对话三位经济学家，我们找到了AI不赚钱的原因

在过去一年半，AI 好像比一切都重要。但我们似乎很少看到 AI 创造的经济价值，也没有感受到 AI 对现有经济结构的冲击。

相反的，" 一路狂飙的 AI，为何商业化不顺？""AI 会取代人类的工作吗？"" 大模型训练高投入低回报的困境如何破解？" 这些由 AI 带来的现实问题，倒是被摆上台面。

在过去，小饭桌向众多 AI 技术从业者、资本市场投资人提出过上述疑问，但他们都没能给出答案。

而最近，我们与三位经济学家展开了对话。从三位经济学家那里我们得知，AI 技术虽然很新，但在经济史上仍有迹可循，AI 发展遇到的问题并不是新问题，在以往的技术革命中已经找到了解法。只是人工智能的从业者们，普遍只从技术视角理解商业，却没有从商业的视角理解科技。

" 我们不能只从技术视角理解 AI，技术革命其实很需要社会科学的理解，否则人类将多走很多弯路，付出更大的代价。" 在召开 2024 年罗汉堂数字经济年会之前，罗汉堂秘书长陈龙说了这样一句有些惊悚的话。

更严重的是，人工智能的从业者似乎还没有意识到这些问题 ……

一、一路狂飙的 AI，为何赚不到钱？

小饭桌：相比以往的技术变革，这一波 AI 技术浪潮给经济带来的影响有何不同？

Sargent：很多年前人们谈论 " 软件能否取代人类 "，现在人们讨论 "AI 能否取代人类 "。但实际看来，软件和 AI 都只是工具。

比如现在直接让 AI 做数学难题是解不出来的，需要专家引导方向。所以，如果我要使用更多的 AI 工具，那我就需要了解更多专业领域，如此一来，AI 就不会代替人类。

小饭桌：作为经济学家，如何看待过去一年半 AI 的迅猛发展，有哪些比较惊喜的地方？

陈龙：一方面我们见识了 AI 惊人的技术，总觉得 AI 会颠覆一切。可另一方面，直到今天我们还几乎没有看到来自 AI 的颠覆式商业创新。

小饭桌：为什么技术够好，却难以形成颠覆式商业创新？

陈龙：我想特别强调的是，我们应该从商业的视角理解科技，而不是从科技的视角理解商业，两者截然不同。

回到 AI，现在很多人讲 AI 都是从科技视角去讲，缺乏经济和商业的视角，其实倒过来看会非常不一样。

我举一个例子，在过去十年内，全世界见证了很多商业失败，比如元宇宙、区块链等等。不是说这些技术没有未来，但在商业和经济角度，应该问的是技术本质是什么？技术的商业本质是什么？技术和商业的结合会发生什么？影响的边界是什么？影响的环节是什么？

现在这样的讨论太少了，大部分讲 AI 的人都是 AI 技术的兴奋者，他们兴致勃勃。但正如元宇宙、区块链给我们的教训，技术成立并不意味着商业成功。

小饭桌：开发大模型耗资巨大，可给企业带来的经济效益却很有限，如何看待投入和产出的不匹配？

陈龙：我觉得这是两场战争，大模型最烧钱的是一开始的模型训练，后面推理使用需要的资金量要小很多。所以竞争最强大底层模型的公司，那确实需要烧钱训练，这没什么好说。

另一方面，很多用大模型做应用的公司，前期投入并不多，照样做得风生水起。比如很多公司将大模型落地到产业，让客户看到效率提升，愿意为之买单，所以基本不亏钱、不烧钱。

如果去年算是底层大模型元年，今年就是产业大模型的落地之年，明年可能会有更多消费侧、个人侧 AI 应用崛起，随着这个节奏，投入就将看到回报。

另外，我也想鼓励一下企业，虽然现在 80% 的产业利润、收益还是被芯片公司和云计算公司拿走了，大模型公司得到的收益很少，但我认为十年之内大部分的收益会被产业应用、被用户拿到。

所以寻找 AI 落地，把它作为商业要素在自己的产业和场景内找到价值，这才是未来的必然之道。

我觉得大家不要被头部的大模型竞赛吸引，毕竟头部玩家的数量相当有限，很多应用领域其实大有可为，也不需要烧那么多钱。

很多大模型企业就应该是大模型应用企业，通过找到一些产业，跟产业数据和 knowhow 结合，从而体现自己的价值。

小饭桌：大模型可能会率先在哪些行业得到应用？

刘培林：不是可能，是已经在创造巨大的应用价值。

以我自身为例，由于我的英语水平一般，以往要写英文文章，都是我先写好英文初稿，再找专业翻译公司帮忙润色。可现在，只要喂给 AI 模型，几乎瞬间就能完成润色。而且从专业角度看，不但翻译准确，连用词都很考究。

