# 埃裡克·布林約爾松：人工智慧經濟學、社交網路與技術 > 經濟學家談人工智慧對生產率與就業的衝擊、社交網路的社會代價，以及技術如何重塑經濟結構。 - 原標題：#141 – Erik Brynjolfsson: Economics of AI, Social Networks, and Technology - 期數：第 141 期 - 釋出日期：2020-11-25 - 嘉賓 / 主題：埃裡克·布林約爾松 - 網頁版：https://lex.qiaomu.ai/tw/ep/erik-brynjolfsson/ - 官方頁面：https://lexfridman.com/erik-brynjolfsson/ - 精讀字數：約 14581 字（閱讀約 32 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 2020年3月初，Erik Brynjolfsson 在推特上引用了一句 Albert Bartlett 的話：**人類最大的缺陷，是無法理解指數函式**。那時候美國的新冠確診病例只有幾十個。多數人看到這個數字會鬆一口氣，他看到的是每兩三天翻一倍。 他在拉斯維加斯開完最後一場線下會議，飛回波士頓。整架飛機上只有他一個人戴口罩。空乘走過來，把雙手搭在他肩上，問他是不是有焦慮症。他後來在播客裡回憶這件事，語氣裡還帶著點無奈： > 她把手放在我肩膀上，還到處碰我，這讓我不太舒服。她問，你是不是有某種焦慮障礙，你還好嗎？我說，不是，是因為新冠。（Erik Brynjolfsson） 幾天後病例上千，幾周後上萬。他的判斷沒有錯。 這句關於指數函式的引文，他以前用過很多次，都是往樂觀的方向用，比如摩爾定律，比如計算機算力越來越便宜。這一次是往悲觀的方向用。同一個數學規律，兩邊都能套。 ## 大腦為線性世界設計，世界已經變成指數 指數函式為什麼反直覺，Brynjolfsson 給了一個很乾淨的對比：你走10分鐘，走的距離是走1分鐘的10倍。這是線性，是我們身體和大腦習慣的世界。 翻倍這件事跟線性直覺對不上。翻倍10次，你得到的是1000倍。翻倍20次是100萬倍。翻倍30次是10億倍。再往後，數字大到人腦根本沒法直觀把握。 問題是，現代世界越來越多的事情在按這個規律走，主要是數字技術。於是我們的直覺開始頻繁失靈。用在算力上，是驚喜；用在病毒上，是災難。 那怎麼建立直覺？他的答案有點樸素：數學可以學，但人腦更擅長從經驗裡學。所以答案是多接觸。常年在矽谷、在AI實驗室、在計算機研究圈子裡泡著的人，會慢慢習慣這種曲線。他自己也說，即便習慣了，還是會犯錯，還是會低估進展。比如他最近和人聊GPT-3，才意識到自然語言處理的進步有多快。 危險在於，在所有人都習慣之前，我們會用石器時代的大腦去判斷一個指數增長的世界，然後做錯決定。 這裡有一個更麻煩的地方。Brynjolfsson 特別強調，**世界上大部分東西不是指數的**。人怎麼學習，組織怎麼變革，制度怎麼演化，這些都很慢。技術那邊翻倍再翻倍，人的這一邊幾乎不動。這個錯位，他認為是我們社會很多問題的根源，包括不斷擴大的不平等，包括政治和經濟系統裡的各種失靈。 把這個錯位說透一點：技術的變化速度和制度的適應速度之間有一個缺口，缺口越大，被甩下的人越多。技術本身沒有錯，麻煩出在兩邊速度不匹配。 ## 沒有一條指數曲線能永遠漲下去 很多人把摩爾定律當成一條永遠向上的指數曲線，Brynjolfsson 提醒說，這裡漏掉了後半句：**任何指數曲線最終都會停下來**。它要麼變成S形曲線，要麼以別的方式終止，有時候是災難性的終止。 新冠就是這樣。它先指數上升，然後可感染人群被逐漸消耗，曲線開始飽和，這就是標準流行病模型的基礎。摩爾定律也一樣，每一代晶片技術都會撞到物理極限。 更值得說的是另一半：人類總能在舊的S曲線見頂之前，找到一條新的S曲線疊上去，用新材料、新工藝，一代接一代地續命。為什麼人類這麼擅長這件事，他說沒人有特別好的理論。 他給了一個解釋的雛形，這個解釋很有意思：當系統裡其他部分都在按兩三年翻一倍的速度跑，唯獨某一個環節跟不上，這個環節就成了瓶頸。瓶頸意味著，誰能讓它提速，誰就能拿到超額回報。於是資源會自動湧向那個最落後的環節。資本和人才被這個瓶頸吸過去，把它填平，曲線得以延續。 換句話說，指數增長不是自動的，是激勵結構逼出來的。 摩爾定律之外，他提到另一個更貼近日常的曲線，Koomey 定律。這是 Jonathan Koomey 發現的，能耗大約每兩年減半。他順帶說了句，Koomey 是他大學室友。