文章核心观点 - 人工智能的采用和应用仍在演变 其技术本身也在快速变化 人工智能对生产率增长和经济的影响仍不确定 转型需要时间 货币政策制定者需要从数据和商业活动中寻找早期指标 以制定正确的政策 [1] - 以电力作为类比 从基础发现到广泛应用并显著提升生产率 经历了近100年的时间 这包括技术发明 基础设施建设和生产流程的根本性重组 [5][6][10] - 人工智能的发展轨迹与电力相似 经历了从基础研究 实验到应用的过程 2022年ChatGPT等大型语言模型的出现标志着技术可及性的重大转变 但尚未带来生产率的系统性持续增长 [11][15][18] - 目前大多数宏观生产率研究发现人工智能的显著影响证据有限 即使企业认为其有用 也鲜有变革性收益的证据 这可能是因为采用仍在早期 技术变化快 或者生成式人工智能本身尚不足以引发经济的广泛重组 [19][20] - 真正的经济转型不仅需要技术 更需要创新的思想 企业必须从根本上重新构想业务流程 而非仅仅将新技术嵌入旧模式 这与电力带来的变革路径类似 [22] - 回顾1990年代的信息技术革命 当时的货币政策制定者通过关注微观数据和商业洞察 预见了生产率增长加速的可能性 从而保持了政策耐心 这为当前评估人工智能的影响提供了借鉴 [24][25][28] - 制定货币政策时 不能仅依赖关于生产率 劳动力市场或通胀的汇总数据 而需要深入挖掘预示转型的分散信息 倾听企业的声音 并保持开放心态以应对不确定性 [28][30] 人工智能的采用现状与影响 - 企业热情已转化为真实投资 各种规模的企业都在努力利用人工智能 在美联储第十二区（西部九州） 企业将人工智能用于消费者研究 后台运营 销售和产品开发 以节省时间和金钱 [17] - 具体应用案例包括：农业中研究和开发新作物品种 IT和金融中更有效地扩展任务 医疗保健行业中自动化重要但耗时的常规任务 [17] - 研究案例也发现类似结果 企业在从呼叫中心 软件开发 财务管理到营销甚至医疗保健等各个环节使用人工智能实现自动化 从而节省成本 [17] - 在金融领域 多家公司报告在贷款申请流程中使用人工智能 范围从初始文件审查到最终申请检查 自动化这些步骤节省了时间和金钱 [21] 人工智能与生产率增长的挑战 - 尽管应用广泛 但大多数宏观生产率研究发现人工智能的显著影响证据有限 [19] - 即使声称人工智能有用的企业 也几乎找不到变革性收益的证据 [19] - 这可能是因为时机问题 人工智能的采用和使用仍在演变 现在从总量指标中看到结果可能为时过早 同时人工智能技术本身也在快速变化 [20] - 另一种可能是 生成式人工智能及相关应用虽然有用 但尚不是刺激经济广泛重组的创新 [20] - 当前许多人工智能应用类似于在工厂中用电动马达替换蒸汽动力马达 但未改变工厂布局 这是良好的进展 但并非变革性的 [21] 历史经验对货币政策的启示 - 1990年代中期 企业为利用新兴信息技术而加大了对IT设备和软件的投资 但当时对美国生产率的官方测量指标影响甚微 [24] - 时任美联储主席格林斯潘不相信官方的生产率数据 认为其与观察到的信息技术投资激增不符 他假设计算机革命将刺激持续的生产率增长 使经济在不给价格带来上行压力的情况下更快增长 [25] - 他在包括从高管那里听到的信息在内的分散微观数据中找到了证据 例如批发和零售公司使用库存管理系统减少仓储 卡车运输公司利用GPS减少空驶 制造公司使用计算机辅助设计进行大规模定制并减少浪费 [26] - 旧金山联储的调查也发现 企业正在询问如何从根本上改变生产商品和服务的方式 其重点是以计算机和软件为基础 重新设计工厂和业务流程 这与电力的变革模式相似 并开始带来产出 收入和长期盈利能力的持续增长 [27] - 最终 联邦公开市场委员会在政策上保持了耐心 随后迎来了强劲的劳动力市场和持续增长的“咆哮的90年代” [28] - 这些经验教训表明：1 答案不会全部存在于关于生产率 劳动力市场或通胀的汇总数据中 需要深入挖掘预示转型的分散信息 2 没有固定的矩阵能指明在任何时刻该遵循哪些数据 关键在于发现数据中的不一致并努力解决 3 与企业对话至关重要 企业的投资 实验和学习远早于在汇总生产率数据中显现 [28]