人工智能时代的经济增长、产业格局与大国博弈：智能经济.pdf

2020 年 04 月 28 日 深度 研究 宏观研究 研究所 证券分析师： 樊磊 S0350517120001 021-60338120 fanlghzq 智能经济 人工智能时代 的经济增长、产业格局 与大国博弈 相关报告 近期全球金融市场动荡的背后：金融海啸距离我们有多远？ 2020-04-10 政治局会议背后的逻辑是什么？：经济增长与就业压力加大 2020-03-28 武汉疫情如何影响 2020 年中国经济？：变的是短期增长节奏而非中期增长趋势 2020-02-01 站在 2025 年看中国系列：人口与需求结构：奶粉 VS 早教孰弱？医疗 VS 养老谁强？ 2020-01-23 2020 年中国宏观经济展望：出清之痛 2019-12-08 投资要点： 疫情关上一扇门，科技打开一扇窗。 作为可以与蒸汽机、电动机、计算机和互联网相提并论的通用技术，基于深度 学习的人工智能在一些特定领域赋予了机器识别规律、改善优化的能力，有望带来新一轮的工业革命 将人类社会带入到智能经济时代。 疫情虽然在许多领域对中国乃至全球经济产生了较大冲击，却明显加速了人工智能技术的落地和发展：包括产生了对 医疗人工智能、非接触式人工智能 产品的直接需求，大量活动互联网化后形成了可以训练人工智能的巨量数据积累，以及企业、政府更大力度的投资和政策支持。 基于深度学习的人工智能对于经济增长，收入分配和利率水平可能都会产生相当的影响 。 从人工智能在自动驾驶和智能呼叫中心两个领域的应用来看，就有望在未来 10 年每年提振中国潜在经济增速0.2-0.3%；保守估计人工智能对中国潜在经济增速的影响在每年0.5%以上。从目前人工智能对劳动力的替代来看，我们认为中长期可能不见得会出现失业率的明显上升，但是收入分配可能进一步失衡。当然，社会保障体制的调整与人工智能在教育领域的应用有望缓解分配失衡的影响。如果历史可以参照，人工智能技术有望在中期逐步推动中国经济出现一轮类似于美国“新经济”的经济繁荣，这也意味着中性利率可能会出现周期性的上升。不过，收入差距的扩大可能意味着长期而言，利率或仍将延续下行的趋势。 智能经济时代的 产业格局、大国博弈和数据监管也引人关注 。 考虑到造成人工智能集中度提升的因素更主要是传统的规模效应和干中学效应而非互联网巨头崛起所依托的网络效应，我们认为人工智能仅会在一些特定领域造成寡头垄断，无法与互联网经济崛起导致的产业集中度上升相提并论 。 这当然也意味着技术进步的收益更多是通过价格下降而为社会所分享。此外，作为存在一定垄断效应的先导产业，如果在人工智能行业中方采取战略性的贸易和产业政策（大概率如此），有关人工智能的贸易和产业政策规则也可能成为中美贸易摩擦的新的热点领域。在有关监管方面，政府可能需要平衡数据共享、数据安全、数据隐私等多方面的因素制定政策。 风险提示：经济下行超预期，人工智能技术的不确定性，疫情持续恶化 证券 研究 报告 请务必阅读正文后免责条款部分 2 内容目录 1、 武汉解封：小小健康码背后的大智能 . 4 2、 疫情加速智能经济到来 . 5 2.1、 基于深度学习的人工智能：一种新 的通用技术 . 5 2.2、 疫情加速智能经济到来 . 10 3、 智能经济时代：经济增长、收入分配与均衡利率 . 16 3.1、 提升中 国潜在经济增长水平 . 16 3.2、 人工智能如何影响劳动力市场和收入分配 . 18 3.3、 应对分配失衡 . 22 3.4、 对总需求和中性利率的影响：“新经济”的案例 . 23 4、 智能经济时代：市场结构，大国博弈与监管政策 . 