史丹佛數位經濟實驗室的埃里克·布林約爾松

艾瑞克·布林約爾森對任何擔心人工智慧的人提出了一個挑戰：別再問人工智慧會對我們做什麼，開始問我們會用人工智慧做什麼。在本集節目中 我、我自己和人工智慧史丹佛大學經濟學家解釋，為何科技並非進步的最大障礙——人、組織與制度才是。他根據人工智慧對就業、生產力及經濟成長影響的最新研究，主張未來並非預先註定：它將由我們今日所做的選擇塑造而成。這是一場關於人類能動性、共享繁榮，以及為何最重要的AI突破可能與科技本身無關，反而更取決於我們如何運用它的及時對話。

訂閱 我、我自己和人工智慧 在 蘋果播客 或 Spotify.

成績單

艾莉森·莱德 今天的嘉賓提出了一個大膽的挑釁：AI的發展並非受制於技術，而是受制於我們。想知道為什麼嗎？立即了解。

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

薩姆·蘭斯博瑟姆： 歡迎來到 我、我自己和人工智慧，來自的播客 麻省理工學院斯隆管理評論 探索人工智慧的未來。我是 Sam Ransbotham，波士頓學院分析學教授。我一直在研究數據、分析和人工智慧 MIT SMR 自 2014 年以來，包括研究文章、年度產業報告、案例研究，以及現在的 13 季播客節目。在每一集中，企業領導人、前沿研究人員和人工智慧政策制定者都會與我們一起剖析人工智慧炒作與人工智慧成功之間的差異。

今天我和艾瑞克·布林約爾森對話，他負責史丹佛數位經濟實驗室，研究人們如何運用科技，特別是現在的人工智慧。他正在思考科技如何影響經濟與工作。他的著作 第二次机器时代 在很大程度上塑造了這場辯論。他的團隊最近發表了一篇名為《煤礦裡的金絲雀？》的研究論文，探討入門級員工的現狀。我和艾瑞克每年都會在美國國家經濟研究局碰面幾次，而他總是會提出一些我從未想過的觀點。艾瑞克，別有壓力，但我今天也期待同樣的驚喜。

埃里克·布林约尔松： 来到这里真好，山姆。

薩姆·蘭斯博瑟姆： 歡迎來到節目。我們先從史丹佛數位經濟實驗室開始。可以簡單介紹一下這個實驗室在做什麼嗎？

埃里克·布林约尔松： 當然。我們研究數位經濟……我在麻省理工學院的時光非常美好，在那裡待了超過25年，但現在我來到矽谷，這個人工智慧革命的核心地帶。我們專注於探討人工智慧及其他數位科技如何改變經濟。這個實驗室以及我整個職業生涯的前提是，科技正以極快的速度進步，其能力令人驚嘆。然而，我們的經濟理解卻遠遠跟不上腳步。我們的經濟制度、技能、組織，都未能與時俱進。我的工作就是試圖縮小這個差距。

薩姆·蘭斯博瑟姆： 就是那些討厭的人。科技進步很快。組織和人們拖慢了我們的速度，我想，這就是總結。

埃里克·布林约尔松： 沒錯。你的許多研究也強調了這點，我們正在盡力跟上。

薩姆·蘭斯博瑟姆： 我在想 《與機器賽跑》 這本書和今天的「金絲雀」。它們之間有什麼關聯？

埃里克·布林约尔松： 「與機器賽跑」……是當時的標題。結論是我們應該與機器合作，而不是對抗。這也正是我一直強調的——人類與機器有合作的機會。這並非自動發生。我們需要做出許多選擇，但科技正在開創各種新的可能性。嘗試發掘和探索這些可能性，是我們人類需要做的重要事情。

薩姆·蘭斯博瑟姆： 我喜歡「選擇」這個詞，因為我們很容易陷入「AI做了這個，科技做了那個」的慣用說法。我知道你一直反對這種說法。

埃里克·布林约尔松： 完全正確。這可能是我最常被問到的問題之一：「AI會對我們做什麼？AI接下來會促成什麼？」我的反應是：「等等，你問題的前提就錯了。應該是『我們要用AI做什麼？』」

