作者：Ekkehard Ernst
翻譯：八叉
編者按：
人工智能正在對人類就業乃至社會經濟帶來顯著且深遠的影響，這影響并不是替代就業這樣簡單。本文以國際勞工組織首席宏觀經濟學家的視角，提出了人工智能的三元悖論與潛在的解決方案。
摘要：
數字化和人工智能對工作世界的影響越來越大。大規模失業風險的上升引發了對技術的擔憂。有限的收入和生產力增長集中在少數科技公司身上，正在加劇不平等。此外，數字技術日益增長的生態足跡已經成為許多討論的焦點。這造成了技術進步帶來的不平等加劇、生產力增長緩慢和高生態成本的三元悖論。怎樣才能解決這個三元悖論？哪些數字應用應該特別推廣？政策制定者應該如何應對這個三元悖論？本文分析了現行工具在這方面的范圍和局限性，并討論了更符合數字經濟基礎新興技術范式性質的替代辦法，為應對人工智能的社會經濟挑戰所需的制度創新提出建議。
1. 導言
在過去的十年中，以人工智能(AI)為動力的應用程序呈爆炸式增長。隨著大型非結構化數據庫（"大數據"）的普及以及過去四十年計算成本的迅速下降，使用非線性統計和機器學習方法的人工智能應用獲得了突出地位。這既引發了對機器主宰世界的末日擔憂，也引發了人類對解決當前氣候變化、貧困、疾病等全球問題的熱切期待。
然而，這些情景現在似乎都沒有出現。相反，我們看到人工智能的廣泛使用帶來了具體挑戰，特別是在社交媒體的使用方面。數字工具的生態足跡不斷增長，特別是關于加密貨幣和基礎模型，引起了人們對這些發展的可持續性的擔憂。
與此同時，我們生活方式的改進也同樣有限，主要集中在數字導航的改進或在線購物和交付的快速增長上。在這些相當有限的影響背后，隱約可見一個更令人擔憂的趨勢：少數占主導地位的科技公司的經濟實力上升，似乎越來越加劇了人工智能崛起之前已經普遍存在的不平等現象。
到目前為止，人工智能崛起帶來的三個挑戰都有據可查，無論是涉及有限的生產力提高，不平等惡化還是生態成本上升。本文認為，這三個挑戰是相互關聯的。遵循目前的道路，人工智能采取的技術范式將惡化其生態足跡并加深經濟不平等，而不會為所有人提供更好的生活水平。
許多研究人員和觀察家將對人工智能的分析集中在其在工作領域的應用上，這最初引起了對廣泛技術失業的擔憂。然而在發達經濟體，此類技術性失業似乎是我們對這些新數字技術最不關心的問題。事實上，在過去十年中經合組織國家的失業率有所下降，直到Covid-19流行病爆發（見圖1）。
圖1.失業的演變：經合組織和選定的G20國家（2010年與2019年;占總勞動力的百分比）
資料來源：經合組織，統計門戶網站。
到目前為止，人工智能驅動的應用程序尚未導致失業的未來，部分原因是工業界目前開發的程序的應用方向較為狹窄，只影響到一小部分勞動力。事實上，在過去十年中，大多數應用程序都圍繞著業務流程自動化、自動駕駛、電子商務和數字平臺，這些應用程序占2010年至2020年間開發的所有應用程序的40%以上（見圖2）。
圖2.人工智能發展的主要領域（2010-2020年，全球累計投資美元;機器人過程自動化 = 100）
資料來源：安永和米什拉（2021）基于斯坦福人工智能活力指數
然而，更積極的效果似乎也沒有實現。盡管目前在家工作和電子商務備受吹捧，但經合組織明顯的小時勞動生產率增長并沒有增加（見圖3）。
圖3.每小時勞動生產率增長（1980-2020年，G7國家，十年平均值）
資料來源：經合組織，統計門戶
