生成式人工智能的“经济学”，The Economic Case for Generative AI

大家好，欢迎来到本期的播客节目！我是你们的主持人混合副驾！今天我们要聊一聊生成式人工智能的经济案例，是不是很有趣呢？

嗯，生成式人工智能，听起来就很高大上，但你知道它是什么吗？
简单来说，生成式人工智能就是一种能够自动产生内容的技术。它可以根据输入的信息，生成出与之相关的文字、图片、甚至是音乐！
哇哦，这真是让人惊叹不已啊！

马丁：嘿，大家准备好了吗？接下来，我给大家分享下生成式人工智能在经济领域的案例！这可是个让人振奋的话题啊！AI经济学，听起来是不是很吸引人？嗯，生成式人工智能能够自动生成内容，这个技术真的是太厉害了！
咱们先来说说AI在经济领域的发展历程吧。在过去的50年里，AI的发展一直都是个跌宕起伏的过程，有时充满希望，有时又一度陷入低谷。我还记得我在2003年读博士的时候，我的同学们中有一半都在研究AI。那时的贝叶斯方法非常流行。但是，仅仅过了3年，大家都觉得“AI这个行业已经死了”。
但是，如果你回看过去70年，AI取得了巨大进步，我们解决了许多现实问题。
早在60年代，我们就开始研究专家系统，现在仍然被用于诊断。AI在国际象棋上打败了人类。我们正在研发自动驾驶汽车，让机器具有视觉识别能力。我们已经解决了很多问题……每次我们解决一个问题，我们总是说：“那不算真正的AI。”我们不断地提高目标。
对于一些非常重要的事情，AI现在比人类做得更好已经有一段时间了。比如，感知能力或者手写字识别。不仅如此，我们还非常擅长将这种技术变现，特别是对于大公司来说。众所周知，Meta、Google和Netflix这样的公司通过使用AI已经大大增加他们的市值。
然而，我认为我们应该思考下，为什么这些没有导致新的平台出现？所谓新的平台，就是为什么价值一直都被现有企业所获得，而没有出现一批新的AI公司来取而代之呢？我们在移动互联网和微芯片领域都见证过这种情况。
目前，AI的经济前景似乎并不那么乐观！很多看起来很吸引人的应用案例实际上只是一些小众市场而已。当然，打败人类的国际象棋AI是很厉害，但那不是一个市场。也许它是一个可以用来解决更大问题的有用工具，但它本身并不构成一个市场。

我认为第二个观点是最重要的，而且相当微妙。许多传统的AI应用案例需要在解决方案最后一公里保持正确性，这对于初创公司来说非常困难，原因有几个。
其中一个原因是，如果你必须保持正确性，并且解决方案的最后一公里非常长而且复杂，要么你自己做所有的工作，要么你雇佣人来做。通常情况下，我们会雇佣人。对于初创公司来说，雇佣人提供解决方案是一个变动成本。
第二个原因是，由于解决方案的最后一公里往往非常长，比如在自动驾驶中有很多可能发生的异常情况，为了保持领先，对应的投资需要增加，而价值却会稀释。这就出现了一种逆向的规模经济。
我们对此进行了研究，结果发现很多初创公司最终无法实现高利润率。它们的利润率较低，并且很难扩张规模。
如果我们考虑大多数AI应用案例的竞争对手，那竞争对手往往是人类。传统上，人脑在感知方面非常出色。我们的大脑经过了1亿年的进化，在这方面非常高效。这导致了大多数投资者都知道的一种可怕的AI平庸处境。

什么是AI平庸处境呢？

假设一位创始人来找我们，他想要建立一个AI公司来自动化一些事情。正确性非常重要，所以他们雇佣人来解决问题，而不是用AI。然后他们来找我们，我们投资他们，我加入了董事会。然后我会说：“这很棒，你需要增长。”他们会说：“哦，天哪，我们需要增长，AI很难，我要雇佣更多的人来完成增长。”
这样就陷入了不断需要投资和雇佣大量人员的怪圈。
自动化往往不会发生，即使发生了，也只是解决方案的一部分。这就是为什么很多试图做这个的初创公司没有取得突破性经济效益的原因之一。
反而，价值都积累到了大公司身上，因为它们能够实现规模经济。
我认为一个很好的例子，就是Robotaxi。Robotaxi非常棒，但我们已经投资了750亿美元，单位经济效益仍然无法与人类司机相媲美，因此它仍然掌握在大公司的手中。
“今天用于高端系统的自动驾驶处理单元”，它们只是比人类好了大约10倍，但它们消耗的算力和所需的硬件，则高得多。
经济效益并不那么吸引人，无法做到通过提供比现有解决方案好10000倍的经济效益来实现的。
从过去70年的经验中我们能学到什么？不是技术不行，不是我们无法解决问题，甚至不是我们无法将其变现，大公司在这方面做得很好。问题在于，对于初创公司来说，要打破现状非常非常困难。

