斯坦福数字经济实验室的埃里克·布林约尔松

埃里克·布林约尔松向所有担心人工智能的人提出一个挑战：别再问人工智能会给我们带来什么，而是开始问我们将用人工智能做什么。在本期节目中 我、我自己和人工智能，这位斯坦福大学经济学家解释了为什么技术并非进步的最大障碍——人、组织和机构才是。他借鉴了关于人工智能对就业、生产力和经济增长影响的最新研究，认为未来并非预先注定：它将由我们今天做出的选择塑造。这是一场关于人类能动性、共享繁荣以及为何最重要的人工智能突破可能更少关乎技术本身、更多关乎我们如何使用技术的及时对话。

订阅 我、我自己和人工智能 在 苹果播客 或者 Spotify.

成绩单

艾莉森·莱德： 今天的嘉宾提出了一个大胆的挑衅：人工智能并非受技术所限，而是受我们所限。好奇原因吗？现在就来了解。

埃里克·布林约尔松： 我是斯坦福大学的埃里克·布林约尔松，你正在收听的是 我、我自己和人工智能.

萨姆·兰斯博瑟姆： 欢迎来到 我、我自己和人工智能，来自的播客 麻省理工学院斯隆管理评论 探索人工智能的未来。 麻省理工学院 SMR 自 2014 年以来，包括研究文章、年度行业报告、案例研究，以及现在的 13 季播客节目。

今天我与埃里克·布林约尔松对话，他负责斯坦福数字经济实验室，研究人们如何普遍使用技术，尤其是当前的人工智能。他正思考技术如何影响经济和工作。他的著作 《第二次机器革命》 在很大程度上塑造了这场辩论。他的团队最近发表了《煤矿中的金丝雀？》这篇研究论文，探讨初级工作者正在经历什么。我和埃里克每年会在美国国家经济研究局碰面几次，他总能提出一些我未曾考虑过的观点。埃里克，别给我压力，但我今天也期待如此。

埃里克·布林约尔松： 很高兴来到这里，萨姆。

萨姆·兰斯博瑟姆： 欢迎来到节目。让我们从斯坦福数字经济实验室开始。你能简要介绍一下实验室的工作吗？

埃里克·布林约尔松： 当然。我们研究数字经济……我很享受在麻省理工的时光，在那里待了超过25年，但现在我来到了硅谷——人工智能革命的中心。我们专注于研究人工智能及其他数字技术如何改变经济。实验室以及我个人工作的前提是，技术正在飞速发展，其能力令人惊叹。与此同时，我们的经济理解却远远跟不上步伐。我们的经济制度、技能和组织结构未能同步发展。我的工作就是努力缩小这一差距。

萨姆·兰斯博瑟姆： 问题就在于那些烦人的人。技术发展迅速，而组织和人却拖慢了我们的脚步——我想这就是总结。

埃里克·布林约尔松： 没错。你的许多工作也强调了这一点，我们正在尽力跟上。

萨姆·兰斯博瑟姆： 我在想 《与机器赛跑》 这本书以及今天的“金丝雀”研究。它们之间有什么联系？

埃里克·布林约尔松： “与机器赛跑”……曾是标题。结论是我们应该与机器共跑，而非对抗机器。这也是我一直强调的——人类与机器有合作的机会。这并非自动发生，我们需要做出许多选择，但技术正在开启各种新的可能性。尝试发明和发现这些可能性，正是我们人类需要做的重要部分。

萨姆·兰斯博瑟姆： 我喜欢“选择”这个说法，因为我们很容易滑入“人工智能做了这个，技术做了那个”的惯用语。我知道你一直反对这种说法。

埃里克·布林约尔松： 完全正确。这大概是我最常被问到的问题之一：“人工智能会给我们带来什么？人工智能接下来会促成什么？”我的反应是：“等等，你问题的前提就错了。应该是‘我们将用人工智能做什么？’”