28 4.1、 市场竞争格局：科技巨头的垄断会加剧吗？ . 28 4.2、 贸易产业政策与大国博弈 . 34 4.3、 有关数据与人工智能的监管政策 . 36 5、 风险提示 . 38 证券 研究 报告 请务必阅读正文后免责条款部分 3 图表目录 图表 1：湖北健康码 . 4 图表 2：几种通用技术与人类社会的发展 . 5 图表 3：人工智能与深度学习的关系 . 6 图表 4：多层神经网络算法模型示意图 . 7 图表 5： 人工智能之父杰弗里辛顿 . 8 图表 6：人工智能对体力劳动的替代 . 9 图表 7：人工智能对脑力劳动的替代 . 9 图表 8：阿里巴巴达摩院 CT 影像智能识别应用 . 11 图表 9：移动灭病毒机器人 . 11 图表 10：苏宁物流机器人 . 11 图表 11：火神山无人超市 . 12 图表 12：可以执行催收的智能机器人 . 12 图表 13：主要生鲜电商 app 疫情期间日均活跃用户规模增速 （ %） . 13 图表 14：近期我国政府部门关于支持人工智能行业基础设施建设的重要举措 . 14 图表 15：谷歌 Wing 无人机 . 14 图表 16：亚马逊的股票价格（美元 /股） . 15 图表 17：便携式能源和 IT 时代美国劳动生产率的增长 . 16 图表 18：垄断厂 商单一定价的产出水平 . 18 图表 19：垄断厂商完全价格歧视下的产出水平 . 18 图表 20： OECD 国家失业率 VS 人均 GDP . 19 图表 21：美国失业率（ 1948-2019） . 20 图表 22： 1980 年美国不同工资分位上工作岗位占全部岗位数比重的变化： 80 年代 VS90 年代 . 21 图表 23：美国劳动力市场优势年龄男性（ 25-54 岁）劳动参与率 . 21 图表 24：工智能时代保障就业与社会稳定的一些政策设计 . 22 图表 25： IBM Watson 推出的人工智能教案工具：教师顾问页面 . 23 图表 26：新经济时期的美国 GDP 同比增速 . 24 图表 27：美国新经济时期“菲利普斯曲线”失灵 . 24 图表 28：新经济时期 美国的私人消费与非住宅投资同比 . 25 图表 29：新经济时期美国私人非住宅投资同比 . 25 图表 30：新经济时期美国的私人住宅投资与政府消费与投资需求的同比增长 . 25 图表 31：美国新经济时期的联邦基金利率与 10 年期国债受益率 . 26 图表 32： 19 世纪以来的全球长期真实利率（ %） . 26 图表 33：人工智能的 数据搜集和模型训练闭环 . 28 图表 34：自动驾驶人工智能起到辅助作用的特斯拉 . 30 图表 35：全球云服务商巨头 . 31 图表 36：对于能分辨 120 种狗的人工智能识别精确度与训练图像数量之间的关系 . 33 图表 37：中美两国的企业在全球互联网和人工智能领域居于领先地位 . 35 证券 研究 报告 请务必阅读正文后免责条款部分 4 1、 武汉解封 ：小小 健康码 背后的大智能 2020 年 4 月 8 日，封闭 76 天的武汉 宣布 “解封 ”。 疫情的阴霾 终于 逐步散去，当江汉关大楼的钟声再度与过江轮渡的汽笛声交织， 当 黄鹤楼旁 重新响起 市井的 喧闹 ， 熙熙攘攘的人群 又一次 从武汉出发，也在向着武汉到达。 湖北省新型冠状病毒感染肺炎疫情防控指挥部 要求 ： 从 4 月 8 日零时起，离汉人员凭湖北健康码 “绿码 ”可以 安全有序流动；外省来鄂来汉人员凭外省健康码或湖北健康码 “绿码 ”， 也可以 在全省范围内安全有序流动。 在疫情尚未 完全 过去、防疫形势仍然严峻的局面下， 小小的 健康 码 不但 为武汉的解封保驾护航 ，而且成为了政府有管理的实现武汉解封的主要依据 。 