與此同時，人工智能開發和利用的生態成本上升已成為人們關注的重要問題。這在加密貨幣領域最為明顯，例如，比特幣導致了電力使用的爆炸式增長，以至于一些國家限制或完全禁止其使用。數字經濟的其他領域也遇到了越來越多的限制。一些大型數字公司已經開始嘗試將其云計算服務器放置在深海中冷卻。大規模神經網絡，如自然語言處理網絡GPT-3，目前是該領域最大和最強大的工具之一，據報道，單次訓練成本高達1200萬美元，小公司根本無法負擔。更重要的是，隨著這些工具變得更加復雜，它們的經濟和能源成本不是線性增長，而是爆炸式增長。目前，對“綠色人工智能”或可持續人工智能的呼吁已經出現，期待降低這些工具的碳排放，并確保其能低成本地供大量研究人員和用戶使用。
2. 簡論人工智能三元悖論
2.1. 技術范式
理解人工智能三元悖論的基礎是技術范式的概念，即技術能力、經濟條件和社會結構之間的相互作用，這些相互作用決定了經濟生產力的未來發展。在最基本的層面上，技術發展既可以由科學進步自主驅動——供應推動范式，也可以由企業在勞動力市場和資本市場上運作的經濟條件決定——需求拉動范式。
2.2. 作為供應推動范式的人工智能三元悖論
圖4總結了人工智能可持續性三元悖論的關鍵點：我們不能同時擁有低不平等、高生產力和生態可持續性，至少在追求人工智能驅動的自動化決策系統開發的當前技術范式時不能。只有兩個問題可以同時解決，而第三個需要被犧牲。
圖4. 人工智能可持續性三元悖論
生產力-能源問題：只有通過機器取代人類勞動，以犧牲更高的能源使用為代價，才能實現生產力的提高。從云計算中心的數據存儲，到高性能計算機的數據分析，再到保持連接所需的最小移動數字設備的功耗，數字經濟已經消耗了平均電力消耗的6%以上，而且這一趨勢正在加速。如果沒有重大的效率提高，預計到2030年電力消耗將上升到20%以上。
能源-集中度問題：為了使能源效率提高而不是下降，數據集中度需要進一步增長，以便利用大樣本中信息的變化。這就是目前開發方法的邏輯，例如利用幾乎整個英語庫的大型語言模型。鑒于數據收集所涉及的網絡外部性，市場集中度必然會惡化，至少在數據收集和算法訓練的一小部分中是這樣。這種數據收集的集中確實可以提高能源效率，從而提高生產率，但僅限于個別公司。從總體上看，這種集中加劇了經濟不平等。
集中度-生產力問題：收入不平等加劇，特別是在成熟經濟體，與增速較低有關。隨著收入越來越集中在頂層，總需求增長更加緩慢，減緩了具體技術變革。另一方面，生產率增長是增加還是減少不平等，取決于新技術是否以及以多快的速度在整個經濟中擴散。Ernst（2022）認為，由于數字技術發展的特定條件引發的不平等加劇，這些新應用不太可能在經濟中迅速傳播。
在目前的知識產權制度下，硅基信息處理工具的能效只能通過高度的數據集中來實現， 防止整個經濟的生產力溢出，同時產生嚴重的經濟不平等。換句話說，它是一種供應推動技術范式，由技術公司開發其應用程序的特定條件驅動。這種“失重經濟”現在占據了最大的位置，并導致市場扭曲，迄今為止沒有得到足夠的關注。此外，人工智能驅動的工具引發了各種形式的不平等，而不僅僅是未能更廣泛地傳播其利益。例如，使用訓練人工智能例程所必需的歷史數據，往往反映了勞動力市場上對婦女或少數民族的歧視。如果人工智能程序在沒有相應過濾器的情況下輸入此類數據，則歧視將永久存在，例如招聘過程中的持續歧視。
3. 了解三元悖論的機制
3.1. 為什么大腦比計算機效率高得多？
人工智能三元悖論的一個核心主張是計算機是高度能源密集型的。因此，它們在我們當前經濟數字化轉型中的大量使用會給環境帶來巨大代價。從生態的角度來看，目前使用計算機的方式是不可持續的，需要重新定位我們當前的技術范式，從試圖替代人類認知轉向計算機和大腦互補的范式。
