Creating Shared Prosperity With AI: Stanford Digital Economy Lab’s Erik Brynjolfsson

埃里克·布林约尔松向任何担心人工智能的人提出了一个挑战：不要再问人工智能会给我们带来什么，而开始问我们将用人工智能做什么。在本期《我，我自己，与人工智能》节目中，这位斯坦福大学经济学家解释了为什么技术不是进步的最大障碍——人、组织和制度才是。基于对人工智能对就业、生产力和经济增长影响的新研究，他认为未来并非预先注定：它将由我们今天做出的选择塑造。这是一场关于人类能动性、共同繁荣以及为什么最重要的人工智能突破可能与技术关系不大，而更多与我们如何使用它有关的及时对话。 在Apple Podcasts或Spotify上订阅《我，我自己，与人工智能》。 文字记录 艾莉森·莱德：今天的嘉宾提出了一个大胆的挑衅：人工智能并非被技术所阻碍，而是被我们所阻碍。想知道为什么吗？现在就来了解。 埃里克·布林约尔松：我是斯坦福大学的埃里克·布林约尔松，你正在收听《我，我自己，与人工智能》。 萨姆·兰斯博瑟姆：欢迎收听《我，我自己，与人工智能》，这是来自麻省理工学院斯隆管理评论的一档播客，探索人工智能的未来。我是萨姆·兰斯博瑟姆，波士顿学院分析学教授。自2014年以来，我一直在麻省理工学院斯隆管理评论研究数据、分析和人工智能，包括研究文章、年度行业报告、案例研究，以及现在的13季播客节目。在每一集中，企业领袖、前沿研究人员和人工智能政策制定者都会加入我们，剖析什么将人工智能的炒作与成功区分开来。 今天，我将与埃里克·布林约尔松对话，他负责斯坦福数字经济实验室，研究人们如何普遍使用技术，特别是现在的人工智能。他试图思考技术如何影响经济和工作。他的著作《第二次机器时代》塑造了许多此类辩论。他的团队最近发表了《煤矿中的金丝雀？》一文，这是一篇关于入门级员工状况的研究论文。我和埃里克每年在国家经济研究局会碰面几次，他总是会提出一些我未曾考虑过的问题。埃里克，不要有压力，但我今天同样期待如此。 埃里克·布林约尔松：很高兴来到这里，萨姆。 萨姆·兰斯博瑟姆：欢迎来到节目。让我们从斯坦福数字经济实验室开始。你能简要介绍一下实验室的工作吗？ 埃里克·布林约尔松：当然。我们研究数字经济。……我很喜欢在麻省理工学院的时光。我在那里待了超过25年，但现在我来到了硅谷，这里是人工智能革命的中心。我们专注于研究人工智能和其他数字技术如何改变经济。实验室以及我的工作、职业生涯的前提是，技术正在飞速发展，能力令人惊叹。与此同时，我们的经济理解并没有以足够快的速度进步。我们的经济制度、技能、组织并没有跟上。我的工作就是努力缩小这一差距。 萨姆·兰斯博瑟姆：就是那些讨厌的人。技术发展迅速，而组织和人拖慢了我们的步伐，我想这就是总结。 埃里克·布林约尔松：没错。你的很多工作也强调了这一点，我们正在尽我们所能跟上。 萨姆·兰斯博瑟姆：我在想《与机器赛跑》这本书和今天的“金丝雀”。它们之间有什么联系？ 埃里克·布林约尔松：“与机器赛跑”……是标题。结论是我们应该与机器赛跑，而不是与机器对抗。这就是我一直强调的——人类和机器有机会合作。这不是自动发生的。我们需要做出很多选择，但技术正在开启各种新的可能性。尝试发明和发现这些可能性是我们人类需要做的重要部分。 萨姆·兰斯博瑟姆：我喜欢“选择”这个词，因为我觉得我们很容易滑入一种俗语，说“AI做了这个，技术做了那个”。我知道你一直反对这种说法。 埃里克·布林约尔松：完全正确。这可能是人们问我最多的问题之一：“AI会对我们做什么？AI接下来会让什么发生？”我说：“等等，你问题的前提是错的。