资本炒作大模型一年多, 但它对产业与经济的革命性意义今天才被说清｜文化纵横

李寅

复旦大学国际关系与公共事务学院

【导读】大模型商业热潮中，各种奇观式的大模型应用不断出现，各种风投轮番上阵……生成式AI在技术上的先进之处已经无可置疑，但技术要想转化为能持久发力的产业却还需要“漫长的跋涉”。技术自身特性、社会不同群体对技术的反应、国家竞争等等因素都会影响AI技术产业化的路径和效果。而这，才是在烟花缭乱的资本运作背后，我们必须抓住的、事关经济和长期战略的核心主线。本文正是从这个角度分析AI技术，为我们理解AI技术的产业意义和战略意义提供了较为全面的分析。

从工业史出发，本文指出那些具备“资本投入的规模收益递增”特征的技术，才有潜力演变为大规模通用技术，最终引发生产过程、经济社会组织方式的重大转变。与早期基于编程的计算机智能不同，基于深度学习的生成式AI恰恰具备规模收益递增的特性，这将不断为进一步投资和扩大市场提供激励。在资本和市场的相互激荡下，生成式AI技术可能是信息技术产业迈入大规模生产时代的起点。

也正是因为这一技术特性，生成式AI同“通用计算机”这一信息时代的革命性技术一样，有了颠覆已有产业、转变生产范式、引发经济社会组织变革的潜力。这将会带来很多需要注意的问题。例如，AI通用大模型带来的信息技术的廉价生产，可能削弱中国和美国在信息技术产业上的相对优势，相比之下，美国会更有动力推动技术变革；技术领先国家是否可能用“技术禁运”的手段来控制技术扩散，阻碍他国技术发展；如何处理生产范式转换对社会再分配的影响，以及由此引发的社会反弹……本文指出，在向通用AI技术转型的过程中，真正决定各国成败的，将会是能否建立起一套支持不断投资通用技术的制度安排，最终让全社会都能享受规模经济递增带来的好处。

本文原载《文化纵横》2024年第2期，原题为《智能革命还是“规模”革命？——历史视野下的人工智能技术与产业演化》，仅代表作者观点，供读者参考。

智能革命还是“规模”革命？

——历史视野下的人工智能技术与产业演化

2022年末美国OpenAI公司发布的对话式人工智能（AI）通用大模型——ChatGPT-3.5，标志着讨论多年的人工智能技术终于进入了商用阶段。与之前一些不太成熟的人工智能技术相比，ChatGPT不仅在理解和逻辑能力上有大幅提升，而且作为通用大模型，ChatGPT试图为使用者提供跨领域、一般性的知识和信息。此后短短一年多时间里，国内外领先的信息技术与互联网公司纷纷推出自己的大模型，争相加入这场AI技术军备竞赛中，以保护自己未来的市场份额。AI技术的爆发也吸引了各国政府的注意力，尤其是美国政府将其视为未来中美科技竞争的决定性因素，严格封锁AI芯片和先进芯片制造技术向中国流动，以阻碍中国发展先进AI技术。在这场AI技术狂欢中，普通人一边在惊叹大模型带来的五花八门的新玩意儿，一边担忧自己的工作或许将被取代。

人工智能一定会给当前的世界各国经济社会形态带来巨大冲击，但真正的问题是，这种冲击将以什么样的形式出现？各国应当如何调整自身的经济社会制度，以适应和驾驭新技术？本文指出，AI通用大模型带来的变革，或将信息技术产业带入一个大规模生产的时代。如同20世纪大规模制造技术对工业生产的改造一样，AI技术将把庞大的信息产业改造为依赖规模经济递增的通用技术来大规模生产信息和服务的资本密集型产业。而工业革命以来制造业经历过的多次大规模生产技术转型，或许是我们理解AI技术革命之冲击的最佳历史参照。

