本文亮點速覽：

　　最近出現的生成式人工智能(AI)讓我們思考是否即將迎來任務自動化的快速加速，從而推動勞動成本節約并提高生產力。盡管生成式AI的潛力存在重大不確定性，但其能夠生成與人類創作輸出無法區分的內容，打破人與機器之間溝通障礙，這反映了一項重大進步，具有潛在的巨大宏觀經濟影響。

　　如果生成式AI實現其承諾的能力，勞動力市場可能會被顛覆。本文使用美國和歐洲的職業任務數據發現，目前約有三分之二的工作崗位存在一定程度上的AI自動化風險，而生成式AI最多可能替代當前工作的四分之一。根據本文估計，生成式AI可能使得全球3億人的工作崗位面臨自動化風險。

　　好消息是，自動化導致的工人失業在歷史上通常都被新工作的創造所抵消，而技術創新帶來的新職業的出現占據了長期就業增長的絕大多數。顯著的勞動力成本節約、新崗位的產生以及對未失業工人生產力的提高相結合，提高了生產率繁榮的可能性，從而大幅提高經濟增長，盡管這樣的繁榮其持續時間難以預測。

　　本文估計，在AI得到廣泛應用后的10年內，其可以將美國每年的勞動生產率增長提高不到1.5個百分點，勞動生產率增長的提升大小將取決于AI能夠執行的任務難度以及最終自動化的工作數量，這一增長可能低于預期也可能超預期。

　　全球勞動生產率的提升也可能在經濟上具有重大意義，本文估計AI最終可以使全球年GDP增長7%。盡管AI的影響最終取決于其能力和實際應用時間，但這一估計凸顯了如果生成式AI能夠實現其承諾，其能夠帶來巨大經濟潛力。

　　本文概述了人工智能對宏觀經濟的潛在影響，并認為如果人工智能兌現其承諾的能力，它有可能在未來幾十年內顯著擾亂勞動力市場并刺激全球生產力增長。以下，enjoy~

　　(正文6699字，12-15分鐘)

　　01 生成式人工智能概述

　　本文首先討論人工智能發展的現狀及其關鍵能力。圖1是生成式人工智能的概述，將與其前身機器學習方法(有時稱為狹義或分析性人工智能)進行比較。本文的評估著重關注生成人工智能技術，如ChatGPT、DALL-E和LaMDA，它們具有三個主要特征：

　　(1)具備通用性而非特定場景應用;

　　(2)能夠生成新穎的、類似于人類的輸出，而不僅僅是描述或解釋現有信息;

　　(3)它們可以理解多種形式的信息，可以理解自然語言、圖像、音頻和視頻并做出響應。

　　前兩個進展是擴大人工智能可執行任務集的關鍵，而第三個進展則關鍵在于確定其采用時間表。就像從命令行編程(例如MS-DOS)到圖形用戶界面(例如Windows)的遷移促進了程序(例如Office)的開發，從而將個人電腦的功能帶給了大眾一樣，當前一代人工智能技術的直觀界面可以顯著提高其應用速度。例如，ChatGPT在短短5天內就超過100萬用戶，是所有公司里達到這一里程碑速度最快的。

　　除了這些變化，指數級增長的計算能力使得人工智能可以迅速實現更準確地執行更復雜的任務。例如，OpenAI的GPT模型的最新版本——GPT-4于2023年3月發布。大約在作為ChatGPT基礎的GPT-3.5模型完成訓練一年后，GPT-4在SAT考試上的得分比其前身高出150分，對于同樣的問題回答準確度提高了40%，并且現在GPT-4在GPT-3.5的基礎上，不僅可以接受文本輸入，還可以接受視覺輸入。正如圖2所示，生成式人工智能背后的算法在圖像分類和閱讀理解等任務上已經開始超越人類基準，這一超越甚至在之前就已實現。

　　隨著人工智能變得越來越先進和易于使用，越來越多的人對其產生了興趣并進行投資。上市公司的管理團隊在電話會議中提到人工智能的次數也在迅速增加，這些跡象預示著公司對AI的投資將大幅增加(參見圖表3)。截至2021年，美國和全球對AI的私募股權投資總額分別為530億美元和940億美元。按實際價值計算，美國和全球的AI投資比五年前增長了五倍多。如果投資繼續以上世紀90年代軟件投資那樣溫和的速度增長，到2030年，美國僅在人工智能方面的投資就可能接近美國GDP的1%。

　　盡管圍繞生成式人工智能的能力和采用時間線仍存在很多不確定性，但這些發展表明，人工智能已做好充分準備，在未來幾年內將迅速發展并擴大規模。

　　02 未來的工作

　　生成式AI能夠生成與人類創造的產出以及打破人機之間的溝通障礙，這是一項重大進步，反映其具有產生巨大宏觀經濟影響的潛力。

　　為了評估影響的大小，考慮了生成式人工智能對勞動力市場可能產生的影響，前提是生成式人工智能能夠兌現其承諾的能力。本文使用來自O*NET數據庫的數據，涉及美國900多種職業(后來擴展到歐洲ESCO數據庫的2,000多種職業)，以估計各個職業和行業面臨的受節省勞動力自動化影響的總體勞動力份額。

