摘要：1987年，在一篇发表于《泰晤士图书评论》（Times Book Review）的文章中，麻省理工学院（M.I.T.）的诺贝尔奖（Nobel）得主、经济学家罗伯特·索洛（Robert Solow）评论道：“计算机时代的身影随处可见，唯独在生产率的统计数据里难觅

如同蒸汽机、电力和计算机，生成式人工智能对经济的改造，或许比预想的要漫长。

作者：约翰·卡西迪（John Cassidy）

2025年8月25日

1987年，在一篇发表于《泰晤士图书评论》（Times Book Review）的文章中，麻省理工学院（M.I.T.）的诺贝尔奖（Nobel）得主、经济学家罗伯特·索洛（Robert Solow）评论道：“计算机时代的身影随处可见，唯独在生产率的统计数据里难觅其踪。”尽管计算能力得到了巨大提升，个人电脑也日益普及，但政府的数据却显示，作为决定工资和生活水平的关键指标，人均总产出已停滞了十多年之久。这个后来被称为“生产率悖论”的现象，一直持续到二十世纪九十年代乃至更晚，并催生了大量相关文献，但至今仍无定论。一些经济学家将其归咎于对新技术的管理不善；另一些则认为，与蒸汽机和电力等早期发明相比，计算机在经济上的重要性相形见绌；还有一些人则认为是数据存在测量误差，并主张一旦纠正了这些误差，悖论便会消失。

在索洛（Solow）的文章发表近四十年、开放人工智能公司（OpenAI）发布其聊天机器人查特吉皮替（ChatGPT）将近三年后的今天，我们可能正面临一个新的经济悖论，而这一次的主角是生成式人工智能。根据斯坦福大学（Stanford）、克莱姆森大学（Clemson）和世界银行（World Bank）的经济学家们在今年六七月间进行的一项最新调查，几乎半数的劳动者——准确地说是45.6%——都在使用人工智能工具。然而，麻省理工学院媒体实验室（M.I.T.’s Media Lab）一个研究团队的一项新研究却报告称：“尽管企业在生成式人工智能领域的投资高达三四百亿美元，但本报告揭示了一个令人意外的结果：95%的组织回报为零。”

该研究的作者们审阅了三百多项公开的人工智能计划和公告，并采访了五十多位公司高管。他们将一项成功的人工智能投资定义为：在经过试点阶段后已投入实际应用，并在六个月后产生了某种可衡量的财务回报或显著的生产率提升。他们写道：“仅有5%成功整合人工智能的试点项目获得了数百万美元的价值，而绝大多数项目仍停滞不前，未能对盈亏¹产生任何可衡量的影响。”

调查访谈引出了一系列回应，其中一些充满了怀疑。“领英（LinkedIn）上的宣传天花乱坠，仿佛一切都已改变，但在我们的实际运营中，没有任何根本性的变化。”一家中型制造公司的首席运营官告诉研究人员。“我们处理某些合同的速度是快了些，但仅此而已。”另一位受访者评论道：“我们今年看了几十个演示。或许其中一两个真的有用。其余的要么是空壳产品²，要么就是纸上谈兵的科学项目。”

当然，报告也指出，确实有一些公司在人工智能投资上取得了成功。例如，报告着重提到了针对后台办公业务的定制工具所创造的效率，并指出：“这些早期结果表明，具备学习能力的系统，若能针对特定流程，即便不进行重大的组织结构调整，也能带来实实在在的价值。”该调查还引述了一些公司报告的案例，称其“通过自动化外联和智能跟进系统，提升了客户保留率和销售转化率”，这表明人工智能系统或许对市场营销有所助益。

然而，许多公司正艰难地试图获取实质性回报——这一观点与跨国咨询公司埃魁集团（Akkodis）近期的另一项调查结果不谋而合。在接触了超过两千名企业高管后，该公司发现，对本公司人工智能实施策略“非常有信心”的首席执行官比例，已从2024年的82%下降至今年的49%。企业首席技术官的信心也有所下滑，尽管降幅没那么大。埃魁集团（Akkodis）的调查报告称，这些变化“可能反映了此前在数字化或人工智能计划上令人失望的结果、实施中的延误或失败，以及对可扩展性的担忧”。

上周，媒体对麻省理工学院媒体实验室（M.I.T. Media Lab）研究的报道，恰逢与人工智能相关的高价股——包括英伟达（Nvidia）、元宇宙（Meta）和帕兰提尔（Palantir）——的下跌。当然，相关性并不等于因果关系，而且开放人工智能公司（OpenAI）首席执行官萨姆·奥特曼（Sam Altman）最近的言论，可能在这次抛售中扮演了更重要的角色——考虑到近期的股价上涨，这次抛售在某个时点发生几乎是必然的。据美国全国广播公司财经频道（CNBC）报道，在一次与记者的晚宴上，奥特曼（Altman）称估值“高得离谱”，并在十五秒内三次使用了“泡沫”一词。

尽管如此，麻省理工学院（M.I.T.）的研究还是引起了广泛关注。在关于该研究的第一波新闻报道之后，有消息称，与众多科技公司有联系的媒体实验室（Media Lab）正在悄悄限制人们对该报告的访问。我给该组织的传讯办公室以及报告的两位作者留了言，但都石沉大海。

尽管该报告的观点比一些新闻报道所呈现的要更为细致入微，但它无疑对自2022年11月开放人工智能公司（OpenAI）发布查特吉皮替（ChatGPT）以来支撑着这轮科技热潮的宏大经济叙事提出了质疑。这个叙事的简版是：生成式人工智能在全经济范围内的普及，对劳动者——尤其是知识工作者——不利，但对公司及其股东却大有裨益，因为它将带来生产率的巨大飞跃，并由此带来利润的激增。

