The AI Awakening: Implications for the Economy [Erik Brynjolfsson]

编者按：2020年7月，新经济思维研究所（INET）举办线上研讨会，邀请斯坦福大学教授、《第二次机器时代》作者埃里克·布莱恩约弗森主讲「人工智能的觉醒：对经济的影响」。INET高级经济学家、创新中心主任皮娅·马拉尼主持，INET主席罗布·约翰逊致开场辞。布莱恩约弗森以自己团队的最新研究为线索，谈机器学习跨过的门槛、哪些任务会被机器接手、远程办公的骤然普及、生产率悖论与J曲线，以及生产率与中位收入的大脱钩。本文依据现场录音编译整理。

开场

马拉尼：欢迎收看INET线上研讨会「人工智能的觉醒：对经济的影响」，主讲人是埃里克·布莱恩约弗森。我是皮娅·马拉尼，INET高级经济学家，也是INET旧金山创新中心的主任。几年前我搬到硅谷筹建中心，当时很好奇为什么大家都在谈通用人工智能（AGI），那在我听来还是科幻小说里的概念。我们距离AGI成真仍然很远，但技术对世界的冲击，在这次危机之后明显大大加速了。技术与就业的关系，越来越成为我们不得不忧心的问题。

马拉尼：2000年到2010年间，美国失去了大约560万个制造业岗位。关于全球化对制造业的冲击，讨论已经很多。可是根据鲍尔州立大学商业与经济研究中心的一项研究，这些岗位流失中有85%其实要归因于技术变革，主要是自动化。麦肯锡最近的一份报告估计，到2030年，全球可能有多达8亿个岗位被自动化取代。这些都还是疫情之前的估算，而疫情显然让这一趋势急剧加重。

马拉尼：埃里克研究这些问题已经很多年，他既深刻理解技术世界，又理解技术运行于其中的经济环境。他的研究考察信息技术对企业战略、生产率与绩效、数字商务和无形资产的影响。他是斯坦福大学新成立的数字经济实验室主任，斯坦福经济学与商学教授，美国国家经济研究局（NBER）研究员，著有多部著作，包括与安德鲁·麦卡菲合著、登上《纽约时报》畅销榜的《第二次机器时代：智能技术时代的工作、进步与繁荣》。在把话筒交给埃里克之前，INET主席罗布·约翰逊想先讲几句。演讲结束后我们开放问答，屏幕下方有提问按钮，请把问题打进去，我们会尽量多回答。现在请罗布。

约翰逊：谢谢皮娅。埃里克，你今天能来，我实在高兴。刚才我在脑子里把这些年我们交往的片段过了一遍：在麻省理工见到你，和你与比尔·简韦一起围着《第二次机器时代》讨论，在中国发展高层论坛的走廊里撞见你。不管在哪里遇到你，不管读到你写的什么东西，我看到的都是你在把零散的东西拼合起来。经济学常常像一支窄窄的箭，而你为我们大家拼出了一幅马赛克：技术如何驱动社会结构与政治结构，有时还牵涉到东西方之间可以称为哲学体系的冲突，而这些技术问题恰恰常常在那里被推到紧张与痛苦的临界点。所以我一开始就说，你能来我很高兴。无论你坐在哪里，是我的母校麻省理工，还是你的新家斯坦福，你都在照亮问题。皮娅在北加州，我每年也有不少时间在博利纳斯的家里。不管你在哪儿，我都会追着看。也就是说，接下来这一个小时，我会一直笑着听。谢谢。

布莱恩约弗森：非常感谢罗布，也谢谢皮娅，两位的介绍太客气了，我会尽力不辜负。我也要说，INET诸位在做的事同样令我印象深刻，能有机会和大家分享我们的一点研究，我感到很荣幸。我尤其期待之后的讨论和问答。在线的各位，请把你们的问题和评论告诉我，凡是我讲到的，或者你们想多聊的，我都很乐意讨论，那是最有趣的部分。我先把幻灯片共享出来。大家能看到标题页了吧？好。

几周之内，几十年的变化

布莱恩约弗森：我今天要谈的，正如皮娅所说，是「人工智能的觉醒」以及它对经济意味着什么。机器学习的能力，或者更广义地说人工智能、数字技术的能力，近年来出现了一些令人屏息的跃升。过去几个月，新冠疫情迫使我们所有人改变工作方式，这种跃升又明显加速了，包括我们现在正在Zoom上开的这场研讨会。全国乃至全世界数以百万计的人，生活被彻底改变了。而这只是新技术与新工作方式引发的更广泛、更根本的经济变化的一部分。有一句话我觉得说得很到位：有些十年里什么也没发生，有些几周里发生了几十年的事。过去这几周、这几个月，正是后者。就远程办公这类领域而言，过去十周里我们大概经历了至少十年的变化。稍后我会给大家看这方面的数据，也会看自动化其他领域的数据。

布莱恩约弗森：先说自动化，说这些技术如何被越来越多地使用。要让人安全地工作、安全地把活干完，办法之一就是多用这些技术。举一个例子，TensorFlow，大概是眼下最流行的机器学习工具，下载量已经超过一亿次。我的团队全都下载了，用得很多，其他许多人也是。每个月都有更多的人在想办法把机器学习用到自己的工作里，纪录不断刷新。

