# 埃里克·布林约尔松：人工智能经济学、社交网络与技术 > 经济学家谈人工智能对生产率与就业的冲击、社交网络的社会代价，以及技术如何重塑经济结构。 - 原标题：#141 – Erik Brynjolfsson: Economics of AI, Social Networks, and Technology - 期数：第 141 期 - 发布日期：2020-11-25 - 嘉宾 / 主题：埃里克·布林约尔松 - 网页版：https://lexfridman-cn.pages.dev/ep/erik-brynjolfsson/ - 官方页面：https://lexfridman.com/erik-brynjolfsson/ - 精读字数：约 14581 字（阅读约 32 分钟） > 本文为 lex.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 2020年3月初，Erik Brynjolfsson 在推特上引用了一句 Albert Bartlett 的话：**人类最大的缺陷，是无法理解指数函数**。那时候美国的新冠确诊病例只有几十个。多数人看到这个数字会松一口气，他看到的是每两三天翻一倍。 他在拉斯维加斯开完最后一场线下会议，飞回波士顿。整架飞机上只有他一个人戴口罩。空乘走过来，把双手搭在他肩上，问他是不是有焦虑症。他后来在播客里回忆这件事，语气里还带着点无奈： > 她把手放在我肩膀上，还到处碰我，这让我不太舒服。她问，你是不是有某种焦虑障碍，你还好吗？我说，不是，是因为新冠。（Erik Brynjolfsson） 几天后病例上千，几周后上万。他的判断没有错。 这句关于指数函数的引文，他以前用过很多次，都是往乐观的方向用，比如摩尔定律，比如计算机算力越来越便宜。这一次是往悲观的方向用。同一个数学规律，两边都能套。 ## 大脑为线性世界设计，世界已经变成指数 指数函数为什么反直觉，Brynjolfsson 给了一个很干净的对比：你走10分钟，走的距离是走1分钟的10倍。这是线性，是我们身体和大脑习惯的世界。 翻倍这件事跟线性直觉对不上。翻倍10次，你得到的是1000倍。翻倍20次是100万倍。翻倍30次是10亿倍。再往后，数字大到人脑根本没法直观把握。 问题是，现代世界越来越多的事情在按这个规律走，主要是数字技术。于是我们的直觉开始频繁失灵。用在算力上，是惊喜；用在病毒上，是灾难。 那怎么建立直觉？他的答案有点朴素：数学可以学，但人脑更擅长从经验里学。所以答案是多接触。常年在硅谷、在AI实验室、在计算机研究圈子里泡着的人，会慢慢习惯这种曲线。他自己也说，即便习惯了，还是会犯错，还是会低估进展。比如他最近和人聊GPT-3，才意识到自然语言处理的进步有多快。 危险在于，在所有人都习惯之前，我们会用石器时代的大脑去判断一个指数增长的世界，然后做错决定。 这里有一个更麻烦的地方。Brynjolfsson 特别强调，**世界上大部分东西不是指数的**。人怎么学习，组织怎么变革，制度怎么演化，这些都很慢。技术那边翻倍再翻倍，人的这一边几乎不动。这个错位，他认为是我们社会很多问题的根源，包括不断扩大的不平等，包括政治和经济系统里的各种失灵。 把这个错位说透一点：技术的变化速度和制度的适应速度之间有一个缺口，缺口越大，被甩下的人越多。技术本身没有错，麻烦出在两边速度不匹配。 ## 没有一条指数曲线能永远涨下去 很多人把摩尔定律当成一条永远向上的指数曲线，Brynjolfsson 提醒说，这里漏掉了后半句：**任何指数曲线最终都会停下来**。它要么变成S形曲线，要么以别的方式终止，有时候是灾难性的终止。 新冠就是这样。它先指数上升，然后可感染人群被逐渐消耗，曲线开始饱和，这就是标准流行病模型的基础。摩尔定律也一样，每一代芯片技术都会撞到物理极限。 更值得说的是另一半：人类总能在旧的S曲线见顶之前，找到一条新的S曲线叠上去，用新材料、新工艺，一代接一代地续命。为什么人类这么擅长这件事，他说没人有特别好的理论。 他给了一个解释的雏形，这个解释很有意思：当系统里其他部分都在按两三年翻一倍的速度跑，唯独某一个环节跟不上，这个环节就成了瓶颈。瓶颈意味着，谁能让它提速，谁就能拿到超额回报。于是资源会自动涌向那个最落后的环节。资本和人才被这个瓶颈吸过去，把它填平，曲线得以延续。 换句话说，指数增长不是自动的，是激励结构逼出来的。 摩尔定律之外，他提到另一个更贴近日常的曲线，Koomey 定律。这是 Jonathan Koomey 发现的，能耗大约每两年减半。他顺带说了句，Koomey 是他大学室友。