深入剖析生成式人工智能：赋能产业变革与加速科技创新的双重路径

生成式AI是短暂的浪潮，还是结构性的变革？

走向未来

自2023年初生成式人工智能（genAI）进入公众视野以来，关于其引发新一轮生产率繁荣的讨论便不绝于耳。这项技术展示了前所未有的能力，从自然语言交互到复杂内容的创作，其潜力激发了市场的巨大热情和投资浪潮。然而，在兴奋情绪之外，一个更深层的问题摆在面前：这项技术对经济的长期影响究竟是短暂的浪潮，还是结构性的变革？

未来生产率的走向高度不确定。要评估生成式人工智能的真实分量，我们必须超越简单的乐观或悲观预期，转而分析其作为一种技术创新的根本性质。历史上，不同类型的创新对经济增长有着截然不同的作用路径。

我们可以借鉴三种隐喻来框定生成式人工智能的未来：电灯、发电机或显微镜。电灯代表了一种高效的劳动节约型发明。它的普及应用会带来生产率的永久性水平提升，但在市场饱和后，其对生产率增长的推动作用便会消退。发电机则不同，它是一种通用目的技术（GPT）。通用技术具有广泛的渗透性，能激发持续的连锁创新，并不断自我改进，从而在更长时期内推动生产率增长。最后，显微镜代表了一种更根本的创新，即“发明方法的发明”（IMI）。这类工具通过提升观察、分析和组织能力，直接提高了研发过程本身的效率，从而可能带来生产率增长率的持续提升。

这一深刻的分析框架源自对一份来自布鲁金斯学会的深度报告的提炼，该报告全文可以从“走向未来”【https://t.zsxq.com/xpWzq】知识星球中获取。

生成式人工智能究竟是哪一种？或是哪几种的结合？通过剖析该技术当前的扩散、创新和应用特征，我们可以更清晰地描绘出它正在塑造的经济未来。

在深入分析之前，必须明确我们所讨论的生成式人工智能的范畴。它不仅限于流行的聊天机器人，而是一类通过开放式随机过程、从大型数据集中学习模式并生成各种合乎情境的“产物”的系统。这些产物可以是文本、计算机代码、图像、音乐，乃至化学结构或数学证明。这种灵活性，源于大型语言模型（LLM）和Transformer架构的突破，使其区别于早期基于规则的符号人工智能，为其广泛应用奠定了基础。

电灯的比喻代表了对生成式人工智能影响的一种相对谨慎的评估。如果该技术的主要贡献仅仅是自动化特定的、定义明确的任务，例如撰写常规报告、处理客户服务或编写标准化代码，那么它的经济效应将是有限的。在这种情景下，企业会逐步采用这些工具来替代部分人力，从而在短期内释放生产率。随着技术在相关领域普及，我们会观察到一次性的生产率水平跃升。然而，一旦所有能应用该技术的企业都完成了部署，市场达到饱和，这种由采用过程带来的生产率增长就会停止。经济将稳定在一个新的、更高的产出水平上，但长期的增长轨迹不会发生根本改变。

目前的一些证据似乎支持这种有限影响的观点。例如，在生产流程中全面采用人工智能的企业比例仍然不高，尤其是在大型企业之外。许多公司仍处于试点阶段，尚未将其视为核心业务流程的根本性重塑力量。如果生成式人工智能的边界仅限于此，它就更像一盏更亮的“电灯”，而非一场新的工业革命。

然而，有充分的证据表明，生成式人工智能的潜力远超“电灯”的范畴。它更可能扮演“发电机”的角色，即一种深刻的通用目的技术。要符合通用技术的标准，一项技术必须满足三个条件：广泛扩散、激发连锁创新以及核心技术持续改进。

首先，审视其扩散程度，我们看到了一个复杂且不均衡的画面。一方面，企业层面的采用呈现明显分化。麦肯锡等机构的调查显示，大型企业中的采用率激增，而美国人口普查局的BTOS调查则表明，在更广泛的经济体中，尤其是在小企业中，采用率仍然相当低。这揭示了一个关键的扩散障碍：大型企业拥有数据、资本和技术能力来部署模型，而小企业则面临更高门槛。

