多伦多大学Joshua Gans：AI进科研，长期增长率会变吗？
导言在科研领域，如果说AI是一部不断升级的预测机器，擅长吸收和整合已有的知识，那么我们有望看到一种强大的人机互补：AI主导深化，人类引领拓展，共同推进科学发现的前沿。这是多伦多大学罗特曼管理学院教授Joshua Gans在其“罗汉论道”讲座的上半场中提出的重要判断。接下去的一个重要问题是：将AI引入科研工作和知识探..
导言
多伦多大学罗特曼管理学院教授Joshua Gans在其“罗汉论道”讲座上半场提出一个判断：科研领域里，AI像一部持续升级的预测机器，能吸收并整合已有知识，由此可能出现一种强有力的人机互补——AI负责深化，人类负责拓展，一同把科学发现推向更前沿。接下来的问题是，把AI引入科研与知识探索，对宏观经济意味着什么？能不能推动长期均衡增长、增进社会福祉？
Gans在讲座下半场把微观知识模型嵌进一般均衡的增长框架，对这些问题给出初步回答。按照他的说法，AI不会直接改变长期经济增长率，它改变的是科学探索的激励，进而改变知识空间的“密度”（density）与“新颖性”（novelty）。由此产生的宏观产出效应可正可负，关键看知识密度是否真能让后续研究更有效率。他还在这一基础上推演了几件事的连锁经济效应：AI供应市场是垄断还是竞争、安全监管怎么走、许可模式取开放还是封闭。
与罗汉堂秘书长陈龙教授对话时，Gans进一步琢磨人机协作的本质，把AI看作科研合作者——效率很高，但人类仍须时刻把关。他提醒说，未来知识经济的核心命题，也许不是社会要不要一个“汇聚AI天才的数据中心”，而是这种新的认知工具会怎样实实在在地改写组织内部的脑力劳动分工。
以下是 Joshua Gans 演讲的下半部分中译全文：
Joshua Gans
前面谈AI对研究周期的影响时，我们讲过一种阶梯式的知识演进：先向外立起一个新的知识锚点，再填补断层处的知识，然后继续向外找下一个新锚点。这个流程看上去很平衡。这给了我新启发：经济学研究通常希望宏观经济增长是平衡的，从模型构建的角度看尤其如此。于是我又写了一篇论文，题为《AI知识的增长》（Growth in AI Knowledge）。AI知识模型的基础设定，大家刚才已经有了初步理解，下面我进一步说明它在更宏观的经济增长框架里怎么运作。
01
AI 知识与经济增长
第二篇论文想干两件核心的事。一件是把 Carnehl & Schneider 那套知识概念，平移进标准的经济增长框架里；另一件是推演一个问题：手上有了前面聊过的那种前沿 AI 工具，宏观经济会变成什么样。这个视角跟原模型差得很远，不过换个看法，恰好能绕开 Carnehl & Schneider 碰到的几处技术麻烦，尤其是社会福利怎么算、怎么得出跟政策有关的结论。
这其实就是个一般均衡模型（general equilibrium model）。传统增长模型里，经济产出一般由各项任务、决策完成得好不好来决定，跟这里的设定挺接近。这些
那科学研究在其中起什么作用？前面说过，研究会改变决策的集合，也会把决策的质量往上推。研究者做科学探索，图的不只是把决策的理论价值做高，还想通过重新分配稀缺劳动力，把实际生产环节里决策的商业价值和经济价值做到最大。除此之外，它跟现有的经典增长模型看上去差不多。
科研要探新知识，就得烧资源，人和经费都算。所以在这个模型里，研究成效（research productivity）既看投进研究的劳动力和资本，也看过去攒下的知识——也就是眼下能执行的那些任务。经济增长则表现为新知识带来的可执行任务变多；这个增量由研究成效和研究者挑的探索跨度共同决定。
