从四个层次看人工智能的经济学分析
日期：2020-11-13 14:57:07 发布人：dzxy 浏览量：1610
有人声称，人工智能(AI)系统将改变经济，甚至造成大规模失业和巨大的垄断。但是专业的经济学家是怎么想的呢?
自Adam Smith的pin factory创立以来，经济学家一直在研究技术变革、生产率和就业之间的关系。因此，人工智能系统能够在越来越多的情况下表现得体，也就不足为奇了。
2017年9月，一群杰出的经济学家齐聚多伦多，为人工智能(AI)经济学制定了一项研究议程。他们讨论了人工智能在经济上的独特之处、影响力以及如何制定相关的政策等问题。
去年9月，我有幸参加了在多伦多举行的第三届大会，亲眼目睹了人工智能的经济发展。在此，我从四个层次概述会议的主要议题:
宏观视图：人工智能对生产率、就业或不平衡等总体经济的影响
中观视图：人工智能对科学研究或监管等个别领域的影响
微观视图：人工智能对组织和个人行为的影响
元视图：人工智能对经济学家用来研究人工智能的数据和方法的影响
经济学家对人工智能的看法
会议主导人Ajay Agrawal、Joshua Gans和Avi Goldfarb曾把人工智能系统描述为“预测机器”，不仅使预测变得便捷而丰富，使组织能够做出更多更好的决策，而且使其中一些决策自动化。一个典型的例子是亚马逊的推荐引擎，它为每个访问者提供个性化的网站版本。如果没有机器学习系统，就不可能实现这种定制。机器学习系统可以根据每个客户的行为和其他相似的客户的数据，自动预测每个客户可能会对哪些产品感兴趣。
任何面临预测问题的部门都可以采用人工智能系统——从农业到金融——几乎任何经济领域都可以采用人工智能系统。人工智能的这种广泛适用性，一些经济学家将其称为一种转型的“通用技术”。这种技术将重塑经济，就像历史较早时期的蒸汽机或半导体那样。
人工智能对劳动力的影响
分析人工智能对劳动力影响的主要框架是Daron Acemoglu和Pascual Restrepo开发的基于任务的模型。这个模型把经济想象成一个生产任务的大集合。能够执行这些任务的人工智能系统的出现，影响了对劳动力的需求、资本的收入份额等。如果人工智能减少了劳动力或增加资本流入的比例——更多的资本往往集中在更少的人手中——这可能会使我们的经济更加不平等。
人工智能对劳动力的影响有以下四个方面：
首先，当人工智能系统取代了以前由人类完成的一些任务。例如亚马逊采用自动推荐系统时，书评就被取代了。这将减少对劳动力的需求。
其次，人工智能系统会增加人类任务的价值。例如亚马逊的网络开发和库存管理任务：由于其人工智能推荐系统，投资在改善网站和储存许多不同书籍上的每一美元，都会为公司带来更大的回报。
资本深化。新的人工智能系统是一种投资，增加工人使用的资本存量，使他们更有生产力，并将增加对劳动力的需求。
最后，当人工智能系统创造出全新的任务，例如开发机器学习系统或标记数据集来训练这些系统时，这些新的任务将创造新的就业机会，增加劳动力需求。
综合考虑，这四个方面决定了人工智能对劳动力需求的影响。与工作末日即将来临的观点相反，该模型确定了人工智能系统可以增加劳动力的需求。与此同时，与经济学中新技术总是通过扩张来增加劳动力需求的标准假设相反，基于任务的模型认识到新技术对劳动力需求的净效应可能是负面的。例如，如果企业采用“平庸”的人工智能系统，其生产率足以取代工人，但又不足以通过其他渠道增加劳动力需求。
会议上提出：
Jackson和Kanik将人工智能模型作为一种中间输入，企业通过使用亚马逊的网络服务等供应链来获取这种输入。在这个模型中，人工智能对劳动力需求和生产率的影响取决于替代工人的情况：如果替代工作的生产率较低，那么人工智能将对生产率产生负面影响。随着企业开始使用人工智能供应商来获取以前由工人提供的服务，人工智能的部署使经济更加相互关联起来。这可以使价值链集中起来，增强市场力量，但也会带来系统性风险。
