智能经济——人工智能时代的经济增长、产业格局与大国博弈
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。
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
目录
1、武汉解封：小小健康码背后的大智能
2、疫情加速智能经济到来
2.1、基于深度学习的人工智能：一种新的通用技术
2.2、疫情加速智能经济到来
3、智能经济时代：经济增长、收入分配与均衡利率
3.1、提升中国潜在经济增长水平
3.2、人工智能如何影响劳动力市场和收入分配
3.3、应对分配失衡
3.4、对总需求和中性利率的影响：“新经济”的案例
4、智能经济时代：市场结构，大国博弈与监管政策
4.1、市场竞争格局：科技巨头的垄断会加剧吗？
4.2、贸易产业政策与大国博弈
4.3、有关数据与人工智能的监管政策
5、风险提示
6、注释
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。
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……．．
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。
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。
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。
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能够得到比较满意的结果。
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。
伴随着互联网的运用足够广泛，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。
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
当然，人工智能也存在着非常明显的局限：
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。
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。
2.2.1、疫情直接催化对人工智能产品的需求
疫情爆发对于医疗资源的挤兑直接推动了医疗领域人工智能的加速落地；同时，为了防范疫情传播而产生的对非接触式服务的需求显著催化了对于无人消毒、智能监控、无人配送、无人零售、远程智能教育、远程贷款催收等人工智能产品的应用变成现实。
疫情冲击之下，无人零售热点重燃，智能教育迎来新的发展机遇，而一些新的人工智能的应用更令人惊叹。2月2日，一家由湖北中百仓储和阿里巴巴合力搭建的无人超市在武汉火神山医院开始营业，消费者从挑选到支付全程都是自助式完成。在2020年新春期间数亿人远程上学之际，一些企业提供的人工智能自主学习系统，则提供了形成个人学习画像，规划最佳学习路径，推荐针对弱项的视频学习和针对练习等定制化的智能教育服务内容。疫情爆发之后，中邮消费金融等消费金融公司暂停人工现场催收，启动智能机器人远程催收——与人工催收相比，智能机器人可以批量呼叫，全年无休，情绪稳定，没有语言暴力，保障合规，而且不存在人员培训和流失的问题，效率大幅提升。
2.2.2、疫情加速数据积累和整合——为人工智能的训练提供素材
疫情的爆发在直接催生了对于人工智能产品的需求的同时，也改变了用户的消费习惯和活动方式。大量活动的互联网化显著增加了数据量的积累，企业、政府也对数据进一步整合，这为进一步优化现有的人工智能以及训练其它的人工智能算法打下了基础。