跨过一道关键门槛

布莱恩约弗森：我们正在跨过一道非常重要的门槛。看看机器学习在许许多多任务上的表现，举一个例子，图像识别。十年前，机器还完全做不到像人一样认出物体。后来斯坦福的李飞飞建立了ImageNet，一千四百万张图片，每一张都由人手工打上标签，这里给大家看其中四张。随后是一系列竞赛，看机器能多准地识别图片里是什么。起初它们表现并不好，看那条紫线就知道。然后就急剧提速了。真正的拐点在2012年左右，杰弗里·辛顿引入了深度学习方法。此前人们并不用深度学习和神经网络。这些大家大概都听说过，是规模极大的网络，在某种意义上模仿人脑处理信息的方式。就在最近，我说的是过去八年左右，我们有了足够的计算能力，算法有所改进，最重要的是数据可得性、数字数据的可得性大幅增加。三者合在一起，让我们能够把神经网络用得远比过去有效。到了今天，在包括ImageNet在内的许多应用上，机器已经超过人类。人在ImageNet上也并非完美，而机器现在辨认狗的品种或者别的物体，比一般人辨得更准。

布莱恩约弗森：但不只是图像识别，还有语音识别。我们大多数人都有一部这样的手机，iPhone或者别的什么，都玩过Siri、Alexa或者Google Now。我觉得它们远非完美，但我们正处在这样一个十年之中：从无法对机器说话，到习以为常地对它们讲话，并且指望它们回话、替我们回答问题。这方面也在飞速进步。我想在多数应用里它还没到人类水平，但已经非常接近了。

布莱恩约弗森：我和安德鲁·麦卡菲在《哈佛商业评论》上发过一篇文章，梳理了机器正在接手过去只有人能做的事的各个领域：录音转写、分析市场数据、分析药物的化学性质、开发新配方、分析购买行为，当然还有人脸识别。左边这个例子来自放射科和组织病理学，机器读医学影像，判断是不是癌症。几乎每个星期我都能在《自然》或《科学》上读到新文章，说某个新的机器学习系统又在类似任务上超过了人。

布莱恩约弗森：所以眼下正在上演一场淘金热。数千亿美元的风险投资和大企业资金涌入，争着抢占用机器学习解决那些过去只有人能解决的问题的机会。他们在下注，赌这会带来巨大回报。当然，不是所有赌注都会赢，但平均而言，我相当乐观，我们会看到越来越多像已经出现的那些一样的突破。

布莱恩约弗森：我们研究过一个小例子，机器翻译，效果立竿见影。这是我们去年发表的一篇论文，讲eBay的机器翻译。eBay上线了一套新的机器翻译系统，效果立刻显现。他们在好几个语言对上推行：英语与西班牙语、英语与法语、英语与意大利语、英语与俄语。每一组都构成一个自然实验，我们可以对比机器翻译上线前后交易的变化。这是拉丁美洲西班牙语的例子。大家可以看到，系统一开启，人们可以用自己的母语（英语或西班牙语）读eBay上的商品列表之后，销售额出现了非常明显的提升，大约增长了11%到12%。这是能够清楚量出经济效应的案例之一。

替代还是互补

布莱恩约弗森：不过，正如皮娅和罗布在开场时提到的，尽管可以创造大量财富，人们也担心财富如何分配，担心岗位被毁掉。这种担忧由来已久，可以追溯到差不多整整两百年前的卢德派。大家都知道，他们砸毁织机，因为他们认为织机会消灭大量熟练工匠的岗位。而他们其实是对的，那项技术确实消灭了很多岗位。总体上财富增加了，但正如我们稍后会谈到的，没有哪条经济规律保证每个人都会受益。完全可能出现一部分人受损、另一部分人受益的局面。我们此刻正处在这样一场转型之中。我认为它会比工业革命时期的转型更大，实际上已经在变得更大。今天，用安德鲁·麦卡菲和我的说法，是「第二次机器时代」：被增强和自动化的不再只是体力肌肉，还有头脑和脑力劳动。这是一个大得多的任务范围。

布莱恩约弗森：要理解技术如何影响工资，最自然的思路是看替代（substitution）。这是多数人首先想到的：机器做了原本由人做的事。但机器影响工作的方式还有很多。除了替代，还有互补（complementarity）。互补的意思是，机器让人的工作变得更值钱，而不是更不值钱。哪一种更重要呢？看数据，过去两百年的大部分时间里，互补一直是更重要的因素。我这样说的理由是，只要看看一个普通劳动者的工资，自卢德派的年代以来，两百年间工资涨了极多。不过最近二十年左右，这种增长停住了，甚至逆转了，工资不再增长。所以，技术也许正在从主要作为互补品，越来越转向作为替代品。

布莱恩约弗森：还有四个因素同样影响技术对工资的作用：需求弹性、收入弹性、供给弹性，以及新任务的发明。汤姆·米切尔和我在《科学》杂志上那篇《机器能学会什么》里做了更详细的讨论，梳理了其中的经济学逻辑，以及影响每个因素的技术类型。我现在不深入展开，如果你们想深挖其中任何一点，问答环节我很愿意谈。它们都很重要。我想留给大家的主要一课是：我们不该只想着替代。技术可以、也应当被用来补足和帮助人。我在TED演讲里说过，我们要学会与机器同跑，让它们帮我们把工作做好，而不是与机器赛跑，把它当成非此即彼的对立。

