紐約客：人工智能的盈利困局與歷史教訓 作者：約翰·卡西迪 1987年，諾貝爾經濟學獎得主、麻省理工學院（M.I.T.）的羅伯特·索洛（Robert Solow）在《泰晤士書評》的一篇文章中評論道：“計算機時代隨處可見，唯獨在生產率的統計數據中不見蹤影。” 儘管當時計算能力飛速提升，個人電腦也日益普及，但政府數據卻顯示，衡量工資和生活水平的關鍵指標——工人的人均總產出——卻停滯了十多年。這就是後來著名的“生產率悖論”（productivity paradox）。這個悖論持續到了上世紀90年代甚至更久，引發了大量莫衷一是的學術研究。一些經濟學家將其歸咎於新技術管理不善；另一些人則認為，與蒸汽機和電力等早期發明相比，計算機在經濟上的重要性相形見絀；還有人則怪罪於數據統計有誤，認為修正後悖論便會消失。 索洛的文章發表近40年後，自OpenAI發佈ChatGPT聊天機器人近三年來，我們可能正面臨一個新的經濟悖論，而這次的主角是生成式人工智能（generative artificial intelligence）。根據斯坦福大學、克萊姆森大學和世界銀行的經濟學家最近進行的一項調查，在今年6月和7月，有近一半的勞動者（準確地說是45.6%）都在使用AI工具。然而，麻省理工學院（M.I.T.）媒體實驗室一個團隊的新研究卻報告了一個驚人的結果：“儘管企業在生成式AI上投入了300到400億美元，本報告發現95%的組織回報為零。” 該研究的作者們審查了三百多個公開的AI項目和公告，並採訪了五十多名公司高管。他們對“成功的AI投資”的定義是：已經超越了試點階段（pilot phase）並被實際部署，且在六個月後產生了可衡量的財務回報或顯著的生產率提升。他們寫道：“只有5%成功整合的AI試點項目正在創造數百萬美元的價值，而絕大多數項目仍停滯不前，對P&L（即‘損益表’，profit-and-loss）沒有任何可衡量的影響。” 調查採訪引發了一系列迴應，其中一些充滿了懷疑。“領英（LinkedIn）上炒得天花亂墜，好像一切都變了，但我們的實際運營中，根本性的東西一點沒變，”一家中型製造公司的首席運營官告訴研究人員。“我們處理合同是快了點，但僅此而已。” 另一位受訪者評論道：“我們今年看了幾十個演示。可能一兩個是真有用。剩下的要麼是‘套殼’（wrappers，指僅僅包裝了現有技術，沒有實質創新），要麼就是‘科學項目’（指離實際商業應用還很遠的技術探索）。” 公平地說，該報告也指出，確實有一些公司進行了成功的AI投資。例如，報告強調了針對後臺運營（back-office operations）的定製化工具所創造的效率，並指出：“這些早期結果表明，有學習能力的系統，如果針對特定流程，確實可以帶來真正的價值，甚至無需進行重大的組織結構調整。” 調查還提到一些公司報告稱“通過自動化外聯和智能跟進系統，提高了客戶保留率和銷售轉化率”，這表明AI系統可能對營銷有用。 但是，“許多公司正艱難地獲取實質性回報”這一觀點，與跨國諮詢公司Akkodis的另一項最新調查不謀而合。該公司聯繫了兩千多名企業高管後發現，對本公司AI實施策略“非常有信心”的CEO比例，已從2024年的82%驟降至今年的49%。企業首席技術官的信心也有所下降，儘管降幅沒那麼大。Akkodis的調查稱，這些變化“可能反映了先前在數字化或AI項目上令人失望的結果、實施中的延遲或失敗，以及對可擴展性（scalability）的擔憂。” 上週，媒體對麻省理工學院媒體實驗室研究的報道，恰逢英偉達（Nvidia）、Meta和 Palantir 等高估值的AI相關股票下跌。當然，相關性不等於因果關係，OpenAI首席執行官薩姆·奧爾特曼（Sam Altman）最近的言論可能在這次拋售中扮演了更重要的角色（鑑於近期的價格漲幅，拋售在所難免）。據CNBC報道，奧爾特曼在一次與記者的晚宴上表示，目前的估值“高得離譜”（insane），並在15秒內三次使用了“泡沫”（bubble）一詞。 儘管如此，麻省理工學院的這份研究還是吸引了大量關注。在最初一輪新聞報道之後，有消息稱，與許多科技公司有聯繫的媒體實驗室正在悄悄限制對該報告的訪問。我留給該組織公關辦公室和兩位報告作者的信息都石沉大海。 儘管這份報告比一些新聞報道所描述的要微妙，但它無疑對2022年11月OpenAI發佈ChatGPT以來支撐科技繁榮的宏大經濟敘事提出了質疑。這個敘事的簡版是：生成式AI的廣泛傳播對工人（尤其是知識工作者）不利，但對公司及其股東卻極為有利，因為它將帶來生產率的巨大飛躍，並因此帶來豐厚利潤。 為什麼這一幕似乎還沒有發生？一個可能的原因讓人想起了上世紀八九十年代的一種觀點，即管理失誤限制了計算機帶來的生產力效益。媒體實驗室的研究發現，一些最成功的AI投資是由初創公司做出的，它們在工作流程的狹窄領域使用了高度定製化的工具。而在“生成式AI鴻溝”（GenAI Divide）的另一邊，那些不太成功的初創公司“要麼在構建通用工具，要麼試圖在內部開發能力”。報告更籠統地指出，成功與失敗的分野“似乎不是由模型質量或監管驅動的，而是由（實施）方法決定的。” 可以想象，生成式AI的新穎性和複雜性可能讓一些公司望而卻步。諮詢公司高德納（Gartner）最近的一項研究發現，只有不到一半的CEO相信他們的首席信息官“精通AI”。但對於媒體實驗室報告中凸顯的失望記錄，還有另一種可能的解釋：對於許多成熟企業而言，生成式AI（至少在目前的形式下）根本沒有被吹噓的那麼神。“它在頭腦風暴和撰寫初稿方面非常出色，但它記不住客戶的偏好，也不會從以前的編輯中學習，”媒體實驗室調查的一位受訪者說。“它會重複同樣的錯誤，每次會話都需要輸入大量上下文（context）。對於高風險的工作，我需要一個能夠積累知識並不斷改進的系統。” 當然，有很多人覺得AI很有用，也有學術證據支持這一點：2023年，麻省理工學院的兩位經濟學家發現，在一項隨機試驗中，接觸ChatGPT的參與者能更快地完成“專業寫作任務”，寫作質量也有所提高。同年，其他研究團隊也發現，使用Github的Copilot（一款AI編程助手）的程序員，以及使用了專有AI工具的客戶支持代理，都獲得了生產率提升。媒體實驗室的研究人員發現，許多員工正在工作中使用他們的個人工具，如GPT或Claude；報告將這種現象稱為“影子AI經濟”（shadow AI economy），並評論說“它帶來的投資回報率（ROI）”往往優於僱主發起項目。但問題依然存在，而且這肯定是公司高管們會更頻繁提出的問題：為什麼沒有更多的公司看到這些效益體現在最終的（公司）利潤中？ 部分問題可能在於，生成式AI雖然引人注目，但在經濟的許多領域中應用有限。休閒和酒店業、零售業、建築業、房地產業和護理行業（照顧兒童、老人或體弱者）——這些行業總共僱傭了大約五千萬美國人，但它們看起來並不像是AI轉型的直接候選者。 ...