▍从传统信息技术到AI通用大模型的范式转换

在1956年美国达特茅斯大学举行的暑期研讨会上，约翰·麦卡锡（John McKarthy）、马文·明斯基（Marvin Minsky）、纳撒尼尔·罗切斯特（Nathaniel Rochester）、克劳德·香农（Claude Shannon）等多位计算机科学的先驱学者最早提出了人工智能的概念，即使用计算机模拟人的认知、思考和学习的能力。因而1956年也被公认为是人工智能元年。参与达特茅斯会议的学者曾对人工智能的发展非常乐观，认为只需数年时间即可发展出可用的AI。然而，传统AI领域经历了数次低谷，到20世纪末仍然进展缓慢。直到2006年，来自加拿大和美国的两位计算机学者在《科学》上发表里程碑式文章，提出“深度学习”的神经网络， AI技术随之进入飞速发展阶段。2013年左右，ImageNet等深度学习神经网络在语言和视觉识别上取得重大突破。2016年，谷歌DeepMind团队的AlphaGo运用深度学习神经网络，战胜围棋世界冠军李世石。2017年，谷歌公司的八位研究者发表会议论文，提出一种新的高效神经网络——Transformer模型，这便是当前流行的AI通用大模型GPT（Generative Pre-Trained Transformer）的技术基础。2018年6月，OpenAI公司发布初代ChatGPT模型，后经过迭代、调整、性能提升，终于在2022年末发布了可商用的AI大模型ChatGPT 3.5。

如果把深度学习以前的智能技术称为传统信息技术的话，简单对比就会发现，AI通用大模型与传统信息技术实现智能的思路有极大的不同。在传统信息技术中，人工智能之所以发展缓慢，一方面是受限于有限的芯片硬件运算速度，但更主要是因为传统信息技术的构架是劳动密集且规模收益递减的。传统信息技术的主要思路是基于模板和规则来实现智能，即由软件工程师将数据的规律总结为规则（算法），通过编程让计算机按照规则完成特定的任务。学习过编程的人都知道，这样的经典规则在程序代码中一般以“If…Then…Else”（如果……就……否则）等形式存在，这构成了传统人工智能的逻辑基础。经典规则显然在需要处理的情境数量较少、任务复现频率高时效率较高，因此在特定的应用场景（如车间自动化流水线）可以被迅速采纳。但对于经典规则而言，一旦需要处理的情境数量大量增加，单个任务重复频率又不高时，需要设置的规则就会迅速变得异常复杂而庞大，设置额外规则的成本将高于收益，呈现出边际收益递减的规律。举个例子，当需要识别图像中的特定对象，如识别狗时，传统AI是基于规则来搜索狗的图案：狗的身体通常呈椭圆形或长方形，头部呈圆形或三角形，眼睛一般是倒三角形，有下垂的耳朵、胡须等。如果在图像中识别出这些特征，软件就会报告发现了狗。但是，如果只拍到了狗的背部，或者如果狗没有胡须或在事故中失去了腿，软件应如何识别？尽管这些异常现象出现的可能性较小，但模式识别代码仍需要编写大量的额外规则，来覆盖所有的可能现象。这样急剧提高的边际成本，意味着在经济上的投入无法持续。换言之，在传统信息技术需要实现的智能远远没有达到尽善尽美的程度之前，符合理性的投资便早就应该停止了。

当前流行的基于深度学习的生成式人工智能，则完全颠覆了经典规则的范式。首先，基于深度学习的AI并没有配备固定的规则，而是神经网络经过大量数据的训练自己获得的。深度学习中使用的预训练材料数量越多，神经网络的参数越多，获得更好结果的可能性也越大。其次，与基于经典规则的AI相比，深度学习的AI也不会给出明确的结果，而是报告出一系列概率。例如，在上面的图像识别的例子中，深度学习给出的结论将是“图像显示为狗的可能性为98%，它也可能是狼（1.5%可能性）或狐狸（0.5%可能性）”。研究人员可在模型报告的结果的基础上，再设定判断规则进行决策。深度学习的这些特点意味着，在理想情况下，只要在足够好的硬件上运行AI模型，进行大规模无监督或自监督学习，训练采用的数据越多、建立的模型参数越多，AI模型获得的结果就能无限地接近最优。当然，这种无限接近是建立在一定前提上的，需要研究人员掌握微调模型的大量诀窍，这个过程本身也需要大量的经验技巧和人力投入。在OpenAI公司的GPT模型取得突破前，几乎所有的深度学习大模型都遇到了瓶颈。一旦OpenAI的工程师证明了大模型的可行性后，各大公司的大模型便大量涌现。OpenAI训练的GPT模型，第一代时只有1.17亿参数，第二代有15亿参数，到第三代时就有1750亿参数，规模迅速增加，能力快速增强，这便是坊间所说的“大力出奇迹”。

