智能经济深度研究-人工智能时代的经济增长、产业格局与大国博弈

智能经济深度研究：人工智能时代的经济增长、产业格局与大国博弈1、武汉解封：小小健康码背后的大智能2020年4月8日，封闭76天的武汉宣布“解封”。疫情的阴霾终于逐步散去，当江汉关大楼的钟声再度与过江轮渡的汽笛声交织，当黄鹤楼旁重新响起市井的喧闹，熙熙攘攘的人群又一次从武汉出发，也在向着武汉到达。湖北省新型冠状病毒感染肺炎疫情防控指挥部要求：从4月8日零时起，离汉人员凭湖北健康码“绿码”可以安全有序流动；外省来鄂来汉人员凭外省健康码或湖北健康码“绿码”，也可以在全省范围内安全有序流动。在疫情尚未完全过去、防疫形势仍然严峻的局面下，小小的健康码不但为武汉的解封保驾护航，而且成为了政府有管理的实现武汉解封的主要依据。那么健康码背后有何奥秘呢？其原理是以个人自行申报健康信息为基础，结合手机定位，消费记录（如有没有购买过退烧药等），乘车记录（有没有去过疫区等）等数据对使用者过去14天的行踪、和行为进行综合判断，估算出使用者的疫情风险。安全的颜色是绿色，有一定风险的颜色是黄色，而风险较高则为红色。健康码是一款典型的人工智能应用：一方面，人能理解健康码并在适当限制内进行有效决策；另一方面，健康码将人有效的信息输送给机器，使机器对大量的、人工根本无法处理的数据进行统一处理，得出有效结果。2、疫情加速智能经济到来作为可以与蒸汽机、电动机、计算机和互联网相提并论的通用技术，基于深度学习的人工智能在一些特定领域赋予了机器识别规律、改善优化的能力，有望带来新一轮的工业革命——将人类社会带入到智能经济时代。人类社会智能化的过程可能包括互联网应用智能化，商业活动智能化，实体世界智能化，和机器行动自主智能化四个阶段。目前看来，疫情的爆发和防疫的长期化虽然令许多行业遭受重创，却成为了人工智能应用落地的最新催化剂和加速器。2.1、基于深度学习的人工智能：一种新的通用技术当前人工智能技术的发展距离科幻小说中可以在各方面和人相比的通用人工智能（人可以做的机器都可以做）相差甚远，而且目前技术也并没有在这个方向取得突破。然而，基于深度学习的人工智能可以利用大量的来自特定领域的数据训练机器识别数据和期望结果之间的关联性，从而为想要的结果做出最佳决策。尽管局限在一些领域，这种识别规律，得出最优解，和做出决策的能力是人类智能的重要体现，其广泛的用途使得深度学习成为了可以与蒸汽机、电动机、计算机和互联网相提并论的又一项通用技术的突破。深度学习的广泛应用可以大幅提升人类生活各个领域的智能化水平。2.1.1、通用技术与人类进步现代经济增长理论中把对经济增长和经济结构变迁产生广泛影响的技术定义为通用技术。通用技术的典型特征包括几乎可以运用到人类经济的所有领域，能有效提高生产效率，并且在该技术进步的同时能够催生其它领域的新的技术形成良性循环等。尽管有关通用技术具体包含哪些技术学界内尚无明确定论，但人工取火、轮子以及为人类社会进入到机械化、电气化、信息化时代起到决定作用的蒸汽机、电动机、计算机和互联网都是公认的通用技术。2.1.2、从人工智能到基于深度学习的人工智能智能一般指知识和智力的总和，前者是智能的基础，而后者是指获取和运用知识求解的能力，或多或少的具有依靠过去经验处理新问题的创造力。在计算机和控制技术帮助机器实现自动化（在人预先设定之后，依据设定的安排自动执行）之后，从上个世纪50年代开始，人类就开始了让机器具有人类某些智能——人工智能的探索。迄今为止的研究表明，实现通用人工智能还远不现实，在伦理和安全性方面也有巨大的风险。即使是实现狭义人工智能（在一些特殊领域里面可以预测、分类和决策的人工智能），也一直面临重重的困难。直到近10多年来，以深度学习作为基础的人工智能算法在实现狭义人工智能的功能方面取得了突破，才真正令人工智能被普遍视作可以与蒸汽机等相比的通用技术。那么什么是深度学习呢？一种使得机器具有智能的思路是让机器具有学习能力

