作者：Ekkehard Ernst

翻译：八叉

编者按：

人工智能正在对人类就业乃至社会经济带来显著且深远的影响，这影响并不是替代就业这样简单。本文以国际劳工组织首席宏观经济学家的视角，提出了人工智能的三元悖论与潜在的解决方案。

摘要：

数字化和人工智能对工作世界的影响越来越大。大规模失业风险的上升引发了对技术的担忧。有限的收入和生产力增长集中在少数科技公司身上，正在加剧不平等。此外，数字技术日益增长的生态足迹已经成为许多讨论的焦点。这造成了技术进步带来的不平等加剧、生产力增长缓慢和高生态成本的三元悖论。怎样才能解决这个三元悖论？哪些数字应用应该特别推广？政策制定者应该如何应对这个三元悖论？本文分析了现行工具在这方面的范围和局限性，并讨论了更符合数字经济基础新兴技术范式性质的替代办法，为应对人工智能的社会经济挑战所需的制度创新提出建议。

1. 导言

在过去的十年中，以人工智能(AI)为动力的应用程序呈爆炸式增长。随着大型非结构化数据库（"大数据"）的普及以及过去四十年计算成本的迅速下降，使用非线性统计和机器学习方法的人工智能应用获得了突出地位。这既引发了对机器主宰世界的末日担忧，也引发了人类对解决当前气候变化、贫困、疾病等全球问题的热切期待。

然而，这些情景现在似乎都没有出现。相反，我们看到人工智能的广泛使用带来了具体挑战，特别是在社交媒体的使用方面。数字工具的生态足迹不断增长，特别是关于加密货币和基础模型，引起了人们对这些发展的可持续性的担忧。

与此同时，我们生活方式的改进也同样有限，主要集中在数字导航的改进或在线购物和交付的快速增长上。在这些相当有限的影响背后，隐约可见一个更令人担忧的趋势：少数占主导地位的科技公司的经济实力上升，似乎越来越加剧了人工智能崛起之前已经普遍存在的不平等现象。

到目前为止，人工智能崛起带来的三个挑战都有据可查，无论是涉及有限的生产力提高，不平等恶化还是生态成本上升。本文认为，这三个挑战是相互关联的。遵循目前的道路，人工智能采取的技术范式将恶化其生态足迹并加深经济不平等，而不会为所有人提供更好的生活水平。

许多研究人员和观察家将对人工智能的分析集中在其在工作领域的应用上，这最初引起了对广泛技术失业的担忧。然而在发达经济体，此类技术性失业似乎是我们对这些新数字技术最不关心的问题。事实上，在过去十年中经合组织国家的失业率有所下降，直到Covid-19流行病爆发（见图1）。

图1.失业的演变：经合组织和选定的G20国家（2010年与2019年;占总劳动力的百分比）

资料来源：经合组织，统计门户网站。

到目前为止，人工智能驱动的应用程序尚未导致失业的未来，部分原因是工业界目前开发的程序的应用方向较为狭窄，只影响到一小部分劳动力。事实上，在过去十年中，大多数应用程序都围绕着业务流程自动化、自动驾驶、电子商务和数字平台，这些应用程序占2010年至2020年间开发的所有应用程序的40%以上（见图2）。

图2.人工智能发展的主要领域（2010-2020年，全球累计投资美元;机器人过程自动化 = 100）

资料来源：安永和米什拉（2021）基于斯坦福人工智能活力指数

然而，更积极的效果似乎也没有实现。尽管目前在家工作和电子商务备受吹捧，但经合组织明显的小时劳动生产率增长并没有增加（见图3）。

图3.每小时劳动生产率增长（1980-2020年，G7国家，十年平均值）

资料来源：经合组织，统计门户

与此同时，人工智能开发和利用的生态成本上升已成为人们关注的重要问题。这在加密货币领域最为明显，例如，比特币导致了电力使用的爆炸式增长，以至于一些国家限制或完全禁止其使用。数字经济的其他领域也遇到了越来越多的限制。一些大型数字公司已经开始尝试将其云计算服务器放置在深海中冷却。大规模神经网络，如自然语言处理网络GPT-3，目前是该领域最大和最强大的工具之一，据报道，单次训练成本高达1200万美元，小公司根本无法负担。更重要的是，随着这些工具变得更加复杂，它们的经济和能源成本不是线性增长，而是爆炸式增长。目前，对“绿色人工智能”或可持续人工智能的呼吁已经出现，期待降低这些工具的碳排放，并确保其能低成本地供大量研究人员和用户使用。

