生成式人工智能的经济潜力

ii 生成 AI 的经济潜力 ： 下一个生产力前沿 Contents关键见解3第 1 章 ： 人工智能作为技术催化剂4术语表6第 2 章 ： 跨职能和行业的生成 AI 用例8聚焦 ： 零售和消费包装商品27聚焦 ： 银行业28聚焦 ： 药品和医疗产品30第 3 章工作的人工智能未来 ： 对工作活动、经济增长和生产率的影响32第 4 章企业和社会的考虑48Appendix53生成 AI 的经济潜力 ： 下一个生产力前沿1 2 生成 AI 的经济潜力 ： 下一个生产力前沿 关键见解对生产力的影响可能为全球经济增加数万亿美元的价值。我们的最新研究估计 ， 在我们分析的 63 个用例中 ， 生成人工智能每年可以增加相当于 2.6 万亿至 4.4 万亿美元的收入 - 相比之下 ， 英国 2021 年的整个 GDP 为 3.1 万亿美元 ， 这将使所有人工智能的影响增加 15 至40 ％ 。如果我们将生成性 AI 嵌入到当前用于这些用例以外的其他任务的软件中的影响包括在内 ， 则该估计值大约会增加一倍。2.生成 AI 用例可以提供的价值中约有 75 ％ 来自四个领域 ： 客户运营 ， 营销和销售 ， 软件工程以及研发。在 16 个业务功能中 ， 我们检查了 63 个用例 ， 其中该技术可以以产生一个或多个可测量结果的方式解决特定的业务挑战。示例包括生成 AI 支持交互的能力与客户合作 ， 为营销和销售生成创意内容 ， 并根据自然语言提示起草计算机代码 ， 以及许多其他任务。3.人工智能将对所有行业产生重大影响。银行 ， 高科技和生命科学是影响最大的行业之一 ， 其收入来自生成 AI 。例如 ， 在整个银行业中 ， 该技术可以带来价值如果用例完全实现 ， 则相当于每年增加 2000 亿至 3400 亿美元。在零售和消费包装商品中 ， 潜在影响也很大 ， 每年为 4000 亿至 6600 亿美元。4.生成人工智能有可能改变工作的结构 ， 通过自动化一些个人活动来增强个体工人的能力。当前的生成 AI 和其他技术有可能使工作活动自动化 ， 从而吸收当今员工 60 ％ 至 70 ％ 的时间。相比之下 ， 我们先前估计技术有可能使员工花费的工作时间减少一半。1技术自动化潜力的加速很大程度上是由于生成 AI 理解自然语言的能力增强 ， 这是占总工作时间 25 ％ 的工作活动所必需的。因此 ， 与其他类型的工作相比 ， 生成 AI 对与工资和教育要求更高的职业相关的知识工作的影响更大。5.鉴于技术自动化潜力的增加，劳动力转型的步伐可能会加快。我们更新的采用方案，包括技术开发，经济可行性和推广时间表，导致估计今天的工作活动有一半可以在 2030 年至 2060 年之间实现自动化，其中点在 2045 年，或者比我们之前的估计提前大约十年。6.生成 AI 可以大大提高整个经济中的劳动生产率 ， 但这将需要投资来支持工人转移工作或更换工作。到 2040 年 ， 生成 AI 可以使劳动生产率每年增长 0.1 ％ 至 0.6 ％ ， 具体取决于技术采用率和工人时间的重新部署其他活动。将生成 AI 与所有其他技术相结合，工作自动化每年可以为生产力增长增加 0.2 至 3.3 个百分点。然而，工人在学习新技能方面需要支持，有些人会改变职业。如果工人转型和其他风险能够得到控制，生成人工智能可以为经济增长做出重大贡献，并支持一个更加可持续、包容的世界。7.生成人工智能的时代才刚刚开始。对这项技术的兴奋是显而易见的 ， 早期的试点是引人注目的。但是 ， 要完全实现该技术的好处将需要时间 ， 商业和社会的领导者仍然需要时间有相当大的挑战需要解决。这些挑战包括管理生成人工智能固有的风险 ， 确定劳动力将具备哪些新技能和能力需求 ， 并重新思考核心业务流程 ， 如再培训和发展新技能。生成 AI 的经济潜力 ： 下一个生产力前沿3 生成 AI 作为技术催化剂要掌握未来的情况，需要了解使生成 AI 兴起的突破，这是数十年来的成就。