哪些任务会交给机器

布莱恩约弗森：皮娅提到我们距离通用人工智能还很远。AGI的意思是机器能做人类所做的全部事情，无论广度还是深度，就像好莱坞电影《终结者》里那种，基本上和人一样。也许有一天我们会走到那里，我猜多半会，但那可能是一百年后，至少也是五十年后，我想多数机器学习专家都这么看。此刻我们有的是非常强大的人工智能，我已经举了视觉、语音识别和其他领域的例子，但它们仍然相当窄，并不通用。于是就有了一个问题，至少对汤姆·米切尔和我来说是问题：机器学习擅长哪些任务，不擅长哪些任务？如果我们能拿出一套评价标准，一种把任务归入这两类的分类办法，我们就能更好地理解经济正在怎样变化。

布莱恩约弗森：于是我们请教了大量机器学习专家，花了一段时间开发出我们称为「机器学习评价量表」（machine learning rubric）的工具，并把它用到ONET里的任务上。注意不要和INET混了。ONET是一个职业数据库，收录了大约一万八千项具体职业任务，950种职业，每种二三十项任务。公交车司机、经济学家、小学教师、放射科医生，都在O*NET里，每一种职业都有一份描述，说明做这份工作的人需要完成哪些任务。我们的方法是，用这套量表逐项评估每一项任务，给它打分，判断机器学习是否适合、是否有可能完成它。有些事机器学习做得很好，那些数据密集、界定清楚的事情；另一些事它就做不好。我们对每一项任务都按五分制打分，而且请了十位不同的人来打，这样结果具备一定的信度，我们对答案也更有信心。

布莱恩约弗森：为了让大家有更具体的感受，看放射科这个例子。搞机器学习的人都爱拿放射科医生说事，说他们的饭碗岌岌可危，这不无道理，因为放射科医生最重要的工作之一，就是借助计算机辅助检测与诊断系统来解读影像。我前面展示过，这件事机器现在做得同样好，按数据看，在许多方面甚至比多数放射科医生更好。所以，借助计算机识别影像这部分工作已经被机器做得很出色。但放射科医生还有别的任务。有些情况下他们要给病人实施镇静，出于显而易见的原因，这不是你愿意交给机器去做的事。在放射科的27项任务里，我们发现适合机器学习的不到一半，其余许多项，即便在放射科，仍然最好留给人来做。

布莱恩约弗森：这个模式在每一种职业里都能看到。我要说清楚：我们看了全部950种职业，没有发现任何一种职业被机器学习全盘拿下、样样都能做。每一种职业都仍有必须由人来做的事。因此我认为很重要的一点是：机器会对劳动力产生巨大影响，但我不认为我们会看到大规模的工作终结或者失业。它更多是一种重组：任务的一部分交给机器，其余的重新分配。这会非常有破坏性，现在已经非常有破坏性了，但我们还没到机器能做人类大部分事情、能覆盖一个典型职业全部范围的阶段。

从任务到职业与地区

布莱恩约弗森：总体来看，那些最适合机器学习的任务，合起来大约值7130亿美元，是经济中非常大的一块。我们还只是刚刚触到表面。我认为未来短短三到五年，会有巨额投资涌入，去收割桌面上这些价值，投资机器学习系统的人会把它们收入囊中。不同行业之间有些差别。这张图是我们按行业做的，可以看到零售、运输、餐饮服务，这些行业里适合机器学习的任务最多。说明一下，我们这里的做法是拿每一项具体任务，汇总到行业层面。可以看到不同行业有不同的脆弱程度。

布莱恩约弗森：也可以按职业的相似程度来分组。比如文书人员，图中间黄色那一团，他们的任务彼此重叠，所以聚在一起，不管是制造业、零售业还是医疗行业的文书人员，都做着非常相似的事，正如大家能想到的。他们都相当脆弱，工厂工人也一样。有些群体则不那么脆弱：艺术家和媒体从业者不那么脆弱，一些专业人士、科学家、神职人员也不那么脆弱。我们可以按职业分组，尽管如我所说没有哪种职业能被完全自动化，数据中还是有一些清楚的规律。

布莱恩约弗森：这张图的横轴是工资百分位，右边是高薪工作，左边是低薪工作。纵轴是有多少任务适合机器学习，我们按加权平均来算，因为有些任务比别的更重要。首先能看到一条向下的斜线。这意思是，像收银员这样的工作，大量任务越来越可以自动化。要是你在CVS药店或者超市用过自助结账，就知道它不但能认条形码，现在，至少在我家附近的超市，它还能认出洋葱、橙子和柠檬，并且分类。它在学越来越多过去由人做的事。但也有一些高薪工作，比如航空公司飞行员，同样有大量任务适合机器学习，我们也在看到这种情况发生。我忍不住偷看了一眼经济学家在哪里。经济学家在靠近高薪那一端，有一些任务适合机器学习，但不像其他一些职业那么多。950种职业每一种都可以这样看，每个红点是一种职业。这些写在我们去年发表于美国经济学会《论文与会议录》的文章里。

