沃顿商学院AI研讨会：AI对全球经济格局、企业战略和就业市场的多维度影响

一场备受关注的沃顿商学院AI研讨会上，斯坦福大学教授Erik Brynjolfsson带来了一场极具分量的演讲。作为HAI（人类中心人工智能研究所）数字经济实验室的负责人，他长期扎根于数字经济、人工智能和未来工作的研究，其开创性工作深刻地改变了我们对数字技术如何重塑企业与社会的理解。 他的核心判断是：我们正从传统的“软件1.0”模式，全面转向“软件2.0”的新时代。在这个新范式中，机器学习算法能够从海量数据中自主学习，不再需要程序员事先穷尽每一个细节。这一转变之所以能发生，依赖于三个关键因素的同步爆发：计算能力指数级的跃升、数字化数据的爆炸式增长，以及机器学习算法本身的显著改进。 更进一步，这种范式转换的意义远不止于改变软件本身。它正在从根本上重新定义人类与技术的关系。随着AI系统变得愈发强大和普及，工作本质、创新过程，乃至我们在快速变化世界中的竞争力，都需要被重新审视。 以下是他演讲的核心内容整理。 ### AI：我们这个时代的“通用技术” 毫无疑问，人工智能是我们这个时代最重要的技术，甚至可能是整个人类历史上最重要的技术。原因在于，AI是一种**通用目的技术**（General Purpose Technology，GPT）。 这类技术有三个核心特征：第一，应用范围极其广泛；第二，会随着时间推移不断改进；第三，能够催生大量互补式的创新。蒸汽机和电力是过去最典型的例子，它们是驱动经济增长的关键力量。而AI，就是我们这一代的通用技术。甚至可以说，它可能是所有通用技术中最“通用”的那一个。正像DeepMind伦敦办公室里那句看似“狂妄”的口号：“我们的目标是解决智能问题，并利用它来解决世界上的其他所有问题。”当然，每个人可能都有自己的“宏大使命”，但这句口号背后的逻辑是站得住脚的：如果能真正攻克智能问题，那么在健康、环境、贫困乃至社会治理等领域，都将迎来突破。 好消息是，AI不仅是一种通用技术，而且它还在飞速进化。 大约八九年前，我们启动了“AI指数”项目，目的是系统性地追踪和分析AI领域的进展。从一张汇总了各类数据的图表中，可以清晰地看到各项指标的快速攀升。比如图像分类任务，以前在ImageNet上精准识别几乎是不可能的，而现在，它在许多应用中的表现已经超越了人类。图中有一条虚线，标志着机器能力超过人类的临界点，这在经济学上具有里程碑意义。 那些曲线不仅陡峭，而且斜率在逐年增加。为什么会这样？ 要理解这一点，我们需要看清AI与传统技术的根本不同。早期的技术，比如蒸汽机，主要增强的是人类体力。而第二次机器时代，则关乎**心智能力的增强**。在过去的半个多世纪里，这场革命主要集中在特定类型机器上——你教它做什么，它就精确执行，从传统编程到早期的专家系统都不例外。那时，我们需要手动编写成百上千条规则，让机器一步步执行。 但现在，我们进入了一个全新的时代：**机器学习**。Andrej Karpathy将其称为“软件2.0”。传统编程是所有程序员熟悉的模式：给定输入，编写指令，计算机得出输出。程序里哪怕一个标点符号出错，结果就会完全跑偏。而“软件2.0”则完全不同：我们给定输入和输出，通过大量训练数据，让机器**自己推导**出隐藏在数据背后的函数F(x)。你不需要事先知道这个函数是什么，机器能从模式中学习隐性知识。新模式分为两步：一是在大数据集上训练（非常昂贵），二是运用训练好的模型进行推理（可以在手机等本地设备上运行）。 ### 新范式与三大驱动引擎 这个新范式并非一夜之间形成的，它的威力来自于三个驱动力在同一时间点上的汇合。 第一是**计算能力的巨大提升**，如今的计算力比几十年前高出数百万倍。第二是**数据量的爆炸式增长**，90年代之前几乎没有数字化的数据，而现在海量的数字数据为机器学习提供了基础。第三是**算法的持续改进**。三者的协同效应，将机器学习从一个学术概念变成了一种极其强大的实践工具。 我们甚至现在已经进入了“第三次浪潮”——**生成式人工智能**。