如果使用得当，人工智能可以显著加快经济增长，并帮助实现生产率增速的反弹。
疫情后，全球经济受到多方面的困扰：经济增速放缓、出现了数十年来最持久的通胀、可持续性进展有限，以及高昂借贷成本拖累了投资。然而，或许最大的不利因素是自全球金融危机以来生产率增长的疲软。
供给侧的限制导致了经济增速放缓、新通胀压力出现、资本成本上升、财政陷入困境和财政空间收缩，以及实现可持续发展目标方面的挑战——而人工智能（AI）是我们解除这些限制的最佳机会。原因在于，AI 不仅具有扭转生产率下降趋势的潜力，而且还可能带来生产率的持续大幅提升。
当然，这需要时间。罗伊 · 阿玛拉（Roy AMaRa）定律在这里同样适用，就像适用于过去的技术转型一样：我们总是高估短期影响，而低估其长期影响。我的最佳猜测是，到本十年末，我们可能会开始看到 AI 对劳动生产率的深刻影响。
所有这一切，都是三股强大力量碰撞的结果。
首先是冲击，包括大流行病、气候变化、地缘政治紧张局势、国家主义卷土重来，以及在实施国际经济政策时对国家安全问题的关注度日益增加。这些日益严重和频繁的动荡正在使全球供应网络朝着更加多元化和更具韧性的方向发展。但这是一种代价高昂的压力，也是引发通胀压力的因素之一。
例如，苹果公司正在加大其制造业向印度转移的规模，而目前印度产苹果手机占比为 15%。同时，只有韩国和中国台湾省生产最先进的半导体，从国家安全的角度来看，这种安排不可持续。
旨在将重要供应链转回国内或至少转到友好国家的政策举措，增强了资源获取的多元性，同时也让对手国家难以获得商品、技术和资本。其中一些保护主义政策是为了保护国内劳动者免受来自国外的竞争。
其结果是全球供应网络在疫情之后迅速割裂——这些供应网络的联系在二战之后一度变得更加紧密。随后，供应链在很大程度上遵循了经济学的标准：效率和比较优势。现在，我们已不可能在最大限度增强韧性的同时尽可能缩减成本了——而且我们也不再尽可能地缩减成本。在众多因素中，这种结构性转变已经加剧了通胀压力。
纵然新冠疫情引起的供应链压力已有所缓解，但第二组相互碰撞的力量已体现在长期趋势中，而这些长期趋势进一步降低了经济的供给韧性并推升了成本。这些趋势包括不断下降的生产率，这在发达经济体中尤为明显。
这些趋势还包括占全球产出 75% 以上的经济体出现了人口老龄化。生育率下降和寿命延长正在使劳动力的增长放缓，导致劳动者人数减少，而需要照顾的老年人数量增多。若依靠社会保障制度，在中央银行利率居高不下的情况下，这种情况会带来财政压力。令人惊讶的是，许多发达经济体在其高就业部门都出现了劳动力短缺。在总需求强劲的情况下，这阻碍了经济增长并加剧了通胀压力，美国尤其如此。德国也遇到了类似的劳动力供给问题。
疫情的影响包括许多经济体主权债务水平的上升。目前，全球主权债务已超过全球 GDP 并仍在继续攀升，而美国当前的主权债务率已超过 120% 的门槛值。欧洲的这一比率为 88.6%，希腊、意大利、西班牙、法国、比利时和葡萄牙的比率高于平均水平。这在一定程度上可以用疫情期间的大规模支出来解释，其目的是拯救生命、防止企业倒闭以及避免个人和企业资产负债表的损失。在利率上升的情况下，需求仍然保持韧性的一个原因正是在于：与全球金融危机时相比，疫情中资产负债表的损失要小得多。
最后，在第二组力量中，与新兴市场经济体增长和全球经济（尤其但不限于中国）产能大幅增加相关的、持续数十年的强大通缩力量正在消退。
发展经济学家将此称为 “刘易斯拐点”。在这个增长阶段，新兴市场经济体传统部门中未充分就业和未充分利用的劳动力在很大程度上被城市化和联系更紧密的经济成分所使用和吸收。
生产率的情况值得特别关注。从 1998 年到 2007 年，美国生产率的平均增速为 1.68%，在此期间，许多美国人接入了互联网，后来还用上了移动电话。随后，从 2010 年到 2019 年，生产率增速放缓至 0.38%。
这种下降体现在经济的方方面面。尽管可贸易商品和服务部门雇用的劳动者不足四分之一，但其生产率往往更高，然而这些部门的生产率增速也在放缓，从 4.27% 下降到 1.23%。规模庞大且生产率较低的非贸易服务业的生产率增速从 0.73% 下降到实际为零。