这是一个极其强大的工具，可以说是人类有史以来最强大的工具。几乎可以断定，这意味着我们比以往任何时候都更有能力改变世界。所以，让我们思考一下如何利用它。事实证明，我们的价值观和选择现在比过去更重要，因为我们确实有能力在宇宙中留下深刻的印记——无论好坏。

萨姆·兰斯博瑟姆： 是的，无论好坏。我想这在我们接下来的谈话中可能会多次提及。

我在想你在早期 《与机器赛跑》 的书中预测对了多少。但作为学者，这并不有趣。你认为自己哪里错了？什么让你感到惊讶？过去16年或15年里，有什么变化与你当初的设想不同？

埃里克·布林约尔松： 首先，既然我们在谈论哪里错了，我应该强调这些是与安迪·麦卡菲合著的，包括 《第二次机器革命》。他是我许多项目的合作伙伴。

我们哪里搞错了？我们当时在关注一些进展——我特别想强调，尤其是在 《第二次机器革命》，我们是从乘坐谷歌的自动驾驶汽车开始的。实际上，那是2012年，就在我们写完 《与机器赛跑》之后，我们从山景城一路坐到了旧金山。我得说，我当时想，“哇，自动驾驶汽车马上就要来了，”打个比方，我以为它会很快实现。显然，它花了更长时间。我现在在旧金山湾区、在城里确实经常乘坐自动驾驶汽车。它们已经存在一段时间了，现在也来到了帕洛阿尔托，你可以一路开着它们上高速公路。但那已经是15年后了。

这花了一段时间，我想我当时对此过于乐观了。话虽如此，我认为我低估了技术在其他方面进步的速度。你我可以和[大型语言模型]对话，无论是ChatGPT、Gemini还是Claude，让它们干活，我想我当时不会预料到这一切发生得这么快。我的意思是，如果你在2012年或2015年问我，我基本上会认为这就是[通用人工智能]。所以，能从它们那里得到真正好的建议，这相当酷。我们都知道它们仍然会幻觉和犯错，但我们人类也会。平均而言，它们真的相当不错。所以那方面发生得更快。我们在这方面有点搞错了。

然后最令人失望的部分是，你看，我知道我们刚才在谈论人类机构的变化比技术慢得多。但天哪，我没料到会慢这么多。有时它几乎像是在倒退。所以这相当令人失望，我们的政治机构、企业、组织，它们跟不上。生产率并没有比这场AI革命开始时增长得更快，也许你眯着眼看能看出一点点。但我们并没有真正把这些能力转化为更好的商业表现或我们都希望的那种好处。

萨姆·兰斯博瑟姆： 上次见到你时，我在帕洛阿尔托坐了一辆自动驾驶汽车。它很快就变得无聊了。我最初几秒还挺着迷，然后很快就无聊了。你提到，这在几年前会被视为AGI，或者LLM的东西在几年前也会被视为AGI，但现在不再是了。这在多大程度上是一种温水煮青蛙，我们正在习惯这些技术，需要更多才能让我们印象深刻？这是部分原因吗？是衡量问题吗？是J曲线吗，我们一会儿再回到这个话题？以上所有？以上都不是？

埃里克·布林约尔松： 以上所有。部分原因是，就像你说的，在自动驾驶汽车里感到无聊；头几分钟有点吓人又刺激，然后很兴奋。然后半小时内你就觉得，“好吧，我大概明白了。”这些车开起来有点像我的祖母，非常小心和缓慢，我想这是正确的做法。

萨姆·兰斯博瑟姆： 也许这就是你离开波士顿的原因。

埃里克·布林约尔松： 没错。它们的事故率比人类低90%。我期待有一天所有车都那样。现在它们点对点之间有点慢。有时我赶时间，我实际上会叫Uber，因为我知道司机更愿意抄近路，可以这么说。但部分原因是我们把那些最初令人瞠目结舌的事情视为理所当然。

我想我们的大脑天生就会习惯事物。但你提到的另外两点，我认为更重要也更有趣。一个是衡量问题。我们的经济指标根本就不是为了捕捉AI的许多好处而设计的，尤其是免费数字产品的好处。所以我们有一套完整的方法论来解决这个问题。也许我们可以稍后再谈。

