高盛研究主管批评 “AI 泡沫”：投入太多，收益太少，比 2000 年泡沫更大

纳指屡创新高，明星科技股轮番刷新纪录之际，AI 泡沫是否隐藏巨大危机，且何时会崩盘破裂？ 高盛全球宏观研究部的高级策略师 Allison Nathan 在最新的《Top of Mind》报告中，提出了一个很关键的问题：在 AI 上的投入是否过多，而收益却太少？ 尽管高盛的报告没有给出明确答案，但分享了少量专家采访，以及明确提出了悲观看法，即科技巨头计划在未来几年在 AI 资本支出上花费 1 万亿美元，但几乎没有任何实质性的、可见的成果来证明这些投入是值得的。在《Top of Mind》报告中，作者 Allison Nathan 对 AI 技术的当前趋势进行了阐述： 生成式 AI 技术被认为能改变公司、行业和社会，所以很多大公司计划在未来几年投入 1 万亿美元在 AI 相关的东西上，比如数据中心、芯片和电网。但到现在为止，这些钱除了让开发人员的工作效率提高了一点，没看到其他明显的成果。甚至连从中获益最多的英伟达的股价也下跌了。我们问了一些行业和经济专家，看看这些巨额支出是否会带来 AI 的效益和回报，并讨论了如果带来或者不带来回报，会对经济、公司和市场产生什么影响。 更为甚者，高盛的股票研究主管 Jim Covello 对当前的 AI 泡沫非常悲观，他认为这种泡沫可能甚至比上世纪末的互联网泡沫更严重。他指出： 开发和运行 AI 技术的成本非常高，估计大约为 1 万亿美元。要让这笔投资值得，AI 需要解决非常复杂的问题，但 AI 现在还做不到。像互联网这种颠覆性技术，即使在早期也能用低成本方案取代高成本方案。而 AI 现在很贵，还不能提供更便宜的替代品。 而且，Covello 怀疑 AI 的成本能否降到足够低，让大规模自动化变得便宜，因为 AI 初始成本高，而且关键部件（比如 GPU 芯片）生产复杂。这种复杂性也可能限制 AI 领域的竞争。他认为 AI 不太可能显著提高公司估值，因为 AI 带来的效率提升很可能被竞争对手很快追上，而且 AI 如何实际带来收入增长也不明确。最后，Covello 质疑 AI 能否真正复制人类最有价值的能力，因为 AI 是基于历史数据训练的。他认为 AI 不会达到人类在这些领域的水平。 在高盛作者 Nathan 采访的众多专家中，最引人注目的是麻省理工学院教授 Daron Acemoglu，他对 AI 也持怀疑态度。Acemoglu 估计，在未来的十年甚至更长时间里，生成式 AI 技术对美国的生产力和经济增长的推动作用可能会比很多人预期的少。他认为，只有大约四分之一的任务能够通过 AI 自动化，这意味着 AI 只会影响不到所有任务的 5%。 尽管技术随着时间的推移会变得更加先进，成本也会降低，但 Acemoglu 认为，AI 模型的进步速度不会像许多人想象的那样快或令人印象深刻。此外，他质疑 AI 是否会创造出新的工作任务和产品。他认为，这些影响并不是 “自然规律”，不能期待 AI 技术会自动带来大量新的工作和产品。 因此，他预测 AI 在未来十年内对经济的实际影响会很有限，AI 只会使美国生产力增加 0.5%，GDP 仅增加 0.9%。这会导致投入的数百亿美元可能会被浪费，而且美股 “七姐妹” 获得的数万亿美元市值可能是历史上最大的泡沫。 资料显示，受访人麻省理工学院教授 Daron Acemoglu 有多部著作，包括《国家为何失败：权力、繁荣和贫穷的起源》和最新著作《权力与进步：我们为技术和繁荣而展开的千年斗争》。 下文摘录了作者 Nathan 对 Acemoglu 和 Covello 采访的部分内容，媒体称这段内容可能会帮助您比其他人更早意识到 AI 泡沫的全部程度，从而避免未来巨大的投资损失： Allison Nathan：高盛经济学家预测未来 10 年 AI 会使生产力增长约 9%，GDP 将增长 6.1%，而您预测未来 10 年 AI 只会使美国生产力将增长约 0.5%，GDP 将增长约 1%，可能比许多预测者（包括高盛）的预期要小得多，为什么您对 AI 的潜在经济影响不那么乐观？ Daron Acemoglu：预测差异似乎更多地围绕着 AI 对经济产生影响的时间，而不是该技术的最终前景。生成式 AI 有可能彻底改变一些领域，但这些变革不会在未来 10 年内发生。现在的生成式 AI 主要是通过自动化某些任务或提高工人的效率来改善现有流程，而不是创造新的、大规模的变革。短期内，AI 能自动化的任务数量有限。很多需要现实世界互动的任务，像交通、制造、采矿等，AI 短期内无法显著改进。AI 的主要影响会在纯脑力任务上，但这些任务的数量和规模不大。 为了量化这一点，我首先研究了 Eloundou 等人的综合研究，他们发现生成式 AI 和其他 AI 技术可以改变 20% 以上的生产任务，但这是长期预测。另一项研究估计，未来 10 年内只有约 23% 的任务能通过 AI 经济高效地自动化，这意味着只有约 4.6% 的任务会受到 AI 影响。平均劳动力成本节省约为 27%。未来 10 年内，AI 对生产力的提升约为 0.53% 到 0.66%，对 GDP 的增长约为 0.9%。 Allison Nathan：最近的研究估计使用 AI 可以节省 10% 至 60% 的成本，但您认为只能节省 30% 左右。为什么呢？ Daron Acemoglu：有三项详细研究了 AI 节省成本的效果。其中一项（Peng 等人）估计节省高达 56%，但它研究的任务很简单，比如用 AI 帮助程序员写 HTML。这种任务容易用 AI 完成，但复杂任务不会这么容易。因此，我忽略了这项研究，只考虑了其他两项更现实的估算。 Allison Nathan：历史上，技术发展往往会改进并降低成本。人工智能技术会不会也有类似的趋势？ Daron Acemoglu：当然有可能。但我不相信单纯增加数据和计算能力能快速提升 AI 的能力。很多人认为更多数据和计算会让 AI 变得更好，但 AI 能力翻倍具体意味着什么？比如在客户服务或复杂文本总结方面，没有明确的指标证明 AI 输出会好两倍。此外，数据的质量很重要，目前还不清楚从哪里获得更多高质量的数据。最后，当前 AI 技术本身可能有局限性。人类认知涉及多种复杂过程，而当前的 AI 还远远无法达到类似《2001：太空漫游》中的 HAL 9000 那样的智能水平。 Allison Nathan：即便您对未来 5 到 10 年 AI 的影响持保守态度，是否也有下行风险？ Daron Acemoglu：确实有风险。技术突破总是可能的，但即使有突破也需要时间见效。如果 AI 在改进复杂任务方面表现不佳，那么即使是我的保守估计也可能过高。大公司可能会迅速采用 AI 工具，但小公司采用的速度会更慢。 Allison Nathan：从长远来看，您认为 AI 实现超级智能的可能性有多大？ Daron Acemoglu：我怀疑 AI 能否在更长远的时间内实现超级智能。AI 可能在 20-30 年内彻底改变科学过程，但人类仍然是主导。真正的超级智能 AI 能够在没有人类干预的情况下完成所有工作，但我认为即使 30 年后这种情况也不太可能发生。 Allison Nathan：技术创新往往会创造新职业，如今 60% 的工人从事 80 年前不存在的职业，从长远来看，人工智能技术的影响会不会比您预期的更大？ Daron Acemoglu：技术创新对生活的影响是巨大的，但这并不是自动发生的。它取决于我们发明的技术类型以及我们如何使用它们。如果我们利用 AI 技术来创造新的任务、产品和职业，比如 AI 帮助科学家进行新材料的研究和测试，那么 AI 的长期影响可能会更大，但这需要有意识的努力。 Allison Nathan：如今在人工智能技术上投入的大量资金中，有些甚至大部分最终会被浪费吗？ Daron Acemoglu：这是一个有趣的问题。基本的经济分析表明，投资热潮应该出现，因为当今的人工智能技术主要用于自动化，这意味着算法和资本正在取代人力，这应该会引发投资。这解释了为什么我对 GDP 增长的估计几乎是我对生产力增长的估计的两倍。但现实表明，一些项目会失败，某些公司对 AI 的期望过高，因此会浪费资金。尽管如此，有些投资会为 AI 的下一个更有前景的阶段铺路。所以，我对当前投资热潮中有多少会被浪费和产生效益没有很强的先验知识。但我预计两者都会发生。 Allison Nathan：人工智能技术的其他成本是否没有受到足够的重视？ Daron Acemoglu：是的。GDP 不是一切。有可能提供良好信息的技术也可能提供不良信息并被滥用于邪恶目的。目前我并不太担心深度伪造，但就不良行为者如何滥用生成式 AI 而言，它们只是冰山一角。投资一万亿美元进行深度伪造将为 GDP 增加一万亿美元，但我认为大多数人不会对此感到高兴或从中受益。 Allison Nathan：从我们讨论的所有内容来看，目前人们对人工智能技术的热情是否过度了？ Daron Acemoglu：每一项人类发明都值得庆祝，而生成式人工智能是真正的人类发明。但过度乐观和炒作可能会导致过早使用尚未准备好的技术。如今，使用人工智能来推进自动化的风险似乎特别高。过早过度自动化可能会给企业带来瓶颈和其他问题，因为这些企业不再具备人力资本所提供的灵活性和故障排除能力。 而且，正如我所提到的，使用如此普遍和强大的技术——以我们尚未完全理解且完全无法监管的方式向人类提供信息和视觉或书面反馈——可能会很危险。虽然我不认为超级智能和邪恶的人工智能会构成重大威胁，但我经常思考，50 年后人们会如何看待当前的风险。2074 年，我们的子孙后代指责我们在 2024 年行动太慢，以牺牲增长为代价，这种风险似乎远低于我们最终行动过快并在此过程中摧毁制度、民主和其他事物的风险。因此，我们冒险犯下的错误的成本在负面方面更加不对称。这就是为什么重要的是抵制炒作并采取谨慎的态度，这可能包括更好的监管工具，因为人工智能技术将继续发展。 采访高盛全球股票研究主管 Jim Covello，他认为，要从昂贵的人工智能技术中获得足够的回报，人工智能必须解决非常复杂的问题，而目前人工智能还无法做到这一点，而且可能永远都做不到。 Allison Nathan：你对当前生成式人工智能的热情并不像其他人那么高。这是为什么呢？ Jim Covello：我主要担心的是，开发和运行人工智能技术的成本高昂，这意味着人工智能应用必须解决极其复杂和重要的问题，企业才能获得适当的投资回报 (ROI)。我们估计，仅在未来几年，人工智能基础设施建设就将花费超过 1 万亿美元，其中包括数据中心、公用事业和应用程序方面的支出。所以，关键问题是：人工智能将解决什么 1 万亿美元的问题？用极其昂贵的技术取代低薪工作基本上与我密切关注科技行业三十年来所见证的先前技术转型截然相反。 许多人试图将当今的人工智能与互联网的早期进行比较。但即使在起步阶段，互联网也是一种低成本的技术解决方案，使电子商务能够取代昂贵的现有解决方案。亚马逊可以以比 Barnes & Noble 更低的成本出售书籍，因为它不必维持昂贵的实体店。快进三十年，Web 2.0 仍然提供更便宜的解决方案，这些解决方案正在颠覆更昂贵的解决方案，例如 Uber 取代豪华轿车服务。虽然人工智能技术是否能兑现今天许多人兴奋的承诺这一问题肯定是有争议的，但争议较少的一点是，人工智能技术非常昂贵，为了证明这些成本是合理的，该技术必须能够解决复杂的问题，而这并不是它的设计目的。 Allison Nathan：即使如今人工智能技术价格昂贵，但随着技术的发展，技术成本不是往往会大幅下降吗？ Jim Covello：技术通常一开始很昂贵，然后才变得更便宜，这种观点是对历史的修正。