应该是‘我们打算用AI做什么？’” 这是一个极其强大的工具，可以说是人类有史以来最强大的工具。几乎从定义上讲，这意味着我们比以往任何时候都更有能力改变世界。所以让我们想想我们想如何使用它。事实证明，我们的价值观和选择现在比过去更重要，因为我们确实有能力在宇宙中留下巨大的印记，无论好坏。 萨姆·兰斯博瑟姆：是的，无论好坏。我想在我们接下来的谈话中，这一点可能会多次出现。 我在想，你在早期的《与机器赛跑》一书中，有多少内容是对的。但作为学者，这并不有趣。你认为你哪些地方错了？你对什么感到惊讶？与16年前或15年前相比，有什么变化与你预想的不同？ 埃里克·布林约尔松：嗯，首先，既然我们在谈论我们哪里错了，我应该强调这本书是和安迪·麦卡菲合著的，还有《第二次机器时代》。他是我许多项目的合作伙伴。 我们哪里错了？我们当时在关注一些进展——我特别想提《第二次机器时代》，我们以乘坐谷歌的自动驾驶汽车开始那本书。实际上，那是2012年，就在我们写完《与机器赛跑》之后，我们从山景城一路开到旧金山。我得说，我当时想：“哇，自动驾驶汽车就要来了，”打个比方，我以为它会很快实现。显然，它花了更长时间。我确实在旧金山湾区经常乘坐自动驾驶汽车，在城里。它们已经有一段时间了，现在也来到了帕洛阿尔托，你可以一路在高速公路上乘坐它们。但那是15年后了。 这花了一段时间，我想我当时过于乐观了。话虽如此，我想我低估了技术在其他方面进步的速度。就像你和我可以和[大型语言模型]对话，无论是ChatGPT、Gemini还是Claude，并让它们工作，我想我没想到这会这么快发生。我的意思是，如果你在2012年或2015年问我，我基本上会认为这是[通用人工智能]。所以能从它们那里得到真正好的建议，这真的很酷。我们都知道它们仍然会幻觉和犯错，但我们人类也会。平均而言，它们真的相当不错。所以那发生得更快。我们那方面有点错了。 然后最令人失望的部分是，看，我知道我们刚才在谈论人类制度比技术变化得更慢。但天哪，我没想到会慢这么多。有时几乎像是在倒退。所以那相当令人失望，我们的政治制度、我们的企业、组织，它们没有跟上。生产力并没有比AI革命开始时增长得更快，也许如果你眯着眼睛看，可能有一点点。但我们并没有真正将这些能力转化为更好的商业表现或我们都希望的那种好处。 萨姆·兰斯博瑟姆：我在上次见到你的会议上，在帕洛阿尔托乘坐了一辆自动驾驶汽车。它很快就变得无聊了。我先是着迷了几秒钟，然后很快就无聊了。你提到那在几年前会被认为是AGI，或者LLM的东西在几年前会被认为是AGI，但现在不是了。这在多大程度上是一种温水煮青蛙，我们正在习惯这些技术，需要更多才能让我们印象深刻？这是其中的一部分吗？是测量的一部分吗？是J曲线吗，我们稍后会回到这一点？以上都是？以上都不是？ 埃里克·布林约尔松：以上所有情况都有。部分原因，就像你说的，在自动驾驶汽车里感到无聊；最初的几分钟有点吓人又刺激，然后变得令人兴奋。不到半小时你就会想，“好吧，我有点明白了。”这些车开起来有点像我的祖母，非常小心和缓慢，我想这是正确的做法。 萨姆·兰斯博瑟姆：这也许就是你离开波士顿的原因。 埃里克·布林约尔松：没错。它们的事故率比人类低90%。我期待有一天所有的车都这样。目前它们点对点的速度稍慢一些。有时我赶时间，我会叫优步，因为我知道司机更愿意抄近路，可以这么说。但部分原因是我们对最初令人瞠目结舌的事情习以为常了。 我想我们的大脑天生就会适应事物。但你说到的另外两点，我认为更重要也更有趣。一是衡量问题。我们的经济指标并没有设计来捕捉人工智能带来的许多好处，尤其是免费数字商品的好处。所以我们有一套完整的方法来解决这个问题。也许我们稍后可以谈谈这个。 