布莱恩约弗森：我们也可以按国家来做。我的团队为不同国家建了一套分类对应表。不是每个国家都用O*NET和美国劳工统计局的分类，但我们为许多国家做了映射，这就能聚焦到具体职业上。可以聚焦到内科医生、外科医生、放射科医生，像我刚才讲的那样，其他职业也都能放大看。图中方块的大小代表这个职业有多少人。还可以按地理来看。去年我在国会做了这个报告，他们非常想知道哪些地区受影响更大。可以看到情况极不均衡，因为美国不同地区的人做不同的工作。曼哈顿或迈阿密海滩的人干的活，和威奇托或夏延的人不一样。怀俄明州看起来有很多脆弱的人，迈克·恩齐参议员当时在场，看到这一点很感兴趣。

布莱恩约弗森：还可以按公司汇总。这是放大看一家大型零售企业，沃尔玛。我主要给大家看右边这张图。红点的位置，纵轴是有多少任务适合机器学习。和整个经济相比，沃尔玛有大量任务可以由机器来做，并且很可能在未来几年被自动化。同时，在AI技能指数上，它比其他企业略微偏右一些。意思是他们公司里确实有很多人掌握了用TensorFlow做这类工作的技能。所以一方面他们很脆弱，另一方面他们很有能力把这件事做成。每一家公司都可以这样汇总来看。还能看不同公司的脆弱程度随时间如何变化。这是一家大型金融服务公司，随着时间推移，他们越来越多的任务变得适合机器学习。

布莱恩约弗森：让我再放大一点，看看用这些东西能做什么。左边是不同的岗位，红条越长，表示越多任务适合机器学习。靠下的位置有柜员、行政助理、个人理财经理。系统把哪些任务更适合、哪些更不适合机器学习分了类。我们聚焦到个人理财经理。左上角显示，个人理财经理可以转向许多新方向。虽然他们的大量任务适合机器学习，一个选择是重新设计这份工作，叫它「个人理财经理2.0」。右上象限显示，他们可以多做一些领导工作和客户关系管理，少做信贷审批和数据录入。这样一来，在自动化侵蚀其他任务时，他们的岗位就更稳固。另一个选择是学新角色，转到别的岗位上去。左下角显示，他们可以转做业务分析师、抵押贷款专员、人力资源经理。这些领域在增长，而个人理财经理在萎缩。根据右侧的技能差距分析，许多个人理财经理已经具备在那些岗位上成功所需的技能。这就是我参与的一家初创公司「第二次机器时代技术公司」（Second Machine Age Technologies）所做的分析，研究企业如何随时间适应自动化。用这些数据我们还能做很多别的分析。

远程办公的骤然普及

布莱恩约弗森：下面我转到远程办公，再讲讲生产率效应，然后开放提问。人们很关心远程办公如何影响经济，《华尔街日报》《纽约时报》和许多媒体都写过，援引的正是我们过去几个月做的一些研究。这是我们深入研究的其中一篇论文，今天早上我刚收到通知，它将在明年一月的美国经济学会年会上宣读。我们做的是一项覆盖约七万五千人的调查，问他们是在家工作还是在办公室工作，从事什么职业，身处何地。由此我们得到了一张远程办公转变的快照。

布莱恩约弗森：说几个要点。我们发现超过三分之一的美国人已经转为在家工作，包括我，可能也包括你们中的许多人。疫情之前，大约15%的美国人本来就在家工作。两个数字加起来，目前大约一半美国人在家工作。这当然是极其巨大的转变，对房地产、工资、全球化和其他因素都有各种影响，我们正在进一步细看，之后可以讨论。这种转变在全国范围内很不均衡。我们发现，正如大家会料到的，有两个因素能预测人们是否在家工作。一是新冠疫情的发生率，一个州疫情越重，转为在家工作的人就越多，这不奇怪。二是信息工作者的比例。看专业人士和管理者，以及其他主要与数据、知识、信息打交道的人，他们更可能转为在家工作；而从事制造、装配、建筑的人，不出所料，没有在家工作的机会。不幸的是，他们反而更可能失业或被停职。所以，依据人们所做工作的类型不同，这种转变的影响极不均衡，受影响的州也随之不同。

布莱恩约弗森：我们也用这些工具来更好地理解劳动力市场。这是一篇新论文，大概下周发布，叫Job2Vec。它把所有招聘启事转换成可以分析的数学向量。我们看了Burning Glass Technologies提供的两亿多条在线招聘启事，然后训练这些巨大的神经网络系统。我们用了一个参数超过一亿的语言模型，让它在某种意义上理解这些岗位是什么，彼此之间有什么关系。然后我们就能对它们做一些数学分析。比如我们可以问：假设拿一个软件工程师的岗位，往招聘启事里加几项技能，前面提到的TensorFlow、Python，或者别的机器学习技能，这个岗位的前景会怎样？我们发现，分类器会把它从软件工程师重新归为机器学习专家，预测薪资比原来高出大约六千美元。我们可以做这类操作，至少在模型内部看：增加技能、把人从一个地区挪到另一个地区、让他们在时间中移动，或者做其他调整，会发生什么。我想这会成为一件非常有力的工具，用两亿条在线招聘启事这样庞大的数据集来理解劳动力市场、理解均衡工资和均衡需求。

