经合组织报告：生成式人工智能具备通用技术特征 或将对全球生产力产生深远影响

生成式AI：通用技术与生产力变革

走向未来

生成式人工智能的迅速崛起，特别是以大语言模型为代表的应用，已成为全球技术、经济和社会讨论的核心。这种技术展现出前所未有的能力，不仅能处理和分类信息，还能创造出与人类作品难以区分的新内容。这种变革潜力引发了一个关键问题：生成式人工智能是否不仅仅是一种新技术，而是一种能够重塑经济增长轨迹的通用技术（General-Purpose Technology, GPT）？

历史上，蒸汽机、电力和信息通信技术（ICT）等通用技术通过渗透到经济的各个层面，持续改进自身性能，并催生出无数的下游创新，从而根本性地提升了全要素生产率。对生成式人工智能是否具备这些特征的深入分析，对于理解其长期经济影响和制定相应政策至关重要。基于长达62页的经济合作与发展组织（OECD）的深度报告（该报告及本文的PDF版本已收录在走向未来知识星球【https://t.zsxq.com/xpWzq】，加入星球可获取丰富的人工智能领域资料），我们可以构建一个分析框架，从三个核心维度——普及性、持续改进性和创新催生性——来系统评估生成式人工智能的通用技术潜力。

通用技术的界定：一个分析框架

通用技术是推动长期经济增长的引擎。其变革力量源于三个关键特征的结合。首先是普及性，即技术有能力广泛扩散到经济中的绝大多数部门。其次是持续改进性，即技术在出现后会不断迭代优化，变得更高效、更便宜、更有用。

最后，也是最具决定性的一点，是创新催生性。通用技术通过创新互补性发挥作用。它不仅自身是一种创新，更是一种发明的工具，能激发应用部门产生大量新的产品、流程和商业模式创新。这种通用技术平台与应用部门之间的正反馈创新循环，是实现整体生产率飞跃的根本机制。

然而，通用技术的历史也揭示了一个生产率悖论。无论是电力还是计算机，其对宏观生产率的显著贡献都出现了数十年的延迟。这种延迟源于经济体需要时间来积累必要的补充性投资，特别是无形资本，例如新的组织架构、重塑的业务流程以及适应新技术所需的劳动力技能。这种生产率增长的J型曲线表明，短期的平静甚至下降，往往是在为长期的爆发积蓄能量。

普及性分析：扩散的广度与潜力

评估生成式人工智能的普及性，需要区分其当前应用、实际采用率和未来潜力。从应用领域看，该技术已展现出极大的广度。专利数据显示，虽然软件是最大的应用领域，但生成式人工智能的创新已广泛分布于生命与医学科学、商业解决方案、文档管理、工业制造乃至银行和金融等多个领域。这初步证实了其跨行业的适用性。

然而，在企业层面的实际采用率目前仍然有限。根据OECD数据，2023年成员国中企业的平均采用率仍处于较低水平，且主要集中在大型企业和信息通信技术（ICT）服务业。这反映了企业采用新技术时面临的典型障碍，包括成本、技能短缺和组织惯性。

与企业采用的缓慢形成鲜明对比的是，个人和消费者的采用速度是史无前例的。基于大语言模型的聊天机器人成为历史上用户增长最快的消费级应用，其速度超过了个人电脑和互联网。这种现象揭示了生成式人工智能的一个独特性质：它通过自然语言交互，极大地降低了使用门槛，使其可以迅速渗透到家庭和个人的日常与工作中。

更重要的是其扩散潜力。研究表明，生成式人工智能主要影响的是认知和创造性任务，而这些任务在知识密集型服务业中尤为集中，例如金融保险业、专业科学技术服务业和信息产业。关键在于，这些高度暴露于生成式人工智能影响的行业，恰恰是美国等发达经济体中对实际GDP贡献最大的部门。因此，即使当前的企业采用率不高，该技术瞄准的正是经济活动的核心地带，这为其未来的广泛普及奠定了坚实基础。

持续改进性分析：能力边界的加速拓展

通用技术的第二个关键特征是其性能的持续改进。生成式人工智能在这一维度上的表现尤为突出，其迭代速度甚至超过了历史上的任何技术。

这种改进的核心驱动力之一是计算资源（Compute）的指数级增长。数据显示，自2012年以来，用于训练先进人工智能模型的计算能力大约每3.4个月就翻一番，这一速度远远超过了主导半导体行业数十年的摩尔定律。这种对计算资源的巨大投入，直接转化为了模型能力的飞跃。

模型能力的提升体现在一系列基准测试和专业评估中。早期的自然语言理解基准（如GLUE）很快就被更难的SuperGLUE所取代，而后者也迅速被模型攻克。在更具挑战性的MMLU（大规模多任务语言理解）基准上，新模型的得分持续逼近甚至超越人类顶级水平。更具说服力的是，在PISA（国际学生评估项目）测试以及法律、医学等多个专业资格考试中，最先进的模型表现已经超过了大多数人类考生。

这种改进不仅仅是量的积累，更是质的突破。技术的前沿正在从内容生成转向自主行动。人工智能体（AI Agents）的出现是这一趋势的标志。这些智能体能够理解复杂的多步骤指令，自主规划、执行任务并与环境交互。这种从工具到伙伴再到自主行动者的演进，极大地拓拓展了生成式人工智能的应用边界，使其能够处理更复杂的现实世界问题。同时，对模型效率、能耗和成本的优化也在同步进行，这将是其实现更广泛普及的必要条件。