計算機和大腦具有相似功能的關鍵組件：內存和電路，即可以回憶以前存儲的信息的基本單元之間的結構化連接：計算機使用晶體管，大腦使用神經元。這兩個要素已被證明對信息處理至關重要。事實上，所有數學函數都可以通過基本邏輯門的適當連接來表示，表示為神經網絡，使得將計算機和大腦類比特別有吸引力。許多研究人員認為，計算機正在向大腦融合。此外，圍繞人工智能的應用快速增長表明，計算機最終不僅會以類似于大腦的方式工作，它們甚至會遵循相同的信息過程，根據有限的信息輸入進行預測。
然而，二者的直接比較揭示了性能和效率方面的顯著差異（見表1）。特別是，在能耗和執行計算的精度/速度方面，單個人類神經元相當緩慢和不精確。但它們比計算機中的晶體管強大得多，顯示出比簡單的二元激活電位更復雜的活動模式。另一方面，計算機可以以更高的速度和精度進行計算，盡管它們中的大多數處理的晶體管更少，并且連接起來的激活模式要簡單得多，但這種更高的精度和速度以更高的能耗形式付出了巨大的代價。
表 1.計算機和大腦的比較
同樣，計算機在長期存儲信息（內存）方面明顯更好，可以跨越幾十年，具體取決于物理特征，技術過時率以及將信息從一種介質傳輸到另一種介質的過程。相比之下，人類甚至難以準確回憶個人信息，很容易操縱他們記住的內容，并且由于大腦適應外部輸入的可塑性而系統地遺忘。
計算機和大腦之間的架構差異似乎解釋了大部分觀察到的性能差異，盡管計算機科學家熱衷于縮小其中一些差異。那么問題就變成了：如果架構差異可以縮小，那么計算機是否還會比目前具有比較優勢的大腦表現得更好？換句話說：沿著計算機目前具有優勢的維度改進計算機，而不是試圖模仿大腦，這不是更可取嗎？在下文中，我將重點介紹從效率角度來看相關的四個區別。
第一個區別源于大腦的平行結構，與計算機的串行方式相比。機器學習方法在計算機科學中的大規模擴展表明，通過在計算機中并行計算可以實現巨大的效率提升。從本質上講，處于人工智能最新進展核心的神經網絡使用相互堆疊的并行節點層，類似于大腦中的結構，至少是一階。然而，研究人員越來越認識到，解釋性能差異的不僅是平行結構，還有神經元連接的特定方式。事實上，特定網絡拓撲在解釋該網絡功能方面的重要性目前是一個活躍的研究領域，一些見解已經反映在神經網絡的設置方式中，以進一步提高其性能。與此相關的是，大腦似乎天生就要完成對我們的社會經驗很重要的特定任務，例如，我們識別人臉或字母的能力似乎在我們的大腦中根深蒂固。此外，即使我們從未接觸過語言的全部豐富性，也可以學習語言。這種“預訓練”雖然越來越多地用于機器學習應用程序，但我們的大腦特別節能，只是不那么靈活。
第二個區別在于記憶在大腦中的特定結構方式。記憶喪失可以通過逐漸刪除不再需要的信息從而提高大腦的能量效率。此外，我們是動態分發和存儲內存，信息不需要四處移動和讀出，而是可以在需要的地方準確訪問。這激發了最近的研究，開發集成內存計算電路，允許在進行計算的地方存儲信息，即所謂的“內存電阻器”。到目前為止，這仍然是實驗性的，尚未在大規模計算中成功實現。
第三個也是最具決定性的區別在于信息記錄在神經元中的方式不同。計算機以二進制格式的小的、固定大小的塊的形式處理信息，即所謂的字節。無論計算機類型如何，在操作過程中的任何時間點，組成每個字節的大量單個位都處于活動狀態。換句話說，計算機使用信息的“密集表示”。更重要的是，每當這樣的位通過計算操作失去其動作電位時，能量就會被釋放出來。相比之下，神經元已被證明以稀疏表示方式運作，當大量潛在鏈接的一定（小）百分比處于活動狀態時，神經元的單個樹突被激活，通常低于5%。稀疏表示不僅比密集表示消耗更少的能量，它們的抗錯魯棒性也相當高。這種是能源效率的關鍵因素之一，因為它避免在標準計算設備上完成的昂貴的糾錯。
