未來并未真正到來，卻又似乎正加速到來。ChatGPT的熱潮最重要的現(xiàn)實意義可能恰在于，它激發(fā)了整個人類對AI(人工智能)的深度思考和高度警覺。我們認為，AI技術發(fā)展將從微觀、宏觀和歷史三個層面，對人類經(jīng)濟社會產(chǎn)生深遠影響。
(資料圖片僅供參考)
微觀層面，大語言類模型的通用性和泛化能力，將刺激未來5~10年AI系統(tǒng)不斷與移動設備、音頻、圖像、視頻等行業(yè)領域加速融合，更大規(guī)模的數(shù)據(jù)、更好的算法、更快的訓練將為經(jīng)濟活動創(chuàng)造更有價值的商業(yè)工具。
宏觀層面，AI技術對現(xiàn)實經(jīng)濟活動的影響仍存在一定滯后性(“生產(chǎn)力悖論”)，這使得現(xiàn)有的經(jīng)濟增長模型很難全面反映AI或者數(shù)據(jù)要素創(chuàng)新對經(jīng)濟潛在增長的復雜影響，而隨著AI的泛化能力和對目標理解的不確定性不斷強化，AI技術創(chuàng)新對商業(yè)價值的釋放將變得更加不可預測，這將導致經(jīng)濟增長的不連續(xù)變化成為常態(tài)。
歷史層面，對大語言類模型引領未來AI發(fā)展不宜過于樂觀，畢竟大語言類模型結合強化學習并非真正的智能，真正的人工智能需要具備判斷常識和自我推理能力。正如OpenAI自己所講：“ChatGPT不是真正的智能，但它讓人們體驗到了真正智能實現(xiàn)后，每個人都能通過智能實現(xiàn)他們目標的滋味?！?/p>
微觀層面：AI技術的不斷演繹與迭代或?qū)硇乱惠啈脛?chuàng)新
近20年來，人工智能技術的發(fā)展基本分為三個階段。第一個階段是2015年以前，人們對AI模型的設計和應用強調(diào)“解構化”，即通過不同的小型模型理解人類語言并分析不同情景中的工作任務。通常這類模型基于“監(jiān)督式學習”并用于工業(yè)制造業(yè)、交通貨運、欺詐分類等特殊場景中。然而，這類小型模型距離大規(guī)模通用性仍有很遙遠的距離。
2015年之后，Google Research 的里程碑式論文“Attention is All You Need(注意力就是你所需要的一切)”介紹了一種新的用于自然語言理解的神經(jīng)網(wǎng)絡模型(Transformers)。這類模型通過“無監(jiān)督式模型”可以以更少的訓練時間生成更高質(zhì)量的語言模型。Google進一步把這些模型開始具有目標性地應用于不同的特定領域中。
2015~2021年以來，隨著這些模型訓練數(shù)據(jù)的量級不斷增加，模型生成的精準度不斷上升。結合AI科學家將強化學習模型納入到神經(jīng)網(wǎng)絡模型中加強了機器人的記憶力，這使得AI對文字、音樂、繪畫、語音、圖像、視頻等領域的理解逐漸超過了人類平均水平。ChatGPT正是在這樣的背景下實現(xiàn)了從量變到質(zhì)變的跨越。我們認為，ChatGPT等人工智能技術可以幫助人類實現(xiàn)更多的數(shù)據(jù)要素創(chuàng)新，從而改變和豐富消費者行為。
具體來說，ChatGPT相比過去的機器人最大的不同在于記憶能力。通過在人類環(huán)境中不斷進行強化訓練，ChatGPT可以靈活記憶與人溝通的對話信息，并實現(xiàn)連續(xù)對話。相比過去的Siri或者傳統(tǒng)搜索引擎，ChatGPT能夠從人類反饋中不斷實現(xiàn)強化學習，這直接改變了經(jīng)濟社會中人類直接獲取信息和輸出內(nèi)容的方式。一旦獲取信息的中間成本被大大降低，數(shù)字經(jīng)濟中數(shù)據(jù)要素的使用效率將顯著提高，勞動生產(chǎn)力也將得到進一步的釋放。
此外，隨著ChatGPT的不斷迭代，AI自動生成內(nèi)容將變得更加豐富。不論是在文字、音樂、繪畫、語音，還是圖像、視頻、游戲等領域，AI參與生成的可能性將大大提高。我們預料，圍繞ChatGPT等大語言模型，2022年后的未來10年大量的程序開發(fā)將不斷涌現(xiàn)(表1)，這或?qū)⒓铀俅笳Z言系統(tǒng)與當前互聯(lián)網(wǎng)移動設備、智能相機、語音識別系統(tǒng)進行深度融合，從而深度改變當前全社會的消費模式和消費行為。
宏觀層面：人工智能技術對現(xiàn)實經(jīng)濟增長影響仍存在滯后，未來AI技術將加劇經(jīng)濟增長的不規(guī)則性
根據(jù)諾貝爾經(jīng)濟學獎得主保羅·羅默(Paul Romer)的觀點，當前全球經(jīng)濟增長低迷、勞動生產(chǎn)率長期停滯的主要原因是我們還沒有深刻了解如何充分實現(xiàn)和轉(zhuǎn)化數(shù)字經(jīng)濟利益在經(jīng)濟進步中的貢獻。從問題的根源說起，當前經(jīng)濟學家對于經(jīng)濟長期停滯有多種解釋，包括低效的商業(yè)投資、人口老齡化、技術創(chuàng)新普遍下滑等。但羅默指出，技術創(chuàng)新普遍下滑的說法可能是不嚴謹?shù)?。進入信息時代，圍繞數(shù)據(jù)要素的技術創(chuàng)新迭代相比傳統(tǒng)技術創(chuàng)新迭代的路徑與方向正在發(fā)生變化。以人工智能、大數(shù)據(jù)、區(qū)塊鏈為代表的新一代信息技術與傳統(tǒng)全要素生產(chǎn)率和經(jīng)濟增長之間存在影響滯后性。
