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

納指屢創新高，明星科技股輪番刷新紀錄之際，AI 泡沫是否隱藏巨大危機，且何時會崩盤破裂？ 高盛全球宏觀研究部的高級策略師 Allison Nathan 在最新的《Top of Mind》報告中，提出了一個很關鍵的問題：在 AI 上的投入是否過多，而收益卻太少？ 儘管高盛的報告沒有給出明確答案，但分享了少量專家採訪，以及明確提出了悲觀看法，即科技巨頭計劃在未來幾年在 AI 資本支出上花費 1 萬億美元，但幾乎沒有任何實質性的、可見的成果來證明這些投入是值得的。在《Top of Mind》報告中，作者 Allison Nathan 對 AI 技術的當前趨勢進行了闡述： 生成式 AI 技術被認為能改變公司、行業和社會，所以很多大公司計劃在未來幾年投入 1 萬億美元在 AI 相關的東西上，比如數據中心、芯片和電網。但到現在為止，這些錢除了讓開發人員的工作效率提高了一點，沒看到其他明顯的成果。甚至連從中獲益最多的英偉達的股價也下跌了。我們問了一些行業和經濟專家，看看這些鉅額支出是否會帶來 AI 的效益和回報，並討論瞭如果帶來或者不帶來回報，會對經濟、公司和市場產生什麼影響。 更為甚者，高盛的股票研究主管 Jim Covello 對當前的 AI 泡沫非常悲觀，他認為這種泡沫可能甚至比上世紀末的互聯網泡沫更嚴重。他指出： 開發和運行 AI 技術的成本非常高，估計大約為 1 萬億美元。要讓這筆投資值得，AI 需要解決非常複雜的問題，但 AI 現在還做不到。像互聯網這種顛覆性技術，即使在早期也能用低成本方案取代高成本方案。而 AI 現在很貴，還不能提供更便宜的替代品。 而且，Covello 懷疑 AI 的成本能否降到足夠低，讓大規模自動化變得便宜，因為 AI 初始成本高，而且關鍵部件（比如 GPU 芯片）生產複雜。這種複雜性也可能限制 AI 領域的競爭。他認為 AI 不太可能顯著提高公司估值，因為 AI 帶來的效率提升很可能被競爭對手很快追上，而且 AI 如何實際帶來收入增長也不明確。最後，Covello 質疑 AI 能否真正複製人類最有價值的能力，因為 AI 是基於歷史數據訓練的。他認為 AI 不會達到人類在這些領域的水平。 在高盛作者 Nathan 採訪的眾多專家中，最引人注目的是麻省理工學院教授 Daron Acemoglu，他對 AI 也持懷疑態度。Acemoglu 估計，在未來的十年甚至更長時間裏，生成式 AI 技術對美國的生產力和經濟增長的推動作用可能會比很多人預期的少。他認為，只有大約四分之一的任務能夠通過 AI 自動化，這意味着 AI 只會影響不到所有任務的 5%。 儘管技術隨着時間的推移會變得更加先進，成本也會降低，但 Acemoglu 認為，AI 模型的進步速度不會像許多人想象的那樣快或令人印象深刻。此外，他質疑 AI 是否會創造出新的工作任務和產品。他認為，這些影響並不是 “自然規律”，不能期待 AI 技術會自動帶來大量新的工作和產品。 因此，他預測 AI 在未來十年內對經濟的實際影響會很有限，AI 只會使美國生產力增加 0.5%，GDP 僅增加 0.9%。這會導致投入的數百億美元可能會被浪費，而且美股 “七姐妹” 獲得的數萬億美元市值可能是歷史上最大的泡沫。 資料顯示，受訪人麻省理工學院教授 Daron Acemoglu 有多部著作，包括《國家為何失敗：權力、繁榮和貧窮的起源》和最新著作《權力與進步：我們為技術和繁榮而展開的千年鬥爭》。 下文摘錄了作者 Nathan 對 Acemoglu 和 Covello 採訪的部分內容，媒體稱這段內容可能會幫助您比其他人更早意識到 AI 泡沫的全部程度，從而避免未來巨大的投資損失： Allison Nathan：高盛經濟學家預測未來 10 年 AI 會使生產力增長約 9%，GDP 將增長 6.1%，而您預測未來 10 年 AI 只會使美國生產力將增長約 0.5%，GDP 將增長約 1%，可能比許多預測者（包括高盛）的預期要小得多，為什麼您對 AI 的潛在經濟影響不那麼樂觀？ Daron Acemoglu：預測差異似乎更多地圍繞着 AI 對經濟產生影響的時間，而不是該技術的最終前景。生成式 AI 有可能徹底改變一些領域，但這些變革不會在未來 10 年內發生。現在的生成式 AI 主要是通過自動化某些任務或提高工人的效率來改善現有流程，而不是創造新的、大規模的變革。短期內，AI 能自動化的任務數量有限。很多需要現實世界互動的任務，像交通、製造、採礦等，AI 短期內無法顯著改進。AI 的主要影響會在純腦力任務上，但這些任務的數量和規模不大。 為了量化這一點，我首先研究了 Eloundou 等人的綜合研究，他們發現生成式 AI 和其他 AI 技術可以改變 20% 以上的生產任務，但這是長期預測。另一項研究估計，未來 10 年內只有約 23% 的任務能通過 AI 經濟高效地自動化，這意味着只有約 4.6% 的任務會受到 AI 影響。平均勞動力成本節省約為 27%。未來 10 年內，AI 對生產力的提升約為 0.53% 到 0.66%，對 GDP 的增長約為 0.9%。 Allison Nathan：最近的研究估計使用 AI 可以節省 10% 至 60% 的成本，但您認為只能節省 30% 左右。為什麼呢？ Daron Acemoglu：有三項詳細研究了 AI 節省成本的效果。其中一項（Peng 等人）估計節省高達 56%，但它研究的任務很簡單，比如用 AI 幫助程序員寫 HTML。這種任務容易用 AI 完成，但複雜任務不會這麼容易。因此，我忽略了這項研究，只考慮了其他兩項更現實的估算。 Allison Nathan：歷史上，技術發展往往會改進並降低成本。人工智能技術會不會也有類似的趨勢？ Daron Acemoglu：當然有可能。但我不相信單純增加數據和計算能力能快速提升 AI 的能力。很多人認為更多數據和計算會讓 AI 變得更好，但 AI 能力翻倍具體意味着什麼？比如在客户服務或複雜文本總結方面，沒有明確的指標證明 AI 輸出會好兩倍。此外，數據的質量很重要，目前還不清楚從哪裏獲得更多高質量的數據。最後，當前 AI 技術本身可能有侷限性。人類認知涉及多種複雜過程，而當前的 AI 還遠遠無法達到類似《2001：太空漫遊》中的 HAL 9000 那樣的智能水平。 Allison Nathan：即便您對未來 5 到 10 年 AI 的影響持保守態度，是否也有下行風險？ Daron Acemoglu：確實有風險。技術突破總是可能的，但即使有突破也需要時間見效。如果 AI 在改進複雜任務方面表現不佳，那麼即使是我的保守估計也可能過高。大公司可能會迅速採用 AI 工具，但小公司採用的速度會更慢。 Allison Nathan：從長遠來看，您認為 AI 實現超級智能的可能性有多大？ Daron Acemoglu：我懷疑 AI 能否在更長遠的時間內實現超級智能。AI 可能在 20-30 年內徹底改變科學過程，但人類仍然是主導。真正的超級智能 AI 能夠在沒有人類干預的情況下完成所有工作，但我認為即使 30 年後這種情況也不太可能發生。 Allison Nathan：技術創新往往會創造新職業，如今 60% 的工人從事 80 年前不存在的職業，從長遠來看，人工智能技術的影響會不會比您預期的更大？ Daron Acemoglu：技術創新對生活的影響是巨大的，但這並不是自動發生的。它取決於我們發明的技術類型以及我們如何使用它們。如果我們利用 AI 技術來創造新的任務、產品和職業，比如 AI 幫助科學家進行新材料的研究和測試，那麼 AI 的長期影響可能會更大，但這需要有意識的努力。 Allison Nathan：如今在人工智能技術上投入的大量資金中，有些甚至大部分最終會被浪費嗎？ Daron Acemoglu：這是一個有趣的問題。基本的經濟分析表明，投資熱潮應該出現，因為當今的人工智能技術主要用於自動化，這意味着算法和資本正在取代人力，這應該會引發投資。這解釋了為什麼我對 GDP 增長的估計幾乎是我對生產力增長的估計的兩倍。但現實表明，一些項目會失敗，某些公司對 AI 的期望過高，因此會浪費資金。儘管如此，有些投資會為 AI 的下一個更有前景的階段鋪路。所以，我對當前投資熱潮中有多少會被浪費和產生效益沒有很強的先驗知識。但我預計兩者都會發生。 Allison Nathan：人工智能技術的其他成本是否沒有受到足夠的重視？ Daron Acemoglu：是的。GDP 不是一切。有可能提供良好信息的技術也可能提供不良信息並被濫用於邪惡目的。目前我並不太擔心深度偽造，但就不良行為者如何濫用生成式 AI 而言，它們只是冰山一角。投資一萬億美元進行深度偽造將為 GDP 增加一萬億美元，但我認為大多數人不會對此感到高興或從中受益。 Allison Nathan：從我們討論的所有內容來看，目前人們對人工智能技術的熱情是否過度了？ Daron Acemoglu：每一項人類發明都值得慶祝，而生成式人工智能是真正的人類發明。但過度樂觀和炒作可能會導致過早使用尚未準備好的技術。如今，使用人工智能來推進自動化的風險似乎特別高。過早過度自動化可能會給企業帶來瓶頸和其他問題，因為這些企業不再具備人力資本所提供的靈活性和故障排除能力。 而且，正如我所提到的，使用如此普遍和強大的技術——以我們尚未完全理解且完全無法監管的方式向人類提供信息和視覺或書面反饋——可能會很危險。雖然我不認為超級智能和邪惡的人工智能會構成重大威脅，但我經常思考，50 年後人們會如何看待當前的風險。2074 年，我們的子孫後代指責我們在 2024 年行動太慢，以犧牲增長為代價，這種風險似乎遠低於我們最終行動過快並在此過程中摧毀制度、民主和其他事物的風險。因此，我們冒險犯下的錯誤的成本在負面方面更加不對稱。這就是為什麼重要的是抵制炒作並採取謹慎的態度，這可能包括更好的監管工具，因為人工智能技術將繼續發展。 採訪高盛全球股票研究主管 Jim Covello，他認為，要從昂貴的人工智能技術中獲得足夠的回報，人工智能必須解決非常複雜的問題，而目前人工智能還無法做到這一點，而且可能永遠都做不到。 Allison Nathan：你對當前生成式人工智能的熱情並不像其他人那麼高。這是為什麼呢？ Jim Covello：我主要擔心的是，開發和運行人工智能技術的成本高昂，這意味着人工智能應用必須解決極其複雜和重要的問題，企業才能獲得適當的投資回報 (ROI)。我們估計，僅在未來幾年，人工智能基礎設施建設就將花費超過 1 萬億美元，其中包括數據中心、公用事業和應用程序方面的支出。所以，關鍵問題是：人工智能將解決什麼 1 萬億美元的問題？用極其昂貴的技術取代低薪工作基本上與我密切關注科技行業三十年來所見證的先前技術轉型截然相反。 許多人試圖將當今的人工智能與互聯網的早期進行比較。但即使在起步階段，互聯網也是一種低成本的技術解決方案，使電子商務能夠取代昂貴的現有解決方案。亞馬遜可以以比 Barnes & Noble 更低的成本出售書籍，因為它不必維持昂貴的實體店。快進三十年，Web 2.0 仍然提供更便宜的解決方案，這些解決方案正在顛覆更昂貴的解決方案，例如 Uber 取代豪華轎車服務。雖然人工智能技術是否能兑現今天許多人興奮的承諾這一問題肯定是有爭議的，但爭議較少的一點是，人工智能技術非常昂貴，為了證明這些成本是合理的，該技術必須能夠解決複雜的問題，而這並不是它的設計目的。 Allison Nathan：即使如今人工智能技術價格昂貴，但隨着技術的發展，技術成本不是往往會大幅下降嗎？ Jim Covello：技術通常一開始很昂貴，然後才變得更便宜，這種觀點是對歷史的修正。