人工智能正在改变经济——要理解其影响，既需要数据，也需要想象力

人工智能将如何重塑全球经济？一些经济学家预测其影响较小，未来十年国内生产总值仅增长约0.9%；另一些则认为到2045年，人工智能可能为全球年度经济产出增加17万亿至26万亿美元，并使当今多达一半的工作实现自动化。但即便在全面影响显现之前，人们对人工智能未来的看法已在影响当下经济——引导年轻人的职业选择、指导政府政策，并推动大量投资流入半导体及数据中心的其他组件。

为何现在就要评估人工智能的影响
鉴于 stakes 极高，许多研究人员和政策制定者正越来越多地尝试通过自然实验和随机对照试验来精确量化人工智能的因果影响。在这类研究中，一组人使用人工智能工具，另一组人则在正常条件下进行；其他因素保持不变。然后研究人员可以分析生产力、满意度和学习等结果。

然而，将这类证据应用于人工智能时面临两个挑战。首先，当人工智能影响的因果估计结果发表时，可能已经过时。例如，一项研究发现，2020年使用人工智能工具的客服人员处理查询的速度快了15%；另一项研究显示，2022-2023年使用编码助手的软件开发人员完成的任务比没有使用的多26%。但人工智能能力正以惊人的速度进步。例如，自2022年ChatGPT发布以来，人工智能工具现在能独立正确处理的模拟客户支持对话数量是之前的三倍。未来更好、更便宜的人工智能将产生不同的经济影响。

其次，严格控制的研究无法捕捉人工智能 adoption 带来的更广泛连锁反应。例如，涉及客服人员和软件开发人员的研究发现，当组织结构固定时，经验不足的员工从人工智能辅助中获益最多。但在现实世界中，管理者可能会通过重组工作甚至用人工智能系统取代部分经验不足的员工来应对。如果他们这样做，对这些人的影响可能与对照研究中的估计相反。事实上， payroll 数据显示，2022年以来，年轻员工的就业率有所下降，尤其是在包含人工智能擅长的任务（如客户服务和软件开发）的职业中。不过，研究人员仍在试图弄清楚这种模式在多大程度上可归因于人工智能技术。

严格控制的研究就像一束明亮而狭窄的聚光灯：它们只是理解社会如何适应人工智能所需照明的一部分。由于对其更广泛的经济和社会影响仍有很多未知，大众辩论往往陷入由机器智能主导世界的推测性科幻叙事。

社会科学有助于应对这些不确定性，但需要想象力和现实基础。在此，我将介绍三种互补的方法，可为这个快速发展领域的研究人员提供指导。

社会科幻
一种方法是创建经济学家让·梯若尔所说的“社会科幻”——基于基本经济原理和行为理论对未来的推测。这种分析不只是依赖想象力，而是使用模型来探索技术如何与市场力量相互作用。

例如，2019年，研究人员模拟了自动驾驶汽车如何重塑城市，发现这些车辆可能会使交通状况恶化。因为自动驾驶汽车的乘客可以放松、阅读或看视频，花在交通上的个人时间成本下降。但随着更多人选择开车出行，他们给其他人带来了更严重的拥堵。这是否会导致效率低下，将取决于政府是否实施拥堵定价等政策来纠正这种“外部性”。

另一个富有想象力但又基于现实的社会科学例证来自关于市场力量如何限制人工智能破坏潜力的研究。研究表明，随着自动化提高某些任务的生产力，其他不易自动化的活动（如创意指导或审查最终产出）的相对价值将会上升。这可能会增加此类工作对劳动力的需求，从而提高工资。这些机会可以缓冲自动化带来的一些破坏性影响，但也可能加深在这些角色中表现出色者与表现不佳者之间的不平等。

更多这样的思想实验可以帮助政策制定者以更有条理的方式想象经济可能发生的变化。这些实验可以确定需要监测哪些指标，并为规划可能需要的政策提供先机。其他未解决的问题包括：理解为人工智能系统创造知识的激励机制；如果人工智能实验室之间保持竞争，或者如果有一家明显领先成为市场领导者，创新和经济增长可能会受到怎样的影响。

前瞻性数据
除了理论，政策制定者还需要证据来理解经济将如何变化。不同类型的信息需要结合起来，形成更完整的图景。

评估人工智能能力的一种常见方法是基准测试——就像考试一样，在标准化任务上测试系统。基准测试可以评估人工智能系统解决数学问题、响应客户支持请求或诊断医疗状况的能力。然而，基准测试分数往往与现实环境中的表现不一致，因为现实环境中的任务更嘈杂、更复杂且依赖上下文。例如，医疗人工智能系统在教科书式的临床问题上可能表现良好，但如果患者遗漏关键细节，可能会误解他们的沟通。需要更多研究来设计能更好捕捉现实世界表现的基准测试。

如果人工智能的变革性正如许多人预期的那样，其影响将体现在众多可实时监测的指标中，例如跟踪人们将人工智能用于哪些任务。这些使用数据显示，例如，人工智能聊天机器人常被用于软件开发，这表明该行业可能最早感受到人工智能 adoption 的影响。其他指标包括就业、职位空缺以及整合人工智能的公司是否能获得更高利润并扩张。然而，仅靠这些描述性指标无法回答所有问题。因此，研究人员可能仍会尝试衡量人工智能的因果影响：即人工智能是否带来改善，而不仅仅是被那些更愿意尝试新技术的高绩效者所采用。

估计人工智能的因果影响很困难，因为技术在不断发展，组织也在不断适应。但这一挑战并非人工智能所独有。在评估任何试点项目（无论是商业、教育还是公共卫生领域）扩大规模后的表现时，都会出现类似问题。当项目扩大规模时，往往会遇到新的限制或引发更广泛的经济影响。经济学家已经开发出在设计实验时预测这些规模效应的方法，例如复制最终实施者（如政府机构）的条件，而不是通常运行试点的更灵活、资源更充足的组织的条件。研究人工智能的研究人员在设计实验时也可以类似地尝试预测未来的变化。

一个重要参数是运行人工智能模型的成本，该成本一直在下降。研究人员可以模拟成本下降如何影响不同应用的可行性。例如，一项研究调查了塞拉利昂教师使用人工智能的情况，这些教师按兆字节支付互联网接入费用。2022年初，查询人工智能聊天机器人的成本是加载标准网页的12倍；到2025年，由于计算成本下降和人工智能的带宽效率提高，使用该技术的成本比访问网页便宜了98%。这种成本优势表明，在互联网昂贵的低资源环境中，人工智能可能会扩大信息获取渠道。人工智能的能力是其影响的另一个关键决定因素。很难预测这些能力将如何演变，但研究人员可以尝试预测人类对更强大系统的反应。即使技术进步，人类行为在信任建立、激励反应和对自动化的适应等方面往往遵循稳定的模式。