人工智能、奇点时代与中国机遇

杨虎涛

(中南财经政法大学经济学院,湖北 武汉 430073)

近年来，人工智能(Artificial Intelligence,AI)技术得到了快速发展与广泛应用。斯坦福《2017年人工智能指数报告》显示，全球人工智能领域创业公司数量自2000年以来已增加了14倍，风险投资资本金额自2000年以来增加了6倍，由论文发表量、课程注册学生数、风险资本投资测算的综合人工智能活力指数自2000年来增长了6倍以上。2013年以来，仅在美国，需要人工智能技能的工作比重就增长了4.5倍[1]。

作为一种可替代人类体力乃至脑力劳动的技术革命，人工智能的快速发展引起了广泛的关注。乐观者普遍认为，随着人工智能的发展，人类将很快进入奇点时代，进入马克思所说的“自由人的自由发展”的阶段，凯恩斯[2]的“100年内解决经济问题”“经济问题将不再是人类的永恒问题”的预言将很快成真。而悲观者则认为，人工智能对经济增长的影响不会太显著，索洛悖论(Solow Paradox)将再次呈现，人工智能引发的就业和收入分配的冲击反而更值得担忧。例如，Frey和Osborne[3]的研究指出, 美国经济中将有47%的就业会因人工智能及其相关领域的进步而自动化，涉及金融市场交易、律师助理工作、会计、驾驶等多个行业。而James等[4]对美国2 000个工作类别的考察也同样表明，现有的人工智能技术可以替代其中45%的工作。

从经济学而非未来学和伦理学的角度考察，对人工智能发展及其影响的判断不可避免地涉及如下问题：第一，人工智能是否意味着奇点临近？第二，人工智能是否是一种新的通用技术，如果是，它的扩散过程与之前的通用技术有何不同？第三，无论是奇点临近还是历史上一种通用技术的扩散，人工智能的发展对就业和收入分配的影响如何？第四，对于中国而言，人工智能的机遇是什么？本文拟对上述问题进行尝试性探讨。

一、人工智能：强与弱

在人类发展的历史上，从狩猎采集社会转入农业社会，以及从农业社会转入工业社会，是两次奇点式发展，而进入工业社会以来，则经历了五次技术长波，即始于1771年的工业革命，始于1829年的蒸汽机与铁路时代，始于1875年的钢铁电力与重化工时代，始于1908年的石油、汽车与大规模生产时代和始于1971年的信息技术时代。而对人工智能，第一个必须做出的判断是，它究竟是一个新的技术长波的起点，抑或只是上一波信息技术浪潮的一个小波，还是一个类似于农业革命和工业革命那样的奇点时代的标志？

如果人工智能引发的只是前者，则我们可以将其视为一个工业革命以来自动化程度提升的延伸，它仅仅是漫长自动化过程中的最新浪潮。自工业革命以来，技术进步的突出特征是人体力的节约和肢体的延伸。在信息技术发展之前，这一过程的主要特征是逐步机械化和自动化，信息革命以来，这种自动化进程的变化则集中体现在标准化上，而人工智能只是通过高度的标准化(归类、识别与预测)进一步促进了机械化和自动化程度的提升。如果人工智能引发的只是进一步的自动化、标准化和机械化，那么随之而来的一系列问题则是，人工智能是不是一种类似于蒸汽机、计算机那样的通用技术？如果是，在人工智能对应的技术范式内，哪些是关键要素或核心投入，哪些是生产关键要素或核心投入的动力部门(Motive Branches)，哪些是支柱部门(Carrier Branches)或主导部门(Leading Sectors)？与这些判断相对应的问题则是战略性新兴产业识别、收入分配和就业冲击等。但是，无论人工智能是一个新的技术长波的起点，抑或只是以计算机为代表的第五次技术长波的一个小波，它对经济的结构性影响都是毋庸置疑的，只是程度和规模的差异，但它不会是一种文明类型的质变。

