Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

shanghaishanghai
+4

作者: Karen Karniol-Tambour, Josh Moriarty

October 2, 2023

人工智能对经济的影响将取决于技术的发展方式以及实施的速度和效率。我们分享了我们如何解释有关该主题的不断增长的文献并实时跟踪该过程。

编者按:在桥水,我们正在通过两种方式了解人工智能可能产生的影响。在这份报告中,我们分享了我们研究部门对人工智能宏观经济影响的一些想法。 与此同时,我们还在人工智能实验室中边做边学,将投资者和人工智能专家聚集在一起,探索前沿用例,努力产生阿尔法。

作为投资者,知道我们不知道的东西往往比我们知道的更重要。我们知道,人工智能将在未来几年对经济和市场产生重要影响:过去,我们已经将1990年代和2000年代全球化和工业自动化进程的可能影响置于背景中,这两个缓慢的结构性转变使通货膨胀保持在低位,导致不平等加剧,支持企业利润,并产生有意义的政治和社会后果。但是,人工智能将如何以及何时对经济产生影响仍然高度不确定。在这份报告中,我们将带您了解我们对人工智能可能产生的经济影响的最新思考,认识到在现阶段,我们不知道的比知道的要多得多。

到目前为止发生了什么?我们看到人工智能在一些经济领域迅速采用,如客户联络中心和软件工程,在这些领域,它作为一种可以降低劳动力成本的生产力增强剂,特别引人注目。数据还为时过早且不完善,但这些行业的就业需求似乎正在放缓。然而,在劳动力市场紧张的整体经济背景下,这些压力很小。到目前为止,人工智能使用对经济的影响看起来与最近的其他技术发展相似,这些技术发展在某些行业中非常重要,但对总体增长和通货膨胀的影响很小。

对于接下来可能发生的事情,我们知道什么,不知道什么?我们预计人工智能将成为更多工作流程中有意义的生产力增强器,但这一过程仍处于起步阶段。到目前为止,我们看到企业在广泛的任务中试验人工智能,但很少有自动化领域取得了很大的进展。主要问题涉及人工智能的采用范围以及采用过程的速度和有效性。越来越多的文献认为,经济的很大一部分将整合人工智能,但这种估计背后的方法并没有精确预测采用的后续影响的记录。预测这些影响尤其具有挑战性,因为技术本身正在迅速发展,而且往往是不可预测的,而最大的生产力影响可能来自尚未出现的能力。

大多数研究估计,峰值影响大约在十年或更长时间后,我们的基本假设仍然是,未来几年通胀的长期动态将比人工智能的通货紧缩影响更占主导地位。释放该技术的潜在生产力优势将需要对劳动力进行再培训,以及有意义的组织和流程创新,而这在历史上是非常缓慢的。最有可能的结果是,人工智能的整合比已经推动企业决策的其他压力(例如,需要建立有弹性的供应链)进展得更慢。但外部估计的范围非常广泛,这次检查强调了认识到我们不知道的东西并为多种可能性做好准备的重要性。

今天正在发生的事情:实时跟踪 AI 的集成

首先,我们看看我们对人工智能如何融入当今经济的了解。大型语言模型 (LLM) 技术是新的且不断发展的,因此使用方式正在迅速变化。而且,由于目前对经济的一小部分或特定工作流程的影响最大,因此很难从总体增长统计数据中梳理出它们。虽然人工智能的使用可能会从这里开始扩大,但到目前为止,影响集中在少数几个行业,对总体增长和通货膨胀的影响很小。

LLM 特别适合集成到受限环境中基于文本的工作流中(即文本或语音遵循非常一致的模式)。因此,该技术在满足这些标准的关键功能中得到了非常迅速的实施,而其缺点(如缺乏精确度或仍然模糊的监管环境)则不那么严重,尤其是客户联络中心和软件开发。下面,我们将介绍我们在这两个领域看到的技术集成案例研究。对于每一个,我们概述了该行业的规模,为什么它非常适合集成人工智能,以及这个过程是如何进行的。

联络中心

这只是经济的一小部分。大约 1.8% 的美国劳动力(~290 万人)受雇于客户服务代表,全球有 ~1700 万联络中心员工。

集成人工智能有一个令人信服的案例。客户联系通常涉及对基本信息的例行查询,并且通常基于文本,因此 LLM 非常适合。降低劳动力成本的愿望很高,因为劳动力在行业总成本中占很大份额(Gartner 估计高达 95%)。