另一部分是J曲线。这就是我们开始对话时提到的——在将能力转化为实际的业务变革方面确实存在差距和困难。这是因为需要投入许多互补性资产和投资。其中许多必须被发明出来，而我们不知道它们是什么，这些互补的共同发明包括新的业务流程、新技能、全新的商业模式和工作方式。它们很难，我们有企业家、管理者、商学院教授和顾问都在努力弄清楚它们。 在早前与（宾夕法尼亚大学的）洛林·希特和普拉桑纳（索尼）·塔姆贝等人的合作中，我们发现，对这些无形资产的投入比直接投入计算机技术的资金大约多10倍。但由于它们大多是无形的，几乎看不见，我们往往不太重视它们，也不去衡量它们，人们甚至没有意识到它们的存在。但我们正努力在我们的研究中让它们更加可见，并让人们认识到你也必须进行这些投资。 萨姆·兰斯博瑟姆：实际上，衡量问题既重大又困难。我记得你和（卡内基梅隆大学的）阿维纳什·科利斯在讨论如何衡量维基百科、脸书和其他这些技术的价值。这些东西都超级难衡量。当我们不衡量事物时，我认为我们做得不好。 让我们也许转向衡量问题，因为我认为你的“煤矿中的金丝雀”研究中有个很酷的故事……我想你的头条发现是22到25岁的人受影响最大，就业率下降了约16%。但你是用ADP的工资单数据发现的。那是一个非常有趣的信号信息。给我们讲讲那项研究吧。 埃里克·布林约尔松：和所有人一样，我们看到所有关于人工智能消除就业或人工智能创造就业的头条新闻。在任何一个月里，都有数十万人获得或失去工作。一个还算不错的记者很容易找到其中任何一种例子，并围绕它构建一个故事，或者随便找个路人聊聊。至少对我来说，我真的不知道如何汇总这些。真实的故事是什么？所以我们想获得大规模数据。 当我们查看当前人口调查时，我们并没有看到太多东西，当我们查看ADP（全球最大的工资处理机构）的顶层数据时，他们在数字经济实验室与我们分享了这些数据。实际上我们在顶层数据中也没有看到太多。我几乎在想，“好吧，我们就写个故事说这一切都是炒作。”但随后我们更深入地挖掘，一些受到非常大影响的子群体，就像你刚才提到的，22到25岁的人，职业生涯早期的工人，他们的就业率明显下降，但当你按他们对人工智能的暴露程度细分时，情况就变得非常显著了。 OpenAI的Tyna Eloundou、宾夕法尼亚大学的Daniel Rock等人创建了一个分类体系，他们对经济中的所有任务（共18,000个不同的任务）进行了排名，依据是它们受大语言模型影响的程度。大语言模型能帮你写备忘录吗？当然可以。大语言模型能帮你搬箱子吗？不太可能。如果你对每个任务都这样排名，然后将它们汇总到职业层面，你基本上就能得到一个分数，表明该职业是否会受到大语言模型的影响。 我们研究了大约750个职业，并将它们分为五等份。在受影响最大的五分之一职业中，这个最年轻年龄组里有超过一百个职业，最初就业率下降了约12%到13%。现在，相对于其他职业，这些职业的就业率下降了约16%到17%。所以这确实非常显著。我们没有看到老年工人的就业率下降，即使在受影响最大的职业中也是如此。你真的必须这样细分来看。 即使我们控制了其他因素，比如我们控制了利率，控制了科技行业——如果你愿意，你可以把整个科技行业排除在外，或者控制科技行业的过度招聘——你可以控制远程工作，控制教育水平，这些因素都没有推翻核心结果。我们仍然看到了这种非常明显的下降。 我还可以说另一件事，那就是，正如我提到的，老年工人表现良好。还有其他几个群体也表现良好。一个是未受影响的职业群体。所以如果你看看光谱的另一端，比如家庭健康助理，人工智能对他们的影响远没有那么严重，他们的就业实际上在增长，即使是年轻工人也是如此。 