【導讀】當全網為AI大模型的“智力奇觀”驚嘆時，李寅的硬核分析撕開了技術狂歡的幕布：ChatGPT的顛覆性不在于“擬人對話”，而在于它開啟了信息技術產業的“規模革命”——大模型參數和訓練數據越多，效果越好，具有“規模收益遞增”的特點。而中國研發的DeepSeek因其成本更低，更有可能大規模應用到更多產品和場景中。生成式AI在技術上的先進之處已經無可置疑，但技術要想轉化為能持久發力的產業卻還需要“漫長的跋涉”。技術自身特性、社會不同群體對技術的反應、國家競爭等等因素都會影響AI技術產業化的路徑和效果。

從工業史出發，本文指出那些依賴規模收益遞增的技術，才有潛力演變為大規模通用技術，最終引發生產過程、經濟社會組織方式的重大轉變。傳統信息技術基于模板和規則實現智能，是勞動密集且規模收益遞減的。而基于深度學習的生成式AI恰恰具備規模收益遞增的特性，這將不斷為進一步投資和擴大市場提供激勵。在資本和市場的相互激蕩下，生成式AI技術可能是信息技術產業邁入大規模生產時代的起點。

本文指出，在向通用AI技術轉型的過程中，真正決定各國成敗的，將會是能否建立起一套支持不斷投資通用技術的制度安排，最終讓全社會都能享受規模經濟遞增帶來的好處。

智能革命還是“規模”革命？

——歷史視野下的人工智能技術與產業演化

? 李寅

復旦大學國際關系與公共事務學院

2022年末美國OpenAI公司發布的對話式人工智能（AI）通用大模型——ChatGPT-3.5，標志著討論多年的人工智能技術終于進入了商用階段。與之前一些不太成熟的人工智能技術相比，ChatGPT不僅在理解和邏輯能力上有大幅提升，而且作為通用大模型，ChatGPT試圖為使用者提供跨領域、一般性的知識和信息。此后短短一年多時間里，國內外領先的信息技術與互聯網公司紛紛推出自己的大模型，爭相加入這場AI技術軍備競賽中，以保護自己未來的市場份額。AI技術的爆發也吸引了各國政府的注意力，尤其是美國政府將其視為未來中美科技競爭的決定性因素，嚴格封鎖AI芯片和先進芯片制造技術向中國流動，以阻礙中國發展先進AI技術。在這場AI技術狂歡中，普通人一邊在驚嘆大模型帶來的五花八門的新玩意兒，一邊擔憂自己的工作或許將被取代。

人工智能一定會給當前的世界各國經濟社會形態帶來巨大沖擊，但真正的問題是，這種沖擊將以什么樣的形式出現？各國應當如何調整自身的經濟社會制度，以適應和駕馭新技術？本文指出，AI通用大模型帶來的變革，或將信息技術產業帶入一個大規模生產的時代。如同20世紀大規模制造技術對工業生產的改造一樣，AI技術將把龐大的信息產業改造為依賴規模經濟遞增的通用技術來大規模生產信息和服務的資本密集型產業。而工業革命以來制造業經歷過的多次大規模生產技術轉型，或許是我們理解AI技術革命之沖擊的最佳歷史參照。