在数据整合方面，疫情也起到了催化剂的作用。例如，各省市都建立了新型肺炎疫情监控平台，将医疗数据与大数据结合，实现了同行车次查询、同行航班查询、周边社区确诊查询等应用，分散在各个部门的数据有机会被统一调取、分析和用于人工智能的训练——有助于打破“数据孤岛”。由于涉及病人隐私、数据标注需要医学专家等原因，医疗领域的人工智能企业获取数据一直存在一些挑战，疫情爆发以后腾讯与钟南山院士团队共同成立大数据及人工智能联合实验室，以大数据及人工智能攻坚流行病、呼吸疾病和胸部疾病的筛查和防控预警。医疗人工智能的应用在一定程度上获取了官方的认可，在数据整合方面的便利程度大幅上升。
2.2.3、疫情进一步推动人工智能硬件设施升级
在对在线活动以及人工智能需求显著上升之际，互联网和科技巨头们也都抓住时机升级自身的硬件系统，为未来人工智能的发展铺好道路。例如，以腾讯会议、阿里钉钉为代表互联网服务商在数亿人线上办公、线上教学之际大幅的扩充了自身的云服务器。
2.2.4、全球面临人工智能风口
人工智能技术首当其冲被用于疫情的预测和诊断，帮助缓解医疗资源的高度紧张。例如，BlueDot公司基于自然语言处理技术来搜寻新闻报道、公共健康数据和其他资源，在新冠爆发之初发挥了监测的功能。谷歌宣布与政府合作搭建在线问诊网站，利用人工智能技术帮助人们进行自我筛查。
基于人工智能技术的机器人、无人机、语音外呼等应用也同样在生产生活领域显示出其巨大的发展潜力。在疫情期间，美国沃尔玛在商店中继续推广自动驾驶机器人的使用。谷歌旗下的Wing无人机也于近期开始大规模进军物流配送业，两周内完成了超过1000次送货服务。韩国著名人工智能企业Hancom集团引进了外呼机器人的方案和技术，并于3月24日正式在韩国上线使用。
在疫情的催化之下，智能时代已经悄然到来。从宏观的视角来看，基于机器学习的人工智能毫无疑问会提升中国乃至全球的潜在经济增速水平。当然，其对于劳动力市场的冲击可能带来更严重的贫富分化。从美国新经济的历史经验来看，技术进步会推动经济繁荣，在经济繁荣期的利率可能出现周期性的上行，但是带来贫富分化的技术进步可能带来利率趋势性的下行。
技术进步首当其冲会提升一个经济体的生产效率。例如，电力和信息技术的广泛应用使得美国的劳动生产率在1915-1924年以及1995-2004年之间出现了明显的加速，也是美国经济出现“柯立芝”繁荣和“新经济时代”的基础。人工智能当然也不会例外。我们最保守的估计是人工智能会在未来十年平均每年提振中国的潜在经济增速0.5%。
3.1.1、人工智能两种应用有望提升未来十年年均GDP增速0.2-0.3%
首先，单单从人工智能有望迅速取得应用的两个个领域——自动驾驶与智能呼叫中心来看，就有希望在未来10年提升中国的潜在增速0.2-0.3%。
自动驾驶取代汽车司机。包括谷歌等公司已经证明，自动驾驶汽车比人工驾驶汽车更安全，更有效率。在一些环境简单的场所，无人卡车已经进入到了应用阶段，而更复杂一些的无人出租车等在3-5年内能够接近商业应用也是大概率事件。按照近两年中国汽车保有量的数据估算[10]，我国以司机为职业的人员总数保守估计可能高达2600万人。2019年我国城镇就业人员约4.4亿人，职业司机占全国城镇就业人口的约5.9%。如果在未来10年有一半的职业司机为自动驾驶人工智能所取代，就意味着在有3%的劳动力被节约下来的情况下可以完成同样的总产出，人均劳动生产率可以因此额外上升3%。如果平均到十年来计算，每年劳动生产率可以额外增长约0.3%。
从资金流量表初次分配非常粗略的估计劳动力对GDP的贡献为约60%，则劳动生产率上升约0.3%意味着潜在经济增速有望额外上行0.2%。