2. 简论人工智能三元悖论

2.1. 技术范式

理解人工智能三元悖论的基础是技术范式的概念，即技术能力、经济条件和社会结构之间的相互作用，这些相互作用决定了经济生产力的未来发展。在最基本的层面上，技术发展既可以由科学进步自主驱动——供应推动范式，也可以由企业在劳动力市场和资本市场上运作的经济条件决定——需求拉动范式。

2.2. 作为供应推动范式的人工智能三元悖论

图4总结了人工智能可持续性三元悖论的关键点：我们不能同时拥有低不平等、高生产力和生态可持续性，至少在追求人工智能驱动的自动化决策系统开发的当前技术范式时不能。只有两个问题可以同时解决，而第三个需要被牺牲。

图4. 人工智能可持续性三元悖论

生产力-能源问题：只有通过机器取代人类劳动，以牺牲更高的能源使用为代价，才能实现生产力的提高。从云计算中心的数据存储，到高性能计算机的数据分析，再到保持连接所需的最小移动数字设备的功耗，数字经济已经消耗了平均电力消耗的6%以上，而且这一趋势正在加速。如果没有重大的效率提高，预计到2030年电力消耗将上升到20%以上。

能源-集中度问题：为了使能源效率提高而不是下降，数据集中度需要进一步增长，以便利用大样本中信息的变化。这就是目前开发方法的逻辑，例如利用几乎整个英语库的大型语言模型。鉴于数据收集所涉及的网络外部性，市场集中度必然会恶化，至少在数据收集和算法训练的一小部分中是这样。这种数据收集的集中确实可以提高能源效率，从而提高生产率，但仅限于个别公司。从总体上看，这种集中加剧了经济不平等。

集中度-生产力问题：收入不平等加剧，特别是在成熟经济体，与增速较低有关。随着收入越来越集中在顶层，总需求增长更加缓慢，减缓了具体技术变革。另一方面，生产率增长是增加还是减少不平等，取决于新技术是否以及以多快的速度在整个经济中扩散。Ernst（2022）认为，由于数字技术发展的特定条件引发的不平等加剧，这些新应用不太可能在经济中迅速传播。

在目前的知识产权制度下，硅基信息处理工具的能效只能通过高度的数据集中来实现， 防止整个经济的生产力溢出，同时产生严重的经济不平等。换句话说，它是一种供应推动技术范式，由技术公司开发其应用程序的特定条件驱动。这种“失重经济”现在占据了最大的位置，并导致市场扭曲，迄今为止没有得到足够的关注。此外，人工智能驱动的工具引发了各种形式的不平等，而不仅仅是未能更广泛地传播其利益。例如，使用训练人工智能例程所必需的历史数据，往往反映了劳动力市场上对妇女或少数民族的歧视。如果人工智能程序在没有相应过滤器的情况下输入此类数据，则歧视将永久存在，例如招聘过程中的持续歧视。

3. 了解三元悖论的机制

3.1. 为什么大脑比计算机效率高得多？

人工智能三元悖论的一个核心主张是计算机是高度能源密集型的。因此，它们在我们当前经济数字化转型中的大量使用会给环境带来巨大代价。从生态的角度来看，目前使用计算机的方式是不可持续的，需要重新定位我们当前的技术范式，从试图替代人类认知转向计算机和大脑互补的范式。

