胡岚曦等：人工智能的经济与经济学影响分析
摘 要：随着理论和技术的演进，人工智能对经济的影响日益广泛而深刻。人工智能相关论题成为国外经济研究的前沿热点。本文梳理了近年来的最新文献，总结了两类研究,即人工智能对经济的影响，以及人工智能在经济研究中的应用和对经济学创新的影响，并在此基础上，总结了对上述问题的展望。
关键词：人工智能；通用目的技术；经济研究；自动化；理性智能主体
一、引言
2013年以来，全球人工智能主题的论文发表和专利申请均呈现快速增长趋势。AlphaGo、微软机器翻译系统、开源机器学习框架TensorFlow、文本神经网络GPT-3等代表了人工智能在各分支领域的最新技术突破。这些研究和应用的重要进展，迅速将人工智能推上全世界舆论的高点，也掀起一波人工智能投资和产业化的浪潮。Markets and Markets公司预测，全球人工智能股票市值将在2025年达到1906.1亿美元，亚太区是增长最快的区域，中国将占据该地区最大的市场份额。《2019中国人工智能产业投融资白皮书》指出，2014年至2019年第三季度，中国人工智能行业总计融资3583.65亿人民币。人工智能对经济运行的影响日益显著，一个主要表现是，人工智能与其他行业融合，正在创造高价值的产品和服务。据估计，“人工智能+制造业”的全球产业规模2016年已达到1200亿美元，预计2025年将超过7200亿美元。商业领域的人工智能应用，为商业企业平均增加5%以上的收入，平均降低成本大于10%。人工智能带来的另一个大影响是对劳动力市场的冲击。世界银行估计，未来20年内将有35%的英国工人、47%的美国工人被新技术替代，而发展中国家的这一比例会更高，中国可能有77%的工作面临替代风险。
人工智能相关的经济现象和问题，引起国外经济学界浓厚的研究兴趣。科睿唯安(Web of Science)的统计显示，2016—2020年经济学家发表的人工智能主题论文、专著达1800多种。美国经济学会（AEA）、美国经济研究局(NBER)、技术政策研究所（TPI）、国际货币基金组织（IMF）、新经济思维研究所（INET）等机构，多次组织会议，研讨人工智能对经济的影响以及相关经济政策问题。
针对这一方兴未艾的领域，本文系统梳理了代表性文献，归纳了两类不同认知层面的研究。一类研究在对象层面，将人工智能作为经济学的研究对象，考察人工智能在微观和宏观维度的经济影响。另一类研究在元层面，考察人工智能作为新的研究工具，在经济学的理论和方法创新中的表现。本文最后预测了人工智能的未来发展及潜在的经济问题。
二、人工智能的发展历程
普遍认为，1956年夏的达特茅斯会议是人工智能诞生的标志。会议提出，人工智能的研究目的是发现使机器具备语言应用、概念抽象、问题求解和自我提升等能力的原理和实现途径，这也表明人工智能领域兼具科学和工程的属性。会议没有给出人工智能的严格定义，之后的很多科学家试图回答“人工智能是什么”，都是从特定视角描述人工智能的某些特征，不能概览全貌。例如，贝尔曼称人工智能是对决策、问题求解、学习等与人的思维和行为联系的活动的自动化。里奇和奈特指出，人工智能是一项关于计算机如何更好地完成人类任务的研究。温斯顿将人工智能看作能够感知、推理和行动的计算过程。普尔等人认为人工智能即计算智能，其使命是设计智能主体。直到今天，仍未形成统一的人工智能概念，究其原因，其一，人工智能仍然是非常年轻的领域，面临的挑战前所未有、异常复杂，很多问题还在探索之中。其二，人工智能的两大思想流派长期分立，难以在基本的定义问题上达成共识。
