AI颠覆经济世界作用被夸大？影响远比媒体头条报道更加复杂-CSDN博客

来源 | The Gradient

译者 | 刘畅

编辑 | 夕颜

出品 | AI科技大本营（ID：rgznai100）

【导读】每天我们都听到有人声称人工智能将改变经济体系，造成大量的失业和垄断。但是，经济学家是如何看待的呢？在第三届AI经济学大会上，来自经济学和AI领域的专家们聚集在一起，再次热烈讨论这个话题。

从著名的亚当·斯密针厂故事开始，经济学家就一直在研究技术变革、生产率和就业之间的关系。因此，能够在越来越多的情况下正常工作的AI系统（包括驾驶汽车、在医学扫描中检测肿瘤）引起了人们的关注，这不足为奇。

2017年9月，一群杰出的经济学家聚集在多伦多，为人工智能经济学制定了研究议程。他们讨论了诸如人工智能在经济上有什么独特之处，会产生什么样的影响以及传播其价值的正确政策方法等问题。

去年9月，作者荣幸地参加了在多伦多举行的第三届会议，并亲眼目睹了AI经济学的发展历程。

在这里，作者将从四个层面概述会议的主题和相关论文：

宏观方面：人工智能对诸如生产率、就业或不平等等总体经济变量的影响

中观方面：人工智能对个别领域的影响，例如科学研究或法规

微观方面：人工智能对组织和个人行为的影响

Meta-view：人工智能对经济学家研究人工智能的数据和方法的影响

然后，作者概述了在未来研究中当今AI经济学议程中的一些gap。

经济学家对人工智能的看法

会议的召集人Ajay Agrawal，Joshua Gans和Avi Goldfarb在以前的工作中将AI系统描述为一种可以使预测更丰富且便宜的“预测机器”，可以使组织能够做出更多更好的决策，并且自动化其其中的一些流程。一个示例就是亚马逊的推荐引擎，该引擎可以向每个访问者展示个性化的网站版本。如果没有机器学习系统（AI的一种类型I），该网站将无法根据访问者的行为以及与之相似的其他客户的数据自动预测单个客户可能感兴趣的产品。

从农业到金融，几乎任何面临预测问题的部门都可以采用AI系统。人工智能的泛华性已导致一些经济学家将其誉为变革性“通用技术”的最新实例，它将像蒸汽机或半导体在历史上早些时候所做的那样，重塑经济。

宏观层面

亚马逊仓库员工穿着“机器人安全背心”，这使他们更容易被所使用的机器人发现

人工智能可以自动执行并增强经济决策，从而提高生产力。它对劳动力和投资有什么影响？

基于任务的模型

分析AI对劳动力影响的主要框架是Daron Acemoglu和Pascual Restrepo开发的基于任务的模型（task-based model）。该模型将经济视为大量生产任务的集合。AI系统的到来，在执行任务时会对劳动力需求、劳动收入（或资本收入）和不平等产生影响。例如，如果AI降低了劳动力的技能或增加了获得资本的收入份额（这往往集中在较少的手里），这很可能使我们的经济更加不平等。

人工智能对任务的影响会通过四个渠道发生：

1、首先，当AI系统取代了人类之前执行的某些任务时，便出现了替换（displacement）。例如，当亚马逊采用自动推荐时，书评就被取代了（并解雇了书评者）。这将减少劳动力的需求。

2、其次，当AI系统增加了人类执行的任务的价值时，就会产生连锁的增强作用。亚马逊的Web开发和库存管理任务就是一个例子：由于其AI推荐系统，花费一美元并保存许多不同的书就可以为公司创造更大的回报。通常，这将增加对完成增强型任务工人的需求。

3、第三，资本深化。新的AI系统是一项投资，它可以增加工人使用的资本存量，从而通过与上述相同的机制来提高工人的生产率并增加对劳动力的需求。

4、最后，当AI系统创建全新的任务（例如开发机器学习系统或标记数据集以训练这些系统）时，就会恢复原状。这些新任务将创造新的就业机会甚至行业，从而增加劳动力的需求。

