探讨人工智能对经济的影响 [译]

2023 年 10 月 2 日

作者：Karen Karniol-Tambour，Josh Moriarty

下载 PDF

人工智能对经济的影响将受到其技术发展和实施的速度与有效性的双重影响。我们在这里分享我们对这个日渐丰富的研究领域的理解和我们如何实时跟踪这一发展趋势。

编者按：在 Bridgewater，我们正通过两种方法深入了解人工智能的潜在影响。在这份报告中，我们将介绍我们研究部门对人工智能对宏观经济影响的洞见。同时，我们也在 AI 实验室中通过实际操作来学习，我们正在将投资者和 AI 专家聚集在一起，共同探索最前沿的应用案例，以期创造更高的投资回报（alpha）。

对于我们这些投资者来说，明白自己所不了解的通常比了解的更为重要。我们清楚，人工智能在接下来的几年里将对经济和市场产生显著影响：我们曾将其可能的影响与 90 年代和 00 年代的全球化及工业自动化进程相比较，这两大缓慢的结构性变革曾维持低通胀，加剧不平等，推动企业利润增长，并带来重大政治与社会变迁。但人工智能如何以及何时对经济产生实质性影响，这一点目前仍充满不确定性。在本报告中，我们将带您深入了解我们对人工智能可能带来的经济影响的最新思考，并认识到在目前这个阶段，我们所不知道的远远超过所知道的。

• 目前的 AI 发展情况怎样？ 目前，AI 正在客户联络中心和软件工程等特定经济领域迅速普及。它作为一种提升生产效率、降低人工成本的重要工具，显示出其独特魅力。尽管相关数据还不够完善，但在这些行业中，就业需求似乎正逐渐减缓。然而，在总体经济背景下，这些压力相对较小，因为劳动市场仍然处于紧张状态。到目前为止，AI 的经济影响似乎与其他近期技术发展相似——在特定行业内具有显著影响，但对整体增长和通胀的影响则较为有限。
• 我们对未来的发展有何了解和不了解？ 我们预计，AI 将在更多工作流程中成为重要的生产力推动器，尽管这一过程还处于起步阶段。目前，我们看到企业在各种任务中尝试应用 AI，但真正实现大规模自动化的领域还很少。主要的问题在于 AI 的普及程度以及这一过程的速度和效率。越来越多的研究认为，经济的大部分领域将融合 AI，但这些研究的方法尚未在预测随后的采用效果上显示出准确性。而且，由于 AI 技术本身发展迅速、变化无常，预测其效果尤为困难，特别是最大的生产力提升可能来自于尚未出现的功能。
• 关于 AI 的最大影响，大多数研究预计将在十年或更长时间之后到来。我们基本看法是，未来几年内，相比 AI 带来的通货紧缩影响，通货膨胀的长期趋势将占据主导地位。 要释放 AI 技术的潜在生产力优势，不仅需要对劳动力进行重新培训，还需进行有意义的组织和流程创新，而这些历史上都是进展缓慢的。最可能的情况是，AI 的融合进程将比其他正在推动企业决策的因素（如建立弹性供应链）进行得更慢。尽管外界对此的估计差异很大，但这次分析强调了认识到我们所不知道的事物的重要性，并为多种可能性做好准备的必要性。

当下动态：AI 实时整合进展观察

首先，我们来探讨目前关于 AI 如何融入经济体的认知。大语言模型（大语言模型）技术正处于新兴且不断演变之中，其应用正迅速改变。因为目前 AI 的影响主要局限于经济中的小部分领域或特定工作流，要从整体增长的数据中识别出这些影响是相当有挑战性的。虽然 AI 的应用范围预计将进一步扩大，但迄今为止，它的影响主要集中在少数行业，并对整体增长和通货膨胀只产生了轻微的效果。

LLM 特别适用于那些基于文本且环境受限（例如文本或语音遵循非常固定模式的场景）的工作流程中。因此，这项技术正在迅速被应用于符合这些条件的关键功能领域，尤其是在它的缺点（如精准度不足或监管环境尚不明确）影响较小的场合——尤其是在客户联系中心和软件开发领域。下面，我们将通过这两个行业的案例来展示该技术的融合情况。对于每个行业，我们都会概述其规模、为何它适合融入 AI，以及这一过程的进行情况。

