人工智能、奇點時代與中國機遇

楊虎濤

(中南財經政法大學經濟學院,湖北 武漢 430073)

近年來，人工智能(Artificial Intelligence,AI)技術得到了快速發(fā)展與廣泛應用。斯坦?！?017年人工智能指數報告》顯示，全球人工智能領域創(chuàng)業(yè)公司數量自2000年以來已增加了14倍，風險投資資本金額自2000年以來增加了6倍，由論文發(fā)表量、課程注冊學生數、風險資本投資測算的綜合人工智能活力指數自2000年來增長了6倍以上。2013年以來，僅在美國，需要人工智能技能的工作比重就增長了4.5倍[1]。

作為一種可替代人類體力乃至腦力勞動的技術革命，人工智能的快速發(fā)展引起了廣泛的關注。樂觀者普遍認為，隨著人工智能的發(fā)展，人類將很快進入奇點時代，進入馬克思所說的“自由人的自由發(fā)展”的階段，凱恩斯[2]的“100年內解決經濟問題”“經濟問題將不再是人類的永恒問題”的預言將很快成真。而悲觀者則認為，人工智能對經濟增長的影響不會太顯著，索洛悖論(Solow Paradox)將再次呈現，人工智能引發(fā)的就業(yè)和收入分配的沖擊反而更值得擔憂。例如，Frey和Osborne[3]的研究指出, 美國經濟中將有47%的就業(yè)會因人工智能及其相關領域的進步而自動化，涉及金融市場交易、律師助理工作、會計、駕駛等多個行業(yè)。而James等[4]對美國2 000個工作類別的考察也同樣表明，現有的人工智能技術可以替代其中45%的工作。

從經濟學而非未來學和倫理學的角度考察，對人工智能發(fā)展及其影響的判斷不可避免地涉及如下問題：第一，人工智能是否意味著奇點臨近？第二，人工智能是否是一種新的通用技術，如果是，它的擴散過程與之前的通用技術有何不同？第三，無論是奇點臨近還是歷史上一種通用技術的擴散，人工智能的發(fā)展對就業(yè)和收入分配的影響如何？第四，對于中國而言，人工智能的機遇是什么？本文擬對上述問題進行嘗試性探討。

一、人工智能：強與弱

在人類發(fā)展的歷史上，從狩獵采集社會轉入農業(yè)社會，以及從農業(yè)社會轉入工業(yè)社會，是兩次奇點式發(fā)展，而進入工業(yè)社會以來，則經歷了五次技術長波，即始于1771年的工業(yè)革命，始于1829年的蒸汽機與鐵路時代，始于1875年的鋼鐵電力與重化工時代，始于1908年的石油、汽車與大規(guī)模生產時代和始于1971年的信息技術時代。而對人工智能，第一個必須做出的判斷是，它究竟是一個新的技術長波的起點，抑或只是上一波信息技術浪潮的一個小波，還是一個類似于農業(yè)革命和工業(yè)革命那樣的奇點時代的標志？

如果人工智能引發(fā)的只是前者，則我們可以將其視為一個工業(yè)革命以來自動化程度提升的延伸，它僅僅是漫長自動化過程中的最新浪潮。自工業(yè)革命以來，技術進步的突出特征是人體力的節(jié)約和肢體的延伸。在信息技術發(fā)展之前，這一過程的主要特征是逐步機械化和自動化，信息革命以來，這種自動化進程的變化則集中體現在標準化上，而人工智能只是通過高度的標準化(歸類、識別與預測)進一步促進了機械化和自動化程度的提升。如果人工智能引發(fā)的只是進一步的自動化、標準化和機械化，那么隨之而來的一系列問題則是，人工智能是不是一種類似于蒸汽機、計算機那樣的通用技術？如果是，在人工智能對應的技術范式內，哪些是關鍵要素或核心投入，哪些是生產關鍵要素或核心投入的動力部門(Motive Branches)，哪些是支柱部門(Carrier Branches)或主導部門(Leading Sectors)？與這些判斷相對應的問題則是戰(zhàn)略性新興產業(yè)識別、收入分配和就業(yè)沖擊等。但是，無論人工智能是一個新的技術長波的起點，抑或只是以計算機為代表的第五次技術長波的一個小波，它對經濟的結構性影響都是毋庸置疑的，只是程度和規(guī)模的差異，但它不會是一種文明類型的質變。