這條曲線對普通人的意義可能比摩爾定律更大：新 iPhone 快一倍挺爽，但電池續航長一倍更值錢。晶片行業現在很大一部分進步來自省電，跟拼主頻關係不大。 ## 人工智慧是三條曲線疊在一起 聊到深度學習，Brynjolfsson 把進展拆成三個來源，這個拆法值得記住。 第一是算力。摩爾定律還在，但更猛的是 GPU 和專門為機器學習設計的晶片，比如 TPU。每換一代，就能在摩爾定律之上再加10倍到100倍。 第二是資料。二十年前照片是化學沖洗的，現在全是數字的。他昨天一天拍了大概50張數字照片，放在膠捲時代他不會這麼幹。人走到哪兒，手機都在往外廣播資料，這些都能當訓練集。加上物聯網，資料量是另一個量級的躍升。 第三是演算法。深度神經網路的核心思想已經存在幾十年，但讓它在工程上跑得更高效的技術，這些年進步了好幾個數量級。 三個100倍乘起來，就是百萬倍的改進。這也是為什麼影象識別這類任務會在短時間內從"不可能"變成"比人還準"。 接著 Lex 提了一個很尖銳的推論：如果GPT這類模型就是在網際網路資料上做自監督學習，那麼瓶頸可能是網際網路上到底有多少人類生成的文字。會不會有一天，模型把人類所有數字化的知識都吃完了？ Brynjolfsson 的回應有兩層。一層是，訓練演算法本身也在變得省資料，用更少的資料就能學到東西。另一層是，我們捕獲資料的能力也在漲。此外還可以模擬，比如用影片遊戲生成資料，一些自動駕駛系統就在模擬駕駛場景。 他對瓶頸這件事有一個更宏觀的觀察：**人們習慣用瓶頸來論證指數增長會結束，但歷史上瓶頸一次次被繞過去了**。他也不知道資料瓶頸具體怎麼破，但大機率是更高效的訓練演算法，或者我們還沒想到的某種資料來源。 ## 自動駕駛不是一個開關，是一條光譜 Lex 提到他第二天要和 Waymo 的 CTO 聊，過幾周又要和 Elon 聊。Brynjolfsson 的觀點很剋制。 他說自己一開始也把自動駕駛想成一個是非題：要麼有，要麼沒有。這個想法太簡單。正確的框架是一條連續譜，從輔助駕駛到完全無人駕駛，中間有無數檔位。高速公路、好天氣、筆直的路，從洛杉磯到鳳凰城那種，接近已經解決。但波士頓的雪天、路況亂七八糟、路口不是直角、別的司機要幹什麼全靠猜，那是完全不同的難度，本質上是個博弈論問題，需要理解人的動機。這類場景可能要幾十年。 他對 Waymo 路線的評價是，Waymo 說服了他一件事：**只在測繪得很好的區域跑，然後一點點擴大這些區域，讓它們最終連成一片**，這可能才是現實的演進路徑。一開始就"野路子"到處跑，反倒不現實。 他提到一個細節：Waymo 有一套遠端觀察的基礎設施，它管的是隨時接入車內做客服，遠端操控車輛不在官方功能清單上。他猜技術上也能遠端控制，只是官方不把這算作功能。 最難的部分，是長尾。你可以處理99.99%甚至99.999%的情況，但總有訓練資料裡從沒出現過的怪事，人類大致能繞過去。這裡有個數字需要放在檯面上：美國每年大約3萬人死於車禍，全球大約100萬。人類駕駛遠不完美。**但人對機器的期待更高，不會容忍機器造成同等量級的傷亡**，所以這些邊緣情況必須處理得好得多。 Lex 提了一個批評：Waymo 太專注安全，沒人談怎麼做出使用者真正愛用的產品。做得絕對安全，結果沒人願意坐，也是失敗。Brynjolfsson 順著這個話說回 Elon，說 Elon 的天才之一，是早年的電動車都軟綿綿、沒勁、不好玩，他先做了一輛 Roadster，零到六十英里加速比幾乎所有車都快。這是營銷動作，也是技術動作。 他借這個例子說了一個更大的問題：太多人做AI的時候缺乏想象力，思路是"我們現在怎麼做這件事，讓機器照著做一遍，省點人力"。這不會帶來質變。Jeff Bezos 做亞馬遜，做的事跟把收銀員換成機器人收銀員毫無關係，他從倉庫、配送、螢幕下單整個重做一遍，把實體書店這個環節直接砍掉。 ## 電力的教訓：技術先到，重組遲到三十年 這一段值得單獨展開。 一百年前工廠靠蒸汽機或者水車驅動。動力要透過皮帶和曲軸傳出去，傳動軸不能太長，太長會被扭斷。所以所有裝置都得擠在那臺巨大的蒸汽機周圍，還得蓋成多層，一層層往上疊，就為了縮短距離。小蒸汽機也造不出來，受熱力學限制。 電來了以後，工廠做了什麼？把蒸汽機拆掉，買一臺通用電氣能造的最大的電動機換上，其他照舊。什麼都沒變。 真正的變化，等了一代人。等那批經理退休或者去世，才有人開始想：我們為什麼非得這麼幹？電動機可以造大、造中、造小，每臺裝置配一個。管理學界當時有一場大辯論，叫"集中驅動"對"單機驅動"。單機驅動贏了之後，工廠的樣子才徹底變了：可以攤開在單層，每臺機器有自己的電機，更重要的是，**裝置佈局換了依據，從前看誰最費電，現在看物料流動的順序**。