采用看起来可以合理地提高生产力。数据有限,我们仍处于早期阶段。但是,最近一项针对一家公司的研究发现,该公司实施了人工智能工具来提示技术聊天支持代理,每小时的问题解决率提高了 14%,而最近的一项调查发现,在联系期间使用 AI 工具协助代理将平均处理时间缩短了 27%。到目前为止,最常见的用例是协助而不是替换代理——例如,通过提示代理或处理笔记职责——但有趣的是,范围很广;本播客描述了一些被 AI 完全取代的工作流程。

采用率似乎正在加速。调查的质量参差不齐,但都指向这一趋势。早在 2021 年,在通常被称为“生成式 AI”的技术突破之前,一项调查发现 71% 的呼叫中心正在使用 AI 工具,而另一项调查报告称,52% 的呼叫中心正在实施 AI。由于生成式人工智能已经大举出现,今年早些时候的一项调查发现,27%的联络中心已经在使用生成式人工智能进行与客户相关的活动,另有47%的联络中心计划今年这样做。与这些公司调查一致,在最近的一项调查中,大多数呼叫中心员工表示,他们的一些工作目前正在自动化。

我们可能会看到对就业的一些影响。最近的一项研究估计,与使用人工智能工具进行客户体验的联络中心相比,到 2023 年,需要雇用的新座席数量是其两倍以上。在官方数据中确定就业影响是具有挑战性的,因为我们只看到专门呼叫中心公司的月度就业数据,这些数据只占受影响总数的一小部分(因为此类别不包括内部客户支持)。该数据显示,在过去18个月中,随着人工智能工具被集成到呼叫中心工作流程中,就业人数急剧下降(~10%),这可能部分是由人工智能集成推动的(尽管其他驱动因素,如劳动力短缺和国内工资的快速上涨,也可能发挥了作用)。近几十年来唯一一次类似规模的下降是在2002年,当时少数几家主要的呼叫中心公司进行了外包业务。与此同时,尽管裁员,但工资增长仍然强劲,同期低技能职位的工资增长非常强劲。这是有道理的,因为呼叫中心与餐馆和酒店等企业争夺劳动力,并反映出如果通货紧缩的影响集中在小部门,它们就不会达到整个经济的水平。正如我们在制造自动化中看到的那样,剩下的工人也有可能提高生产力,因此使用人工智能工具更有价值。

软件开发

它占就业的比例很小,但自动化的潜在影响更为广泛。软件开发人员仅占美国就业人数的 1.1% 左右(~170 万人)。但开发人员的劳动力份额低估了提高生产力的影响,这既是因为软件开发人员比普通工人产生更多的经济价值(平均小时工资,一个非常粗略的代理,大约是全国平均水平的两倍),也因为软件和互联网服务行业——我们估计软件开发人员的劳动力成本约占总成本的 15-20%——在美国上市公司中贡献了巨大的利润份额(~10%)。

集成人工智能有一个令人信服的案例。开发商的稀缺导致劳动力成本高企;软件开发人员的时薪中位数几乎是全国工资中位数的三倍。

采用可以有意义地提高生产力。在一项对照研究中,被授予 GitHub Copilot 访问权限的专业软件开发人员完成分配任务的速度比未获得访问权限的软件开发人员快 56%。在使用 Copilot 的开发人员中,该工具平均编写了 46% 的代码(截至 2023 年 2 月)。对生产力的最终影响比这些数字所表明的要小得多,因为大多数调查发现,典型的软件工程师只花了大约一半的时间在编码和设计任务上,但仍然很大。

采用率似乎正在加速。关于这些工具的总体使用情况没有很好的研究,但据传闻,它很普遍。GitHub 表示,在截至 2022 年 6 月的一年中,有 120 万人使用 Copilot,这是他们从免费模式切换到付费模式的时候,但没有提供有关该工具使用频率的良好信息,因此我们无法知道这个统计数据在多大程度上捕获了普通用户,而不是人们只是尝试它。其他公司的类似工具(例如,Replit 的 Ghostwriter、Amazon 的 CodeWhisperer)也没有可靠的使用统计数据。这些专门构建的自动完成工具的任何使用数字都会低估当今人工智能用于编写代码的程度,因为使用 ChatGPT 等通用 LLM 编写代码也很普遍。