（机器学习），而一些科学家试图模仿人脑的结构来搭建机器学习硬件和软件基础（神经网络），其中通过多层神经网络实现机器学习又被称为深度学习。由于初始输入的数据是经过标注的，也就是我们知道输入数据和判定结果之间的关系，也就是知道机器的判断是否正确。如果判断错误，那么就通过类似求导等的方式修正函数的参数（从f变成f‘）。然后用更多的数据来训练/优化网络上每个节点函数的参数。如果数据量足够大，研究者发现在许多领域机器的判别就能够得到比较满意的结果。举例而言，如果让机器识别一个物体是否是猪，输入的信息可以是该物体重量，长度，宽度等多方面的数据（如果是图像识别则是图像上一些点的颜色、亮度等）。在整个网络各个参数都是初始随机设定之后，输入的数据经过几层网络会计算出一个数值。可以设定判定的规则是大于0.5机器就认为该物体是猪，而小于0.5则不是。如果机器判断错误，程序就会对参数进行修正。通过大量的数据（经过标识的猪和非猪的样本）不断训练、修正各层网络上的各个节点的参数，最终就可以得到一个可以对物体是不是猪进行识别的有效的人工智能算法。2.1.3、过去十年的突破与数据瓶颈过去十多年间深度学习人工智能技术的突破性进展与数据、算力与算法共同的突破与进步有关。伴随着互联网得运用足够广泛，人类才搜集出了足够多的数据足以训练深度学习算法下的人工智能；大量的数据输入和巨大的参数规模对计算能力也有要求，近10年以来包括GPU在内的一些技术的运用也才使得处理深度学习的硬件条件逐步成熟；当然，被誉为人工智能之父的杰弗里·辛顿同样居功至伟——为了能够使人工神经网络处理复杂的问题，必须增加神经元的层数，但是多层网络在参数调整方面存在一些特殊的困难，辛顿在2006年终于找到了对于多层神经网络进行训练的方法才使得深度学习成为了可以媲美蒸汽机、互联网的通用技术。在本文中，除非专门指出，后续所有提到的“人工智能”一词都特指基于深度学习的人工智能应用。目前看来，虽然人工智能算法的优化，支持算力的硬件的改善都需要资金的支持和技术的持续进步，而人才更是昂贵，但是缺少数据特别是经过标签的大规模数据仍然是人工智能应用的主要瓶颈3。当然，研发者也采取了各种方式来获取数据，包括在提供产品和服务的同时搜集数据，雇佣人员为数据贴标签等等。2.1.4、人工智能的优势与局限基于机器学习的人工智能可以在一些特定领域识别规律，进行优化，做出决策。与人类智能比，人工智能不仅仅速度更快，处理的频次更多，而且在精度方面可以做的更好（质量更高）；除此以外，人工智能还可以发现人类所忽视的弱相关

（例如用户手机上输入生日的手速和个人信用之间的关系4），更好的为优化和决策服务。当然，人工智能也存在着非常明显的局限：尽管算法、算力与数据已经有了大幅提高，人工智能算法仍然只能在一些特定领域解决问题，而且有关控制论的一些研究证明过度复杂和精细的动作难以被机器所模仿。算法、算力、数据、特别是经过标识的数据的数量的不足（包括大量数据属于不同所有者形成“数据孤岛”、难以整合）以及控制技术的缺陷仍然大大限制了人工智能应用的领域。由于人工智能缺乏归纳、抽象、推理（如举一反三）等能力，人工智能不能完成需要相关能力的复杂的任务，包括进行刑事调查、根据现象提出假设并验证科学理论，提出或解答开放式的问题等等。也因为缺乏这些能力，面对动态变化的环境，人工智能在短时间和信息不对称下做出决策和采取行动就比较困难。因此，举例而言，在封闭、干扰较少的区域（如洋山港）的自动驾驶卡车已经进入应用阶段了，但是需要处理复杂环境的私家车自动驾驶还遥遥无期。当前的人工智能由于缺乏人类的各类心理特征，因而在需要创造力，移情与沟通技巧等方面表现较弱。例如人工智能的语言翻译在基本意思的能力方面，比如翻译一般性的新闻等已经基本够用了，但是在在要求“信达雅”的情况下，则与人类的专业翻译还像差十万八千里。总体而言，当前的人工智能更多看起来像是一种工具，距离想象中的智能仍然有相当距离。即使是在中长期而言，基于深度学习的人工智能对于人的替代也有明显的局限：对于体力劳动而言，越是需要高动作技巧，且越是容易面临新的、不确定的环境的工作越不容易被替代；对于脑力劳动，则越是需要创意和决策能力等能力的工作越难以被替代。不论是对于体力劳动还是脑力劳动，需要社交能力更强的工作均较不容易被人工智能替代，但是传统上较高端的、着眼于优化的工作（如设置最优保险费率）则有较高的风险被人工智能替代。2.1.5、智能经济的四阶段基于数据获取的先后次序和难易程度，人工智能在应用层面可能包括四个阶段：