如果人工智能可以引發(fā)如庫茲韋爾預言的奇點，則意味著一種新的文明、生活方式和社會將因此而重構。維基百科對技術奇點的解釋是：認為未來將要發(fā)生一件不可避免的事件──技術發(fā)展將會在很短的時間內發(fā)生極大而接近于無限的進步。當此轉折點來臨的時候，舊的社會模式將一去不復返，新的規(guī)則開始主宰這個世界。而后人類時代的智能和技術我們根本無法理解，就像金魚無法理解人類的文明一樣[5]。易言之，人工智能對應的是文明質變。在這一觀點中, 人工智能的進步不僅是技術進步的延續(xù),更是技術革新的顛覆性高潮——它可能導致歷史進程與以前的創(chuàng)新浪潮的影響明顯不同,巴拉特[6]稱之為 “我們的最終發(fā)明”。在這一判斷下，重要的社會經濟問題不僅是就業(yè)沖擊和收入分配問題，更是科技倫理、人類文明生存和延續(xù)這類問題。

判斷是否為奇點，一個重要的標準是人口和經濟是否會呈現跳躍式增長。兩個奇點時代的突出標志是，人口和經濟產出在短時間內呈現跳躍式增長。如果人工智能引發(fā)的并不是奇點式增長，而只是一個新的技術長波，那么可以預見的是，在未來相當長的一段時期內，由于索洛悖論的存在，經濟增長率會處在一個相對較低的水平。[注]按照麥迪森的統計，雖然1950—2003年經歷了數次技術浪潮，但經濟增長相對穩(wěn)定，Hanson[7]稱之為“巨大的技術變化并不會在經濟增長的數據上留下明顯的印記,短期的加速增長不一定必然歸因于某種技術發(fā)展”。而如果人工智能引發(fā)的是奇點式增長，那么在庫茲韋爾預言的時間節(jié)點2045年來臨之后，人類社會的人口和經濟將呈現出一種爆發(fā)式的雙增長。按照技術奇點的加速度理論，這種增速將遠超過前兩次奇點時代。在第一次奇點時代之前的狩獵采集社會，人口數量從1萬人擴張到400萬人歷時200萬年。進入農業(yè)社會之后，人口和產出大約每900年翻一番, 比以前快了250倍。進入工業(yè)社會之后，產出則每隔15年翻倍，比前一奇點時代快了60倍。Hanson[7]根據這一速度推測，認為如果人工智能是新奇點的話，那么當前的15年翻倍的速度將迅速提升到1個月乃至1周內翻倍，兩年內增長100萬倍。這樣的速度和規(guī)模當然是一種顛覆性的文明質變。

奇點論者的奇點依據首先在于庫茲韋爾關于科技增長以幾何級數進行的結論，也即“加速度回報定律”，這也符合早期新制度主義者的工具組合原理，即技術越多，組合可能性就越多，技術進步速度就越快。從技術層面上判斷，奇點論的依據在于，人工智能不是對人的體力的節(jié)約，而是智力的替代，人工智能早期投入雖然巨大，但擴散和復制成本快速遞減，隨著學習時間和學習內容的累積，智能水平也呈指數式發(fā)展。這種加速在技術上之所以可能，還因為計算生產率的持續(xù)快速增長。統計表明，標準計算的費用在1940—2012年以平均每年53%的速度下降。如果高量子比特計算成為可行, 計算將基本上是免費的, 對人工智能的限制將主要是軟件和工程。而量子計算機、云計算、物聯網、機器學習以及納米技術和生物技術的進展一旦聚合起來，就會導致更快的加速度發(fā)展，最終引發(fā)技術奇點，完成從人工智能向超級智能(Superintelligence)的轉變, 此時，“智力比在幾乎每個領域中最好的人腦都要聰明, 包括科學創(chuàng)造力”[8]。

歷史上，類似的奇點預測曾出現過多次。例如，1958年，西蒙等就預測 “十年之內，數字計算機將發(fā)現并證明一個重要的數學定理”；1965年，西蒙又進一步預言“二十年內，機器將能完成人能做到的一切工作”；1967年，明斯基也預言過“一代之內……創(chuàng)造‘人工智能’的問題將獲得實質上的解決”；1970年，明斯基又斷言“在三到八年的時間里我們將得到一臺具有人類平均智能的機器”[9]。但迄今為止，這些預言仍然還只是預言。其原因在于，無論是奇點預測，還是西蒙和明斯基的預測，都建立在“強人工智能可行”的基礎上，而當前的人工智能發(fā)展仍屬于數據+統計模型的弱人工智能。

