1. 首頁 > 生活百科 > >

摩爾線程天使投資人：對近期AI的四十個觀察

機器人人工智能華大基因

摩爾線程天使投資人：對近期AI的四十個觀察


機器之心發布
本文作者為摩爾線程天使投資人、中國初代 AI 投資人王捷 。 他于今年 8 月發表了《浮現中的 AI 經濟》一文 ， 對即將到來的 AI 經濟進行了展望和解讀 。 本篇文章是他近期對當前 AI 的思考的小結 。
關于 AI 經濟的四十個問題
《浮現中的 AI 經濟》（以下簡稱 “文章”）發表以來 ， AI 行業繼續發生了眾多大事 ， OpenAI 牽頭的千億美金 “循環交易” 引發 “AI 泡沫論” 大討論 ， 模型公司估值來到數千億美金級別 ， 而 Gemini 3 和 GPT5.2 等新發布模型版本又持續體現了能力進步 ， 中國模型也持續在開源領域保持全球領先 。
我們看到 ， 與 AI 相關的歷史事實 ， 正繼續以 “非線性、非均勻” 的特征往前發展：Scaling Law 并未收斂 ， AI 行業繼續呈現加速發展的特點 ， 與 AI 相關的經濟活動規模來到了前所未有的量級；同時 ， 歷史進程呈現出 “非均勻” 的面貌 ， 雖然人們是在同一個時空下 ， 但是與 AI 有關的經濟社會活動 ， 和與 AI 無關的經濟社會活動 ， 看起來不在同一個歷史進程中 ， 前者正以強大的動能迅猛往前發展 ， 而后者維持著我們所熟悉和習慣的、傳統工業經濟的節奏和特點 。
另外 ， 文章發表以來 ， 一些行業領袖表達了與文章類似的觀點 ， 如馬斯克認為社會將進入 “全民高收入” 時代 ， 黃仁勛推測 AI 將把全球 GDP 推高 5 倍至 500 萬億美元 ， 黃仁勛對于 “AI 工廠”、“數字員工” 的討論 。 如何在有效框架下具體地討論這些問題 ， 越發成為大家共同的關注 。
基于以上 ， 為了集中回應讀者朋友對于文章的興趣 ， 也為了對文章所表達的內容做更進一步的闡述 ， 我們整理了關于 AI 經濟的四十個重要問題 ， 供關心 AI 大模型接下來對于經濟、社會影響的朋友們參考 。
我們希望這些觀察 ， 之于即將展開的 AI 經濟 ， 能對其為什么會發生、將有哪些結構性特征 ， 給出一些可參考的觀察；對于 AI 經濟將要如何展開 ， 給出一些理解、預判的視角、基準和指標；對于 AI 大模型即將帶來的對于社會、經濟的全面影響 ， 給出一些觀察和分析的基礎框架 。 在一個即將展開的未知大時代 ， 我們相信要揭開其全貌 ， 提出問題 ， 是開始的方式之一 。
問題一：Transformer 架構的 Scaling Law 在何處收斂？
Scaling Law 啟動了我們當前所在的 AI 大模型發展的大浪潮； Scaling Law 作為 AI 大模型行業發展的基石 ， 將會在何種條件下、什么時候收斂？問題二：Transformer 之后 ， 下一個將 AI 智能往前大幅推進的架構是什么？會誕生在哪里？
這會決定我們到達 transformer 架構下的 AI 能力上限后 ， 繼續往哪里走； 目前全球眾多 AI 研究機構在做這方面的探索；正如 2015 年成立的 OpenAI 帶來了這一輪的大語言模型浪潮 ， 目前的邊緣地帶在十年后又可能成為最重要的技術推動力量 。問題三：我們需要知道更多關于 AI 大語言模型基礎規律
目前 ， 我們已經知道大語言模型的推理成本每 12 個月下降 90%、能力密度約每 100 天翻一番、完成復雜任務的能力每七個月翻倍等一些關于大語言模型的規律； 我們能否發現 AI 大語言模型的 “摩爾定律”？問題四：AI 將以什么樣的順序、在什么時間擴散到各個行業、整個社會？
