『柏拉图说』是由南京大学计算传播学实验中心的成员们于2022年4月发起的论文精读与推介活动，我们将定期推送新闻传播学TOP期刊最新内容、新闻传播学前沿及相关量化研究方法论文。我们致力于深耕传播学领域，紧跟专业研究热点，延伸学术视角，拓展群体智慧。

柏拉图说 
论文推介第 
165 
篇

Acemoglu, D. (2024).The simple macroeconomics of AI.Economic Policy.https://doi.org/10.1093/epolic/eiae042

概括

本文评估了关于人工智能( AI )新进展的巨大宏观经济影响的论断。它从基于任务的人工智能效果模型出发，通过自动化和任务互补发挥作用。只要人工智能的微观经济效应是由任务层面的成本节约/生产率提升驱动的，那么其宏观经济后果将由一个版本的Hulten定理给出：国内生产总值( GDP )和总生产率收益可以通过影响哪部分任务和平均任务层面的成本节约来估计。利用现有关于人工智能和任务层面生产率改善的估计，这些宏观经济效应看起来并不微不足道，但幅度不大- -在10年内，全要素生产率( TFP )的增幅不超过0.66 %。本文进而认为，即使是这些估计也可能被夸大，因为早期的证据来自容易学习的任务，而未来的一些效果将来自难学的任务，因为这些任务中存在许多影响决策的情境依赖因素，并且没有客观的结果措施来学习成功的业绩。因此，预测未来10年的TFP增长更加温和，预计将低于0.53 %。我还探讨了人工智能的工资效应和不平等效应。我从理论上表明，即使在某些任务(没有为他们创造新的任务)中，人工智能提高了低技能工人的生产率，这可能会增加而不是减少不平等。实证上，我发现人工智能的进步不可能像以前的自动化技术那样增加不平等，因为它们的影响在人口统计群体中分布更加平均，但也没有证据表明人工智能会减少劳动收入不平等。相反，人工智能被预测会扩大资本和劳动收入之间的差距。最后，AI创造的一些新任务可能具有负面的社会价值(例如在线操作的算法设计)，我讨论了如何将可能具有负面社会价值的新任务的宏观经济效应纳入其中。

介绍

近年来，以大模型为代表的AI的火热发展引发了人们的热议。它将会影响宏观经济、生产力、薪资和不平等。讨论在近些年都不会停止，特别是对AI将会引发什么样的生产力增长上。一些专家认为，真正具有变革性的影响，包括使人工智能能够在本质上执行所有人类任务的人工智能，可能即将到来。其他预测者会相对来说比较理智，但依旧预测它有大影响。Goldman Sachs( 2023 )预测，全球国内生产总值( GDP )将增长7 %，相当于7万亿美元，在10年期间，美国生产率每年增长1.5 %。麦肯锡全球研究所( McKinsey Global Institute )最近的预测显示，除了早期对工作自动化程度提高带来的经济增长的估计之外，生成性人工智能还可以为全球经济带来高达17.1万亿至25.6万亿美元的提升。他们认为，人工智能和其他自动化技术的总体影响可能会使发达经济体未来10年的GDP年均增长高达1.5 - 3.4个百分点。

这样如此巨大的影响有道理吗？当这么大的影响来临时，谁又是其中的受益者呢？在之前的科技影响(如机器人)来临时，被影响的就业者普遍受到了消极的影响。这次科技的浪潮席卷而来时，会有什么不一样吗？一些专家和评论家相对来说会变得更乐观，一些"概念证明"的实验研究证明了生成性人工智能带来的非平凡的生产率收益，这在很大程度上是由生产率较低或业绩较低的工人的改进所驱动的。这促使一些专家对( Autor , 2024)持谨慎乐观态度，而另一些专家则在预测"blue-collar bonanza"。

本文使用Acemoglu and Restrepo ( 2018 , 2019b , 2022)的框架来为这些争论提供一些见解，特别是与中期(近10年以来)相关的AI宏观经济影响。我构建了一个基于任务的模型，在这个模型中，一个独特的最终产品的生产需要一系列的任务来执行，这些任务可以分配给具有不同比较优势的资本或劳动力。自动化对应的是资本(包括数字化工具和算法)生产的任务集的扩张。在这个框架中，基于人工智能的生产率收益- -无论是以劳均产出增长衡量，还是以全要素生产率( TFP )增长衡量- -可以来自多个不同的渠道。

-自动化(或者更准确地说,扩展边际自动化)涉及人工智能模型在某些任务中接管和降低成本。在生成式人工智能的情况下，各种中层文书功能、文本摘要、数据分类、高级模式识别和计算机视觉任务都是可以实现盈利的自动化任务。

-任务互补性可以提高非完全自动化任务的生产率，甚至可能提高劳动的边际产出。例如，执行某些任务的工人可能有更好的信息或获得其他互补的输入。或者，人工智能可以使一些子任务自动化，同时使工人能够在工作的其他方面专门化并提高他们的生产力。

-自动化的深化可以发生，在已经实现自动化的任务中提高资本的生产率。例如，一个已经自动化的IT安全任务可能会被生成式人工智能更成功地执行。

-人工智能可能会产生新的任务，这些任务可能会影响整个生产过程的生产率。

在本文中，我关注前两个渠道，尽管我也讨论了人工智能使能的新任务如何产生积极或消极的影响。我不讨论自动化的深化，因为(生成性)人工智能所影响的任务不同于前一波数字技术所自动化的任务，如机器人、先进制造设备和软件系统。我也没有讨论人工智能如何通过改变科学(由Google子公司DeepMind发现的蛋白质折叠和新的晶体结构的神经网络进展说明了一种可能性)的进程来产生革命性的影响，因为这种大规模的进步似乎不太可能在10年的时间框架内出现，目前的许多讨论都集中在自动化和任务互补性上。

我表明，当AI的微观经济效应由任务层面的成本节约(同样,生产率的提高)驱动- -由于自动化或任务的互补性- -宏观经济后果将由Hulten定理的一个版本给出：GDP和总生产率收益可以通过影响任务的哪个部分和平均任务层面的成本节约来估计。这个方程约束了来自人工智能的任何GDP和生产率效应。尽管简单，但应用这个方程并不是平凡的，因为对于哪些任务将被自动化或补充，以及成本节约将是什么，存在着巨大的不确定性。

然而，作为一个阐释性的尝试，我使用了最近一些研究的数据，特别是Eloundou et al ( 2024 )和斯万贝里et al ( 2024 )，以及前面提到的实验研究，以获得一些粗略的数字。Eloundou et al ( 2024 )首次系统地估计了生成式人工智能和计算机视觉技术会对哪些任务产生影响。他们的方法没有完全区分这些影响是以自动化还是任务互补的形式出现，也没有提供什么信息来说明我们应该期望这些影响在什么时候实现以及它们的成本节约会有多大。对于计算机视觉技术，Svanberg等人( 2024年)提供了在不同时间框架下，对可能暴露于人工智能的任务的哪些部分进行自动估计。

我采用Eloundou等人对暴露于AI (不区分自动化和任务互补)的任务的估计。然后，我将其汇总到职业层面，并通过其工资法案在美国经济中的份额来衡量每个职业的重要性。这一计算意味着，美国20 %的劳动任务暴露于人工智能。然后，我使用Svanberg等人对计算机视觉任务的估计，在所有暴露的任务中，23 %可以由AI (对于其余的,作者估计成本将超过收益)执行。我将平均劳动力成本节省27 % - - Noy和Zhang ( 2023 )以及Brynjolfsson et al ( 2023 )中的估计的平均值- -并将其转化为使用行业劳动力份额的总体成本节省，这意味着平均总体成本节省14.4 %。

这意味着未来10年TFP效应总和不应超过0.66 %，即TFP年均增长约0.064 %。如果我们从Peng等( 2023 )中增加更大的生产率收益(不太可能广泛适用)，或者考虑到图形处理单元( GPU )成本的进一步下降，这个数字仍然保持在0.9 %左右。

要将这些数字转化为GDP的估计值，我们需要知道资本存量会因人工智能而增加多少。我首先以资本存量的增加与TFP的增加成正比为基准。这个基准和事实是一致的，即生成式人工智能似乎不需要用户(超出了那些由模型的设计者和训练者制造的模型)的巨额投资。在考虑这些投资效应的情况下，预计未来10年GDP还将增长0.93 - 1.16 %。当我假设投资反应与早期自动化技术类似，并使用Acemoglu和Restrepo ( 2022年)的完整框架来估计资本存量的增加时，GDP效应的上限将上升到1.4 - 1.56 %左右。尽管如此，我的框架还阐明，如果资本产出比随着TFP的增长而增加，这可能会使GDP增加超过TFP，但不会额外增加福利，因为额外的投资来自于消费。

然后，我认为上述数字可能会高估从人工智能中获得的总生产力收益，因为现有的生产力收益和成本节约的估计是在"容易学习"的任务中进行的，这使得人工智能变得容易。相比之下，未来的一些效果将来自"难学"的任务，其中有许多影响决策的情境依赖因素，而大多数学习是基于人类代理人执行类似任务(而不是客观的结果指标)的行为。在这些困难的任务中，从人工智能获得的生产力收益将是较小的- -尽管当然，确定具体减少多少是有挑战的。使用一系列(推测性的)假设，我估计了Eloundou等人暴露任务中73 %的容易任务的上界。我认为，在艰难任务中，生产率的提高大约是容易任务的四分之一。这将导致未来10年TFP和GDP的更新和更小的增长，其上限分别为0.53 %和0.90 %。