人工智能取代传统呼叫中心。伴随着语音识别技术水平的提高和人工智能在问题回答领域的进步，人工智能有望取代呼叫中心服务人员回答60-70%客户问题。实际上，考虑到大量客户问题都是比较类似的问题，人工智能的解决方案不仅仅成本更低、还不会出现不耐烦的情绪，质量更高。实际上由于客户中心服务人员的质量良莠不齐，还需要额外的监督员对他们的通话定期的抽查，人工智能也有望较好的协助履行这一职责。
据估计，2016年中国呼叫中心坐席数为170万左右[11]，以平均一个坐席有2.5名就业人员来看，总就业人员超过400万人。如果在10年之内70%的呼叫中心接线员被人工智能应用所取代，那么会节约中国城镇就业人员的0.6%。而这也意味着未来10年每年的劳动生产率会额外上升0.06%，潜在经济增速还会额外上升约0.04%。
3.1.2、人工智能提升潜在经济增速和福利水平的程度远高于此
实际上，人工智能对经济增长和福利水平提升的贡献不止于节约劳动力本身。例如，公安部的数据显示中国2018年死于车祸的人数在6万到7万之间[12]，受伤的人数可能还会数倍于此。如果无人驾驶的汽车出现车祸的概率显著小于由人驾驶的汽车，无人驾驶降低死亡率不但会增加劳动力的供给，也会降低医疗救助等方面的社会成本，提升潜在经济增速水平和社会福利水平。
此外，人工智能还可以完成许多人类根本不能完成的任务来提升全要素生产效率：
如果简单的把自动驾驶和智能呼叫中心对于潜在经济增速的影响高估一倍，非常保守的估计是人工智能可能会在未来10年每年提升中国的潜在经济增速约0.5%。
就如同内燃机的发明取代了马一样，人工智能取得的进展也引发了机器是否会大范围取代人并导致大面积失业的担忧[15]。就目前看来，基于机器学习的人工智能仅能在一些领域、部分的取代人——甚至在一些低端领域，也难以完全取代人。这意味着就长期而言，工作总是能找到的。但是，相对的工资可能发生变化；而且，一些被替代劳动力无法接受其它行业更低的工资而主动退出劳动力市场——劳动参与率下降可能出现。这两者可能都意味着收入分配可能会继续失衡。
3.2.1、人工智能对工资和就业机会的结构性冲击：理论探讨
理论模型上看，与其它技术进步类似，基于机器学习的人工智能当然会取代一些（例如相对低端的）工作，但是也会创造出一些新的（例如与人工智能研发、设计的）工作；同时，那些从人工智能中获益的人（包括研发、使用人工智能的人以及以更便宜价格享受人工智能提供的从前为人所提供的服务的人）肯定会有更高的实际收入水平，也会增加需求，包括对人工智能不能替代的（其它低端）工作的需求。只要存在人工智能所不能替代的相对低端的工作——例如按摩师、保姆、清洁工人——而且这些行业的岗位需求始有价格弹性的，那么就业的机会总是存在的，只是相对的工资会发生变化。
例如，人工智能可能导致卡车司机失业，但是运输公司的老板、人工智能企业的员工、乃至于受益于运输成本下降的整个社会的其它人可能都会因为人工智能的发展而真实收入上升。这些人收入增加之后会增加对于家政人员的需求。当然，由于受益人增加的这一部分收入肯定不会100%的用在家政方面[16]，而如果失业司机作为低技能劳动力只有转入低技能家政行业的能力，那么他们的名义收入就会下降，而与其它人的收入差距进一步拉大。其中，一些不愿意接受更低工资的失业司机可能永久性的退出劳动力市场。
3.2.2、技术进步对劳动力市场冲击的历史实证证据
来自发达国家劳动力市场的历史数据大体上支持上述的理论推导结果。一方面，没有明显证据支持高劳动生产率与高失业率的关系。另一方面，技术进步之后，特别是在第三轮技术革命出现之后，许多国家的劳动参与率出现了显著的下降，劳动力市场的两极化也表现的比较明显。
