需要 只有最大的fi均方根才能承受巨大的fi成本，AI可能仍然不成比例地受益于fit最大的fi均方根，通过帮助他们更好地在内部协调他们的COM- Plex业务运营-一种规模较小和 更简单的fi均方根没有。顶部的“可见手” 高管在最大的fiRMS内管理资源， 现在有了人工智能的支持，允许fiRM变得更多有效，挑战哈耶克式的小优势 fiRMS在分散市场中的本地知识。 较低集中度的未来 在工业集中度较低的未来，如何- 永远，开源AI模型(如Meta的LLaMA 或伯克利的考拉)变得广泛可用。一个COM- 支持fit公司、非fit公司、学者、 个人程序员创造了一个充满活力的开源AI 生态系统，可广泛使用已开发的AI模型。这使小型企业可以访问indus-尝试领先的生产技术，他们永远无法以前有过。 其中大部分是在一份内部备忘录中预示的2023年5月从谷歌泄露，其中一名研究人员他说：“开源模型更快，更有用- 可分级的，更私密的，更多的磅对磅比专有模型更有能力。研究人员 说，小型开源模型中的进程可以被许多人迅速重复，最终被押注-比缓慢迭代的大型私人模型 由一个团队组成，并且开源模型可以 培训更便宜。在谷歌研究员看来，开源AI最终可能会主导昂贵的 专有模型。 也可能是人工智能鼓励广泛的， 去中心化的创新，更好地在各个方面 许多小的fiRM比一个大的fi