作者： 程實 張弘頊

　　未來并未真正到來，卻又似乎正加速到來。ChatGPT的熱潮最重要的現實意義可能恰在于，它激發了整個人類對AI（人工智能）的深度思考和高度警覺。我們認為，AI技術發展將從微觀、宏觀和歷史三個層面，對人類經濟社會產生深遠影響。

　　微觀層面，大語言類模型的通用性和泛化能力，將刺激未來5~10年AI系統不斷與移動設備、音頻、圖像、視頻等行業領域加速融合，更大規模的數據、更好的算法、更快的訓練將為經濟活動創造更有價值的商業工具。

　　宏觀層面，AI技術對現實經濟活動的影響仍存在一定滯后性（“生產力悖論”），這使得現有的經濟增長模型很難全面反映AI或者數據要素創新對經濟潛在增長的復雜影響，而隨著AI的泛化能力和對目標理解的不確定性不斷強化，AI技術創新對商業價值的釋放將變得更加不可預測，這將導致經濟增長的不連續變化成為常態。

　　歷史層面，對大語言類模型引領未來AI發展不宜過于樂觀，畢竟大語言類模型結合強化學習并非真正的智能，真正的人工智能需要具備判斷常識和自我推理能力。正如OpenAI 自己所講：“ChatGPT不是真正的智能，但它讓人們體驗到了真正智能實現后，每個人都能通過智能實現他們目標的滋味。”

　　微觀層面：AI技術的不斷演繹與迭代或將帶來新一輪應用創新

　　近20年來，人工智能技術的發展基本分為三個階段。第一個階段是2015年以前，人們對AI模型的設計和應用強調“解構化”，即通過不同的小型模型理解人類語言并分析不同情景中的工作任務。通常這類模型基于“監督式學習”并用于工業制造業、交通貨運、欺詐分類等特殊場景中。然而，這類小型模型距離大規模通用性仍有很遙遠的距離。

　　2015年之后，Google Research 的里程碑式論文“Attention is All You Need（注意力就是你所需要的一切）”介紹了一種新的用于自然語言理解的神經網絡模型（Transformers）。這類模型通過“無監督式模型”可以以更少的訓練時間生成更高質量的語言模型。Google進一步把這些模型開始具有目標性地應用于不同的特定領域中。

　　2015~2021年以來，隨著這些模型訓練數據的量級不斷增加，模型生成的精準度不斷上升。結合AI科學家將強化學習模型納入到神經網絡模型中加強了機器人的記憶力，這使得AI對文字、音樂、繪畫、語音、圖像、視頻等領域的理解逐漸超過了人類平均水平。ChatGPT正是在這樣的背景下實現了從量變到質變的跨越。我們認為，ChatGPT等人工智能技術可以幫助人類實現更多的數據要素創新，從而改變和豐富消費者行為。

　　具體來說，ChatGPT相比過去的機器人最大的不同在于記憶能力。通過在人類環境中不斷進行強化訓練，ChatGPT可以靈活記憶與人溝通的對話信息，并實現連續對話。相比過去的Siri或者傳統搜索引擎，ChatGPT能夠從人類反饋中不斷實現強化學習，這直接改變了經濟社會中人類直接獲取信息和輸出內容的方式。一旦獲取信息的中間成本被大大降低，數字經濟中數據要素的使用效率將顯著提高，勞動生產力也將得到進一步的釋放。

　　此外，隨著ChatGPT的不斷迭代，AI自動生成內容將變得更加豐富。不論是在文字、音樂、繪畫、語音還是圖像、視頻、游戲等領域，AI參與生成的可能性將大大提高。我們預料，圍繞ChatGPT等大語言模型，2022年后的未來10年大量的程序開發將不斷涌現，這或將加速大語言系統與當前互聯網移動設備、智能相機、語音識別系統進行深度融合，從而深度改變當前全社會的消費模式和消費行為。

　　宏觀層面：人工智能技術對現實經濟增長影響仍存在滯后

　　根據諾貝爾經濟學獎得主保羅·羅默（Paul Romer）的觀點，當前全球經濟增長低迷、勞動生產率長期停滯的主要原因是我們還沒有深刻了解如何充分實現和轉化數字經濟利益在經濟進步中的貢獻。從問題的根源說起，當前經濟學家對于經濟長期停滯有多種解釋，包括低效的商業投資、人口老齡化、技術創新普遍下滑等。但羅默指出，技術創新普遍下滑的說法可能是不嚴謹的。進入信息時代，圍繞數據要素的技術創新迭代相比傳統技術創新迭代的路徑與方向正在發生變化。以人工智能、大數據、區塊鏈為代表的新一代信息技術與傳統全要素生產率和經濟增長之間存在影響滯后性。