回看蒸汽機和電力的擴散過程 ， 基本分為核心原理成熟、工程化成熟、跨行業和規?；渴?、成為基礎設施四個階段； 當前的 AI ， 處在核心原理成熟當中（Scaling Law 尚未收斂）、工程化尚有巨大發展空間（如 Deepseek、Kimi 通過工程優化都實現了明顯提升模型效能）、跨行業和規模化部署處在早期（各行業的專用 agent 均剛剛出現 ， 都還在探索各自行業適用 AI 的最優解） ， 這樣一個階段； 蒸汽機完成上述過程用了 120–150 年 ， 電力完成上述過程用了 80–100 年； 我們初步預計 ， AI 完成上述整個過程可能會用 40–60 年；AI 的研究始于 1956 年的達特茅斯會議；如果把 2012 年的神經網絡 AlexNet 作為核心原理成熟的起點的話 ， 那 AI 可能在 2035 到 2050 年完成上述過程 。問題五：Transformer 架構的 Scaling Law 收斂時 ， 對應的 AI 工作能力是怎么樣的？需要一套對于 AI Agent 工作能力的評測體系
也就是 ， 屆時全球最領先的 AI 大模型所具備的 “工作能力” ， 將會達到什么水平？對于這里的 AI 工作能力 ， 我們需要量化的評估指標 ， 即一套對于 AI Agent 工作能力的評測體系； 當前流行的各項 AI 能力評測基準 ， 評測任務基本不來自于真實經濟活動；我們需要構建評測任務來自于真實經濟活動的評測基準； 以上評測體系 ， 可以讓我們知道不同推理能力的 AI 大語言模型的 ROI / 創造價值能力 。問題六：關于 “經濟圖靈測試”
在文章中我們提到 ， 對于從事經濟活動的 AI 而言 ， 更好的評估基準是專門來評估其從事經濟活動的能力 ， 我們將其命名為 “經濟圖靈測試”； 基于問題五提到的評測體系 ， 我們應該有能力構建可用的 “經濟圖靈測試” 標準 ， 來評價什么情況下我們認為 AI 獨立完成了經濟任務 ， 什么情況下我們的經濟和社會可以完全接受 AI 完成的工作結果 ， 以及我們是否同意 AI 持續為我們完成這樣的工作 。問題七：關于產出增強倍數（Output Augmentation Multiple）
用一個經濟體中一個勞動力一年的總成本 ， 投入到 AI 和機器人系統執行該勞動力同樣的任務 ， 所得到產出與該勞動力一年產出的比值 ， 我們稱之為 “產出增強倍數”； 產出增強倍數 ， 是這次由 AI 驅動的工業革命帶給人類的結果的最顯式和簡潔的表達：同樣的投入 ， 人干和 AI 干 ， 后者的產出是前者的多少倍？ 在數字世界和物理世界 ， 產出增強倍數各是多少？哪些行業的產出增強倍數高 ， 哪些行業的產出增強倍數低？問題八：不同行業、不同經濟體、AI 經濟不同發展階段的產出增強倍數各是多少？
不同行業、不同經濟體的產出增強倍數各不相同；當我們有足夠多的樣本 ， 我們將可以統計出這些產出增強倍數各是多少；這些產出增強倍數將為我們提供不同行業、不同經濟體的 “AI 濃度” 和 “AI 有效度”； 在 AI 經濟的不同發展階段 ， 會有不同的產出增強倍數；隨著 AI 對于全球經濟產出的貢獻越來越大 ， 對于產出增強倍數的跟蹤 ， 將有助于我們理解整個這次 AI 工業革命 。問題九：在問題一的收斂狀態到來時 ， AI 帶來的工作能力會把一個經濟體的全要素生產率提高百分之多少？會把穩態下的全球 GDP 增長率提高百分之多少？以及 ， AI 生產力會把全球的 GDP 提高到目前全球 GDP 的多少倍？
我們知道 ， 全要素生產率決定一個經濟體的長期經濟增長率 。 如果 AI 的工作能力提高了全要素生產率 ， 那也會提高全球的長期經濟增長率 。 第三問是問題七的加總：也就是我們在文章中提到的 ， “N 倍于當前人類經濟總產出的產出能力”； 現在大家對此有很多積極的猜測 ， 比如黃仁勛認為是 5 倍；但是 ， 我們需要更多扎實的基礎性統計和計算工作 。問題十：我們會怎樣進入 “非稀缺經濟”？
對于一個經濟體 ， 我們將有機會定義其單位時間的 “產出/需求比”（Output–Demand Ratio） ， 即該經濟體的單位時間總產出 ， 比上該單位時間該經濟體總需求的倍數； 當單位時間的 “產出 / 需求比” 大于多少時 ， 人們會感覺處在一個 “非稀缺經濟” 中 ?！皵底謱邮沟妹總€個人的腦力的差異 ， 在經濟活動中被很大程度上抹除了 —— 新的情況是 ， 只要有足夠的電力和算力 ， 你可以讓無數個擁有科學家般智商的數字員工替你無休止地工作 。 ”
