彭文生院长作主旨演讲

我今天跟大家分享的是中金研究院和中金公司研究部刚刚发布的一本研究报告《AI经济学》。这本报告围绕本轮人工智能（AI）进步的生产力特征及其生产关系含义，从宏观影响、产业发展、治理挑战三个层面进行了系统分析。

AI作为一项重大的技术进步，必然对经济、生产力和生产关系带来非常重要的影响。另一方面，重大技术进步本身也是内生的，不是天上掉下来的，是人类经济活动的一个结果。我们展望未来AI的发展，也要参考我们所处的经济环境以及公共政策。上述考虑就是我们研究的出发点，AI影响经济，反过来经济可能也会影响AI未来的发展。今天，我将与大家分享我为这本报告写的前言，作为报告的一个导论和个人体会，并介绍整本报告中的原创性研究分析。

AI作为一项技术进步如何影响社会经济，涉及技术可行性和经济可行性。这是因为如果仅有技术可行性而没有经济可行性，技术将只停留在实验室，不会对经济产生很大的影响。这就涉及到通用人工智能和通用目的技术两个概念的区分。任何技术要对经济社会有重大影响，它必须具有通用性，能够在广泛的范围内和众多应用产品中使用。这意味着通用人工智能和通用目的技术尽管看起来相似，但却是两个不同的概念。我们要理解AI对经济的影响，首先要区分通用人工智能和通用目的技术。

我们整篇报告的一个主线是规模经济效应。工业革命以来，规模经济效应是技术进步大幅提升人类社会生活水平的一个关键载体。在农业经济时代，规模经济效应很弱，人类社会在很长时间内生活水平提升得很慢。同等技术下，增加土地的耕种面积很难提升单位土地的产出。但在工业经济时代就不一样，随着产量的增加，单位成本降低。AI对经济的影响或者是经济对AI的促进作用，关键在于规模效应的体现，AI有一个重要的概念叫“规模定律”。

现在，AI到了产业应用的关键阶段，即所谓的AI产业化和产业AI化，同样涉及到规模经济效应。产业应用的范围有多广、对经济效益的提升有多大以及与规模经济效应的联系，这些是各界普遍关心的问题。AI的规模效应是否存在极限，比如AI耗电导致的二氧化碳排放对气候转型的影响几何；AI发展会不会面临社会伦理方面的约束，包括数据治理的伦理问题、安全的问题；AI本身会不会对算力、算法规模的增加带来约束等。

接下来是从国际视角下来看AI发展，尤其是国与国之间的竞争。历史上，重大的技术进步对国家竞争格局都带来很大的影响，表现为所谓的大收敛或是大分流。静态来看，大型企业或者是大国有优势；动态来看，先发者有优势。宏观视角下，AI如何影响经济增长和收入分配，会不会带来大规模的失业？人形机器人、AI替代人，也涉及到效率和公平的问题。以上这些是对AI开展经济分析的几个视角。

AI的发展，从上世纪50年代到现在经历了不断迭代的几个阶段。早期AI主要采取的是一个自上而下的技术路线，先通过编程赋予机器知识，例如有A就有B，再让这个机器应用到不同的场景中。过去二三十年，人们慢慢意识到知识是无穷的，不可能把所有的知识事先喂给机器。因此，AI逐渐采取了自上而下的技术路线，通过数据训练，让机器像人类一样学习，大语言模型是这一思路的一个体现。AI的通用性来自于什么？来自于它学习的能力。所以，未来AI到底能不能达到通用人工智能，能不能达到接近于人类的智能，仍取决于它学习的能力。这一问题存在着一些争议，电力、计算机、互联网等重大技术进步都是通用目的技术，应用的范围很广。但是，现在很多人讲的通用AI是指替代人的大脑，这就存在较大的争议。对此，每个人都有自己的观点，我个人倾向于相对保守的观点，语言是人类现有文明的载体，机器依据现有语言进行学习，不大可能产出真正新的创新。在这个意义上讲，AI不能最终替代人的大脑。