这条曲线对普通人的意义可能比摩尔定律更大：新 iPhone 快一倍挺爽，但电池续航长一倍更值钱。芯片行业现在很大一部分进步来自省电，跟拼主频关系不大。 ## 人工智能是三条曲线叠在一起 聊到深度学习，Brynjolfsson 把进展拆成三个来源，这个拆法值得记住。 第一是算力。摩尔定律还在，但更猛的是 GPU 和专门为机器学习设计的芯片，比如 TPU。每换一代，就能在摩尔定律之上再加10倍到100倍。 第二是数据。二十年前照片是化学冲洗的，现在全是数字的。他昨天一天拍了大概50张数字照片，放在胶卷时代他不会这么干。人走到哪儿，手机都在往外广播数据，这些都能当训练集。加上物联网，数据量是另一个量级的跃升。 第三是算法。深度神经网络的核心思想已经存在几十年，但让它在工程上跑得更高效的技术，这些年进步了好几个数量级。 三个100倍乘起来，就是百万倍的改进。这也是为什么图像识别这类任务会在短时间内从"不可能"变成"比人还准"。 接着 Lex 提了一个很尖锐的推论：如果GPT这类模型就是在互联网数据上做自监督学习，那么瓶颈可能是互联网上到底有多少人类生成的文本。会不会有一天，模型把人类所有数字化的知识都吃完了？ Brynjolfsson 的回应有两层。一层是，训练算法本身也在变得省数据，用更少的数据就能学到东西。另一层是，我们捕获数据的能力也在涨。此外还可以模拟，比如用视频游戏生成数据，一些自动驾驶系统就在模拟驾驶场景。 他对瓶颈这件事有一个更宏观的观察：**人们习惯用瓶颈来论证指数增长会结束，但历史上瓶颈一次次被绕过去了**。他也不知道数据瓶颈具体怎么破，但大概率是更高效的训练算法，或者我们还没想到的某种数据来源。 ## 自动驾驶不是一个开关，是一条光谱 Lex 提到他第二天要和 Waymo 的 CTO 聊，过几周又要和 Elon 聊。Brynjolfsson 的观点很克制。 他说自己一开始也把自动驾驶想成一个是非题：要么有，要么没有。这个想法太简单。正确的框架是一条连续谱，从辅助驾驶到完全无人驾驶，中间有无数档位。高速公路、好天气、笔直的路，从洛杉矶到凤凰城那种，接近已经解决。但波士顿的雪天、路况乱七八糟、路口不是直角、别的司机要干什么全靠猜，那是完全不同的难度，本质上是个博弈论问题，需要理解人的动机。这类场景可能要几十年。 他对 Waymo 路线的评价是，Waymo 说服了他一件事：**只在测绘得很好的区域跑，然后一点点扩大这些区域，让它们最终连成一片**，这可能才是现实的演进路径。一开始就"野路子"到处跑，反倒不现实。 他提到一个细节：Waymo 有一套远程观察的基础设施，它管的是随时接入车内做客服，远程操控车辆不在官方功能清单上。他猜技术上也能远程控制，只是官方不把这算作功能。 最难的部分，是长尾。你可以处理99.99%甚至99.999%的情况，但总有训练数据里从没出现过的怪事，人类大致能绕过去。这里有个数字需要放在台面上：美国每年大约3万人死于车祸，全球大约100万。人类驾驶远不完美。**但人对机器的期待更高，不会容忍机器造成同等量级的伤亡**，所以这些边缘情况必须处理得好得多。 Lex 提了一个批评：Waymo 太专注安全，没人谈怎么做出用户真正爱用的产品。做得绝对安全，结果没人愿意坐，也是失败。Brynjolfsson 顺着这个话说回 Elon，说 Elon 的天才之一，是早年的电动车都软绵绵、没劲、不好玩，他先做了一辆 Roadster，零到六十英里加速比几乎所有车都快。这是营销动作，也是技术动作。 他借这个例子说了一个更大的问题：太多人做AI的时候缺乏想象力，思路是"我们现在怎么做这件事，让机器照着做一遍，省点人力"。这不会带来质变。Jeff Bezos 做亚马逊，做的事跟把收银员换成机器人收银员毫无关系，他从仓库、配送、屏幕下单整个重做一遍，把实体书店这个环节直接砍掉。 ## 电力的教训：技术先到，重组迟到三十年 这一段值得单独展开。 一百年前工厂靠蒸汽机或者水车驱动。动力要通过皮带和曲轴传出去，传动轴不能太长，太长会被扭断。所以所有设备都得挤在那台巨大的蒸汽机周围，还得盖成多层，一层层往上叠，就为了缩短距离。小蒸汽机也造不出来，受热力学限制。 电来了以后，工厂做了什么？把蒸汽机拆掉，买一台通用电气能造的最大的电动机换上，其他照旧。什么都没变。 真正的变化，等了一代人。等那批经理退休或者去世，才有人开始想：我们为什么非得这么干？电动机可以造大、造中、造小，每台设备配一个。管理学界当时有一场大辩论，叫"集中驱动"对"单机驱动"。