這就是流水線的誕生。 佈局一改，生產率暴漲。Paul David 有論文詳細記錄過這段歷史。同樣的故事在蒸汽機替代手工生產時發生過一次，在計算機化時又發生過一次。Michael Hammer 那句"不要自動化，要推倒重來"，說的就是這件事。**真正的收益，只在聰明的企業家和管理者把整個行業重新發明一遍之後才出現。** 而且重組的這段時間裡，生產率數字會往下掉。Brynjolfsson 和 Chad Syverson、Daniel Rock 寫過一篇論文，叫《生產率J曲線》。很多這類案例都是先往下掉，再往上走。往下掉的那段，是所有人都在摸索怎麼重做。他們在創造知識和無形資產，但這些不上任何人的資產負債表，不進GDP。看起來就像什麼都沒幹。 他舉了自動駕駛的例子：幾百億美元砸進去，沒有一個司機因此失業，沒有計程車司機因此失業。錢花了，消費者還沒拿到東西。大家是在賭，賭自己最終能吃到J曲線向上的那一段。這個賭注在他看來是合理的。但在短期內，賬面什麼都看不到。 這也是他作為經濟學家的一個失望之處：這些技術看起來這麼炸，但過去大約15年的生產率增長，比再往前15年（90年代和2000年代初）還要低。他的個人判斷是，我們處在一個很長的J曲線的谷底，樂觀的話明年就能看到向上的拐點，但過去這十年確實有點令人失望。 ## GDP算不出維基百科的價值 為什麼生產率統計看不到這些技術進步？Brynjolfsson 給了一個具體解釋，落腳在"免費"上。 維基百科、Facebook、Twitter、Zoom，這些東西的價格是零。GDP算的是所有被買賣的商品的價格乘以數量。價格是零的東西，對GDP的貢獻，一階近似下就是零。可我們每天花在螢幕上的時間越來越多，從大屏到小屏，這些消費不進GDP，就像不存在一樣。 不存在不等於沒價值。他從維基百科、貓影片、播客裡獲得的效用是真實的，只是沒付錢。 這裡他補了一段歷史：GDP 這個概念是 Simon Kuznets 在1930年代發明的，Kuznets 本人就說過，GDP 衡量的是生產，跟福祉無關。但幾乎所有人都忘了這句話，拿GDP當"我們過得好不好"來用。去年GDP增長2.3%，這個數字衡量的是實物產出，不是你實際獲得的價值。 所以他參與推動一套新指標，叫 GDP-B。B 代表 benefits，這套指標衡量的是你獲得的好處，成本不是它的重點。你從 Zoom、維基百科、Facebook 得到的好處，即便付費是零，也要計進去。生產率的定義是GDP除以工作小時數，所以GDP被低估多少，生產率就被低估多少。這套賬不改，生產率資料就沒法反映真實情況。 難在哪？收銀機能記錄你付了多少錢，但記錄不了你"本來願意付多少"。所以他的團隊用大規模線上選擇實驗：問幾十萬甚至上百萬人，給你多少錢你願意一個月不用維基百科？給你多少錢你願意停用手機？有些是假設性的，有些是真金白銀執行的。比如給某人3美元讓他停用Facebook，看他是否真停；有人10美元就願意放棄，有人給100美元也不幹。把所有價格上的答案彙總，就得到一條需求曲線，進而估算出價值。 一個有意思的發現是，不同人群的估值不同。女性對Facebook的估值普遍高於男性，老年人比年輕人略高一點。他開玩笑說，可能是因為年輕人知道一些他不知道名字的、比Facebook更好的社交網路。 ## 真相傳播得比謊言慢，這是設計問題 Lex 提到 Netflix 的紀錄片《社交困境》，提到 Tristan Harris。Brynjolfsson 順著這個聊到社交網路的底層機制。 他引用了 Danny Kahneman 的系統一和系統二。系統一是爬蟲腦，看到什麼有趣就點、就轉發；系統二是前額葉，本該更審慎、更理性，但實際做決定的時候用得不多。他的判斷是，很多社交網路傾向於利用系統一，讓人快速反應、快速傳播，不去細想。而系統一被什麼驅動？性、暴力、厭惡、憤怒、恐懼，這些比較原始的情緒。 他說，我們搭起了一套連線全球幾十億顆大腦的資訊基礎設施，這套設施最該做的事情，是讓真相跑得比謊言快。但它的設計，未必是故意的，恰恰相反。 他提到 MIT 同事 Soroush Vosoughi、Deb Roy 等人的那篇發在《科學》封面的論文。結論是大家早就擔心的：**謊言在社交網路上傳播得比真相更快、更遠、觸達更多人**。人對謊言本身沒什麼偏愛，讓人上鉤的是那種震驚感。"你能信嗎"這類內容天然更容易被轉發。什麼東西最難以置信？謊言。因為謊言不用受真相約束，可以隨便編得聳動。研究還發現，假訊息的情緒喚起度明顯更高，所以更容易擴散。 