▍從傳統信息技術到AI通用大模型的范式轉換

在1956年美國達特茅斯大學舉行的暑期研討會上，約翰·麥卡錫（John McKarthy）、馬文·明斯基（Marvin Minsky）、納撒尼爾·羅切斯特（Nathaniel Rochester）、克勞德·香農（Claude Shannon）等多位計算機科學的先驅學者最早提出了人工智能的概念，即使用計算機模擬人的認知、思考和學習的能力。因而1956年也被公認為是人工智能元年。參與達特茅斯會議的學者曾對人工智能的發展非常樂觀，認為只需數年時間即可發展出可用的AI。然而，傳統AI領域經歷了數次低谷，到20世紀末仍然進展緩慢。直到2006年，來自加拿大和美國的兩位計算機學者在《科學》上發表里程碑式文章，提出“深度學習”的神經網絡， AI技術隨之進入飛速發展階段。2013年左右，ImageNet等深度學習神經網絡在語言和視覺識別上取得重大突破。2016年，谷歌DeepMind團隊的AlphaGo運用深度學習神經網絡，戰勝圍棋世界冠軍李世石。2017年，谷歌公司的八位研究者發表會議論文，提出一種新的高效神經網絡——Transformer模型，這便是當前流行的AI通用大模型GPT（Generative Pre-Trained Transformer）的技術基礎。2018年6月，OpenAI公司發布初代ChatGPT模型，后經過迭代、調整、性能提升，終于在2022年末發布了可商用的AI大模型ChatGPT 3.5。

如果把深度學習以前的智能技術稱為傳統信息技術的話，簡單對比就會發現，AI通用大模型與傳統信息技術實現智能的思路有極大的不同。在傳統信息技術中，人工智能之所以發展緩慢，一方面是受限于有限的芯片硬件運算速度，但更主要是因為傳統信息技術的構架是勞動密集且規模收益遞減的。傳統信息技術的主要思路是基于模板和規則來實現智能，即由軟件工程師將數據的規律總結為規則（算法），通過編程讓計算機按照規則完成特定的任務。學習過編程的人都知道，這樣的經典規則在程序代碼中一般以“If…Then…Else”（如果……就……否則）等形式存在，這構成了傳統人工智能的邏輯基礎。經典規則顯然在需要處理的情境數量較少、任務復現頻率高時效率較高，因此在特定的應用場景（如車間自動化流水線）可以被迅速采納。但對于經典規則而言，一旦需要處理的情境數量大量增加，單個任務重復頻率又不高時，需要設置的規則就會迅速變得異常復雜而龐大，設置額外規則的成本將高于收益，呈現出邊際收益遞減的規律。舉個例子，當需要識別圖像中的特定對象，如識別狗時，傳統AI是基于規則來搜索狗的圖案：狗的身體通常呈橢圓形或長方形，頭部呈圓形或三角形，眼睛一般是倒三角形，有下垂的耳朵、胡須等。如果在圖像中識別出這些特征，軟件就會報告發現了狗。但是，如果只拍到了狗的背部，或者如果狗沒有胡須或在事故中失去了腿，軟件應如何識別？盡管這些異常現象出現的可能性較小，但模式識別代碼仍需要編寫大量的額外規則，來覆蓋所有的可能現象。這樣急劇提高的邊際成本，意味著在經濟上的投入無法持續。換言之，在傳統信息技術需要實現的智能遠遠沒有達到盡善盡美的程度之前，符合理性的投資便早就應該停止了。

當前流行的基于深度學習的生成式人工智能，則完全顛覆了經典規則的范式。首先，基于深度學習的AI并沒有配備固定的規則，而是神經網絡經過大量數據的訓練自己獲得的。深度學習中使用的預訓練材料數量越多，神經網絡的參數越多，獲得更好結果的可能性也越大。其次，與基于經典規則的AI相比，深度學習的AI也不會給出明確的結果，而是報告出一系列概率。例如，在上面的圖像識別的例子中，深度學習給出的結論將是“圖像顯示為狗的可能性為98%，它也可能是狼（1.5%可能性）或狐貍（0.5%可能性）”。研究人員可在模型報告的結果的基礎上，再設定判斷規則進行決策。深度學習的這些特點意味著，在理想情況下，只要在足夠好的硬件上運行AI模型，進行大規模無監督或自監督學習，訓練采用的數據越多、建立的模型參數越多，AI模型獲得的結果就能無限地接近最優。當然，這種無限接近是建立在一定前提上的，需要研究人員掌握微調模型的大量訣竅，這個過程本身也需要大量的經驗技巧和人力投入。在OpenAI公司的GPT模型取得突破前，幾乎所有的深度學習大模型都遇到了瓶頸。一旦OpenAI的工程師證明了大模型的可行性后，各大公司的大模型便大量涌現。OpenAI訓練的GPT模型，第一代時只有1.17億參數，第二代有15億參數，到第三代時就有1750億參數，規模迅速增加，能力快速增強，這便是坊間所說的“大力出奇跡”。