問題十一：文章提到 AI 經濟階段將可能出現的一個重要基礎設施是 “數字層” 。 “數字層” 由用戶的個人 AI 助理和各個垂類的 AI Agent 組成 ， 全面了解消費者和生產者等經濟主體 ， 也全面了解物理世界 。 “數字層” 的工作機制是怎么樣的？
基于對個人 AI 助理和各個垂類的 AI Agent 的觀察 ， 我們可以初步說 ， 當前正在出現的 “數字層” 是以 LLM 為決策核心、以 Agent 為執行單元、在狀態 — 目標 — 行動閉環中持續運行的代理化操作層 。 以 chatbot 為例 ， 它可以接收用戶的問題和關于用戶的環境信息 ， 通過模型計算生成回答（可能結合實時信息獲取模塊） ， 發送給用戶；可以全天候工作 。 以 agent 為例 ， 它可以接收用戶任務和環境信息 ， 以任務為目標自主規劃執行策略 ， 收集所需信息 ， 調用工具并執行 ， 給用戶交付該任務要求的結果；可以全天候工作 。 以 AI 硬件 / 機器人為例 ， 它可以感知和接收用戶的環境信息 ， 接收用戶提出的任務 ， 理解需求后自主規劃執行策略 ， 收集需要的信息 ， 調用工具并執行 ， 給用戶交付該任務要求的結果；可以全天候工作 。 “數字層” 具有目標導向、自主搜索 / 獲取信息、自主決策、自主行動、全天候的特點 。問題十二：為什么數字層可能構建 “全知全能” 的能力？
數字層承接了互聯網和移動互聯網的連接基礎 ， 最終將連接全球所有的互聯網和移動互聯網用戶 ， 也就是全球經濟活動中幾乎所有的消費者和生產者 。 由于數字層可以完整執行 “收集信息 - 決策 - 行動” 鏈條 ， 數字層將成為每位消費者和生產者在經濟活動中的 “代理者” ， 在數字層能夠賦能到消費者和生產者的任務中 ， 幫助消費者和生產者完成該任務 。 一段時間之后 ， 數字層會對使用它的消費者和生產者形成深度、完整的了解 。 所有數字層主體是通過數據協議相通的 ， 它們都處在同一個互聯網網絡體系上 。 他們對作為各自用戶的消費者和生產者的了解加總后 ， 會形成對全球所有消費者和生產者近似于 “全知” 的了解 。 擁有了對全球所有消費者和生產者近似于 “全知” 的了解 ， 數字層本身又可完整執行 “收集信息-決策-行動” 鏈條 ， 也就會形成近似 “全能” 的能力 。問題十三：“數字層” 如何降低交易成本？
文章中提到 ， 交易成本包括組織成本（組織內）和狹義的交易成本（組織間） 。 文章的角度是 AI 作為工具來輔助人 ， 討論了 AI 輔助人的情況下 ， 兩種交易成本是如何降低的 。 另一種情形是 ， AI Agent 成為行動主體 —— 數字員工 。 這也會產生擁有數字員工的公司 。 這種情形下 ， “數字層” 也將有效地降低組織內和組織間兩種交易成本 。 交易成本的下降 ， 也會對 AI 生產力的提高起貢獻作用 。問題十四：“分散知識” ， 都會上傳到數字層嗎？“分散知識” 未來將如何發現、積累和傳承？
哈耶克認為 ， “社會經濟問題即：人們如何才能夠確使那些為每個社會成員所知道的資源得到最佳使用的問題 ， 也就是如何才能夠以最優的方式把那些資源用以實現各種唯有這些個人才知道其相對重要性的目的的問題 。 ” 而 “有關各種情勢的知識（the knowledge of the circumstances） ， 從來就不是以一種集中的且整合的形式存在的 ， 而僅僅是作為所有彼此獨立的個人所掌握的不完全的而且還常常是相互矛盾的分散知識而存在的 。 ” 即 ， 因為真實世界的多樣和復雜性 ， 從事經濟活動的人們在不同領域形成了專長和比較優勢 ， 有了社會分工和交換 ， 這是我們經濟活動的基本結構；同時 ， 從事不同領域經濟活動的人們也形成了對該領域專門的認知、經驗和知識 ， 即上一段所說的 “分散知識” 。 