马拉松比赛的广告创意

buhuishaoqian，suoyouzhuangbeiquankaozijida，10beibaolv，ganshouzhenzhengchuanqidailaidedutemeili。jingcaidefangyuzhan，jiehelexuduoxindeyuansu，chulezhandoudejinzhangcijihaiyouwanjiadezhanshuduijue。shipinquanmianfei，jingcaiyingshijuzizaichangxiang，gengyougaofenjilupian、dongman、zongyidengnilaikantongguobuduandetiaozhan，huodefengfujiangli，youxidehuamianshejifenggepianxiangkatongkeai。tongshizhichiwenziyangshiheduanluoyangshibianji。jiacu，shanchuxian，yanse，biaotiyijiwuxuliebiao程(cheng)實(shi)：AI的(de)影(ying)響(xiang)及(ji)其(qi)邊(bian)界(jie)

工(gong)銀(yin)國(guo)際(ji)首(shou)席(xi)經(jing)濟(ji)學(xue)家(jia)、中(zhong)国首席经济学家論(lun)壇(tan)理(li)事(shi) 程实

工银国际資(zi)深(shen)经济学家張(zhang)弘(hong)頊(xu)

未(wei)來(lai)並(bing)未真(zhen)正(zheng)到(dao)来，卻(que)又(you)似(si)乎(hu)正加(jia)速(su)到来。ChatGPT的熱(re)潮(chao)最(zui)重(zhong)要(yao)的現(xian)实意(yi)義(yi)可(ke)能(neng)恰(qia)在(zai)於(yu)，它(ta)激(ji)發(fa)了(le)整(zheng)個(ge)人(ren)類(lei)對(dui)AI（人工智(zhi)能）的深度(du)思(si)考(kao)和(he)高(gao)度警(jing)覺(jiao)。我(wo)們(men)認(ren)為(wei)，AI技(ji)術(shu)发展(zhan)將(jiang)從(cong)微(wei)觀(guan)、宏(hong)观和歷(li)史(shi)三(san)个層(ceng)面(mian)，对人类经济社(she)會(hui)產(chan)生(sheng)深遠(yuan)影响：微观层面，大(da)語(yu)言(yan)类模(mo)型(xing)的通(tong)用(yong)性(xing)和泛(fan)化(hua)能力(li)将刺(ci)激未来5-10年(nian)AI系(xi)統(tong)不(bu)斷(duan)與(yu)移(yi)動(dong)設(she)備(bei)、音(yin)頻(pin)、圖(tu)像(xiang)、視(shi)频等(deng)行(xing)業(ye)領(ling)域(yu)加速融(rong)合(he)，更(geng)大規(gui)模的數(shu)據(ju)、更好(hao)的算(suan)法(fa)、更快(kuai)的訓(xun)練(lian)将为经济活(huo)动創(chuang)造(zao)更有(you)價(jia)值(zhi)的商(shang)业工具(ju)。宏观层面，AI技术对现实经济活动的影响仍(reng)存(cun)在壹(yi)定(ding)滯(zhi)後(hou)性（“生产力悖(bei)论”），這(zhe)使(shi)得(de)现有的经济增(zeng)長(chang)增长模型很(hen)難(nan)全(quan)面反(fan)映(ying)AI或(huo)者(zhe)数据要素(su)创新(xin)对经济潛(qian)在增长的復(fu)雜(za)影响，而(er)隨(sui)著(zhu)(zhe)AI的泛化能力和对目(mu)標(biao)理解(jie)的不確(que)定性不断強(qiang)化，AI技术创新对商业价值的釋(shi)放(fang)将變(bian)得更加不可預(yu)測(ce)，这将導(dao)致(zhi)经济增长的不連(lian)續(xu)变化成(cheng)为常(chang)態(tai)。历史层面，对大语言类模型引(yin)领未来AI发展不宜(yi)過(guo)于樂(le)观，畢(bi)竟(jing)大语言类模型結(jie)合强化学習(xi)并非(fei)真正的智能，真正的人工智能需(xu)要具备判(pan)断常識(shi)和自(zi)我推(tui)理能力。正如(ru)OpenAI 自己(ji)所(suo)講(jiang)：“ChatGPT 不是(shi)真正的智能，但(dan)它讓(rang)人们體(ti)驗(yan)到了真正智能实现后，每(mei)个人都(dou)能通过智能实现他(ta)们目标的滋(zi)味(wei)。”