Autor和Salomons利用美国人口普查局(US Census)自上世纪50年代以来发布的职位名称词典，研究了创造新职位名称的行业和职业的演变。分析显示，当时处于收入分配中间的职业创造了最多的新职位头衔，而现在，大多数新职位头衔都是在高技能、技术密集型职业中创造的。看起来像人工智能这样的现代技术增加了对高技能工作的需求，这导致了劳动力市场的两极分化。还有一种风险是，高技能职业的技能短缺可能与缺乏技能的个人失业并存。
无形资产
为了提高生产率，对人工智能的投资需要伴随着对IT基础设施、技能和业务流程的投资。其中一些投资涉及数据、信息和知识等“无形资产”的积累。与机器或建筑物等有形资产相比，无形资产很难保护、模仿和出售，而且创造无形资产往往需要昂贵的实验和边做边学。
继续以亚马逊为例，在其历史上，该公司建立了一个有形的数据和IT基础设施，以补充其人工智能系统。与此同时，它发展了无形的流程、实践和“以客户为中心”的思维方式，并在其信息系统与供应商和用户的信息系统之间建立了开放的接口，这种无形资产对其成功非常重要，但同时也很难模仿。
Erik Brynjolfsson及其同事在2018年发表的一篇论文中指出，在整个经济中积累这些无形资产的需要，正好可以解释为什么人工智能的进步需要这么长的时间。
今年在多伦多发表的几篇论文对这些问题进行了实证研究：
Daniel Rock使用LinkedIn数据来衡量工程技能对公司价值的影响。这表明，无形的企业因素决定了工程人才的业务影响。他的分析还表明，市场预期这些无形投资将在未来产生重要回报：当谷歌发布TensorFlow时，那些已经聘用人工智能人才的公司的市值出现了增长。一种解释是，发明者将TensorFlow视为一种工具，可以帮助这些公司从人工智能相关的无形投资中创造价值。另一种解释是，这些公司预计将被人工智能系统和服务的开发者所颠覆。
Prasanna Tambe和合作者也使用LinkedIn的数据来估计有关AI无形投资的价值，发现它集中在一小群“明星企业”。这意味着市场预期受益集中在少数几家公司，基于AI经济的市场力量还有待进一步发展。
人工智能不同行业采用的差异和影响
以卫生行业为例：该行业的生产性质、数据的可获得性、改变业务流程的范围及其产业结构(包括竞争和创业水平)，与金融或广告等行业完全不同。这意味着人工智能将对不同行业产生截然不同的影响。
此前的《人工智能经济学》(the Economics of AI)会议包括了人工智能在媒体或医疗等领域的影响的论文。今年审议了其他领域的具体问题，包括科学研发和监管。
让机器创造更好的想法
Cockburn、Henderson和Stern在《人工智能经济学》大会上首次提出，人工智能不仅是一种通用技术，而且是一种“发明方法中的发明”，可以改变科学研发的生产率，在使用这些知识的领域产生重要的溢出效应。即“创造更好想法的人工智能系统”在递归循环中变得更善于创造更好的系统。
今年，风险投资家Steve Jurvetson和初创公司Atomwise的首席执行官Abraham Heifts谈到，他们已经在自己的企业中寻找到了一些这样的机会。有两篇论文研究了人工智能
自Adam Smith的pin factory创立以来，经济学家一直在研究技术变革、生产率和就业之间的关系。因此，人工智能系统能够在越来越多的情况下表现得体，也就不足为奇了。
2017年9月，一群杰出的经济学家齐聚多伦多，为人工智能(AI)经济学制定了一项研究议程。他们讨论了人工智能在经济上的独特之处、影响力以及如何制定相关的政策等问题。
去年9月，我有幸参加了在多伦多举行的第三届大会，亲眼目睹了人工智能的经济发展。在此，我从四个层次概述会议的主要议题:
宏观视图：人工智能对生产率、就业或不平衡等总体经济的影响
中观视图：人工智能对科学研究或监管等个别领域的影响
微观视图：人工智能对组织和个人行为的影响
元视图：人工智能对经济学家用来研究人工智能的数据和方法的影响
经济学家对人工智能的看法
