生成式人工智能的经济潜力（英）

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 ： 作为技术催化剂的生成 AI4词汇表6第 2 章 ： 跨功能和行业的生成 AI 用例8聚焦 ： 零售和消费包装商品27焦点 ： 银行28聚焦 ： 药品和医疗产品30第 3 章工作的生成 AI 未来 ： 对工作活动、经济增长和生产力的影响32第四章对企业和社会的思考48Appendix53生成 AI 的经济潜力 ： 下一个生产力边疆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以为全球经济增加数万亿美元的价值。我们的最新研究据估计 ， 在我们分析的 63 个用例中 ， 生成式 AI 每年可以增加相当于 2.6 万亿美元至 4.4 万亿美元 - 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 到40 ％ 。如果我们将将生成 AI 嵌入到当前用于这些用例之外的其他任务的软件中的影响包括在内 ， 这一估计将大约增加一倍。2.生成 AI 用例可以提供的价值的 75 ％ 落在四个领域 ： 客户运营 ， 营销和销售 ， 软件工程和研发。在 16 个业务功能中 ， 我们检查了 63 个用例 ， 其中技术可以以产生一个或多个可衡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一起 ， 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.生成 AI 将对所有行业产生重大影响。银行业 ， 高科技和生命科学是可能从生成式 AI 收入中获得最大影响的行业。例如 ， 在整个银行业中 ， 该技术可以带来价值如果完全实施用例 ， 则每年增加 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 660 亿美元。4.生成人工智能有可能改变工作的解剖结构 ， 通过自动化一些个人活动来增强个人工人的能力。当前的生成 AI 和其他技术具有自动化工作活动的潜力 ， 这些活动占用了当今 60 ％ 至 70 ％ 的员工时间。相比之下 ， 我们之前估计技术有可能使员工工作时间的一半自动化。1技术自动化潜力的加速很大程度上是由于生成 AI 提高了理解自然语言的能力 ， 这对于占总工作时间 25 ％ 的工作活动是必需的。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.鉴于技术自动化的潜力增加，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、经济可行性和扩散时间表，估计今天一半的工作活动可以在 2030 年至 2060 年实现自动化，2045 年达到中点，比我们之前的估计提前了大约十年。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活动或换工作。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。将生成式 AI 与所有其他技术相结合，工作自动化每年可以为生产率增长增加 0.2 到 3.3 个百分点。然而，工人在学习新技能方面需要支持，有些人将改变职业。如果能够管理工人转型和其他风险，生成人工智能可以为经济增长做出实质性贡献，并支持一个更可持续、更具包容性的世界。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 ， 早期的飞行员也是令人信服的。但是要完全实现这项技术的好处需要时间 ， 商业和社会的领导者仍然有相当大的挑战要解决。这些包括管理生成 AI 固有的风险 ， 确定劳动力将拥有哪些新技能和能力需要 ， 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 ： 下一个生产力边疆3 作为技术催化剂的生成 AI要把握未来的发展，就需要理解那些突破，这些突破已经推动了几十年的生成人工智能的崛起。ChatGPT，GitHb Copilot，稳定扩散和其他生成 AI 工具引起了公众的关注，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。这项投资巩固了我们每天使用的许多产品和服务中嵌入的 AI 应用程序。但由于人工智能已经逐步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，再到零售商用来让消费者感到惊讶和高兴的工具 — — 它的进步几乎是难以察觉的。明确的里程碑，例如 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 没有的方式抓住了世界各地人们的想象力 ， 这要归功于它们广泛的实用性 — — 几乎任何人都可以使用它们来交流和创造 — — 以及与用户对话的超自然能力。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。但是，正是他们撰写文字，创作音乐和创作数字艺术的能力赢得了头条新闻，并说服了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生成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它。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 ， 然后突然出于本报告的目的，我们将生成 AI 定义为通常使用基础模型构建的应用程序。这些模型包含广阔的人工神经网络，其灵感来自人脑中连接的数十亿个神经元。基础模型是所谓深度学习的一部分，这个术语暗指神经网络中的许多深层。