微观层面，AI技术的不断演(yan)繹(yi)与叠(die)代(dai)或将帶(dai)来新一輪(lun)應(ying)用创新。近(jin)20年来，人工智能技术的发展基(ji)本(ben)分(fen)为三个階(jie)段(duan)。第(di)一个阶段是2015年以(yi)前(qian)，人们对AI模型的设計(ji)和应用强調(tiao)“解構(gou)化”，即(ji)通过不同(tong)的小(xiao)型模型理解人类语言并分析(xi)不同情(qing)景(jing)中的工作(zuo)任(ren)務(wu)。通常这类模型基于“監(jian)督(du)式(shi)学习”并用于工业制(zhi)造业、交(jiao)通貨(huo)運(yun)、欺(qi)詐(zha)分类等特(te)殊(shu)場(chang)景中。然(ran)而，这类小型模型距(ju)離(li)大规模通用性仍有很遙(yao)远的距离。2015年之(zhi)后，Google Research 的裏(li)程碑(bei)式论文(wen)“Attention is All You Need（註(zhu)意力就(jiu)是妳(ni)所需要的一切(qie)）”介(jie)紹(shao)了一種(zhong)新的用于自然语言理解的神(shen)经網(wang)絡(luo)模型（Transformers）。这类模型通过“無(wu)监督式模型”可以以更少(shao)的训练時(shi)間(jian)生成更高質(zhi)量(liang)的语言模型。Google 進(jin)一步(bu)把(ba)这些(xie)模型開(kai)始(shi)具有目标性地(di)应用于不同的特定领域中。2015年-2021年以来，随着这些模型训练数据的量級(ji)不断增加，模型生成的精(jing)準(zhun)度不断上(shang)升(sheng)。结合AI科(ke)学家将强化学习模型納(na)入(ru)到神经网络模型中加强了機(ji)器(qi)人的記(ji)憶(yi)力，这使得AI对文字(zi)、音乐、繪(hui)畫(hua)、语音、图像、视频等领域的理解逐(zhu)漸(jian)超(chao)过了人类平(ping)均(jun)水(shui)平。ChatGPT正是在这樣(yang)的背(bei)景下(xia)实现了从量变到质变的跨(kua)越(yue)。我们认为，ChatGPT等人工智能技术可以幫(bang)助(zhu)人类实现更多(duo)的数据要素创新，从而改(gai)变和豐(feng)富(fu)消(xiao)費(fei)者行为。具体来說(shuo)，ChatGPT相(xiang)比(bi)过去(qu)的机器人最大的不同在于记忆能力。通过在人类環(huan)境(jing)中不断的进行强化训练，ChatGPT可以靈(ling)活记忆与人溝(gou)通的对話(hua)信(xin)息(xi)，并实现连续对话。相比过去的Siri或者傳(chuan)统搜(sou)索(suo)引擎(qing) ，ChatGPT能夠(gou)从人类反饋(kui)中不断的实现强化学习，这直(zhi)接(jie)改变了经济社会中人类直接獲(huo)取(qu)信息和輸(shu)出(chu)內(nei)容(rong)的方(fang)式。一旦(dan)获取信息的中间成本被(bei)大大降(jiang)低(di)，数字经济中数据要素的使用效(xiao)率(lv)将顯(xian)著提(ti)高，勞(lao)动生产力也(ye)将得到进一步的释放。此(ci)外(wai)，随着ChatGPT的不断迭代 ，AI自动生成内容将变得更加丰富。不论是在文字、音乐、绘画、语音、图像、视频、遊(you)戲(xi)等领域，AI參(can)与生成的可能性将大大提高。我们预料(liao), 圍(wei)繞(rao)ChatGPT等大语言模型， 2022年后的未来10年大量的程序(xu)开发将不断湧(yong)现（表(biao)1），这或将加速大语言系统与當(dang)前互(hu)聯(lian)网移动设备、智能相机、语音识別(bie)系统进行深度融合，从而深度改变当前全社会的消费模式和消费行为。

