相比于之前的歷次技術(shù)進(jìn)步，“人工智能革命”所引發(fā)的沖擊更為巨大，其對(duì)經(jīng)濟(jì)學(xué)造成的影響也將更為廣泛和深遠(yuǎn)。人工智能技術(shù)的突飛猛進(jìn)，對(duì)經(jīng)濟(jì)社會(huì)的各個(gè)領(lǐng)域都產(chǎn)生了重大影響，這種影響當(dāng)然也波及到了經(jīng)濟(jì)學(xué)。很多一線經(jīng)濟(jì)學(xué)家紛紛加入了對(duì)人工智能的研究，不少知名學(xué)術(shù)機(jī)構(gòu)還組織了專(zhuān)門(mén)的學(xué)術(shù)研討會(huì)，組織學(xué)者對(duì)人工智能時(shí)代的經(jīng)濟(jì)學(xué)問(wèn)題進(jìn)行專(zhuān)門(mén)的探討。事實(shí)上，經(jīng)濟(jì)學(xué)家并不是最近才開(kāi)始關(guān)注人工智能的。在理論層面，經(jīng)濟(jì)學(xué)對(duì)決策問(wèn)題的探討與人工智能所研究的問(wèn)題有很多不謀而合之處，這決定了兩門(mén)學(xué)科在研究上存在著很多交叉之處。

前言

從歷史上看，經(jīng)濟(jì)學(xué)家對(duì)人工智能的理論關(guān)注至少有過(guò)三次高潮：

第一次高潮是上世紀(jì)五六十年代，人工智能這門(mén)學(xué)科的奠基之初。當(dāng)時(shí)，有不少經(jīng)濟(jì)學(xué)家參與了這一學(xué)科的建設(shè)。例如，諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主Herbert Simon就是人工智能學(xué)科的創(chuàng)始人之一，也是“符號(hào)學(xué)派”的開(kāi)創(chuàng)者。在他看來(lái)，經(jīng)濟(jì)學(xué)和人工智能有不少共通之處，它們都是“人的決策過(guò)程和問(wèn)題求解過(guò)程”，因此在進(jìn)行人工智能研究的過(guò)程中，他融入了不少經(jīng)濟(jì)學(xué)的思想。

第二次高潮是在本世紀(jì)初。當(dāng)時(shí)，經(jīng)濟(jì)學(xué)在博弈論、機(jī)制設(shè)計(jì)、行為經(jīng)濟(jì)等領(lǐng)域都取得了不少的進(jìn)展，這些理論進(jìn)展被頻繁地應(yīng)用在人工智能領(lǐng)域。

最近經(jīng)濟(jì)學(xué)家對(duì)人工智能問(wèn)題的關(guān)注是第三次高潮。這次高潮主要是在以深度學(xué)習(xí)為代表的技術(shù)突破的推動(dòng)下發(fā)生的，由于深度學(xué)習(xí)技術(shù)強(qiáng)烈依賴(lài)于大數(shù)據(jù)，因此在這輪高潮中的不少討論集中在了與數(shù)據(jù)相關(guān)的問(wèn)題上，而在對(duì)人工智能進(jìn)行建模時(shí)也重點(diǎn)體現(xiàn)出了規(guī)模經(jīng)濟(jì)、數(shù)據(jù)密集等相關(guān)的性質(zhì)。

至于應(yīng)用層面，經(jīng)濟(jì)學(xué)和人工智能這兩個(gè)領(lǐng)域的互動(dòng)更為頻繁。目前，在金融經(jīng)濟(jì)學(xué)、管理經(jīng)濟(jì)學(xué)、市場(chǎng)設(shè)計(jì)等領(lǐng)域都可以看到人工智能的應(yīng)用。

從總體上看，最近有關(guān)人工智能的經(jīng)濟(jì)學(xué)大致可以分為三類(lèi)：

第一類(lèi)研究是將人工智能視為分析工具。

一方面，人工智能的一些技術(shù)可以與傳統(tǒng)的計(jì)量經(jīng)濟(jì)學(xué)相結(jié)合，從而克服傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)在應(yīng)對(duì)大數(shù)據(jù)方面的困難。應(yīng)用這些新的計(jì)量技術(shù)，經(jīng)濟(jì)學(xué)家可以探索和構(gòu)建新的經(jīng)濟(jì)理論。另一方面，人工智能的發(fā)展也為采集新的數(shù)據(jù)提供了便利。借助人工智能，諸如語(yǔ)音、圖像等信息都可以較為容易地整理為數(shù)據(jù)，這些都為經(jīng)濟(jì)學(xué)研究提供了重要的分析材料。

第二類(lèi)研究是將人工智能作為分析對(duì)象。

從經(jīng)濟(jì)學(xué)角度看，人工智能具有十分鮮明的性質(zhì)。首先，人工智能是一種“通用目的技術(shù)”（General Purpose Technology，簡(jiǎn)稱(chēng)GPT），可以被應(yīng)用到各個(gè)領(lǐng)域，其對(duì)經(jīng)濟(jì)活動(dòng)帶來(lái)的影響是廣泛和深遠(yuǎn)的。現(xiàn)在，在分析經(jīng)濟(jì)增長(zhǎng)、收入分配、市場(chǎng)競(jìng)爭(zhēng)、創(chuàng)新問(wèn)題、就業(yè)問(wèn)題，甚至是國(guó)際貿(mào)易等問(wèn)題時(shí)，都很難回避人工智能所造成的影響。其次，人工智能是一種強(qiáng)化的自動(dòng)化，它會(huì)對(duì)勞動(dòng)力產(chǎn)生替代，并造成偏向型的收入分配結(jié)果。再次，當(dāng)前的人工智能技術(shù)發(fā)展強(qiáng)烈依賴(lài)與大數(shù)據(jù)的應(yīng)用，這就決定了它具有很強(qiáng)的規(guī)模經(jīng)濟(jì)和范圍經(jīng)濟(jì)，這兩個(gè)特征對(duì)產(chǎn)業(yè)組織、競(jìng)爭(zhēng)政策、國(guó)際貿(mào)易等問(wèn)題都會(huì)產(chǎn)生重要影響。以上的所有這些特征共同決定了分析和評(píng)估人工智能對(duì)現(xiàn)實(shí)經(jīng)濟(jì)造成的影響應(yīng)當(dāng)成為經(jīng)濟(jì)學(xué)研究的一個(gè)重要話題。

第三類(lèi)研究是將人工智能作為思想實(shí)驗(yàn)。

作為一門(mén)學(xué)科，經(jīng)濟(jì)學(xué)是建立在理想化的假設(shè)基礎(chǔ)之上的。在現(xiàn)實(shí)中，很多假設(shè)并不成立，因此經(jīng)濟(jì)學(xué)的預(yù)言就和現(xiàn)實(shí)存在著一定的差距。而人工智能的出現(xiàn)，從某種意義上來(lái)講是為經(jīng)濟(jì)學(xué)家提供了一個(gè)可能的、符合經(jīng)濟(jì)學(xué)假設(shè)的環(huán)境。這同時(shí)也為檢驗(yàn)經(jīng)濟(jì)理論的正確性提供了一個(gè)場(chǎng)所。

在本文中，筆者將對(duì)最近幾年來(lái)有關(guān)人工智能的經(jīng)濟(jì)學(xué)文獻(xiàn)進(jìn)行梳理，對(duì)相關(guān)的重要文獻(xiàn)進(jìn)行介紹。考慮到在上述三類(lèi)研究中，第三類(lèi)的科幻性較強(qiáng)，而科學(xué)性相對(duì)不足，因此本文將暫時(shí)不涉及這類(lèi)研究，對(duì)此感興趣的讀者可以自行參考Hanson（2016）等代表性文獻(xiàn)。

一、人工智能的相關(guān)概念簡(jiǎn)介

在正式展開(kāi)對(duì)人工智能經(jīng)濟(jì)學(xué)的討論之前，我們需要先對(duì)文獻(xiàn)中經(jīng)常提及的幾個(gè)概念——“人工智能”、“機(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”進(jìn)行一下解釋。初略來(lái)講，人工智能的概念是最大的，機(jī)器學(xué)習(xí)是其的一個(gè)分支學(xué)科，而深度學(xué)習(xí)又是機(jī)器學(xué)習(xí)的一個(gè)分支（如圖1）。

圖1：人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系

在最廣的意義上，人工智能是“讓智能體（agent）在復(fù)雜環(huán)境下達(dá)成目標(biāo)的能力”。關(guān)于智能體應(yīng)該怎樣達(dá)成目標(biāo)，不同的學(xué)者有不同的理解。早期的學(xué)者認(rèn)為，人工智能應(yīng)當(dāng)模仿人類(lèi)的思考和行動(dòng)，其目的在于創(chuàng)造出能和人類(lèi)一樣思考的機(jī)器。

而較近的一些學(xué)者則認(rèn)為，人類(lèi)的思維方式只是一種特定的算法，人工智能并不一定要模仿人類(lèi)，而應(yīng)該在更廣的范圍上讓智能體合理地思考和行動(dòng)。以LeCun、 Tagmark為代表的一些學(xué)者甚至認(rèn)為一味模仿人腦只會(huì)限制人工智能的發(fā)展。人工智能包括很多分支學(xué)科，例如機(jī)器學(xué)習(xí)、專(zhuān)家系統(tǒng)、機(jī)器人學(xué)、搜索、邏輯推理與概率推理、語(yǔ)音識(shí)別與自然語(yǔ)言處理等。

機(jī)器學(xué)習(xí)（Machine Learning）是人工智能的一個(gè)分支學(xué)科，是實(shí)現(xiàn)人工智能的一種方法。它使用算法來(lái)解析數(shù)據(jù)，從中學(xué)習(xí)，然后對(duì)真實(shí)世界中的事件做出決策和預(yù)測(cè)。和傳統(tǒng)的為解決特定任務(wù)而專(zhuān)門(mén)進(jìn)行編程的思路不同，機(jī)器學(xué)習(xí)“讓計(jì)算機(jī)擁有在沒(méi)有明確編程的條件下?lián)碛袑W(xué)習(xí)的能力”，并通過(guò)對(duì)大量數(shù)據(jù)的學(xué)習(xí)找出完成任務(wù)的方法。

根據(jù)學(xué)習(xí)的特征，機(jī)器學(xué)習(xí)可以分為三類(lèi)：有監(jiān)督學(xué)習(xí)（Supervised Learning）、無(wú)監(jiān)督學(xué)習(xí)（Unsupervised Learning）和強(qiáng)化學(xué)習(xí)（Reinforcement Learning）。

有監(jiān)督學(xué)習(xí)是通過(guò)對(duì)有標(biāo)簽的數(shù)據(jù)樣本（a sample of labelled data）進(jìn)行學(xué)習(xí)，從而找出對(duì)輸入和輸出之間的一般性法則。例如，對(duì)于房地產(chǎn)企業(yè)來(lái)說(shuō)，他們擁有大量房屋屬性，以及房?jī)r(jià)信息的數(shù)據(jù)，如果他們希望對(duì)這些數(shù)據(jù)進(jìn)行學(xué)習(xí)，通過(guò)建模找出房?jī)r(jià)和各類(lèi)房屋屬性之間的關(guān)系，那么這個(gè)過(guò)程就是有監(jiān)督學(xué)習(xí)。進(jìn)行有監(jiān)督學(xué)習(xí)的算法主要有兩類(lèi)，一類(lèi)是回歸（Regression）算法，另一類(lèi)是分類(lèi)（Classification）算法。

