今年以来，生成式人工智能是非常热的话题。对全球4000家上市企业的CEO与全球投资者沟通的内容分析表明，2022年上半年，话题主要是俄乌战争、通胀、能源危机、供应链危机等等。2023年上半年，压倒性的话题就是生成式人工智能。

为什么全球的企业家和商界领袖如此关心？我想其中一个很重要的原因，是生成式人工智能正在成为一项通用技术，会对各行各业产生影响。

我今天想从经济学的角度，谈谈智能和数据为什么会成为一种新的创新要素，跟企业的研发和国家的研发有什么关系，为经济增长和劳动生产率的提升带来什么样的动力。

内生增长理论告诉我们，研发投入能让企业通过创新提升劳动生产率。研发的投入中，有一种是人力，还有一种是研发资本的投入，包括研发设备的投入。对人工智能来说，最重要的投入一定是算力的投入。过去10年，深度学习进入黄金时期，算力的增长开始超越摩尔定律，10年超算增长了1000倍，单片GPU的效能10年也增长了1000倍，这是大模型“涌现”出通用智能的最根本原因。强化学习之父Sutton说过：

所以说，训练出一个全自动驾驶的大模型，最重要的就是算力和数据的结合，而汽车本身需要的芯片算力，应该在上千TOPS极别。这说明自动驾驶技术的研发，对以算力和视频数据为主的AI投入，起到了决定性的作用。

这张图在去年的智慧芽的活动中已经分享过了，我觉得它今年依然有重要的解释意义，跟关典对榜单的分析有相似之处。看一下专利分布里面4个最重要的领域，汽车、生物制药、ICT（包括软件和硬件），这里包括了中国、美国、欧盟和日本。可以从领先的美国看出，创新企业有更高的研发投入，就会带来更高的利润，就是这么一个简单的关系。

对比一下，在建立这样一种机制方面，中国的创新企业在有些领域已经赶上和超过了日本和欧洲，但是跟美国相比，依然有很大的差距。最重要的一点，就是在研发上的投入和研发的产出之间的正反馈机制，没有建立起来。标杆性的创新公司，都建立起了这样一个研发-创新-收益的正向机制。

半导体领域更明显。这是去年的数据，今年中国发生了一些积极的变化，但大的格局还没有改变。企业的研发支出带动了资本支出，进一步带动了企业的增长，处于第一梯队的企业，是研发投入、资本投入、收入规模都领先的企业。再强调一遍，创新企业的研发和企业增长的正向关系是非常明显的。

如果在企业的研发中，引入人工智能这样一个新的要素，对企业研发和劳动生率会带来什么样的影响？这份MIT的最新研究表明，广泛地采用深度学习技术，如在视觉分类、计算视觉和对象识别等领域的投入，由于研发强度明显提升，显著提高了相关领域的劳动生产率。

实际上，人工智能领域研发的投入强度，明显高于其他创新技术领域的强度。用这样的模型进行拟合，得出这样的结论：在人工智能的领域持续投入，劳动生产率会高于历史的平均值。从这张图上可以看出，测算出的劳动生产率提高在2.1%和2.4%之间，相当于美国在战后的劳动生产率最高的十年期间的平均值。美国高校不同学科的实验室，在资本设备的投入中所占的比重，人工智能的比重明显高于其他学科。

如果说更多的人工智能的投入，可能会带来更高的劳动生产率的增长，相当于说在研发领域投入更多，劳动生产率增长更大，创新成为经济增长的动力。这种内生创新增长理论已经得到广泛的接受，但是其内在的机制是怎么样的？经济学家魏茨曼提出了重新组合增长的理论（Recombinant Growth ）。他认为经济增长的来源，一方面是很多新的发明和想法，另外一方面是我们不断对既有的技术、发明和创意进行重组的结果。

重新组合增长理论认为，永远不要从零开始创新，那是最没有效率的，要站在巨人的肩膀上创新。借助人工智能的技术，可以通过大规模搜索产生新的组合，找到最优解。新的组合可能会产生强烈的协同效应、网络效应，带来指数级的增长。而人工智能用于研发，可以推动更多领域的融合发展，也就是我们谈的跨界创新，也是一种新的组合。加速知识的流动和扩散，会成为增长的一种关键。