图 表 1： 湖北健康码 资料来源： 湖北省新型冠状病毒感染肺炎疫情防控指挥部， 国海证券研究所 那么 健康码背后有何奥秘呢 ？ 其原理 是以个人自行申报健康信息为基础，结合 手机定位，消费记录 （如有没有购买过退烧药等） ，乘车记录 （有没有去过疫区等）等数据对 使用者过去 14 天的行踪 、和行为进行 综合判断，估算出 使用者的 疫情风险 。 安全的颜色是绿色，有一定风险的颜色是黄色，而风险较高则为红色。健康码 是一款典型的 人工智能应用 ： 一方面，人能理解健康码并在适当限制内进行有效决策 ；另一方面，健康码将人有效的信息输送给机器，使机器 对大量的 、 人工根本无法 处理 的数据进行统一处理，得出有效 结果 。 “小荷才露尖尖角” ， 健康码技术仅仅是 疫情催化 人工智能 应用落地的一个例子。在对抗疫 情和防疫长期化的过程中，越来越多的人工智能正在日常生活的方方面面 持续落地 ，而大量活动的线上化 也正在为 训练 出 更强大的人工智能积累 数据基础 。 实际上， 以人工智能为代表的新一代通用技术，很有可能如同蒸汽机、电动机、计算机和互联网一样，对世界经济和人类社会产生深远的影响 。在机械化，电力化，信息化时代之后， 经历疫情的催化 智能化时代可能已经悄然到来 . 证券 研究 报告 请务必阅读正文后免责条款部分 5 2、 疫情加速智能经济到来 作为可以与蒸汽机、电动机、计算机和互联网相提并论的通用技术，基于深度学习的人工智能 在一些特定领域赋予了机器识别规律、改善优化的能力， 有望带来新一轮的工业革命 将人类社会带入到智能经济时代。 人类 社会 智能化的过程可能包括 互联网 应用 智能化，商业活动智能化，实体世界智能化，和机器行动自主智能化四个阶段 1。 目前看来， 疫情的爆发 和防疫的长期化 虽然令许多行业遭受重创，却成为 了人工智能应用落地 的最新 催化剂 和加速器 。 2.1、 基于深度学习的 人工智能：一种新的通用技术 当前人工智能技术的发展距离科幻小说中可以在各方面和人相比的通用 人工 智能（ 人可以做的机器都可以做） 相差甚远， 而且目前技术 也 并没有在 这个方向 取得 突破 。然而， 基于深度学习的人工智能 可以 利用大量的来自特定领域的数据训练机器识别数据和期望结果之间的关联性，从而为想要的结果做出最佳决策 。 尽管局限在一些领域， 这种识别规律，得出最优解，和做出决策的能力 是人类智能的重要体现 ，其广泛的用途使得 深度学习成为了可以与 蒸汽机、电动机、计算机和互联网相提并论的又一项通用技术的突破。深度学习的 广泛应用可以大幅提升人类生活各个领域的智能化水平。 2.1.1、 通用技术与人类进步 现代经济增长理论 中把 对 经济增长和经济结构变迁产生广泛影响的技术 定义为通用技术 2。通用技术 的典型特征包括 几乎可以运用到人类经济的所有领域 ， 能有效 提高生产效率 ， 并且在该技术 进步的同时 能够催生 其它领域的 新的技术形成良性循环 等 。 尽管有关通用技术具体包含哪些技术学界内尚无明确定论，但 人工取火、轮子 以及 为人类社会进入到机械化、电气化、信息化时代起到决定作用的蒸汽机、电动机、计算机和互联网都是公认的通用技术。 