生成式人工智能正處于十字路口：燈泡、發電機還是顯微鏡？

2025年9月，布魯金斯學會（Brookings）發布文章《生成式人工智能正處于十字路口：燈泡、發電機還是顯微鏡？》（Generative AI at the crossroads: Light bulb, dynamo, or microscope?）。文章指出，生成式人工智能兼具通用技術屬性與“發明方法的發明”特質，其未來應用有望顯著提升生產力水平。啟元洞見編譯該文章主要內容，旨在為讀者了解相關研究提供參考。

一、引言

生成式人工智能的問世，極大拓寬了人工智能的潛在應用邊界，但它對生產力的未來影響仍存在不確定性。部分發明在普及階段會暫時推動生產力增長，可一旦市場趨于飽和，其增長效應便會消退。僅能永久提升每小時產出水平，卻無法維持持續的增長率，燈泡便是這一類發明的典型代表。另有兩類技術對生產力增長影響更持久：一是通用技術，具有應用范圍廣泛的特點，能夠催生出大量創新，包括新商品與服務的涌現、衍生創新的產生、流程效率的提升、企業組織形式的重組等，且自身可通過持續改進不斷更新創新周期，電動發電機是其典型；二是“發明方法的發明”，這類技術通過優化觀測方式、提升分析能力、改善溝通效率或優化組織模式來提高研發效率，復合顯微鏡是其典型。

2022年底，OpenAI的ChatGPT引發全球關注，作為首批生成式人工智能程序，極大拓展了人工智能應用范圍，甚至覆蓋了競賽級數學運算等曾被視為人類專屬的任務。生成式人工智能在多項任務上達人類水平，所以需要更具挑戰性的基準測試評估其進展。實地測試顯示，ChatGPT在寫作、編程、呼叫中心客服等領域能夠提高生產力，但能否催生廣泛且成本效益高的商業應用尚不明確。雖部分企業稱其提升了盈利，但麥肯錫發布的報告指出，超80%使用該技術的企業未對企業級息稅前利潤產生切實影響。

ChatGPT下載量激增，引發了生成式人工智能領域的激烈競爭。訓練模型與處理請求的巨大計算量，也使數據中心建設和相關半導體芯片的支出大幅增加。樂觀者認為其能推動信息技術驅動的生產力的繁榮；悲觀者則認為對其能力太過夸大，且存在法規限制、對就業影響引發的政治阻力、能源消耗大等障礙。目前難定孰是，生成式人工智能能否顯著提高整體生產力增長仍待觀察，或許并不比信息技術領域以往的創新更重要。

鑒于生成式人工智能提升生產力的定量證據仍處于萌芽階段，文章從定性視角探究其所屬的創新類別。研究首先明確生成式人工智能的定義，梳理其作為通用技術的支撐證據——重點考察其傳播覆蓋范圍、衍生創新成果及核心技術的迭代進步跡象；在評估其是否屬于“發明方法的發明”時，則聚焦其在研究活動中提升觀測精度、分析效率、溝通質量及組織效能的實證表現，并結合專利數據、企業業績會議表述、查詢主題趨勢等指標展開分析，同時納入金融、醫療、信息、發電等行業的案例研究。研究結論認為，現有證據已充分表明，生成式人工智能兼具通用技術與“發明方法的發明”雙重屬性，其未來應用有望對生產力提升產生積極推動作用。

二、什么是生成式人工智能？

“人工智能”是涵蓋機器學習、計算機視覺、生成模型等多種算法的總稱，通過構建和校準訓練數據中復雜模式的數學模型來模擬人類思維、溝通與選擇。最廣為人知的生成式人工智能是利用互聯網人類對話模型回應自然語言提示，但也存在其他形式。

聚焦生成式人工智能，因“人工智能”一詞使用廣泛多樣，很難就其對生產力的影響展開連貫討論：不同于已投入使用、相關影響可實證研究的其他人工智能，其對生產力影響多在未來；且生成模型的類人行為，使人們對人工智能破壞性影響的擔憂更突出。

早期能回應自然語言的人工智能系統未基于人類語言模型，如20世紀60—70年代的ELIZA聊天機器人、MYCIN專家系統等，21世紀10年代雖有Alexa、Siri等更復雜系統，但這些都是符號化、基于規則的系統，輸出包含一定的隨機性。

隨著21世紀10年代大語言模型出現，更強大的生成模型誕生。Word2Vec將單詞編碼為數值向量，雖然這些數值并不對應具體可解釋的特征，但能在抽象空間中捕捉語義關系。2017年Transformer架構通過考慮上下文，能更豐富地編碼單詞含義。許多生成式人工智能模型借此對輸入標記編碼，嵌入高維空間后利用附近信息預測下一個標記，生成自然語言回應。