這是一個極其強大的工具，可以說是人類有史以來最強大的工具。幾乎可以斷言，這意味著我們比以往任何時候都更有能力改變世界。所以，讓我們思考一下我們想如何運用它。事實證明，我們的價值觀和選擇現在比過去更重要，因為我們確實有能力在宇宙中留下巨大印記，無論是好是壞。

薩姆·蘭斯博瑟姆： 是啊，無論是好是壞。我想我們在接下來的談話中可能會多次提到這點。

我在想你在早期那本 《與機器賽跑》 書中預測對了多少。但作為學者，這並不有趣。你覺得自己哪些地方錯了？什麼事讓你感到驚訝？和15、16年前相比，有什麼變化出乎你的意料？

埃里克·布林约尔松： 嗯，首先，既然我們在談論我們哪裡錯了，我應該強調這本書是與安德魯·麥克費合著的，還有 第二次机器时代。他是我許多項目的合作夥伴。

我們哪裡錯了？我們當時關注一些進展——我特別要提的是 第二次机器时代，我們從乘坐Google的自動駕駛汽車開始。其實是2012年，就在我們寫完 《與機器賽跑》之後，我們從山景城開車到舊金山。我必須說，我當時想：「哇，自動駕駛汽車就近在咫尺了。」比喻來說，我以為它會很快實現。顯然，它花了更長時間。我現在在舊金山灣區和城裡確實經常乘坐自動駕駛汽車。它們已經存在一段時間了，現在也擴展到了帕羅奧圖，你可以在高速公路上全程乘坐。但那是15年後的事了。

這花了一段時間，我想我當時過於樂觀了。話雖如此，我認為我低估了科技在其他方面的進步速度。就像你和我現在可以與大型語言模型對話，無論是ChatGPT、Gemini還是Claude，讓它們完成工作，我想我在2012年或2015年時絕對不會預料到這會發生得這麼快。我的意思是，如果你那時問我，我會認為這已經是通用人工智慧了。所以，能從它們那裡得到非常好的建議，這真的很酷。我們都知道它們仍然會產生幻覺和犯錯，但我們人類也會。平均而言，它們真的相當不錯。所以這方面進展更快。我們在這點上稍微預測錯了。

然後最令人失望的部分是，聽著，我知道我們剛才在談人類機構的變化比科技慢。但天啊，我沒想到會慢這麼多。有時感覺幾乎是在倒退。所以這相當令人失望，我們的政治機構、企業、組織都沒有跟上。生產力的增長速度並沒有比AI革命開始時更快，也許仔細看會有一點點。但我們並沒有真正將這些能力轉化為更好的商業表現或我們都希望的那種效益。

薩姆·蘭斯博瑟姆： 上次見到你的會議上，我在帕羅奧圖乘坐了一輛自動駕駛汽車。它很快就變得無聊了。我最初幾秒鐘還很著迷，然後很快就感到無聊。你提到這在幾年前會被認為是通用人工智慧，或者大型語言模型的東西在幾年前也會被認為是通用人工智慧，但現在已經不是了。這其中有多少是某種「溫水煮青蛙」的現象——我們正在習慣這些科技，需要更多才能讓我們驚豔？這是其中一部分嗎？是衡量標準的問題嗎？是我們稍後會談到的J曲線嗎？以上皆是？以上皆非？

埃里克·布林约尔松： 以上皆是。一部分原因是，就像你說的，在自動駕駛汽車裡感到無聊；最初幾分鐘有點嚇人又刺激，然後變得興奮。但不到半小時你就會想：「好吧，我大概懂了。」這些車開起來有點像我祖母，非常小心和緩慢，我想這是正確的做法。

薩姆·蘭斯博瑟姆： 也許這就是你離開波士頓的原因。

埃里克·布林约尔松： 沒錯。它們的事故率比人類低90%。我期待有一天所有車都變成這樣。目前它們點對點的速度稍微慢一點。有時當我趕時間時，我實際上會叫Uber，因為我知道司機更願意抄近路，可以這麼說。但部分原因是我們有點把最初令人驚嘆的事物視為理所當然了。

我想我們的大腦天生就會習慣事物。但你提到的另外兩點，我認為更重要也更有趣。一個是衡量標準的問題。我們的經濟指標根本就不是為了捕捉AI的許多效益而設計的，尤其是免費數位商品的效益。所以我們有一套完整的方法來解決這個問題。也許我們之後可以談談這個。