基于对“机器智能”的不同理解，人工智能研究社区分化为两大阵营。其中一派最初由麦卡锡（John McCarthy）、明斯基（Marvin Minsky）和西蒙（Herbert Simon）等人主导，坚持智能的本质是推理，机器内部应该有一个与现实世界对应的形式系统，机器通过符号演算表示外部环境、推理并反馈行动的观点，被称为符号主义（symbolism）。另一派以麦卡洛克（Warren McCulloch）、皮茨（Walter Pitts）等人为代表,主张智能产生于神经元的联结及活动，可以设计类似人脑神经网络的结构产生机器智能，被称为联结主义（connectionism）。虽然符号主义和联结主义的思想截然不同，构建智能机器的研究方法格格不入，两个研究社区为争取发展资源甚至长期关系紧张，但是在几十年的交替浮沉中，共同推动了人工智能的发展。1943年，麦卡洛克和皮茨发明了基于数学和阈值逻辑的神经网络计算模型，被视为人工智能联结主义的起源。20世纪50年代中期，西蒙和纽厄尔（Allen Newell）发布了一个能够模拟决策过程的系统，也是第一个人工智能程序，这个“会思维的机器”的成功为符号主义赢得了十余年的政府资助和大型计算机使用权的垄断地位。罗森布拉特（Frank Rosenblatt）在神经网络模型的基础上增加学习机制，开发出第一个实在的联结主义系统，即能够识别图像的感知机。该系统相对于符号主义系统的全新设计和良好表现，在20世纪60年代受到热烈追捧，并获得美国海军的巨额经费。20世纪70年代早期，两个流派都由于过于乐观，未能兑现承诺，项目开始被冻结，人工智能进入第一个寒冬。直到20世纪80年代，专家系统的出现使人工智能再次迎来春天。专家系统对符号主义机器架构进行了重大改造，用专家知识代替简单的“玩具”世界的输入信息，并将知识的数据库与推理引擎分离，这一创新将符号主义系统从单纯的逻辑运算扩展到基于知识的启发式推断。然而，随着输入知识增多，规则越来越复杂，特别在语音合成、模式识别等任务中性能受限，专家系统逐渐遇冷。但好的方面是，专家系统在应对复杂的概念网络时，将概率化引入机器的逻辑处理，这一新构思也渗透到机器学习机制中。基于概率进行推理，“探索”合理的假设，成为经典的机器学习方法，例如决策树、随机森林、贝叶斯网络的基础。20世纪90年代中期，互联网兴起，数据量空前增长，数据的现实含义不断丰富，没有标记或难以纳入概念网络的数据，变得不可用。这需要新的机器学习方法，提供更有效的建模机制，从海量数据中归纳出现实世界的知识。不久，辛顿（Geoff Hinton）带着随机梯度反向传播算法，发起了神经网络的复兴，他的学生和追随者陆续创造出优秀的神经网络优化算法。在2012年的欧洲计算机视觉国际会议（European Conference on Computer Vision）组织的比赛中，神经网络打败各种传统学习方法，一战成名。这些工作也彻底更新了联结主义，奠定了当今最具热度的深度学习的基础。神经网络在图像识别、信号处理、语音处理、自然语言理解等领域相继取得成功，对计算机科学产生了深刻影响，成为人工智能领域最通用的技术。
除了两个思想流派对智能机器架构的区分，人工智能还基于机器认知类型，划分了两类研究方法，即“人类中心方法”和“理性主义方法”。前者致力于如何让机器模拟人的思维和行为，图灵测试(Turing Test)为机器模仿人提供了一个能力参考范围，包括自然语言处理、知识表示、自动推理、机器学习、计算机视觉和机器人，也为人工智能的发展指出了方向。此后70年间，各个方向都产生诸多代表性成果。后者希望打造完全理性的智能主体（Rational Agent），“总是做正确的事”，追求最好结果或最好的期望结果，但在处理复杂环境的理性决策问题时，需要巨大的计算代价，有时候甚至无法得出结果。这种机器的显著优势在于，比拟人的机器更通用、更科学，以人类和人工智能的未来为指向，随着数据量和算力的提升，将迎来乐观前景。于2007年问世的通用人工智能（Artificial General Intelligence, AGI），以创造一种能够在任何环境下学习和行动、全面超越人类智能水平的通用性算法为目标，就是在这个方向上的前瞻性研究。