一个令人吃惊的事实是，尽管最近生产率增速疲软，但相对于包括整个欧洲在内的其他发达经济体而言，美国的表现一直十分亮眼。欧洲增长率和生产率滞后的部分原因是数字技术的采用和部署速度和效率较低，以及相对于美国和中国而言，其科技行业发展落后。
新冠疫情期间，欧洲的生产率指标略有上升，这主要是因为生产率较低的行业部分停工停产，而生产率较高的行业则转为远程办公。我们还需要更多数据来了解这种回升是否会持续，但我们在其他发达经济体中也看到了类似的模式。
这两组力量的综合作用，使经济以相对较快的速度，从需求限制型增长转向了供给限制型增长。经济增长乏力。通胀持久存在。实际利率仍处高位。包括我在内的许多经济学家认为，我所描述的结构性环境意味着，借贷成本很可能会保持高位，并且肯定高于全球金融危机后的十年。这很可能会给投资界带来重大变化，包括将资本成本和贴现率保持在更高水平，以及压低估值。
值得注意的是，投资者对很可能出现的利率路径存在分歧，并会改变其看法。例如，去年作出的关于美联储将在今年开展七次 25 个基点的降息这一预期很快就破灭了。市场现在正预期美联储今年将会降息一到两次。市场预期可能会进一步认为利率将在更长时间内维持更高水平，而结构性环境也指向了这一点。
这就谈到了第三组相互碰撞的力量：科学和技术。目前，至少有三项革命正在进行。第一项是长达数十年的数字化转型，现在正因 AI 的突破性进展而提速。第二项是生物医学和生命科学领域的变革。第三项是支撑向可持续能源转型的技术。
这三项变革都得到了充足投资的支持。进步的加快不仅是因为受到了技术突破的推动，而且还源于一系列强大工具的推动——它们的成本正在下降，而可用性则有所提高。过去十年中，太阳能的成本大幅下降。从先进半导体到 DNA 测序，再到公共数据库中免费提供的数亿种蛋白质的三维模型，其他领域的技术进步也大幅出现。
开发这类技术并将其用于生产用途，将刺激世界经济出现重大的结构性变化。我们无法预测这些变化所预示的全部范围，但其影响肯定是巨大的。
新兴技术能够持续提升生产率，正如我去年在一篇关于生成式 AI 的潜力的文章中所论述的。这与诸如麦肯锡全球研究院等方面的估计是一致的。
生成式 AI 是第一个具有类似人类能力的 AI，可以在多个领域中运行，并且能仅根据对话指令检测和切换领域。它能够讨论通胀，编写计算机代码，做一些数学运算——尽管其还在进一步开发之中。其超人般的模式识别能力使其成为功能强大的数字助手。比起完全自动化，更理想的模式是人机协作，其有时被称为 “增强智能”。
杰弗里 · 辛顿（GeoFFRey Hinton）是现代神经网络 AI 的先驱，他对 AI 的影响有着特殊的理解。他以一位经验丰富的医生为例进行了说明。虽然这位医生可能已经治疗了数千名患者，但医疗 AI 却能够回顾并吸收数十万名患者病例。这样，医疗 AI 对有经验的医生而言如虎添翼，而对于那些经验不足的医生来说更是大有助益。这与关于 AI 在其他领域应用的研究发现一致，在这些领域，AI 数字助理通过以往的互动训练，总体上带来了生产率的大幅提升，甚至为经验不足的工作人员带来了更大的助益。
AI 是一项通用技术，在整个经济体系中都有应用，无论是按部门还是按工作类型划分。这一点非常重要，因为只有通用技术才能带来整个经济范围内的生产率的大幅提升。
AI 应用已经被内置到手机等个人设备中，这在一定程度上要归功于先进的半导体技术。
尽管如此，要实现 AI 更大的潜力，还需要克服更多挑战。其中一项挑战是实施监管以防止技术和数据的滥用。这一降低风险的监管议程正在全球范围内进行。
另一项挑战是克服自动化偏见，或埃里克 • 布林约尔松所说的 “图灵陷阱”——它是指一种完全实现自动化并取代人类的强烈倾向。
这是存在于媒体、业界和政策讨论中的普遍观点。对就业急剧下降的普遍担忧反映了这一点。