另一個有意思的點是，這不完全是演算法造成的。有人指出 YouTube 的演算法在某些情況下會放大極端內容，但在 Twitter 那項研究裡，即便把所有機器人和自動發帖都剔除，謊言依然傳播得更快。**問題出在我們自己身上，我們忍不住轉發那些聳動的東西。** 但他也把一部分責任放在平臺上。平臺的設計方式有選擇空間，可以設計得讓謊言容易傳播，也可以設定一些摩擦，讓真相更容易被放大。他提到和 Jimmy Wales（維基百科的聯合創始人）吃過一次飯，Wales 說服了他：設計選擇真的會決定一個平臺更容易還是更不容易滋生假新聞。 他還提到學術界的一個類比，雖然遠不完美，但方向是對的：在學術界，一個重要的發現會被更多人引用、更多人關注，它會被放大。平臺也可以往這個方向設計，給真相更多信用、更多曝光。他說自己對社交網路掌門人有點失望，他們沒有足夠努力去放大真相。這背後又回到商業模式：快速擴張、快速傳播、拉使用者，跟找到真相是兩回事。 Lex 丟擲一個更悲觀的設想：過去幾年揭示的，可能是有很多錢可以從"拆掉真相這個概念"裡賺出來。會不會有一天，真相本身都不存在了，觀念只是漂浮在數字經濟裡的玩具，和現實毫無關係？ Brynjolfsson 的回答是：這有可能，但不是必然。他說自己不站技術決定論那一邊，**技術不決定我們的命運，我們決定我們的命運**。他引了二戰末期德國科學家的那句話，大意是"我們的工作是讓導彈飛上去，它落哪兒是別人的部門管"。他說這種態度對工程師、對技術人顯然是不對的，應該對後果保持高度謹慎。 他補充了一個更深的理由：過去幾百年人類之所以進步，一個關鍵發明是科學方法，一套找真相、篩掉假象的工具。擁抱這套方法的個人、組織、社會，比不擁抱的做得更好。所以他的期望是，人們不只是擁抱真相，還要擁抱那些能通向真相的方法。 ## 斷章取義比撒謊更有效 談到推特和假訊息的具體手法時，Brynjolfsson 提到一個詞，"nitpicking"，直譯是挑刺，實際指的是**把對方陣營裡最極端的個例拎出來放大，讓它看起來像是那一方的常態**。你不需要撒謊，只需要把一個在地鐵裡大喊大叫的瘋子、一個 KKK 成員、一個 Antifa 成員，本來只有12個人會注意到的內容，做成影片推給幾千萬人。你看完會生氣，會想告訴朋友。這是製造分裂的高效手段。 他還講了一個更隱蔽的操作。他有個朋友研究俄羅斯的資訊戰，說那些操作者非常擅長同時扮演兩邊：一些人假裝是 BLM 的支持者，一些人假裝是白人至上主義者，兩邊互相罵、互相說極端的話。他們的目標跟誰贏誰輸無關，他們要的是所有人都被激怒、互相不信任。這些工具確實被這樣用了，對美國民主和社會造成了很大破壞。 他說平臺運營者負有社會責任，有道德和倫理上的個人責任，去把這類東西處理掉。這裡得說清楚，關掉言論完全不在他的選項裡，他說的是把設計調成讓真相更容易壓過謊言、讓建設性溝通更容易壓過破壞性溝通。 Lex 順著這個講了一個更普遍的擔憂：連單獨一句話都能被從上下文裡拎出來，一句三年前說的、可能是開玩笑的話，都可能被拿來定義你這個人。Brynjolfsson 的回應是，**我們都需要更寬容一些**。他二十幾歲的時候挨個想過自己的朋友，發現每個人至少都有一兩個觀點是他完全不認同的，沒有誰是例外，除了他自己，當然，別人大概也是這麼看他的。所以人得學著容忍一點。 他還給了一個技術上的類比。火發明出來當然好，能做飯，但總有人被燒到，後來才有了滅火器。汽車發明了，後來才有安全帶。新技術的危險，人類是一點點學會處理的。**不能把責任全推給平臺，說"你們去設計好"，如果使用者本身很蠢，沒有哪個平臺設計能扛得住。**得同時學會怎麼用，讓它偏向成功，遠離危險。 ## 970個職業裡，沒有一個能被完全替代 聊AI對就業的影響時，Brynjolfsson 講了他和 Tom Mitchell 合作的一篇論文，發在《科學》上，標題是《機器學習能做什麼》。 做法是這樣的：美國政府有個資料庫叫 O*NET，把經濟分成大約970個職業，比如公交車司機、經濟學家、小學老師、放射科醫生，每個職業下列出需要完成的具體任務。放射科醫生有27項任務。他們請一群AI專家評估，機器學習在這每一項任務上表現如何。 結果有兩個。第一，**沒有任何一個職業是機器學習能通吃的**。第二，**幾乎沒有任何一個職業是機器學習完全插不上手的**。 拿放射科醫生舉例。27項任務裡有一項是看醫學影像，這項很關鍵，也是這個職業的核心，機器已經做得和放射科醫生一樣好甚至更好。但放射科醫生還要做清醒鎮靜、做體檢、綜合檢查結果、向其他醫生或病人解釋。這些任務機器學習還不行。