在大数据和大算力的支持下，人工智能焕发了新的活力。在研究方法上，摈弃直觉和试错模式，引进实证科学的方法体系。在应用环境上，由实验室转移到现实世界，直接对生产、社会生活建模，让研究有的放矢，便于算法的检验优化。以产学研循环模式带动研究方向和技术的创新，人工智能已然稳健步入发展的快车道。
三、人工智能的经济影响
人工智能对经济的影响，在微观和宏观层面都有显著表现。从微观视角看，第一，人工智能在辅助个人决策、提升行为效率的同时，带来隐私风险；第二，人工智能对企业决策质量、价值创造和内部管理均发挥正向作用；第三，通用人工智能的实现，将在未来创造新的经济活动主体，影响经济生态。从宏观视角看，人工智能作为通用目的技术(General Purpose Technology, GPT）和自动化工具，与创新、经济增长以及产业组织和劳动力市场的变革紧密相关。
1.人工智能的微观经济影响
随着计算成本的降低，算法的高可用性和低可靠性并存。一方面，机器人客服、语音导航系统、手机智能助手、产品推荐系统、线上比价系统越来越普及，以快速检索反馈、精准偏好匹配、信息易得性等能力帮助个人提高决策和行为的效率。另一方面，个人的决策方式正在从主观判断为主转向对算法预测的过度依赖，这将导致人们对高风险行为的选择偏差。智能产品和服务用以支撑效率的海量数据和算法，也可能成为泄露用户信息的途径。如何平衡效率和风险，是人工智能应用背景下的重要研究议题和政策考量。阿格拉瓦尔等人指出，预测（prediction）算法在不确定环境的决策中，倾向于更高风险行为的选择，而人的判断(judgement)能通过识别隐藏成本，将高风险的决策拉回安全状态。由此，个人借助算法提高决策效率的同时，需要保持对决策权的控制。诺伊曼等人通过隐私经济学建模发现，人工智能应用场景存在隐私问题的动态性和数据应用的知识产权风险。库勒等人从政治经济状况和技术引进决策的关系入手，考察了美国智能应用程度高的一些州的公众隐私政策导向，强调公众隐私政策的制定和执行需要平衡新技术应用和法律、政策的关系。
人工智能协助企业变革，带来决策环境的重塑，雇员、客户、竞争者关系的改善，管理效率的提高，策略性行为的优化，计划外“好结果”的增加等效应。人工智能对不同行业和不同人工智能用途的企业有不同的影响方式。在传统行业中，金融业对人工智能的依赖度较高，技术迭代较快。主要的金融业智能应用包括股票市场预测、法定数字货币发行模拟、保险科技、银行业风险控制、智能投顾、抵押评估等。巴特利特等人的实证结果表明，借贷预测算法的应用有助于降低借款者歧视、识别垄断贷款及其地域影响，但是数据的被保护特征的标注导致算法偏差，带来新形式的歧视。亨德尔等人指出，健康保险行业的人工智能决策支持算法，利用算法的偏好整合和预测的能力，对提升保险项选择质量，纠正保险计划属性的错误权重，降低技能梯度，拉平各级资质代理人的技能水平都有正向影响。在新兴产业中，新媒体企业的最佳人工智能应用实践出现在需求方，以消费者与内容的准确匹配为目标，提升算法性能以优化推送网络，是新媒体获取更大市场价值的有效途径。一些对算法主导、需求匹配、资源共享性、偏好满足等特性有天然亲和力的新经济形式与人工智能结合，可能产生“反传统”的经济现象。苏珊·阿西基于Uber案例对零工经济(Gig Economic)的市场设计研究就揭示了其对“低价匹配低质”的现代市场传统的挑战。人工智能对企业内部管理的影响，主要是通过辅助人事部门的工作实现的。凯瑟琳·肖从人事经济学的视角考察智能算法在提高应聘匹配度、降低决策误判率、提升人事部门的生产力方面的表现。