图片来源：ChatGPT-Plus-DALL.E

原文信息：Acemoglu, D. (2024). The simple macroeconomics of AI (Working Paper No. 32487). National Bureau of Economic Research.

近年来随着人工智能技术的快速发展，尤其是生成式人工智能和大语言模型的应用，人们对生成式人工智能的潜在经济影响非常关注。2023年，高盛预测全球GDP将因为生成式人工智能增长7%，相当于7万亿美元，并预测美国GDP年增长率将在10年内提高1.5%。同样是2023年，麦肯锡全球研究院预测，生成式人工智能可能为全球经济提供高达17.1万亿到25.6万亿美元的增长，人工智能和其他自动化技术的总影响可能会使先进经济体的年均GDP增长率在未来十年内上升1.5%至3.4%。

专家都预测人工智能将显著提高生产率并带来宏观经济效应，但如何预测人工智能的宏观经济效应往往存在很大的不确定性。这些大规模的影响是否可信？如果有生产力增长，谁将成为受益者？本文目标就是解决这个问题，通过构建一个基于任务的模型来评估人工智能的微观经济效应，并将其转化为宏观经济效应，只要人工智能的微观经济效应是通过任务级别的成本节约和生产率提高，来实现的，那么其宏观经济影响就可以估算。

具体来说，我们认为生成式人工智能可能有4种潜在的宏观经济效应：

生成式人工智能可以迅速改变经济的每个方面，并导致生产力的大幅提高。

生成式人工智能可以提高某些特定任务的生产率，并减少某些特定任务的成本，产生比较温和但显著的宏观经济影响。比如10年内经济增长1.5%~3.4%。

生成式人工智能可以通过自动化效应来影响从事人员的工资水平，比如人工智能的大规模普及，导致从事该行业群体的工资大幅增长，尤其是原本的低薪工作型群体。

生成式人工智能可以生成深度的虚假信息来操控为其工作的平台工人产生负面的宏观经济影响。

根据这种计算思想，作者发现，10年内，全要素生产率最多因为人工智能提高0.71%。而且这种增加率实际上是被夸大的，因为人工智能只能取代容易学习的任务，而很难影响难以学习的任务，人工智能在具体场景应用的时候需要垂直的场景学习，但实际上这些具体的场景人工智能的表现不一定好，因此未来10年的全要素生产率增长可能更有限，预计不到0.55%。

另外，本文还探讨了人工智能对雇员和不平等现象的影响，从理论上，我们可以发现人工智能在某些任务上实际上提高了低技能工人的生产率，而且不为他们创造新的任务，这有可能是增加不平等，而非减少不平等。人工智能不像之前的自动化技术，因为人人都可以学习人工智能，生成式人工智能的影响在不同性质的人口和群体中分布更为均匀。人工智能预计会扩大资本群体和纯劳动收入群体之间的收入差距。而由人工智能创造的一些新业务场景可能会具有负面的社会价值，比如平台经济的操控算法。

本文模型基于 Acemoglu 和 Autor（2011）以及 Acemoglu 和 Restrepo（2018、2019b、2022）的研究，在该模型中，假设经济体是静态的，只生产一种独特的商品，而所有的经济体在市场里面都是竞争性的，在该经济体里面有两种类型的劳动者，一种是高技能的劳动者，一种是低级的劳动者，而且这两种类型的劳动之间没有比较优势差异，而且高技能劳动者跟低级的劳动者还可以从事同一种工作。

如果在特定任务上劳动的单位成本低于资本的单位成本，那么这个任务就由劳动生产力来完成。在这个特定的经济体里面，所有劳动的供应量是等于所有任务中劳动的需求量。在这些任务之间，他们是处于一个竞争性均衡条件的，即所有劳动完成的每个任务，他们的产出就等于劳动的参与者本身的薪酬率。而任务与任务之间存在替代弹性，即劳动者可以跳槽去从事其他的任务。而且在这个经济体里面，资本的输出是有限的，因为资本不可能无限扩张导致生产无限增长。最终作者得到了以下GDP的公式，这里面，Y就是GDP，L是劳动生产要素，K是资本生产要素：

从理论上讲，人工智能主要从4个途径去影响生产过程。首先是人工智能可以降低资本在某些边际任务上的成本，或者提高资本在某些任务上的效率来进行自动化的扩展，例如，生成式AI工具（如大型语言模型）可以接管简单的写作、翻译和分类任务，甚至一些更复杂的任务，如客户服务和信息提供，或者计算机视觉技术接管图像识别和分类任务。第二，人工智能可以提高劳动这个生产要素在任务中的生产率，使之产生新的任务互补性。第三，人工智能可以改善已有的自动化任务的性能，或者降低已有的自动化任务的成本，如IT安全、库存的自动控制和更好的自动化质量控制。第四，人工智能可以创造新的劳动密集型产品，比如人工智能带货。

