派智库

[摘要]人工智能可以节约劳动、促进生产力的提升，因此人工智能的发展应该会提高劳动生产率，但是国际实践，表明与人工智能发展相随的是劳动生产率的下降，是什么导致这一现象?本文基于国际实践，研究后发现，劳动生产率的滞后效应和错误的人工智能统计都导致了悖论的发生，其中滞后效应是最主要的原因。技术创新的效应还没有完全发挥，互补性的技术发展和相关产业的应用还需要进一步推进。需采取相应的措施促进中国人工智能产业发展，以提升劳动生产率。

内容来自dedecms

[关键词]人工智能；生产率；悖论；国际经验

2016年埃森哲（Accenture）调查12个国家后发现，预计到2035年，人工智能将帮助这些国家生产率提高40％左右。有许多例子证明了有潜力的新技术能够极大地提高生产效率和经济福利，这些技术的前景有一些早期的具体迹象，最近人工智能（AI）性能的飞跃就是最突出的例子。然而，与此同时，过去10年来衡量的生产率增长显着放缓。这种减速幅度很大，特别是在2008年国际金融危机之后的10年里，劳动生产率增速下降超过50％。在经合组织（OECD）和许多大型新兴经济体中，这种情况也普遍存在。因此存在一种悖论：人工智能等革命性新技术的发展，却没有促进劳动生产率的提升。 内容来自dedecms

一、文献回顾

新技术对于生产率的影响，已经有很多理论和实证研究支持了其积极影响。但是对于技术创新与劳动生产率的悖论，最近才有一些文献进行解释。 织梦好，好织梦

Robea Gordon（2014）认为，始于20世纪70年代的“第三次工业革命”到2005年已基本接近尾声，后续的技术创新的作用已经非常小，目前的技术创新大多是一些对生产率几乎没有影响的非市场效益，包括移动计算、机器人技术、3D打印、人工智能和无人驾驶汽车，对企业的运营方式几乎没有产生什么影响，因为这些创新要么与企业关系不大，要么还没有成熟到能做出重大贡献的程度。电和汽车等对生产率的提高作用要远远大于互联网。另外，现代经济已从制造业为主转向以服务业为主，而制造业的高度自动化目前还无法在服务业完全实现，所以拉低了整体的生产率。也有研究从全球化的角度进行分析，二战以后全球化的发展促进了贸易投资的一体化，科技创新的发展促进了全球分工，各国专业化分工提高了劳动生产率，但是2008年国际金融危机之后出现了逆全球化的趋势，全球分工出现倒退，劳动生产率也随之下降。 dedecms.com

但是，大部分研究都从生产率的时滞和生产率的测度进行解释，一方面是技术创新对生产率的贡献衡量有误，贡献实际上非常高；David Byme（2017）认为，测量有误是一个重要原因，2010～2015年，科技行业的多因素生产率（multifactor productivity，该指标将产出与劳动力、资本和能源等不同类型的投入关联在一起）增长了10.9％，而不是官方数据显示的3.1％。部分研究认为，生产率不能仅仅从物质的劳动生产率衡量，还需要考虑全要素生产率和人力资本生产率。瑞银的研究发现，美国2008年以来的劳动生产率提升速率仅有1.04％，其中全要素贡献了0.88％，人力资本贡献了0.23％，物质生产率下降了0.07，其主要原因在于过度投资造成许多对于提升产出而言无效或低效的资本投入，也使得投资没有被充分利用，即缺乏有足够能力和技能的人来充分发挥物资资本的效用。另一方面是技术创新的生产率效应存在时滞效应，未来可能会发挥作用。李春顶（2015）认为，“生产率悖论”的最主要原因，是目前新一轮科技产业革命尚处于发展初期，并不足以引领全球生产率增长回到较高轨道。新产业革命一旦进入成熟阶段，将大大提升全球生产率，戈登等人对“全球生产率长期减速”的判断并不成立。[1]