这里要放一个很关键的概念：知识密度（knowledge density），它衡量的是当下整个知识空间偏稀疏还是偏密集。学界有分歧：一种看法是知识越新，越能带动后面的研究；另一种看法是知识越密越值钱，成效更高。模型里，这个判断直接决定社会结果——如果起作用的确实是新颖性，单个研究者的知识选择会低于社会最优，其实还能再激进些；如果起作用的是密度，个人选择反而高于社会最优，一味追新就过头了。说到底，知识密度和广度一起，定下了实际经济产出的均衡增长路径。
AI 加进来会怎样？这篇论文里，我给 AI 建的模跟第一篇不一样，用的假定更温和：只要 AI 在自己能力范围内跑，它就会在一定程度上压低相关领域的决策误差，把决策质量抬上去。放进均衡增长模型后，AI 其实不会直接动长期经济增长率，但它会改变科学研究的激励机制。
前面也看到了，AI 一来，研究者愿意探索的知识跨度变宽，研究的新颖性也能大幅提高。要是最后证明新颖性作用更大，那 AI 的社会经济影响会非常好；可要是知识密度才是更关键的那一环，AI 起的就是反作用。换句话说，知识的新颖性（广度）和密度之间存在取舍，AI 只是让这一过程走得更顺、更连贯。
02
先谈政策层面的初步想法。还有一点要补充：模型假定AI只由一家垄断企业供应，定价与推广都由此决定。受时间所限，定价细节没法在这里展开。但对要讨论的问题来说，AI质量会直接影响提供商的利润，这背后牵出一连串政策议题。
举例来说，如果AI供应市场是竞争性的，而不是垄断的，模型可以证明：竞争会催生更多新颖的研究。可这一定是好事吗？还是要回到前面那个问题——某些情境下，我们未必希望研究为了追逐新颖性而牺牲密度。
再设想另一种情形：对AI安全加以监管，要求AI达到某种最低标准才能使用。这时可能会出现：监管较松时，决策者积极采用；一旦设了最低门槛，他们可能干脆退出。连锁的经济效应同样会随之而来。
眼下我们习惯的做法，是研究者产出新知识后无偿交还给公共知识领域。那如果他们改为把成果有偿许可给AI提供商呢？模型显示，当AI能力处于高水平，开放的知识许可会比专有的封闭许可更能带动研究繁荣。从这个框架里还能推出不少别的预测。
这项研究现阶段的结论可以归为两点。其一，AI能力与知识拓展高度互补：AI工具越改进，越会推动人们产出更新颖的知识，这是长期趋势；不过在初始阶段，知识的新颖度可能短暂下滑。其二，对社会总体福利的影响，最终取决于提升研究成效的关键究竟是知识密度还是新颖度，这仍是一个没有定论的开放问题。论文中给出了几种微观机制，说明结果可能朝任一方向走，同时还要把知识网络的嵌入性、研究者对组合式研究的渴望程度等因素考虑进去。
下一步，我很想研究AI决策工具会怎样与那些直接影响研究过程的其他工具相互作用，也想看AI如何改变企业内部的认知劳动分工、如何重塑企业的演进路径与竞争格局。另外，我和 Avi Goldfarb、Ajay Agrawal 正合作开展一个聚焦“变革性AI”（transformational AI）的项目。Anthropic 公司的 Dario Amodei 曾提出，未来会有一个“汇聚天才的数据中心”（a data center full of geniuses）。这种前景会怎样冲击知识经济，我们很感兴趣。问题或许在于：数据中心里可能装满了“天才”，但社会对这类“天才”的实际需求是否真的存在，其实并不明朗，亟待探索。
以上就是我今天分享的全部内容，谢谢大家。
对话环节
陈龙（罗汉堂秘书长）
Joshua，好久不见。你的演讲很精彩，我怕打断，就把问题留到了最后。我想从更宏观的角度来理解这项研究：AI到底是在提效，还是在推动创新？对眼下各行各业的知识工作者来说，这个问题很要紧。将来人类也许只能接手机器干不好的活儿。
我听下来，你的意思是，AI在已知知识范围内表现极好，可一旦跨出这个范围，成本就陡增，这是这项技术特别的地方。那我想问：人类是不是也有类似的局限？人可能擅长死记硬背和重复劳动，却未必擅长持续创新。照这么说，AI和人到底是相似，还是互补？
Joshua Gans
好，我试着回应一下。前面提到的Carnehl & Schneider那项研究已经发现：比起跨出现有知识边界去拓展新知，在已知领域里做深，通常决策收益更高。对研究者而言，这是一种很重要的激励。
