数字资产、明星企业与即将到来的生产力大爆发

数字经济与商业模式 2023-03-28

The following article is from 罗汉堂观点 Author 罗汉堂观点

Erik Brynjolfsson教授是罗汉堂学术委员会委员，斯坦福大学Jerry Yang和Akiko Yamazaki讲席教授，斯坦福人工智能中心高级研究员，斯坦福数字经济实验室主任。他同时也担任斯坦福经济政策研究中心高级研究员，斯坦福大学商学院和经济系荣誉教授，美国国家经济研究局研究员。他的研究关注了信息技术对商业策略，企业生产，电子贸易，无形资产等方面的影响，在全球有广泛的影响力。

★

演讲实录

★

很高兴与大家分享我最近发表的一篇文章，数字资产和明星企业。它聚焦于和信息技术息息相关的无形资产，以及观察这些资产如何在长期影响企业的生产力。众所周知，过去10-15年美国经济和生产力陷入了增长停滞的困境。这篇文章可以提供一些解释。我本人是一个乐观主义者，我认为在未来几年，发达经济体将出现一波生产力爆发增长。我将在下文中解释为什么。

纵观历史，我们发现经济的主要推动力是技术，具体而言是通用技术（General Purpose Technology。Bresnahan and Trajtenberg, 1995）。这些技术带来了主要的经济增长动力，例如蒸汽机、电能。这些技术的问世，从根本上提升了人类的生活标准，可以说是最为重要的创新。

通用技术有三个非常显著的特征。首先当然是泛用性，通用技术不会受限于特定行业和经济部门，更是对经济的各个领域都产生深远影响。其次，通用技术可以随时间不断迭代改进，很少是一次性到位的。第三，我认为最重要的是，通用技术催生了一系列配套的技术和发明，形成一个创新的良性循环。举例来说，有了电力，各种电器和生产设备才可能诞生。

人们普遍认为，以人工智能为代表的数字技术将成为新一代通用技术。如果仔细观察，就会发现人工智能技术符合上述所有条件。首先，分类、标识、感知、预测和分析等功能是许多工作中的基础技能，应用范围极广（而AI技术有潜力实现这些功能）。

上个月，我们发布了《斯坦福人工智能指数报告2021》，其中指出，几乎所有行业都出现了突破性的人工智能应用，其中一个有趣的例子是生物医药领域。

2020年11月，谷歌母公司Alphabet旗下人工智能公司DeepMind宣布成功攻克蛋白质折叠预测问题，这是困扰生物学界50年来的重大难题。美国分子生物学家Cyrus Levinthal指出，如果用蛮力来计算蛋白质所有可能的构型所需要的时间可能比宇宙的时间都要长，一个典型的蛋白质可能有10的300次方种可能的构型。AI技术通过氨基酸序列精确预测蛋白质折叠后的3D结构，将大大加深人类对各种致病体的理解和药物发现过程。例如，DeepMind研究人员利用AI预测了冠状病毒SARS-CoV-2的几种蛋白质结构。

其次，人工智能一定是随着时间不断完善的。实际上，机器学习的本质就是不断利用新的数据对算法进行训练的过程。随着人工智能技术的发展，我们终有一天会达到临界点，克服所谓的波拉尼悖论（Polanyi’s Paradox），大大扩展人工智能的应用范围。

波拉尼悖论由哲学家Michael Polanyi在1966年提出，他认为：人类所掌握的技能和知识要远远超过人类所能表达的。举例来说，你可以学习所有关于自行车工作的知识和原理，但还是无法学会骑自行车。“只可意会，不可言传”贴切地形容了这种悖论。波拉尼悖论完美预测了劳动自动化此后50年的发展轨迹。越是底层、本能性的技能，越难以进行编程和模拟，因为人类只是下意识地完成这些工作，无法理解其中的规则和原理，这些技能包括灵活性、即兴发挥、常识和敏捷性等等。悖论导致的最显著后果，是工作和收入的两极化，高收入和低收入的工作是最难以被自动化的。与之类似的是计算科学中的Moravec’s paradox：需要推理能力越高的工作，例如下棋，模拟需要的算力越少；下意识的行为，例如行走、视觉、嗅觉等进行模拟时则需要巨大的算力。

最后，人工智能技术带来一系列创新应用，例如图形识别、声音识别和认知计算等，这些基础应用将带来一系列组合式的创新。实际上，人工智能有可能是有史以来，最”通用”的通用技术。这张照片是我的朋友，Demis Hassabis是DeepMind的创始人。在他办公室墙上有一句话，描述了一个“谦逊的小目标”：我们先解决智能问题，再用它解决世界其他所有问题。