所以這個職業會繼續存在，只是會被重構，一部分任務交給機器，剩下的由人來做得更多。 他由此給出一個更宏觀的判斷：我們會看到大量工作的重構和重組，這是聰明的企業家和管理者重新發明工作的好時機，但不會出現大規模失業。 哪些任務機器擅長？**常規的問題求解，把輸入對映成輸出**。只要你有大量關於X和Y的資料，也就是輸入和輸出的資料，機器就能找出關係。哪些不擅長？精細運動控制、靈巧操作、情感智慧、人際互動，以及跳出框架的創造性工作。給一個結構良好的任務，機器很強，但連提出正確的問題都很難。 他引了畢加索看早期計算機的故事。有人把計算機給畢加索看，他看完沒什麼感覺，說這玩意兒只會回答問題。在畢加索眼裡，有意思的是提問。 論文裡還有一張散點圖，橫軸是職業收入，縱軸是這項職業被機器學習替代的程度。整體趨勢是：**低收入職業裡，適合機器學習的任務更多**，比如收銀員，超市和 CVS 的收銀員基本只掃條碼，但機器已經能認出蘋果和橘子。另一端有反例，比如民航飛行員，收入在職業裡排很高，但很多工其實很適合機器學習。經濟學家的收入不錯，而他們做的事大部分暫時沒被歸進"適合機器學習"那一類。 Brynjolfsson 說這張圖讓他有點不安：如果就拿今天的技術水平看，它傾向於加劇收入不平等。而且這張圖會跟著技術進展不斷更新。 ## 發錢不能解決意義問題 話題轉到 Andrew Yang 和全民基本收入（UBI）。Brynjolfsson 先誇了 Yang，說他思考認真、有分析能力，價值觀也認同。 但對 UBI 本身，他的態度是有過變化的。一開始他算是支持者，研究得越多，越不那麼支援，現在又有點回擺。 作為經濟學家，最簡單的思路是：有人收入不夠，給他寫張支票，問題解決。但他和搞社會學的朋友聊過之後被說服了，光發錢抓不到核心。**Voltaire 說過，工作能解決三大惡：無聊、惡習和匱乏。**匱乏可以用支票解決，但人需要意義，需要有事做。鋼鐵工人、煤礦工人失業之後，如果只是給他們發錢，酗酒、抑鬱、離婚、吸毒這些社會指標全都往上躥。人坐在那裡領支票，並不快樂。也許是成長環境使然，也許是某種天性，人需要感覺自己被需要。 第二點是，他前面就說過，我們離工作的終結還很遠。城市需要清理，機器人幹不了大部分。我們需要更好的托育、更好的醫療，需要照顧精神疾病患者和老人，需要修路。有太多工作需要人，至少需要人的一部分參與。與其把這些人一筆勾銷，不如想辦法讓他們重新有用、保持參與。 話雖如此，他還是希望底層的人有更多購買力。他看到非常勤奮的人，過去二三十年工資幾乎沒漲，而另一些非常聰明或者非常幸運的人賺了幾百億。他不認為這些人需要幾百億才能有動力去發明東西。他和其中不少人聊過，多數人並不覺得自己需要多賺100億美元才會繼續做現在做的事，很多人可能只賺10億，甚至不賺錢也願意做。 他給了一個很硬的反例：如果當年稅率是70%，比爾·蓋茨還會創立微軟嗎？答案是會，因為**他創立微軟的時候，最高稅率就是70%**。所以稅率不是那麼大的阻礙。 他自己最偏好的工具是勞動所得稅抵免（Earned Income Tax Credit，EITC）。邏輯是補貼有工作的人的工資，同時給僱主多僱人的激勵。最低工資可能抑制就業，而 EITC 透過補貼工資促進就業：如果僱主只出得起10美元一小時，其他人一起再補5到10美元，把工資抬到15到20美元，這個人的購買力就上去了。企業家接著會想怎麼服務這批人，為他們做產品，形成自我強化的迴圈。 他還提到和某人有過一次很好的討論，對方提議把無條件基本收入改成有條件基本收入，條件是學新技能。我們需要給勞動力再培訓，那就讓學技能這件事更容易、更有回報。他覺得這個想法不錯。 Lex 追問：UBI 的一個初衷是提供安全網，讓人在再培訓期間有底氣。Brynjolfsson 的回應是，有很多自我驅動的人，也有一些人需要一點引導和幫助。而一個正在失業的人，最難的問題往往是：我該學什麼新技能？我們可以提供更好的工具和平臺，告訴他，這是你已經有的技能，這是市場需要的技能，這是從A到B的路徑。 ## 該徵稅的是汙染和擁堵 Lex 問，如果讓他修稅收系統，會動哪裡。Brynjolfsson 的回答是，整個稅收、政治、經濟系統在過去二三十年越來越糟，但改起來沒那麼難，不需要全部推倒重來，很多是經濟學101的東西。 他列了幾條：投資教育、投資基礎設施、歡迎移民、讓稅制更累進、更公平。曾經最高收入段的稅率高得多，現在降了很多，很多情況下**高收入者的稅率比低收入者還低**。 具體到稅收工具，他喜歡"庇古稅"（Pigouvian tax）這個思路：**該被徵稅的是壞東西，好東西不該被徵稅**。