【研報】智能經濟：人工智能時代的經濟增長、產業格局與大國博弈-20200428[40頁].pdf

1、 請務必閱讀正文后免責條款部分 2020 年年 04 月月 28 日日 深度深度研究研究 宏觀研究宏觀研究 研究所 證券分析師： 樊磊 S0350517120001 021-60338120 智能經濟智能經濟 人工智能時代人工智能時代的經濟增長、產業格局的經濟增長、產業格局與大國博弈與大國博弈 相關報告 近期全球金融市場動蕩的背后： 金融海嘯距 離我們有多遠？2020-04-10 政治局會議背后的邏輯是什么？： 經濟增長 與就業壓力加大2020-03-28 武漢疫情如何影響 2020 年中國經濟？：變 的是短期增長節奏而非中期增長趨勢 2020-02-01 站在 2025年看中國系列： 人口與

2、需求結構： 奶粉 VS 早教孰弱？醫療 VS 養老誰強？ 2020-01-23 2020 年中國宏觀經濟展望：出清之痛 2019-12-08 投資要點：投資要點： 疫情關上一扇門，科技打開一扇窗。疫情關上一扇門，科技打開一扇窗。作為可以與蒸汽機、電動機、 計算機和互聯網相提并論的通用技術，基于深度學習的人工智能在 一些特定領域賦予了機器識別規律、改善優化的能力，有望帶來新 一輪的工業革命將人類社會帶入到智能經濟時代。疫情雖然在 許多領域對中國乃至全球經濟產生了較大沖擊，卻明顯加速了人工 智能技術的落地和發展：包括產生了對醫療人工智能、非接觸式人 工智能產品的直接需求，大量活動互聯網化后形成了可

3、以訓練人工 智能的巨量數據積累，以及企業、政府更大力度的投資和政策支持。 基于深度學習的人工智能對于經濟增長，收入分配和利率水平可能基于深度學習的人工智能對于經濟增長，收入分配和利率水平可能 都會產生相當的影響都會產生相當的影響。從人工智能在自動駕駛和智能呼叫中心兩個 領域的應用來看，就有望在未來 10 年每年提振中國潛在經濟增速 0.2-0.3%；保守估計人工智能對中國潛在經濟增速的影響在每年 0.5%以上。從目前人工智能對勞動力的替代來看，我們認為中長期 可能不見得會出現失業率的明顯上升，但是收入分配可能進一步失 衡。當然，社會保障體制的調整與人工智能在教育領域的應用有望 緩解分配失衡的影

4、響。如果歷史可以參照，人工智能技術有望在中 期逐步推動中國經濟出現一輪類似于美國“新經濟”的經濟繁榮， 這也意味著中性利率可能會出現周期性的上升。不過，收入差距的 擴大可能意味著長期而言，利率或仍將延續下行的趨勢。 智能經濟時代的智能經濟時代的產業格局、大國博弈和數據監管也引人關注產業格局、大國博弈和數據監管也引人關注?？紤] 到造成人工智能集中度提升的因素更主要是傳統的規模效應和干中 學效應而非互聯網巨頭崛起所依托的網絡效應，我們認為人工智能 僅會在一些特定領域造成寡頭壟斷，無法與互聯網經濟崛起導致的 產業集中度上升相提并論。這當然也意味著技術進步的收益更多是 通過價格下降而為社會所分享。此外

5、，作為存在一定壟斷效應的先 導產業， 如果在人工智能行業中方采取戰略性的貿易和產業政策 （大 概率如此） ，有關人工智能的貿易和產業政策規則也可能成為中美貿 易摩擦的新的熱點領域。在有關監管方面，政府可能需要平衡數據 共享、數據安全、數據隱私等多方面的因素制定政策。 風險提示：經濟下行超預期，人工智能技術的不確定性，疫情持續惡化風險提示：經濟下行超預期，人工智能技術的不確定性，疫情持續惡化 證券研究報告 2 內容目錄內容目錄 1、 武漢解封：小小健康碼背后的大智能 . 4 2、 疫情加速智能經濟到來 . 5 2.1、 基于深度學習的人工智能：一種新的通用技術 . 5 2.2、 疫情加速智能經濟