我们看到对就业的影响不大。将人工智能工具对就业的影响与软件工程领域更广泛的就业趋势(例如今年早些时候大规模的 COVID 招聘热潮的部分解除和某些“冒泡”技术的放缓)以及对可以帮助开发 AI 技术的软件工程师子集的需求增加区分开来是具有挑战性的。但也有一些就业影响:根据公司声明,在截至 2023 年 7 月的三个月中,挑战者报告将科技行业的裁员与人工智能联系起来(可能是一个低调的衡量标准),而同期该行业记录的裁员总数约为 32,000 人。

这些领域的人工智能整合可能会继续下去,联络中心将拥有更清晰的跑道。Gartner 估计,到 2026 年,全球 10% 的联络中心交互将完全自动化,高于 2022 年中期的 1.6%;麦肯锡公司(McKinsey & Company)估计,在北美,较高的劳动力成本增加了自动化的动力,随着应用程序越来越多地取代劳动力,人工智能将进一步减少“高达50%”的人工服务联系人数量。

人工智能集成在软件开发中的未来影响尚不明确。软件工程与客户服务(或农业)等工作不同,因为对以较低成本可能需要多少软件工程的自然限制较小,从而增加了生产力提高的潜在增长影响。但我们还不知道人们会用更便宜的软件开发做什么,而最近该行业的裁员浪潮表明,短期内对软件开发的需求可能不是无限的。同时,长期的就业影响取决于技术如何从这里发展:虽然目前软件工程师的供不应求,相对于他们所能完成的一切,这意味着提高他们的效率可能不会导致就业率下降太多,但如果我们达到人工智能工具完全匹配典型软件工程师能力的地步,这种情况就会改变。最后,正如我们在下面进一步讨论的那样,对生产力的最大影响可能来自更便宜的软件工程加速更广泛的创新,这将是一个更渐进的过程。

到目前为止,人工智能在这些领域的整合似乎并没有对整个经济产生太大影响——这是对通胀压力的适度抵消。最重要的问题是,其他行业是否会加速采用,从而加大影响。

当我们更广泛地观察时,我们看到人工智能工具在各种任务中的早期实验,但该技术的使用非常广泛的领域并不多。特别是,许多企业正在尝试整合非常新的(且快速发展)的功能集,通常被称为“生成式人工智能”。我们最好的猜测是,生成式人工智能工具将成为许多工作流程中有意义的生产力增强器,但这个过程还处于起步阶段;公司仍在弄清楚这项技术,评估监管环境,并为他们的员工使用它做好准备。例如,麦肯锡公司于 2023 年 4 月对全球公司(不同地区和行业)进行的一项调查发现,大约三分之一的受访者公司已开始在至少一项业务职能中使用生成式人工智能,但这些公司正在尝试广泛的用例,还没有一种功能或用例得到广泛采用。

我们对接下来可能发生的事情的了解和不了解

从长远来看,经济增长要么通过让更多的人工作,要么通过让每个人的劳动产生更多——换句话说,通过人口或生产率的增长。在美国等人口增长较低的主要发达经济体,生产率增长是长期经济增长的最重要决定因素。从这里开始,人工智能有可能显着加速生产力增长。下面,我们将介绍它何时可能这样做以及多少。

大多数研究估计,峰值影响将在几年后出现,这与过去的技术整合一致

大多数研究都预测,人工智能采用的时间框架将主要影响生产力将发生在2030年代或2040年代,而不是未来几年。这些估计主要来自过去的生产力变化。从历史上看,可以在经济中广泛实施的通用技术(如电力或计算机)在技术能力出现后大约一到三十年对生产力产生了可衡量的影响。

发明和宏观经济影响之间出现这种有意义的滞后有几个原因。通用技术的大多数商业用途都需要互补的发明,这些发明是随着时间的推移而发展起来的(例如,电子表格的发明解锁了PC的许多商业应用)。公司需要投资实施新技术,并重新培训工人以有效地使用它们,而随着公司投资于尚未产生生产力的技术,生产力实际上可能会下降。而且,最关键的是,通用技术的主要好处通常不是来自更快地执行相同的流程,而是来自它们实现的全新方法,并且需要时间来识别和采用这些方法。例如,美国工厂的电气化在很大程度上提高了生产力,使得在工厂车间之间分配机器成为可能,而不是将机器聚集在蒸汽机周围,但这种发展只是在电气化多年后才发生的,因为工厂主最初只是简单地将蒸汽机换成电动机,而没有重新考虑他们的生产线。

