在当今科技飞速发展的时代ღ✿，人工智能（AI）已成为经济领域中备受瞩目的焦点ღ✿。越来越多的人开始深入思考ღ✿：人工智能的真正经济价值究竟体现在何处？头部大模型公司的首席执行官们ღ✿，如 Sam Altman（OpenAI）ღ✿、Dario Amodei（Anthropic）和 Demis Hassabis（Google DeepMind）等人ღ✿，坚信 AI 的经济价值主要在于实现研发（R&D）的自动化ღ✿。他们认为ღ✿，AI 凭借其强大的数据分析ღ✿、模式识别和预测能力ღ✿，是进行研发工作的理想选择ღ✿。例如在药物研发领域ღ✿，AI 能够通过对海量生物数据的分析ღ✿，筛选出具有潜力的药物靶点ღ✿，大大缩短研发周期ღ✿，提升研发效率ღ✿。

　　然而ღ✿，Epoch AI（一家专注于预测 AI 未来发展的非营利研究机构）的研究员 Ege Erdil 和 Matthew Barnett 却在一篇深度长文中对上述观点提出了有力反驳ღ✿。他们认为ღ✿，AI 的经济价值主要来源于广泛的自动化ღ✿，而非仅仅局限于研发自动化ღ✿，并从多个维度进行了详细论证j9九游会官方网站ღ✿，ღ✿。

　　业内许多具有影响力的人物认为ღ✿，AI 对经济的影响将主要通过 “研发的 AI 自动化” 来实现ღ✿。Dario Amodei 在其文章 Machines of Loving Grace 中列举了 AI 可能造福人类的 5 种方式ღ✿，其中生物学ღ✿、神经科学和经济学的研发赫然在列人工智能j9九游会 - 真人游戏第一品牌ღ✿，ღ✿。但他并未明确指出ღ✿，相较于加速研发和改善经济治理ღ✿，AI 会因在整个经济领域的广泛应用而带来高速的经济增长九游J9真人游戏第一品牌ღ✿。

　　AlphaGo 之父 Demis Hassabis 则坚定地认为ღ✿，研发是 AI 造福社会的主要途径ღ✿。他在一次采访中详细阐述了实现这一目标的具体机制ღ✿：AI 不仅可以治愈所有疾病ღ✿，还能 “解决能源问题”ღ✿，甚至提到了 “极端的富足”（即 AI 解决重大问题后ღ✿，人类将进入资源极大丰富ღ✿、物质极大满足的时代）的可能性ღ✿。然而ღ✿，他除了研发这一渠道外ღ✿，并未提及其他能够实现这一美好愿景的途径ღ✿。

　　Sam Altman 的观点相对温和一些ღ✿。他表示ღ✿，AI 在某些方面最终可能会如同晶体管一般ღ✿，成为一项能够大规模应用并渗透到经济各个角落的重大发现ღ✿。即便如此ღ✿，他仍特别强调ღ✿，AI 对科学进步的影响很可能 “超越其他一切影响”ღ✿。

　　总体而言ღ✿，尽管这些观点缺乏严谨的经济论证支持ღ✿，却在行业内产生了巨大的影响力致远a8安装ღ✿。而我们将在本文中深入论证ღ✿，这种观点很可能是错误的ღ✿。

　　研发的经济价值通常并不像人们所认为的那样高ღ✿。提高生产力和发展新技术对于长期经济增长固然至关重要ღ✿，但明确的研发投入对这些进程的贡献实际上比人们普遍认为的要小ღ✿。此外ღ✿，即便这种贡献存在ღ✿，大部分也是外部性的ღ✿，并不体现在研发公司的利润之中J9九游ღ✿。ღ✿，这从一开始就降低了企业部署系统进行研发的积极性ღ✿。这种情况意味着ღ✿，大多数 AI 系统实际上将被部署在与研发无关的任务中ღ✿，并从中获取收入ღ✿，而且从总体来看ღ✿，这些任务在经济价值上更高ღ✿。

　　研发工作的自动化也远比想象中困难ღ✿。因为研究人员工作中的大多数任务并非 “推理任务”ღ✿，而是在很大程度上依赖于代理（agency）ღ✿、多模态和长上下文一致性等能力ღ✿。一旦 AI 的能力达到可以完全自动化研究人员工作的程度ღ✿，那么经济中其他大多数工作的自动化也将变得可行ღ✿。