互联网应用智能化，商业活动智能化，实体世界智能化，和机器行动自主智能化。互联网智能化：用互联网服务获取的各类数据训练人工智能，实现一些互联网服务的智能化，也是人工智能应用最早落地的领域。互联网智能化的代表应用就是智能营销：互联网公司运用用户使用互联网的各类痕迹（如：浏览历史，点赞，搜索记录）来训练人工智能，了解、研究、学习用户的个人喜好，进而为用户推荐专门的针对性内容。商业活动智能化：各类传统商业企业运营（金融、医疗等）而产生的数据也可以被用于训练人工智能，使得相关商务服务的智能化程度提高。举例而言，银行在发放贷款时积累的有关借款者收入、财产、信用历史等方面的数据可以训练人工智能来控制信贷风险；常年的诊疗数据也可以被用于训练人工智能，从而使今后的诊疗更加高效。实体世界智能化：随着大量的传感器以及物联网（IoTInternetofThings）设备的推出，大量的实体世界的数据被收集并上传至互联网，这样一来，即便人类并没有上网留下痕迹或者像去银行贷款一样填写个人信息，人类的一举一动都会被作为数据记录起来。自然这些数据也可以被用于训练人工智能。通过这些数据所训练出的人工智能相应地也获得了感知实体世界的能力，如识别图像，识别声音，识别正在附近发生的事情。这种情况下，日常生活中各类物品都会拥有感知和反馈能力并且彼此连接：

例如家中的空调或许能够了解用户对温度的需求从而自动调整；冰箱或许能够通过识别冰箱中各种食物进而判断用户缺乏何种营养并通过超市的购物车在主人购物之际提出合理化建议；课堂上，人工智能或许能够通过识别学生微表情来判断每个学生对不同内容的掌握程度，进而输出针对每个学生的个性化教学方案。人工智能对用户一举一动的识别使得用户永远处在线上，人类与机器的关系深度融合。机器行动自主智能化：随着机器通过人工智能获得对声音，图像等外界信息的识别能力后，进一步地，在实时获取外界信息的情况下进行决策，并借助控制技术采取自主行动。举例而言，无人驾驶人工智可以驾驶汽车；采摘机器人可以通过图像识别等技术自动判断果实的成熟度进而进行采摘。这一阶段的智能化集以上三个阶段之大成。2.2、疫情加速智能经济到来西谚有云“上帝为你关上一扇门就会为你打开一扇窗。”新冠疫情的爆发和防疫的长期化虽然对中国和全球经济形成了明显的冲击，一些行业受到的打击尤其惨烈，但是却产生了对于医疗人工智能、非接触式人工智能产品的大量需求。大量活动的互联网化也在为训练强大的人工智能算法奠定数据基础，而出于应对需求和刺激经济等多方面的考虑，企业与政府也在智能经济所必须的基础设施和软硬件方面加大投入——包括扩充服务器、加速5G网络、物联网建设和相关规则的制订等。人工智能在诸多领域的应用正在加速落地，而智能经济也正在加速到来。2.2.1、疫情直接催化对人工智能产品的需求疫情爆发对于医疗资源的挤兑直接推动了医疗领域人工智能的加速落地；同时，为了防范疫情传播而产生的对非接触式服务的需求显著催化了对于无人消毒、智能监控、无人配送、无人零售、远程智能教育、远程贷款催收等人工智能产品的应用变成现实。医疗人工智能显著提升了相关领域医疗服务的效率和质量，在对抗疫情的一线直接发挥作用。针对新冠疫情的诊断带来了CT识别需求的急剧上升，阿里宣布向全球医院免费开放新冠肺炎人工智能诊断技术，20秒即可完成一次疑似病例的CT诊断，准确率高达96%以上。为了防范疫情传播，减少人与人接触的需求也同样催生了或加速了大量人工智能的应用。无人机器人在防控疫情期间的消毒、测温、巡逻中都表现出色；大规模的智能监控明显降低了居家隔离等措施的落实难度；由于疫情发生期间网购订单的激增，以及人工配送可能带来的交叉感染风险，、苏宁等企业第一时间就在武汉等一些地区启用了智能配送车和配送机器人，机器人可以自行判断路线、乘坐电梯、以及提醒消费者取货，实现“无接触式配送”——实际上，由于机器人快递牵扯的安全、法律等问题较少，很有可能比无人驾驶汽车等要更早全面落地。疫情冲击之下，无人零售热点重燃，智能教育迎来新的发展机遇，而一些新的人工智能的应用更令人惊叹。2月2日，一家由湖北中百仓储和合力搭建的无人超市在武汉火神山医院开始营业，消费者从挑选到支付全程都是自助式完成。在2020年新春期间数亿人远程上学之际，一些企业提供的人工智能自主学习系统，则提供了形成个人学习画像，规划最佳学习路径，推荐针对弱项的视频学习和针对练习等定制化的智能教育服务内容。