纽约客：人工智能的盈利困局与历史教训 作者：约翰·卡西迪 1987年，诺贝尔经济学奖得主、麻省理工学院（M.I.T.）的罗伯特·索洛（Robert Solow）在《泰晤士书评》的一篇文章中评论道：“计算机时代随处可见，唯独在生产率的统计数据中不见踪影。” 尽管当时计算能力飞速提升，个人电脑也日益普及，但政府数据却显示，衡量工资和生活水平的关键指标——工人的人均总产出——却停滞了十多年。这就是后来著名的“生产率悖论”（productivity paradox）。这个悖论持续到了上世纪90年代甚至更久，引发了大量莫衷一是的学术研究。一些经济学家将其归咎于新技术管理不善；另一些人则认为，与蒸汽机和电力等早期发明相比，计算机在经济上的重要性相形见绌；还有人则怪罪于数据统计有误，认为修正后悖论便会消失。 索洛的文章发表近40年后，自OpenAI发布ChatGPT聊天机器人近三年来，我们可能正面临一个新的经济悖论，而这次的主角是生成式人工智能（generative artificial intelligence）。根据斯坦福大学、克莱姆森大学和世界银行的经济学家最近进行的一项调查，在今年6月和7月，有近一半的劳动者（准确地说是45.6%）都在使用AI工具。然而，麻省理工学院（M.I.T.）媒体实验室一个团队的新研究却报告了一个惊人的结果：“尽管企业在生成式AI上投入了300到400亿美元，本报告发现95%的组织回报为零。” 该研究的作者们审查了三百多个公开的AI项目和公告，并采访了五十多名公司高管。他们对“成功的AI投资”的定义是：已经超越了试点阶段（pilot phase）并被实际部署，且在六个月后产生了可衡量的财务回报或显著的生产率提升。他们写道：“只有5%成功整合的AI试点项目正在创造数百万美元的价值，而绝大多数项目仍停滞不前，对P&L（即‘损益表’，profit-and-loss）没有任何可衡量的影响。” 调查采访引发了一系列回应，其中一些充满了怀疑。“领英（LinkedIn）上炒得天花乱坠，好像一切都变了，但我们的实际运营中，根本性的东西一点没变，”一家中型制造公司的首席运营官告诉研究人员。“我们处理合同是快了点，但仅此而已。” 另一位受访者评论道：“我们今年看了几十个演示。可能一两个是真有用。剩下的要么是‘套壳’（wrappers，指仅仅包装了现有技术，没有实质创新），要么就是‘科学项目’（指离实际商业应用还很远的技术探索）。” 公平地说，该报告也指出，确实有一些公司进行了成功的AI投资。例如，报告强调了针对后台运营（back-office operations）的定制化工具所创造的效率，并指出：“这些早期结果表明，有学习能力的系统，如果针对特定流程，确实可以带来真正的价值，甚至无需进行重大的组织结构调整。” 调查还提到一些公司报告称“通过自动化外联和智能跟进系统，提高了客户保留率和销售转化率”，这表明AI系统可能对营销有用。 但是，“许多公司正艰难地获取实质性回报”这一观点，与跨国咨询公司Akkodis的另一项最新调查不谋而合。该公司联系了两千多名企业高管后发现，对本公司AI实施策略“非常有信心”的CEO比例，已从2024年的82%骤降至今年的49%。企业首席技术官的信心也有所下降，尽管降幅没那么大。Akkodis的调查称，这些变化“可能反映了先前在数字化或AI项目上令人失望的结果、实施中的延迟或失败，以及对可扩展性（scalability）的担忧。” 上周，媒体对麻省理工学院媒体实验室研究的报道，恰逢英伟达（Nvidia）、Meta和 Palantir 等高估值的AI相关股票下跌。当然，相关性不等于因果关系，OpenAI首席执行官萨姆·奥尔特曼（Sam Altman）最近的言论可能在这次抛售中扮演了更重要的角色（鉴于近期的价格涨幅，抛售在所难免）。据CNBC报道，奥尔特曼在一次与记者的晚宴上表示，目前的估值“高得离谱”（insane），并在15秒内三次使用了“泡沫”（bubble）一词。 尽管如此，麻省理工学院的这份研究还是吸引了大量关注。在最初一轮新闻报道之后，有消息称，与许多科技公司有联系的媒体实验室正在悄悄限制对该报告的访问。我留给该组织公关办公室和两位报告作者的信息都石沉大海。 尽管这份报告比一些新闻报道所描述的要微妙，但它无疑对2022年11月OpenAI发布ChatGPT以来支撑科技繁荣的宏大经济叙事提出了质疑。这个叙事的简版是：生成式AI的广泛传播对工人（尤其是知识工作者）不利，但对公司及其股东却极为有利，因为它将带来生产率的巨大飞跃，并因此带来丰厚利润。 为什么这一幕似乎还没有发生？一个可能的原因让人想起了上世纪八九十年代的一种观点，即管理失误限制了计算机带来的生产力效益。媒体实验室的研究发现，一些最成功的AI投资是由初创公司做出的，它们在工作流程的狭窄领域使用了高度定制化的工具。而在“生成式AI鸿沟”（GenAI Divide）的另一边，那些不太成功的初创公司“要么在构建通用工具，要么试图在内部开发能力”。报告更笼统地指出，成功与失败的分野“似乎不是由模型质量或监管驱动的，而是由（实施）方法决定的。” 可以想象，生成式AI的新颖性和复杂性可能让一些公司望而却步。咨询公司高德纳（Gartner）最近的一项研究发现，只有不到一半的CEO相信他们的首席信息官“精通AI”。但对于媒体实验室报告中凸显的失望记录，还有另一种可能的解释：对于许多成熟企业而言，生成式AI（至少在目前的形式下）根本没有被吹嘘的那么神。“它在头脑风暴和撰写初稿方面非常出色，但它记不住客户的偏好，也不会从以前的编辑中学习，”媒体实验室调查的一位受访者说。“它会重复同样的错误，每次会话都需要输入大量上下文（context）。对于高风险的工作，我需要一个能够积累知识并不断改进的系统。” 当然，有很多人觉得AI很有用，也有学术证据支持这一点：2023年，麻省理工学院的两位经济学家发现，在一项随机试验中，接触ChatGPT的参与者能更快地完成“专业写作任务”，写作质量也有所提高。同年，其他研究团队也发现，使用Github的Copilot（一款AI编程助手）的程序员，以及使用了专有AI工具的客户支持代理，都获得了生产率提升。媒体实验室的研究人员发现，许多员工正在工作中使用他们的个人工具，如GPT或Claude；报告将这种现象称为“影子AI经济”（shadow AI economy），并评论说“它带来的投资回报率（ROI）”往往优于雇主发起项目。但问题依然存在，而且这肯定是公司高管们会更频繁提出的问题：为什么没有更多的公司看到这些效益体现在最终的（公司）利润中？ 部分问题可能在于，生成式AI虽然引人注目，但在经济的许多领域中应用有限。休闲和酒店业、零售业、建筑业、房地产业和护理行业（照顾儿童、老人或体弱者）——这些行业总共雇佣了大约五千万美国人，但它们看起来并不像是AI转型的直接候选者。 ...