無(wú)監(jiān)督學(xué)習(xí)所面對(duì)的數(shù)據(jù)樣本則是沒(méi)有標(biāo)識(shí)的，其任務(wù)在于通過(guò)學(xué)習(xí)這些數(shù)據(jù)從而找出數(shù)據(jù)中隱藏的潛在規(guī)律。例如，藝術(shù)鑒賞家經(jīng)常需要對(duì)名畫(huà)的流派進(jìn)行鑒定。顯然，在任何一張畫(huà)上都不會(huì)存在任何明確標(biāo)識(shí)的特征信息，因此鑒賞家們只能通過(guò)大量欣賞畫(huà)作去增加主觀體驗(yàn)。久而久之，他們會(huì)發(fā)現(xiàn)某些畫(huà)家會(huì)固定使用一些作畫(huà)技巧，通過(guò)對(duì)這些技巧的識(shí)別，他們就能對(duì)畫(huà)作的流派進(jìn)行鑒定。在這個(gè)過(guò)程中，鑒賞家們的學(xué)習(xí)就是無(wú)監(jiān)督學(xué)習(xí)。聚類(lèi)（Clustering）算法進(jìn)行無(wú)監(jiān)督學(xué)習(xí)的主要算法。

強(qiáng)化學(xué)習(xí)是在動(dòng)態(tài)環(huán)境中進(jìn)行的學(xué)習(xí)，學(xué)習(xí)者通過(guò)不斷試錯(cuò)，從而使得獎(jiǎng)勵(lì)信號(hào)最大化。例如，學(xué)生通過(guò)做習(xí)題來(lái)溫習(xí)功課，每次做完習(xí)題后，老師都會(huì)批改習(xí)題，讓他們知道哪些題做對(duì)了，哪些題做錯(cuò)了。學(xué)生根據(jù)老師的批改，找出錯(cuò)誤、糾正錯(cuò)誤，讓正確率不斷提高，這個(gè)過(guò)程就是強(qiáng)化學(xué)習(xí)。

近年來(lái)備受關(guān)注的深度學(xué)習(xí)（Deep Learning）是機(jī)器學(xué)習(xí)的一個(gè)研究分支。它利用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，通過(guò)組合低層特征形成更加抽象的高層表示屬性類(lèi)別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。在傳統(tǒng)的條件下，由于可供學(xué)習(xí)的數(shù)據(jù)過(guò)少，深度學(xué)習(xí)很容易產(chǎn)生“過(guò)度擬合”等問(wèn)題，因而影響其效果。但隨著大數(shù)據(jù)的興起，深度學(xué)習(xí)的力量就開(kāi)始體現(xiàn)出來(lái)。今年來(lái)人工技術(shù)的迅速發(fā)展，很大程度上是由深度學(xué)習(xí)的發(fā)展推動(dòng)的。

二、作為研究工具的人工智能

人工智能是經(jīng)濟(jì)學(xué)研究的有力工具。一方面，人工智能中的機(jī)器學(xué)習(xí)目前已開(kāi)始逐步融入計(jì)量經(jīng)濟(jì)學(xué)，在經(jīng)濟(jì)學(xué)研究中有了較多應(yīng)用。另一方面，語(yǔ)音識(shí)別、文本處理等技術(shù)也為經(jīng)濟(jì)學(xué)研究的素材收集提供了便利。在本節(jié)中，我們不對(duì)人工智能在素材搜集上的應(yīng)用進(jìn)行探討，只集中討論機(jī)器學(xué)習(xí)在經(jīng)濟(jì)學(xué)中的應(yīng)用。由于這個(gè)原因，在本節(jié)中“人工智能”和“機(jī)器學(xué)習(xí)”可以被視為是同義詞。

（一）人工智能對(duì)計(jì)量經(jīng)濟(jì)學(xué)的影響

1、計(jì)量經(jīng)濟(jì)學(xué)與機(jī)器學(xué)習(xí)：從孤立到融合

統(tǒng)計(jì)學(xué)關(guān)注的問(wèn)題有四個(gè)：（1）預(yù)測(cè)（Prediction），（2）總結(jié)（summarization），（3）估計(jì)（estimation），以及（4）假設(shè)檢驗(yàn)。計(jì)量經(jīng)濟(jì)學(xué)是統(tǒng)計(jì)學(xué)的一個(gè)子學(xué)科，因此以上四個(gè)問(wèn)題同樣也是其關(guān)心的主題。但作為一門(mén)為經(jīng)濟(jì)學(xué)研究服務(wù)的統(tǒng)計(jì)學(xué)，計(jì)量經(jīng)濟(jì)學(xué)對(duì)于因果關(guān)系的關(guān)注是更為突出的，因此它更強(qiáng)調(diào)總結(jié)、估計(jì)和假設(shè)檢驗(yàn)，而對(duì)于預(yù)測(cè)的關(guān)注則相對(duì)較少。由于強(qiáng)調(diào)對(duì)因果問(wèn)題的解釋?zhuān)杂?jì)量經(jīng)濟(jì)學(xué)對(duì)估計(jì)結(jié)果的無(wú)偏性和一致性予以了特別的關(guān)注，將大量精力投入到了解決“內(nèi)生性”等可能干擾估計(jì)結(jié)果一致性的問(wèn)題上。

相比于統(tǒng)計(jì)學(xué)和計(jì)量經(jīng)濟(jì)學(xué)，機(jī)器學(xué)習(xí)是一門(mén)更為應(yīng)用性的學(xué)科。它所關(guān)注的問(wèn)題更多是預(yù)測(cè)，而不是對(duì)因果關(guān)系的探究。因?yàn)檫@個(gè)原因，決策樹(shù)（Decision Tree）、支持向量機(jī)（SVM）等分類(lèi)模型，以及在計(jì)量經(jīng)濟(jì)學(xué)中很少被用到的嶺回歸（Ridge Regression）、套索算法（LASSO）等，都在機(jī)器學(xué)習(xí)中被大量使用。

由于關(guān)注的焦點(diǎn)不同，傳統(tǒng)上計(jì)量經(jīng)濟(jì)學(xué)和機(jī)器學(xué)習(xí)之間的交集很小，在某些情況下，兩者甚至存在著一定的矛盾。Athey（2018）曾給出過(guò)一個(gè)例子：假設(shè)我們手頭有一批旅館的入住率和價(jià)格的數(shù)據(jù)。如果我們要利用價(jià)格來(lái)預(yù)入住率，那么得到的模型通常顯示入住率和價(jià)格之間存在著正向關(guān)系。理由很簡(jiǎn)單，當(dāng)旅館發(fā)現(xiàn)自己的更受歡迎時(shí)，會(huì)傾向于抬高自己的價(jià)格。但如果我們考慮的問(wèn)題是當(dāng)企業(yè)降價(jià)時(shí)會(huì)有什么后果，那涉及到的就是因果推斷問(wèn)題。此時(shí)，根據(jù)需求定律，如果我們的設(shè)定沒(méi)有出錯(cuò)，那么所得到的模型通常會(huì)顯示入住率和價(jià)格之間存在著負(fù)向關(guān)系。

但隨著大數(shù)據(jù)時(shí)代的到來(lái)，這兩個(gè)學(xué)科之間的交集開(kāi)始逐漸增大。

一方面，在大數(shù)據(jù)條件下機(jī)器學(xué)習(xí)的方法逐漸展現(xiàn)出了其應(yīng)用價(jià)值。傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)關(guān)注的都是樣本較小、維度較低的數(shù)據(jù)，對(duì)于這樣的“小數(shù)據(jù)”，傳統(tǒng)計(jì)量方法是可以較好應(yīng)付的。但是當(dāng)數(shù)據(jù)的數(shù)量和維度極具擴(kuò)大后，這些方法就開(kāi)始變得捉襟見(jiàn)肘了。例如，在計(jì)量分析時(shí)，研究者會(huì)很習(xí)慣于將大量的被解釋變量都加入到模型，然后對(duì)其進(jìn)行估計(jì)。這在數(shù)據(jù)量較小時(shí)能行之有效，但當(dāng)數(shù)據(jù)量極為龐大時(shí)，其對(duì)于運(yùn)算能力的要求將是驚人的。這就要求研究者必須先對(duì)模型進(jìn)行“降維”，找出最關(guān)鍵的那些解釋變量，此時(shí)機(jī)器學(xué)習(xí)的一些算法，例如LASSO就會(huì)起到作用。

另一方面，機(jī)器學(xué)習(xí)可以為尋找因果關(guān)系提供啟發(fā)。因果推斷的方法通常是針對(duì)一個(gè)定義良好（well-defined）的模型采用的，而在現(xiàn)實(shí)中，研究者事實(shí)上甚至不了解應(yīng)該選擇怎樣的模型。此時(shí)，機(jī)器學(xué)習(xí)的方法就有了用武之地。Varian（2014）曾經(jīng)舉過(guò)一個(gè)泰坦尼克號(hào)乘客年齡與幸存概率的例子。他利用了兩種方法對(duì)這一問(wèn)題進(jìn)行了分析，其中一種是在尋求因果關(guān)系時(shí)常用的Logit模型，而另一種則是機(jī)器學(xué)習(xí)中常用的決策樹(shù)方法。根據(jù)Logit模型，乘客年齡和幸存率之間的關(guān)系并沒(méi)有顯著的關(guān)系。而決策樹(shù)模型則顯示，兒童和60歲以上的老年人會(huì)擁有更高的生存概率，這是因?yàn)樵谔┨鼓峥颂?hào)沉沒(méi)之前，老人和孩子被允許優(yōu)先逃離。很顯然，在這個(gè)例子中，決策樹(shù)能夠?yàn)槲覀儙?lái)更多的有價(jià)值信息，有了這些信息，研究者就可以構(gòu)建進(jìn)一步的模型來(lái)進(jìn)行因果推斷。

這里值得說(shuō)明的是，如果訓(xùn)練集很小，那么機(jī)器學(xué)習(xí)的算法很容易會(huì)導(dǎo)致過(guò)度擬合（overfit）的問(wèn)題，此時(shí)其優(yōu)勢(shì)很難體現(xiàn)出來(lái)。而在大數(shù)據(jù)條件下，過(guò)度擬合問(wèn)題的影響大大減小，其價(jià)值也就顯露了出來(lái)。

2、機(jī)器學(xué)習(xí)在因果推斷中的應(yīng)用

前微軟首席經(jīng)濟(jì)學(xué)家、斯坦福大學(xué)教授Susan Athey曾在Science上發(fā)文討論了機(jī)器學(xué)習(xí)在因果推斷和政策評(píng)估中的作用。她指出，過(guò)去更多被用于預(yù)測(cè)的機(jī)器學(xué)習(xí)在因果推斷領(lǐng)域有很強(qiáng)的應(yīng)用前景，未來(lái)的計(jì)量經(jīng)濟(jì)學(xué)家應(yīng)當(dāng)更多將機(jī)器學(xué)習(xí)的技術(shù)與現(xiàn)有的計(jì)量經(jīng)濟(jì)理論相結(jié)合。