另一部分是J曲线。这就是我们开始对话时提到的——在将能力转化为真正的商业变革方面确实存在差距和困难。这是因为需要那么多互补性资产和投资。其中许多必须被发明出来，而我们不知道它们是什么，这些互补性的共同发明——新的业务流程、新技能、全新的商业模式和工作方式。它们很难，我们有企业家、管理者、商学院教授和顾问都在努力弄清楚它们。

在早期与[宾夕法尼亚大学的]洛林·希特和普拉桑纳（桑尼）·坦贝等人合作的研究中，我们发现，对这些无形资产的投入大约是对计算机技术直接投入的10倍。但由于它们很大程度上是无形的、看不见的，我们往往不那么重视它们，我们不衡量它们，人们甚至没有意识到它们的存在。但我们正努力在我们的研究中让它们更可见，并让人们认识到你也必须进行这些投资。

萨姆·兰斯博瑟姆： 实际上，衡量问题巨大且困难。我记得你和[卡内基梅隆大学的]阿维纳什·科利斯在谈论从维基百科、Facebook和其他这些技术中衡量价值。所有这些都极难衡量。当我们不衡量事物时，我认为我们做得不好。

也许我们切换到衡量问题，因为我认为你的“煤矿里的金丝雀”研究中的一个很酷的故事……我想你的主要发现是，22到25岁的人受影响最大，失去了大约16%的就业机会。但你是用ADP的薪资数据发现这一点的。那是一个非常有趣的信息信号。跟我们说说那项研究吧。

埃里克·布林约尔松： 像所有人一样，我们看到所有关于AI消除就业的标题，或者其他标题说AI在创造就业。在任何一个月里，都有数十万人获得或失去工作。一个还算称职的记者很容易找到任何一个例子，并围绕它构建一个叙事，或者只是找一个街上的普通人聊聊。至少对我来说，我真的不知道如何汇总这些。真实情况是什么？所以我们想要大规模的数据。

当我们查看当前人口调查时，我们并没有真正看到太多，当我们查看ADP的总体数据时——ADP是世界上最大的薪资处理商——他们在这里的数字经济实验室与我们分享了数据。我们实际上在总体数据中也没有看到太多。我几乎在想，“好吧，我们会写一个故事，说这一切都只是一堆炒作。”但随后我们更深入地挖掘了一下，一些子群体有非常大的影响，就像你刚才提到的，22到25岁的人，早期职业工作者，他们的就业率有明显下降，但当你按他们受AI影响的程度细分时，情况变得非常惊人。

[OpenAI的]泰娜·埃隆杜、[宾夕法尼亚大学的]丹尼尔·洛克等人创建了一个分类法，他们根据受LLM影响的程度对经济中的所有任务——18,000个不同的任务——进行排名。LLM能帮你写备忘录吗？当然。LLM能帮你搬箱子吗？不太行。如果你像这样对每个任务进行排名，然后汇总到职业层面，你基本上就有了一个分数，表明这个职业是否会受到LLM的影响。

我们看了大约750个职业。我们把它们分成五等分。在这个最年轻的年龄组中，受影响最大的五分之一，大约一百多个职业，最初就业率下降了约12%到13%。现在相对于其他职业，就业率下降了约16%到17%。所以这真的相当惊人。我们没有看到老年工作者就业率下降，即使在受影响大的职业中也是如此。你真的必须这样细分。

即使我们控制了其他因素，比如我们控制了利率，我们控制了科技行业——如果你愿意，你可以把整个科技行业剔除，或者控制科技行业的过度招聘——你可以控制远程工作，你可以控制教育，这些都没有推翻核心结果。我们继续看到这种非常明显的下降。

我还可以说另一件事，正如我提到的，老年工作者情况还好。还有其他几个群体情况也不错。一个是那些不受影响的职业中的人。所以如果你看光谱的另一端，比如家庭健康助手，AI对它们的影响没那么大，他们的就业实际上在增长，即使是年轻工作者。

