技术日新月异，人类生活方式正在快速转变，这一切给人类历史带来了一系列不可思议的奇点。我们曾经熟悉的一切，都开始变得陌生。¬——约翰•冯•诺依曼
人工智能如何促进经济增长？新古典思想范式下，以数据为基础的人工智能被视为一种新的生产要素；在新古典增长模型中，经济学家将人工智能定义为新形式的自动化；而在以米赛斯-哈耶克为代表的奥地利学派思想范式下，人工智能则可以被理解为市场发现过程中的组成部分。通过观察人工智能技术迭代的特征（自主性与智能化、开源性和协作性、个性化与主观价值）以及理解人工智能在市场发现过程中的作用、对知识的利用、对个体选择的支持以及对创新力的促进，我们认为，人工智能的发展已经与企业家和企业家精神高度绑定在了一起。
长期来看，真正能够实现人类劳动生产率质变的核心在于人工智能技术是否能够最大限度地从三个层面（企业家学习力，企业家想象力和决策力，企业家好奇心、冒险精神以及资源整合力）解放企业家精神和创新能力。未来谁能代表最先进生产力将取决于可持续的能源支持、开放的场景创造和强大的企业家精神。其中，能源支持是底层基础，场景创造是空间载体，而企业家精神是核心引擎。
关于人工智能的发展脉络
人工智能（Artificial Intelligence，简称AI）的发展可以追溯到上世纪50年代，从最早的感知机模型到如今的神经网络模型和大语言模型，人工智能已经经历了四个重要阶段和关键技术的突破。
具体来看，第一阶段：感知机模型的提出（20世纪50年代）。1957年，美国科学家弗兰克•罗森布1拉特提出了感知机模型。这种模型包含输入层和输出层，通过设置权重和偏置等参数来进行决策。尽管感知机模型的功能有限，但它为后续神经网络模型的发展奠定了基础。
第二阶段：专家系统和知识表示（20世纪60-70年代）。统计学习理论的发展为机器学习算法的建设提供了理论基础，提出了许多实用的机器学习算法。1965年，达特茅斯会议上，人工智能领域的研究者开始探索使用逻辑推理和知识表示来实现人工智能。1970年代，反向传播算法的出现使得神经网络模型能够在更大规模的数据集上进行训练，并取得更好的性能。这使得专家系统成为人工智能的主要研究方向，专家系统通过将专家的知识转化为规则和推理机制，实现了在特定领域的智能决策和问题解决。
第三阶段：机器学习和深度学习（20世纪80-90年代）。1980年代，机器学习成为人工智能的重要分支，通过让机器从数据中学习和优化算法，实现了模式识别和预测能力。1990年代，神经网络和深度学习开始崭露头角，通过多层次的神经网络结构和反向传播算法，实现了对复杂数据的处理和特征提取。
第四阶段：大数据和大语言模型（21世纪）。2000年代以后，随着互联网的普及和数据的爆炸性增长，大数据成为推动人工智能发展的重要驱动力。2010年，大语言模型开始崭露头角，通过深度学习和自然语言处理技术，实现了对自然语言的理解和生成。例如，谷歌推出的语言模型Bard可以实现100多种语言之间的翻译，翻译质量接近人类水平。在问答系统领域，2018年，OpenAI推出了GPT（Generative Pre-trained Transformer）模型，该模型通过预训练和微调的方式，实现了对多种自然语言任务的优秀表现。2024年年初，OpenAI推出了Sora模型，该多模态模型通过学习大量真实世界的视频素材，实现了对真实世界的理解和模拟能力。同年5月，OpenAI又推出了ChatGPT4o，通过一个新的端到端训练模型，GPT4o可以同时处理文本、视觉和音频等多模态的输入与输出，是第一个结合所有这些模态的模型。目前，它能在最短 232 毫秒内响应音频输入，平均响应时间为 320 毫秒，类似于人类对话中的响应时间，是向更自然的人机交互迈出的关键一步。可以说人工智能每一轮的发展都为全球经济增长提供了增长潜能。我们进一步从经济增长的角度出发，探索了人工智能技术发展对经济增长的深刻影响。
新古典经济范式下人工智能如何促进经济增长