6、到來 . 10 3、 智能經濟時代：經濟增長、收入分配與均衡利率. 16 3.1、 提升中國潛在經濟增長水平 . 16 3.2、 人工智能如何影響勞動力市場和收入分配 . 18 3.3、 應對分配失衡 . 22 3.4、 對總需求和中性利率的影響： “新經濟”的案例. 23 4、 智能經濟時代：市場結構，大國博弈與監管政策. 28 4.1、 市場競爭格局：科技巨頭的壟斷會加劇嗎？ . 28 4.2、 貿易產業政策與大國博弈 . 34 4.3、 有關數據與人工智能的監管政策 . 36 5、 風險提示 . 38 oPrOqQqMrMrPsQqRzRnMpM7NcMaQsQmMnPqQiNqQsOl

7、OoNrR9PnNzQMYnPsQvPrNyQ 證券研究報告 3 圖表目錄圖表目錄 圖表 1：湖北健康碼 . 4 圖表 2：幾種通用技術與人類社會的發展 . 5 圖表 3：人工智能與深度學習的關系 . 6 圖表 4：多層神經網絡算法模型示意圖 . 7 圖表 5：人工智能之父杰弗里辛頓 . 8 圖表 6：人工智能對體力勞動的替代 . 9 圖表 7：人工智能對腦力勞動的替代 . 9 圖表 8：阿里巴巴達摩院 CT 影像智能識別應用 . 11 圖表 9：移動滅病毒機器人 . 11 圖表 10：蘇寧物流機器人 . 11 圖表 11：火神山無人超市 . 12 圖表 12：可以執行催收的智能機器人 . 1

8、2 圖表 13：主要生鮮電商 app 疫情期間日均活躍用戶規模增速 （%） . 13 圖表 14：近期我國政府部門關于支持人工智能行業基礎設施建設的重要舉措 . 14 圖表 15：谷歌 Wing 無人機 . 14 圖表 16：亞馬遜的股票價格（美元/股） . 15 圖表 17：便攜式能源和 IT 時代美國勞動生產率的增長 . 16 圖表 18：壟斷廠商單一定價的產出水平 . 18 圖表 19：壟斷廠商完全價格歧視下的產出水平 . 18 圖表 20：OECD 國家失業率 VS 人均 GDP . 19 圖表 21：美國失業率（1948-2019） . 20 圖表 22：1980 年美國不同工資分位

9、上工作崗位占全部崗位數比重的變化：80 年代 VS90 年代 . 21 圖表 23：美國勞動力市場優勢年齡男性（25-54 歲）勞動參與率 . 21 圖表 24：工智能時代保障就業與社會穩定的一些政策設計 . 22 圖表 25：IBM Watson 推出的人工智能教案工具：教師顧問頁面 . 23 圖表 26：新經濟時期的美國 GDP 同比增速 . 24 圖表 27：美國新經濟時期“菲利普斯曲線”失靈 . 24 圖表 28：新經濟時期美國的私人消費與非住宅投資同比 . 25 圖表 29：新經濟時期美國私人非住宅投資同比 . 25 圖表 30：新經濟時期美國的私人住宅投資與政府消費與投資需求的同比

10、增長 . 25 圖表 31：美國新經濟時期的聯邦基金利率與 10 年期國債受益率 . 26 圖表 32：19 世紀以來的全球長期真實利率（%） . 26 圖表 33：人工智能的數據搜集和模型訓練閉環 . 28 圖表 34：自動駕駛人工智能起到輔助作用的特斯拉 . 30 圖表 35：全球云服務商巨頭 . 31 圖表 36：對于能分辨 120 種狗的人工智能識別精確度與訓練圖像數量之間的關系 . 33 圖表 37：中美兩國的企業在全球互聯網和人工智能領域居于領先地位 . 35 證券研究報告 4 1、 武漢解封武漢解封：小?。盒⌒〗】荡a健康碼背后的大智能背后的大智能 2020 年 4 月 8 日，封