回过头来再看规模效应。工业革命以来规模经济效应一直存在于人类社会中，从电力到计算机，再到互联网，这一次为什么不一样？AI的一个重要区别在于，技术层面有一个规模定律，即大模型达到一定的数据和参数规模以后，模型的预测能力有一个非线性、飞跃式的提升。这一点与过往的电力、计算机和互联网技术都不太一样。这带来了AI的门槛效应，拥有足够多的资源才有能力发展AI技术，也就是大国、大企业更有优势。传统经济学的规模效应表现在应用层面，包括做大单个企业的内部规模经济效应，以及产业内协同分工等带来的外部规模经济效应。AI时代，即所谓的大模型时代，规模经济效应也有不同的体现。通过越来越多地投资于新算法、架构、数据库和算力基础设施的建设，这带来了企业外部的协同，企业间通过共享公共基础设施，能够有效降低AI应用的成本。此外，开源模型带来的开发者和用户之间的良性互动，也是技术层面外部规模经济的一个重要来源。

当前，AI的发展在产业应用层面已经跨过了第一拐点，可能从亏损阶段慢慢进入广泛应用的阶段，累计的使用率可能会有一个陡峭的上升，问题是增长的斜率有多大，这就和规模经济效应有关系。针对AI的另一个问题在于能不能达到通用人工智能，即AGI，以及多快达到。我们的研究将AI分成算力层、模型层和应用层，并对到2030年，中国在AI算力层和模型层的市场规模，以及产业应用端的市场规模做了一些估算，有兴趣的读者可以看看报告的第三章。

产业AI化方面，最令人期待的是具身智能（Embodied AI），这带来了数字智能和物理世界的结合，这方面的一个应用就是人形机器人。目前，美国在产业AI化上有先发优势，其大模型表现较好。但也要意识到，过去有一句话叫“互联网是在美国发明的，但最大的互联网应用红利发生在中国。”AI的发展可能也是这样，中国不仅有众多的人口，在ToC端也有很多应用场景。此外，在ToB端，中国有完整的产业体系，这也带来了广阔的应用场景，这是中国未来能够进行技术追赶，甚至赶超并做出原创性贡献的希望所在。

AI发展面临的一个关键挑战是大模型的电力消耗问题。人类历史告诉我们，大模型自身的能耗是可以通过技术进步和效率提升而降低的，但是经济总体的能耗水平可能是上升的，因为人类对美好生活的追求是无限的，人的欲望是无限的。怎样把技术进步发挥到极致，这在未来可能是一个挑战。随着AI的发展，整个人类社会对能源和电力的消耗可能上升，可能带来二氧化碳排放增多等一系列问题。处理这方面问题我们有优势，因为中国的绿色产业和绿色能源处于全球领先地位。

AI发展也面临一些治理方面的挑战，包括社会伦理、国家安全和隐私保护等。对于AI发展，数据是否是一个问题？有人担心存量数据已经差不多耗尽了，增量数据可能就没那么多了。此外，还有针对数据质量方面的担忧。从数据生产的角度来讲，中国的规模显著小于美国，而从数据流通的角度来讲，中国的规模也是比美国小，即中国的数据交易市场相对比较小。

发展AI，首先是在发挥好数据的规模效应的同时，平衡好隐私保护的需求，这体现在ToC端和ToB端。数据的产业化应用带来的一个问题就是知识产权保护，企业对其生产过程中产生的数据是否享有知识产权？如果企业享有知识产权，那么如何在这个过程中进行保护？这涉及到如何避免企业成为一个个的数据孤岛，发挥好整个社会在生产端的数据规模效应，这可能是未来的一个挑战。换句话说，数据治理需要在ToC端处理好隐私保护，在ToB端处理好知识产权的保护。数据治理的另一个问题在于场内和场外交易。中国试图推动场内交易标准化，而美国则主要依靠场外交易。现实情况是，美国通过场外交易实现的数据交易规模比我们大多了。这部分是因为数据的确权相对困难，很难标准化，而场内交易要求一个标准化的产品。考虑到标准化的数据产品不容易做，中国也可以考虑推广数据的场外交易。

国际视角下，第一次工业革命到第二次工业革命时期，西方国家快速增长，东亚国家落后，表现为历史上的“大分流”现象。第二次世界大战后，少数经济体通过推动工业化进程成功追赶发达经济体，中国在改革开放后大大缩小了与发达国家的差距，这在经济史上被称为“大收敛”现象。当前，针对AI和数字经济的发展，有些人提出一些担忧，现在的创新和创新的产业化集中在少数大国，例如美国和中国。这导致部分人担心这一次技术革命会不会带来第二次“大分流”，即后发国家和先发国家的差距不是缩小，而是进一步扩大？