現在我們對勞動徵稅，對資本徵稅，可經濟學的基本原理是，你對什麼徵稅，就會得到更少的那種東西。勞動和資本都是我們想要更多的東西，不該被懲罰。汙染和擁堵才是該被徵稅的物件。 碳稅在他看來幾乎是所有經濟學家的共識，不分黨派。Greg Mankiw 當過小布什的經濟顧問委員會主席，Dick Schmalensee 也是共和黨經濟學家，加上大量民主黨經濟學家，都同意。如果對碳徵稅，可以籌到幾千億美元，這筆錢可以透過勞動所得稅抵免等方式再分配出去，整體稅制會變得更累進。 擁堵稅是他個人情緒最強烈的一條。他說每次堵在路上，作為一個經濟學家，他知道這是完全不必要的浪費。堵車是在從他和周圍所有人身上收稅，收走的錢直接倒進海里銷燬。如果收擁堵稅，同樣的錢會流向公共用途，可以用來做醫療、做基礎設施，或者直接發給人們買食物。**新加坡收了擁堵稅，交通就順暢得多，因為他們聽經濟學家的。** 他說這些都不激進，多數經濟學家逐條都會同意，做了這些，整個經濟會高效得多、公平得多。 還有一條是投資研發，這接近免費午餐。他的 MIT 老同事 Robert Solow 拿過諾貝爾獎，論證了生活水平提升的大部分來自技術進步。後來的 Paul Romer 又拿了一次諾貝爾獎，論證了對研發和人力資本的投資可以加快技術進步的速度。 不過他把話說清楚了：這裡要區分應用開發和基礎研究。應用開發，比如把自動駕駛做得更好，私人企業有動力做，因為能捕獲價值，能賣出更值錢的車，這塊沒問題，亞馬遜、特斯拉都在投。問題出在基礎研究，比如核聚變、AI、生物技術的底層想法。有人發明出來，很難獨享收益，好處被所有人分享。這挺好，但意味著沒人有足夠動力投入。**這是典型的公共品，需要政府介入。**美國政府過去在研發上投得多，後來大幅削減，這一步很蠢，結果是所有人都更窮，增長率下降，科學進展變慢。用他的比喻，這是在吃種子糧：今天把錢塞進口袋，五到二十年後，大家比原本要窮得多。 ## 疫情把20年的遠端辦公壓縮排20周 聊到疫情對經濟的衝擊，Brynjolfsson 說這是雙重的災難：死亡人數觸目驚心，經濟破壞也很嚴重。但有一件事很反常，他在過去20周裡看到的工作方式變化，比之前20年加起來還多。上一次美國經濟被這樣重組，大概要追溯到二戰動員。 遠端辦公是最直接的一個變化。他和 MIT 及其他機構的同事做過研究。疫情之前，2020年初，大約六分之一，也就是略高於15%的美國人在遠端工作。疫情來襲後一路上升，最高摸到50%左右，差不多一半的美國人在家上班。 但這個變化分佈極不均勻。資訊工作者、專業人士、主要跟資料打交道的人，在家辦公容易得多。製造業工人、需要跟人打交道或跟實物打交道的人，在家辦公很難，他們更可能被裁員或失業。所以疫情對勞動力市場的影響是割裂的。 Lex 問這是不是"粘性"的，疫苗出來、經濟重啟之後，遠端辦公會不會退回去。Brynjolfsson 的判斷是：**會退一部分，但留下的量會大得驚人**。他自己把學術研討會搬到 Zoom 上，效果好得讓他意外。聽眾範圍大大拓寬，歐洲、其他國家的、全美各地的人都能來。他還發現這種方式讓討論更平等：用聊天功能，研究生和那些平時不太敢開口的人，有了更多發聲渠道，還能互相回答彼此的問題。有人問資料或參考文獻，聊天裡就有人答。整個研討會的頻寬和質量反而更高了。 經濟學裡管這個叫"滯後效應"（hysteresis）。他打了個比方：雞蛋煮熟之後再放涼，它不會變回液態。他的判斷是，經濟裡會有相當程度的滯後效應，我們已經進入一套新的遠端工作體系，不會完全彈回原來的樣子。 他還指出一個亮點：疫情裡很多機構表現讓人失望，但技術這一塊表現不錯。頻寬撐住了，郵件和各種工具優雅地擴容了。 ## 那些沒有推特粉絲的人在沉默地受苦 Lex 提了一個很少有人談的角度：能在遠端辦公里繼續成功的人，恰好是那些在推特上有很多粉絲、聲音能被媒體放大的人。而另一邊，是幾百萬人，工作被疫情徹底打亂，但他們在推特上沒有粉絲。 Lex 說他最近在讀《第三帝國的興亡》，美國大蕭條和後來的歷史之間有一種複雜、深刻的連線，苦難可以轉化成改變世界的力量，而且是破壞性的方向。他擔心的是，這種苦難在五年、十年後會以什麼形式浮現出來。 Brynjolfsson 說這正是他最擔心的核心。他把它拆成兩部分。 一部分是道德和倫理層面的。他認為大多數美國人、這個星球上大多數人都希望共享繁榮，不希望有人被甩下。但事實上人被甩下了，不光是疫情造成的，過去二十年裡中位數收入幾乎沒動，而頂層1%的收入一路飆升。一部分原因是技術的使用方式，一部分原因他直說，是政治系統持續把更多財富轉移給有權力有利益的群體。