如果人工智能可以引发如库兹韦尔预言的奇点，则意味着一种新的文明、生活方式和社会将因此而重构。维基百科对技术奇点的解释是：认为未来将要发生一件不可避免的事件──技术发展将会在很短的时间内发生极大而接近于无限的进步。当此转折点来临的时候，旧的社会模式将一去不复返，新的规则开始主宰这个世界。而后人类时代的智能和技术我们根本无法理解，就像金鱼无法理解人类的文明一样[5]。易言之，人工智能对应的是文明质变。在这一观点中, 人工智能的进步不仅是技术进步的延续,更是技术革新的颠覆性高潮——它可能导致历史进程与以前的创新浪潮的影响明显不同,巴拉特[6]称之为 “我们的最终发明”。在这一判断下，重要的社会经济问题不仅是就业冲击和收入分配问题，更是科技伦理、人类文明生存和延续这类问题。

判断是否为奇点，一个重要的标准是人口和经济是否会呈现跳跃式增长。两个奇点时代的突出标志是，人口和经济产出在短时间内呈现跳跃式增长。如果人工智能引发的并不是奇点式增长，而只是一个新的技术长波，那么可以预见的是，在未来相当长的一段时期内，由于索洛悖论的存在，经济增长率会处在一个相对较低的水平。[注]按照麦迪森的统计，虽然1950—2003年经历了数次技术浪潮，但经济增长相对稳定，Hanson[7]称之为“巨大的技术变化并不会在经济增长的数据上留下明显的印记,短期的加速增长不一定必然归因于某种技术发展”。而如果人工智能引发的是奇点式增长，那么在库兹韦尔预言的时间节点2045年来临之后，人类社会的人口和经济将呈现出一种爆发式的双增长。按照技术奇点的加速度理论，这种增速将远超过前两次奇点时代。在第一次奇点时代之前的狩猎采集社会，人口数量从1万人扩张到400万人历时200万年。进入农业社会之后，人口和产出大约每900年翻一番, 比以前快了250倍。进入工业社会之后，产出则每隔15年翻倍，比前一奇点时代快了60倍。Hanson[7]根据这一速度推测，认为如果人工智能是新奇点的话，那么当前的15年翻倍的速度将迅速提升到1个月乃至1周内翻倍，两年内增长100万倍。这样的速度和规模当然是一种颠覆性的文明质变。

奇点论者的奇点依据首先在于库兹韦尔关于科技增长以几何级数进行的结论，也即“加速度回报定律”，这也符合早期新制度主义者的工具组合原理，即技术越多，组合可能性就越多，技术进步速度就越快。从技术层面上判断，奇点论的依据在于，人工智能不是对人的体力的节约，而是智力的替代，人工智能早期投入虽然巨大，但扩散和复制成本快速递减，随着学习时间和学习内容的累积，智能水平也呈指数式发展。这种加速在技术上之所以可能，还因为计算生产率的持续快速增长。统计表明，标准计算的费用在1940—2012年以平均每年53%的速度下降。如果高量子比特计算成为可行, 计算将基本上是免费的, 对人工智能的限制将主要是软件和工程。而量子计算机、云计算、物联网、机器学习以及纳米技术和生物技术的进展一旦聚合起来，就会导致更快的加速度发展，最终引发技术奇点，完成从人工智能向超级智能(Superintelligence)的转变, 此时，“智力比在几乎每个领域中最好的人脑都要聪明, 包括科学创造力”[8]。

历史上，类似的奇点预测曾出现过多次。例如，1958年，西蒙等就预测 “十年之内，数字计算机将发现并证明一个重要的数学定理”；1965年，西蒙又进一步预言“二十年内，机器将能完成人能做到的一切工作”；1967年，明斯基也预言过“一代之内……创造‘人工智能’的问题将获得实质上的解决”；1970年，明斯基又断言“在三到八年的时间里我们将得到一台具有人类平均智能的机器”[9]。但迄今为止，这些预言仍然还只是预言。其原因在于，无论是奇点预测，还是西蒙和明斯基的预测，都建立在“强人工智能可行”的基础上，而当前的人工智能发展仍属于数据+统计模型的弱人工智能。