斯坦福大學經(jīng)濟學家保羅·大衛(wèi)(Paul David)進一步將這種滯后描述為“生產(chǎn)力悖論”，他發(fā)現(xiàn)現(xiàn)代計算機革命對生產(chǎn)力水平的顯著提高可能比20世紀電力對生產(chǎn)力的推動需要更多的時間?；诂F(xiàn)有的文獻，AI技術與生產(chǎn)率之間存在顯著的“擴散滯后”。這是因為人工智能的發(fā)展依托于對數(shù)據(jù)的訓練，而當前AI技術對數(shù)據(jù)的收集、處理和訓練都需要較長的時間。以ChatGPT為例，相比Web1.0和Web2.0單向內(nèi)容輸出，盡管ChatGPT具備了雙向輸出和互動的能力，然而ChatGPT從獲取數(shù)據(jù)到訓練數(shù)據(jù)仍需要較長的周期。當前ChatGPT的數(shù)據(jù)更新為2021年，這意味著ChatGPT并不知道2022年以后發(fā)生的事情。實時數(shù)據(jù)無法被動態(tài)更新，使得ChatGPT等基于神經(jīng)網(wǎng)絡模型的AI技術很難滿足商業(yè)價值創(chuàng)造所需的即時性。
此外，AI技術幾乎每一次迭代都需要外部基礎設施作出相應升級改造，但外部相關基建和硬件設施往往難以在短期內(nèi)有效支持AI相關技術較高的配套訴求。比如基于區(qū)塊鏈技術的智能合約可以幫助企業(yè)間實現(xiàn)更加快速、安全、便捷的合作協(xié)議，但區(qū)塊鏈技術的全面落地實際需要基于Web3.0網(wǎng)絡搭建，而Web3.0的建設則需要實現(xiàn)去信任的交互協(xié)議平臺、分布式存儲和隱私計算三大底層基礎設施支持，這也是為什么人們在現(xiàn)實活動中很難深切感覺到AI相關技術對傳統(tǒng)的生活方式產(chǎn)生了直接性的沖擊。然而，隨著人工智能通用性和對目標理解的不確定性不斷強化，AI技術創(chuàng)新對商業(yè)價值的釋放將變得更加廣泛和不可預測，這意味著未來技術創(chuàng)新對經(jīng)濟增長造成的不連續(xù)變化將逐步成為常態(tài)。
歷史層面：ChatGPT僅僅是AI發(fā)展過程中的一條分支，不宜過分樂觀
ChatGPT在人工智能領域中主要構建于大語言歸納模型。大語言模型主要是利用自然語言和神經(jīng)網(wǎng)絡模型對人類生產(chǎn)的語言類數(shù)據(jù)進行訓練，并結合強化學習不斷強化AI對人類語言的理解能力。從反饋機制來看，ChatGPT的智能回應是基于龐大數(shù)據(jù)量上的梯度下降得到的。但值得強調(diào)的是，純粹的梯度下降并不等同于智能化。所謂AI的智能性，不僅僅是對知識的歸納處理，最重要的意義是AI學會進行知識推理并具備認知常識的能力。
過去5年，ChatGPT的通用性和泛化能力確實得到顯著提升，但在模型中我們實際并不知道該模型泛化能力是如何通過模型訓練具體形成的，我們也很難明確通用性和泛化性的邊界在哪里。因此，如果僅僅將ChatGPT視為一種幫助人們實現(xiàn)目標的工具，它確實能夠產(chǎn)生更多的商業(yè)價值。但如果將ChaGPT等大語言類AI技術視為改變?nèi)祟愇拿鞅赜傻耐緩絼t有些言過其實。因為只有當AI真正實現(xiàn)知識推理，才能說AI具備了真正的智能化。
另外需要注意，隨著AI技術的發(fā)展，人類的確存在對AI失去控制的風險。無論是從運籌學的最優(yōu)獎勵機制、統(tǒng)計學的最小損失函數(shù)，還是經(jīng)濟學的效用最大化，在現(xiàn)今所有標準模型下對機器人的指令幾乎都會導致AI失控。這是因為標準模型下AI在實現(xiàn)目標的過程中很可能會不惜一切代價實現(xiàn)目標，甚至包括脫離控制本身。因此在未來5~10年內(nèi)，無論是大語言模型還是其他AI模型都會不斷納入新的技術以尋求AI對人類偏好的進一步認知，這也反映了人機互動將是不可避免的發(fā)展趨勢。也只有這樣，才能保證在AI擁有自我判斷能力和常識前，人類可以足夠降低AI失控的風險。
回顧AI的發(fā)展史，當前人們對人工智能的探索仍處于類似工業(yè)文明爆發(fā)前期的“啟蒙時代”。確切來說，我們對于智能的實現(xiàn)是基于長期實驗和觀察累計的經(jīng)驗歸納總結，人類要想實現(xiàn)真正的人工智能并構建真正的智能系統(tǒng)，根本上是解決如何用數(shù)學或其他語言去描述宇宙中包含的各種不規(guī)則性。如果我們忽略了數(shù)理邏輯以及知識推理對人工智能發(fā)展的真實意義，人類很可能會再次陷入一場“自欺欺人”的騙局之中。
（文章來源：第一財經(jīng)）
標簽：