综合考虑，这四个渠道决定了AI对劳动力需求的影响。这个模型确定了AI系统可以增加劳动力需求的一些渠道。同时，与经济学中关于新技术总是通过增加劳动力需求的经济学标准假设相反，基于任务的模型认识到新技术对劳动力需求的净影响可能是负面的。例如，可能发生这种情况，如果一个公司采用“中等”的AI系统，这种系统的生产力足以替代工人，但生产力不足以通过其他渠道增加劳动力需求。

会议上发表的几篇论文提出了这些主题：

杰克逊和卡尼克（Jackson and Kanik）的论文表明人工智能的影响不仅取决于人工智能采用行业所发生的情况，还取决于经济中其他地方的情况。

Jackson and Kanik论文地址：http://conference.nber.org/conf_papers/f129906.pdf

Autor和Salomons的研究工作表明，像人工智能这样的现代技术似乎增加了对补充人工智能的高技能工作的需求，以及难以用人工智能替代的低技能工作，从而导致劳动力市场的两极分化。

Autor and Salomons论文地址：http://conference.nber.org/conf_papers/f129906.pdf

无资本的自动化

为了提高生产力，对AI的投资需要伴随着对IT基础架构，技能和业务流程的补充投资。其中一些投资涉及“无形资产”的积累，例如数据、信息和知识。与有形资产（如机器或建筑物）相比，无形资产难以保护、模仿和出售。

继续以亚马逊为例，该公司在其历史上建立了有形的数据和IT基础架构，以补充其AI系统。同时，它发展了无形的流程，实践和“以客户为中心”的思维方式，并将自身的信息系统与供应商和用户的信息系统之间建立了开放的接口，这对于其成功可能十分重要，但与此同时，很难模仿。

根据Erik Brynjolfsson及其同事在2018年发表的一篇论文，在整个经济中积累这些无形资产可以解释为什么AI的进步需要这么长时间才能导致生产率增长或劳动力需求发生剧烈变化。

Erik Brynjolfsson论文地址：https://www.nber.org/papers/w25148

今年在多伦多发表的几篇论文探讨了这些问题：

Daniel Rock的工作表明市场会期望这些无形投资在将来产生重要的回报：例如当Google发布TensorFlow时，那些已经雇用了AI人才公司的市值就会增加。

Daniel Rock论文地址：http://conference.nber.org/conf_papers/f129966.pdf

Prasanna Tambe的研究工作表明市场预计AI的收益将集中在少数几家公司，这引发了人们对AI驱动的经济的担忧。

Prasanna Tambe论文地址：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3416289

AI在适用和影响方面的差异

DeepMind的AlphaFold展示了AI如何改变科学发现

想像一个像医疗保健这样的部门：该行业的生产性质以及数据的可用性、业务流程的范围及其行业结构与金融或广告完全不同。这意味着人工智能将产生非常不同的影响。

之前的AI经济学会议包括了有关AI在媒体或医疗保健等领域影响的论文。今年，在多个领域（包括科学研发和监管）审议了特定行业的问题。

利用机器寻找好想法

在首届AI经济学大会上，Cockburn、Henderson和Stern提出AI不仅是一种通用技术，而且是一种“发明方法”的发明，可以改变科学研发的生产力，在各个领域产生着重要的作用。甚至有人提出奇特的想法，在该模型的极端情况，“创建更好想法的AI系统”在以指数增长的递归循环中更好地创建了“创建更好想法的AI系统”。

今年，风险投资家Steve Jurvetson和Atomwise（一个使用AI进行药物发现的初创企业）的首席执行官Abrawise Heifts谈到了他们如何在企业中寻求其中的机会。有两篇论文研究了AI对研发的影响：

作者和同事在arXiv上的研究指出在计算机的许多领域，研究者收集了大量的数据去训练机器学习系统，人工智能技术正快速的促进其发展。

作者的论文:https://arxiv.org/abs/1808.06355

Agrawal和他合著者开发了AI对科学领域（例如生物医学和材料科学）中R＆D过程的影响的正式模型，人工智能系统可以帮助确定其中哪些组合具有最大的潜力，从而减少浪费并恢复研发的生产率增长。