人工智能创造的新任务能更显著地提高生产率。但是，一些新的AI生成的任务是可操纵的，并且可能具有负面的社会价值，例如深度伪造、误导性数字广告、成瘾的社交媒体或AI驱动的恶意计算机攻击。虽然很难将数字放在好的和坏的新任务上，但根据最近的研究，我建议来自新的坏任务的负面影响可能是相当大的。我使用Bursztyn等人( 2023 )最近的一篇论文中的数字对社交媒体的负面福利效应进行了非常具有思辨性的尝试。这些作者发现，当他人使用社交媒体(特别是Instagram和TikTok)时，消费者有积极的支付意愿，但他们更愿意自己和他人都不使用它。粗略地说，他们的估计意味着收入可以增加约53美元/用户月，但这对总GDP /福利产生负面影响，相当于19美元/用户月。结合这些数字和对可能产生负社会价值(在实践中,来自社交媒体的收入和在IT安全方面的攻防军备竞赛的支出)的活动份额的估计，我建议随着AI的更密集使用，可能会有非平凡的GDP增长。例如，人工智能可能会出现GDP增长2 %的情况，而在现实中却降低了福利- 0.72 % (在消耗当量单位中)。

最后，我探讨了人工智能的工资和不平等效应。我的框架暗示，从人工智能中获得的生产率收益不太可能导致大规模的工资增长。此外，即使人工智能提高了低绩效和中等绩效工人(或在复杂任务中专业知识有限的工作者)的生产率，我认为，从理论上讲，这可能不会转化为较低的不平等。事实上，我通过一个简单的例子说明，在某些任务中，低技能工人生产率的提高如何导致更高而不是更低的不平等。将Acemoglu和Restrepo ( 2022 )的一般均衡估计调整到人工智能的设定中，我发现人工智能的更密集使用不太可能导致受影响群体的工资大幅下降，因为人工智能暴露的任务在人口统计群体中的分布比暴露在早期自动化浪潮中的任务更均匀。尽管如此，我估计人工智能并不会减少不平等，很可能对低学历女性(尤其是白人、土生土长的低学历女性)的实际收入产生负面影响。我的研究结果还表明，AI将进一步扩大资本和劳力之间的差距。

总之，我认为，正如Acemoglu和Restrepo ( 2018 )最初提出的那样，更有利的工资和不平等效应，以及更可观的生产率收益，很可能取决于为一般工人，特别是中低收入工人创造新的任务。虽然这在理论上是可行的，我在其他地方也讨论了如何实现(Acemoglu, 2021 ; Acemoglu et al , 2023)，但我也讨论了为什么这似乎不是目前人工智能研究的重点。

总之，应该清楚的是，预测人工智能对宏观经济的影响是非常困难的，将不得不基于一些投机性假设。尽管如此，本文的主旨是，一个简单的框架可以约束我们的思考和预测，如果我们认真对待这个框架和现有的估计，很难得出非常大的宏观经济收益。

论文的其余部分组织如下。接下来的部分概述了我在整个论文中使用的概念框架，并得出了一些关于总生产率收益、投资反应和工资和不平等影响的理论见解。它还讨论了易学和难学任务的关键区别及其生产力含义，并介绍了好的和坏的新任务之间的对比。第三节对该框架下人工智能的新突破进行了初步的量化分析。它首先根据未来10年内可能受到人工智能影响的现有任务的比例和现有的人工智能对成本节约(生产率提高)的估计，提出了一个基线(上限)估计。然后，通过引入易学和难学任务之间的区别来完善这一估计，并将AI暴露的任务初步分类为易学和难学两类。我还做了更多的推测性尝试，试图将糟糕的新任务的宏观经济含义纳入这一框架。最后，我报告了对最近人工智能进步的工资和不平等影响的估计。第4节是一般性讨论，而补充附录中包含了关于如何将任务分为暴露和非暴露、易学和难学类别的额外信息。

概念框架

这里的模型建立在Acemoglu和Autor ( 2011 )以及Acemoglu和Restrepo ( 2018 , 2019b , 2022)的基础上，我将重点放在框架的主要元素上，参考读者对这些论文进行进一步的详细和完善。经济是静态的，涉及独特的最终产品的生产，所有的市场都是竞争性的。一个独特的最终产品的生产是通过使用下面的生产函数，将一组任务与测度N结合起来进行的。

(1)

Y(z)是任务z的总产出，σ ≥ 0为任务与参数之间的替代弹性，B(N)依赖于N，来捕捉新任务可能的全系统效应。就目前而言，弹性σ可以取任意值，但假设σ≤1是合理的，从而任务是完全互补的。之后，我将任务之间的替代弹性设置为σ≈0.5，正如Humlum ( 2021 )所估计的那样，也在Acemoglu和Restrepo( 2022 )中被做出了规定。

根据生产函数，任务可以用资本或劳动来生产：

A_L和A_K分别是劳动增强型和资本增强型生产率项，y_L(z)和y_K(z)分别是劳动和资本的特定任务生产率表，l ( z )和k ( z )分别表示分配给执行任务z的劳动和资本。综上，我假设y_L(z)/y_K(z)在z上递增，从而劳动在高指标化任务上具有比较优势。这意味着存在一个阈值I，使得z ≤ I的任务由资本生产，高于这个阈值的任务由人工劳动生产。

我将总人口标准化为1，并假定不同劳动者拥有不同单位的有效劳动。为简化讨论，假设存在高技能和低技能两种劳动力，且这两种劳动力之间不存在比较优势差异(我后来对此进行了概括)。唯一不同的是，高技能工人占总人口的一小部分φ^H，拥有λ^H个单位的有效劳动。而剩余的φ^U = 1 - φ^H低技能劳动者只有λ^U < λ^H的有效劳动单位。该规范保证了高技能工人和低技能工人都可以完成一些相同的任务。这也意味着工资不平等被λ^H / λ^U - a所牵制- -这是我后来放松的一个特征。

我也假设了劳动力是供给不灵活的，所以可以用下式表示：

劳动力市场出清(在市场机制的作用下，商品的供给和需求达到平衡状态，即所有商品都找到了买家，没有剩余的供给或未被满足的需求)的条件如下式所示，并且，我将工资率用w表示。

(2)

资本是专门用于其使用的任务的，我假设z类型的资本是从具有单位成本的最终产品线性生产的。那么，任务z的资本成本可以通过下公式计算：

(3)

其中R(z)是任务z的资本成本，R(K)表示经济总资本存量对资本成本的影响，而ρ(z)代表了任务特定的因素。而经济总资本存量K，它是通过积分所有类型的资本k(z)得到的：

上述公式表明，当经济的资本存量增加时，资本的必要回报率也会上升；第二项ρ(z)则表示不同类型的资本可能有不同的成本。对于尚未实现技术自动化的任务——即不能由资本生产的任务，可以选择设置r_k(z)=0或让ρ(z)非常大。

最后，我假设存在一个(非饱和的)代表性家庭消费最终产品(资本性支出净额)，我用C表示这个家庭的消费。

(1)平衡状态

我将聚焦于竞争性平衡，这满足下列的常规条件。

-任务分配是低成本的，也就是说，任务z被分配给工人当且仅当满足：

-资本k(z)的选择是为了让Y-R(z)k(z)取最大值。

-劳动力市场是处于出清状态。

注意，第一个条件施加了一个无害的决策规则，即当两者没有区别时，企业使用资本来执行任务。给定这个决策规则，所有任务z > I将由人工完成(即l ( z ) = 0，对所有z ≤ I；和k ( z ) = 0对所有z > I )。在基准模型中，是高技能劳动还是低技能劳动是不确定的，因此，我将重点放在有效劳动单位的总体数量上。

在一个竞争性平衡的状态下，所有任务都被工人执行必须满足以下条件：

(4)

这表明了任何两项任务z > I和z` > I都有：

(5)

注意到，当σ < 1时，较少的劳动力被分配到劳动生产率较高的任务中- -这一特征的含义我将在后面强调。方程( 5 )，结合劳动力市场出清条件( 2 )，可推出

(6)

而且，对任意任务z < I都有类似的推理，只使用资本，资本密集度的一阶条件简单推导为：

(7)

将公式(6)和(7)带入(1)，GDP或者说是总体的产出可以表示为：

(8)

这里的分母是由于生产的迂回性质，我假设：

(9)

以确保在这种经济中产量是有限的。(否则,由于输出线性地生产机器,进而产生输出,所以总输出可以达到无穷大)。与Acemoglu和Restrepo( 2022 )中的论证相同，只要满足式( 9 )，均衡存在且唯一。

(2)AI如何影响生产

在完成对平衡的刻画之前，我讨论了人工智能如何影响这个经济体的生产。

1.AI使进一步的(广泛的)自动化成为可能，增加了阈值I。这种自动化可以被触发，因为AI降低了一些边际任务(即略高于Ⅰ的任务)的资本成本，或增加了执行一些边际任务的机器或算法的有效性，对于阈值I以上的某些任务z而言，提高了y_k(z)。这种类型的自动化的明显例子包括生成式AI工具，如LLMs，正在接管简单的书写、翻译和分类任务，以及与客户服务和信息提供有关的更复杂的任务，或计算机视觉技术，接管图像识别和分类任务。

2.人工智能可以产生新的任务互补性，提高其正在执行的任务的劳动生产率。例如，人工智能可以为劳动者提供更好的信息，直接提高劳动者的生产率。这种可能性可以被模型化为AI在某些z > I的任务中，更大程度上减少了互补资本k_C(z)的成本，如脚注8中列出的更通用的公式所示。或者，AI可以自动化一些子任务(例如向计算机编程人员提供现成的子程序)，并使人类能够专门从事其他子任务，从而提高它们的性能。这个通道需要对组成每个任务的子任务的范围进行显式建模。在这种情况下，新兴的人工智能技术将承担一些子任务，并且以足够高的生产力来完成这些任务，以至于在子任务级别的劳动力替代效应将弱于生产力增益。这将扩大对劳动力的需求和这些任务中劳动力的边际生产力。生产力效应可能大于替代效应，从而扩大劳动力需求的可能性，这与Acemoglu和Restrepo在2018年和2019b年提出的基本自动化模型中的情况相同。更有意思的是，人工智能可能使工人能够专门从事非自动化的子任务，并提高他们在这些活动中的专长(例如,当人类花费在编写标准子程序上的时间减少时,他们可以在编程的其他部分变得更好)。在某些任务z ≤ I中，或当所有任务都发生时，用A_L的增加来表示任务互补性，用y_L(z)的增加来表示。