正如我们刚才讨论的那样，电子商务从第一天开始就更便宜，而不是十年后。但即使抛开这一误解，科技界也过于自满，认为人工智能成本将随着时间的推移大幅下降。摩尔定律推动了芯片更小、更快、更便宜的发展，推动了技术创新的历史，但事实证明，这一定律是正确的，因为英特尔的竞争对手（如超威半导体公司）迫使英特尔和其他公司降低成本并不断创新以保持竞争力。 如今，英伟达是唯一一家能够生产 AI 所需 GPU 的公司。一些人认为，半导体行业或超大规模企业（谷歌、亚马逊和微软）本身将会出现英伟达的竞争对手，这是有可能的。但与今天的状况相比，这是一个巨大的飞跃，因为过去 10 年，芯片公司一直试图推翻英伟达在 GPU 领域的主导地位，但都以失败告终。技术很难复制，以至于没有竞争对手能够做到这一点，这使得公司能够保持垄断和定价权。例如，先进半导体材料光刻技术公司 (ASML) 仍然是世界上唯一一家能够生产尖端光刻工具的公司，因此，他们的机器成本从二十年前的数千万美元增加到今天的某些情况下的数亿美元。英伟达可能不会遵循这种模式，美元规模也不同，但市场对成本下降的确定性过于自满。 成本的起点也很高，即使成本下降，也必须大幅下降才能使人工智能自动化任务变得负担得起。人们指出，自 1990 年代末服务器问世以来，几年内服务器成本大幅下降，但 1990 年代末推动互联网技术转型所需的 64000 美元 Sun Microsystems 服务器数量与今天推动人工智能转型所需的昂贵芯片数量相比微不足道，即使不包括更换电网和支持这一转型所需的其他成本，这些成本本身就非常昂贵。 Allison Nathan：您只是担心人工智能技术的成本，还是对其最终的变革潜力也持怀疑态度？ Jim Covello：我对两者都持怀疑态度。很多人似乎认为人工智能将成为他们一生中最重要的技术发明，但我不同意这种观点，因为互联网、手机和笔记本电脑已经从根本上改变了我们的日常生活，使我们能够做以前不可能做的事情，比如随时随地打电话、计算和购物。目前，人工智能在提高现有流程（如编码）效率方面表现出最大的潜力，尽管这些效率改进的估计值已经下降，而且利用该技术解决任务的成本远高于现有方法。例如，我们发现人工智能可以比手动更新公司模型中的历史数据更快地更新数据，但成本却是手动更新的六倍。 更广泛地说，人们通常大大高估了当今技术的能力。根据我们的经验，即使是基本的摘要任务也常常会产生难以辨认和毫无意义的结果。这不仅仅是需要在这里或那里进行一些调整的问题；尽管价格昂贵，但这项技术还远未达到完成这些基本任务所需的水平。我很难相信这项技术能够实现大幅增强或取代人机交互所需的认知推理。人类通过识别和理解异常值和细微差别为复杂任务增加了最大的价值，而很难想象一个基于历史数据训练的模型能够做到这一点。 Allison Nathan：但是，您提到的这些技术的变革潜力难道不是很难在早期预测到吗？那么，您为什么确信人工智能最终不会被证明具有同样甚至更大的变革性呢？ Jim Covello：认为互联网和智能手机的变革潜力在早期未被理解的想法是错误的。智能手机刚推出时，我是一名半导体分析师，在 21 世纪初期，我参加了数百场关于智能手机及其功能的未来演讲，其中大部分都符合业界的预期。一个例子是将 GPS 集成到智能手机中，虽然当时还未准备好迎接黄金时段，但预计将取代当时租赁汽车中常见的笨重 GPS 系统。其他技术最终能够做什么的路线图在它们诞生之初也存在。今天没有类似的路线图。人工智能的支持者似乎只是相信用例会随着技术的发展而激增。但在生成式人工智能问世 18 个月后，还没有发现一个真正具有变革性（更不用说具有成本效益）的应用。 Allison Nathan：即使收益和回报永远无法抵消成本，考虑到竞争压力，企业除了追求人工智能战略之外还有其他选择吗？ Jim Covello：鉴于该领域的炒作和错失恐惧症，大型科技公司别无选择，只能参与 AI 军备竞赛，因此对 AI 建设的大规模投入将继续下去。