最近出现了一个新的研究视角。新技术的收益已经可以实现，但通过集中分配这些收益和耗散的努力来达到或保护它们（假定技术至少部分有竞争性的），它们影响的平均生产率增长并不大，对于中产阶级来说几乎是零。例如，迄今为止，人工智能最赚钱的两种用途都是针对在线广告的定位和定价，以及对金融工具的自动交易，这两种应用都有许多零和的方面。新技术的好处被经济中相对较小的部分所享受，但是这些技术的狭隘性和竞争性的性质造成了浪费的“淘金热”类型的活动。那些寻求成为少数受益者之一的人，以及那些获得了一些收益并试图阻止他人进入的人，都参与了这些耗散的努力，破坏了新技术的许多好处。最近的研究提供了一些间接的支持。近年来，在同一行业的前沿公司和普通公司之间的生产率差异一直在增加。在大多数行业，顶尖和底层员工之间的利润率差异也在增长。少数的超级明星公司正在获得市场份额，由于市场力量的扭曲，行业集中度将导致大量的社会福利损失。此外，即使收入总额持续增长，不平等的加剧也可能导致收入中值和社会经济成本的停滞。虽然这个证据很重要，但它不是决定性的。行业集中度的总体效应仍在争论之中，而技术的收益并不是均匀分配的这一事实，并不能保证资源在试图捕捉它们的过程中会被消散——特别是当有足够的浪费来消除明显的总收益时。 本文来自织梦

上述文献从不同的角度研究了技术创新与生产率的悖论，如果应用于人工智能，这一悖论是否适合?如果成立，该如何解释?鉴于此，本文从现实特征描述了人工智能发展与劳动生产率的悖论，实证研究了人工智能发展对劳动生产率的影响，且从不同的角度进行了解释，并提出了政策建议。

本文来自织梦

二、人工智能与劳动生产率的悖论的表现

dedecms.com

1.人工智能的发展 内容来自dedecms

创新存在摩尔效应，特别是在信息技术等许多领域的持续进步，从核心技术的进步。如，基础计算机能力的进一步提高到成功的投资，如云基础设施，以及新的基于服务的商业模式。但更大的乐观来源是最近人工智能的进步，尤其是机器学习。机器学习是第一波计算机化的根本变化。从历史上看，大多数计算机程序都是精心编纂人的知识、一步一步地将输入映像到由程序员指定的输出来创建的。相比之下，机器学习系统使用一般算法（如神经网络）的分类来计算它们自己的相关映射，通常是用大量的例子来计算。通过利用这些机器学习方法，利用总数据和数据处理资源的增长，机器在感知和认知方面取得了令人印象深刻的成果，这是大部分人类工作所需要的两项基本技能。在语音识别中，语音识别的误差率在过去的一年里已经从8.5％减少到5.5％。虽然还没有达到专业人员的水平，但Facebook的人工智能研究团队最近改进了使用复杂的神经网络序列预测技术（Gehring et al.，2017）提供的最好的机器语言翻译算法。深度学习技术也与强化学习结合在一起，这是一套强大的技术，用于生成控制和操作系统，使自主的代理被训练成为未来的最大化回报环境而采取行动。三大因素推动了人工智能快速发展。第一，互联网的发展提供了种类丰富的大数据资源，提升算法有效性。第二，计算技术的变革使硬件成本指数级下降，运算时间缩短，助力人工智能再度崛起。第三，基础算法和A1平台的创新减少了传统算法和人类手工总结的不完备性，大幅提升算法有效性。

内容来自dedecms

目前，人工智能全产业链基本形成，带动实体经济转型升级。从纵向融通上看，人工智能促进产业链各层级深度融通，ICT供给能力产生质的飞跃。从横向融合上看，实体经济数字化、网络化、智能化转型升级步伐加快。人工智能产业热度逐步提升，市场规模持续增长。这主要体现在两个方面：一方面，创新活跃，科研机构和企业加快人工智能的研究与创新，人工智能发展普遍看好；另一方面，语音、视觉等技术已经步入商用阶段，带动产业规模快速增长。

在人工智能产业链发展上，人工智能计算基础设施呈现出核心器件创新多元化趋势。GPU、DSP、FPGA、ASIC以及类脑等人工智能芯片创新频繁，支撑云侧、端侧AI计算需求。AI计算产业快速发展，尤其是云端深度学习计算平台的需求正在快速释放；在人工智能软件算法及平台方面，公共数据集不断丰富、推动初创企业成长。 本文来自织梦