深度学习为人工智能的许多最新进展提供了动力，但为生成 AI 应用程序提供动力的基础模型是深度学习中的逐步变化。与以前的深度学习模型不同，它们可以处理非常庞大和多样的非结构化数据集，并执行多个任务。基金会模型已经启用了新功能 ， 并在包括图像 ， 视频 ， 音频和计算机代码在内的各种模式中极大地改进了现有功能。在这些模型上训练的 AI 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 ， 还有一个重要的举措 — — 由开源社区牵头 ， 并传播给生成人工智能公司的领导者 — — 让人工智能更负责任 ， 这可能会增加成本。尽管如此，用于生成人工智能的资金虽然仍然只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 年的前五个月就达到了 120 亿美元。从 2017 年到 2022 年，风险资本和其他私人外部投资对生成人工智能的平均复合增长率每年增长 74% 。在同一时期，人工智能的整体投资每年增长 29%，尽管基数较高。在所有事物上投入资金的冲动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 ， 称为 GPT - 4 ， 具有显着改进的功能。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 - 而 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 提供支持的新功能 ， 包括搜索生成体验和一个名为 PaLM 2 的新 LLM 将为其 Bard 聊天机器人提供动力 ， 以及其他 Google 产品。5从地理角度来看，外部私人对生成人工智能的投资，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对整体人工智能投资格局的主导地位。从 2020 年到 2022 年，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生成型人工智能让世界震惊和兴奋，因为它有潜力重塑知识工作在整个经济中的行业和业务职能中的完成方式。在销售和营销，客户运营和软件开发等职能中，它准备转变角色并提高绩效。在这个过程中，它可以在从银行业到生命科学的各个领域释放数万亿美元的价值。我们在本报告中使用了两个重叠的镜头来了解生成 AI 为公司创造价值和改变劳动力的潜力。以下部分分享了我们的初步发现。生成 AI 的经济潜力 ： 下一个生产力边疆5 词汇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)由被称为 “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 ， 并通过多个层提取和学习数据的特征来处理这些数据。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。早期和晚期场景是我们工作自动化模型的极端场景。 “最早 ” 场景将所有参数弯曲到合理假设的极端 ， 从而导致自动化开发和采用的速度更快 ， 而“ 最新 ” 场景将所有参数弯曲到相反的方向。现实很可能介于两者之间。微调是调整预训练的基础模型以在特定任务中更好地执行的过程。这需要对标记的数据集进行相对较短的训练 ， 这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并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、无标签数据上训练的深度学习模型 ， 这些数据可以用于各种开箱即用的任务 ， 也可以通过微调适应特定任务。这些模型的例子有 GPT - 4 、 PaLM 、 DALL · E 2 和稳定扩散。生成 AI是通常使用基础模型构建的 AI，并且具有早期 AI 没有的功能，例如生成内容的能力。基础模型还可以用于非生成目的 （ 例如，根据呼叫记录将用户情绪分类为负面或正面 ），同时提供比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，我们包括所有基础模型用例。图形处理单元 (GPU)是最初为生成计算机图形 （ 例如用于视频游戏 ） 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 ， 执行摘要或知识提取等任务。 GPT - 4 （ ChatGPT 的基础 ） 和 LaMDA （ Bard 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，其中模型在对许多示例数据点进行训练或显示后即可获得功能。机器学习算法检测模式，并通过处理数据和经验来学习如何做出预测和推荐，而不是通过接收明确的编程指令。这些算法还可以适应新的数据和经验，并且可以变得更加有效。模态是一个高级数据类别 ， 如数字、文本、图像、视频和音频。生产率劳动是 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资本数量的增加 ， 劳动力的教育和经验以及技术的改进。工程提示是指设计、细化和优化输入提示的过程 ， 以指导生成 AI 模型产生所需的 （ 即准确的 ） 输出。自我注意有时称为内注意力 ， 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该序列的表示。结构化数据是可用于有效训练某些机器学习模型的表格数据 （ 例如 ， 组织在表、数据库或电子表格中 ） 。变压器是一种相对较新的神经网络架构 ， 它依靠自我注意力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文的重要部分。技术自动化潜力是指可以自动化的工