宏观层面，人工智能技术对现实经济增长影响仍存在滞后，未来AI技术将加劇(ju)经济增长的不规則(ze)性。根(gen)据諾(nuo)貝(bei)爾(er)经济学得主(zhu)保(bao)羅(luo)·罗默(mo)（Paul Romer）的观點(dian)，当前全球(qiu)经济增长低迷(mi)、劳动生产率长期(qi)停(ting)滞的主要原(yuan)因(yin)是我们還(hai)沒(mei)有深刻(ke)了解如何(he)充(chong)分实现和轉(zhuan)化数字经济利(li)益(yi)在经济进步中的貢(gong)獻(xian)。从問(wen)題(ti)的根源(yuan)说起(qi)，当前经济学家对于经济长期停滞有多种解释，包(bao)括(kuo)低效的商业投(tou)资、人口(kou)老(lao)齡(ling)化、技术创新普(pu)遍(bian)下滑(hua)等。但罗默指(zhi)出，技术创新普遍下滑的说法可能是不嚴(yan)謹(jin)的。进入信息时代，围绕数据要素的技术创新迭代相比传统技术创新迭代的路(lu)徑(jing)与方向(xiang)正在发生变化。以人工智能、大数据、區(qu)塊(kuai)鏈(lian)为代表的新一代信息技术与传统全要素产生率和经济增长之间存在影响滞后性。斯(si)坦(tan)福(fu)大学经济学家保罗·大衛(wei)（Paul David）进一步将这种滞后描(miao)述(shu)为“生产力悖论” ，他发现现代计算机革(ge)命(ming)对生产力水平的显著提高可能比20世(shi)紀(ji)電(dian)力对生产力的推动需要更多的时间。基于现有的文献，AI技术与生产率之间存在显著的“擴(kuo)散(san)滞后”。这是因为人工智能的发展依(yi)托(tuo)于对数据的训练，而当前AI技术对数据的收(shou)集(ji)、處(chu)理和训练都需要較(jiao)长的时间。以ChatGPT为例(li)，相比Web1.0和Web2.0單(dan)向内容输出，盡(jin)管(guan)ChatGPT具备了雙(shuang)向输出和互动的能力，然而ChatGPT从获取数据到训练数据仍需要较长的周(zhou)期。当前ChatGPT的数据更新为2021年，这意味着ChatGPT并不知(zhi)道(dao)2022年以后发生的事情。实时数据无法被动态更新使得ChatGPT等基于神经网络模型的AI技术很难滿(man)足(zu)商业价值创造所需的即时性。此外，AI技术幾(ji)乎每一次(ci)迭代都需要外部(bu)基礎(chu)设施(shi)作出相应升级改造，但外部相關(guan)基建(jian)和硬(ying)件(jian)设施往(wang)往难以在短(duan)期内有效支(zhi)持(chi)AI相关技术较高的配(pei)套(tao)訴(su)求(qiu)。比如基于区块链技术的智能合約(yue)可以帮助企(qi)业间实现更加快速、安(an)全、便(bian)捷(jie)的合作協(xie)議(yi)，但区块链技术的全面落(luo)地实际需要基于Web3.0网络搭(da)建，而Web3.0的建设则需要实现去信任的交互协议平臺(tai)、分布(bu)式存儲(chu)和隱(yin)私(si)计算三大底(di)层基础设施支持，这也是为什(shen)麽(me)人们在现实活动中很难深切感(gan)觉到AI相关技术对传统的生活方式产生了直接性的沖(chong)擊(ji)。然而，随着人工智能通用性和对目标理解的不确定性不断强化，AI技术创新对商业价值的释放将变得更加更加廣(guang)泛和不可预测，这意味着未来技术创新对经济增长造成的不连续变化将逐步成为常态。