布莱恩约弗森：我们用它做的一件有趣的事，是用这个自然语言工具预测哪些任务最适合远程完成，哪些最不适合。左边可以看到，更适合远程的岗位有销售经理、教育工作者、市场营销经理。不太适合远程的是做装配的人、索具工、汽车车身修理工、卡车机修工。可以想见，这些在可远程性上得分不高。这给了我们一种相对客观的办法，去分析远程办公最可能在哪些地方奏效。

生产率悖论

布莱恩约弗森：下面简短谈谈生产率繁荣，然后我很想转入问答和讨论。其实并没有生产率繁荣，我认为这才是真正的谜。至少在我看来，这些工具相当了不起，但它们没有出现在生产率数据里。事实上，生产率增长不但没有加快，反而放慢了，已经放慢了大约十年。2004年之前的十年，美国生产率年均增长2.8%，此后不到这个数的一半。去年又是令人失望的一年，大约1.3%，这是过去十年的典型水平。而且不只是美国，几乎每一个经合组织国家都经历了类似幅度的放缓。这就是我们所说的现代生产率悖论：技术惊人，却不见于生产率数据。

布莱恩约弗森：那么究竟怎么回事？我简要列出四种解释，这是我与芝加哥大学的查德·西弗森和丹尼尔·罗克合作的研究，罗克曾在麻省理工做我的博士后，现在是沃顿商学院的教授。第一种可能是，像我这样的人，以及许多其他人，只不过被技术唬住了，它也许并没有看上去那么了不起。第二种可能是我们测量有误，收益是有的，只是没有体现在生产率数据里。第三种可能是，收益被一个极小的群体攫取了，所以我们看不到广泛共享的繁荣。第四种可能是，它正在路上，生产率收益需要时间才能渗透整个经济。

布莱恩约弗森：我认为这四种解释各有一些证据支持，但总体上，就宏观全局而言，前三种不如第四种有说服力。逐一简评一下。诚然有炒作，但同时，我们做过分析，发现即便一些较简单的技术也颇具变革性。说视觉、语言理解、各领域的智能或人工智能这样根本性的东西不是重要技术，是讲不通的。它的重要性大概至少不亚于电力。

布莱恩约弗森：测量误差确实是个问题，我过去认为这是最主要的部分，因为毫无疑问，数字革命的很大一块我们没有测量到。任何价格为零的东西，维基百科、电子邮件、Zoom，对GDP统计的贡献恰好是零，因为GDP只计算有正价格的东西。你可能因此认为我们漏掉了大部分收益，我也认为确实漏掉了。但我现在不那么相信这是放缓的主因，理由是：二十年前、五十年前、一百年前，我们同样漏掉了很多收益。青霉素、收音机、电视，以及更早年代的其他发明，也是免费或近乎免费的，也给生活水平带来了巨大提升。所以现在不那么明显的是，免费品的份额是否真的增加了。我想大概是增加了，但这个论证要难得多，不像只说「存在一些免费品」那么容易。

布莱恩约弗森：分配失衡是这个故事的重要部分。尤其在INET，我想你们非常熟悉，而且在这方面做了许多开创性的工作，证明财富变得极不均衡，最富的1%拿到了大得多的份额。但我们算过数字，这不足以解释生产率放缓。所以我要把更多注意力放在实施与重组的滞后上，把它作为主线。

生产率J曲线

布莱恩约弗森：这里的想法是：技术很了不起，但要真正驾驭它，你必须重新发明工作方式，而我们还没有做到。我们还没有做出那些配套的发明，没有在技能和组织变革上做出投资。等我们做了这些投资，就会开始收获。早先的时代也是同样的情形，电力就是例子，花了三四十年才拿到电力的全部好处。所以这个悖论可以这样化解：乐观派看着今天的技术，想象它未来（希望是不远的未来）能做什么；悲观派看着过去，说我们还没有做出那些改变。他们其实说的不是同一件事，所以两者可以同时都对。

布莱恩约弗森：不过，如果要从过去外推，你不应假定过去的生产率增长是未来生产率增长的最佳预测。我们做了一个小练习：横轴是任意一个十年期的生产率增长，然后看它对下一个十年生产率增长的预测力有多强。可以看到，基本没有相关性。一个时期生产率差，并不意味着下一个十年生产率也会差，或者会好，或者中等。几乎没有相关性。因此，我认为不该拿过去十年的糟糕表现外推，说未来也会如此。我在华盛顿报告时试图向国会预算办公室说明这一点。你们可能知道，他们以「我们过去表现不好」为理由，下调了未来十年的所有生产率估计。我告诉他们，我认为这为时过早，理解未来的更好办法是理解底层技术，而不是假定未来与过去相同。