在新古典经济学派框架下，人工智能可以看作是一种新的生产要素。它能够改变生产函数、提高生产率、降低边际生产成本，并最终影响供给和需求曲线。从生产效率来看，新古典经济学派关注如何通过技术提高生产效率。人工智能通过自动化，有助于提高各行各业的生产效率，从而改变生产的规模收益，但有可能会导致某些行业的市场结构向寡头垄断或完全竞争倾斜。从劳动力市场（生产函数）来看，人工智能的发展可能导致劳动力市场的显著变化，包括某些工作的替代和新工作的创造。这与新古典经济学派关于劳动市场的分析相符，其中工资和就业水平是由劳动力供需决定的。从消费者福利方面来看，人工智能应用的扩散可以增加商品和服务的多样性，提高产品质量，从而提高消费者福利。这与新古典经济学的消费者选择理论和效用最大化原则相一致。最后，从市场结构和完全竞争方面来看，新古典经济学派关注如何通过机制设计和市场干预来实现资源配置的帕累托最优，人工智能在此框架下被视为提高效率和优化决策的工具。
新古典经济学对人工智能的理解是将其视为一种要素和工具。在新古典增长模型中，人工智能被直接视为一种新形式的自动化，它能够自动执行以前难以完成的任务。这包括非常规任务（如自动驾驶汽车），以及高技能任务（如法律服务和科学研究）。在实证中，新古典经济学家进一步借鉴了威廉姆•鲍莫尔的“成本病”理论2（或“鲍莫尔病”）。该理论主要论述了，在一些服务行业（例如教育、医疗、艺术表演等），生产率提升的速度通常低于其他行业（如制造业）。因为它们的服务性质需要较高比例的人工投入，而且这些服务难以实现规模化生产或自动化。随着时间的推移，即使这些行业的生产率没有显著增长，但为了保持员工的工资竞争力，他们的成本（特别是工资成本）还是会上升，导致其他生产率增长更快的行业必须支付更高的价格来获得这些服务。
近年来，一些新古典经济学家通过增长模型实证了，人工智能的发展（高度自动化）有助于缓解服务业的“鲍莫尔病”，推动经济持续增长。这具体表现在四个方面：1）生产率提升：人工智能可以通过自动化任务来提升过去难以自动化的服务行业的生产率。例如，AI可以用于诊断医疗影像，提供个性化的教育服务，或者在艺术创作中提供辅助。随着人工智能在服务行业的应用越来越广泛，服务行业的生产率提升将对整体经济增长产生积极影响；2）成本降低：通过采用人工智能技术，可以减少某些行业对昂贵人力资源的依赖，降低服务成本，从而缓解或逆转“成本病”现象；3）服务质量改善：人工智能能够在某些领域提供比人类更精准或一致的服务，例如通过算法优化药物配方或提供个性化的学习计划等；4）创造新的工作岗位：尽管人工智能可能会替代某些工作，但它也能创造新的岗位和职业。虽然人工智能具有上述潜力，但在消除“成本病”方面也面临一些挑战。即使有了自动化，增长可能仍然受限于那些难以改进的关键领域。这就是智能化过程中的“技术替代极限”问题。确切来说，并非所有的服务都能通过AI来提升效率，有些服务的本质需要人类的个性化和创造性。此外，政策和法规的制定可能会影响AI技术的应用速度和范围，特别是在一些敏感领域（如医疗和教育），数据的隐私和伦理问题都可能会限制AI的使用。
奥地利学派思想范式下人工智能对经济增长的影响
与新古典经济学家对人工智能的理解不同，代表人物如米赛斯和哈耶克的奥地利学派，不仅深刻认识到技术变革对经济的影响，如生产率的提升、新产品和服务的创造，以及市场结构的变革。更重要的是，奥地利学派（或奥派）更加关注人工智能在市场发现过程中的作用、知识的利用、个体选择和创新动力。从市场过程的角度，奥派一直以来强调市场不仅仅是资源分配的机制，更是一种发现价格、偏好、技术和其他市场信息的过程。在奥派思想范式下，我们认为人工智能可以被视为这种动态过程的组成部分，例如企业家与人工智能通过人机互动发现新的机会。在信息和知识的维度上，哈耶克特别强调了知识的分散性，以及市场在信息发现过程中的重要作用。随着大数据的快速发展，人工智能技术可以更加高效地通过自身聚合（clustering）和分类（classification）技术更加精细的选择和处理这些分散信息。从主观价值的角度出发，奥地利学派强调，价值由个体的偏好和选择所决定。这一观点与现代人工智能在提供个性化服务和增强个体决策方面相呼应。在创新和企业家精神层面，奥地利学派认为经济发展是由不断的创新和企业家精神驱动的。这与人工智能的无限创造性紧密的联系了起来，人工智能作为一种不断迭代和自我演进的突破技术，能够激发企业家的创新动力。