虽然历史并不总是重演,但值得注意的是,几年前对人工智能采用的一些估计在今天看来,企业开始使用这项技术的速度非常乐观——例如,《麻省理工科技评论》2019年的这项研究得出的结论是,到2024年,亚洲12%的工作将由人工智能自动化。 普华永道(PwC)在2017年进行的一项研究预测,到2023年,在大多数行业中,50-90%的潜在人工智能用例将已经实施。

人工智能将比过去的通用技术更快地提高生产力,但峰值影响仍然很遥远.AI。 出于几个原因,人工智能可能会更快地进行。首先,人工智能的使用通常需要较少的资本支出,因此每单位劳动力节省的边际成本低于过去的技术。其次,资本支出更集中在主要软件公司,因此更容易协调;大部分采用将采取人工智能工具的形式,将其推广到企业已经使用的软件即服务平台。最后,今天长期的低失业率和高工资增长也可能增加自动化的动力,尽管暂时的周期性压力不太可能对这个长达数十年的过程产生重大影响。

然而,目前尚不清楚我们是否应该期望组织创新或再培训工人比过去的技术创新浪潮发生得更快——关于过去案例的文献表明,组织创新是释放通用技术的巨大生产力优势的最重要途径。换句话说,技术的发明之后仍然需要“发明”如何有效地使用它,这通常是一个缓慢的过程。纵观这些文献,我们的基本假设是,人工智能工具的整合将比已经推动企业决策的长期通胀压力(例如,建立弹性供应链的需求)进展得更慢。但外部估计的范围非常广泛,重要的是要认识到我们不知道的东西,并为多种可能性做好准备。

人工智能的影响有多大存在巨大的不确定性

了解人工智能何时可能影响生产力只是成功的一半;评估其影响可能是什么样子也很重要。越来越多的文献认为,经济的很大一部分可能会看到人工智能的整合。过去,我们讨论了这些文献确定为易受自动化影响的广泛职业,并将这些潜在影响置于近几十年来劳动力其他结构变化的背景下。虽然不同研究的精确方法各不相同,但高盛(Goldman Sachs)、麦肯锡公司(McKinsey & Company)和OpenAI(以及其他公司)最近的研究采用了“自下而上”的方法——要么利用人工智能技术的现有能力,要么利用专家预测它将如何与工作任务内容数据库(如美国的O*NET数据库或欧洲的ESCO)一起发展,将人工智能的能力映射到工人执行的单个任务中。从那里开始,这些研究扩展到对该技术对就业或生产力影响的部门和经济范围的估计。

这些理论研究产生了非常广泛的潜在结果;在这个阶段,我们不知道的还有很多,而不是关于技术的影响。例如,麦肯锡公司(McKinsey & Company)预计,到2040年,自动化每年将推动生产率增长0.2-3.3个百分点,其中0.1-0.6个百分点来自生成式人工智能,而高盛(Goldman Sachs)预测,在采用期间,人工智能的年生产率增长将增加0.3-2.9个百分点(就上下文而言,今天的年生产率增长为~1.5%)。这些范围是巨大的——生产力革命与我们从其他最近的工业技术中看到的更相似的东西之间的差异,这些技术对某些行业非常重要,但对总体增长和通货膨胀的影响很小。

该研究所依据的“基于任务”的方法本质上是不确定的

这些研究的方法非常不精确。任务的广义定义仅与工作所需的内容松散相关,而人工智能执行某种类型任务的能力并不意味着它可以在工作所需的水平或方式上完成,这使得这些估计对假设极为敏感。此外,许多看似“自动化”的任务都是在工作环境中执行的,在这些环境中,数据库中未明确标识的其他技能或任务是胜任绩效的隐性要求。一项工作所需的任务经常重叠,因此完成人工智能能够完成的任务可能是胜任执行另一项无法自动化的任务的先决条件。

为了说明这类练习的挑战,下面我们展示了O*NET数据库中的“详细工作活动”示例,这是用于研究人工智能潜在影响的最精细的任务数据形式(许多使用不太精细的任务描述)。对于下面显示的每一项活动,我们相信人工智能工具可以完成大量相关工作,但我们无法告诉你它们是否可以完成经济中所有此类工作的 20% 或 80%——我们认为其他人也无法做到。