单机驱动赢了之后，工厂的样子才彻底变了：可以摊开在单层，每台机器有自己的电机，更重要的是，**设备布局换了依据，从前看谁最费电，现在看物料流动的顺序**。这就是流水线的诞生。 布局一改，生产率暴涨。Paul David 有论文详细记录过这段历史。同样的故事在蒸汽机替代手工生产时发生过一次，在计算机化时又发生过一次。Michael Hammer 那句"不要自动化，要推倒重来"，说的就是这件事。**真正的收益，只在聪明的企业家和管理者把整个行业重新发明一遍之后才出现。** 而且重组的这段时间里，生产率数字会往下掉。Brynjolfsson 和 Chad Syverson、Daniel Rock 写过一篇论文，叫《生产率J曲线》。很多这类案例都是先往下掉，再往上走。往下掉的那段，是所有人都在摸索怎么重做。他们在创造知识和无形资产，但这些不上任何人的资产负债表，不进GDP。看起来就像什么都没干。 他举了自动驾驶的例子：几百亿美元砸进去，没有一个司机因此失业，没有出租车司机因此失业。钱花了，消费者还没拿到东西。大家是在赌，赌自己最终能吃到J曲线向上的那一段。这个赌注在他看来是合理的。但在短期内，账面什么都看不到。 这也是他作为经济学家的一个失望之处：这些技术看起来这么炸，但过去大约15年的生产率增长，比再往前15年（90年代和2000年代初）还要低。他的个人判断是，我们处在一个很长的J曲线的谷底，乐观的话明年就能看到向上的拐点，但过去这十年确实有点令人失望。 ## GDP算不出维基百科的价值 为什么生产率统计看不到这些技术进步？Brynjolfsson 给了一个具体解释，落脚在"免费"上。 维基百科、Facebook、Twitter、Zoom，这些东西的价格是零。GDP算的是所有被买卖的商品的价格乘以数量。价格是零的东西，对GDP的贡献，一阶近似下就是零。可我们每天花在屏幕上的时间越来越多，从大屏到小屏，这些消费不进GDP，就像不存在一样。 不存在不等于没价值。他从维基百科、猫视频、播客里获得的效用是真实的，只是没付钱。 这里他补了一段历史：GDP 这个概念是 Simon Kuznets 在1930年代发明的，Kuznets 本人就说过，GDP 衡量的是生产，跟福祉无关。但几乎所有人都忘了这句话，拿GDP当"我们过得好不好"来用。去年GDP增长2.3%，这个数字衡量的是实物产出，不是你实际获得的价值。 所以他参与推动一套新指标，叫 GDP-B。B 代表 benefits，这套指标衡量的是你获得的好处，成本不是它的重点。你从 Zoom、维基百科、Facebook 得到的好处，即便付费是零，也要计进去。生产率的定义是GDP除以工作小时数，所以GDP被低估多少，生产率就被低估多少。这套账不改，生产率数据就没法反映真实情况。 难在哪？收银机能记录你付了多少钱，但记录不了你"本来愿意付多少"。所以他的团队用大规模在线选择实验：问几十万甚至上百万人，给你多少钱你愿意一个月不用维基百科？给你多少钱你愿意停用手机？有些是假设性的，有些是真金白银执行的。比如给某人3美元让他停用Facebook，看他是否真停；有人10美元就愿意放弃，有人给100美元也不干。把所有价格上的答案汇总，就得到一条需求曲线，进而估算出价值。 一个有意思的发现是，不同人群的估值不同。女性对Facebook的估值普遍高于男性，老年人比年轻人略高一点。他开玩笑说，可能是因为年轻人知道一些他不知道名字的、比Facebook更好的社交网络。 ## 真相传播得比谎言慢，这是设计问题 Lex 提到 Netflix 的纪录片《社交困境》，提到 Tristan Harris。Brynjolfsson 顺着这个聊到社交网络的底层机制。 他引用了 Danny Kahneman 的系统一和系统二。系统一是爬虫脑，看到什么有趣就点、就转发；系统二是前额叶，本该更审慎、更理性，但实际做决定的时候用得不多。他的判断是，很多社交网络倾向于利用系统一，让人快速反应、快速传播，不去细想。而系统一被什么驱动？性、暴力、厌恶、愤怒、恐惧，这些比较原始的情绪。 他说，我们搭起了一套连接全球几十亿颗大脑的信息基础设施，这套设施最该做的事情，是让真相跑得比谎言快。但它的设计，未必是故意的，恰恰相反。 他提到 MIT 同事 Soroush Vosoughi、Deb Roy 等人的那篇发在《科学》封面的论文。结论是大家早就担心的：**谎言在社交网络上传播得比真相更快、更远、触达更多人**。人对谎言本身没什么偏爱，让人上钩的是那种震惊感。"你能信吗"这类内容天然更容易被转发。什么东西最难以置信？谎言。因为谎言不用受真相约束，可以随便编得耸动。研究还发现，假消息的情绪唤起度明显更高，所以更容易扩散。 