技术进步并没有带来失业率上升的一个证据在于劳动生产率较高的国家并没有明显表现出更高的失业率。例如，虽然卢森堡和美国的人均GDP大大高于捷克，但是过去10年的平均失业率却差不多。实际上，从OECD国家的数据来看，自动化程度、生产效率更高的国家似乎失业率还更低一些。
但是，技术进步对劳动力市场的结构性影响确实存在。虽然第一次和第二次工业革命的经验显示技术进步在短期取代一些工作的同时，在中长期会创造出新的工作[17]。然而，与蒸汽机与电动机的发明不同，在信息技术革命兴起之后，美国劳动力市场出现了非常明显的两极化，而计算机和自动化的发展大量替代了一些常规性的中等技能的工作被认为是两极化的重要原因之一[18]。
下图展示了以美国1980年基于收入高低分位数的各类型工作岗位数量的变动状况。数据显示，在整个80年代，低收入的岗位占全部工作岗位的比重略有减少，中等收入岗位的占比略有上升，高收入岗位基本稳定，但是整体变动不大。然而，到了90年代信息科技高速发展以来，美国中等收入工作岗位数量占全部工作岗位数量的比重大幅下降，高收入岗位数量占比显著上升，而低收入工作岗位的占比也有一定程度的上升。
此外，近几十年以来，包括美国在内的主要发达国家都经历了优势年龄（25-54岁）阶段男性的劳动参与率下降的问题，而且集中在高中及以下学历的男性人群。研究表明，这种下降一定程度上与自动化带来的中等收入工作岗位减少有关[19]——一些人不愿意接受更低收入的岗位又没有能力从事高收入的工作被迫退出劳动力市场。
当然，上文中人工智能对劳动力市场冲击的讨论偏长期，如果一些人工智能的应用在短期内对于一些职业构成较大冲击，不能排除出现短期失业率显著上升的现象。
3.3.1、社会保障体制可能出现调整
如果人工智能进一步扩大了社会的贫富差距，政府的收入再分配安排以及社会保障制度的调整可能是必须的。一些西方学者已经开始讨论在人工智能时代政府为每个国民每年无条件提供一定基本收入的社保计划，为企业提供就业补贴以促进就业，以及政府强制创造一些就业机会给需要找工作的人等一些社保和福利方面的安排[20]。
3.3.2、人工智能能使得教育更加均等化吗？
除了社保计划之外，我们认为人工智能也有可能通过教育资源共享发挥减少贫富差距、改善阶层固化，以及改善社会分配方面的作用。
实际上，教育是人类应对人工智能挑战的主战场之一。如果教育可以培养出更多人工智能所难以发挥作用领域的人才，或者帮助更多受到人工智能威胁的劳动者获得这方面的技能，也会对于劳动力市场的均衡和社会分配公平的改善发挥积极作用。毋庸置疑，包括个性化课程定制、远程教学辅助等教育人工智能肯定会发挥重要的作用。
3.4.1、对美国新经济的案例研究
与人工智能推动的潜在的经济繁荣最具可比性的经验来自于上世纪九十年代美国经历的新经济时期。在信息科技等多方面因素的推动之下，美国经济在1991年2季度到2001年1季度间出现了一次较长时期的经济繁荣，平均GDP同比增速接近于4%。同时，在失业率持续下降的过程中，通胀也保持在较低的水平。高增长和低通胀的组合被视作是经济增长的黄金时期。
当然，经济的较快增长也带动了政府支出与私人住宅投资的上升，但是其势头没有私人非住宅投资上升那么剧烈。
从利率的角度而言，经济走强也带动政策利率的上行及长期利率的上行。特别是在经济繁荣周期的晚期。
包括美国国民经济研究局和高盛集团经济学家在内的一些研究者估计了17个国家从19世纪以来的长期真实利率[25]，发现上世纪末以来全球真实利率的下行是很罕见的，在历史上，只有第二次世界大战期间与此后利率管制时代曾经出现过这种现象。
大量学术研究表明，全球利率的下行与人口老龄化等多方面因素有关，贫富分化的扩大也是其中的重要解释。全球真实利率这种明显下行趋势性恰好发生在“新经济”与信息技术推动的第三轮技术革命之后，这是一个简单的巧合还是与新经济扩大了社会的贫富差距对利率产生了明显的冲击值得进一步探究。但是，定性而言，如果人工智能时代收入差距持续扩大的话，有理由相信这一因素会对利率产生下行的冲击。
