在过去一年半,AI好像比一切都重要。但我们似乎很少看到AI创造的经济价值,也没有感受到AI对现有经济结构的冲击。
相反的,“一路狂飙的AI,为何商业化不顺?”“AI会取代人类的工作吗?”“大模型训练高投入低回报的困境如何破解?”这些由AI带来的现实问题,倒是被摆上台面。
在过去,小饭桌向众多AI技术从业者、资本市场投资人提出过上述疑问,但他们都没能给出答案。
而最近,我们与三位经济学家展开了对话:
ThomasJ.Sargent(美国经济学家,诺贝尔经济学奖得主);
陈龙(前蚂蚁金服首席战略官,罗汉堂秘书长);
刘培林(清华大学中国经济思想与实践研究院研究员)。
从三位经济学家那里我们得知,AI技术虽然很新,但在经济史上仍有迹可循, AI发展遇到的问题并不是新问题,在以往的技术革命中已经找到了解法。只是人工智能的从业者们,普遍只从技术视角理解商业,却没有从商业的视角理解科技。
“我们不能只从技术视角理解AI,技术革命其实很需要社会科学的理解,否则人类将多走很多弯路,付出更大的代价。” 在召开2024年罗汉堂数字经济年会之前,罗汉堂秘书长陈龙说了这样一句有些惊悚的话。
更严重的是,人工智能的从业者似乎还没有意识到这些问题……
小饭桌: 相比以往的技术变革,这一波AI技术浪潮给经济带来的影响有何不同?
Sargent: 很多年前人们谈论‘软件能否取代人类’,现在人们讨论‘AI能否取代人类’。但实际看来, 软件和AI都只是工具。
比如现在直接让AI做数学难题是解不出来的,需要专家引导方向。所以,如果我要使用更多的AI工具,那我就需要了解更多专业领域,如此一来,AI就不会代替人类。
小饭桌:作为经济学家,如何看待过去一年半AI的迅猛发展,有哪些比较惊喜的地方?
陈龙: 一方面我们见识了AI惊人的技术,总觉得AI会颠覆一切。可另一方面,直到今天我们还几乎没有看到来自AI的颠覆式商业创新。
小饭桌:为什么技术够好,却难以形成颠覆式商业创新?
陈龙: 我想特别强调的是,我们应该从商业的视角理解科技,而不是从科技的视角理解商业,两者截然不同。
回到AI,现在很多人讲AI都是从科技视角去讲,缺乏经济和商业的视角,其实倒过来看会非常不一样。
我举一个例子,在过去十年内,全世界见证了很多商业失败,比如元宇宙、区块链等等。不是说这些技术没有未来,但在商业和经济角度,应该问的是技术本质是什么?技术的商业本质是什么?技术和商业的结合会发生什么?影响的边界是什么?影响的环节是什么?
现在这样的讨论太少了,大部分讲AI的人都是AI技术的兴奋者,他们兴致勃勃。但正如元宇宙、区块链给我们的教训, 技术成立并不意味着商业成功。
小饭桌:开发大模型耗资巨大,可给企业带来的经济效益却很有限,如何看待投入和产出的不匹配?
陈龙: 我觉得这是两场战争,大模型最烧钱的是一开始的模型训练,后面推理使用需要的资金量要小很多。所以竞争最强大底层模型的公司,那确实需要烧钱训练,这没什么好说。
另一方面,很多用大模型做应用的公司,前期投入并不多,照样做的风生水起。比如很多公司将大模型落地到产业,让客户看到效率提升,愿意为之买单,所以基本不亏钱、不烧钱。
如果去年算是底层大模型元年, 今年就是产业大模型的落地之年,明年可能会有更多消费侧、个人侧AI应用崛起,随着这个节奏,投入就将看到回报。
另外,我也想鼓励一下企业,虽然现在80%的产业利润、收益还是被芯片公司和云计算公司拿走了,大模型公司得到的收益很少,但我认为十年之内大部分的收益会被产业应用、被用户拿到。
所以寻找AI落地,把它作为商业要素在自己的产业和场景内找到价值,这才是未来的必然之道。
我觉得大家不要被头部的大模型竞赛吸引,毕竟头部玩家的数量相当有限,很多应用领域其实大有可为,也不需要烧那么多钱。
很多大模型企业就应该是大模型应用企业,通过找到一些产业,跟产业数据和knowhow 结合,从而体现自己的价值。
小饭桌:大模型可能会率先在哪些行业得到应用?