图 表 2： 几种通用技术与人类社会的发展 通用技术 时间 发明人 /决定性的改进者 作用 影响 蒸汽机 1776年 詹姆斯瓦特等 提供了机器的动力，人类物质加工 、处理 能力提升 机械化 电动机 1821年 迈克尔法拉第等 允许动力源和使用者分离，改善人类物质加工能力 电气化 计算机和互联网 1945、 1969年 冯诺依曼、美国军方等 让机器 计算和信息传输，改善人类的信息处理能力 信息化、自动化 深度学习 人工智能 2006年 杰弗里辛顿等 一些领域 让 机器识别规律，优化解决方案的智能 智能化 资料来源：国海证券研究所 整理 1 李开复 AI未来 浙江人民出版社 2018 年版 2 .Bresnahan,T F and M Trajtenberg. General Purpose Technologies: Engines of Growth Journal of Econometrics, Annals of Econometrics, 1996,65:83-108. 证券 研究 报告 请务必阅读正文后免责条款部分 6 2.1.2、 从 人工智能 到 基于深度学习的人工智能 智能 一般指 知识和智力的总和，前者是智能的基础， 而 后者是指获取和运用知识求解的能力， 或多或少的具有依靠过去经验 处理新问题的创造力。在计算机和控制技术帮助机器实现自动化（在人 预先设定之后，依据设定的安排自动执行）之后， 从上个世纪 50 年代开始， 人类就开始了让机器具有人类某些智能 人工智能的探索。 迄今为止 的研究表明 ， 实现 通用人工智能 还远不 现实 ，在伦理和安全性方面也有巨大的风险。 即使是 实现 狭义人工智能（在一些特殊领域里面可以预测、分类和决策的人工智能） ，也 一直 面临重重的困难 。 直到近 10 多年来，以深度学习作为基础的人工智能算法在实现狭义人工智能的功能方面取得了突破，才 真正令 人工 智能 被普遍视作可以与蒸汽机等相比的通用技术 。 那么 什么是深度学习呢？ 一种 使得机器具有智能的思路是让机器具有学习能力（机器学习），而一些科学家试图模仿人脑的结构来搭建机器学习硬件和软件 基础（神经网络） ，其中 通过 多层神经网络 实现机器学习 又被称为深度学习 。 图 表 3： 人工智能与深度学习的关系 资料来源：国海证券研究所 这类 网络 包括输入层，中间层，和输出层等多层结构 （图 4） 。 输入层的 每 一个单一 节点类似于一个 多元 函数（如 y=f（ x1， x2 ）， 接受一些外部输入数据（ x1， x2 等）。当然， f 的选择有讲究， 而 f 的参数（其实就是各个输入变量的权重）在初始阶段 通常是 随机设定 的 。 这个 函数 会根据输入的数据 计算输出一个数值 y， y 会 给到下一层网络的每 个节点 作为输入变量 。 输入层的 其它 节点也都是如此 （当然 初始的 f 的参数 因为随机设定 都不一样 ） 。 中间层和输出层 也都是类似的多元函数，接受 数据输入并运算进行输出 。 最终在输出 层 会 得到一个输出的数值。算法的设计者可以要求机器按照某个规则 进行判定（ 例如 大于 0.5 则“ 是 ” ，小于则 “ 非 ” ） 。 由于 初始 输入的 数据是经过标注的，也就是 我们知道 输入数据和判定结果之间的关系，也就 是 知道机器的 判断是否正确 。 如果判断错误 ，那么就 通过类似求导 等的方式 修正函数的参数（从 f 变成 f）。 然后用更多的数据来训练 /优化网络上每个节点 函数 的参数 。 如果数据量足够大， 研究者发现 在许多领域 机器的判别 就证券 研究 报告 请务必阅读正文后免责条款部分 7 能够得到比较满意的结果。 图 表 4： 多层神经网络算法模型示意图 资料来源： 知乎， 国海证券研究所 举例而言 ，如果让机器识别 一个物体是否是 猪，输入 的信息可以是 该物体重量 ，长度，宽度等 多方面 的数据 （如果是图像识别则是图像上一些点的颜色、亮度等） 。