以图形识别为例，我在斯坦福的同事李飞飞教授带领团队建立了ImageNet，他们对1400万张图片进行了人工标识。可以看到，一开始计算机的识别准确率并不高，只有70%-80%。然而在引入深度学习技术后，我们看到在2012年计算机对图片的识别率开始快速地上升，如今已经超过了人类平均的95%。当然这并不是说，人类全方位落后于机器，比如在自动驾驶领域，AI视觉系统还有待改进。我想说的是，在很多领域，我们已经达到了一个临界点，机器的表现正在超过人类。如果你是一个企业家或是管理者，可能需要认真思考，是否这种新的解决方案的效率更高，且成本更低。

如果观察近几年AI应用取得的进展，就会发现人工智能解决问题的方法，通常是在两组数据——输入X和输出Y之间进行计算映射（Mapping）的过程，无论是图像识别、还是根据历史数据来预测未来市场数据等等（下图）。也就是说，一个企业在输入和输出两端都有这样的数据集，或者可以创造这样的数据集，那么就有很大可能应用人工智能和深度学习技术，大大提升效率并削减成本。人工智能应用已经成为一股新的“淘金热”，未来几年，越来越多的企业将开始试水人工智能在业务中的应用。

为迎接即将到来的人工智能时代，企业纷纷开始重金投入IT资产。然而仅有技术，无法真正提升企业的生产力。研究显示，企业在IT资本（硬件和软件）中每投入1美元，就要额外花费9美元让技术真正发挥作用，其中包括技术的实施成本（15%），以及组织能力的变革提升（75%），例如人员培训新的技能、新的生产流程以及新的商业模式等等（Brynjolfsson, Hitt and Fitoussi， 2008）。

以企业资源管理系统（ERP）为例，一家公司可能花费1000万美元采购软硬件，但业务流程再造和技能培训的成本可能高达1亿美元。我们将所有这些与IT软件和硬件相关的投资，称为企业的IT相关无形资产（虽然财报无法捕捉这些资产），可以简称之为企业的数字资产（不包括IT软硬件等）。

到这里，我们可以尝试解释文章开头的问题：数字创新层出不穷，为何过去15年美国经济（GDP）增速放缓，其中部分原因是由于传统经济统计方式无法捕捉企业（特别是明星企业）的数字资产。

很多研究中都指出无形数字资产存在的证明。例如IT资本的产出弹性，资本产出弹性是成本份额的3倍左右。我们很难解释这一现象，因为理论上，在一个竞争均衡里，资本输入和输出的份额应该是大致相当的。从2000年起，企业的股票市值长期背离其会计价值（数字企业的市盈率要远远超过传统企业）。研究显示，1美元的IT资本投入可以带来10美元的市值增长（Brynjolfsson, Hitt和Yang, 2002）。

该研究覆盖了美国1216家大型企业的数据，发现企业在IT资本中投入1美元，大约能带来10美元的市值增长，而在其他类型资产中的投入只能带来约1美元的回报。

因此唯一合理的解释是，IT带来的巨大回报绝非免费午餐（它需要企业投入大量资源建设数字资产），（在传统审计中）对无形资产的投入不被视为资本。

基于此，我们想要问三个关键问题，也是本研究尝试回答的问题。

第一：市场对数字资产的超高估价（10:1），到底是因为数字资产的价格还是数量，如果是价格导致的，那么造成这种状况的原因可能是数字技术在企业中应用的困难（明星企业享受到先发优势）或者是类经济租造成的（数字明星企业占据优势地位），无论何种原因，随着技术普及，这种价格高估会逐渐消失。然而，如果是由于数字资产的数量（占公司资产比率）提升造成的，企业的生产能力和竞争力才真正提升了，这将对经济（以及GDP核算）产生长期性的影响。

第二：哪些公司创造了最多的数字资产？

第三：数字资产对生产力以及经济发展的启示是什么？

因此问题的关键是如何分离数字资产的价格与数量。我们的方法是：

数字资产的价值等于资产数量乘以资产价格。
数字资产价格应该和企业的调整成本及数字资产数量相关。

通过以上两个方程，我们应该可以分别计算出价格和数量两个变量。

在一个竞争充分的市场中，企业的市值应该与它的三种资产的价值相关，第一种是固定资产（PPE）包括房地产、工厂和设备等，第二种是其他资产（OA），第三种为数字资产。各类资产的市场价值应该等于企业拥有该项资产的投入价值乘以一个系数。通过企业市值对于三种资本的回归分析，我们可以估计出各类资产对应的系数，从而推出企业数字资产的市场价值。

