蘭德公司，一家致力於通過研究與分析來改善全球政策制定與決策，以促進世界各地社區更安全、更健康、更繁榮的非營利、無黨派研究機構，發佈了一份由其經濟學家托比亞斯·西茨瑪（Tobias Sytsma）撰寫的重磅報告，題為《駕馭AI經濟未來：全球競爭時代的戰略自動化政策》。這份綜合研究報告直面當今時代最嚴峻的挑戰之一：在全球人工智慧（AI）技術飛速發展、國際競爭日趨激烈的背景下，各國應如何戰略性地管理自動化政策，以在促進經濟增長的同時，有效應對財富分配不均等問題，尤其是日益加劇的不平等現象。報告的核心論點圍繞著建構能夠適應AI發展固有不確定性的穩健政策策略，並特別關注了主要大國之間技術競賽的影響。其分析框架的一個顯著特點是對“垂直自動化”（提高已自動化任務的生產效率）和“水平自動化”（將自動化擴展到傳統上由人力執行的新任務領域）進行了關鍵區分。該研究精心設計，旨在為身處技術政策與經濟戰略交叉領域的政策制定者、經濟顧問及學者提供深刻見解與決策支援。制定連貫且具有前瞻性的人工智慧政策，其緊迫性因多種因素的交織而日益凸顯。近期AI技術的驚人進展，尤其是在生成式AI和大型語言模型（LLM）等領域，為預測AI最終發展路徑及其多方面的經濟影響帶來了巨大的不確定性，這使得設計有效的監管框架和激勵結構變得異常困難。激烈的全球技術角逐，特別是中美兩國之間的競爭態勢，進一步加劇了這一挑戰。這種競爭態勢有可能促使各國在深思熟慮、有益社會的政策出台之前，便倉促地在經濟各領域大規模部署AI技術。雪上加霜的是，目前關於AI經濟影響的預測呈現出巨大的差異。各類預測結果從相對溫和的年均經濟增長不到1%，到接近30%的顛覆性年增長率，跨度極大。例如，高盛（2023年）預測AI將在十年內為全球GDP帶來7%的累計增長（年均增長0.67%），而戴維森（2021年）等人則展望了更為爆炸性的增長情景，年增長率甚至可能高達30%，這通常與通用人工智慧（AGI）的預期出現相關聯。與此相對，阿西莫格魯（Acemoglu，2024年）等著名經濟學家則持更為謹慎的觀點，認為AI在中期內對生產力和增長的貢獻可能相當有限，在未來十年內對年均GDP增長的貢獻或許不足一個百分點。專家意見的巨大鴻溝，主要源於對AI技術將如何演進、成熟並在全球經濟中擴散等基本假設的不同——而這正是蘭德這份報告試圖通過提出能夠在多種可能的AI未來情景下均保持有效性的政策方法，來系統性應對的核心不確定性。因此，政策制定者面臨著一項關鍵任務，即如何在深刻且普遍存在的不確定性中，審慎調整自動化激勵措施，以便在促進經濟擴張的同時，精心規避對整體經濟福祉和公平分配結果的潛在負面風險。建構戰略自動化政策的穩健框架為了有效應對這一充滿深刻不確定性的環境，該報告引入並運用了一套精密且細緻的分析方法論。此方法的核心是一個精心建構的經濟模型，旨在區分技術自動化的兩個主要維度：“水平自動化”，其特徵在於AI系統擴展其能力以承擔新的任務，從而常常在這些領域取代人力勞動；以及“垂直自動化”，即部署AI技術以提高那些已經實現自動化的任務的生產力與效率。這種區分遠非純粹的學術探討，它對於國內政策制定以及各國在激烈戰略競爭中維持或提升其技術與經濟領導地位的戰略選擇，均具有重大意義。報告提供了一些說明性的例子，例如電腦視覺系統：當AI承擔起以往由人工完成的新的質量控制檢測任務時，這便是水平自動化的體現；而當這些AI系統通過提供即時反饋以最佳化機器人操作等方式，提升現有自動化裝置性能時，則屬於垂直自動化。作者認為，通過對這兩個維度進行分析，政策制定者能夠發現額外且可能更有效的政策槓桿，而這些槓桿在將自動化僅僅視為勞動力替代的單一視角下，則可能被忽略。