刘培林: 不是可能,是已经在创造巨大的应用价值。
以我自身为例,由于我的英语水平一般,以往要写英文文章,都是我先写好英文初稿,再找专业翻译公司帮忙润色。可现在,只要喂给AI模型,几乎瞬间就能完成润色。而且从专业角度看,不但翻译准确,连用词都很考究。
所以我觉得翻译这个行业,包括同声传译,也许很快就会被AI取代。
我是研究经济的,以往写宏观经济形势分析,要专门建立数据库,看今年比去年增长了多少?与历史同期相比如何?对比数据之后得出结论。
但个人积累的数据肯定远不如大模型丰富,所以未来将大模型用于金融分析,应该会大行其道。不能说大模型会100%替代金融分析师,最起码会对行业带来很大冲击。
包括作为一个大学的研究人员,面对AI我也有危机感。因为就掌握的知识广度而言,我肯定不如人工智能,教课哪能教得过AI?所以我们也可能面临失业冲击。
未来可能对各行各业来说,都要运用人工智能,学会与人工智能共处。
小饭桌:现在有一种担忧是AI越来越强,可能会取代很多人的工作,经济学家是否有这个担忧?
刘培林: 经济学家研究经济史发现,每一个技术浪潮刚出来的时候,大家都有类似的担心——新技术会导致大量失业。
比如有一个英语单词 sabotage 。这个词的本义是指“将木鞋扔进机器”,现在代指“暗中破坏,怠工”。这个词的背景就是在工业革命早期,工人们觉得自己的生计被工业自动化威胁,以及不满流水线生产,就将脚上穿的木鞋扔进机器,卡住它们,让它们停止工作。
但现在工业自动化的好处已经有目共睹。
我想说的是,历史上每一次自动化技术迭代总会有人担心,要冲击就业。现在大家对AI也是这样的看法。
参考历史,我觉得首先一点是, AI技术浪潮来了,不可能被逆转,必须接受它,适应它。 另外从长期来看 ,也不必太过担忧,将来新创造的就业门类和就业岗位会超过被替代的。
还有一点是,在这个浪潮冲击的中短期过程中,还是要有政策储备,帮助个人适应冲击,同时个人也要努力学习新的技能。
小饭桌:那人工智能将如何影响我们的就业市场?是会带来更多工作机会,还是消灭一些工作机会?
刘培林: 坦白说我也没有准确答案。
经济学家通常会从两个角度分析新技术对就业的影响,一个是 “就业创造效应”,另一个是 “就业替代效应”。
以人工智能为例,短期内肯定有一批人赶上了这波浪潮,来不及学习人工智能技能,会被冲击,就业岗位会被替代,这就是替代效应。但人工智能又会催生出许多新的行业,这就是就业创造效应。
长期来看,是创造效应大于替代效应?还是替代效应大于创造效应?我也说不准。但我可以肯定的是, 新技术浪潮来临,谁也挡不住,就像把木鞋扔进机器阻止不了工业革命,你只能去拥抱新技术浪潮。
也许我们可以乐观一些,现在一些发达国家正在探索一种新的政策——“无条件基本收入” (政府拿出一部分税收平均发给人民,获得该收入不需要任何条件与资格。)
假如人工智能发展到最终阶段,真能替人类把工作全干了,那我们就不用担心工作,在家拿着无条件基本收入、享受闲暇,就行了。
小饭桌:到时大家应该担忧什么?
刘培林: 上世纪30年代,凯恩斯做了一次演讲,题目是“我们孙辈的经济前景”。凯恩斯预测百年后,物质生活资料供给问题将被彻底解决,或者至少是可望获得解决,届时人类将不用再为物质生活而发愁。
当人类从物质生活资料短缺的束缚中解放出来以后,真正的问题应该是如何优雅地打发闲暇时光,如何生活得更明智而惬意。
如果从现在起再经过二三十年的发展,整个社会的生产效率、生产能力因为AI赋能得到质的飞跃,迎来人们不用干活的时代,那么,也许届时真正要发愁的问题,就是凯恩斯百年前所说的,如何优雅地打发闲暇时光。
可以做一个思想实验:设想我们天天什么都不用干就有吃有喝,那么,如何让自己不至于无聊,其实也不是一件简单的事。这种情况下,我们都得思考如何让生活更加明智而惬意这样的哲学问题。
曾经有科学家做过一个小鼠实验,就是物质约束不再是一个问题后,小鼠倦怠、躺平,甚至连生育这样最本能的需求也没兴趣了,其实这也是一个很大的问题。
小饭桌:说了对未来的美好憧憬,再讲一个现实问题,现在大模型几乎所有利润都被英伟达和微软等少数巨头占据,AI创业公司获利有限,该如何形成新的商业循环,让更多人参与进来?