计算机和大脑具有相似功能的关键组件：内存和电路，即可以回忆以前存储的信息的基本单元之间的结构化连接：计算机使用晶体管，大脑使用神经元。这两个要素已被证明对信息处理至关重要。事实上，所有数学函数都可以通过基本逻辑门的适当连接来表示，表示为神经网络，使得将计算机和大脑类比特别有吸引力。许多研究人员认为，计算机正在向大脑融合。此外，围绕人工智能的应用快速增长表明，计算机最终不仅会以类似于大脑的方式工作，它们甚至会遵循相同的信息过程，根据有限的信息输入进行预测。

然而，二者的直接比较揭示了性能和效率方面的显着差异（见表1）。特别是，在能耗和执行计算的精度/速度方面，单个人类神经元相当缓慢和不精确。但它们比计算机中的晶体管强大得多，显示出比简单的二元激活电位更复杂的活动模式。另一方面，计算机可以以更高的速度和精度进行计算，尽管它们中的大多数处理的晶体管更少，并且连接起来的激活模式要简单得多，但这种更高的精度和速度以更高的能耗形式付出了巨大的代价。

表 1.计算机和大脑的比较

同样，计算机在长期存储信息（内存）方面明显更好，可以跨越几十年，具体取决于物理特征，技术过时率以及将信息从一种介质传输到另一种介质的过程。相比之下，人类甚至难以准确回忆个人信息，很容易操纵他们记住的内容，并且由于大脑适应外部输入的可塑性而系统地遗忘。

计算机和大脑之间的架构差异似乎解释了大部分观察到的性能差异，尽管计算机科学家热衷于缩小其中一些差异。那么问题就变成了：如果架构差异可以缩小，那么计算机是否还会比目前具有比较优势的大脑表现得更好？换句话说：沿着计算机目前具有优势的维度改进计算机，而不是试图模仿大脑，这不是更可取吗？在下文中，我将重点介绍从效率角度来看相关的四个区别。

第一个区别源于大脑的平行结构，与计算机的串行方式相比。机器学习方法在计算机科学中的大规模扩展表明，通过在计算机中并行计算可以实现巨大的效率提升。从本质上讲，处于人工智能最新进展核心的神经网络使用相互堆叠的并行节点层，类似于大脑中的结构，至少是一阶。然而，研究人员越来越认识到，解释性能差异的不仅是平行结构，还有神经元连接的特定方式。事实上，特定网络拓扑在解释该网络功能方面的重要性目前是一个活跃的研究领域，一些见解已经反映在神经网络的设置方式中，以进一步提高其性能。与此相关的是，大脑似乎天生就要完成对我们的社会经验很重要的特定任务，例如，我们识别人脸或字母的能力似乎在我们的大脑中根深蒂固。此外，即使我们从未接触过语言的全部丰富性，也可以学习语言。这种“预训练”虽然越来越多地用于机器学习应用程序，但我们的大脑特别节能，只是不那么灵活。

第二个区别在于记忆在大脑中的特定结构方式。记忆丧失可以通过逐渐删除不再需要的信息从而提高大脑的能量效率。此外，我们是动态分发和存储内存，信息不需要四处移动和读出，而是可以在需要的地方准确访问。这激发了最近的研究，开发集成内存计算电路，允许在进行计算的地方存储信息，即所谓的“内存电阻器”。到目前为止，这仍然是实验性的，尚未在大规模计算中成功实现。

第三个也是最具决定性的区别在于信息记录在神经元中的方式不同。计算机以二进制格式的小的、固定大小的块的形式处理信息，即所谓的字节。无论计算机类型如何，在操作过程中的任何时间点，组成每个字节的大量单个位都处于活动状态。换句话说，计算机使用信息的“密集表示”。更重要的是，每当这样的位通过计算操作失去其动作电位时，能量就会被释放出来。相比之下，神经元已被证明以稀疏表示方式运作，当大量潜在链接的一定（小）百分比处于活动状态时，神经元的单个树突被激活，通常低于5%。稀疏表示不仅比密集表示消耗更少的能量，它们的抗错鲁棒性也相当高。这种是能源效率的关键因素之一，因为它避免在标准计算设备上完成的昂贵的纠错。