因此，为了（回答第二个问题）观察不同企业之间数字资产数量的变化趋势，我们需要寻找一个企业对IT投资的历史数据。通常获得这样的数据非常困难，我们使用了一种创新的替代方法。我们与微软旗下的商务社交平台Linkedin合作，对网站上IT从业人员的工作经历进行了统计分析。根据他们在不同企业之间的就业经历，我们可以分析一家企业IT劳动力数量的变迁。我们从4千万份简历中分析出了1亿5千万份就业经历。根据这些数据，我们可以绘制一个从1980年代中期到2016年间，美国企业IT从业人员平均数的变化趋势图。

根据美国劳动统计局提供的不同职业岗位和级别薪资水平的数据，我们可以计算出企业每年对IT人才的投入，而这一投入可以作为企业对IT投资的代理变量。然后再根据上述两个方程式，我们就可以计算出过去30年间美国企业数字资产数量（下右图）和价格（下中图）变化的趋势了。

从上述分析中，我们总结出几个重要的发现和趋势

1. 数字资产的价值从1990年代开始快速上升，2000年左右的互联网泡沫的破裂，让数字资产的市场价值下跌。2010年起，资产价值又开始回升，正好与大数据、数据科学和人工智能等新一代IT创新的出现“不谋而合”。

2. 除了在互联网泡沫期间，数字资产价值的波动大部分是由于资产数量的增多推动的（数字资产价格的增幅要远远小于数字资产数量的增幅）。在我们取样的企业中，数字资产与实体资产的比率大概在1/5和1/4之间，同时与人工智能技术相关的数字资产正在快速增长。

3. 如下图所示，明星企业创造的数字资产数量要远远领先于其他企业。特别要注意的是，这张图只包含1985年以前创建的企业，因此排除了谷歌、亚马逊等数字巨头，如果将他们的数字资产计算在内的话，这个差距将更为夸张。

4. 数字资产数量的增多与三波新兴劳动技能需求猛增是吻合的，第一波是1990年代的IT网络管理员；第二波是2000年带中期的网页设计师和数据库工程师；最后一波是2011年后走俏的数据科学家和人工智能专家（企业对特定专业技能人才的投入提升了数字资产数量）。

5. 数字资产对企业生产力的贡献是传统IT资产的两倍左右。然而AI相关的数字资产还未对生产力产生明显的推动作用。

最后一点和我们前面提出的问题息息相关，为何技术创新无法带来生产力的提升和GDP的增长？这是由于当新一代通用技术出现时，企业需要在前期投入大量的资源建设无形资产，才能让这些技术发挥作用。而这些无形资产是无法被传统经济统计所捕捉的。如果用全要素生产力衡量的话，在起初的投资期，我们会低估企业无形资产的输出，而当技术可以发挥作用时，创造新的产品和服务时，我们又会高估有形资产对生产力的输入。因此就会出现一条所谓的生产力J形曲线（ Erik Brynjolfsson, Daniel Rock, Chad Syverson，2021）。

最有代表性的例子是电力在工厂里的应用。尽管电能在19世纪末就已经发明，但直到问世30年后，才替代了当时广泛使用的蒸汽动力。因为这不仅仅是动力的替换，还要重新设计工厂的生产方式、设备布局以及工人技能的再培训。由于蒸汽驱动的机械能进行远距离传输的损耗太大，工厂所有生产设备必须以大型蒸汽机为中心进行布局，以动力需求为核心。而电力可以进行远距离传输，工厂可以按照生产流程和步骤对设备进行布局，形成距离非常长的生产线，从而大大提升生产效率。（见下图蒸汽动力工厂与电力工厂的对比）

对无形资产的低估是过去10多年各主要经济体GDP增长陷入停滞的重要原因之一，但还不足以解释所有问题。例如今天很多数字企业提供的服务是免费的，虽然消费者享受到了很多福利，但由于价格为零，无法算入GDP里。因此我们正在推广一种新的以消费者福利为基础的经济统计指标（GDP-B）（见幸福能被衡量吗？答案或在GDP-B）

最后，J形成产力曲线到底意味什么？作为一个乐观主义者，我认为OECD主要国经济体已接越过J形曲线底部的拐点。如上所述，随着AI技术在各个行业的应用不断成熟，在未来几年，我们也许将看到生产力的大幅提升。

在为MIT斯隆商业评论撰写一篇文章中，Erik列举了3个原因：第一是AI技术在近两年取得的快速进步；第二是新冠疫情大大加速了技术的渗透；第三，宽松的政策导致劳动力市场过热，推高工资报酬，会促使越来越多的企业试水AI技术。

点击下方链接，查看更多往期文章

数字经济热点习近平心中的“数字中国”

学术视界｜管理世界—数字创新管理：理论框架与未来研究（附下载链接）