本研究的一個基石是嚴格運用“穩健決策”（Robust Decision Making, RDM）方法，這是一個專為在具有深度且不可化約不確定性的條件下評估政策選項而設計的分析框架。RDM方法並非將其建議建立在單一的、可能存在缺陷的預測或狹隘的情景設定之上，而是通過模擬成千上萬種可能的未來經濟結果來實現。這是通過系統性地改變那些將塑造AI影響的關鍵不確定參數來完成的——例如自動化的內生速率、AI催生的生產力改進幅度，以及生產過程中各任務間的互補程度。報告評估了81個獨特的“政策組合方案”，每一種方案代表了自動化激勵與抑制措施的不同組合。通過細緻探索這一廣闊的參數空間，該分析旨在找出那些表現出穩健性能的政策方法——即那些能夠在多種潛在未來條件下均產生有利結果的政策，而不是針對單一的、特定的且很可能不精準的未來預測進行最佳化。此外，報告的經濟模型特意建構得相當全面，能夠整合先前研究的洞見。在其更廣闊、統一的分析結構內，它可以將其他有影響力的AI經濟模型（如阿西莫格魯，2024年；科裡內克與蘇，2024年）所預測的情景結果，作為特例涵蓋進來，同時獨樹一幟地將自動化政策選擇本身內生化。所考察的政策槓桿被概念化為能夠直接影響垂直和水平自動化增長率，以及每種自動化所帶來的相關生產力提升的（抑制）激勵措施。在模型中，這些由垂直政策（pV）和水平政策（pH）參數代表，其取值範圍可從強力抑制到強力激勵。報告策略性地聚焦於這些針對自動化的（抑制）激勵措施，將其作為對更廣泛的財富再分配政策的潛在補充，或在某些情況下的替代方案。這種聚焦承認，儘管直接的再分配在理論上可能是應對不平等加劇的最優方案，但針對自動化性質與節奏的政策，在政治上可能更具可行性，也更易於實踐，例如在逐個行業的基礎上推行。這些不同政策組合方案的績效，是採用一套包含多個互補性指標的體系進行評估的，每個指標旨在捕捉政策成功或失敗的不同維度。這些指標包括人均收入的復合年均增長率（CAGR），以及一個專門定義的不平等增長衡量標準——即人均收入CAGR與工資CAGR之差（iCAGR=yCAGR−wCAGR）。該不平等CAGR若為正值，則表明資本回報的增長速度超過了勞動回報，從而加劇了不平等。分析中還融入了“政策遺憾”（policy regret）的概念，它通過將特定政策組合方案的績效與在任何給定情景下可獲得的最佳績效方案進行比較，從而量化了選擇該政策所產生的機會成本。最後，一項政策的“穩健性”（robustness）是通過其在成千上萬個模擬未來情景中，實現預期經濟成果（例如，達到目標收入增長，將不平等增長控制在一定限度內）的機率來評估的。這一多層面的評估框架，有助於識別出那些最終決定政策在不同總體目標下成敗的關鍵閾值效應和核心參數值。例如，在許多分析中，基準的成功門檻被設定為實現至少2%的收入增長，同時確保不平等增長不超過2%，這些數字是依據美國歷史經濟趨勢得出的。報告的理論框架在很大程度上依賴於對垂直和水平自動化的基礎性區分。如前所述，水平自動化意味著AI侵入新的任務領域，在這些活動中有效地替代了人類勞動。這是最常與社會對技術性失業和大規模工作崗位流失的焦慮聯絡在一起的自動化維度。相反，垂直自動化則涉及應用AI來提升那些已處於自動化領域的任務的生產力、質量或效率。報告指出，這兩種自動化模式可能對經濟產生反向的壓力：水平自動化傾向於增加資本在國民收入中的份額，而垂直自動化，尤其是在任務具有互補性的條件下，有可能降低資本份額，甚至通過提高非自動化任務中勞動力的邊際產出，來支援勞動者的收入。