所以我觉得翻译这个行业，包括同声传译，也许很快就会被 AI 取代。

我是研究经济的，以往写宏观经济形势分析，要专门建立数据库，看今年比去年增长了多少？与历史同期相比如何？对比数据之后得出结论。

但个人积累的数据肯定远不如大模型丰富，所以未来将大模型用于金融分析，应该会大行其道。不能说大模型会 100% 替代金融分析师，最起码会对行业带来很大冲击。

包括作为一个大学的研究人员，面对 AI 我也有危机感。因为就掌握的知识广度而言，我肯定不如人工智能，教课哪能教得过 AI？所以我们也可能面临失业冲击。

未来可能对各行各业来说，都要运用人工智能，学会与人工智能共处。

二、AI 会取代人类的工作吗？

小饭桌：现在有一种担忧是 AI 越来越强，可能会取代很多人的工作，经济学家是否有这个担忧？

刘培林：经济学家研究经济史发现，每一个技术浪潮刚出来的时候，大家都有类似的担心——新技术会导致大量失业。

比如有一个英语单词 sabotage 。这个词的本义是指 " 将木鞋扔进机器 "，现在代指 " 暗中破坏，怠工 "。这个词的背景就是在工业革命早期，工人们觉得自己的生计被工业自动化威胁，以及不满流水线生产，就将脚上穿的木鞋扔进机器，卡住它们，让它们停止工作。

但现在工业自动化的好处已经有目共睹。

我想说的是，历史上每一次自动化技术迭代总会有人担心，要冲击就业。现在大家对 AI 也是这样的看法。

参考历史，我觉得首先一点是，AI 技术浪潮来了，不可能被逆转，必须接受它，适应它。另外从长期来看，也不必太过担忧，将来新创造的就业门类和就业岗位会超过被替代的。

还有一点是，在这个浪潮冲击的中短期过程中，还是要有政策储备，帮助个人适应冲击，同时个人也要努力学习新的技能。

小饭桌：那人工智能将如何影响我们的就业市场？是会带来更多工作机会，还是消灭一些工作机会？

刘培林：坦白说我也没有准确答案。

经济学家通常会从两个角度分析新技术对就业的影响，一个是 " 就业创造效应 "，另一个是 " 就业替代效应 "。

以人工智能为例，短期内肯定有一批人赶上了这波浪潮，来不及学习人工智能技能，会被冲击，就业岗位会被替代，这就是替代效应。但人工智能又会催生出许多新的行业，这就是就业创造效应。

长期来看，是创造效应大于替代效应？还是替代效应大于创造效应？我也说不准。但我可以肯定的是，新技术浪潮来临，谁也挡不住，就像把木鞋扔进机器阻止不了工业革命，你只能去拥抱新技术浪潮。

也许我们可以乐观一些，现在一些发达国家正在探索一种新的政策—— " 无条件基本收入 "（政府拿出一部分税收平均发给人民，获得该收入不需要任何条件与资格）。

假如人工智能发展到最终阶段，真能替人类把工作全干了，那我们就不用担心工作，在家拿着无条件基本收入、享受闲暇，就行了。

小饭桌：到时大家应该担忧什么？

刘培林：上世纪 30 年代，凯恩斯做了一次演讲，题目是 " 我们孙辈的经济前景 "。凯恩斯预测百年后，物质生活资料供给问题将被彻底解决，或者至少是可望获得解决，届时人类将不用再为物质生活而发愁。

当人类从物质生活资料短缺的束缚中解放出来以后，真正的问题应该是如何优雅地打发闲暇时光，如何生活得更明智而惬意。

如果从现在起再经过二三十年的发展，整个社会的生产效率、生产能力因为 AI 赋能得到质的飞跃，迎来人们不用干活的时代，那么，也许届时真正要发愁的问题，就是凯恩斯百年前所说的，如何优雅地打发闲暇时光。

可以做一个思想实验：设想我们天天什么都不用干就有吃有喝，那么，如何让自己不至于无聊，其实也不是一件简单的事。这种情况下，我们都得思考如何让生活更加明智而惬意这样的哲学问题。