• 它在整体经济中占比不大。 大约有 1.8% 的美国劳动力（大约 290 万人）从事客服代表工作，而全球呼叫中心的员工数量大约为 1700 万。

• 整合 AI 的理由相当充分。 客户服务通常包含对基础信息的常规咨询，而这些多为基于文本的，这让大语言模型 (LLM) 成为不错的选择。此外，降低劳动力成本的需求非常迫切，因为在这一行业中，劳动力成本占据了总成本的很大一部分（Gartner 估计 最高可达 95%）。

• 应用 AI 看起来能有效提升生产力。 尽管数据有限且我们还处在初期阶段，但一项最新研究 表明，一家公司在技术支持聊天中使用 AI 工具后，解决问题的效率提高了 14%。另一项最新调查 也发现，使用 AI 工具辅助客服代理可以使平均处理时间缩短 27%。到目前为止，最常见的 应用场景 是辅助而非取代客服代理，例如帮助他们进行提示或记录笔记。不过，也有一些案例中，工作流程被 AI 完全接管，比如这个播客 中所描述的情况。

• AI 技术的应用正在加速发展。 尽管调查质量不一，但结果都显示出这一趋势。早在 2021 年，也就是在被普遍认为是“生成式 AI”技术飞跃之前，一项调查 显示，71% 的呼叫中心已经开始运用 AI 工具，而另一项报告 指出，52% 的中心正在部署 AI 技术。自从生成式 AI 大规模应用之后，今年早些时候的一项调查 发现，已有 27% 的联系中心利用生成式 AI 进行客户服务活动，另外 47% 计划在今年内实施。此外，最近的一项调查 表明，多数呼叫中心员工反映，他们的部分工作正在逐步实现自动化。

• 我们可能正在见证 AI 对就业领域的一些影响。 根据最近的一项研究，那些在 2023 年没有使用人工智能工具来优化客户体验的联络中心，相较于那些使用了这些工具的中心，需要雇佣的新员工数量是后者的两倍多。然而，从官方数据中准确判断就业影响却颇具挑战，因为我们只能获取专门呼叫中心公司的每月就业数据，而这只占了受影响总体的一小部分（不包括公司内部的客户支持部门）。数据显示，在过去的 18 个月里，随着 AI 工具逐渐融入呼叫中心的工作流程，就业率出现了约 10% 的大幅下降。这种变化可能部分由 AI 的整合所驱动（尽管还有其他因素，比如劳动力短缺和国内工资的迅速增长，也可能有所影响）。在近几十年的历史中，类似这样大规模的就业下降只在 2002 年出现过一次，当时是由几家主要的呼叫中心公司执行外包操作所导致。值得注意的是，尽管出现裁员情况，但工资增长却依然强劲，这一点体现在同期低技能岗位的显著工资增长上。这种现象的出现是有其合理性的，因为呼叫中心需要与餐馆和酒店等行业竞争劳动力，这也说明了即使是局部领域的通货紧缩影响也不会波及整个经济。此外，随着 AI 工具的使用，剩余的工作人员可能变得更加高效和有价值，这与我们在制造业自动化领域的观察相似。

软件开发

• 虽然在就业中的占比不高，自动化的潜在影响却非常广泛。 在美国的就业人口中，软件开发者只占了大约 1.1%（约 170 万人）。但这一比例并不能完全体现提高他们生产力的重要性。原因在于软件开发者创造的经济价值远高于一般工作者（以每小时平均工资来看，大约是全国平均水平的两倍），而且在软件和互联网服务行业——这些行业的软件开发人员劳动成本占总成本的 15-20%，而这些行业在美国上市公司的利润中占比高达 10%。