按照是否具有人類思考和認知能力，人工智能可以分為替代計算、預測和搜索的弱人工智能和具有人類思考和認知能力的強人工智能。而人工智能的研究進展至今仍集中在弱人工智能領域，而本質是數據+統計模型這一60年來未曾改變的基礎，其之所以在近年來在識別、預測等領域取得突飛猛進的發(fā)展，只是得益于杰弗里等人對深度學習的推進。弱人工智能和強人工智能的差異在于：前者只需要機器像人類一樣執(zhí)行(Perform as Humans)，為此只需要機器學習，最終產生輸入—輸出行為，且遵循“有多少人工有多少智能”的邏輯；而后者則需要使機器像人類一樣思考(Think as Humans)，其需要的原理是人類大腦的結構和工作模式，其最后產生的結果并不是人工智能，而是智能人工(IA)。而在強人工智能發(fā)展的方向上，正如Hanson指出的那樣，我們無法理解大腦的運作，因而只能模仿大腦進行全腦仿真。即對真正的人腦進行掃描以得到足夠詳細的信息, 并確定每個神經元的確切位置和類型, 例如，樹突、軸突和突觸。然后使用神經元組件將輸入信號轉換為輸出信號的模型, 構建一個特定大腦的計算機模型。如果模型、掃描和構建足夠精確, 最終的模擬應該與原始大腦具有相同的輸入—輸出行為。盡管現有研究已在模擬神經元研究方面取得了不少進展，但由于人類的神經元多達千億，模擬大腦的實現無疑極為困難，“莫拉維克悖論”(Moravec’s Paradox)——計算機可以替代復雜計算卻永遠無法模仿感知和運動——和“波蘭尼悖論”——我們知道的超過我們能表達的——仍構成強人工智能發(fā)展的重大障礙。因此，Hanson判斷：“我們還有很遠的距離”！[注]2017年底，英特爾宣布進行Intel Loihi神經元芯片研究，整個芯片上共有超過13萬個神經元和1.3億個突觸連接，能夠根據環(huán)境變化即時編程，進行“自學習”。英特爾“模糊地表示”，這一芯片的能效達到了傳統人工智能芯片的1 000倍。更為重要的是，由于我們仍然無法理解人腦的運作模式，即使在計算意義上達到模擬人腦要求，我們也不知道究竟會發(fā)生什么。從這一根本性的約束上說，強人工智能突破的奇點時代距離我們仍很遙遠。

二、通用技術與索洛悖論

盡管如此，不可否認的是，弱人工智能時代已經日益趨近。對于這種人工智能的發(fā)展，聯合國2017年發(fā)布的《新技術革命對勞動力市場和收入分配的影響》報告中就判斷，人工智能和歷史上的蒸汽機、電力、計算機一樣，是一種通用技術(General Purpose Technology，GPT)[10]。雖然它的技術基礎是上一次信息技術浪潮的延伸，但其特點是屬性上完全不同的技術和能力，因而完全可能構成一個新的技術長波的標志。如果說奇點革命是一次大的新陳代謝，前奇點時代的生產方式和相關知識大部分都歸于無用，那么作為一種新通用技術的弱人工智能則更多地表現為對傳統部門的重構，一如之前的任何一種通用技術的產生一樣，索洛悖論將再現一次，短期內人工智能對經濟增長的貢獻不會有太多地超出預期的表現。

所謂索洛悖論是指：除了關于生產率的統計數據領域外，在其他領域，我們處處可見計算機的身影。這一IT投資與生產率之間的非顯著相關性也被戈登和查斯曼等所觀察到。不僅索洛等觀察到的20世紀70年代和80年代如此，而且統計也表明，即使在進入互聯網技術快速發(fā)展的20世紀90年代以后，大部分美國人的實際收入仍停滯不前，生產率增長緩慢甚至減速。這一現象也發(fā)生在經濟合作與發(fā)展組織其他國家和大型新興經濟體中。2005—2016年美國的總勞動生產率年增長率僅為 1.3%,不到1995—2004年2.8%年增長率的一半，而發(fā)達經濟體的勞動生產率年增長率在2005年以來一直在下降并保持著低位水平。在經濟合作與發(fā)展組織的數據中，如果將2008—2009年危機期間的增長率排除在總數之外，30個國家中的28個國家仍然表現出生產率減速[11]。Brynjlofsson等[12]的研究也指出，自動駕駛技術將使美國的司機數量減少200萬人，但勞動生產率每年僅會提升0.2%。不僅學者，政府也對人工智能促進經濟發(fā)展的前景持相對保守的態(tài)度，盡管在過去5年時間里美國人工智能發(fā)展迅猛，但美國國會預算辦公室仍將美國勞動生產率增長預測從2016年1.8%降低到2017年的1.5%。