另一个有意思的点是，这不完全是算法造成的。有人指出 YouTube 的算法在某些情况下会放大极端内容，但在 Twitter 那项研究里，即便把所有机器人和自动发帖都剔除，谎言依然传播得更快。**问题出在我们自己身上，我们忍不住转发那些耸动的东西。** 但他也把一部分责任放在平台上。平台的设计方式有选择空间，可以设计得让谎言容易传播，也可以设置一些摩擦，让真相更容易被放大。他提到和 Jimmy Wales（维基百科的联合创始人）吃过一次饭，Wales 说服了他：设计选择真的会决定一个平台更容易还是更不容易滋生假新闻。 他还提到学术界的一个类比，虽然远不完美，但方向是对的：在学术界，一个重要的发现会被更多人引用、更多人关注，它会被放大。平台也可以往这个方向设计，给真相更多信用、更多曝光。他说自己对社交网络掌门人有点失望，他们没有足够努力去放大真相。这背后又回到商业模式：快速扩张、快速传播、拉用户，跟找到真相是两回事。 Lex 抛出一个更悲观的设想：过去几年揭示的，可能是有很多钱可以从"拆掉真相这个概念"里赚出来。会不会有一天，真相本身都不存在了，观念只是漂浮在数字经济里的玩具，和现实毫无关系？ Brynjolfsson 的回答是：这有可能，但不是必然。他说自己不站技术决定论那一边，**技术不决定我们的命运，我们决定我们的命运**。他引了二战末期德国科学家的那句话，大意是"我们的工作是让导弹飞上去，它落哪儿是别人的部门管"。他说这种态度对工程师、对技术人显然是不对的，应该对后果保持高度谨慎。 他补充了一个更深的理由：过去几百年人类之所以进步，一个关键发明是科学方法，一套找真相、筛掉假象的工具。拥抱这套方法的个人、组织、社会，比不拥抱的做得更好。所以他的期望是，人们不只是拥抱真相，还要拥抱那些能通向真相的方法。 ## 断章取义比撒谎更有效 谈到推特和假消息的具体手法时，Brynjolfsson 提到一个词，"nitpicking"，直译是挑刺，实际指的是**把对方阵营里最极端的个例拎出来放大，让它看起来像是那一方的常态**。你不需要撒谎，只需要把一个在地铁里大喊大叫的疯子、一个 KKK 成员、一个 Antifa 成员，本来只有12个人会注意到的内容，做成视频推给几千万人。你看完会生气，会想告诉朋友。这是制造分裂的高效手段。 他还讲了一个更隐蔽的操作。他有个朋友研究俄罗斯的信息战，说那些操作者非常擅长同时扮演两边：一些人假装是 BLM 的支持者，一些人假装是白人至上主义者，两边互相骂、互相说极端的话。他们的目标跟谁赢谁输无关，他们要的是所有人都被激怒、互相不信任。这些工具确实被这样用了，对美国民主和社会造成了很大破坏。 他说平台运营者负有社会责任，有道德和伦理上的个人责任，去把这类东西处理掉。这里得说清楚，关掉言论完全不在他的选项里，他说的是把设计调成让真相更容易压过谎言、让建设性沟通更容易压过破坏性沟通。 Lex 顺着这个讲了一个更普遍的担忧：连单独一句话都能被从上下文里拎出来，一句三年前说的、可能是开玩笑的话，都可能被拿来定义你这个人。Brynjolfsson 的回应是，**我们都需要更宽容一些**。他二十几岁的时候挨个想过自己的朋友，发现每个人至少都有一两个观点是他完全不认同的，没有谁是例外，除了他自己，当然，别人大概也是这么看他的。所以人得学着容忍一点。 他还给了一个技术上的类比。火发明出来当然好，能做饭，但总有人被烧到，后来才有了灭火器。汽车发明了，后来才有安全带。新技术的危险，人类是一点点学会处理的。**不能把责任全推给平台，说"你们去设计好"，如果使用者本身很蠢，没有哪个平台设计能扛得住。**得同时学会怎么用，让它偏向成功，远离危险。 ## 970个职业里，没有一个能被完全替代 聊AI对就业的影响时，Brynjolfsson 讲了他和 Tom Mitchell 合作的一篇论文，发在《科学》上，标题是《机器学习能做什么》。 做法是这样的：美国政府有个数据库叫 O*NET，把经济分成大约970个职业，比如公交车司机、经济学家、小学老师、放射科医生，每个职业下列出需要完成的具体任务。放射科医生有27项任务。他们请一群AI专家评估，机器学习在这每一项任务上表现如何。 结果有两个。第一，**没有任何一个职业是机器学习能通吃的**。第二，**几乎没有任何一个职业是机器学习完全插不上手的**。 拿放射科医生举例。27项任务里有一项是看医学影像，这项很关键，也是这个职业的核心，机器已经做得和放射科医生一样好甚至更好。但放射科医生还要做清醒镇静、做体检、综合检查结果、向其他医生或病人解释。这些任务机器学习还不行。