The Reverse Big Push: Generative AI and Self-Fulfilling Automation

在现代经济中，企业赚钱的方式往往取决于其运营支出与客户回流资金之间的微妙平衡。当一家公司雇佣员工时，它支付工资；随后，这些员工将工资花在其他当地企业上，从而创造了一个维持整个经济运转的需求循环。这个循环是局部市场运作的基本组成部分。几十年来，经济学家一直在研究新技术如何改变这种平衡。有时，由于新机器的购买成本过高，只有少数公司能够负担得起，因此这些公司必须努力寻找足够的客户来支付机器的费用。这就是“大推动”（big push）的经典理念，即高昂的成本迫使一群企业共同成长以求生存。

然而，生成式人工智能的兴起扭转了这一局面。如今，使用先进人工智能最昂贵的部分——训练计算机系统的成本——是由构建该系统的公司承担，而非使用该系统的公司。一家律师事务所或设计工作室可以按小时租用人工智能的算力，随着新业务的到来灵活使用。这使得自动化看起来更像是一种灵活的运营支出，而非沉重的预付投资。但问题在于：如果一家企业决定利用这种人工智能来取代其人力团队，它就会停止支付这些工资。如果许多企业同时这样做，失去工作的劳动者就会停止在当地经济中消费。这会缩减所有其他人的市场空间，使剩余企业的生存变得更加困难。研究人员正在探讨的问题是，这种转变是否创造了一个陷阱，即企业在追求自身利益最大化的过程中，不经意间摧毁了它们所依赖的市场。

来自中国的经济学家团队建立了一个模型来探索这一特定动态，重点关注在局部服务经济中，“使用人工智能辅助人类”与“使用人工智能取代人类”之间的选择如何演变。他们发现，经济可能会陷入两种截然不同的状态，具体取决于企业对未来的预期。在一种状态下，企业保留人力团队，工资水平保持在高位，局部经济充满活力。在另一种状态下，企业为了节省成本而裁减团队，导致工资下降，局部经济萎缩，进而导致企业为了生存而进一步裁员。研究人员将此称为“反向大推动”（reverse big push）。不同于旧模型中高成本迫使增长，在这里，快速削减成本的能力可能会引发一场自我实现的崩溃。

他们发现的核心在于，自动化的决策不仅取决于技术本身是否有效，还在于有多少其他企业也在做同样的事情。如果一家企业相信大多数其他公司都会保留人力团队，那么保留自己的团队也是明智的，因为当地经济将足够强大，足以支撑较高的工资水平。但如果一家企业相信所有人都在通过裁员转向人工智能，那么裁员也是最聪明的做法，因为当地经济将过于疲软，无法支持完整的团队。这创造了一种情况，即经济可能会陷入一种“低需求”均衡状态，在这种状态下，自动化成了唯一的选择，尽管“高需求”的（人机协作）均衡状态对所有人来说都更好。

研究人员指出，即使允许工资下降，这个问题也不会消失。在正常市场中，如果需求下降，工资也会随之下降，从而使雇佣变得更便宜。该模型证实，虽然下降的工资确实使雇佣成本降低，但也意味着劳动者的消费能力下降了。研究发现，如果消费能力的损失大于工资下降带来的节省，这种衰退循环就会持续下去。经济会陷入低工资、低就业的状态，因为需求的下降过于剧烈，仅靠降低劳动力成本本身无法修复。这意味着，如果企业对未来失去信心，仅仅让市场调整工资并不足以防止崩溃。

为了理解这一过程如何展开，作者观察了企业如何随时间做出决策。他们设想了一种场景：企业有机会在不同时刻改变其策略。如果一家企业感到悲观，并预期他人会进行自动化，它会率先实现自动化，从而验证了下一家企业的悲观预期，引发连锁反应式的裁员。如果一家企业感到乐观，并预期他人会保留团队，它也会保留自己的团队，从而鼓励他人也这样做。起点很重要，但预期同样重要。研究人员发现，存在一个特定的条件范围，两种结果都是可能的。在这个范围内，经济并不由技术本身决定，而是由商业界的集体情绪决定。