對于索洛在1987年提出的計算機技術與生產率悖論，Triplett[13]曾將其歸結為多個因素，例如，計算機產業(yè)規(guī)模小、測度錯誤、學習成本和時滯、通用技術的固有本性、利潤再分配問題和管理不當等。而Brynjlofsson等[12]則指出，人工智能仍將出現和計算機一樣的索洛悖論，原因有以下四點：第一，錯誤希望，意指技術進步與預期的背離，即技術進步本身無法達到預期效果，錯誤預期主要來自于實驗室階段、中試階段的成果與最終大規(guī)模應用之間的技術—應用鴻溝。第二，錯誤度量，即新技術紅利已經發(fā)生，但卻無法得到精準測度，在這種情形下，事實上是效用及其組合本身已經發(fā)生了改變，但在統計數字方面得不到明顯的體現，例如，許多新技術(智能手機、在線社交網絡和可下載媒體) 盡管發(fā)展迅速，也為消費者提供了大量新的效用，但這些技術由于相對價格較低且只占國內總產值的一小部分，因而在統計數據上并不明顯。第三，再分配效應，即雖然新技術提高了少數行業(yè)和少數企業(yè)的效率，但大部分行業(yè)和企業(yè)效率改進不明顯甚至下降，因而總勞動生產率改進不明顯。與此同時，新技術在孕育新部門的同時也帶來了舊部門的衰落，而弱人工智能的主要應用也集中在預測、搜尋和廣告推送這幾個有限的領域內，對總生產率的提升貢獻并不大。第四，也是最為重要的原因，在于通用技術的實施和重組滯后，因為作為一種通用技術，人工智能的經濟效應需要很長時間才能表現出來，其主要原因在于：第一，新技術本身需要規(guī)模拉動，進而才能產生多部門的聚合效應。第二，新技術所涉及的各個部門之間需要互補性的投資。第三，通用技術需要組織重構，這也需要較長的時間和大量的調整成本。

歷史地看，工業(yè)革命以來，每一次通用技術都曾經經歷這樣的滯后階段。通用技術的確會成為生產力的重要推動力，但它不會在到達時立即提供生產率增益。技術史表明，多種新技術的“并存但不爆發(fā)”往往會持續(xù)很長時間。只有各種新舊力量之間產生關聯性，才會產生集中性的爆發(fā)并擴散到傳統行業(yè)，進而徹底引發(fā)技術經濟范式的切換。煤和鐵在第一次工業(yè)革命之前已經有了悠久的歷史，是蒸汽機啟動了三者之間的良性循環(huán)轉而成為鐵路時代的動力；內燃機和汽車在第二次工業(yè)革命之前也存在了很久，是石油啟動了三者之間的良性循環(huán)，構成了大規(guī)模生產的動力；交流電誕生于19世紀末期，但作為集中分布式能源影響到工廠的空間布局結構，則經歷了近半個世紀的時間；晶體管、半導體在20 世紀早期就存在，20世紀50年代就見證了集成電路和計算機的出現，但直到1971 年的微處理器登場，才啟動了信息技術時代；20世紀90年代初出現了互聯網熱潮，但電子商務直到20年之后才開始大規(guī)模興起，這一過程滯后不僅是因為組織調整和模式重構需要成本和時間，更重要的是，需要等待其他互補性技術發(fā)展引起共振。

簡言之，一種新的通用技術一直要等到足夠的互補技術在效能和規(guī)模上達到全面耦合之后，其應用價值才真正在總體經濟數據中全面表現出來。在這一過程中，廉價的關鍵投入(鐵、電、石油、芯片、存儲器)是引發(fā)各技術系統自增強效應的“引爆點”，而各技術系統所對應的市場規(guī)模則決定了這種自增強形成的速度和強度。在歷次技術浪潮中，隨著技術系統的日漸復雜化，自增強涉及的子系統越來越多，也越來越復雜，通用技術的擴散所歷經的時間也越來越長，這也就是為什么“潛在的重組越深遠, 技術的最初發(fā)明與其對經濟和社會的全面影響之間的時滯就越長”[13]。在第一次工業(yè)革命中，只需要煤、鐵、蒸汽機三者之間形成自增強系統，就可以迎來機械力的普遍增長。而在第二次工業(yè)革命中，則需要鋼、鐵路、內燃機、石油和汽車之間形成自增強系統，進而作為一種新的技術范式蔓延到傳統部門，從而使經濟發(fā)生徹底的結構性變遷。人工智能作為一種新的通用技術，其涉及的自增強系統無疑要比之前任何一種通用技術都要廣泛，而其涉及的重構的傳統部門數量和類別也要遠超以前任何一個時代，因而總時滯會更長。