然后，最有趣的结果，也是我最兴奋的一个，是如果你将他们使用AI的方式主要分为自动化和消除工作，与增强和创造新技能、新机会、做你以前从未做过的新事情，那么自动化组的就业在下降，而增强组，那些学习新技能的人，就业在增长。所以这有点像双重胜利：更高的生产率和增长的就业。出于某种原因，当媒体写我们的研究时，这一点没有被充分提及，但我认为我们发现的AI可能与某些类型工作者的更高就业相关，这非常重要。

萨姆·兰斯博瑟姆： 我认为这与你如何使用它、你的决策、我们所有人做出的选择有关。这并不让我惊讶，因为如果我考虑一个任务，回到你提到的任务汇总，我敢肯定，没有哪个工作是百分之百由可自动化任务和百分之百由不可自动化任务组成的。任务的构成会让工作的某些部分更有价值。这会让那些部分更有价值。

埃里克·布林约尔松： 没错。这是另一个非常重要的观点：你可以拿每个职业；[每个]都有一组任务。在O*Net中，一个典型职业有20到30个任务。放射科医生有26个不同的任务。[计算机科学家]杰弗里·辛顿有句名言：“阅读医学图像，这就是放射科医生做的。这将被AI取代。”他没有考虑到的是，放射科医生还有25个其他任务，其中大多数不受AI影响。

净效果是，随着AI使图像阅读变得更便宜、更好，它实际上增加了放射科医生做其他任务的价值，放射科医生的净就业增长了。我不是说这总是发生，但肯定有案例——有些人称之为杰文斯悖论——让某样东西更便宜会增加对它的需求，最终你会有更多而不是更少的就业，即使它变得更高效。

萨姆·兰斯博瑟姆： 我认为这是令人沮丧的地方。我想每个人都想要一个答案，即“这是明确的答案”，而你在这里遇到的是一个巨大的“视情况而定”，而且它取决于一套越来越复杂的东西。

埃里克·布林约尔松： 好吧，让我试着让它简单一点。这确实比简单的“你总是消除就业”或者就此而言“它总是创造就业”的故事要复杂一些。但作为一名经济学家，对我来说一个非常有用的工具——我会为你的读者说得有点专业，但这会是有用的时间——你可以想象一条需求曲线。当价格下降时，数量增加。需求曲线是向下倾斜的。我们大多数人都凭直觉知道，当你让某样东西更便宜时，人们会买更多。

但真正重要的是那条需求曲线有多陡。对于某些产品，比如苹果，即使你让它们便宜10倍，你也不会买10倍的苹果。也许你多买几个苹果。但需求曲线相当陡。所以随着价格下降，你最终花费更少。这很直观。大多数人认为所有商品都是这样。

事实证明，并非所有商品都是这样。有很多商品，随着价格下降，哪怕只是一点点，数量也会大幅增加，比如喷气式飞机旅行。过去很少有人坐飞机横跨全国，但现在它更便宜了，我们很多人坐飞机在全国各地跑得太多了。所以有这样的商品和服务。这被称为弹性需求或平坦的需求曲线。

每当你遇到这样的情况，你对某样东西的需求实际上在增长，你最终会有更多的支出。经济中至少一半的商品和服务处于曲线的那一侧。这真是好消息。这意味着随着我们变得更高效、更有效率，一些东西在萎缩，但其他东西在增长。我认为公共讨论中有点过于偏向萎缩的那一侧了。我想通过你的播客做的事情之一，是让更多人思考增长的那一侧。

我教一门大师课，我们基本上教人们如何识别和发现这些创造财富的新机会，如何利用AI做新的事情来创建创业企业。我们做得越多，我认为人们就会过得越好。他们会帮助自己，也会通过发明新事物来帮助经济的其他部分。