布莱恩约弗森：我已经提到过电力。这个论证的核心是：计算机化的含义远不止买一台计算机或者买一套机器学习系统。九成的投资在新技能和新业务流程上。我们分析过，当一家公司安装比如说一套新的企业资源规划系统时，在软件和硬件上每花一美元，就要在组织变革和培训上花九到十美元。这笔额外的投资是一种无形资产，一般不会作为资本资产出现在公司的资产负债表上，通常也不会作为资产出现在国民账户里。但在经济学家眼中，我认为这是实实在在的投资。一家工厂有了新的业务流程，产出速度就比以前更快，也许能产出两倍于从前的东西。实际上你等于建了第二座工厂，只不过这座工厂是用业务流程和信息造的，而不是用砖和水泥。砖和水泥的工厂算资产，无形之物造的工厂在官方账上不算资产，但你能看到它确有价值。

布莱恩约弗森：问题在于，这些无形资产的投资需要时间和精力，不会瞬间完成。于是在你投资无形资产的时候，会有一种什么也没发生的错觉，要到后来才能收获。这就导致了查德·西弗森、丹尼尔·罗克和我所称的「生产率J曲线」（productivity J-curve）。这是一种错觉：在最初五到十年甚至更久，测得的生产率会下探。在曲线下行的这段，实际发生的是企业在投资重塑业务流程，工人在学习新技能，整个经济在经历转型。所有这些投资在国民账户里都没有被测量、没有被计入。于是看起来是一片折腾，却拿不出什么成果。然后到了后期，你开始收获。

布莱恩约弗森：一旦开始收获，收益就来了，而这时整个故事反过来了。企业看起来像是凭空获得了收益。实际上是因为它们做了那些投资，但由于投资没有被测量，就显得它们用同样多的砖瓦、同样多的设备，变得异乎寻常地高产。净结果就是这条J曲线，或者说近似J形的曲线：先下行，后上扬。我们看到的这种情形不只出现在人工智能上。回到历史，保罗·戴维等人记录过，电力的情形与此完全一致；不少人描述过蒸汽机也是如此；还有研究表明内燃机和其他通用技术也出现过同样的现象。所以这是一个普遍的模式：起初令人失望，随后生产率激增，看似无中生有，而我认为真正的答案是，它来自对无形资产的投资。

布莱恩约弗森：我们也算了一下数字，然后就进入提问。拿自动驾驶汽车来说，投入自动驾驶技术的资金超过八百亿美元，但商业上可用的自动驾驶汽车基本上一辆也没有。没有一个司机被裁，没有一个卡车司机被裁。这很可能会发生，大概在未来五到十年内，但眼下我们看到的是大量投资进去，另一头的产出却没有任何改善。随着时间推移，论文里我们把数学算了一遍，我们预计它在未来十五年会给生产率增长贡献约0.11个百分点。而像这样的应用还有十几个，每一个大概都能贡献零点一个百分点左右。所以，如果这些应用兑现，我们很容易看到生产率每年增长1个百分点或更多，足以回到原先的水平，甚至超过。

大脱钩

布莱恩约弗森：最后我要说，生产率非常重要，把经济这块饼做大是好事，数字进步正在把饼做大，但没有哪条经济规律保证每个人都会受益。大多数人被落下是完全可能的。工业革命以来两百年的大部分时间，事情不是这样的，但不幸的是，过去二十年左右的情形正是如此。我们看到经济整体大幅增长，生产率和GDP总量都创下纪录（撇开新冠这几个月不谈），百万富翁和亿万富翁比历史上任何时候都多，但中位收入实际上停滞了。

布莱恩约弗森：这张图显示的正是这个缺口，我们称之为「大脱钩」（great decoupling），现在很多人都指出过，我们在《第二次机器时代》里也写过：生产率不断创新高，而普通人、处在第50百分位的人，却没有分到多少。这怎么可能？因为大部分收益流向了最顶端的1%。事情不必如此。在战后的大部分时期，乃至更早，生产率和中位收入大致同步增长，有时中位收入甚至增长得更快。但由于种种原因（我们可以在讨论中谈），它变得极不平衡。要提高中位收入，我们能做的事情之一，就是让这两条线重新靠近。

布莱恩约弗森：让我总结一下。第一，我们已经拥有强大的技术，不只是机器学习，也包括远程办公，技术已经在这里了。我很享受在硅谷待一段时间，原因之一就是我离那些发明这些技术的人更近，能学到很多关于它们能力的东西。第二点非常重要：仅仅拥有技术，不足以收获这些好处，不足以提高生产率。商业模式必须改变，需要新的技能，政府也需要更新政策。其中一部分已经加速了，系统受到了一次冲击，远程办公这类事情比原本可能的速度快了很多，但这仍然是一个进行中的过程。最终，理解这些变化的性质，将决定哪些个人、哪些企业、哪些国家是赢家，哪些被落在后面。如果你想要共享的繁荣，我想我们所有人都想，那么坐等它自然展开是不够的。你需要有意识的政策，政府政策，还有企业和个人都得思考如何为自己配备在第二次机器时代、在这个新经济中成功所需的技能。

布莱恩约弗森：我刚才讲的内容背后有大量研究，我讲得很快，材料很多。大家可以去我的网站brynjolfsson.com免费下载我所有的论文。我们还有一些网站，对我和第二次机器时代技术公司做的部分工作有更深入的介绍。我也有推特，经常在那里更新我的研究。那么我们就进入问答吧。感谢你们给我机会展示这些研究，现在很乐意回答各位的任何问题和评论。