人工智能关键平台正在形成。目前企业加快部署机器学习、深度学习底层平台，建立产业事实标准。公司利用技术优势建设开放技术平台，为开发者提供AI开发环境，建设上层应用生态。人工智能部分应用技术快速成熟，进入实用阶段。以语音识别、机器视觉为代表的人工智能技术快速成熟，达到实用化水平。机器视觉、智能语音成为产业化水平最高的人工智能领域，企业数量和初创企业快速增长。

copyright dedecms

2011—2017年，人工智能领域的并购资金从2.82亿美元增长至2017年的49.92亿美元，而并购数量也从67起增长到397起。以谷歌、苹果、IBM、微软、Faeebook等为代表的行业巨头正在通过并购进行产业布局。美国仍然是人工智能核心发源地之一，其他国家人工智能发展正在快速跟进。在我国，北京人工智能发展领跑全国，沪、粤、江、浙等地也在提速发展。

内容来自dedecms

2000～2016年，美国人工智能融资规模累积达200多亿美元，占全球人工智能融资规模总额的70％以上。美国人工智能每年的融资规模占全球总额的比例较高，2013年之前一直保持在80％以上，近年来才出现下降。2000～2016年间，美国旧金山湾区人工智能融资规模于全球占比达38.22％，投资频次于全球占比达23.29％。通过数据比较可见，旧金山湾区人工智能的平均单次融资金额超过全球平均水平。 dedecms.com

2014～2016年是中国人工智能发展最为迅速的时期。在这3年里中国人工智能融资规模占总数的93.59％，投资频次占总数的87.22％。从融资阶段分布上看，京粤沪三地AI企业融资阶段均处于早期融资阶段。2000～2016年，中国人工智能融资规模累积占亚洲累积总额的60.22％，以色列为20.43％，日本为9.53％，印度为4.95％。虽然印度融资规模上落后于以色列、日本，但投资频次上却呈现追赶之势。2000—2016年，英国人工智能融资规模占欧洲累积融资规模的48.75％，其中超过60％的资金集中于英国伦敦。

本文来自织梦

2.劳动生产率的下降

织梦好，好织梦

尽管上面讨论的技术具有很大的潜力，但几乎没有迹象表明它们影响了总体生产率统计数据。发达经济体的劳动生产率增长率在2005年中期下降，此后一直保持在低水平。例如，从2005—2016年，美国的劳动生产率年均增长率仅为1.3％，不到1995～2004年2.8％的年增长率的一半。在经合组织的29个国家中，有28个国家的生产率增长数据也出现了类似的减速。在这些国家，1995～2004年，未加权的平均年度劳动生产率增长率是2.3％，但2005—2016年只有1.1％。 dedecms.com

图1显示了1990年以来世界主要经济体的劳动生产率的变化趋势，包括美国、日本、新兴和发展中经济体，以及整个世界的年度生产率增长系列提供了高度平滑的数据。上述美国和日本的放缓是显而易见的。该数字还表明，在2000年期间，新兴经济体和发展中经济体的生产率增长加速在大衰退时期结束，从而导致这些国家的生产率增长率显着下降。 内容来自dedecms

这些放缓似乎并不仅仅反映了国际金融危机的影响。在经合组织的数据中，如果2008～2009年的增长率被排除在总量之外，30个国家中有28个国家的生产率增速仍在下降。Cette、Femald&Mojon（2016）利用其他数据，也发现了大量证据表明经济放缓在国际金融危机之前就开始了。

copyright dedecms

资本深化和全要素生产率（TFP）的增长导致了劳动生产率的增长，两者似乎都在经济放缓中发挥了作用。TFP直接反映了这种进步。资本深化间接受到技术变革的影响，因为企业的投资决策是对资本的当前或预期边际产品的改善做出反应。