11、閉 76 天的武漢宣布“解封”。疫情的陰霾終于逐步散去，當 江漢關大樓的鐘聲再度與過江輪渡的汽笛聲交織， 當黃鶴樓旁重新響起市井的喧 鬧，熙熙攘攘的人群又一次從武漢出發，也在向著武漢到達。 湖北省新型冠狀病毒感染肺炎疫情防控指揮部要求：從 4 月 8 日零時起，離漢 人員憑湖北健康碼“綠碼”可以安全有序流動；外省來鄂來漢人員憑外省健康碼或 湖北健康碼“綠碼”，也可以在全省范圍內安全有序流動。在疫情尚未完全過去、 防疫形勢仍然嚴峻的局面下， 小小的健康碼不但為武漢的解封保駕護航， 而且成 為了政府有管理的實現武漢解封的主要依據。 圖圖表表 1：湖北健康碼湖北健康碼 資料來源：湖北省新型冠狀病毒感

12、染肺炎疫情防控指揮部，國海證券研究所 那么健康碼背后有何奧秘呢？其原理是以個人自行申報健康信息為基礎， 結合手 機定位， 消費記錄 （如有沒有購買過退燒藥等） ， 乘車記錄 （有沒有去過疫區等） 等數據對使用者過去 14 天的行蹤、和行為進行綜合判斷，估算出使用者的疫情 風險。安全的顏色是綠色，有一定風險的顏色是黃色，而風險較高則為紅色。健 康碼是一款典型的人工智能應用： 一方面， 人能理解健康碼并在適當限制內進行 有效決策；另一方面，健康碼將人有效的信息輸送給機器，使機器對大量的、人 工根本無法處理的數據進行統一處理，得出有效結果。 “小荷才露尖尖角” ， 健康碼技術僅僅是疫情催化人工智能應

13、用落地的一個例子。 在對抗疫情和防疫長期化的過程中， 越來越多的人工智能正在日常生活的方方面 面持續落地， 而大量活動的線上化也正在為訓練出更強大的人工智能積累數據基 礎。實際上，以人工智能為代表的新一代通用技術，很有可能如同蒸汽機、電動 機、計算機和互聯網一樣，對世界經濟和人類社會產生深遠的影響。在機械化， 電力化，信息化時代之后，經歷疫情的催化智能化時代可能已經悄然到來. 證券研究報告 5 2、 疫情加速智能經濟到來疫情加速智能經濟到來 作為可以與蒸汽機、電動機、計算機和互聯網相提并論的通用技術，基于深度學 習的人工智能在一些特定領域賦予了機器識別規律、 改善優化的能力， 有望帶來 新一輪

14、的工業革命將人類社會帶入到智能經濟時代。 人類社會智能化的過程 可能包括互聯網應用智能化，商業活動智能化，實體世界智能化，和機器行動自 主智能化四個階段1。目前看來，疫情的爆發和防疫的長期化雖然令許多行業遭 受重創，卻成為了人工智能應用落地的最新催化劑和加速器。 2.1、 基于深度學習的基于深度學習的人工智能：一種新的通用技術人工智能：一種新的通用技術 當前人工智能技術的發展距離科幻小說中可以在各方面和人相比的通用人工智 能（人可以做的機器都可以做）相差甚遠，而且目前技術也并沒有在這個方向取 得突破。 然而， 基于深度學習的人工智能可以利用大量的來自特定領域的數據訓 練機器識別數據和期望結果之

15、間的關聯性， 從而為想要的結果做出最佳決策。 盡 管局限在一些領域，這種識別規律，得出最優解，和做出決策的能力是人類智能 的重要體現，其廣泛的用途使得深度學習成為了可以與蒸汽機、電動機、計算機 和互聯網相提并論的又一項通用技術的突破。 深度學習的廣泛應用可以大幅提升 人類生活各個領域的智能化水平。 2.1.1、 通用技術與人類進步通用技術與人類進步 現代經濟增長理論中把對經濟增長和經濟結構變遷產生廣泛影響的技術定義為 通用技術2。通用技術的典型特征包括幾乎可以運用到人類經濟的所有領域，能 有效提高生產效率， 并且在該技術進步的同時能夠催生其它領域的新的技術形成 良性循環等。 盡管有關通用技術具

