美國2018年二季度GDP增速達4.1%，為4年來最高水平，但這更多的是臨時政策刺激下的結果，可持續性不高。本文認為，AI和機器學習技術的大發展才是推動世界范圍內生產力和經濟增長的強勁、可持續的引擎。企業、工人和決策者都應及時調整策略，憑借這一引擎達到“共享式”的繁榮。

周五上午，第二季度美國GDP增長數據公布（4.1%），這一增速為四年內的最高水平（四年前最高為5.2%）。這是否意味著我們可以不再擔心經濟和生產率增長緩慢了？

是的。但并不是因為今天公布的數字。本季GDP增速大幅反彈：第1季度僅為2.6％。更重要的是，目前增速的大約一半可能是由于赤字融資稅收法案的臨時刺激所致。這屬于不可持續的增長。

我說我們可以保持樂觀的原因出于更基礎的層面。我與麻省理工學院的同事Andrew McAfee的研究表明，機器學習這一人工智能（AI）的最新進展將推動生產力和經濟增長的速度的激增，其范圍不僅在美國，而是遍及全世界。

關于AI話題的炒作，我們已經聽過很多了。但現實情況是，AI領域終于開始實現在60多年前首次提出的愿景。機器學習系統最近在各種領域表現出超人的水平，如識別圖像中的目標，檢測欺詐行為、診斷疾病，向客戶提出建議以及玩撲克游戲等。

AI多項能力遠超人類，未來會成為全球經濟強力引擎

以每年一次的全球圖像機器標記大賽為例。在短短八年時間里，標記錯誤率就從28％下降到2.5％，現在該賽事中勝出的AI的標記錯誤率已經低于人類所達到的5％。

去年，機器學習系統通過圖像識別出皮膚癌，識別結果與認證的皮膚科醫生的鑒定結果相匹配，現在，機器學習可以從醫學圖像中診斷出許多其他疾病。我們在家里和智能手機上使用的語音識別系統就是由機器學習提供支持的。這些系統遠非完美，但它們正處于一個歷史性的過渡期，以前機器在我們講話時還無法理解我們，現在，它們可以回答我們的問題并執行簡單的命令。

在與Daniel Rock和Chad Syverson合作的一篇論文中，我們討論了機器學習如何成為“通用技術”的一個例子。這些深刻的創新引發了一系列互補性的其他創新，加速了技術進步和發展的進程。例如蒸汽機和電力。當“通用技術”出現時，過去的技術的表現就不再是未來技術的良好指引。

如果機器學習已經成為“超人”，為什么我們之前沒有在GDP統計中看到？答案是，該技術取得的突破尚沒有足夠的時間來為客服中心、醫院、銀行、公用事業部門、超市、貨運車隊、物流管理和其他業務的工作方式帶來足夠深刻的改變。是的，關于點擊率的預測推動了廣告業在社交媒體中的位置，但仍有50％的食物是在從農場到餐桌的路上浪費掉的，因為我們在預測供應鏈問題上做得非常糟糕。

利用機器學習將需要改變長期以來的做法和假設。是否應該通過算法，而不是通過人來做出關于招聘和晉升的決策？醫生和財務顧問是否應該更專注于檢查確認由機器學習算法作出的診斷，還是努力增強人際關系和解決問題的能力？

技術是一種催化劑，但僅靠技術并不能帶來生產力的繁榮。企業家需要打造出新的商業模式，工人需要提高和掌握新技能，決策者需要更新規則和監管措施。更重要的是，他們能夠以共享繁榮的方式來實現這一目標。

麻省理工學院已經成立了包容性創新挑戰活動，旨在推進向高增長率、高機遇經濟的過渡。隨著機器學習系統的發展進步，我們不僅能夠提高生產率，還可以實現更廣泛的共同繁榮。生產力的爆炸式增長已經蓄勢待發。