按照是否具有人类思考和认知能力，人工智能可以分为替代计算、预测和搜索的弱人工智能和具有人类思考和认知能力的强人工智能。而人工智能的研究进展至今仍集中在弱人工智能领域，而本质是数据+统计模型这一60年来未曾改变的基础，其之所以在近年来在识别、预测等领域取得突飞猛进的发展，只是得益于杰弗里等人对深度学习的推进。弱人工智能和强人工智能的差异在于：前者只需要机器像人类一样执行(Perform as Humans)，为此只需要机器学习，最终产生输入—输出行为，且遵循“有多少人工有多少智能”的逻辑；而后者则需要使机器像人类一样思考(Think as Humans)，其需要的原理是人类大脑的结构和工作模式，其最后产生的结果并不是人工智能，而是智能人工(IA)。而在强人工智能发展的方向上，正如Hanson指出的那样，我们无法理解大脑的运作，因而只能模仿大脑进行全脑仿真。即对真正的人脑进行扫描以得到足够详细的信息, 并确定每个神经元的确切位置和类型, 例如，树突、轴突和突触。然后使用神经元组件将输入信号转换为输出信号的模型, 构建一个特定大脑的计算机模型。如果模型、扫描和构建足够精确, 最终的模拟应该与原始大脑具有相同的输入—输出行为。尽管现有研究已在模拟神经元研究方面取得了不少进展，但由于人类的神经元多达千亿，模拟大脑的实现无疑极为困难，“莫拉维克悖论”(Moravec’s Paradox)——计算机可以替代复杂计算却永远无法模仿感知和运动——和“波兰尼悖论”——我们知道的超过我们能表达的——仍构成强人工智能发展的重大障碍。因此，Hanson判断：“我们还有很远的距离”！[注]2017年底，英特尔宣布进行Intel Loihi神经元芯片研究，整个芯片上共有超过13万个神经元和1.3亿个突触连接，能够根据环境变化即时编程，进行“自学习”。英特尔“模糊地表示”，这一芯片的能效达到了传统人工智能芯片的1 000倍。更为重要的是，由于我们仍然无法理解人脑的运作模式，即使在计算意义上达到模拟人脑要求，我们也不知道究竟会发生什么。从这一根本性的约束上说，强人工智能突破的奇点时代距离我们仍很遥远。

二、通用技术与索洛悖论

尽管如此，不可否认的是，弱人工智能时代已经日益趋近。对于这种人工智能的发展，联合国2017年发布的《新技术革命对劳动力市场和收入分配的影响》报告中就判断，人工智能和历史上的蒸汽机、电力、计算机一样，是一种通用技术(General Purpose Technology，GPT)[10]。虽然它的技术基础是上一次信息技术浪潮的延伸，但其特点是属性上完全不同的技术和能力，因而完全可能构成一个新的技术长波的标志。如果说奇点革命是一次大的新陈代谢，前奇点时代的生产方式和相关知识大部分都归于无用，那么作为一种新通用技术的弱人工智能则更多地表现为对传统部门的重构，一如之前的任何一种通用技术的产生一样，索洛悖论将再现一次，短期内人工智能对经济增长的贡献不会有太多地超出预期的表现。

所谓索洛悖论是指：除了关于生产率的统计数据领域外，在其他领域，我们处处可见计算机的身影。这一IT投资与生产率之间的非显著相关性也被戈登和查斯曼等所观察到。不仅索洛等观察到的20世纪70年代和80年代如此，而且统计也表明，即使在进入互联网技术快速发展的20世纪90年代以后，大部分美国人的实际收入仍停滞不前，生产率增长缓慢甚至减速。这一现象也发生在经济合作与发展组织其他国家和大型新兴经济体中。2005—2016年美国的总劳动生产率年增长率仅为 1.3%,不到1995—2004年2.8%年增长率的一半，而发达经济体的劳动生产率年增长率在2005年以来一直在下降并保持着低位水平。在经济合作与发展组织的数据中，如果将2008—2009年危机期间的增长率排除在总数之外，30个国家中的28个国家仍然表现出生产率减速[11]。Brynjlofsson等[12]的研究也指出，自动驾驶技术将使美国的司机数量减少200万人，但劳动生产率每年仅会提升0.2%。不仅学者，政府也对人工智能促进经济发展的前景持相对保守的态度，尽管在过去5年时间里美国人工智能发展迅猛，但美国国会预算办公室仍将美国劳动生产率增长预测从2016年1.8%降低到2017年的1.5%。