这些事实被一些人解读为对像人工智能这样的新技术能够极大地影响生产力和收入的悲观看法。Gordon（2015）认为，生产率增长一直处于长期衰退之中，1995～2004年的IT驱动加速是一次性的反常现象。虽然在未来的几十年里，一直在经历新的、低增长的正常状态，而且应该会继续这样下去。Bloom等（2017）研究发现，在技术进步的许多领域，生产率一直在下降，而庄晋财和胡志涛（2016）发现，由技术驱动的增长加速的假设在各种测试中是不成立的，这种对未来技术进步的悲观看法已经进入了长期的政策规划。[2]美国国会预算办公室将美国10年平均劳动生产率增长预期从2016年的1.8％下调至2017年的1.5％。尽管在表面上可能是温和的，但这意味着10年后，美国的GDP将大大低于乐观的预期。中国的生产率增长水平在2010年之后也出现了显着的下降。 copyright dedecms

三、人工智能与劳动生产率悖论的实证检验 本文来自织梦

1.模型构建 copyright dedecms

使用C-D函数，销售额（Y）是资本（K）、劳动（L）和创新投入（H）的函数： 内容来自dedecms

本文来自织梦

对于控制变量，考虑到本文研究需要及数据的可得性，这里选取人力资本、城市化水平等作为控制变量。

2.内生性问题

由于劳动生产率和资本劳动比以及劳动数量等存在自相关，这种内生性问题会造成系数估计的偏误，需要解决内生性问题，否则将导致系数有偏，从而高估或低估人工智能投资对劳动生产率的影响，解决内生性问题有两种办法：一是渐进最小二乘法（ALS）；二是工具变量方法。不管使用什么方法，只能减缓降低其偏差的幅度，不可能完全消除内生性问题。我们使用ALS方法进行估计。 织梦内容管理系统

3.数据来源与变量描述

本文的研究主要涉及到三大类指标，第一个是因变量生产率，主要研究的是劳动生产率，同时笔者也对全要素生产率进行了验证，对比分析结果的差异。数据来源于Conference-board数据库。第二类指标的人工智能的相关指标，笔者分别采用投资金额和企业数量来衡量，对于投资金额笔者采用永续盘存法（Perpetual Inventory Method，PIM）估算资本存量，这个方法是将不同时期的资本流量逐年度调整、折算，被广泛采用。数据来源于《乌镇指数：全球人工智能发展报告2017））。涉及到国家特征的变量包括人力资本、劳动力人口、资本密集度、开放程度、外资和研发投入等来自于世界银行数据库。

4.基本回归结果 本文来自织梦

表2中的第（1）列显示了劳动生产率的决定因素。估计结果显示，人工智能的投资对于劳动生产率的影响是负的，并且在5％的水平下显着，验证了悖论的存在。即使把劳动生产率变量变为全要素生产率，也可以发现其影响系数是负的，只是系数低于劳动生产率的结果，且在10％的水平下显着。若把人工智能指标更换为人工智能企业的数量，其影响的方向与投资相同，但其影响系数更大。说明人工智能的发展主要是资本的加速进入，初创企业的数量增长速度不如资本加速进入速度。

反映国家特征的相关指标结果显示与预期相一致，无论是资本强度还是研发、对外开放度以及FDI对劳动生产率的增长都有正向的影响，只是影响的程度有大有小，其中研发投入的影响系数最大，也验证了笔者的预期，只有不断加大研发投入，才能更有效的提升生产率水平。

dedecms.com

dedecms.com

四、进一步的解释 copyright dedecms

根据前面的分析，目前的研究集中于劳动生产率的估算和滞后效应。笔者分别就这两个方面进一步进行研究，而且又进一步分析了人工智能资本的估算。

织梦好，好织梦

1.劳动生产率的估算 织梦好，好织梦

一个对悖论的潜在解释是对产出和生产率的错误测量。对过去经验的悲观解读有可能推出错误的结论，对生产率的错误测量也可能引出技术创新无效的结论。“错误的测量假设”已经在很多研究中被提出。有很多证据可以证明错误测量的存在。许多新技术，如智能手机、在线社交网络和可下载的媒体，都没有多少货币成本，但消费者将大量时间花费这些技术上。因此，即使这些技术只占国内生产总值的一小部分，因为其价格相对较低，它们也可能带来可观的效用。Guvenen、Mataloni、Rassier＆Ruhl（2018）也显示出离岸利润转移的增长可能是另一个错误测量的来源。然而，也有部分研究提供了充分的理由，认为错误测量并不能完全解释生产率的下降，错误测量并不是生产率下降的主要原因。毕竟，尽管有令人信服的证据表明，当今技术的许多好处并没有反映在GDP中，因此生产率统计数据也同样如此，但生产率的错误测度在任何时期都是如此，为什么以前不存在生产率的持续下降的现象。 织梦内容管理系统

