导言
在科研领域，如果说AI是一部不断升级的预测机器，擅长吸收和整合已有的知识，那么我们有望看到一种强大的人机互补：AI主导深化，人类引领拓展，共同推进科学发现的前沿。这是多伦多大学罗特曼管理学院教授Joshua Gans在其“罗汉论道”讲座的上半场中提出的重要判断。接下去的一个重要问题是：将AI引入科研工作和知识探索，这对于宏观经济会有什么样的影响？是否有助于促进长期的均衡增长与社会福祉？
在讲座的下半场，Gans将微观知识模型嵌入一般均衡的增长框架，对上述问题给出了初步回答。他指出，AI 并不直接改变长期经济增长率，而是通过重塑科学探索的激励，改变知识空间的“密度”（density）与“新颖性”（novelty）。由此带来的宏观经济产出影响可正可负，取决于知识密度是否真的能让后续研究更有效率。在此基础上，他进一步推演了AI供应市场的垄断与竞争格局、安全监管，以及开放与封闭的许可模式将如何引发连锁经济效应。
在与罗汉堂秘书长陈龙教授的对话环节，Gans进一步反思了人机协作的本质，将AI定位为极具效率却仍需人类时刻把关的科研合作者。他提醒我们，未来知识经济的核心命题或许并不在于社会是否需要一个“汇聚AI天才的数据中心”，而在于这种全新的认知工具将如何实质性地重塑组织内部的脑力劳动分工。
以下是 Joshua Gans 演讲的下半部分中译全文：
Joshua Gans
前面我们在讲到AI对于研究周期的影响时，提出了一种阶梯式的知识演进过程：先向外确立一个新的知识锚点，然后填补断层处的知识，接着再向外寻找下一个新的知识锚点。这个过程看起来非常平衡。这就给了我一个新的启发：在经济学研究中，我们通常希望宏观经济增长是平衡的，从模型构建的角度来看更是如此。因此，我又撰写了一篇题为《AI知识的增长》（Growth in AI Knowledge）的论文。刚才大家已经初步理解了AI知识模型的基础设定，现在我就进一步描述它在更宏观的经济增长框架中是如何运作的。
01
AI 知识与经济增长
第二篇论文实际上想要做出两项核心贡献。首先，它将 Carnehl & Schneider 关于知识的概念，巧妙地转化为标准的经济增长框架。其次，它深入探讨了当我们拥有刚才讨论的前沿AI工具后，宏观经济会发生什么。这与原模型的视角差别很大，但这种视角的转换，可以有效地解决 Carnehl & Schneider遇到的一些技术难题，特别是如何进行社会福利计算并得出政策相关的结论。
可以看到，这基本上就是一个一般均衡模型（general equilibrium model）。在传统的增长模型中，经济产出通常取决于各项任务或决策的执行表现，这与我们的设定非常接近。我们可以将这些生产函数视作一系列由劳动者执行和操作的决策集合。在这个体系中，劳动力是稀缺资源，这一点由模型中的资源约束条件决定。
那么，科学研究在这里发挥了怎样的作用呢？正如刚才已经讨论过的，研究将改变决策的集合，提升决策的质量。研究者在进行科学探索时，他的目标不仅在于提高决策的理论价值，更在于通过优化稀缺劳动力的分配，来最大化实际生产环节中决策的商业与经济价值。除此之外，这看起来与我们现有的经典增长模型非常相似。
同时，科学研究致力于探索新知，需要消耗资源，包括人力资源和研究经费。因此，在这个模型中，研究成效（research productivity）取决于投入到研究中的劳动力和资本，也依赖于过去的知识积累（体现为当前可执行的任务）。而经济增长则进一步体现为由新知识所带来的可执行任务的增长；这个增量取决于研究成效和研究者所选择的探索跨度。
这里，我们引入一个极其重要的概念：知识密度（knowledge density），衡量当前整个知识空间是稀疏还是密集。学界有一种观点认为，越是新颖的知识，对后续研究的促进作用就越大。而另一种观点则认为，越密集的知识才越有价值，能带来更高的成效。在模型中，这个判断会决定社会结果：如果起作用的是新颖性，个人研究者的知识选择会低于社会最优，其实还可以更激进一些；如果起作用的是密度，个人选择则会高于社会最优，追求新颖反而过了头。所以，知识的密度和广度，这两者共同决定了实际经济产出的均衡增长路径。
引入AI之后又会发生什么呢？在这篇论文中，我对AI的建模与第一篇论文有所不同。我采用了一种更温和的假定：如果AI在其能力范围内运行，那么它将在一定程度上降低该相关领域内的决策误差，提高决策质量。在引入均衡增长模型后，虽然AI实际上并不直接改变长期的经济增长率，但它会改变科学研究的激励机制。