正如我們剛才討論的那樣，電子商務從第一天開始就更便宜，而不是十年後。但即使拋開這一誤解，科技界也過於自滿，認為人工智能成本將隨着時間的推移大幅下降。摩爾定律推動了芯片更小、更快、更便宜的發展，推動了技術創新的歷史，但事實證明，這一定律是正確的，因為英特爾的競爭對手（如超威半導體公司）迫使英特爾和其他公司降低成本並不斷創新以保持競爭力。 如今，英偉達是唯一一家能夠生產 AI 所需 GPU 的公司。一些人認為，半導體行業或超大規模企業（谷歌、亞馬遜和微軟）本身將會出現英偉達的競爭對手，這是有可能的。但與今天的狀況相比，這是一個巨大的飛躍，因為過去 10 年，芯片公司一直試圖推翻英偉達在 GPU 領域的主導地位，但都以失敗告終。技術很難複製，以至於沒有競爭對手能夠做到這一點，這使得公司能夠保持壟斷和定價權。例如，先進半導體材料光刻技術公司 (ASML) 仍然是世界上唯一一家能夠生產尖端光刻工具的公司，因此，他們的機器成本從二十年前的數千萬美元增加到今天的某些情況下的數億美元。英偉達可能不會遵循這種模式，美元規模也不同，但市場對成本下降的確定性過於自滿。 成本的起點也很高，即使成本下降，也必須大幅下降才能使人工智能自動化任務變得負擔得起。人們指出，自 1990 年代末服務器問世以來，幾年內服務器成本大幅下降，但 1990 年代末推動互聯網技術轉型所需的 64000 美元 Sun Microsystems 服務器數量與今天推動人工智能轉型所需的昂貴芯片數量相比微不足道，即使不包括更換電網和支持這一轉型所需的其他成本，這些成本本身就非常昂貴。 Allison Nathan：您只是擔心人工智能技術的成本，還是對其最終的變革潛力也持懷疑態度？ Jim Covello：我對兩者都持懷疑態度。很多人似乎認為人工智能將成為他們一生中最重要的技術發明，但我不同意這種觀點，因為互聯網、手機和筆記本電腦已經從根本上改變了我們的日常生活，使我們能夠做以前不可能做的事情，比如隨時隨地打電話、計算和購物。目前，人工智能在提高現有流程（如編碼）效率方面表現出最大的潛力，儘管這些效率改進的估計值已經下降，而且利用該技術解決任務的成本遠高於現有方法。例如，我們發現人工智能可以比手動更新公司模型中的歷史數據更快地更新數據，但成本卻是手動更新的六倍。 更廣泛地説，人們通常大大高估了當今技術的能力。根據我們的經驗，即使是基本的摘要任務也常常會產生難以辨認和毫無意義的結果。這不僅僅是需要在這裏或那裏進行一些調整的問題；儘管價格昂貴，但這項技術還遠未達到完成這些基本任務所需的水平。我很難相信這項技術能夠實現大幅增強或取代人機交互所需的認知推理。人類通過識別和理解異常值和細微差別為複雜任務增加了最大的價值，而很難想象一個基於歷史數據訓練的模型能夠做到這一點。 Allison Nathan：但是，您提到的這些技術的變革潛力難道不是很難在早期預測到嗎？那麼，您為什麼確信人工智能最終不會被證明具有同樣甚至更大的變革性呢？ Jim Covello：認為互聯網和智能手機的變革潛力在早期未被理解的想法是錯誤的。智能手機剛推出時，我是一名半導體分析師，在 21 世紀初期，我參加了數百場關於智能手機及其功能的未來演講，其中大部分都符合業界的預期。一個例子是將 GPS 集成到智能手機中，雖然當時還未準備好迎接黃金時段，但預計將取代當時租賃汽車中常見的笨重 GPS 系統。其他技術最終能夠做什麼的路線圖在它們誕生之初也存在。今天沒有類似的路線圖。人工智能的支持者似乎只是相信用例會隨着技術的發展而激增。但在生成式人工智能問世 18 個月後，還沒有發現一個真正具有變革性（更不用説具有成本效益）的應用。 Allison Nathan：即使收益和回報永遠無法抵消成本，考慮到競爭壓力，企業除了追求人工智能戰略之外還有其他選擇嗎？ Jim Covello：鑑於該領域的炒作和錯失恐懼症，大型科技公司別無選擇，只能參與 AI 軍備競賽，因此對 AI 建設的大規模投入將繼續下去。