如果人工智能是一種通用技術的話，那么這一時代的關鍵投入是什么？按照“最被需要”這一標準，人工智能本身就構成關鍵投入。但值得注意的是，人工智能具有與之前任何一種通用技術不一樣的特征——其本身很難被理解為一種類似鐵、石油、芯片一樣的有形產品，按照里夫金的能源+通訊定義新時代的標準，人工智能既不是一種能源，也不是一種通訊，它只是算法+數據，但它的效能又依賴于高速微型芯片，如果僅有算法和數據，但缺乏處理能力，人工智能仍不能達成；如果有處理能力，但缺乏算法和數據，人工智能也不能實現。因此，人工智能時代的關鍵投入不同于之前任何一個時代，它應由算法+數據+芯片三者共同構成一種復合型的關鍵投入，這三個部門共同構成動力部門，而以這些關鍵投入為基礎所刺激出來的快速增長部門，例如，機器人、自動駕駛等則構成支柱部門或主導部門。

三、人工智能如何影響就業(yè)？

作為一種拓展自動化、機械化和標準化的技術體系，人工智能的發(fā)展并不會像想象的那樣，對就業(yè)市場產生巨大沖擊，導致嚴重的失業(yè)。事實上,機械化和自動化的歷史，是不斷的技術進步乃至一個技術范式對另一種技術范式不斷替代的歷史，新技術雖然在舊的生產范式內通過去技能化擠出勞動力，但并沒有減少對勞動力的總體需求，恰恰相反，與技術范式的不斷切換相伴隨的是對勞動力需求的擴大和更高的實際工資。經濟學家普遍認為，在人工智能的沖擊下，結構性失業(yè)無疑會發(fā)生，但長期內就業(yè)總量、甚至勞動收入份額都不會出現下降，真正值得擔心的是，人工智能的擴散所構成的主要經濟挑戰(zhàn)將是收入分配的不平等。

雖然新技術會造成對傳統技術條件下某些特定工作的替代，但這種替代效應會受到來自多方面的反制力量的沖抵。Acemoglu和Restrepo[14]將這種反制力量分為四種：

第一種反制力量是生產率效應。生產率效應可以表現為對自動化部門勞動力需求的增加, 或者是對非自動化部門勞動力需求的增加。兩者都可以抵消新技術的勞動替代效應。前一種情形體現為，隨著自動化部門效率的提升，該部門產品或服務的相對價格會下降，從而引發(fā)更大的需求，進而引起該部門本身的規(guī)模擴張，從而吸納更多的勞動力。經典的例證就是自動取款機的廣泛使用，它的推廣并未減少對柜員需求數量，相反引起了銀行在更大范圍內開設分支機構，從而最終在總量上吸納了更多的就業(yè)。[注]Bessen[15]的研究結果表明，自20世紀70年代末期發(fā)明自動取款機以來，1980—2010年美國的銀行出納員就業(yè)人數實際上從50萬人增加到約55萬人，因為自動取款機通過降低運營銀行分支機構的成本，間接增加了對柜員的需求。后一種情形則體現為，自動化部門效率的提升導致該部門對上游部門(原材料或服務)產生更大的需求，從而引發(fā)了相關部門的擴張和雇傭勞動的增加，經典的例證就是飛梭的發(fā)明，雖然飛梭在生產現場減少了織布工的數量，但其引發(fā)的對紗線、紡紗機和精梳機的需求則在總體上極大地促進了相關部門的就業(yè)。因而從生產率效應的意義上說，新技術對勞動力的替代效應不值得擔憂，真正值得擔憂的是生產率效應是否足夠大。

第二種反制力量是資本積累效應。即自動化意味著更大的資本需求，也意味著更大規(guī)模的資本積累，這一過程本身也會提高對勞動力的需求。我們可以將資本積累效應理解為人工智能部門本身快速擴張過程中所產生的對特定勞動力的持續(xù)需求，即部門本身所創(chuàng)造的勞動力需求。2017年領英《全球AI領域人才報告》表明，在全球范圍內，通過領英平臺發(fā)布的人工智能職位數量從2014年接近5萬個增長到2016年超過44萬個，人工智能人才需求3年翻了8倍[16]，騰訊研究院的數據也表明，僅在中國，截至2017年6月592家人工智能公司約有39 200位員工，但人才缺口仍高達兩倍。