這種動態的相互作用至關重要；例如，報告指出，雖然垂直自動化提高了資本在現有任務中的生產率，但由於生產中假定的總體互補性，這可能增加所有其他任務（包括由人工執行的任務）的邊際價值，從而可能將收入份額轉向勞動力。相反，水平自動化直接增加了資本的份額，儘管更高效的水平自動化可以減輕這種效應。其經濟模型本身是對瓊斯與劉（Jones and Liu, 2024）開創的框架的擴展與調整。瓊斯-劉模型尤為引人注目之處在於，它揭示了即使技術進步主要體現在資本中，平衡的經濟增長仍可持續。它通過整合技術變革的廣度邊際（新任務的自動化，類似於水平自動化）和深度邊際（現有自動化任務內的生產力改進，類似於垂直自動化）來實現這一點。蘭德的報告採納了這一基本架構，但通過引入更大的靈活性來增強它，從而能夠更全面地探索AI潛在發展路徑的廣闊譜系。例如，瓊斯-劉框架中的一個關鍵假設是，隨著自動化的推進，新自動化任務的生產率（η）趨於下降（其前提是更容易的任務會首先被自動化，遵循 Z(βt)=h(1−βt) 的規律）。本報告對此進行了修改，允許新自動化任務的生產率發生變化——它可能以不同速率下降（由ηd控制）、保持不變，甚至提高——從而反映了圍繞AI未來能力及其在日益複雜的任務中應用的深層不確定性。一個關鍵的基本假設，繼承自瓊斯與劉並得到廣泛實證經濟研究支援的是，生產過程中的任務在總體上是互補的（彈性參數 ρ<0）。這意味著勞動和資本並非完美的替代品，提高某一任務的效率可以增加其他互補任務的相對價值，從而可能減輕自動化帶來的一些勞動力替代後果。關於備受關注的通用人工智慧（AGI）——即在幾乎所有認知任務上具有與人類相當或超越人類能力的假想AI系統——的概念，報告採取了務實的立場。在承認這一術語的同時，報告為保持一致性主要使用“AI”一詞，並強調其核心分析焦點並非AGI到來的具體時間或精確定義，而是任何先進AI將如何影響經濟自動化模式，特別是通過垂直與水平自動化的相互作用。這種方法使得對潛在經濟影響進行穩健分析成為可能，而不會陷入關於AGI確切未來形態的推測性辯論。模型考慮了水平自動化程度非常高（自動化任務的比例 β~ 可接近0.99）的情景，但並未假定完全自動化，這反映了即使擁有極其先進的AI，由於社會偏好、監管約束或其他固有摩擦，一部分任務仍可能繼續由人類執行的現實可能性。規劃政策路徑：主要發現與戰略要務《駕馭AI經濟未來》報告中所闡述的研究，通過其在深刻不確定性下對自動化政策進行分析時，創新性地應用了穩健決策方法，為理解AI的經濟影響帶來了顯著的進步。它在豐富的前期工作基礎上，通過系統性地探索不同政策干預在多種可能的AI未來情景下，將如何塑造經濟結果，從而擴展了既有認知。報告的核心貢獻在於其致力於為政策制定者提供具體、適應性強的戰略，以便在技術不確定性的全貌完全展現之前，引導AI驅動的經濟格局。該分析的結構安排是，首先建立經濟框架，然後通過說明性的增長情景（從“爆炸性增長”到“停滯”）展示模型的靈活性，接著進行RDM分析以評估政策績效，深入探索各種情景，開展比較戰略分析，最後為政策制定者提煉出實際可行的啟示。報告最突出的發現之一是，那些強力激勵“垂直自動化”的政策，表現出持續的穩健性。在大量模擬情景中，儘管其關於AI發展、任務互補性和初始經濟條件的假設差異巨大，但促進已自動化流程的改進，始終是一項高效、低遺憾的策略；實際上，無論具體的政策目標如何，對垂直自動化的強力積極激勵，都是所有表現最佳政策組合方案的組成部分。然而，對於“水平自動化”的最優策略，則更多地取決於具體的政策目標。如果首要目標是維持歷史增長模式，同時控制不平等——一種被稱為“平穩目標”（equanimity objective）的情景，其基準是每年約2%的收入增長和不超過2%的不平等增長——分析表明，對水平自動化採取適度的抑制措施，並輔以對垂直自動化的強力激勵（一種“非對稱方法”），往往表現最佳。