這些 “分散知識” ， 是在每一個有傳承的行業群體中 ， 由該行業的第一代人開始發現 ， 經由后面的每一代人繼續發現、積累和傳承 ， 到目前我們所處的這一代人腦中 。 這些 “分散知識” 通常以行業最佳實踐、行業標準操作流程（SOP）、行業操作守則、該行業核心群體視之為財富的經驗和認知等形式存在 ， 是該行業的核心知識 ， 為該行業的核心群體所護衛 ， 會被嚴格控制傳播范圍 ， 不會輕易傳播為大眾所知 。 這些 “分散知識” ， 正是各個行業的從業人群 ， 在此行業的經濟活動中謀得成果和經濟利潤的信息和知識基礎 。 目前我們可以看到 ， 各個行業的 “分散知識” ， 都正在被上傳到由 agent 構成的數字層中 。 數字層中的 agent 可以執行經濟任務 ， “分散知識” 被上傳至數字層后 ， 將通過數字層中億萬個 agent 持續發揮作用 。 未來 ， 當數字層執行的經濟任務在人類所有經濟任務中占比達到大部分或者絕大部分時 ， 是否意味著 ， “分散知識” 的發現、積累和傳承 ， 將主要在數字層中進行？這些過程與之前人類的這類過程有什么區別？問題十五：“數字層” 將如何幫助、提升、增強用戶？
從有計算機開始 ， 人們就希望計算機能夠輔助和增強人類 ， 如 “互聯網之父” J.C.R. Licklider 在 1960 年的經典論文《Man-Computer Symbiosis》指出 ， 計算機的價值在于放大（amplify）人類思考與推理的能力 ， 計算機應該作為人類的 “認知放大器（cognitive amplifier）”； “有限理性” 的提出者赫伯特?西蒙認為 ， 人類認知能力受限于注意力、記憶、計算能力 ， 因此是 “有限理性”；計算機可以提供搜索、計算、模擬與信息組織能力 ， 因此能夠擴展（amplify）人類的有限理性； “數字層” 全面輔助人與物理世界的互動 ， 進一步提高人類 “收集信息 - 決策 - 行動” 全鏈條的理性化程度 ， 是人類理性化的再一次重大進展； 具體而言 ， 人們作為 AI 產品的用戶 ， 已經可以感受到 Chatbot 和 Agent 在信息搜集、信息整理、邏輯化分析、形式化推理、無偏差實時執行、自我反思、反饋閉環方面的優秀功能 ， 這些功能可以在各個實際場景幫助、提升、增強用戶； 同時 ， “數字層” 擁有上限非常高的智商和情商 ， 可以作為普惠的、貼身的導師 ， 幫助每個人成為更優秀的自己 。問題十六：具體而言 ， 什么樣的公司 ， 會是構成 “數字層” 的有力競爭者？
這會很大程度上很具體的決定 ， 未來二十年我們生活在一個什么樣的數字世界當中 ， 由誰向我們提供數字世界的基礎設施； 互聯網平臺公司、基座模型公司、手機公司、AI 硬件公司、垂類 AI Agent、機器人公司都是構成 “數字層” 的有力競爭者；誰會勝出？在什么時候？問題十七：看起來 ， 構成 “數字層” 的公司們 ， 大部分以前也存在 ， 為什么現在要單獨以 “數字層” 來理解他們呢？
我們在文章中提到 ， 在人類活動數字化進程的第一階段 ， 互聯網時代和移動互聯網時代 ， 數字世界起到的最大的作用是匹配 ， 思考和決策還是需要人腦來做 ， 數字世界不能單獨閉環地完成工作；在人類活動數字化進程的第二階段 ， 數字世界可以閉環完成 “收集信息 - 決策 - 行動” 鏈條 ， 便可以作為人和物理世界互動當中的 “代理層” ， 也就是文中提出的 “數字層” 。 為什么人一定會把大部分與物理世界的互動交由經過這個 “代理層” 來處理呢？因為這個 “代理層” 可以增強人的理性和行動能力從而提高效率 ， 以及降低交易成本；在這幾件事情上 ， 有 “數字層” 和沒有 “數字層” 的差異巨大 。問題十八：“數字層” 會成為經濟和社會的一個基礎設施嗎？