機(jī)器學(xué)習(xí)在因果推斷中的第一個(gè)應(yīng)用是將用來(lái)取代常規(guī)方法中一些不涉及因果關(guān)系的步驟。例如，在因果推斷分析中，傾向性得分匹配法（Propensity Score Matching）是經(jīng)常被用到的。使用這一方法的第一步是要依賴(lài)于核估計(jì)等方法計(jì)算出傾向性得分，而這些估計(jì)在協(xié)變量眾多的情況下是難以進(jìn)行的。為了在眾多的協(xié)變量中篩選出有用的部分，一些研究者就提出了將LASSO、Booting、隨機(jī)森林等常用于機(jī)器學(xué)習(xí)的算法應(yīng)用到協(xié)變量篩選的過(guò)程中去，然后再用得到的結(jié)果按照傳統(tǒng)的步驟進(jìn)行匹配。

機(jī)器學(xué)習(xí)在因果推斷中的第二個(gè)應(yīng)用是對(duì)異質(zhì)性處理效應(yīng)的估計(jì)。過(guò)去的因果關(guān)系推斷，主要是在平均意義上展開(kāi)的，其關(guān)注的焦點(diǎn)是平均處理效應(yīng)（Average Treatment Effect，簡(jiǎn)稱(chēng)ATE）。這樣的分析固然有重要的價(jià)值，但在不少情況下它并不能滿足實(shí)際應(yīng)用的需要。舉例來(lái)說(shuō)，當(dāng)醫(yī)生決定是否要對(duì)一位癌癥病人采用某項(xiàng)療法時(shí)，如果他僅知道平均來(lái)看這種療法可以讓病人的存活時(shí)間增加一年，這顯然是不夠的。由于同一療法對(duì)于不同病人的效果區(qū)別很大，因此在決定是否采用該療法時(shí)，醫(yī)生就需要進(jìn)一步知道不同特質(zhì)的病人在采用這種療法時(shí)會(huì)有怎樣的癥狀。換言之，除了ATE外，他還需要關(guān)注異質(zhì)性的處理效應(yīng)（Heterogeneous Treatment Effect）。

Athey and Imbens（2015）將機(jī)器學(xué)習(xí)中常用的分類(lèi)回歸樹(shù)（Classification and Regression Trees）引入到了傳統(tǒng)的因果識(shí)別框架，用它們來(lái)考察異質(zhì)性處理效應(yīng)。他們比較了四種不同的分類(lèi)回歸樹(shù)算法——單樹(shù)法（Single Tree）、雙樹(shù)法（Two Trees）、轉(zhuǎn)化結(jié)果樹(shù)法（Transformed Outcomes Tree）以及因果樹(shù)法（Causal Tree），并特別強(qiáng)調(diào)了因果樹(shù)法的作用。Wager and Athey（2015）推廣了因果樹(shù)方法，討論了如何用隨機(jī)森林（Random Forest）來(lái)處理異質(zhì)性處理效應(yīng)。Hill（2011）、Green and Kern（2012）則采用了另一種思路——貝葉斯可加性回歸樹(shù)（Bayesian Additive Regression Tree，簡(jiǎn)稱(chēng)BART）來(lái)考察異質(zhì)性處理效應(yīng)，這種方法在某種意義上可以被視為是貝葉斯版的隨機(jī)森林方法。不過(guò)，BART方法的大樣本性質(zhì)目前仍然是不清楚的，因此其應(yīng)用還存在著一定的局限。

關(guān)于機(jī)器學(xué)習(xí)在因果推斷中的應(yīng)用的更多介紹，可以參考Athey and Imbens（2016）的綜述。這里有兩點(diǎn)需要強(qiáng)調(diào)。首先，因果推斷理論和機(jī)器學(xué)習(xí)理論的交叉并不是單向的。以圖靈獎(jiǎng)得主Judea Pearl為代表的一些人工智能專(zhuān)家認(rèn)為，現(xiàn)在強(qiáng)人工智能技術(shù)不能得到突破的原因就在于現(xiàn)有的機(jī)器學(xué)習(xí)理論沒(méi)有考慮因果性。如果沒(méi)有因果性，就不能進(jìn)行反事實(shí)分析（Counterfactual Analysis），智能體就無(wú)法應(yīng)對(duì)紛繁復(fù)雜的現(xiàn)實(shí)情況。因此，這些學(xué)者建議，未來(lái)的機(jī)器學(xué)習(xí)應(yīng)當(dāng)考慮吸納因果推斷理論的成果，為實(shí)現(xiàn)自動(dòng)化推理奠定基礎(chǔ)。其次，在機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展最快的深度學(xué)習(xí)到目前為止并沒(méi)有在經(jīng)濟(jì)學(xué)研究中發(fā)揮作用。這可能是因?yàn)樯疃葘W(xué)習(xí)的學(xué)習(xí)過(guò)程本身是一個(gè)黑箱，不適合被用來(lái)作為因果識(shí)別的工具所致。

（二）人工智能在行為經(jīng)濟(jì)學(xué)中的應(yīng)用

人工智能可以為行為經(jīng)濟(jì)學(xué)的研究提供一種思路。相對(duì)于傳統(tǒng)的經(jīng)濟(jì)學(xué)，行為經(jīng)濟(jì)學(xué)的研究方法是十分開(kāi)放的，它試圖通過(guò)納入其他學(xué)科（例如心理學(xué)、社會(huì)學(xué)）的理論，來(lái)解釋傳統(tǒng)經(jīng)濟(jì)學(xué)所不能解釋的人類(lèi)行為。可能解釋人的行為的變量很多，究竟哪些變量真正有用就稱(chēng)為了問(wèn)題，此時(shí)機(jī)器學(xué)習(xí)的方法就可以被用來(lái)幫助研究者選出那些真正有價(jià)值的變量。

目前，已有一些行為經(jīng)濟(jì)學(xué)的文獻(xiàn)借用了機(jī)器學(xué)習(xí)的方法。例如，Camerer，Nave and Smith（2017）在分析“非結(jié)構(gòu)化談判”（unstructured bargaining）問(wèn)題時(shí)采用了機(jī)器學(xué)習(xí)的方法，用其來(lái)幫助尋找影響談判結(jié)果的行為要素。Peysakhovich and Naecker（2017）則利用機(jī)器學(xué)習(xí)的方法對(duì)人們?cè)诮鹑谑袌?chǎng)中的風(fēng)險(xiǎn)選擇問(wèn)題進(jìn)行了研究。

除了指出機(jī)器學(xué)習(xí)在分析中的應(yīng)用外，Camerer（2017）還將機(jī)器學(xué)習(xí)和人類(lèi)的決策進(jìn)行了對(duì)比。在他看來(lái)，人類(lèi)的決策可以被認(rèn)為是一種不完美的機(jī)器學(xué)習(xí)。過(guò)度自信、對(duì)于錯(cuò)誤很少改正等行為缺陷在某種意義上可以被認(rèn)為是機(jī)器學(xué)習(xí)中的“過(guò)度擬合”問(wèn)題。從這個(gè)角度出發(fā)，Camerer認(rèn)為人工智能的發(fā)展將會(huì)有助于人類(lèi)更有效地進(jìn)行決策。

三、作為研究對(duì)象的人工智能

作為一種新技術(shù)，人工智能技術(shù)已經(jīng)進(jìn)入了經(jīng)濟(jì)生活的各個(gè)領(lǐng)域，對(duì)生產(chǎn)、生活的各個(gè)方面都產(chǎn)生了重大影響。目前，已經(jīng)有不少文獻(xiàn)對(duì)這些影響進(jìn)行了分析。在本節(jié)中，我們將分領(lǐng)域?qū)@些研究進(jìn)行一些簡(jiǎn)要的介紹。

（一）人工智能與經(jīng)濟(jì)增長(zhǎng)

1、關(guān)于人工智能與經(jīng)濟(jì)增長(zhǎng)的理論探討

從理論淵源上看，關(guān)于人工智能對(duì)經(jīng)濟(jì)增長(zhǎng)影響的討論其實(shí)是關(guān)于自動(dòng)化對(duì)經(jīng)濟(jì)增長(zhǎng)影響討論的延續(xù)。Zeira（1998）年曾提出過(guò)一個(gè)理論模型，用來(lái)分析自動(dòng)化的增長(zhǎng)效應(yīng)的模型。在這個(gè)模型中，某一產(chǎn)業(yè)的產(chǎn)品可以通過(guò)兩種技術(shù)——手工技術(shù)和工業(yè)技術(shù)進(jìn)行生產(chǎn)。

在這兩種技術(shù)中，手工技術(shù)所需的勞動(dòng)力投入更高，但所需的資本投入?yún)s更低。究竟兩種技術(shù)中的哪一種被用來(lái)進(jìn)行生產(chǎn)，取決于技術(shù)水平。如果生產(chǎn)率很低，那么更多依靠手工技術(shù)進(jìn)行生產(chǎn)就更有利；而當(dāng)生產(chǎn)率突破了一定的臨界點(diǎn)時(shí)，轉(zhuǎn)而采用工業(yè)技術(shù)進(jìn)行生產(chǎn)就會(huì)變得更合算。

這樣，技術(shù)進(jìn)步就會(huì)產(chǎn)生兩個(gè)效應(yīng)：一是直接對(duì)生產(chǎn)效率的提升；二是通過(guò)自動(dòng)化來(lái)實(shí)現(xiàn)生產(chǎn)方式的改變。一個(gè)經(jīng)濟(jì)中有很多產(chǎn)業(yè)，不同產(chǎn)業(yè)實(shí)現(xiàn)自動(dòng)化的臨界條件不同，因此生產(chǎn)率的增長(zhǎng)和自動(dòng)化的程度將呈現(xiàn)一種連續(xù)函數(shù)關(guān)系。當(dāng)自動(dòng)化程度較高時(shí)，經(jīng)濟(jì)中的資本回報(bào)份額也就越高，因此當(dāng)經(jīng)濟(jì)處于最優(yōu)增長(zhǎng)路徑時(shí)，增長(zhǎng)率將主要取決于兩個(gè)條件：生產(chǎn)率的增長(zhǎng)速度，以及經(jīng)濟(jì)中的資本回報(bào)份額，更高的生產(chǎn)率，以及更高的資本回報(bào)份額都會(huì)讓經(jīng)濟(jì)獲得更高速的增長(zhǎng)。

Aghion et al（2017）對(duì)人工智能對(duì)經(jīng)濟(jì)增長(zhǎng)的可能影響進(jìn)行了全面的分析。他們的分析是從“人工智能革命”的兩個(gè)效應(yīng)——自動(dòng)化和“鮑莫爾病”出發(fā)的。一方面，和其他任何的技術(shù)進(jìn)步一樣，人工智能的應(yīng)用會(huì)在導(dǎo)致生產(chǎn)率提升的同時(shí)促進(jìn)自動(dòng)化進(jìn)程的加速。這將會(huì)導(dǎo)致生產(chǎn)過(guò)程中人力使用的減少，從會(huì)讓經(jīng)濟(jì)中的資本回報(bào)份額增加。但另一方面，“人工智能革命”也會(huì)遭遇所謂的“鮑莫爾病”，即非自動(dòng)化部門(mén)的成本的提升，這會(huì)導(dǎo)致經(jīng)濟(jì)中資本回報(bào)份額的降低。一般來(lái)說(shuō)，隨著經(jīng)濟(jì)的發(fā)展，經(jīng)濟(jì)中的落后部門(mén)對(duì)經(jīng)濟(jì)發(fā)展的影響將會(huì)變得更為重要。在這種條件下，“鮑莫爾病”的影響將會(huì)變得更加不可忽視。