Agrawal和他合著者论文http://conference.nber.org/conf_papers/f129947.pdf

AI法规

法规为AI等新技术的开发和采用制定了游戏规则。同时，监管本身就是一个行业，其行业结构和流程正受到AI系统的转变，这些AI系统可加速技术变革并为监视经济活动创造新的机会。会议上有两个关于法规和AI的演讲。

Suk Lee和他的合著者对企业进行了调查，结果显示通用法规比采用特定行业法规会给采用AI带来更多障碍，并且该法规增加了管理人员监督AI采纳的需求，同时减少了对技术和低技能工人的需求。

Suk Lee论文:http://conference.nber.org/conf_papers/f129984.pdf

Clark和Hadfiel他们提议建立监管市场，在该市场中，政府许可私营公司以可衡量的目标来规范AI的采用（例如，将AI错误率和事故率降低到商定的阈值以下）。

Clark和Hadfield论文:http://conference.nber.org/conf_papers/f130053.pdf

微观方面

使用Uber的Kepler GL可视化框架制作的旧金山出租车可视化

基于机器学习算法以检测数据模式的现代AI系统通常被称为黑匣子，因为难以理解和解释它们的预测。同样，采用AI系统的公司对于采用宏观观点的经济学家来说似乎就像是黑盒子：人工智能无形资产毕竟非常广泛，包括对各种流程，实践以及新业务和组织模型的试验。但是，这些公司在采用AI系统时实际上在做什么，其影响是什么？

会议上发表的几篇论文说明了经济学家是如何开始打开这些黑匣子来衡量AI的影响。他们将一些复杂的因素纳入AI经济学中，当企业部署AI系统时，这些因素不仅增加了预测的供给，而且还重塑了其他参与者（员工，消费者，竞争对手，人工智能系统本身）做出决策，从而导致战略行为和意想不到的后果。

Susan Athey及其合著者的论文表明，人工智能系统是“管理和调节日益重要的数字平台和市场的方法”，同时也引起了人们对工作人员隐私和操纵的关注。

Susan Athey的论文:http://conference.nber.org/conf_papers/f130190.pdf

Michael Luca和合著者（尚未提供论文）通过针对波士顿餐馆进行健康检查，表明来自机器学习算法的建议是优于人类生成的结果。有趣的是，他们还发现检查员高度不遵守AI的建议，这表明人类不信任这些系统。

Adair Morse及其合著者分析了“金融科技”人工智能系统在抵押贷款歧视中的影响，发现与面对面贷方相比，这两种系统都倾向于减少（但不能消除）对拉丁裔和非裔美国人的歧视。这表明采用AI在引入新问题（算法偏差）的同时能帮助解决旧问题（人为偏差）。

Adair Morse的论文:http://conference.nber.org/conf_papers/f130191.pdf

用AI研究AI

人工智能技术通常对发现数据中因果关系的经济学研究有很大帮助。

上面提到的几篇论文都沿着这些思路探索了新的数据源和方法。尽管这些方法带来了新的分析方法，但它们也带来了可重复性方面的挑战，尤其是当研究依赖无法与其他研究人员共享的专有数据集时，存在道德规范时，例如围绕同意参加在线实验的规范。为了解决这些问题，可以尝试通过共享分析过程中使用的数据和代码，并为新方法的应用制定道德准则等。

人工智能经济学的未来

对抗示例说明了深度学习计算机视觉系统在输入中引入细微干扰就会失效

在总结了会议的关键主题和论文后，作者将重点讨论了他认为目前缺少的一些讨论问题。

对AI失败建模

关于人工智能影响的宏观研究认为，只要企业进行必要的补充投资，人工智能就会提高生产力。他们很少关注AI产生的新问题，例如算法操纵、偏见和错误，工人不遵守AI建议或AI市场中的信息不对称。这些因素可能会减少AI对生产力的影响，增加对AI监督和节制等新产品的投资需求，阻碍潜在的AI产品和服务的交易，并具有重要的分销意义，例如通过算法区分弱势群体。

