智能经济深度研究:人工智能时代的经济增长、

admin 2020-05-15 08:44 行业动态

2020 年 4 月 8 日,封闭 76 天的武汉宣布“解封”。疫情的阴霾终于逐步散去,当 江汉关大楼的钟声再度与过江轮渡的汽笛声交织,当黄鹤楼旁重新响起市井的喧 闹,熙熙攘攘的人群又一次从武汉出发,也在向着武汉到达。

湖北省新型冠状病毒感染肺炎疫情防控指挥部要求:从 4 月 8 日零时起,离汉 人员凭湖北健康码“绿码”可以安全有序流动;外省来鄂来汉人员凭外省健康码或 湖北健康码“绿码”,也可以在全省范围内安全有序流动。在疫情尚未完全过去、 防疫形势仍然严峻的局面下,小小的健康码不但为武汉的解封保驾护航,而且成 为了政府有管理的实现武汉解封的主要依据。

那么健康码背后有何奥秘呢?其原理是以个人自行申报健康信息为基础,结合手 机定位,消费记录(如有没有购买过退烧药等),乘车记录(有没有去过疫区等) 等数据对使用者过去 14 天的行踪、和行为进行综合判断,估算出使用者的疫情 风险。安全的颜色是绿色,有一定风险的颜色是黄色,而风险较高则为红色。健 康码是一款典型的人工智能应用:一方面,人能理解健康码并在适当限制内进行 有效决策;另一方面,健康码将人有效的信息输送给机器,使机器对大量的、人 工根本无法处理的数据进行统一处理,得出有效结果。

“小荷才露尖尖角” ,健康码技术仅仅是疫情催化人工智能应用落地的一个例子。 在对抗疫情和防疫长期化的过程中,越来越多的人工智能正在日常生活的方方面 面持续落地,而大量活动的线上化也正在为训练出更强大的人工智能积累数据基 础。实际上,以人工智能为代表的新一代通用技术,很有可能如同蒸汽机、电动 机、计算机和互联网一样,对世界经济和人类社会产生深远的影响。在机械化, 电力化,信息化时代之后,经历疫情的催化智能化时代可能已经悄然到来……..

作为可以与蒸汽机、电动机、计算机和互联网相提并论的通用技术,基于深度学 习的人工智能在一些特定领域赋予了机器识别规律、改善优化的能力,有望带来 新一轮的工业革命——将人类社会带入到智能经济时代。人类社会智能化的过程 可能包括互联网应用智能化,商业活动智能化,实体世界智能化,和机器行动自 主智能化四个阶段。目前看来,疫情的爆发和防疫的长期化虽然令许多行业遭 受重创,却成为了人工智能应用落地的最新催化剂和加速器。

当前人工智能技术的发展距离科幻小说中可以在各方面和人相比的通用人工智 能(人可以做的机器都可以做)相差甚远,而且目前技术也并没有在这个方向取 得突破。然而,基于深度学习的人工智能可以利用大量的来自特定领域的数据训 练机器识别数据和期望结果之间的关联性,从而为想要的结果做出最佳决策。尽 管局限在一些领域,这种识别规律,得出最优解,和做出决策的能力是人类智能 的重要体现,其广泛的用途使得深度学习成为了可以与蒸汽机、电动机、计算机 和互联网相提并论的又一项通用技术的突破。深度学习的广泛应用可以大幅提升 人类生活各个领域的智能化水平。

现代经济增长理论中把对经济增长和经济结构变迁产生广泛影响的技术定义为 通用技术。通用技术的典型特征包括几乎可以运用到人类经济的所有领域,能 有效提高生产效率,并且在该技术进步的同时能够催生其它领域的新的技术形成 良性循环等。

尽管有关通用技术具体包含哪些技术学界内尚无明确定论,但人工取火、轮子以 及为人类社会进入到机械化、电气化、信息化时代起到决定作用的蒸汽机、电动 机、计算机和互联网都是公认的通用技术。

智能一般指知识和智力的总和,前者是智能的基础,而后者是指获取和运用知识 求解的能力,或多或少的具有依靠过去经验处理新问题的创造力。在计算机和控 制技术帮助机器实现自动化(在人预先设定之后,依据设定的安排自动执行)之 后,从上个世纪 50 年代开始,人类就开始了让机器具有人类某些智能——人工 智能的探索。

迄今为止的研究表明,实现通用人工智能还远不现实,在伦理和安全性方面也有 巨大的风险。即使是实现狭义人工智能(在一些特殊领域里面可以预测、分类和 决策的人工智能),也一直面临重重的困难。直到近 10 多年来,以深度学习作 为基础的人工智能算法在实现狭义人工智能的功能方面取得了突破,才真正令人 工智能被普遍视作可以与蒸汽机等相比的通用技术。

那么什么是深度学习呢?一种使得机器具有智能的思路是让机器具有学习能力 (机器学习),而一些科学家试图模仿人脑的结构来搭建机器学习硬件和软件基 础(神经网络),其中通过多层神经网络实现机器学习又被称为深度学习。

这类网络包括输入层,中间层,和输出层等多层结构(图 4)。输入层的每一个 单一节点类似于一个多元函数(如 y=f(x1,x2……)), 接受一些外部输入数据 (x1,x2 等)。当然,f 的选择有讲究,而 f 的参数(其实就是各个输入变量的 权重)在初始阶段通常是随机设定的。这个函数会根据输入的数据计算输出一个 数值 y,y 会给到下一层网络的每个节点作为输入变量。输入层的其它节点也都 是如此(当然初始的 f 的参数因为随机设定都不一样)。中间层和输出层也都是 类似的多元函数,接受数据输入并运算进行输出。最终在输出层会得到一个输出 的数值。算法的设计者可以要求机器按照某个规则进行判定(例如大于 0.5 则 “是”,小于则“非” )。

由于初始输入的数据是经过标注的,也就是我们知道输入数据和判定结果之间的 关系,也就是知道机器的判断是否正确。如果判断错误,那么就通过类似求导等 的方式修正函数的参数(从 f 变成 f‘)。然后用更多的数据来训练/优化网络上 每个节点函数的参数。如果数据量足够大,研究者发现在许多领域机器的判别就能够得到比较满意的结果。

举例而言,如果让机器识别一个物体是否是猪,输入的信息可以是该物体重量, 长度,宽度等多方面的数据(如果是图像识别则是图像上一些点的颜色、亮度等)。 在整个网络各个参数都是初始随机设定之后,输入的数据经过几层网络会计算出 一个数值。可以设定判定的规则是大于 0.5 机器就认为该物体是猪,而小于 0.5 则不是。如果机器判断错误,程序就会对参数进行修正。通过大量的数据(经过 标识的猪和非猪的样本)不断训练、修正各层网络上的各个节点的参数,最终就 可以得到一个可以对物体是不是猪进行识别的有效的人工智能算法。