　　综合以上两点ღ✿，我们没有充分的理由期待 AI 的大部分经济价值在未来的任何时候都来自研发ღ✿。更可信的情况是ღ✿，AI 的价值将由广泛的经济部署所驱动致远a8安装ღ✿。虽然我们可以预期ღ✿，由于规模回报的增加ღ✿，这将导致生产力和人均产量的提升ღ✿，但这种提升的大部分很可能并非来自明确的研发ღ✿。

　　如果一项技术能够完全实现研发的自动化ღ✿，并且仅用于这一目的ღ✿，那么这项技术无疑将具有极高的价值ღ✿，每年至少可以为经济增长贡献几个百分点ღ✿。我们认为这种说法是正确的ღ✿，且很难被反驳九游J9真人游戏第一品牌ღ✿。

　　然而ღ✿，在现实世界中ღ✿，这种技术最具社会或经济价值的应用实际上是自动化研发ღ✿，这就是我们要反驳的观点ღ✿。虽然研发本身具有一定价值ღ✿，但我们认为ღ✿，无论是在 AI 在所有相关任务上超越人类之前还是之后ღ✿，我们都不应期望 AI 的大部分经济价值或增长效益来自研发ღ✿。

　　要理解我们对第二种说法的质疑ღ✿，必须首先准确衡量研发的实际经济价值ღ✿。研发的经济价值主要是通过提高生产率来实现的ღ✿。因此ღ✿，为了量化研发的影响ღ✿，我们可以思考这样一个问题ღ✿：过去劳动生产率的增长有多少是由研发支出及其相关的溢出效应所导致的ღ✿。据美国劳工统计局估计ღ✿，从 1988 年到 2022 年ღ✿，由私营企业资助的研发支出仅占美国全要素生产率（TFP）增长的 0.2%/ 年左右ღ✿，而同期全要素生产率的增长约为 0.8%/ 年ღ✿，劳动生产率的增长约为 1.9%/ 年ღ✿。

　　虽然公共研发支出仅占美国经济研发支出总额的四分之一左右ღ✿，但我们也可以预期它将产生更大的正外部效应ღ✿。Fieldhouse 和 Mertens（2023）估计这两种效应大致相互抵消ღ✿：公共研发平均对美国全要素生产率的增长做出了四分之一的贡献ღ✿，因此研发对美国全要素生产率增长的总贡献率约为 0.4%/ 年ღ✿，即占总量的一半ღ✿。这意味着自 1988 年以来ღ✿，美国劳动生产率的增长只有 20% 是由研发支出推动的ღ✿。

　　在此期间ღ✿，资本深化（Capital deepening）约占劳动生产率增长的一半ღ✿，而在剩余部分中ღ✿，大部分是由其他生产率来源所解释的ღ✿，如更好的管理ღ✿、从做中学ღ✿、知识传播等ღ✿。研发所能解释的剩余部分相对于整个 “增长蛋糕” 的规模来说贡献较小ღ✿，甚至大部分研发可能还需要研究人员以外的其他投入ღ✿，如技术设备和实验室设施ღ✿。

　　如果研发在经济增长中的占比相对较小ღ✿，那么我们究竟应该在哪些领域部署 AI 系统ღ✿，以加快经济增长的速度呢？最明显的途径就是广泛实现人类劳动的自动化ღ✿。因为在美国经济中ღ✿，产出的劳动弹性约为 0.6ღ✿，这可能超过 “研发产出弹性”（R&D elasticity of output）约 5 倍ღ✿。此外ღ✿，我们在广泛应用劳动力方面的支出大约是用于明确研发的劳动力支出的 20 倍左右ღ✿。道理很简单ღ✿：如果你想要产生最大的经济价值ღ✿，就应该将当前经济中最能创造利润的部分实现自动化ღ✿，而这使得劳动力成为了一个显而易见的重点目标ღ✿。由此产生的规模巨大的经济体可以将其产出再投资于资本ღ✿，并通过正规研发以外的许多其他渠道（如从做中学）加快全要素生产率的增长ღ✿。从总体上看ღ✿，我们有充分的理由相信ღ✿，这将带来规模回报的增加ღ✿，从而加速经济增长ღ✿，其速度可能比现在快 10 倍甚至更多ღ✿。