03 

3.1 AI影响的任务在GDP中的份额

根据Eloundou等人的研究，新技术的潜在发展会通过直接暴露（α）和间接暴露（β）两种测量方式影响GDP份额，直接暴露（α）反映了AI技术在现阶段的实际能力，即那些AI已经能够直接处理的任务。间接暴露（β））则是基于AI技术未来发展的潜力，考虑到可能的技术进步对当前AI无法完全自动化的任务的影响。通过计算，作者将这些暴露数据转化为占GDP份额的任务比例，得出AI暴露的职业工资份额为19.9%，并将其解释为暴露于AI的任务在GDP中的份额。

3.2 AI带来的成本节约

Peng等人的实验显示，使用GitHub Copilot的程序员相比没有使用AI工具的对照组，任务完成速度平均提高了55.8%。Noy和Zhang的研究表明，使用ChatGPT完成的任务速度提高了40%，质量分数提高了18%。Brynjolfsson等人的研究表明，AI工具可以使客户服务任务的完成速度提高约14%。这些研究显示了AI在降低劳动力成本方面的潜力，特别是通过自动化部分子任务并提升任务互补性。基于实验研究的结果，作者估算了AI带来的平均劳动力成本节约为27%。将不同研究的结果综合考虑后，最终得出AI带来的整体成本节约率约为15.4%（当不考虑Peng等人的结果时），或者20.5%（当考虑Peng等人的结果时）。

3.3 AI技术在未来10年内对总要素生产率（TFP）和GDP增长的潜在影响

作者通过以下公式计算了未来10年内TFP的增长：

根据之前的章节得出的数据，作者计算出未来10年内的TFP增长约为0.71%。这意味着，与没有当前AI和计算机视觉技术进展的基线相比，未来10年内TFP将提高0.71个百分点，或每年提高约0.07%。如果更多的任务将在未来10年内被AI影响，特别是如果自动化任务的比例从目前的23%增加到约30%，那么GDP中受到AI影响的份额将增加到约6%，从而使未来10年内TFP的增长率达到1%。

但是，截至2019年，美国企业对AI的投资还非常有限，特别是中小企业，因此AI技术在未来的普及速度可能较慢，导致实际影响比估算的更小。而任何重大技术的采用都会带来调整成本，这些成本通常很高并且缓慢。在数字技术的背景下，生产率的提升可能需要经历一个J形曲线，这意味着，在未来20年内可能不会看到显著的生产率提升。

3.4 AI对于难以自动化的任务的影响

基于Noy和Zhang（2023）以及Brynjolfsson等人（2023）的研究，对于简单任务（easy tasks），劳动成本节约率是27%。但对于难以自动化的任务呢？作者采用以下方法，将任务分类为简单和难以自动化：

首先，讲任务描述中包含的动词被用来区分任务的难度。例如，“计算”、“记录”等动词对应简单任务，而“参与”、“建议”等动词对应难以自动化的任务。其次，通过中级工作活动（IWA）分类动词之外的额外上下文，用来进一步分类任务的难度。然后，使用潜在狄利克雷分配（LDA）主题建模进行无监督的任务聚类，以进一步分析任务的主题和分类。最后，将前面的分类和聚类结果结合，使用梯度提升树模型进行任务难度的概率分配，最终分类4089个任务为简单任务或难以自动化的任务。根据这一分类过程，作者得出74%的任务为简单任务，26%的任务为难以自动化的任务。

由于难以自动化的任务更具挑战性，且这些任务的自动化和任务互补性引入更为复杂，作者预计未来10年内的TFP增长为0.55%。

3.5如何从总要素生产率（TFP）的增长推算到未来10年内的GDP增长

通过以下公式可以将TFP增长与GDP增长联系起来：

在此假设下，整个私营企业部门的资本份额为0.40，这意味着GDP增长将等于TFP增长乘以1.66（因为 1/(1−0.4)=1.66）。换句话说，由于AI的影响，未来10年内GDP增长将为1.1%。如果考虑到难以自动化的任务，GDP增长的估算值会更低，约为0.92%。

3.6人工智能的负面影响

人工智能尽管能产生经济活动（比如社交媒体上的内容消费、数字广告等），但可能对用户和社会福利产生负面影响的任务。

Bursztyn等人的研究显示，TikTok和Instagram用户愿意每月支付$59和$47来继续使用这些平台，但同时用户平均愿意支付$19每月以停止使用这些平台。这种矛盾表明，尽管社交媒体平台可以从用户那里获得高额收入，但用户也认识到这些平台对他们福利的潜在负面影响。

