自從亞當·史密斯(Adam Smith)的制釘廠創(chuàng)立以來，經(jīng)濟學家一直在研究技術變革，生產(chǎn)率和就業(yè)之間的關系。因此，能夠在越來越多的情況下正常工作的AI系統(tǒng)(從駕駛汽車到在醫(yī)學掃描中檢測腫瘤)引起了人們的關注，這不足為奇。

2017年9月，一群杰出的經(jīng)濟學家聚集在多倫多，為人工智能經(jīng)濟學(AI)制定了研究議程。他們討論了諸如AI在經(jīng)濟上有什么獨特之處，會產(chǎn)生什么樣的影響以及增強AI收益的正確政策等問題。

我最近榮幸地參加了在多倫多舉行的本次會議的第三版，并親眼目睹了該議程在過去兩年中的發(fā)展情況。在此博客中，我從四個層次概述了會議的主要主題和相關論文：宏觀，中觀(工業(yè)結構)，微觀和元(人工智能對經(jīng)濟學用于研究人工智能的數(shù)據(jù)和方法的影響)。然后，我概述了當今AI經(jīng)濟學議程中的一些差距，我認為這些差距應在將來解決，并得出結論。

會議的召集人Ajay Agrawal，Joshua Gans和Avi Goldfarb(與Catherine Tucker一起)在以前的工作中將AI系統(tǒng)描述為“預測機器”，使預測便宜而豐富，使組織能夠做出更多更好的決策，并且甚至使其中一些自動化。一個示例就是亞馬遜的推薦引擎，該引擎向每個訪問者展示其網(wǎng)站的個性化版本。如果沒有機器學習系統(tǒng)(一種類型的AI)，該系統(tǒng)將無法自動進行定制，該系統(tǒng)會根據(jù)歷史數(shù)據(jù)自動預測各個客戶可能感興趣的產(chǎn)品。

原則上，任何面臨預測問題的部門都可以采用AI系統(tǒng)-從農業(yè)到金融，經(jīng)濟幾乎遍及任何地方。這種廣泛的相關性使一些經(jīng)濟學家將AI視為變革性“通用技術”的最新示例，它將像蒸汽機或半導體在歷史上早些時候那樣重塑經(jīng)濟。

分析AI對勞動的影響的主要框架是Daron Acemoglu和Pascual Restrepo開發(fā)的基于任務的模型(基于Joseph Zeira的先前工作)。該模型將經(jīng)濟視為大量生產(chǎn)任務的集合。人工智能的到來改變了這些任務的價值和重要性，影響了勞動力需求和其他重要的宏觀經(jīng)濟變量，例如勞動收入所占的份額以及不平等(例如，如果人工智能使勞動力喪失技能或增加了勞動的份額)。收入流向資本-通常集中在較少的手中-這可能會增加收入和財富不平等。