　　当然ღ✿，也有人对这一观点提出反驳ღ✿，认为数据低估了研发对经济增长的影响ღ✿，而研发支出相对于资本投资的低水平是由研发中巨大的正外部性和更强的 “踩脚效应” 效应共同造成的ღ✿。这些论点并非毫无可信度ღ✿，但从数量上看ღ✿，当全要素生产率因许多其他原因而在空间和时间上发生变化时ღ✿，似乎很难断言研发本身就能解释全要素生产率的大部分增长ღ✿。此外ღ✿，即使我们效仿 Bloom 等人（2020）等有影响力的论文ღ✿，毫无根据地假设全要素生产率（TFP）增长完全由研发投入驱动ღ✿，他们的参数估计也意味着研发支出对产出的弹性约为 0.3ღ✿，约等于资本ღ✿，仅为劳动力的一半ღ✿。

　　虽然研发的广泛经济价值并没有我们预期的那么大ღ✿，但对于 AI 技术而言ღ✿，仍有一个特殊的理由让我们相信自动化研发可能会产生 “主导效应”ღ✿。如果 AI 系统能够实现自身软件研发过程的自动化ღ✿，那么 “纯软件奇点” 就有可能出现ღ✿：在固定的计算资源上ღ✿，我们可以运行 AI 程序ღ✿，让其寻找改进自己算法的方法ღ✿，这将使我们能够运行更多的虚拟研究人员ღ✿，以取得更多的软件进步ღ✿，如此循环往复ღ✿。

　　然而ღ✿，这种反馈循环是否可行ღ✿，关键取决于我们在提高软件效率的过程中ღ✿，“想法越来越难找” 的速度有多快ღ✿。在之前的研究中ღ✿，我们已经对多个软件领域的这种效应的大小进行了定量估算ღ✿，并得出结论ღ✿：如果研究人员的努力是研发的唯一投入ღ✿，那么 “纯软件的奇点” 可能会出现ღ✿，也可能不会出现ღ✿。然而ღ✿，一个关键假设 —— 即仅凭研究人员的努力就能实现软件研发的多个数量级进步 —— 是整个论证的基础ღ✿，但这一假设很可能并不成立ღ✿。

　　一个更合理可信的模型是ღ✿，研究进展既需要认知努力ღ✿，也需要数据ღ✿，而且这两种投入之间存在一定程度的互补性ღ✿。支持这一观点的另一个事实是ღ✿，在各种软件领域中致远a8安装ღ✿，AI 既是实验计算扩展最快的领域ღ✿，也是软件进步速度最快的领域ღ✿，目前两者的年增长率都在 3-4 倍左右ღ✿。这种巧合表明ღ✿，使用实验计算生成数据至少对软件的进步很重要ღ✿，尽管我们无法仅凭这一点来判断它在多大程度上是研究人员工作的补充投入ღ✿。

　　如果这两种投入确实是互补的ღ✿，那么任何软件驱动的加速都只能持续到我们在计算方面遇到瓶颈ღ✿，最终不得不去做获取更多 GPU 的物理工作ღ✿，以便运行更多实验ღ✿。当然ღ✿，AI 也可以加快这一进程ღ✿，但前提是它必须广泛应用于整个半导体供应链ღ✿，甚至可能更广泛地应用于经济领域ღ✿，为这一行业提供所需的其他投入ღ✿。

　　“纯软件奇点” 能持续多少数量级ღ✿，才能阻止瓶颈的出现ღ✿，这在很大程度上取决于 AI 研发中实验与洞察力之间的互补性致远a8安装ღ✿，遗憾的是ღ✿，我们对这一关键参数还没有很好的估计ღ✿。然而ღ✿，在经济的其他领域ღ✿，存在非对等互补性是很常见的ღ✿，这也为我们评估 AI 研发领域的情况提供了参考ღ✿。仅举一例ღ✿，Oberfield 和 Raval（2014）估计ღ✿，美国制造业中劳动力与资本之间的替代弹性为 0.7ღ✿，这已经足以让任何 “纯软件奇点 ” 在效率提高不到一个数量级后消失ღ✿。

　　支持研发过程中存在瓶颈的另一个证据是ღ✿，我们已经将研发过程中的重要部分实现了自动化ღ✿，但并未发现科学进步有任何显著加速ღ✿。例如ღ✿，我们已经不断地将大多数研发所需的编程工作自动化ღ✿，首先是通过开发专门的库ღ✿，最近是通过使用 LLM 驱动的工具来加速编码ღ✿；随着时间的推移ღ✿，我们还发明了许多种节省体力劳动的研究设备ღ✿。然而ღ✿，这一切都没有带来研发进步的爆炸式增长ღ✿：相反ღ✿，其收益相当微薄ღ✿，这与研发任务之间具有相当强的互补性的情况是一致的ღ✿。这并不能直接告诉我们整个研发工作与实验之间的互补性ღ✿，但这是另一个应该纳入我们先前考虑的证据ღ✿。