疫情爆发之后，金融等消费金融公司暂停人工现场催收，启动智能机器人远程催收——与人工催收相比，智能机器人可以批量呼叫，全年无休，情绪稳定，没有语言暴力，保障合规，而且不存在人员培训和流失的问题，效率大幅提升。2.2.2、疫情加速数据积累和整合——为人工智能的训练提供素材疫情的爆发在直接催生了对于人工智能产品的需求的同时，也改变了用户的消费习惯和活动方式。大量活动的互联网化显著增加了数据量的积累，企业、政府也对数据进一步整合，这为进一步优化现有的人工智能以及训练其它的人工智能算法打下了基础。疫情的爆发首先推动了数据大规模的积累，包括在此前数据积累相对薄弱的领域，和一些新兴的领域。例如，今年春节七天长假和在家办公期间生鲜类APP的平均日活同比增幅超过了100%，非接触支付等传统的线上活动也进一步的增长，积累了更多的数据。义务教育阶段的在线教育由于获客成本、消费习惯、政府管制等多方面的原因，发展一直存在一些瓶颈，疫情的爆发和教育线上化也推动了相关数据的积累，统计显示学生学习类APP的平均日活同比增幅出现了翻倍。疫情爆发之后，不少房企推出“线上售楼”的营销模式，利用VR技术提供线上立体化展示；部分车企也推出线上看车等业务；“直播带货”的火爆和网络明星成为了社会广泛关注的现象，这些新兴营销手段也带来了大量的新场景下的数据积累。在数据整合方面，疫情也起到了催化剂的作用。例如，各省市都建立了新型肺炎疫情监控平台，将医疗数据与大数据结合，实现了同行车次查询、同行航班查询、周边社区确诊查询等应用，分散在各个部门的数据有机会被统一调取、分析和用于人工智能的训练——有助于打破“数据孤岛”。由于涉及病人隐私、数据标注需要医学专家等原因，医疗领域的人工智能企业获取数据一直存在一些挑战，疫情爆发以后腾讯与钟南山院士团队共同成立大数据及人工智能联合实验室，以大数据及人工智能攻坚流行病、呼吸疾病和胸部疾病的筛查和防控预警。医疗人工智能的应用在一定程度上获取了官方的认可，在数据整合方面的便利程度大幅上升。2.2.3、疫情进一步推动人工智能硬件设施升级在对在线活动以及人工智能需求显著上升之际，互联网和科技巨头们也都抓住时机升级自身的硬件系统，为未来人工智能的发展铺好道路。例如，以腾讯会议、阿里钉钉为代表互联网服务商在数亿人线上办公、线上教学之际大幅的扩充了自身的云服务器。部分的因为疫情冲击，政府不仅仅看到了人工智能应用的巨大潜力，而且结合对经济的刺激计划，大力推动5G网络、数据中心、物联网、人工智能等新型基础设施建设的进度。其中5G网络因为其传输数据量的显著扩大和延迟时间的显著缩短是实现实体世界的智能化和机器行动自主智能化的重要基础设施。例如，如果自动驾驶的信息输入和运算输出之间存在数秒延迟，安全性肯定无法保障。2.2.4、全球面临人工智能风口截至北京时间4月26日，美国约翰斯·霍普金斯大学的统计显示，全球新冠确诊病例约达280万例。伴随着疫情持续扩散和防控疫情的长期化，与中国类似全球人工智能产业也都迎来了跨越式发展的契机。人工智能技术首当其冲被用于疫情的预测和诊断，帮助缓解医疗资源的高度紧张。例如，BlueDot公司基于自然语言处理技术来搜寻新闻报道、数据和其他资源，在新冠暴发之初发挥了监测的功能。谷歌宣布与政府合作搭建在线问诊网站，利用人工智能技术帮助人们进行自我筛查。基于人工智能技术的机器人、、语音外呼等应用也同样在生产生活领域显示出其巨大的发展潜力。在疫情期间，美国在商店中继续推广自动驾驶机器人的使用。谷歌旗下的Wing无人机也于近期开始大规模进军物流配送业，两周内完成了超过1000次送货服务。韩国著名人工智能企业Hancom集团引进了外呼机器人的方案和技术，并于3月24日正式在韩国上线使用。此外，随着疫情的加重，人们外出减少，线下的需求也纷纷转为线上，这为人工智能未来的发展提供了潜在的数据资源。在美国，、谷歌在内的多家企业都选择远程在线办公。疫情也拉动了韩国网购消费增长，根据韩国产业通商资源部发布的调查数据，2月网络零售额与去年同期相比增长幅度为34.3%，是自有相关分类统计以来单月最大同比增幅。网上交易规模的扩大也将改变用户习惯，进一步带动在线支付产业的发展和消费数据的积累。实际上，在网络购物等领域具有优势的等美国科技企业的股票也在近日创出新高。