　　基于對生成式人工智能可能使用情況的現有文獻綜述，將ONET數據庫中的39項工作活動中的13項歸類為暴露于人工智能自動化的影響之下，并在基準情況下假設人工智能能夠完成ONET“級別”評分為7級中的4級難度的任務。本文對每個職業的重要工作任務進行權重平均，以估計人工智能有潛力替換的每個職業總工作量的份額。本文進一步假設，那些工作中工人大部分時間在戶外或從事體力勞動的職業是不能被人工智能自動化取代的。

　　圖4展示了AI可能自動化的任務份額在職業級別上的分布。本文發現，約三分之二的美國職業面臨一定程度的AI自動化風險，而且大多數暴露于AI自動化風險之下的職業中有25%—50%的工作量可能被AI替代。

　　通過按照每個職業在美國職業就業和工資調查(OEWS)中的就業份額進行加權估計，并匯總到行業層面，本文估計美國約有四分之一的現有工作任務可以由人工智能自動化替代(圖5上)，特別是行政(46%)和法律(44%)職業，這兩者存在著很高的自動化替代風險，而體力勞動職業，如建筑(6%)和維修(4%)職業，其被人工智能自動化替代的風險較小。將職業級別估計與歐洲ISCO職業分類系統匹配，并使用歐盟統計局勞動力調查數據庫(LFS)進行類似的分析，無論是總體還是行業層面可得出類似的結果(圖5下)。

　　接下來，將美國和歐洲估計擴展到全球范圍，并調整各國產業結構的差異。本文進一步假設，由于新興市場經濟體和發達市場經濟體之間農業部門的產業構成和生產方法存在顯著差異，人工智能不會影響新興市場經濟體的農業部門[1]。估計顯示，在就業加權的基礎上，全球約有18%的工作可能被AI自動化所取代(圖6)。新興市場相對發達市場，能夠被自動化替代的工作崗位相對較少。

　　總體來說，大量的工作崗位面臨著被人工智能自動化取代的風險，這可能會顯著節約勞動力。為了評估估計的穩健性，將作為基準的美國估計結果與更廣泛的情景進行比較，包括假設的人工智能可以執行比基準更難或更容易的任務，并且放寬了人工智能不能協助主要在戶外或從事體力勞動的工作的假設(即認為有一種情況是人工智能與機器人和現有機械設備相輔相成)。

　　情景分析表明，面臨被自動化替代風險的崗位可能占到所有崗位的15—35%(圖7左)，這一范圍與現有文獻中的估計一致，但相對保守(圖7右)。相對保守的基準主要反映了對生成式人工智能影響的關注范圍集中在行業本身，與其他研究有所不同，這些研究會考慮更廣泛的相關技術(包括機器人技術等)，從而增加了自動化的范圍。

　　盡管AI對勞動力市場的影響可能很大，但大多數工作和行業只是部分任務被自動化替代，因此AI更有可能起到補充效果，而不是直接替代工作崗位。在圖8中，假設自動化能夠替代的任務占工作中重要和復雜任務超過50%的定義為很可能被AI替代，自動化能夠替代10—49%的任務的，AI更有可能起到補充效果，而對于只有0—9%的工作會被人工智能自動化替代的崗位，則不太可能受到影響。在基準估計中，這些假設意味著當前美國7%的就業崗位可能被AI替代，63%得到補充，30%不受影響，但最終的影響將取決于職業需求和工作量如何演變以響應勞動力的部分替代。

　　03 衡量AI對生產力和增長的推動作用

　　大量的就業機會面臨被生成式人工智能自動化取代的風險，這提高了提高勞動生產率的潛力，可以顯著增加全球產出。人工智能驅動的自動化可以通過兩個主要渠道提高全球GDP。

　　首先，大多數職業的任務都部分會被人工智能自動化替代，因此在采用人工智能后，工人可能會將部分解放出來的能力用于提高生產活動的產出。學術研究表明，采用AI的公司的工人有更高的勞動生產率增長，他們的勞動生產率每年增加2—3個百分點(圖9)。

　　盡管生成式AI的能力與早期年份的差異使得預測未來很難，但至少這清楚地表明生成式AI可以推動生產力顯著提高。此外，對于一些行業和職業，AI可能會補充人類的工作能力而不是取代其工作，這也會提高生產力。

　　此外，我們預計許多因人工智能自動化而失去工作的工人最終會通過從事新的職業，以響應新的總體和勞動力需求或者直接從事與人工智能有關的職業，從而提高總產出。這兩個渠道都有許多歷史先例。例如，信息技術創新引入了網頁設計師、軟件開發人員和數字營銷專業人員等新職業，但同時也增加了總收入并間接推動了醫療保健、教育和食品服務等行業對服務業勞動者的需求。

