摘要
- 為什么人工智能的繁榮沒有提高生產率
- Artificial Intelligence is a General Purpose Technology
- Measuring AI Capital
Previous Posts
- Machine Learning:人工智能媒體報道集
- 媒體報道|經濟學人：譯者的悲傷 | 20170527
- 媒體報道|經濟學人：計算機如何學習人類語言？| 20170111
為什么人工智能的繁榮沒有提高生產率
人工智能技術的進步無處不在，從自動駕駛汽車到機器人助理到高級語音識別。到處都是，除了生產力統計數據。這種情況看起來像是索洛悖論（Solow Paradox，又稱 Productivity Paradox 生產率悖論）的重演，1987 年由麻省理工學院（ MIT，Massachusetts Institute of Technology）經濟學家和諾貝爾獎得主羅伯特·索洛所闡述的理論。最近一項研究認為索洛悖論的罪魁禍首可能是實施新技術的滯后，研究人員包括 MIT 斯隆管理學院的教授 Erik Brynjolfsson，MIT 博士生 Daniel Rock 和芝加哥大學布斯商學院（University of Chicago Booth School of Business）的經濟學教授 Chad Syverson。
根據市場調研公司 CB Insights 的數據，盡管以科技為中心的納斯達克綜合指數（Nasdaq Composite Index）從 2012 年到 2017 年翻了一番，與人工智能相關的技術投資在 2016 年激增了八倍以上、超過 50 億美元。但這些并沒有促進勞動生產率（labor-productivity）的增長，2005 年到 2017 年的增長率還不到 1995 年至 2004 年年均增長率（3％）的一半。
盡管如此，研究人員認為依然有理由持樂觀態度，他們認為新技術需要時間在整個經濟中傳播和實施。他們引用了蒸汽機，電力和內燃機的案例，這些發明都是通過幾年和幾十年的時間才發揮變革性影響。因為這些技術的廣泛應用還需要其他配套技術創新。研究人員指出，交流電安全實用三十年后，至少有一半的美國制造商還沒有通電，因為制造商還沒有弄清楚如何基于小型電動機重組生產過程。研究人員說這并不罕見; 企業幾乎總是花費更多的精力來重新設計業務流程和培訓人員，而不是為自己購買新技術。
Artificial Intelligence is a General Purpose Technology
As important as specific applications of AI may be, we argue that the more important economic effects of AI, machine learning, and associated new technologies stem from the fact that they embody the characteristics of general purpose technologies (GPTs).
例如，機器學習系統（machine learning system）已經將機器的能力轉化為執行許多基本的知覺類型，以實現更廣泛的應用。機器視覺 -- 查看和識別物體的能力，在照片中標記它們，并解讀視頻流。識別錯誤率地改善，從1/30(幀) 提高到 1/30萬(幀)，自動駕駛汽車越來越具有可行性。
Measuring AI Capital
研究人員提出人工智能應視為新的資本形式，確切說是一種無形資本，這種資本會隨著投資的增加而累積，會對生產率持續產生作用，其價值會發生折舊（隨著時間流逝而貶值）。
引入人工智能技術而產生的成本、組織變革、新技能等因素需要納入到無形資本的框架當中并構建新的預測模型（J-Curve），隨后的實證研究表明，新的模型可以更好地反映技術對生產率增長的影響作用。
人工智能的影響評估結果取決于各國統計方案中如何衡量人工智能資本（AI ）。人工智能資本計量的主要困難在于其許多產出將是無形的。人工智能大量使用在財務上體現作為其他資本的投入，包括新型軟件，以及人力和組織資本，而不是最終消費品。包括人力資本在內的其他大部分資本，與 AI 本身一樣，大部分都是無形的。
更具體地說，有效使用人工智能需要開發數據集，建立企業的專業人力資本，并實施新的業務流程。這些都需要大量的資本支出和維護。在古典增長核算模型中，這些無形支出的有形對應物（包括計算資源，服務器和房地產的購買）很容易衡量。另一方面，與之配套的生產投資價值則很難量化。在購買資本資產后，企業還會產生額外的調整成本（adjustment costs）。例如，業務流程重新設計和安裝成本。
Much of the market value of AI capital specifically and IT capital more generally may be derived from the capitalized short-term quasi-rents earned by firms that have already reorganized to extract service flows from new investment.
人工智能悖論與世界的變化是一致的。研究人員考慮了悖論的其他可能原因，其中包括對 AI 的盲目樂觀，生產力效益正在發生但被誤判，新技術的收益存在但僅限于一小部分工人，給出的解釋是實現延遲（here’s an implementation delay）。他們寫道：“這種看似悖論的兩半都是正確的”。在這個觀點中，預示著隨著應用的擴展，人工智能技術突破對生產力的影響將越來越大。人工智能投資成本高昂，需要配套設施的發展，需要時間和資源來實施。
背景知識：索洛悖論
20世紀80年代末，美國學者查斯曼(Strassman)調查了292個企業，結果發現這些企業的IT投資和投資回報率(ROI)之間沒有明顯的關聯。
1987 年獲得諾貝爾獎的經濟學家羅伯特·索洛(Robert Solow)將這種現象稱為“生產率悖論”(Productivity Paradox)：“我們到處都看得見計算機，就是在生產率統計方面卻看不見計算機（Computers everywhere except in the productivity statistics.）”。
擴展閱讀:《The Machine Learning Master》
