高盛還討論了人工智能領域目前最引人注目的投資機會，以及投資者最應關注的近期風險。

編者按：本文來自微信公眾號騰訊科技（ID：qqtech），微新創想經授權轉載，頭圖來源攝圖網

自OpenAI開發的生成式人工智能工具ChatGPT于去年11月發布以來，投資者對生成式人工智能技術的興趣激增。這種技術的顛覆性潛力，以及圍繞它的炒作和市場定價是否太過分，是人們關注的焦點。

投行高盛采訪了硅谷投資公司Conviction的創始人莎拉·郭（Sarah Guo）、紐約大學的加里·馬庫斯（Gary Marcus）以及高盛的首席軟件和互聯網分析師卡什·雷根（Kash Rangan）和分析師埃里克·謝里丹（Eric Sheridan），探討該技術在現階段能做什么和不能做什么。

高盛的經濟學家隨后評估了人工智能對生產力和經濟增長的潛在巨大影響。高盛的股票策略師估計，生成式人工智能技術可能推動美國股市在中長期內的顯著上漲，不過他們也警告稱，過去的生產率繁榮導致股票出現泡沫，并最終被刺破。

高盛還討論了人工智能領域目前最引人注目的投資機會，以及投資者最應關注的近期風險。

• “我們進入我認為的‘軟件3.0’ 時代……企業不再需要收集這么多訓練數據，這使得該技術一下子更有用、更方便、更便宜。”——莎拉·郭

• “人工智能系統的智能被過度夸大……那些認為通用人工智能（AGI）即將到來的人幾乎肯定是錯的。——加里·馬庫斯

• “人工智能目前可能還沒有進入炒作周期……該技術的周期并沒有由嶄露頭角的初創公司引領，這使其更不可能噴涌或需要很長時間才能啟動。”——卡什·雷根

• “在過去幾個月里，絕大多數因人工智能主題而表現優異的公司，在整個市場中仍以相對合理的市盈率進行交易。”——埃里克·謝里丹

目錄

一、宏觀新聞和觀點

二、生成式人工智能：是炒作還是真正的變革？

三、采訪人工智能風投——莎拉·郭

四、采訪人工智能專家學者——馬庫斯

五、詳解人工智能

六、人工智能發展史

七、分析師——關于人工智能的討論

八、人工智能對經濟的潛在巨大影響

九、美國股市：衡量人工智能上行空間

十、過去生產力繁榮時期的市場

---

一、宏觀新聞和觀點

我們將簡要介紹全球市場最重要的經濟體。

美國

高盛最新的專有數據/觀點的重大變化

–鑒于我們對經濟增長的預測高于共識以及美聯儲官員發出的信號，我們最近將美聯儲終端利率預期上調至5.25-5.5%（加息25個基點，最有可能在7月份）。

–鑒于債務限額的尾部風險已經過去，而且我們更加確信銀行收緊貸款只會適度拖累國內生產總值，因此我們最近將12個月的衰退概率下調至25%。

–我們最近將2023年12月的核心PCE通脹預期從3.7%下調至3.5%。

我們關注的數據點/趨勢

–美國勞動力市場；我們估計勞動力市場的趨緊到2024年初才會緩解到大流行前的水平。

日本

高盛最新的專有數據/觀點的重大變化

–我們最近將2023財年新的核心CPI通脹預期從3.6%上調至3.8%，這反映出我們最新的外匯假設。

我們關注的數據點/趨勢

–日本央行政策；我們繼續預計收益率曲線控制（YCC）將在7月份進行調整，最有可能的結果是將目標期限從10年縮短至5年。

–日本工資增長；更高的工資增長可以產生更可持續和更強勁的工資-價格動態，但在我們看來，工資-價格螺旋分化是不太可能的。

–日本消費者信心大幅上升。

歐洲

高盛最新的專有數據/觀點的重大變化

–我們最近將歐洲央行的最終利率預期上調至4%（9月加息25個基點），原因是歐洲央行更新了通脹預測，且在6月會議上未提及“暫停”。

–我們最近上調了對英國央行8月份的預測，目前預計英國央行將在6月份加息50個基點（之前為25個基點），我們認為這意味著對英國通脹的更多擔憂以及英國央行反應函數的轉變。我們預計9月份最后一次加息25個基點，最終利率為5.75%（之前為5.5%）。

我們關注的數據點/趨勢

–歐元區核心通脹率，我們預計到今年年底將降至3.7%。

新興市場

高盛最新的專有數據/觀點的重大變化

–我們最近將2023年印度實際國內生產總值增長率預期從6%上調至6.4%，原因是出口凈增長。

我們關注的數據點/趨勢

–盡管大多數發達國家央行仍在繼續加息，但新興市場降息周期可能即將到來，拉美國家可能會一馬當先。

二、生成式人工智能：是炒作還是真正的變革？

繼人工智能芯片制造商英偉達在其第一財季財報中大幅上調營收預期后，OpenAI于去年11月發布了ChatGPT——一種利用自然語言提示創建內容的生成式人工智能工具，引發了投資者對生成式人工智能技術的興趣。事實上，英偉達的股價自上調以來已經上漲了30%以上，而少數幾家構建生成式人工智能核心基礎大型語言模型（LLMs，騰訊科技全文編譯注）的大型科技公司的表現也大幅跑贏大盤。但是，人工智能炒作是否過頭了？生成式人工智能技術的顛覆性潛力——以及它是否值得當前投資者的熱情–是市場關注的焦點。

我們首先探討一下吸引投資者注意力的人工智能生成技術的與眾不同之處。高盛美國軟件分析師雷根解釋說，該技術能夠以文本、圖像、視頻、音頻和代碼的形式創建新內容，并通過自然語言而非編程語言來實現，這是其關鍵的變革性特征。

專注于人工智能的風險投資公司Conviction的創始人莎拉·郭進一步解釋說，以前的人工智能技術迭代需要人類編寫確定性代碼來執行特定任務（“軟件1.0”），或者費力地收集訓練數據來訓練神經網絡完成特定任務（“軟件2.0”），而現在基礎模型（通過開源或API）的廣泛可用性（這些模型具有自然語言能力、推理能力和對世界的一般知識）減輕了企業收集訓練數據的負擔，開創了“軟件3.0”時代，企業可以更輕松、更低成本地利用這些“開箱即用”的能力來改造或提升其業務。

生成式人工智能的變革潛力已經開始轉化為現實。雷根表示，通過采用生成式人工智能工具，開發人員的工作效率在某些情況下提高了15%-20%。隨著這些工具的使用越來越普遍，莎拉·郭看到了未來的一系列應用，特別是隨著法律、數據分析、插圖、語音和視頻生成等傳統服務市場越來越多地使用人工智能。高盛美國TMT行業專家彼得·卡拉漢（Peter Callahan）指出，公共投資者認為這項技術具備平臺轉變的所有條件，有可能改變企業和消費者體驗的幾乎所有方面。

高盛全球高級經濟學家約瑟夫·布里格斯（Joseph Briggs）認為，這種變革潛力可能會產生深遠的宏觀影響。他估計，在美國和其他發達國家廣泛采用該技術后，10年內可將年勞動生產率增長提高約1.5個百分點，并最終將全球年國內生產總值提高7%。高盛美國股票策略師瑞安·哈蒙德（Ryan Hammond）和大衛·科斯提（David Kostin）認為，這種生產率的提升可能會在中長期內將迄今為止人工智能引領的相對狹窄的美國股市漲勢轉變為更廣泛的漲勢，從而將標準普爾500指數較當前水平提升9%。

但是，即使人工智能技術最終被證明是變革性的，在這一點上，圍繞該技術實際能帶來什么–以及市場定價是多少–的炒作是否已經過頭了？在談到當今人工智能系統的智能時，美國紐約大學心理學和神經科學名譽教授加里·馬庫斯（Gary Marcus）認為：“（目前）人工智能系統的智能化程度并不高。”

馬庫斯指出，目前人工智能工具中經常被吹噓的神經網絡與人類大腦神經網絡的功能完全不同；雖然人工智能機器可以進行反射性統計分析，但它們幾乎不具備有意推理的能力。雖然這些機器可以學習，但這種學習主要圍繞單詞的統計和對提示的正確反應；它們并不學習抽象概念。而且與人類不同，它們沒有內部模型來理解周圍的世界。馬庫斯說，通用人工智能最終可能會實現，但今天我們離它還很遙遠，再多的投資也不可能改變這一現狀。

談到市場，高盛的市場策略師多米尼克·威爾遜（Dominic Wilson）和維姬·常（Vickie Chang）指出，在過去創新引領的生產力繁榮時期，如電力（1919-1929年）、個人電腦和互聯網（1996-2005年）廣泛普及之后，股票價格和估值的急劇上升成為泡沫，并最終破滅。