对于索洛在1987年提出的计算机技术与生产率悖论，Triplett[13]曾将其归结为多个因素，例如，计算机产业规模小、测度错误、学习成本和时滞、通用技术的固有本性、利润再分配问题和管理不当等。而Brynjlofsson等[12]则指出，人工智能仍将出现和计算机一样的索洛悖论，原因有以下四点：第一，错误希望，意指技术进步与预期的背离，即技术进步本身无法达到预期效果，错误预期主要来自于实验室阶段、中试阶段的成果与最终大规模应用之间的技术—应用鸿沟。第二，错误度量，即新技术红利已经发生，但却无法得到精准测度，在这种情形下，事实上是效用及其组合本身已经发生了改变，但在统计数字方面得不到明显的体现，例如，许多新技术(智能手机、在线社交网络和可下载媒体) 尽管发展迅速，也为消费者提供了大量新的效用，但这些技术由于相对价格较低且只占国内总产值的一小部分，因而在统计数据上并不明显。第三，再分配效应，即虽然新技术提高了少数行业和少数企业的效率，但大部分行业和企业效率改进不明显甚至下降，因而总劳动生产率改进不明显。与此同时，新技术在孕育新部门的同时也带来了旧部门的衰落，而弱人工智能的主要应用也集中在预测、搜寻和广告推送这几个有限的领域内，对总生产率的提升贡献并不大。第四，也是最为重要的原因，在于通用技术的实施和重组滞后，因为作为一种通用技术，人工智能的经济效应需要很长时间才能表现出来，其主要原因在于：第一，新技术本身需要规模拉动，进而才能产生多部门的聚合效应。第二，新技术所涉及的各个部门之间需要互补性的投资。第三，通用技术需要组织重构，这也需要较长的时间和大量的调整成本。

历史地看，工业革命以来，每一次通用技术都曾经经历这样的滞后阶段。通用技术的确会成为生产力的重要推动力，但它不会在到达时立即提供生产率增益。技术史表明，多种新技术的“并存但不爆发”往往会持续很长时间。只有各种新旧力量之间产生关联性，才会产生集中性的爆发并扩散到传统行业，进而彻底引发技术经济范式的切换。煤和铁在第一次工业革命之前已经有了悠久的历史，是蒸汽机启动了三者之间的良性循环转而成为铁路时代的动力；内燃机和汽车在第二次工业革命之前也存在了很久，是石油启动了三者之间的良性循环，构成了大规模生产的动力；交流电诞生于19世纪末期，但作为集中分布式能源影响到工厂的空间布局结构，则经历了近半个世纪的时间；晶体管、半导体在20 世纪早期就存在，20世纪50年代就见证了集成电路和计算机的出现，但直到1971 年的微处理器登场，才启动了信息技术时代；20世纪90年代初出现了互联网热潮，但电子商务直到20年之后才开始大规模兴起，这一过程滞后不仅是因为组织调整和模式重构需要成本和时间，更重要的是，需要等待其他互补性技术发展引起共振。

简言之，一种新的通用技术一直要等到足够的互补技术在效能和规模上达到全面耦合之后，其应用价值才真正在总体经济数据中全面表现出来。在这一过程中，廉价的关键投入(铁、电、石油、芯片、存储器)是引发各技术系统自增强效应的“引爆点”，而各技术系统所对应的市场规模则决定了这种自增强形成的速度和强度。在历次技术浪潮中，随着技术系统的日渐复杂化，自增强涉及的子系统越来越多，也越来越复杂，通用技术的扩散所历经的时间也越来越长，这也就是为什么“潜在的重组越深远, 技术的最初发明与其对经济和社会的全面影响之间的时滞就越长”[13]。在第一次工业革命中，只需要煤、铁、蒸汽机三者之间形成自增强系统，就可以迎来机械力的普遍增长。而在第二次工业革命中，则需要钢、铁路、内燃机、石油和汽车之间形成自增强系统，进而作为一种新的技术范式蔓延到传统部门，从而使经济发生彻底的结构性变迁。人工智能作为一种新的通用技术，其涉及的自增强系统无疑要比之前任何一种通用技术都要广泛，而其涉及的重构的传统部门数量和类别也要远超以前任何一个时代，因而总时滞会更长。