• 融合人工智能的理由非常充分。 开发者稀缺导致劳动成本高昂；软件开发者的中位小时工资几乎是全国中位工资的三倍。

• 采用 AI 显著提高生产力。 在一项受控研究中，可以使用 GitHub Copilot 的专业软件开发者在完成指定任务上比没有使用的人快了 56%。使用 Copilot 的开发者平均有 46% 的代码是由这个工具编写的（截至 2023 年 2 月）。尽管如此，最终对生产力的实际影响比这些数据显示的要小，因为多数 调查发现软件工程师仅将大约一半时间用于编码和设计任务，但这一影响依然显著。

• AI 的采用似乎正在加快。 虽然没有太多关于这些工具整体使用情况的研究，但根据轶事证据，它们的使用非常广泛。GitHub 表示，截至 2022 年 6 月的一年内，有 120 万人使用 Copilot，这是他们从免费模式转为付费模式的时期。但由于缺乏关于该工具使用频率的具体信息，我们无法准确判断这个数字反映的是常规用户还是仅仅尝试一下的人。类似于 Replit 的 Ghostwriter 和 Amazon 的 CodeWhisperer 这样的其他公司工具也缺乏可靠的使用数据。此外，仅就这些专门为代码自动补全设计的工具而言，现有的使用数据可能低估了 AI 在编码方面的使用情况，因为使用像 ChatGPT 这样的通用大语言模型来编写代码也相当普遍。

• 我们正看到人工智能对就业的适度影响。 要分析 AI 工具与软件工程领域整体就业趋势之间的关系颇有挑战，这些趋势包括近期大量 COVID 招聘的部分回落以及对于能开发 AI 技术的软件工程师需求的增长。然而，AI 的确对就业造成了一定影响。据 Challenger 报告链接 显示，2023 年 7 月的三个月里，科技行业因 AI 而裁员近 4000 人，这可能还是偏保守的估计，占同期该行业总裁员数 32000 人的一部分。

在这些领域里，人工智能（AI）的融合看起来将持续深入，特别是在联系中心，前景更加明朗。根据 Gartner 的估计，到 2026 年，全球联系中心的互动中有 10% 将完全由 AI 自动完成，而这一数字在 2022 年中仅为 1.6%。另外，McKinsey & Company 预测，在劳动力成本较高的北美，AI 的应用将进一步减少高达 50% 的人工服务接触。

然而，AI 在软件开发领域的未来影响还不太明确。软件工程与客户服务或农业等领域不同，它对需求量几乎没有天然限制，这意味着成本降低可能带来更大的增长潜力。但目前尚不清楚人们会如何利用更经济的软件开发资源，加之近期行业内的大规模裁员现象，暗示短期内软件开发的需求可能并非无限。长期就业影响则取决于技术接下来的发展方向：尽管目前软件工程师的供给相对于他们能完成的工作来说是不足的，提高效率可能不会大幅影响就业，但如果 AI 工具的能力完全达到典型软件工程师的水平，情况就会发生变化。最后，正如我们接下来将详细探讨的，通过降低软件工程成本加速更广泛创新的方式，AI 可能会对生产力产生更为渐进的巨大影响。

迄今为止，AI 在这些领域的融合似乎并未在整体经济中产生太大效应——它更像是对抗通胀压力的一个有限的平衡力量。 最关键的问题是，其他行业是否会加速采纳 AI，从而放大其影响力。

从更广阔的视角来看，我们发现尽管 AI 工具已经在各种任务中初步尝试应用，但在大多数领域中这种技术的广泛应用还相对有限。尤其值得注意的是，许多公司正在探索如何将一种非常新颖且迅速发展的能力集合——通常被称作“生成式 AI (generative AI)”——融入到业务中。我们认为，生成式 AI 工具可能会在许多工作流程中大幅提高生产力，但这一过程仍处于萌芽阶段；各公司还在摸索如何运用这项技术、评估监管环境，并准备让员工学会使用它。举个例子，麦肯锡公司 (McKinsey & Company) 在 2023 年 4 月对全球范围内的多个行业和地区的公司进行的调查显示，大约三分之一的公司已开始在至少一个业务领域中尝试使用生成式 AI。但目前还没有一个特定的职能或应用场景实现了广泛的普及。

