最近有两篇文章引起了我的注意。它们从不同的角度切入，但得出的结论相同：智能并不是现实世界进步的制约因素。
Stripe 经济学的 Ernie Tedeschi 分析了生产力数据。在任务级别，AI 表现卓越。客户服务代表的工作效率提高了 14%。作家的写作速度提高了 40%。顾问在 25% 的时间内完成了 12% 更多的任务。知识工作者每周在电子邮件上节省了两个小时。这些都是经过同行评审的研究得出的真实数据，其中大多数基于较早的 LLM。当前一代的 AI 应该表现更好。
那么，为什么没有出现宏观生产力的飞跃呢？
这很复杂。美国的劳动生产率约为 2.5%，远高于过去二十年 1.6% 的平均水平。但当你查看全要素生产率（经济学家关心的“纯粹技术”部分）时，它基本上是平的。旧金山联邦储备银行估计高全要素生产率增长期的概率不到 20%。
实际推动劳动生产率增长的因素是什么？公司正在更充分地利用现有资本。更长的工厂运行时间。更高的 GPU 集群利用率。更高的酒店客房入住率。这些都是实际产出，但并不意味着“AI 让每个人都更高效”。更像是“大家都在努力构建 AI 基础设施，并推动其他一切更高效以跟上步伐”。
让你感到不安的部分是：当你控制住既有的趋势，AI 采用与行业层面生产力增长之间的相关性几乎降为零。那些最快采用 AI 的行业已经是高生产力行业。数据无法区分“AI 有帮助”和“这些行业本来就会很高效”。
Ruxandra Teslo 的文章解释了这一点为何合乎逻辑。她是一名医学研究人员，一直在遇到同样的障碍：瓶颈从来不是科学本身。而是围绕科学的系统。
以临床试验为例。七年。每种药物超过十亿美元。而且试验不是形式上的——它们生成的人类数据实际上可以改进 AI 模型。但即使你有了这些数据，也未必能用上。试图构建更好生物标记的企业可能需要等待一年才能获得 NIH 释放的影像数据集。FDA 对骨密度作为替代终点的验证花了十二年。十二年。十二年。只是为了进行基本的回归分析，而这些数据已经存在。
或者看看 Eroom 定律——每投入一美元研发，批准的新药数量一直在下降，即使我们的科学工具变得越来越先进。更多的智能，更差的回报。这应该告诉你实际瓶颈在哪里。
专利制度使情况更糟。专利保护分子，而不是生物学。验证一个新颖的目标是否值得药物开发的人承担所有风险，却得不到任何回报。一旦第一种药物发布临床数据，竞争对手就会争相开发针对同一验证目标的分子。因此，AI 驱动的生物科技公司——即使估值数十亿美元——最终会优化分子以应对相同的几个已验证目标。系统奖励快速跟进，而不是探索。
这就是内部循环/外部循环问题。AI 编码工具增加了提交和代码量。但在每一个生产阶段——从拉取请求，到项目，到发布的发布——收益都在缩小，因为审查、集成、测试和部署仍然是由人掌控的瓶颈。AI 加快了写作。但它并没有加快发布。
这种模式在各个方面都出现。我们已经有几十年的技术可以建造更好的住房。住房比以往任何时候都更昂贵，因为这是政治意愿问题，而不是能力问题。客户服务聊天机器人仍然是大多数支持体验中最糟糕的部分。GDP 上升，但上升幅度并不明显。尽管经历了多年关于大规模失业的预测，入门级职位仍然基本保持不变。
Tyler Cowen 在 2023 年的进步会议上说：能力会比它们产生的变化更快到来。GDP 增长会令人失望，不会像炒作的那样巨大。不会有大规模的失业。他说得对。而那些预见到了这一点的人，他们对摩擦的感知更敏锐——技术实际上扩散到世界的速度有多慢和不均匀。
那些没有预见这一点的人？旧金山的一个特定场景已经接近于一种文化。在这个圈子里，建议 AGI 可能不会完全变革是低地位的。那些关于 AI 早期且正确的预测者赚了大钱，正确地预测了大事就变成了他们对一切正确的假设。质疑最极端的主张会让你被视为愚蠢，不够“AGI 化”。
结果是自我审查和伪异议。AI 实验室里的聪明人真诚地相信他们未来的知识是特权的。其他人则点头附和。与此同时，真正的问题——住房、去技能化、社会纽带的瓦解、人们太懒惰而不去阅读——堆积如山，无人问津。
我认为正确的框架是：AI 是一种加速已经明确和有界限任务的强大工具。它还不是一种消除决定任务级收益能否转化为现实世界结果的制度、监管和经济摩擦的工具。这两者是完全不同的。将它们混淆会导致优先级的错误。
在医学领域，监管改革得到的关注远少于 AI 促进药物发现的关注——尽管改革才是真正推动进展的关键。在技术领域，我们过度关注 AGI，而忽视了日常但至关重要的问题。在经济领域，我们关注利用率，而忽视了生产力转型。
这些收益是真实的。转型比房间里任何人都愿意承认的要慢得多。而决定性的瓶颈几乎从不关于智能。
参考来源：