這種非對稱方法，例如一個對垂直自動化給予強力激勵（pV=2）而對水平自動化略加抑制（pH=−1）的政策組合方案，有助於平衡自動化帶來的生產力收益與對勞動力替代和不平等加劇的擔憂，並且被發現在實現平穩目標的大多數情況下是最優的。相反，如果政策制定者追求更具變革性的經濟增長成果——例如，年收入增長達到10%或更高，這可能被認為是在地緣經濟領導地位競爭中所必需的（被稱為“競爭目標”（competitive objective），允許高達10%的不平等增長）——報告發現，這通常需要更激進的政策立場，包括對垂直和水平自動化均採取積極的激勵措施（例如，採用pH=2和pV=2的“激進策略”）。然而，實現此類變革性增長的路徑要狹窄得多，也更加依賴於有利技術條件的出現。即使允許不平等隨之更大幅度地增長，這些雄心勃勃的目標也僅在相對較小比例的情景中得以實現（例如，“激進策略”在所分析的5000個情景中，僅在23%的情況下成功實現“競爭目標”，儘管它佔了該目標成功實例的71%）。這凸顯了一個關鍵的權衡：通過全面的自動化支援來追求激進增長，或許能迅速提升一國的競爭地位，但與專注於持續、公平增長的更溫和、穩健的方法相比，其成功機率更低，風險也更高。追求這種變革性增長，雖然對於地緣經濟領導地位可能至關重要，但需要全面的自動化支援，然而其成功高度依賴於有利的技術條件。報告通過運用諸如“耐心規則歸納法”（Patient Rule Induction Method, PRIM）和分類樹分析等技術進行情景探索，細緻地揭示了不同策略在何種條件下能夠成為最優選擇。例如，在全面自動化支援與更具針對性的政策（即優先改進現有自動化流程，同時調節新自動化任務擴展速度）之間的選擇，很大程度上取決於諸如自動化新任務的難度（參數ηd）以及自動化在經濟中自然擴散的速度（例如，水平自動化的增長率β~g）等因素。PRIM分析顯示，水平自動化增長率較高（β~g≥9.1%）的情景通常難以達到基準目標，而成功率較高的情景則涉及較慢的水平自動化增長、較低的任務互補性（ρ的負值較小）和較快的垂直自動化增長（αg）。分類樹分析進一步表明，對於實現“平穩”目標而言，諸如基線水平自動化程度（β~0）等初始經濟條件，對確定最優策略具有高度影響力。如果初始水平自動化程度已經較高（例如，超過任務總數的23%），且其增長迅速（年增長率超過14%），則非對稱策略往往佔主導地位。相比之下，對於“競爭性”增長目標，自動化新任務的難度（ηd）和水平自動化的潛在自然增長率（β~g）則成為首要決定因素；當自動化難度可控（例如，ηd<61.4%）且水平自動化增長迅速（例如，β~g>20.3%）時，激進策略更可能成為最優選擇。最終，這份蘭德報告傳遞出一個強有力的資訊：有效的AI政策不必因不確定性而陷入停滯。通過關注垂直與水平自動化之間可觀察的差異，並運用穩健決策框架，政策制定者可以主動塑造AI的發展與部署。該研究建議將非對稱方法——即強力激勵垂直自動化，同時審慎管理水平自動化的步伐——作為平衡增長與公平的一個普遍穩健的出發點。報告呼籲未來研究應進一步完善在企業或行業層面區分這兩類自動化的衡量標準，並重新設計激勵結構（通過稅收政策、研究資助或明確考慮此差異的監管框架）。此類政策或可利用現有的制度機制，如勞工組織、專業標準和稅收結構，而不必建立新的限制。其總體目標是創造一個經濟環境，使AI能夠在不過度加劇社會分化的前提下增進繁榮——這在技術變革加速和全球競爭加劇的時代，是一項至關重要的事業。 (歐米伽未來研究所2025)