我们所知与不知：接下来的发展走向

长期来看，经济增长要么依靠更多人投入劳动，要么依靠提高每个人的劳动产出——也就是说，靠人口增长或生产力增长来实现。在像美国这样的主要发达经济体中，人口增长较低，因此生产力增长成为了长期经济增长的关键驱动因素。人工智能具有显著加速生产力增长的潜力。在下文中，我们将探讨人工智能可能在何时以及在多大程度上促进这一增长。

许多研究预测，与历史上的技术整合相似，AI 的主要影响将在未来几十年内显现，具体而言，可能发生在 2030 年代或 2040 年代。这种预测主要基于对过去技术变革带来的生产力变化的研究。从历史来看，像电力和计算机这样能广泛应用于整个经济的通用技术，通常在诞生后十到三十年后开始显著影响生产力。

技术创新与其对宏观经济的影响之间存在明显的时间差，这是由于几个原因。首先，大多数通用技术的商业应用需要随时间开发的补充性发明（例如，电子表格的发明大大促进了个人电脑的商业应用）。其次，公司需要投资新技术并培训员工以有效利用这些技术，期间生产力可能会有所下降。更重要的是，通用技术的主要优势通常不在于加快现有流程，而在于它们开启的全新方法——而发现并采用这些新方法需要时间。例如，美国工厂电气化之所以能显著提高生产力，很大程度上是因为它使得机器可以分布在工厂的各个角落，而不是围绕蒸汽机。但这种变化是在电气化多年后才实现的，因为最初工厂主只是简单地用电动机替换了蒸汽机，并未重新设计生产线。

虽然历史不会简单重复，但我们有必要关注一些过去对人工智能（AI）应用的乐观预估。比如，MIT Technology Review 在 2019 年的一项研究 预计到 2024 年，亚洲将有 12% 的工作由 AI 自动完成；而 PwC 在 2017 年的一项研究 则预测到 2023 年，多数行业将实施 50-90% 的潜在 AI 应用。

AI 对生产力的提升速度将超过过去的通用技术，但真正的高峰期仍然遥远。 AI 发展加速的原因有几个。首先，AI 的应用通常不需要太多的资本支出，这意味着与过去的技术相比，每节省一单位劳动力的成本更低。其次，这些支出更多集中在大型软件公司，更容易进行协调；并且许多应用将通过将 AI 工具引入到企业已在使用的软件即服务平台上实现。此外，当前的低失业率和高工资增长可能会促进自动化，尽管短期的经济波动不太可能对这个长期过程产生重大影响。

然而，我们不能期望组织创新或员工再培训的速度超过过去的技术革新。历史案例显示，组织创新是释放通用技术生产力潜力的关键。也就是说，技术的发明之后，还需要找到有效使用它的方法，而这通常是个缓慢的过程。综观相关研究，我们的基本看法是，AI 工具的融合将比目前推动企业决策的长期通胀压力（如建立弹性供应链的需求）更为缓慢。不过，外界对此的估计差异巨大，我们需要认识到自己的不确定性，并为不同的可能性做好准备。

AI 带来的影响：一个未知的巨大世界

理解人工智能（AI）何时可能影响生产力只是问题的一部分；评估其可能带来的效果同样重要。有越来越多的研究表明，经济中的很大一部分可能会融入 AI 技术。 我们曾经讨论过这些研究指出的，容易被自动化替代的众多职业，将这些可能的影响与近几十年来劳动力结构的其他变化联系起来。虽然各项研究采用的具体方法不同，但近期来自高盛、麦肯锡公司和 OpenAI 等机构的研究采用了“自下而上”的方法——利用现有 AI 技术的能力或专家对其未来发展的预测，结合工作任务数据库（如美国的 O*NET 或欧洲的 ESCO）来确定 AI 对各项工作任务的适用性。接着，这些研究将目光扩展到对部门乃至整个经济的就业和生产力影响估计。

这些理论研究提出了极为广泛的可能结果；目前，关于技术影响的未知之处远多于已知。 举个例子，麦肯锡公司预测到 2040 年，自动化将每年为生产率增长贡献 0.2 至 3.3 个百分点，其中 0.1 至 0.6 个百分点来自生成式 AI；而高盛预计在 AI 技术采用期间，每年生产率增长将提高 0.3 至 2.9 个百分点（作为参考，目前年生产率增长率约为 1.5%）。这些预测的范围极其广泛，从可能引发的生产率革命到对某些行业影响巨大但对整体增长和通胀影响较小的情况，这些影响与我们在其他近期工业技术中观察到的相似。

