#模型时代# 斯坦福AI经济学课：人和AI的关系除了替代还有互补。

Anthropic CEO Dario在达沃斯论坛接受采访的时候谈AGI时代的经济规则（跳转：http://t.cn/A63I2W6v），他引用了一下斯坦福大学教授兼高级研究员Erik Brynjolfsson（埃里克·布林约尔松）的观点，说将AI发展目标定位为完全替代人类是一个概念性误区，这种思维方式源于Alan Turing（图灵）和其他早期AI先驱，他们倾向于将"实现人类水平的智能"作为终极目标。但从经济学视角看，技术创新可以产生替代效应或互补效应。

Erik Brynjolfsson大家可能不一定那么熟悉，但他是信息经济学领域最著名的学者之一（引用率相当高），他在斯坦福有一门课，The AI Awakening:
Implications for the Economy and Society（Econ 295/CS323），邀请了很多业内大咖做授课。其中非常出圈的一期就是谷歌前CEO施密特的，由于在讲座里说了很多大实话被吐槽最终视频下架。因为谈到Google与OpenAI的竞争时，施密特直言不讳说："谷歌倡导工作与生活的平衡、早点回家和在家工作比获胜更重要，初创公司之所以能成功，是因为人们拼命工作。"（跳转：http://t.cn/A6Rzyo9z）

而这期视频，是Erik Brynjolfsson教授自己的讲座，他从信息经济学角度分析了AI对社会经济的影响。看到这么多AI公司CEO引用他的观点，参与他的课程，也足见他在这个领域的理解深度。这波大模型浪潮让世界的变化速度太快了，他的讲座不过是几个月前的事情，但是当时谈星际之门还是微软和OpenAI的1000亿美金计划，而现在已经是软银、甲骨文、OpenAI等主力参与的5000亿美金计划了。

这个时代，谁也不能预测未来，因为我们每一个人的每一个动作，都会像大模型中的参数连接，对整个模型的输出产生影响，改变世界的权重。

最后，虽然Erik Brynjolfsson教授说人和AI的关系可以是互补，但是我想说可能走到某一天，有资格和AI互补的人，也是很少的。（“你什么资格，和我看一样的电视”）

***
一、AI突破与社会调适的鸿沟
在课程伊始，BrynjolfssonBrynjolfsson提出了一个引人深思的观察：当前AI技术发展呈现出明显的拐点特征。几乎所有他采访过的AI研究者都承认对最近的进展感到惊讶，这种情况在技术发展史上并不常见。例如，在图像识别领域，AI已经在多个基准测试中超越人类表现。然而，与技术进步形成鲜明对比的是社会响应的迟滞。

Brynjolfsson用一个生动的例子说明这种反差：他在国会作证时发现，过去谈论技术变革时议员们往往兴趣寥寥，而现在他们会提前研读所有相关材料，因为他们意识到AI正在产生实质性影响。尽管目前AI产业的直接经济产出可能不够显著（2023年生成式AI软件收入仅约30亿美元），但几乎所有人都在押注它的未来价值。

更深层的挑战在于：即使现在技术进步完全停滞，已有的AI创新在未来5-10年内持续推动生产力提升。这种"技术债务"凸显了加快社会适应的紧迫性。Brynjolfsson强调，相比试图阻止技术发展，更明智的选择是加快我们对这一变革的理解和调适速度。

二、数据、算力与"苦涩教训"的深意
理查德·萨顿的《苦涩教训》（The Bitter Lesson）揭示了AI进步背后的基本规律。在AI发展早期，研究者们倾向于设计精巧的算法和知识表示方法，试图将人类对特定领域的理解直接教给机器。这种方法在某些特定任务上确实能取得进展，但始终难以突破瓶颈。
Brynjolfsson以语言理解为例详细阐释了这一点：早期研究者试图通过详尽的语法规则和语义框架来教机器理解语言，但效果始终有限。然而，当我们转而采用海量数据训练的方法，让机器自主学习语言规律时，却取得了意想不到的效果。比如，今天的大语言模型能够展现出令人惊讶的语言理解能力，而无需显式编程语法规则。

这个"苦涩"教训之所以苦涩，是因为它某种程度上否定了AI研究者们的"精巧设计"取向。但从另一个角度看，这也是一个"美妙"的教训，因为它为AI发展指明了一条更可行的道路：通过扩展数据和算力来实现性能提升。这也解释了为什么今天的科技巨头都在大规模投资数据中心和算力设施。

三、自监督学习的革命性突破
当前AI领域最重要的技术突破之一是自监督学习的广泛应用。传统的监督学习需要大量人工标注数据，这既耗时又昂贵。比如，ImageNet数据集的构建就需要大量研究者手动标注图像内容。但自监督学习打开了新的可能性。

Brynjolfsson详细解释了大语言模型的训练原理：系统通过预测句子中被遮挡的词来学习语言知识。这种方法的优势在于，它可以利用互联网上海量的未标注文本进行训练，无需人工干预。更令人惊讶的是，为了准确预测下一个词，模型必须逐渐形成对语法、语义，甚至世界知识的理解。

这种训练方法的成功也启发了其他领域的应用。例如，在图像生成领域，模型可以通过预测图像中被遮挡的部分来学习视觉知识。在某些特定领域，如AlphaZero的围棋训练，甚至可以通过自我对弈来生成训练数据。这种自监督范式的普及，大大降低了AI系统的训练成本，加速了技术创新。