因此，生成式人工智能最重要的特征，可能是具有資本投入的規模收益遞增的特點。傳統信息技術產業中，基于經典規則的程序可被看作一種局部自動化的專用技術，適合應用在高頻次重復的任務。一旦超出規則覆蓋范圍的“例外”情況增多，傳統信息技術要進一步提高覆蓋，就面臨規模收益迅速降低的難題，無法為進一步投資和擴大市場提供激勵。而進入生成式AI階段以后，通用大模型的規模收益遞增則能不斷地為投資提供正向激勵：一方面，通過不斷投入算力、語料，大模型的準確度和使用場景不斷提升，使用大模型的單位成本不斷下降；另一方面，大模型高昂的固定投入需要大規模產出和應用來分攤成本，這就需要不斷擴大的市場來合理化大規模投入。于是，在高投資和不斷擴大的市場相互刺激下，AI大模型的技術進步可以在不斷擴大的投資和市場中螺旋上升。當然， AI大模型的增長最終也會面臨邊際收益遞減的問題，比如訓練模型的語料終會有枯竭的一天。但即便如此，AI大模型仍將經歷較長一段時間的規模收益遞增。

▍工業史中的大規模通用技術是如何演進的？

將當前AI大模型技術的發展理解為一種從局部自動化專用技術到在更大范圍內具有規模經濟的通用技術的范式轉換，或許可以幫助我們更好地解釋其對經濟社會組織的沖擊。盡管人工智能是技術上的新突破，但人類社會經歷過多次從局部自動化到大規模通用生產技術的范式轉型，我們可以從工業史中找到大量的案例和線索：從第一次工業革命中的動力織機，到第二次工業革命中的自動流水線，再到信息技術革命中的電子計算機，都對大量原有的工業技術和社會組織產生過類似的沖擊。盡管AI模型產出的更多是信息和“服務”，而不是“商品”，產品的消費方式與工業制造或有一定的差異，但歷次工業革命中的范式轉型對經濟社會的沖擊，仍可能是我們判斷人工智能潛在影響最好的歷史參照。

第一次工業革命中棉紡織技術的發展，便經歷了從局部自動化到大規模生產的轉變。棉紡織業的發展是英國工業革命的起點，工業革命早期的多項重要發明都指向棉紡織中關鍵步驟的局部自動化。1733年英國人約翰·凱發明的飛梭，使得單個紡織工人能以更快的速度紡更寬的布，并實現了機械化。1764年英國蘭開夏郡的織工詹姆斯·哈格里夫斯發明了珍妮紡紗機，盡管仍然只是一種人力機械，但珍妮紡紗機大大提高了生產率，使得熟練的紡紗機操作工工資快速增長，同時也造成了純手工紡紗勞動者的迅速消失。因此，恩格斯稱珍妮紡紗機是“使英國工人的狀況發生根本變化的第一個發明”。

棉紡織業真正引入當時的通用技術——蒸汽機，并進入大規模生產階段，則要等到第一次工業革命的中后期。1781年瓦特改良了蒸汽機，1785年埃德蒙·卡特賴特設計出第一臺動力織機。在此后47年里，動力織機不斷被改進，從由水力牽引轉變為蒸汽機牽引，終于在1834年由英國人詹姆斯·布洛和威廉·肯沃西開發出半自動的動力織機，即著名的蘭開夏織機。動力織機是工業革命時代最尖端的工業技術，也是英國蘭開夏地區的主力生產機器，英國政府曾長期禁止其出口到其他國家。這些蘭開夏織機生產了大量廉價的棉布，向全世界出口，給英國帶來了繁榮和財富，但也摧毀了印度等眾多殖民地的傳統手工業。在英國，動力織機的應用使操作機器需要的織布工人減少了3/4，并大大降低了對熟練工人的需求，造成了大量失業與工資下滑，引發了19世紀英國民間長期的對抗工業革命、反對機器的勞工運動——盧德運動。