曾经有科学家做过一个小鼠实验，就是物质约束不再是一个问题后，小鼠倦怠、躺平，甚至连生育这样最本能的需求也没兴趣了，其实这也是一个很大的问题。

小饭桌：说了对未来的美好憧憬，再讲一个现实问题，现在大模型几乎所有利润都被英伟达和微软等少数巨头占据，AI 创业公司获利有限，该如何形成新的商业循环，让更多人参与进来？

刘培林：如何打破巨头垄断我没有确切答案，如果我知道答案，我也创业赚钱去了。

但参考商业史，打破巨头垄断会是一个渐进的过程。比如原先阿里每年将 " 双十一 " 搞得声势浩大，但挣的钱都用来买服务器、买数据库了。于是自己创新，直到后来一步步做出了阿里云，才逐渐摆脱了对巨头的依赖。

今天中国的大模型和云计算一样，本质上是 " 技不如人 "。按照目前的主流技术路线进行追赶是必要的。如果中国一直扮演技术追随者，行业利润被分走也就在所难免。

作为技术上的外行，我觉得如果能找到一个很细分的领域，积累有壁垒的专业数据，加上一定的而不是很强的算力，也许不用烧很多钱，也能产生不错的效果，那也是一个能挣钱的方式。

但是，正如清华大学的张钹院士和北京大学鄂维南院士所期待的，如果中国科研机构和企业能通过 AI 底层理论突破，形成不同于目前主流的新技术路线，让大模型用更少数据、更少算力、更少能源消耗，进行更可控、更安全的运算和分析，自然就能赚大钱。

三、AI 将如何改变经济结构？

小饭桌：随着人工智能进入各行各业，将如何改变我们现有的经济结构？

刘培林：经济结构的改变是一个漫长的过程，会一步步改变，也很难预测。

举个例子，在汽车刚发明的时候，在纽约的街上，马车在前面走，后面的汽车不能摁喇叭，因为一摁喇叭就容易惊了马，会造成安全事故。也就是说，在马车占主导的经济模式下，汽车是要给马车让步的。

但今天放眼全世界，汽车全面取代马车，经济结构、规章制度自然会发生变化。但这些变化在当时是很难想象的。

小饭桌：随着以人工智能为代表的新技术快速变化，政策制定者、市场侧应该如何调整，减少可能的消极影响？

Sargent：我觉得如果我们回看工业革命，其实也是用机器代替很多人力的劳动， AI 虽然现在看上去很新，但也是类似的逻辑。

比如我的父亲之前是一名保险公司职员，但他的工作现在已经不存在了，因为计算机出现后，他的工作内容已经被彻底改变。

这个变革过程中，人们会根据自己的技能去做别的事情，整个市场会形成一个新的市场机制，让大家根据技能找到新工作。也就是说，当新技术出现，工人会有新型企业入驻，他们也会找到方式培养新技能，把原来过剩的劳动力引入市场，重新去应用它们。

所以我觉得变革并不是有人故意对劳动力市场造成一些影响，这是一个非常自然而然的过程。

就像在 AI 出现之前，没有人知道 AI 会对我们现在造成这么大的影响。随着科技继续发展，很多想法、很多创新不断产生，哪个想法会实现、哪个想法会为我们带来革命性的变化，这不是事先被预定好的东西。比如中国过去 40 年发生的很多东西，企业家不断创新，其实也是一个自然而然的过程。

小饭桌：从可持续发展角度，大模型训练带来的高能耗问题，是否会阻碍其进一步发展？

刘培林：能耗问题恐怕要从更高维度看。

大模型训练本身的确带来了高耗能问题，但随着技术迭代，训练能耗会逐步降低。另外，更关键的是大模型可能让全社会的能耗降低。

举个例子，微软、谷歌等巨头通过大模型做出了更智能化的产品，让知识可以免费零成本或者以很低成本扩散到各行各业，各个行业就变得更加智能，就会减少大量的无谓的浪费，从而降低全社会的能源消耗。

比如设计领域，原先要设计某个飞机零部件，需要靠工程师，靠经验，用穷举法做好多次实验，然后选出最优解。这个测试选优的过程就是资源的浪费。

但是现在通过大模型，能直接推算出最优解，其实相当于节约了巨大的成本和能耗。

就像大模型所依靠的 Scaling Law（标度定律）一样，随着数据规模越来越大，推算效果越来越好，我觉得未来全行业单位知识的获得所消耗的能量，应该是递减而不是递增。