激励结构决定技术走向

马拉尼：埃里克，谢谢，这太有帮助了。你覆盖了极广的题目，而且用的是我们平时不常见到的数据。我们这么频繁地讨论这些问题，能看到背后的数据实在难得。在转到收到的提问之前，我想了想你为生产率与技术之间的落差列出的四个原因。这让我想到卡洛塔·佩雷斯的研究，她谈技术如何以周期的方式被吸纳进经济。她说得很明确的一点是，这取决于我们有什么样的政策和制度，它不会自动发生，如何发生取决于它发生时的环境。你也讲了可以转向「个人理财经理2.0」。谈到技术的替代效应与互补效应时，人们常举的例子是ATM机：当时人们担心ATM会取代银行职员，结果银行职员只是改变了工作内容，最后我们雇用的人反而更多了。但这同样取决于环境。而且正如你指出的，我们已经看到了大脱钩，看到了技术所有权的问题。如果我们真的要转向更多互补、更少替代的技术（我不确定该用什么词），这难道不取决于我们在经济体系里内置的激励结构吗？有没有办法设计激励，把技术引向不替代劳动、而是增加劳动需求的方向？比如你展示的自动驾驶汽车的数字，说它们一旦上路，生产率会大幅提升，而这其实来自取代司机。我们该如何思考这个问题，才能把技术引向人人都能分享的方向？

布莱恩约弗森：你正好说中了要害。我们可以改变激励。在我看来，近来形势对劳动者不利的原因之一，是有人非常明确地、也许是有意识地，把激励朝相反方向拧。眼下我们大规模补贴自动化和资本投资，却惩罚劳动。假设你是一位企业家，两位科学家各带着一个绝妙的想法来找你，每个都能给你赚十亿美元，一个会雇很多人，一个谁也不雇。两者都给你带来十亿利润，就这么假定。你选哪个？现在我们的税制会重重地把你推向不雇人的那个。因为一雇人，你就要交税，交社会保障金，还要承担一整套医疗和其他福利，不雇人就没有这些负担。如果你能不增雇一个人就无成本地扩大规模，用他们的话说，一个「可扩展」的流程，不涉及人，那你就能把全部好处留下，不必给政府那么多。政府在你雇人时收得比不雇人时多得多。我不认为这是我们想要的激励。它的效果是告诉企业家：想办法别雇人。这在一百年前、我们也许比现在更缺劳动力的时候，或许还有点道理（我不确定曾经有过），但此刻，我肯定不认为这是正确的激励。

布莱恩约弗森：此外还有培训和教育的问题。有一整套本应鼓励互补而非替代的政策，我们并没有到位。我也认为这不只是政府的事。如果国会和政府对此更敏感当然好，也许选举之后会好一些。但这同样是首席执行官们需要思考的事，劳工领袖需要思考，个人也需要思考自己的技能发展。我在一个最大的人工智能会议上做过报告，我告诉他们，别把那么多精力放在制造替代人类的人工智能上。人工智能研究者有一种常见的策略，就是复制人类。有所谓图灵测试，看你能不能造出一台与人无法区分的机器；不管是机械手还是别的什么，他们总以人为标准去复制。我对他们说，这也许是有趣的智力练习，但如果你想创造共享的繁荣，这恰恰与你该做的相反。想创造共享的繁荣，你应该专注于让机器做人做不到的事，把人能做好的事留给人。机器能看见紫外线、X光，能做上千件人做不到的事。去开发那些能力，而不是让它们越来越像人。把机器造得像人，就是把它们变成人的替代品；把机器人造得不同于人，它们就更可能成为互补品。所以我再说一遍：政府、产业、劳动者个人、技术人员，都应该从互补与替代的角度来思考。

信息工作的全球化

马拉尼：谢谢。我来看看收到的问题。汤姆·科因问：新冠迫使大量高技能劳动者在家工作，由此引发的技术开发浪潮，会不会导致这些岗位面临远为激烈的全球竞争，给高工资地区的就业带来下行压力？

布莱恩约弗森：这是个很好的问题，我一直在想同样的事。很多人指出人们在远程工作，但问题是，一旦远程，你在十英里外还是一万英里外，大概没有多大区别。皮娅，你现在在哪儿？

马拉尼：我在洛杉矶。

布莱恩约弗森：你在洛杉矶，那我现在离你三四千英里，可我们照样在一起远程工作。正如汤姆所说，一位企业家或经理，不再需要只和住在自己附近的人一起工作。只要在线，通勤圈就变得越来越无关紧要。我认为会出现一个有趣的悖论。大家都指出，原子世界的全球化正面临压力：供应链回迁，贸易限制增加，移民减少。凡是涉及实物、服务、人员的物理流动，我们看到的是全球化的退潮。但没有得到足够关注的，正是汤姆的这一点：随着人们远程工作，我们会看到信息工作的进一步全球化。这可能给那些城市里的许多人带来下行压力。确切地说，对美国的一部分人是下行压力，对印度或非洲那些从前接触不到全球市场、现在能接触到的人，则是上行压力。这就是经济学家所说的要素价格均等化（factor price equalization）：无论你有什么技能，你现在都在一个全球市场里。这可能是好事也可能是坏事，取决于你在工资和能力上，与其他国家的人相比有多大竞争力。