可以說，在第一次工業革命從局部自動化到大規模生產的轉型中，英國并未能妥善處理好技術革新與社會轉型的關系。由于資本與勞工的拉鋸，英國企業內長期保持了熟練工工頭對生產過程的控制，未能及時轉向更適應大規模生產的、由職業經理人控制的現代企業制度，導致對新的大規模生產技術投資不足，最終走上了長期衰落之路。但動力織機大大降低了對勞動技能的需求，使得女工甚至童工也能勝任。隨著美國企業在1895年率先開發出全自動動力織機，動力織機技術在國際上迅速擴散，棉紡產業成為眾多后發國家工業化的起點，而美國工業在此過程中獲得國際領導地位。

大規模生產技術在第二次工業革命中占據了更為中心的位置，尤其是20世紀初在汽車產業中應用的自動流水線生產技術，影響最為深遠。自動流水線生產方式是一種通用的大規模生產技術，有明顯的高固定成本投入、規模收益遞增的特征。這就需要將高固定成本分攤到高產量上，才能實現競爭優勢，因而大規模生產依賴一整套支撐高投入、大市場的企業戰略和經濟社會制度。美國從19世紀末開始的經濟社會轉型，為大規模制造體系在美國率先出現鋪平了道路，這些變化主要包括：大企業經過管理革命，所有權與經營權的分離，職業經理人有激勵對高固定成本的大規模生產技術長期投入；美國政府和私人投資的大量鐵路、運河、電報等交通和通信網絡的建設，使得統一的國內大市場逐漸形成，為大規模制造的產品找到了出路；普及大眾教育吸納了工廠不再需要的童工，公立大學為新興的工業部門培養了大量工程師和職業經理人。這些社會條件，使美國企業得以在20世紀初建立起一套向后整合供應鏈、向前整合制造與分配的垂直整合大企業管理模式，以馴服大規模制造技術。

美國大企業制度并未能徹底解決大規模生產技術中因機器替代人而產生的矛盾，甚至枯燥單調的流水線作業還帶來工作“異化”的新問題。但相比之前的自由放任資本主義，美式大企業仍然更有效地緩和了勞資關系。例如，創辦福特公司的亨利·福特一方面嚴厲打壓工會，另一方面在1913年采用自動流水線后開始實施著名的“5美元一天”的工資政策，將流水線工人的工資上漲了一倍，讓福特的工人能負擔得起自己制造的汽車，為大量制造的大量消費提供了基礎。以大規模制造為競爭優勢的美國企業在二戰以后大多建立起穩定的就業體制，為白領工人和大部分藍領工人提供長期的雇傭關系和較好的福利。

美式大企業能提供高薪資高福利的前提是，美國大規模制造在全球范圍內擁有絕對的競爭優勢。但隨著戰后日本和西歐工業國的復蘇，國際競爭加劇，大規模制造便遇到所謂的“生產過剩”、工資停滯的問題。解決生產過剩的基本思路無外乎兩種：一是進一步降低成本，將本來負擔不起的消費者吸納到市場中來；二是通過引入多樣性，滿足更多的個性化需求，擴大各個層次的市場。前者的主要代表是日本汽車廠商，通過精益生產方式改良大規模制造，減少浪費、降低成本，以質優價廉的小汽車占領世界市場。但精益生產終歸是一項規模收益遞減的活動，應用范圍十分局限。支撐了第三次工業革命的電子工業，最終選擇了以模塊化的全球生產網絡，來創造多樣性和擴大市場。