会议主导人Ajay Agrawal、Joshua Gans和Avi Goldfarb曾把人工智能系统描述为“预测机器”，不仅使预测变得便捷而丰富，使组织能够做出更多更好的决策，而且使其中一些决策自动化。一个典型的例子是亚马逊的推荐引擎，它为每个访问者提供个性化的网站版本。如果没有机器学习系统，就不可能实现这种定制。机器学习系统可以根据每个客户的行为和其他相似的客户的数据，自动预测每个客户可能会对哪些产品感兴趣。
任何面临预测问题的部门都可以采用人工智能系统——从农业到金融——几乎任何经济领域都可以采用人工智能系统。人工智能的这种广泛适用性，一些经济学家将其称为一种转型的“通用技术”。这种技术将重塑经济，就像历史较早时期的蒸汽机或半导体那样。
人工智能对劳动力的影响
分析人工智能对劳动力影响的主要框架是Daron Acemoglu和Pascual Restrepo开发的基于任务的模型。这个模型把经济想象成一个生产任务的大集合。能够执行这些任务的人工智能系统的出现，影响了对劳动力的需求、资本的收入份额等。如果人工智能减少了劳动力或增加资本流入的比例——更多的资本往往集中在更少的人手中——这可能会使我们的经济更加不平等。
人工智能对劳动力的影响有以下四个方面：
首先，当人工智能系统取代了以前由人类完成的一些任务。例如亚马逊采用自动推荐系统时，书评就被取代了。这将减少对劳动力的需求。
其次，人工智能系统会增加人类任务的价值。例如亚马逊的网络开发和库存管理任务：由于其人工智能推荐系统，投资在改善网站和储存许多不同书籍上的每一美元，都会为公司带来更大的回报。
资本深化。新的人工智能系统是一种投资，增加工人使用的资本存量，使他们更有生产力，并将增加对劳动力的需求。
最后，当人工智能系统创造出全新的任务，例如开发机器学习系统或标记数据集来训练这些系统时，这些新的任务将创造新的就业机会，增加劳动力需求。
综合考虑，这四个方面决定了人工智能对劳动力需求的影响。与工作末日即将来临的观点相反，该模型确定了人工智能系统可以增加劳动力的需求。与此同时，与经济学中新技术总是通过扩张来增加劳动力需求的标准假设相反，基于任务的模型认识到新技术对劳动力需求的净效应可能是负面的。例如，如果企业采用“平庸”的人工智能系统，其生产率足以取代工人，但又不足以通过其他渠道增加劳动力需求。
会议上提出：
Jackson和Kanik将人工智能模型作为一种中间输入，企业通过使用亚马逊的网络服务等供应链来获取这种输入。在这个模型中，人工智能对劳动力需求和生产率的影响取决于替代工人的情况：如果替代工作的生产率较低，那么人工智能将对生产率产生负面影响。随着企业开始使用人工智能供应商来获取以前由工人提供的服务，人工智能的部署使经济更加相互关联起来。这可以使价值链集中起来，增强市场力量，但也会带来系统性风险。
Autor和Salomons利用美国人口普查局(US Census)自上世纪50年代以来发布的职位名称词典，研究了创造新职位名称的行业和职业的演变。分析显示，当时处于收入分配中间的职业创造了最多的新职位头衔，而现在，大多数新职位头衔都是在高技能、技术密集型职业中创造的。看起来像人工智能这样的现代技术增加了对高技能工作的需求，这导致了劳动力市场的两极分化。还有一种风险是，高技能职业的技能短缺可能与缺乏技能的个人失业并存。
无形资产
为了提高生产率，对人工智能的投资需要伴随着对IT基础设施、技能和业务流程的投资。其中一些投资涉及数据、信息和知识等“无形资产”的积累。与机器或建筑物等有形资产相比，无形资产很难保护、模仿和出售，而且创造无形资产往往需要昂贵的实验和边做边学。
继续以亚马逊为例，在其历史上，该公司建立了一个有形的数据和IT基础设施，以补充其人工智能系统。与此同时，它发展了无形的流程、实践和“以客户为中心”的思维方式，并在其信息系统与供应商和用户的信息系统之间建立了开放的接口，这种无形资产对其成功非常重要，但同时也很难模仿。
Erik Brynjolfsson及其同事在2018年发表的一篇论文中指出，在整个经济中积累这些无形资产的需要，正好可以解释为什么人工智能的进步需要这么长的时间。
今年在多伦多发表的几篇论文对这些问题进行了实证研究：