3.4.2、防止误解的说明
在生产函数——决定资本与劳动在生产过程中的份额以及贡献方式等——不发生变化的情况下技术进步的供给冲击之下，需求会上升的更快，会出现投资和利率的上升。但是，利率的水平肯定还受到生产函数本身变动的影响。例如，如果资本品的价格不断下跌而轻资产的生产方式被广泛使用，也可能导致利率的上行不及预期。在人工智能时代这个因素的影响不容忽视。
然而，上个世纪九十年代新经济期间，信息科技的广泛使用也在相当程度上带来了轻资产的生产模式，虽然这些因素有可能是利率出现趋势性的下行的因素之一，但是并没有明显的改变对资本需求周期性上升和利率周期性走强的事实。因此，我们更倾向于认为人工智能时代的利率仍会在经济繁荣期出现周期性的上行。
互联网时代，一些科技巨头不断加强的市场地位已经开始引发社会各界关于垄断的担忧。人工智能到来是否会加剧寡头垄断的趋势？在智能经济时代，当前相对领先的中美两国又将会把大国博弈引向何方？公共政策又该如何在数据共享、反垄断、保护国家安全与个人隐私等领域发挥作用？
对于一家想要提供某项人工智能服务的公司或者想要部署和使用人工智能技术改善自身产品和服务的企业而言，通常需要做如下的准备：
2）建设和管理数据中心——需要大量服务器和云计算，通常借助云服务商；
3）雇佣人工智能的专业人士来设计算法并利用大量数据来训练/优化算法中的参数；
这意味着人工智能的开发市场会呈现出什么样的市场结构呢？而人工智能的使用又会对其使用者所在的细分市场产生什么样的影响呢？
4.1.1、购买还是自建
在回答这个问题之前，首当其冲需要回答问题是企业是依靠自身的力量来优化人工智能的算法还是直接购买成熟的算法进行应用？通常而言，如果一项生产要素专属性较强（买家与卖家之间容易出现互相勒索），交易的内容比较复杂（交易的责任与权力难以在签署合同时全部确定，后续扯皮比较多——也称为不完全合约）[27]，或者生产过程和企业自身的优势有较强的协同效应，企业会倾向于选择自建该要素的生产线。反过来，如果该生产要素通用性较强（供应商选择广），产品或服务的标准化程度高，而生产的规模效应很显著（产量大则便宜），则外购可能是个比较好的选择。
4.1.2、人工智能供应商的市场结构：云服务商VS特定领域的垂直供应商
拥有大量基础数据的、互联网科技巨头拥有的云服务商在通用人工智能的领域拥有显而易见的优势，包括语音识别、图像识别、精准营销等人工智能的应用。这些云服务商也乐意于开放自身的人工智能应用支持其它企业的人工智能化进程并收取费用。例如，目前市面上超过70%的泛阅读类APP已经接入百度的语音技术，让用户随时随地、随心所欲切换“读书”和“听书”[30]。
与通用型人工智能供应商——大型云服务商——对应的是某些细分领域的人工智能供应商，如医疗诊断、信用评估、保险理赔等。它们类似于电商时代的垂直电商——火币网、食行生鲜等。专注与深度是这些人工智能提供商的优势。
前文中提到的平安智能闪赔和为海尔智能冰箱提供图像识别人工智能的爱图瓴就是此类人工智能提供商的例子。除此以外，科沃斯等扫地机器人制造商等也都属于这个范畴。这些人工智能供应商一方面也需要通过某些方法获得训练算法需要的数据，一方面在算法和应用等方面也需要有更定制化的考虑。
由于人工智能的应用极其广泛，我们预计通用平台型的公司难以独占市场，细分领域的人工智能供应商应该也会拥有相当的市场份额。
4.1.3、人工智能会带来更高的产业集中度吗？
一般而言，造成市场集中度提升的有四种因素：
人工智能的训练最主要的特征是干中学，当然，也有很明显的规模效应。一般而言，体量越大的数据库训练出的人工智能性能越好，而性能越好的人工智能则可能被更多的场景所应用，并产生更大体量数据[32]，符合干中学的特征。而人工智能初始的训练阶段非常昂贵，但一旦某种人工智能算法被训练出来，类似于软件，它的边际生产成本几乎为零，规模效应也很明显。