这一次，AI不仅能根据指令执行或通过学习来预测，它还能**创造**。这一发展曾让包括我在内的许多业内人士感到意外，甚至让一些科幻作家显得有些“想象力不足”。在电影《我，机器人》中，2035年的机器人唱不了歌也作不了画，但换作是2024年的人工智能，它可能会回答：“当然可以，甚至还能做更多。” 除了科幻素材，我们有大量量化数据支持。比如，AI现在能够参加SAT、PSAT或GRE等考试，其表现已经能与50%甚至90%的人类考生持平。当然，学术考试并不能完全衡量实际生产力。 一个更具说服力的例证，来自我们与Lindsey Raymond、Danielle Li在呼叫中心开展的一项研究。这是一个标准的自然实验，背景是Cresta公司引入了一个基于GPT的大型语言模型，目标不是替代客服人员，而是**增强**他们的能力。当客户提出问题时，系统会为客服人员提供一个实时提示。客服可以选择直接采用、编辑修改，或完全忽略。实验数据非常干净，不需要复杂的计量经济学分析，从数据中就能直接看到结果。 结论是显著的：每小时处理的案件数量、处理速度和解决问题的成功率都有明显提升，且结果在统计上高度显著。 更有趣的是差异化效果。过去几十年，技术变革的主流范式是“技能偏向技术变革”——即高技能工人受益更多，加剧了收入不平等。但**这一次，情况完全不一样**。我们将客服人员按技能水平分成五组分析，发现受益最多的并不是最强的那群人，而是**技能最弱的工人**。整体效益提升了约14%，但对技能最弱的工人，提升幅度接近30%，甚至高达35%。而技能最强的工人，几乎没有显著提升。这种模式也体现在工作年限上：新员工比老员工受益更多。 为什么会这样？因为AI系统能够捕捉到那些顶尖客服人员身上的**隐性知识**，这些知识从未被写进任何手册。系统通过分析海量对话记录，学习哪些回答效果好，并把这些洞见传授给技能较弱的工人，从而缩小了技能差距。如果你已经是顶尖选手，系统自然没什么可以教你的。 而且，AI还帮助这些工人**加快了学习速度**。使用系统的员工在短短四到五个月内（甚至两到三个月），表现就超过了没有系统支持的员工。我们曾担心这会形成“依赖”——就像一些人用了GPS后不会自己找路了。但事实相反，当系统偶尔随机崩溃时（这对研究者来说是极好的自然实验，尽管对公司是灾难），那些依赖系统的员工依然表现更好。这表明他们不仅依赖系统，而是将知识**内化**了。AI非但没有成为拐杖，反而变成了一个高效的学习工具。从学习方式上看，没有AI时，员工只能在一周后与经理开会，复盘一句对话，效率低且稀疏。而AI系统则提供了**即时、上下文相关**的答案提示，让学习效率大大提升。语言分析也显示，低技能员工的语言风格开始向高技能员工靠拢，不仅在内容上，还包括语气、用词类型，甚至跨文化隐喻上的趋同。 ### 机器学习的边界与“图灵陷阱” 不过，AI也有它的边界。机器学习极度依赖数据。它在常见问题（如“如何更改密码？”）上表现极佳，但在那些只出现过一两次甚至从未见过的罕见问题上，则力不从心。人类则善于处理这些例外情况。这是人机的互补：在常见问题上机器擅长，在罕见问题上人类更胜一筹。 尽管上述研究展现了AI助力技能较弱群体、缩小差距的乐观一面，但我仍然担忧它是否会持续减少收入不平等。即便在技能层面有帮助，它也可能导致价值从劳动向资本的倾斜，而资本的集中度远高于劳动力，这可能加剧财富与权力的集中。 这就引出了我所谓的“图灵陷阱”。艾伦·图灵在1950年的那篇标志性论文中，将人工智能定义为“模仿游戏”，认为智能的标杆是像人类一样思考。这个目标一度非常流行，但现在我认为它既不是好测试，更不是好目标。有好几个原因。 **首先，它不够雄心勃勃。** 如果只是让机器复制人类现有的工作，那是设定了一条低标准的路线。想象一下，几千年前就有人发明了能完成古希腊人所有工作的机器——生产陶罐、编织长袍、甚至用古法治病。这听起来不错，但我们的生活水平真能大幅提高吗？