在整个网络 各个参数都是 初始随机 设定之后 ，输入的数据 经过几层网络 会 计算出一个数值。可以设定判定的规则是 大于 0.5 机器就认为该物体是 猪，而小于 0.5则不是。如果 机器 判断错误， 程序就 会对参数进行修正。通过大量的数据（ 经过标识的 猪 和 非猪 的样本）不断 训练、 修正各层网络上的各个节点的参数，最终就可以得到一个可以对 物体是不是 猪进行识别的 有效的 人工智能算法。 2.1.3、 过去十年的 突破 与数据瓶颈 过去十多年间深度学习人工智能技术的突破性进展与数据、算力与算法 共同的 突破与进步 有关。 伴随着互联网得运用足够广泛，人类才搜集出了足够多的数据足以训练深度学习算法下的人工智能； 大量的数据输入和巨大的参数规模对计算能力也有要求， 近10 年以来包括 GPU 在内的一些技术的运用也才使得处理深度学习的硬件条件逐步成熟；当然，被誉为人工智能之父的杰弗里辛顿同样居功至伟 为了能够使人工神经网络处理复杂的问题，必须增加神经元的层数，但是多层网络在参数调整方面存在一些特殊的困难，辛顿在 2006 年终于找到了对于多层神经网络进行训练的方法才使得深度学习成为了可以媲美蒸汽机、互联网的通用技术。 在本文中，除非专门指 出，后续所有提到的 “ 人工智能 ”一词 都特指基于深度学习的人工智能应用。 证券 研究 报告 请务必阅读正文后免责条款部分 8 图 表 5： 人工智能之父 杰弗里辛顿 资料来源： 搜狐、 国海证券研究所 目前看来 ，虽然人工智能算法 的优化 ，支持算力的硬件 的改善都需要资金 的支持和技术的 持续 进步 ，而人才更是昂贵，但是缺少数据特别是经过标签的大规模数据仍然是人工智能应用的主要瓶颈 3。 当然，研发者也采取了各种方式来获取数据，包括在提供产品和服务的同时搜集数据，雇佣人员为数据贴标签等等。 2.1.4、 人工智能的优势与局限 基于机器学习的 人工智能可以在 一些 特定领域识别规律，进行优化 ，做出决策 。与人类智能比，人工智能不仅仅速度更快，处理的频次 更多 ，而且在精度方面可以 做的 更好 （质量更高） ； 除此以外，人工智能还可以发现人类所忽视的弱相关（例如用户手机上输入生日的手速和个人信用之间的关系 4） ，更好的为优化和决策服务 。 当然，人工智能也存在着非常明显的局限： 尽管算法、算 力与数据已经有了大幅提高，人工智能 算法 仍然只能在一些特定领域解决问 题 ，而且 有关 控制论 的一些研究 证明 过度复杂和精细的动作难以 被机器所 模仿 5。算 法、算力、 数据、 特别是经过标识的数据的数量的不足 （包括大量数据属于不同所有者形成“数据孤岛”、难以整合） 以及控制技术的缺陷 仍然大大限制了人工智能应用的领 域 。 由于人工智能缺乏归纳、抽象、 推理 （如举一反三） 等能力，人工智能不能完成需要相关能力的 复杂的任务，包括 进行刑事调查 、 根据现象提出假设并验证 科学理论， 提出或解答开放式的问题等等。 也因为缺乏这些能力， 面对动态变化的环境， 人工智能 在短时间和信息不对称下做出决策和 采取 行动就比较困难 6。 因此 ， 举例 而言， 在封闭 、干扰较少的 区域（如洋山港）的自3 魏刚 .人工智能并非无所不能 J.科学新闻 ,2018(05):21-23. 4李开复 AI未来 浙江人民出版社 2018 年版 5李开复 AI未来 浙江人民出版社 2018 年版 6 黄海华 :人工智能最大问题 :遇到新情况一筹莫展 , 解放日报 2017 年 5 月 31 日。 证券 研究 报告 请务必阅读正文后免责条款部分 9 动驾驶卡车已经进入应用阶段了，但是需要处理复杂环境的私家车 自动驾驶还 遥遥无期 。 