最后，雖然這些架構差異主要指向硬件的差異，但稀疏性也是計算機和大腦之間算法差異的一個重要問題。人類處理了兩種主要的決策模式：緩慢，優化和計算決策過程以及快速、啟發式例程。后者可能帶有認知偏差，但允許快速決策，特別是在壓力和高威脅時期。啟發式通常是特定領域的，這就是為什么它們在其他領域的應用通過不考慮所有相關選項來誘導認知偏見。同時，它們快速且節能。大腦在這方面的作用是識別具體情況，并為每個決策問題調動相關資源。
綜上所述，計算機的具體優勢在于快速、高精度的計算，例如設計高科技設備或快速搜索可用的人類知識庫（或蛋白質折疊）所需的計算。相比之下，人類大腦已經進化到可以應對我們的社會環境帶來的特定挑戰，其中同理心和理解社會環境起著重要作用。在這里，協調、協作和對不斷變化的社會環境的適應性是集體成功的關鍵，這是計算機難以完成的任務，因為它是為固定數量的任務編程的。因此，比較計算機與大腦的相對性能的第一個結果是大腦與計算能力的互補性而不是可替代性。這與其他研究表明人工智能作為一種變革力量而不是破壞性力量的重要性密切相關。
因此，一般數字設備的技術發展，特別是人工智能驅動的工具，表明在當前技術范式下，生態足跡呈指數級增長。對精度需求不斷提高推動的模型尺寸增長的簡單預測表明，經濟和生態成本將很快變得不可持續（見表2）。
表 2.深度學習的計算成本
3.2. 信息規則：對市場結構的影響
這種高能耗的直接后果是人工智能公司的市場集中度不斷提高，人工智能應用程序集中在最有利可圖的應用程序周圍，如圖2所示。能源消耗指數增長所隱含的經濟成本上升的直接后果之一是“人工智能研究的縮小”。
縮小的人工智能研究以及不斷上升的生態和經濟成本導致市場集中，無論是在開發和訓練新的大型模型還是在相關的數字應用中，例如加密貨幣市場中的區塊鏈應用，在這些應用中可以觀察到類似的寡頭壟斷集中趨勢。
還有另一股力量推動數據經濟走向集中：數據收集的網絡外部性。個人數據有三個特征將其與標準商品和服務區分開來：（1）其提供幾乎是無成本的，并且通常是作為其他活動的副產品（例如在線購買商品）;（2）一旦提供，可以免費共享和重復使用;（3）最后，除了某些極端情況（例如罕見疾病）外，其個體價值幾乎可以忽略不計。只有作為更大數據庫的一部分，個人數據才能產生一些經濟價值，例如為了確定客戶資料或申請人的特征。這種網絡外部性會導致集中效應。
許多現有平臺已經發展得如此之大，以至于它們要么先發制人地購買潛在的競爭對手，要么對可能的新來者使用掠奪性定價策略，以限制他們的增長或完全減少進入（例如亞馬遜）。因此，生產力的提高高度集中在少數幾家規模越來越大的公司手中，普通公司幾乎沒有經歷過任何生產力增長。
在一個價格幾乎可以通過算法即時調整的世界里，算法會相互學習行為，并默認利潤最大化而非福利最大化的定價策略，例如在線藥品銷售商、機票定價和零售汽油市場。傳統的反壟斷監管將難以識別此類案件，因此存在一種風險，即擴大人工智能在確定價格和工資方面的使用不僅會導致進一步的集中和尋租行為，而且還會顯著降低社會整體福利和效率。
3.3. 為什么生產力沒有增長？
要理解這個難題，國家生產力增長需要分解為幾個組成部分：生產力的總體增長是企業或工廠層面生產力提高以及這些收益在整個經濟中傳播的產物。簡而言之，生產力=創新×擴散。
