高盛：生成式人工智能到底是炒作还是真正的变革

投行高盛采访了硅谷投资公司Conviction的创始人莎拉·郭(SarahGuo)、纽约大学的加里·马库斯(GaryMarcus)以及高盛的首席软件和互联网分析师卡什·雷根(KashRangan)和分析师埃里克·谢里丹(EricSheridan)，探讨该技术在现阶段能做什么和不能做什么。的经济学家随后评估了人工智能对生产力和经济增长的潜在巨大影响。高盛的股票策略新闻和观点工智能发展史关于人工智能的讨论工智能对经济的潜在巨大影响股市：衡量人工智能上行空间力繁荣时期的市场将简要介绍全球市场最重要的经济体。 国的专有数据/观点的重大变化--鉴于我们对经济增长的预测高于共识以及美联储官员发出的信号，我们最近将美联储终端能在7月份)。们关注的数据点/趋势到大流行前的水平。的专有数据/观点的重大变化I汇假设。们关注的数据点/趋势YCC可能的的专有数据/观点的重大变化央行8月份的预测，目前预计英国央行将在6月份加息50个基点 这意味着对英国通胀的更多担忧以及英国央行反应函数的转75%(之前为5.5%)。们关注的数据点/趋势.7%。新兴市场的专有数据/观点的重大变化们关注的数据点/趋势马当先。 月发布了ChatGPT——一种利用自然语言提示创建内容的生成式人工智能工具，引发了投而少数几家构建生成式人工智能核心基础大型语言模型(LLMs)的大型科技公司的表现也大及探讨一下吸引投资者注意力的人工智能生成技术的与众不同之处。高盛美国软件分雷根解释说，该技术能够以文本、图像、视频、音频和代码的形式创建新内容，并通过语言而非编程语言来实现，这是其关键的变革性特征。的风险投资公司Conviction的创始人莎拉·郭进一步解释说，以前的人工智在基础模型(通过开源或API)的广泛可用性(这些模型具有自然语言能力、推理能力和对世界的一般知识)减轻了企业收集训练能力来改造或提升其业务。开发人员的工作效率在某些情况下提高了15%-20%。随着这些工具的使用越来越普遍，莎PeterCallahan所有方面。高盛全球高级经济学家约瑟夫·布里格斯(JosephBriggs)认为，这种变革潜力可能会产生产率增长提高约1.5个百分点，并最终将全球年国内生产总值提高7%。高盛美国股票策略师瑞安·哈蒙德(RyanHammond)和大卫·科斯提(DavidKostin)认为，这种生产率的提能会在中长期内将迄今为止人工智能引领的相对狭窄的美国股市涨势转变为更广泛的涨--以及市场定价是多少--的炒作是否已经过头了？在谈到当今人工智能系统的智能时，美国纽约大学心理学和神经科学名誉教授加里·马库斯(GaryMarcus)认为：“(目前)人工智能统的智能化程度并不高。”，目前人工智能工具中经常被吹嘘的神经网络与人类大脑神经网络的功能完全不谈到市场，高盛的市场策略师多米尼克·威尔逊(DominicWilson)和维姬·常(VickieChang)指出，在过去创新引领的生产力繁荣时期，如电力(1919-1929年)、个人电脑和互联网 互联网分析师谢里丹感到欣慰的是，最近在人工智能主题上表现出色的绝大多数公司仍以相对合理的市盈率进行交易。雷根认为，与其他大型技术周期(如从分布式系统到云当前的“建设”阶段获取收益。莎拉·郭对此应注意哪些风险？谢里丹正在密切关注消费者计算习惯改变的前景，这可能 k人。她在访谈中表示，人工智能的进步迎来了技术范式的转变，这带来了丰富的投资机会，特别是随着软件工程向“软件3.0”转型，传统服务领域越来越多地由人工智能提。但她也警告说，投资者有可能误判如此巨大的技术变革的时间表，而且很难区分人艾莉森·内森(AllisonNathan)：作为人工智能领域的长期投资者，是什么吸引你进入这个Greylock工作时期就开始关注人工智能。