所以这个职业会继续存在，只是会被重构，一部分任务交给机器，剩下的由人来做得更多。 他由此给出一个更宏观的判断：我们会看到大量工作的重构和重组，这是聪明的企业家和管理者重新发明工作的好时机，但不会出现大规模失业。 哪些任务机器擅长？**常规的问题求解，把输入映射成输出**。只要你有大量关于X和Y的数据，也就是输入和输出的数据，机器就能找出关系。哪些不擅长？精细运动控制、灵巧操作、情感智能、人际互动，以及跳出框架的创造性工作。给一个结构良好的任务，机器很强，但连提出正确的问题都很难。 他引了毕加索看早期计算机的故事。有人把计算机给毕加索看，他看完没什么感觉，说这玩意儿只会回答问题。在毕加索眼里，有意思的是提问。 论文里还有一张散点图，横轴是职业收入，纵轴是这项职业被机器学习替代的程度。整体趋势是：**低收入职业里，适合机器学习的任务更多**，比如收银员，超市和 CVS 的收银员基本只扫条码，但机器已经能认出苹果和橘子。另一端有反例，比如民航飞行员，收入在职业里排很高，但很多任务其实很适合机器学习。经济学家的收入不错，而他们做的事大部分暂时没被归进"适合机器学习"那一类。 Brynjolfsson 说这张图让他有点不安：如果就拿今天的技术水平看，它倾向于加剧收入不平等。而且这张图会跟着技术进展不断更新。 ## 发钱不能解决意义问题 话题转到 Andrew Yang 和全民基本收入（UBI）。Brynjolfsson 先夸了 Yang，说他思考认真、有分析能力，价值观也认同。 但对 UBI 本身，他的态度是有过变化的。一开始他算是支持者，研究得越多，越不那么支持，现在又有点回摆。 作为经济学家，最简单的思路是：有人收入不够，给他写张支票，问题解决。但他和搞社会学的朋友聊过之后被说服了，光发钱抓不到核心。**Voltaire 说过，工作能解决三大恶：无聊、恶习和匮乏。**匮乏可以用支票解决，但人需要意义，需要有事做。钢铁工人、煤矿工人失业之后，如果只是给他们发钱，酗酒、抑郁、离婚、吸毒这些社会指标全都往上蹿。人坐在那里领支票，并不快乐。也许是成长环境使然，也许是某种天性，人需要感觉自己被需要。 第二点是，他前面就说过，我们离工作的终结还很远。城市需要清理，机器人干不了大部分。我们需要更好的托育、更好的医疗，需要照顾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参与。与其把这些人一笔勾销，不如想办法让他们重新有用、保持参与。 话虽如此，他还是希望底层的人有更多购买力。他看到非常勤奋的人，过去二三十年工资几乎没涨，而另一些非常聪明或者非常幸运的人赚了几百亿。他不认为这些人需要几百亿才能有动力去发明东西。他和其中不少人聊过，多数人并不觉得自己需要多赚100亿美元才会继续做现在做的事，很多人可能只赚10亿，甚至不赚钱也愿意做。 他给了一个很硬的反例：如果当年税率是70%，比尔·盖茨还会创立微软吗？答案是会，因为**他创立微软的时候，最高税率就是70%**。所以税率不是那么大的阻碍。 他自己最偏好的工具是劳动所得税抵免（Earned Income Tax Credit，EITC）。逻辑是补贴有工作的人的工资，同时给雇主多雇人的激励。最低工资可能抑制就业，而 EITC 通过补贴工资促进就业：如果雇主只出得起10美元一小时，其他人一起再补5到10美元，把工资抬到15到20美元，这个人的购买力就上去了。企业家接着会想怎么服务这批人，为他们做产品，形成自我强化的循环。 他还提到和某人有过一次很好的讨论，对方提议把无条件基本收入改成有条件基本收入，条件是学新技能。我们需要给劳动力再培训，那就让学技能这件事更容易、更有回报。他觉得这个想法不错。 Lex 追问：UBI 的一个初衷是提供安全网，让人在再培训期间有底气。Brynjolfsson 的回应是，有很多自我驱动的人，也有一些人需要一点引导和帮助。而一个正在失业的人，最难的问题往往是：我该学什么新技能？我们可以提供更好的工具和平台，告诉他，这是你已经有的技能，这是市场需要的技能，这是从A到B的路径。 ## 该征税的是污染和拥堵 Lex 问，如果让他修税收系统，会动哪里。Brynjolfsson 的回答是，整个税收、政治、经济系统在过去二三十年越来越糟，但改起来没那么难，不需要全部推倒重来，很多是经济学101的东西。 他列了几条：投资教育、投资基础设施、欢迎移民、让税制更累进、更公平。曾经最高收入段的税率高得多，现在降了很多，很多情况下**高收入者的税率比低收入者还低**。 具体到税收工具，他喜欢"庇古税"（Pigouvian tax）这个思路：**该被征税的是坏东西，好东西不该被征税**。