　　斯坦福大學經濟學家保羅·大衛（Paul David）進一步將這種滯后描述為“生產力悖論” ，他發現現代計算機革命對生產力水平的顯著提高可能比20世紀電力對生產力的推動需要更多的時間。基于現有的文獻，AI技術與生產率之間存在顯著的“擴散滯后”。這是因為人工智能的發展依托于對數據的訓練，而當前AI技術對數據的收集、處理和訓練都需要較長的時間。以ChatGPT為例，相比Web1.0和Web2.0單向內容輸出，盡管ChatGPT具備了雙向輸出和互動的能力，然而ChatGPT從獲取數據到訓練數據仍需要較長的周期。當前ChatGPT的數據更新為2021年，這意味著ChatGPT并不知道2022年以后發生的事情。實時數據無法被動態更新，使得ChatGPT等基于神經網絡模型的AI技術很難滿足商業價值創造所需的即時性。

　　此外，AI技術幾乎每一次迭代都需要外部基礎設施作出相應升級改造，但外部相關基建和硬件設施往往難以在短期內有效支持AI相關技術較高的配套訴求。比如基于區塊鏈技術的智能合約可以幫助企業間實現更加快速、安全、便捷的合作協議，但區塊鏈技術的全面落地實際需要基于Web3.0網絡搭建，而Web3.0的建設則需要實現去信任的交互協議平臺、分布式存儲和隱私計算三大底層基礎設施支持，這也是為什么人們在現實活動中很難深切感覺到AI相關技術對傳統的生活方式產生了直接性的沖擊。然而，隨著人工智能通用性和對目標理解的不確定性不斷強化，AI技術創新對商業價值的釋放將變得更加廣泛和不可預測，這意味著未來技術創新對經濟增長造成的不連續變化將逐步成為常態。

　　歷史層面：ChatGPT僅僅是AI發展過程中的一條分支，不宜過分樂觀

　　ChatGPT在人工智能領域中主要構建于大語言歸納模型。大語言模型主要是利用自然語言和神經網絡模型對人類生產的語言類數據進行訓練，并結合強化學習不斷強化AI對人類語言的理解能力。從反饋機制來看，ChatGPT 的智能回應是基于龐大數據量上的梯度下降得到的。但值得強調的是，純粹的梯度下降并不等同于智能化。所謂AI的智能性，不僅僅是對知識的歸納處理，最重要的意義是AI學會進行知識推理并具備認知常識的能力。

　　過去5年，ChatGPT的通用性和泛化能力確實得到顯著提升，但在模型中我們實際并不知道該模型泛化能力是如何通過模型訓練具體形成的，我們也很難明確通用性和泛化性的邊界在哪里。因此，如果僅僅將ChatGPT視為一種幫助人們實現目標的工具，它確實能夠產生更多的商業價值。但如果將ChaGPT等大語言類AI技術視為改變人類文明必由的途徑則有些言過其實。因為只有當AI真正實現知識推理，才能說AI具備了真正的智能化。

　　另外需要注意，隨著AI技術的發展，人類的確存在對AI失去控制的風險。無論是從運籌學的最優獎勵機制、統計學的最小損失函數，還是經濟學的效用最大化，在現今所有標準模型下對機器人的指令幾乎都會導致AI失控。這是因為標準模型下AI在實現目標的過程中很可能會不惜一切代價實現目標，甚至包括脫離控制本身。因此在未來5~10年內，無論是大語言模型還是其他AI模型都會不斷納入新的技術以尋求AI對人類偏好的進一步認知，這也反映了人機互動將是不可避免的發展趨勢。也只有這樣，才能保證在AI擁有自我判斷能力和常識前，人類可以足夠降低AI失控的風險。

　　回顧AI的發展史，當前人們對人工智能的探索仍處于類似工業文明爆發前期的“啟蒙時代”。確切來說，我們對于智能的實現是基于長期實驗和觀察累計的經驗歸納總結，人類要想實現真正的人工智能并構建真正的智能系統，根本上是解決如何用數學或其他語言去描述宇宙中包含的各種不規則性。如果我們忽略了數理邏輯以及知識推理對人工智能發展的真實意義，人類很可能會再次陷入一場“自欺欺人”的騙局之中。

　　（程實系工銀國際首席經濟學家，張弘頊系工銀國際資深經濟學家）

海量資訊、精準解讀，盡在新浪財經APP

責任編輯：李桐