新晋诺得主警告：别做梦了，AI难有「经济奇点」！

新智元报道

编辑：KingHZ

【新智元导读】从蒸汽机到AI，自动化进程已持续两百年。在2017年，新晋诺奖得主Philippe Aghion就剖析AI对就业与增长的影响，强调它并非奇点催化剂，而是受「鲍莫尔成本病」制约的工具。

今年诺奖和AI「绝缘」？

2024年，「AI教父」Geoffrey Hinton获物理学奖，谷歌DeepMind的Demis Hassabis和John Jumper因AlphaFold2获化学奖，堪称诺贝尔奖的AI元年。

今年，因为量子硬件，谷歌再次斩获诺奖——谷歌量子AI首席量子硬件科学家Michel Devoret获物理奖。

不过，这次Michel Devoret获奖，全靠量子，与AI关系不大。

而昨天，今年诺贝尔经济学奖揭晓了：

因阐释了创新如何为持续发展提供动力，Joel Mokyr、Philippe Aghion和Peter Howitt今年的诺贝尔经济学奖。

诺贝尔经济学奖，全称「瑞典中央银行纪念阿尔弗雷德·诺贝尔经济学奖」，由瑞典中央银行和诺贝尔基金会于1968年设立

新晋诺贝尔经济奖得主与AI关系可谓密切。毕竟，创新怎能少得了AI？未来若要可持续发展，岂能无视AGI！

早在2017年，刚刚荣获诺贝尔经济学奖的法国经济学家菲利普·阿吉翁（Philippe Aghion）就探讨过AI与经济增长。

2024年，Philippe Aghion还在旧金山联邦储备银行还参与了关于AI的增长和就业效应。

新晋诺奖得主：经济难有奇点

1992年，Philippe Aghion和Peter Howitt发表了一篇论文，为「创造性破坏」理论构建了数学模型：当更优质的新产品进入市场，销售旧产品的企业就将被淘汰。这让他们赢得今年的诺贝尔经济学奖。