將兩種效應(yīng)綜合起來(lái)看，人工智能的使用對(duì)經(jīng)濟(jì)增長(zhǎng)的影響將是不確定的。雖然人工智能的使用可以確定地讓生產(chǎn)率增長(zhǎng)速度得到提升，但至少?gòu)亩唐诳矗鼘?duì)于資本回報(bào)份額的影響卻是不確定的。因此，并不能確定經(jīng)濟(jì)增長(zhǎng)率究竟會(huì)如何變化。

在正常條件下，資本的回報(bào)份額不會(huì)無(wú)限上升，在穩(wěn)態(tài)時(shí)它會(huì)維持在某個(gè)小于1的值，此時(shí)經(jīng)濟(jì)增長(zhǎng)的速度將主要依賴(lài)于生產(chǎn)率的變化速度。據(jù)此可以得出結(jié)論，人工智能究竟如何影響經(jīng)濟(jì)增長(zhǎng)，將主要取決于其對(duì)技術(shù)進(jìn)步率的影響方式。如果人工智能帶來(lái)的只是一次短期的沖擊，那么它只會(huì)讓生產(chǎn)率產(chǎn)生一次性的增加，其作用將是暫時(shí)的。而如果人工智能的應(yīng)用會(huì)帶來(lái)生產(chǎn)率的持續(xù)增加，那么經(jīng)濟(jì)增長(zhǎng)率也將隨之持續(xù)增加，從而出現(xiàn)“經(jīng)濟(jì)奇點(diǎn)”。在幾位作者看來(lái)，“經(jīng)濟(jì)奇點(diǎn)”出現(xiàn)的最關(guān)鍵條件是突破知識(shí)生產(chǎn)這一瓶頸。這點(diǎn)是否能夠?qū)崿F(xiàn)，主要要看人工智能是否可以真正取代人類(lèi)進(jìn)行知識(shí)生產(chǎn)。

在論文中，幾位作者還對(duì)增長(zhǎng)的分配效應(yīng)進(jìn)行了探討。在他們看來(lái)，人工智能技術(shù)的應(yīng)用將會(huì)引發(fā)“技術(shù)偏向型”的增長(zhǎng)，讓高技能的工人獲益，低技能的工人受損。而由技術(shù)導(dǎo)致的企業(yè)組織結(jié)構(gòu)變化會(huì)強(qiáng)化這種效應(yīng)——密集使用人工智能技術(shù)的企業(yè)會(huì)向本企業(yè)內(nèi)部職工支付較高的工資，同時(shí)將一些技術(shù)含量較低的生產(chǎn)環(huán)節(jié)外包給工資更低的低技能工人。由這些因素造成的收入分配效應(yīng)將是不容忽視的。

值得一提的是，在Aghion et al（2017）的討論中，決定人工智能對(duì)增長(zhǎng)影響的一個(gè)關(guān)鍵因素是人工智能會(huì)對(duì)創(chuàng)新、對(duì)知識(shí)生產(chǎn)產(chǎn)生怎樣的作用，但關(guān)于這個(gè)問(wèn)題，幾位作者并沒(méi)有作更多的展開(kāi)分析。Agrawal et al（2017）的論文對(duì)此進(jìn)行了補(bǔ)充。這篇論文借鑒Weitzman（1998）的觀點(diǎn)認(rèn)為，知識(shí)生產(chǎn)的過(guò)程很大程度上是一種對(duì)原有知識(shí)的組合過(guò)程，而人工智能的發(fā)展不僅有助于人們發(fā)現(xiàn)新的知識(shí)，更有助于人們將既有的知識(shí)進(jìn)行有效的組合。幾位作者在Jones（1995）的模型中植入了知識(shí)組合的過(guò)程，用這個(gè)新模型來(lái)分析了人工智能技術(shù)的影響。結(jié)果發(fā)現(xiàn)，人工智能技術(shù)的引入將通過(guò)促進(jìn)知識(shí)組合來(lái)讓經(jīng)濟(jì)實(shí)現(xiàn)顯著的增長(zhǎng)。

2、關(guān)于人工智能與經(jīng)濟(jì)增長(zhǎng)的爭(zhēng)論

關(guān)于人工智能會(huì)對(duì)經(jīng)濟(jì)增長(zhǎng)產(chǎn)生怎樣的影響，存在著很多的爭(zhēng)議。在本節(jié)中，我們將對(duì)兩個(gè)重要的爭(zhēng)論進(jìn)行討論。第一個(gè)爭(zhēng)論是，人工智能技術(shù)究竟能否真正帶來(lái)經(jīng)濟(jì)增長(zhǎng)。第二個(gè)爭(zhēng)論是，人工智能技術(shù)是否可以真正引發(fā)“經(jīng)濟(jì)奇點(diǎn)”（Economic Singularity）的到來(lái)。

（1）人工智能是否能帶來(lái)經(jīng)濟(jì)增長(zhǎng)

關(guān)于這個(gè)問(wèn)題的討論，實(shí)際上是關(guān)于 “索洛悖論”（Solow Paradox）的討論的繼續(xù)。“索洛悖論”又稱(chēng)“生產(chǎn)率悖論”（Productivity Paradox），是由Robert Solow在探討計(jì)算機(jī)的影響時(shí)提出的。當(dāng)時(shí)，他感嘆道：技術(shù)轉(zhuǎn)變隨處可見(jiàn)，但在統(tǒng)計(jì)數(shù)據(jù)卻沒(méi)有顯示技術(shù)對(duì)增長(zhǎng)產(chǎn)生的影響。此后，有不少研究都佐證了Solow的這個(gè)觀察，認(rèn)為包括計(jì)算機(jī)、互聯(lián)網(wǎng)等新技術(shù)的出現(xiàn)并沒(méi)有對(duì)經(jīng)濟(jì)增長(zhǎng)產(chǎn)生實(shí)質(zhì)性的影響。

這類(lèi)觀點(diǎn)的代表人物是Tyler Cowen和Robert Gordon。Cowen在一部暢銷(xiāo)書(shū)中指出，被認(rèn)為十分重要的計(jì)算機(jī)、互聯(lián)網(wǎng)技術(shù)并沒(méi)有像之前的技術(shù)革命那樣讓生產(chǎn)率獲得突破性的進(jìn)步，并且從目前的技術(shù)發(fā)展看看，所有“低垂的果實(shí)”都已經(jīng)被摘盡了，因此經(jīng)濟(jì)將會(huì)陷入長(zhǎng)期的“大停滯”。而Gordon則由對(duì)美國(guó)的經(jīng)濟(jì)增長(zhǎng)狀況的長(zhǎng)期趨勢(shì)進(jìn)行分析發(fā)現(xiàn)，最近的技術(shù)進(jìn)步實(shí)際上只帶來(lái)了很低的生產(chǎn)率進(jìn)步。

人工智能技術(shù)的興起也同樣遭遇了“索洛悖論”的質(zhì)疑。盡管從直觀上看，人工智能對(duì)生產(chǎn)生活的各個(gè)方面都產(chǎn)生了重要影響，但到目前為止，經(jīng)驗(yàn)證據(jù)卻同樣難以對(duì)這種影響給予證實(shí)。在一次著名的辯論中，Gordon等學(xué)者對(duì)人工智能的作用提出了質(zhì)疑，認(rèn)為人們對(duì)其的期盼顯然是過(guò)高了。

針對(duì)“技術(shù)懷疑論者”的質(zhì)疑，以Brynjolfsson為代表的“技術(shù)樂(lè)觀派”旗幟鮮明地表達(dá)了反對(duì)。在Brynjolfsson及其合作者看來(lái)，以計(jì)算機(jī)、互聯(lián)網(wǎng)為代表的現(xiàn)代技術(shù)毫無(wú)疑問(wèn)對(duì)提高生產(chǎn)率和促進(jìn)經(jīng)濟(jì)增長(zhǎng)起到了關(guān)鍵作用，而人工智能等新技術(shù)的影響可能還要更為巨大。

至于為什么從統(tǒng)計(jì)中并不能看出人工智能等技術(shù)的貢獻(xiàn)，Brynjolfsson et al（2017）給出了詳細(xì)的討論。在他們看來(lái)，有四種可能的原因可以被用來(lái)解釋人們對(duì)技術(shù)進(jìn)步的主觀感受和統(tǒng)計(jì)數(shù)據(jù)之間的背離。

第一種解釋是“錯(cuò)誤的希望”（false hopes），即人們確實(shí)高估了技術(shù)進(jìn)步的作用，而實(shí)際上技術(shù)并沒(méi)有能帶來(lái)人們所期盼的生產(chǎn)率進(jìn)步。

第二種解釋是“測(cè)量誤差”（mismeasurement），即統(tǒng)計(jì)數(shù)據(jù)并沒(méi)有真正反映出技術(shù)進(jìn)步所帶來(lái)的產(chǎn)出，因而就對(duì)其增長(zhǎng)效應(yīng)做出了低估。

第三種解釋是“集中化的分配和租值耗散”（concentrated distribution and rent dissipation），即盡管人工智能等新技術(shù)確實(shí)可以帶來(lái)生產(chǎn)率的增長(zhǎng)，但只有部分明星企業(yè)享受到了由此帶來(lái)的好處。這不僅加劇了收入分配的不平等，也讓少數(shù)企業(yè)獲得了更高的市場(chǎng)力量，而這些因素反過(guò)來(lái)會(huì)導(dǎo)致生產(chǎn)率的下降。

第四種解釋是執(zhí)行滯后 （implementation lag）。新技術(shù)作用的發(fā)揮，需要配套的技術(shù)、基礎(chǔ)設(shè)施，以及組織結(jié)構(gòu)的調(diào)整作為基礎(chǔ)。而在目前看來(lái)，這些配套工作是相對(duì)滯后的，因此就可能導(dǎo)致人工智能的力量不能充分得到發(fā)揮。

幾位作者在對(duì)上述四種可能的解釋進(jìn)行了逐一檢驗(yàn)后發(fā)現(xiàn)，最后一種解釋是最有說(shuō)服力的。因此，他們認(rèn)為人工智能的作用是不可忽視的，但現(xiàn)階段滯后的配套工作限制了其作用的發(fā)揮。隨著相關(guān)配套工作的完成，“人工智能革命”的力量將會(huì)逐步釋放出來(lái)。

（2）人工智能是否會(huì)帶來(lái)“經(jīng)濟(jì)奇點(diǎn)”

“奇點(diǎn)”（Singularity）最初是一個(gè)數(shù)學(xué)名詞，指的是沒(méi)有被良好定義（例如趨向于無(wú)窮大），或者出現(xiàn)奇怪屬性的點(diǎn)。未來(lái)學(xué)家Kurzweil在自己的書(shū)中借用了這個(gè)名詞，用來(lái)指人工智能超越人類(lèi)，從而引發(fā)人類(lèi)社會(huì)劇變的關(guān)鍵時(shí)刻。而所謂“經(jīng)濟(jì)奇點(diǎn)”，指的則是一個(gè)關(guān)鍵的時(shí)間點(diǎn)，當(dāng)越過(guò)這個(gè)時(shí)間點(diǎn)后經(jīng)濟(jì)將保持持續(xù)增長(zhǎng)，并且增長(zhǎng)速度會(huì)持續(xù)加快。