3.人工智能可以诱导自动化程度的加深--在一些先前的资本密集型任务(任务z ≤ I)中，即提高性能y_K(z)，或降低成本ρ(z)。实例包括IT安全、库存的自动化控制和更好的自动化质量控制(参见Acemoglu和Restrepo, 2019a)。

4.人工智能可以产生新的劳动密集型产品或任务，这对应着N的增加。正如Acemoglu和Restrepo( 2020b )、Acemoglu( 2021 )和Acemoglu et al ( 2023 )所指出的，这种新任务的实现途径有很多种。之后我还讨论了其中一些新产品和任务可以操纵并且具有负面社会价值的情况。

新的人工智能工具的效果将取决于这些效果中的每一个效果的程度，我将在后面试图就这些可能性提供更多的具体性。在这一部分的其余部分，我推导了AI的不同影响的后果。

(3)均衡薪资和比较静态分析

将公式(4)带入公式(6)，均衡薪资可以表示为：

(10)

这个方程是直观的，第一项说明了薪资和工人劳动力是成正比的(1/σ次幂)。而第二个项捕获了来自希克斯中性(技术进步不会改变生产要素（如资本和劳动）之间的边际替代率)和劳动增强型技术对劳动边际生产率的贡献。而第三项则表示劳动的边际生产力受任务分配的贡献。那么任何微小的技术变革(潜在地改变生产技术的多个维度,如B ; A_L、A_K ; y_L(z)和γ_K(z) ;以及I和N)的影响都可以写成(两边同时求微分)：

(11)

进一步扩大边际自动化的影响- - I的增加- -由下式(对I求导得)给出：

一般来说，这个表达式具有模糊符号，因此自动化可以增加或减少工资。更具体地说，有两个相反的影响(Acemoglu和Restrepo, 2018 , 2019b)：( 1 )自动化总是对工资产生积极影响(和劳动力需求)，因为它提高了生产率(或者等价地,降低成本)。这种积极的生产率效应由第一项和( 2 )项表示，自动化将工人从他们过去执行的任务中解放出来。负位移效应用第二项来表示。在R(K)为常数的特殊情况下，可以验证自动化提高了工资。一般情况下，当R(K)增加时，情况并非如此，如Acemoglu和Restrepo( 2018 )所示，因为位移效应可能大于生产率收益。

总体而言，(扩展边际)自动化对均衡工资的影响与它的生产率效应密切相关，我下一步将对此进行研究。在这样做之前，我还注意到任务互补性的影响可能比通常假设的要复杂一些。尽管y_L(z)的增加提高了劳动的边际实物产品，但均衡工资由劳动边际产品的价值决定，而劳动边际产品的价值取决于任务价格的调整。随着劳动生产的任务变得更丰富/更容易执行，这些任务价格降低，并且在经验相关的情况下，当σ < 1时，任务价格的下降超过了物理生产率的增加。均衡工资仍可能因生产率的提高而提高，但总体上对劳动者的福利可能是有限的。例如，在保持I和N不变的情况下，当σ = s_K时(其中，s_K表示国民收入中的资本份额)，A_L的增加会使工资保持不变。当σ < s_K时，较高的A_L实际上会降低实际工资。由于目前美国经济中的sK≈0.4，Humlum对上述σ的估计约为0.5，这意味着任务互补性或劳动增强型技术进步不会带来太多的工资提升。即使当他们提高工资时，这些技术转移也会减少劳动份额，就像自动化一样。

最后，我注意到，自动化的深化(由于第一节讨论的原因,在AI的案例中不太可能相关)和新任务总是提高工资，后者总是提高国民收入中的劳动收入份额(因而倾向于缩小资本与劳动收入之间的差距)。我回到后面对新任务的讨论。

(4)哈腾定理

人工智能对经济的许多影响，关系到的是其对生产率的影响。为了衡量这种影响的程度，我们可以诉诸于哈腾定理，该定理为规模报酬不变的竞争经济体提供了一个简单的公式，具体说明了微观层面的生产率改进如何转化为宏观变化。由于这里的经济是竞争性的，因此这个定理适用并约束了生产率效应。我现在解释这个定理，为了便于说明，我首先取经济体的资本存量，如所给定的K。考虑技术的所有/任何方面的任意微小变化(B; A_L和A_K; y_L(z)和y_K(z);以及N和I)，这样，基于自动化和互补性的人工智能在现有任务中的潜在影响得到了考虑。GDP可以等价地表示为任务产出的价格加权加总：

由于我认为技术的微小变化和竞争均衡是有效的，所有因素在任务间的重新分配和通过价格产生的间接影响的影响将是二阶的，在计算GDP变化时可以忽略。就有了：

定义了拉格朗日乘子

表示任务z占GDP的总份额，而又因为资本和劳动力是固定的，改变的就是全要素生产力，表示为：

(12)

定义了算子pi

为人工智能驱动任务z的生产率提升或成本节约，我再次强调，这些成本的节省可能源于自动化或任务的互补性。对GDP的总效应为：

(13)

s_K是资本占GDP的份额。这一推导也明确了( 12 )式和( 13 )式适用于任何任务层面的生产函数，因而比前文报告的工资和不平等结果更具一般性。

如果人工智能对生产率的主要影响是通过自动化实现的，那么π_L(z)就是资本替代劳动带来的成本节约。这些不应该是巨大的。在机器人的情况下，专家报告将成本节省约30 %的人力成本(参见Acemoglu和Restrepo, 2020a)，尽管有理由预计，从人工智能中节省的成本可能会小于这一点，正如我以后讨论的那样。根据Noy和Zhang ( 2023 )和Brynjolfsson et al ( 2023 )的估计，我将在下面更详细地回顾一下，建议降低数值的变化相似- -即大约27 %的人工成本。虽然尚不清楚这些是来自广延边际自动化还是任务互补性，但正如上文所指出的，这种区分对生产率效应的重要性较低。在实践中，劳动力成本的节约需要转化为总成本的节约，而总成本的节约可以通过劳动力在各行业总成本中的份额来实现。例如，如果行业i的劳动力份额为sⁱ_L，那么πⁱ_L的劳动力成本节约将转化为πⁱ1 = sⁱ_Lπⁱ_L的总成本节约。取这些跨行业的平均值，并以表示这些经济范围内的成本节约，我可以写作：

(14)

下面我讨论如何从最近关于哪些职业和任务会受到人工智能影响的研究中估计这一份额。

(5)简单的任务和困难的任务

如上所述，Peng et al ( 2023 )，Noy and Zhang ( 2023 )和Brynjolfsson et al ( 2023 )的初步研究主要集中在哪些任务中人工智能可以有明确的好处，哪些任务已经有成熟的应用(如GitHub航天飞机副驾驶员为首次研究)，或者一些企业已经在努力使用生成式人工智能(如在第三项研究的客户服务应用中)。我现在认为，从目前人工智能技术相对容易的任务中得出的估计，即使在其选择的范围内是可靠的，也不能直接外推到经济的其他部分。一般来说，区分"容易学习的任务"是有用的，其中外部学习(也即,通过AI模型学习)是容易的，而根据外部观察获得专业知识是困难的。易于学习的任务对于(生成式) AI学习和实现来说是相对简单的，它由两个特征定义：

-有一个可靠的、可观察的结果指标；

-在行动和结果度量之间存在一个简单的(低维)映射。

如何煮熟一个鸡蛋(或者提供煮鸡蛋的说明)，验证被锁在系统外的某个人的身份，组成一些众所周知的编程子程序都是很容易的任务。想要的结果- -一个煮到想要的水平的鸡蛋，只允许被授权的人访问系统，或者子程序是否工作- -是明确的。在这些案例中，没有一个成功的结果取决于许多行动维度的复杂相互作用。有了可靠的、客观的成功度量指标(煮熟的鸡蛋,没有安全漏洞,给出授权的人或子程序的基本真相,不会崩溃)，人工智能模型可以以相对简单的方式学习到良好的性能。除此之外，人工智能模型还可以从人类的行动中学习，因为在这些任务中表现良好的专家人类，如专家程序员，并且由于成功的客观度量是可用的，因此可以识别出专家。

"困难任务"通常不存在行动与预期结果之间的简单映射。在困难问题中，在给定的问题中，导致期望结果的原因通常是不知道的，并且强烈依赖于上下文因素，或者相关上下文的数量可能很大，或者可能需要新的问题解决。此外，对于AI系统来说，通常没有足够的信息可以学习或不清楚究竟需要学习什么。诊断持续性咳嗽的原因并提出一个疗程是一个棘手的问题。过去的事件之间存在许多复杂的相互作用，可能是导致持续咳嗽的原因，也有许多罕见的情况需要考虑。此外，目前还没有大规模的、经过良好处理的成功诊断和治疗数据集。在困难的任务中，人工智能模型仍然可以向人类决策者学习，但由于没有明确的成功衡量标准，识别和学习具有最高专业知识水平的工人也不会是简单的。因此，AI模型的性能将有类似于人类决策者的平均性能的趋势，限制了提高生产率和节约成本的潜力。