如果人工智能是一种通用技术的话，那么这一时代的关键投入是什么？按照“最被需要”这一标准，人工智能本身就构成关键投入。但值得注意的是，人工智能具有与之前任何一种通用技术不一样的特征——其本身很难被理解为一种类似铁、石油、芯片一样的有形产品，按照里夫金的能源+通讯定义新时代的标准，人工智能既不是一种能源，也不是一种通讯，它只是算法+数据，但它的效能又依赖于高速微型芯片，如果仅有算法和数据，但缺乏处理能力，人工智能仍不能达成；如果有处理能力，但缺乏算法和数据，人工智能也不能实现。因此，人工智能时代的关键投入不同于之前任何一个时代，它应由算法+数据+芯片三者共同构成一种复合型的关键投入，这三个部门共同构成动力部门，而以这些关键投入为基础所刺激出来的快速增长部门，例如，机器人、自动驾驶等则构成支柱部门或主导部门。

三、人工智能如何影响就业？

作为一种拓展自动化、机械化和标准化的技术体系，人工智能的发展并不会像想象的那样，对就业市场产生巨大冲击，导致严重的失业。事实上,机械化和自动化的历史，是不断的技术进步乃至一个技术范式对另一种技术范式不断替代的历史，新技术虽然在旧的生产范式内通过去技能化挤出劳动力，但并没有减少对劳动力的总体需求，恰恰相反，与技术范式的不断切换相伴随的是对劳动力需求的扩大和更高的实际工资。经济学家普遍认为，在人工智能的冲击下，结构性失业无疑会发生，但长期内就业总量、甚至劳动收入份额都不会出现下降，真正值得担心的是，人工智能的扩散所构成的主要经济挑战将是收入分配的不平等。

虽然新技术会造成对传统技术条件下某些特定工作的替代，但这种替代效应会受到来自多方面的反制力量的冲抵。Acemoglu和Restrepo[14]将这种反制力量分为四种：

第一种反制力量是生产率效应。生产率效应可以表现为对自动化部门劳动力需求的增加, 或者是对非自动化部门劳动力需求的增加。两者都可以抵消新技术的劳动替代效应。前一种情形体现为，随着自动化部门效率的提升，该部门产品或服务的相对价格会下降，从而引发更大的需求，进而引起该部门本身的规模扩张，从而吸纳更多的劳动力。经典的例证就是自动取款机的广泛使用，它的推广并未减少对柜员需求数量，相反引起了银行在更大范围内开设分支机构，从而最终在总量上吸纳了更多的就业。[注]Bessen[15]的研究结果表明，自20世纪70年代末期发明自动取款机以来，1980—2010年美国的银行出纳员就业人数实际上从50万人增加到约55万人，因为自动取款机通过降低运营银行分支机构的成本，间接增加了对柜员的需求。后一种情形则体现为，自动化部门效率的提升导致该部门对上游部门(原材料或服务)产生更大的需求，从而引发了相关部门的扩张和雇佣劳动的增加，经典的例证就是飞梭的发明，虽然飞梭在生产现场减少了织布工的数量，但其引发的对纱线、纺纱机和精梳机的需求则在总体上极大地促进了相关部门的就业。因而从生产率效应的意义上说，新技术对劳动力的替代效应不值得担忧，真正值得担忧的是生产率效应是否足够大。

第二种反制力量是资本积累效应。即自动化意味着更大的资本需求，也意味着更大规模的资本积累，这一过程本身也会提高对劳动力的需求。我们可以将资本积累效应理解为人工智能部门本身快速扩张过程中所产生的对特定劳动力的持续需求，即部门本身所创造的劳动力需求。2017年领英《全球AI领域人才报告》表明，在全球范围内，通过领英平台发布的人工智能职位数量从2014年接近5万个增长到2016年超过44万个，人工智能人才需求3年翻了8倍[16]，腾讯研究院的数据也表明，仅在中国，截至2017年6月592家人工智能公司约有39 200位员工，但人才缺口仍高达两倍。