即使在今天，莎拉·郭仍發現私募市場中存在一些定價錯誤的領域，因為一大批投資者在深入了解該領域的同時，也堅持采用相同的投資啟發式。她警告說，錯誤判斷這種轉變的時機是投資中的一個常見陷阱。盡管如此，作為一名早期投資者，她并不那么注重估值，而是選擇她認為具有重大上升空間的市場、產品和企業家。

高盛美國互聯網分析師謝里丹感到欣慰的是，最近在人工智能主題上表現出色的絕大多數公司仍以相對合理的市盈率進行交易。雷根認為，與其他大型技術周期（如從分布式系統到云計算的轉變）不同的是，在其他技術周期中，由于老牌企業的反對而導致技術應用放緩，而這次轉變是由全球最強大的技術公司推動的，因此人工智能可能并沒有進入炒作周期。

那么，當今最引人注目的人工智能投資機會在哪里？雷根和謝里丹認為，開發基礎人工智能模型的大型科技公司，以及為該領域提供服務的 “鋤頭和鏟子”企業–半導體公司、云計算超大規模公司和基礎設施公司–已做好準備，在當前的“建設”階段獲取收益。莎拉·郭對此表示贊同，但她也看到了整個堆棧中的機會，并對應用層感到最興奮，而目前廣大投資者對應用層似乎不太確定。

最后，投資者最應注意哪些風險？謝里丹正在密切關注消費者計算習慣改變的前景，這可能會顛覆現有的商業模式。莎拉·郭警告說，在當前的熱情中，辨別人工智能營銷和人工智能現實可能會很困難。雷根擔心，技術越普及，其價值就可能越低。

三、采訪人工智能風投——莎拉·郭

莎拉·郭是人工智能風險投資公司Conviction的創始人。此前，她是風投公司Greylock的普通合伙人。她在訪談中表示，人工智能的進步迎來了技術范式的轉變，這帶來了豐富的投資機會，特別是隨著軟件工程向“軟件3.0”轉型，傳統服務領域越來越多地由人工智能提供服務。但她也警告說，投資者有可能誤判如此巨大的技術變革的時間表，而且很難區分人工智能營銷和人工智能現實。

艾莉森·內森（Allison Nathan）：作為人工智能領域的長期投資者，是什么吸引你進入這個領域？

莎拉·郭：作為一名技術專家，很難不對人工智能感興趣。但從投資者的角度來看，我在Greylock工作時期就開始關注人工智能。機器學習（ML，騰訊科技全文編譯注）推動了許多我們熟知并喜愛的業務–谷歌、Meta、Uber、Instagram、LinkedIn、TikTok。這些企業都是算法企業，它們利用機器學習進行推薦、廣告和服務定價、檢測垃圾郵件和欺詐等許多其他應用。看到上一代機器學習技術對這些企業的重要性，我們自然而然地開始探索如何將這些經典的機器學習方法應用到其他領域。一個顯而易見的領域是網絡安全領域，如Awake、Abnormal或Obsidian Security等公司，因為它們的目標通常是從噪聲中發現信號。我們還發現了呼叫中心等領域的機會，以及自動駕駛汽車和送貨機器人等全新用例。我們預計，除了互聯網巨頭之外，其他公司也會希望利用這些機器學習功能，因此我們開始在下一代開發工具和基礎設施等領域尋找機會。

此外，在過去十年中，學術和工業實驗室在人工智能領域取得了令人難以置信的進步，如卷積神經網絡（CNN，騰訊科技全文編譯注）、生成式對抗網絡（GAN，騰訊科技全文編譯注）、強化學習（RL，騰訊科技全文編譯注）等。尤其是基于Transformer的放大模型，其能力和通用性令人震驚。過去五年的研究加速鞏固了我的信念，即人工智能的發展正在迎來范式轉變–這肯定是我投資生涯中看到的最大的技術轉變–絕大多數投資機會仍在前方。我們還在初始階段。

艾莉森·內森：與以往的人工智能發展相比，如今備受關注的生成式人工智能技術有何不同？

莎拉·郭：人工智能的最新進展并不僅僅是千篇一律。這些新的更通用、更強大的能力擴大了機器學習的相關范圍，實現了截然不同的產品用戶體驗。在機器學習出現之前，我們有“軟件1.0”–由人類逐個功能編寫的確定性代碼，一次執行一項任務。2017年，時任特斯拉自動駕駛團隊的技術專家安德里·卡帕西（Andrej Karpathy）創造了“軟件2.0”（Software 2.0）一詞來描述機器學習驅動的軟件開發，即主要工作不再是實際編寫軟件，而是收集訓練數據，針對特定任務訓練神經網絡。然而，傳統的機器學習開發周期包括標注數據收集和以可接受的質量水平實現單個任務的工程設計，勞動密集型程度高且成本高昂，這一直阻礙著機器學習的廣泛應用。

今天，我們正在進入我所認為的“軟件3.0”時代。在這個時代中，許多功能都是“開箱即用”的，其基礎模型要么是開源的，要么是通過API提供的。這些“基礎模型”具有自然語言能力、推理能力和世界常識。在這種模式下，企業不需要收集大量的訓練數據，這使得該技術突然變得更加有用、易用且成本更低。任何選擇投資人工智能的公司現在都可以投資調整這些模型，以增強或改造其業務。

艾利森·內森：即使生成式人工智能前景廣闊，目前的炒作是否夸大了該技術的能力？

莎拉·郭：誤判大型技術轉變的時間表是投資中的一個常見陷阱。我完全相信這一轉變將推動實質性的價值創造，但這是一個十年以上的轉變。與此同時，錯誤定價的領域無疑已經浮出水面。在私人市場上，一大批投資者正試圖了解如何接觸這項技術，或者至少如何考慮其風險狀況。在他們深入了解這一領域的同時，也傾向于采用更明顯的啟發式投資。例如，許多投資者在評估初創企業時，似乎都會看其領軍人物是否曾是OpenAI或DeepMind的研究人員，因為這個問題比特定產品或研究論文是否會成功要容易回答得多。

同樣，由于數據庫是眾所周知的軟件類別，矢量數據庫也受到了投資者的廣泛關注。盡管如此，我已經看到一些投資者變得更加懷疑，因為大多數企業尚未采用生成式人工智能，但這似乎是短視的。請記住，ChatGPT在去年11月才推出；企業規劃和執行的平均周期往往超過6個月。因此，投資者需要耐心等待。與互聯網、移動和云計算一樣，一些贏家立即崛起，但另一些則在十年后才出現。發現使用案例和構建優秀軟件需要時間和企業家的智慧。沒有人會因為Napster的失敗而停止對互聯網企業的投資。

艾利森·內森：目前該領域的高估值是否會讓你擔憂或感到不安？

莎拉·郭：投資者不應忽視近期技術市場各個階段的經驗教訓。所有公司最終都會按照現金流的倍數進行估值。但作為早期投資者，在一定范圍內，我們可以不那么關注估值，而更多地關注選擇市場和企業家，以發現突圍的贏家。

艾莉森·內森：那么，目前該領域最引人注目的投資機會在哪里？

莎拉·郭：我們正在進行全棧投資。首先，我們有鎬和鏟的投資；基礎設施、數據基礎設施和工程工作流程正在被重新構想。對英偉達圖形芯片容量的需求難以滿足，但圖形芯片集群的云管理和交付仍不成熟，遠遠落后于CPU。我們正在投資，使人工智能基礎設施對企業更友好，應用開發更容易。還有模型本身。其中一些業務仍將以大型實驗室為中心：OpenAI、谷歌、DeepMind、Anthropic等。但大的模型機會依然存在，例如在動作/代理、圖像、語音、視頻和機器人領域。我們尤其期待通過更好的代碼模型實現軟件開發的民主化。一般來說，開源語言模型的能力越來越強，而且這種情況可能會繼續下去，部分原因是Meta等大公司的貢獻。因此，將存在一系列模型提供商。針對公司或消費者特定數據利用這些模型并非易事，因此在智能標注數據、人工智能應用的數據管理以及更好地理解和協調這些模型方面存在大量機會。

實際上，我最感興趣的機會是應用層。許多投資者對這一層并不確定，他們認為所有的價值都在于模型訓練本身，但讓非確定性模型在生產用例中發揮作用需要大量的創造力和工作。初創公司和現有應用公司都將在許多領域利用這些能力：從可觀察性、安全性到客戶關系管理（CRM，騰訊科技全文編譯注），以及傳統服務市場，包括安全服務、法律、數據分析工作、插圖、語音和視頻生成，現在可以開始由更多的軟件提供服務。我們對人工智能帶來的民主化效應感到興奮，并期待其二階效應也成為可投資的。