　　所有这些证据的质量都不高ღ✿，这意味着我们不能排除 AI 研发可能是经济中一个不寻常的部分ღ✿，在这个部分中ღ✿，关键投入之间的替代弹性等于或大于 1ღ✿，这将确保互补性足够弱ღ✿，使得奇点在原则上成为可能ღ✿。然而ღ✿，通过与我们掌握数据的其他情况进行比较ღ✿，我们应该对任何此类预测持谨慎态度ღ✿。默认情况下ღ✿，仅软件或偏向软件的奇点应被视为不太可能的结果ღ✿，而不是可能出现的结果ღ✿。

　　乍一看ღ✿，科学家的工作似乎高度依赖抽象推理ღ✿，包括产生想法ღ✿、提出假设ღ✿、分析数据ღ✿、编码和数学推理等九游ღ✿！ღ✿。如果这是真的ღ✿，那就意味着在不久的将来ღ✿，科学家将是最有可能被推理模型取代的职业之一ღ✿。因为这些任务正是目前的推理模型最容易实现自动化的任务类型ღ✿。

　　在这样的设想中ღ✿，AI 将大大加快研发速度ღ✿，然后才会在整个经济中广泛部署ღ✿，取代零售工人ღ✿、房地产经纪人或 IT 专业人员等更常见的工作ღ✿。简而言之ღ✿，AI 将 “首先实现科学自动化ღ✿，然后实现其他一切自动化”ღ✿。

　　但这种设想很可能是错误的ღ✿。实际上ღ✿，大多数研发工作需要的远不止抽象推理技能ღ✿。以医学科学家为例ღ✿，我们来看一份从 O*NET 职业调查中摘录的与医学科学家相关的工作任务列表ღ✿，并按照对该职业的重要性进行了排序ღ✿。我们根据 “是否普遍认为只需抽象推理技能就能完成每项任务” 进行了标注 —— 在这里ღ✿，这意味着它需要纯粹的语言ღ✿、逻辑或数学能力ღ✿，包括撰写报告ღ✿、编码或证明定理ღ✿。

　　我们发现ღ✿，在这 14 项任务中ღ✿，只有 6 项需要单独使用抽象推理才能完成ღ✿。令人惊讶的是ღ✿，在医学科学家最重要的 5 项任务中ღ✿，我们只将其中一项归类为完全依赖抽象推理ღ✿。总体而言ღ✿，工作中最关键的方面似乎需要动手操作的技术技能ღ✿、与他人的精准协作ღ✿、专业设备的使用ღ✿、长上下文能力以及复杂的多模态理解能力ღ✿。

　　这种模式也适用于其他常见的研究职业ღ✿。为了证明这一点ღ✿，我们使用 GPT-4.5 将 12 种常见研发职业中的任务分为 3 类ღ✿，即是否只需要抽象推理技能就能完成任务ღ✿、是否需要复杂的 computer-use 技能（但不需要亲临现场）ღ✿、是否需要亲临现场才能完成任务ღ✿。

　　这一分析揭示了科学研究的本质ღ✿。与研究主要是一项抽象推理任务的假设相反致远a8安装ღ✿，现实中的研究大多涉及物理操作和高级代理ღ✿。要实现研发工作的完全自动化ღ✿，AI 系统可能需要具备自主操作计算机图形用户界面（GUI）的能力ღ✿、与人类团队有效协调的能力ღ✿、在长时间内完成高度复杂项目的强大执行能力ღ✿，以及操控物理环境进行实验的能力ღ✿。

　　然而ღ✿，当 AI 达到以较高能力全面执行这些不同技能所需的水平时ღ✿，很可能一大批常规工作已经实现了自动化ღ✿。这与 AI 将 “首先实现科学自动化ღ✿，然后实现其他一切自动化” 的说法相矛盾九游J9真人游戏第一品牌ღ✿。相反ღ✿，一个更合理的预测是ღ✿，AI 自动化在达到全面接管研发工作所需的水平之前ღ✿，将首先在各行各业中实现大部分普通劳动力的自动化九游J9真人游戏第一品牌ღ✿。

　　我们不应该期待 AI 革命从科学突破开始ღ✿，然后再进入其他领域ღ✿，而是应该预计在初期阶段ღ✿，自动化将首先接管大部分传统工作ღ✿，只有当 AI 掌握了现实世界中杂乱而复杂的工作需求后ღ✿，科学和技术才会大幅加速发展ღ✿。