ChatGPT 、 GitHb Copilot 、 Stable Diffsio 和其他生成 AI 工具吸引了当前的公众关注，这是近年来大量投资的结果，这些投资有助于推进机器学习和深度学习。这项投资支持了我们每天使用的许多产品和服务中嵌入的 AI 应用程序。但是，由于人工智能已经逐渐渗透到我们的生活中 — — 从为我们的智能手机提供动力的技术到汽车上的自动驾驶功能，再到零售商用来给消费者带来惊喜和愉悦的工具 — — 它的进步几乎是不可察觉的。明显的里程碑，例如由 DeepMid 开发的基于 AI 的程序 AlphaGo 在 2016 年击败了世界冠军围棋选手，但随后很快就从公众的意识中消失了。ChatGPT 及其竞争对手以 AlphaGo 所没有的方式吸引了世界各地人们的想象力 ， 这要归功于其广泛的实用性 - 几乎任何人都可以使用它们进行交流和创造 - 以及与用户进行对话的超自然能力。最新的生成 AI 应用程序可以执行一系列常规任务，例如数据的重组和分类。但正是他们写文字、创作音乐和创作数字艺术的能力吸引了头条新闻，并说服消费者和家庭自己进行实验。因此，更广泛的利益相关者正在努力应对人工智能对商业和社会的影响，但没有太多的背景来帮助他们理解这一点。4生成 AI 的经济潜力 ： 下一个生产力前沿1 我们是怎么到这里的 ？ 渐渐地 ， 突然间出于本报告的目的，我们将生成 AI 定义为通常使用基础模型构建的应用程序。这些模型包含广泛的人工神经网络，其灵感来自人脑中连接的数十亿个神经元。基础模型是所谓的深度学习的一部分，这个术语暗示了神经网络中的许多深层。深度学习推动了人工智能的许多最新进展，但为生成性人工智能应用提供动力的基础模型是深度学习中的一个逐步变化的演变。与以前的深度学习模型不同，它们可以处理极其庞大和多样的非结构化数据集，并执行多个任务。基金会模型启用了新功能 ， 并在图像、视频、音频和计算机代码等多种模式上极大地改进了现有功能。在这些模型上训练的人工智能可以执行多种功能 ； 它可以分类、编辑、总结、回答问题和起草新内容 ， 以及其他任务。持续的创新也将带来新的挑战 ， 例如 ， 训练具有数千亿参数的生成 AI 所需的计算能力有可能成为发展的瓶颈。2此外 ， 还有一个重大举措 — — 由开源社区带头 ， 并传播给生成人工智能公司的领导者 — — 让人工智能更加负责 ， 这可能会增加其成本。尽管如此，用于人工智能的资金虽然仍占人工智能总投资的一小部分，但规模巨大且增长迅速，仅在 2023 年前五个月就达到了 120 亿美元。从 2017 年到 2022 年，风险资本和其他私人外部投资在生成 AI 方面的平均复合增长率为 74 ％ 。在同一时期，对人工智能的投资总体上每年增长 29 ％，尽管基数较高。在所有事情上投入资金的热潮生成 AI 反映了其功能的发展速度。 ChatGPT 于 2022 年 11 月发布。四个月后 ， OpenAI 发布了一个新的大型语言模型或 LLM ， 称为 GPT - 4 ， 其功能得到了显着改善。3同样 ， 到 2023 年 5 月 ， Anthropic 的生成 AI Claude 能够处理 100, 000 个文本标记 ， 相当于一分钟内大约 75, 000 个单词 - 平均小说的长度 - 相比之下 ， 2023 年 3 月推出时大约有 9, 000 个标记。4 2023 年 5 月 ， 谷歌宣布了几项由生成 AI 驱动的新功能 ， 包括搜索Generative Experience 和名为 PaLM 2 的新 LLM 将为其 Bard 聊天机器人以及其他 Google 产品提供动力。5从地理角度来看，外部私人对生成性人工智能的投资主要来自科技巨头和风险投资公司，主要集中在北美，反映了非洲大陆目前在整个人工智能投资领域的主导地位。从 2020 年到 2022 年，总部位于美国的与人工智能相关的公司筹集了约 80 亿美元，占同期此类公司总投资的 75% 。