从人工智能现有的技术应用和未来迭代特征出发，我们认为，新古典经济学派对人工智能的理解存在一定局限，而奥派思想范式下人工智能对经济发展的理解更具前瞻性和一般性。具体来看，当前人工智能的发展是建立在多种技术和模型之上，这些技术和模型发展拥有着以下核心特征：1）自主性与智能化、2）开源性和协作性、3）个性化与主观价值。
关于自主化与智能化，指AI技术正推动着自动化水平的提升，从简单的重复任务自动化到复杂决策过程的自主性。自主性的提升实际上是算力和模型复杂性的提升所带来的机器人智能化的提升。在奥地利学派的经济理论中，自发性是指无需中央指令或集中控制的秩序，即市场参与者个体行为的累积效应可以导致秩序的形成。这种秩序是通过个体之间的相互作用和交换自然而然形成的，并非由某个中央计划者设计。尽管当前人工智能技术和模型的发展通常不被认为具有自发性，但通过强化学习（reinforcement learning）和进化算法，AI系统有望在一定环境或框架下自我演化和自适应，以达到预先设定的目标或任务。此外，从大语言模型（Large Language Model）、转换器模型（Transformer Model）以及知识图谱（Knowledge Graphs）的技术特征和发展方向来看，随着人工智能在自然语言理解、逻辑推理、发现新关联关系方面的能力不断提高，在某种程度上其所创造的数字经济世界中已经出现了类似于奥派经济学家提出的自组织系统，即组件间的局部交互可以导致全局有序行为的出现。强化学习系统是自适应系统的一个例子，智能体通过与环境交互来学习策略，从而最大化某种累积奖励。智能体的学习和决策过程是自组织的、不需要外部指导。另一个例子，在以Web3.0为代表的去中心化和分布式网络环境中，越来越多的开源AI项目已经不再是由单一实体控制，而是通过社区成员的自主贡献和协作自然形成秩序和规范。这种协作和组织方式类似于自发秩序。
关于开源性和协作性，近十年来AI之所以能够快速崛起受益于开源代码的兴起，许多重要的AI工具和库（如TensorFlow、PyTorch等）都是开源的，这直接促进了全球范围内的协作和共享。AI算法实现开源的底层逻辑是知识的分散性。正因为知识具有分散性，现代AI才试图通过互联网社区实现更多的信息和知识共享。这与奥地利学派核心原则之一知识分散性如出一辙。哈耶克认为，经济系统中的知识是分散于所有个体中的，没有任何一个权威能够掌握所有信息。因此，开源协作能够发挥知识分散的优势，从而加速了知识的创新和技术迭代。
关于个性化与主观价值，随着深度学习技术的出现，AI技术越来越朝向个性化与定制化方向发展。AI现在能够提供高度个性化的产品和服务，从定制化的新闻推送到个性化的学习计划，再到个性化的健康建议。在开源AI项目中，每个贡献者可以根据自己的兴趣和需求选择参与项目或贡献代码，这都体现了数字经济世界中是以个体主义和主观价值为出发点。
人工智能促进经济增长的核心是企业家精神
在新古典范式下，人工智能通过提升自动化和信息处理能力优化资源配置的效率。这促进了劳动生产率水平的提升。然而，新古典经济学家并未回答一个更加实际的问题，那就是人工智能如何（How）实现劳动生产率水平的提升。新古典经济学家似乎较少关注企业家的角色和重要性。确切来说，真正能够实现人类劳动生产率质变的核心在于人工智能技术是否能最大限度地解放企业家精神和创新能力。我们认为，AI技术发展能够在三个方面有效激发企业家精神和创新能力。
首先，学习能力的提升。人工智能帮助企业家拥有更多的时间去思考和学习。具体来看，AI自动化和数据驱动决策能力提升，可以减少企业家和管理者对公司日常运营的关注时间，帮助企业家把更多的时间和精力集中在战略性任务或自我学习上，这是激发创造力的第一步。实际上，越来越多的企业家和商业领袖都公开讨论过人工智能如何帮助他们的企业节省时间，促进企业家学习能力提高。谷歌的首席执行官Sundar Pichai经常提到AI在提高效率和促进企业家精神方面的重要性3。他表示人工智能是谷歌的核心驱动力，通过自动化简化任务，帮助企业专注于核心的创新工作。Facebook的创始人Mark Zuckerberg4在多个场合指出AI技术能够帮助团队更有效地识别和管理社交平台上的问题内容，这样企业家、决策者和工程师们就可以把更多的时间花在产品和服务的创新上。