然后，最有趣的结果，也是我最兴奋的结果是，如果你将他们使用人工智能的方式主要分为自动化和消除工作，以及增强和创造新技能、新机会、做以前从未做过的新事情，那么自动化组的就业率在下降，而增强组，即那些学习新技能的人，就业率在增长。所以这有点像双重胜利：更高的生产率和增长的就业。出于某种原因，当媒体写我们的研究时，这一点没有被充分提及，但我认为我们发现人工智能可能与某些类型工人的更高就业率相关，这非常重要。 Sam Ransbotham：我认为这又回到了你如何使用它，你的决策，以及我们所有人在这方面做出的选择。这并不让我惊讶，因为如果我考虑一个任务，回到你提到的任务汇总，我敢肯定，没有哪个工作会百分之百地由可自动化任务组成，也没有哪个工作会百分之百地由不可自动化任务组成。任务的构成会使得这些工作的某些部分更有价值。这会让这些部分更有价值。 Erik Brynjolfsson：没错。这是另一个非常重要的观点：你可以拿每个职业来看；每个职业都有一组任务。在O*Net中，一个典型的职业有20到30个任务。放射科医生有26个不同的任务。计算机科学家Geoffrey Hinton曾有名言：“阅读医学图像，这就是放射科医生的工作。这将被人工智能取代。”他没有考虑到的是，放射科医生还有25个其他任务，而其中大多数不受人工智能影响。 净效应是，随着人工智能使图像阅读变得更便宜、更好，这实际上增加了放射科医生从事其他任务的价值，放射科医生的净就业增长了。我并不是说这种情况总是发生，但确实存在一些案例——有些人称之为杰文斯悖论——即让某物变得更便宜会增加对其的需求，最终你会得到更多的就业而不是更少，即使它变得更高效。 Sam Ransbotham：我认为这是令人沮丧的事情。我想每个人都希望得到一个答案，即“这是明确的答案”，而你在这里遇到的只是一个巨大的“视情况而定”，而且它取决于一系列越来越复杂的事情。 Erik Brynjolfsson：好吧，让我试着把它简化一点。这比简单的故事要复杂一些，即你总是消除工作岗位，或者就此而言，它总是创造工作岗位。但作为一名经济学家，对我来说一个非常有用的工具——我会为你的读者讲得有点专业，但这会是有用的时间——你可以想到需求曲线。当价格下降时，数量增加。需求曲线是向下倾斜的。我们大多数人都直觉地知道，当你让某样东西更便宜时，人们会买更多。 但真正重要的是那条需求曲线有多陡峭。对于某些产品，比如苹果，即使你把它们便宜10倍，你也不会买10倍的苹果。也许你会多买一些苹果。但需求曲线相当陡峭。所以随着价格下降，你最终会花得更少。这很直观。大多数人认为所有商品都是这样的。 事实证明，并非所有商品都是这样的。有很多商品，当价格下降时，即使只是一点点，数量也会大幅增加，比如航空旅行。过去很少有人会乘飞机穿越全国，但现在更便宜了，我们很多人飞往全国各地太多了。所以有像这样的商品和服务。这被称为弹性需求或平坦的需求曲线。 每当你遇到这样的情况，你实际上对某物有增长的需求，你最终会有更多的支出。经济中至少一半的商品和服务处于曲线的这一侧。这真是好消息。这意味着随着我们变得更高效、更有效率，一些东西会缩小，但其他东西会增长。我认为在公众对话中对缩小的一侧有太多偏见。我想通过你的播客做的事情之一是让更多人思考增长的那一侧。 我教一门大师课，基本上我们向人们展示如何识别和发现这些创造财富的新机会，如何使用AI做新的事情来创建创业企业。我们做得越多，我认为人们就会过得越好。他们将帮助自己，也将通过发明新事物来帮助经济的其他部分。 Sam Ransbotham：苹果是一个很好的例子。就像你说的，当我们得到更多苹果时，我们不会消费它们，但我不认识任何一家公司说，“几乎所有我们能想到的IT项目，我们都在做。”