萨姆·兰斯博瑟姆： 苹果就是一个很好的例子。就像你说的，我们不会因为得到更多就去消费它们，但据我所知，没有哪家公司会说：“几乎所有我们能想到的IT项目，我们都在做。”你明白我的意思吗？

埃里克·布林约尔松： 是的，完全正确。解决各种IT问题的需求似乎几乎是无限的。放眼世界，我并不觉得问题有所减少。贫困、环境、尤其是医疗保健，这些都是我们可以投入更多资源的领域，而且我不认为我们会缺少解决这些问题的机会。

萨姆·兰斯博瑟姆： 幻想我们会耗尽这类问题固然美好，但我认为这在未来几年甚至几个世纪内都不会发生。让我们回到J曲线这个概念。首先请简单解释一下什么是J曲线，以及人们应该如何理解它？

埃里克·布林约尔松： 这是另一个我认为人们会觉得非常有用的概念。每当出现一项重要且强大的技术时，我们经济学家称之为通用技术。我们过去常说GPT，但我的AI朋友们抢走了这个缩写。不过AI两者都是。它既是生成式预训练Transformer，比如GPT-5，也是一种通用技术，就像蒸汽机、电力、内燃机和汽车一样。这些才是推动大多数经济增长和生产率提升的真正动力。它们是我们比几百年前甚至50年前的祖先拥有更高生活水平的原因。

AI是我们这个时代，也许是有史以来最重要的通用技术。但关于这些通用技术，关键在于价值真正来源于互补性资产。电力催生了灯泡、电动机、空调，最终还有计算机以及许多其他东西。而AI则催生了各种新的业务流程，这不仅仅是物理技术，还包括我们之前讨论过的那些无形资产。这很好。但问题是，这些无形资产需要时间来创造，而且成本高昂。你必须进行投资。无论是聘请顾问还是自己动手，你都必须重新设计工作的完成方式。

在这个成本高昂的时期，你在重新设计业务流程时投入更多，但产出并不会立即增加。从数学上讲，这意味着投入增加而产出不变，生产率（至少按传统方式衡量）会下降。这就是J曲线的下降部分。之后你开始收获成果。你开始利用这些新的业务流程来创造更多产出。现在产出上升了。这就是J曲线的上升部分。

我们在大多数通用技术中看到的是，最初会有一段生产率低迷甚至为负的时期，然后才开始腾飞。现在很难确切知道我们在AI方面处于哪个阶段。我们正处于其中。但如果你回顾更早的历史，比如电力——我在博士论文中写过一些相关内容——信不信由你，公司尝试重新设计工厂组织方式大约花了20到30年的时间。

他们安装了电动机。起初并没有获得多少生产率提升。经济学家保罗·大卫和其他人非常仔细地记录了这一点。在电气化过程中，工厂的生产率实际上有长达30年几乎没有增长，这非常引人注目，但最终，他们完全重新设计了工厂的组织方式。不再是围绕一个像蒸汽机那样的中央电机集群，而是每台设备都有独立的电机，他们分配了工作，并根据物料流动来布局。

当他们这样做时，生产率开始飙升，翻倍甚至三倍。但就像我说的，这花了30年时间。我不认为AI需要30年。我很确定它已经开始发生了。但与此同时，它比我的一些技术朋友和AI朋友预期的要长。他们认为一旦发明了AI，就大功告成了。

现实是，正如你萨姆在工作中和我工作中所知，需要进行大量的业务流程重新设计。我们正处于这个过程中，我正在尽我们所能来加速这一进程。我的公司Workhelix非常积极地帮助公司识别创造价值的机会。如果我们能加快速度，那将非常棒，但我们仍然会面临一些J曲线。

萨姆·兰斯博瑟姆： 我在回想电力时代。我猜他们没有现在人们可能面临的季度股票报告压力和即时结果的需求。

埃里克·布林约尔松： 说实话，最大的不同是他们没有我们现在所有的这些制度。不是要自夸，但商学院当时并不存在。咨询书籍、整个工业工程和管理科学也不存在。我回去读了一些书。我去了哈佛商学院的贝克图书馆，那里有一些旧书，当时人们的思维方式相当原始。