生成式人工智能模型以神經網絡構建，靈活性高，沒有預先確定的邏輯結構，生成內容范圍比早期系統更開放。生成式人工智能所能支持的應用遠不止用于學習和創造的自然語言工具，通過從數據集中提取模式，可利用開放式隨機過程生成符合上下文的產物。這些產物除了文本，還可以是多種形式，如計算機代碼、圖像、音樂或舞蹈動作等。此外，并非所有應用都采用聊天窗口用戶界面，在生成對抗網絡中，是神經網絡之間相互作用來生成輸出，而非與人類交互。

三、里程碑式人工智能模型：Transformer

2017年的Transformer架構是人工智能領域的重大變革，其“注意力機制”能引導模型有選擇的關注提示中的相關部分，推動自然語言理解、翻譯和生成的進步，成為先進生成式人工智能系統的基礎。

Transformer通過一系列層（步驟）處理輸入數據，每一層都包含一個注意力機制和一個多層感知器。具體流程如下：先將提示分解為標記并轉換為嵌入向量，編碼語義和語法含義；再用“查詢”“鍵”“值” 矩陣計算注意力分數，加權平均整合其他標記信息；最后數據經多層感知器用非線性函數優化標記表示，該流程按模型層數重復，捕捉輸入文本抽象特征。通過增大矩陣規模、改進硬件與算法等，可提升系統處理復雜語言任務的能力。

四、生成式人工智能是通用技術嗎？

判斷生成式人工智能是否為通用技術，需看其是否會被廣泛采用、創新程度及能否持續改進。通用技術對生產力產生長期影響，從植物馴化到互聯網技術均有涵蓋。重大通用技術沖擊會改變社會，推動開發新產品、新流程和新組織形式，如計算機發展催生辦公軟件、可靠電力應用帶來新制造工藝等。

（一）傳播范圍

技術應用范圍越廣，對整體生產力潛在影響越大，但對直接生產力的影響有限。普及階段生產力增長加快，傳播完成后增長率回歸原有趨勢。如燈泡普及改善照明、降低事故風險、提高生產力，但市場飽和后，便無法再產生直接效應，推動生產力增長的動力消失。

（二）衍生創新

能催生進一步創新的技術，為生產力增長提供更持久的動力，增長提升源于重疊的“燈泡式”增長效應。如電動發電機，能源效率高于傳統皮帶系統，且使生產組織更靈活，企業采用的去中心化工廠設計，就是其催生的衍生創新。

（三）核心技術的持續創新

技術持續改進時，生產力目標水平會動態變化，創新轉化為性能提升與成本降低，且資本價格會隨著生產成本下降，進而推動技術普及。如固態電子學，半導體芯片晶體管數量增加使計算成本下降，推動電子元件在更多設備中應用。

（四）生成式人工智能符合通用技術標準的分析

生成式人工智能具備成為通用技術的潛力，但廣泛應用是最難論證的標準。雖部分實地研究顯示其能提高生產力，但除大型企業外，采用它的公司較少，需要人工智能技能的崗位占比低且增長慢，大規模應用的盈利案例罕見。不過個人使用率高，且其逐漸融入辦公軟件，未來應用可能更普遍。

生成式人工智能符合衍生創新標準的證據更充分。產品創新的關鍵領域包括用戶界面軟件以及與機器人技術的交互，如ChatGPT對話界面讓生成式人工智能交互更易被大眾接受；生產流程創新如數字孿生技術提高生產線效率；組織創新涉及產品設計部門重組。但非數字原生企業能否為數字轉型提供依據仍待觀察。

生成式人工智能符合核心技術創新標準的證據最明確。自Transformer架構問世，其性能借數據集擴大、計算能力增強而飛速提升，且在投入不變時，算法改進也能提高性能，如Mamba模型。若此趨勢持續，生成式人工智能的直接使用成本將會下降，將推動其更廣泛應用。

五、生成式人工智能是“發明方法的發明”嗎？

生成式人工智能出現前，人工智能已在多個科學學科應用，且能提高研發效率，如助力解決研發中的搜索問題、改進預測，在核聚變、新冠肺炎治療、金屬合金特性預測等領域有成功案例。文章探討生成式人工智能能否在機器學習基礎上，進一步提高研發效率，改進發明的測量、分析、溝通和組織方式。

（一）生成式人工智能作為觀測工具

顯微鏡等觀測工具生成的圖像不完美，生成式人工智能能對圖像缺陷和數據缺失值進行推斷，且結果與潛在現象特征更一致。如用于圖像增強的生成技術，基于數據生成過程流形的隱性模型，效果優于僅依賴平滑性假設的技術。