你明白我的意思吗？ Erik Brynjolfsson：是的，完全正确。似乎对解决各种IT问题的需求几乎是无限的。当我环顾世界时，我没有看到问题的短缺。贫困、环境、尤其是医疗保健，这些都是我们可以使用更多资源的地方，我没有看到我们解决这些问题的机会会耗尽。 Sam Ransbotham：我们会耗尽这些类型问题的幻想，那很好，但我认为在接下来的几年里，接下来的几个世纪里，这不会发生。让我们回到这个J曲线概念。首先解释一下什么是J曲线，人们应该怎么看待它？ Erik Brynjolfsson：这是另一个我认为人们觉得非常有用的概念，那就是每当有一种重要的强大技术时，我们经济学家称之为通用目的技术。我们过去常说GPT，但我的AI朋友偷走了那个缩写。但AI两者都是。它是一个生成式预训练变换器，比如GPT-5，但它也是一种通用目的技术，就像蒸汽机、电力、内燃机和汽车一样。那些是真正推动大多数经济增长、大多数生产力的东西。它们是我们比几百年前甚至50年前的祖先拥有更高生活水平的原因。 人工智能是我们这个时代最重要的通用技术，也许是有史以来最重要的。但关于这些通用技术，关键在于价值真正来自互补性资产。有了电力，它催生了灯泡、电动机、空调，最终还有计算机和许多其他东西。有了人工智能，它正在催生各种新的业务流程，而且不仅仅是物理技术。还有我们之前谈到的那些无形资产。这很好。问题是这些无形资产需要时间来创造。它们很昂贵。你必须投资于它们。无论你是聘请顾问还是自己做，你都必须重新发明工作是如何完成的。 在那个昂贵的时期，你在重新设计业务流程时花费更多，但产出并不会立即增加。从数学上讲，这意味着投入更多，产出没有增加，而生产率，至少按照传统衡量方式，会下降。这就是J曲线的下降部分。然后你开始收获成果。你开始利用这些新的业务流程来创造更多的产出。现在产出在上升。这就是J曲线的上升部分。 我们在大多数通用技术中看到的是，最初有一段平静期，生产率很低甚至为负，然后才起飞。现在很难确切看到我们在人工智能方面处于什么位置。我们正处于其中。但如果你回顾更早的历史，比如说电力——我在博士论文中写过一些相关内容——信不信由你，公司尝试重新设计工厂组织方式花了大约20到30年的时间。 他们安装了电动机。起初他们并没有获得多少生产率提升。经济学家保罗·戴维和其他人非常仔细地记录了这一点。在电气化过程中，工厂的生产率实际上有长达30年几乎没有增长，这真是令人瞩目，但最终，他们完全重新设计了工厂的组织方式。不再是围绕中央发动机（如蒸汽机）聚集，而是每台设备都有单独的电动机，他们分散了工作，并根据物料流动来布置安排。 当他们这样做时，生产率开始飙升，比如生产率翻倍或三倍。但就像我说的，这花了30年。我不认为人工智能会花30年。我很确定它已经开始发生了。但同时，它比我的一些技术朋友、一些人工智能朋友预期的要长。他们认为一旦你发明了人工智能，你就完成了。 现实是，正如你所知，山姆，在你的工作和我的工作中，有很多业务流程重新设计必须发生。我们正处于其中，我正在尽我们所能试图加速这一过程。我的公司Workhelix非常致力于向公司展示如何识别创造价值的机会。如果我们能加速这一过程，那就太好了，但我们仍然会有一点J曲线。 山姆·兰斯博瑟姆：我在回想电力时代。我猜他们没有季度股票报告的压力，也没有人们现在可能面临的即时结果的需求。 埃里克·布林约尔松：老实说，最大的事情是他们并没有真正拥有我们所有的制度。不是要自夸，但商学院并不存在。咨询书籍以及整个工业工程和管理科学都不存在。我回去读了一些书。我去了哈佛商学院的贝克图书馆，那里有这些旧书，他们思考问题的方式相当原始。 