另一部分是J曲線。這就是我們開始對話時提到的——在將能力轉化為實際的商業變革方面，確實存在差距和困難。這是因為需要進行許多互補性的資產和投資。其中許多需要被發明出來，而我們不知道它們是什麼——這些互補性的共同發明，包括新的商業流程、新技能、全新的商業模式和工作方式。它們很困難，我們有企業家、經理人、商學院教授和顧問都在努力找出它們。

在早期與賓州大學的洛林·希特、普拉桑納·坦貝等人合作的研究中，我們發現這些無形資產的投資大約是電腦科技直接投資的10倍。但由於它們大多是無形的、看不見的，我們往往不太重視它們，也不衡量它們，人們甚至沒有意識到它們的存在。但我們正試圖在我們的研究中讓它們更顯而易見，並讓人們認識到你也必須進行這些投資。

薩姆·蘭斯博瑟姆： 實際上，衡量標準的問題既重大又困難。我記得你和卡內基美隆大學的阿維納什·科利斯曾討論過衡量來自維基百科、Facebook和其他科技的價值。所有這些東西都非常難以衡量。我認為，當我們不衡量事物時，我們就做得很糟。

我們也許轉到衡量標準的話題，因為我認為你那個「煤礦裡的金絲雀」研究中有個很酷的故事……我記得你的主要發現是，22到25歲的人暴露程度最高，失去了大約16%的就業機會。但你是用ADP的薪資數據發現這一點的。這是一個非常有趣的資訊信號。跟我們說說那個研究吧。

埃里克·布林约尔松： 和所有人一樣，我們看到各種關於AI消滅工作或AI創造工作的頭條新聞。在任何一個月裡，都有數十萬人獲得或失去工作。一個還算稱職的記者可以輕易找到其中任何一種例子，並圍繞它構建一個故事，或者找個路人聊聊。至少對我來說，我真的不知道如何匯總這些。真實情況到底是什麼？所以我們想要獲得大規模的數據。

當我們查看當前人口調查時，我們並沒有看到太多變化，而當我們查看ADP的總體數據時——ADP是世界上最大的薪資處理商，他們在數位經濟實驗室與我們分享了數據——我們實際上在總體數據中也沒看到太多變化。我幾乎在想：「好吧，我們就寫個故事說這一切都只是炒作。」但隨後我們更深入地挖掘，一些子群體出現了非常大的影響，就像你剛才提到的，22到25歲的人，也就是職涯初期的勞工，他們就業率有明顯下降，但當你根據他們暴露於AI的程度來細分時，情況變得非常驚人。

[OpenAI的] Tyna Eloundou、[賓夕法尼亞大學的] Daniel Rock 等人建立了一套分類體系，將經濟活動中的所有任務——共18,000項不同的任務——按照它們受大型語言模型影響的程度進行排序。大型語言模型能幫你寫備忘錄嗎？當然可以。它能幫你搬箱子嗎？不太可能。如果你對每項任務進行這樣的排序，然後將其匯總到職業層面，基本上就能得出一個分數，判斷這個職業是否會受到大型語言模型的影響。

我們檢視了大約750種職業，並將其分為五等分。在受影響最大的五分之一職業中，最年輕年齡層約有超過一百種職業，最初就業率下降了約12%至13%。而現在，相較於其他職業，這些職業的就業率降幅更接近16%至17%。這確實相當驚人。我們並未觀察到年長勞工的就業率下降，即使在受影響的職業中也是如此。你確實需要這樣細分來看。

即使我們控制了其他因素，例如利率、科技產業——如果你願意，可以將整個科技產業排除在外，或控制科技業過度招聘的情況——我們也能控制遠距工作、教育程度，但這些因素都無法動搖核心結果。我們仍然觀察到這個非常顯著的下降趨勢。

我還能補充一點，正如我之前提到的，年長勞工的狀況還算不錯。還有另外幾個群體也表現良好，其中之一是從事不受AI影響職業的人。例如，若觀察光譜的另一端，像是居家健康助理這類工作，AI對他們的影響相對較小，實際上他們的就業機會仍在增長，即使是年輕勞工也是如此。