但另一方面，从个人和特定行业的角度看，扩散正在迅速发生。例如，在程序员群体中，AI辅助工具的使用已近乎普及。在信息、医疗、金融和能源等行业，生成式人工智能正被用于客户服务、负荷预测、药物研发和合规审查等多种场景。更重要的是，高达40%的劳动者可能已经在使用生成式人工智能，这暗示着一种自下而上的、可能尚未被企业管理层完全掌握的渗透趋势。这种广泛的潜在适用性是通用技术的典型特征，尽管其在企业核心流程中的全面整合仍需时日。

其次，生成式人工智能在激发连锁创新方面的表现尤为突出。这是通用技术最核心的特征。创新体现在多个层面。在产品创新上，我们看到了从简单的聊天界面迅速演变为集成的“副驾驶”（Copilots）和专业化的领域模型。更进一步，系统接口（如SDK）正将生成式人工智能的能力赋予机器人技术，而“智能体AI”（Agentic AI）的出现，预示着能够自主执行复杂任务的新型服务。

在流程创新上，该技术正被用于优化生产线运营、进行预测性维护和革新产品设计本身。在组织创新上，为了最大化利用生成式人工智能，企业被迫进行数字化转型，例如建立集中化的数据治理结构和优化供应链管理。这些由核心技术催生的新产品、新流程和新组织形式，正是“发电机”启动后，整个电网和工厂体系被重构的过程。

最后，核心技术的持续创新是目前最明确的信号。生成式人工智能的性能正以惊人的速度提升，这不仅来自模型规模和训练数据的暴力扩展，更来自算法效率的根本性进步。研究人员在预训练、微调和推理阶段开发了众多新技术。例如，专家混合（MoE）架构和各类量化、剪枝技术，在保持模型性能的同时，极大降低了推理成本。DeepSeek R1等模型的出现，展示了以更低成本实现前沿性能的可能性。

这场创新不仅发生在模型层面，也发生在硬件层面。图形处理单元（GPU）的算力飞速增长，更重要的是，每单位算力（TFLOP）的价格在过去十余年间以年均两位数的速度下降。这种硬件成本的持续降低，为整个生态的繁荣提供了源源不断的动力。同时，在训练数据方面，尽管高质量公共文本数据濒临枯竭，但行业已转向使用专有数据进行迁移学习，并积极探索合成数据，这为模型的持续改进开辟了新路径。

综合来看，生成式人工智能在激发连锁创新和保持核心迭代方面，完全符合通用目的技术的特征。其唯一的、也是最大的不确定性在于扩散的速度和广度，这在历史上是所有通用技术都面临的挑战。

然而，将生成式人工智能仅仅视为“发电机”可能依然低估了它的潜力。一个更具颠覆性的可能性是，它同时扮演着“显微镜”的角色——一种“发明方法的发明”（IMI）。通用技术改变了经济的运行方式，而发明方法的发明则改变了知识的发现方式。它通过提高研发部门的效率，直接作用于经济增长的内生引擎。

生成式人工智能正从四个关键维度强化科研过程。第一，它是一种新的观测工具。在处理有缺陷或缺失的数据（例如模糊的医学图像或稀疏的传感器读数）时，生成式模型能比传统插值方法更合乎情境地修复和增强数据，帮助科研人员“看清”原本模糊的现象。

第二，它是一种新的分析工具。大型语言模型本身就是一种强大的社会科学“显微镜”。它们通过学习海量文本，能够捕捉和量化隐藏在语言中的社会偏见、文化动态和市场情绪。这为经济学、社会学等领域提供了前所未有的分析能力，使以往难以处理的非结构化数据变得可以分析。

第三，它是一种新的组织工具。生成式人工智能，特别是数字孪生技术的应用，使得在虚拟空间中模拟复杂的真实世界系统成为可能。在药物发现、材料科学和工业研究中，研究人员可以利用AI进行大规模模拟实验，替代昂贵且耗时的动物实验或物理测试。这实质上是重组了科研的组织形式，降低了实验的边际成本。

第四，它是一种新的交流工具。科研过程的许多阶段，如文献综述、基金申请和论文撰写，都高度依赖语言处理。生成式人工智能能够辅助研究人员起草、提炼和润色这些文本，从而加速知识的传播和迭代周期。

多项指标证实，生成式人工智能作为“显微镜”的角色正被迅速采用。美国专利商标局（USPTO）的数据显示，在2017年Transformer架构出现后，与人工智能相关的专利申请量出现结构性跃升，特别是在自然语言处理、视觉和知识处理领域。这表明AI不仅是研究的辅助工具，更成为创新活动本身的核心产出。