现在我们对劳动征税，对资本征税，可经济学的基本原理是，你对什么征税，就会得到更少的那种东西。劳动和资本都是我们想要更多的东西，不该被惩罚。污染和拥堵才是该被征税的对象。 碳税在他看来几乎是所有经济学家的共识，不分党派。Greg Mankiw 当过小布什的经济顾问委员会主席，Dick Schmalensee 也是共和党经济学家，加上大量民主党经济学家，都同意。如果对碳征税，可以筹到几千亿美元，这笔钱可以通过劳动所得税抵免等方式再分配出去，整体税制会变得更累进。 拥堵税是他个人情绪最强烈的一条。他说每次堵在路上，作为一个经济学家，他知道这是完全不必要的浪费。堵车是在从他和周围所有人身上收税，收走的钱直接倒进海里销毁。如果收拥堵税，同样的钱会流向公共用途，可以用来做医疗、做基础设施，或者直接发给人们买食物。**新加坡收了拥堵税，交通就顺畅得多，因为他们听经济学家的。** 他说这些都不激进，多数经济学家逐条都会同意，做了这些，整个经济会高效得多、公平得多。 还有一条是投资研发，这接近免费午餐。他的 MIT 老同事 Robert Solow 拿过诺贝尔奖，论证了生活水平提升的大部分来自技术进步。后来的 Paul Romer 又拿了一次诺贝尔奖，论证了对研发和人力资本的投资可以加快技术进步的速度。 不过他把话说清楚了：这里要区分应用开发和基础研究。应用开发，比如把自动驾驶做得更好，私人企业有动力做，因为能捕获价值，能卖出更值钱的车，这块没问题，亚马逊、特斯拉都在投。问题出在基础研究，比如核聚变、AI、生物技术的底层想法。有人发明出来，很难独享收益，好处被所有人分享。这挺好，但意味着没人有足够动力投入。**这是典型的公共品，需要政府介入。**美国政府过去在研发上投得多，后来大幅削减，这一步很蠢，结果是所有人都更穷，增长率下降，科学进展变慢。用他的比喻，这是在吃种子粮：今天把钱塞进口袋，五到二十年后，大家比原本要穷得多。 ## 疫情把20年的远程办公压缩进20周 聊到疫情对经济的冲击，Brynjolfsson 说这是双重的灾难：死亡人数触目惊心，经济破坏也很严重。但有一件事很反常，他在过去20周里看到的工作方式变化，比之前20年加起来还多。上一次美国经济被这样重组，大概要追溯到二战动员。 远程办公是最直接的一个变化。他和 MIT 及其他机构的同事做过研究。疫情之前，2020年初，大约六分之一，也就是略高于15%的美国人在远程工作。疫情来袭后一路上升，最高摸到50%左右，差不多一半的美国人在家上班。 但这个变化分布极不均匀。信息工作者、专业人士、主要跟数据打交道的人，在家办公容易得多。制造业工人、需要跟人打交道或跟实物打交道的人，在家办公很难，他们更可能被裁员或失业。所以疫情对劳动力市场的影响是割裂的。 Lex 问这是不是"粘性"的，疫苗出来、经济重启之后，远程办公会不会退回去。Brynjolfsson 的判断是：**会退一部分，但留下的量会大得惊人**。他自己把学术研讨会搬到 Zoom 上，效果好得让他意外。听众范围大大拓宽，欧洲、其他国家的、全美各地的人都能来。他还发现这种方式让讨论更平等：用聊天功能，研究生和那些平时不太敢开口的人，有了更多发声渠道，还能互相回答彼此的问题。有人问数据或参考文献，聊天里就有人答。整个研讨会的带宽和质量反而更高了。 经济学里管这个叫"滞后效应"（hysteresis）。他打了个比方：鸡蛋煮熟之后再放凉，它不会变回液态。他的判断是，经济里会有相当程度的滞后效应，我们已经进入一套新的远程工作体系，不会完全弹回原来的样子。 他还指出一个亮点：疫情里很多机构表现让人失望，但技术这一块表现不错。带宽撑住了，邮件和各种工具优雅地扩容了。 ## 那些没有推特粉丝的人在沉默地受苦 Lex 提了一个很少有人谈的角度：能在远程办公里继续成功的人，恰好是那些在推特上有很多粉丝、声音能被媒体放大的人。而另一边，是几百万人，工作被疫情彻底打乱，但他们在推特上没有粉丝。 Lex 说他最近在读《第三帝国的兴亡》，美国大萧条和后来的历史之间有一种复杂、深刻的连接，苦难可以转化成改变世界的力量，而且是破坏性的方向。他担心的是，这种苦难在五年、十年后会以什么形式浮现出来。 Brynjolfsson 说这正是他最担心的核心。他把它拆成两部分。 一部分是道德和伦理层面的。他认为大多数美国人、这个星球上大多数人都希望共享繁荣，不希望有人被甩下。但事实上人被甩下了，不光是疫情造成的，过去二十年里中位数收入几乎没动，而顶层1%的收入一路飙升。一部分原因是技术的使用方式，一部分原因他直说，是政治系统持续把更多财富转移给有权力有利益的群体。