艾利森·內森：目前的企業在這方面有優勢嗎？

莎拉·郭：在廣泛的機會集中，現有企業肯定有一些優勢–他們的分銷和數據–因此毫無疑問會有巨大的現有企業贏家。但現有的優勢并不總是像看起來那么有價值。例如，我們投資了一家隱形的人工智能安全公司，該公司的目標是將勞動密集型環節自動化。

在當今企業的網絡安全工作流程中，它們需要一組訓練數據來“微調”或定制其模型，最初尋求與擁有這些數據的現有公司合作。但是，沒有一家公司能夠以訓練模型所需的形式收集數據。因此，盡管一些極有價值的數據目前已經存在于現有公司，但有些數據還不存在，如何有效收集這些數據將是一個自由競爭的問題。

總而言之，這些公司在建立軟件業務的多個方面展開競爭，我不認為人工智能從根本上有利于現有公司或初創公司。我個人傾向于早期投資是目前接觸這項技術的最佳途徑，部分原因是這個領域還很年輕，因此純粹的上市機會還不存在。但是，對于任何能夠區分信號和噪音的投資者來說，無論是在公開市場還是私募市場，這種錯位都是一個巨大的機會。

艾利森·內森：當前人工智能領域投資的最大風險是什么？

莎拉·郭：對于投資者來說，區分人工智能營銷和人工智能現實將是一項艱巨的工作。這是一個高度技術化的領域，技術水平每周都在變化。上市公司領導層對人工智能趨勢的快速承諾非同一般，但如果不能將其轉化為利潤率的提高、更好的產品和新的收入，那么在財報電話會議和公司聲明中進行人工智能營銷也不會有什么好處。對上市公司而言，為人工智能工作提供資源，以及應對創新者的困境（人工智能自動化可能取代大量人力工作或降低產品成本）是一個復雜的領域。

大公司很難快速做出巨大改變，但這正是這種轉變所需要的。企業需要自我顛覆，解決隱私和數據使用問題，快速組建人工智能產品團隊，并創造性地考慮新產品的定價和包裝。在這種快速變化中，企業不可能一切從零開始，而選擇正確的合作伙伴將是一項戰略優勢。

艾利森·內森：投資者應如何規避這種風險？

莎拉·郭：我給投資者的建議是關注技術合作伙伴的選擇、具體計劃和成果。當人工智能產品在增量收入中占很大份額時，就很難對這種業績提出異議。或者，在消費者業務方面，如果投資者通常用來評估公司業績的指標–參與度、交易量、廣告庫存等–在引入新的人工智能產品后得到實質性改善，這就是你希望看到的。

另一個重大風險是公眾和監管機構對人工智能技術的彈劾，原因是人們擔心這些技術在偏見、虛假信息、網絡安全等領域被濫用。就像互聯網一樣，像生成式人工智能這樣的通用工具可能被用于好的方面，也可能被用于壞的方面，因此在投資于創新的同時，必須投資于風險緩解。但是，考慮到這項技術可以在科學、教育和醫療保健等關鍵領域取得重大進展，如果我們在這項技術真正發揮其巨大潛力之前就停止對其進行監管，那將是非常遺憾的。

四、采訪人工智能專家學者——馬庫斯

馬庫斯是紐約大學心理學和神經科學榮譽教授。他對人工智能進行了廣泛的研究，包括他的最新著作《重啟人工智能：打造值得我們信賴的人工智能技術》。在訪談中，他認為人工智能系統的智能被過度夸大了，雖然我們最終可以達到這個目標，但目前我們還遠遠沒有實現通用人工智能（AGI，騰訊科技全文編譯注）。

珍妮·格林伯格（Jenny Grimberg）：如今，生成式人工智能工具究竟是如何工作的？

馬庫斯：當前所有生成式人工智能工具的核心基本上都是一個自動完成功能，該功能已在互聯網的很大一部分內容上進行過訓練。這些工具并不了解這個世界，因此據了解，它們會產生幻覺或編造虛假陳述。這些工具擅長編寫代碼等基本可預測的任務，但不擅長提供準確的醫療信息或診斷，而自動完成功能還不夠完善。

珍妮·格林伯格：一些觀察家認為，這些技術之所以能夠學習/理解，是因為它們采用了與人腦類似的神經網絡。你對此有何看法？

馬庫斯：人腦的神經網絡與人工智能工具使用的神經網絡完全不同。而且，與某些人的觀點相反，這些工具并不像人類那樣進行推理。人工智能機器最多只是進行一些諾貝爾獎得主丹尼爾·卡尼曼（Daniel Kahneman）稱之為系統1思考（system 1 thinking）–反射性統計分析，而很少進行系統2的思考–刻意推理。人工智能機器正在學習，但它們學習的大部分內容是文字的統計，以及通過強化學習，如何正確回應某些提示。它們學的不是抽象概念。

這就是為什么它們產生的大部分內容都是垃圾和/或虛假內容的原因。人類有一個內部的世界模型，這個模型讓人類能夠理解彼此和周圍的環境。人工智能系統沒有這樣的模型，也沒有對世界的好奇心。人工智能系統可以學習到在特定語境下哪些詞會跟隨其他詞，但人類在與他人和周圍世界互動的過程中可以學到更多。

珍妮·格林伯格：那么，關于生成式人工智能的炒作是否過于夸張？

馬庫斯：是，也不是。毫無疑問，人工智能生成工具正在對我們的生活產生實質性影響，既有積極影響，也有消極影響。它們正在產生一些高質量的內容，但也會產生一些錯誤信息，例如，這可能會對2024年的美國總統大選產生重大不利影響。

但是，人工智能系統的智能正在被過度夸大。幾周前，據稱OpenAI的GPT-4大型語言模型通過了麻省理工學院的工程和計算機科學本科考試，這激起了人們的極大興趣。我的長期合作者厄尼·戴維斯（Ernie Davis）就指出，事實證明該方法存在缺陷，

關于目前的人工智能系統將如何取代大量工人的說法比比皆是，一些人擔心機器人將很快接管世界。但目前的人工智能還不夠聰明。4年前，我曾開玩笑說，如果有一天你發現自己處于機器人來找你的境地，只要把門關上就可以了。現在，機器人仍然無法打開車門，也無法可靠地駕駛汽車。我們離實現通用人工智能（AGI，騰訊科技全文編譯注）還很遙遠。

珍妮·格林伯格：人工智能在概念/技術層面是否出了問題，以至于該技術離通用智能如此之遠？

馬庫斯：某種程度上。從社會學的角度來看，有些東西出了問題。巨型近似機器，本質上就是大型語言模型，相對容易制造和盈利，所以人們把注意力集中在這些機器上，而不是其他可能更有價值但更難快速實現和盈利的想法上。因此，資本主義的動力肯定幫不上忙，而且很可能減緩了理論上可能實現的技術進步。盡管如此，智能問題是一個極其困難的問題，而在計算背景下研究這個問題的大多數努力都只有不到75年的歷史，這對于一門科學的發展來說并不算長。人們常常把智力當作一個神奇的數字來談論，就像智商分數一樣。但智力是由許多因素組成的：能夠跟上對話、修理汽車、學習新的舞蹈動作或完成任何有趣的人類活動都需要多種不同的智能。期望機器在短短75年內掌握所有這些技能可能并不現實。

珍妮·格林伯格：是否有可能發展出真正的智能人工系統？

馬庫斯：我相信是這樣。我認為現階段的人工智能類似于煉金術時代，在那個時代，人們知道他們可以讓某些事情發生，但還沒有化學理論。今天，人們可以從概念上理解通用人工智能可能是什么樣子，但對于如何在機器中構建智能還沒有足夠成熟的理解。我認為沒有理由認為我們最終不會實現這一目標。有些人認為，智能根本無法被植入機器，但我不相信這種觀點。

例如，機器永遠無法感受到疼痛，但它們或許能夠理解人在疼痛時的感受，以及感受到疼痛后可能采取的行動，如吃藥或看醫生。因此，機器最終可能會對人類有更清晰的了解，并變得更加可靠和真實。問題是什么時候。我經常被認為是悲觀主義者，但幾個月前我曾與著名軟件架構師格雷迪·布赫（Grady Booch）進行過一場辯論，他持悲觀立場，認為生成式人工智能不會在我們有生之年、我們孩子的有生之年、甚至我們孩子的孩子的有生之年出現，而我持樂觀立場，認為生成式人工智能將在本世紀某個時候實現。盡管如此，考慮到人工智能的現狀以及還有很多工作要做，這可能還需要幾十年的時間。