在公司層面，一般新技術的引入，特別是人工智能，總是面臨著工作流程的必要重組。由于這種重組需要時間和精力，因此產生了J曲線效應：每項新技術都需要重組形式的前期成本，這實際上可能會降低生產力和企業盈利能力。然而，一旦這些調整成功進行，生產力將高于調整過程開始時的水平。在企業層面，確實有證據表明，最近圍繞人工智能和機器人化的專利申請激增，導致全球企業生產力的提高，尤其是在中小企業和服務業中。盡管人工智能和機器人化推動了企業和部門層面的生產力提高，但總體表觀勞動生產力增長放緩，這表明一定有其他阻礙因素。
人工智能研究的縮小暗示了一種可能性，人工智能應用的快速增長可能集中在監控軟件和人力資源管理工具上，這些工具對工作場所組織的影響大于對整體生產力提高的貢獻。這種軟件引發的部分重組與其說影響企業的整體創新能力，不如說影響企業的創新類型，對企業的盈利能力和員工產出影響不大。
另一個因素涉及其對市場競爭程度的影響，與數據經濟的分配后果密切相關。人工智能等創新產生的熊彼特租金需要通過高度可替代商品和服務的新生產者的進入而逐漸削弱，以便能夠廣泛傳播生產力收益。當這種增長模式在大量不相關的部門普遍存在時，它們將國家引向高速和持續的經濟發展道路。然而，隨著數字資本主義和數據市場的到來，平臺提供商和人工智能創新者產生的數據租金只在經濟中部分擴散，從而降低了勞動力收入份額以及總需求，這種趨勢自20世紀80年代計算機革命到來以來一直持續到今天。
4. 解決人工智能三元悖論
為了克服AI三元悖論，制度框架轉變為需求拉動技術是必要的。下面的圖5總結了解決 AI 三元悖論的方案。
圖5.解決人工智能三元悖論
4.1. 解決能源-集中度問題：改變能源-勞動力平衡
人工智能的應用大多屬于提高全要素生產率的創新范疇。效率提高對勞動力市場的這種間接影響可以通過具體的干預措施來補充，政策制定者和社會合作伙伴可以在以下三個方面幫助引導技術變革，使其成為工人的補充而不是替代品：
第一個也是最直接的方法是通過研發激勵和稅收抵免：如圖2 所示，對人工智能的投資高度集中在少數幾個領域，主要與過度自動化有關。這種干預總是可能的，并可能在人工智能的發展及其社會影響方面帶來更加平衡的發展。
第二種干預措施通過減輕勞動力的稅收負擔而起作用，將稅收負擔從勞動力轉向能源消耗可以解決人工智能對資源和勞動力的不利影響。收入中性稅制改革對消費稅的一個經常被忽視的渠道是，它加強了收入分配低端的勞動力供給激勵，從而部分糾正了其累退收入效應。
最后，引導人工智能的資源高效型發展在多大程度上對工作和工作條件產生積極成果的最間接和最具挑戰性的方法是加強勞動力市場機構，例如影響公司層面技術選擇的工作委員會。事實證明，這種體制安排會影響在工作場所一級應用和實施技術的方式。在這里設想的情景中，活動將在受益于人工智能觸發的資源效率提高和有利于合作勞動關系的制度比較優勢的部門和職業中發展。
4.2. 解決生產力-能源問題：鼓勵使用網絡化應用
并非所有人工智能應用程序都受到人工智能三元悖論的影響。特別是已經提到的網絡化應用程序在降低資源消耗和提高包容性方面具有特別好的表現的潛力，例如能源管理、交通管理和遠程工作。
能源管理：隨著可再生能源越來越確保能源生產，管理不同司法管轄區（在歐洲尤其嚴重）和多樣化能源的復雜電網對電網管理構成了巨大的挑戰。未能正確管理和預測外部事件可能導致電網中斷。將物聯網設備和智能電表結合到智能電網中一直是能源行業發展的重點。除了電網管理，預防性維護和智能消費也是研究和開發的主要領域，可以幫助降低停電風險和整體消耗。