（二）生成式人工智能作為分析工具

大語言模型像觀察社會現象的“顯微鏡”，文本語料庫包含歷史偏見印記。生成式人工智能推動了情感分析等自然語言處理的發展，在經濟研究與其他領域中也有多種作用。

（三）生成式人工智能支持的組織創新

制度組織、專業網絡協會、地理集群等對研發有效性很重要。在藥物研發、工業研究、材料科學等領域，人工智能“數字孿生”有望減少研發機構投入，如生成對抗網絡可能替代毒理學研究中的動物實驗。

（四）生成式人工智能作為溝通工具

研究過程多涉及語言處理，生成式人工智能可用于研究項目各階段的文書工作，但考慮到審查編輯人工智能生成的文檔的時間，其能否整體提高效率尚不明確，若能，可能成為推動發明過程的催化劑。

（五）研究智能體

人工智能智能體能自動化研發核心環節，如生成研究問題、設計實驗等，可能同時扮演多種“發明方法的發明”角色，如谷歌的人工智能協科學家（AI co-scientist）。但對其重要性看法不一，且存在文獻綜述不足、實驗執行不穩健等缺陷，還可能難以揭示現象基本特征。

（六）相關指標

1.專利

生成式人工智能出現后，美國專利商標局的人工智能相關專利顯著增加。2018年起專利指數上升，與發表介紹Transformer架構的開創性論文時間相近，且與生成式人工智能密切相關的人工智能模式專利增長更顯著，表明專利激增不只是機器學習進步的結果。

2.生成式人工智能提示

計算機與數學職業生成式人工智能使用普及率與職業普及率比率最高（10.9%），科學家群體次之（7.1%），生成式人工智能在經濟中的應用高度集中。與科學發現相關的任務僅占提示的0.9%，這表明科學家（6.4%）的提示份額中，遠不止包含科學發現相關內容。這些發現任務最常見的是創建技術現象（如商業、科學和工程領域）的數學或統計模型。程序員職業群體自動化率最高，硬科學研究者將生成式人工智能用于自動化的比例高于自然科學研究者。

3.電話會議提及情況

對季度業績電話會議分析發現，2023年起在研究相關背景下提及人工智能的公司數量驟增。人工智能與研發融合的增長表明它已開始在企業創新中發揮作用。例如，2024年出版公司John Wiley & Sons用人工智能擴展化合物數據庫。

（七）小結

有充分證據表明生成式人工智能屬于“發明方法的發明”，其兼具多種類型特征且在科研界應用逐漸推廣，如專利數量激增、科學家等群體使用密集、企業會議提及增多等。

六、結論

2022年底ChatGPT發布后，公眾對生成式人工智能關注度驟升，但其經濟影響仍存在高度不確定性。該技術回報足夠高企業才會投入資源重組和配置互補資本，雖然實地研究顯示部分業務功能效率提升，卻少有企業證實其對盈利有實質改善。

生成式人工智能的生產力潛力并不依賴于實現通用人工智能這一難以實現的目標。在通用人工智能到來之前，它完全可以成為通用技術和“發明方法的發明”，對生產力產生顯著影響。目前主要障礙在于應用推廣，雖然互補創新在涌現、技術持續進步，但除科技行業外，企業采用程度有限。作為“發明方法的發明”的論據更充分，通過工作流程和專利申請，其在科學界的應用正逐漸得到推廣。

需注意，生成式人工智能需達到機器學習對亞馬遜等公司的影響水平，才能使經濟生產力增長與近期歷史水平持平；因涉及互補投資，通用技術對生產力影響緩慢；部署新技術的投資風險大，如對計算能力與電力供應的需求是否可以滿足、研發回報不穩定等。總體而言，生成式人工智能將對勞動生產力水平做出顯著貢獻，不過，無論是總體貢獻規模，還是影響隨時間的分布（進而影響生產率增長率），其合理結果的范圍都很寬泛。

免責聲明：本文轉自啟元洞見。文章內容系原作者個人觀點，本公眾號編譯/轉載僅為分享、傳達不同觀點，如有任何異議，歡迎聯系我們！

轉自丨啟元洞見

研究所簡介

國際技術經濟研究所（IITE）成立于1985年11月，是隸屬于國務院發展研究中心的非營利性研究機構，主要職能是研究我國經濟、科技社會發展中的重大政策性、戰略性、前瞻性問題，跟蹤和分析世界科技、經濟發展態勢，為中央和有關部委提供決策咨詢服務。“全球技術地圖”為國際技術經濟研究所官方微信賬號，致力于向公眾傳遞前沿技術資訊和科技創新洞見。

地址：北京市海淀區小南莊20號樓A座

電話：010-82635522

微信：iite_er