过去十多年间深度学习人工智能技术的突破性进展与数据、算力与算法共同的突 破与进步有关。

伴随着互联网得运用足够广泛,人类才搜集出了足够多的数据足以训练深度学习 算法下的人工智能;大量的数据输入和巨大的参数规模对计算能力也有要求,近 10 年以来包括 GPU 在内的一些技术的运用也才使得处理深度学习的硬件条件 逐步成熟;当然,被誉为人工智能之父的杰弗里·辛顿同样居功至伟——为了能 够使人工神经网络处理复杂的问题,必须增加神经元的层数,但是多层网络在参 数调整方面存在一些特殊的困难,辛顿在 2006 年终于找到了对于多层神经网络 进行训练的方法才使得深度学习成为了可以媲美蒸汽机、互联网的通用技术。

在本文中,除非专门指出,后续所有提到的“人工智能”一词都特指基于深度学 习的人工智能应用。

目前看来,虽然人工智能算法的优化,支持算力的硬件的改善都需要资金的支持 和技术的持续进步,而人才更是昂贵,但是缺少数据特别是经过标签的大规模数 据仍然是人工智能应用的主要瓶颈3。当然,研发者也采取了各种方式来获取数 据,包括在提供产品和服务的同时搜集数据,雇佣人员为数据贴标签等等。

基于机器学习的人工智能可以在一些特定领域识别规律,进行优化,做出决策。 与人类智能比,人工智能不仅仅速度更快,处理的频次更多,而且在精度方面可 以做的更好(质量更高) ;除此以外,人工智能还可以发现人类所忽视的弱相关 (例如用户手机上输入生日的手速和个人信用之间的关系4),更好的为优化和决 策服务。

尽管算法、算力与数据已经有了大幅提高,人工智能算法仍然只能在一些特 定领域解决问题,而且有关控制论的一些研究证明过度复杂和精细的动作难 以被机器所模仿。算法、算力、数据、特别是经过标识的数据的数量的不 足(包括大量数据属于不同所有者形成“数据孤岛”、难以整合)以及控制 技术的缺陷仍然大大限制了人工智能应用的领域。

由于人工智能缺乏归纳、抽象、推理(如举一反三)等能力,人工智能不能 完成需要相关能力的复杂的任务,包括进行刑事调查、根据现象提出假设并 验证科学理论,提出或解答开放式的问题等等。也因为缺乏这些能力,面对 动态变化的环境,人工智能在短时间和信息不对称下做出决策和采取行动就 比较困难。因此,举例而言,在封闭、干扰较少的区域(如洋山港)的自动驾驶卡车已经进入应用阶段了,但是需要处理复杂环境的私家车自动驾驶 还遥遥无期。

当前的人工智能由于缺乏人类的各类心理特征,因而在需要创造力,移情与 沟通技巧等方面表现较弱。例如人工智能的语言翻译在基本意思的能力方面, 比如翻译一般性的新闻等已经基本够用了,但是在在要求“信达雅”的情况 下,则与人类的专业翻译还像差十万八千里。

总体而言,当前的人工智能更多看起来像是一种工具,距离想象中的智能仍然有 相当距离。即使是在中长期而言,基于深度学习的人工智能对于人的替代也有明 显的局限:对于体力劳动而言,越是需要高动作技巧,且越是容易面临新的、不 确定的环境的工作越不容易被替代;对于脑力劳动,则越是需要创意和决策能力 等能力的工作越难以被替代。不论是对于体力劳动还是脑力劳动,需要社交能力 更强的工作均较不容易被人工智能替代,但是传统上较高端的、着眼于优化的 工作(如设置最优保险费率)则有较高的风险被人工智能替代。

基于数据获取的先后次序和难易程度,人工智能在应用层面可能包括四个阶段: 互联网应用智能化,商业活动智能化,实体世界智能化,和机器行动自主智能化。

互联网智能化:用互联网服务获取的各类数据训练人工智能,实现一些互联 网服务的智能化,也是人工智能应用最早落地的领域。互联网智能化的代表 应用就是智能营销:互联网公司运用用户使用互联网的各类痕迹(如:浏览 历史,点赞,搜索记录)来训练人工智能,了解、研究、学习用户的个人喜 好,进而为用户推荐专门的针对性内容。

商业活动智能化:各类传统商业企业运营(金融、医疗等)而产生的数据也 可以被用于训练人工智能,使得相关商务服务的智能化程度提高。举例而言, 银行在发放贷款时积累的有关借款者收入、财产、信用历史等方面的数据可 以训练人工智能来控制信贷风险;常年的诊疗数据也可以被用于训练人工智能,从而使今后的诊疗更加高效。

实体世界智能化:随着大量的传感器以及物联网(IoT Internet of Things) 设备的推出,大量的实体世界的数据被收集并上传至互联网,这样一来,即 便人类并没有上网留下痕迹或者像去银行贷款一样填写个人信息,人类的一 举一动都会被作为数据记录起来。自然这些数据也可以被用于训练人工智能。 通过这些数据所训练出的人工智能相应地也获得了感知实体世界的能力,如 识别图像,识别声音,识别正在附近发生的事情。

这种情况下,日常生活中各类物品都会拥有感知和反馈能力并且彼此连接: 例如家中的空调或许能够了解用户对温度的需求从而自动调整;冰箱或许能 够通过识别冰箱中各种食物进而判断用户缺乏何种营养并通过超市的购物 车在主人购物之际提出合理化建议;课堂上,人工智能或许能够通过识别学 生微表情来判断每个学生对不同内容的掌握程度,进而输出针对每个学生的 个性化教学方案。人工智能对用户一举一动的识别使得用户永远处在线上, 人类与机器的关系深度融合。

机器行动自主智能化:随着机器通过人工智能获得对声音,图像等外界信息 的识别能力后,进一步地,在实时获取外界信息的情况下进行决策,并借助 控制技术采取自主行动。举例而言,无人驾驶人工智可以驾驶汽车;采摘机 器人可以通过图像识别等技术自动判断果实的成熟度进而进行采摘。这一阶 段的智能化集以上三个阶段之大成。

西谚有云“上帝为你关上一扇门就会为你打开一扇窗。”新冠疫情的爆发和防疫 的长期化虽然对中国和全球经济形成了明显的冲击,一些行业受到的打击尤其惨 烈,但是却产生了对于医疗人工智能、非接触式人工智能产品的大量需求。大量 活动的互联网化也在为训练强大的人工智能算法奠定数据基础,而出于应对需求 和刺激经济等多方面的考虑,企业与政府也在智能经济所必须的基础设施和软硬 件方面加大投入——包括扩充服务器、加速 5G 网络、物联网建设和相关规则的 制订等。人工智能在诸多领域的应用正在加速落地,而智能经济也正在加速到来。

疫情爆发对于医疗资源的挤兑直接推动了医疗领域人工智能的加速落地;同时, 为了防范疫情传播而产生的对非接触式服务的需求显著催化了对于无人消毒、智 能监控、无人配送、无人零售、远程智能教育、远程贷款催收等人工智能产品的 应用变成现实。