所以有一个道德上的紧迫性，需要做得更好。而且最终，更多人能贡献、更多人有能力，所有人都会更富有。 另一部分是政治风险。他说自己不是政治学家，但不需要是，也能看出很多人在愤怒，觉得自己被亏待了，他们想砸掉这套系统。2016年和2018年都体现了这一点。现在很多人看着政治系统，觉得它不为他们运转，就想做点激进的事。不幸的是，煽动家把这种情绪引向了破坏性的方向。 他给了一个类比，贸易。几乎所有经济学家都认为自由贸易是好事，两个人自愿交换，按定义双方都变得更好。但经济学家也承认贸易的影响是不均匀的，有人赢有人输，那些没有技能去竞争、没有其他资产的人会受损。所以经济学界有一个公式：**自由贸易，但要补偿受损的人**。饼变大了，理论上可以让所有人变得更好，赢家赢更多，输家得到补偿，没有人净受损。 问题在于，这个承诺没有兑现。80年代和90年代贸易确实更自由了，但受损的人没有被补偿。他们觉得当权者背弃了约定，而 Brynjolfsson 认为他们的感觉是对的。于是出现了反贸易的反弹，现在两党都在往回收，特朗普这边尤其明显。长期看这对国家不好，对生活水平不好，但他能理解人们为什么觉得自己被背叛了。 他说技术有很多类似的特征。技术能让所有人变得更好，饼变大，创造财富和健康，但影响也是不均匀的。不是每个人都会自动受益，有可能一部分人甚至多数人被落下，少数人拿走大部分好处。经济学家的标准答案是：把饼做大，同时调整系统去补偿受损的人。饼大了，理论上富人、中产、穷人可以同时变得更好。但同样，我们没有这么做。 于是同样的反应又出现了：人们说这套系统不为我运转。同样，不去修复分配，很多人开始说，技术本身就是坏的，得停下来。砸谷歌的巴士，把它炸掉。两百年前的勒德分子就是这样，砸纺织机、砸纺纱机，因为他们觉得机器没帮到自己。 他的结论是：我们有一个真实的紧迫任务，做道德上正确的事，也做能拯救这个国家的事，**确保我们创造的繁荣是共享的**。 ## 学术界是一个更温柔的世界 话题转到他从 MIT 搬到斯坦福。他在 MIT 待了三十多年，现在搬到西海岸。他说 MIT 对他一直很好，那里有太多很棒的朋友和同事。斯坦福也很好，吸引他的不只是天气，还有硅谷，那是技术革命更靠前的震中，他想离发明 AI 的人近一些。他承认天气这个理由有点肤浅，但确实享受。他还开了个玩笑：几个月前搬过来，马上赶上大火，眼睛刺痛，天是橙色的，还有热浪，跟他被许诺的加州不太一样。 Lex 问，能不能说说大学里美好或强大的东西。Brynjolfsson 用了经济学里"显示性偏好"的概念：不要问人怎么说，看他怎么做。从他的行为看，他显然爱学术界。他可以做很多别的事，但他选了这个，而且很喜欢。 他说"magical"这个词很准确。他做自己爱做的事，开玩笑说，希望老婆没在听，**不给钱他也愿意做**。他喜欢做研究，喜欢和人这样对话，和学生、和同事，喜欢待在他能找到的最聪明的人中间，从他们那里学东西，被他们挑战。这给他快乐，每天都能找到新的、让人兴奋的东西。大学里充满了同样感觉的人。他很幸运，在一个能为此付他钱、让他养家糊口的社会里做自己爱做的事。他希望有一天所有人都能有这样的工作。他也承认，不是每个人都能轻松找到既热爱又能养家的工作。 他也说了学术界不完美的地方，但总体上是"这个世界更温柔的一个版本"，大家在很多事情上互相宽容一些。当然也有激烈的辩论、琐碎的办公室政治，他个人尽量避开这些。他提到他们搞的数字经济实验室，一堆聪明的博士生、本科生、博后，每个人做的某一部分他都看不懂，比他聪明得多。他喜欢和一屋子聪明人待在一起，斯坦福让他很容易吸引到这些人：说一声要办个研讨会，人就来了，想和他合作，资金、数据集也都到位。 ## 书单和暗星的比喻 Lex 问三本对他影响大的书。Brynjolfsson 列了这些。 《悉达多》（Siddhartha），赫尔曼·黑塞，他青少年时期读的哲学书，帮他保持内心安定，不要把物质之类的东西看得太重，去找到平静。 影响他职业选择的是 Robert Heilbroner 的《世俗哲学家》（The Worldly Philosophers），讲经济学家的书，从亚当·斯密到卡尔·马克思到凯恩斯，写得很生动，不只讲每个人的核心洞见，还讲他们的性格。他说这大概是他成为经济学家的原因之一，看到这些人怎么和世界的大问题搏斗。 他推荐这本书作为经济学史的快速通览，虽然现在有点过时，需要更新，但前两百年经济学从这儿入手不坏。 还有他朋友兼同事 Max Tegmark 的《生命3.0》（Life 3.0）。他提了一句，Lex 应该请他来播客。