珍妮·格林伯格：考慮到大公司在人工智能研究、開發方面投入的大量資金，這項技術的拐點是否有可能更早出現？

馬庫斯：不一定，投入大量資金并不意味著問題就能得到解決。我曾在2016年警告說，無人駕駛汽車被過度炒作，從這個意義上說，解決無人駕駛汽車問題比許多人想象的要困難得多。關鍵問題在于異常值。無人駕駛汽車系統基本上是通過記憶來工作的，因此當它們遇到新情況時，往往不知所措。《連線》記者史蒂文·利維（Steven Levy）提供的一個很好的例子是，2015年谷歌自動駕駛汽車工廠發生的事情–汽車剛剛學會識別駛過路上的落葉堆是可以接受的，因為這種特殊情況不在它們的訓練集中。從那時起，無人駕駛汽車的投資已達千億美元。然而，2022年4月，一輛特斯拉電動車在飛機貿易展上被“召喚”穿過停車場，直接撞上了一架價值350萬美元的噴氣式飛機。就這樣，它撞上了，卻毫不知情。這應該成為一個嚴酷的警示：錢在那里，并不意味著結果會在那里。

珍妮·格林伯格：那么，從技術、政策、社會的角度來看，智能人工系統成為現實需要哪些條件？

馬庫斯：必須制定適當的激勵措施，并在正確的方向上分配資金。態度和心態也必須改變。機器學習社區的人們過于自信。他們堅信自己已經發現了開發智能系統的唯一真正方法，并且不太愿意接受認知科學、心理學或語言學領域從業人員的建議。

歷史證明，科學家和工程師可能會固執于那些最終行不通的想法，從而大大延緩了進展。20世紀初，科學家們努力研究基因是由什么構成的。格雷戈爾·孟德爾（Gregor Mendel）已經證明遺傳存在生物學基礎，而科學家們確信這一基礎就是蛋白質，因此他們花費了數十年時間試圖找出哪些蛋白質。這是一個錯誤的問題；相反，他們應該問，基因是由什么生物東西構成的，結果發現是DNA。奧斯瓦爾德·艾弗里（Oswald Avery）發現了這一點，該領域的發展非常迅速。人工智能領域也非常類似。目前，人們正在教條地追求這樣一種想法：大型語言模型是實現生成式人工智能的答案。我認為這是一種令人沮喪的分心–大型語言模型可能是答案的一部分，但幾乎可以肯定它們不是答案的全部。因此，機器學習社區必須在某個時候調整方向。我希望這種重新定位最終會發生，機器學習社區將找到正確的答案，屆時生成式人工智能的進展將非常迅速。

珍妮·格林伯格：鑒于此，您對人工智能領域感興趣的投資者有什么主要建議？

馬庫斯：要警惕炒作–人工智能并不像許多人想象的那樣神奇。我不會說現在投資人工智能還為時過早；對那些擁有聰明的創始團隊、對產品市場契合度有很好理解的公司進行投資很可能會取得成功。但也會有很多失敗者。因此，投資者需要做足功課，對任何潛在投資進行仔細的盡職調查。一家公司聲稱自己是一家人工智能公司很容易，但他們周圍有護城河嗎？他們是否擁有技術或數據優勢，使他們有可能取得成功？這些都是投資者要問的重要問題。

珍妮·格林伯格：當今人工智能最令您擔憂的是什么？

馬庫斯：我擔心的是，我們正在將巨大的權力和權威賦予目前控制人工智能系統的少數公司，而且是以我們可能根本意識不到的微妙方式。訓練大型語言模型的數據可能會對模型輸出產生偏差影響，這令人不安，因為這些系統正開始塑造我們的信念。另一個令人擔憂的問題是人工智能系統的真實性–如前所述，眾所周知，它們會產生幻覺。壞人可能會利用這些系統蓄意濫用，從傳播有害的醫療錯誤信息到破壞選舉，這可能會嚴重威脅社會。

我已經向世界各地的許多政府官員提出了這些擔憂。幾乎所有人都認為必須立即采取措施，但沒有人完全確定應該采取什么措施。我認為，我們需要建立一個全球性的人工智能機構，讓各國政府、大型科技公司、非營利組織、學術界和整個社會都參與進來，共同尋找治理解決方案，并在大規模部署新技術之前對其進行審核，就像我們在醫學領域所做的那樣。

幸運的是，這似乎是世界發展的方向。一些政府領導人和大型科技公司的負責人最近都提出了這樣的觀點。目前還很難預測這一切將如何發展，但這是邁向安全、可靠、和平的人工智能技術道路上的一個重要開端。

五、詳解人工智能

人工智能是一門創造智能機器的科學。人工智能是一個寬泛的概念，包含多個不同的子領域，包括機器學習、自然語言處理、神經網絡和深度學習。

人工智能是一個最廣泛的術語，用于對模仿人類智能的機器進行分類。人工智能主要分為三大類：狹義人工智能、通用人工智能和超級人工智能。狹義人工智能被認為是 "弱人工智能"，它被訓練來執行特定任務，如語音或圖像識別。通用人工智能和超級人工智能被認為是 "強人工智能"，其認知能力等同于/高于人類。

生成式人工智能是一種根據自然語言提示生成文本、圖像和其他內容的人工智能系統。

機器學習（Machine Learning，騰訊科技全文編譯注）是計算機科學的一個子領域。

計算機的性能、經驗。大量的數據輸入計算機，然后計算機會發現這些數據并利用這些數據進行預測和決策。有三種主要類型的機器學習模型：

（1）無監督機器學習，使用算法分析無標記數據集；

（2）全監督機器學習算法。

（3）半監督機器學習算法，介于前兩者之間。

自然語言處理（NLP，Natural Language Processing，騰訊科技全文編譯注）是人工智能的一個子領域。

自然語言處理是計算機科學的一個子領域，其研究重點是使計算機具有與人類相似的理解文字和口語的能力。自然語言處理將計算語言學與統計、機器學習和深度學習模型相結合，使計算機能夠理解文本和口語。

自然語言處理將計算語言學與統計、機器學習和深度學習模型相結合，使計算機能夠理解人類語言。它采用兩種技術：(1)句法分析，確定句子的結構和詞語之間的關系；(2)語義分析，側重于詞語的主題含義及其在句子中的上下文。谷歌翻譯是自然語言處理技術在現實世界中的一個例子：Siri和Alexa等聊天機器人也依賴于自然語言處理。

神經網絡（Neural Networks，騰訊科技全文編譯注）是機器學習的一個子領域。神經網絡的每個神經元或節點接受輸入，進行計算并產生輸出。如果任何單個節點的輸出，如果單個節點的輸出高于指定的閾值，則該節點被激活，并將數據發送到下一層。最著名的神經網絡之一是谷歌的搜索算法。

大型語言模型（LLM，Large Language Models，騰訊科技全文編譯注）是一種機器學習模型，它在大量無標注數據的基礎上通過自大型語言模型使用深度神經網絡生成輸出。ChatGPT是最著名的大型語言模型實例。

深度學習（Deep Learning，騰訊科技全文編譯注）是指具有三層或更多層的神經網絡。深度學習與“經典”機器學習的不同之處在于其使用的數據類型和學習方法。機器學習算法利用結構化程度較高的標注數據進行預測，而深度學習則不一定需要標注數據集，對人機交互的依賴性也較低。深度學習被廣泛應用于語音識別和自動駕駛等領域。

六、人工智能發展史

人工智能走過的幾十年：

1950年代：人工智能的誕生。艾倫·圖靈（Alan Turing）探索了機器智能的可能性，并開發了圖靈測試（Turing Test）來測試機器表現出智能行為的能力。

1960年代：對人工智能的熱情不斷高漲，資金不斷涌入該領域，最終開發出第一款人工智能聊天機器人ELIZA。

1970年代：對人工智能的熱情和資金逐漸冷卻，人工智能領域進入寒冬期。

1980年代：機器學習的興起使人工智能重新煥發生機。

1990年代至2000年代：隨著互聯網大數據的出現和計算能力的提高，人工智能的創新迅速擴大。

2010年代至今：隨著大型科技公司開始將人工智能技術整合到其產品中，人工智能成為主流。

詳細列表

2009年谷歌開始研發無人駕駛汽車

2010年微軟發布Xbox360版Kinect，首款利用三維攝像頭和紅外探測技術追

2011年10月，蘋果推出Siri語音助手。

2011年，IBM的自然語言處理計算機沃森參加競賽并獲勝。

2012年6月，谷歌研究人員訓練由1.6萬個處理器組成的大型神經網絡。

2012年7月，谷歌推出虛擬助手GoogleNow，即谷歌助手的前身。

2014年6月，聊天機器人“EugeneGoostman“”被認為通過了圖靈測試。

2014年11月，亞馬遜推出虛擬助手。

2015年1月，埃隆·馬斯克（Elon Musk）、斯蒂芬·霍金和史蒂夫·沃茲尼亞克等人在一封公開信上簽名，要求禁止開發自動武器。

2015年12月，非營利性研究公司OpenAI由伊隆·馬斯克（Elon Musk）、山姆·奧特曼（Sam Altman）等人創辦成立。

2016年3月，谷歌DeepMind的AlphaGo是一款計算機程序，它能在棋盤游戲中戰勝圍棋冠軍李世石。

2016年2月，漢森機器人公司（Hanson Robotics）首次推出了一款名為索菲亞（Sophia）的仿人機器人，它能通過圖像識別“看”東西，做出面部表情，并能使用人工智能進行交流。