我们认为人工智能不大可能带来类似于互联网平台兴起类似的垄断，但是可能在一些细分领域带来一定的垄断。整体而言，由于难以出现绝对垄断，人工智能创造的额外产出或者带来的效率提升肯定会以价格下跌的方式令整个社会获益。
其次，我们认为用于训练的数据的专属性比较强（难以从一般渠道获得）、建立可用的人工智能算法的初始数据量要求较高的人工智能企业才比较容易形成寡头的市场地位。
由于数据量对于改善算法的边际回报是递减的，训练数据公开可得的一般性通用人工智能应用比较难以获得寡头垄断地位。例如，训练图像识别人工智能的图像数据是大量存在的，不同的供应商也许在拥有的数据量上存在一定差异。但是，如果一个训练较好的图像识别人工智能识别准确率是97%，水平稍微差一些的是95.1%，用户愿意为1.9%额外的识别率付出的费用是比较有限的。在这种情况下，会有多个供应商有能力提供图像识别服务，价格战会非常激烈[33]。
从人工智能供应商的角度而言，云服务商平台当然会形成相当程度的寡头垄断，但是其原因可能更主要的还是来自于平台本身的规模效应。最起码对大量的通用人工智能而言，因为干中学带来的产业集中度提升的对云平台垄断地位巩固的贡献可能比较有限——因为各家云平台都能提供类似的人工智能服务。
对于一些特定领域的垂直供应商——医疗、金融风控等等，如果用于训练人工智能算法的数据本身的属性专属性比较强，有可能形成一定程度的多寡头垄断，但是恐怕难以和网络效应支撑的互联网平台的产业集中度相比。
从人工智能的使用者而言，如果人工智能的应用不影响到企业的核心业务和核心竞争力——例如地产公司装修房屋时采用的智能家居——那么对于产业格局的冲击应该是比较有限的。
如果牵扯到企业的核心业务——如智能驾驶之于汽车行业——那么产业格局可能会受到一定程度的冲击。在人工智能领域落后的企业有可能因为技术落后而被淘汰出局。如果训练此类人工智能的数据满足专属性比较强、初始训练数据量门槛比较高的条件，还存在产业集中度进一步上升的可能性。
例如，如果只有少数的企业（包括科技公司和与科技公司合作的部分领先车企）掌握了可以实用自动驾驶人工智能解决方案，这些解决方案是否会提供给那些不具备能力的传统车企具有不确定性。即使提供，比较高的价格可能也会挤压下游车企的利润并且可能迫使一些较为弱小的企业退出市场。
4.2.1、寡头垄断、后发国家与贸易产业政策
实际上，对于为什么中国拥有大量顶尖的互联网企业而欧洲、日本却没有的一个可能解释就是中国政府通过行政手段阻碍了美国互联网公司进入中国市场。
在这种情况下，中国政策的制定者一定会考虑一系列的政策选择，包括是否需要对于一些关键性人工智能行业实施战略性的贸易和产业政策？例如对本国人工智能企业提供各类补贴？对于外国人工智能应用进入本国是否需要加以限制？从国家安全的角度考虑，是否需要强制要求一些关键的人工智能算法和参数公开源代码？是否对于用于训练的数据和云服务有本土化存储和训练的要求？
4.2.2、人工智能与大国博弈
无论是从综合国力还是从发动新一轮工业革命——智能经济——所处的位置上来看，中美两国当前都处在相对世界其它国家领先且直接为竞争对手的地位上。以人工智能产业而论，中方的优势是人口大国，且互联网+战略使得互联网对经济的渗透程度比较深，拥有比较明显的数据优势；而美方的优势是人才、技术的储备都比较好，在许多领域是技术的创新和领先者。事实上，从全球处于领先地位的互联网及科技企业市值来看，美国当然处于最领先的地位，但是中国紧随其后，而其它国家则有较为明显的差距。