真正驱动进步的，是**发明新事物**，创造我们从未有过的东西。 **其次，而且更危险的是，它会带来不平等。** 如果劳动时间趋于零，生产力（即产出除以劳动时间）会趋于无限大。这听起来很棒，但劳动收入同样会趋于零。对大多数人来说，收入来源就是劳动。当生产力无限增长，却让大多数人陷入困境时，这显然不是我们想要的结果。因此，我们需要探讨**劳动收入的去向**。劳动收入的本质是去中心化的——你不支付工人工资，就得不到劳动产出。如果不被需要了，工人就失去了经济谈判力量，这可能引发严重的社会问题。 ### 变革性AI与如何面对“未知” 实际上，我们正在目睹“半人马”模式的失效。1997年卡斯帕罗夫输给深蓝后曾说：“机器能打败我，但人类和机器联手能打败任何机器。”但AlphaZero如此强大，人类建议对它而言已沦为杂音。另一个例子是自动驾驶，虽然进展比预期略慢，但正在逐步逼近。从Waymo在旧金山的运营到特斯拉的尝试，汽车正在经历从辅助驾驶到完全自动化的过程。我们可以将这个思路推广到经济中的每一项任务，思考哪些任务会更快被自动化，哪些会有阻力。 关于这项技术的未来，一个核心问题是：我们是否应该先彻底弄清楚神经网络的工作原理，再全速前进？这是一个真实的挑战。如今，AI系统在神经网络中建立起数十亿甚至上万亿个连接，但开发者并不知道每个连接的具体作用。Geoffrey Hinton（神经网络之父）坦言，他并不完全理解这些系统如何得出结论。这可能意味着，我们正在进入一个必须“信任神谕”的时代——AI给出了正确答案，但我们未必能理解为什么。更奇怪的是，也许这些模型对语言的理解有多重层次，远远超出了人类的认知极限。 放慢脚步等我们搞清楚再往前推进，这听起来合理，但实际上不现实。一个更可行的方案是，用一个AI系统来分析另一个AI系统，解释其决策过程。但即使如此，AI也必须将解释简化，让我们能理解。有趣的是，人类自己也是如此，我们大脑中的700亿个神经元如何工作，我们自己也不明白，只是能提供一个自圆其说的“故事”而已。这提醒我们，如何在这个“未知”中保持理性，将是一个深刻的哲学和认知挑战。 ### 判断与转型 商业周期上，AI可能会加速一切，制造一种“红皇后现象”：各方都在加速，但相对优势并没有提升，掌控经济的难度依旧。更大的风险在于，当生产力大幅增长时，如果宏观经济管理不当，可能导致严重的需求不足——就像20世纪30年代的美国农民，技术进步带来产能大增，价格下跌，但农民收入反而减少。 至于数据枯竭的问题——有观点认为，如果AI公司2051年之前可能用尽互联网上的大部分数据，它可能无法进步。这或许是个“好消息”？但实际上，我们可能还有10倍到100倍的视觉数据或图像数据可供利用。更关键的是**合成数据**：AI可以生成自己的数据，然后从中学习，甚至表现得更好。这就像“拔着自己的头发飞起来”——你可以用GPT4生成大量示例，然后训练出更强大的GPT5。 此外，提升性能的方式可能并不全依赖数据和算力。比如，一个大型语言模型有数十亿个参数，但只有大约1%的参数真正有效，其他可能算是“垃圾”。如果能找到更高效的方法锁定那1%，性能就能大幅提升。再比如“元认知”——一个LLM如果只是逐词预测，效果一般；但如果先让它按步骤思考——写大纲、收集证据、调整大纲——它的表现会比单纯预测下一个词好得多。这些都是未来几个月和几年内可以期待的突破。 我的观点很明确：全面自动化是有风险的，但并不是绝对不能碰。在枯燥、危险、不愉快的工作上，全面自动化是个好主意；在其他地方，它未必更有效。现在的激励体系过度倾向自动化，而常常忽视了将人类纳入系统的互补增强方案，这可能才是更有效的路径。要纠正这个偏见，需要同时改变政策、税收体系和思考方式。比如，现在的税收制度让拥有更多员工的公司税负更重，而全自动化的公司反而税负更轻。如果我们想要扭转方向，完全可以调整这些激励。 最终，问题并非“技术会来做什么”，而是**我们想要技术实现什么**。这个问题，只有在座的各位通过持续的深入研究，才能找到答案。