3、智能经济时代：经济增长、收入分配与均衡利率在疫情的催化之下，智能时代已经悄然到来。从宏观的视角来看，基于机器学习的人工智能毫无疑问会提升中国乃至全球的潜在经济增速水平。当然，其对于劳动力市场的冲击可能带来更严重的贫富分化。从美国新经济的历史经验来看，技术进步会推动经济繁荣，在经济繁荣期的利率可能出现周期性的上行，但是带来贫富分化的技术进步可能带来利率趋势性的下行。3.1、提升中国潜在经济增长水平技术进步首当其冲会提升一个经济体的生产效率。例如，电力和信息技术的广泛应用使得美国的劳动生产率在1915-1924年以及1995-2004年之间出现了明显的加速，也是美国经济出现“柯立芝”繁荣和“新经济时代”的基础。人工智能当然也不会例外。我们最保守的估计是人工智能会在未来十年平均每年提振中国的潜在经济增速0.5%。3.1.1、人工智能两种应用有望提升未来十年年均GDP增速0.2-0.3%首先，单单从人工智能有望迅速取得应用的两个个领域——自动驾驶与智能呼叫中心来看，就有希望在未来10年提升中国的潜在增速0.2-0.3%。自动驾驶取代汽车司机。包括谷歌等公司已经证明，自动驾驶汽车比人工驾驶汽车更安全，更有效率。在一些环境简单的场所，无人卡车已经进入到了应用阶段，而更复杂一些的无人出租车等在3-5年内能够接近商业应用也是大概率事件。按照近两年中国汽车保有量的数据估算，我国以司机为职业的人员总数保守估计可能高达2600万人。2019年我国城镇就业人员约4.4亿人，职业司机占全国城镇就业人口的约5.9%。如果在未来10年有一半的职业司机为自动驾驶人工智能所取代，就意味着在有3%的劳动力被节约下来的情况下可以完成同样的总产出，人均劳动生产率可以因此额外上升3%。如果平均到十年来计算，每年劳动生产率可以额外增长约0.3%。从资金流量表初次分配非常粗略的估计劳动力对GDP的贡献为约60%，则劳动生产率上升约0.3%意味着潜在经济增速有望额外上行0.2%。人工智能取代传统呼叫中心。伴随着语音识别技术水平的提高和人工智能在问题回答领域的进步，人工智能有望取代呼叫中心服务人员回答60-70%客户问题。实际上，考虑到大量客户问题都是比较类似的问题，人工智能的解决方案不仅仅成本更低、还不会出现不耐烦的情绪，质量更高。实际上由于客户中心服务人员的质量良莠不齐，还需要额外的监督员对他们的通话定期的抽查，人工智能也有望较好的协助履行这一职责。据估计，2016年中国呼叫中心坐席数为170万左右，以平均一个坐席有2.5名就业人员来看，总就业人员超过400万人。如果在10年之内70%的呼叫中心接线员被人工智能应用所取代，那么会节约中国城镇就业人员的0.6%。而这也意味着未来10年每年的劳动生产率会额外上升0.06%，潜在经济增速还会额外上升约0.04%。3.1.2、人工智能提升潜在经济增速和福利水平的程度远高于此实际上，人工智能对经济增长和福利水平提升的贡献不止于节约劳动力本身。例如，公安部的数据显示中国2018年死于车祸的人数在6万到7万之间，受伤的人数可能还会数倍于此。如果无人驾驶的汽车出现车祸的概率显著小于由人驾驶的汽车，无人驾驶降低死亡率不但会增加劳动力的供给，也会降低医疗救助等方面的社会成本，提升潜在经济增速水平和社会福利水平。此外，人工智能还可以完成许多人类根本不能完成的任务来提升全要素生产效率：人工智能可以发现许多人类几乎完全不能发现的弱相关性来实现解决方案的优化。最典型的例子是在信用评估领域。人工智能不仅仅处理信息的速度大大高于传统人工的信用审核，可以实时追踪收入、现金流数据反映最新的信用风险，还可以借助大数据技术借助许多弱相关的因果或相关条件、抓住复杂的非线性关系——例如输入手速和信用等级的关系——用于信用评估。人工智能可能彻底改变对于某些技能的需求，从而大幅降低人力资源成本。比如说，如果人工智能在翻译领域进一步取得决定性的进展，社会只剩下对于信达雅要求较高的专业外语的需求，外语教育是否还有现在这么重要也可能都需要打上大大的问号。如果全球的学生都可以大幅减少学习外语的时间而把这些时间用于其它领域，教育领域的全要素生产效率也会极大提升。基于机器学习的人工智能还有可能通过优化定价策略（经济学中称为价格歧视）——依据消费者支付能力和意愿的不同而对产品和服务定不同的价格——来增加产出。