研究还考察了当发生公共冲击（如经济整体状况的突然变化）时会发生什么。他们发现，如果经济处于这种不确定的中间地带，一个能够触及两个主导区域的公共基本面可以选定一条独特的路径。如果经济已经向自动化倾斜，负面冲击会将它推向全面崩溃。相反，如果经济向人机协作倾斜，正面冲击可以巩符这条路径。研究人员使用“风险占优”（risk dominance）的概念来预测在未来不确定时更有可能选择哪种状态。他们发现，如果人机协作的静态临界点低于二分之一，经济很可能会选择协作路径。但如果临界点高于二分之一，经济则倾向于选择自动化路径，即便协作路径对整个社会更好。

作者随后探讨了这对政策的意义。他们计算出，在许多专业服务领域，这种“协调失败”（coordination failure）的情况是真实存在的。利用美国的数据，他们估计对于某些类型的具有高自主性的人工智能任务，经济很容易陷入糟糕的均衡状态。他们发现，“好”状态与“坏”状态之间的差距并不巨大，但足以产生影响。在他们的模拟中，一项工作在无需人类帮助的情况下能由人工智能完成的程度的变化，可能会使经济从人类与机器协同工作的稳定状态，转移到机器完全取代人类的状态，仅仅是因为市场萎缩得太厉害，无法支撑原有的团队。

研究人员认为，解决方案不是禁止人工智能，也不是强迫公司保留员工。相反，他们建议暂时的政府干预可以帮助经济跨越这一鸿沟。如果经济陷入低需求状态，小规模且暂时的补贴或对纯粹自动化的征税可以起到桥梁作用。这种桥梁能给企业信心，让他们在经济规模增长到足以自发支持人力团队之前，能够保留现有人力。一旦经济达到一定规模，补贴就可以取消，人机协作模式将成为自然的、自给自足的选择。关键在于这种支持必须是临时且有针对性的；其目的不是为了永久拯救每一个岗位，而是为了防止经济陷入每个人都变得更糟的恶性循环。

论文还阐明，这个问题仅适用于特定类型的工作。它最强烈地体现在“防御性”自动化中，即企业出于担心市场萎缩而使用人工智能来削减成本。而在“进攻性”自动化中，情况则不太容易发生，因为这类人工智能创造了新的产品并扩大了市场。在防御性案例中，对市场萎缩的恐惧驱动了削减成本的决策，而这反过来又缩减了市场。研究人员表明，如果一家企业是因为预期市场萎缩而削减成本，那么对于整个经济而言，如果该公司保留员工通常是更好的，因为他们的工资有助于维持市场的生命力。

在最后的分析中，作者利用现实世界的数字展示了这个系统是多么敏感。他们观察了专业服务业中收入与薪酬的比例，并发现许多情况下，经济正处于协调区域的边缘。人工智能成本或其处理任务能力的微小变化，都可能打破这种平衡。他们发现，工资调整虽然有所帮助，但压缩了这种协调失败发生的范围，却并未消除它。研究结论是，人工智能时代的工作前景，与其说取决于技术的原始力量，不如说取决于使用该技术的企业的集体信心。如果企业能够协调一致地保留人力团队，经济就能繁荣；如果不能，它们就面临着一种自我实现的崩溃，即那些旨在帮助它们的工具最终却伤害了它们所服务的市场。

这项研究提供了一个明确的警告：向人工智能驱动的经济转型并非自动完成的。它需要穿越一条狭窄的路径，在这条路径上，预期与现实相互强化。研究人员表明，如果没有一种机制来打破悲观主义的循环，经济可能会陷入一种虽然稳定但效率低下的状态，即每个人都比理想状态下更贫穷。他们的研究表明，如果不建立一种打破悲观循环的机制，经济可能会陷入一种稳定但低效的状态，使所有人都不如预期那样富有。解决之道在于理解，技术的选择不仅仅是一个技术决策，更是一个社会决策，它取决于整个局部经济的健康状况。通过认识到这一点，政策制定者可以设计干预措施，帮助经济找到更好的出路，确保人工智能带来的收益被共享，而不是消逝在衰退的循环之中。