这一幕之所以似乎尚未发生，一个可能的原因让人想起了当年的一种观点，即管理上的失败限制了二十世纪八九十年代计算机带来的生产率效益。媒体实验室（Media Lab）的研究发现，一些最成功的人工公智能投资是由初创公司做出的，它们在工作流程的狭窄领域里使用了高度定制化的工具。而在“生成式人工智能鸿沟”（GenAI Divide）的另一边，研究指出了那些不太成功的初创公司，它们“要么在开发通用工具，要么试图在内部构建能力”。报告更笼统地指出，成功与失败的分野“似乎并非由模型质量或法规所驱动，而是由其所采取的方法所决定”。

可以想见，生成式人工智能的新颖性和复杂性可能正在拖累一些公司。咨询公司高德纳（Gartner）最近的一项研究发现，不到半数的首席执行官相信他们的首席信息官“精通人工智能”。但对于媒体实验室（Media Lab）报告所揭示的令人失望的记录，还有另一种可能的解释：对许多老牌企业而言，生成式人工智能（至少在目前的形式下）根本没有吹嘘的那么神奇。“它在头脑风暴和撰写初稿方面表现出色，但它记不住客户的偏好，也无法从之前的修改中学习，”媒体实验室（Media Lab）调查的一位受访者说。“它会重复犯同样的错误，每次会话都需要输入大量背景信息。对于那些事关重大的工作，我需要一个能够积累知识并随时间不断进步的系统。”

当然，有大量的人认为人工智能很有用，并且有学术证据支持这一点：2023年，麻省理工学院（M.I.T.）的两位经济学家发现，在一项随机试验中，接触了查特吉皮替（ChatGPT）的参与者能够更快地完成“专业写作任务”，并且其写作质量也有所提升。同年，其他研究团队也发现，使用吉特哈布（Github）的代码副驾驶（Copilot）的计算机程序员，以及获准使用专有人工智能工具的客户支持代理，都获得了生产率的提升。

媒体实验室（Media Lab）的研究人员发现，许多员工正在工作中使用自己的个人工具，如吉皮替（GPT）或克劳德（Claude）；报告将此现象称为“影子人工智能经济”，并评论说，“它带来的投资回报率”通常比雇主发起的项目“更好”。但问题依然存在，而且这无疑是企业高管们会越来越频繁地提出的问题：为什么没有更多的公司看到这类效益体现在最终的财务报表上？

部分问题可能在于，生成式人工智能，尽管非同凡响，但在经济的许多领域应用有限。将休闲与酒店业、零售业、建筑业、房地产业以及护理行业——即照看儿童和老弱病残者——加在一起，雇佣了大约五千万美国人，但这些行业看起来并非人工智能转型的直接候选者。

另一个需要注意的要点是，人工智能在整个经济中的普及，很可能是一个漫长的过程。在硅谷（Silicon Valley），人们喜欢快速行动、破旧立新。但经济史告诉我们，即使是那些最具变革性的技术——经济学家称之为“通用技术”——也只有在能够与之互补的基础设施、技能和产品发展起来之后，才能发挥其最大效力。而这可能是一个漫长的过程。苏格兰发明家詹姆斯·瓦特（James Watt）于1769年发明了他的圆筒式蒸汽机。三十年后，大不列颠（Great Britain）的大多数棉纺厂仍然靠水车提供动力，部分原因是用于蒸汽机的煤炭难以运输。直到十九世纪初蒸汽动力铁路发展起来，这种情况才得以改变。

电力的普及同样缓慢，也并未立刻引发全经济范围内的生产率增长井喷。正如索洛（Solow）所指出的，计算机的发展也遵循了同样的模式。（从1996年到2003年，全经济范围内的生产率增长终于有所提升，许多经济学家将其归因于信息技术的延迟效应。然而，此后又回落了。）

在某些情况下，经济学家认为，新技术甚至可能降低生产率的增长，因为它们太具颠覆性，难以融入现有的工作方式。只有在后期，生产率的增益才会显现出来——这种模式被称为“J曲线”（J curve）。今年早些生，来自不同机构的四位经济学家发表了一篇论文，他们在文中认为，美国制造业现在可能正处于人工智能J曲线（J curve）的下降阶段。在审查了他们与美国人口普查局（Census Bureau）合作收集的关于人工智能应用的企业级数据后，这些经济学家表示，他们发现了“长期收益之前会先出现短期业绩损失”的证据。

在麻省理工学院斯隆管理学院（M.I.T.’s Sloan School of Management）发表的一篇关于此项研究的文章中，其作者之一、多伦多大学（University of Toronto）的教授克里斯蒂娜·麦克尔赫兰（Kristina McElheran）写道：“人工智能不是即插即用的。它需要系统性的变革，而这个过程会带来摩擦，对老牌企业来说尤其如此。”

如果从表面上接受这个论点，那么它对企业而言终归是乐观的——尽管对于那些技能可以被人工智能复制的工人来说未必如此。（正如一些初级程序员已经发现的那样，后者完全有理由感到警惕。）在技术的J曲线（J curve）上，一旦“摩擦”被克服，生产率就会起飞。但由于沿着这条曲线的旅程可能相当漫长，因此很难预测哪些公司将成为赢家，哪些会是输家。在互联网商业化的过程中，许多最终的赢家直到2000年互联网泡沫破裂后才出现。（谷歌（Google）成立于1998年，但直到2004年才上市。脸书（Facebook）直到2004年才被创建，爱彼迎（Airbnb）则是2008年。）历史不一定会重演。但对于那些仍在乘着人工智能热潮的投资者来说，或许明智之举是再兑现一部分筹码。♦

来源：AI观察室