如何理解这个问题？经济学有两个理论值得参考。一个是新古典增长模型，解释了国家间发展为什么会出现收敛。因为技术进步是外生的，资本的边际回报到一定程度以后会出现递减，这意味着发达国家为发展中国家留出了一个追赶的空间。另一个是内生增长模型，其认为技术进步是内生的，先发国家的优势会持续很长时间，一个重要的驱动因素是规模经济，即谁先把规模做大谁就有优势。内生增长理论解释了为什么美国作为一个老牌工业国能够拉开并保持与其他国家的发展差距，这是因为美国经济规模大，拥有很多资源推动进一步的创新和研发。

AI技术进步对于国家间的发展会有什么影响？一方面，AI技术对于技术追赶是有利的。当前大模型的一个特点是“知其然，不知其所以然”，这可能有利于追赶和模仿。但另一方面，大模型的规模经济效应又帮助先发者占据优势，例如目前美国所拥有的先发优势。从静态来看，大模型的特点意味着哪个国家的规模大，这个国家就有优势。中美两个大型经济体，从规模上来讲，谁更有优势？规模不仅仅体现为经济体量，还体现在人口和资本上，这两个因素在一定程度上相互替代，但又不能完全替代。中国的优势是人口多，美国的优势是资本多，这都是两国在人工智能时代发挥规模经济效应的基础。

我们的研究报告构建了全球AI竞争指数，包含了两个维度。一个是AI技术层面的竞争力，包括算力、数据、人才和资本；另一个是应用端，即每个行业对AI的暴露度。从估算结果来看，如果将处于领先地位的美国的AI竞争指数定为1，则中国的AI竞争指数是0.76。更具体来看，中国的AI竞争力主要体现在应用端，在技术端则有一定程度的落后。此外，过去这几年，中国在人才方面是有进步的，表现在选择到中国工作的AI尖端人才数量增多，但中国的相关风投水平是落后的，这是值得警惕的一点。

宏观视角来看，有不少人担心AI到底会不会替代人？根据研究文献，我们把人类的任务按照通用功能划分为16个独立的元任务类型，从体力到脑力，包括知识型和支配型任务。依据这一划分，技术进步降低了AI元任务的成本，并将这些元任务的成本与类似的人工成本比较，从而考虑相关人力活动会不会在未来几年被AI所替代。一个值得关注的结论是，目前各界担心的是AI替代大脑，将对金融、教育等服务业影响较大，但根据我们的估算，影响最大的还是在体力劳动领域，包括采矿业、资源加工业等力量型的任务被AI替代的空间是最大的。未来十年，AI对采矿、卫生、资源加工、信息、租赁和商务服务等行业的生产率提升较大，对批发零售、住宿餐饮、轻工制造等行业的生产率提升相对较低。综合考虑，到2035年，AI有望促使中国GDP相较基准情形增加9.8%，即未来每年差不多0.8个百分点的额外增长。

AI到底会不会造成大规模的失业？历史上，从很多重大技术进步的经验来看是不会。为什么不会？经济学的一个重要概念是鲍莫尔病，即不同行业的技术进步有快有慢，不可能完全同步。这意味着技术进步快的行业将出现劳动力剩余，但劳动力剩余不会变成劳动力绝对过剩。由于技术进步慢的行业，供给赶不上需求，而人类的需求在某种意义上是无限的，是一个心理概念，有些需求能被绝对满足，有些需求是不能被绝对满足的。这意味着在技术进步慢的行业等某些领域总是有超额需求，若推动劳动力转移到这些领域，则整体劳动力供给不会出现过剩。当然，在劳动力跨行业调整的这一过程中存在着摩擦，这可能会带来一些问题。综合来看，劳动力收入占整个GDP的比例，在工业革命的早期实际上是下降的，后面为什么反而劳动力收入的比例有所提升，这是因为公共政策起到了一定的纠正作用，这一点不能忽视。换句话说，技术进步对于劳动收入的影响不完全是由技术决定的，还有生产关系因素的影响，这方面的例子包括19世纪初英国出台的一系列保障劳工权益的法案。

当前，AI技术进步可能对生产关系产生影响的一个重要方面，体现在社会保障体系的改善。全球范围来看，存在着关于建立全民基本收入（UBI）体系的呼声，所谓的UBI就是为居民提供的一种无条件保障，是过往社会保障体系不断改善的一个延续。对中国而言，我们面临的问题还谈不上一定需要依赖UBI去解决，但中国仍可以着手继续提升社会保障的公平性。谢谢各位！