最值得注意的是,这种易感性估计没有精确预测采用的后续影响的记录。一项研究将基于O*NET数据库的类似任务匹配方法应用于过去的技术创新案例,发现在不同案例中,相同程度的“暴露”对就业和工资的影响明显不同。在机器人技术领域,从第25个百分位到第75个百分位的职业与行业内就业份额下降9-18%和工资下降8-14%有关;软件业的这一举措影响了大约一半,与行业内就业份额下降7-11%和工资下降2-6%有关。

我们还可以开始看到通过加速研发而不是现有工作流程的自动化来影响生产力

只关注人工智能可以完成的现有任务份额的观点是不完整的,因为它们忽略了不同类型工作(如软件工程)的相对成本的变化将如何改变消费模式,以及至关重要的是,人工智能可以帮助发明的所有未来技术的影响。经济学家埃里克·布林约尔松(Erik Brynjolfsson)、安东·科里内克(Anton Korinek)和马丁·尼尔·贝利(Martin Neil Baily)说明了人工智能的影响有多大可能来自加速最高价值的研发工作,将人工智能的潜在生产力提升分为两个渠道,我们在下面进行了说明。

因此,我们可以看到比现有工作流程自动化所暗示的更广泛的生产力提升。但是,尽管人工智能将加速创新的论点在直觉上令人信服,但鉴于人工智能在研究和创业生态系统中的广泛用例,目前尚不清楚提高生产力增长的瓶颈是否是原始研发;本文探讨了瓶颈可以在以后的基本步骤中找到的想法,例如测试。 获得创意的批准、制造和分销。

值得注意的是,对过去生产率浪潮的研究也得出结论,新技术带来的许多收益都流向了消费者剩余,而这些剩余并没有反映在生产率统计数据(有时是企业收益)中;人工智能同样可以带来有意义的生活质量改善,而官方统计数据和企业现金流都忽略了这一点。这一点最常被讨论的是关于互联网和其他数字技术,因为大部分互联网都是免费使用的,而且数字技术与过去的产品有很大的不同,以至于报告的统计数据无法有效调整以提高质量。但它也适用于过去的技术,如汽车、电灯或药品,这些技术的好处没有被官方统计数据很好地捕捉到。下面,我们展示了围绕计算机和互联网的生产率增长数据——有一些提升,但不是大规模的,在 1990 年代末和 2000 年代初之后,生产率增长恢复到 1970 年代至 80 年代左右的速度。

由于技术仍在不断发展,因此还有更多的未知数。上面提到的工作要么是基于当今人工智能能力的粗略水平,要么是基于当前对技术将如何发展的预测——但当然,最大的未知数是该技术的能力将如何发展。增长和生产率的潜在上行空间取决于我们是否看到技术突破,而技术突破的预测极具挑战性;人工智能研究人员没有预料到模型在扩大规模时获得的许多“涌现能力”。在最极端的情况下,我们可能会看到类似“通用人工智能”(AGI)之类的技术的发展,这种技术可以执行人类可以执行的所有智力任务。这样的技术将是真正的变革,因为它可以自动化科学进步(以及其他贡献)。因为创新的人工智能也可以产生制造更多更好的人工智能系统的想法,我们可以得到一个非常快速的反馈循环,产生爆炸性的进展(尽管这种技术对增长的影响可能仍然受到物理或监管瓶颈的限制)。但是,我们已经看到的对未来二三十年开发这种技术的可能性的深思熟虑的估计范围很广,从接近0%到50%左右,反映出对未来技术突破的可能规模和速度存在深刻的不确定性。

该技术仍在以快速且通常不可预测的方式发展,这使得长期影响尤其难以预测。

本研究论文由 Bridgewater Associates, LP 编写并归其所有,仅供参考和教育目的。 没有考虑任何接受者的具体投资需求、目标或容忍度。 此外,桥水的实际投资头寸可能而且经常会因客户投资限制、投资组合再平衡和交易成本等多种因素而与此处讨论的结论有所不同。 在做出任何投资决定之前,接受者应咨询自己的顾问,包括税务顾问。 本材料仅供参考和教育目的,并非出售要约或征求购买所提及的证券或其他工具的要约。 任何此类发行都将根据最终发行备忘录进行。 本材料不构成个人建议,也不考虑个人投资者在做出任何投资决定之前必须考虑的特定投资目标、财务状况或需求。 投资者应考虑本研究中的任何建议或推荐是否适合其特定情况,并在适当情况下寻求专业建议,包括法律、税务、会计、投资或其他建议。

https://www.bridgewater.com/research-and-insights/exploring-how-ai-will-impact-the-economy

Views: 51

+4

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注