这些利润可能归一个组织所有，也许是OpenAI。当一个行业的固定成本很高，或者很难转向竞争对手时，往往就会出现垄断。例如，客户除了洛克菲勒的石油外几乎别无选择，也无法生产自己的石油。生成式人工智能具有一定的垄断性。据报道，OpenAI最新的大语言模型GPT-4的培训成本超过1亿美元，很少有公司有这么多闲钱。还有很多关于训练模型所需数据的问题，更不用说用户反馈了。
然而，一家公司垄断整个行业的可能性很小。更有可能的情况是，少数大公司相互竞争，就像在航空、食品杂货和搜索引擎领域发生的那样。没有任何人工智能产品是真正独一无二的，因为所有产品都使用类似的模型。这使得客户更容易从一款产品切换到另一款产品。这些模型背后的计算能力也基本通用，大部分代码以及技巧和窍门，都可以在网上免费获得，这意味着业余爱好者也可以制作他们自己的模型，而且通常表现非常好。
风险投资公司Andreessen Horowitz的一个团队认为：“如今，在生成式人工智能领域似乎没有任何完整的护城河。”最近据称来自谷歌的泄密也得出了类似的结论：“进入人工智能培训和实验的门槛已经大为降低，原来需要大型研究机构全力以赴，现在则只需一个人、一个晚上和一台功能强大的笔记本电脑。”目前已经有几家价值超过10亿美元的生成式人工智能公司，而且新人工智能时代最大的企业赢家甚至不是一家人工智能公司，而是为人工智能模型提供动力的芯片公司英伟达，其来自数据中心的收入正在飙升。
对个人有何影响?
尽管生成式人工智能可能不会创造出一个新的强盗大亨阶层，但对许多人来说，这并不能带来多少安慰。他们更关心自己的经济前景，特别是他们的工作是否会消失。可怕的预言比比皆是。OpenAI的泰纳·埃伦杜及其同事估计，“大约80%的美国劳动力至少有10%的工作任务会受到引入LLM的影响”。普林斯顿大学的爱德华·费尔顿和他的同事进行了类似的实验。法律服务、会计和旅行社在最可能被淘汰的职业中名列前茅。
经济学家此前也曾发表过悲观的预测。在2000年左右，许多人担心外包对富裕国家工人的影响。2013年，牛津大学的两位学者发表了一篇被广泛引用的论文，认为自动化将在未来十年左右消灭美国47%的工作岗位。另一些人则认为，即使没有大范围的失业，也会出现“空心化”，即报酬丰厚的高薪工作消失，取而代之的是不需要动脑的低薪工作。
然而，实际发生的事情让人们大吃一惊。在过去的十年里，富裕国家的平均失业率大约减少了一半，适龄劳动人口的就业比例达到历史最高水平。自动化和机器人普及率最高的国家，如日本、新加坡和韩国，失业率最低。美国劳工统计局最近的一项研究发现，近年来，由于新技术而被归类为“有风险”的工作，“没有表现出任何明显迅速失业的总体趋势”。“空心化”的证据好坏参半。工作满意度指标在2010年左右有所上升。在过去十年的大部分时间里，最贫穷美国人的工资增长速度比最富有的人更快。
然而，这一次可能会有所不同。最近，一家提供家庭作业帮助的公司Chegg在承认Chatgpt“影响了我们的新客户增长率”后，其股价下跌了近半。芯片巨头IBM的首席执行官表示，该公司预计将在未来几年暂停招聘可能被人工智能取代的职位。但这些是海啸即将来临的早期迹象吗?也许不是。
想象一下，当人工智能将超过50%的任务自动化时，一份工作就会消失。或者想象一下，工人被淘汰的比例与整个经济中自动化任务的总份额成正比。根据埃伦杜的估计，无论哪种情况，这都将导致美国净流失大约15%的工作岗位。有些人可能会转移到劳动力短缺的行业，比如酒店业。但失业率的大幅上升肯定会紧随其后，甚至会达到2020年新冠肺炎疫情最严重时15%的水平。
这种假设的问题在于，历史表明，就业岗位的消失速度要慢得多。早在1892年，取代人工接线员的自动电话交换系统就已经被发明。但直到1921年，贝尔系统公司才安装了他们的第一个全自动办公室。即使在这个里程碑之后，美国人工电话接线员的数量仍在继续增长，在20世纪中叶达到了35万人左右的峰值。直到20世纪80年代，自动化发明90年后，这个职业(大部分)才消失。人工智能将在不到90年的时间内席卷劳动力市场：LLM易于使用，许多专家对普通公众将Chatgpt融入他们生活的速度感到惊讶。但这一次，职场采用技术缓慢的原因也将同样适用。
在最近的一篇文章中，硅谷风投公司Andreessen Horowitz的马克·安德森概述了其中部分原因。安德森的论点集中在监管上。在教育和医疗等有大量政府参与的经济领域，技术变革往往慢得可怜。缺少竞争压力削弱了改进的动力。政府也可能有公共政策目标，比如最大限度地提高就业水平，这与提高效率背道而驰。这些行业也更有可能成立工会，而工会通常会竭力阻止失业。
这样的例子比比皆是。尽管部分或全部取代伦敦地铁司机的技术已经存在了几十年，但这类司机的收入依然接近全国平均水平的两倍。政府机构仍然要求你一遍又一遍地填写提供个人信息的纸质表格。在全球人工智能热潮的中心旧金山，现实生活中的警察仍被雇佣在高峰时段指挥交通。