其次，决策力和想象力的提升。人工智能所提供的信息发现或创新设计能够更好地提升企业家的决策力和想象力。比如，Netflix正在利用AI分析用户观看数据（用户观看时间、观看类型、情绪反映等），从而优化推荐算法，并指导原创内容的开发。Netflix的创始人之一Marc Randolph5认为这种数据驱动的决策为企业家提供了新的创新方向。此外，像Midjourney，D-ID等基于大语言模型的创意公司，它们通过响应用户提出的自然语言描述创造新颖的图像、视频和音乐，激发了企业家和创业者在艺术和产品设计上的新想法。
最后，好奇心、冒险精神与资源整合力的提升。长期来看，随着多模态模型的出现，在未来人工智能将不仅仅是“工程师”而将真正成为“科学家”。 这将极大地促进企业家精神，帮助人类以前所未有的速度和规模在科学领域实现理论创新。芝加哥大学近期的一项研究指出，AI不仅可以更好地预测科学发现，还可以进一步扩展科学发现。比如，在科学家进行推理预测的过程中，AI会通过自我学习对人类的研究问题进行思考，再为人类的推理过程和基本假设提供补充和建议。科学家认为这种补充性智能的产生可能会加速新的科学发现，最终带来理论创新的飞跃式进步。本质上，AI之所以能出现补充性智能是因为人工智能在某种程度上存在“涌现”特征。“涌现”是指当简单的规则或算法在AI的复杂结构中相互作用时，会出现新的、意想不到的模式或行为。正如OpenAI的创始人Sam Altman指出，当人工智能算力能够得到显著提升时，那么AI的智能性将为人类生产活动和生产水平带来质变。随着新能源技术的进步，AI系统特别是涉及神经网络或机器学习的系统，或将更加高频次地出现某种程度的“涌现”行为，为企业家或创业者带来更多更广的创新和技术进步的机会。越来越多富有企业家精神的人将在好奇心的驱动下，勇于探索人工智能所带来的未知领域。
AI环境的演进：未来人工智能发展的5大方向
我们进一步总结了未来人工智能发展的5个重要方向，我们认为企业家精神的作用力将充分发挥在这些关键AI领域，为经济增长释放更多活力。 1）多模态人工智能（Multimodal AI）。多模态人工智能是指超越传统单一数据的处理方式，涵盖了文本、图像和声音等多种输入类型。这一技术方向旨在模仿人类处理多样感官信息的能力。多模态人工智能的应用领域非常广泛，例如在医疗领域，多模态模型可以结合患者的病史和基因信息来分析医学图像，提高诊断准确性。在职能层面上，多模态模型可以扩展各种员工的能力，将基本的设计和编码能力扩展到没有相关背景的个人身上。2）主动型人工智能（Agentic AI）。主动型人工智能是从被动式人工智能向主动式人工智能的重要转变。主动型人工智能代理系统具备自主性、主动性和独立行动的能力。与传统的人工智能系统不同，主动型人工智能代理系统能够理解环境、设定目标并采取行动，而无需直接人类干预。例如，在环境监测领域，主动型人工智能代理系统可以通过收集数据、分析模式并在发现森林火灾的早期迹象时采取预防措施。在金融领域，主动型人工智能代理系统可以根据实时市场情况主动管理投资组合。3）开源人工智能（Open source AI）。构建大型语言模型和其他强大的生成式人工智能系统是一个昂贵的过程，需要大量的计算资源和数据。但使用开源模型可以使开发人员在其他人的基础上进行开发，降低成本并扩大人工智能的应用范围。开源人工智能是公开可用的，通常是免费的，使组织和研究人员能够贡献和构建现有代码。开源方法还可以促进透明度和道德开发，因为更多的人参与代码审查，有更大的可能性发现偏见、错误和安全漏洞。4）检索增强生成（Retrieval-augmented generation）。尽管生成式人工智能工具在2023年得到广泛应用，但它们仍然存在幻觉问题：对用户查询的回答可能听起来合理，但实际上是错误的。为了减少幻觉问题，检索增强生成技术应运而生。它将文本生成与信息检索相结合，提高人工智能生成内容的准确性和相关性。通过让语言模型访问外部信息，可以帮助它们产生更准确、更具上下文意识的回答。