16、體包含哪些技術學界內尚無明確定論， 但人工取火、 輪子以 及為人類社會進入到機械化、電氣化、信息化時代起到決定作用的蒸汽機、電動 機、計算機和互聯網都是公認的通用技術。 圖圖表表 2：幾種通用技術與人類社會的發展幾種通用技術與人類社會的發展 通用技術 時間 發明人/決定性的改進者 作用 影響 蒸汽機 1776 年 詹姆斯瓦特等 提供了機器的動力，人類物質加工、處理能力提升 機械化 電動機 1821 年 邁克爾法拉第等 允許動力源和使用者分離，改善人類物質加工能力 電氣化 計算機和互聯網 1945、1969 年 馮諾依曼、美國軍方等 讓機器計算和信息傳輸，改善人類的信息處理能力 信息化、自動化

17、深度學習人工智能 2006 年 杰弗里辛頓等 一些領域讓機器識別規律，優化解決方案的智能 智能化 資料來源：國海證券研究所整理 1 李開復 AI未來 浙江人民出版社 2018 年版 2 .Bresnahan,T F and M Trajtenberg. General Purpose Technologies: Engines of Growth Journal of Econometrics, Annals of Econometrics, 1996,65:83-108. 證券研究報告 6 2.1.2、 從從人工智能人工智能到到基于深度學習的人工智能基于深度學習的人工智能 智能一般指知識和智

18、力的總和， 前者是智能的基礎， 而后者是指獲取和運用知識 求解的能力， 或多或少的具有依靠過去經驗處理新問題的創造力。 在計算機和控 制技術幫助機器實現自動化（在人預先設定之后，依據設定的安排自動執行）之 后，從上個世紀 50 年代開始，人類就開始了讓機器具有人類某些智能人工 智能的探索。 迄今為止的研究表明， 實現通用人工智能還遠不現實， 在倫理和安全性方面也有 巨大的風險。即使是實現狹義人工智能（在一些特殊領域里面可以預測、分類和 決策的人工智能） ，也一直面臨重重的困難。直到近 10 多年來，以深度學習作 為基礎的人工智能算法在實現狹義人工智能的功能方面取得了突破， 才真正令人 工智能被

19、普遍視作可以與蒸汽機等相比的通用技術。 那么什么是深度學習呢？一種使得機器具有智能的思路是讓機器具有學習能力 （機器學習） ，而一些科學家試圖模仿人腦的結構來搭建機器學習硬件和軟件基 礎（神經網絡） ，其中通過多層神經網絡實現機器學習又被稱為深度學習。 圖圖表表 3：人工智能與深度學習的關系人工智能與深度學習的關系 資料來源：國海證券研究所 這類網絡包括輸入層，中間層，和輸出層等多層結構（圖 4） 。輸入層的每一個 單一節點類似于一個多元函數（如 y=f（x1，x2） ） ，接受一些外部輸入數據 （x1，x2 等） 。當然，f 的選擇有講究，而 f 的參數（其實就是各個輸入變量的 權重） 在初

20、始階段通常是隨機設定的。 這個函數會根據輸入的數據計算輸出一個 數值 y，y 會給到下一層網絡的每個節點作為輸入變量。輸入層的其它節點也都 是如此（當然初始的 f 的參數因為隨機設定都不一樣） 。中間層和輸出層也都是 類似的多元函數， 接受數據輸入并運算進行輸出。 最終在輸出層會得到一個輸出 的數值。算法的設計者可以要求機器按照某個規則進行判定（例如大于 0.5 則 “是” ，小于則“非” ） 。 由于初始輸入的數據是經過標注的， 也就是我們知道輸入數據和判定結果之間的 關系，也就是知道機器的判斷是否正確。如果判斷錯誤，那么就通過類似求導等 的方式修正函數的參數（從 f 變成 f） 。然后用更

21、多的數據來訓練/優化網絡上 每個節點函數的參數。 如果數據量足夠大， 研究者發現在許多領域機器的判別就 證券研究報告 7 能夠得到比較滿意的結果。 圖圖表表 4：多層神經網絡算法模型示意圖多層神經網絡算法模型示意圖 資料來源：知乎，國海證券研究所 舉例而言，如果讓機器識別一個物體是否是豬，輸入的信息可以是該物體重量， 長度， 寬度等多方面的數據 （如果是圖像識別則是圖像上一些點的顏色、 亮度等） 。 在整個網絡各個參數都是初始隨機設定之后， 輸入的數據經過幾層網絡會計算出 一個數值?？梢栽O定判定的規則是大于 0.5 機器就認為該物體是豬，而小于 0.5 則不是。如果機器判斷錯誤，程序就會對參數