医疗人工智能显著提升了相关领域医疗服务的效率和质量,在对抗疫情的一线直 接发挥作用。针对新冠疫情的诊断带来了 CT 识别需求的急剧上升,阿里宣布向 全球医院免费开放新冠肺炎人工智能诊断技术,20 秒即可完成一次疑似病例的CT 诊断,准确率高达 96%以上。

为了防范疫情传播,减少人与人接触的需求也同样催生了或加速了大量人工智能 的应用。无人机器人在防控疫情期间的消毒、测温、巡逻中都表现出色;大规模 的智能监控明显降低了居家隔离等措施的落实难度;由于疫情发生期间网购订单 的激增,以及人工配送可能带来的交叉感染风险,京东、苏宁等企业第一时间就 在武汉等一些地区启用了智能配送车和配送机器人,机器人可以自行判断路线、 乘坐电梯、以及提醒消费者取货,实现“无接触式配送”——实际上,由于机器 人快递牵扯的安全、法律等问题较少,很有可能比无人驾驶汽车等要更早全面落 地。

疫情冲击之下,无人零售热点重燃,智能教育迎来新的发展机遇,而一些新的人 工智能的应用更令人惊叹。2 月 2 日,一家由湖北中百仓储和阿里巴巴合力搭建 的无人超市在武汉火神山医院开始营业,消费者从挑选到支付全程都是自助式完成。在 2020 年新春期间数亿人远程上学之际,一些企业提供的人工智能自主学 习系统,则提供了形成个人学习画像,规划最佳学习路径,推荐针对弱项的视频 学习和针对练习等定制化的智能教育服务内容。疫情爆发之后,中邮消费金融等 消费金融公司暂停人工现场催收,启动智能机器人远程催收——与人工催收相比, 智能机器人可以批量呼叫,全年无休,情绪稳定,没有语言暴力,保障合规,而 且不存在人员培训和流失的问题,效率大幅提升。

疫情的爆发在直接催生了对于人工智能产品的需求的同时,也改变了用户的消费 习惯和活动方式。大量活动的互联网化显著增加了数据量的积累,企业、政府也 对数据进一步整合,这为进一步优化现有的人工智能以及训练其它的人工智能算 法打下了基础。

疫情的爆发首先推动了数据大规模的积累,包括在此前数据积累相对薄弱的领域, 和一些新兴的领域。例如,今年春节七天长假和在家办公期间生鲜类 APP 的平 均日活同比增幅超过了100%,非接触支付等传统的线上活动也进一步的增长, 积累了更多的数据。义务教育阶段的在线教育由于获客成本、消费习惯、政府管 制等多方面的原因,发展一直存在一些瓶颈,疫情的爆发和教育线上化也推动了 相关数据的积累,统计显示学生学习类 APP 的平均日活同比增幅出现了翻倍。 疫情爆发之后,不少房企推出“线上售楼”的营销模式,利用 VR 技术提供线上立 体化展示;部分车企也推出线上看车等业务;“直播带货”的火爆和网络明星成 为了社会广泛关注的现象,这些新兴营销手段也带来了大量的新场景下的数据积 累。

在数据整合方面,疫情也起到了催化剂的作用。例如,各省市都建立了新型肺炎 疫情监控平台,将医疗数据与大数据结合,实现了同行车次查询、同行航班查询、 周边社区确诊查询等应用,分散在各个部门的数据有机会被统一调取、分析和用 于人工智能的训练——有助于打破“数据孤岛”。由于涉及病人隐私、数据标注 需要医学专家等原因,医疗领域的人工智能企业获取数据一直存在一些挑战,疫 情爆发以后腾讯与钟南山院士团队共同成立大数据及人工智能联合实验室,以大 数据及人工智能攻坚流行病、呼吸疾病和胸部疾病的筛查和防控预警。医疗人工 智能的应用在一定程度上获取了官方的认可,在数据整合方面的便利程度大幅上 升。

在对在线活动以及人工智能需求显著上升之际,互联网和科技巨头们也都抓住时 机升级自身的硬件系统,为未来人工智能的发展铺好道路。例如,以腾讯会议、 阿里钉钉为代表互联网服务商在数亿人线上办公、线上教学之际大幅的扩充了自 身的云服务器。

部分的因为疫情冲击,政府不仅仅看到了人工智能应用的巨大潜力,而且结合对 经济的刺激计划,大力推动 5G 网络、数据中心、物联网、人工智能等新型基础 设施建设的进度。其中 5G 网络因为其传输数据量的显著扩大和延迟时间的显著 缩短是实现实体世界的智能化和机器行动自主智能化的重要基础设施。例如,如 果自动驾驶的信息输入和运算输出之间存在数秒延迟,安全性肯定无法保障。

截至北京时间 4 月 26 日,美国约翰斯·霍普金斯大学的统计显示,全球新冠确 诊病例约达 280 万例。伴随着疫情持续扩散和防控疫情的长期化,与中国类似 全球人工智能产业也都迎来了跨越式发展的契机。

人工智能技术首当其冲被用于疫情的预测和诊断,帮助缓解医疗资源的高度紧张。 例如,BlueDot 公司基于自然语言处理技术来搜寻新闻报道、公共健康数据和其 他资源,在新冠暴发之初发挥了监测的功能。谷歌宣布与政府合作搭建在线问诊 网站,利用人工智能技术帮助人们进行自我筛查。

基于人工智能技术的机器人、无人机、语音外呼等应用也同样在生产生活领域显 示出其巨大的发展潜力。在疫情期间,美国沃尔玛在商店中继续推广自动驾驶机 器人的使用。谷歌旗下的 Wing 无人机也于近期开始大规模进军物流配送业, 两周内完成了超过 1000 次送货服务。韩国著名人工智能企业 Hancom 集团引 进了外呼机器人的方案和技术,并于 3 月 24 日正式在韩国上线使用。

此外,随着疫情的加重,人们外出减少,线下的需求也纷纷转为线上,这为人工智能未来的发展提供了潜在的数据资源。在美国,苹果、谷歌在内的多家企业都 选择远程在线办公。疫情也拉动了韩国网购消费增长,根据韩国产业通商资源部 发布的调查数据,2 月网络零售额与去年同期相比增长幅度为 34.3%,是自有相 关分类统计以来单月最大同比增幅。网上交易规模的扩大也将改变用户习惯,进 一步带动在线支付产业的发展和消费数据的积累。实际上,在网络购物等领域具 有优势的亚马逊等美国科技企业的股票也在近日创出新高。

在疫情的催化之下,智能时代已经悄然到来。从宏观的视角来看,基于机器学习 的人工智能毫无疑问会提升中国乃至全球的潜在经济增速水平。当然,其对于劳 动力市场的冲击可能带来更严重的贫富分化。从美国新经济的历史经验来看,技 术进步会推动经济繁荣,在经济繁荣期的利率可能出现周期性的上行,但是带来 贫富分化的技术进步可能带来利率趋势性的下行。