四、规模效应与发展瓶颈
BrynjolfssonBrynjolfsson重点讨论了AI性能与规模的关系。研究显示，当同比例增加计算资源、数据量和模型参数时，AI性能会呈现可预测的对数线性提升。这一发现推动了科技巨头的大规模投资，如微软和OpenAI正在投入1000亿美元建设代号为"Stargate"的超级数据中心。

然而，这种扩张路径面临两个根本性挑战。首先是数据瓶颈——目前的模型已经消化了互联网上的大部分优质数据，未来获取新数据的难度将显著提升。一些研究者提出使用AI生成的数据进行训练，但这种方法的有效性还有待验证。就像Brynjolfsson所说："用机器生成句子然后用这些句子训练机器，这怎么可能有效呢？"

第二个挑战是经济可行性。从图表上看，每个性能提升节点都需要100倍的资源投入。即使现有模型造价已达数亿美元，继续这种扩张很快就会超出经济承受能力。这促使研究界开始寻找新的突破方向，比如提升算法效率或探索新的学习范式。

五、AI通用目的技术的双重属性
在历史视角下，Brynjolfsson将AI定位为继蒸汽机、电力之后的新一代通用目的技术（GPT）。它具备三大典型特征：影响经济广泛领域的渗透性、持续改进的潜力、以及催生配套创新的能力。有趣的是，Brynjolfsson认为AI可能是"最通用"的通用目的技术，因为智能本身就是解决问题的基础能力。

不过，AI作为通用目的技术也展现出独特的双重性。一方面，它能够迅速适应不同应用场景，展现出前所未有的灵活性。另一方面，其发展轨迹呈现出明显的"二八定律"——在频繁出现的标准任务上表现出色，但在处理罕见或复杂情况时仍显得力不从心。这种特性暗示了人机协作可能是长期存在的范式。

Brynjolfsson用一个生动的案例说明这点：在客服场景中，AI能够很好地处理"如何修改密码"这类高频问题，但面对复杂的税务咨询等低频问题时，仍需要人工介入。这种基于任务频率的自然分工，可能代表了AI应用的一般规律。

六、从替代到互补的认知转变
Brynjolfsson对图灵测试式的思维提出了深刻批评。他认为，将AI发展目标定位为完全替代人类是一个概念性误区。这种思维方式源于Alan Turing和其他早期AI先驱，他们倾向于将"实现人类水平的智能"作为终极目标。

但从经济学视角看，技术创新可以产生替代效应或互补效应。纵观历史，真正推动生产力大幅提升的往往是后者。例如，推土机没有替代工人，而是显著提升了工人的生产效率。计算机也主要通过增强人类能力而非替代人类来创造价值。这解释了为什么现代劳动力的价值能比几百年前提升50倍。

Brynjolfsson特别强调，选择技术发展路径不仅关系到效率，更关系到社会公平。如果过度追求替代效应，可能导致劳动收入占比下降，进而影响劳动者的社会政治地位。相比之下，强调互补效应的发展路径更有利于实现共同富裕。

七、人机协作的实践智慧
Brynjolfsson分享了一个由斯坦福校友创立的AI辅助呼叫中心案例。系统不是简单地试图替代人工客服，而是通过分析历史通话记录，向客服人员提供实时建议。研究发现，这种协作模式带来了显著的多维度价值：整体效率提升14%，新手员工的提升幅度更是达到35%。

更值得注意的是其社会影响。数据显示客户满意度上升，而员工离职率下降。通过情感分析发现，客户在通话中出现积极情绪词的频率更高。这证明了良好的人机协作不仅能提升效率，还能改善服务体验和工作满意度。Brynjolfsson强调，这种"共赢"模式才是AI应用的理想方向。

该案例还揭示了AI应用的一个重要模式：系统通过学习高绩效员工的最佳实践来辅助新手，实现了知识在组织内的高效传播。这种模式可能对未来工作场所的学习与发展产生深远影响。

八、AI发展阶段论
Brynjolfsson借鉴自动驾驶的六个级别（L0-L5），提出了评估AI系统发展水平的框架。他认为大多数任务都会经历从完全人工到完全自动化的渐进过程，其中人机协作是一个重要的过渡阶段。

这一观点得到了国际象棋发展史的印证。在AI击败人类之前，确实存在一个人机协作优于纯机器的阶段。即便使用较弱的计算机，只要掌握了正确的协作方式，人机组合就能击败最强大的AI系统。不过，随着技术进步，纯机器最终在象棋领域超越了人机协作。
Brynjolfsson认为，理解不同任务在这一进程中的位置至关重要。某些任务（如标准化计算）可能快速实现完全自动化，而另一些任务（如创意工作）可能长期停留在协作阶段。这种认知有助于组织制定更明智的AI应用策略。

九、"图灵陷阱"的深层忧思
课程最后，Brynjolfsson提出了"图灵陷阱"的警示。如果技术发展完全聚焦于替代人类，即使能实现理论上的"无限生产力"，也可能带来严重的社会问题。当劳动收入趋近于零时，不仅是经济分配问题，更可能动摇民主社会的根基。

这一担忧并非空穴来风。过去几十年，美国高中及以下学历劳动者的实际工资已经出现下降，尽管整体生产力在提升。这表明技术进步带来的收益并未均衡分配。如果AI主要作为替代性技术发展，这种趋势可能进一步加剧。

Brynjolfsson呼吁在AI发展方向上做出明智选择：不是简单追求自动化，而是思考如何通过技术创新增强人的能力，实现更广泛的社会福祉。这需要政策制定者、企业家和研究者的共同努力。毕竟，技术本身是中性的，关键在于我们如何引导其发展方向。 http://t.cn/A63IyVfX