Kathryn Shaw, “AI and Personnel Economics”, http://conferencenberorg/conf_papers/f114812 slides1218pdf ［2019-01-01］伊瑞尔和斯特恩等人通过研究在企业的最佳管理者选择任务中算法的自动预测结果与传统选举流程产生的结果的差异，指出这种比较有利于理解现有管理机制，改善管理质量。越来越多的企业，以不同形式和程度引进人工智能，值得关注的是，企业的相当一部分人工智能投资形成了数据、信息和知识等无形资产，这些无形资产覆盖生产、试验、培训过程、新商业模型和新组织模型。丹布等人指出，当前人工智能在全球资本市场的高市场价值，与投资者对人工智能无形资产的未来回报期望相关，而非实际收益或生产率的增加。只有当无形资产积累到一定程度，特别是人力资本和组织资本的补充投资达到一定量时，人工智能提高生产率，创造商业价值的效应才能显现。因此，对无形资产的识别、管理和保护，是企业用好人工智能的重要条件。
通用人工智能的研究进展缓慢，对经济的影响尚不确定。但是可以预见，通用人工智能以突破工具化限制、成为经济主体为目标，彼时的经济研究将需要全新范式。科里内克的未来经济学观点指出，智能主体能够参与经济活动，将与人类主体建立平等的关系，人与机器的共生将取代以人类为中心的经济生态。这或许是一种美好的期盼。
2.人工智能的宏观经济影响
人工智能在经济运行中展现了两个属性，一是自动化工具，二是通用目的技术。作为自动化工具，人工智能在重复性操作、规范流程的任务上，能够比人类劳动者的效率更高，质量更可控。例如，工业生产机器人的应用能够显著提高生产效率，节约成本，保障安全。作为通用目的技术，人工智能的普遍性、持续技术进步能力和创新互补性正在凸显。图像识别、文本处理、语音识别、机器人、机器学习等人工智能技术应用于汽车、医疗、家居、零售、教育等行业，已经形成成熟的行业融合模式。人工智能与应用部门的创新互补性在双方的合作关系中逐渐彰显。例如，机器学习算法帮助传统的计算机科学解决难题，同时大数据领域支撑人工智能的研发提速。另外，在生物医学和材料科学的研发过程中，通过构建人工智能技能与领域知识相结合的研究团队，减少试错造成的资源浪费，激活研发生产率的增长。阿格拉沃尔等人指出，人工智能是科学发现的发明方法的发明(Invention Method of Invention, IMI)，具备在多数生产部门触发再创新的潜力。科克布恩等人强调了人工智能作为新一代GPT，重塑创新过程、研发组织的能力以及凭借应用部门的巨大溢出效应对经济的贡献。
人工智能的自动化属性会对劳动力市场产生较大影响。范里安强调，自动化将导致未来50年劳动力市场在需求和供给两个方向的巨大变化，将对工资和就业造成不同程度的影响，劳动力市场紧缩，自动化成为生产率增长的最主要因素。同时，经济学家从多个视角分析了人工智能导致的劳动替代、生产率改变、收入不平等问题。杰克逊等人指出，自动化决策及收入不平等是由技术进步、劳动力替代、转移劳动力在新领域的生产力水平和供给网络的连通性等因素决定的，人工智能自动化将导致生产力发展减缓、收入不平等加剧和经济连通性的增强。奥托尔对美国1900—2015年间的历史新职业、新工作的分析表明，新工作的工资水平和地理集中性的演化趋势与整体经济不平衡的趋势一致，劳动力市场呈现高、低技能职业的劳动力需求两极分化，并且存在一极劳动力短缺和另一极劳动力无法转移而失业的双重风险。阿西莫格鲁和雷斯特雷波认为，人工智能的替代效应能够被生产率效应部分抵消，一方面传统劳动力被替代，导致劳动力需求和工资水平下降，另一方面自动化过程能够节省成本，增加非自动化任务和新的劳动力密集型任务的劳动力需求，额外的资本累积和自动化深入将进一步增加劳动力需求，补充生产率效应。费尔普斯用两部门均衡增长模型研究机器人在完全替代和部分替代人工的两种场景中参与生产活动，对产品价格、产出、劳动生产率和工资变化的影响。