正如我们之前看到的，AI的到来扩大了研究者乐于探索的知识跨度，并可以在很大程度上提高研究的新颖性。如果事实上能证明知识的新颖性作用更大，那么AI将带来极佳的社会经济影响。但如果知识密度才是更重要的因素，那么AI就会起到相反的作用。也就是说，在知识新颖性（广度）和知识密度之间存在某种权衡，AI只是让整个过程变得更加平滑和连贯。
02
初步的政策思考
此外，我想补充一点：这个模型假设AI是由单家垄断企业提供的，并据此定价和推广。时间有限，我无法在此具体展示定价的细节。但对我们的问题来说，AI的质量将会直接影响到AI提供商的利润，而这又会关联到很多政策问题。
例如，假设有一个竞争性的——而非垄断的——AI供应市场，那么我们的模型可以证明，竞争性的市场会催生更多新颖的研究。但这一定是好现象吗？这依然取决于前面提到的那个问题：也许在某些情境下，我们并不希望研究因为过于追求新颖而牺牲了密度。
再例如，如果我们对AI的安全性进行监管，规定AI必须满足某种最低标准才能被使用，情况会怎样？在这种设定下，我们可能会发现：在监管较松时，决策者们会积极使用它；而一旦面临最低标准门槛，他们可能会选择退出。这同样会产生一系列的连锁经济效应。
最后，就目前而言，我们习惯了研究者生产新知识并将其无偿交还给公共知识领域。但如果他们将自己的研究成果有偿许可给AI提供商呢？我们的模型显示，当AI能力处于高水平时，开放的知识许可将比专有的封闭许可更能促进研究的繁荣。我们还可以从这个模型框架中得出许多其他的预测。
综上所述，这项研究目前的阶段性结论是：第一，AI的能力与知识的拓展高度互补。随着AI工具的不断改进，它将促使人们生产出更新颖的知识，这是长期趋势。但在初始阶段，知识的新颖度可能会出现短暂的下滑。第二，这对社会总体福利的影响，归根到底取决于到底是知识的密度还是新颖度才是提升研究成效的关键，这依然是一个尚未有定论的开放问题。我在论文中提出了几种微观机制，表明结果可能向任何一个方向发展，并且还要考虑诸如知识网络的嵌入性、研究者对组合式研究的渴望程度等因素。
在下一步的研究中，我非常有兴趣探讨AI决策工具将如何与那些直接影响研究过程的其他工具产生相互作用，以及AI将如何影响企业内部的认知劳动分工，如何重塑企业的演进路径与竞争格局。此外，我和 Avi Goldfarb 以及 Ajay Agrawal 正在开展一项聚焦于“变革性AI”（transformational AI）的研究项目。Anthropic 公司的 Dario Amodei 曾提出，未来我们将拥有一个“汇聚天才的数据中心”（a data center full of geniuses）。我们对这种前景将如何冲击知识经济非常感兴趣。问题可能在于：虽然我们可能会拥有一个汇聚“天才”的数据中心，但社会对这些“天才”的实际需求是否真的存在，这其实并不明朗，是一个亟待探索的问题。
以上就是我今天想分享的全部内容。谢谢大家。
对话环节
陈龙（罗汉堂秘书长）
Joshua你好，好久不见。为了不打断你的精彩演讲，我把问题攒到了最后。我尝试在一个更宏观的视角下理解你的这项研究：AI究竟是在提高效率，还是在推动创新？我认为这个问题对于当前各行各业的知识工作者来说非常重要，可能人类将来只能去做机器做不好的工作。
我理解你是在说，AI在已知的知识领域内表现极其优异，但一旦跨出这些领域，成本就会急剧上升，这是这项技术的独特之处。我的问题在于：人类是否也存在类似的局限？人类可能善于死记硬背和重复性劳动，但在持续地创新上或许并不出色。在这个意义上，AI是与人类相似，还是与人类互补呢？
Joshua Gans
好的，让我来尝试回答。在前面提到的Carnehl & Schneider的研究中，他们已经发现，相比于跨出现有知识边界去拓展新知，在已知领域内进行深化研究一般能够获得更高的决策收益，这对于研究者来说是一种很重要的激励机制。
在我提出的模型中，AI的角色主要被限定在已知领域内，因为在这种情况下，使用AI比单靠人类要强太多。当然，我并没有暗示人类会变得可有可无。在增长模型中，我明确包含了人类的持续参与，而AI则被定位为一种可以增强人类生产力的强大工具。
在知识生产方面，当前的讨论常常集中于AI未来是否会在研究类和创意类任务上超越人类。我的观点是：不是说没有这种可能，但目前基于机器学习（machine learning）的AI，其进步本质上是统计学意义上的。而我们在科学探索中，通常并不依赖纯粹的统计方法来拓展知识的边界，因为我们很难对样本之外甚至已知范围外的东西做出预测。