　　即使在 AI 完全接管研发工作之后ღ✿，我们也可以合理地预期ღ✿，AI 将主要通过非研发任务的大规模自动化来加速科学技术的发展ღ✿，而不是直接取代研发研究人员ღ✿。考虑到如前所述ღ✿，明确的研发目前只占整体经济增长的一小部分ღ✿，这种预期是合理的ღ✿。

　　综上所述ღ✿，上述论点表明ღ✿，即使在 AI 开始产生变革性的经济或技术影响之前ღ✿，其影响也很可能比许多关于 AI 飞速发展的报道所描述的要更加广泛和显著ღ✿。所谓 “广泛”ღ✿，我们指的是 AI 驱动的自动化将广泛出现并改变经济的大部分ღ✿，而不是狭隘地局限于研发职业ღ✿。所谓 “显著”ღ✿，它的影响对大多数人来说都是显而易见的ღ✿，并且具有高度的破坏性 —— 例如ღ✿，它将大规模地取代劳动力ღ✿。

　　此外ღ✿，即使在 AI 开始对世界产生变革性影响之后ღ✿，前面的论点也表明ღ✿，显性研发的自动化在这些影响中只会起到次要作用ღ✿。相反ღ✿，这些影响将主要由整个经济中更广泛的自动化来支撑ღ✿。

　　我们认为ღ✿，与其想象未来几年 AI 的飞速发展将以 “数据中心中的天才之国” 的形式进行研发工作ღ✿，不如想象以下另一种景象ღ✿：

　　未来几年ღ✿，AI 的进步将继续逐步扩大 AI 能够执行的任务集AI应用ღ✿。ღ✿。这种进步将主要通过扩展计算基础设施来实现ღ✿，而不是纯粹地依赖认知 AI 研发工作ღ✿。

　　因此ღ✿，AI 将被广泛应用于整个经济领域ღ✿，使越来越多的劳动任务实现自动化ღ✿，最终将大大加速经济增长ღ✿。

　　在 AI 对世界产生变革性影响之前 —— 即在经济ღ✿、医疗或其他技术领域引发爆炸性进步之前ღ✿，已经出现了一系列极具破坏性的自动化浪潮ღ✿，从根本上重塑了全球劳动力市场和公众对 AI 的看法ღ✿。

　　在每一个时间点上ღ✿，包括在 AI 能够显著地加速经济ღ✿、医疗或技术进步的时间点之后九游J9真人游戏第一品牌九游J9真人游戏第一品牌ღ✿，AI 加速这些变量的主要渠道都将是大规模自动化而非研发任务ღ✿。

　　有人可能会把这种情况称为 “通用自动化爆炸”（general automation explosion）ღ✿，以强调支持加速的关键力量是 AI 自动化的广度和规模ღ✿，而不是来自 AI 擅长的任何具体事物ღ✿。不过ღ✿，我们承认ღ✿，这个词不如 “智能爆炸”（intelligence explosion） 来得朗朗上口ღ✿。

　　首先ღ✿，从商业角度来看ღ✿，我们认为在可预见的未来九游J9真人游戏第一品牌ღ✿，AI 实验室更应该把重点放在努力实现普通工作任务的自动化上ღ✿，例如创建能够胜任浏览互联网ღ✿、操作商业软件和执行标准白领工作任务的 computer-use agentღ✿，而不是专注于开发 “诺贝尔奖获得者” 级别的推理模型ღ✿，从而能够为生物学和医学等领域的研究人员提供狭隘的帮助ღ✿。我们还认为ღ✿，与 AI 在研发任务上的表现相比ღ✿，这些普通能力可能更需要跟踪和基准测试ღ✿。

　　其次ღ✿，从政策角度来看ღ✿，我们认为必须认识到ღ✿，从现在到 AI 开始对世界产生变革性影响（如爆炸性经济增长或人类寿命延长方面的重大进展）这段时间内ღ✿，公众对 AI 的看法可能会发生深刻转变ღ✿。之所以会发生这种转变ღ✿，是因为当 AI 发展到那个阶段时ღ✿，社会已经经历了一系列颠覆性的自动化浪潮ღ✿，大规模地取代了工人ღ✿。因此ღ✿，我们认为ღ✿，假设在变革性 AI 出现之前或之后ღ✿，公众对 AI 的看法将与现在大不相同ღ✿。返回搜狐ღ✿，查看更多