6生成性人工智能以其重塑整个经济中的行业和业务功能的知识工作方式的潜力震惊并激发了世界。在销售和营销，客户运营和软件开发等职能中，它有望转变角色并提高绩效。在这个过程中，它可以释放从银行到生命科学等各个领域数万亿美元的价值。我们在本报告中使用了两个重叠的镜头来了解生成 AI 为公司创造价值并改变劳动力的潜力。以下部分分享了我们的初步发现。生成 AI 的经济潜力 ： 下一个生产力前沿5 术语表应用程序编程接口 (API)是一种以编程方式访问 （ 通常是外部 ） 模型、数据集或其他软件的方法。人工智能 (AI)是软件执行传统上需要人类智能的任务的能力。人工神经网络 (ANN)由称为 “神经元 ” 的基于软件的计算器的互连层组成。这些网络可以吸收大量的输入数据 ， 并通过提取和学习数据特征的多个层处理该数据。深度学习是使用深度神经网络的机器学习的子集 ， 深度神经网络是连接的 “神经元 ” 层 ， 其连接具有可以训练的参数或权重。它在从图像 ， 文本和音频等非结构化数据中学习时特别有效。早期和晚期情景是我们的工作自动化模型的极端场景。 “最早的 ” 场景将所有参数弯曲到合理假设的极端 ， 导致更快的自动化开发和采用 ， 而“ 最新的 ” 场景将所有参数向相反的方向弯曲。现实很可能介于两者之间。微调是调整预先训练的基础模型以在特定任务中表现更好的过程。这需要在标记的数据集上进行相对较短的训练 ， 该数据集比模型最初训练的数据集要小得多。这个额外的训练允许模型学习和适应较小数据集中的细微差别、术语和特定模式。基础模型 (FM)是在大量非结构化、未标记的数据上训练的深度学习模型 ， 可用于开箱即用的各种任务 ， 或通过微调适应特定任务。这些模型的示例包括 GPT - 4 、 PaLM 、 DALL · E 2 和稳定扩散。Generative AI是通常使用基础模型构建的 AI，具有早期 AI 没有的功能，例如生成内容的能力。基础模型也可以用于非生成目的 （ 例如，根据通话记录将用户情绪分类为负面或正面 ），同时提供对早期模型的显着改进。为简单起见，当我们在本文中提到生成 AI 时，我们包含了所有基础模型用例。图形处理单元 (GPU)是最初为生产计算机图形 （ 例如视频游戏 ） 而开发的计算机芯片 ， 也可用于深度学习应用。相比之下 ， 传统的机器学习和其他分析通常在中央处理单元 （ CPU ） 上运行 ， 通常称为计算机的 “处理器 ” 。大型语言模型 (LLM)构成一类基础模型 ， 可以处理大量非结构化文本并学习单词或单词部分之间的关系 ， 称为标记。这使 LLM 能够生成自然语言文本 ， 执行诸如摘要或知识提取之类的任务。 GPT - 4 （ 作为 ChatGPT 的基础 ） 和 LaMDA （ 巴德背后的模型 ） 是 LLM 的示例。6生成 AI 的经济潜力 ： 下一个生产力前沿 机器学习 (ML)是 AI 的一个子集，其中模型在许多示例数据点上训练或显示后获得功能。机器学习算法通过处理数据和经验来检测模式并学习如何做出预测和建议，而不是通过接收明确的编程指令。该算法还可以适应新的数据和经验，并可以变得更有效。模态是高级数据类别 ， 如数字、文本、图像、视频和音频。生产力来自劳动的是 GDP 与经济中总工作时间的比率。劳动生产率的增长来自每个工人可用的资本量的增加 ， 劳动力的教育和经验以及技术的改进。工程提示指的是设计、优化和优化输入提示的过程 ， 以引导生成 AI 模型生成所需 （ 即准确 ） 的输出。自我关注， 有时称为注意力内 ， 是一种旨在模仿认知注意力的机制 ， 将单个序列的不同位置相关联以计算序列的表示。结构化数据是表格数据 （ 例如 ， 组织在表格、数据库或电子表格中 ） ， 可用于有效地训练某些机器学习模型。变压器是一种相对较新的神经网络架构 ， 它依赖于自我注意机制将输入序列转换为输出序列 ， 同时将注意力集中在输入周围上下