技术进步首当其冲会提升一个经济体的生产效率。例如,电力和信息技术的广泛 应用使得美国的劳动生产率在 1915-1924 年以及 1995-2004 年之间出现了明显 的加速,也是美国经济出现“柯立芝”繁荣和“新经济时代”的基础。人工智能 当然也不会例外。我们最保守的估计是人工智能会在未来十年平均每年提振中国 的潜在经济增速 0.5%。

首先,单单从人工智能有望迅速取得应用的两个个领域——自动驾驶与智能呼叫 中心来看,就有希望在未来 10 年提升中国的潜在增速 0.2-0.3%。

自动驾驶取代汽车司机。包括谷歌等公司已经证明,自动驾驶汽车比人工驾驶汽 车更安全,更有效率。在一些环境简单的场所,无人卡车已经进入到了应用阶段, 而更复杂一些的无人出租车等在 3-5 年内能够接近商业应用也是大概率事件。按 照近两年中国汽车保有量的数据估算,我国以司机为职业的人员总数保守估计可能高达 2600 万人。2019 年我国城镇就业人员约 4.4 亿人,职业司机占全国 城镇就业人口的约 5.9%。如果在未来 10 年有一半的职业司机为自动驾驶人工 智能所取代,就意味着在有 3%的劳动力被节约下来的情况下可以完成同样的总 产出,人均劳动生产率可以因此额外上升 3%。如果平均到十年来计算,每年劳 动生产率可以额外增长约 0.3%。

从资金流量表初次分配非常粗略的估计劳动力对 GDP 的贡献为约 60%,则劳动 生产率上升约 0.3%意味着潜在经济增速有望额外上行 0.2%。

人工智能取代传统呼叫中心。伴随着语音识别技术水平的提高和人工智能在问题 回答领域的进步,人工智能有望取代呼叫中心服务人员回答 60-70%客户问题。 实际上,考虑到大量客户问题都是比较类似的问题,人工智能的解决方案不仅仅 成本更低、还不会出现不耐烦的情绪,质量更高。实际上由于客户中心服务人员 的质量良莠不齐,还需要额外的监督员对他们的通话定期的抽查,人工智能也有 望较好的协助履行这一职责。

据估计,2016 年中国呼叫中心坐席数为 170 万左右,以平均一个坐席有 2.5 名就业人员来看,总就业人员超过 400 万人。如果在 10 年之内 70%的呼叫中心 接线员被人工智能应用所取代,那么会节约中国城镇就业人员的 0.6%。而这也 意味着未来 10 年每年的劳动生产率会额外上升 0.06%,潜在经济增速还会额外 上升约 0.04%。

实际上,人工智能对经济增长和福利水平提升的贡献不止于节约劳动力本身。例 如,公安部的数据显示中国 2018 年死于车祸的人数在 6 万到 7 万之间,受伤 的人数可能还会数倍于此。如果无人驾驶的汽车出现车祸的概率显著小于由人驾 驶的汽车,无人驾驶降低死亡率不但会增加劳动力的供给,也会降低医疗救助等 方面的社会成本,提升潜在经济增速水平和社会福利水平。

人工智能可以发现许多人类几乎完全不能发现的弱相关性来实现解决方案 的优化。最典型的例子是在信用评估领域。人工智能不仅仅处理信息的速度 大大高于传统人工的信用审核,可以实时追踪收入、现金流数据反映最新的 信用风险,还可以借助大数据技术借助许多弱相关的因果或相关条件、抓住 复杂的非线性关系——例如输入手速和信用等级的关系——用于信用评 估。

人工智能可能彻底改变对于某些技能的需求,从而大幅降低人力资源成本。 比如说,如果人工智能在翻译领域进一步取得决定性的进展,社会只剩下对 于信达雅要求较高的专业外语的需求,外语教育是否还有现在这么重要也可能都需要打上大大的问号。如果全球的学生都可以大幅减少学习外语的时间 而把这些时间用于其它领域,教育领域的全要素生产效率也会极大提升。

基于机器学习的人工智能还有可能通过优化定价策略(经济学中称为价格歧 视)——依据消费者支付能力和意愿的不同而对产品和服务定不同的价格— —来增加产出。理论上讲,如果能够实现完全的价格歧视,虽然厂商攫取了 全部消费者剩余,但是消费者剩余和生产者剩余的总量达到了最大,社会福 利也实现了最大化,总产出也会明显增加。在这种情况下,单一定价情况下 因为定价偏高原来支付不起的穷人也会获得该产品或服务。

实际上,已经有研究者发现如果在网络购物的时候多次浏览某些产品却不下 订单或者选择“晚几个月再提醒购买”,有可能收到相关厂商通过电子邮件 寄来的折扣券。一些创业企业正在研究如何利用社交媒体的信息、消费者 过去的购买习惯等更好的帮助厂商改善定价策略。

如果简单的把自动驾驶和智能呼叫中心对于潜在经济增速的影响高估一倍,保守 的估计人工智能可能会在未来 10 年每年提升中国的潜在经济增速约 0.5%。

就如同内燃机的发明取代了马一样,人工智能取得的进展也引发了机器是否会大 范围取代人并导致大面积失业的担忧。就目前看来,基于机器学习的人工智能 仅能在一些领域、部分的取代人——甚至在一些低端领域,也难以完全取代人。 这意味着就长期而言,工作总是能找到的。但是,相对的工资可能发生变化;而 且,一些被替代劳动力无法接受其它行业更低的工资而主动退出劳动力市场—— 劳动参与率下降可能出现。这两者可能都意味着收入分配可能会继续失衡。

理论模型上看,与其它技术进步类似,基于机器学习的人工智能当然会取代一些 (例如相对低端的)工作,但是也会创造出一些新的(例如与人工智能研发、设 计的)工作;同时,那些从人工智能中获益的人(包括研发、使用人工智能的人 以及以更便宜价格享受人工智能提供的从前为人所提供的服务的人)肯定会有更 高的实际收入水平,也会增加需求,包括对人工智能不能替代的(其它低端)工 作的需求。只要存在人工智能所不能替代的相对低端的工作——例如按摩师、保 姆、清洁工人——而且这些行业的岗位需求始有价格弹性的,那么就业的机会总 是存在的,只是相对的工资会发生变化。

例如,人工智能可能导致卡车司机失业,但是运输公司的老板、人工智能企业的 员工、乃至于受益于运输成本下降的整个社会的其它人可能都会因为人工智能的 发展而真实收入上升。这些人收入增加之后会增加对于家政人员的需求。当然, 由于受益人增加的这一部分收入肯定不会 100%的用在家政方面17,而如果失业 司机作为低技能劳动力只有转入低技能家政行业的能力,那么他们的名义收入就 会下降,而与其它人的收入差距进一步拉大。其中,一些不愿意接受更低工资的 失业司机可能永久性的退出劳动力市场。