最后，虽然这些架构差异主要指向硬件的差异，但稀疏性也是计算机和大脑之间算法差异的一个重要问题。人类处理了两种主要的决策模式：缓慢，优化和计算决策过程以及快速、启发式例程。后者可能带有认知偏差，但允许快速决策，特别是在压力和高威胁时期。启发式通常是特定领域的，这就是为什么它们在其他领域的应用通过不考虑所有相关选项来诱导认知偏见。同时，它们快速且节能。大脑在这方面的作用是识别具体情况，并为每个决策问题调动相关资源。

综上所述，计算机的具体优势在于快速、高精度的计算，例如设计高科技设备或快速搜索可用的人类知识库（或蛋白质折叠）所需的计算。相比之下，人类大脑已经进化到可以应对我们的社会环境带来的特定挑战，其中同理心和理解社会环境起着重要作用。在这里，协调、协作和对不断变化的社会环境的适应性是集体成功的关键，这是计算机难以完成的任务，因为它是为固定数量的任务编程的。因此，比较计算机与大脑的相对性能的第一个结果是大脑与计算能力的互补性而不是可替代性。这与其他研究表明人工智能作为一种变革力量而不是破坏性力量的重要性密切相关。

因此，一般数字设备的技术发展，特别是人工智能驱动的工具，表明在当前技术范式下，生态足迹呈指数级增长。对精度需求不断提高推动的模型尺寸增长的简单预测表明，经济和生态成本将很快变得不可持续（见表2）。

表 2.深度学习的计算成本

3.2. 信息规则：对市场结构的影响

这种高能耗的直接后果是人工智能公司的市场集中度不断提高，人工智能应用程序集中在最有利可图的应用程序周围，如图2所示。能源消耗指数增长所隐含的经济成本上升的直接后果之一是“人工智能研究的缩小”。

缩小的人工智能研究以及不断上升的生态和经济成本导致市场集中，无论是在开发和训练新的大型模型还是在相关的数字应用中，例如加密货币市场中的区块链应用，在这些应用中可以观察到类似的寡头垄断集中趋势。

还有另一股力量推动数据经济走向集中：数据收集的网络外部性。个人数据有三个特征将其与标准商品和服务区分开来：（1）其提供几乎是无成本的，并且通常是作为其他活动的副产品（例如在线购买商品）;（2）一旦提供，可以免费共享和重复使用;（3）最后，除了某些极端情况（例如罕见疾病）外，其个体价值几乎可以忽略不计。只有作为更大数据库的一部分，个人数据才能产生一些经济价值，例如为了确定客户资料或申请人的特征。这种网络外部性会导致集中效应。

许多现有平台已经发展得如此之大，以至于它们要么先发制人地购买潜在的竞争对手，要么对可能的新来者使用掠夺性定价策略，以限制他们的增长或完全减少进入（例如亚马逊）。因此，生产力的提高高度集中在少数几家规模越来越大的公司手中，普通公司几乎没有经历过任何生产力增长。

在一个价格几乎可以通过算法即时调整的世界里，算法会相互学习行为，并默认利润最大化而非福利最大化的定价策略，例如在线药品销售商、机票定价和零售汽油市场。传统的反垄断监管将难以识别此类案件，因此存在一种风险，即扩大人工智能在确定价格和工资方面的使用不仅会导致进一步的集中和寻租行为，而且还会显着降低社会整体福利和效率。

3.3. 为什么生产力没有增长？

要理解这个难题，国家生产力增长需要分解为几个组成部分：生产力的总体增长是企业或工厂层面生产力提高以及这些收益在整个经济中传播的产物。简而言之，生产力=创新×扩散。