关于AI的宏观研究应开始明确考虑AI采纳和影响的这些复杂方面，而不是将它们隐藏在AI的黑盒中。

对AI进展建模

总的来说，在AI经济学会议上发表的研究将AI建模为对经济的外部冲击，在某些情况下，这与Daniel Rock对TensorFlow发行对公司市场价值影响的研究结果一致。然而，人工智能的进步本身就是一个经济过程，其分析应成为人工智能议程中的一部分。

OpenAI的Jack Clark在会议晚宴演讲中描述了AI研发的主要趋势：随着公司实验室，大数据集和大规模IT基础架构在AI研究中变得越来越重要，我们正在目睹“ AI的工业化”，作为开源软件，开放数据和云计算的“人工智能民主化”，可以更容易的部署最先进的人工智能系统。例如，学术界的研究人员越来越需要与私营部门合作以访问训练AI系统所需的数据和计算。同时，通过开放渠道传播AI研究给那些需要监控危险性的监管机构带来了严峻挑战，而采用危险AI技术就像从GitHub下载和安装某些软件一样简单。会议上发表的论文中几乎没有涉及这些问题的。

未来的工作可能会通过使用数据，软件，计算基础设施和熟练劳动力来开发生产AI系统填补这些空白。

研究AI创造性活动的方向

在探索的技术范围内保持多样性可能是有益的，特别是当我们不知道它们的优缺点时。但是，正如Daron Acemoglu在2011年的这篇论文中所指出的那样，如果研究人员无法抓住维持技术多样性所带来的好处，那么市场将无法选择主导技术。

在NBER会议上提出的大多数研究都采用了AI的“整体式”定义，将其等同于当今主导该领域的深度学习范式，而忽略了对这种方法的局限性的担忧。然而，正如Gary Marcus在最近的工作中指出的那样，可能还需要其他技术来使AI系统更健壮并适用于诸如健康之类的高风险领域。

缺乏技术多样性会成为AI领域的问题吗？私营部门在制定人工智能研究（和道德规范）议程方面的影响越来越大，虽然缺乏证据，但表明这可能是一个问题。我们需要更多的研究来衡量AI的技术多样性以及它所涉及的人员和组织的目标，偏好和议程是如何影响它。对于作者在Nesta的团队来说，这是一个活跃的研究领域。作者刚刚发布了关于AI研究主题组成的分析，为分析多样性的演变及其在未来工作中的驱动提供了基础。

别忘了AI中的政治经济学

在AI的首届经济学会议上，在AI到来时，Tratjenberg和Korinek和Stiglitzasked讨论了谁将从中受益，谁将遭受痛苦，AI部署在政治上是否不可接受，以及应制定哪些政策来降低AI的社会成本。最近，Daron Acemoglu和Pascual Restrepo对AI行业可能正在构建“错误类型的AI”表示担忧，因为它没有考虑到AI的间接影响（例如劳动力市场）。这些重要的问题在多伦多的辩论中基本上没有出现，但是经济学家需要对人工智能的分布影响及其外部性模型进行形式化和并且变得可操作，以便为政策提供信息，确保可以广泛共享其经济利益并减少公众反对它的风险。

总结：互联网，而不是天网（Skynet）

Arpanet计算机网络在最初的9年。该网络花了将近十年的时间才开始建立连接，而其经济影响的实现则需要更长的时间。

AI的影响将比某些报纸头条带给我们的期望更为复杂，并且出现时间更长。工种会发展并适应AI系统，而不是完全消失。企业将尝试发现如何通过AI创造价值。

换句话说，人工智能在经济中的未来将更像互联网，而不是天网：它将变得复杂。可以预测的机器不仅增加了我们能够根据AI建议做决策的数量，而且还增加了我们作为经济和社会参与者对需要开发哪些AI技术，在何处开发决策的数量。采用它们以及如何管理它们的影响，正如在最新的AI经济学会议上的讨论所表明的那样，世界上一些最出色的经济学家正在努力产出一些理论和证据来为这些决策提供依据。

原文链接：

https://thegradient.pub/the-economics-of-ai-today/

（*本文为AI科技大本营翻译文章，转载请微信联系1092722531）

◆

精彩推荐

◆

1、评选进行中，参与投票即有机会参与抽奖，60+公开课免费学习