在行业融合的深化过程中，人工智能技术的供应方和需求方的产业组织都将发生变化。范里安指出，计算的通用目的性使得机器学习、云计算等人工智能分支产业在复制生产架构以提升数据处理能力的同时，可以把过剩的计算能力卖给更小的企业，由此形成与传统产业迥异的产业结构和商业模式。人工智能的产品和服务很容易根据用户特征定制，并通过拍卖等新机制实现定价差异化。需求方的规模经济，或网络效应突出，对人工智能的接纳度依经济部门有较大差异。麦肯锡全球研究所调查表明，通信、高科技、能源部门对人工智能的接纳度最高，采取主动应用策略、高接纳度的企业，其净利率高出产业平均净利率的差额最大，企业的未来盈利期望也更高。
尽管人工智能客观上拉动了其他技术领域的高速发展和股票价格上涨，然而在21世纪的头20年里，美国和OECD国家的总体生产率的增长速度在下降，全球金融危机之后，新兴市场的增长也开始减速。这似乎重现了上一代GPT，即信息通信技术在20世纪70至80年代带来的生产率悖论（productivity paradox）。阿吉翁和豪伊特解释了通用目的技术在传播过程中生产率下降的原因，认为传统的经济统计没有反映新产品和质量提升带来的变化，此外在通用目的技术出现初期，大量投资涌入导致经济增长率迅速下降。布林约夫森等人明确否定了人工智能的技术乐观局面和增长不景气之间存在矛盾，认为技术的构建和执行有延迟效应，人工智能与蒸汽机和电力相似，将呈现生产率J型曲线，原因在于人工智能创新活动的大部分无形投资对生产率增长的贡献被低估，人工智能的全部影响力需要等到下游技术的再创新开始发挥作用时，才能体现出来。
四、人工智能与经济研究
人工智能与经济学的渊源可追溯到其创立之初。经济学是人工智能的奠基科学之一。理性智能主体面对三个重要问题：“如何决策以达到最好结果？”“在与其他人相互影响的情境下如何行动？”“在不确定结果的环境中如何行动？”理性智能主体设计的基本假设就是古典经济学的“理性经济人”假说，并且将外部环境对应“经济系统”，即追求经济利益最大化的个体的集合，同时吸收了效用论、决策论、博弈论的理论和方法。
人工智能与经济学的关系历久弥新。一方面，新近的人工智能技术，特别是机器学习和神经网络，更多地应用到经济研究中，为经济研究提供新的数据源和分析方法，助推经济学理论创新和计量实证方法的变革。经济政策研究利用智能算法提升政策制定的效率和政策评估的准确性。另一方面，经济学家们一直在为人工智能的进步做贡献。
1.经济研究的新数据和新方法
人工智能在经济学中的应用最初是调查研究和案例分析的文本分析和图像识别算法，最近的研究重点是结合机器学习和因果推论改良现有的经济计量方法。在实证领域，经济学家利用机器学习算法在新的数据源例如平台数据、企业数据、在线实验、开放数据记录集中搜索因果模式。米尔格罗姆用程序广告在线投标和在线卖场管理系统的案例，介绍了机器算法在资源分配、市场价值评估、质量控制、竞争和策略投标中的表现，提出了新的市场设计思路。博雅琴科用机器学习算法构建的简单均衡信用市场模型，较准确地测度美国房产抵押信用度，预测跨用户群的借贷趋势。在政策研究中，经济学家利用机器学习算法处理政策效果预测、公平性和可操作性等问题。苏珊·阿西等人用机器学习算法进行经济政策的反事实评价，对于统计算法的部分自动化没能改善因果机制识别效果的问题，她强调理性看待算法，充分认识经济学家在实证研究中的核心专业作用的重要性。在经济学实验中，为克服人类被试不能完成无穷重复博弈的局限，开发程序“被试”是一个好的选择。这部分工作的主要方式是结合计算理论、编程技术和经济学实验方法，设计程序主体，让其独立参与或与人类被试共同参与博弈实验。卡尔瓦诺等人发现算法“被试”相对于标准理论预测的异常行为，实验结果与传统政策工具在定价决策特别是处理共谋问题的方式上存在差异。人工智能为经济研究拓展了分析能力,也带来诸多挑战，如机器学习“黑盒”带来的弱解释能力和不可重复的问题，基于产权保护数据集的法律风险，以及在线实验的知情同意、数据和代码的合规共享等科学伦理风险。格拉泽等人在公共卫生巡检员对算法预测结果的服从度如何影响政策执行的研究中指出，人与算法的合作状况、数据标记规则应该成为经济政策设计的潜在考量因素，机器学习对经济学的未来影响将集中在合作方式、投资、研究工具和研究问题四个方面。