当前的人工智能由于缺乏人类的各类心理特征，因而在需要创造力，移情与沟通技巧等方面表现较弱。 例如人工智能的语言翻译在基本意思的能力方面 ，比如翻译 一般性的 新闻等已经基本够用了，但是在 在要求 “ 信达雅 ” 的情况下，则与人类 的专业翻译 还 像 差十万八千里。 总体而言， 当前的人工智能更多看 起来像是一种工具，距离 想象 中的 智能仍然 有相当距离。即使是在中 长 期而言，基于深度学习的人工智能对于人的替代也有明显的局限 ： 对于体力劳动而言， 越是需要高 动作技巧 ，且 越是容易面临新 的 、不确定 的环境的工作越不容易被替代； 对于脑力劳动，则越是需要创意和决策能力等能力的工作越难以被替代。 不论是对于体力劳动还是脑力劳动，需要社交能力更强的工作均较不容易被人工智能替代 7，但是 传统上 较高端的、 着眼于优化的工作（如设置最优保险费率）则有较高的风险被人工智能替代。 图表 6：人工智能对 体力劳动的替代 图表 7： 人工智能对脑力劳动的替代 资料来源： AI未来 国海证券研究所 资料来源： AI未来， 国海证券研究所 2.1.5、 智能经济的四阶段 基于数据获取的先后次序和难易程度，人工智能在应用层面可能包括四个阶段：互联网应用智能化，商业活动智能化，实体世界智能化，和机器行动自主智能化 。 互联网智能化： 用 互联网 服务 获取的各类数据 训练人工智能 ，实现 一些 互联网服务的智能化 ，也是人工智能应用最早落地的领域 。互联网智能化的代表应用就是智能营销： 互联网公司运用用户使用互联网的各类痕迹（如：浏览历史，点赞，搜索记录） 来 训练人工智能， 了解、研究、学习用户 的个人喜好，进而为用户推荐专门的针对性内容。 商业活动 智能化：各类 传统商业 企业运营 （金融、医疗 等 ）而产生的数据也可以被用于训练人工智能，使得相关商务服务的智能化程度提高 。举例而言，银行在发放贷款时 积累的有关借款者收入、财产、信用历史等方面的数据可以训练人工智能来控制信贷风险； 常年的诊疗数据也可以被用于训练人工智7李开复 AI未来 浙江人民出版社 2018 年版 证券 研究 报告 请务必阅读正文后免责条款部分 10 能，从而使今后的诊疗更加高效。 实体世界智能化 ： 随着大量的传感器以及物联网 （ IoT Internet of Things）设备的推出，大量的实体世界的数据被收集并上传至互联网，这样一来，即便人类并没有上网留下痕迹或者像去银行贷款一样填写个人信息，人类的一举一动都会被作为数据记录起来 。自然这些数据也可以被用于训练人工智能。通过这些数据所训练出的人工智能相应地也获得了感知实体世界的能力，如识别图像，识别声音，识别正在附近发生的事情。 这种情况下， 日常生活中各类物品都会拥有感知和反馈能力 并且彼此连接 ：例如 家中的空调或许能够了解用户对温度的需求从而自动调 整；冰箱或许能够通过识别冰箱中各种食物进而判断用户缺乏何种营养并通过超市的购物车在 主人购物之际提出合理化建议 ；课堂上，人工智能或许能够通过识别学生微表情来判断每个学生对不同内容的掌握程度，进而输出针对每个学生的个性化教学方案。人工智能对用户一举一动的识别使得用户永远处在线上，人类与机器的关系深度融合。 机器行动 自主智能化：随着机器通过人 工智能获得对声音，图 像等外界信息的识别能力后，进一步地，在实时获取外界信息的情况下 进行决策， 并借助控制技术采取自主行动 。举例而言，无人驾驶人 工智可以驾驶汽车 ；采摘机器人可以通过图像识别等技术自动判断果实的成熟度进而进行 采摘。这一阶段 的智能化 集以上三个阶段之 大成 8。 2.2、 疫情加速智能经济到来 西谚有云“ 上帝为你关上一扇