在我提出的模型里，AI主要被放在已知领域内，因为在这种场景下，用AI比只靠人强太多。当然，我并不是说人就可有可无了。增长模型中，我明确把人的持续参与写了进去，AI则被定位成增强人类生产力的有力工具。
说到知识生产，现在的讨论常集中在：AI未来会不会在研究类和创意类任务上超过人类。我的看法是，不能排除这种可能，但眼下我们在科学探索中通常不靠纯粹的统计方法去拓展知识边界，因为样本之外、甚至已知范围之外的东西，很难预测。
还有一个问题很有意思，就是企业组织内部的知识。我目前也在研究认知劳动的分工。现有理论模型一般假设员工带着不同的知识和技能进入组织，组织再决定雇谁、怎么安排工作。我感兴趣的是另一个维度上的分工：设想一部分员工擅长用现有知识做统计推断，另一部分员工则去突破现有知识的边界、寻找新答案，这两类人之间怎么分工？这正是AI逼着我们去想的新命题。目前还没有哪个经济学模型能把这个维度分析好。
陈龙
那么，什么才算真正的知识创新？其中又有多少创新是
Joshua Gans
拿指导博士生来打比方确实挺形象，不过我觉得还得再往深里想一想。人在提示词上的优势摆在那儿，这点不用否认。AI 不会自己闲着没事找活干，也不会凭空冒出点子，开头那一下总得由人来给。
但我更愿意把 AI 看成一个水平还行、却不太靠得住的研究助理。它执行起来相当稳，研究的整体节奏被它拉快了不少。你可以跟它来回聊上很久，让它跑复杂的计算，把那些熬时间的杂活干掉。
可话说回来，提示词写得再严丝合缝，它答出来的东西照样可能跑偏到十万八千里。这半年我一直在练自己的直觉，好及时察觉它哪儿出了错。它给的答案往往看着特别专业、特别有说服力，人很容易在心理上依赖上去。教授得练出一眼看出学生作业好坏的本事，道理差不多。
人机协作也不是人单方面下命令那么简单。有时候我们会跟 AI 直说自己卡住了，让它拿几个备选方案出来。哪怕它给的那些选项没一个让人满意，这些“废稿”也能点着你，帮你把一个新提示词磨出来，再引出更好的材料。这事儿不是非黑即白。
AI 是一种能跟人搭伙干活的认知工具，它越强，这种配合就越顺。有时跟它来回互动得多了，我会想，它要真是个人，够格让我把它当合著者（co-author）看。跟它思想交锋的时候，某个绝妙的主意究竟是在哪一刻冒出来的，我甚至都分不清。
陈龙
最后我还想追问一点。我有些担心，你搭的模型、得出的结论，是不是只站在 AI 眼下这点本事上？如果它的能力再往上走一大截呢？
Joshua Gans
推理模型确实厉害。不过有一点得看清楚：说到底，推理模型干的事就是 AI 自己给自己出题、自己作答。它给出的结果有时让人吃惊，可底下跑的仍是一套统计学流程。那些自己生成的提示词，也还落在以优化预测为目标的统计框架里。在我看来，它本质上还是在对现有的大量信息做处理。
眼下能看到的真正新东西，出在围棋上：AI 下出了被认为是真正原创的妙手。这事为什么会发生？可即便如此，它发生的环境里，规则、知识、结构全都是定死的——过去无非是我们算力不够。对 humans 来说这算全新的知识点吗？算。那它是怎么被找出来的？是在一个划定的知识范围内，靠海量统计计算算出来的。假如 AI 真能造出完全跳出既有框架的新知识，我会高兴坏了。但以我每天跟这些系统泡上四五个小时看到的情况，它的产出还是偏常规，更多是在把人类已有的想法拢到一起。归根到底，预测机器绕不过的终极限制是：它终究是台“平均化机器”（averaging machine）。
陈龙
很好。这也正是我今天从你分享里拿到的关键一点：不管是预训练模型还是推理模型，AI 现在都还在一个已知的特定领域里打转，被自身根本的能力边界框住。谢谢！
想回看完整视频，可以前往我们的 YouTube 官方频道👉🏻
https://youtu.be/xiGW-DQexro