Daniel Rock使用LinkedIn数据来衡量工程技能对公司价值的影响。这表明，无形的企业因素决定了工程人才的业务影响。他的分析还表明，市场预期这些无形投资将在未来产生重要回报：当谷歌发布TensorFlow时，那些已经聘用人工智能人才的公司的市值出现了增长。一种解释是，发明者将TensorFlow视为一种工具，可以帮助这些公司从人工智能相关的无形投资中创造价值。另一种解释是，这些公司预计将被人工智能系统和服务的开发者所颠覆。
Prasanna Tambe和合作者也使用LinkedIn的数据来估计有关AI无形投资的价值，发现它集中在一小群“明星企业”。这意味着市场预期受益集中在少数几家公司，基于AI经济的市场力量还有待进一步发展。
人工智能不同行业采用的差异和影响
以卫生行业为例：该行业的生产性质、数据的可获得性、改变业务流程的范围及其产业结构(包括竞争和创业水平)，与金融或广告等行业完全不同。这意味着人工智能将对不同行业产生截然不同的影响。
此前的《人工智能经济学》(the Economics of AI)会议包括了人工智能在媒体或医疗等领域的影响的论文。今年审议了其他领域的具体问题，包括科学研发和监管。
让机器创造更好的想法
Cockburn、Henderson和Stern在《人工智能经济学》大会上首次提出，人工智能不仅是一种通用技术，而且是一种“发明方法中的发明”，可以改变科学研发的生产率，在使用这些知识的领域产生重要的溢出效应。即“创造更好想法的人工智能系统”在递归循环中变得更善于创造更好的系统。
今年，风险投资家Steve Jurvetson和初创公司Atomwise的首席执行官Abraham Heifts谈到，他们已经在自己的企业中寻找到了一些这样的机会。有两篇论文研究了人工智能
对研发的影响:
我本人和同事对人工智能在arxiv计算机科学研究中的应用做了分析，人工智能至少是计算方法上的一项发明：人工智能在许多计算机科学分支领域中被采用，并且它已经产生重要影响。人工智能正在计算机视觉、自然语言处理、声音处理和信息检索等领域得到更快的发展，这些领域拥有大量数据集，可以训练机器学习系统，因此人工智能研发在这些领域的进展更快。
Agrawal等人建立了一个模型，研究人工智能对生物医学和材料科学等科研领域的影响，人工智能系统可以帮助识别哪些药物组合具有最大的潜力，以减少浪费，增长研发领域的生产率。作者表示，要实现这些好处，就需要获得训练数据，并组建研究团队，将人工智能技能与所采用的科学领域的领域知识结合起来。
人工智能监管
人工智能等新技术的开发和采用需要出台新的游戏规则。与此同时，监管本身就是一个产业，其结构和流程正在被加速技术变革、创造新的机会的人工智能系统所改 变。会议上有两次谈话都集中在监管和人工智能之间的双向通道上。
Suk Lee等人调查了企业，将如何改变他们的人工智能采用计划，以应对不同的人工智能监管模式。与特定行业的法规相比，通用法规将为人工智能的采用制造更多的障碍，而且法规增加了对监督人工智能采用的管理人员的需求，同时减少了对技术和低技能工人的需求。它也为小公司制造了更大的障碍，增加了在创新和竞争方面更严格的监管的潜在成本。
克拉克和哈德菲尔德认为，监管行业需要创新，以跟上人工智能技术快速变化的步伐，但公共部门的监管机构缺乏灵活性和动力，无法有效地做到这一点。为了解决这个问题，他们建议建立监管市场，其中政府许可私营公司以可衡量的目标来监管人工智能的采用: 这将使私营企业有动力和自由开发创新的监管技术和商业模式，尽管这也提出了由谁来监管这些新监管机构的问题，以及如何避免它们内部出现的问题。
基于机器学习算法的现代人工智能系统常常被称为黑匣子，因为它们的预测很难解释和理解。类似地，在采用宏观视角的经济学家看来，采用人工智能系统的公司就像黑匣子: 毕竟，人工智能无形资产是一个广泛的商业投资类别，包括对各种流程、实践、新业务和组织模型的实验。但是，当这些公司采用人工智能系统时，它们实际上在做什么呢?它们的影响是什么呢?