然後，最有趣的結果，也是我最興奮的一點是，如果你將他們使用AI的方式分為主要自動化與消除工作，以及增強與創造新技能、新機會、做從未做過的事情，那麼自動化組的就業率下降，而增強組，也就是學習新技能的那群人，就業率則上升。這可說是雙贏：生產力提升，就業也成長。不知為何，媒體報導我們的研究時較少提及這點，但我認為我們發現AI可能與某些勞工的就業成長相關，這點非常重要。

薩姆·蘭斯博瑟姆： 我認為這又回到了你如何使用它、你的決策，以及我們所有人所做的選擇。這並不讓我意外，因為如果我想像一個任務，並回到你提到的任務彙總，我相信沒有任何工作能百分之百地完成所有可自動化的任務，也無法百分之百地完成所有不可自動化的任務。這些任務的組成會讓某些部分的工作變得更有價值，而這些部分也會因此更具價值。

埃里克·布林约尔松： 正是如此。這又是一個非常重要的觀點：每個職業都包含一組任務。在O*Net中，一個典型職業通常有20到30項任務。放射科醫師有26項不同的任務。電腦科學家傑佛瑞·辛頓曾有名言：「閱讀醫學影像，這就是放射科醫師的工作。這將被人工智慧取代。」但他沒有考慮到的是，放射科醫師還有其他25項任務，而其中大多數並未受到人工智慧的影響。

最終的結果是，隨著人工智慧讓醫學影像判讀變得更便宜、更精準，放射科醫師在執行其他任務時的價值反而提升了，因此放射科醫師的整體就業人數也隨之增加。我並非說這種情況總是發生，但確實存在一些案例——有人稱之為「傑文斯悖論」——當某項事物變得更加便宜時，反而會刺激對它的需求，最終導致就業機會增加而非減少，即使效率提升了也是如此。

薩姆·蘭斯博瑟姆： 我認為這很令人沮喪。每個人都希望得到一個明確的答案，像是「這就是標準答案」，但你遇到的卻是一個巨大的「視情況而定」，而且取決於越來越複雜的因素。

埃里克·布林约尔松： 讓我試著用更簡單的方式說明。這比單純的「你總是消滅工作機會」或「總是創造工作機會」要複雜一些。但作為經濟學家，我有一個非常實用的工具——雖然對你的讀者來說可能有點專業，但值得花時間了解——那就是需求曲線的概念。當價格下降時，需求量就會增加。需求曲線是向下傾斜的。我們大多數人直覺上都知道，當東西變便宜時，人們就會買更多。

但真正關鍵的是需求曲線的陡峭程度。以蘋果這類產品為例，即使價格降到原本的十分之一，你也不會因此購買十倍數量的蘋果，頂多就是多買幾個。這條需求曲線相當陡峭，因此當價格下跌時，你的總支出反而會減少。這個概念很直觀，多數人認為所有商品都是如此。

原來並非所有商品都是如此。有許多商品，當價格下降時，即使只是微幅下跌，需求量也會大幅增加，例如搭乘噴射機旅行。過去很少人會搭飛機橫越全國，但現在機票更便宜了，我們很多人反而過度頻繁地在國內飛行。這類商品與服務，被稱為「彈性需求」或「平坦的需求曲線」。

當你遇到這樣的情況時，實際上對某些事物的需求正在增長，最終導致支出增加。經濟中至少一半的商品和服務都處於曲線的這一側。這是個非常好的消息。這意味著，隨著我們變得更具生產力、更有效率，有些領域會縮小，但其他領域會增長。我認為公眾討論中對萎縮一方的偏見有點太多了。我希望透過你的播客做到的一件事，就是讓更多人思考正在增長的那一方。

我開設了一堂大師課程，主要教導人們如何識別並發掘這些創造財富的新機會，以及如何運用人工智慧來開創新型創業項目。我認為，我們越這樣做，人們的處境就會越好。他們不僅能自助，還能透過發明新事物來推動整體經濟發展。

薩姆·蘭斯博瑟姆： 蘋果就是一個很好的例子。就像你說的，我們不會因為蘋果變多就拼命吃，但我也沒聽說過有哪家公司會說：「基本上所有我們能想到的IT專案，我們都在做。」你懂我的意思吧？