所以有一個道德上的緊迫性，需要做得更好。而且最終，更多人能貢獻、更多人有能力，所有人都會更富有。 另一部分是政治風險。他說自己不是政治學家，但不需要是，也能看出很多人在憤怒，覺得自己被虧待了，他們想砸掉這套系統。2016年和2018年都體現了這一點。現在很多人看著政治系統，覺得它不為他們運轉，就想做點激進的事。不幸的是，煽動家把這種情緒引向了破壞性的方向。 他給了一個類比，貿易。幾乎所有經濟學家都認為自由貿易是好事，兩個人自願交換，按定義雙方都變得更好。但經濟學家也承認貿易的影響是不均勻的，有人贏有人輸，那些沒有技能去競爭、沒有其他資產的人會受損。所以經濟學界有一個公式：**自由貿易，但要補償受損的人**。餅變大了，理論上可以讓所有人變得更好，贏家贏更多，輸家得到補償，沒有人淨受損。 問題在於，這個承諾沒有兌現。80年代和90年代貿易確實更自由了，但受損的人沒有被補償。他們覺得當權者背棄了約定，而 Brynjolfsson 認為他們的感覺是對的。於是出現了反貿易的反彈，現在兩黨都在往回收，特朗普這邊尤其明顯。長期看這對國家不好，對生活水平不好，但他能理解人們為什麼覺得自己被背叛了。 他說技術有很多類似的特徵。技術能讓所有人變得更好，餅變大，創造財富和健康，但影響也是不均勻的。不是每個人都會自動受益，有可能一部分人甚至多數人被落下，少數人拿走大部分好處。經濟學家的標準答案是：把餅做大，同時調整系統去補償受損的人。餅大了，理論上富人、中產、窮人可以同時變得更好。但同樣，我們沒有這麼做。 於是同樣的反應又出現了：人們說這套系統不為我運轉。同樣，不去修復分配，很多人開始說，技術本身就是壞的，得停下來。砸谷歌的巴士，把它炸掉。兩百年前的勒德分子就是這樣，砸紡織機、砸紡紗機，因為他們覺得機器沒幫到自己。 他的結論是：我們有一個真實的緊迫任務，做道德上正確的事，也做能拯救這個國家的事，**確保我們創造的繁榮是共享的**。 ## 學術界是一個更溫柔的世界 話題轉到他從 MIT 搬到斯坦福。他在 MIT 待了三十多年，現在搬到西海岸。他說 MIT 對他一直很好，那裡有太多很棒的朋友和同事。斯坦福也很好，吸引他的不只是天氣，還有矽谷，那是技術革命更靠前的震中，他想離發明 AI 的人近一些。他承認天氣這個理由有點膚淺，但確實享受。他還開了個玩笑：幾個月前搬過來，馬上趕上大火，眼睛刺痛，天是橙色的，還有熱浪，跟他被許諾的加州不太一樣。 Lex 問，能不能說說大學裡美好或強大的東西。Brynjolfsson 用了經濟學裡"顯示性偏好"的概念：不要問人怎麼說，看他怎麼做。從他的行為看，他顯然愛學術界。他可以做很多別的事，但他選了這個，而且很喜歡。 他說"magical"這個詞很準確。他做自己愛做的事，開玩笑說，希望老婆沒在聽，**不給錢他也願意做**。他喜歡做研究，喜歡和人這樣對話，和學生、和同事，喜歡待在他能找到的最聰明的人中間，從他們那裡學東西，被他們挑戰。這給他快樂，每天都能找到新的、讓人興奮的東西。大學裡充滿了同樣感覺的人。他很幸運，在一個能為此付他錢、讓他養家餬口的社會里做自己愛做的事。他希望有一天所有人都能有這樣的工作。他也承認，不是每個人都能輕鬆找到既熱愛又能養家的工作。 他也說了學術界不完美的地方，但總體上是"這個世界更溫柔的一個版本"，大家在很多事情上互相寬容一些。當然也有激烈的辯論、瑣碎的辦公室政治，他個人儘量避開這些。他提到他們搞的數字經濟實驗室，一堆聰明的博士生、本科生、博後，每個人做的某一部分他都看不懂，比他聰明得多。他喜歡和一屋子聰明人待在一起，斯坦福讓他很容易吸引到這些人：說一聲要辦個研討會，人就來了，想和他合作，資金、資料集也都到位。 ## 書單和暗星的比喻 Lex 問三本對他影響大的書。Brynjolfsson 列了這些。 《悉達多》（Siddhartha），赫爾曼·黑塞，他青少年時期讀的哲學書，幫他保持內心安定，不要把物質之類的東西看得太重，去找到平靜。 影響他職業選擇的是 Robert Heilbroner 的《世俗哲學家》（The Worldly Philosophers），講經濟學家的書，從亞當·斯密到卡爾·馬克思到凱恩斯，寫得很生動，不只講每個人的核心洞見，還講他們的性格。他說這大概是他成為經濟學家的原因之一，看到這些人怎麼和世界的大問題搏鬥。 他推薦這本書作為經濟學史的快速通覽，雖然現在有點過時，需要更新，但前兩百年經濟學從這兒入手不壞。 還有他朋友兼同事 Max Tegmark 的《生命3.0》（Life 3.0）。他提了一句，Lex 應該請他來播客。