第三种反制力量来自自动化程度深化，更具体地说，是来自自动化进程加深过程中的生产率效应。若自动化技术是劳动节约型的，当然会产生很强的劳动替代效应；但若自动化的深化过程是资本节约型的，即提高已经自动化的生产任务中机器的生产率，在这种情形下，自动深化过程会提高资本生产率，但对劳动的替代效应并不明显，此时自动化程度的加深则通过生产率效应发挥对对冲的抵消作用。例如，数控机床对传统机床而言就是一种自动深化，它对在位工人的工作性质和内容产生影响，但对工人数量减少的影响并不显著，但数控机床通过生产率效应在本企业、本行业乃至相关企业和行业中创造了更多的劳动力需求。由于自动化进程一旦启动，就会有不断优化和深化的空间，因而这种自动深化带来的新增就业也构成了反制新技术替代效应的一种主要力量。

第四种反制力量则来自于新工作创造，它也是最为重要和最为根本性的力量。Acemoglu和Restrepo[14]强调，创造新的、劳动密集型的工作，尤其是劳动力相对于资本而言具有相对优势的工作，可能是在快速自动化过程中反冲抵消新技术替代效应的最主要力量。如果说自动化具有替代效应, 那么新工作创造则具有一种恢复效果。工业化的历史表明，工业化不仅是一个自动化和机械化程度不断提高的历史，也是一个人类分工和职业类别深化扩张的历史。纺织、冶炼、农业的自动化与机械化进程也对应着管理、财务、销售、广告和咨询等行业的产生，Acemoglu和Restrepo[14]的研究也表明，1980—2010年新工资类别的产生解释了一半左右的就业增长。而埃森哲的研究报告也认为，人工智能已经产生了许多新的工作类别，涉及智能培训、系统建构与监护、个性化教育、医疗保健和设计等。

长期来看，Acemoglu和Restrepo[14]所强调的这种新工作创造的另一个重要意义，在于它遏制了劳动力在国民收入中份额的下降趋势，而生产率效应、资本积累效应和自动化加速效应虽然可以产生抵消效应, 但它们是边际效应递减的，其最终扩张和吸纳就业的能力会趋于衰减，则持续的、不可逆的自动化仍将最终减少劳动收入份额。而唯有创造新的劳动密集型工作,尤其是不断创造出劳动力相对于机器具有相对优势的经济活动和职业类别，才能真正遏制和抵消劳动力收入份额的下降趋势。在工业化以来的数百年时间里，之所以并未出现劳动力收入占国民收入比重的剧烈下降，其根源就在于这种创造新职业效应的存在。而Nordhaus[17]则从另一个角度指出，人工智能时代的就业和劳动收入份额不会构成实质性的危险，其原因在于人工智能时代，“鲍莫尔成本病”仍将持续发挥作用，只要信息产品和非信息产品之间不能完全替代，就会有新的部门以更强的能力吸收劳动力。

尽管人工智能从长期来看不会构成对劳动力就业和劳动力收入份额的毁灭性冲击，但不可否认的是，在短期内，由于新技术的要求与现有劳动力技能之间的差异，这种冲击仍需要社会付出巨大的调整代价。快速自动化冲击下的劳动力市场调整过程将会非常缓慢，人力资本的浪费将不可避免，这将集中体现在直接受到人工智能技术冲击和替代效应最为显著的行业。只有在教育和培训改善了人力资本的结构之后，这种调整才会结束。历史上这种调整的漫长记录不胜枚举：英国工业革命期间，虽然新技术不断引进，并最终导致了劳动力需求和工资的上升, 但这一过程却导致了后来数十年的长期工资停滞、贫困扩大和生活条件下降。这即是工业革命的恩格尔停顿(Engels’ Pause)[18]，直到大众教育和其他人力资本投资提升以及改善了劳动力技能之后, 这种恩格尔停顿现象才消失。同样的情形也出现在19世纪末和20世纪初的美国，当时由于美国农业自动化水平大幅度提高，大批农业生产者面临失业窘况，美国为此推行了长达数十年的高中运动(High School Movement)，规定每个美国人在年满16岁之后才能离开学校进入社会工作，这一过程不仅投入了大量的教育建设资金，也让大量农村劳动力失去了经济收入，但这一过程最终极大地提高了美国劳动力的质量，为随后的经济快速崛起提供了优质而充裕的劳动力资源[19]。

