社区

本文作者陈玉宇，系北京大学光华管理学院教授、北京大学经济政策研究所所长。此文来自陈玉宇教授人工智能课程中的宏观历史专题，将 AI 放置在更长的时间维度下展开分析。

第五部分　类比断掉的地方

三十、类比为什么会断

前面四部分一直在用电力说人工智能。现在该说这个类比在哪里靠不住了。

我不打算用一段总结收尾。一个类比最有用的地方常常是它断掉的地方。断口显出的差别，是类比本身没法教给我们的东西。电力和人工智能的断口有三处。

三十一、电没有历史，人工智能有

第一处前面提过，这里把它推到底。

电是一种物理能力。它不知道人类以前做过什么，也不在乎。人们拿它做的每一件事，对它来说都是第一次。所以电力时代的用途发现，是人对着一片空白在想。

人工智能是从人类的记录里压出来的。它带着已有世界的先验知识出生。这让它偏向已有的品类。这里要说的是另一面：它带的不只是已有品类的地图，还有已有世界没有满足的愿望的记录。

人类留下的文字里，除了做成的事，还有没做成的事。有抱怨，有遗憾，有“要是能这样就好了”，有几百年来一直在问却没有答案的问题。这些东西电看不见，人工智能读过。所以它的先验有两层。一层是已经有名字的活动，这一层把它拉向账单。另一层是那些被反复说起却从来没有实现的需求，这一层指向账单之外。

读过抱怨和愿望，并不等于知道其中哪一个有真正的价值。文本给的是候选的方向，不是需求的强度，更不是最终的目标。小说里的幻想、酒桌上的牢骚和一个真实的潜在需求，在文字里没有天然的标签。模型可以从记录里找出一万个“要是能这样就好了”，它不能从记录本身判断哪一个值得实现。这个判断还是要过筛选这一关，回到活着的人。

所以“已有世界的先验”这个说法要小心。已有世界不只记录了自己是什么样，也记录了自己想成为什么样。一个读过全部记录的东西，知道现有的品类，也知道品类之间的空隙。它会不会去填那些空隙，取决于有没有人问它，以及有没有人告诉它填哪一个。

三十二、电不会被使用塑造，人工智能会

第二处是全文最深的一道断口。

再多的照明需求也不会改变电子的性质。电力的通用性是物理给的，人怎么用它，通用性都在那里。1900年的电和1800年的电是同一种东西。

人工智能的通用性是训练给的。训练用什么数据，给什么奖励，往哪个方向优化，通用性就长成什么样。前面说的那个循环——可估值的用途拿到钱，钱变成数据和奖励，能力在可验证的地方长起来——说的就是这件事。

由此出来一个电力时代从来没有过的问题：一种通用技术的使用方向，能不能反过来改变它的通用性本身？

这个问题今天没有答案，但它决定前面所有判断的分量。如果从账单上学来的能力可以大量转移到账单以外，那么方向的锁定只是一个小扭曲，新品类照样会从旧任务的价格崩溃里长出来，电力的故事大体会重演。如果转移很少，就会出现那个别扭的局面：新用途要靠底层的人去试，工具偏偏在那里最弱，试错的信号也最弱。

我目前的看法是转移相当多，但很不均匀。在代码这类可验证领域形成或显现出来的一部分能力，也能用于写作和分析。到了需要身体、现场和判断的地方，能借到的就少得多。这意味着账单之外的用途也分成两类：一类能借到账单上练出来的能力，一类借不到。前一类会先被发现。这比“人工智能能不能发现新用途”要具体得多，也是一个可以慢慢观察的事实。

三十三、电不会提建议，人工智能会

第三处断口最简单，也最陌生。

电不会对人说：“你还可以拿我干这件事”。电力时代的每一个用途，都是人想出来的。技术是被动的，人是主动的。用途发现的方向永远是从人到技术。

人工智能会提建议。你问它能干什么，它会给出一张清单。你说一个困难，它会提出办法。你描述一种处境，它会告诉你别人在类似处境下做过什么。用途发现第一次可以是双向的。人向技术提问，技术向人提议，两边一起找。

这一下把前面的问题推到了一个新地方。如果人工智能自己也在参与用途探索，那么它提出的用途从哪里来？还是来自它读过的已有世界吗？

我倾向于认为，单个建议大多来自已有的东西，因为它只能从读过的东西里组合。但组合本身可能就够了。许多新品类没有依赖全新的自然原理，只是把原来分散在不同领域的元素重新组合起来。人工智能擅长的恰恰是把散在不同地方的东西放到一起。它未必能想出一个全新的元素，但它可能比人更快地穷尽现有元素的组合。电力时代大部分新品类，正是旧元素的新组合。