中美人工智能之比

马拉尼：谢谢。爱德华·哈达德问：美国与中国或其他国家在人工智能进展上有显著差异吗？

布莱恩约弗森：这个问题我看得不少。我参与了一个叫「AI指数」（AI Index）的机构，是我和另一些人一起发起的，现在设在斯坦福，追踪许多不同领域的进展。网址是AIIndex.org，每年出一份大报告，也有持续更新的统计。我们看到的是，中国确实在大步前进，在某些领域，比如人脸识别，中国领先于美国。稍微简化一点说，在更基础的类别上，我想共识是美国的核心基础研究更强；在许多应用领域，尤其是涉及大数据集的领域，中国要么在迅速追赶，要么已经超过美国。

布莱恩约弗森：我去过AAAI，说起来有意思：AAAI过去是这个领域最顶尖的会议，名字原本是「美国人工智能协会」。现在改名了，因为来自中国的投稿已经多于美国，新名字大概是「人工智能促进协会」，把「美国」从名字里去掉了，因为它已经成了一个全球性会议。来自中国的论文比来自美国的多，我要说明，不是超过一半，但多于美国。当然也有许多来自其他国家的论文，中美是前两位。主观上，和许多研究者交谈，他们觉得美国论文的质量和基础性突破更强。所以这有点像数量与质量的取舍，也许还有应用与基础的取舍，但中国无疑是人工智能领域的一个巨大力量。我推荐李开复的著作《AI·未来》（AI Superpowers），我认为是这方面较好的一本书，比较了两国人工智能体系各自的长短。

新的数字鸿沟

马拉尼：罗伯特·欧文问：机器学习及相关的新数字技术，会在多大程度上加剧发达国家与外围地区之间的又一道数字鸿沟？国家和国际层面的政策协调，在应对这一挑战时应扮演什么角色？

布莱恩约弗森：这在某种意义上是汤姆·科因问题的另一面。随着全球化加深，对于发展中国家里那些能上网、又具备一定技能的人，这可能是好事。另一方面，那些国家里许多人要么没有技术接入（尽管仅凭手机，接入也在变得越来越普遍），更常见的是，他们没有眼下市场需要的技能。我认为存在一个真实的风险：发展中国家过去用来向上攀爬的梯子，有几级正在被抽掉。过去你可以搞低工资制造业，不需要很多技术工人，不管是纺织还是其他行业，越南或台湾的工人可以仅凭工资更低，就与德国、瑞士或美国的工人竞争。但现在许多这类工作由机器人来做了，单靠低工资就没那么有吸引力了。那些不太可能被机器接手的任务，往往认知要求更复杂，更需要创造性，通常也需要更多教育。有些国家和地区已经成功地或者正在成功地穿越这个转型，比如台湾，以及我们刚提到的中国大部分地区，但另一些国家可能被卡在转型的另一侧，找不到同样的前进路径。所以，很可能有大量的人被落下，除非我们主动去提升他们的人力资本，提升他们在数字时代用得上的技能。

让技术适应现有劳动力

马拉尼：杰克有一条评论，呼应了上一场研讨会里的说法：我们应该停止幻想一支理想的劳动力队伍，而是让技术为现有的劳动力服务。

布莱恩约弗森：我不认为这是非此即彼。当然，正如我提到的，和技术人员交谈时，我鼓励他们开发与人类劳动者互补的技术。但我们一直也在大力投资于劳动力的再培训。我说「我们」，是指美国之所以成为世界领先者，不仅在生产率上，也在平等上，是因为它在教育上的投资远多于其他国家。回到十九世纪，小学在美国已经普及，而在欧洲还很不普遍。有人当时觉得让农家子弟学读书写字和其他技能是发疯，结果证明这是极其重要的投资。后来有了高中运动、大学运动。美国如今领先优势不如从前，甚至在落后，原因之一就是它没有像过去那样在教育和培训上投入。但我认为这必须是全方位的。人们将不得不持续地改变和升级技能，我不认为这种需要已经走到了尽头。技术人员也应该让技术去适应他们。同样，企业家需要思考如何以不同方式把技术与人结合起来创造价值，政府需要建设支撑这一切的基础设施。这是一项全方位的事情，没有哪一方必须或者能够独自完成全部工作。

马拉尼：谢谢。时间到了。埃里克，再次感谢你抽时间和我们做这场活动，尽管中间有那么多技术故障要应付。我们非常感激。这是一场非常有意思的讨论，涉及我们正在苦苦应对的一系列问题，而这些问题被疫情加重了，或者说，被疫情加速了。我们很期待与你在斯坦福新成立的数字经济实验室建立联系。也感谢今天所有在线收看的朋友。我们下一场研讨会在两周后，8月6日，考希克·巴苏将讨论疫情对全球经济的长期影响，涉及印度和其他一些发展中经济体，谈疫情对这些国家已经产生和将会产生的影响。再次感谢，大家保重。

布莱恩约弗森：非常感谢，皮娅。这真是一次愉快的交流，很高兴有机会和大家连线。