埃里克·布林约尔松： 對，沒錯。世界上似乎有無窮無盡的需求，要解決各種各樣的資訊科技問題。當我環顧世界，我並不覺得問題有減少的跡象。貧窮、環境、尤其是醫療保健，這些領域都需要投入更多資源，而我也不認為我們會缺少解決這些問題的機會。

薩姆·蘭斯博瑟姆： 我們會解決這類問題的幻想固然美好，但我認為這在未來幾年、甚至幾個世紀內都不會發生。讓我們回到J曲線的概念。首先請簡單說明什麼是J曲線，以及人們應該如何看待它？

埃里克·布林约尔松： 我認為另一個對人們非常有用的概念是，每當出現重要且強大的技術時，我們經濟學家稱之為通用技術。我們過去常簡稱GPT，但我的AI朋友們把這個縮寫搶走了。然而，AI兩者兼具。它既是生成式預訓練變換器，例如GPT-5，同時也是一種通用技術，就像蒸汽機、電力、內燃機和汽車一樣。這些正是推動大部分經濟增長和生產力的關鍵。它們是我們的生活水準比幾百年前甚至五十年前的祖先更高的原因。

人工智能是我們這個時代，甚至可能是整個歷史中最重要的一般用途技術。但這類一般用途技術的價值，其實來自於互補性資產。以電力為例，它催生了燈泡、電動馬達、空調，最終還帶動了電腦及許多其他事物的發展。而人工智慧則正在推動各種新型商業流程的誕生，這不僅涉及實體技術，還包括我們先前討論過的無形資產。這固然很好，但問題在於，這些無形資產需要時間來建立，成本高昂，且必須投入資源。無論是聘請顧問還是自行開發，你都必須重新思考工作如何進行。

在那段成本高昂的時期，你正在重塑業務流程，投入更多資金，但產出不會立即增加。從數學上講，這意味著投入增加而產出沒有增長，生產力（至少按傳統方式衡量）會下降。這就是J曲線的下降部分。之後，你開始收穫成果，利用這些新的業務流程創造更多產出。此時產出開始上升，這就是J曲線的上升部分。

我們在多數通用技術中觀察到的是，初期會有一段生產力低落甚至負成長的停滯期，隨後才開始起飛。目前人工智慧的發展階段難以精確定位，我們正處於這個過程之中。但回顧歷史，以電力為例——我在博士論文中曾探討過相關內容——說來難以置信，企業花了約二十到三十年的時間，才重新構想工廠的組織方式。

他們正在安裝電動馬達。起初，生產力並未顯著提升。[經濟學家]保羅·大衛等人對此進行了詳盡記錄。在長達三十年的時間裡，工廠在電氣化過程中幾乎沒有生產力增長，這實在令人驚嘆。但最終，他們徹底重新設計了工廠的組織方式。不再圍繞中央馬達（如蒸汽機）集中佈局，而是為每台設備配備獨立馬達，並根據物料流動來分配工作與規劃佈局。

當他們這麼做時，生產力開始飆升，甚至翻倍或三倍成長。但就像我說的，這花了三十年。我不認為人工智慧需要三十年。我很確定這已經開始發生了。但同時，這也比一些科技界的朋友、一些AI領域的朋友所預期的要久。他們認為一旦發明出AI，一切就大功告成了。

正如你所知，山姆，在你的工作和我的工作中，现实情况是，许多业务流程需要重新设计。我们正处于这一过程中，我正在尽己所能加快这一进程。我的公司Workhelix正积极参与，帮助企业识别创造价值的机会。如果我们能加快这一进程，那将非常理想，但我们仍将面临一段J型曲线的调整期。

薩姆·蘭斯博瑟姆： 我在回想电力时代。我猜那时的人们没有季度财报的压力，也没有如今人们可能需要面对的即时成果需求。

埃里克·布林约尔松： 老实说，最大的问题在于他们当时并没有我们如今拥有的这些制度体系。并非自夸，但商学院当时尚未出现。管理咨询类书籍、工业工程与管理科学也根本不存在。我后来特意去查阅过一些旧文献——在哈佛商学院的贝克图书馆里，那些泛黄的书页上记载的思考方式，现在看来简直原始得令人惊讶。

現在有一個更龐大的生態系統，能協助企業重新設計其業務流程。這仍然需要時間進行重新設計，並對員工進行技能再培訓。但我的感覺是，管理者現在對此有更強的意識，他們正更積極地投入其中，並分享最佳實踐。