这项研究所采用的“基于任务”的方法本质上存在很大不确定性

这些研究背后的方法学非常粗略。它们对任务的宽泛定义和实际工作内容之间的关联很松散，而且 AI 能够执行某种任务并不代表它能达到工作要求的水平或方式，这使得这些估算结果非常依赖于假设条件。此外，许多表面上看似可由 AI 完成的任务实际上需要在特定的工作环境中执行，这些环境中还涉及其他未在数据库中明确列出的技能或任务，这些都是完成工作所必需的。而且，一个工作涉及的多个任务通常存在交叉，完成 AI 能够处理的任务可能是完成另一个无法自动化任务的先决条件。

为了更好地说明这种研究方法的挑战性，以下我们以 O*NET 数据库中的“详细工作活动”为例。这是在探讨 AI 潜在影响的研究中使用的最具体的任务数据类型（很多研究用的是更粗略的任务描述）。对于下面列出的每一项活动，我们相信 AI 工具能够完成其中相当一部分工作，但我们无法确定它们能完成这些工作的 20% 还是 80% — 我们认为其他人也无法给出准确答案。

最引人注目的是，这些关于技术易感性的估计并未能准确预测技术采用之后的影响。一项研究采用了一种基于 O*NET 数据库的任务匹配方法，研究了过往技术创新的案例。研究发现，即使是在相同“暴露”程度的情况下，不同案例中对就业和工资的影响也大相径庭。例如，在机器人技术方面，某个职业从该技术的暴露度第 25 百分位提高到第 75 百分位时，会导致该行业内的就业份额下降 9-18%，工资下降 8-14%；而在软件领域，同样的变化对就业份额和工资的影响大约只有一半，即就业份额下降 7-11%，工资下降 2-6%。

除了自动化现有工作流程，我们可能还会看到通过加速研发来提高生产率的影响

仅仅关注人工智能（AI）能够处理现有任务的比例是一种有局限的视角，因为这忽略了两个关键因素：不同工作类型（比如软件工程）的相对成本变化如何影响消费模式，以及 AI 有助于发明的所有未来技术将带来的影响。经济学家 Erik Brynjolfsson、Anton Korinek 和 Martin Neil Baily 通过这篇文章展示了 AI 的巨大影响可能主要源自于加速最具价值的研发工作，他们将 AI 带来的生产率提升潜力划分为两个方面，正如我们下面所展示的。

因此，我们可能会看到的生产率提升远不止自动化现有工作流程那么简单。虽然从直觉上来说，鉴于 AI 在研究和创业生态系统中的广泛应用，AI 加速创新的观点非常有吸引力，但要提高生产率增长，关键瓶颈可能并不仅仅在于原始的研发阶段。这篇文章探索了这个瓶颈可能存在于后续的关键步骤，例如测试、获得创意批准、制造和分销。

有趣的是，对过去生产力增长波动的研究发现，许多新技术带来的益处实际上转化成了消费者剩余，但这部分收益并未在生产力统计或企业盈利中体现；类似地，AI 也可能带来生活质量的显著提升，但这些提升在官方统计和企业财务报表中往往被忽略。这种情况在互联网和其它数字技术领域尤其明显，因为绝大多数互联网服务是免费的，且数字技术与以往产品相比有本质的不同，使得统计报告难以有效调整以反映其质量的提升。但这也适用于汽车、电灯或药品等过去的技术，这些技术的好处在官方统计中往往没能得到充分体现。接下来，我们展示了计算机和互联网周围的生产力增长数据——虽有所提升，但并不显著，生产力增长在 1990 年代末到 2000 年代初后又回到了大约 1970-80 年代的水平。