在歷史上，有不少經(jīng)濟(jì)大師曾對(duì)“經(jīng)濟(jì)奇點(diǎn)”有過(guò)憧憬，宏觀經(jīng)濟(jì)學(xué)的創(chuàng)始人凱恩斯、諾貝爾獎(jiǎng)得主赫爾伯特·西蒙都是其中的代表。盡管截止目前這些憧憬都沒(méi)有變成現(xiàn)實(shí)，但隨著人工智能技術(shù)的發(fā)展，關(guān)于“經(jīng)濟(jì)奇點(diǎn)”的討論又開(kāi)始高漲。一些“技術(shù)樂(lè)觀派”學(xué)者認(rèn)為，由于人工智能可以大幅提升生產(chǎn)率，并且可以完成很多人類(lèi)無(wú)法完成的任務(wù)，因此“經(jīng)濟(jì)奇點(diǎn)”不久就會(huì)到來(lái)。

這種“技術(shù)樂(lè)觀派”的觀點(diǎn)引發(fā)了很多爭(zhēng)議。Nordhaus（2015）從經(jīng)驗(yàn)方面對(duì)此給出了質(zhì)疑。Nordhaus指出：首先，隨著新技術(shù)的發(fā)展成熟，它們的價(jià)格急劇下降，因此它們的相關(guān)產(chǎn)業(yè)對(duì)經(jīng)濟(jì)的貢獻(xiàn)也迅速下滑。這意味著，相對(duì)落后的產(chǎn)業(yè)，而非新產(chǎn)業(yè)將成為經(jīng)濟(jì)增長(zhǎng)的關(guān)鍵。其次，盡管人們給予了互聯(lián)網(wǎng)、人工智能等新技術(shù)很多希望，但它們并沒(méi)有能切實(shí)帶來(lái)生產(chǎn)率的大幅度提高。再次，至少?gòu)拿绹?guó)的現(xiàn)實(shí)看，目前投資品的價(jià)格并沒(méi)有出現(xiàn)急速的下滑，投資也沒(méi)有出現(xiàn)迅速增長(zhǎng)的勢(shì)頭。

綜合以上幾點(diǎn)分析，Nordhaus認(rèn)為“經(jīng)濟(jì)奇點(diǎn)”可能還只是一個(gè)遙遠(yuǎn)的夢(mèng)想。Aghion et al（2017）從理論上對(duì)“經(jīng)濟(jì)奇點(diǎn)”進(jìn)行了分析。他們認(rèn)為，“經(jīng)濟(jì)奇點(diǎn)”是否能到來(lái)，主要要看知識(shí)增長(zhǎng)的瓶頸能否打破。盡管內(nèi)生增長(zhǎng)模型已經(jīng)說(shuō)明了知識(shí)作為一種產(chǎn)品是可以生產(chǎn)的，但這個(gè)過(guò)程是需要人的參與的。隨著經(jīng)濟(jì)增長(zhǎng)的進(jìn)行，人口增長(zhǎng)減緩，能作為生產(chǎn)要素投入到知識(shí)生產(chǎn)過(guò)程的人力也會(huì)減少。除非人工智能可以替代人類(lèi)從事創(chuàng)意工作、進(jìn)行知識(shí)生產(chǎn)，否則這一重要瓶頸就很難被突破。而至少在現(xiàn)在，人工智能還沒(méi)有發(fā)展到這一水平。

（二）人工智能與就業(yè)

技術(shù)的進(jìn)步在推進(jìn)生產(chǎn)率提升的同時(shí)，會(huì)帶來(lái)“技術(shù)性失業(yè)”。作為一項(xiàng)革命性的技術(shù)，人工智能當(dāng)然也不例外。與以往的歷次技術(shù)革命相比，“人工智能革命”對(duì)就業(yè)的沖擊范圍將更廣、力度將更大、持續(xù)也將更久。

目前，人工智能對(duì)就業(yè)的可能沖擊已經(jīng)成為了重要的政策話題，有不少文獻(xiàn)對(duì)此進(jìn)行了探討。需要指出的是，由于在討論人工智能對(duì)就業(yè)和收入分配的影響時(shí)，通常把人工智能作為一種強(qiáng)化版的自動(dòng)化來(lái)處理，因此在以下兩節(jié)中，我們?cè)诮榻B人工智能影響的文獻(xiàn)外，還將介紹自動(dòng)化和機(jī)器人影響的文獻(xiàn)。

1、關(guān)于人工智能和自動(dòng)化就業(yè)影響的理論分析

Autor et al（2003）提出的ALM模型是研究人工智能和自動(dòng)化的就業(yè)影響的基準(zhǔn)模型。在ALM模型中，生產(chǎn)需要兩種任務(wù)——程式化任務(wù)和非程式化任務(wù)配合，其中程式化任務(wù)只需要低技能勞動(dòng)，而非程式化任務(wù)則需要高技能勞動(dòng)。在幾位作者看來(lái)，自動(dòng)化只能用來(lái)完成程式化任務(wù)，而不能用來(lái)完成非程式化任務(wù)，因此它對(duì)低技能勞動(dòng)形成了替代，而對(duì)高技能勞動(dòng)則形成了互補(bǔ)。在這種假設(shè)下，自動(dòng)化的沖擊將是偏向性的，它對(duì)低技能勞動(dòng)者造成損害，但卻會(huì)給高技能勞動(dòng)者帶來(lái)好處。Frey and Osborne（2013）對(duì)ALM模型進(jìn)行了拓展。在新的模型中，而非程式化任務(wù)則既需要程式化勞動(dòng)需要高技能勞動(dòng)和低技能勞動(dòng)的共同投入。在這種設(shè)定下，自動(dòng)化對(duì)于高技能勞動(dòng)者的作用將是不確定的，在一定條件下它們也會(huì)受到自動(dòng)化的損害。

Benzell et al（2015）在一個(gè)跨期迭代（OLG）模型中討論了機(jī)器人對(duì)勞動(dòng)力進(jìn)行替代的問(wèn)題。他們指出，在一定條件下，機(jī)器人可以完全替代低技能工作，并替代一部分高技能工作，這會(huì)導(dǎo)致對(duì)勞動(dòng)力需求的減少和工資的下降。雖然在采用機(jī)器人后，由生產(chǎn)率提升會(huì)帶來(lái)的價(jià)格下降可以在一定程度上改善勞動(dòng)者福利，不過(guò)從總體上講它并不能完全彌補(bǔ)就業(yè)替代對(duì)勞動(dòng)力造成的損害。因此，幾位作者認(rèn)為機(jī)器人的使用可能會(huì)帶來(lái)所謂的“貧困化增長(zhǎng)”（Immiserizing Growth）——雖然經(jīng)濟(jì)增長(zhǎng)了，但社會(huì)福利卻下降了。為了防止這種現(xiàn)象的發(fā)生，幾位作者建議要推出針對(duì)性的培訓(xùn)計(jì)劃，并對(duì)特定世代的人群進(jìn)行補(bǔ)貼。

Acemoglu and Restrepo構(gòu)造了一個(gè)包括就業(yè)創(chuàng)造的模型。在模型中，自動(dòng)化消滅某些就業(yè)崗位的同時(shí)，也會(huì)創(chuàng)造出勞動(dòng)更具有比較優(yōu)勢(shì)的新就業(yè)崗位，因此其對(duì)就業(yè)的凈效應(yīng)要看兩種效應(yīng)的相對(duì)程度。他們發(fā)現(xiàn)，在長(zhǎng)期均衡的條件下，結(jié)果取決于資本和勞動(dòng)的使用成本。如果資本的使用成本相對(duì)于工資足夠地低，那么所有職業(yè)都將被自動(dòng)化；反之，自動(dòng)化就會(huì)有一定的界限。此外，幾位作者還指出，如果勞動(dòng)本身是異質(zhì)性的，那么自動(dòng)化的進(jìn)行還將導(dǎo)致勞動(dòng)者內(nèi)部收入差異的產(chǎn)生。

2、關(guān)于人工智能和自動(dòng)化就業(yè)影響的實(shí)證分析

Autor et al （2003）對(duì)1960-1998年的美國(guó)勞動(dòng)力市場(chǎng)進(jìn)行了分析。結(jié)果發(fā)現(xiàn)在1970年之后，“計(jì)算化”（Computerization）導(dǎo)致了“極化效應(yīng)”——對(duì)程式化工作的需求大幅下降，但同時(shí)導(dǎo)致了對(duì)非程式化工作需求的增加。尤其是在1980年之后，這種趨勢(shì)更加明顯。Goos and Manning（2007）利用英國(guó)數(shù)據(jù)對(duì)ALM模型的結(jié)論進(jìn)行了檢驗(yàn)，結(jié)果發(fā)現(xiàn)技術(shù)進(jìn)步在英國(guó)也導(dǎo)致了“極化效應(yīng)”的出現(xiàn)。隨后，Autor and Dorn（2013）、Goos et al（2014）等文獻(xiàn)分別對(duì)美國(guó)和歐洲的數(shù)據(jù)進(jìn)行了分析，也同樣發(fā)現(xiàn)了“極化效應(yīng)”的存在——在技術(shù)進(jìn)步的沖擊下，大批制造業(yè)的就業(yè)機(jī)會(huì)被服務(wù)業(yè)所搶占。

Graetz and Michaels（2015）分析了1993-2007年間17個(gè)國(guó)家的機(jī)器人使用及經(jīng)濟(jì)運(yùn)行狀況。發(fā)現(xiàn)平均而言機(jī)器人的使用讓這些國(guó)家的GDP增速上漲了0.37個(gè)百分點(diǎn)。同時(shí)，機(jī)器人的使用還讓生產(chǎn)率獲得了大幅增加，并減少了中、低端技能工人的勞動(dòng)時(shí)間和強(qiáng)度。Acemoglu and Restrepo（2017）利用1990年到2007年間美國(guó)勞動(dòng)力市場(chǎng)的數(shù)據(jù)進(jìn)行了研究。結(jié)果發(fā)現(xiàn)，機(jī)器人和工人的比例每增加千分之一，就會(huì)減少0.18%-0.34%的就業(yè)崗位，并讓工資下降0.25%-0.5%。