或许最重要的政策问题与潜在收益有关。为了让 AI 逐步实现其对经济的全面影响，就必须使所有经济部门以及大大小小的企业都能用上它。毫无疑问，在技术和金融等行业开展的大规模投资将产生重大影响，但 AI 的应用需要进入存在大规模就业的部门，而这些部门在引入 AI 方面往往会滞后。在 AI 时代之前开展的数字技术采用研究表明，这种广泛扩散的模式并不一定会出现，而是可能甚至很可能完全取决于市场力量的分化。
与各方对降低风险和 AI 技术滥用的高度关注相比，目前支持 AI 的可得性、传播和技能以帮助实现 AI 的全部潜力的政策较为薄弱。加大后者的政策力度而不放弃前者，是政策再平衡的重要内容。这并不是提倡由政府来挑选出赢家或国家冠军企业。相反，有效的竞争政策应成为一揽子政策的一部分。此外，重点需要部分放在可能在技术发现和采用方面滞后的部门和企业，例如中小企业。而且，由于工作岗位将随着 AI 技术应用的出现而变化，因此应优先关注技能再培训和新技能的获取。
AI 的潜在收益远远超过应对疫情后的生产率和增长方面的挑战。这些收益将影响从生物学到物理学和材料科学的科技研究，并在能源转型过程中发挥关键作用。
人才、计算能力和快速增长的电力需求是构建能力日益增强的生成式 AI 模型的主要障碍。数据可用性并不是主要的制约因素。互联网上有着可用于训练的充足数据。当然，有些 AI 不属于强大且重要的生成式 AI 类别。AlphaFold 就是一个例子，它是一个预测蛋白质三维结构的 AI 系统。要应用此系统，您需要投入专门的生物学数据和有关蛋白质折叠原理的专业知识。
同样，推动生成式 AI 发展的大型平台也确实拥有依赖个人数据和高度精确定位的商业模式。但是，大语言模型等模型的训练，不需要敏感的个人数据。
这些系统足够强大，能够训练具有数十亿个参数的模型，它们主要存在于私人部门的云计算系统中，大部分位于美国和中国。这一点，再加上人才竞争，使科学界和学术界陷入了不利的境地。将计算基础设施扩展成一个由研究人员和创新人员组成的广泛社区，是一项必不可少的重要政策步骤。这将以民主的方式建立一个开放社区，并使其在学术和私人创新之间保持良好的平衡。实现这种平衡将支持技术的广泛传播。
欧洲在开发和应用 AI 方面有可能将落后于美国和中国，原因有三。一是欧盟对基础研究的资金投入相对不足。二是欧盟在支持研究的计算能力方面落后。三是未能充分利用规模庞大的欧洲经济。由于数字和 AI 技术的固定开发成本高，而可变成本相对较低，因此大规模应用是决定投资回报率的巨大优势。欧洲资本市场仍然较为割裂；服务市场一体化尚未完成，并受到国家层面监管割裂的阻碍。这种情况是否会持续下去，或是在近期的欧洲议会选举后改弦易辙，还有待观察。
中国是一个 AI 强国。印度在数字技术方面根基牢固，拥有庞大且不断增长的国内市场以及深厚的工程人力资本储备，很可能会成为一股不断增长的力量。
其他新兴市场经济体可能会从 AI 应用中获益良多，但至少在未来几年内，它们将主要成为大多产生于美国和中国的先进 AI 技术的消费国。
AI 将在未来几十年内推动大规模的结构变化和颠覆。虽然部分群体会因自动化或生产率的快速提升而失去工作，而另一部分群体将被雇用并从事由 AI 技术创造的新工作，但受到最大影响的是处于中间位置的劳动者。在这个中间位置，工作岗位不一定会消失，但却会发生变化。这将是一个颠覆性的过程，需要不同的技能和大量的组织变革。私人部门和公共部门都将发挥重要作用，以确保顺畅实现转型。
如果能出台政策帮助 AI 技术在整个经济中加速传播，那么 AI 能够显著加快经济增长，并帮助生产率增长实现反弹。而且，如果 AI 技术放松了作为造成通胀的部分原因的供给侧限制，那么它将能逐渐间接降低实际利率和资本成本。在一个需要数万亿美元的投资来改变能源效率和绿色转型方程式的世界里，这将很有帮助。在全球经济面临的老龄化问题方面，AI 将帮助更年轻的劳动人口为更年老的群体提供支持，而不必作出过度的牺牲。
尽管经济增长面临冲击和长期不利因素，但我们确实拥有促进全球经济增长、提升包容性和可持续性的人才和工具——但前提是我们有积极而明智地使用这些人才和工具的意愿。
本文作者
迈克尔 • 斯宾塞（Michael Spence）
胡佛研究所高级研究员