2017年6月，谷歌的研究人員發表了一篇名為“Attention is AlI You Need”的論文，即ChatGPT和DALL-E等生成式人工智能模型背后的突破性技術。

2018年1月，阿里巴巴開發的Almodel在斯坦福大學的閱讀和理解測試中表現優于人類。

2018年5月，谷歌推出Google Duplex服務，允許人工智能助手通過電話預約。

2020年2月，微軟推出Turind Natural Language Generatio(T-NLG)，這是一種生成式語言模型，目前是有史以來最大的語言模型。

2020年6月，OpenAl發布了GPT-3語言模型，該模型通過預先訓練的算法生成文本，并完成人類幾乎無法完成的語言任務。

2021年1月，OpenAl發布DALL–可從文本生成圖像的人工智能模型。

2021年5月，谷歌引入了Language Model forDialoque Applications i(LaMDA)，這是一個大型語言模型，用于在對話中生成類似人類的反應。

2022年8月，Stability AI發布Stable Diffusion，這是一款基于文本描述生成圖像的文本到圖像工具。

2022年11月，OpenAl公開發布了突破性的人工智能生成工具ChatGPT，它可以基于文本輸入生成長式的類似人類的反應。ChatGPT的用戶數量在5天內突破100萬。

2023年1月，微軟宣布對OpenAl進行多年期巨額投資。

2023年2月，Alphabet發布了由LaMDA提供支持的生成工具Bard。

2023年6月，英偉達市值突破1萬億美元。其股票在人工智能驅動的樂觀情緒下大幅上漲。

七、分析師——關于人工智能的討論

卡什·雷根和埃里克·謝里丹是高盛的高級證券研究分析師，分別負責美國軟件和互聯網行業。下面，他們將討論最近人工智能的興起，哪些公司和行業將從中受益，以及這對投資者意味著什么。

艾利森·內森：最近出現的生成式人工智能吸引了眾多關注。為什么人們對這項技術如此興奮，尤其是人工智能已經存在了一段時間？

雷根：生成式人工智能與傳統人工智能主要有兩點不同。首先，它能夠以文本、圖像、視頻、音頻和代碼的形式生成新的內容，而傳統的人工智能系統則訓練計算機對人類行為、商業結果等進行預測。其二，它允許人類用自然語言與計算機交流，這在以前是從未有過的。

人工智能的出現對個人和職業生產力的影響是巨大的–如果計算機能夠生成高質量的內容，人們就可以將節省下來的時間用于更有價值的活動。如果計算機能夠生成高質量的內容，人們就可以將節省下來的時間用于更高附加值的活動。

謝里丹：人們現在非常關注人工智能，因為消費者和企業的想象力已經趕上了這項技術。Alphabet在2017年的開發者大會上首次將自己描述為一家人工智能第一的公司，而人工智能嵌入大多數日常產品（如搜索算法和推薦引擎）已有一段時間。但是，生成式人工智能工具ChatGPT已經抓住了人們的想象力，就像iPhone在智能手機已經存在的情況下推出時一樣，使其能夠非常迅速地擴展。這些都是“解鎖”的時刻。iPhone花了幾年時間才成為消費者大規模使用的設備，而ChatGPT則是我們追蹤過的最快達到2億月活躍用戶的應用。因此，人工智能的解鎖時刻已經到來，而且比我們過去所看到的更為激烈。

艾利森·內森：對生成式人工智能的炒作是有道理的，還是被夸大了？它與之前的技術炒作有什么區別？

雷根：人工智能可能沒有進入炒作周期。首先，本輪技術周期并非由后起之秀主導，這使得它不太可能一蹶不振或需要很長時間才能起步。20世紀90年代初從大型機向分布式系統的轉變，以及21世紀初從分布式計算向云計算的轉變，都花費了比許多人預期更長的時間，因為大型老牌公司對這些轉變持批評態度。IBM支持大型機系統，反對當時相對較小的甲骨文公司的分布式架構。現有的企業內部系統和技術提供商反對從分布式計算轉向云計算，警告說云不安全、不經濟、不能很好地擴展等。多年后，這些反對意見才被克服，云計算才站穩腳跟。只有當大型、成熟的公司開始運行云計算時，才會有一種和諧的聲音告訴買家，這種技術是可以接受的。

與此相反，推動人工智能技術周期的是世界上一些最強大的技術公司，它們正在建立作為生成式人工智能核心的基礎模型。當技術提供商一致認為技術變革正在發生時，它就是真實的。當客戶開始感興趣時，這就不是炒作。客戶對此很感興趣。我們正在與全球企業的首席信息官進行討論，他們對這項技術在內部部署后可能帶來的生產力優勢感到驚訝。而所有這一切都發生在市場獎勵生產力提高的時候。因此，這并不像一個炒作周期。

艾利森·內森：所以，這不是泡沫？

謝里丹：雖然在泡沫破滅之前，你永遠不知道自己身處泡沫之中，但在過去幾個月里，絕大多數以人工智能為主題的公司的表現都優于大盤，其市盈率仍處在相對合理的倍數。泡沫通常是指企業價值與眼球/點擊量、可尋址市場動態或純粹的興奮情緒作為估值的驅動因素，而不是市盈率。因此，這種感覺與之前的科技泡沫非常不同。

艾利森·內森：即使沒有過度炒作，這項技術真正對公司、工人和消費者產生影響還需要多長時間？

謝里丹：在推出ChatGPT（OpenAI）和Bard（Alphabet）之后，消費互聯網公司現在正進入構建階段，他們正在構建基礎模型，其中一些是針對特定業務/行業的。一旦構建完成，其中一些解決方案將需要在現實世界中部署，以了解哪些方案可行、可擴展并獲得采用。從臺式機到移動計算的轉變是一個很好的類比。在iPhone問世四年后，Alphabet和Meta等公司才開始將自己稱為移動優先的公司–這是基礎設施建設所需的時間，到那時公司才可以開始談論應用顛覆。因此，在短期內（未來6-12年）許多公司將人工智能技術視為潛在的內部生產力提升，他們正在構建、測試和學習，以了解該技術如何在更多的3年時間內增加其外部業務。

雷根：目前，生產力的提高主要集中在開發人員層面。根據我們的經驗，開發人員的工作效率提高了15-20%。通過自動化編寫代碼的一些手工和死記硬背的過程，提高開發人員的工作效率，其背后的軟件起價約為10美元/開發人員/月。從成本效益的角度來看，這是難以置信的。下一批將測試這種技術的員工將是銷售、市場營銷和客戶支持人員，他們加起來約占發達市場經濟體專業員工總數的三分之一。軟件公司正在準備產品，這些產品將在2024年對這些人群產生積極影響。

謝里丹：我要補充的是，對消費者的影響可能需要更長的時間才能體現出來，因為通常需要多年的時間才能徹底改變根深蒂固的搜索、購物、消費等行為。盡管ChatGPT的月均活躍用戶已經達到2億，比我們追蹤過的任何產品都要快，但傳統搜索查詢量在谷歌和必應等平臺上的傳播還未受到影響。因此，我們距離人工智能技術在消費者應用方面產生真正的影響還有相當長的一段時間。

艾利森·內森：構建階段聽起來像是投入很多，產出很少。我們什么時候才能期待公司從人工智能生成技術中獲得收益？

謝里丹：構建階段并不意味著沒有人獲得收入。英偉達最近發布了2024財年第二財季110億美元的營收預期，這導致其股價大幅上漲。其他公司何時實現收益貨幣化的時間表因公司類型而異。對于消費互聯網公司而言，貨幣化通常只發生在擁有一定規模的用戶和購買力部署之后。應用商店就是一個很好的類比。蘋果的App Store和谷歌的Play Store是計算機移動操作系統層的二元應用分發機制。

雷根：對于軟件公司來說，貨幣化可能會更快。軟件公司的貨幣化將來自于能夠引導客戶購買其產品中專門具有人工智能生成功能的優質SKU。在一開始，公司可能會向客戶收取較低的月費，讓他們玩玩這項技術，從而降低采用門檻。一旦這些產品不斷發展并變得更加復雜，企業將擁有更大的定價權。