来自发达国家劳动力市场的历史数据大体上支持上述的理论推导结果。一方面, 没有明显证据支持高劳动生产率与高失业率的关系。另一方面,技术进步之后, 特别是在第三轮技术革命出现之后,许多国家的劳动参与率出现了显著的下降, 劳动力市场的两极化也表现的比较明显。

技术进步并没有带来失业率上升的一个证据在于劳动生产率较高的国家并没有 明显表现出更高的失业率。例如,虽然卢森堡和美国的人均GDP大大高于捷克, 但是过去 10 年的平均失业率却差不多。实际上,从 OECD 国家的数据来看,自 动化程度、生产效率更高的国家似乎失业率还更低一些。

从时间序列上看,生产效率的提升对失业率的影响也不显著。比如说,从二战以 来超过 70 年美国的数据来看,其失业率围绕着 5.7%左右的历史均值在波动, 并没有因为劳动生产率的提升而出现显著的上升。

但是,技术进步对劳动力市场的结构性影响确实存在。虽然第一次和第二次工业 革命的经验显示技术进步在短期取代一些工作的同时,在中长期会会创造出新的 工作。然而,与蒸汽机与电动机的发明不同,在信息技术革命兴起之后,美国 劳动力市场出现了非常明显的两极化,而计算机和自动化的发展大量替代了一些 常规性的中等技能的工作被认为是两极化的重要原因之一。

下图展示了以美国1980年基于收入高低分位数的各类型工作岗位数量的变动状 况。数据显示,在整个 80 年代,低收入的岗位占全部工作岗位的比重略有减少, 中等收入岗位的占比略有上升,高收入岗位基本稳定,但是整体变动不大。然而, 到了 90 年代信息科技高速发展以来,美国中等收入工作岗位数量占全部工作岗 位数量的比重大幅下降,高收入岗位数量占比显著上升,而低收入工作岗位的占 比也有一定程度的上升。

此外,近几十年以来,包括美国在内的主要发达国家都经历了优势年龄(25-54 岁)阶段男性的劳动参与率下降的问题,而且集中在高中及以下学历的男性人群。 研究表明,这种下降一定程度上与自动化带来的中等收入工作岗位减少有关— —一些人不愿意接受更低收入的岗位又没有能力从事高收入的工作被迫退出劳 动力市场。

当然,上文中人工智能对劳动力市场冲击的讨论偏长期,如果一些人工智能的应 用在短期内对于一些职业构成较大冲击,不能排除出现短期失业率显著上升的现 象。

如前文所述,基于机器学习的人工智能带来的收益一部分会以相关产品和服务价 格下跌的方式使得整个社会获益,但是也会带来相当程度的收入分配的进一步失 衡。这种情况下,社会保障体系可能会发生相应的调整;此外,教育领域人工智 能的应用是否会提供缩小教育资源不均等、改善阶层固化的契机也值得关注。

如果人工智能进一步扩大了社会的贫富差距,政府的收入再分配安排以及社会保 障制度的调整可能是必须的。一些西方学者已经开始讨论在人工智能时代政府为 每个国民每年无条件提供一定基本收入的社保计划,为企业提供就业补贴以促进 就业,以及政府强制创造一些就业机会给需要找工作的人等一些社保和福利方面 的安排。

除了社保计划之外,我们认为人工智能也有可能通过教育资源共享发挥减少贫富 差距、改善阶层固化,以及改善社会分配方面的作用。

众所周知,我国不同地区不同学校的教育资源差异较大。而在线教育与人工智能 的结合可以使得优质教师资源大范围共享,显著降低教育落后地区在教育资源方 面和发达地区的差异,促进地区公平、阶层公平、配置公平的实现。例如,通 过远程教学、虚拟现实等技术,顶级优秀的教师可以实现远程教学;而学生身边 的教师只需要进行观察和辅导——大大降低了对于普通教师的要求。授课的过程 中间,用面部表情识别及语音情绪识别等技术感知学习者上课时的情感变化,判 断学习者对当前学习内容的掌握情况,并且提供个性化的定制作业,定制练习——例如根据学生解答问题所用的时间和表现安排后续习题的难度,乃至于定 制课程。更低成本的优质教育资源有助于落后地区的孩子获得更公平的受教育的 机会。

实际上,教育是人类应对人工智能挑战的主战场之一。如果教育可以培养出更多 人工智能所难以发挥作用领域的人才,或者帮助更多受到人工智能威胁的劳动者 获得这方面的技能,也会对于劳动力市场的均衡和社会分配公平的改善发挥积极 作用。毋庸置疑,包括个性化课程定制、远程教学辅助等教育人工智能肯定会发 挥重要的作用。

人工智能推动生产效率提升是非常典型的供给冲击。但是,从上个世纪 90 年代 美国“新经济”时期的经验来看,由技术进步带来的供给冲击会在一段时间内推 动总需求进一步走强,特别是企业部门资本开支。在这种情况下,长期利率和政 策利率都有周期性上行的压力。当然,贫富分化的加剧意味着从更长的趋势上来 看,全社会的中性利率会下行。

与人工智能推动的潜在的经济繁荣最具可比性的经验来自于上世纪九十年代美 国经历的新经济时期。在信息科技等多方面因素的推动之下,美国经济在 1991 年 2 季度到 2001 年 1 季度间出现了一次较长时期的经济繁荣,平均 GDP 同比 增速接近于 4%。同时,在失业率持续下降的过程中,通胀也保持在较低的水平。 高增长和低通胀的组合被视作是经济增长的黄金时期。

分部门来看,当时美国总需求走强与包括私人消费增速上升等多方面因素都有关 系,但是弹性最大的是私人部门的非住宅投资,包括兴建厂房等建筑物、投资于 设备和软件方面的资本开支。相关部门需求的同比增速一度高达 40%。

当然,经济的较快增长也带动了政府支出与私人住宅投资的上升,但是其势头没 有私人非住宅投资上升那么剧烈。

从利率的角度而言,经济走强也带动政策利率的上行及长期利率的上行。特别是 在经济繁荣周期的晚期。

如果上述经验是值得借鉴的,我们有理由相信人工智能带来的新一轮资本支出和 经济增长会在一段时间内周期性的提升利率,但是,如果人工智能进一步扩大了 贫富分化,从长期趋势上看,全球利率的中枢有可能继续下行——延续自上个世 纪 90 年代末以来的趋势。

包括美国国民经济研究局和高盛集团经济学家在内的一些研究者估计了 17 个国 家从 19 世纪以来的长期真实利率,发现上世纪末以来全球真实利率的下行是 很罕见的,在历史上,只有第二次世界大战期间与此后利率管制时代曾经出现过 这种现象。

大量学术研究表明,全球利率的下行与人口老龄化等多方面因素有关,贫富分化 的扩大也是其中的重要解释。全球真实利率这种明显下行趋势性恰好发生在“新经济”与信息技术推动的第三轮技术革命之后,这是一个简单的巧合还是与新经 济扩大了社会的贫富差距对利率产生了明显的冲击值得进一步探究。但是,定性 而言,如果人工智能时代收入差距持续扩大的话,有理由相信这一因素会对利率 产生下行的冲击。