论文标题：A Model of Growth Through Creative Destruction

创新意味着新事物的诞生，因而具有创造性；但同时它又具有破坏性，因为技术落伍的企业将在竞争中被淘汰。

Philippe Aghion和Peter Howitt

从不同角度，这届新晋经济学诺奖得主揭示了「创造性破坏」如何引发社会矛盾，而这些矛盾需要通过建设性方式加以疏导。

否则，创新就会面临被既得利益集团阻挠的风险——

那些可能因创新而丧失优势地位的企业和利益集团将成为阻碍。

诺贝尔经济学奖评委会主席约翰·哈斯勒指出：

获奖者们的研究警示我们，经济增长绝非必然。我们必须维护创造性破坏的运行机制，否则社会将重新陷入停滞困境。

2017年，Philippe Aghion等人探讨AI对经济增长的影响。

论文链接：https://www.nber.org/system/files/working_papers/w23928/w23928.pdf

在论文中，他们给AI两种定义：

机器模仿人类智能行为的能力，

或在多样化环境中，智能体实现目标的能力。

这些定义直接触及若干关键经济议题：当AI逐步取代原由人力承担的各类任务时，将引发何种连锁反应？

AI既可能通过参与商品服务生产影响经济增长与收入分配，又可能改变技术创新范式，助力复杂问题解决与创造性工作的规模化拓展。

有观点认为，AI或将实现自我迭代升级，最终在有限时间内引发智能爆炸和/或经济无限增长的「奇点」。

他们形成了两个核心观点。

首先，AI是持续至少两百年的自动化进程的最新形态。

从珍妮纺纱机到蒸汽机，从电力到计算机芯片，生产环节的自动化始终是工业革命以来经济增长的关键特征。

他们认为AI作为一种新型自动化形式，可能攻克过去无能为力的领域——

既包括非程序化任务（如自动驾驶汽车），也涵盖高技能领域（如法律服务、放射医学及部分实验室科研）。

这种视角的优势在于，它能借助经济增长与自动化的历史经验来规范我们的AI模型构建。

第二个核心观点是：自动化与AI对经济增长的促进作用，可能受「鲍莫尔成本病」理论制约。

1967，鲍莫尔发现，生产率快速提升的部门（如农业及当今制造业）在GDP中占比往往下降，而生产率增长相对缓慢的部门（可能包括众多服务行业）占比反而上升。

鲍莫尔成本病，以经济学家William J. Baumol的名字命名，描述了一种现象：劳动密集型行业尽管生产率增长缓慢，但成本却不断上升。

尽管技术进步推动了一些行业的生产率提升，但那些依赖人力劳动的行业，如医疗保健和教育，生产率增长较慢。

随着工资与更具生产率的行业同步上升，劳动密集型行业的成本增加，却没有相应的效率提升。这可能导致资源越来越多地分配到生产率较低的行业，从而加剧整体经济挑战。

随着AI越来越多地取代人类参与创意生成，传统依赖人口增长来实现指数型经济增长的机制可能会变得不再必要。

然而，即便如此，鲍莫尔的观点依然适用：即便许多任务实现了自动化，增长仍可能受制于「卡脖子环节」——关键但难以优化。

换句话说，决定增长极限的，不是AI能做什么，而是我们「最做不好」的那部分能不能变好。

事实上，计算速度的惊人进步（如摩尔定律的体现）正是一个警示：尽管算力提升了上万倍，但整体经济增长却并未加速，甚至可能在放缓。

因此，从「卡脖子任务」的角度看，决定最终增长边界的，或许不是认知能力的极限（即使超级智能能突破人类限制），而是自然法则本身——比如热力学第二定律这类无法逾越的边界

如果创新中的某些关键步骤仍然需要人类研发，那么超级AI反而可能加剧「商业掠夺效应」（business-stealing），从而抑制人类的创新投入，最终使经济增长放缓甚至停滞。

即便AI能极大提高生产率，如果创新的应用范围无法迅速扩大，其对整体经济增长的贡献也会受到限制。

例如，历史上许多重大技术突破（如电力、内燃机、互联网等）在被广泛应用之前，通常都经历了几十年的滞后期。

即使AI本身快速迭代，若缺乏配套环境支撑，它的影响仍可能过于局限，而无法带动整体经济爆发式增长。

后AGI经济

谷歌DeepMind的AGI政策开发主管Séb Krier认为，菲利普·阿吉翁（Philippe Aghion）和Benjamin F. Jones, and Charles I. Jones合作的论文非常好。

Séb Krier总结了论文的核心观点：

由于鲍莫尔成本病（Baumol's cost disease），即使经济中99%的部分已实现完全自动化、具备无限生产力，但整体增长率仍会被拖累，取决于最后那1%关键而困难任务的进步速度。

Séb Krier继续解释：即便通用AI（AGI）能够自动化人类所能完成的所有任务这种逻辑中依然成立。

在这种情况下，「难以改进」的任务将不再以人类为中心，而是以物理规律为中心。

经济的增长率不再取决于AGI「思考」的速度或能力，而取决于它操控物理世界的速度。

最后，Séb Krier得出结论，从根本上说，后通用AI（AGI）时代并不一定意味着后稀缺时代：

整个经济的成本和价值将集中在受物理条件限制的任务上，例如能源生产、资源开采、商品制造、交通运输等。

不过，MIT FutureTech等机构的Tamay Besiroglu， Nicholas Emery-Xu和Neil Thompson提出了另一种观点。

预印本链接：https://arxiv.org/abs/2212.08198

Séb Krier指出新论文与Philippe Aghion论文截然不同：

这篇论文（隐晦地）反驳了「鲍莫尔病」（Baumol's disease）的观点，认为资本密集型研发带来的提升足够强大，能克服鲍莫尔病造成的阻力。

Tamay Besiroglu等人认为，如果深度学习等AI技术广泛传播，美国的经济增长率或许能翻倍！

在传统经济学理论中，新点子的生成速度主要取决于研究人员的数量——力大出奇迹。

与传统的观点不同，他们认为AI增强的研发（AI-augmented R&D）完全不同，因为它更依赖资本投入，而不是劳动力。

而且，资本可以无限积累。比如，DeepMind CEO德米斯·哈萨比斯表示，AI将很快把药物发现从数年压缩到几个月。

如果把这个模式推广到所有领域，每个研究人员的生产力会永久提升，从而带来永久更快的科技进步速度，这最终直接推动整体经济增长更快。

总之，Séb Krier认为，AGI可能带来更高的增长水平。

在大部分人类历史时期，经济停滞是常态。尽管其间偶有重大发现有时能改善生活条件、提高收入水平，但经济增长最终总会趋于平缓。

而要进入奥特门「温和的奇点」，不止是AGI技术，还需要更多的探索。

参考资料：

https://www.nber.org/system/files/working_papers/w23928/w23928.pdf

https://x.com/sebkrier/status/1977824276339458051