第三次工業革命是信息技術革命，一般認為始于90年代電子計算機和互聯網的大規模應用。然而，對于電子工業而言，更重要的轉變或許是在這之前從局部專用電子技術向大規模通用計算技術的范式轉換。以電子計算器為例，世界上第一臺全電子桌面計算器出現于60年代初，重達25千克，售價高達4000美元。70年代，日本企業率先將基于集成電路芯片的便攜計算器商業化，隨后電子計算器的重量不斷減輕，售價不斷降低。電子計算器大幅提升了普通人的計算效率，降低了財務、統計、科學研究等行業的門檻。但繼續改進電子計算器顯然是一種邊際效益迅速降低的活動，因為進一步改進（如添加科學計算、編程等功能）的成本很高，售價卻在下降，所以并不值得持續地投資。類似的，20世紀電子工業的大部分產品（如電話、打字機、音視頻播放器、游戲機等）都是用于局部自動化的專用技術，它們最終經歷了向通用計算技術的范式轉型。還是以計算器為例，計算器在1986年時曾在世界上所有的計算設備中占據41%的份額，但到2007年時就只占不到0.05%了。

新的技術范式集中體現在80年代出現的個人微型計算機和21世紀的智能手機上，后者本質上也是一個便攜的、隨時聯網的通用計算機。計算機的核心部分在物理結構上與80年代后的大部分電子產品看起來很相似，都是使用幾塊集成電路芯片。不同的是，計算器、隨身聽這類電子產品中的電路是為特定功能（如播放音樂）設計的，而計算機中使用通用計算芯片，搭配可以靈活擴展的通用軟件操作系統，如運行微軟Windows系統的個人電腦或運行安卓系統的智能手機。早期的計算機和智能手機在執行特定任務時并不一定比搭載專用電路的產品更有效率，但受益于集成電路芯片技術的快速進步，計算機技術發展呈現出邊際收益遞增的特點。不同于前兩次工業革命中大規模生產技術的引入主要帶來的是產量快速提高與成本下降，計算機技術進步的邊際收益遞增更多體現在隨著芯片處理速度的提高（和單位運算成本下降），通用計算機能夠提供的服務的數量和質量在不斷增加，因此它可以替代過去大量專用的電子技術。盡管這個邏輯并不復雜，但消費電子工業真正全面轉向計算機的通用計算構架，要等到智能手機流行以后。也正是在這個過程中，曾在80~90年代稱霸全球的日本消費電子工業，因為沒有完成轉型而幾乎全軍覆沒了。

信息技術革命以來，生產組織的一個新特點是模塊化的生產網絡。之所以會發生這個轉變，一方面有部分企業戰略選擇的偶然因素，如IBM在進入個人電腦市場時選擇了開放構架；另一方面則是在大規模生產導致的“生產過剩”壓力下，模塊化帶來了靈活性和多樣性。第二次工業革命時代后發展起來的大企業采用垂直一體化的策略，通過控制供應鏈和經銷渠道，實現單位時間內的大批量生產，以分攤大規模生產技術的高固定成本投入，最終實現規模經濟遞增。信息技術時代的領先企業則不再尋求垂直一體化，它們轉而以模塊化的方式設計產品，著力于控制關鍵技術節點，以在一個碎片化的生產網絡中保持領導地位。例如，在智能手機產業，谷歌和高通公司分別控制了操作系統和芯片的生產，它們并不介入手機生產，整個產業則由大量相互兼容的零部件廠商、外包制造商和終端廠商形成一個相互合作與競爭的生產網絡。模塊化生產使得核心產商可以通過壟斷產業關鍵節點，來維持對通用技術的高成本投入，而退出非核心部門則可以進一步維持利潤率。在信息技術產業中，美國硅谷在90年代率先擁抱模塊化生產，這樣的產業組織安排使得美國企業可以更快地迭代技術，充分攫取芯片技術規模收益遞增帶來的利潤，最終形成對歐洲、日本等地垂直一體化的傳統電子產業的巨大競爭優勢。同時，模塊化生產網絡帶來的外包和離岸生產，嚴重損害了美國藍領工人階級的利益，但客觀上也給21世紀初的中國和現在的東南亞、印度等發展中國家帶來了發展機遇。???