重要的是要記住，我們進入生成式人工智能只有五個月左右的時間；而云計算的前五個月看起來什么都不是。因此，貨幣化的能力將會增長。那些不僅擁有龐大的分銷網絡和客戶群，而且擁有大量數據來訓練大型語言模型的軟件公司，在通過差異化的SKU和提高現有產品的每用戶平均營收來實現人工智能收益貨幣化方面處于特別有利的地位，尤其是因為在分銷和產品開發方面已經支付了成本結構。

超大規模公司（即大規模提供計算和存儲服務的大型云計算公司）也可能很快獲得收入。云計算提供了大規模部署人工智能所需的計算資源和基礎設施。因此，人工智能驅動的舉措可能會導致企業客戶增加云計算支出，而在此之前的一年里，由于對經濟的擔憂，大多數企業客戶都優化了支出，這可能會為2023年和2024年的超大規模企業創造積極的收入軌跡。云計算超大規模企業也處于有利地位，因為它們已經花費了10年時間和數千億美元來建設云基礎設施，使生成式人工智能能夠建立在堅實的云收入基礎之上。因此，它們并不是從零開始；它們將利用大量已經到位的設施，在技術行業有史以來最大的投資周期之上增強人工智能生成能力。

綜上所述，由于資本支出增長超過收入增長，在可預見的未來，人工智能的毛利率可能為負。目前，微軟、Alphabet和亞馬遜的資本支出超過1000億美元，其中很大一部分用于云計算和人工智能，而人工智能可能是增長最快的類別。但是，生成性人工智能目前對云計算行業的收入貢獻微乎其微，這在大型資本支出周期的前端是很典型的。微軟云計算業務的毛利率從負增長到今天的50-60%，需要10年的投資周期。這可能是人工智能的基準線。

艾利森·內森：什么類型的公司最適合如何從生成式人工智能中獲益？

謝里丹：為生成式人工智能開發基礎模型的少數大型科技公司顯然處于有利地位。半導體公司和云計算領域的超大規模公司看起來也處于有利位置，可以在構建階段獲得收益。

雷根：我們預計，人工智能軟件的總可尋址市場將達到1500億美元。基礎設施軟件公司也將從中受益。大規模運行生成式人工智能需要大量的計算能力和數據存儲。當云計算出現時，一些人認為不再需要數據中心和IT員工，因為云計算可以做任何事情。但是，隨著數以千計的云應用的出現，所需的基礎設施急劇擴大，更不用說數據中心需要能夠與云對話，這進一步增加了過程的復雜性。這就是為什么IT支出占資本支出和總收入的比例持續上升。

生成式人工智能被置于現有的云架構之上，它需要能夠與云應用對話，這就成倍增加了交互的復雜性和發生故障的機會。因此，提供診斷、工具、測量、反饋和穩定功能的基礎架構軟件公司將大有可為。在這一領域“勝出”的公司都是上市公司，其中一些甚至還不存在。

艾利森·內森：是否會為新公司/小公司留出空間？

雷根：當ChatGPT出現時，一些風險投資家認為它將顛覆所有公司。現在，他們普遍認為微軟、Adobe、Salesforce等公司不會被顛覆，因為它們擁有大規模的工程人才和資金，以及大量的數據，可以主導基礎模型層。因此，新進入者不會顛覆基礎層似乎已成為共識。這并不奇怪；技術變革的歷史表明，通常只有少數有規模的贏家才能獲得操作系統層的絕大多數利潤，人工智能很可能也是如此。 但更廣泛的人工智能領域將不僅僅是巨頭們的天下。應用層將為創新敞開大門。人工智能技術的用例將會被發明出來，而這些用例還沒有人想到過。沒有人預料到成千上萬的軟件即服務（SaaS）公司會從云計算中成長起來，也沒有人預料到Uber會從移動優先的世界中成長起來。

謝里丹：基于人工智能生成能力、顛覆醫療保健、教育、法律等行業的應用尚未誕生，但作為潛在的可能性正在被廣泛討論。在每一輪計算周期中，有趣的應用開發者都會涌現；我認為沒有理由相信這一次會有所不同。如果說之前的風險投資周期給了我們什么啟示的話，那就是多家新公司將嘗試開發顛覆性應用，其中少數公司很可能會取得成功。

艾利森·內森：人工智能監管的現狀如何？

謝里丹：通常情況下，監管曲線至少比創新曲線落后50年。相比之下，人工智能監管曲線幾乎與創新曲線平行運行。與人工智能技術相關的潛在工作崗位轉移的規模之大，以及某些災難性結果的尾部風險，給政治家和監管者敲響了警鐘，在過去十年的大部分時間里，他們在互聯網數據收集、隱私和信息傳播等方面也處于落后狀態。這使得監管力量在此次事件中迅速發揮作用。

我們報道范圍內的科技公司和私人領域的公司都希望加強監管，部分原因是如果人工智能技術產生了不好的結果，他們不希望被歸咎于自己，因此他們希望與監管機構合作，幾乎在技術創新的同時就為這項技術設立防護欄。還有一種頗為憤世嫉俗的觀點認為，大型科技公司之所以主張在技術周圍設置防護欄，是因為這些公司周圍形成的護城河，使小公司/新公司難以顛覆它們并在這一領域獲勝。無論原因如何，監管在這一輪技術周期中比以往任何一輪都更早地成為關注焦點。

艾利森·內森：監管幾乎與創新同步進行，這是否會增加投資人工智能領域的風險，因為監管可能會扼殺創新？

謝里丹：監管不是風險。監管通常會改變資本分配方式和行業的單位經濟效益。受監管行業的利潤率通常較低，但考慮到遵守監管的成本，進入門檻較高。因此，雖然投資者可能不得不接受較低的利潤，但他們也不必太擔心所投資的公司會被新進入者顛覆。監管肯定會減緩創新。

但是，為了將不良行為者拒之門外，監管也是必要的。最終，一個充斥著不良行為者的領域，尤其是不良行為后果可能很嚴重的人工智能領域，對任何投資者都沒有好處。

艾利森·內森：那么，投資者應該注意哪些風險呢？擔心什么？

謝里丹：潛在的計算習慣改變是一種風險，無論它是否發生。我們已經經歷了多次人們爭論某件事將顛覆搜索引擎的周期。移動被認為會顛覆搜索引擎，社交媒體被認為會顛覆搜索引擎，甚至幾年前亞馬遜與谷歌之爭也曾在投資者之間引發爭論，討論亞馬遜的搜索框是否會成為搜索引擎的終結者，然而爭論仍在繼續。如果人工智能最終顛覆了搜索引擎，那將對現有的商業模式產生重大影響。如果消費者的行為因為人工智能而遠離搜索引擎，或者搜索引擎因為人工智能而需要改變，這可能會導致與投資者所習慣的完全不同的經濟結果。因此，這些都是需要關注的重大風險。

雷根：我最擔心的投資者風險是，人工智能生成技術變得如此普遍，以至于成為商品。如果它并不特殊，公司如何能收取溢價或實現貨幣化？今天，這項技術還沒有普及，因為訓練大型語言模型所需的專業知識非常稀缺。大型語言模型需要一定的監督，但目前很少有計算機科學家專門從事生成式人工智能研究，這限制了大型語言模型的學習速度。大型語言模型確實能夠學習，因為它是仿照人腦構建的神經網絡。但是，如果大型語言學習的學習速度非常快，這項技術就會得到廣泛傳播。到那時，這項技術可能就不再有價值了。

八、人工智能對經濟的潛在巨大影響

約瑟夫·布里格斯（Joseph Briggs）發現，廣泛采用生成式人工智能有可能大幅提高全球生產力和國內生產總值。

最近出現的生成式人工智能提出了這樣一個問題：我們是否正處于任務自動化快速加速的邊緣，這將大大節省時間和勞動力成本，導致生產力爆發，并加快經濟增長速度。盡管當前生成式人工智能模型的能力和采用時間表仍存在重大不確定性，但我們發現，在美國和其他發達國家廣泛采用后，生成式人工智能有可能在10年內將年勞動生產率增長提高約1.5個百分點，并最終將全球年GDP提高7%。

人工智能對勞動力市場的影響

生成式人工智能對經濟的最大影響可能來自其對勞動力市場的影響。為了評估這種影響的潛在規模，我們使用了美國900多種職業和歐元區2000多種職業在典型工作周內的具體工作任務數據。

這些數據包含了與每個職業相關的各種任務的重要性和難度的測量值，我們結合這些數據來估算人工智能節省勞動力的自動化在總工作中所占的比例。具體來說，我們根據對生成式人工智能的可能用例的審查，選擇最有可能被人工智能自動化的工作活動，并假設人工智能最終將能夠完成中等難度的任務（在7點任務復雜度量表中難度等級最高為4）。然后，我們對每個職業的基本工作任務的重要性和復雜性進行加權平均，以估算人工智能可能取代的總工作量份額。