那么我们为什么都聚集在这里呢？这股浪潮非常非常不同。你有一个模型，它可以接收自然语言，比如英语，然后产生输出。它可以是一段对话，一张图片，可以应用于任何领域。

正如我们所知，这已经被应用到许多不同的领域，我们已经看到了一些具有生产力和可行性的业务。我喜欢称它们为3C：创造力、陪伴和副驾驶。
创造力指的是可以自动生成视频游戏的任何组件。
陪伴是一种情感连接，你可以与角色进行对话。
副驾驶是指它将帮助你处理工作或个人任务。
这些已经成为独立的产品类别。接下来，我们继续看当前AI的特点。
一个大市场，比如可以说是所有白领工作。仅仅是视频游戏和电影市场也达到了3000亿美元。这些都是巨大的市场。
第二个是最重要的点，也许是最微妙的。在这个领域，正确性不是一个很大的问题，原因有两个。
一个是当你谈论创造力时，并没有一个正确性是什么的规定。一个虚构故事或者一个视频游戏的“正确性”是什么呢？没有所谓的正确与否，正确性不是一个重要问题。
第二个原因更微妙，就是围绕这些事物发展的行为是迭代的。人员成本对企业来说不再是一个变量，我们不需要雇佣这么多员工来保证正确性。你会不断从用户那里得到反馈和纠正。
我们谈到的主要应用案例很明显大多是基于软件的，至少目前是这样。
我认为这非常有趣。在创造力上，硅基比碳基要好得多。
如果你有一个CPU-GPU配置的自动驾驶汽车，一些套件的功耗达到1.3千瓦，而人类大脑的功耗只有15瓦，从经济角度来看，这非常难以竞争。
新一代的AI浪潮正在与大脑的创造性竞争。大脑已经有了50000年的历史，进化相对较少。结果是，这种竞争非常激烈，以至于我们可以看到市场转型所需的经济拐点。
现在，让我们来算一笔账。假设我想要创建一个像皮克斯角色一样的形象。如果我使用一个图像模型，推断成本是每次1美分，需要一秒钟的时间。
如果将其与雇佣一位平均每小时100美元的艺术家进行比较。在成本和时间上，你会发现有4到5个数量级的差异。
这就是经济学家在巨大的市场错位中寻找的拐点。
我再给你举个例子。假设你有一个PDF文件的法律文档。你将其放入大语言模型中，然后针对该文档a提问。同样，推断成本大约是1美分，完成时间可能是一秒。但是相对于律师的费用来说，这是便宜的。
现在，这就是正在发生的事情。
我们看到了如此多的、增长最快的开源项目和产品。这是因为，经济效益。
每当某种产品的边际成本如此之低时，行业就会发生变化。
所谓边际成本，指的是为了生产更多的某种产品，该产品的价格趋近于零。
这可能听起来有些夸张，但我真的认为我们可能正在进入第三个计算时代。
我认为第一个时代是微芯片时代。在计算机出现之前，人们实际上是通过手工计算的。这也是“计算机”这个词的由来。

让我们看看ENIAC。ENIAC的速度比一个人快5000倍。这就是你们寻找的那个3到4个数量级的差异，这引领了计算革命。这诞生了一些全新的公司。
微芯片将计算的边际成本降低到了零，而互联网将分发的边际成本降低到了零。
在90年代，当我想买一个新的视频游戏时，我会去商店买一个游戏光盘。如果你实际计算一下相对于90年代末的互联网传输价格，相对于实际运输来说，又是4到5个数量级的差异。
我认为这些大模型实际上将创造的边际成本降低到了零。
没有人预测到亚马逊，没有人预测到雅虎。像之前的时代一样，你只知道会发生一些事情，你不知道会有什么样的新公司被创建。
经济因素实在太有吸引力了。
当市场出现错位时，总会有一些问题。工作会怎么样？人们会怎么样？
杰文斯悖论。
简单地说，杰文斯悖论是指如果需求是弹性的，即使降低价格，需求也会超过弹性，通常超过很多。互联网就是例子。你会得到更多的价值和更多的生产力。
我个人认为，我们越是创造，人们就越会消费。
我们非常期待生产力的大幅扩张，大量的新工作，大量的新事物。
我认为这会像微芯片和互联网一样发展。
感谢大家的收听，希望你获得了新的认知。

出自：https://mp.weixin.qq.com/s/HeIuBiwqJLBOj6wDAWYc3A