Lex 说 Max 是第一期的嘉宾，还会再来。Brynjolfsson 说他喜欢 Max 的大脑运转方式，能让你思考深刻的东西，又有一种快乐的姿态。 他还提了两本。Andrew McAfee 的《More from Less》，让他对一件事乐观：我们可以在生活水平继续提高的同时，对地球的影响更小。事实上正因为生活水平提高、技术进步、数字化，我们不必对地球造成那么大的冲击。McAfee 把这件事记录得很细致。 还有 James Clear 的《原子习惯》（Atomic Habits），一本对他有用的自我管理书。他说书里大多数句子他都喜欢。这种书的作用是有人不断提醒你、强化你，帮你建立你希望拥有的习惯，不用是什么大动作，可以是很小的改变。书名里的"原子"有一层双关：单个原子弹很小，但原子能又能产生巨大影响。 最后 Lex 问了那个"最荒谬的问题"：人生的意义是什么。 Brynjolfsson 说他从儿子 Luke 那里学到很多。Luke 19岁，一直爱哲学，比他懂的多得多。他带 Luke 去牛津，Luke 全程把那些冷僻的书抽出来读。几年前他们有过一次争论，Luke 试图说服他，享乐主义就是人生的终极意义，就是追求快乐。那年 Luke 17岁，但论证做得很好。 Brynjolfsson 说他觉得这不对劲。他承认自己算是功利主义者，认同为最多的人谋最大的善，但那太浅了。他说服了自己：**真正的幸福不来自追求快乐**，这里面有点反讽，如果你一门心思盯着"我要幸福"，反而得不到。你得去做一件更大的事。 他用的比喻是这样的：看天上那颗暗淡的星，你直勾勾盯着它，它反而消失了；你得稍微偏一点看，视网膜上对光更敏感的区域才能捕捉到它。幸福也是这样，你得找到一个别的目标，找到某种意义，那反而让你比直奔快乐更幸福。 他说自己不是演化心理学家，但他猜人的大脑不只为了快乐而接线，我们是社会性动物，天生会被"帮助他人"这件事驱动。当你真的帮到别人，或者至少感觉自己帮到了别人，奖赏系统会启动，你得到的满足感，比做一件自私浅薄的事要深得多。 ## 给读者的一份行动清单 这期对话的信息量很大，落到具体可以做的事，Brynjolfsson 的判断指向几个方向。如果你在做技术、做产品、管公司，或者只是一个每天用着这些工具的人，下面这几条可以直接拿去用。 - 训练自己对指数增长的直觉。别再拿线性思维估算翻倍的东西。看到"每两三天翻一倍"这类描述，先在心里算一下30次翻倍之后是什么量级，再决定要不要当回事。疫情是这样，算力是这样，你所在的行业里可能也有这样一条曲线。 - 做AI的时候不要只想着替代。问一遍"我们现在怎么做这件事，让机器照着做"，答案是省点人力，仅此而已。真正值钱的问题是：如果从头重做整个流程，会是什么样子？Bezos 没有把收银员换成机器人，他砍掉的是实体书店这个环节。 - 接受J曲线，给重组留出时间。技术到位之后，生产率往往先跌后涨，因为所有人都在摸索怎么重做。如果你是管理者，别指望第一年就看到回报；如果你是投资者或旁观者，别因为短期数据难看就断定这项技术没用。 - 如果你是平台的设计者，把"放大真相"当成一个明确的设计目标。给真相更多信用、更多曝光，给耸动内容加一点摩擦。这算不上道德说教，它就是一个产品选择，而选择是有空间的。 - 如果你是内容的分发者或转发者，注意那个"断章取义"的陷阱。把一个极端个例放大成对方阵营的常态，不需要撒谎就能制造分裂。看到这种内容，先停一下，别转。 - 对自己宽容一点，也对别人宽容一点。每个人至少有一两个观点是你完全不认同的，没有例外。三年前的一句玩笑话被翻出来定义一个人，这种机制会伤害所有人，包括你。 - 如果你关心就业政策，优先看"补贴工作"这类工具，别只盯着"发钱"。EITC 既提高底层购买力，又给雇主多雇人的激励，比无条件发钱更接近问题的核心。工作解决的三大恶里，无聊和恶习是支票解决不了的。 - 如果你有机会参与税收讨论，记住那条简单原则：该被征税的是坏东西，好东西不该被征税。碳税、拥堵税在经济学界几乎是不分党派的共识，筹到的钱可以再分配，让整个税制更公平、更高效。 - 基础研究值得公共投入。应用开发私人企业有动力做，因为能捕获价值；底层想法很难独享收益，是典型的公共品，只能靠政府。过去几十年在这上面削减投入，是吃种子粮，代价会在五到二十年后显现。 - 疫情带来的远程办公不会全部退回去。鸡蛋煮熟了再放凉不会变回液态。如果你在管理团队，现在就该把混合办公的规则、工具、评估方式想清楚，别等经济完全重启再临时决定。 - 最后，别直奔快乐。找到一件比你自己更大的事去做，帮到别人，那个暗淡的星反而会被你看见。