在個體意義上 ， “數字層” 是個人和物理世界之間新出現的 “一層” ， 可以極大增強個人行動的理性和行動能力 ， 增強到 “數字層” 出現之前個人很難達到的程度；同時降低經濟活動的交易成本； 因此在總體意義上 ， “數字層” 是個人和物理世界之間新出現的 “一層” ， 在本文問題四的 AI 擴散完成后 ， 一種可能性是 ， 大部分的經濟活動都會通過 “數字層” 來完成 ， “數字層” 會成為整個經濟和社會中重要的基礎設施 。問題十九：我們當前處在 “數字層” 發展的什么時間點上？
就 “數字層” 的出現 ， 保證讓 “數字層” 造福于人類而言 ， 我們目前處在一個非常重要、同時也非常短暫的窗口期； 如果我們齊心協力往正確的方向推動 ， “數字層” 可以成為人類能力的 “放大器”、“增強器” ， 讓機器智能補足人類的短板 ， 同時核心的、終局的決策和權限保留在人類手中； 但另一方面 ， 也存在 “數字層” 脫離我們控制 ， 以及 “數字層” 的紅利僅為少數人享有的風險 ， 這是人類在這個階段需要協力解決的重大問題 。范式變化：整個經濟活動范式從 “人的認知和經驗—行動—經濟產出” 變為 “使用電力和調用算力的 AI 大模型計算—行動—經濟產出” 。
問題二十：AI 大模型商業形態的終局：在能源、算力、基座模型、應用之間的價值分配是怎么樣的；通俗的話來說 ， 用戶所付的一塊錢 ， 是如何在以上四層之間分配的？
目前我們處在 AI 經濟剛剛啟動的階段 ， 我們能看到的是 ， 行業在基座模型研發和算力消耗上投入了大量的花銷 ， 應用層的價值占比還很小 ， AI 計算尚未引起（局部或全局）的能源價格上漲 。 我們希望知道在 AI 大模型商業形態來到穩態的時候 ， 以上四層的價值分布 ， 以便于我們推斷 AI 經濟將給整個經濟系統如何帶來影響 。 目前可以預見的是 ， 算力、模型層有顯著的價值分配占比 ， 且全球算力、模型層只有數量不多的一些公司 ， 那意味著全球 GDP 的一定比例會流入這些公司 ， 這些公司會有巨額收入和利潤 。 我們應該如何理解和應對這樣巨額的收入和利潤？問題二十一：AI 將按照怎樣的順序 ， 具備從事不同職業的工作能力？
自 AI 具備泛化地交付工作能力以來 ， AI 在交付的工作 ， 目前主要是代碼、計算機、數學、文生圖 / 視頻、設計、教育、線上銷售等純線上工作 ， 以及機械化、重復性的腦力工作如筆記整理、發票整理、賬目整理等工作 。 如果我們將所有職業列表出來 ， AI 將按照什么樣的順序 ， 具備每一項職業所需要的工作能力？總的來看 ， AI 能夠完成的工作 ， 具有任務清晰可形式化、輸入輸出標準化、評價函數明確、能力可通過數據規模提升等特點 。 對于該時間表和發展順序的合理估計 ， 將有助于我們應對接下來要發生的系列變化 。問題二十二：AI 對就業的沖擊將如何發生？一個預估全景圖
如問題二十七所述 ， AI 具備泛化地交付工作能力之后 ， 會具備越來越多的職業所需要的工作能力 ， 也就會在客觀上形成對原有就業的替代； 有了以上 “AI 如何具備不同行業工作能力” 的路線圖 ， 我們將有能力繪制 “AI 對就業的沖擊將如何發生” 的預估全景圖 ， 以了解和清楚 AI 造成的就業替代將會如何發生； 這個預估全景圖首先是告訴我們未來的全景是怎么樣的 ， 影響的量級有多大 ， 為此我們需要做什么樣的心理準備； 其次 ， 預估全景圖是一個評價和糾正體系 ， 讓我們知道相較于全局 ， 我們此刻在哪 ， 我們是否偏離了已預見的航道 ， 如何調整 ， 是否有調整的工具； 當然 ， 我們會根據實際的進展情況 ， 定期來評估和更新這個預估全景圖 。問題二十三：會否形成初級工作的 “真空地帶”？
目前 AI 對初級工作的替代已經開始了 ， 在這些工作領域 ， 會否形成初級工作的 “真空地帶”？即對于人類有需求的職位直接從中級開始 ， 年輕人沒有了上手的工作 ， 年輕人失去了職業發展的初始路徑 ， 這是需要仔細解決的問題 。問題二十四：工作邏輯的變化：“以任務為中心” 的工作體系正在形成當中