2.劳动生产率的滞后效应 copyright dedecms

一般研究存在的假设前提是近期生产率增长放缓预示着未来生产率增长将放缓，但事实上，现在的生产率增长下降并不必然代表着未来也会下降，任何事物都是存在周期性循环，未来有可能出现反转，劳动生产率有可能出现上升。从全球各国的实践可以发现这一点。 dedecms.com

全要素生产率增长是总体产出增长的组成部分，不能用可观察到的劳动力和资本投入的变化来解释。它被称为“衡量我们的无知”，这是一种残余，劳动生产率也是一种类似的衡量标准，但与资本积累的计算不同，资本积累只是将总产出除以生产产出的劳动时间。图2是1948年以来的全球生产率指数，数据包括平均劳动生产率（LP）、平均全要素生产率（TFP）和Fernald（2014）利用调整后的TFP（TFPua）。

织梦好，好织梦

在战后时期，生产率一直在增长，尽管在不同时期的生产率不同。然而，尽管经济持续增长，过去生产率的增长一直很难预测未来生产率增长。换句话说，过去10年的生产率增长几乎没有告诉我们未来10年的生产率增长。仅从生产率数据来看，很难预测20世纪70年代早期生产率增长的下降，或者预测20世纪90年代IT带来的的积极影响。 织梦好，好织梦

表3中的回归允许存在一阶自相关。回归结果表明，虽然短期内生产率增长率有一定的相关性，但相邻10年之间的相关性在统计学上并不显着。在过去一段时间内，平均生产率增长衡量出来是不同的，每10年的平均生产率增长，以及每10年生产率的分散，都与随后时期的生产率水平相对应。这些回归的R2都很低，而过去10年的生产率增长在统计上并没有对未来10年的增长有明显的预测能力。对于劳动生产率，R2是0.138，上一时期的增长系数在统计学上并不显着。这个点估计在经济上也是小的。在TFP增长回归中，R2为0.192，而前一个时期的增长系数是无关紧要的。结论说明过去生产率增长对未来的生产率增长缺乏解释力。 dedecms.com

织梦内容管理系统

3.人工智能的估算 dedecms.com

不管人工智能和与人工智能有关的技术对实际产出和生产率的影响如何，从生产率前景来看，可以认为，人工智能的影响将如何衡量，取决于各国的统计程序如何衡量AI资本。正如前文所提到的，人工智能资本测量的主要困难在于它的许多产出都是无形的。这一问题由于人工智能的广泛使用而变得更加严重，因为它广泛地利用了其他资本，包括新的软件类型，以及人力和组织资本，而不是最终的消费产品。许多其他资本，包括人力资本，将与AI本身一样，主要是无形的。为了更具体、更有效地使用人工智能，需要开发数据集、构建特定的人力资本以及实现新的业务流程。这些都需要大量的资金投入和维护。这些无形支出的有形资产，包括购买计算资源、服务器和不动产，很容易用标准的新古典增长会计模型来衡量；另一方面，补充无形投资的资本品生产价值难以量化。有形和无形的资本存量产生的资本服务流动收益随着时间的推移而产生。要实现这些收益，需要的不仅仅是固定资产投资。在购买资本资产后，公司会产生额外的调整成本（例如业务流程重新设计和安装成本）。 内容来自dedecms

然而，虽然有形资产的存量是在公司资产负债表上有记录，但对人工智能投资的无形资产和调整成本的支出通常难以记录。如果不包括无形的人工智能资本的生产和使用，通常的会计分解的价值变化会将人工智能无形资本的深化转化为TFP的变化，这是在计算最终产出时遗漏了资本货物生产的一个潜在重要组成部分。因此，对TFP的估计是不准确的。在无形的AI资本存量增长快于产出的情况下，TFP的增长将被低估，而如果资本存量的增长速度低于产出，TFP就会被高估。 本文来自织梦