▍再認識AI通用大模型技術革命的挑戰

回顧歷次工業革命可以發現，工業技術發展存在一個基本的三階段規律。在初始階段，新技術的發展從局部自動化專用技術開始，這往往是由于企業掌握了生產過程中某些步驟的特定規律，便試圖設計新的工具以簡化勞動過程，提高生產率，并產生有效利用工具的新技能。然而，局部自動化有邊際收益遞減的特點，隨著勞動生產率提高帶來的產業規模擴大，企業家、發明家便有動機在更大范圍內引入全面自動化的通用技術。但是，只有引入的通用技術具有規模收益遞增的特征，投資過程才能持續，才能在與專用技術的競爭中獲勝，最終完成生產過程的范式轉變。因此，范式轉變的階段可能持續較長的階段。最終，整個產業又在新的通用技術平臺上，面向更大的市場重新分工、重組生產組織，以充分發揮新技術的潛力（圖1）。工業社會經過這三個階段的調整后，不僅勞動生產率會有階梯式的躍進，經濟社會組織方式也往往會發生全面改造。

從這個角度出發，我們便可以更好地認識AI通用大模型技術與傳統信息技術和產業之間的聯系，以及前者對后者的顛覆。在本質上，過去三十多年中互聯網信息產業帶來的繁榮，就是對銷售、金融、媒體等服務業中信息處理環節進行部分自動化而帶來的生產率提升。如前文所述，在AI通用大模型出現之前，信息技術實現自動化的主要方式是運行基于規則的程序，程序的價值則取決于值得被自動化的高頻次重復的任務。因此，信息技術應用的深度和廣度，主要取決于兩個因素：編程技能的供給和高頻次重復任務的數量，而后者受市場規模影響。這便可以解釋全球互聯網經濟為什么主要由中美主導：美國是現代計算機產業的誕生地，有大量高技能的程序員，同時美國也是世界上最大最富裕的市場，消費者愿意為新產品和服務支付高價格；中國市場盡管個體支付能力不高，但人口基數龐大，海量的高頻次重復任務推高了自動化（數字化）的價值，同時中國擁有大量受過工程技術教育的高素質勞動力，壓低了程序供給的價格。譬如，移動支付由于在中國可以高頻率使用而率先成功。在世界范圍內，沒有其他國家同時具備這兩個條件。但AI通用大模型帶來信息技術的廉價生產后，中美在信息產業的相對優勢都會遭到削減。

隨著近期AI大模型的大量涌現，并被部分領先企業嘗試應用于生產過程中，當前的信息技術產業或已進入又一個范式轉換的階段。由于通用技術在早期與專用技術效率之間存在差距，范式轉換可能會經歷較長一段時間。例如，如果以個人電腦的出現為起點，電子工業向通用計算機技術的范式轉換，直到智能手機的大范圍應用才基本完成，經歷了近三十年。80年代的經濟學家還為此創造了一個笑話——“計算機到處都是，就偏偏不在勞動生產率的統計數據中”，即所謂的“索羅悖論”。原因實際上很簡單：此時計算機作為通用技術，并不比它將替代的大部分專用技術有更高的效率。

但是，當前信息產業向通用AI技術的轉型，或許不僅是在規模經濟遞增規律驅動下的產物，它還會由于中美競爭而加速。這是因為盡管中美兩國在傳統互聯網產業中的優勢都會被通用AI技術削弱，但美國在互聯網產業中的優勢本身也在快速消失。對比中美的程序員技能和市場規模，可以看到中美程序員技能供給的差距在縮小，美國全社會愿意為互聯網服務支付的溢價卻在降低。但中國更大的人口基數帶來的市場規模優勢仍在，中國的互聯網企業可以獲得更長期的競爭優勢。正是憑借這種優勢，近年來中國社交媒體（如TikTok）和電商（如Shein、TEMU）在海外市場大獲成功。因此，美國有更強的動機使用通用AI技術替代傳統的互聯網行業勞動密集的生產方式，在謀求新競爭優勢的同時，想盡辦法阻礙中國發展AI技術。