现在有一个大得多的生态系统来帮助公司重新设计他们的业务流程。这仍然需要时间和重新设计，以及对员工进行再培训。但我的感觉是，管理者现在对此更加清醒，他们更加积极地投入其中，并且分享最佳实践。

在Workhelix，我们有一个工具，可以扫描所有机会，与员工分享，找出那些表现卓越的超级用户，然后将他们与普通员工进行比较。这比人们在拥有这类工具之前的学习速度可能快了10倍。

萨姆·兰斯博瑟姆： 我非常喜欢这一点，因为它再次将衡量和其他一些事情联系起来。年度绩效评估真的不再有用了。能够更好地衡量你在做什么以及如何做的想法是有帮助的。

让我稍微唱唱反调。我之前写过一篇关于 麻省理工学院斯隆管理评论 重新思考AI目标 的文章。你写过一篇关于 “图灵陷阱”的文章。我认为人们的第一反应是通过图灵测试，让机器做人类能做的事。这导致我们对现有流程进行渐进式改进。如果我们没有衡量正确的东西，衡量标准似乎也可能无意中助长这一点。对此你怎么看，短期与长期？

埃里克·布林约尔松： 嗯，肯定有短期和长期之分；这些是你的目标。几个月前我和一位CFO交谈，她告诉我：“嘿，我们真的需要衡量AI的收益，即投资回报率。”我说：“很好。你应该衡量它。跟我说说。”她说：“所以我要求每个部门告诉我他们通过AI减少了多少员工人数。”我说：“等等。我很高兴你在衡量，但这会不会有点简单化了？因为，是的，削减成本没有错，但这确实错过了做新事情的更大机会，让你的员工创造新的价值。”

有一位年薪数百万美元的CFO，他们赚大钱的原因是他们必须更创造性地思考价值创造，而不仅仅是让机器做人类已经在做的事情并取代他们。这就是经典的图灵测试：你能让机器完美地模仿人类吗？

这是一种非常狭隘的思考方式。我认为艾伦·图灵是个天才，但我认为这种思维方式对我们如何使用AI造成了很大损害。我称之为“图灵陷阱”，因为我认为只关注使用AI来取代或模仿工人是一个陷阱。我们还应该思考AI如何增强我们的能力，让我们做新的事情。但这需要新的衡量标准，比如，你如何创造新产品和服务？如何提高客户满意度？如何提高质量，既包括产品质量，也包括员工的工作生活质量？

所有这些都不会体现在你狭隘的替代思维中，所以这也需要更长的时间，就像你说的。短期主义往往只关注削减成本和你在做的事情。但那些拥有最大竞争优势、获得最持久利益的公司，是那些思考超越这一点、做新事情、新业务流程、新产品和服务的公司。这不会在几周内发生，但当你实现时，你会拥有持续多年的东西。

萨姆·兰斯博瑟姆： 机器在很多地方都胜过我们。判断这是机器还是人并通过图灵测试的最简单方法是，我无法很快地做数学。我们的目标可能不是完全正确的标准。你提到在电气化初期，人们没有相关的制度。尼尔·汤普森和麻省理工学院数字经济倡议（你在搬到斯坦福之前显然参与过）发表了一篇科学文章，说大约90%最重要的新AI模型来自工业界。我们已经经历了从学术界和公共资金产生技术效益到大部分来自科技公司和初创公司的巨大转变。你提到了帕洛阿尔托和那里的中心。好吧，我担心了。那是这些东西该在的地方吗？

埃里克·布林约尔松： 部分原因是构建这些非常大的模型变得极其昂贵。大型语言模型存在这些扩展定律，随着模型变大，如果有更多数据、更多计算、更多参数，性能会得到可预测的提升。所以他们从花费数百万美元到数千万、数亿、数十亿，现在到数百亿美元来训练这些模型。没有大学能负担得起。没有非营利组织能负担得起。所以公司正在筹集巨额资金，就在我们说话的时候。Anthropic和OpenAI正在申请上市。谷歌有很好的现金引擎可以投入其中，Meta也是如此。