第三種反制力量來自自動化程度深化，更具體地說，是來自自動化進程加深過程中的生產率效應。若自動化技術是勞動節(jié)約型的，當然會產生很強的勞動替代效應；但若自動化的深化過程是資本節(jié)約型的，即提高已經自動化的生產任務中機器的生產率，在這種情形下，自動深化過程會提高資本生產率，但對勞動的替代效應并不明顯，此時自動化程度的加深則通過生產率效應發(fā)揮對對沖的抵消作用。例如，數控機床對傳統機床而言就是一種自動深化，它對在位工人的工作性質和內容產生影響，但對工人數量減少的影響并不顯著，但數控機床通過生產率效應在本企業(yè)、本行業(yè)乃至相關企業(yè)和行業(yè)中創(chuàng)造了更多的勞動力需求。由于自動化進程一旦啟動，就會有不斷優(yōu)化和深化的空間，因而這種自動深化帶來的新增就業(yè)也構成了反制新技術替代效應的一種主要力量。

第四種反制力量則來自于新工作創(chuàng)造，它也是最為重要和最為根本性的力量。Acemoglu和Restrepo[14]強調，創(chuàng)造新的、勞動密集型的工作，尤其是勞動力相對于資本而言具有相對優(yōu)勢的工作，可能是在快速自動化過程中反沖抵消新技術替代效應的最主要力量。如果說自動化具有替代效應, 那么新工作創(chuàng)造則具有一種恢復效果。工業(yè)化的歷史表明，工業(yè)化不僅是一個自動化和機械化程度不斷提高的歷史，也是一個人類分工和職業(yè)類別深化擴張的歷史。紡織、冶煉、農業(yè)的自動化與機械化進程也對應著管理、財務、銷售、廣告和咨詢等行業(yè)的產生，Acemoglu和Restrepo[14]的研究也表明，1980—2010年新工資類別的產生解釋了一半左右的就業(yè)增長。而埃森哲的研究報告也認為，人工智能已經產生了許多新的工作類別，涉及智能培訓、系統建構與監(jiān)護、個性化教育、醫(yī)療保健和設計等。

長期來看，Acemoglu和Restrepo[14]所強調的這種新工作創(chuàng)造的另一個重要意義，在于它遏制了勞動力在國民收入中份額的下降趨勢，而生產率效應、資本積累效應和自動化加速效應雖然可以產生抵消效應, 但它們是邊際效應遞減的，其最終擴張和吸納就業(yè)的能力會趨于衰減，則持續(xù)的、不可逆的自動化仍將最終減少勞動收入份額。而唯有創(chuàng)造新的勞動密集型工作,尤其是不斷創(chuàng)造出勞動力相對于機器具有相對優(yōu)勢的經濟活動和職業(yè)類別，才能真正遏制和抵消勞動力收入份額的下降趨勢。在工業(yè)化以來的數百年時間里，之所以并未出現勞動力收入占國民收入比重的劇烈下降，其根源就在于這種創(chuàng)造新職業(yè)效應的存在。而Nordhaus[17]則從另一個角度指出，人工智能時代的就業(yè)和勞動收入份額不會構成實質性的危險，其原因在于人工智能時代，“鮑莫爾成本病”仍將持續(xù)發(fā)揮作用，只要信息產品和非信息產品之間不能完全替代，就會有新的部門以更強的能力吸收勞動力。

盡管人工智能從長期來看不會構成對勞動力就業(yè)和勞動力收入份額的毀滅性沖擊，但不可否認的是，在短期內，由于新技術的要求與現有勞動力技能之間的差異，這種沖擊仍需要社會付出巨大的調整代價。快速自動化沖擊下的勞動力市場調整過程將會非常緩慢，人力資本的浪費將不可避免，這將集中體現在直接受到人工智能技術沖擊和替代效應最為顯著的行業(yè)。只有在教育和培訓改善了人力資本的結構之后，這種調整才會結束。歷史上這種調整的漫長記錄不勝枚舉：英國工業(yè)革命期間，雖然新技術不斷引進，并最終導致了勞動力需求和工資的上升, 但這一過程卻導致了后來數十年的長期工資停滯、貧困擴大和生活條件下降。這即是工業(yè)革命的恩格爾停頓(Engels’ Pause)[18]，直到大眾教育和其他人力資本投資提升以及改善了勞動力技能之后, 這種恩格爾停頓現象才消失。同樣的情形也出現在19世紀末和20世紀初的美國，當時由于美國農業(yè)自動化水平大幅度提高，大批農業(yè)生產者面臨失業(yè)窘況，美國為此推行了長達數十年的高中運動(High School Movement)，規(guī)定每個美國人在年滿16歲之后才能離開學校進入社會工作，這一過程不僅投入了大量的教育建設資金，也讓大量農村勞動力失去了經濟收入，但這一過程最終極大地提高了美國勞動力的質量，為隨后的經濟快速崛起提供了優(yōu)質而充裕的勞動力資源[19]。