在Workhelix，我們擁有一項工具，能掃描所有機會並分享給員工，同時找出表現卓越的超級用戶，再將其與一般員工進行比較。如此一來，學習速度比以往沒有這類工具時，大約能提升十倍。

薩姆·蘭斯博瑟姆： 我真的很喜歡這點，因為這又將衡量標準與其他事物連結起來。年度績效評估真的已經不再有幫助了。能夠更清楚地衡量你在做什麼以及如何做，這點確實有所助益。

讓我稍微唱個反調。我寫了一些東西在 麻省理工學院斯隆管理評論 不久前，關於 重新思考人工智慧的目標。你寫了一些關於 「圖靈陷阱」的內容。我認為人們的第一個傾向是通過圖靈測試，讓機器做到人類能做的事。而這會引導我們對現有流程進行漸進式改進。如果我們沒有衡量正確的事物，那麼衡量本身似乎也可能無意中助長這種情況。關於這點，你怎麼看？短期與長期相比呢？

埃里克·布林约尔松： 嗯，確實有短期與長期之分；[那些]就是你的目標。幾個月前我和一位財務長交談，她告訴我：「嘿，我們真的需要衡量人工智慧的效益，也就是投資報酬率。」我說：「那很好。你應該衡量它。跟我說說吧。」她說：「所以我才要求每個部門告訴我，他們從人工智慧中減少了多少人力。」我當時想：「等等。我很高興你在衡量，但這是不是有點過於簡單化了？因為，沒錯，削減成本沒有錯，但這確實錯失了做新事物的更大機會，讓你的員工能夠創造新的價值。」

有一位年薪數百萬美元的財務長，他們賺大錢的原因在於必須更創造性地思考價值創造，而不只是讓機器做人類已經在做的事並取代他們。這就是經典的圖靈測試：你能讓機器完美模仿人類嗎？

這是一種非常狹隘的思考方式。我認為艾倫·圖靈是個天才，但我覺得這種心態對我們使用人工智慧的方式造成了許多損害。我稱之為「圖靈陷阱」，因為我認為只專注於用人工智慧取代或模仿工人是一個陷阱。我們也應該思考人工智慧如何增強我們的能力，讓我們能做新的事情。但這需要新的衡量標準，例如：你如何創造新產品和服務？你如何提高客戶滿意度？你如何提升品質，包括產品品質，甚至員工的工作生活品質？

這些都不會出現在你狹隘的取代思維中，所以這也需要更長的時間，就像你說的。短視主義往往只專注於削減成本和你已經在做的事情。但那些擁有最強競爭優勢、獲得最持久效益的，是那些思考超越現狀、做新事情、建立新業務流程、開發新產品和服務的人。這不會在幾週內發生，但當你達成時，你就能擁有持續數年的成果。

薩姆·蘭斯博瑟姆： 機器在很多地方都勝過我們。判斷這是機器還是人並通過圖靈測試最簡單的方法，就是我無法很快地算數學。我們的目標似乎不完全正確的標準。你提到在[電氣化]初期，人們還沒有相關的制度。尼爾·湯普森[和]麻省理工學院數位經濟計畫，[你]在搬到史丹佛之前顯然參與過，他們在《科學》期刊上發表了一篇文章，說大約90%最重要的新人工智慧模型來自產業界。我們已經看到一個巨大的轉變，從學術界和公共資金[產生]技術效益，轉變為大部分來自科技公司和新創企業。你提到了帕羅奧圖和那裡的中心地帶。好吧，我很擔心。那是這些東西該在的地方嗎？

埃里克·布林约尔松： 部分原因是這些來自產業界，因為建造這些非常大的模型變得極其昂貴。大型語言模型存在這些規模法則：當你把模型做得更大，如果[它]有更多數據、更多運算、更多參數，你就會得到可預測的性能提升。所以他們從花費數百萬美元，到數千萬、數億、數十億，現在是數百億甚至數千億美元來訓練這些模型。沒有任何大學負擔得起。沒有任何非營利組織負擔得起。所以這些公司在我們說話的同時正在籌集巨額資金。Anthropic和OpenAI正在申請上市。Google和Meta都有強大的現金引擎可以投入其中。