经济学家将打开这些企业的黑匣子来衡量人工智能的影响。当公司部署人工智能系统时，不仅是为了预测或作出更好的决策，而且重塑了环境中员工、消费者、竞争对手、AI系统本身所扮演的角色。
Susan Athey等人比较了芝加哥UberX和UberTaxi的服务质量。他们通过分析驾驶速度、持续时间、刹车频次等详细的远程数据，证实了UberX司机的工作会受到用户评论的影响。他们还向司机提供有关他们表现的信息以测试是否会改变他们的行为，结果发现，表现最差的司机往往会对这些 “激励”做出反应，从而提高自己的驾驶技术。这篇论文表明，人工智能系统是“管理和监管日益重要的数字平台和市场方法”，同时也引发了人们对员工隐私的大量担忧。
Michael Luca等人对各种策略的有效性进行了测试，以波士顿的一家餐馆的健康检查为例。研究表明，复杂的机器学习算法得出的推荐结果，要优于人类检查员得出的排名。有趣的是，他们还发现了大量不按照人工智能建议的检查人员，这表明工作人员不信任这些系统。
Adair Morse和合著者分析了“金融科技”人工智能系统在抵押贷款歧视中的影响，发现与面对面的贷款人相比，这些系统倾向于减少对拉丁美洲和非洲裔借款人的歧视，无论是在利率和贷款批准率方面。然而，人工智能系统仍然通过识别数据中不同的特征来区别对待。这表明，采用人工智能可以帮助解决旧问题(人类偏见)，同时引入新问题(算法偏见)。
使用人工智能来研究人工智能
人工智能技术对经济学研究有很大贡献，因为经济学研究常常试图从数据中发现因果模式。Susan Athey在首届人工智能经济学大会(Economics of AI conference)上，特别关注了如何利用机器学习来改进现有的计量经济学方法。
上面提到的几篇论文探索了新的数据源和方法，例如使用LinkedIn和Uber的大数据集，以及测试UberX司机对信息推送的反应。在Nesta，我们正在用机器学习方法分析开放数据集，以绘制人工智能地图。
尽管这些方法打开新的分析机会，但是他们也提高了再现性的挑战，特别是当研究依赖于专有数据集，不能与其他研究人员共享。其中一些挑战可以通过共享分析过程中使用的数据和代码，为新方法的应用制定道德准则来解决。
人工智能建模
对人工智能影响的宏观研究假设，只要企业进行必要的补充投资，人工智能就会提高生产率。他们很少关注人工智能带来的新问题，如算法操纵、偏见和错误、员工不遵守人工智能建议，或人工智能市场的信息不对称。这些因素会降低人工智能对生产率的影响，可能阻碍人工智能产品和服务贸易。
对人工智能的宏观研究应该考虑人工智能采用和影响的这些复杂方面，而不是将它们隐藏在无形投资的黑盒子里，或者假设它们在某种程度上是人工智能部署的外生因素。如果我们考虑到不同行业的算法错误风险，以及管理它所需的人力监督投资，这个模型会是什么样子。
总体而言，在《人工智能经济学》大会上发表的研究明确了人工智能对经济造成的外部冲击，比如Daniel Rock关于TensorFlow的发布对企业市场价值影响的研究。然而，人工智能的发展本身就是一个经济过程，其分析应该成为人工智能经济议程的一部分。
在会议晚宴演讲中，OpenAI的Jack Clark描述了人工智能研发的主要趋势：随着企业实验室、大型数据集和大规模IT基础设施在人工智能研究中变得更加重要，同时随着开源软件、开放数据和云计算的更加“民主化”，先进的人工智能系统的部署变得更加容易，我们见证了人工智能正走向“产业化”。这些变化具有重要的经济意义。例如，学术界的研究人员越来越需要与企业合作，以获取训练先进人工智能系统所需的数据。与此同时，通过开放渠道发展人工智能研究给监管机构带来了重大挑战，它们需要在采用人工智能技术的环境中监测合规情况，因为采用人工智能技术就像从GitHub下载和安装一些软件一样简单。在会议上提交的论文很少涉及这些问题。
未来的工作可以通过使用数据、软件、计算基础设施和成熟经验来开发人工智能模型，从而填补这些空白。在这篇论文中，Miles Brundage开始定性地勾勒出这个模型可能的样子，以便研究人工智能行业的结构、组成和生产力，以及它如何向其他部门提供人工智能技术和知识。Felten、Raj和Seamans的研究表明，这种分析可以帮助预测人工智能的经济影响，并为政策提供信息。
研究人工智能创新活动
保持技术的多样性可能是有益的，特别是当我们不知道它们的优缺点时。然而，正如Daron Acemoglu在2011年的这篇论文中所指出的那样，如果研究人员无法从技术多样性的好处中获益，那么在市场上无法替代占主导地位的技术。