正如Korinek和Stiglitz[20]所指出的，人工智能真正的挑战在于对收入不平等的影响。他们将这一原因主要归结为创新租金分布的不平等。联合国研究报告也特别强调，人工智能对全球价值链的冲击，将使落后国家更难实现向上的突破和发展，新的技术革命将会使制造业和参与全球价值链的成果变得更加集中，从而限制落后国家的结构转型。而Autor[19]对欧洲16个国家的研究也表明，自20世纪90年代的互联网高潮以来，1993—2010年欧洲16国均出现了收入极化现象，即低教育水平、劳动密集型和高教育水平、智力和技术密集型的工作职位呈现两极增长，但中等收入的就业岗位则呈现不同程度的下降。虽然在每一次技术浪潮下，随着劳动力结构的调整，都不可避免地出现这种结构性极化现象，但值得重视的是，在之前任何一次技术浪潮下，劳动者均是作为纯粹的劳动力参与新的分工体系，而在人工智能浪潮中，是整个社会为人工智能提供了数据基础，是在整个社会成员巨量的历史累积数据和不断更新的现实数据的基础上，人工智能的搜寻、预测和判断才成为可能。因此，如何使人工智能的创新盈余普惠更多人，是政府公共部门尤其是税收立法部门应该重点关注的问题。

四、人工智能时代的中国优势

2017年7月，国务院发布了《新一代人工智能发展规划的通知》，确立了“三步走”的目标：到2020年，人工智能总体技术和应用与世界先进水平同步；到2025年，人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平；到2030年，人工智能理论、技术与应用总体达到世界领先水平，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。而普华永道则预测，到2030年，中国的人工智能产业规模将达到7万亿美元，将会是美国的两倍，成为世界第一人工智能大国。而从现有的公司数量和融资规模上看，中国人工智能已经形成和美国二强争霸的格局。根据Venture Scanner的数据，截至2017年6月底，全球专业从事人工智能的初创企业总数达到2 542家。中美两国占据全球人工智能初创企业总数的2/3，其中，美国约1 100家，中国约600家。中国人工智能在2017年上半年的融资额已经超过150亿元，累积融资额攀升到635亿元，占据全球融资总额的33.2%，超过除美国外其他国家的总和。

中国成为世界第一人工智能国有无可能？按照新熊彼特学派的观点，后发国家的技术追赶存在着两种机会窗口：第一种机会窗口只与传统产业相关，而与新技术革命和新兴产业无关，这种机会窗口同时意味着高的资本准入门槛和知识门槛，以及逐步饱和和收益递减的产品市场。而第二种机会窗口则与激进的新技术革命相关，后来者刚开始并不是新技术的最初发明者，但在一种新的技术长波启动之初，先进国家和后发国家基本处在同一起跑线上，实验室知识而非企业默会知识构成起始阶段新技术的知识特征，后发国家可以通过自主创新等措施和国内市场规模等条件占据技术革命的制高点，因此，技术经济范式的切换可以为后发国家实现技术追赶提供第二种机会窗口。而且由于组织和用户对传统技术经济范式的路径依赖弱，后发国家在新技术经济范式出现初期反而具有后发优势。具体到中国，改革开放四十年来，我们以模仿者和跟随者的方式比较完整地经历了第五次技术长波的导入期和拓展初期，这一过程使中国形成了完整的产业链、世界工厂的生产能力和一定的技术能力，在环境、资源和劳动力成本约束下，这一积累基础本身已经面临着很强的升级压力，这就客观上构成了对人工智能这一新的通用技术的强大的创新需求。