22、進行修正。通過大量的數據（經過 標識的豬和非豬的樣本）不斷訓練、修正各層網絡上的各個節點的參數，最終就 可以得到一個可以對物體是不是豬進行識別的有效的人工智能算法。 2.1.3、 過去十年的過去十年的突破突破與數據瓶頸與數據瓶頸 過去十多年間深度學習人工智能技術的突破性進展與數據、 算力與算法共同的突 破與進步有關。 伴隨著互聯網得運用足夠廣泛， 人類才搜集出了足夠多的數據足以訓練深度學習 算法下的人工智能； 大量的數據輸入和巨大的參數規模對計算能力也有要求， 近 10 年以來包括 GPU 在內的一些技術的運用也才使得處理深度學習的硬件條件 逐步成熟；當然，被譽為人工智能之父的杰弗里辛頓同樣居

23、功至偉為了能 夠使人工神經網絡處理復雜的問題， 必須增加神經元的層數， 但是多層網絡在參 數調整方面存在一些特殊的困難，辛頓在 2006 年終于找到了對于多層神經網絡 進行訓練的方法才使得深度學習成為了可以媲美蒸汽機、互聯網的通用技術。 在本文中，除非專門指出，后續所有提到的“人工智能”一詞都特指基于深度學 習的人工智能應用。 證券研究報告 8 圖圖表表 5：人工智能之父人工智能之父杰弗里辛頓杰弗里辛頓 資料來源：搜狐、國海證券研究所 目前看來， 雖然人工智能算法的優化， 支持算力的硬件的改善都需要資金的支持 和技術的持續進步， 而人才更是昂貴， 但是缺少數據特別是經過標簽的大規模數 據仍然是

24、人工智能應用的主要瓶頸3。當然，研發者也采取了各種方式來獲取數 據，包括在提供產品和服務的同時搜集數據，雇傭人員為數據貼標簽等等。 2.1.4、 人工智能的優勢與局限人工智能的優勢與局限 基于機器學習的人工智能可以在一些特定領域識別規律，進行優化，做出決策。 與人類智能比，人工智能不僅僅速度更快，處理的頻次更多，而且在精度方面可 以做的更好（質量更高） ；除此以外，人工智能還可以發現人類所忽視的弱相關 （例如用戶手機上輸入生日的手速和個人信用之間的關系4） ， 更好的為優化和決 策服務。 當然，人工智能也存在著非常明顯的局限： 盡管算法、 算力與數據已經有了大幅提高， 人工智能算法仍然只能在一

25、些特 定領域解決問題， 而且有關控制論的一些研究證明過度復雜和精細的動作難 以被機器所模仿5。算法、算力、數據、特別是經過標識的數據的數量的不 足（包括大量數據屬于不同所有者形成“數據孤島” 、難以整合）以及控制 技術的缺陷仍然大大限制了人工智能應用的領域。 由于人工智能缺乏歸納、抽象、推理（如舉一反三）等能力，人工智能不能 完成需要相關能力的復雜的任務， 包括進行刑事調查、 根據現象提出假設并 驗證科學理論，提出或解答開放式的問題等等。也因為缺乏這些能力，面對 動態變化的環境， 人工智能在短時間和信息不對稱下做出決策和采取行動就 比較困難6。因此，舉例而言，在封閉、干擾較少的區域（如洋山港）

26、的自 3 魏剛.人工智能并非無所不能J.科學新聞,2018(05):21-23. 4李開復 AI未來 浙江人民出版社 2018 年版 5李開復 AI未來 浙江人民出版社 2018 年版 6 黃海華:人工智能最大問題:遇到新情況一籌莫展, 解放日報2017 年 5 月 31 日。 證券研究報告 9 動駕駛卡車已經進入應用階段了， 但是需要處理復雜環境的私家車自動駕駛 還遙遙無期。 當前的人工智能由于缺乏人類的各類心理特征， 因而在需要創造力， 移情與 溝通技巧等方面表現較弱。 例如人工智能的語言翻譯在基本意思的能力方面， 比如翻譯一般性的新聞等已經基本夠用了，但是在在要求“信達雅”的情況 下，則