这就是驱动因素。同时，我告诉我的学术同行，你们的比较优势不在于在计算机上花更多钱。而在于创造性思考。有些绝妙的想法仅仅来自坐在办公室里深入思考。这仍然是一个好策略。

我之前和杰弗里·辛顿聊过，我问他用什么硬件来获得他的见解和发现。他指着他的笔记本电脑，敲了敲说：“这就是我用的硬件。”对于这类根本性的突破，并不总是需要拥有数千个GPU。

我认为学者需要发挥他们的比较优势。话虽如此，公平地说，越来越多的前沿研究正在通过一种非常昂贵的方法进行。在某种程度上，这证明了AI的巨大价值。工业界以前不这样做的一个原因不仅仅是成本高昂，而是回报并没有那么大。

我来分享一个故事。我创办的第一家AI公司，信不信由你，是在1980年代末。我年纪就这么大了。我和Todd Loofbourrow一起创办了一家专家系统公司。专家系统就是那种基于规则的系统。我们为一些银行和人力资源组织创造了一点价值，但归根结底，它远不及如今公司创造的价值。老实说，那种AI品牌并没有那么有价值。直到现在，我们拥有了这些非常强大的神经网络，才真正有了前所未有的商业激励。所以从某种意义上说，这个领域的成功证明了行业正在大力投资。

萨姆·兰斯博瑟姆： 我喜欢这个观点。我认为美国政府去年在非国防研究上投入了大约15亿美元，这大致相当于谷歌的投入。你知道，国立卫生研究院和国家科学基金会的预算很小。正如你指出的，我们无法在支出上超过它们。

埃里克·布林约尔松： 但在这方面，我认为这是合理的。你需要两者兼顾。我的意思是，在商业上可行之前，投资是学术界和联邦政府的工作。研发的许多长期利益并不明显，而且没有商业激励去投资。互联网、早期的太空旅行、以及许多延长我们寿命的生物学根本性突破，都发生在大学和政府实验室，因为它们在商业上不可行，但后来人们在此基础上进行了发展。你无法总是提前预知哪些会成功。但如果你进行基础研究，记录表明最终其中一部分会真正改善我们的生活水平。

萨姆·兰斯博瑟姆： 这是基本的应用划分。我们不需要资助应用研究，因为市场会处理这些。而对于基础研究，看不见的手在这些领域效果不太好，或者比大家期望的要慢。

我想你会有一批学者听这个，因为他们好奇你会说什么。人们应该关注什么？哪些事情属于这一类？也许一个批评是，我在学术界看到的很多研究，可以说是公司的咨询项目。人们应该追求哪些基础类型的想法？

埃里克·布林约尔松： 嗯，在很多不同领域有很多这样的想法，我不想指定它们，因为我认为在某种程度上，魔力的一部分在于让人们追求自己的想法，即使外界没有人看到它们的价值。

话虽如此，我会给你我自己的清单。我专注于经济方面。我认为目前最大的差距是，我们对AI将如何改变经济没有很好的理解。我们正在创造极其强大的信息处理实体。作为经济学家，你可以把市场看作一个信息处理实体。你可以把公司和组织看作信息处理实体。如果AI有千倍或百万倍的改进，那么公司和市场不发生转变，我们也不开发新型组织来管理工作，那将是一个奇迹。但我们还没有弄清楚这些。所以我工作的一大部分是试图理解，经济会是什么样子？随着AI变得更强大，随着它聚合信息、处理信息，公司、市场以及可能一些新型实体是什么？然后我们如何管理可能由此产生的财富和权力集中？

我对技术提高生产力的潜力非常乐观。我和西北大学的Robert Gordon对此有一个长期赌注，我写过关于我预期生产力如何增长的文章。与此同时，我很担心如果我们管理不当，它可能导致财富更加集中，而这往往会导致权力集中。如果我们不找出一个不仅创造财富而且平衡共享繁荣的经济体系，这可能会损害我们的自由。