此外，不需要将所有知识直接存储在语言模型中，可以减小模型的大小，提高速度并降低成本。5）定制企业生成式人工智能模型（Customized enterprise generative AI models）。定制化企业生成式人工智能模型是针对特定企业需求和数据进行定制开发的AI模型。相比于通用的生成式AI模型，定制化模型在实践中可能更有价值。定制化模型可以提供更好的隐私和安全性，这对于注重安全的企业来说尤为重要。通过使用内部模型，企业可以对用于训练模型的敏感数据保持控制，而不是与第三方共享访问权限。此外，针对公司特定任务和数据进行训练的模型也更有可能产生更相关的输出和更少的幻觉，从而减轻了一些企业对使用第三方模型能否产生准确、公正和代表性输出的担忧。
围绕AI发展的5个方向，企业家和创业者可能需要在公司管理中采取更加主动的战略性的行动，以充分利用AI技术的潜力。这不仅涉及到技术的采用和集成，还包括了对人才的投资、对数据和知识的管理、以及对企业文化和伦理的关注。通过这些措施，企业家和创业者不仅能够在当前市场中取得成功，而且能为不断变化的未来做好准备。1）策略规划与定位。明确定义公司的AI战略是企业家首要任务之一。这包括了解AI如何与公司的核心业务和长期目标相结合，以及如何利用AI来提升产品和服务的价值。同时，企业家需要更深度的研究市场趋势和消费者行为，以便掌握AI技术能如何满足客户需求，并预测可能的市场变化。此外，不断分析竞争对手的AI能力和战略，以确定自身差异化优势对企业创新具有重要影响。2）人才管理与发展。AI编程、数据分析和统计学以及AI和机器学习的运营被认为是全球组织在广泛AI项目中最需要的前三种技能。然而，这些技能的供应相对不足。企业家是否能够勇于培养和积累AI人才，主动招募AI领域专家包括数据科学家、机器学习工程师和AI伦理专家，将决定企业是否具备长期可持续竞争力。此外，在AI时代下， 鼓励创新、勇于实验和终身学习的组织文化将越来越重要，企业家需要结合自身情况营造更加贴合AI文明的企业文化。3）数据治理与分析。建立一个强大的数据管理系统，确保数据的质量、安全和可用性，这是AI时代下企业家成功的基础。OpenAI的Sora之所以能够提供高质量的视频生成效果，核心在于数据质量和数量的保证。同时，也离不开AI对数据的深度分析和收集处理。4）风险管理与环境监测。企业家一方面需要针对AI引入可能带来的技术、安全和道德风险进行全面的评估，并制定相应的缓解策略；另一方面，企业家需要持续监测AI领域的技术进步和创新动态，以便及时调整公司策略并抓住新机遇。5）升级更新客户与合作伙伴关系。随着多模态AI模型的不断迭代，企业家可以构建灵活的业务模型，以适应由AI技术驱动的市场变化，确保快速响应客户需求和市场动态。同时，企业家可以建立与其他公司和研究机构的合作关系，共同开发AI技术和应用，积极参与AI技术的生态系统，以更好的了解相关开源项目、标准制定和行业协同规则。
基于AI大环境，未来谁能代表先进生产力将体现在能源支持、场景创造和企业家精神
首先，能源支持是基础。随着微处理器芯片变得更加强大，它们不仅需要更多的电力来运行，而且能源效率也在下降。根据一份来自全球微芯片制造商贸易组织的报告，预计到2040年，全球计算机芯片所需的电力将超过全球能源产能。因此，现有的计算方法和技术已经接近物理极限，传统的方法已经无法满足未来计算需求。更高的能源效率是实现未来计算能力的必要条件。正如OpenAI CEO Sam Altman表示，未来的货币将是算力和能源，AI技术是否实现质变取决于能源突破。这一说法反映了能源在支持人工智能增长和发展中的重要性。我们认为能源将是未来人工智能技术发展的基础。人工智能系统，特别是涉及深度学习和复杂计算的系统，需要大量的计算资源和能源才能有效运行。由于当前能源来源可能无法满足未来人工智能技术的发展，鼓励将更多资源和努力投入到寻找可持续和高效能源解决方案上（例如能源发电和存储技术）是具有必要性的。其次，场景创造是载体。能源支持人工智能算法创造底层基础，而场景创造和实现则需要新一代互联网-Web3.0的建立和演进。