现在，帮助公司重新设计业务流程的生态系统要大得多。这仍然需要时间和重新设计，以及重新培训员工。但我的感觉是，管理者们现在对此更加清醒，他们更加积极地投入，并且分享最佳实践。 在Workhelix，我们有一个工具，可以扫描所有机会并与员工分享，看看谁是真正表现出色的超级用户，然后将他们与普通员工进行比较。因此，与人们在没有这类工具之前可能做的事情相比，它只是将学习速度提高了大约10倍。 Sam Ransbotham：我真的很喜欢这一点，因为它再次将测量和其他一些事情联系起来。年度绩效评估真的不再有用了。能够更好地衡量你在做什么以及你做得如何的想法是有帮助的。 让我稍微唱点反调。我之前在《麻省理工学院斯隆管理评论》上写过关于重新思考AI目标的文章。你写过关于“图灵陷阱”的文章。我认为人们的第一反应是让机器通过图灵测试，让机器做人类能做的事情。这导致我们对现有流程进行渐进式改进。如果我们没有衡量正确的事情，测量似乎也可能无意中助长这一点。你对这个有什么看法，短期与长期？ Erik Brynjolfsson：嗯，肯定有短期和长期之分；那些是你的目标。几个月前我和一位首席财务官交谈，她告诉我，“嘿，我们真的需要衡量AI的好处，投资回报率。”我说，“那太好了。你应该衡量它。跟我说说。”她说，“所以这就是为什么我要求每个部门告诉我他们从AI中减少了多少人数。”我心想，“等一下。我很高兴你在衡量，但这是不是有点头脑简单，因为，是的，削减成本没有错，但它确实错过了做新事物的更大机会，让你的员工创造新的价值。” 有一位年薪数百万美元的首席财务官，他们赚大钱的原因是他们必须更有创造性地思考价值创造，而不仅仅是让机器做人类已经在做的事情并取代他们。那是经典的图灵测试：你能让机器完美地模仿人类吗？ 这是一种非常狭隘的思考方式。我认为艾伦·图灵是个聪明人，但我认为这种心态对我们如何使用AI造成了很大的损害。我称之为“图灵陷阱”，因为我认为只关注使用AI来取代或模仿工人是一个陷阱。我们还应该考虑AI如何增强我们的能力，让我们做新的事情。但这需要新的衡量标准，比如，你如何创造新的产品和服务？你如何提高客户满意度？你如何提高质量，无论是产品的质量，还是工作者的工作生活质量？ 这些都是不会出现在你狭隘的替代思维中的东西，所以这也是需要更长时间的事情，就像你说的。短期主义往往只关注削减成本和你已经在做的事情。但那些拥有最大竞争优势、最持久利益的公司，是那些考虑超越这些并做新事情、新业务流程、新产品和服务的公司。这不会在几周内发生，但当你实现它时，你拥有的是持续多年的东西。 Sam Ransbotham：有很多地方机器比我们表现更好。判断这是机器还是人并通过图灵测试的最简单方法是，我不能很快地做数学。我们的目标并不是完全正确的标准，我想。你提到在电气化初期，人们没有围绕它的制度。Neil 汤普森[和]麻省理工学院数字经济计划，[你]在搬到斯坦福之前显然参与其中，他们有一篇科学文章说，大约90%的最重要新AI模型来自工业界。我们已经经历了从学术界和公共资金[产生]技术利益到大部分来自科技公司和初创企业的巨大转变。你提到了帕洛阿尔托和那里的中心。好吧，我担心。那是这些东西的正确位置吗？ 埃里克·布林约尔松：部分原因是这些模型来自工业界，因为构建这些非常大的模型已经变得极其昂贵。对于LLM，存在这些缩放定律，当你使模型更大时，如果[它有]更多数据、更多计算、更多参数，你会得到可预测的性能提升。所以他们从花费数百万到数千万、数亿、数十亿，现在训练这些模型花费数百亿甚至数千亿美元。没有大学能负担得起。没有非营利组织能负担得起。所以公司正在筹集大量资金，就在我们说话的时候。