历史层面，ChatGPT僅(jin)仅是AI发展过程中的一條(tiao)分支，不宜过分乐观。ChatGPT在人工智能领域中主要构建于大语言歸(gui)纳模型。大语言模型主要是利用自然语言和神经网络模型对人类生产的语言类数据进行训练，并结合强化学习不断强化AI对人类语言的理解能力。从反馈机制来看(kan)，ChatGPT 的智能回(hui)应是基于龐(pang)大数据量上的梯(ti)度下降得到的。但值得强调的是，純(chun)粹(cui)的梯度下降并不等同于智能化。所謂(wei)AI的智能性，不仅仅是对知识的归纳处理，最重要的意义是AI学会进行知识推理并具备认知常识的能力。过去5年，ChatGPT的通用性和泛化能力确实得到显著提升，但在模型中我们实际并不知道該(gai)模型泛化能力是如何通过模型训练具体形(xing)成的，我们也很难明(ming)确通用性和泛化性的边界在哪(na)里。因此，如果(guo)仅仅将ChatGPT视为一种帮助人们实现目标的工具，它确实能够产生更多的商业价值。但如果将ChaGPT等大语言类AI技术视为改变人类文明必(bi)由(you)的途(tu)径则有些言过其实。因为只(zhi)有当AI真正实现知识推理，才(cai)能说AI具备了真正的智能化。另(ling)外需要注意，随着AI技术的发展，人类的确存在对AI失(shi)去控(kong)制的風(feng)險(xian)。无论是从运籌(chou)学的最優(you)獎(jiang)勵(li)机制，统计学的最小損(sun)失函(han)数，还是经济学的效用最大化，在现今(jin)所有标准模型下对机器人的指令(ling)几乎都会导致AI失控。这是因为标准模型下AI在实现目标的过程中很可能会不惜(xi)一切代价实现目标，甚(shen)至(zhi)包括脫(tuo)离控制本身(shen)。因此在未来5-10年内，无论是大语言模型还是其他AI模型都会不断纳入新的技术以尋(xun)求AI对人类偏(pian)好的进一步认知，这也反映了人机互动将是不可避(bi)免(mian)的发展趨(qu)勢(shi)。也只有这样，才能保證(zheng)在AI在擁(yong)有自我判断能力和常识前人类可以足够降低对AI失控的风险。回顧(gu)AI的发展史，当前人们对人工智能的探(tan)索仍处于类似工业文明爆(bao)发前期的“啟(qi)蒙(meng)时代”。确切来说，我们对于智能的实现是基于长期实验和观察(cha)累(lei)计的经验归纳總(zong)结，人类要想(xiang)实现真正的人工智能并构建真正智能系统，根本上是解決(jue)如何用数学或其他语言去描述宇(yu)宙(zhou)中包含(han)的各(ge)种不规则性。如果我们忽(hu)略(lve)了数理邏(luo)輯(ji)以及知识推理对人工智能发展的真实意义，人类很可能会再(zai)次陷(xian)入一场“自欺欺人”的騙(pian)局(ju)之中。

参考文献

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, ?. and Polosukhin, I., 2017. Attention is all you need. Advances in neural information processing systems, 30.

Jones, C.I., 2019. Paul Romer: Ideas, nonrivalry, and endogenous growth. The Scandinavian Journal of Economics, 121(3), pp.859-883.

Sukumar, A., Jafari-Sadeghi, V., Garcia-Perez, A. and Dutta, D.K., 2020. The potential link between corporate innovations and corporate competitiveness: evidence from IT firms in the UK. Journal of Knowledge Management, 24(5), pp.965-983.

Thorp, H.H., 2023. ChatGPT is fun, but not an author. Science, 379(6630), pp.313-313.

Zhou, C., Li, Q., Li, C., Yu, J., Liu, Y., Wang, G., Zhang, K., Ji, C., Yan, Q., He, L. and Peng, H., 2023. A Comprehensive Survey on Pretrained Foundation Models: A History from BERT to ChatGPT. arXiv preprint arXiv:2302.09419.返(fan)回搜狐(hu)，查(zha)看更多

責(ze)任編(bian)辑：