迄今为止观察到的人工智能生产力增益来自容易的任务。可以合理地预期，在困难任务中生产率的提高是有限的，至少首先是有限的。在容易的任务中，生产力的提高是由于人工智能模型在执行这些任务时或多或少与专家工人处于同一水平，和/或成本低于人类。例如，在Noy和Zhang ( 2023 )的研究中，专家工作者是那些能够很好地进行总结和写作的人。这种情况下的预期结果是直接确定的，不需要新的解决问题的努力(如果写作任务更复杂或需要"创造性" ,这可能是不同的)。生成式AI模型，如GPT - 4，是在大量的这种类型的写作上训练的，使这成为一个简单任务的明确例子。在这种情况下，生产率的提高来自于低技能或低技能的工人可以以较小的成本被培养到更多的专家工人的水平，并帮助大多数工人更快地完成他们分配的任务。在容易的问题中，甚至可能有额外的生产力收益，从人工智能模型中发现那些通常不被专家人类尝试或知道的动作组合。

在艰巨的任务中，有几个障碍阻碍了生产率的提高。首先，缺乏行动与预期结果之间的简单映射将使人工智能模型的训练更加困难，而早期的自动化努力甚至人类对人工智能的互补使用可能会受到这种缓慢学习的阻碍，从而推迟任何生产力的提高。第二，人类的互补性可能更难实现。当没有关于期望结果是(例如,持续性咳嗽的正确诊断是什么?)的良好信息时，AI模型的大部分训练数据将来自于人类在相似情况下如何行动。因此，向人类学习不会比人类的表现更好，也不太可能产生新的互补性，并揭示出与人类已经在做的事情不同的见解。

如果本部分的前提- -在未来10年中，困难任务的生产率增长将慢于容易任务，并且在不久的将来受人工智能影响的任务将比今天更困难- -是正确的，那么公式( 14 )需要以一种明显的方式进行调整，以说明受影响的任务中哪一部分是容易和困难的。具体而言，具体来说，用μ^E表示易任务在受人工智能影响的任务中的比例，易任务和难任务的平均成本节省分别为和，( 14 )变为：

(15)

我还试图使用下面更新的TFP方程提供估计，这将导致比不考虑简单任务和困难任务之间区别的收益减少约25 %。

(6)投资反应

要从TFP的反应到总GDP的反应，我们需要看资本增加了多少。这对于理解生成式AI可能引发的投资热潮的幅度也是相关的。在这个目标下，考虑技术的变化，例如，由于人工智能。其对资本和投资的影响可以从式( 7 )中得到，即：

因此，可推导出k(z)的微分

(16)

下面，我假设B和A_K不发生变化。如果人工智能显著地改善了科学和发明的实践和/或创造了新的高生产率的任务，这种变化在未来可能会发生。但是我假设他们在未来10年内是不变的。

首先，考虑在某些任务z < I中使用AI，这意味着AI在资本已经执行的任务中增加并改善了现有资本设备的性能，然后：

但注意到，当σ < 1时，特别是对于σ = 0.5的合理估计值，第一项为负- -资本密集型任务中人工智能增强型资本生产率的提高降低了投资，均衡资本存量减少。最后一项也是非积极的，前提是总投资增加。因此，资本已经执行的任务的资本存量的比例增加的一个自然上限是产出的比例增加。

此外，如果I增加，在新的自动化任务中，投资将从零跳转到正数。因为在我下面报告的估计中，只有一小部分任务将通过人工智能实现自动化，这种增加也可能很小。因此，我首先给出一个估计，即认为资本存量的比例增长与总量生产率的增长是相同的。然后，在Acemoglu和Restrepo( 2022 )的框架和结果的基础上，我提供了另一个估计，包括行业间和任务间替代的完整结构。这将使我能够估计资本份额的隐含变化，然后使用脚注12中的表达式来导出更新的投资反应和GDP估计。

我最后注意到，很直观地表明，在这个经济体中，消费者福利(和消费)与TFP除以1减去资本份额成正比(也即)。特别地，如果资本产出比上升，GDP的增加比方程( 13 )所隐含的更显著，那么GDP的反应将高估消费者福利的增加，因为投资是以消费为代价的( 2022年Acemoglu和Restrepo)。

(7)产生的好任务

增加新的任务将扩大生产力，这种效果原则上可能比由于自动化和任务互补而节约的成本更大。此外，新任务会倾向于提高工资。特别地，使用与之前相同的步骤

(17)

这总是积极的，并且可能很大。还需要注意的是，新任务的工资和生产率影响可能比现有任务中的成本节约更大，特别是当新任务改进了整个生产过程(由B项捕获)，或者增加了新的成本改进来源或补充功能时，这种情况尤其可能发生。尽管新任务在工资和生产率增长以及减少劳动收入不平等方面的核心作用(参见阿西莫格鲁和雷斯特雷波, 2018 ; Autor et al , 2024)，但由于第4节详细讨论的原因，我将不关注人工智能产生的新好任务。

(8)产生的坏任务

人工智能可能会产生新的任务，增加收益，但降低消费者效用，例如通过成瘾或操纵，或者在生产环境中，通过恶意行为者的安全攻击。为了描述这一点，我们假设福利是由W = C - E给出的，其中第二项是外部性，例如，来自误导信息或操纵活动，正如我下面讨论的那样。在这种情况下，人工智能产生的新任务的福利效应将会是：

(18)

虽然很难确定这种负福利效应的大小，但根据最近的一些研究，我认为它们可能是非平凡的。具体来说，我使用( 18 )中对这两个项的相对大小的估计，并通过AI可以产生新的坏任务或社会有害活动的任务的收入来代替第一个项的大小。

(9)AI的薪资和不平等的影响

一些评论员和专家谨慎地乐观地认为，生成性人工智能的进步可能有利于劳动，或者至少不会像以前主要用于自动化的机器人和软件系统等数字技术那样对工人产生不利影响。有三种可能的途径可以实现这种乐观。

-1.人工智能可以使目前由劳动力生产的任务的生产率提高。这是任务互补通道，对于自动化的任务子集，可以通过增加A_L或增加y_L(z)，或者增加λ_U和λ_H(指非熟练和高技能工人的生产力)来捕获。但是，当σ < 1时，这些类型的生产率提升会降低劳动份额，从而加剧资本与劳动之间的不平等。

-2.如果人工智能产生了较大的生产率收益，那么即使它降低了劳动收入份额(Acemoglu和Restrepo, 2018 , 2019b)，它也可能提高工资。因此，这一渠道关键取决于上述讨论的生产率效应的大小，但无论如何，总是会增加资本和劳动力之间的不平等。

-3.正如已经讨论的那样，一些早期的研究表明，在狭隘的职业中，低绩效或低技能的工人是生成式人工智能的受益者。这就增加了人工智能对低技能劳动者更具有互补性的可能性，并可能降低劳动收入不平等。在我的框架中，这将被λ_U相对于λ_H的增加所捕获。然而，即使在这种情况下，资本和劳动力之间的不平等也会上升(若σ < 1)。

-4.如果人工智能创造了新的(好的)任务，这将减少资本和劳动力之间的不平等，如果足够多的新任务针对低技能工人，这也可以减少劳动收入不平等(Acemoglu和Restrepo, 2018)。

我现在从理论上论证了以下几个原因，为什么上面列出的1和2不太可能成为工资增长的主要来源，或对不平等的重大限制。首先，考虑A_L (或劳动密集型任务γ_L(z)的等量增加)增加1 %。如上所述，这可能根本不会增加工资，或者可能只导致小幅度的工资增加。事实上，从方程( 11 )中抽象出的生产率效应，对均衡工资的直接影响将是一个(σ – 1) / σ %的变化。在似是而非的情况下，其中σ < 1，这是负的。在似是而非的情况下，其中σ < 1，这是负的。由于生产率效应，总体影响可能仍然是工资的增加，但正如已经注意到的那样，当σ近似等于资本在国民收入中的份额时，总体影响将基本为零。总之，如果没有足够数量的新任务创造，资本和劳动之间的不平等会加剧，工资上升可能会受到限制。

关于不平等的减少，是不是因为技能较低的工人受益更多?在这里的模型中，高技能工人相对于低技能工人的收入始终固定为λ_H = λ_U。因此，如果新技术降低了这一比例，就会缩小高技能和低技能工人之间的差距。但即便是这样的结论也需要加以限定。Acemoglu和Restrepo ( 2022 )表明，在更一般的情况下，有多个技能组，会产生波及效应，受影响的人口统计群体可以竞争其他群体先前执行的任务。在这种情况下，高技能工人和低技能工人在某些工作中劳动生产率的整体提高会导致他们从这些工作中解放出来，而波及效应原则上会对低技能工人产生比高技能工人更不利的影响。

虽然这种对低技能工人的不利影响在Acemoglu和Restrepo( 2022 )的框架下是普遍可能的，但我没有意识到低技能工人生产率提高会增加不平等的例子。我现在提供这样一个例子。

(10)更高的低技能生产率可以导致更高的不平等

让我通过一个简单的例子来说明这种可能性，通过放松高技能和低技能工人之间不存在比较优势差异的假设。假设经济从一个均衡开始，其中一些在阈值I以下的任务由资本执行，I和N之间的任务由高技能和低技能工人的组合执行。特别地，假设低技能工人在I和I^*之间的任务上具有比较优势，用λ_U表示他们在这些任务上的(不变)生产率，而高技能工人在这些任务上的生产率也是不变的，等于λ_H。

假设高技能工人在I^*和N之间的任务中的相对生产率为ω > λ_H/λ_U，表明高技能工人在较高(技能)指数的任务中具有比较优势。然而，由于不存在严格的比较优势，均衡可能涉及两种类型的工人执行某些相同的任务。假设任务之间的替代弹性为σ < 1。

让我们从一个均衡开始，在这个均衡中，高技能和低技能的工人都执行任务z∈(I, I^*]，而只有高技能工人执行任务z∈(I^*, N]。在这个初始均衡中，熟练工人的相对工资将被两类工人在他们同时执行的任务中的相对生产率所牵制- -即z∈(I, I^*]- -且由λ_H/λ_U给出。

