本工作文件可在线获取：https://www.brookings.edu/center/center-on-regulation-and-markets/2022 年 6 月工作文件工程价值：技术人才和人工智能投资的回报丹尼尔洛克布鲁金斯学会监管和市场中心创建并促进严格的经济学术研究，为监管政策制定、监管过程以及经济市场的有效和公平运作提供信息。该中心提供独立的、无党派的监管政策研究，广泛应用于微观经济领域。 披露作者没有从任何公司或个人对本文或任何对本文有经济或政治利益的公司或个人获得经济支持。他们目前不是对本文感兴趣的任何组织的官员、董事或董事会成员。作为数据提供者，LinkedIn 的经济图表研究和洞察团队有机会在发布之前审查该出版物，以了解可能泄露的机密信息和商业机密。他们对论文的其他方面没有编辑控制权。 1工程价值：技术人才和人工智能投资的回报1丹尼尔洛克美国宾夕法尼亚州沃顿商学院抽象的：本文研究了公司从员工的人工智能技能投资中获得回报的程度，以及可能推动这种价值获取的因素。具有技术技能的员工与企业积累的无形知识资产具有高度互补性。公司通过雇用具有人工智能技能的工人来表明他们拥有与人工智能互补的资产。使用来自 LinkedIn 的超过 1.8 亿个职位记录和超过 5200 万个技能记录，我构建了一个公司级技能面板，以衡量从谷歌开源推出的 TensorFlow（一种深度学习软件包）。 AI 技能与市场价值密切相关，尽管 2014-2017 年 AI 技能的变化并不能解释公司同时期的收入生产力。使用各种差异中的差异规范，我表明，对于拥有与 AI 互补的资产的公司而言，每增加 1% 的 AI 技能曝光率，TensorFlow 的推出与大约 1100 万美元的市场价值增加相关。鉴于缺乏同时期的生产力变化，在 TensorFlow AI 技能冲击之后，安装的特定于公司的 AI 补充品的价格上涨可能是 AI 采用者市场估值增加的一种机制。这些结果表明，当针对稀缺技能时，开源软件的私人收益可能特别大。1 我感谢 Erik Brynjolfsson、Prasanna Tambe、Chad Syverson 和 Andrew Lo 的广泛评论和指导。我还要感谢 Sarah Bana、Sagit Bar-Gill、Seth Benzell、Lee Branstetter、Carter Braxton、Tim Bresnahan、Avi Collis、Chiara Farronato、Daniel Fehder、Morgan Frank、Jillian Grennan、Lorin Hitt、Jonathan Hersh、Dave Holtz、 Zanele Munyikwa、Frank Nagle、Anton Korinek、Joshua Krieger、Danielle Li、Christian Peukert、Guillaume Saint-Jacques、Daniela Scur、Sebastian Steffen、Martin Watzinger、Lynn Wu、Sam Zyontz 和众多研讨会参与者提供了有用的建议。 LinkedIn 经济图表研究团队（尤其是 Di Mo、Guy Berger、Stephen Lynch 和 Jacqui Barrett）在 LinkedIn 经济图表研究挑战赛中提供了出色的反馈和对 LinkedIn 数据的访问。麻省理工学院数字经济倡议和布鲁金斯学会监管与市场中心提供了慷慨的财政支持。所有错误都是我自己的。 2介绍“如果你正在寻找一份服务需求量很大的职业，那么你应该找到一些可以为无处不在且价格低廉的事物提供稀缺、互补服务的职业。那么什么是无处不在且便宜的呢？数据。什么是数据的补充？分析。” - 哈尔瓦里安，谷歌首席经济学家2在过去的十年中，人工智能 (AI) 能力的进步有了相当大的进步，这主要得益于深度学习的突破。深度学习是机器学习 (ML) 中算法的一个子集，是一种特定的 AI，从头开始训练深度学习模型通常是一项重大挑战。现代深度学习模型通常具有数百万个参数。从历史上看，实施深度神经网络 (DNN) 需要对计算资产进行大量投资以运行算法、有才华的研究人员和开发人员来实施代码、为适当的用例提供合理的大规模标准化数据，以及解决更简单方法的问题没能处理好。本文直接关注人工智能相关资本投资的人才补充。因此，本文的主要研究问题如下：公司在多大程度上还能从员工的人工智能技能投资中获得回报，以及什么可能推动这种价值获取？这条探究线不仅限于 AI 技能或技术，但 AI 技能是新出现的特定技术技能，很容易在在线人才数据库的数字耗尽中追踪（Tambe 和 Hitt 2012；Tambe 2014）。如果公司和工人面临完全竞争的市场，那么工人将获得他们技能投资的边际产品。因此，工人可能会完全获得与学习使用新技术相关的盈余。因此，补充资产可能是雇主从员工技能中获益的重要渠道。由于存在如此多的瓶颈，人工智能的商业价值直到最近还只是猜测而非现实。但是随着深度学习算法的显着研究进展，人工智能兴趣的觉醒导致了新的企业人工智能计划。采用人工智能有几个供应方的顺风。云计算技术的普及大大缓解了计算和数据存储的限制，为技术竞争提供了公平的竞争环境（Ewens、Nanda 和 Rhodes-Kropf 2018；Jin 和 McElheran 2017）。公司正在快速投资于数据基础设施和数据收集（Brynjolfsson、Hitt 和 Kim2 Stephen J. Dubner，“Hal Varian 回答您的问题”，Freakonomics，2008 年 2 月 25 日，https://freakonomics.com/2008/02/25/hal-varian-answers-your-questions/ [12 月 7 日访问， 2021]。 32011； Brynjolfsson 和 McElheran 2016；法布迪等人。 