萨姆·兰斯博瑟姆： 在谈话前我查了一些你的背景资料，以刷新记忆，我看到了一个短语 正念乐观主义者，这让我有点触动。那么，要让我们走向这个积极的未来版本而不是消极的未来版本，需要什么？

埃里克·布林约尔松： 让我花一分钟来定义 正念乐观主义者，因为我对这个词有非常具体的含义。硅谷有很多人是乐观主义者，但我认为其中太多人是盲目的乐观主义者。他们就像，“嘿，Erik，别担心。过去都解决了，未来也会解决的。放松点。”也有很多人是我所谓的盲目悲观主义者。他们就像，“哦天哪，我们完蛋了。我们无能为力。”我认为这两组人都犯了同样的错误。

这就是我们在节目开头讨论的那个错误，他们认为AI是会对我们做些什么的东西，而不是我们有能力控制未来。正念乐观主义者是那种看到未来并努力去实现它的人，正念地创造它，而不是假设它会自动发生。

他们不像圣诞节期待礼物第二天早上神奇出现的小孩，而更像看到一棵树和一些木板的小孩，他们想，“嘿，我们可以在那里建一个树屋。”然后他们想，“嗯，它不会自己发生。让我们想办法实现它。”然后他们通过努力工作和想象力让那个乐观的现实发生。这就是我希望看到的那种乐观主义。我看到的不够多。我看到太多被动。

上周五我在斯坦福给班上做了结课演讲，我告诉他们的一件事是，每次他们听到“AI”，他们应该想到 放大意图，AI是有史以来最大的意图放大器。无论他们想实现什么，AI都能放大它，但没有那种能动性、没有那种意图，它就不会发生。

所以这是我想对更广阔世界传达的信息：“让我们思考我们的价值观是什么，我们想塑造什么样的经济，我们想创造什么样的共享繁荣。”我指的是每个人，不仅仅是技术专家并向他们传达这个信息，也包括政策制定者、公民、工人和管理者。让我们思考如何真正积极地利用这一点。

在未来10年内，我预计世界将发生根本性变化。但没有一个不可避免的未来。当你跨越美国与墨西哥或其他国家的边界时，你可以看到不同的制度导致非常不同的结果、不同的财富和民主水平，未来也是如此。我们可以生活在许多不同的可能未来中。我在数字经济学实验室做的一件事就是进行大量研究，以了解哪些路径更有可能带来那些有益的结果。

萨姆·兰斯博瑟姆： 我认为这是一个很好的结束方式。我们在这两个方向上都没有简单的答案。收益是真实的，伤害也是真实的，哪个胜出是我们现在正在做出的选择，也是我们可以控制的事情。

埃里克·布林约尔松： 比以往任何时候都更。有趣的事情之一是，现在是哲学家、人文学者、经济学家以及思考我们想在世界上体现什么价值观的人的时代。随着这种更大的力量而来的是更大的责任和改变世界的更多潜力。所以我们真的需要有意识地思考我们未来想塑造什么样的世界。我认为对此的关注还不够，但数字经济学实验室部分专注于这一点。

萨姆·兰斯博瑟姆： 感谢你带来数据和细节。我们今年夏天波士顿见。

埃里克·布林约尔松： 当然。期待见面，Sam。和你聊天很愉快。

艾莉森·赖德： 感谢大家今天的收听。我们进入暑假，秋季将回归，带来来自Instacart、GoFundMe、Dropbox和Honeywell的精彩演讲嘉宾阵容。届时请加入我们。

与此同时，如果您在Apple Podcasts上留下评论或在Spotify上评分，对我们的节目帮助很大。如果我们的节目真的影响了您的生活和工作，请给我们留言。您可以通过以下方式联系我们： smr-podcast@mit.edu我们期待您的来信。

我、我自己和人工智能^® 是麻省理工学院的联邦注册商标。