从历次技术长波的历史观察中可知，在一个新的技术长波进入导入期之后，一国能否成功地保持新技术长波中的领先地位或实现赶超，取决于两个因素：第一，能否在关键投入即动力部门中取得领先地位。第二，能否快速地让动力部门、主导部门和引致部门[注]引致部门(Induced Sector)指的是受技术经济范式引导出的伴生部门。之间形成利润和生产率提升的正反馈。而这两种因素既取决于技术能力(知识积累)，也取决于生产能力(规模经济)和生产体系的多样化程度(网络经济)。从中美两国人工智能的发展现状看，中国的快速发展主要集中在规模优势主导的应用层，尤其是消费类终端或服务，而在技术层，即人工智能通用技术平台的发展上，中国在计算机视觉与图像、智能机器人和自然语言处理等领域也有很好的表现，但在包含人工智能芯片、算法和数据的基础层上，中国则弱于美国，与美国各大人工智能公司都有自己的人工智能芯片相比，中国目前仅有百度公司拥有自己的芯片DuerOS。由于基础层是长期发展的支持，因此，一个普遍的担忧是，中国在基础层无法赶超美国，并将直接制约技术层和应用层的发展。最终，中国将成为人工智能大国，但仍非人工智能强国。

虽然中国目前在芯片和技术平台上处于劣势，但正如前文所述，人工智能时代的关键投入是一种芯片、算法和数据的复合型投入，这三者互为依存，脱离任何一种都无法提供“智能”。目前，中国人工智能基础层的落后主要集中在芯片领域，但由于人工智能仍处于技术浪潮的导入期，芯片上的落后仍有赶超时间，而且从人工智能的发展趋势看，量子芯片必然成为未来的主流。而在量子芯片层次上，中美其实同样处于第二种机会窗口的起点。而在算法领域，通用的算法是一种公开知识，深度学习模型的扩散就是如此，而具体的算法则构成各人工智能公司的机密核心，但由于数据正义和数据隐私的要求，在公众压力和政府立法部门的干预下，这种具体的算法也越来越面临着开放的压力，例如，2018年5月25日生效的欧盟《统一数据保护条例》就规定，所有算法必须解释其输出原理[21]。但是数据，不仅会成为一种垄断性资产，也是一种不可转移的资产，这种不可转移性源于数据必须和数据的产生主体时刻关联，一旦脱离这种关联性，即时数据就成为无根之木，无源之水。而在数据方面，依托庞大的人口规模和用户市场，中国具有无法替代的规模优势。截至2017年6月，中国网民规模达到7.5亿，是美国人口的两倍，互联网普及率为54.3%，移动宽带用户总数达到10.4亿，4G用户总数达到8.9亿，网民使用手机上网的比重高达96.3%，移动互联网规模居于全球绝对领先地位。在数据生成和数据用户上，这一庞大的规模必然为人工智能时代的关键投入之一——数据——提供持续而坚实的基础。

一旦在基础层构成竞争力，那么借由庞大市场规模构成的规模经济和产业部门的多样性[注]对第二产业出口产品多样性的测算结果显示：除2007—2009年受国际金融危机的影响而出现产品多样性指数的下滑，2000—2013年第二产业大多数产品的出口多样性在波动中稳步上升[22]。形成的网络经济，就将使人工智能的生产关键投入的动力部门、主导部门和引致部门之间形成不可逆的正反馈效应。庞大的市场规模意味着单位成本的降低，使新技术更容易得到市场回报，进而激励企业投入研发，而产业部门的多样化则有助于形成新技术经济范式下的技术耦合和互补效应，促进新技术的扩散与技术经济范式的形成。而包括美国在内的西方发达国家在第五次技术长波后期都不同程度地经历了去工业化的过程，其部门间的需求引致创新力有限将会构成制约其人工智能产业发展的主要因素。因此，人工智能这一新的通用技术不仅为中国实现赶超提供了第二种机会窗口，而且在这一通用技术的基础层、技术层和应用层上，中国也完全有抓住这一机会窗口的能力和基础。当前最为重要的，不仅是要加大芯片的研发投入，实现《中国制造2025》中2025年芯片自给率达到50%的目标，而且更要促进中国数据市场的发展和产业协同效应的发挥，以及通过教育和相关培训为人工智能提供充裕的人才储备。