Anthropic和OpenAI正在申请上市。谷歌有一个很好的现金引擎，可以投入其中，Meta也是如此。 所以这就是推动这一点的原因。与此同时，我告诉我的学术同事，你们的比较优势不在于在计算机上花更多钱。而在于创造性思考。有一些绝妙的想法仅仅来自坐在办公室里深思。这仍然是一个好策略。 不久前我和杰弗里·辛顿有过一次对话，我问他用什么硬件来获得他的见解和发现。他指着他的笔记本电脑，轻拍它说：“这就是我使用的硬件。”对于那种根本性的突破，并不总是需要数千个GPU的问题。 我认为学者们需要发挥他们的比较优势。话虽如此，公平地说，越来越多的前沿研究正在通过一种非常昂贵的方法进行。在某种程度上，这证明了AI的价值有多大。工业界以前不这样做的原因之一不仅仅是成本高，而且回报也没有那么大。 我来分享一个故事。我创办的第一家AI公司，信不信由你，是在1980年代末。这就是我的年龄。我和托德·卢夫伯罗创办了一家专家系统公司。专家系统是这些基于规则的系统。我们为一些银行和人力资源组织创造了一点价值，但归根结底，这与今天公司创造的价值完全不同。老实说，那种AI品牌并不那么有价值。只有现在我们有了这些非常强大的神经网络，你才真正拥有前所未有的商业激励。所以在某种程度上，工业界如此大规模投资证明了该领域的成功。 萨姆·兰斯博瑟姆：我喜欢这一点。我认为美国政府去年在非国防研究支出上投入了大约15亿美元，这大致相当于谷歌的投入。你知道，[国立卫生研究院]和[国家科学基金会]的预算很小。正如你指出的，我们无法在支出上超过它们。 埃里克·布林约尔松：但在这一点上，我认为这是公平的。你想要两者兼有。我的意思是，在商业上可行之前，投资是学术界和联邦政府的工作。研发的长期利益中有太多是不明显的，而且没有商业激励去投资。互联网、早期太空旅行、许多延长我们寿命的生物学根本性突破，它们发生在大学和政府实验室，因为它们在商业上不可行，但后来人们在此基础上发展。你不可能总是提前知道哪些会得到回报。但如果你做基础研究，记录表明最终其中一些将对我们的生活水平产生真正的影响。 Sam Ransbotham：这是基本的应用层面。我们不必资助应用层面的东西，因为市场会处理这些。而对于基础层面的东西，看不见的手在这些方面不太起作用，或者它的作用速度比大家期望的要慢。 我想你会有很多学者听这个，因为他们好奇你会说什么。人们应该关注什么？哪些类型的事情属于那个类别？也许一个批评是，我在学术界看到的很多研究，可以说是为公司的咨询项目。人们应该追求的基础类型想法是什么？ Erik Brynjolfsson：嗯，在很多不同的领域有很多这样的想法，我想我不想规定它们，因为我认为在某种程度上，魔力的一部分是让人们追求自己的想法，即使外部没有人看到它们的价值。 话虽如此，我会给你我自己的清单。我专注于经济方面。我认为目前最大的差距是，我们对AI将如何转变经济没有很好的理解。我们正在创造极其强大的信息处理实体。作为经济学家，你可以把市场看作一个信息处理实体。你可以把公司和组织看作信息处理实体。如果AI有一千倍或一百万倍的改进，如果公司和市场不随之转变，我们不发展新的组织来管理工作，那将是一个奇迹。但我们还没有弄清楚这些。所以我的工作的很大一部分是试图理解，经济会是什么样子？随着AI变得更强大，随着它聚合信息、处理信息，公司、市场，也许还有一些新型实体是什么？然后我们将如何管理可能导致的财富和权力集中？ 我对技术提高生产力的潜力非常乐观。我和（西北大学的）Robert Gordon有一个长期的赌注，我写过我期望生产力如何增长。同时，我很担心如果我们不妥善管理，它可能导致财富的更大集中，而这往往导致权力的集中。