这并非技术炒作周期首次导致对最终没有成功的技术的投入；虚拟现实、元宇宙和区块链就是这些技术投入大量资金但目前在现实世界中应用很少（如果有的话）的典型例子。科技行业以外的公司也面临着巨大的投资者压力，要求他们实施 AI 战略，尽管这些战略尚未产生成果。一些投资者已经接受了这些战略可能需要时间才能产生回报，但其他人并不认同这一观点。举个例子：Salesforce 在 AI 方面投入了大量资金，但最近其股价遭遇了自 2000 年代中期以来的最大单日跌幅，原因是其第二季度业绩显示，尽管投入了这些资金，但收入几乎没有增长。 Allison Nathan：您认为人工智能技术最终能提高非科技公司的收入的可能性有多大？即使没有收入增长，成本节约是否仍能为多元化扩张铺平道路？ Jim Covello：我认为人工智能相关的收入增长的可能性很低，因为我认为这项技术还不够聪明，也不太可能聪明到让员工变得更聪明。即使是人工智能最合理的用例之一，即改进搜索功能，也更有可能使员工更快地找到信息，而不是让他们找到更好的信息。如果人工智能的好处仍然主要局限于提高效率，那么这可能不会导致多重扩张，因为成本节约会被套利掉。如果一家公司可以使用机器人来提高效率，那么该公司的竞争对手也可以。因此，一家公司将无法收取更高的费用或增加利润。 Allison Nathan：对于短期内的人工智能投资者来说，这一切意味着什么，尤其是考虑到最容易受到人工智能基础设施建设影响的 “镐和铲子” 公司迄今为止已经取得了进展？ Jim Covello：尽管我持怀疑态度，但人工智能基础设施上的大量支出仍将继续，投资者应该继续投资于这些支出的受益者，按排名顺序排列：英伟达、公用事业公司和其他即将扩建电网以支持人工智能技术的公司，以及超大规模企业，这些企业本身也在投入大量资金，但也将从人工智能建设中获得增量收入。这些公司确实已经大幅上涨，但历史表明，如果最初让一家公司昂贵的基本面保持不变，仅靠昂贵的估值并不能阻止其股价进一步上涨。我从未见过一只股票仅仅因为价格昂贵而下跌——基本面恶化几乎总是罪魁祸首，只有这样估值才会发挥作用。 Allison Nathan：如果你的怀疑最终被证明是正确的，那么人工智能的基本故事就会土崩瓦解。那会是什么样子呢？ Jim Covello：过度开发世界没有用处或尚未准备好的东西，通常会导致糟糕的结果。纳斯达克指数在互联网泡沫高峰和 Uber 成立之间下跌了约 70%。今天的人工智能泡沫破裂可能不会像互联网泡沫破裂那样成问题，因为许多今天花钱的公司比当时花钱的公司资本更充足。但如果人工智能技术的用例和采用率最终低于目前的普遍预期，很难想象这对许多今天在该技术上花钱的公司来说不会是个问题。 尽管如此，过去三十年来我学到的最重要的教训之一是，泡沫可能需要很长时间才能破灭。这就是为什么我建议继续投资人工智能基础设施提供商。如果我的怀疑论被证明是错误的，这些公司将继续受益。但即使我是对的，至少他们已经从这个主题中获得了可观的收入，这可能使他们能够更好地适应和发展。 Allison Nathan：那么，投资者应该注意哪些迹象，以判断泡沫即将破灭？ Jim Covello：投资者对 “如果你开发了，他们就会来” 的口号还能满足多久，这仍是一个悬而未决的问题。没有重大人工智能应用的时间越长，人工智能的故事就会变得越有挑战性。我猜，如果重要的用例在未来 12-18 个月内没有开始变得更加明显，投资者的热情可能会开始消退。但更重要的关注领域是企业盈利能力。持续的企业盈利能力将允许持续进行负投资回报率项目的实验。只要企业利润保持强劲，这些实验就会继续进行。因此，我预计企业不会缩减对人工智能基础设施和战略的支出，直到我们进入经济周期的更艰难阶段，我们预计短期内不会出现这种情况。话虽如此，如果企业盈利能力开始下降，这些实验的支出很可能是首批被削减的项目之一。