假设劳动生产率在z∈(I, I^*]；由于AI的进步而增加，这对低技能工人也更有帮助，因此λ_H/λ_U下降。我现在表明，这些进步可能会加剧不平等。因为σ < 1，所以任务的价格z∈(I, I^*]下降的幅度将大于劳动生产率提高的幅度，而因此分配给这些任务的劳动力较少。如果这种影响是显著的，所有高技能工人都可能被分配离开这些任务，这些任务所需的劳动力数量可能会少于低技能工人的供给量。在这种情况下，AI后的分配可能只涉及低技能工人执行任务z∈(I, I^*]，而低技能和高技能工人都执行任务z∈(I^*, N]。那么，无论λ_H/λ_U下降多少，技能工人的相对工资都将由两类工人正在执行的任务决定，现在指的都是阈值在I^*以上的任务，从而等于ω > λ_H/λ_U。因此，不平等程度随着低技能劳动者生产率的提高而提高。

初步的量化评价

在这一部分中，我提供了一个初步的定量评估，在10年的时间范围内，人工智能最近的突破可能产生的影响。其核心将是使用Hulten定理和最近的估计，这些任务可以使用人工智能和计算机视觉技术自动化，并节约成本。一旦我从Hulten的TFP增长定理中得到这些估计，我就使用另一系列关于经济的资本存量将如何反应的假设，将其转换为GDP增长估计。我还讨论了如何估计人工智能通过新的不良任务所产生的影响。最后，我将这些数字与Acemoglu和Restrepo( 2022 )中更详细的框架相结合，以获得关于工资和不平等影响的更多投机性估计。在转向估计之前，我首先描述我使用的来源，进一步讨论现有的生产率估计，并激励各种参数选择。

数据来源和参数选择

本文估计的核心是方程( 14 )，并把它改进为方程( 15 )。为了实现这个方程，需要两方面的信息：

-未来10年内受AI (包括计算机视觉)影响的任务的GDP占比。

-这些任务中由于AI带来的平均成本节约，π_bar。

对这两个数量中的任何一个进行准确的估计都是不可能的，因此我一再强调，这里的数字——以及就此而言，文献和公开辩论中的其他估计——应该非常谨慎地解释为暗示性数字。尽管如此，一些研究已经揭示了这些数量。我现在讨论这些是什么以及我如何使用它们。

被AI影响的GDP占比

对哪些任务暴露于最近的人工智能和计算机视觉进展的最仔细的估计来自Eloundou et al ( 2024 )。这些作者使用了两种相关的方法来分类哪些任务暴露在人工智能和计算机视觉中。这两者都是从O*NET任务和详细工作活动( DWA )描述开始的。作者要求GPT - 4对所有19，265个任务和2，087个DWAs进行分类。他们还通过手动分类DWAs，然后将基于GPT的度量与这种"人"的编码进行交叉验证，从而开发了一个更粗的指数。在这里，我专注于基于GPT的度量，它允许更大的粒度，正如我接下来解释的那样。此外，Eloundou et al ( 2024 )区分了直接暴露( α )度量，这是基于他们对LLMs现在可以实现的评估。然后，他们开发了第二个更具攻击性的度量指标(他们所谓的β测度)，允许"间接"暴露于假设的LLM+。这包括在当前LLM和计算机视觉技术的基础上，将(可能)接触到新软件和其他进步的任务。

Eloundou等人在论文中提出的索引是基于二进制编码的，同时他们也构造了一个"自动化"的索引；在这种情况下，他们的β度量包含了关于什么部分的活动可能会受到LLM (范围为0 % , 25 % , 50 % , 75 %和100 %)的影响的细粒度信息。在接下来的内容中，我采取了他们的自动化索引，以便能够利用这些粒度信息。这个指标仍然包含了自动化和任务互补性，即使它强调自动化比他们的其他曝光指标(因为他们在关于什么活动可以自动化的信息的基础上对颗粒信息进行编码)多一点。特别是，正如作者自己所指出的那样，生成性人工智能的影响往往可能涉及某些子任务的自动化，从而使人类工作者能够专注于其他活动。这个指标包含的粒度信息对我的目的特别有用，因为它提供了一个评估哪些任务/职业受人工智能影响的可能性较小。我将所有被作者归类为受AI和计算机视觉影响的活动的50 %或更少的任务设置为零，并将其余的任务称为" AI暴露任务"。有几个问题需要解决，以将这些估计转化为我所需要的数量。

-Eloundou等人的自动化指数虽然强调自动化，但仍包含"增强"或任务互补的要素。这激励我将它们的测度与式( 14 )结合起来的假设，可以从自动化和任务互补性两方面捕捉成本节约。

-Eloundou等人的数据需要转换成GDP份额。为了做到这一点，我将任务与职业结合起来，然后利用美国劳工统计局( BLS )在2019 - 22年间汇总的国家职业就业和工资估计计算出的工资法案对各职业进行汇总。该程序产生的工资票据加权份额相当于暴露职业的20 %。我将这个数字解释为与暴露于人工智能的任务的GDP份额相同。

-Eloundou等人的做法是确定最终可由生成式人工智能和计算机视觉技术(比如Dall - E中已经融入的技术)执行的任务。从它们提供的信息来看，有两件事情是缺失的。首先是在未来10年内有多大的任务影响有可能实现。第二个问题是，在所有这些情况下，使用AI (例如,使用AI进行自动化是否具有成本效益)是否有利可图。Svanberg et al ( 2024 )试图在计算机视觉技术的情况下提供这些问题的答案，这是Eloundou等人考虑的技术的一个子集。我采用斯万贝里等人的估计，并将其外推到Eloundou等人考虑的所有任务中。也就是说，斯万贝里等人的基本估计意味着，在计算机视觉暴露的任务中，有23 %的任务可以在10年内实现可行(且有利可图)的自动化。将这一数字应用到Eloundou等人的估计中，我得出未来10年内受人工智能影响的任务的GDP份额为所有任务(或职业)的0.23 × 0.200 = 4.6 %。

AI节省的成本

我对π_bar的估计是基于已经提供了人工智能带来的生产率提高或劳动力成本降低的"概念证明"估计的实验研究。我已经提到的三个研究在这里特别值得注意，我现在描述其中的每一个。

-Peng等人( 2023 )设计了一个实验，让自由职业的计算机程序员访问并鼓励使用GitHub Copilot(届时由OpenAI Codex ( GPT-3 )提供能力)。参与者被赋予了在JavaScript上实现HTTP服务器的任务，JavaScript是一种流行的语言，其资源和子程序都很容易获得，并且GPT - 3已经在这些资源上进行了训练。他们将实验治疗组与未给予GitHub Copilot访问的对照组进行比较。他们发现，处理组比控制组平均快55.8 %。除此之外，正如我在这里提到的其他研究一样，Peng等人发现这些改善来自于其他表现较差的受试者。

-Noy和Zhang ( 2023 )设计了一个在线实验，招募了一系列白领职业的个体，并呈现了简单的写作任务(特别是,撰写新闻稿、简短报告和分析等任务需要20 ~ 30分钟,与参与者职业中的真实任务相似)。实验组给予接触并鼓励使用ChatGPT3.5，对照组不使用ChatGPT3.5。他们验证了在控制组中ChatGPT的使用率非常低。他们估计，ChatGPT平均可以使手头的任务更快地完成40 %。他们还估计，根据同伴和基于ChatGPT的输出评分，质量评分提高了18 %。在他们的案例中，收益也大多来自于实验前表现较差的被试。

-Brynjolfsson等人( 2023 )是我所知道的唯一一项研究，它通过仔细的实验设计来观察生成性人工智能工具在真实商业环境中的使用。他们专注的业务是客户服务提供商，它使用定制的生成式AI工具来帮助客户服务联系人。推导的形式是实验组获得该工具，而控制组没有。Brynjolfsson，Li和Raymond通过关注如何快速解决(开放客户购票)任务来评估推出对成本节约的影响。他们还关注自我报告的客户满意度。他们发现，客服人员完成任务的速度显著提高- -平均约为14 %。然而，根据用户自己的判断，他们还估计了质量的轻微和统计上不显著的下降。与其他研究一样，Brynjolfsson，Li和Raymond发现，结果主要集中在绩效较低的专家员工中。事实上，他们估计排名前五分之一的合伙人根本没有改善。

我将这三项研究都理解为人工智能带来的劳动力成本节约，从广义上解释- -特别是，这意味着这三项研究都包含了自动化和任务互补性元素。例如，对于Peng等人的GitHub Copilot用户，笔者的解释是，以前由程序员执行的一些子任务，如编写通用例程，现在都是由Copilot完成的。沿着2.2节讨论的思路，假设JavaScript编程涉及N个子任务，一个成功的程序需要完成这些子任务。这些包括最初的规划(采用哪种方法，如何组织方案，等等)，组成子程序，将子程序放在一起，调试子程序，调试主程序，评估程序是否达到预定目标。当所有这些子任务都被完成时，手头的任务- -编写一个特定的计算机程序- -就完成了。我们可以把生成式人工智能看作是接管子程序任务组成的一个子集。然后根据Acemoglu和Restrepo中的框架( 2018年、2019年b)，使用这种新技术将产生位移和生产率效应。如果该技术在编写一些子程序(但是其他的子任务,包括规划、调试和检查,仍然需要人来完成)时优于/快于人类，则整体性能将因生产率的影响而提高。这项任务对人力的需求可能增加或减少，取决于位移和生产率效应的大小以及这项任务与其他任务之间的替代弹性(以及最终为市场生产的产品的需求弹性)。此外，当简单的子程序被Copilot接管时，这可能使人类工作者能够专门从事其他子任务，从而有可能产生任务互补性和进一步的生产力收益。