这种效应的后果是，在任何给定的时期t中， （未测量的）A1资本存量在t+1时期的产出都是在t时期的投入（未测量的）现有AI资本存量。当AI流量快速增长时，未测量的产出（创造的AI资本存量）将大于未测量的投入（AI资本存量）。 内容来自dedecms

此外，假设创造无形资产所需的劳动力和其他资源的相关成本是可以衡量的，但由此产生的无形资产的增加并没有作为产出的贡献得到衡量。在这种情况下，不仅GDP会被低估，而且生产率也会被低估。因此，快速无形资本积累的时期可能与较低的生产率增长相关联，即使真正的生产率正在提高。

copyright dedecms

在缺少资本产品生产的情况下，实测生产率仅反映出在生产侧得到投入时使用了更多的资本和劳动投入，用于生产未衡量的资本货物的原材料的产出没有表现出来。布鲁金斯学会（Brookings Institution）最近的一份报告估计，从2014～2017年，无人驾驶汽车的投资已超过800亿美元，但是目前无人驾驶汽车还没有推向市场形成产值。如果无人驾驶车辆的所有资本形成都是由同样昂贵的劳动力投入产生的，那么在过去的数年时间，这将会使估计的劳动生产率每年下降0.1％，因为自动驾驶汽车还没有导致最终产出的显着增加。同样，根据人工智能指数，在过去的10年里，顶尖大学的AI和ML课程的招生规模增长了大约两倍，与创业相关的初创企业数量增加了两倍多。在一定程度上，他们创造了超出生产成本的无形资产，GDP将被低估。 dedecms.com

最终，那些被错误衡量的无形资产投资将会得到投资回报（即产出）。当这些隐藏的资产产生可衡量的产出时，另一个导致高估生产率的错误测量效应就会出现。当产出的份额和被忽略的资本增加时，由资本产生的被测量的产出增加将被错误地归因于全要素生产率的提高。随着非计量资本品投资增长率的降低，来自未计量资本品对TFP的资本服务流量可以超过未测量的资本货物的低估误差。这两种效应的结合产生了一个“J曲线”，即早期的无形资本的产生会导致对生产率增长的低估，但后来从未计量资本获得的回报创造出了衡量产出的增长，这可能被错误地归因于TFP，从而导致生产率的高估。根据公式：

dedecms.com

本文来自织梦

式（8）中，等式右边描述了隐藏的资本效应和隐藏的投资效应。当未测量资本的新投资的增长率乘以其产出的份额，比未测量资本的增长率乘以其产出份额的增长速度更大（更小）时，估计的Solow剩余将会低估（高估）生产率增长的速度。一开始，新的资本类型将会有很高的边际产量。公司将积累资本，直到其边际回报率等于其他资本的回报率。随着资本积累，未计量资本的净投资增长率将变为负值，从而导致对TFP的高估。在稳定状态下，净投资的产出份额和未测量资本的净存量都不会增长，而生产率的错误衡量则为零。 内容来自dedecms

对于人工智能资本（AI）来说尤其明显，因为其积累肯定会超过短期内普通资本积累的速度。AI资本在经济统计中是一个新的资本类别，这也意味着，从内生性资本增长中计算的资本数量指标可能会在早期的基准测试规模和效果上存在问题。政府统计机构不能把所有资本类型快速的进行分类测定，新的资本类别将倾向于被纳入现有的类型，可能是用较低的低成本边际产品代替（导致新资本的有效影响被低估）或完全忽略。 dedecms.com

五、结论和政策建议 织梦好，好织梦

1.结论

copyright dedecms

虽然2008年以来全球劳动生产率出现了显着的下降，同时这一段时间人工智能迅速发展，人工智能的投资增加没有与全球劳动生产率上升同步。实证研究结果也证实了这个结论。可以从生产率时滞、劳动生产率的估算错误和人工智能准确测算等方面进行解释。有充分的理由对新技术的未来生产率增长潜力感到乐观。但要充分利用新技术，需要相当长的时间。那些具有广泛潜力的应用将被称为通用技术（GPTS）。事实上，潜在的重组越深刻和深远，技术的最初发明与它对经济和社会的全面影响之间的时间间隔就越长。 织梦好，好织梦