在生产函数——决定资本与劳动在生产过程中的份额以及贡献方式等——不发 生变化的情况下技术进步的供给冲击之下,需求会上升的更快,会出现投资和利 率的上升。但是,利率的水平肯定还受到生产函数本身变动的影响。例如,如果 资本品的价格不断下跌而轻资产的生产方式被广泛使用,也可能导致利率的上行 不及预期。在人工智能时代这个因素的影响不容忽视。

然而,上个世纪九十年代新经济期间,信息科技的广泛使用也在相当程度上带来 了轻资产的生产模式,虽然这些因素有可能是利率出现趋势性的下行的因素之一, 但是并没有明显的改变对资本需求周期性上升和利率周期性走强的事实。因此, 我们更倾向于认为人工智能时代的利率仍会在经济繁荣期出现周期性的上行。

互联网时代,一些科技巨头不断加强的市场地位已经开始引发社会各界关于垄断 的担忧。人工智能到来是否会加剧寡头垄断的趋势?在智能经济时代,当前相对 领先的中美两国又将会把大国博弈引向何方?公共政策又该如何在数据共享、反 垄断、保护国家安全与个人隐私等领域发挥作用?

对于一家想要提供某项人工智能服务的公司或者想要部署和使用人工智能技术 改善自身产品和服务的企业而言,通常需要做如下的准备:

1) 搜集、整理和准备大量的与业务改善相关的数据并为它们贴上标签——把 数据和特定的行为连接起来,如点击与未点击,购买与未购买等;

4) 将成熟的(经过优化的)人工智能算法(如人脸识别)直接用于现实的应用 并带来产品与服务的改善,如安防系统。同时获取相关的数据并进一步优化 算法。

这意味着人工智能的开发市场会呈现出什么样的市场结构呢?而人工智能的使 用又会对其使用者所在的细分市场产生什么样的影响呢?

在回答这个问题之前,首当其冲需要回答问题是企业是依靠自身的力量来优化人 工智能的算法还是直接购买成熟的算法进行应用?通常而言,如果一项生产要素 专属性较强(买家与卖家之间容易出现互相勒索),交易的内容比较复杂(交易 的责任与权力难以在签署合同时全部确定,后续扯皮比较多——也称为不完全合 约),或者生产过程和企业自身的优势有较强的协同效应,企业会倾向于选择 自建该要素的生产线。反过来,如果该生产要素通用性较强(供应商选择广), 产品或服务的标准化程度高,而生产的规模效应很显著(产量大则便宜),则外 购可能是个比较好的选择。

在互联网智能化的过程中,我们认为拥有大量数据并且非常明确自身的改进 需要的互联网企业会通过自身具备的数据资源和技术优势自建自己的人工 智能体系。例如今日头条就利用人工智能技术提供个性化的新闻推送,淘宝 也通过人工智能进行个性化的商品推送——精准营销。实际上,大部分互联 网公司都对人工智能加大投入,努力利用人工智能巩固自身的竞争优势。

就我们看来,在商用人工智能的领域,头部企业因为拥有大量贴过标签的数 据,且训练人工智能牵扯到的数据安全、隐私问题比较复杂,可能通过自建 的方式来应用人工智能。

例如中国平安的“智能闪赔”允许汽车出险后,客户通过手机拍视频上传, 就可以迅速获得理赔服务。这个过程牵扯到人脸识别分析判断客户的身份; 图像识别汽车的身份,类型,是否由平安保险承保;同时要判断哪个部位有 损伤,损伤程度如何;再跟后台庞大、丰富的知识图谱去比对,通过匹配损 伤部位和程度的信息,判断修理或更换部件的方案、部件的费用等,甚至还 需要防范潜在的欺诈可能;人工智能最后会算出一个理赔总价,可能仅仅需 要几分钟。

如果一家医疗诊所想要提升 X 光片的解读效率,基于自身积累的放射片源 数据库重头发展一遍人工智能放射科医生显然成本高昂——不仅仅硬件、算 法以及人工智能专家都非常昂贵,自身拥有的数据规模可能也远远不足以完 成对于算法的优化。这种情况下,引入现有成熟的软件和解决方案比较现实。 实际上,在中国平安开放了智能闪赔等人工智能解决方案之后,已经有十余 家保险公司签约合作。

在实体世界智能化(人工智能+物联网)和自动智能化(实体世界智能化+ 自动控制技术)的过程中,由于这些领域牵扯到大量传统行业的企业,缺乏 使用数据的传统,除了少数领先的企业直接建立自身的人工智能系统,我们认为大部分企业会在牵扯公司核心竞争力的领域与专业的人工智能企业合 作推动自身产品和服务的智能化,而在非核心领域直接外购人工智能的服务。

直接与人工智能结合发展自己产品的一般都是科创型、领军型的企业,典型 的如生产无人机的大疆创新和生产新能源汽车的特斯拉。

目前看来,更多企业还是选择与专业的人工智能开发企业合作来实现人工智 能的应用。例如,海尔投资了由多位海归成立的初创型企业爱图瓴为自身的 智能冰箱打造图像识别体系。上汽、东风等传统车企则与京东合作研发无人 驾驶卡车。

对于非核心的人工智能功能而言,外购可能是个普遍的选择。例如智能门锁、 智能空调会被大量的企业采购作为自身办公室的标准装备。

从人工智能算法供应市场的角度而言,首先需要的是庞大的数据资源去训练算 法。因此,天然拥有庞大数据资源的互联网科技巨头下属的云服务公司就成为 了人工智能领域天然的通用平台——类似于电商领域的亚马逊、阿里巴巴和京东。 实际上,今天的云服务商早已不再是仅仅提供计算、存储这样硬件能力供应商, 而是也同时提供包罗几乎所有信息技术的服务供应商。展望未来,这些服务中非 常重要的服务就是与人工智能结合的相关服务。

拥有大量基础数据的、互联网科技巨头拥有的云服务商在通用人工智能的领域拥 有显而易见的优势,包括语音识别、图像识别、精准营销等人工智能的应用。这 些云服务商也乐意于开放自身的人工智能应用支持其它企业的人工智能化进程 并收取费用。例如,目前市面上超过 70%的泛阅读类 APP 已经接入百度的语音 技术,让用户随时随地、随心所欲切换“读书”和“听书”。

此外,这些具备数据优势的云服务商也在借助自身的数据、技术优势进入到更多 领域并将相关领域的人工智能服务通用化,甚至设法满足更个性化的人工智能需 求。例如,2019 年 4 月百度与湖南省政府签署协议为湖南企业打造基于人工智 能的企业能源管理系统等。阿里巴巴——作为一家传统的电商企业——也在利 用自身的科技优势积极布局医疗健康领域的人工智能。

与通用型人工智能供应商——大型云服务商——对应的是某些细分领域的人工 智能供应商,如医疗诊断、信用评估、保险理赔等。它们类似于电商时代的垂 直电商——火币网、食行生鲜等。专注与深度是这些人工智能提供商的优势。