我刚刚描述的编程也适用于其他两个研究。ChatGPT正在进行一些起草工作，然后人类受试者可以将这些草稿纳入到他们的写作中，并进行一些验证和修改。同样的情况也适用于客服联系人，他们可以在Brynjolfsson，Li和Raymond研究的环境中复制和粘贴生成式AI工具建议的文本。

我还评估了这三个研究中的任务与Eloundou et al ( 2024 )中考虑的暴露任务大致相当，尽管我后来认为它们更可能属于易学类别。因此，这些研究是关于Eloundou等人关于暴露任务的成本节约(生产率提高)的最有信息的研究。

作为基准，我忽略了质量效应(正如注意到的那样，三个研究之间并不统一)，并专注于速度的平均增加，并将其解释为平均成本节约。我回归到下面的不平等含义。最后，以Noy and Zhang ( 2023 )和Brynjolfsson et al ( 2023 )的估计的平均值作为基准，并以三个研究的平均值作为稳健性检验。这是因为Peng等人的设定与其他任务和职业相关的可能性较小，因为该任务是一个非常明确的任务，Github Copilot对此进行了广泛的培训，而这在我们关注的其他任务中没有直接的等价物。在这些假设下，劳动力成本平均节约27 % ( = 0.27 )。

回想一下，这些数字是指在许多任务同时涉及资本和劳动力使用的职业中，劳动力成本的下降，式( 14 )中相关的是总体成本节约。为了将劳动力成本节约转化为总体成本节约，我使用了Eloundou等人的行业水平估计，并将其与经济分析局( BEA )的行业劳动力份额相结合，如附录24所述，这给出了平均( AI暴露调整)劳动力份额为0.535，因此从AI中平均(总体)成本节约约为0.27 × 0.535 = 0.144。如果把Peng等的数字加在一起，劳动力成本的平均节约量为0.36，从而总成本的平均节约量为0：193。

总生产率的提高：第一关

总体水平上的生产率( TFP )增长的首过估计可以通过将前一小节中导出的数字与方程( 14 )简单地结合起来获得。这暗示着：

因此，在上一小节得到的数字的基础上，我可以进行近似：

换句话说，根据这个基本的估计策略，人工智能在未来10年的TFP增长约为0.66 % - -这意味着相对于没有当前人工智能和计算机视觉技术进步的基准，TFP在10年内将提高0.66个百分点，或者说TFP的年增长率将提高约0.064 %。这是一个不平凡但微不足道的效果，当然，也远不如我在第1节讨论的高盛和麦肯锡全球研究所所预测的革命性变化和不那么夸张但仍有实质性改善。

如果考虑Peng等的更高生产率数字，0.144将被0.193替代，10年的TFP增长将是0.89 %，而不是0.66 %。

唯一对这些数字产生重大影响的修改是增加未来10年内将受影响的任务的比例。这样做的一种方法是膨胀斯万贝里等人的数据。这可能是因为对于生成式AI来说，可以实现自动化的任务的比例将不同于计算机视觉，或者因为在10年内，这个比例将显著增加。例如，在斯万贝里等人提出的计算机视觉成本下降非常迅速的场景中，如每年10 %，可行自动化的任务比例可能高达30 %。这将使受人工智能影响的GDP份额提高到约6 %，相应地，未来10年的TFP增长将提高到约0.9 %。需要注意的是，即使这个数字是相当温和的，而且，每年10 %的成本下降也是相当激进的(因为,如前所述,即使GPU成本降低10 %甚至20 % ,考虑到其他输入,如编程和数据,以及当前生成式AI架构的固有限制,这将不会导致执行计算机视觉任务的成本下降10 %)。

最后，我注意到这些计算中遗漏的三个重要考虑。

-这些采纳数字忽略了一个事实，即美国企业部门对人工智能的投资仍然非常少。阿西莫格鲁等( 2022 )估计，2019年只有不到1.5 %的美国企业在人工智能方面有任何投资，这在制造业、信息服务和商业服务等非常大的公司之外尤其如此。由于Eloundou et al . ( 2024 )考虑的许多任务是在中小企业中执行的，因此这种情况不太可能迅速改变。如果生成式人工智能工具被少数公司垄断，这可能会进一步减缓它们被中小型公司采用的速度。这些考虑表明，即使受人工智能影响的GDP占比的0.046 %的数字也可能是一个很大的高估，而真实的数字可能会更小。

-任何主要技术在大规模采用时都会产生调整成本，因为其他组织方面也需要进化，而这通常是相当昂贵和缓慢的。在数字技术的背景下，格林伍德和Yorukoglu ( 1997 )以及Brynjolfsson et al ( 2021 )等人都认为生产率的提高将呈现J型模式，而前文预测J曲线的平坦部分在数字技术下至少持续20年。如果是的话，那么未来10年总成本下降14.4 %可能是一个显著的高估。

-如上所述，Eloundou et al ( 2024 )列表中的一些任务是难学的，其生产率的提高可能显著小于基于实验研究的易学任务。

在接下来的小节中，笔者对纳入第三种可能性进行了初步的尝试，但笔者会忽略前两种。尽管如此，这些考虑使我得出结论，即使由于人工智能在未来10年内提高了0.66 %的TFP，也可能是该技术中期效果的上限。

总的生产率提高：合并困难的任务

在这一小节中，我通过转换到方程( 15 )来改进上一小节的估计，方程( 15 )可以改写为：

我将Noy and Zhang ( 2023 )和Brynjolfsson et al ( 2023 )节省的27 %的人力成本应用到简单易学的任务中。上一节的讨论表明，大多数困难的任务还没有受到影响或自动化，因此不可能知道它们的成本节约会是什么。在这里，我认为这些生产率的提高是7 %。我的推论如下：由于上述原因，我认为Peng等人( 2023 )研究中涉及的任务对于生成式人工智能来说是非常容易学习的。Noy和Zhang ( 2023 )的研究也比较容易，并导致了大约40 %的成本节省，这约为Peng等人的成本节省的三分之二，而Brynjolfsson等人( 2023 )的客户服务任务已经朝着更复杂的任务迈进，这些任务的成本节省只有14 %。我想，许多难学的任务对人工智能模型来说比Brynjolfsson等人的数字所指的客户服务任务更简单。这促使我选择了他们研究成本节约的一半，7 % (这也约为我在上一小节使用的基准27 %成本削减估计的四分之一)。

简单任务和困难任务的成本节省数再乘以0.535，将其转化为总成本节省- -简单任务和困难任务分别为0.144和0.037。为了获得简单任务和困难任务的份额，我从Eloundou等人的数据和方法开始，然后开发了一个程序，像他们那样实现使用GPT – 4的评估，用于将这些任务分类为简单任务和困难任务。简单任务的关键特征是存在一个良好观察的结果和一个直接的规则，将行动/建议与现有问题的特征联系起来。

为了实现这个过程，我从上述过程确定的4089个暴露任务开始。这些任务中的每个任务都有一个关于O*NET的语句，其中至少包含一个动词。每个任务都属于DWAs中的更高级别的聚类水平，以及(即便很粗糙)332项中间工作活动。程序的执行过程可以总结为以下4步：

-动词分类：每个任务语句至少包括一个动词，位于开头，容易识别。这些基本动词描述了许多关于任务需要学习的"难"或"易"。我们手动将任务分为容易和困难两类。完整的任务列表在附录中提供。举例来说，容易任务动词包括：计算、分解、计数、草稿、评分、抄写、分类、标准化、书写和记录等。这些动词中的许多与简单的动作相关，这些动作遵循明确的步骤，并且也隐含着一个定义良好的成功标准(如核算或定级等)。相反，完成艰苦任务的动词包括：参与、建议、指导、诊断、教育、雇佣、代表、作证和照顾。后一组动词描述了更多的开放性活动，而这些活动不太可能有明确的成功标准。然而，其他动词，如分析、保持或检查，并不属于其中任何一类，而是被编码为"不确定"。

-IWAs的分类：IWAs为动词提供了额外的语境，尤其是动词本身所缺乏的动作。我们将332个IWAs手工分类为简单任务和困难任务。一些简单的IWA是：评估项目的可行性；维护销售或财务记录；说明法规、政策或程序；发行文件；并向他人传授安全规程或标准。其中一些困难包括：监测人类或动物的健康状况；评价学术工作；评价数据的质量或准确性；维护安全或保障安全；并对动物进行训练。这些例子突出了动词讨论中提到的同样的原则- -易学活动是那些有明确的成功衡量标准和简单的规则可以实现这一成功结果的活动，而这些在难学活动中是不存在的。

-潜在狄利克雷分配( LDA )主题建模：虽然任务可能共享IWA和动词，但每个任务的措辞也是唯一的，以捕获主题和更详细的活动描述。虽然"写审计报告"和"写推荐信"都与同一个动词和同一个IWA相关联，但这些任务所需要的内容和技能是不同的。为了更好地消除这些任务的上下文歧义，我们使用LDA将任务分配到集群中。LDA过程是无监督的，使用从每个任务语句中提取的单词的共现矩阵对任务进行聚类。它为每个任务分配一个属于一个主题簇( Blei et al , 2003)的概率。我们把所有的19，281个任务都输入算法，并使用LDA来识别100个簇以及每个任务属于这100个簇中的一个的概率。

-最后分配：我们程序的最后一步是推导出每个暴露的任务是容易还是困难的概率。我们首先对500个暴露任务的随机样本进行人工分类，分为简单任务和困难任务。然后，我们使用动词的分类，IWAs的分类和LDA衍生的概率来训练一个梯度提升树(弗里德曼, 2001)，以匹配任务训练样本的手工分类。我们最终从该算法中得到了4 089个公开任务中每个任务被概率分配到容易任务和困难任务类别中的结果。

最终的结果是，Eloundou等人的工资账单加权暴露性任务中有72.6 %是容易的。这意味着，容易暴露的任务占GDP的3.3 %，而剩下的暴露任务(占GDP的1.3 %)是困难的。将这些信息与成本节约的假设结合起来，可以得到未来10年TFP收益的更紧的上界：