机器学习(ML)推动了许多我们熟知并喜爱的业k机器学习技术对这些企业的重要性，我们自然而然地开始探索如何将这些经典的机器学习方法应用到其他领域。一个显而易见的领域是网络安全领域，如Awake、Abnormal或的发展正在迎来范式转变--这肯定是我投资生涯中看到的最大的技术转变--绝大多数投资机广泛应用。言能力、推理能力和世界常识。在这种模式下，企业不需要收集大量的训练数据，这使得该技术突然变得更加有用、易用且成本更低。任何选择投资人工智能的公司现在都可以投资调整这些模型，以增强或改造其业务。nd一些则在十年后才出现。发现使用案例和构建优秀软件需要时间和企业家的智慧。没有进行估值。但作为早期投资者，在一定范围内，我们可以不那么关注估值，而更多地择市场和企业家，以发现突围的赢家。视频和机器人领域。我们尤其期待通过更好的代码模型实现软件开发的民主化。一般来，我最感兴趣的机会是应用层。许多投资者对这一层并不确定，他们认为所有的价值成，现在可以开始由更多的软件提供服务。我们对人工智能带来的民主化效应感到兴奋，莎拉·郭：在广泛的机会集中，现有企业肯定有一些优势--他们的分销和数据--因此毫无疑问家隐形的人工智能安全公司，该公司的目标是将劳动密集型环节自动化。有效收集这些数据将是一个自由竞争的问题。言之，这些公司在建立软件业务的多个方面展开竞争，我不认为人工智能从根本上有利高度技术化的领域，技术水平每周都在变化。上市公司领导层对人工智能趋势的快速承诺声明中进行人工智能营销也不会有什么好处。对上市公司而言，为人工智能工作投资者通常用来评估公司业绩的指标--参与度、交易量、广告库存等--在引入新的人工智能 能用人工智能(AGI)。格林伯格(JennyGrimberg)：如今，生成式人工智能工具究竟是如何工作的？前所有生成式人工智能工具的核心基本上都是一个自动完成功能，该功能已在互似的神经网络。你对此有何看法？反，这些工具并不像人类那样进行推理。人工智能机器最多只是进行一些诺贝尔奖得主丹尼尔·卡尼曼(DanielKahneman)称之为系统1思考(system1thinking)--反射性统计型，这个模型让人类能够理解彼此和周围的环境。人工智能系统没有这样的模型，也没有人和周围世界互动的过程中可以学到更多。作是否过于夸张？麻省理工学院的工程和计算机科学本科考试，这激起了人们的极大兴趣。我的长期合作者厄尼·戴维斯(ErnieDavis)就指出，事实证明该方法存在缺陷，己处可靠地驾驶汽车。我们离实现通用人工智能(AGI)还很遥远。珍妮·格林伯格：人工智能在概念/技术层面是否出了问题，以至于该技术离通用智能如此之在计算背景下研究这个问题的大多数努力都只有不到75年的历史，这对于一门科学的发展学习新的舞蹈动作或完成任何有趣的人类活年内掌握所有这些技能可能并不现实。？我相信是这样。我认为现阶段的人工智能类似于炼金术时代，在那个时代，人们知 软件架构师格雷迪·布赫(GradyBooch)进行过一场辩论，他持悲观立场，认为生成式人工里。当的激励措施，并在正确的方向上分配资金。态度和心态也必须改变。的人们过于自信。他们坚信自己已经发现了开发智能系统的唯一真正方法，并20西构成的，结果发现是DNA。奥斯瓦尔德·艾弗里(OswaldAvery)发现了这一点，该领域型语言模型是实现生成式人工智能的答案。我认为这是一种令人沮丧的分心--大型语言模型答案的一部分，但几乎可以肯定它们不是答案的全部。因此，机器学习社区必须在某人工智能的进展将非常迅速。？马库斯：要警惕炒作--人工智能并不像许多人想象的那样神奇。