在公司层面，一般新技术的引入，特别是人工智能，总是面临着工作流程的必要重组。由于这种重组需要时间和精力，因此产生了J曲线效应：每项新技术都需要重组形式的前期成本，这实际上可能会降低生产力和企业盈利能力。然而，一旦这些调整成功进行，生产力将高于调整过程开始时的水平。在企业层面，确实有证据表明，最近围绕人工智能和机器人化的专利申请激增，导致全球企业生产力的提高，尤其是在中小企业和服务业中。尽管人工智能和机器人化推动了企业和部门层面的生产力提高，但总体表观劳动生产力增长放缓，这表明一定有其他阻碍因素。

人工智能研究的缩小暗示了一种可能性，人工智能应用的快速增长可能集中在监控软件和人力资源管理工具上，这些工具对工作场所组织的影响大于对整体生产力提高的贡献。这种软件引发的部分重组与其说影响企业的整体创新能力，不如说影响企业的创新类型，对企业的盈利能力和员工产出影响不大。

另一个因素涉及其对市场竞争程度的影响，与数据经济的分配后果密切相关。人工智能等创新产生的熊彼特租金需要通过高度可替代商品和服务的新生产者的进入而逐渐削弱，以便能够广泛传播生产力收益。当这种增长模式在大量不相关的部门普遍存在时，它们将国家引向高速和持续的经济发展道路。然而，随着数字资本主义和数据市场的到来，平台提供商和人工智能创新者产生的数据租金只在经济中部分扩散，从而降低了劳动力收入份额以及总需求，这种趋势自20世纪80年代计算机革命到来以来一直持续到今天。

4. 解决人工智能三元悖论

为了克服AI三元悖论，制度框架转变为需求拉动技术是必要的。下面的图5总结了解决 AI 三元悖论的方案。

图5.解决人工智能三元悖论

4.1. 解决能源-集中度问题：改变能源-劳动力平衡

人工智能的应用大多属于提高全要素生产率的创新范畴。效率提高对劳动力市场的这种间接影响可以通过具体的干预措施来补充，政策制定者和社会合作伙伴可以在以下三个方面帮助引导技术变革，使其成为工人的补充而不是替代品：

• 第一个也是最直接的方法是通过研发激励和税收抵免：如图2 所示，对人工智能的投资高度集中在少数几个领域，主要与过度自动化有关。这种干预总是可能的，并可能在人工智能的发展及其社会影响方面带来更加平衡的发展。

• 第二种干预措施通过减轻劳动力的税收负担而起作用，将税收负担从劳动力转向能源消耗可以解决人工智能对资源和劳动力的不利影响。收入中性税制改革对消费税的一个经常被忽视的渠道是，它加强了收入分配低端的劳动力供给激励，从而部分纠正了其累退收入效应。

• 最后，引导人工智能的资源高效型发展在多大程度上对工作和工作条件产生积极成果的最间接和最具挑战性的方法是加强劳动力市场机构，例如影响公司层面技术选择的工作委员会。事实证明，这种体制安排会影响在工作场所一级应用和实施技术的方式。在这里设想的情景中，活动将在受益于人工智能触发的资源效率提高和有利于合作劳动关系的制度比较优势的部门和职业中发展。

4.2. 解决生产力-能源问题：鼓励使用网络化应用

并非所有人工智能应用程序都受到人工智能三元悖论的影响。特别是已经提到的网络化应用程序在降低资源消耗和提高包容性方面具有特别好的表现的潜力，例如能源管理、交通管理和远程工作。

• 能源管理：随着可再生能源越来越确保能源生产，管理不同司法管辖区（在欧洲尤其严重）和多样化能源的复杂电网对电网管理构成了巨大的挑战。未能正确管理和预测外部事件可能导致电网中断。将物联网设备和智能电表结合到智能电网中一直是能源行业发展的重点。除了电网管理，预防性维护和智能消费也是研究和开发的主要领域，可以帮助降低停电风险和整体消耗。