前文中提到的平安智能闪赔和为海尔智能冰箱提供图像识别人工智能的爱图瓴 就是此类人工智能提供商的例子。除此以外,科沃斯等扫地机器人制造商等也都 属于这个范畴。这些人工智能供应商一方面也需要通过某些方法获得训练算法需 要的数据,一方面在算法和应用等方面也需要有更定制化的考虑。

由于人工智能的应用极其广泛,我们预计通用平台型的公司难以独占市场,细分 领域的人工智能供应商应该也会拥有相当的市场份额。

伴随着近十年来科技公司特别是互联网相关的一些科技公司的崛起,社会各界对 于市场份额向大公司集中,特别是科技巨头集中的趋势关切增加。无论是在美国 还是中国,市值最大的公司都从原来的金融、能源巨头变成了互联网和科技巨头 ——包括苹果、谷歌、亚马逊、微软、脸书以及阿里巴巴和腾讯等。伴随着人工 智能时代的到来,这一趋势会进一步加剧吗?

规模效应:更大规模的生产可以降低边际生产成本,带来更多的客户,而更多的客户可以导致更大的生产规模和成本的降低,典型的行业包括钢铁、汽 车和软件行业;

直接网络效应:产品和服务对每一个新增用户的价值取决于当前用户的总数 量,典型的行业是社交网络,典型的产品和服务包括脸书与微信;

间接网络效应:存在两种互补的使用者,产品和服务对每个新使用者的价值 取决于互补使用者的总数量,典型的行业是电商,如亚马逊和淘宝——卖家 偏好有更多买家的平台,而买家则喜欢有更多卖家的平台;

干中学效应:产品的成本(或质量)会因为持续的生产和投资而下降(或改 善)。例如,航空发动机使用的次数和时间越多,积累的经验和数据越多, 制造商就有机会不断改进并显著提升其质量和可靠性,实际上所有需要技术 积累的行业,都有某些“干中学”的特性。

干中学效应和规模效应的差异似乎是一个更主要在设备和资金的规模上,一 个更需要时间方面的积累。想要和现有的钢铁公司竞争的新设立钢铁公司需 要确保自身的投资规模在第一时间就达到相当的水平;而一家新设立的航空 发动机公司想要和现存的发动机公司对抗则需要找到能够让自己的产品被 使用被改进的机会,而且追上领先者需要时间和耐心。

人工智能的训练最主要的特征是干中学,当然,也有很明显的规模效应。一般而 言,体量越大的数据库训练出的人工智能性能越好,而 性能越好的人工智能则可 能被更多的场景所应用,并产生更大体量数据,符合干中学的特征。而人工智 能初始的训练阶段非常昂贵,但一旦某种人工智能算法被训练出来,类似于软件, 它的边际生产成本几乎为零,规模效应也很明显。

我们认为人工智能不大可能带来类似于互联网平台兴起类似的垄断,但是可能 在一些细分领域带来一定的垄断。整体而言,由于难以出现绝对垄断,人工智能 创造的额外产出或者带来的效率提升肯定会以价格下跌的方式令整个社会获益。

首先,我们认为规模效应与干中学效应对于产业集中度的冲击弱于直接和间接网 络效应——后者的突出表现是在一个市场经常出现单寡头垄断,例如脸书、微信。 人工智能不大可能再次带来类似集中度提升。实际上,规模效应与干中学效应在 经济中存在好几百年了,直到互联网时代才集中出现了比较明显的单寡头聚集。

其次,我们认为用于训练的数据的专属性比较强(难以从一般渠道获得)、建立 可用的人工智能算法的初始数据量要求较高的人工智能企业才比较容易形成寡 头的市场地位。

由于数据量对于改善算法的边际回报是递减的,训练数据公开可得的一般性通用 人工智能应用比较难以获得寡头垄断地位。例如,训练图像识别人工智能的图像 数据是大量存在的,不同的供应商也许在拥有的数据量上存在一定差异。但是,如果一个训练较好的图像识别人工智能识别准确率是 97%,水平稍微差一些的 是 95.1%,用户愿意为 1.9%额外的识别率付出的费用是比较有限的。在这种情 况下,会有多个供应商有能力提供图像识别服务,价格战会非常激烈。

反过来,如果用于训练人工智能的数据专属性本身很强,例如控制无人机的人工 智能,一开始就处于领先的企业会因为“干中学”效应强化自身的优势。后面的 进入者可能根本就没有机会获取相关的数据并训练自身的算法,这种情况下是比 较容易形成产业集中度的提升。但是,现有的生产无人机的企业不可能只有一家, 任何一家企业都会看到自己竞争对手在人工智能领域取得进步对自身的威胁,也 会加大投入,而边际回报递减定律会遏制领先者的优势。所以无人机行业出现多 寡头垄断而非单寡头垄断仍是大概率事件——与许多存在规模效应和技术积累 效应的传统行业也没什么不同。

从人工智能供应商的角度而言,云服务商平台当然会形成相当程度的寡头垄断, 但是其原因可能更主要的还是来自于平台本身的规模效应。最起码对大量的通用 人工智能而言,因为干中学带来的产业集中度提升的对云平台垄断地位巩固的贡 献可能比较有限——因为各家云平台都能提供类似的人工智能服务。

对于一些特定领域的垂直供应商——医疗、金融风控等等,如果用于训练人工 智能算法的数据本身的属性专属性比较强,有可能形成一定程度的多寡头垄断, 但是恐怕难以和网络效应支撑的互联网平台的产业集中度相比。

从人工智能的使用者而言,如果人工智能的应用不影响到企业的核心业务和核 心竞争力——例如地产公司装修房屋时采用的智能家居——那么对于产业格局 的冲击应该是比较有限的。

如果牵扯到企业的核心业务——如智能驾驶之于汽车行业——那么产业格局可 能会受到一定程度的冲击。在人工智能领域落后的企业有可能因为技术落后而被淘汰出局。如果训练此类人工智能的数据满足专属性比较强、初始训练数据量门 槛比较高的条件,还存在产业集中度进一步上升的可能性。

例如,如果只有少数的企业(包括科技公司和与科技公司合作的部分领先车企) 掌握了可以实用自动驾驶人工智能解决方案,这些解决方案是否会提供给那些不 具备能力的传统车企具有不确定性。即使提供,比较高的价格可能也会挤压下游 车企的利润并且可能迫使一些较为弱小的企业退出市场。

虽然人工智能带来的产业集中度提升可能难以与互联网相比,但是在一些领域而 且是国家安全、产业升级、和建立创新型经济很重要的领域(如自动驾驶、云服 务)可能也出现少数寡头垄断相关人工智能服务市场的现象。在一个完全开放的 国际市场上,最领先的国家可能会集中拥有这些垄断企业。对于其它国家而言, 为了保障这些具有战略意义、技术含量较高、且有非常明显外部性效应的垄断者 是本国企业而非外国企业并提升本国的竞争力,限制进口、补贴出口、保护“幼 稚产业”等一些战略性的贸易政策可能是会被认真考虑的。

实际上,对于为什么中国拥有大量顶尖的互联网企业而欧洲、日本却没有的一个 可能解释就是中国政府通过行政手段阻碍了美国互联网公司进入中国市场。

在这种情况下,中国政策的制定者一定会考虑一系列的政策选择,包括是否需要 对于一些关键性人工智能行业实施战略性的贸易和产业政策?例如对本国人工 智能企业提供各类补贴?对于外国人工智能应用进入本国是否需要加以限制? 从国家安全的角度考虑,是否需要强制要求一些关键的人工智能算法和参数公开 源代码?是否对于用于训练的数据和云服务有本土化存储和训练的要求?