這就是驅動這一切的原因。同時，我告訴我的學術界同事，你們的比較優勢不在於花更多錢在電腦上。而是在於創造性思考。有些絕妙的想法僅僅來自於坐在辦公室裡進行深度思考。這仍然是一個好策略。

不久前我和傑佛瑞·辛頓談過，我問他用什麼樣的硬體來產生他的見解和發現。他指著他的筆記型電腦，輕拍它說：「這就是我用的硬體。」對於那些基礎性的突破，並不總是需要擁有數千個GPU。

我認為學術界需要發揮他們的比較優勢。話雖如此，可以公平地說，越來越多的前沿研究是通過非常昂貴的方法進行的。從某種程度上說，這證明了人工智慧的價值有多大。產業界以前不這麼做的原因之一，不僅是因為它昂貴，而是因為它沒有那麼大的回報。

我來分享一個故事。我創辦的第一家人工智慧公司，信不信由你，是在1980年代末。這顯示我有多老了。我和陶德·盧夫伯羅創辦了一家專家系統公司。專家系統是這些基於規則的系統。我們為一些銀行和人力資源組織創造了一點價值，但最終，它完全不像今天公司創造的價值。老實說，那種人工智慧並沒有那麼有價值。直到現在，我們有了這些非常強大的神經網路，才有了前所未有的商業誘因。所以從某種程度上說，產業界如此大規模的投資證明了這個領域的成功。

薩姆·蘭斯博瑟姆： 我喜歡這個觀點。我認為美國政府去年在非國防研究上投入了大約15億美元，而這大約是Google投入的金額。你知道，[國家衛生研究院]和[國家科學基金會]的預算很小。正如你所指出的，我們無法在支出上超越它們。

埃里克·布林约尔松： 但關於這點，我認為這樣說是公平的。你希望兩者兼顧。我的意思是，學術界和聯邦政府的職責是在其具有商業可行性之前進行投資。研發的許多長期效益並不明顯，而且沒有商業誘因去投資。網際網路、早期的太空旅行、許多延長我們壽命的生物學基礎突破，都發生在大學和政府實驗室，因為它們當時不具商業可行性，但後來人們在此基礎上發展。你無法總是事先預知哪些會產生回報。但如果你進行基礎研究，過往記錄顯示，最終其中一定比例會真正改善我們的生活水準。

薩姆·蘭斯博瑟姆： 這就是基礎與應用的區分。我們不需要資助應用研究，因為市場會處理。而對於基礎研究，看不見的手在那些領域運作得沒那麼好，或者運作得比大家期望的慢。

我想你會有很多學術界人士聽這個，因為他們好奇你會說什麼。人們應該關注什麼？哪些類型的事情屬於這個範疇？也許一個批評是，我在學術界看到的很多研究，可以說是為公司做的顧問專案。這些基礎類型的想法是什麼，人們應該去追求？

埃里克·布林约尔松： 嗯，在很多不同領域都有很多這樣的想法，我認為我不想指定它們，因為在某種程度上，部分魔力在於讓人們追求自己的想法，即使外界沒有人看到它們的價值。

話雖如此，我會給你我自己的清單。我專注於經濟層面。我認為目前最大的差距是，我們對人工智慧將如何轉變經濟缺乏良好的理解。我們正在創造極其強大的資訊處理實體。作為經濟學家，你可以把市場視為一個資訊處理實體。你可以把公司和組織視為資訊處理實體。如果人工智慧有千倍或百萬倍的改進，而公司和市場沒有隨之轉型，我們沒有發展出新的組織形式來管理工作，那將是個奇蹟。但我們還沒有弄清楚這些。所以我工作的很大一部分是試圖理解：經濟會是什麼樣子？[有哪些]公司、市場，以及可能隨著人工智慧變得更強大、隨著它匯集資訊、處理資訊而出現的一些新型實體？然後我們將如何管理可能導致的財富和權力集中？

我對科技提升生產力的潛力超級樂觀。我和[西北大學的]羅伯特·戈登有一個長期的賭注，我也寫過我預期生產力會如何成長。同時，我很擔心如果我們管理不當，可能導致財富更加集中，而這往往會導致權力集中。如果我們不找出一個不僅創造財富，還能兼顧共享繁榮的經濟體系，這可能會損害我們的自由。