在由人執行的經濟活動中 ， 單個勞動力是最小的行動單元 ， 且單個勞動力需要長期穩定從事某個工作 ， 因此工作可被拆分的最小單元是職業 / 職位 / 工種 ， 人類的工作是以職業為基本單元；在由 AI Agent 執行的經濟活動中 ， 最小的執行單元是 “一個任務” ， 因此工作可被拆分的最小單元是任務 。 “任務” 是遠比 “職位 / 工種” 更小的執行單元 。 當 AI 在整個經濟活動中承擔的工作占比越來越大之后 ， 工作的基本單元 ， 會日漸從職業變化為任務 。 整個工作體系可能從 “以職業 / 職位為中心” 向 “以任務為中心” 轉變 ， “以任務為中心” 的工作體系正在形成當中 。 “以任務為中心” 的工作體系將使得工作的顆粒度更細 ， 經濟活動將被劃分為可被更加細密排列的基本單元 ， 從而提高經濟活動的效率 。 職業可以被拆解為任務 ， 也意味著人仍然作為職業主體的情況下 ， 原來由其負責的任務 ， 可以被 AI 來完成 。 這也是一種形式的人機協同 。 一方面 ， 這是工作場景中 “AI 協助人” 的很好的形式 ， AI 完成一部分任務 ， 人完成另一些 AI 尚不能完成的任務 ， 并且管理 AI；另一方面 ， 我們也需要防范一種可能性 ， 即職業主體仍然是人 ， 但是其負責的任務都已經是 AI 來完成 ， “每天坐在工位前的還是我 ， 但是有價值的活都是 AI 在干了 ， 我只是在看著它干活” 。 “以任務為中心” 的工作體系 ， 將帶來眾多深遠的影響 ， 需要我們進一步探討 。一個人機共生、AI 作為工作同事的階段正在到來 。
問題二十五：正在出現當中的 AI 員工
AI 具備（泛化）交付工作的能力之后 ， 這些具備工作能力的 AI ， 可以成為實際意義上的 “AI 員工”； AI 員工都具備哪些特點？AI 員工與人類員工的區別有哪些？哪些行業將率先擁有 AI 員工？問題二十六：組織中的 AI 員工
可以預見 ， 在我們的各類組織（如公司、非營利組織、政府等）中 ， 都會出現 AI 員工； AI 員工將給組織的管理帶來哪些變化？如 AI 員工的招聘、培訓、考核 ， 都會是什么樣的？AI 員工將如何與人類員工分工協作？ AI 員工將如何改變組織 ， 帶來組織形態的哪些變化？問題二十七：廣大的中小企業可以因為 AI 員工獲得較之前更強的競爭能力嗎？
當前使用了 AI Agent 參與工作流程的中小企業 ， 反饋他們認為自己獲得了遠超過當前人類員工人數的工作能力；廣大的中小企業可以因為 AI 員工 ， 獲得較之前更強的競爭能力； 中小企業競爭能力的增強 ， 有可能提高初創企業創業成功的概率 ， 可能使得更多大公司的核心員工成立自己的公司 ， 可能使得某些經濟領域的重要資源更廣泛地分布 。“數字層” 可能成為一個細顆粒度、高頻、跨主體的經濟感知-決策-執行層 。
問題二十八：AI 經濟階段的經濟統計是怎么樣的？數字層將如何影響經濟統計？
隨著越來越多的經濟活動以數字化的形式進行 ， 越來越多的經濟活動經由 “數字層” 執行 ， 經濟活動中那些物理世界的屬性 ， 將越來越多地體現為數字世界的屬性； “數字層” 的細顆粒度、高頻、跨主體特點 ， 可能會為我們提供更豐富的經濟統計工具 ， 相應地提高經濟統計的顆粒度、頻次 ， 并讓我們可能更容易擁有全局的統計結果 。問題二十九：AI 經濟是否可以一部分地平抑經濟周期？
經濟周期的形成 ， 與信息不完全、價格和數量調整摩擦、預期與金融放大都有關系 。 在 “數字層” 成為經濟活動的基礎設施之后 ， “數字層” 對以上三個環節都能起到緩解和改善的作用： “數字層” 全面了解消費者和生產者等經濟主體 ， 也全面了解物理世界 ， 可能降低經濟狀態空間的不可觀測性 ， 從而可能降低當前經濟活動中信息不完全的程度； “數字層” 可能實現微觀層面的連續調節 ， 把當前由人腦判斷做出的調節檔位提升數個數量級的精度 ， 從而降低價格和數量調整的摩擦； “數字層” 連接經濟活動的全局 ， 可能實現全局協調和跨期協調 ， 可能降低當前經濟活動中個體對于信號的主觀放大帶來的波動性 。問題三十：我們應該如何發揮好 “數字層” 的優勢 ， 盡量避免其潛在的弊端？