无论是从综合国力还是从发动新一轮工业革命——智能经济——所处的位置上 来看,中美两国当前都处在相对世界其它国家领先且直接为竞争对手的地位上。 以人工智能产业而论,中方的优势是人口大国,且互联网+战略使得互联网对经 济的渗透程度比较深,拥有比较明显的数据优势;而美方的优势是人才、技术的 储备都比较好,在许多领域是技术的创新和领先者。事实上,从全球处于领先地 位的互联网及科技企业市值来看,美国当然处于最领先的地位,但是中国紧随其 后,而其它国家则有较为明显的差距。

在这种情况下,如果中国在人工智能产业采取战略性的产业和贸易政策,肯定在 相当程度上与公平、开放的市场经济和国际贸易的一般原则相抵触,并且会受到 美方的强烈反对,当然也容易产生腐败等道德风险。理想的情况是国际社会能够 协商出一套大家都能接受的规则——让后发国家有机会去追赶,但先发国家也觉 得竞争还是公平的。然而,考虑到中美两国渐行渐远的趋势,同时考虑到人工智 能技术在新一轮科技革命的中心地位,我们认为有关数据与人工智能的产业与贸 易政策很可能会成为未来中美两国摩擦的中心议题之一。

日本欧洲在相对传统的高端制造等领域仍然有相当的优势,进入人工智能时代, 他们在实体世界智能化的智能制造方向——通过在设备上加装相应的传感器,使 设备厂商可以远程随时随地对设备进行监控、升级和维护等操作,更好的了解产 品的使用状况,完成产品全生命周期的信息收集,指导产品设计和售后服务—— 可能也会延续自身的优势。中美在人工智能领域的博弈肯定也可能会引发日本欧 洲的关切和参与。

贸易政策领域对于人工智能以及相关数据的管制仅仅是智能经济时代有关数据 监管政策的冰山一角。我们也同样认为政府部门可能需要全方位的设计有关数据 和人工智能的监管体制,才能更好的发挥数据的规模效应,鼓励良性竞争,维护 国家安全和保护个人隐私。

智能经济时代,数据成为了一种新的资源。有人认为数据是新时代的石油。但是 石油是一种私有品,一个人使用了,其他人就不能使用,而数据则不同,一个人 的使用不会影响其他人的使用。一些研究者认为,与其考虑数据归属于谁——这 一针对私有品的问题,不如考虑谁有权接入和使用数据。

良好的数据分享安排有助于打破来自不同渠道数据彼此分割的“孤岛效应”,有 可能训练出更强大的人工智能并产生更多的积极的社会效应。在 4 月 9 日公布 的《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》中专 门提到,“发挥行业协会商会作用,推动人工智能、可穿戴设备、车联网、物联 网等领域数据采集标准化。”我们认为标准化的数据采集就是在为更大范围的共 享做准备。

理论上,更开放的数据的共享还会帮助新进入者训练出可以与当前市场主导者相 匹敌的人工智能,有助于降低可能出现的潜在人工智能的寡头垄断,有利于人工 智能带来的效率提升以更便宜的价格为社会分享。但是,这种做法也可能会损害 创业者和企业家的热情,数据共享是否要向这个方向发展仍需要进一步探讨。

面对互联网企业和人工智能企业潜在的垄断风险,现有的反垄断法如何发挥作用 也值得探讨。实际上,此前一些互联网平台抢占市场份额的时候采取的补贴措施 就涉嫌倾销,而且在法治比较健全的国家类似手段比较少见。

展望未来,如果一些公司通过补贴的方法获取数据并用于训练人工智能是否涉嫌 倾销?这些问题也值得进一步探讨。对于投资人工智能企业的投资者而言,这些 问题也是一些潜在的风险。

从国家层面而言,数据安全关系国防安全、经济安全等敏感问题。其中的一个考 虑是,如果数据存储在国外,则执法也可能会受到限制。为了保护主权和经济, 各国政府正在越来越多限制数据的流动。

例如,虚拟边界已在数字云中兴起。欧盟的《通用数据保护条例》仅在公司具有 适当的保护措施或目的地国具有“足够的保护水平”时才允许个人数据离开欧盟。 印度禁止付款信息离开该国,并可能很快要求某些类型的个人数据永远不能离开 该国。俄罗斯要求对数据进行处理并将其存储在其领土内的服务器上。中国的 《网络安全法》规定“关键信息基础设施的运营者在中华人民共和国境内运营中 收集和产生的个人信息和重要数据应当在境内存储。因业务需要,确需向境外提 供的,应当按照国家网信部门会同国务院有关部门制定的办法进行安全评估“。

当然,这种按照主权国家边界进行划分的数据分割对于小国特别不利。因为它们 的数据体量太小,云计算提供商可能会拒绝为这样的市场提供服务。

在私人领域,有关数据安全的制度设计也非常重要。例如,公司是否有动机为数 据的安全和隐私的保护而投资?美国和英国在有关使用 ATM 取款机责任的规定 不同产生了非常不同的影响。美国的规定是银行客户的说法被默认为对的,除非 银行证明他的说法不对;而英国的规定则是银行的说法被默认为是对的,除非银 行的客户证明银行的错误。最后的结果是美国的银行为 ATM 机的安全进行了更 多的投资,包括安装摄像头等。

除此以外,隐私、安全与共享似乎天然存在一定的冲突。在隐私保护与经济效率 提升方面如何去寻找最佳的结合点?监管部门肯定需要更细致的考虑,而人工智 能的创业者和投资者可能也需要对相关的议题进行适当的关注。

当然,如果个人隐私无法得到合理的保护——政府通过人工智能可以有效监督所 有国民的一切行为,效率和水平会远远超过历史上所有的特务机关,也会带来政 府和民众关系的改变。新锐历史学家尤瓦尔·赫拉利指出了在一些国家可能存在 的风险:个人对政府的抱怨甚至只是神情的不满,都有可能被人工智能发现并交 给政府有关部门处置。

上一篇:金泫雅又一次解锁时尚品味,一般人驾驭不了,
下一篇:科技蓝筹的持续性代表市场情绪

猜你喜欢

手机扫一扫添加微信

13631597713