27、與人類的專業翻譯還像差十萬八千里。 總體而言， 當前的人工智能更多看起來像是一種工具， 距離想象中的智能仍然有 相當距離。 即使是在中長期而言， 基于深度學習的人工智能對于人的替代也有明 顯的局限：對于體力勞動而言，越是需要高動作技巧，且越是容易面臨新的、不 確定的環境的工作越不容易被替代； 對于腦力勞動， 則越是需要創意和決策能力 等能力的工作越難以被替代。 不論是對于體力勞動還是腦力勞動， 需要社交能力 更強的工作均較不容易被人工智能替代7，但是傳統上較高端的、著眼于優化的 工作（如設置最優保險費率）則有較高的風險被人工智能替代。 圖表圖表 6：人工智能對：人工智能對體力勞動的替代體力勞動

28、的替代 圖表圖表 7：人工智能對腦力勞動的替代人工智能對腦力勞動的替代 資料來源： AI未來國海證券研究所 資料來源： AI未來 ，國海證券研究所 2.1.5、 智能經濟的四階段智能經濟的四階段 基于數據獲取的先后次序和難易程度，人工智能在應用層面可能包括四個階段： 互聯網應用智能化， 商業活動智能化， 實體世界智能化， 和機器行動自主智能化。 互聯網智能化： 用互聯網服務獲取的各類數據訓練人工智能， 實現一些互聯 網服務的智能化， 也是人工智能應用最早落地的領域。 互聯網智能化的代表 應用就是智能營銷：互聯網公司運用用戶使用互聯網的各類痕跡（如：瀏覽 歷史，點贊，搜索記錄）來訓練人工智能，了

29、解、研究、學習用戶的個人喜 好，進而為用戶推薦專門的針對性內容。 商業活動智能化：各類傳統商業企業運營（金融、醫療等）而產生的數據也 可以被用于訓練人工智能， 使得相關商務服務的智能化程度提高。 舉例而言， 銀行在發放貸款時積累的有關借款者收入、 財產、 信用歷史等方面的數據可 以訓練人工智能來控制信貸風險； 常年的診療數據也可以被用于訓練人工智 7李開復 AI未來 浙江人民出版社 2018 年版 證券研究報告 10 能，從而使今后的診療更加高效。 實體世界智能化：隨著大量的傳感器以及物聯網（IoT Internet of Things） 設備的推出，大量的實體世界的數據被收集并上傳至互聯網，

30、這樣一來，即 便人類并沒有上網留下痕跡或者像去銀行貸款一樣填寫個人信息， 人類的一 舉一動都會被作為數據記錄起來。 自然這些數據也可以被用于訓練人工智能。 通過這些數據所訓練出的人工智能相應地也獲得了感知實體世界的能力， 如 識別圖像，識別聲音，識別正在附近發生的事情。 這種情況下，日常生活中各類物品都會擁有感知和反饋能力并且彼此連接： 例如家中的空調或許能夠了解用戶對溫度的需求從而自動調整； 冰箱或許能 夠通過識別冰箱中各種食物進而判斷用戶缺乏何種營養并通過超市的購物 車在主人購物之際提出合理化建議； 課堂上， 人工智能或許能夠通過識別學 生微表情來判斷每個學生對不同內容的掌握程度， 進而輸出針對每個學生的 個性化教學方案。人工智能對用戶一舉一動的識別使得用戶永遠處在線上， 人類與機器的關系深度融合。 機器行動自主智能化： 隨著機器通過人工智能獲得對聲音， 圖像等外界信息 的識別能力后，進一步地，在實時獲取外界信息的情況下進行決策，并借助 控制技術采取自主行動。舉例而言，無人駕駛人工智可以駕駛汽車；采摘機 器人可以通過圖像識別等技術自動判斷果實的成熟度進而進行采摘。 這一階 段的智能化集以上三個階段之大成8。 2.2、 疫情加速智能經濟到來疫情加速智能經濟到來 西諺有云“上帝為你關上一扇門