由于这项技术仍处于发展阶段，因此存在许多未知因素。 前文提到的研究成果是基于目前 AI 的基础能力或对技术未来发展的预测。但最大的未知是，这项技术将如何演进。技术突破将决定经济增长和生产力提升的可能性，但这些突破非常难以预测；在 AI 模型不断扩大的过程中，AI 研究者也没有预见到许多出现的“新能力”。如果说到极端，我们可能会看到“通用人工智能”（AGI）的出现，它能够执行所有人类智力活动。这样的技术将引领真正的变革，因为它能够自动化科学的进步（包括其他方面的贡献）。由于创新型 AI 还可能推动更多、更优秀的 AI 系统的发展，我们可能会见证一个快速的进步反馈循环。尽管如此，此类技术对经济增长的影响可能仍受到物理或监管的限制。但我们见过的关于未来二三十年内实现这种技术的估计非常不一，从几乎为零到大约 50%，这显示出对技术突破的规模和速度有深刻的不确定性。

这项技术的快速且常常不可预测的发展，使得预测其长远影响变得极为复杂。

这份由 Bridgewater Associates, LP 编撰的研究论文，作为公司财产，仅作为信息和教育用途发布。论文没有针对接收者的特定投资需求、目标或风险承受度进行个性化考虑。另外，Bridgewater 实际的投资策略可能会因为各种因素（如客户投资限制、资产再平衡、交易成本等）与论文中的观点有所不同。因此，在做出投资决策之前，接收者应咨询自己的顾问，包括税务顾问。本材料仅供信息和教育参考，不构成出售证券或其他金融工具的提议。任何投资提议都将基于详细的备忘录进行。此外，本材料并不构成个人投资推荐，也没有考虑到每位投资者的具体投资目标、财务状况或需求，这些都是做出投资决策前必须考虑的因素。投资者应根据自身情况评估本研究中的建议或推荐，并在需要时寻求包括法律、税务、会计和投资等方面的专业建议。

本文所提供的信息并不足以作为做出投资决策的全部依据，且投资决策不应仅基于模拟、假设或示范性信息，因为这些信息本身存在局限性。与实际业绩记录不同，模拟或假设的结果并不代表真实交易或管理成本，并可能未能充分考虑某些市场风险因素的影响。Bridgewater 也不保证任何账户能够获得类似于文中展示的收益。本研究提到的投资产品的价格和价值及其收益可能会有波动。每项投资都存在风险，在市场波动或不确定的情况下，投资的价值或收益可能会有显著变化。对冲基金投资复杂、风险高，可能会导致投资者全部资金损失。过去的业绩不代表未来的表现，未来的回报不保证，且可能会损失全部原始资本。包括杠杆、期货、期权和其他衍生产品在内的某些交易风险较高，不适合所有投资者。汇率波动可能对某些投资的价值或价格、或收益产生重大影响。

Bridgewater 研究利用来自公共、私人和内部的多种数据和信息，包括其实际交易数据。这些数据来源众多，例如 BCA、彭博财经 (Bloomberg Finance L.P.)、Bond Radar、Candeal、Calderwood、CBRE 公司、CEIC 数据公司、Clarus 金融科技、加拿大会议局、共识经济公司、Corelogic 公司、Cornerstone 宏观、Dealogic、DTCC 数据存储库、Ecoanalitica、实证研究合伙人、Entis（Axioma Qontigo）、EPFR 全球、ESG Book、欧亚集团、Evercore ISI、FactSet 研究系统、《金融时报》、FINRA、GaveKal 研究有限公司等。虽然我们认为这些外部来源的信息可靠，但并不对其准确性负责。

这些信息不针对或意在分发给任何特定司法管辖区内的个人或实体，如在这些地区分发、发布、使用或可用性将违反当地法律法规，或使 Bridgewater 需要在该地区注册或获得许可。未经 Bridgewater® Associates, LP 书面同意，任何人不得复制、复印、重制本材料的任何部分，或进行再分发。

这里所表达的观点完全基于 Bridgewater 截至本报告之日的看法，且可能随时变更。Bridgewater 可能对文中讨论的一个或多个头寸、证券或衍生品拥有重大财务利益。准备本报告的工作人员的报酬依据多种因素确定，其中包括他们的工作质量和公司收益。