如果我们不找出一个不仅平衡财富创造，而且平衡共享繁荣的经济体系，那可能会伤害我们的自由。 Sam Ransbotham：在谈话之前，我查阅了你的一些背景，以刷新记忆，我看到了“有意识乐观主义者”这个短语，它让我印象深刻。那么，要让我们走向未来的积极版本而不是消极版本，需要什么？ Erik Brynjolfsson：让我花一分钟来定义“有意识乐观主义者”，因为我对这个词有非常具体的含义。硅谷有很多人是乐观主义者，但我认为他们中太多人是盲目的乐观主义者。他们就像，“嘿，Erik，别担心。过去都解决了。未来也会解决的。放松点。”也有很多我称之为盲目悲观主义者的人。他们就像，“哦，天哪，我们完了。我们无能为力。”我认为这两组人都犯了同样的错误。 这是我们节目开头讨论过的那个错误，他们以为AI会对我们做什么，而不是我们有能力控制未来。一个有意识的乐观主义者是看到未来然后努力去实现它的人，是有意识地创造它，而不是假设它会自动发生。 他们不像圣诞节的孩子，期望礼物第二天早上神奇地出现，而是更像看到一棵树和一些木板的孩子，他们想，“嘿，我们可以在那里建一个树屋。”然后他们想，“嗯，它不会自己发生。让我们想办法实现它。”然后他们通过努力工作和想象力使那个乐观的现实成为现实。这就是我希望看到的那种乐观。我看到的不够多。我看到太多被动。 上周五，我在斯坦福大学给班级上了最后一课，我告诉他们的一件事是，每次听到“AI”，他们应该想到增强的意图，AI是有史以来最伟大的意图放大器。无论他们想实现什么，AI都能放大它，但如果没有那种能动性，没有那种意图，就不会发生。 所以，这是我想对更广阔世界传达的信息：“让我们思考我们的价值观是什么，我们想要塑造什么样的经济，我们想要创造什么样的共同繁荣。”我指的是每个人，不仅仅是技术专家，向他们传达这一信息，也包括政策制定者、公民、工人和管理者。让我们积极思考如何使用这一点。 在未来10年里，我预计世界将发生根本性变化。但没有一个不可避免的未来。[当]你跨越比如美国和墨西哥或其他国家的边界时，你可以看到不同的制度导致非常不同的结果，不同的财富和民主水平，未来也是如此。我们可以生活在许多不同的可能未来中。我在数字经济实验室做的一件事就是进行大量研究，以了解哪些路径更有可能带来那些有益的结果。 Sam Ransbotham：我认为这是一个很好的结束方式。我们[没有]简单的答案，无论哪个方向。收益是真实的，伤害也是真实的，哪个占上风是我们现在正在做出的选择，也是我们可以控制的。 Erik Brynjolfsson：比以往任何时候都更是如此。有趣的一点是，现在是哲学家、人文学者、经济学家以及思考我们想在世界中体现什么价值观的人的时代。随着更大的力量而来的是更大的责任和更多的改变世界的潜力。所以，我们真的需要有意识地思考我们想要塑造什么样的未来世界。我认为对此的关注还不够，但数字经济实验室部分专注于这一点。 Sam Ransbotham：感谢你带来了数据和细节。我们今年夏天在波士顿见。 Erik Brynjolfsson：当然。期待它，Sam。很高兴和你交谈。 Allison Ryder：感谢大家今天的收听。我们放暑假了，秋天会带着来自Instacart、GoFundMe、Dropbox和Honeywell的精彩演讲者阵容回来。届时请加入我们。 与此同时，如果你给我们留下Apple Podcasts评论或Spotify评分，对我们的节目帮助很大。如果我们的节目真的影响了你的生活和工作，请给我们写信。你可以通过smr-podcast@mit.edu联系我们。我们很乐意听到你的消息。 ME, MYSELF, AND AI®是麻省理工学院的联邦注册商标。保留所有权利。