2019;吴、希特和娄 2020；坦贝等人。 2020）。这些新的数据经济学——即数据资产是非竞争性的（Jones 和 Tonetti 2020），具有较高的固定获取成本和较低的复制边际成本，与分析人才高度互补（Abis 和 Veldkamp 2020；J. E. Bessen 等人 2020） ，并作为实施人工智能和其他先进技术的先决条件（Iansiti 和 Lakhani 2020；Zolas 等人 2021）——推动数字能力竞争的新转变（Sambamurthy、Bharadwaj 和 Grover 2003；J. Bessen 2020）。从人工智能的深度学习变体中产生商业价值的障碍正在逐渐减少。因此，与人工智能相关的资本投资变得越来越普遍。技术工人可能产生市场价值的一套机制通常适用于各种人力资本。然而，与其他类型的技能相比，技术技能投资的变化或贬值速度要快得多（Horton 和 Tambe 2019；Deming 和 Noray 2020）。因此，技术转变为外部研究人员提供了研究人力资本密集型公司成果的机会。研究技术变革可以深入了解公司和员工如何从商业活动中获益。通常，在公司内部查看有关特定类型的就业工人及其技能的详细信息是一项重大挑战。这项研究是第一个规范化和部署有关随着时间的推移公司就业以及工人如何为其雇主价值做出贡献的详细数据的研究之一。本文将员工做出的技术人力资本获取决策与其雇主的市场价值联系起来。我发现有证据表明，未来人工智能人才的预期激增会导致以前被搁置的人工智能项目变得有利可图，而现有的人工智能项目变得更加有利可图（“价格效应”）。主要发现是，技能扩散事件开始时的这些价格效应可能是一种机制，而不是同时期的生产力提高或公司层面的员工整体接触人工智能。这些影响增加了与人工智能人才互补的已安装资本的价值。哈尔瓦里安在上述引文中的建议是，人们应该“找到一些东西，为那些变得无处不在和便宜的东西提供稀缺的补充服务”，这与公司同样相关，因为获取 ML 应用程序的计算和数据输入的成本下降。在当前的市场环境中，很少有技术具有人工智能和机器学习的变革潜力（Agrawal、Gans 和 Goldfarb 2018 年；Brynjolfsson、Rock 和 Syverson 2018 年；Cockburn、Henderson 和 Stern 2018 年）。然而，对于许多潜在雇主来说，（负担得起的）人才的可用性仍然是一个挑战。返回到 4寻找人工智能人才可能会阻碍对 ML 应用程序的投资，在某些情况下，顶级科学家的年收入超过 100 万美元。3在一系列报告中，麦肯锡研究团队报告称，到 2016 年，美国劳动力中只有大约 235,000 名数据科学家（约占工人总数的 0.16%）（Nicolaus Henke 等人，2016 年；Bughin 等人，2017 年）。然而，在 2013 年至 2020 年间，与机器学习相关的职位发布从所有职位的 0.1% 增长到 0.5%；与 AI 相关的帖子从 0.03% 增长到 0.3%（Zhang 等人，2021 年）。令许多人感到惊讶的是，许多大型信息技术公司将其深度学习实施平台开源。尤其是，谷歌在 2015 年 11 月决定开源 TensorFlow——其用于设计、训练和部署深度神经网络的内部平台——导致人工智能人才的可用性惊人地增加。到 2015 年底，TensorFlow 已经是最流行的机器学习软件库之一（Zhang et al. 2021）。4鉴于这对谷歌来说是出乎意料的5为了让机器学习社区随时可以使用其一些核心技术，TensorFlow 的开源发布构成了一个自然实验，可以了解以前在 AI 补充方面投入巨资的公司的人才获取和估值效应。此外，通过跟踪技能水平企业人力资本的积累，我们可以更好地了解技术劳动力暴露导致的估值变化。在 TensorFlow 之前，训练神经网络的能力非常罕见且高度专业化。该工具的推出既有效地将深度学习作为一种技能商品化，也加速了人们对深度学习在多长时间内易于学习的预期。然后，雇主就有机会为日益普遍的人工智能技能提供稀缺的补充。我探讨了之前在企业层面对 AI 相关技能的投资如何促进雇主价值获取，因为 AI 人才市场的前景有所改善（主要通过 TensorFlow）。我将具有 AI 互补品的公司定义为那些表明存在通过可观察到的具有 AI 技能的工人的雇佣来使 AI 富有成效的资产的公司。我构建了一个3 Cade Metz，“A.I.即使在非营利组织，研究人员的收入也超过 100 万美元，”纽约时报，2018 年 4 月 19 日，https://www.nytimes.com/2018/04/19/technology/artificial-intelligence-salaries-openai.html .4 以 GitHub 星数衡量，这是一种在 GitHub 软件版本控制平台上跟踪开源参与度的方法。 TensorFlow 比 Theano、Caffe 甚至 Scikit-Learn（一个流行的 ML 库）拥有更多的明星5 https://www.wired.com/2015/11/google-open-sources-its-artificial-intelligence-engine/ 5使用LinkedIn数据库的一组上市公司匹配的雇主-雇员技能股票和就业数据集。随着 TensorFlow 的推出，LinkedIn 上添加人工智能技能的速度和数量迅速增加。使用一系列以公司为分析单位的差异化设计，我发现 TensorFlow 冲击对市场价值产生了差异化影响。在 TensorFlow 之后，对 AI 进行投资的公司的价值增长得更多，甚至控制了各种其他互补技能，包括固定效应。对于人工智能技能第三和第四五分之一的公司，在引入 TensorFlow 后，LinkedIn 上每增加 1% 的人工智能技能记录计数与公