我不会说现在投资人工智能为时过早；对那些拥有聪明的创始团队、对产品市场契合度有很好理解的公司进行投资很用这些系统是，这似乎是世界发展的方向。一些政府领导人和大型科技公司的负责人最近都提出道路上的一个重要开端。 括机器学习、自然语言处理、神经网络和深度学习。为是"式人工智能是一种根据自然语言提示生成文本、图像和其他内容的人工智能系统。机器学习(MachineLearning)是计算机科学的一个子领域。 ； 自然语言处理(NLP，NaturalLanguageProcessing)是人工智能的一个子领域。能够理解文本和口语。于词语的主题含义及其在句子中的上下文。谷歌翻译是自然语言处理技术在现实世界中NeuralNetworks领域。神经网络的每个神经元或节点大型语言模型(LLM，LargeLanguageModels)是一种机器学习模型，它在大量无标注模型实例。深度学习(DeepLearning)是指具有三层或更多层的神经网络。深度学习与“经典”机器的不同之处在于其使用的数据类型和学习方法。机器学习算法利用结构化程度较高的标 能走过的几十年：了图灵测试(TuringTest)来测试机器表现出智能行为的能力。1960年代：对人工智能的热情不断高涨，资金不断涌入该领域，最终开发出第一款人工智 解2015年1月，埃隆·马斯克(ElonMusk)、斯蒂芬·霍金和史蒂夫·沃兹尼亚克等人在一封公nAIElonMuskSamAltman)等人创办成立。o军李世石。2016年2月，汉森机器人公司(HansonRobotics)首次推出了一款名为索菲亚(Sophia)x前是有史以来最大的语言模型。几乎无法完成的语言任务。lforDialoqueApplicationsiLaMDA 业。以前是从未有过的。人工智能的出现对个人和职业生产力的影响是巨大的--如果计算机能够生成高质量的内容，谢里丹：人们现在非常关注人工智能，因为消费者和企业的想象力已经赶上了这项技术。能嵌入大多数日常产品(如搜索算法和推荐引擎)已有一段时间。但是，生成式人工智能工样，使其能够非常迅速地扩展。这些都是“解锁”的时刻。iPhone花了几年时间才成为消TM布式架构。现有的企业内部系统和技术提供商反对从分布式计算转向云计算，警行讨论，他们对这项技术在内部部署后可能带来的生产力优势感到惊讶。而所有这一切不像一个炒作周期。谢里丹：在推出ChatGPT(OpenAI)和Bard(Alphabet)之后，消费互联网公司现在正，一些解决方案将需要在现实世界中部署，以了解哪些方案可行、可扩展并获得采用。从那时公司才可以占发达市场经济体专业员工总数的三分之一。软件公司正在准备产品，这些产品将在2024这些人群产生积极影响。能生成技术中获得收益？操作系统层的二元应用分发机制。企业将拥有更大的定价权。开发方面已经支付了成本结构。计算提供了大规模部署人工智能所需的计算资源和基础设施。因此，人工智能驱动的举措可客户都优化了支出，这可能会为2023年和2024年的超大规模企业创造积极的收入轨迹。利地位，因为它们已经花费了10年时间和数千亿美元来建设们将利用大量已经到位的设施，在技术行业有史以来最大的投资周期之上增强人工可能是人工智能的基准线。：为生成式人工智能开发基础模型的少数大型科技公司显然处于有利地位。半导体公域的超大规模公司看起来也处于有利位置，可以在构建阶段获得收益。雷根：我们预计，人工智能软件的总可寻址市场将达到1500亿美元。基础设施软件公司也IT支出占资本支出和总收入的比例持续上升。式人工智能被置于现有的云架构之上，它需要能够与云应用对话，这就成倍增加了交互；技术变革的历史表明，通常只有少数有规模的赢家才能获得操作系统层的绝大多(SaaS)公司会从云计算中成长起来，也没有。