作为新一代互联网，Web3.0在人工智能支持下采用区块链、去中心化网络和智能合约等多种技术，将为全球用户提供更无缝和个性化的体验。我们认为Web3.0的发展和演进具备四大特征。首先是去中心化。具体来说，Web3.0上的数据和内容不再存储在单一的服务器上，而是分布在去中心化网络（如区块链）的多个节点上。这样做的目的是为了避免数据控制权集中在少数几家大型科技公司手中，降低单点故障风险，并提升数据的安全性和隐私保护。其次，Web3.0具有高度个性化的特征。基于用户的数据和偏好，以及增强的机器理解能力，Web3.0能够提供高度个性化的内容、搜索结果和用户交互体验。第三，Web3.0具有高度自由的互操作性和连接性。Web3.0旨在创建一个更加互联互通的网络环境，应用和服务之间的数据可以自由流动，用户可以无缝地使用多个服务而不受限于单一的生态系统或平台。最后，Web3.0强调私人产权性（私人数据保护）。在Web3.0中，用户对自己的数据拥有完全的控制权。相比于Web2.0时代，用户生成的数据被平台所控制和利用不同，Web3.0强调用户数据的所有权和自主性，用户可以选择与谁共享他们的信息以及如何共享。在人工智能技术的推动下，想要在全球经济竞争中得到市场高度共识的核心在于是否能够充分发挥Web3.0网络的去中心化、高度内容个性化、高度连接自由化以及高度保护私人产权的四大优势。
然而，能源支持和场景创造作为AI环境下的基础支持和空间载体并不是先进生产力的核心驱动。真正能够推动先进生产力水平产生质变的是企业家精神。谁能在一个开放的AI环境下，充分调动企业家积极性，帮助企业家和创业者抓住去中心化市场的机遇；谁能在Web3.0的互联网环境中，进一步释放他们的好奇心、想象力、学习力以及冒险精神，将是推动先进生产力发展的关键。这需要制度设计者去深刻思考，人工智能技术和互联网的演进、迭代正在一个什么样的社会经济思想范式下前行......
参考文献
1）Rosenblatt, F., 1958. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65(6), p.386.
2）Na, B.O., Li-song, Y.I.N., Chang-yu, H.U. and Guang, B.I.A.N., 2020. A Study on the Spatiotemporal Evolution of Interprovincial Employment Patterns in China—Empirical analysis based on dynamic space Dubin panel model. Journal of Guizhou University of Finance and Economics, 38(01), p.1.
3）Gofman, M. and Jin, Z., 2024. Artificial intelligence, education, and entrepreneurship. The Journal of Finance, 79(1), pp.631-667.
4）Katzenbach, C., 2021. “AI will fix this”–The technical, discursive, and political turn to AI in governing communication. Big Data & Society, 8(2), p.20539517211046182.
5）Steck, H., Baltrunas, L., Elahi, E., Liang, D., Raimond, Y. and Basilico, J., 2021. Deep learning for recommender systems: A Netflix case study. AI Magazine, 42(3), pp.7-18.
注：本文特别感谢香港科技大学人工智能科学家雪巍博士
（作者介绍：程实博士系工银国际首席经济学家；张弘顼博士系工银国际资深经济学家；徐婕博士系工银国际经济学家。本文仅代表作者观点。责任编辑邮箱：[email protected]）