同时，围绕着生成式人工智能成为真正可靠的通用技术的各种关键技术也快速发展。在使用更多算力训练更强大的模型之上，通用能力的大语言模型与外部知识体系的深度融合的技术也层出不穷。这些技术涵盖了从检索增强生成（RAG）到更为复杂的图模互补应用范式（GraphRAG）等，资深人工智能专家的权威著作灯塔书《知识增强大模型》详细阐述了大模型及其相关的知识增强技术。这种通过将大语言模型的概率推理能力与知识图谱等结构化知识的确定性和可追溯性相结合，将生成式人工智能从一个强大的内容创造者，转变为一个可信赖、可解释的认知与发明工具的关键一步，对其作为发明的发明方法的落地具有决定性意义。

创新催生性分析：反馈循环与新发明范式

普及性和持续改进性是基础，而创新催生性则是通用技术实现经济变革的放大器。生成式人工智能在这一维度上展现出两个最深刻、最具价值的特征。

第一个特征是跨领域的创新溢出。专利引文分析为此提供了有力证据。首先，生成式人工智能的专利不仅数量在增长，其突破性专利（即被引用次数排名前1%）所获得的后续引用数量，显著高于其他技术的突破性专利。这表明其创新影响力巨大。其次，生成式人工智能专利正变得越来越通用和原创。通用性体现在其后续引用专利分布在远比其自身更广泛的技术领域，如医疗技术、物流、运输和消费品。原创性则体现在其研发本身也依赖于更广泛的知识基础。

最关键的发现是一个正反馈创新循环的出现。数据显示，早期的生成式人工智能专利催生了大量非生成式人工智能的应用创新（例如在特定科学领域的新应用），而这些应用创新反过来又被更新一代的生成式人工智能专利所引用。这证实了技术平台与应用部门之间正在形成一个自我强化的创新生态，这是通用技术的典型标志。

第二个特征，可能也是意义更深远的特征，是生成式人工智能作为一种发明的发明方法（Invention of a Method of Invention, IMI）。这意味着该技术不仅能优化现有的生产和服务流程，它还能直接提高研发和创新过程本身的生产率。

在生命科学领域，它被用于设计全新的蛋白质结构和筛选药物分子，极大地缩短了药物发现的周期。在材料科学中，它被用于发现和设计新材料。在社会科学中，研究人员甚至开始使用基于大语言模型的智能体来模拟复杂的社会经济互动。在教育领域，它正在催生能够适应个体需求的个性化辅导系统。当一项技术开始加速知识本身的产生时，它就不再仅仅是生产函数中的一个变量，它开始重塑生产函数本身。

生产力J曲线与政策启示

尽管生成式人工智能展现出强大的通用技术潜力，但宏观经济数据尚未体现出生产率的显著提升。这并不足为奇，反而符合生产率J曲线的规律。经济体正处于J曲线的初期阶段，即正在进行大量但难以测量的无形投资，包括企业对业务流程的重组、员工对新技能的学习以及社会对新规范的适应。这些互补性资产的积累是释放技术红利的前提，而这需要时间。

这一分析为政策制定者提供了清晰的路线图。政策的重点不应仅仅是推动技术本身的研发，更应围绕通用技术的三个特征来构建一个有利的环境。

首先，针对普及性，政策应促进可信赖的人工智能的广泛扩散。这包括加强数字基础设施建设，解决数字鸿沟，并重点提升企业（特别是中小企业）吸收和应用技术的能力。对劳动力的技能再培训和教育体系的相应改革是重中之重，以确保人力资本能与技术协同进化。

其次，针对持续改进性，政府应继续支持基础研究，特别是在下一代计算、算法效率和能源可持续性方面。同时，必须确保技术的发展嵌入人类价值观，符合glyph 规范和民主原则。

最后，针对创新催生性，政策的核心是培育一个充满活力的创新生态系统。这包括降低新进入者的创新门槛，使更多参与者能利用生成式人工智能平台开发新应用。同时，要促进跨机构的数据和知识共享，并建立适应数字时代的知识产权框架，以激励下游创新。

这些宏观的政策框架固然重要，但技术的真正落地离不开一线的实践者。对于这场变革的深度和广度，无论是生成式人工智能、大模型、AIGC、还是相关的AI芯片和机器人技术，其产品、技术和应用实践都值得我们加入被评为最有价值的走向未来知识星球（https://t.zsxq.com/xpWzq）持续深入探讨。

结论

生成式人工智能在普及性、持续改进性和创新催生性三个维度上均展现出通用技术的强大特征。其潜力不仅在于自动化认知任务，更在于通过一个自我强化的反馈循环催生跨领域创新，并通过作为发明的发明方法来加速科学发现本身。

我们正处在一个重大技术经济范式转变的开端。生产率的巨大收益几乎是必然的，但它不会自动到来，也不会迅速显现。其实现的规模和速度，取决于我们能否成功地进行必要的互补性投资，包括组织变革、技能提升和无形资本积累。这为政策制定者、企业领袖和教育者提出了明确的挑战：我们的任务不仅是开发这项技术，更是要建设一个能够充分释放其变革性潜力的社会经济环境。