薩姆·蘭斯博瑟姆： 在談話前我查了一下你的背景，想重新熟悉一下，我看到了一個詞 「正念樂觀主義者」，這讓我有所感觸。那麼，要讓我們走向這個正面的未來版本，而不是負面的未來版本，需要什麼？

埃里克·布林约尔松： 讓我花點時間定義一下 「正念樂觀主義者」，因為我對這個詞有非常特定的含義。在矽谷這裡有很多樂觀主義者，但我認為他們中有太多人是某種盲目樂觀主義者。他們就像：「嘿，艾瑞克，別擔心。過去都解決了，未來也會解決的。放輕鬆。」也有很多人是我所謂的盲目悲觀主義者。他們就像：「喔，天啊，我們完蛋了。我們什麼都做不了。」我認為這兩個群體都犯了同樣的錯誤。

就是我們在節目開頭討論的那個：他們認為人工智慧是會對我們做什麼的東西，而不是我們有能力控制未來。一個正念樂觀主義者是看到一個未來，然後努力去實現它，正念地創造它，而不是假設它會自動發生。

他們不像聖誕節的孩子[那樣]期待禮物會神奇地在第二天早上出現，而是更像看到一棵樹和一些木板的孩子，他們想：「嘿，我們可以在那裡蓋個樹屋。」然後他們說：「嗯，它不會自己發生。讓我們想辦法把它做出來。」然後他們透過努力工作和想像力，讓那個樂觀的現實成真。這就是我希望看到的那種樂觀主義。我看到的還不夠多。我看到太多被動消極了。

上週五我在史丹佛給我的課程上了最後一堂課，我告訴他們的一件事是，每次他們聽到……「人工智慧」時，他們應該想到 被放大的意圖，人工智慧是史上最強大的意圖放大器。無論他們想達成什麼目標，AI都能將其放大，但如果沒有那份自主性、沒有那份意圖，這一切就不會發生。

所以，這是我想要傳達給全世界的訊息：「讓我們思考我們的價值觀是什麼、我們想塑造什麼樣的經濟、我們想創造什麼樣的共享繁榮。」我指的是每一個人，不只是科技從業者，也要把這個訊息傳達給政策制定者、公民、勞工和管理者。讓我們思考如何積極地運用這項技術。

在未來十年內，我預期世界將發生劇烈變化。但沒有任何一個未來是不可避免的。當你跨越國界，例如美國和墨西哥或其他國家之間，你會看到不同的制度導致截然不同的結果、不同的財富和民主程度，未來也是如此。我們可以生活在許多不同的可能未來中。我在數位經濟實驗室這裡所做的其中一件事，就是進行大量研究，以了解哪些路徑更有可能帶來那些有益的結果。

薩姆·蘭斯博瑟姆： 我認為這是一個很好的結尾。我們在兩個方向上都沒有簡單的答案。收益是真實的，傷害也是真實的，而哪一方勝出是我們現在正在做出的選擇，也是我們能夠掌控的事情。

埃里克·布林约尔松： 比以往任何時候都更如此。有趣的一點是，現在正是哲學家、人文學科專家、經濟學家以及那些思考我們想在世界上體現何種價值觀的人們的時代。隨著這股更強大的力量而來的是更大的責任和改變世界的更多潛力。所以我們真的需要有意識地思考，我們想要塑造什麼樣的未來世界。我認為目前對此的重視還不夠，但數位經濟實驗室部分專注於此。

薩姆·蘭斯博瑟姆： 感謝你帶來了數據和細微差別。我們今年夏天波士頓見。

埃里克·布林约尔松： 當然。很期待，Sam。跟你談話很愉快。

艾莉森賴德： 感謝大家今天的收聽。我們將進入暑假，秋季會回歸，屆時將有來自Instacart、GoFundMe、Dropbox和Honeywell的精彩演講者陣容。屆時請加入我們。

與此同時，如果您在Apple Podcasts上留下評論或在Spotify上評分，將對我們的節目有很大幫助。如果我們的節目真的影響了您的生活和工作，請寫信給我們。您可以通過以下方式聯繫我們： smr-podcast@mit.edu。我們很樂意收到您的來信。

我、我自己和人工智慧^® 是麻省理工學院的聯邦註冊商標。版權所有。