Lex 說 Max 是第一期的嘉賓，還會再來。Brynjolfsson 說他喜歡 Max 的大腦運轉方式，能讓你思考深刻的東西，又有一種快樂的姿態。 他還提了兩本。Andrew McAfee 的《More from Less》，讓他對一件事樂觀：我們可以在生活水平繼續提高的同時，對地球的影響更小。事實上正因為生活水平提高、技術進步、數字化，我們不必對地球造成那麼大的衝擊。McAfee 把這件事記錄得很細緻。 還有 James Clear 的《原子習慣》（Atomic Habits），一本對他有用的自我管理書。他說書裡大多數句子他都喜歡。這種書的作用是有人不斷提醒你、強化你，幫你建立你希望擁有的習慣，不用是什麼大動作，可以是很小的改變。書名裡的"原子"有一層雙關：單個原子彈很小，但原子能又能產生巨大影響。 最後 Lex 問了那個"最荒謬的問題"：人生的意義是什麼。 Brynjolfsson 說他從兒子 Luke 那裡學到很多。Luke 19歲，一直愛哲學，比他懂的多得多。他帶 Luke 去牛津，Luke 全程把那些冷僻的書抽出來讀。幾年前他們有過一次爭論，Luke 試圖說服他，享樂主義就是人生的終極意義，就是追求快樂。那年 Luke 17歲，但論證做得很好。 Brynjolfsson 說他覺得這不對勁。他承認自己算是功利主義者，認同為最多的人謀最大的善，但那太淺了。他說服了自己：**真正的幸福不來自追求快樂**，這裡面有點反諷，如果你一門心思盯著"我要幸福"，反而得不到。你得去做一件更大的事。 他用的比喻是這樣的：看天上那顆暗淡的星，你直勾勾盯著它，它反而消失了；你得稍微偏一點看，視網膜上對光更敏感的區域才能捕捉到它。幸福也是這樣，你得找到一個別的目標，找到某種意義，那反而讓你比直奔快樂更幸福。 他說自己不是演化心理學家，但他猜人的大腦不只為了快樂而接線，我們是社會性動物，天生會被"幫助他人"這件事驅動。當你真的幫到別人，或者至少感覺自己幫到了別人，獎賞系統會啟動，你得到的滿足感，比做一件自私淺薄的事要深得多。 ## 給讀者的一份行動清單 這期對話的資訊量很大，落到具體可以做的事，Brynjolfsson 的判斷指向幾個方向。如果你在做技術、做產品、管公司，或者只是一個每天用著這些工具的人，下面這幾條可以直接拿去用。 - 訓練自己對指數增長的直覺。別再拿線性思維估算翻倍的東西。看到"每兩三天翻一倍"這類描述，先在心裡算一下30次翻倍之後是什麼量級，再決定要不要當回事。疫情是這樣，算力是這樣，你所在的行業裡可能也有這樣一條曲線。 - 做AI的時候不要只想著替代。問一遍"我們現在怎麼做這件事，讓機器照著做"，答案是省點人力，僅此而已。真正值錢的問題是：如果從頭重做整個流程，會是什麼樣子？Bezos 沒有把收銀員換成機器人，他砍掉的是實體書店這個環節。 - 接受J曲線，給重組留出時間。技術到位之後，生產率往往先跌後漲，因為所有人都在摸索怎麼重做。如果你是管理者，別指望第一年就看到回報；如果你是投資者或旁觀者，別因為短期資料難看就斷定這項技術沒用。 - 如果你是平臺的設計者，把"放大真相"當成一個明確的設計目標。給真相更多信用、更多曝光，給聳動內容加一點摩擦。這算不上道德說教，它就是一個產品選擇，而選擇是有空間的。 - 如果你是內容的分發者或轉發者，注意那個"斷章取義"的陷阱。把一個極端個例放大成對方陣營的常態，不需要撒謊就能製造分裂。看到這種內容，先停一下，別轉。 - 對自己寬容一點，也對別人寬容一點。每個人至少有一兩個觀點是你完全不認同的，沒有例外。三年前的一句玩笑話被翻出來定義一個人，這種機制會傷害所有人，包括你。 - 如果你關心就業政策，優先看"補貼工作"這類工具，別隻盯著"發錢"。EITC 既提高底層購買力，又給僱主多僱人的激勵，比無條件發錢更接近問題的核心。工作解決的三大惡裡，無聊和惡習是支票解決不了的。 - 如果你有機會參與稅收討論，記住那條簡單原則：該被徵稅的是壞東西，好東西不該被徵稅。碳稅、擁堵稅在經濟學界幾乎是不分黨派的共識，籌到的錢可以再分配，讓整個稅制更公平、更高效。 - 基礎研究值得公共投入。應用開發私人企業有動力做，因為能捕獲價值；底層想法很難獨享收益，是典型的公共品，只能靠政府。過去幾十年在這上面削減投入，是吃種子糧，代價會在五到二十年後顯現。 - 疫情帶來的遠端辦公不會全部退回去。雞蛋煮熟了再放涼不會變回液態。如果你在管理團隊，現在就該把混合辦公的規則、工具、評估方式想清楚，別等經濟完全重啟再臨時決定。 - 最後，別直奔快樂。找到一件比你自己更大的事去做，幫到別人，那個暗淡的星反而會被你看見。