正如Korinek和Stiglitz[20]所指出的，人工智能真正的挑戰(zhàn)在于對收入不平等的影響。他們將這一原因主要歸結為創(chuàng)新租金分布的不平等。聯合國研究報告也特別強調，人工智能對全球價值鏈的沖擊，將使落后國家更難實現向上的突破和發(fā)展，新的技術革命將會使制造業(yè)和參與全球價值鏈的成果變得更加集中，從而限制落后國家的結構轉型。而Autor[19]對歐洲16個國家的研究也表明，自20世紀90年代的互聯網高潮以來，1993—2010年歐洲16國均出現了收入極化現象，即低教育水平、勞動密集型和高教育水平、智力和技術密集型的工作職位呈現兩極增長，但中等收入的就業(yè)崗位則呈現不同程度的下降。雖然在每一次技術浪潮下，隨著勞動力結構的調整，都不可避免地出現這種結構性極化現象，但值得重視的是，在之前任何一次技術浪潮下，勞動者均是作為純粹的勞動力參與新的分工體系，而在人工智能浪潮中，是整個社會為人工智能提供了數據基礎，是在整個社會成員巨量的歷史累積數據和不斷更新的現實數據的基礎上，人工智能的搜尋、預測和判斷才成為可能。因此，如何使人工智能的創(chuàng)新盈余普惠更多人，是政府公共部門尤其是稅收立法部門應該重點關注的問題。

四、人工智能時代的中國優(yōu)勢

2017年7月，國務院發(fā)布了《新一代人工智能發(fā)展規(guī)劃的通知》，確立了“三步走”的目標：到2020年，人工智能總體技術和應用與世界先進水平同步；到2025年，人工智能基礎理論實現重大突破、技術與應用部分達到世界領先水平；到2030年，人工智能理論、技術與應用總體達到世界領先水平，人工智能核心產業(yè)規(guī)模超過1萬億元，帶動相關產業(yè)規(guī)模超過10萬億元。而普華永道則預測，到2030年，中國的人工智能產業(yè)規(guī)模將達到7萬億美元，將會是美國的兩倍，成為世界第一人工智能大國。而從現有的公司數量和融資規(guī)模上看，中國人工智能已經形成和美國二強爭霸的格局。根據Venture Scanner的數據，截至2017年6月底，全球專業(yè)從事人工智能的初創(chuàng)企業(yè)總數達到2 542家。中美兩國占據全球人工智能初創(chuàng)企業(yè)總數的2/3，其中，美國約1 100家，中國約600家。中國人工智能在2017年上半年的融資額已經超過150億元，累積融資額攀升到635億元，占據全球融資總額的33.2%，超過除美國外其他國家的總和。

中國成為世界第一人工智能國有無可能？按照新熊彼特學派的觀點，后發(fā)國家的技術追趕存在著兩種機會窗口：第一種機會窗口只與傳統產業(yè)相關，而與新技術革命和新興產業(yè)無關，這種機會窗口同時意味著高的資本準入門檻和知識門檻，以及逐步飽和和收益遞減的產品市場。而第二種機會窗口則與激進的新技術革命相關，后來者剛開始并不是新技術的最初發(fā)明者，但在一種新的技術長波啟動之初，先進國家和后發(fā)國家基本處在同一起跑線上，實驗室知識而非企業(yè)默會知識構成起始階段新技術的知識特征，后發(fā)國家可以通過自主創(chuàng)新等措施和國內市場規(guī)模等條件占據技術革命的制高點，因此，技術經濟范式的切換可以為后發(fā)國家實現技術追趕提供第二種機會窗口。而且由于組織和用戶對傳統技術經濟范式的路徑依賴弱，后發(fā)國家在新技術經濟范式出現初期反而具有后發(fā)優(yōu)勢。具體到中國，改革開放四十年來，我們以模仿者和跟隨者的方式比較完整地經歷了第五次技術長波的導入期和拓展初期，這一過程使中國形成了完整的產業(yè)鏈、世界工廠的生產能力和一定的技術能力，在環(huán)境、資源和勞動力成本約束下，這一積累基礎本身已經面臨著很強的升級壓力，這就客觀上構成了對人工智能這一新的通用技術的強大的創(chuàng)新需求。