3、關(guān)于人工智能和自動(dòng)化就業(yè)影響的預(yù)測(cè)和趨勢(shì)分析

除了實(shí)證研究外，也有不少學(xué)者采用不同的方法對(duì)人工智能對(duì)就業(yè)的影響進(jìn)行了預(yù)測(cè)，其結(jié)果相差很大。Frey and Osborne（2013）曾對(duì)美國(guó)的702個(gè)就業(yè)崗位被人工智能和自動(dòng)化替代的概率進(jìn)行了分析，結(jié)果表明47%的崗位面臨著被人工智能替代的風(fēng)險(xiǎn)。Chui，Manyika，and Miremadi， （2015）則預(yù)測(cè)，美國(guó)45%的工作活動(dòng)可以依靠現(xiàn)有技術(shù)水平的機(jī)器來(lái)完成；而如果人工智能系統(tǒng)的表現(xiàn)可以達(dá)到人類(lèi)中等水平，該數(shù)字將增至58%。相比之下，Arntz， M.， Gregory，T.， and Zierahn（2016）的預(yù)測(cè)則要樂(lè)觀得多，他們認(rèn)為OECD國(guó)家的工作中，只有約9%的工作會(huì)被取代。在國(guó)內(nèi)，陳永偉和許多（2018）用Frey and Osborne（2013）的方法對(duì)中國(guó)的就業(yè)崗位被人工智能取代的概率進(jìn)行了估計(jì)，結(jié)果顯示在未來(lái)20年中，總就業(yè)人的76.76%會(huì)遭受到人工智能的沖擊，如果只考慮非農(nóng)業(yè)人口，這一比例是65.58%。

除了基于計(jì)量方法的預(yù)測(cè)外，也有一些經(jīng)濟(jì)史學(xué)者根據(jù)歷史經(jīng)驗(yàn)對(duì)人工智能的就業(yè)影響進(jìn)行了分析。在一次麻省理工學(xué)院組織的研討會(huì)上，Gordon指出從第一次工業(yè)革命以來(lái)的這250年間，還沒(méi)有哪個(gè)發(fā)明引起了大規(guī)模的失業(yè)。盡管工作崗位持續(xù)地在消失，卻有更多的就業(yè)機(jī)會(huì)涌現(xiàn)了出來(lái)。在他看來(lái)，同樣的機(jī)制將會(huì)保證“人工智能革命”并不會(huì)造成劇烈的沖擊。而Mokyr則認(rèn)為，隨著經(jīng)濟(jì)的發(fā)展，服務(wù)性行業(yè)的比例將會(huì)上升，這些行業(yè)相對(duì)來(lái)說(shuō)較難被人工智能所替代。即使人工智能替代了其中的一部分崗位，但老齡化等問(wèn)題會(huì)帶來(lái)巨大的勞動(dòng)力需求，由此提供的就業(yè)崗位將足以抵消人工智能帶來(lái)的影響。

此外，還有一些學(xué)者認(rèn)為在分析人工智能的就業(yè)影響時(shí)，應(yīng)當(dāng)綜合考慮其他各種因素。例如Goolsbee（2018）認(rèn)為現(xiàn)有的研究大多是從技術(shù)可行性角度去思考人工智能的就業(yè)影響，而沒(méi)有分析價(jià)格因素和調(diào)整成本，也沒(méi)有考慮沖擊的持續(xù)時(shí)間。顯然，如果忽略了這些因素，只是抽象地說(shuō)人工智能會(huì)替代多少勞動(dòng)力，其政策意義將大打折扣。

4、對(duì)于人工智能就業(yè)影響的政策探討

盡管不同學(xué)者關(guān)于“人工智能革命”影響的估計(jì)存在很大差異，但大部分學(xué)者都認(rèn)為，同歷史上的各次技術(shù)革命一樣，“人工智能”在長(zhǎng)期將會(huì)創(chuàng)造出足夠多的新崗位以代替被其摧毀的崗位，因此問(wèn)題的關(guān)鍵就是通過(guò)政策平滑好短期的沖擊，讓就業(yè)結(jié)構(gòu)完成順利轉(zhuǎn)換。

應(yīng)對(duì)短期就業(yè)沖擊的最重要政策是加強(qiáng)教育。很多研究指出，“人工智能革命”對(duì)就業(yè)的最大影響并不是讓就業(yè)崗位絕對(duì)減少了，而是從舊崗位被淘汰的那部分勞動(dòng)者不適應(yīng)新崗位。因此，為了讓勞動(dòng)者們適應(yīng)新崗位，政府應(yīng)當(dāng)負(fù)責(zé)提供教育和職業(yè)指導(dǎo)。由于“人工智能革命”的沖擊是持續(xù)性的，因此相關(guān)的教育也應(yīng)當(dāng)有持續(xù)性。為了解決失業(yè)人員的培訓(xùn)支出，可以探索“工作抵押貸款”，讓失業(yè)人員以未來(lái)獲得的工作為抵押來(lái)獲取貸款，用以進(jìn)行相關(guān)培訓(xùn)。

（三）人工智能與收入分配

人工智能可能通過(guò)多個(gè)渠道對(duì)收入分配發(fā)生影響。首先，從理論上講，人工智能是一種偏向性的技術(shù)（Directed Technical Change或Biased Technical Change），它的使用會(huì)對(duì)不同群體的邊際產(chǎn)出產(chǎn)生不同作用，進(jìn)而影響他們的收入狀況。這中效應(yīng)體現(xiàn)在兩個(gè)層次上，第一個(gè)層次是在不同要素之間，這主要會(huì)影響不同要素回報(bào)的分配；第二個(gè)層次是在勞動(dòng)者內(nèi)部，這主要影響不同技能水平的勞動(dòng)者的收入分配。其次，人工智能的使用還會(huì)對(duì)市場(chǎng)結(jié)構(gòu)造成改變，讓一些企業(yè)獲得更高的市場(chǎng)力量，進(jìn)而讓企業(yè)擁有者獲得更多的剩余收入。當(dāng)然，以上這些效應(yīng)最終如何起作用，還和相關(guān)的政策有很大關(guān)系。

1、人工智能對(duì)于要素回報(bào)的影響

要素回報(bào)的差異是造成收入分配差別的最主要原因之一。近年來(lái)，資本回報(bào)率在全世界范圍內(nèi)都呈現(xiàn)出了增加的趨勢(shì)，更多的收入和財(cái)富向少數(shù)資本所有者聚集，這導(dǎo)致了不平等的加劇。而人工智能技術(shù)的應(yīng)用，則可能強(qiáng)化這種要素收益的不平等。

人工智能是一種“技術(shù)偏向性”的技術(shù)。一方面，它的普及將會(huì)減少市場(chǎng)上對(duì)勞動(dòng)力的需求，進(jìn)而降低勞動(dòng)力的回報(bào)率；而與此同時(shí)，作為一種資本密集型技術(shù)，它可以讓資本回報(bào)率大為提升。在這兩方面因素的作用下，資本和勞動(dòng)這兩種要素的回報(bào)率差別會(huì)繼續(xù)擴(kuò)大，這會(huì)引發(fā)收入不平等的進(jìn)一步攀升。

2、人工智能對(duì)不同勞動(dòng)者的影響

技術(shù)的偏向性不僅體現(xiàn)在不同生產(chǎn)要素之間，還體現(xiàn)在勞動(dòng)者群體內(nèi)部，不同技能勞動(dòng)者在面臨技術(shù)進(jìn)步后，其收入變化會(huì)有很大差異。從性質(zhì)上看，人工智能是技術(shù)偏向性的，它對(duì)于不同就業(yè)崗位的沖擊并不相同。人工智能的一個(gè)重要作用是自動(dòng)化，而目前已有很多研究證明了自動(dòng)化對(duì)不同技能勞動(dòng)者帶來(lái)的不同影響。

在現(xiàn)階段，遭受自動(dòng)化沖擊較為嚴(yán)重主要是那些以程式化任務(wù)為主，對(duì)技能要求較低的職業(yè)。自動(dòng)化的普及不僅壓低了從事這些職業(yè)的勞動(dòng)者的收入，還造成了相當(dāng)數(shù)量的相關(guān)人員失業(yè)。而如此同時(shí)，自動(dòng)化對(duì)那些非程式化、對(duì)技能要求較高的職業(yè)，則主要起到了強(qiáng)化和輔助作用，因此面對(duì)“人工智能革命”的沖擊，從事這些職業(yè)的勞動(dòng)者的收入不僅沒(méi)有下降，反而出現(xiàn)了上升。盡管關(guān)于人工智能的技能偏向性的研究還較少，但從邏輯上講，作為一種實(shí)現(xiàn)高級(jí)自動(dòng)化的技術(shù)，它也將會(huì)產(chǎn)生類(lèi)似的效應(yīng)。

需要指出的是，隨著人工智能技術(shù)的發(fā)展，自動(dòng)化的范圍已經(jīng)不再像過(guò)去那樣局限于程式化較強(qiáng)，對(duì)技能要求較低的職業(yè)，很多程式化較低、對(duì)技能要求很高的職業(yè)，如醫(yī)生、律師也面臨著自動(dòng)化的沖擊。在這種背景下，當(dāng)分析自動(dòng)化的影響時(shí)就需要對(duì)自動(dòng)化的類(lèi)別進(jìn)行分析。如果自動(dòng)化是對(duì)低技能勞動(dòng)進(jìn)行替代，那么它將會(huì)擴(kuò)大工資的不平等；而如果自動(dòng)化是對(duì)高技能勞動(dòng)進(jìn)行替代，那么它或許將有助于縮小收入的不平等。

3、人工智能對(duì)利潤(rùn)分配的影響

除了改變要素的邊際收益外，人工智能還會(huì)可能通過(guò)另一條間接渠道——改變市場(chǎng)力量來(lái)對(duì)收入分配產(chǎn)生影響。

經(jīng)濟(jì)學(xué)的基本理論告訴我們，當(dāng)市場(chǎng)結(jié)構(gòu)不是完全競(jìng)爭(zhēng)時(shí)，市場(chǎng)中的企業(yè)就可能獲得經(jīng)濟(jì)利潤(rùn)，而經(jīng)濟(jì)利潤(rùn)的高低則和企業(yè)的市場(chǎng)力量密切相關(guān)。近年來(lái)，世界各國(guó)的市場(chǎng)結(jié)構(gòu)都呈現(xiàn)出了集中的趨勢(shì)，大量占據(jù)高市場(chǎng)份額的“超級(jí)明星企業(yè)”（Superstar Firms）開(kāi)始出現(xiàn)，并憑借巨大的市場(chǎng)力量獲得巨額利潤(rùn)。

不少學(xué)者認(rèn)為，高技術(shù)的使用是導(dǎo)致“超級(jí)明星企業(yè)”一個(gè)重要原因，而人工智能作為一種重要的新技術(shù)顯然會(huì)強(qiáng)化這一趨勢(shì)。不過(guò)，就筆者所知，目前還沒(méi)有文獻(xiàn)對(duì)人工智能影響收入分配的這一渠道進(jìn)行過(guò)專(zhuān)門(mén)的實(shí)證分析，因此這種猜測(cè)暫時(shí)只存在于理論層面。