我們的主要發現是，許多工人花費大量時間執行人工智能模型非常適合自動化的任務。特別是，我們估計，大約三分之二的美國職業面臨至少某種程度的人工智能自動化，而在這些面臨自動化的職業中，大多數職業的工作量（25-50%）都有可能被取代，盡管只是部分。在根據每個職業在美國的就業比例對職業層面的估計值進行加權后，我們估計目前四分之一的工作任務可能會被人工智能自動化，其中行政（46%）和法律（44%）職業的風險尤其高，而建筑（6%）和維修（4%）等體力密集型職業的風險較低。

利用歐洲的數據，我們估計歐元區類似24%的工作任務有可能由人工智能實現自動化。盡管沒有其他國家/地區的詳細工作任務數據，但根據各國的行業就業份額對我們的行業級人工智能風險估計值進行重新加權后得出的結果表明，生成型人工智能最終可使全球約18%的工作實現自動化，其中發達國家的份額大于新興市場。

生成式人工智能提高生產率

人工智能產生的大量就業崗位可能會提高勞動生產率，從而顯著促進全球經濟增長。我們認為人工智能驅動的自動化可以通過兩個渠道提高全球生產率和國內生產總值。

首先，大多數工人所從事的職業會部分受到人工智能自動化的影響，在采用人工智能后，他們可能會將至少部分騰出的能力用于生產活動。這種動態在已經采用人工智能的企業中可以觀察到，研究表明，采用人工智能后，勞動生產率的年增長率在數年內可提高2-3個百分點。

其次，雖然人工智能技術將不可避免地取代一些工人，但我們預計，大多數被取代的工人最終將在新的職業中重新就業，這些新職業或者直接來自于人工智能的應用，或者來自于非被取代工人的生產力提升所產生的更高水平的總需求和勞動力需求。

因技術變革的直接或間接影響而導致的失業工人再就業，在歷史上已有很多先例。例如，信息技術在21世紀初取代了一些工人，但也直接導致了網頁設計師、軟件開發人員和數字營銷專業人員等新職業的產生，并間接增加了醫療保健、教育和食品服務等服務行業的勞動力需求。

在更長的時間跨度內，技術變革對就業的積極影響尤為明顯。今天60%的工人所從事的職業在1940年是不存在的，這意味著過去80年中超過85%的就業增長可以用技術驅動的新職位創造來解釋。

為了估算這些渠道如何共同提高美國的生產率增長，我們結合了對非流離失所工人的生產率提升、流離失所工人的勞動力成本節約以及流離失所工人在新崗位上再就業的構成效應的估算。特別是，我們假設約有7%的工人是完全失業的。

但大多數人只能在生產率略低的崗位上獲得新的就業機會，部分接觸人工智能的工人的生產率提升與現有研究的估計一致。為說明起見，我們假定生成式人工智能對生產率的全面提升是在10年時間內實現的（但不一定是未來10年），從很大一部分企業采用生成式人工智能時開始。

根據上述假設，我們估計廣泛采用生成式人工智能可使美國的整體勞動生產率年增長率提高約1.5個百分點。這種規模的增長將使美國近期的生產率增長速度翻一番，與之前出現的變革性技術（如電動馬達和個人電腦）后的增長規模大致相同。

生成式人工智能還可以提高美國以外的生產率增長。假設勞動力行業構成的差異可以解釋人工智能對勞動生產率增長影響的大部分差異，我們估計對其他發達經濟體的生產率也有類似程度的促進作用，全球廣泛采用人工智能可以使我們覆蓋范圍內的國家的全球年生產率增長每年提高1個百分點以上（外匯加權平均值），盡管這種影響在新興市場經濟體中可能會延遲。

影響巨大，但也有高度不確定性

盡管我們估計人工智能的廣泛應用對生產率增長的推動作用相當大，但它也具有高度的不確定性，最終將取決于人工智能所能完成的任務的難度水平、自動化工作的數量以及應用的速度。我們對這些因素的不同假設表明，對美國年生產力增長的促進作用可能在0.3-3.0個百分點之間，盡管在大多數情況下，這種促進作用在經濟上仍然是顯著的。

根據過去技術突破的證據，我們還認為，生成式人工智能對宏觀經濟產生影響的時機尤其難以預測。例如，電動機和個人電腦帶來的生產力爆發發生在關鍵技術突破后20年左右，當時大約一半的美國企業已經采用了該技術。

對生成式人工智能的興趣激增有可能加速其采用，并導致宏觀經濟影響更快實現。然而，2019年美國企業的人工智能采用率僅為3.2%，盡管許多大公司目前正在探索如何使用人工智能，但只有約20%的首席執行官預計，生成式人工智能將在未來1-3年內降低勞動力需求。例如，在大多數公司開始將生成式人工智能納入日常工作流程之前，公司仍需要克服數據隱私等一些采用障礙。因此，我們認為，至少在未來幾年內，生成式人工智能的效果可能不會在總體生產率數據中顯現出來。

盡管如此，人工智能自動化所涉及的大量工作任務，以及我們對潛在生產率增長的可觀估計，都凸顯了生成式人工智能在兌現其承諾的情況下所具有的巨大經濟潛力。事實上，將估計的生產率提升應用于我們覆蓋范圍內的國家，我們發現人工智能的廣泛應用可能最終推動全球國內生產總值在10年內每年增長7%，即近70億美元，因此我們認為人工智能對我們的中長期全球經濟增長預測來說是一個重大的上行風險。

九、美國股市：衡量人工智能上行空間

高盛股票策略師瑞安·哈蒙德（Ryan Hammond）和大衛·科斯汀（David Kostin）認為，與人工智能相關的潛在生產力提升可能為美國股市帶來更多上漲空間。

隨著對人工智能的關注度急劇上升，美國科技股近期表現優異，其中一些股票創下歷史新高。盡管近期漲幅較大，但我們估計，與人工智能相關的潛在生產力提升可能會在中長期內為標準普爾500指數的盈利和股價帶來更大的上漲空間，盡管仍存在巨大的不確定性和風險。

對美國生產力、收益和股票的潛在提振

我們的經濟學家估計，人工智能的廣泛應用（我們假設將在10年內實現）可在10年內將美國生產率的年增長率提高1.5個百分點，并在10年內將實際GDP的趨勢增長率提高1.1個百分點。根據我們的股息貼現模型（DDM，騰訊科技全文編譯注）中的這些假設，我們估計標準普爾500指數未來20年的每股收益年復合增長率將為5.4%，比我們目前假設的4.9%高出50個百分點，在其他條件不變的情況下，標準普爾500指數的公允價值將比目前水平高出9%。

人工智能的廣泛應用將使標準普爾500指數20年的每股收益比我們當前的假設高出11%。

盡管如此，人工智能對標準普爾500指數的潛在影響范圍很廣，因此投資者不太可能在短期內對其進行充分定價，主要原因有四點：

1.我們的經濟學家估計，采用人工智能對生產力增長的影響每年從0.3個百分點到3.0個百分點不等，這取決于采用的速度、人工智能的力量以及勞動力轉移的廣度。基于這一系列的生產率情景，我們估計標準普爾的上行空間為

500指數的公允價值可能小至5%，大至14%。如果國內生產總值和收入增長的提升也伴隨著企業利潤率的提高，那么潛在的上行空間可能會更大。

2.政策應對措施可能會限制公司保留人工智能帶來的額外利潤的能力。公司利潤占GDP的比重與歷史相比處于較高水平，而工資占國內生產總值的比重仍接近歷史低點。如果采用人工智能導致企業利潤增加而犧牲勞動力、政策制定者可以通過提高企業稅率來應對。

實際公司稅率需要提高8個百分點才能完全抵消未來標普指數11%的增長。

3.較高的利率環境可能會抵消標準普爾500指數公允價值的大部分潛在增長。雖然生產率提高導致價格下降可能會抑制通脹，并對利率構成下行壓力，但我們的經濟學家指出，人工智能可能會增加投資需求，進而提高對中性利率的估計，而中性利率是貨幣政策制定者決策中的一個關鍵因素。我們估計，在其他條件相同的情況下，利率只需在當前水平上調30個基點，就能完全抵消采用人工智能帶來的公允價值上升。

4. 標準普爾500指數的價格更明顯地與近期的周期性動態掛鉤，即使人工智能的應用可能在長期內提振標準普爾500指數。如果經濟數據疲軟，經濟衰退的可能性增大（預測者一致認為未來12個月經濟衰退的可能性為65%，而我們估計的可能性為25%），無論人工智能的長期影響如何，標普500指數的價格都可能下跌。