而2022年，Meta（包括Facebook和Instagram）、Alphabet（Google和YouTube）、Snapchat、TikTok和Twitter（现称为X）的总收入为4600亿美元，占美国GDP的1.64%。此外，美国在IT安全上的支出为780亿美元，占GDP的0.28%。

假设AI驱动的社交媒体平台能够完全捕捉到用户的支付意愿，用户每月$53的支付意愿，作者得出：每收入$53，会对用户造成$19的净负面影响，等效于每收入美元造成约36%的负面影响。

而如果将社交媒体和数字广告的收入，与IT攻击及IT安全支出结合，这些“坏的”任务可能对美国GDP的影响约为2%。结合Bursztyn等人的研究结果，这些操纵性活动对福利的总体负面影响为0.072%（等于2% GDP乘以36%的负面影响）。

3.7生成性AI技术对工资和不平等的影响

作者基于Acemoglu和Restrepo（2022）的公式中扩展，来分析不同人口群体（按照教育、年龄、性别等划分）在多任务环境下的工资变化和不平等问题。公式如下：

其中，dlnwg表示人口群体 g的工资变化，σ 是任务之间的替代弹性，dlny 是由技术变化引起的GDP变化，dlnζ 是由行业转变引起的行业结构变化，dlnΓauto 是由技术变化导致的人口群体层面的位移效应。

根据此公式，图1展示了不同人口群体在工资分布上的AI暴露程度。横轴是2018—2022年的平均小时工资，纵轴是AI暴露的百分比。不同颜色表示不同教育水平的群体。数据显示，在与之前自动化（如机器人和先进软件系统）相比，AI在不同人口群体中影响分布较为均匀。

图1 不同人口群体在工资分布上的AI暴露程度

图2 AI对工资影响的四种效应

图3分析了AI暴露对不同性别和种族群体的工资影响。结果显示，低教育水平的女性，特别是本地出生的白人女性，可能会因为AI的引入而面临实际工资的下降。

图3 AI暴露对不同性别和种族群体的工资影响

表1从数据角度给出了AI对不同教育水平群体的工资影响。可以看出， AI暴露在教育水平较高的群体中（特别是拥有大学学位或研究生学历的人群）较高，而教育水平较低的人群（例如高中以下学历）暴露相对较低。对于各个教育水平的群体，AI暴露对低学历群体的直接工资影响较小，而对高学历群体的影响更为显著。即使在考虑了涟漪效应后，不同教育群体之间的工资变化并没有显著扩大。具有一定大学教育但未获得学位的群体，以及大学和研究生学历的群体，显示出相对较高的AI暴露，这些群体的工资变化也更为明显，受到正向的生产率提升影响。

表1 AI对不同教育水平群体的工资影响

总体而言，因为AI暴露在不同人口群体中的分布较为均匀，AI技术对工资和不平等的影响不会像之前的自动化那么严重，AI并不会减少不同人口群体之间的不平等，反而可能会在某些情况下增加不平等，特别是增加资本和劳动收入之间的差距。此外，低教育水平的女性群体可能会受到AI负面影响较大。

ChatGPT是在2022年11月30日发布，目前已经有了1亿的月活用户，而且2023年发布的ChatGPT-4吸引了更多的公众关注，大家都预测，生成式人工智能的出现会导致大规模生产率的提升。但是这种提升，是否是针对所有行业的，能不能引发很好的宏观经济效应呢？

本文主要是利用 Acemoglu和Restrepo（2018、2019b、2022） 的理论，基于任务的框架来评估第2类和第3类效应，并讨论了第4类效应的影响。我们发现实际上人工智能在未来宏观经济效应的影响是有限的，人工智能在落地的时候面临许多困难，比如有一些任务可能会涉及更多的复杂互动，而且缺乏可以数据化的衡量指标。使得人工智能在学习的时候没有高质量的数据用来学习。

通过计算，本文发现如果不考虑困难任务与简单任务之间的区别，10年内，人工智能对于全要素生产率的提升上限是0.71%，预计每年0.07%的全要素生产率增长，但人工智能落地到困难任务时，这一上限就会下降到0.55%。但本文仍然认为生成式人工智能的宏观经济效应是有很大潜力的，但这些潜力在应用到具体任务的时候，目前的技术依然是具有限制性的，许多生产任务需要可靠、稳定的持续自动化流程，目前生成式人工智能，很难在这些特定任务中胜任，除非目前最常见的生成式人工智能主要架构发生重大变更。