智慧城市：物流管理是現代通信網絡和復雜供應鏈管理已經利用人工智能工具的領域。同樣，有關單個運輸的模式互聯性的應用也越來越受到關注，特別是在運輸供應彈性有限的領域。通過人工智能驅動的工具管理此類交通網絡將允許提高交通流動性并更有效地管理有限的基礎設施容量。
遠程工作：發達經濟體在2020/21年度疫情引發的居家工作方面表現出了驚人的韌性，數字基礎設施和個人計算設備使很大一部分勞動力能夠繼續他們的經濟活動。但目前為止，遠程辦公的收益微乎其微，企業領導者和員工仍在努力弄清楚如何最好地利用在家工作提供的新靈活性。人工智能工具可以證明是至少部分解決這一挑戰的重要答案，開發復雜的調度軟件并幫助在高度分散的員工網絡中保持信息完整性。
總之，這些人工智能工具有潛力解決總資源效率問題，而不是用資本代替勞動力，從而使我們更接近解決人工智能三元悖論。
4.3. 解決集中度-生產力問題：租金再分配
正如前面的討論所表明的那樣，這些變化不僅需要調整技術的發展方式，還需要調整創新者和企業運營的機構和政策環境，包括以下三種方法：
第一個傳統的答案是嘗試使用稅收來更好地獲取資本收益，同時將稅收壓力從勞動力轉移到資本上。這經常與機器人稅有關。一方面，它將允許獲取數字公司的巨大利潤。另一方面，稅收公平將得到恢復，這可以緩解勞動力要素，緩解合理化和失業的壓力。然而，在全球經濟中，政府對國際運營公司征稅的金額有嚴格的限制。將稅收擴大到數字服務消費而不是利潤的嘗試正在受到那些擁有無數大型數字公司的國家的抵制。此外，如前所述，如果要妥善解決三元悖論，稅收負擔需要從勞動力轉向能源消耗。
第二種更具創新性的方法是確保數字企業之間更大的競爭，例如，使用統一的標準和協議使平臺之間的數據傳輸變得容易。一些解決方案還提出了數據所有權，以便為那些通過使用平臺提供數據的人提供金錢激勵。然而，到目前為止，這些解決方案還沒有完全開發和實用。此外，只有極少數用戶可以從這種方法中獲得相對較大的利潤，而絕大多數用戶幾乎沒有期望。轉換平臺或獲得金錢回報的動機太低，無法解決人工智能的三元悖論。
最后一個很少有爭議的解決方案是建立一個主權數字財富基金，廣泛參與數字經濟。目前，已經建立了與自然資源等有形公共產品相關的主權財富基金（SWF）。主權財富基金將這些資源的開采留給私營公司，投資于這些活動，以造福政府等公共股東。這使得這種公共產品的好處能夠傳遞給廣泛的人群。然而，主權數字財富基金不是靠油井（如沙特阿拉伯、挪威）或魚類種群（如阿拉斯加）為食，而是通過稅收和新債務提供資金，以便通過投資廣泛的創新數字公司基金來產生回報。
5. 結論
現階段，克服人工智能三元悖論的大部分方案仍然是推測性的，因為定向技術變革的整體影響尚未經過大規模測試或實施。所需的一些制度轉變可能會受到強大的現有企業的抵制。
在技術層面，個別應用顯示出解決當前技術變革方向的缺點的潛力，但在撰寫本文時缺乏真實世界的例子。隨著新應用程序的大規模開發和實施，有必要進行仔細的實證研究，以評估它們在多大程度上能夠真正解決人工智能三元悖論。鼓勵減少資源使用和減少雇用勞動力的稅收罰款的政策轉變有助于促進更具社會效益的數字工具的開發。例如，通過建立類似于現有自然資源管理模式的主權數字財富基金，應該采取更積極的立場來加速向克服人工智能三元悖論的新技術范式的過渡。本文所主張的從供應推動到需求拉動的技術體制的轉變，需要進一步分析有助于克服三元悖論的具體應用。特別是，除了這些變化的技術可行性之外，還需要仔細查明和解決具體的體制障礙，開辟另一個有趣的研究途徑。
原文鏈接：
https://www.frontiersin.org/articles/10.3389/frai.2022.886561/full