注意，人工智能虽然参与用途候选的生成和组合，但不能独立完成用途的价值选择。它可以说“这两样东西可以放在一起”，不能说“放在一起以后的那种生活值得过”。第二句话需要知道什么对人是好的，这个知识在模型之外。一万个组合摆在面前，哪一个对应一种人们真的想要的生活，还是要由人来选，而且常常要试过才知道。

所以有句话值得保留：它是历史上第一种会参与寻找自己用途的通用技术。但要马上跟一句：它参与探索，却不拥有探索的最终目的。它能扩大候选范围，不能从自身内部决定哪一种生活值得实现。这条界线画清楚，双向探索才不会被误解成机器替人决定要什么。

三十四、向内和向外

最后把所有东西压到一点上。

向内的力量清楚得很。一张大到惊人的现成账单，资本按它估值，能力按它生长，模型自己的先验指向它，旧组织按它提需求。每一项都在把人工智能拉回已经存在的世界。

向外的力量也不弱。电网现成，翻译成本很低，几亿人直接参与，极小的私人需求有了工具，人工智能自己会提议，已有世界的记录里还藏着没被满足的愿望。每一项都在把它推向还不存在的东西。而向外的每一步，都要过筛选那一关，那一关的知识在模型之外。

这两股力量谁大，今天看不出来。所以不能说人工智能只会替代旧工作，也不能说它一定会造出大量新产业。两种说法都把一个还在进行的过程说成了结果。

能说的是，它的处境和电力当年正好相反。电力革命开始的时候，人们不得不去想象一个没有价格的未来，因为眼前没有什么可以估值。人工智能革命开始的时候，人们面前摆着一个几十万亿美元的、可以直接拿来做基准的现在。电力被迫向外找了八十年，才一层一层搭出自己的世界。人工智能不需要向外找也能活得很好，这是它的便利，也是它的危险。

于是问题变成这样：一个从已有世界训练出来、由已有市场融资、却又把探索成本降到很低的通用智能，最后会不会发现一个不再像已有世界的新经济？

这个问题没有人能回答。但至少可以把它问对。电能做什么与人怎样使用它，是两件分开的事。人工智能能做什么与人怎样使用它，开始互相塑造。

附录　定价未来：一个极简模型及其预测

Abstract

This appendix develops a minimal model of how a general-purpose technology discovers its uses. The model distinguishes realized markets, imagined markets, and imagined markets that can be priced. Capital does not rank every conceivable future. It ranks projects whose value can be expressed by borrowing an observable expenditure base, a known customer group, and a language of demand from an already realized use. These links form an anchor graph. At each date, the set of financeable uses is the neighborhood of realized uses, so the technology advances through the graph rather than directly toward the uses with the highest social value. Once a use is realized, it creates a new anchor and makes some neighboring uses priceable. The initial position of a technology in this graph therefore shapes its subsequent path.

Artificial intelligence adds an endogenous-capability channel. Investment in a use improves capability where performance is verifiable; part of this improvement transfers to neighboring uses. Decentralized use also produces feedback that can improve capabilities outside the initially priceable set. Deployment, however, requires capability to cross an effective threshold that summarizes reliability, verification, liability, and organizational requirements. Capability growth makes estimates of substitution and market capture more credible, raising priced value and attracting further investment. Pricing therefore directs both capital and the evolution of the technology itself. The strength and topology of cross-use transfer determine how tightly this feedback loop locks artificial intelligence into existing categories.

The model also introduces a decentralized route to new uses. Many users can cheaply generate private experiments without first obtaining market finance. Only a fraction have value beyond the original user, and identifying that fraction requires screening, validation, naming, and diffusion. When generation is costly, the number of candidates is the bottleneck. When artificial intelligence drives generation cost toward zero, screening capacity becomes the bottleneck: candidate production can explode while the number of socially recognized uses reaches a ceiling. This separates the economics of generating possibilities from the economics of selecting valuable ones.

The policy implications follow directly. Enterprise computing vouchers mainly increase investment inside the already priceable set. A Universal Token allocation raises the resources available for decentralized experimentation and broadens the candidate pool. A clearing and discovery platform raises the budget for screening or lowers its unit cost. Universal Tokens alone increase discovery only while candidate generation remains scarce; once screening binds, additional tokens mainly create more unseen experiments. Screening infrastructure can then raise the rate at which private uses become public categories, while privacy, user control, and intellectual-property protection preserve the knowledge needed for decentralized search. The model yields testable predictions about investment direction, cross-domain capability growth, the order in which new categories appear, and the widening gap between the abundance of private uses and the much smaller set of named, standardized, and commercialized applications. Empirical objects are therefore the size and topology of the initial priceable set, the transfer matrix across tasks, effective deployment thresholds, and the capacity of institutions that turn dispersed private trials into verifiable, transferable, genuinely investable uses.

$阿里巴巴(BABA)$ $腾讯控股(00700)$ $京东(JD)$