那美國能否通過技術禁運來阻礙中國發展AI技術呢？這是一個非常復雜的問題，涉及中美兩國產業、科技、政策等多方面因素。但是，自工業革命以來，任何發達國家試圖阻礙大規模通用技術國際擴散的努力，從長期來看都是徒勞的。例如，19世紀的英國曾對當時的尖端技術——動力織機進行嚴格的技術禁運，但這樣的封鎖只能維持不到半個世紀。當美國公司在1895年通過自主創新推出全自動動力織機后，便迅速占領了世界市場，而英國與棉紡織相關的一系列工業技術再無發展機會。事實上，歷史上進取的大國都是積極推動技術擴散的，因為這是大規模通用技術內在的規模收益遞增的需要。中國在未來不僅需要通過自主創新在AI技術上突破，還應當積極推動技術擴散，將廣大的第三世界納入我們的技術體系中來。

在向通用AI技術轉型的過程中，真正決定各國成敗的，或許是能否建立起一套支持不斷投資通用技術的制度安排，讓全社會最終都能享受規模經濟遞增帶來的好處。這是因為，在向大規模通用技術的范式轉換中，局部自動化階段發展起來的勞動技能會被新技術和資本所替代，這使得轉型具有嚴重的再分配后果，往往會引發社會反彈，并打斷對新技術的持續投資過程。歷史上在局部自動化階段越成功的國家，這種反彈往往越劇烈，例如19世紀英國的盧德運動。在本輪向AI技術轉型前，中美都建立了繁榮的軟件與互聯網工業，創造了大量高薪的程序員工作。在這一階段，程序員自身的技能和努力程度可以極大地影響程序效率（即能以盡可能簡潔的規則覆蓋盡可能多的任務場景），因此他們對工作過程便有較大的控制力，事實上成為有較多自由和議價能力的“工人貴族”。此外，在歐美的許多專業技術工作領域，局部自動化的軟件大大提升了信息處理工作的生產率，但決策權仍然由律師、咨詢師、財務等專業人員掌握，他們因此能夠享受到生產率提升的大部分好處。然而，AI通用大模型帶來的更加自動化的信息生產和決策過程，極有可能會讓以上兩類高技能工人受損，使他們成為反對技術革命的社會力量。

那么，什么樣的制度安排才能支撐一個社會平穩完成面向大規模信息生產的通用AI技術的躍進呢？歷史上，從局部自動化到大規模生產的多次轉型，并沒能給我們提供完整的答案，但提供了一個重要的線索：只有在全社會廣泛地分享新技術帶來的繁榮，才能促進各階層社會成員擁抱新技術。譬如，制造業進入大規模生產階段后，原有熟練工人的技能價值下降，面臨失業，但成功的大規模制造企業通過在研發、管理、銷售、物流等領域創造更多高薪的工作，實現了與大眾分享新創造的財富。面向通用AI技術的轉型，對中國來說是一個全新的挑戰。作為一個近二十年來才完成全面工業化的新興工業社會，中國此前引入的幾乎所有新技術都只會帶來福利改進，因而我們并沒有太多經驗應對具有再分配效應的技術變革。但正因為中國沒有歷史負擔，加之服務業在中國經濟中的份額相對較低，中國或許更有可能創造出新的制度安排，利用AI技術服務更廣大的人民群眾，引領世界進入一個信息技術大規模生產的時代。

本文原載《文化縱橫》2024年第2期，原題為《智能革命還是“規模”革命？——歷史視野下的人工智能技術與產業演化》。歡迎個人分享，媒體轉載請聯系本公眾號。