2.经济学家对人工智能的贡献
历史上有两位科学家在经济学和人工智能两个领域都做出过杰出贡献。一位是冯·诺伊曼，他与经济学家摩根斯坦合作，继里昂·瓦尔拉斯和拉姆塞之后发展了效用理论，并创立了博弈论。他于1946年设计的计算机逻辑结构，是沿用至今的现代计算机系统体系原型。另一位是赫伯特·西蒙，他在智能主体系统的研究中，比较了程序和人的问题求解行为的差异，认识到理性决策的复杂性，开发了基于满足性（satisficing）的模型，让主体在非确定环境中，只做“足够好”的决定，而不强求最优选择。这一模型比经典经济学理论更好地描述了真实的人类行为，西蒙也因此获得了诺贝尔经济学奖。
随着人工智能融入现行经济的程度加深，算法偏差、数据安全、系统稳定等风险增加，经济学家对人工智能监管研究愈发重视。李舒等人调查发现，实施人工智能监管将降低企业的人工智能技术采纳率，也将增加人工智能策略开发和管理人员聘用成本，但是能够提高企业对人工智能的安全和透明性问题的认识。克拉克和哈德菲德指出，公共部门缺乏灵活性和激励，不能应对人工智能监管的高速、复杂、无形和全局性要求，应该创建监管市场，鼓励私人部门创新监管技术和商业模式，跟上人工智能技术进步的节奏。另外，经济学家也在积极探索未来的智能主体如何参与经济以及人机共生等问题。哈德菲德等人从不完全协议与被错误定义的机器人奖励函数的关系出发，设计了一个校准问题的研究框架，提出从技术上保证算法和人类行为的一致性是协调机器和人的关键，机器需要具备对奖励的评估能力和对人类错误行为代价的认知能力。
五、展望
人工智能的健康可持续发展，将对经济和社会生活产生更加深远的影响。这个过程不可避免地产生若干新问题，如算法操作的偏差和误差、不服从算法的工人、人工智能市场的信息不对称等，这些问题一定程度上抵消了人工智能对生产率的正向影响。因此，研究人工智能的监管、人工智能的补充投资、有害产品、服务交易的阻止等问题，是十分紧迫的任务。
人工智能发展本身是一个经济过程，符合一般的经济规律，也会带来经济学含义的改变。对此，经济学家已经开展两类工作，一类用形式模型评估人工智能的进步，一类分析人工智能产业的发展趋势和问题。布伦戴奇基于一个人工智能系统的生产函数分析人工智能产业的结构、成分、生产率，以及向产业链下游提供技术和知识的机制。克拉克描述了人工智能的两大发展趋势，一是伴随企业实验室、大数据集、大规模IT基础设施的建设和更新而来的产业化，二是开源软件、公开数据、云计算助推前沿系统普遍部署的开放化。发展背后的问题，诸如研究人员和私人企业的合作是否削弱公共价值，研究成果的公开传播在多大程度上增加危险技术的易得性，人工智能的技术多样性如何影响健康、金融、安防等高风险领域的应用目标等问题，都可以在经济学框架中研究。
提及人工智能的未来，总会存在悲观派和乐观派的争论，也常出现科幻小说似的想象。但人工智能首先是一门科学，将遵循科学的发展规律。人工智能和经济学应该深化合作，创新理论和方法，共同研究人机智慧的协调难题，迎接人类文明新纪元的挑战。
作者信息
胡岚曦，1980年生，中国社会科学院经济研究所助理研究员。
胡志浩，1977年生，博士，中国社会科学院金融研究所研究员。
来源
文章原载：人工智能的经济与经济学影响分析，《国外社会科学》2020年第6期。
因文章篇幅原因略去注释。
推荐阅读