從歷次技術長波的歷史觀察中可知，在一個新的技術長波進入導入期之后，一國能否成功地保持新技術長波中的領先地位或實現趕超，取決于兩個因素：第一，能否在關鍵投入即動力部門中取得領先地位。第二，能否快速地讓動力部門、主導部門和引致部門[注]引致部門(Induced Sector)指的是受技術經濟范式引導出的伴生部門。之間形成利潤和生產率提升的正反饋。而這兩種因素既取決于技術能力(知識積累)，也取決于生產能力(規(guī)模經濟)和生產體系的多樣化程度(網絡經濟)。從中美兩國人工智能的發(fā)展現狀看，中國的快速發(fā)展主要集中在規(guī)模優(yōu)勢主導的應用層，尤其是消費類終端或服務，而在技術層，即人工智能通用技術平臺的發(fā)展上，中國在計算機視覺與圖像、智能機器人和自然語言處理等領域也有很好的表現，但在包含人工智能芯片、算法和數據的基礎層上，中國則弱于美國，與美國各大人工智能公司都有自己的人工智能芯片相比，中國目前僅有百度公司擁有自己的芯片DuerOS。由于基礎層是長期發(fā)展的支持，因此，一個普遍的擔憂是，中國在基礎層無法趕超美國，并將直接制約技術層和應用層的發(fā)展。最終，中國將成為人工智能大國，但仍非人工智能強國。

雖然中國目前在芯片和技術平臺上處于劣勢，但正如前文所述，人工智能時代的關鍵投入是一種芯片、算法和數據的復合型投入，這三者互為依存，脫離任何一種都無法提供“智能”。目前，中國人工智能基礎層的落后主要集中在芯片領域，但由于人工智能仍處于技術浪潮的導入期，芯片上的落后仍有趕超時間，而且從人工智能的發(fā)展趨勢看，量子芯片必然成為未來的主流。而在量子芯片層次上，中美其實同樣處于第二種機會窗口的起點。而在算法領域，通用的算法是一種公開知識，深度學習模型的擴散就是如此，而具體的算法則構成各人工智能公司的機密核心，但由于數據正義和數據隱私的要求，在公眾壓力和政府立法部門的干預下，這種具體的算法也越來越面臨著開放的壓力，例如，2018年5月25日生效的歐盟《統一數據保護條例》就規(guī)定，所有算法必須解釋其輸出原理[21]。但是數據，不僅會成為一種壟斷性資產，也是一種不可轉移的資產，這種不可轉移性源于數據必須和數據的產生主體時刻關聯，一旦脫離這種關聯性，即時數據就成為無根之木，無源之水。而在數據方面，依托龐大的人口規(guī)模和用戶市場，中國具有無法替代的規(guī)模優(yōu)勢。截至2017年6月，中國網民規(guī)模達到7.5億，是美國人口的兩倍，互聯網普及率為54.3%，移動寬帶用戶總數達到10.4億，4G用戶總數達到8.9億，網民使用手機上網的比重高達96.3%，移動互聯網規(guī)模居于全球絕對領先地位。在數據生成和數據用戶上，這一龐大的規(guī)模必然為人工智能時代的關鍵投入之一——數據——提供持續(xù)而堅實的基礎。

一旦在基礎層構成競爭力，那么借由龐大市場規(guī)模構成的規(guī)模經濟和產業(yè)部門的多樣性[注]對第二產業(yè)出口產品多樣性的測算結果顯示：除2007—2009年受國際金融危機的影響而出現產品多樣性指數的下滑，2000—2013年第二產業(yè)大多數產品的出口多樣性在波動中穩(wěn)步上升[22]。形成的網絡經濟，就將使人工智能的生產關鍵投入的動力部門、主導部門和引致部門之間形成不可逆的正反饋效應。龐大的市場規(guī)模意味著單位成本的降低，使新技術更容易得到市場回報，進而激勵企業(yè)投入研發(fā)，而產業(yè)部門的多樣化則有助于形成新技術經濟范式下的技術耦合和互補效應，促進新技術的擴散與技術經濟范式的形成。而包括美國在內的西方發(fā)達國家在第五次技術長波后期都不同程度地經歷了去工業(yè)化的過程，其部門間的需求引致創(chuàng)新力有限將會構成制約其人工智能產業(yè)發(fā)展的主要因素。因此，人工智能這一新的通用技術不僅為中國實現趕超提供了第二種機會窗口，而且在這一通用技術的基礎層、技術層和應用層上，中國也完全有抓住這一機會窗口的能力和基礎。當前最為重要的，不僅是要加大芯片的研發(fā)投入，實現《中國制造2025》中2025年芯片自給率達到50%的目標，而且更要促進中國數據市場的發(fā)展和產業(yè)協同效應的發(fā)揮，以及通過教育和相關培訓為人工智能提供充裕的人才儲備。