我们是否高估了人工智能？

文章作者：Nicola Costantino，Politecnico di Bari 校长，曾任经济与管理工程正教授。

关于人工智能（AI）对就业影响的讨论正变得越来越激烈，原因之一是目前相关数据仍然有限，而且常常相互矛盾。根据 ISTAT 的数据，2025 年在意大利，15.7% 的中小企业和 53.1% 的大型企业表示已将 AI 整合进自身生产流程，这些比例较 2024 年大幅增长，分别增加了 8% 和 20.6%。然而，这似乎尚未在总体层面产生显著影响：无论是国内生产总值，仅比上一年增长 0.5%，还是失业率，后者甚至有所下降。看来，“合理”的预测与实际结果之间的矛盾再次出现。

即使是最具影响力的专家，对于 AI 对就业的影响也并非完全一致。一方面，Mark Zuckerberg 表示：“我们已经看到，一些过去需要整个团队完成的项目，如今可以由一名有才华的人在 AI 智能体的协助下完成。”另一方面，Google Brain 联合创始人 Andrew Ng 则表示：“到目前为止，人们高估了 AI 导致的就业岗位流失。”

并未得到现实验证的就业预测

2013 年，University of Oxford 的 C.B. Frey 和 M.A. Osborne 发表的一项研究引起广泛关注。根据该研究，随着自动化的发展，美国未来 10 年内将有 47% 的就业岗位面临被替代的风险。根据 2016 年 World Bank Development Report，这一比例在 OECD 国家达到 57%，而在中国甚至高达 77%，原因在于这些国家最初的自动化程度相对较低。当然，也有人指出，新技术的普及同样会创造新的职业。根据 Forrester Research 的预测，在 2015 年之后的 10 年里，美国将新增 1,360 万个就业岗位，但与此同时会失去 2,270 万个较为传统的岗位，最终仍将形成 910 万个岗位的净减少。那么，为什么所有这些预测都没有在现实中得到验证，至少没有在原先设定的时间范围内发生？

1987 年，Robert Solow 在同年获得诺贝尔经济学奖，他获奖的原因之一正是对技术进步生产率影响的研究。他曾表示：“我们到处都能看到计算机时代，唯独在生产率数据中看不到。”这很可能是因为其中涉及的变量极其复杂，不仅包括技术因素，还包括组织和社会因素。事实上，第三次和第四次工业革命的历史既充满了爆发性且出乎意料的成功，例如互联网，也充满了程度不一的重大失败。我们可以回想 2000 年前后的所谓网络经济狂热：许多 dot.com 企业甚至还没有真正测试其所谓目标市场，就已经达到天文数字般的估值；还有 Second Life 上昙花一现但成本高昂的虚拟房地产热潮；以及更近时期围绕元宇宙所产生的巨大期待，Mark Zuckerberg 曾大力推动这种预期，但目前仍远未实现。当然，与上述案例相比，AI 是一种结构更加完善、基础更加稳固的现实技术，并且仍在吸引规模极其庞大的投资。

盈利回报

全球市值最高的五家公司全部在华尔街上市：Nvidia、Apple、Alphabet（Google）、Microsoft 和 Amazon。这些企业都以不同程度参与 AI 领域，其股票总市值超过 18 万亿美元，而且随着它们继续募集资金、投资规模越来越庞大的计算基础设施，这一价值仍可能继续增长。过去，我们习惯于认为 ICT 的环境影响相对有限，尤其是在能源消耗方面。但如今的大型数据中心，以及未来规模更大的数据中心，已经开始显著影响所在地的电力消耗，同时也增加了用于冷却的水资源消耗。以至于一些过去看似科幻的方案，如将数据中心部署到太空中，以优化太阳能获取和热量散失，如今都开始被纳入技术和经济可行性的讨论。

这些巨额投资建立在同样巨大的盈利回报预期之上，而这些预期究竟有多充分，仍值得讨论。这些回报被寄望于通过开发通用人工智能（AGI）实现，即能够理解和应用人类知识，在任何领域至少达到甚至超过人类认知能力的人工智能工具。那么，这些回报真的会出现吗？

这些回报的实现，本质上建立在若干或明或暗的假设之上，而这些假设并不一定会全部成立。第一，以 OpenAI 等行业巨头为代表的 AGI 开发路径被假定为最高效的路径，因此能够带来充分令人满意的盈利结果。第二，AI 能力的增长，尤其是 Large Language Model（LLM）的能力，被认为是没有上限的，因为每天都会不断加入新的内容，也就是新的数字化知识，使这些模型越来越强大，形成一种似乎没有边界的指数级增长。第三，一些人认为，正是由于这种无限增长，AGI 最终将发展为超级人工智能（ASI），即一种能够在创造力、智慧和关系能力方面也超越人类智能的超级智能。

大型语言模型的危机

这些预期当然具有一定合理性，至少前两项如此，但它们仍然面临同样重要的不确定性。我们是否能够确定，AGI 的开发不可能通过整体成本低得多的方式实现？DeepSeek 的经验似乎对此提出了疑问。这款中国 AI 以远低于西方竞争对手的投入开发，却能够提供与 ChatGPT 相当的性能。工业革命的历史中充满了巨大的效率跃迁案例，后来者最终超越最初的创新者。如果 AI 领域也出现相同情形，那么那些已经集中投入了人类历史上前所未有资金规模的当代工业巨头将会怎样？

我们是否能够确定，数字化知识将继续以当前速度增长？预计到 2030 年，几乎全部人类知识都将能够提供给 LLM。此后，进一步的数字化将只能按照人类实际创造新知识的速度推进，并由已经开始出现的所谓自噬现象加以补充，也就是利用 LLM 自身生成的文档重新训练 LLM，其速度远远高于人类知识生产速度。然而，如果我们考虑到 LLM 生成文档并非通过真正的“推理”，而是从已经获取的文档中逐词“抽取”最有可能出现的语义组合，那么合理的推测是，它们可能无法产生真正“新的”知识，而只能重新组合已经获得的知识。

不仅如此，目前积累的经验似乎显示，持续重复这种自噬过程会产生所谓的 Model Autophagy Disorder（MADness），导致计算模型的“崩溃”，也就是输出内容逐渐失去意义。如果这一点属实，那么未来几年 LLM 能力的增长将大幅放缓，因为可提供给它们的“新”知识，将不再像今天这样主要来自大量过去已经产生的数据，例如向模型输入 10 年前撰写的文本，而只能来自人类真正“原创”的新知识生产。

超级智能真的能够实现吗？1905 年，Albert Einstein 发表了四篇论文，彻底改变了人类对于物理世界的认识。他并没有通过进行新的实验来获得这些成果，而是“仅仅”，当然这是非常相对的说法，通过思考他人的实验结果和理论成果得出了新的认识。以时间相对性这一概念为例，它此前根本不存在。即便给一个 LLM 输入 Einstein 当时能够接触到的完全相同的知识，也极不可能，甚至可以说不可能，由它生成这一概念，无论它拥有多少计算资源。

最终，我们可以提出一个合理的假设，仅仅是假设，绝不是确定结论：我们是否正在高估一种新的工具？它无疑非常强大，而且具有极强的渗透力，但也许永远无法在人类最具创造性的活动中真正取代人类。事实是否如此？1922 年诺贝尔物理学奖得主 Niels Bohr 曾写道：“预测非常困难，尤其是关于未来的预测。”