　　為了展示最初取代工人的技術創新如何在長期內推動就業增長，我們在圖10中展示了經濟學家大衛·奧托(David Autor)及其合著者最近的一項研究結果。他們使用人口普查數據發現，今天60%的工人從事的職業在1940年并不存在，這意味著過去80年中，超過85%的就業增長是由技術驅動創造新崗位。

　　圖11利用了經濟學家Daren Acemoglu和Pascual Restrepo的另一項學術研究，將勞動力需求的變化分解為生產率增長和技術驅動的工人失業和再就業(以及其他因素)的貢獻，以顯示隨時間變化勞動力需求的驅動因素。

　　研究發現，技術變革在戰后時期的前半段以大約相同的速度替換了工人并創造了新的就業機會，但自1980年代以來，技術變革替換工人的速度超過了創造新機會的速度。這些結果表明，如果人工智能對勞動力市場的影響類似于信息技術的早期進步，那么近期生成式人工智能對勞動力需求的直接影響可能是負面的，盡管對勞動力生產率增長的影響仍將是積極的。

　　將顯著降低勞動力成本、創造新的工作機會和提高非失業工人生產率的效果相結合，有可能促進勞動生產率的繁榮，就像早期的通用技術(如電動機和個人電腦)出現后的繁榮一樣。這些歷史經驗提供了兩個重要的教訓。

　　第一，勞動生產率繁榮的時間很難預測，但在這兩種情況下，都是在技術突破后大約20年開始的，當時大約有一半的美國企業采用了這項技術(圖12左)。第二，在這兩種情況下，勞動生產率增長在繁榮開始后的10年中每年增加約1.5個百分點，表明勞動生產率的增長可能相當可觀(圖12右)。

　　為了估計生成式人工智能廣泛應用對美國勞動生產率的提升，我們在圖13中總結了直接勞動力成本節省、非失業工人生產率提高以及重新就業對勞動生產率的隱含影響。本文的基準分析結合了上述的主要發現，包括大約7%的勞動者完全被人工智能自動化取代，這些被取代的大多數人只能在生產率略低的職位上找到新工作，部分任務被人工智能替代的勞動者生產率提高與現有估計一致(圖9)，并且這種影響在10年的時間內實現，大約從半數企業應用生成人工智能的時間開始。

　　在這些假設下，我們估計廣泛應用生成式人工智能可以使整體勞動生產率每年提高約1.5個百分點(最近的平均增長率為1.5%)，與之前的變革性技術(如電動機和個人電腦)提振勞動生產率增長的幅度相當。本文估計AI對勞動生產率增長的提振幅度相當大，但不確定性也很大。因此，圖13還考慮了其他可能的情景，并表明美國生產率增長的提振幅度大概率在0.3—3.0個百分點之間，具體取決于生成式人工智能可以執行的任務的難度級別、最終自動化的工作數量以及應用速度：

　　首先，我們改變了AI能夠完成的O*NET任務的難度等級。在一個相對較弱的AI情景下，例如，生成型AI最終只能“閱讀一篇簡短的文章并進行摘要總結”(難度分數為2)，而不能“確定為新融資的利息成本”(難度分數為4)，若按照這種估計，勞動生產率增長的提升將降至每年0.3個百分點。如果AI反而更加強大，再舉個例子，能夠“分析美國所有醫院的醫療服務成本”(難度分數為6)，那么勞動生產率增長的提升將達到每年2.9個百分點。

　　其次，我們改變了被生成型AI完全取代的勞動力的數量。假設沒有勞動力被取代，勞動生產率增長的提升略微減少至每年1.2個百分點，因為未被取代的工人仍將經歷顯著的生產力提升，而假設更大一部分工人被取代，則會使生產率增長的提升達到每年2.4個百分點。

　　第三，我們改變了AI大規模應用的時間點。如果在20年的時間里實現大規模應用，生產率增長的提升將只有大約一半;如果在30年的時間里大規模應用，生產率增長的提升將僅為三分之一。

　　從這些分析中得出的主要結論是，勞動生產率的最終提升尚不確定，但在大多數情況下仍具有重要的經濟意義。

　　在圖14中，將美國的分析推廣到其他國家，假設勞動力的行業組成差異可以解釋勞動生產率增長的大部分差異。估計表明，在本文覆蓋的國家范圍內，AI的應用可能在10年的時間里使全球年度生產率增長提高1.4個百分點(以外匯加權平均計算)，盡管預計在新興市場經濟體中，這種影響可能會有所延遲。

　　廣泛采用AI可能最終使全球GDP在10年內增長7%或近7萬億美元。盡管AI影響的大小最終取決于其能力和采納時間表——圍繞這兩個因素的不確定性足夠高，以至于目前還沒有將我們的發現納入基線經濟預測——但我們的估計突顯了生成式AI在實現其承諾時的巨大經濟潛力。

　　本文編譯自高盛，選自《全球科創觀察》2023年第16期“專題研究”欄目。

　　[1] 這個假設是相對保守的。我們可以想象一個場景，在這個場景中，人工智能提高了農業物流和生產的效率，尤其是如果人工智能和機器人技術相互作用以自動化物理任務。在這種情況下，新興市場的農業部門也可能受到人工智能自動化的影響。