“數字層” 細顆粒度、高頻、跨主體的特點 ， 將為我們帶來一個較現在顆粒度更細、頻次更高、更容易得到全局信息的經濟基礎設施； 但同時 ， 這些特點也帶來一些潛在的風險 ， 如高頻執行的頻次遠超人腦可以反應的范疇 ， 過去在金融量化系統中也曾造成過人腦來不及反應的 “閃崩”；如何增強 “數字層” 的穩定性 ， 是需要多方共同努力的課題 。問題三十一：是否以及如何設計經濟系統中新的政策工具？
就已經開始顯現的 AI 對就業的沖擊 ， 我們應該如何設計勞動力的 AI 培訓、促進新崗位產生等緩沖機制？ 更一般地 ， 當前經濟系統中的調節工具 ， 即誕生于工業革命以來的財政工具和稅收工具 ， 能否適配 AI 經濟的特點？如果不能完全適配的話 ， 我們應該如何設計新的政策工具？問題三十二：如何設計社會財富再分配體系？
在 AI 經濟階段 ， 大量經濟活動的成果積累在模型層和頭部的應用層公司 ， 社會財富的分配存在失衡的風險； 同時 ， 大部分勞動的價值被壓縮； 如何設計有效的社會財富再分配體系？這是我們需要面對的重大課題 。人類發展的一個歷史規律是 ， 那些能顯著提高人類生產力和生活水平的技術進步 ， 最終會擴散到全世界 ， 遍布這個星球 。 AI 也是如此 。 世界各國會或先或后地進入 AI 在其整個經濟活動中起重要作用的階段 。
問題三十三：世界各國將以什么樣的順序進入 AI 經濟階段？
AI 大模型服務、AI 應用服務、AI 算力基礎設施 ， 將以什么樣的順序 ， 先后抵達全球所有國家？世界各國將以什么樣的順序進入 AI 經濟階段？問題三十四：如何評價一個經濟體的 “經濟社會被 AI 賦能” 的程度？
我們需要一套體系 ， 來評價一個經濟體的 “經濟社會被 AI 賦能” 的程度； 該體系初步的指標包括企業的 AI 使用率（特別是中小企業）、AI 在企業業務流程中的覆蓋比例、Agent 部署密度、企業員工人均 AI 交互頻次、居民人均 AI 交互頻次等；仍需要進一步構建； 該評價體系可以讓各經濟體對于自己處在 AI 經濟發展的哪一個相對位置 ， 有更清晰的判斷 ， 便利于這些經濟體制訂自己的 AI 經濟發展計劃； 該評價體系也可用于國際組織評價全球不同國家地區的 AI 發展情況 。問題三十五：什么是 “AI 充裕經濟體”/“AI 充裕社會”？
基于以上評價體系 ， 我們可以建立 “AI 充裕經濟體” 和 “AI 充裕社會” 的概念 。 這樣的經濟體 ， 是一個 AI 被充分、適當地使用 ， AI 充分賦能經濟和社會發展的經濟體 ， AI 可以為該經濟體帶來人類可欲的結果； 是否 “AI 充?！?， 可能成為下一個階段評價一個國家競爭力的重要指標 ， 也是評價 “發達國家 / 發展中國家” 的一個重要角度； 電力、算力、模型將成為各國家的戰略資源 。問題三十六：“AI 欠充裕經濟體” 和 “AI 匱乏經濟體” ， 應該采用什么樣的發展和追趕策略？
AI 的發展需要能源、算力、數據、算法四個層面的配合建設 。 一個經濟體需要以穩定、充足、低成本的電力供應作為基礎 ， 在本地建設足夠規模的算力中心 ， 結合本經濟體已經積累的互聯網數據、各行業業務數據、政府數據 ， 通過調用閉源或者開源基座模型服務 ， 建設該經濟體的 AI 能力； 具體到某一個國家和地區 ， 需要在能源、算力、數據、算法四個層面評估本國 / 本地區的基礎和現狀 ， 制訂合理、有效、前期成本可控的發展和追趕策略； 模型研發、AI 應用研發、標準制定、平臺治理可能都發生在 “AI 充裕國家”；“AI 欠充裕經濟體” 和 “AI 匱乏經濟體” 可通過模型本地化、建設區域算力節點來補齊 AI 能力 。問題三十七：AI 經濟會帶來國際分工、國際供應鏈的哪些變化？不同國家占全球 GDP 的比例 ， 將如何變化？