狂熱期望的危險

在指數層面，當前的股票風險溢價和長期每股收益增長預期與歷史平均水平基本一致，表明投資者對采用人工智能的樂觀情緒并未達到極端水平。然而，從股票層面來看，英偉達等最大的人工智能受益公司目前的估值與2000年代一些最大的網絡泡沫繁榮受益公司（微軟、英特爾）的估值相似，盡管沒有最極端的例子那么高。互聯網繁榮時期的歷史先例表明了高預期的危險性。盡管大多數TMT公司在2000年至2002年間仍能實現強勁的銷售增長，但由于未能達到投資者的高預期，導致市盈率大幅縮水50%以上，股價暴跌。因此，過高的增長預期是另一個值得關注的風險。

十、過去生產力繁榮時期的市場

多米尼克·威爾森（Dominic Wilson）和維基·常（Vickie Chang）評估了過去創新驅動的生產力繁榮對市場的影響，以及這對未來潛在的人工智能生產力繁榮可能意味著什么。

隨著人工智能有可能迎來一個生產力持續大幅增長的時期，一個關鍵問題是這將如何影響主要的宏觀市場。我們將以史為鑒，探討創新驅動的生產力繁榮對宏觀市場的影響，重點關注兩個重要事件：第一次世界大戰后電力的廣泛應用（1919-1929年）以及20世紀90年代末和21世紀初個人電腦和互聯網的廣泛應用（1996-2005年）。

當然，在這些事件中，生產力繁榮以外的因素也推動了市場。1997-1998年的新興市場危機對全球經濟和資產價格產生了重大影響，2003年后，中國加入世貿組織促使制造業發生重大轉變。同樣，20世紀20年代生產力繁榮的開始與戰時經濟向和平時期經濟的過渡相重疊。由于數據的有限性和金融市場的變化，無法對這兩個時期的主要市場進行全面比較。

但是，此前這些生產力繁榮時期的市場也有一些共同點：這兩次繁榮都對股票和股票估值產生了最大的影響–股票和股票估值大幅上升，而且最終都以泡沫和隨后的蕭條告終。我們發現，未來潛在的人工智能生產力繁榮與之前這些時期的一些關鍵特征相同，那么這種繁榮/蕭條的循環會再次發生嗎？

九十年代的繁榮和崩潰

在個人電腦/互聯網普及期間（1996-2005年），美國股市取得了健康的收益，盡管并不引人注目。利潤和盈利在一定程度上超過了國內生產總值，但標準普爾500指數的漲幅與名義國內生產總值漲幅基本一致。美元升值相對溫和，除新興市場經濟體外，外匯凈值變化不大。同樣，在此期間，美聯儲基金利率和10年期收益率均有所下降，而與國內需求周期同步。石油價格在1997-1998年新興市場危機期間急劇下降，但到2005年有所回升。

但是，這一時期內這些相對溫和的變化掩蓋了這一時期內更大的經濟和市場繁榮與蕭條。在最初的生產力繁榮時期，市場變動的模式（盡管不是幅度）符合（過度）預期的生產力繁榮–股票大幅上漲，估值攀升至極端水平。

伴隨著這些舉措，國內經濟大幅繁榮。投資占GDP的比重攀升，儲蓄率下降，經常賬戶惡化。1997-1998年間，隨著亞洲金融危機和俄羅斯違約事件的爆發，美聯儲基金利率和長期債券收益率均有所下降，但隨著國內需求的蓬勃發展，基金利率在2000年升至新一輪周期的峰值。長期收益率也有所上升，但仍低于1996年的水平，因為低且穩定的通脹抑制了期限溢價。美元在20世紀90年代末大幅升值（2002年初達到頂峰），這主要歸因于1997年和1998年新興市場的貶值，但美元作為資本流動的首選接受者，對其他發達經濟體的匯率也有所上升。然而，隨著繁榮轉為蕭條，股票大幅下跌，利率下降，美元的大部分強勢逆轉。

1996-2005年期間，利潤和收益超過了GDP，但標準普爾500指數的漲幅與名義GDP漲幅基本一致。

瘋狂的二十年代

20世紀20年代，隨著電力應用的普及，生產力得到提高，這方面的證據較為稀少，但也提供了一些相似的教訓。同樣，在生產力繁榮的同時，股票也出現了持續上漲和估值急劇攀升，但1929年的股災最終還是接踵而至。利率和外匯的故事是由于貨幣政策和匯率管理方面的差異，很難與當前情況相匹配。在此期間，通貨膨脹率極低。但美聯儲的貼現率再次跟隨經濟和股票周期，在1924年隨著經濟疲軟而下降，之后穩步上升，并隨著股票泡沫加速破滅而達到新高。

總體而言，這兩次經驗表明，對資產市場影響最大的是股票和股票估值，這兩次都以泡沫告終。利率和外匯的行為似乎更多地受到國內需求的驅動，而非生產率增長趨勢變化帶來的持續結構性轉變，盡管20世紀90年代為生產率大幅提高的經濟體可能面臨外匯升值壓力的觀點提供了一些支持。

泡沫問題

根據歷史經驗，近期美國股市已經成為人工智能相關生產力增長預期的焦點。我們的股票策略師已經為人工智能引發的生產力繁榮可能從根本上證明的股票指數上漲制定了基準。那么，市場是否會像歷史經驗所表明的那樣，超過這些估值，從而產生泡沫，最終以破滅告終呢？

泡沫是一種復雜的現象，通常由動力和自我實現的價格動態驅動。但有幾個原因可以解釋為什么生產力繁榮會導致市場價格過高。

首先，投資者可能會陷入外推法的謬誤。有了真正的創新，生產率的提高將是實實在在的。在短期內，生產率的加速增長甚至可以提高整個經濟的利潤份額。但是，平均而言，競爭或投資在隨后的幾年里在很大程度上侵蝕了最初的收益。這意味著，在創新期開始時，利潤增長較快的階段往往會隨著時間的推移而被 "償還"。如果市場將最初的利潤增長視為持續性增長，那么盈利軌跡的長期潛在變化可能會被高估。

其次，投資者可能會陷入匯總謬誤。在創新時期，一些單個公司可能會在一個新的投資機會的推動下實現驚人的盈利增長。但是，如果認為單個公司的情況與總體情況相同，那就大錯特錯了。即使在單個公司層面，競爭和市場進入最終也會限制持續高利潤的潛力。由于潛在的“贏家”有時比“輸家”更明顯，投資者可能會在廣泛的潛在贏家中為增加盈利的機會定價。其結果可能意味著整個經濟的利潤增長率不太可行。

第三，泡沫本身所推動的活動似乎為樂觀情緒提供了理由。隨著資產價格上漲，可能會鼓勵投資和消費支出的繁榮。這本身可能會提高為這些領域供貨的公司的盈利能力。但是，如果增加的收入和利潤最終是建立在不可持續的需求之上，從而導致經濟失衡，那么這些收益最終也將被收回。換句話說，資產價格被高估所造成的國內經濟繁榮可能會助長人們的看法，即更高的利潤增長是可以維持的。例如，在20世紀90年代末，國內經濟繁榮造成了儲蓄與投資的嚴重失衡，這種失衡最終在經濟蕭條時得到緩解，但卻在一段時間內造成了更快的需求增長。

第四，如果生產率增長加速導致貨幣政策比 "應該 "更寬松，則可能助長資產價格高估。出現這種情況可能有幾個原因：生產率增長加速可能導致通脹下行；中央銀行可能遲遲沒有意識到中性利率已經上升；或者不可持續的經常賬戶惡化可能推遲繁榮帶來的通脹后果。當經濟繁榮與其他抑制通脹的力量重疊時，這種風險尤為突出，美國在20世紀90年代末就是如此。

保持真實的挑戰

綜上所述，泡沫可以在沒有這些條件的情況下形成，而且并非所有的高生產率時期都會導致泡沫。但生產率持續提高時期所面臨的挑戰是，潛在的經濟變化既強大又真實。它們為資產價格上漲提供了基本面支持，并為一些公司創造了巨大收益的基礎–即使這種基本面改善隨后被過于廣泛或過于顯著地定價。即將到來的潛在人工智能生產力繁榮與過去導致這些問題的一些關鍵特征相同：突破性創新可能導致生產力和盈利能力大幅提高，從而為大量新投資奠定基礎，并激發對更廣泛創新周期的信心。

如果市場確實為人工智能生產力的繁榮付出了過高的代價，這有可能影響一系列廣泛的資產價格變動。20世紀90年代的歷史表明，這種動態不僅可能與一段不可持續的高股價時期相關聯，而且還可能與更大的需求繁榮、更大的外匯升值以及領先國家的更高利率相關聯。（無忌）

本文為專欄作者授權微新創想發表，版權歸原作者所有。文章系作者個人觀點，不代表微新創想立場，轉載請聯系原作者。如有任何疑問，請聯系http://www.i0562.net/。