理论上讲，如果能够实现完全的价格歧视，虽然厂商攫取了全部消费者剩余，但是消费者剩余和生产者剩余的总量达到了最大，社会福利也实现了最大化，总产出也会明显增加。在这种情况下，单一定价情况下因为定价偏高原来支付不起的穷人也会获得该产品或服务。实际上，已经有研究者发现如果在网络购物的时候多次浏览某些产品却不下订单或者选择“晚几个月再提醒购买”，有可能收到相关厂商通过电子邮件寄来的折扣券。一些创业企业正在研究如何利用社交媒体的信息、消费者过去的购买习惯等更好的帮助厂商改善定价策略。如果简单的把自动驾驶和智能呼叫中心对于潜在经济增速的影响高估一倍，保守的估计人工智能可能会在未来10年每年提升中国的潜在经济增速约0.5%。3.2、人工智能如何影响劳动力市场和收入分配就如同内燃机的发明取代了马一样，人工智能取得的进展也引发了机器是否会大范围取代人并导致大面积失业的担忧。就目前看来，基于机器学习的人工智能仅能在一些领域、部分的取代人——甚至在一些低端领域，也难以完全取代人。这意味着就长期而言，工作总是能找到的。但是，相对的工资可能发生变化；而且，一些被替代劳动力无法接受其它行业更低的工资而主动退出劳动力市场——

劳动参与率下降可能出现。这两者可能都意味着收入分配可能会继续失衡。3.2.1、人工智能对工资和就业机会的结构性冲击：理论探讨理论模型上看，与其它技术进步类似，基于机器学习的人工智能当然会取代一些

（例如相对低端的）工作，但是也会创造出一些新的（例如与人工智能研发、设计的）工作；同时，那些从人工智能中获益的人（包括研发、使用人工智能的人以及以更便宜价格享受人工智能提供的从前为人所提供的服务的人）肯定会有更高的实际收入水平，也会增加需求，包括对人工智能不能替代的（其它低端）工作的需求。只要存在人工智能所不能替代的相对低端的工作——例如按摩师、保姆、清洁工人——而且这些行业的岗位需求始有价格弹性的，那么就业的机会总是存在的，只是相对的工资会发生变化。例如，人工智能可能导致卡车司机失业，但是运输公司的老板、人工智能企业的员工、乃至于受益于运输成本下降的整个社会的其它人可能都会因为人工智能的发展而真实收入上升。这些人收入增加之后会增加对于家政人员的需求。当然，由于受益人增加的这一部分收入肯定不会100%的用在家政方面17，而如果失业司机作为低技能劳动力只有转入低技能家政行业的能力，那么他们的名义收入就会下降，而与其它人的收入差距进一步拉大。其中，一些不愿意接受更低工资的失业司机可能永久性的退出劳动力市场。3.2.2、技术进步对劳动力市场冲击的历史实证证据来自发达国家劳动力市场的历史数据大体上支持上述的理论推导结果。一方面，没有明显证据支持高劳动生产率与高失业率的关系。另一方面，技术进步之后，特别是在第三轮技术革命出现之后，许多国家的劳动参与率出现了显著的下降，劳动力市场的两极化也表现的比较明显。技术进步并没有带来失业率上升的一个证据在于劳动生产率较高的国家并没有明显表现出更高的失业率。例如，虽然卢森堡和美国的人均GDP大大高于捷克，但是过去10年的平均失业率却差不多。实际上，从OECD国家的数据来看，自动化程度、生产效率更高的国家似乎失业率还更低一些。从时间序列上看，生产效率的提升对失业率的影响也不显著。比如说，从二战以来超过70年美国的数据来看，其失业率围绕着5.7%左右的历史均值在波动，并没有因为劳动生产率的提升而出现显著的上升。但是，技术进步对劳动力市场的结构性影响确实存在。虽然第一次和第二次工业革命的经验显示技术进步在短期取代一些工作的同时，在中长期会会创造出新的工作。然而，与蒸汽机与电动机的发明不同，在信息技术革命兴起之后，美国劳动力市场出现了非常明显的两极化，而计算机和自动化的发展大量替代了一些常规性的中等技能的工作被认为是两极化的重要原因之一。下图展示了以美国1980年基于收入高低分位数的各类型工作岗位数量的变动状况。数据显示，在整个80年代，低收入的岗位占全部工作岗位的比重略有减少，中等收入岗位的占比略有上升，高收入岗位基本稳定，但是整体变动不大。然而，到了90年代信息科技高速发展以来，美国中等收入工作岗位数量占全部工作岗位数量的比重大幅下降，高收入岗位数量占比显著上升，而低收入工作岗位的占比也有一定程度的上升。