来自Anthropic经济指数（AEI）的真实世界数据显示了科研人员的浓厚兴趣。计算机与数学相关职业的查询使用强度是平均水平的近11倍，而生命科学、物理科学和社会科学职业的使用强度也高达7倍。这些专业人士正在使用AI执行建模、预测和数据分析等核心科研任务。

最后，企业财报的电话会议纪要显示，2023年起，提及AI与研发（如“发明”、“研究”或“发现”）相结合的企业数量急剧增加。企业高管正清晰地将AI视为其核心创新战略的一部分。

更具前瞻性的是“科研智能体”（Research Agents）的兴起。尽管诸如Sakana的“AI科学家”这类系统目前仍存在缺陷，但它们代表了一种范式转变的开端：一个能够自主提出研究问题、设计和执行实验，乃至撰写论文的自动化科学发现系统。这标志着AI正从辅助发明，走向自主发明。

这一“自主发明”的愿景，正是通向通用人工智能（AGI）的未来之路，引发了关于生成式人工智能、大模型、AIGC、AI芯片和机器人等的产品、技术与应用实践的广泛探讨。我们应如何利用这些强大的智能体为工作增效、为生活添彩？强烈推荐加入最具价值的知识星球“走向未来”（https://t.zsxq.com/xpWzq），一起深入交流，共同走向AGI的未来。

回顾我们提出的三个隐喻，生成式人工智能显然不是一盏简单的“电灯”。它清晰地展现了“发电机”（通用技术）的所有核心特征，正在激发广泛的连锁创新，并由持续的核心技术进步所驱动。更深刻的是，它同时扮演着“显微镜”（发明方法）的角色，正在渗透并加速科学发现和技术研发的根本过程。

这两种角色的融合，是生成式人工智能对经济影响最深刻的图景。作为通用技术，它将像电力和计算机一样，通过缓慢而广泛的扩散、互补性投资和企业重组，逐步重塑现有产业。这个过程在历史上总是漫长而艰难的，需要数十年时间才能在宏观生产率数据上完全体现。

而作为发明方法的发明，它将直接提升知识生产函数的效率，可能带来一个研发成本更低、创新速度更快的时代。这种双重身份的叠加，预示着其长期影响可能是复合的、指数级的，而非线性的。

尽管如此，我们必须保持谨慎的认知。正如文件所强调的，革命性技术的整合过程是旷日持久的。真正的挑战在于扩散。在庞大的数据中心、AI芯片和电力基础设施投资热潮背后，是企业采用的巨大异质性。技术的可行性不等于经济上的盈利能力。企业需要时间进行昂贵的互补性投资，包括流程再造、员工再培训和组织架构调整。

这篇文章深刻地指出了“扩散”是真正的挑战。技术可行性与经济盈利能力之间存在巨大的鸿沟，这不仅源于成本，更源于基础大模型固有的“幻觉”和“知识陈旧”缺陷所带来的信任危机。出版了《知识增强大模型》《知识图谱：认知智能理论与实战》《比RAG更強：知識增強LLM型應用程式實戰》等多部专著，并参与撰写《数字数字产业化 体系、技术与落地实践》、《新程序员 007 大模型时代的开发者》等多本书籍的人工智能产品与技术专家王文广老师指出，要让AI成为可靠的“发电机”和敏锐的“显微镜”，就必须超越模型本身，进行“知识增强”。他在灯塔书《知识增强大模型》中系统阐述的“检索增强生成”（RAG）乃至更高级的“图模互补”应用范式，正是实现这一目标的关键实践路径。这些策略通过将大型语言模型的强大归纳能力与企业内部精确、可追溯的知识图谱或向量数据库相结合，一方面确保了AI在生产流程中的可靠性与安全性，解决了“发电机”的扩散障碍；另一方面也为其“显微镜”的洞察能力提供了坚实、可验证的知识基础。因此，这种技术与知识的深度融合，正是实现文中所述的“昂贵的互补性投资”的核心，是连接AI潜力与真实商业价值的桥梁。

因此，对生成式人工智能的未来，我们应持有一种“耐心的乐观”。我们很可能正处在一个重大技术浪潮的极早期阶段。其对生产率的显著贡献不会立竿见影，而是会在未来十年乃至更长的时间里，随着“发电机”的电网铺开和“显微镜”的焦点调准，逐步而深刻地展开。