• 智慧城市：物流管理是现代通信网络和复杂供应链管理已经利用人工智能工具的领域。同样，有关单个运输的模式互联性的应用也越来越受到关注，特别是在运输供应弹性有限的领域。通过人工智能驱动的工具管理此类交通网络将允许提高交通流动性并更有效地管理有限的基础设施容量。

• 远程工作：发达经济体在2020/21年度疫情引发的居家工作方面表现出了惊人的韧性，数字基础设施和个人计算设备使很大一部分劳动力能够继续他们的经济活动。但目前为止，远程办公的收益微乎其微，企业领导者和员工仍在努力弄清楚如何最好地利用在家工作提供的新灵活性。人工智能工具可以证明是至少部分解决这一挑战的重要答案，开发复杂的调度软件并帮助在高度分散的员工网络中保持信息完整性。

总之，这些人工智能工具有潜力解决总资源效率问题，而不是用资本代替劳动力，从而使我们更接近解决人工智能三元悖论。

4.3. 解决集中度-生产力问题：租金再分配

正如前面的讨论所表明的那样，这些变化不仅需要调整技术的发展方式，还需要调整创新者和企业运营的机构和政策环境，包括以下三种方法：

• 第一个传统的答案是尝试使用税收来更好地获取资本收益，同时将税收压力从劳动力转移到资本上。这经常与机器人税有关。一方面，它将允许获取数字公司的巨大利润。另一方面，税收公平将得到恢复，这可以缓解劳动力要素，缓解合理化和失业的压力。然而，在全球经济中，政府对国际运营公司征税的金额有严格的限制。将税收扩大到数字服务消费而不是利润的尝试正在受到那些拥有无数大型数字公司的国家的抵制。此外，如前所述，如果要妥善解决三元悖论，税收负担需要从劳动力转向能源消耗。

• 第二种更具创新性的方法是确保数字企业之间更大的竞争，例如，使用统一的标准和协议使平台之间的数据传输变得容易。一些解决方案还提出了数据所有权，以便为那些通过使用平台提供数据的人提供金钱激励。然而，到目前为止，这些解决方案还没有完全开发和实用。此外，只有极少数用户可以从这种方法中获得相对较大的利润，而绝大多数用户几乎没有期望。转换平台或获得金钱回报的动机太低，无法解决人工智能的三元悖论。

• 最后一个很少有争议的解决方案是建立一个主权数字财富基金，广泛参与数字经济。目前，已经建立了与自然资源等有形公共产品相关的主权财富基金（SWF）。主权财富基金将这些资源的开采留给私营公司，投资于这些活动，以造福政府等公共股东。这使得这种公共产品的好处能够传递给广泛的人群。然而，主权数字财富基金不是靠油井（如沙特阿拉伯、挪威）或鱼类种群（如阿拉斯加）为食，而是通过税收和新债务提供资金，以便通过投资广泛的创新数字公司基金来产生回报。

5. 结论

现阶段，克服人工智能三元悖论的大部分方案仍然是推测性的，因为定向技术变革的整体影响尚未经过大规模测试或实施。所需的一些制度转变可能会受到强大的现有企业的抵制。

在技术层面，个别应用显示出解决当前技术变革方向的缺点的潜力，但在撰写本文时缺乏真实世界的例子。随着新应用程序的大规模开发和实施，有必要进行仔细的实证研究，以评估它们在多大程度上能够真正解决人工智能三元悖论。鼓励减少资源使用和减少雇用劳动力的税收罚款的政策转变有助于促进更具社会效益的数字工具的开发。例如，通过建立类似于现有自然资源管理模式的主权数字财富基金，应该采取更积极的立场来加速向克服人工智能三元悖论的新技术范式的过渡。本文所主张的从供应推动到需求拉动的技术体制的转变，需要进一步分析有助于克服三元悖论的具体应用。特别是，除了这些变化的技术可行性之外，还需要仔细查明和解决具体的体制障碍，开辟另一个有趣的研究途径。

原文链接：

https://www.frontiersin.org/articles/10.3389/frai.2022.886561/full