在NBER会议上提出的大多数研究都采用了人工智能的“整体”定义，将其等同于当今主导该领域的深度学习，而忽视了对这种方法局限性的关注。然而，正如Gary Marcus在最近的研究中所指出的，为了让人工智能系统更健壮、更适合健康等高风险领域，其他技术可能也是离不开的。
缺乏技术多样性会成为人工智能领域的一个问题吗?作为人工智能研究产业化的一部分，私营企业在设置人工智能研究议程方面的影响力越来越大。我们需要更多的研究来衡量人工智能的技术多样性，以及它是如何被相关人员和组织的目标、偏好和议程所塑造的。我们刚刚发表了一篇关于人工智能研究主题构成的文章，为分析多样性的演化及其在未来工作中的驱动因素提供了基础。
人工智能的政治经济
在首届人工智能经济学大会上，Tratjenberg、Korinek和stiglitz提出了这样一个问题：当人工智能到来时，谁会受益，谁会遭殃?人工智能的部署在政治上是否会变得不可接受?最近，Daron Acemoglu和Pascual Restrepo表示担心，人工智能产业可能会建立某些错误，因为它没有考虑到人工智能的间接影响(例如劳动力市场的混乱)，而且一些领导者不顾其缺点，偏向于大规模自动化。这些重要的问题在很大程度上在多伦多缺乏讨论，但是经济学家需要量化和模型化分析，以确保其经济效益被广泛共享和减少公众反对它的风险。
结论
对我来说，从去年的人工智能经济学大会上得出的最大结论是，人工智能的影响可能比一些报纸文章预期的更复杂，而且出现的时间更长。公司将试图从人工智能中创造价值。其中一些实验可能会失败，或者证明采用人工智能是不经济的。但是有些公司会从这些失败中吸取教训，而有些公司会再试一次。技术短缺、更严格的监管以及消费者的担忧，将放缓某些人工智能系统的采用。在一个行业或公司中采用人工智能，将会创造出意想不到的结果，也给相关行业带来新的变化。
换句话说，未来人工智能对经济的影响更像互联网，它将是复杂的。基于AI的预测机器不仅为我们提供建议，但是我们作为经济体和社会体的参与者，需要对未来人工智能技术的发展，如何更好的利用它们，以及如何管理它们做出决策。正如《人工智能经济学》大会所显示的那样，世界上一些最优秀的经济学家正在为这些决策作出努力。
我本人和同事对人工智能在arxiv计算机科学研究中的应用做了分析，人工智能至少是计算方法上的一项发明：人工智能在许多计算机科学分支领域中被采用，并且它已经产生重要影响。人工智能正在计算机视觉、自然语言处理、声音处理和信息检索等领域得到更快的发展，这些领域拥有大量数据集，可以训练机器学习系统，因此人工智能研发在这些领域的进展更快。
Agrawal等人建立了一个模型，研究人工智能对生物医学和材料科学等科研领域的影响，人工智能系统可以帮助识别哪些药物组合具有最大的潜力，以减少浪费，增长研发领域的生产率。作者表示，要实现这些好处，就需要获得训练数据，并组建研究团队，将人工智能技能与所采用的科学领域的领域知识结合起来。
人工智能监管
人工智能等新技术的开发和采用需要出台新的游戏规则。与此同时，监管本身就是一个产业，其结构和流程正在被加速技术变革、创造新的机会的人工智能系统所改 变。会议上有两次谈话都集中在监管和人工智能之间的双向通道上。
Suk Lee等人调查了企业，将如何改变他们的人工智能采用计划，以应对不同的人工智能监管模式。与特定行业的法规相比，通用法规将为人工智能的采用制造更多的障碍，而且法规增加了对监督人工智能采用的管理人员的需求，同时减少了对技术和低技能工人的需求。它也为小公司制造了更大的障碍，增加了在创新和竞争方面更严格的监管的潜在成本。
克拉克和哈德菲尔德认为，监管行业需要创新，以跟上人工智能技术快速变化的步伐，但公共部门的监管机构缺乏灵活性和动力，无法有效地做到这一点。为了解决这个问题，他们建议建立监管市场，其中政府许可私营公司以可衡量的目标来监管人工智能的采用: 这将使私营企业有动力和自由开发创新的监管技术和商业模式，尽管这也提出了由谁来监管这些新监管机构的问题，以及如何避免它们内部出现的问题。
基于机器学习算法的现代人工智能系统常常被称为黑匣子，因为它们的预测很难解释和理解。类似地，在采用宏观视角的经济学家看来，采用人工智能系统的公司就像黑匣子: 毕竟，人工智能无形资产是一个广泛的商业投资类别，包括对各种流程、实践、新业务和组织模型的实验。但是，当这些公司采用人工智能系统时，它们实际上在做什么呢?它们的影响是什么呢?