此外，近几十年以来，包括美国在内的主要发达国家都经历了优势年龄（25-54岁）阶段男性的劳动参与率下降的问题，而且集中在高中及以下学历的男性人群。研究表明，这种下降一定程度上与自动化带来的中等收入工作岗位减少有关——一些人不愿意接受更低收入的岗位又没有能力从事高收入的工作被迫退出劳动力市场。当然，上文中人工智能对劳动力市场冲击的讨论偏长期，如果一些人工智能的应用在短期内对于一些职业构成较大冲击，不能排除出现短期失业率显著上升的现象。3.3、应对分配失衡如前文所述，基于机器学习的人工智能带来的收益一部分会以相关产品和服务价格下跌的方式使得整个社会获益，但是也会带来相当程度的收入分配的进一步失衡。这种情况下，社会保障体系可能会发生相应的调整；此外，教育领域人工智能的应用是否会提供缩小教育资源不均等、改善阶层固化的契机也值得关注。3.3.1、社会保障体制可能出现调整如果人工智能进一步扩大了社会的贫富差距，政府的收入再分配安排以及社会保障制度的调整可能是必须的。一些西方学者已经开始讨论在人工智能时代政府为每个国民每年无条件提供一定基本收入的社保计划，为企业提供就业补贴以促进就业，以及政府强制创造一些就业机会给需要找工作的人等一些社保和福利方面的安排。3.3.2、人工智能能使得教育更加均等化吗？除了社保计划之外，我们认为人工智能也有可能通过教育资源共享发挥减少贫富差距、改善阶层固化，以及改善社会分配方面的作用。众所周知，我国不同地区不同学校的教育资源差异较大。而在线教育与人工智能的结合可以使得优质教师资源大范围共享，显著降低教育落后地区在教育资源方面和发达地区的差异，促进地区公平、阶层公平、配置公平的实现。例如，通过远程教学、虚拟现实等技术，顶级优秀的教师可以实现远程教学；而学生身边的教师只需要进行观察和辅导——大大降低了对于普通教师的要求。授课的过程中间，用面部表情识别及语音情绪识别等技术感知学习者上课时的情感变化，判断学习者对当前学习内容的掌握情况，并且提供个性化的定制作业，定制练习——例如根据学生解答问题所用的时间和表现安排后续习题的难度，乃至于定制课程。更低成本的优质教育资源有助于落后地区的孩子获得更公平的受教育的机会。实际上，教育是人类应对人工智能挑战的主战场之一。如果教育可以培养出更多人工智能所难以发挥作用领域的人才，或者帮助更多受到人工智能威胁的劳动者获得这方面的技能，也会对于劳动力市场的均衡和社会分配公平的改善发挥积极作用。毋庸置疑，包括个性化课程定制、远程教学辅助等教育人工智能肯定会发挥重要的作用。3.4、对总需求和中性利率的影响：“新经济”的案例人工智能推动生产效率提升是非常典型的供给冲击。但是，从上个世纪90年代美国“新经济”时期的经验来看，由技术进步带来的供给冲击会在一段时间内推动总需求进一步走强，特别是企业部门资本开支。在这种情况下，长期利率和政策利率都有周期性上行的压力。当然，贫富分化的加剧意味着从更长的趋势上来看，全社会的中性利率会下行。3.4.1、对美国新经济的案例研究与人工智能推动的潜在的经济繁荣最具可比性的经验来自于上世纪九十年代美国经历的新经济时期。在信息科技等多方面因素的推动之下，美国经济在1991年2季度到2001年1季度间出现了一次较长时期的经济繁荣，平均GDP同比增速接近于4%。同时，在失业率持续下降的过程中，通胀也保持在较低的水平。高增长和低通胀的组合被视作是经济增长的黄金时期。分部门来看，当时美国总需求走强与包括私人消费增速上升等多方面因素都有关系，但是弹性最大的是私人部门的非住宅投资，包括兴建厂房等建筑物、投资于设备和软件方面的资本开支。相关部门需求的同比增速一度高达40%。当然，经济的较快增长也带动了政府支出与私人住宅投资的上升，但是其势头没有私人非住宅投资上升那么剧烈。从利率的角度而言，经济走强也带动政策利率的上行及长期利率的上行。特别是在经济繁荣周期的晚期。如果上述经验是值得借鉴的，我们有理由相信人工智能带来的新一轮资本支出和经济增长会在一段时间内周期性的提升利率，但是，如果人工智能进一步扩大了贫富分化，从长期趋势上看，全球利率的中枢有可能继续下行——延续自上个世纪90年代末以来的趋势。