4、政策對(duì)人工智能分配效應(yīng)的影響

技術(shù)變遷的收入分配效應(yīng)必然受到政策因素的影響，合理的政策措施可以讓技術(shù)變遷過(guò)程更有包容性，使所有人更好地共享技術(shù)變遷的成果。Korinek and Stiglitz（2017）曾對(duì)“人工智能革命”中的分配政策進(jìn)行過(guò)討論。他們指出，盡管像人工智能這樣的技術(shù)進(jìn)步可以讓社會(huì)總財(cái)富增加，但由于現(xiàn)實(shí)世界中的人們不可能完全保險(xiǎn)，也不可能進(jìn)行無(wú)成本的收入分配，因此就難以讓這些技術(shù)進(jìn)步帶來(lái)帕累托改進(jìn)，在一些人因技術(shù)進(jìn)步受益的同時(shí)，另一些人則會(huì)受到損害。為了扭轉(zhuǎn)這種情況，政策的介入是必要的。政策必須對(duì)技術(shù)進(jìn)步帶來(lái)的兩種效應(yīng)——剩余的集中和相對(duì)價(jià)格的變化做出回應(yīng)，而為了達(dá)到目的，稅收、知識(shí)產(chǎn)權(quán)政策、反壟斷政策等政策都可以發(fā)揮一定作用。Kaplan（2015）對(duì)相關(guān)收入分配政策進(jìn)行了全面探討。他建議，考慮到人工智能對(duì)不同人群帶來(lái)的不同影響，應(yīng)該考慮對(duì)那些因這項(xiàng)技術(shù)獲益的人征稅，用來(lái)補(bǔ)貼因此而受損的人們。Cowen（2017）指出，良好的社會(huì)規(guī)范將有助于政策作用的發(fā)揮，因此在進(jìn)行收入分配時(shí)，必須要注意相關(guān)的社會(huì)規(guī)范的培育。

（四）人工智能與產(chǎn)業(yè)組織

毫無(wú)疑問(wèn)，人工智能技術(shù)的發(fā)展將對(duì)產(chǎn)業(yè)組織和市場(chǎng)競(jìng)爭(zhēng)產(chǎn)生極為顯著的影響。它將通過(guò)影響市場(chǎng)結(jié)構(gòu)、企業(yè)行為，進(jìn)而影響到經(jīng)濟(jì)績(jī)效，而所有的這些現(xiàn)象都將對(duì)傳統(tǒng)的規(guī)制和競(jìng)爭(zhēng)政策提出新的挑戰(zhàn)。

1、人工智能對(duì)市場(chǎng)結(jié)構(gòu)的影響

人工智能對(duì)于市場(chǎng)結(jié)構(gòu)的影響是通過(guò)兩個(gè)渠道進(jìn)行的。

第一個(gè)渠道是技術(shù)的直接影響。使用人工智能技術(shù)的企業(yè)可以獲得生產(chǎn)率的躍升，這將使它們更容易在激烈的市場(chǎng)競(jìng)爭(zhēng)中勝出。同時(shí)由于人工智能技術(shù)需要投入較高的固定成本，但邊際成本卻較低，因此這就能讓使用人工智能的企業(yè)具有了較高的進(jìn)入門(mén)檻。這兩個(gè)因素疊加在一起，導(dǎo)致了市場(chǎng)變得更為集中。

第二個(gè)渠道是技術(shù)引發(fā)的企業(yè)形式變革。企業(yè)的組織形式是隨技術(shù)的變化而變化的。在人工智能技術(shù)的沖擊下，平臺(tái)（Platform）正在成為當(dāng)今企業(yè)組織的一種重要形式。由于平臺(tái)通常具有“跨邊網(wǎng)絡(luò)外部性”，因而會(huì)導(dǎo)致“雞生蛋、蛋生雞”似的正反饋效應(yīng)，這讓平臺(tái)企業(yè)可以迅速膨脹占領(lǐng)市場(chǎng)，并形成一家獨(dú)大的現(xiàn)象。 綜合以上兩種因素，人工智能技術(shù)的迅速發(fā)展推動(dòng)了一批“超級(jí)巨星企業(yè)”企業(yè)的出現(xiàn)，并讓市場(chǎng)迅速變得高度集中。

需要指出的是，人工智能對(duì)于市場(chǎng)結(jié)構(gòu)的影響不僅反映在橫向關(guān)系上，還反映在縱向關(guān)系上。Shapiro and Varian（2017）指出，由于機(jī)器學(xué)習(xí)的特殊性，那些采用機(jī)器學(xué)習(xí)的企業(yè)更傾向于垂直聯(lián)合以獲取更多數(shù)據(jù)并削減機(jī)器學(xué)習(xí)的成本。根據(jù)這一理論我們可以預(yù)見(jiàn)，隨著人工智能技術(shù)的發(fā)展，大型平臺(tái)企業(yè)對(duì)下游的并購(gòu)趨勢(shì)將會(huì)加強(qiáng)，而推動(dòng)這種并購(gòu)整合的動(dòng)因?qū)⒉辉偈菭?zhēng)奪直接的利潤(rùn)或市場(chǎng)份額，而是爭(zhēng)奪數(shù)據(jù)資源。

2、人工智能對(duì)企業(yè)行為的影響

人工智能技術(shù)的發(fā)展將會(huì)對(duì)企業(yè)的不少行為發(fā)生影響。很多以前難以采用的策略將會(huì)變成現(xiàn)實(shí)。

一個(gè)例子是算法歧視（Algorithmic Discrimination）。在傳統(tǒng)的經(jīng)濟(jì)學(xué)中，由于企業(yè)的信息越蘇，“一級(jí)價(jià)格歧視”只在理論上出現(xiàn)。而在人工智能時(shí)代，借用大數(shù)據(jù)和機(jī)器學(xué)習(xí)，企業(yè)將有可能對(duì)每個(gè)客戶精確畫(huà)像，并有針對(duì)性地進(jìn)行索價(jià)，從而實(shí)現(xiàn)“一級(jí)價(jià)格歧視”，獲得全部的消費(fèi)者剩余。即使企業(yè)不進(jìn)行“一級(jí)價(jià)格歧視”，人工智能技術(shù)也能夠幫助他們更好地進(jìn)行二級(jí)或三級(jí)價(jià)格歧視，從而更好地攫取消費(fèi)者剩余。

另一個(gè)例子是算法合謀（Algorithmic Collusion）。合謀一直是產(chǎn)業(yè)組織理論和反壟斷法關(guān)注的一個(gè)重要問(wèn)題。市場(chǎng)上的企業(yè)可以通過(guò)合謀來(lái)瓜分市場(chǎng)，從而提升企業(yè)利潤(rùn)的目的。產(chǎn)業(yè)組織理論的知識(shí)告訴我們，企業(yè)的這種合謀會(huì)導(dǎo)致產(chǎn)量減少、價(jià)格上升、消費(fèi)者福利受損。但是，在傳統(tǒng)的經(jīng)濟(jì)條件下，由于存在信息交流困難以及“囚徒困境”等問(wèn)題，合謀是很難持久的。盡管從理論上講，重復(fù)博弈機(jī)制可以幫助企業(yè)合謀的實(shí)現(xiàn)，但事實(shí)上由于難以監(jiān)督違約、難以懲罰違約，以及難以識(shí)別經(jīng)濟(jì)信息等問(wèn)題的存在，這也很難真正達(dá)成。但隨著人工智能技術(shù)的發(fā)展，過(guò)去很難達(dá)成的合謀將會(huì)變成可能。與過(guò)去不同的是，企業(yè)之間的合謀不再需要相互猜測(cè)合謀伙伴的行動(dòng)，也無(wú)需要通過(guò)某個(gè)信號(hào)來(lái)協(xié)調(diào)彼此的行為。只要通過(guò)某種定價(jià)算法，這些問(wèn)題都可以得到解決。在這種背景下，企業(yè)數(shù)量的多少、產(chǎn)業(yè)性質(zhì)等影響合謀難度的因素都變得不再重要，在任何條件下企業(yè)都可以順利進(jìn)行合謀。

除了算法歧視以及算法合謀外，人工智能技術(shù)的發(fā)展還會(huì)引發(fā)很多新的競(jìng)爭(zhēng)問(wèn)題。例如，平臺(tái)企業(yè)可以借助搜索引擎影響人們的決策，或者通過(guò)算法來(lái)影響人們?cè)谄脚_(tái)上的匹配結(jié)果。

（五）人工智能與貿(mào)易

人工智能對(duì)于貿(mào)易產(chǎn)生的影響將是多方面的：其一，作為一種重要的技術(shù)進(jìn)步，人工智能將對(duì)要素回報(bào)率產(chǎn)生重大影響，并改變不同要素之間的相對(duì)回報(bào)狀況，這會(huì)讓各國(guó)的動(dòng)態(tài)比較優(yōu)勢(shì)狀況發(fā)生明顯的變化。其二，作為一個(gè)新興的產(chǎn)業(yè)，人工智能的相關(guān)技術(shù)和人才也成為了貿(mào)易的重要對(duì)象，而各國(guó)的戰(zhàn)略性貿(mào)易政策將會(huì)對(duì)該產(chǎn)業(yè)的發(fā)展產(chǎn)生關(guān)鍵作用。其三，在微觀上，人工智能的使用也將影響企業(yè)的生產(chǎn)率狀況，根據(jù)“新新貿(mào)易理論”，這將會(huì)影響企業(yè)的出口決策。

不過(guò)，目前在現(xiàn)有文獻(xiàn)中直接討論人工智能與國(guó)際貿(mào)易的文獻(xiàn)還相對(duì)較少，就筆者所知，Goldfarb and Trefler（2018）是目前唯一一篇對(duì)這一問(wèn)題進(jìn)行專(zhuān)門(mén)討論的論文。在這篇論文中，兩位作者首先指出了人工智能產(chǎn)業(yè)的兩個(gè)重要特點(diǎn)：規(guī)模經(jīng)濟(jì)以及知識(shí)密集。人工智能產(chǎn)業(yè)對(duì)于數(shù)據(jù)的依賴(lài)非常強(qiáng)，規(guī)模經(jīng)濟(jì)的屬性決定了它們?cè)谌丝诨鶖?shù)更為龐大、各類(lèi)交易數(shù)據(jù)更為豐富的國(guó)家（如中國(guó)）更容易得到發(fā)展。而知識(shí)密集的特征則決定了知識(shí)的擴(kuò)散、傳播方式將對(duì)各國(guó)人工智能的發(fā)展起到重要影響。

在認(rèn)識(shí)了人工智能產(chǎn)業(yè)的基本特征后，兩位作者討論了戰(zhàn)略性貿(mào)易保護(hù)政策在發(fā)展人工智能產(chǎn)業(yè)過(guò)程中的有效性。在兩位作者看來(lái)，傳統(tǒng)的戰(zhàn)略性貿(mào)易保護(hù)文獻(xiàn)有一個(gè)重要的缺陷，即只有當(dāng)存在著利潤(rùn)時(shí)，戰(zhàn)略性貿(mào)易保護(hù)政策才是起作用的。但是，一旦產(chǎn)業(yè)由于政府的保護(hù)而產(chǎn)生了超額利潤(rùn)，只要進(jìn)入門(mén)檻足夠低，更多的企業(yè)就會(huì)進(jìn)入這個(gè)產(chǎn)業(yè)，直至利潤(rùn)被壓縮到零。而在這種情況下，戰(zhàn)略性貿(mào)易保護(hù)政策就失效了。由于人工智能產(chǎn)業(yè)具有很強(qiáng)的網(wǎng)絡(luò)外部性，所以在這個(gè)產(chǎn)業(yè)中有企業(yè)先行發(fā)展起來(lái)，其規(guī)模就為其構(gòu)筑起很高的進(jìn)入門(mén)檻，這意味著即使產(chǎn)業(yè)有很高的利潤(rùn)也不會(huì)有新企業(yè)繼續(xù)進(jìn)入。在這種條件下，戰(zhàn)略性貿(mào)易保護(hù)政策就會(huì)變得更有效了。