傳統國際分工是基于各國不同的技術差異、勞動力等要素稟賦差異 ， 這些差異是國際分工的前提 ， 也塑造了國際分工的形態； 在 AI 經濟階段 ， 全球 Agent 和機器人建立在同一個 “數字層” 之上 ， 全球 Agent 和機器人的工作能力將趨同 ， 傳統國際分工的要素稟賦差異前提可能被改變； 在 AI 經濟階段 ， “按任務劃分的經濟活動的全球最優分配” ， 是國際分工邏輯的可能性之一；不同國家在 “關鍵任務節點的不可替代性” 可能成為國家之間分工的重要因素 。 國際分工變化之后 ， 各國在全球 GDP 中占比的邏輯也會發生變化；以及 ， 我們應該如何應對這種變化帶來的影響？問題三十八：對于 AI 經濟階段 ， 全球算力和能源需求的預估
在以上背景下 ， 全球算力需求將以什么樣的速度增長？我們是否會遇到算力供給的瓶頸？ 激增的算力需求將給能源供應帶來哪些變化？我們是否會遇到能源 / 電力供給的瓶頸？問題三十九：我們是否可能 ， 以及如何設定 AI 與人的能力分工？
目前我們看到的情況是 ， AI 可以把數據類、分析類的工作做得比人好 ， 而人類在情感、感受、共情、審美、創造力等領域仍然保持絕對優勢 。 這個局面能長期保持嗎？或者說 ， 基于神經網絡的大語言模型 ， 其思維能力的邊界在哪里？是否存在一些領域 ， AI 永遠也追不上人腦的能力？ 如果有的話 ， 這些領域是什么？如何定義這些領域？計算機的精確性和人腦的模糊性 ， 是天然的劃分標準之一嗎？ 如果沒有的話 ， 我們是否應該、是否可能設定一條界限 ， 讓 AI 的能力停留在這條界限的一側？如何設定這條界限？ 讓人類保有價值設定、目標設定、判斷力、創造力、情感交流、審美、對 AI 的監督 / 管理 / 最終控制權 ， 是否這條界限的一個答案？ 如何確保所有的 AI 大模型開發商和開發者 ， 都遵循這條界限？問題四十：“非稀缺經濟” 實現后的閑暇消費和生活意義問題
AI 具備泛化地交付工作能力之后 ， 人類會有可能擁有一個 “非稀缺經濟” 。 在約一百年前 ， 凱恩斯敏銳地看到了這一點 ， 在《我們后代在經濟上的可能前景》中 ， 他寫道：“我們的天性 —— 包括我們所有的沖動和最深層的本能 —— 為了解決經濟問題而進化發展起來的 。 如果經濟問題得以解決 ， 那么人們就將失去他們傳統的生存目的” 。 “經濟問題、生存競爭 ， 一直是人類首要的、最緊迫的問題 —— 不僅是人類 ， 而且在整個生物界 ， 從生命的最原始形式開始莫不如此” 。 “長久以來 ， 我們都是被訓練著去奮斗而不是去享受 …… 當他再也不能在傳統社會的溫床和他所珍視的那些風俗習慣中找到自己的根基時 ， 這個問題就顯得尤為嚴重 。 ” “人類自從出現以來 ， 第一次遇到了他真正的、永恒的問題 —— 當從緊迫的經濟束縛中解放出來以后 ， 應該怎樣來利用他的自由？科學和復利的力量將為他贏得閑暇 ， 而他又該如何來消磨這段光陰 ， 生活得更明智而愜意呢？” 凱恩斯也提出了具體的建議 ， 他認為 “任何人如果想要生活得舒心暢意 ， 那么他就必須得干一點工作 。 ” 他甚至提出了 3 小時工作制：“3 小時一輪班或每周 15 小時的工作 ， 也許會使上述問題在相當長一段時間內得以緩解” 。 誠如凱恩斯所寫 ， 人基于千萬年的遺傳形成的生物性 ， 在短期內是難以改變的 ， 但是 AI 改變經濟的節奏可能是快速的 。 如果 “非稀缺經濟” 到來 ， 在工作之外 ， 新的、能使人們在閑暇中獲得滿足感的活動是什么 ， 對于人類群體的人生意義該如何定義 ， 以及如凱恩斯所考慮 ， 是否應該設計新的工作時長機制以使人對于工作的生物性本能得到部分承接 ， 都是需要認真思考的經濟、社會和哲學問題 。作者簡介
【摩爾線程天使投資人：對近期AI的四十個觀察】作者王捷 ， 中國初代 AI 投資人 ， 完整經歷了移動互聯網各個發展和投資階段 ，2017 年以來主要從事 AI 行業投資 ， 投資了摩爾線程、比亞迪半導體、萬國數據、京東科技、開思時代、奇安信、明略科技等公司 。 作者郵箱 jie_wang7@sina.com ， 微信如下 ， 歡迎交流 ， 添加請說明工作/學習機構、職務信息 。

    推薦閱讀