不奇怪的是，这比上一小节中的估计要小。由于自动化难学的任务- -甚至更多，为它们引入任务互补性- -将更具挑战性，我认为这种估计更加合理。无论哪种方式，未来10年内TFP的增长都显得相当有限。

从TFP到GDP

考虑到AI在10年期的TFP效应，AI在同一时期的GDP总效应可以从方程( 13 )中计算。也就是说，这个方程可以写成：

作为一个简单的基准，我首先假定资本存量将与TFP成比例增长，这意味着：

使用整个私营企业部门的资本份额为0.43，这意味着GDP收益将等于TFP收益乘以1.75 (≈1/(1 - 0.43))。因此，以TFP增长0.66 %为基准估计，我得到10年来AI对GDP增长的第一次估计为1.16 %，或者考虑到硬任务的存在，得到更低的估计为0.93 %。

我在第3.6节中更新了人工智能进步的GDP效应，当我模拟任务之间和行业之间的替代模式以及由此产生的投资反应时。

新的坏任务的后果

目前的计算忽略了由于AI (与之等价的是, AI在某些业务中可能实现的全系统调整)引入的新任务的影响，正如Bresnahan( 2019 )和Agrawal等人( 2024 )所强调的那样。将数字放在新任务的效果上更具有挑战性。如果人工智能有助于创造提高生产率的新任务，特别是有助于将不同技能水平的工人恢复到生产过程中，其后果可能会更加积极。

在这里，我的目的是简单地指出，在人工智能的情况下，由于一些新任务可能是"坏的"类型，当我们审视GDP数字时，可能会高估从人工智能获得的福利收益。作为一个非常初步的尝试，我将利用两个数据来源来论证这一点可能是重要的。

第一个是Bursztyn等( 2023 )最近的研究，该研究为社交媒体情况下这一问题的程度提供了暗示性的估计。Bursztyn等人( 2023 )进行了一项实验，以评估社交媒体对大学生的福利影响。他们询问TikTok和Instagram用户需要支付多少钱才能不使用该平台一个月。这两个平台的用户愿意每月分别支付高达59美元和47美元的费用来继续使用社交媒体- -或者平均每个用户月支付53美元。但他们也发现，用户同时愿意每个月分别支付28美元和10美元，以从TikTok和Instagram的社交网络中获得每个人- -或平均每个用户月19美元。如果将非用户也纳入分析，阻止每个人使用社交媒体的支付意愿将增加到TikTok的47美元和Instagram的13美元。这表明，虽然企业可以有利可图地推销基于人工智能的社交媒体，但对福利的净影响可能是负面的。从数量上看，我忽略了非用户(由于研究中的人群是大学生,他们即使在不使用社交媒体的情况下,也比美国的成年人群更容易受到社交媒体活动的影响)。我还从一个基准开始，其中人工智能驱动的平台可以捕获每个用户53美元的全部（平均）支付意愿（例如，因为它们通过改变收集和货币化用户数据的强度来有效地进行价格歧视）。然后取两个平台之间的平均值，我得出结论，每53美元的收入，对19美元的用户存在净负效应。换句话说，这类新的坏任务的总效应，在理论上相当于( 18 )，按比例计算为-19/53 ≈ 0.36。另外需要注意的是，如果我假设社交媒体公司每月可以捕获的收入少于53美元，那么这个表达式中的分母就会更小，因此每美元收入的比例损失就会更高。

我将数字- 0.36与( 1 )从社交媒体和数字广告中获得的收入以及( 2 )对恶意IT攻击和针对这些攻击的IT安全的支出的估计相结合，以计算从新的坏任务中获得的表面和实际收益。具体而言，Meta ( Facebook + Instagram)、Alphabet ( Google和Youtube)、Snapchat、TikTok和Twitter (' X ')的2022年总收入达到4600亿，约为美国GDP的1.64 %，而IT安全的下限为780亿，约为美国GDP的0.28 %。假设恶意行为者在IT攻击上的花费至少是其三分之一，综合这三个估计，我得出美国GDP的2%。这个数字可能是对新的人工智能技术所允许的其他操作活动的重大低估。另一方面，它也可能夸大这个问题，因为只有一小部分数字广告收入将来自这种操纵活动(谷歌搜索的数字广告收入可能更是如此)。这些考虑表明，这里的数字应该仅仅被认为是暗示性的。

以美国GDP的2 %作为新的不良任务的收益，利用Bursztyn等( 2023 )的数据，这些操纵活动的总负面效应为GDP (在消耗当量单位中)的0.02 × 0.36 = 0.072 %。这一数字表明对福利有相当大的负面影响，如果对生成性人工智能的操纵使用变得更加普遍，可能会更大。相反，如果简单地计算这些新任务带来的收入，人们可能会得出这样的结论：它们将使GDP增长2 %。因此，这一讨论表明，谨慎地解释所有来自使用生成式人工智能对消费者福利的积极影响的GDP增长。

工资和不平等的影响

最后，我评估了生成式人工智能进步对工资和不平等的影响。为此，需要扩展现有框架以包括在不同任务中具有不同比较优势的多个人口群体，正如Acemoglu和Restrepo (2022)所说的那样。为了节省篇幅，我不介绍这种概括，并将读者提到这篇论文。相反，我从他们的论文中开始以下方程，它是上面方程( 11 )的推广到具有多个部门和多个人口组(但是,为了简单起见,没有任务互补和增强劳动的变化)的环境：

其中，g为人口统计学分类划分出的不同群体(例如不同职业、性别等)，dlny为GDP因为技术等因素而产生的变化，lnξ指的是诱导产业转移的向量(例如，某个行业因为任务自动化所导致的再分配)。最重要的，dlnΓ^auto是技术冲击导致的人口群体水平位移向量- -即为500个条目的列向量，系数为传播矩阵的g-throw向量，总结了其他人口群体的位移如何影响人口群体g(这就是为什么它为所有组预先乘以产业转移和位移的向量的原因)。

传播矩阵代表了完全的"涟漪效应" - -一个人口统计群体的位移对其他群体的影响，因为他们离开了先前执行的任务，并与其他群体竞争其他任务。这种重新分配是关键的渠道，通过这种渠道，一个群体的直接生产率可能最终损害它的(正如我在上一节中举例说明的)。它们也是一个人口群体的位移可能最终对另一个人口群体造成更大损害的机制。

Acemoglu & Restrepo( 2022 )中估计的涟漪效应可能具有情境特异性，这意味着对于我之前的工作所关注的受人工智能和自动化技术影响的任务，这些效应的大小可能会有很大的不同。尽管如此，由于无法估计这些涟漪效应对生成式人工智能技术未来的影响，我将使用这些现有的估计。另外一个问题是，到目前为止，我对人工智能暴露的解释是同时包括自动化和任务互补性。在本小节中，我忽略了任务的互补性，并假设迄今为止量化的所有人工智能暴露都将采取自动化的形式。

阿西莫格鲁和雷斯特雷波( 2022 )中的方法是从d ln Γ^auto向量开始的，这是人口统计学组水平上的。为了构造这一测度的等价物，我取暴露职业的集合，然后利用不同人口群体在这些职业中的工资单份额，将人工智能产生的位移映射到人口群体层面。例如，如果在2019 - 22年的工资账单份额中，人口统计组g的5 %是完全暴露的职业，那么d ln Γ_g^auto将是0.05。我还将这些职业分配给使用工资法案份额的行业，以便计算行业对成本和价格的影响。我以与Acemoglu和Restrepo ( 2022 )中相同的方式计算诱导的部门重新分配，使用它们的部门间替代弹性的参数化和Humlum ( 2021 )中对σ = 0.50的估计，并将消费中部门之间的替代弹性取为Buera et al ( 2022 )中的η = 0.2，这也是在Acemoglu和Restrepo ( 2022 )中强调的。

图1相当于Acemoglu和Restrepo( 2022 )中的图5b，呈现了2018 ~ 22年按小时工资排序的人工智能暴露在各人口群体中的分布情况。这表明，相比于AI自动化之前，AI曝光在对于各个人口统计学分组的分布更加平均(它以机器人学、专用的先进机械和软件系统为基础)。

表1为主要结果。七个行是针对五个教育组(根据受教育程度将人口学分组汇总)，为劳动力的平均值，为GDP。第一列给出了每个人口统计组的AI曝光，使用我们的基线曝光测量，不区分容易和困难的任务。第二列呈现了人工智能暴露对这些群体的直接影响，而第三列包含了全额工资影响，考虑了行业间的诱导替代和涟漪效应。接下来的四个列是类似的，但现在指的是将简单任务和困难任务分开的AI曝光度量- -第4列给出了对简单任务的曝光，第5列是对困难任务的曝光。最后，第8列给出了Acemoglu和Restrepo( 2022 )的暴露测度，用于比较(但回想起来,这个尺度指的是36年的时间段,而不是这里的10年的时间尺度)。第1列、第4列和第5列至第8列的比较证实，与人工智能自动化之前的暴露相比，人工智能暴露在人口群体中的分布更加平均。受教育程度为高中以下的工人的暴露性最低，其次是研究生，大学学历和大专及以上学历的工人暴露性最高。

因此，预测的工资冲击似乎不会对教育群体之间的不平等产生大的影响。集中于第7列的估计，包括简单和困难的任务，高中以下学历的工人的工资增长略高- - 10年内约为1.3 % - -但研究生与高中和大学毕业生工人之间的差距也有所扩大。事实上，对数工资(按就业人数加权)的组间标准差略有上升，从0.35上升到0.36。在第3列中，基线人工智能暴露测度的结果非常相似。