这一解释意味着，在一段时期内，尽管人工智能的发展对近期的生产率增长没有明显的影响，直到建立了足够的新技术存货，并发明了必要的补充过程和资产发明，未来技术的前景才能在经济数据中体现。投资技术是前瞻性的，而经济数据是一种结果。在承认新技术的潜力和它的可测量效果之间，有两个主要的原因：一是将新技术的存量构建到足以产生聚合效应的规模需要时间；另一是补充性投资对于获得新技术的全部好处是必要的，而发现和开发这些补充品并加以实施需要时间。虽然核心发明的根本重要性及其对社会的潜力可能在一开始就被清晰地识别出来，但随着时间的推移，需要无数必要的其它发明，而所需的路径可能是漫长而艰巨的。

2.政策建议

内容来自dedecms

人工智能近年方兴未艾，各国政府和企业都加大在人工智能方面的投资力度，目前也取得了很大成绩。市场的独特属性已经使中国快速进入全球人工智能产业的第一梯队，表现为数据优势、市场优势、政策优势和人才优势。但我国人工智能整体发展水平与发达国家相比仍存在差距，有必要实施相应的产业政策。 织梦好，好织梦

（1）重视人工智能的核心技术

未来国家之间的竞争重在标准竞争，而标准来源于基础的核心技术。中兴通讯出口禁运的事件给了中国产业发展沉重的教训，必须重视核心技术的研发，在重要的关键性产品上必须自主创新。对于未来影响重大的人工智能产业来说更是如此。中国目前在人工智能的应用上取得了竞争优势，但是基础产品还严重缺乏，与美国相比差距甚大。 织梦好，好织梦

（2）大力发展与人工智能互补性的技术

目前人工智能技术的突破对经济的影响并不大，但随着它们的扩散，将带来更大的影响。更重要的是，它们能够实现互补的创新，从而增加其影响力。人工智能投资和补充性的变化都是昂贵的，难以衡量，而且需要时间来实施，这至少在一开始就会降低生产率。企业家、管理者和最终用户将为机器找到强大的新应用程序，这些机器现在可以学习如何识别物体、理解人类语言、说话、做出准确的预测、解决问题、与世界互动，并提高灵活性和灵活性。机器学习的核心技术的进一步发展可能会带来实质性的好处。

本文来自织梦

除了新的人工智能技术的补充，还需要在人力资本、技能领域以及新的流程和商业模式方面有所作用。 copyright dedecms

（3）行业监管问题迫切需要引起各方重视 本文来自织梦

任何新兴科技产业从诞生到具体落地，都面临技术、商业、法律和政策层面的诸多挑战。在当前人工智能产业正处于蓬勃发展阶段的同时，必须认真考虑到未来行业监管措施的制定与实施。包括算法公正性、人工智能伦理与透明度、人工智能的法律责任。在人工智能系统危害或侵害人类的情况下，人工智能系统软件开发商、AI系统运营商和算法使用平台应承担的法律责任范围亟待确定。

（4）需要制定新的测定标准 织梦内容管理系统

传统的衡量劳动生产率和人工智能指标的数据需要新的计算方法，就像在经济全球化的背景下全球价值链的发展对各国海关统计标准的影响一样，人工智能和互补性技术更加迅速地增加无形的资本存量，像GDP和生产率这样的传统指标可能变得更加难以测量和解释。成功的企业不需要在工厂或电脑硬件上进行大规模投资，但它们确实拥有成本高昂的无形资产。与开发和实施人工智能相关的大型市场价值表明，投资者认为这些公司具有真正的价值。如果公司的资产是公开交易的，市场是有效的，那么金融市场就会正确地将公司估值为在风险调整贴现后现金流的现值。

参考文献： copyright dedecms

[1]李春顶.中国企业“出口-生产率悖论”研究综述[J].世界经济，2015，（05）：73-89.

[2]庄晋财，胡志涛.创业聚集、知识获取与新创企业创新能力的实证研究[J].广西大学学报（哲学社会科学版），2016，（03）：79-85.