刘培林: 如何打破巨头垄断我没有确切答案,如果我知道答案,我也创业赚钱去了。
但参考商业史, 打破巨头垄断会是一个渐进的过程。 比如原先阿里每年将“双十一”搞得声势浩大,但挣的钱都用来买服务器、买数据库了。于是自己创新,直到后来一步步做出了阿里云,才逐渐摆脱了对巨头的依赖。
今天中国的大模型和云计算一样,本质上是‘技不如人’。按照目前的主流技术路线进行追赶是必要的。如果中国一直扮演技术追随者,行业利润被分走也就在所难免。
作为技术上的外行,我觉得如果能找到一个很细分的领域,积累有壁垒的专业数据,加上一定的而不是很强的算力,也许不用烧很多钱,也能产生不错的效果,那也是一个能挣钱的方式。
但是,正如清华大学的张钹院士和北京大学鄂维南院士所期待的, 如果中国科研机构和企业能通过AI底层理论突破,形成不同于目前主流的新技术路线,让大模型用更少数据、更少算力、更少能源消耗,进行更可控、更安全的运算和分析,自然就能赚大钱。
小饭桌:随着人工智能进入各行各业,将如何改变我们现有的经济结构?
刘培林: 经济结构的改变是一个漫长的过程,会一步步改变,也很难预测。
举个例子,在汽车刚发明的时候,在纽约的街上,马车在前面走,后面的汽车不能摁喇叭,因为一摁喇叭就容易惊了马,会造成安全事故。也就是说,在马车占主导的经济模式下,汽车是要给马车让步的。
但今天放眼全世界,汽车全面取代马车,经济结构、规章制度自然会发生变化。但这些变化在当时是很难想象的。
小饭桌:随着以人工智能为代表的新技术快速变化,政策制定者、市场侧应该如何调整,减少可能的消极影响?
Sargent: 我觉得如果我们回看工业革命,其实也是用机器代替很多人力的劳动, AI虽然现在看上去很新,但也是类似的逻辑。
比如我的父亲之前是一名保险公司职员,但他的工作现在已经不存在了,因为计算机出现后,他的工作内容已经被彻底改变。
这个变革过程中,人们会根据自己的技能去做别的事情,整个市场会形成一个新的市场机制,让大家根据技能找到新工作。也就是说,当新技术出现,工人会有新型企业入驻,他们也会找到方式培养新技能,把原来过剩的劳动力引入市场,重新去应用它们。
所以我觉得 变革并不是有人故意对劳动力市场造成一些影响,这是一个非常自然而然的过程。
就像在AI出现之前,没有人知道AI会对我们现在造成这么大的影响。随着科技继续发展,很多想法、很多创新不断产生,哪个想法会实现、哪个想法会为我们带来革命性的变化,这不是事先被预定好的东西。比如中国过去40年发生的很多东西,企业家不断创新,其实也是一个自然而然的过程。
小饭桌:从可持续发展角度,大模型训练带来的高能耗问题,是否会阻碍其进一步发展?
刘培林: 能耗问题恐怕要从更高维度看。
大模型训练本身的确带来了高耗能问题,但随着技术迭代,训练能耗会逐步降低。另外,更关键的是大模型可能让全社会的能耗降低。
举个例子,微软、谷歌等巨头通过大模型做出了更智能化的产品,让知识可以免费零成本或者以很低成本扩散到各行各业,各个行业就变得更加智能,就会减少大量的无谓的浪费,从而降低全社会的能源消耗。
比如设计领域,原先要设计某个飞机零部件,需要靠工程师,靠经验,用穷举法做好多次实验,然后选出最优解。这个测试选优的过程就是资源的浪费。
但是现在通过大模型,能直接推算出最优解,其实相当于节约了巨大的成本和能耗。
就像大模型所依靠的Scaling Law (标度定律) 一样,随着数据规模越来越大,推算效果越来越好,我觉得未来全行业单位知识的获得所消耗的能量,应该是递减而不是递增。