包括美国国民经济研究局和高盛集团经济学家在内的一些研究者估计了17个国家从19世纪以来的长期真实利率，发现上世纪末以来全球真实利率的下行是很罕见的，在历史上，只有第二次世界大战期间与此后利率管制时代曾经出现过这种现象。大量学术研究表明，全球利率的下行与人口老龄化等多方面因素有关，贫富分化的扩大也是其中的重要解释。全球真实利率这种明显下行趋势性恰好发生在“新经济”与信息技术推动的第三轮技术革命之后，这是一个简单的巧合还是与新经济扩大了社会的贫富差距对利率产生了明显的冲击值得进一步探究。但是，定性而言，如果人工智能时代收入差距持续扩大的话，有理由相信这一因素会对利率产生下行的冲击。3.4.2、防止误解的说明在生产函数——决定资本与劳动在生产过程中的份额以及贡献方式等——不发生变化的情况下技术进步的供给冲击之下，需求会上升的更快，会出现投资和利率的上升。但是，利率的水平肯定还受到生产函数本身变动的影响。例如，如果资本品的价格不断下跌而轻资产的生产方式被广泛使用，也可能导致利率的上行不及预期。在人工智能时代这个因素的影响不容忽视。然而，上个世纪九十年代新经济期间，信息科技的广泛使用也在相当程度上带来了轻资产的生产模式，虽然这些因素有可能是利率出现趋势性的下行的因素之一，但是并没有明显的改变对资本需求周期性上升和利率周期性走强的事实。因此，我们更倾向于认为人工智能时代的利率仍会在经济繁荣期出现周期性的上行。4、智能经济时代：市场结构，大国博弈与监管政策互联网时代，一些科技巨头不断加强的市场地位已经开始引发社会各界关于垄断的担忧。人工智能到来是否会加剧寡头垄断的趋势？在智能经济时代，当前相对领先的中美两国又将会把大国博弈引向何方？公共政策又该如何在数据共享、反垄断、保护国家安全与个人隐私等领域发挥作用？4.1、市场竞争格局：科技巨头的垄断会加剧吗？对于一家想要提供某项人工智能服务的公司或者想要部署和使用人工智能技术改善自身产品和服务的企业而言，通常需要做如下的准备：1）搜集、整理和准备大量的与业务改善相关的数据并为它们贴上标签——把数据和特定的行为连接起来，如点击与未点击，购买与未购买等；2）建设和管理数据中心——需要大量服务器和云计算，通常借助云服务商；3）雇佣人工智能的专业人士来设计算法并利用大量数据来训练/优化算法中的参数；4）将成熟的（经过优化的）人工智能算法（如人脸识别）直接用于现实的应用并带来产品与服务的改善，如安防系统。同时获取相关的数据并进一步优化算法。这意味着人工智能的开发市场会呈现出什么样的市场结构呢？而人工智能的使用又会对其使用者所在的细分市场产生什么样的影响呢？4.1.1、购买还是自建在回答这个问题之前，首当其冲需要回答问题是企业是依靠自身的力量来优化人工智能的算法还是直接购买成熟的算法进行应用？通常而言，如果一项生产要素专属性较强（买家与卖家之间容易出现互相勒索），交易的内容比较复杂（交易的责任与权力难以在签署合同时全部确定，后续扯皮比较多——也称为不完全合约），或者生产过程和企业自身的优势有较强的协同效应，企业会倾向于选择自建该要素的生产线。反过来，如果该生产要素通用性较强（供应商选择广），产品或服务的标准化程度高，而生产的规模效应很显著（产量大则便宜），则外购可能是个比较好的选择。在互联网智能化的过程中，我们认为拥有大量数据并且非常明确自身的改进需要的互联网企业会通过自身具备的数据资源和技术优势自建自己的人工智能体系。例如今日头条就利用人工智能技术提供个性化的新闻推送，淘宝也通过人工智能进行个性化的商品推送——精准营销。实际上，大部分互联网公司都对人工智能加大投入，努力利用人工智能巩固自身的竞争优势。就我们看来，在商用人工智能的领域，头部企业因为拥有大量贴过标签的数据，且训练人工智能牵扯到的数据安全、隐私问题比较复杂，可能通过自建的方式来应用人工智能。例如的“智能闪赔”允许汽车出险后，客户通过手机拍视频上传，就可以迅速获得理赔服务。这个过程牵扯到人脸识别分析判断客户的身份；

图像识别汽车的身份，类型，是否由平安保险承保；同时要判断哪个部位有损伤，损伤程度如何；再跟后台庞大、丰富的知识图谱去比对，通过匹配损伤部位和程度的信息，判断修理或更换部件的方案、部件的费用等，甚至还需要防范潜在的欺诈可能；人工智能最后会算出一个理赔总价，可能仅仅需要几分钟。当