在这种情况下，如果中国在人工智能产业采取战略性的产业和贸易政策，肯定在相当程度上与公平、开放的市场经济和国际贸易的一般原则相抵触，并且会受到美方的强烈反对，当然也容易产生腐败等道德风险。理想的情况是国际社会能够协商出一套大家都能接受的规则——让后发国家有机会去追赶，但先发国家也觉得竞争还是公平的。然而，考虑到中美两国渐行渐远的趋势，同时考虑到人工智能技术在新一轮科技革命的中心地位，我们认为有关数据与人工智能的产业与贸易政策很可能会成为未来中美两国摩擦的中心议题之一。
日本欧洲在相对传统的高端制造等领域仍然有相当的优势，进入人工智能时代，他们在实体世界智能化的智能制造方向——通过在设备上加装相应的传感器，使设备厂商可以远程随时随地对设备进行监控、升级和维护等操作，更好的了解产品的使用状况，完成产品全生命周期的信息收集，指导产品设计和售后服务——可能也会延续自身的优势。中美在人工智能领域的博弈肯定也可能会引发日本欧洲的关切和参与。
4.3.1、数据共享
智能经济时代，数据成为了一种新的资源。有人认为数据是新时代的石油。但是石油是一种私有品，一个人使用了，其他人就不能使用，而数据则不同，一个人的使用不会影响其他人的使用。一些研究者认为，与其考虑数据归属于谁——这一针对私有品的问题，不如考虑谁有权接入和使用数据[35]。
4.3.2、反垄断法
面对互联网企业和人工智能企业潜在的垄断风险，现有的反垄断法如何发挥作用也值得探讨。实际上，此前一些互联网平台抢占市场份额的时候采取的补贴措施就涉嫌倾销，而且在法治比较健全的国家类似手段比较少见[36]。
展望未来，如果一些公司通过补贴的方法获取数据并用于训练人工智能是否涉嫌倾销？这些问题也值得进一步探讨。对于投资人工智能企业的投资者而言，这些问题也是一些潜在的风险。
4.3.3、数据安全与隐私
数据安全既牵扯到国家层面的安全，也包括私人和公司层面的安全。
从国家层面而言，数据安全关系国防安全、经济安全等敏感问题。其中的一个考虑是，如果数据存储在国外，则执法也可能会受到限制。为了保护主权和经济，各国政府正在越来越多限制数据的流动。
例如，虚拟边界已在数字云中兴起。欧盟的《通用数据保护条例》仅在公司具有适当的保护措施或目的地国具有“足够的保护水平”时才允许个人数据离开欧盟。印度禁止付款信息离开该国，并可能很快要求某些类型的个人数据永远不能离开该国。俄罗斯要求对数据进行处理并将其存储在其领土内的服务器上[37]。中国的《网络安全法》规定“关键信息基础设施的运营者在中华人民共和国境内运营中收集和产生的个人信息和重要数据应当在境内存储。因业务需要，确需向境外提供的，应当按照国家网信部门会同国务院有关部门制定的办法进行安全评估“。
当然，这种按照主权国家边界进行划分的数据分割对于小国特别不利。因为它们的数据体量太小，云计算提供商可能会拒绝为这样的市场提供服务。
在私人领域，有关数据安全的制度设计也非常重要。例如，公司是否有动机为数据的安全和隐私的保护而投资？美国和英国在有关使用ATM取款机责任的规定不同产生了非常不同的影响。美国的规定是银行客户的说法被默认为对的，除非银行证明他的说法不对；而英国的规定则是银行的说法被默认为是对的，除非银行的客户证明银行的错误。最后的结果是美国的银行为ATM机的安全进行了更多的投资，包括安装摄像头等。
当然，如果个人隐私无法得到合理的保护——政府通过人工智能可以有效监督所有国民的一切行为，效率和水平会远远超过历史上所有的特务机关，也会带来政府和民众关系的改变。新锐历史学家尤瓦尔·赫拉利指出了在一些国家可能存在的风险：个人对政府的抱怨甚至只是神情的不满，都有可能被人工智能发现并交给政府有关部门处置[38]。
智能经济已经来临，也必将带来巨大的投资机会。本文只是对于人工智能对于中国经济增长、收入分配、利率水平、产业结构、贸易政策和监管安排等方面的影响做了一个初步的探讨。抛砖引玉，更多的研究有待来者！