人工智能并非万能
许多受到人工智能威胁的工作岗位都在这些受到严格监管的行业中。普林斯顿大学的费尔顿在论文中阐述称，在与人工智能接触最多的前20个职业中，有14个属于教育领域。但很少有政府会决定用人工智能取代教师。这同样适用于警察，人工智能不能完全替代打击犯罪的人。意大利曾以隐私问题为由封禁了Chatgpt，据说法国、德国和爱尔兰也在考虑效仿，这表明各国政府已经对人工智能可能对就业造成的破坏性影响感到担忧。
也许，随着时间的推移，政府会允许某些工作被取代。但这种延迟将为经济创造空间，使其发挥其一贯的作用：在其他工作岗位被淘汰的同时，创造新的工作岗位。通过降低生产成本，新技术可以创造更多的商品和服务需求，催生难以自动化的工作岗位。麻省理工学院的大卫·亚瑟及其同事在2020年发表的一篇论文给出了一个惊人的结论：在1940年，美国大约60%的工作是不存在的。2000年人口普查中增加了“指甲技师”这一职业。“太阳能光伏电工”是五年前才出现的。人工智能经济很可能创造出今天甚至无法想象的新职业。
劳动力市场受到的温和影响很可能转化为对生产率的温和影响。19世纪末，美国开始在工厂和家庭中使用电力。然而，直到第一次世界大战结束，生产率才出现大幅增长。个人电脑是在20世纪70年代发明的。这一次，生产率的提高来得更快，但当时感觉还是很慢。1987年，经济学家罗伯特·索洛说了一句名言：计算机时代“无处不在，生产率统计数据除外”。
世界仍在等待与最近创新相关的生产率激增。智能手机已经被广泛使用了10年，数十亿人可以使用超高速互联网，许多员工现在在办公室和家庭之间轮换工作。官方调查显示，超过十分之一的美国员工已经在使用某种人工智能的公司工作，而非官方调查则表明这个比例更高。尽管如此，全球生产率增长依然疲软。
人工智能最终可能会大大提高某些行业的生产率。斯坦福大学的埃里克·布林约尔弗森及其同事发表的一篇论文对客户支持代理进行了研究，发现使用人工智能工具平均每小时解决的问题数量会增加14%。研究人员本身也可以变得更有效率：GPT-x可能会给他们提供无限数量的、几乎免费的研究助手。其他人则希望人工智能能够消除医疗保健领域的低效管理，降低成本。
但还有很多事情是人工智能无法做到的。建筑和农业等领域的蓝领工作就是一个例子，这些工作约占富裕国家GDP的20%。对于采摘芦笋的人来说，LLM的用处不大。对于修理漏水水龙头的水管工来说，它可能会有些用处：一个小工具可以帮助识别水龙头，诊断故障，并提出修复建议。不过，最终的体力活还是需要水管工去完成。因此，很难想象，几年后，蓝领工作的生产率会比现在提高很多。同样的道理也适用于人与人之间频繁接触的服务行业，如酒店和医疗保健。
人工智能对阻碍富裕世界生产率增长的最大问题也无能为力，即计划系统失灵。当城市规模受限、住房成本高企时，人们就无法在效率最高的地方生活和工作。无论你的社会有多少聪明的新想法，如果你不能及时实现它们，它们依然发挥不出作用。
有些时候，人工智能经济的生产率甚至会下降。看看最近的某些新技术：智能手机可以实现即时通信，但也会让人分心。通过电子邮件，你可以全天候保持联系，这会让你很难集中注意力。加州大学欧文分校、微软研究院和麻省理工学院的研究人员在2016年发表的一篇论文中发现，“每天花在电子邮件上的时间越长，人们感觉工作效率就越低”。有些老板现在认为，曾经被视为提高工作效率的在家办公，给了太多人偷懒的借口。
富于创造力的人工智能本身可能会消耗生产力。例如，如果人工智能可以根据你的每一个愿望完美地制作娱乐节目，会发生什么?此外，很少有人考虑可以立即生成大量文本的系统会产生何种影响。垃圾邮件将更难被发现，欺诈案件可能会激增，银行将需要在预防攻击和赔偿损失方面投入更多资金。
这正是我们需要的
在一个人工智能盛行的世界里，律师数量会越来越多。布朗·鲁德尼克律师事务所的普雷斯顿·伯恩表示：“在20世纪70年代，你可以在15页纸上完成一笔数百万美元的交易，因为重新打字是件麻烦事。人工智能将允许我们在初稿中就涵盖1000种最可能的边缘情况，然后各方将为此争论数周。”
美国的经验法则是，除非你希望得到25万美元或更多的赔偿，否则提起诉讼、要求损害赔偿是没有意义的，因为你需要花同样多的钱上法庭。现在，诉讼费用可能降至接近于零的水平。与此同时，教师和编辑需要检查他们阅读的所有内容并非都由人工智能编写。OpenAI已经发布了一个程序，可以让你做到这一点。因此，它正在为世界提供解决其技术所带来问题的办法。
人工智能可能会以今天无法想象的方式改变世界，但这并不等同于把经济搞得天翻地覆。正如福格尔在他的研究中所指出的那样：“前面的论点并不是为了反驳铁路在19世纪美国发展中发挥了决定性作用的观点，而是为了证明这种观点所依据的经验基础并不像通常认为的那样坚实。”在21世纪中叶的某个时候，未来的诺贝尔奖得主在研究生成式人工智能时，很可能会得出同样的结论。