经济学家将打开这些企业的黑匣子来衡量人工智能的影响。当公司部署人工智能系统时，不仅是为了预测或作出更好的决策，而且重塑了环境中员工、消费者、竞争对手、AI系统本身所扮演的角色。
Susan Athey等人比较了芝加哥UberX和UberTaxi的服务质量。他们通过分析驾驶速度、持续时间、刹车频次等详细的远程数据，证实了UberX司机的工作会受到用户评论的影响。他们还向司机提供有关他们表现的信息以测试是否会改变他们的行为，结果发现，表现最差的司机往往会对这些 “激励”做出反应，从而提高自己的驾驶技术。这篇论文表明，人工智能系统是“管理和监管日益重要的数字平台和市场方法”，同时也引发了人们对员工隐私的大量担忧。
Michael Luca等人对各种策略的有效性进行了测试，以波士顿的一家餐馆的健康检查为例。研究表明，复杂的机器学习算法得出的推荐结果，要优于人类检查员得出的排名。有趣的是，他们还发现了大量不按照人工智能建议的检查人员，这表明工作人员不信任这些系统。
Adair Morse和合著者分析了“金融科技”人工智能系统在抵押贷款歧视中的影响，发现与面对面的贷款人相比，这些系统倾向于减少对拉丁美洲和非洲裔借款人的歧视，无论是在利率和贷款批准率方面。然而，人工智能系统仍然通过识别数据中不同的特征来区别对待。这表明，采用人工智能可以帮助解决旧问题(人类偏见)，同时引入新问题(算法偏见)。
使用人工智能来研究人工智能
人工智能技术对经济学研究有很大贡献，因为经济学研究常常试图从数据中发现因果模式。Susan Athey在首届人工智能经济学大会(Economics of AI conference)上，特别关注了如何利用机器学习来改进现有的计量经济学方法。
上面提到的几篇论文探索了新的数据源和方法，例如使用LinkedIn和Uber的大数据集，以及测试UberX司机对信息推送的反应。在Nesta，我们正在用机器学习方法分析开放数据集，以绘制人工智能地图。
尽管这些方法打开新的分析机会，但是他们也提高了再现性的挑战，特别是当研究依赖于专有数据集，不能与其他研究人员共享。其中一些挑战可以通过共享分析过程中使用的数据和代码，为新方法的应用制定道德准则来解决。
人工智能建模
对人工智能影响的宏观研究假设，只要企业进行必要的补充投资，人工智能就会提高生产率。他们很少关注人工智能带来的新问题，如算法操纵、偏见和错误、员工不遵守人工智能建议，或人工智能市场的信息不对称。这些因素会降低人工智能对生产率的影响，可能阻碍人工智能产品和服务贸易。
对人工智能的宏观研究应该考虑人工智能采用和影响的这些复杂方面，而不是将它们隐藏在无形投资的黑盒子里，或者假设它们在某种程度上是人工智能部署的外生因素。如果我们考虑到不同行业的算法错误风险，以及管理它所需的人力监督投资，这个模型会是什么样子。
总体而言，在《人工智能经济学》大会上发表的研究明确了人工智能对经济造成的外部冲击，比如Daniel Rock关于TensorFlow的发布对企业市场价值影响的研究。然而，人工智能的发展本身就是一个经济过程，其分析应该成为人工智能经济议程的一部分。