有时候，在这个世界上，我们缺的还真不是技术，缺的是更好的技术扩散到更多的领域和地区。举个最简单的例子，电力是存在一个世纪以上的技术，但是全世界仍然有10亿人没有用到电。他们不需要发明新的技术，只需要把现有的技术引入到当地经济中，就能带来劳动生产率的巨大增长。这是创新扩散和普惠的问题。知识的流动和扩散，有时候比知识的发明创新更加重要。

人工智能加强的组合创新，还有助于减少重复劳动，提高研发效率，避免重复发明轮子，发现创新的价值点在哪里。另外一个推动创新领域的研发领域的模块化和标准化，使组件更加容易重组，这些都是人工智能进入研发流程会产生的优化和加速的作用。

计算机渗透到各行各业带来的组合式创新增长的机会，在美国经济增长的经历中已经得到证明。美国历史上的劳动生产率的增长，其波动与摩尔定律推动的计算机和电子产品的小型化是密切相关的。从1985年到2005年，是美国战后劳动生产率提升的第二个高峰期，摩尔定律在整个劳动生产率增长中占有14.22%的比重。

2000年代中期，整个劳动生产率的贡献度下降。为什么下降呢？因为计算机和电子技术小型化的普及基本饱和，一旦饱和之后，这个因素的作用就下降了。中国的劳动生产率的增长曲线跟这个趋势基本吻合，略有滞后，但从2008年到2018年，中国的劳动生产率的增长下降到0.7%，中间是不是信息化达到了饱和，要期待新一轮的技术创新的出现，进一步市场化的改革，才能重新提振生产率，这是值得思考的问题。

集成电路是1959年发明的，摩尔定律是1965年提出的，CPU是1971年发明的。计算机和电子产品的第一轮的小型化和制造业大规模的结合发生在美国60年代，这是美国战后的黄金增长时期。第二个劳动生产率高增长的高峰期是90年代，当时个人电脑和互联网得以普及。有研究把计算机和电子产品的小型化和供应链梳理了一遍，发现技术小型化之后，能渗透进更多的产业，而小型化的技术，能产生更多的技术组合与创新，提高了劳动生产率。日本企业提出了产品的“轻薄短小”的理念，在1970年代和1980年代取得了巨大的成功，把日本企业竞争力提升到世界级水平。

生成式人工智能正在变成一种通用技术，会影响各行各业以及企业内部的不同职能。对企业影响最大的部门之一在于产品研发。

人工智能对研发过程的影响，有两点特别值得关注。第一，有研究表明，在生产终端产品和生产知识方面，后者可以产生更多的产出，把人工智能先部署在研发上，可能带来更高的增长。第二，对人工智能增长研究的文献梳理发现，尽管在终端产品生产实现高度自动化，可以产生一次性的增长，但是在研发方面的人工智能投入，可以产生无限的经济增长的提升。

刚才谈到了企业，国家对这一点的认识也非常清晰。最近美国能源部发布了一份关于AI for Science (科学智能)报告，是在2020年之后第二次发布，基本出发点是用生成式人工智能和大模型技术，建立下一代的国家的研发体系，包括了6个方面：用于科学计算的AI和代理模型；用于科学知识分现、集成和综合的科学基础模型；AI用于高级推理和逆向设计；基于人工智能的复杂工程系统的设计、预测和控制；自主发现的AI机器人；AI用于编程和软件工程。

中国也非常重视。2023年，科技部和自然科学基金委启动“人工智能驱动的科学研究”专项。其中“重大科学问题研究的AI范式”包括地球科学、空间科学、化学和材料科学、生物医药科学等领域。在国际竞争激烈的蛋白质结构预测领域，国家基金支持国内优势团队。在平台支撑方面，科技部正在加快推动公共算力开放创新平台建设。

小结一下。知识和创意的重组是经济内生增长的重要源泉。数据和智能是创新和生产力的新兴的最重要的要素。它增强了科学的发展与研究，它对增长的推动不仅仅在于它产生新的创意，而在于它能够加速创意和创新的技术之间的重组。所以，加大对研发领域的AI投资会提升研发的效率，扩大创新的边界。

创新本身需要创新。