兩位作者通過(guò)幾個(gè)模型對(duì)幾類(lèi)政策，如補(bǔ)貼政策、人才政策，以及集群政策的影響進(jìn)行了討論。他們指出，這些政策究竟是否能成功，主要要看人工智能所依賴(lài)的知識(shí)外部性究竟來(lái)自于本國(guó)范圍還是世界范圍。如果人工智能依賴(lài)的知識(shí)外部性主要來(lái)自于本國(guó)，那么政府就可以通過(guò)產(chǎn)業(yè)政策和戰(zhàn)略性貿(mào)易保護(hù)政策對(duì)企業(yè)進(jìn)行有效扶持，從而讓企業(yè)在世界范圍內(nèi)更具有競(jìng)爭(zhēng)力。但如果人工智能依賴(lài)的知識(shí)外部性是全世界范圍內(nèi)的，由于知識(shí)的擴(kuò)散會(huì)相當(dāng)容易，因此以上政策的作用就不會(huì)明顯。

在論文的最后，兩位作者著重對(duì)隱私政策進(jìn)行了討論。從經(jīng)驗(yàn)上看，更強(qiáng)的隱私保護(hù)會(huì)限制企業(yè)對(duì)數(shù)據(jù)的獲取，進(jìn)而會(huì)阻礙以數(shù)據(jù)為關(guān)鍵資源的人工智能產(chǎn)業(yè)的發(fā)展。因此，在實(shí)踐中，隱私保護(hù)政策經(jīng)常被作為隱性的貿(mào)易保護(hù)政策來(lái)對(duì)付國(guó)外企業(yè)。但這兩位作者看來(lái)，這類(lèi)政策也同時(shí)會(huì)損害本國(guó)企業(yè)，因此是不可取的。他們建議，出于支持本國(guó)企業(yè)的目的，政府可以采用其他一些扶持政策，例如數(shù)據(jù)本地化規(guī)則、對(duì)政府?dāng)?shù)據(jù)訪問(wèn)的限制、行業(yè)管制、制定本地無(wú)人駕駛法規(guī)，以及強(qiáng)制訪問(wèn)源代碼等。

（六）人工智能與法律

人工智能的興起帶來(lái)了很多新的法律問(wèn)題。

例如，人工智能在一定程度上可以替代或輔助人進(jìn)行決策，那么在這個(gè)過(guò)程中人工智能是否應(yīng)該具有法律主體地位？

在應(yīng)用中，人工智能需要利用其他設(shè)備或軟件運(yùn)行過(guò)程中的數(shù)據(jù)，那么誰(shuí)是這些數(shù)據(jù)的所有人，誰(shuí)能夠作出有效的授權(quán)？

在遭遇人工智能造成的事故或產(chǎn)品責(zé)任問(wèn)題時(shí)，應(yīng)該如何區(qū)分人工操作還是人工智能本身的缺陷？

對(duì)于算法造成的歧視、合謀等行為應(yīng)當(dāng)如何應(yīng)對(duì)？

……

這些問(wèn)題都十分實(shí)際，但卻充滿了爭(zhēng)議。限于篇幅，筆者只想對(duì)兩個(gè)問(wèn)題進(jìn)行專(zhuān)門(mén)討論，對(duì)于更多人工智能引發(fā)的法律問(wèn)題的探討，可以參考Pagallo（2013），Erzachi and Stucke（2016），Stucke and Grunes（2016）等著作。

1、人工智能帶來(lái)的隱私權(quán)問(wèn)題

現(xiàn)階段人工智能的應(yīng)用是和數(shù)據(jù)密不可分的。例如商家在利用人工智能挖掘消費(fèi)者偏好時(shí)，就必須依賴(lài)從消費(fèi)者處搜集的數(shù)據(jù)（包括身份信息、交易習(xí)慣數(shù)據(jù)等）。對(duì)于消費(fèi)者來(lái)講，讓商家搜集這些數(shù)據(jù)將是有利有弊的——一方面，這些數(shù)據(jù)可以讓商家更充分地了解他們的偏好，從而為他們更好地服務(wù)；另一方面，消費(fèi)者的這些數(shù)據(jù)被搜集后也會(huì)帶來(lái)很多問(wèn)題，例如可能被商家進(jìn)行價(jià)格歧視，受到商家的推銷(xiāo)騷擾，在部分極端的情況下甚至可能因此而受到人身方面的威脅。

在數(shù)據(jù)的搜集和交換不太頻繁的情況下，消費(fèi)者在遭受因數(shù)據(jù)引發(fā)的麻煩時(shí)很容易追蹤到責(zé)任源頭，因此他們可以有效地對(duì)出讓數(shù)據(jù)而帶來(lái)的風(fēng)險(xiǎn)進(jìn)行成本收益分析。在理性決策下，一些消費(fèi)者會(huì)選擇自愿出讓自己的數(shù)據(jù)。

但是，隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，這種情況發(fā)生了改變：

（1）商家在搜集了數(shù)據(jù)后可以更持久保存，可以在未來(lái)進(jìn)行更多的使用，因此消費(fèi)者出讓數(shù)據(jù)這一行為帶來(lái)的收益和遭受的累積風(fēng)險(xiǎn)之間將變得十分不對(duì)稱(chēng)；（2）由于現(xiàn)在商家搜集數(shù)據(jù)的行為已經(jīng)變得十分頻繁，當(dāng)消費(fèi)者遭受了數(shù)據(jù)相關(guān)的問(wèn)題后也很難判斷究竟是哪個(gè)商家造成的問(wèn)題，因此事實(shí)上就很難進(jìn)行追責(zé)；（3）商家在搜集消費(fèi)者數(shù)據(jù)后，可能并沒(méi)有按照其事先向消費(fèi)者承諾的那樣合理使用數(shù)據(jù)，而消費(fèi)者卻很難懲罰這種行為。

在上述背景下，如何對(duì)數(shù)據(jù)使用進(jìn)行有效治理，如何在保護(hù)消費(fèi)者合法權(quán)益的基礎(chǔ)上有效利用數(shù)據(jù)就成為了一個(gè)需要尤其值得關(guān)注的問(wèn)題。目前，對(duì)于人工智能條件下如何保護(hù)消費(fèi)者隱私的爭(zhēng)議很多，有學(xué)者認(rèn)為應(yīng)當(dāng)由政府進(jìn)行更多監(jiān)管，有學(xué)者認(rèn)為應(yīng)當(dāng)由企業(yè)自身進(jìn)行治理，有學(xué)者則認(rèn)為應(yīng)該由民間團(tuán)體組織治理。總體來(lái)講，幾種思路都各有其利弊，因此這一問(wèn)題目前仍然是一個(gè)開(kāi)放性問(wèn)題。

2、人工智能的產(chǎn)品責(zé)任問(wèn)題

人工智能及使用人工智能技術(shù)的設(shè)備（如機(jī)器人）可以大幅度提高生產(chǎn)率，但同時(shí)也會(huì)更大的使用風(fēng)險(xiǎn)。在這種背景下，界定人工智能的產(chǎn)品責(zé)任，明確一旦發(fā)生了事故，究竟人工智能制造者需要為此承擔(dān)多大責(zé)任，就成為了一個(gè)關(guān)鍵的問(wèn)題。

在討論類(lèi)似人工智能這樣的高新技術(shù)的產(chǎn)品責(zé)任時(shí)，一個(gè)需要著重考慮的問(wèn)題是責(zé)任劃分對(duì)創(chuàng)新激勵(lì)的影響。在一篇較近的論文中，Galasso（2017）對(duì)這個(gè)問(wèn)題進(jìn)行了討論。

他建立了一個(gè)簡(jiǎn)單的模型：企業(yè)可以選擇人工智能產(chǎn)品的研發(fā)強(qiáng)度，研發(fā)強(qiáng)度會(huì)改變產(chǎn)品對(duì)企業(yè)帶來(lái)的收益，以及產(chǎn)品發(fā)生事故的概率。一旦事故發(fā)生，企業(yè)會(huì)承擔(dān)一個(gè)固定的損失，法律決定了發(fā)生事故時(shí)企業(yè)需要承擔(dān)的責(zé)任比例。Galasso求解了企業(yè)利潤(rùn)最大化時(shí)企業(yè)的最優(yōu)研發(fā)強(qiáng)度。結(jié)果發(fā)現(xiàn)，產(chǎn)品責(zé)任的劃分會(huì)影響產(chǎn)品的研發(fā)響度，要求企業(yè)承擔(dān)更多責(zé)任會(huì)增加安全產(chǎn)品的研發(fā)強(qiáng)度，減少危險(xiǎn)產(chǎn)品的研發(fā)強(qiáng)度；反之，如果要求企業(yè)承擔(dān)更少責(zé)任會(huì)減少安全產(chǎn)品的研發(fā)強(qiáng)度，增加危險(xiǎn)產(chǎn)品的研發(fā)強(qiáng)度。不過(guò)，只要研發(fā)帶來(lái)的收益足夠高，安全責(zé)任將不會(huì)對(duì)是否研發(fā)的決策產(chǎn)生影響，而只會(huì)改變邊際上的研發(fā)強(qiáng)度，從而影響技術(shù)革新的速度。

據(jù)此，Galasso認(rèn)為在考察人工智能相關(guān)產(chǎn)品的產(chǎn)品責(zé)任問(wèn)題時(shí)，應(yīng)當(dāng)十分重視其對(duì)創(chuàng)新的影響，并強(qiáng)調(diào)應(yīng)該對(duì)成本收益的動(dòng)態(tài)效應(yīng)進(jìn)行關(guān)注。

四、結(jié)論

作為一門(mén)致用之學(xué)，經(jīng)濟(jì)學(xué)是在回應(yīng)現(xiàn)實(shí)發(fā)展的過(guò)程中不斷發(fā)展的。每一次重大的技術(shù)進(jìn)步都會(huì)帶來(lái)生產(chǎn)生活的巨大改變，而這些改變最終也會(huì)體現(xiàn)在經(jīng)濟(jì)學(xué)上。第一次工業(yè)革命帶來(lái)的生產(chǎn)方式和階級(jí)結(jié)構(gòu)的變化為李嘉圖、馬克思等經(jīng)濟(jì)學(xué)家的研究提供了鮮活的素材；第二次工業(yè)革命帶來(lái)的經(jīng)濟(jì)結(jié)構(gòu)變化和社會(huì)結(jié)構(gòu)的變化催生了宏觀經(jīng)濟(jì)學(xué)、產(chǎn)業(yè)經(jīng)濟(jì)學(xué)、發(fā)展經(jīng)濟(jì)學(xué)等經(jīng)濟(jì)學(xué)分制；信息革命則為產(chǎn)業(yè)組織、信息經(jīng)濟(jì)學(xué)和網(wǎng)絡(luò)經(jīng)濟(jì)學(xué)的應(yīng)用提供了用武之地。

相比于之前的歷次技術(shù)進(jìn)步，“人工智能革命”所引發(fā)的沖擊更為巨大，其對(duì)經(jīng)濟(jì)學(xué)造成的影響也將更為廣泛和深遠(yuǎn)。相信在不久的將來(lái)，人工智能將作為重要的研究工具和研究議題進(jìn)入經(jīng)濟(jì)學(xué)的主流。