在会议晚宴演讲中，OpenAI的Jack Clark描述了人工智能研发的主要趋势：随着企业实验室、大型数据集和大规模IT基础设施在人工智能研究中变得更加重要，同时随着开源软件、开放数据和云计算的更加“民主化”，先进的人工智能系统的部署变得更加容易，我们见证了人工智能正走向“产业化”。这些变化具有重要的经济意义。例如，学术界的研究人员越来越需要与企业合作，以获取训练先进人工智能系统所需的数据。与此同时，通过开放渠道发展人工智能研究给监管机构带来了重大挑战，它们需要在采用人工智能技术的环境中监测合规情况，因为采用人工智能技术就像从GitHub下载和安装一些软件一样简单。在会议上提交的论文很少涉及这些问题。
未来的工作可以通过使用数据、软件、计算基础设施和成熟经验来开发人工智能模型，从而填补这些空白。在这篇论文中，Miles Brundage开始定性地勾勒出这个模型可能的样子，以便研究人工智能行业的结构、组成和生产力，以及它如何向其他部门提供人工智能技术和知识。Felten、Raj和Seamans的研究表明，这种分析可以帮助预测人工智能的经济影响，并为政策提供信息。
研究人工智能创新活动
保持技术的多样性可能是有益的，特别是当我们不知道它们的优缺点时。然而，正如Daron Acemoglu在2011年的这篇论文中所指出的那样，如果研究人员无法从技术多样性的好处中获益，那么在市场上无法替代占主导地位的技术。
在NBER会议上提出的大多数研究都采用了人工智能的“整体”定义，将其等同于当今主导该领域的深度学习，而忽视了对这种方法局限性的关注。然而，正如Gary Marcus在最近的研究中所指出的，为了让人工智能系统更健壮、更适合健康等高风险领域，其他技术可能也是离不开的。
缺乏技术多样性会成为人工智能领域的一个问题吗?作为人工智能研究产业化的一部分，私营企业在设置人工智能研究议程方面的影响力越来越大。我们需要更多的研究来衡量人工智能的技术多样性，以及它是如何被相关人员和组织的目标、偏好和议程所塑造的。我们刚刚发表了一篇关于人工智能研究主题构成的文章，为分析多样性的演化及其在未来工作中的驱动因素提供了基础。
人工智能的政治经济
在首届人工智能经济学大会上，Tratjenberg、Korinek和stiglitz提出了这样一个问题：当人工智能到来时，谁会受益，谁会遭殃?人工智能的部署在政治上是否会变得不可接受?最近，Daron Acemoglu和Pascual Restrepo表示担心，人工智能产业可能会建立某些错误，因为它没有考虑到人工智能的间接影响(例如劳动力市场的混乱)，而且一些领导者不顾其缺点，偏向于大规模自动化。这些重要的问题在很大程度上在多伦多缺乏讨论，但是经济学家需要量化和模型化分析，以确保其经济效益被广泛共享和减少公众反对它的风险。
结论
对我来说，从去年的人工智能经济学大会上得出的最大结论是，人工智能的影响可能比一些报纸文章预期的更复杂，而且出现的时间更长。公司将试图从人工智能中创造价值。其中一些实验可能会失败，或者证明采用人工智能是不经济的。但是有些公司会从这些失败中吸取教训，而有些公司会再试一次。技术短缺、更严格的监管以及消费者的担忧，将放缓某些人工智能系统的采用。在一个行业或公司中采用人工智能，将会创造出意想不到的结果，也给相关行业带来新的变化。
换句话说，未来人工智能对经济的影响更像互联网，它将是复杂的。基于AI的预测机器不仅为我们提供建议，但是我们作为经济体和社会体的参与者，需要对未来人工智能技术的发展，如何更好的利用它们，以及如何管理它们做出决策。正如《人工智能经济学》大会所显示的那样，世界上一些最优秀的经济学家正在为这些决策作出努力。