最后，第7行给出了考虑模型隐含的资本存量均衡增长对GDP影响的估计结果。这是在假设所有的资本存量调整将在10年内发生(而在实际应用中,可能需要更长的时间)，并且所要求的资本投资回报率不会改变(而如果有相当大的投资,我们可能预期会增加)的前提下进行的。这导致在第7列中，当我区分容易和困难任务(当不做此区分时,列3中为1.56 %)时，GDP影响的上限为1.4 %。因此，GDP的增长幅度大大超过平均工资的增长幅度，从而导致国民收入中的资本份额增加约0.31个百分点。这证实了资本之间的不平等和由于人工智能的推出，劳动力可能会上升。

图2在Acemoglu和Restrepo( 2022 )中执行与图7相同的运用，侧重于区分容易和困难任务的曝光度量。正如在那篇文章当中，生产率效应(通过构建)在组间是一致的，并且在第二个面板中显示的跨行业转移产生的不平等也不多。第三个面板证实，人工智能的直接效应在人口统计群体和整个工资分布中分布更加平均。与Acemoglu和Restrepo ( 2022 )的发现相反，涟漪效应对不平等格局的改变并不大，很大程度上是因为直接效应已经相当平均地分配了。图2还表明，低教育群体的经验存在很大的可变性，这也是如上所述，对数工资的组间标准差增加的原因。

图3通过描绘按性别、受教育程度、白人和土生土长的身份与其他人区分的更细分组的实际工资变化，进一步探讨了这一问题。这表明，低学历女性，尤其是白人、土生土长的低学历女性，很可能因人工智能而导致实际工资下降。

总体而言，这项工作表明，人工智能的不平等后果不会像人工智能自动化之前那样不利，因为人工智能暴露在人口统计学群体中的分布更加平均。尽管如此，没有证据表明AI会减少不平等，正如有些人预测的那样。相反，我的分析表明，它可能会对总体(组间)不平等产生较小的积极影响，并降低低教育女性的实际收入。这也将进一步拉大资本与劳动收入之间的差距。

结论与讨论

2022年11月30日发布后，ChatGPT成为有史以来传播速度最快的科技平台，刚刚成立2个月，便达到每月约1亿用户的月活量。其令人印象深刻的特点，以及2023年3月发布的最新版本ChatGPT - 4的强大功能，很快在普通公众和经济评论员中引起了想象。大的生产率提高的预测现在已经变得司空见惯。

毫无疑问，包括ChatGPT在内的生成式人工智能模型取得了令人瞩目的成就，具有产生有益经济效应的巨大潜力，但其宏观经济后果的程度仍然是一个悬而未决的问题。人工智能技术在中期可能产生的宏观效应有四种潜在类型：

1 .它们可以迅速地改变经济的各个方面，并导致生产力的大规模提高，甚至使我们接近"单一性"。虽然这是一种无法完全排除的可能性，但迄今为止没有证据表明这种革命性的影响(Nordhaus, 2021)，这些在本论文中没有涉及。

2 .它们可以通过在一系列任务中提高生产率和降低成本，对宏观经济产生较为温和但仍然显著的影响。一些预测集中在这些类型的改善上，仍然产生了比较大的数字，如在10年的时间范围内，经济增长每年增加1.5-3.4个百分点。

3 .正如《经济学人》( 2023 )所预测的那样，它们既可能因其自动化效应而影响工资和不平等，也可能因其自动化效应而导致工资大幅上涨，尤其是对低收入工人而言。

4 .他们可以通过产生深度伪造、误导信息、操纵和其他"坏"来产生宏观经济效应。

在本文中，我使用了基于任务的框架Acemoglu和Restrepo，( 2018 , 2019b , 2022)来评估第二种和第三种效应，并采取了一些步骤来形式化第四种效应如何在基于任务的宏观框架中工作。我的方法基于现有的实验研究，通过在一些环境中使用生成式AI工具来估计生产力的提高和时间的节省。在这些研究的基础上，我明确地接受了生成性人工智能将导致生产力提高的观点。然而，将这些数字与Eloundou et al . ( 2024 )和Svanberg et al . ( 2024 )对暴露性任务的估计结合起来，其生产率效应比迄今为止大多数评论家和经济学家所宣称的要温和得多。一旦我们考虑到我们有证据表明成本节约的许多任务对人工智能来说相对容易，这些数字就变得更小了，而在其他几个任务中，人工智能的集成将面临更大的困难- -这主要是因为这些任务可能涉及更复杂的行动和上下文之间的相互作用，因为它们缺乏可观察的成功的明确指标，因此需要人工智能模型从以前执行相同任务的人的(平均)行为中学习。

考虑到这些因素，我估计未来10年内人工智能进步的TFP效应将是适度的- -一个不考虑难易任务区分的上限将在10年内总共增加约0.66 %，或每年TFP增长约增加0.064 %。当识别出将要接触人工智能的人中存在硬性任务时，这一上界下降到0.53 %左右。GDP的影响将比这大一些，因为自动化和任务互补也将导致更大的投资。但我的计算表明，未来10年内的GDP增长也应该适度，在10年内，如果人工智能导致的投资增长是适度的，总共在0.93 % - 1.16 %的范围内，如果有大量的投资热潮，总共在1.4 % - 1.56 %的范围内。

如果使用人工智能来创造新的任务和产品，这些也将增加GDP，并可以促进生产率增长。尽管如此，当我们考虑到人工智能产生的新任务可能具有可操纵性时，对福利的影响可能会更小。基于Bursztyn等人( 2023 )的数据，涉及AI驱动的社交媒体的负面影响，我提供了社交媒体、数字广告和IT防御-攻击支出的例证计算。这些数字可能会增加GDP的2 %，但如果我们应用Bursztyn等( 2023 )的数字，它们对福利的影响可能是- 0.72 %。这一讨论表明，考虑人工智能产生的新任务和新产品对福利的潜在负面影响是很重要的。

最后，我大量借鉴了Acemoglu和Restrepo ( 2022年)对人工智能自动化前技术的经济整体生产率、工资和不平等效应的估计，以对人工智能新进展的影响提供一些指导。由于接触人工智能的任务在人群中的分布比接触人工智能自动化前的任务更平均，因此我没有发现任何教育群体的实质性负工资效应。然而，这些估计也并不意味着不平等的显著减少，事实上，我的研究结果表明，低教育程度的女性可能会经历较小的工资下降，总体组间不平等可能会略有增加，资本和劳动收入之间的差距可能会进一步扩大。

这些结果不应被解释为认为人工智能没有重大好处。第一，10年间TFP增长约为0.53 ~ 0.66 %，虽然幅度不大，但也远非微不足道。其次，更重要的是，可能还有其他方式可以使用AI来产生更显著的好处。我在前期工作(Acemoglu和Restrepo, 2020b ; Acemoglu, 2021)中已经提出，如果人工智能用于为工人产生新的任务，它可以产生更有益的生产率、工资和不平等后果，甚至可以提高工资。这对于生成式人工智能来说可能是双重的，它可以用来为工人提供更好的信息，并提高他们的专业知识，正如Acemoglu等( 2023 )所争论的那样，在这里做了简要的解释。

今天的许多生产工人，包括电工、修理工、水管工、护士、教员、办事员，以及工厂中越来越多的蓝领工人，都在从事解决问题的工作。这些任务需要实时的、上下文相关的、可靠的信息。例如，处理先进设备故障或电网短路故障的电工，由于没有足够的专业知识和适当的信息进行故障排除，将阻碍这些问题的解决。生成式人工智能工具能够快速提供的可靠信息能够带来生产力的显著提升。同样，课堂中的生成性人工智能可以导致教学发生方式的重大重组，具有更高的个性化水平，因为这些工具帮助教师确定课程的特定方面，而这些方面的学生群体存在问题，并提出新的依赖上下文的教学策略。人工智能模型的可靠性将是成功创建这些新任务和提高教育质量的关键。

从新任务和新产品中获得的生产率改进，对以前的变革性技术(如电力和互联网)来说很重要，但这并没有纳入我的估计。这有三方面的原因。首先，也是最微不足道的是，这更难测量，也不包括在Eloundou et al . ( 2024 )和Svanberg et al . ( 2024 )的暴露类型中。其次，更重要的是，我相信不应该将这些因素包括在可能的宏观经济效应中，因为这些因素不是目前业界关注的领域，正如Acemoglu ( 2021 )，Acemoglu和Restrepo ( 2020b )以及Acemoglu和Johnson ( 2023 )中所说的那样。相反，科技产业的优先领域似乎是围绕个人数据的自动化和货币化，例如通过搜索或社交媒体的数字广告。这使得许多新的好的任务不太可能很快被创造出来。第三，与此相关，更有益的结果可能需要新的机构、政策和法规的支持，正如Acemoglu和Johnson ( 2023 )以及Acemoglu等人( 2023 )所建议的那样。

我的评估是，从生成式AI中确实有更大的收益，这是一项很有前途的技术，但这些收益将是难以捉摸的，除非该行业有一个根本性的重新定位，包括或许最常见的生成式AI模型(如LLMs )的体系结构的重大变化，以便专注于可靠的信息，可以提高不同类型工人的边际生产力，而不是优先开发一般的类人对话工具。当前的生成式AI方法的通用性质可能不适合提供这种可靠的信息。简单地说，如果我们想要的是对教育者、医疗保健专业人员、电工、水管工和其他熟练工人有用的可靠信息，那么我们是否需要能够从事类似人类对话和写莎士比亚十四行诗的基础模型(或当前的LLMs)，这仍然是一个悬而未决的问题。

作者简介

Daron Acemoglu

Daron Acemoglu是麻省理工大学经济学系教授，也是2024年诺贝尔经济学奖得主之一，研究兴趣为宏观经济学、劳动经济学、政治经济学、发展经济学和经济理论。

分享者介绍

黄靖翔

https://huang-jingxiang.github.io/

raconz1211@gmail.com

研究方向：计算传播、自然语言处理