這並非技術炒作週期首次導致對最終沒有成功的技術的投入；虛擬現實、元宇宙和區塊鏈就是這些技術投入大量資金但目前在現實世界中應用很少（如果有的話）的典型例子。科技行業以外的公司也面臨着巨大的投資者壓力，要求他們實施 AI 戰略，儘管這些戰略尚未產生成果。一些投資者已經接受了這些戰略可能需要時間才能產生回報，但其他人並不認同這一觀點。舉個例子：Salesforce 在 AI 方面投入了大量資金，但最近其股價遭遇了自 2000 年代中期以來的最大單日跌幅，原因是其第二季度業績顯示，儘管投入了這些資金，但收入幾乎沒有增長。 Allison Nathan：您認為人工智能技術最終能提高非科技公司的收入的可能性有多大？即使沒有收入增長，成本節約是否仍能為多元化擴張鋪平道路？ Jim Covello：我認為人工智能相關的收入增長的可能性很低，因為我認為這項技術還不夠聰明，也不太可能聰明到讓員工變得更聰明。即使是人工智能最合理的用例之一，即改進搜索功能，也更有可能使員工更快地找到信息，而不是讓他們找到更好的信息。如果人工智能的好處仍然主要侷限於提高效率，那麼這可能不會導致多重擴張，因為成本節約會被套利掉。如果一家公司可以使用機器人來提高效率，那麼該公司的競爭對手也可以。因此，一家公司將無法收取更高的費用或增加利潤。 Allison Nathan：對於短期內的人工智能投資者來説，這一切意味着什麼，尤其是考慮到最容易受到人工智能基礎設施建設影響的 “鎬和鏟子” 公司迄今為止已經取得了進展？ Jim Covello：儘管我持懷疑態度，但人工智能基礎設施上的大量支出仍將繼續，投資者應該繼續投資於這些支出的受益者，按排名順序排列：英偉達、公用事業公司和其他即將擴建電網以支持人工智能技術的公司，以及超大規模企業，這些企業本身也在投入大量資金，但也將從人工智能建設中獲得增量收入。這些公司確實已經大幅上漲，但歷史表明，如果最初讓一家公司昂貴的基本面保持不變，僅靠昂貴的估值並不能阻止其股價進一步上漲。我從未見過一隻股票僅僅因為價格昂貴而下跌——基本面惡化幾乎總是罪魁禍首，只有這樣估值才會發揮作用。 Allison Nathan：如果你的懷疑最終被證明是正確的，那麼人工智能的基本故事就會土崩瓦解。那會是什麼樣子呢？ Jim Covello：過度開發世界沒有用處或尚未準備好的東西，通常會導致糟糕的結果。納斯達克指數在互聯網泡沫高峰和 Uber 成立之間下跌了約 70%。今天的人工智能泡沫破裂可能不會像互聯網泡沫破裂那樣成問題，因為許多今天花錢的公司比當時花錢的公司資本更充足。但如果人工智能技術的用例和採用率最終低於目前的普遍預期，很難想象這對許多今天在該技術上花錢的公司來説不會是個問題。 儘管如此，過去三十年來我學到的最重要的教訓之一是，泡沫可能需要很長時間才能破滅。這就是為什麼我建議繼續投資人工智能基礎設施提供商。如果我的懷疑論被證明是錯誤的，這些公司將繼續受益。但即使我是對的，至少他們已經從這個主題中獲得了可觀的收入，這可能使他們能夠更好地適應和發展。 Allison Nathan：那麼，投資者應該注意哪些跡象，以判斷泡沫即將破滅？ Jim Covello：投資者對 “如果你開發了，他們就會來” 的口號還能滿足多久，這仍是一個懸而未決的問題。沒有重大人工智能應用的時間越長，人工智能的故事就會變得越有挑戰性。我猜，如果重要的用例在未來 12-18 個月內沒有開始變得更加明顯，投資者的熱情可能會開始消退。但更重要的關注領域是企業盈利能力。持續的企業盈利能力將允許持續進行負投資回報率項目的實驗。只要企業利潤保持強勁，這些實驗就會繼續進行。因此，我預計企業不會縮減對人工智能基礎設施和戰略的支出，直到我們進入經濟週期的更艱難階段，我們預計短期內不會出現這種情況。話雖如此，如果企業盈利能力開始下降，這些實驗的支出很可能是首批被削減的項目之一。