另外，关于企业组织内部的知识问题非常有意思，我目前也正在研究认知劳动的分工问题。现有的理论模型通常假设员工带着不同的知识和技能进入组织，组织决定雇佣谁并安排他们的工作。但我感兴趣的是另一种维度上的分工。想象一下，如果一部分员工能够熟练运用现有知识进行统计推断，而另一部分员工则致力于突破现有知识的边界去寻找新答案，那么这两类员工之间的分工将如何进行？这正是AI迫使我们思考的新命题。目前还没有经济学模型能很好地分析这一维度。
陈龙
这就涉及到一个相关的问题：究竟什么是真正的知识创新？有多少创新是提示词（prompt）与工具的巧妙结合，又有多少纯粹是提示词的提升？不久前，诺奖经济学家Bengt Holmström 在我们的研讨会上提到：博士生培养过程中，90%的时间都应当花在如何去寻找和构思合适的研究问题上。这其实可以被理解为提示词的重要性：如果人类能提供非常好的提示词，那么即便是以AI当前的能力，也已经能够很快生成一本书或一篇论文。
Joshua Gans
我认为用指导博士生来做类比固然很形象，但我们还需要有更进一步的反思。不可否认，人类在提示词方面确实具有很大优势。毕竟AI不会无所事事地坐等任务或自发产生创意，我们必须给它一个起点。
然而，我更倾向于将AI视为一个能力尚可但不太可靠的研究助理。它在高效执行方面非常可靠，极大地加快了整个研究的节奏。你可以与它进行长时间的对话，运行复杂的计算，完成那些耗时的繁琐工作。
但同时，即便你提供了结构极其严密的提示词，它给出的答案也可能离题万里。过去的半年中，我一直在不断磨练自己的直觉，去敏锐地察觉AI何时在犯错。因为AI生成的答案往往表面上看起来非常专业且有说服力，让人极易产生心理依赖。这就如同教授需要学习如何一眼辨别学生作品的好坏。
此外，人机协作绝非由人类单向地下达指令。有时候我们会向AI坦白自己遇到了瓶颈，并要求它提供一些备选方案。即使它生成的选项都不尽如人意，这些“废稿”也能激发你的灵感，帮你雕琢出一个全新的提示词，进而引出更优质的素材。这并不是非黑即白的过程。
AI是一种可以与人类协作的认知工具；它越强大，这种协作就越顺畅。有时在与AI的高频互动中，我会认为如果它是一个人，那足以让我将它视为一名合著者（co-author）。在与它的思想交锋中，我甚至无法分辨某个具体的绝妙主意究竟诞生于哪个瞬间。
陈龙
我还有最后一个问题。我有一点担心，你的模型和结论是否仅仅建立在AI当前的能力基础之上？在具备思维链（chain-of-thought）的推理模型（reasoning models）发布之后，AI技术的进展速度已经令人目不暇接。如果仅仅是说“基于当前能力，AI只能做某些特定范围内的事情”，那么一两年之后，随着技术的迭代，情况又会如何？
Joshua Gans
推理模型确实很厉害。但我们必须非常清醒地认识到：推理模型本质上只是AI在进行自我提示和自我回答。有时它们生成的结果令人惊叹，但其底层的运作机制依然是一个统计学过程。那些自我生成的提示词，仍然建立在一个以优化预测为目标的统计框架之内。我认为，它从根本上仍然是在对现有的海量信息进行插值（interpolate）推断。这也是为什么我认为，指望AI能凭空想出一个颠覆性的全新数学证明，在当前的逻辑下是不成立的。
我们目前能看到的真正创新出现在围棋领域：AI走出了被视为真正原创的妙招。为什么会发生这种情况？那是强化学习（reinforcement learning）在更庞大的空间中搜索的结果，并且它已经具备识别好棋的能力，所以能发现人类未曾想到的棋步。这是最接近在现有知识领域外进行探索的例子。但即便如此，这也还是在一个规则、知识和结构都完全设定好的环境中发生的——以前我们只是缺乏计算能力罢了。对人类而言，这是一个全新的知识点吗？是的。它是如何被发现的？是在一个限定好的知识领域内，通过海量的统计计算得出的。
如果AI真能创造出完全脱离现有框架的新知识，我会欣喜若狂。但就我每天长达四五个小时与这些系统深度互动所看到的现状而言，它的输出依然偏向于常规，主要是在综合人类已有的想法。究其根本，预测机器面临的终极局限在于，它终究是一台“平均化机器”（averaging machine）。
陈龙
很好。这正是今天我从你的分享中学到的关键点：无论AI是预训练模型还是推理模型，它目前仍在一个特定的已知领域内运作，受限于其根本的能力边界。谢谢！
完整视频回放请访问我们的 YouTube 官方频道👉🏻
https://youtu.be/xiGW-DQexro