至少比创新曲线落后50年。相比之下，人工智能监管曲线联网数据收集、隐私和信息传播等方面也处于落后状态。这使得监管力量在此次事件中发挥作用。创新的同时就为这项技术设立防护栏。还有一种颇为愤世嫉俗的观点认为，大型科技公司新。投资者风险是，人工智能生成技术变得如此普遍，以至于成为商品。如果家专门从事生成式人工智能研究，这限制了大型语言模型的学习速度。大型语言模型确术可能就不再有价值了。约瑟夫·布里格斯(JosephBriggs)发现，广泛采用生成式人工智能有可能大幅提高全球生，这将大大节省时间和劳动力成本，导致生产力爆发，并加快经济增长速度。尽管当前生智能对劳动力市场的影响式人工智能对经济的最大影响可能来自其对劳动力市场的影响。为了评估这种影响的潜数据。数据包含了与每个职业相关的各种任务的重要性和难度的测量值，我们结合这些数据来算人工智能节省劳动力的自动化在总工作中所占的比例。具体来说，我们根据对生成式人每个职业的基本工作任务的重要性和复杂性进行加权平均，以估算人工智能可能取代的总作量份额。工作任务可能会被人工智能自动化，其中行政(46%)和法律(44%)职业的风险尤其高，而建筑(6%)和维修(4%)等体力密集型职业的风险较低。%的工 工智能提高生产率球生产率和国内生产总值。数工人所从事的职业会部分受到人工智能自动化的影响，在采用人工智能后，他能会将至少部分腾出的能力用于生产活动。这种动态在已经采用人工智能的企业中可以工人的生产力提升所产生的更高水平的总需求和劳动力需求。信专业人员等新职业的产生，并间接增加了医疗保健、教育和食品服务等服务行业的劳动力求。意味着过去80年中超过85%的就业增长可以用技术驱动的新职造来解释。道如何共同提高美国的生产率增长，我们结合了对非流离失所工人的生产率、流离失所工人的劳动力成本节约以及流离失所工人在新岗位上再就业的构成效应的估提升与现有研究的估计一致。为说明起见，我们假定生成式人工智能对生产率的全面提升是在10年时间内实现的(但不一定是未来10年)，从很大一部分企业采用生成式人工智能上述假设，我们估计广泛采用生成式人工智能可使美国的整体劳动生产率年增长率提高革性技术(如电动马达和个人电脑)后的增长规模大致相同。智能对劳动生产率增长影响的大部分差异，我们估计对其他发达经济体的生产率也有类似每年提高1个百分点以上(外汇加权平均值)，尽管这种影响在新兴市场经济体中可能会延。响巨大，但也有高度不确定性性，最终将取决于人工智能所能完成的任务的难度水平、自动化工作的数量以及应用的速度。我们对这些因素的不同假设表明，对美国年生产力增长的促进作用可能在0.3-3.0个百。，当国企业已经采用了该技术。多数公司开始将生成式人工智能纳入日常工作流程之前，公司仍需要克服数据隐私等一 高盛股票策略师瑞安·哈蒙德(RyanHammond)和大卫·科斯汀(DavidKostin)认为，更多上涨空间。国生产力、收益和股票的潜在提振百分点。根据我们的股息贴现模型(DDM)中的这些假设，我们估计标准普尔500指数未设高出11%。1.我们的经济学家估计，采用人工智能对生产力增长的影响每年从0.3个百分点到3.0个百点不等，这取决于采用的速度、人工智能的力量以及劳动力转移的广度。基于这一系列的产率情景，我们估计标准普尔的上行空间为DP他条件相同的情况下，利率只需在当前水平上调30个基4.标准普尔500指数的价格更明显地与近期的周期性动态挂钩，即使人工智能的应用可能 热期望的危险大的人工智能受益公司目前的估值与2000年代一些最大的网络泡沫繁荣受益公司(微软、英特尔)的估值相似，尽管没有最极端的例子那么高。互联网繁荣时期的历史先例表明了高多米尼克·威尔森(Dominic