因此，生成式人工智能最重要的特征，可能是具有资本投入的规模收益递增的特点。传统信息技术产业中，基于经典规则的程序可被看作一种局部自动化的专用技术，适合应用在高频次重复的任务。一旦超出规则覆盖范围的“例外”情况增多，传统信息技术要进一步提高覆盖，就面临规模收益迅速降低的难题，无法为进一步投资和扩大市场提供激励。而进入生成式AI阶段以后，通用大模型的规模收益递增则能不断地为投资提供正向激励：一方面，通过不断投入算力、语料，大模型的准确度和使用场景不断提升，使用大模型的单位成本不断下降；另一方面，大模型高昂的固定投入需要大规模产出和应用来分摊成本，这就需要不断扩大的市场来合理化大规模投入。于是，在高投资和不断扩大的市场相互刺激下，AI大模型的技术进步可以在不断扩大的投资和市场中螺旋上升。当然， AI大模型的增长最终也会面临边际收益递减的问题，比如训练模型的语料终会有枯竭的一天。但即便如此，AI大模型仍将经历较长一段时间的规模收益递增。

▍工业史中的大规模通用技术是如何演进的？

将当前AI大模型技术的发展理解为一种从局部自动化专用技术到在更大范围内具有规模经济的通用技术的范式转换，或许可以帮助我们更好地解释其对经济社会组织的冲击。尽管人工智能是技术上的新突破，但人类社会经历过多次从局部自动化到大规模通用生产技术的范式转型，我们可以从工业史中找到大量的案例和线索：从第一次工业革命中的动力织机，到第二次工业革命中的自动流水线，再到信息技术革命中的电子计算机，都对大量原有的工业技术和社会组织产生过类似的冲击。尽管AI模型产出的更多是信息和“服务”，而不是“商品”，产品的消费方式与工业制造或有一定的差异，但历次工业革命中的范式转型对经济社会的冲击，仍可能是我们判断人工智能潜在影响最好的历史参照。

第一次工业革命中棉纺织技术的发展，便经历了从局部自动化到大规模生产的转变。棉纺织业的发展是英国工业革命的起点，工业革命早期的多项重要发明都指向棉纺织中关键步骤的局部自动化。1733年英国人约翰·凯发明的飞梭，使得单个纺织工人能以更快的速度纺更宽的布，并实现了机械化。1764年英国兰开夏郡的织工詹姆斯·哈格里夫斯发明了珍妮纺纱机，尽管仍然只是一种人力机械，但珍妮纺纱机大大提高了生产率，使得熟练的纺纱机操作工工资快速增长，同时也造成了纯手工纺纱劳动者的迅速消失。因此，恩格斯称珍妮纺纱机是“使英国工人的状况发生根本变化的第一个发明”。

棉纺织业真正引入当时的通用技术——蒸汽机，并进入大规模生产阶段，则要等到第一次工业革命的中后期。1781年瓦特改良了蒸汽机，1785年埃德蒙·卡特赖特设计出第一台动力织机。在此后47年里，动力织机不断被改进，从由水力牵引转变为蒸汽机牵引，终于在1834年由英国人詹姆斯·布洛和威廉·肯沃西开发出半自动的动力织机，即著名的兰开夏织机。动力织机是工业革命时代最尖端的工业技术，也是英国兰开夏地区的主力生产机器，英国政府曾长期禁止其出口到其他国家。这些兰开夏织机生产了大量廉价的棉布，向全世界出口，给英国带来了繁荣和财富，但也摧毁了印度等众多殖民地的传统手工业。在英国，动力织机的应用使操作机器需要的织布工人减少了3/4，并大大降低了对熟练工人的需求，造成了大量失业与工资下滑，引发了19世纪英国民间长期的对抗工业革命、反对机器的劳工运动——卢德运动。

可以说，在第一次工业革命从局部自动化到大规模生产的转型中，英国并未能妥善处理好技术革新与社会转型的关系。由于资本与劳工的拉锯，英国企业内长期保持了熟练工工头对生产过程的控制，未能及时转向更适应大规模生产的、由职业经理人控制的现代企业制度，导致对新的大规模生产技术投资不足，最终走上了长期衰落之路。但动力织机大大降低了对劳动技能的需求，使得女工甚至童工也能胜任。随着美国企业在1895年率先开发出全自动动力织机，动力织机技术在国际上迅速扩散，棉纺产业成为众多后发国家工业化的起点，而美国工业在此过程中获得国际领导地位。

大规模生产技术在第二次工业革命中占据了更为中心的位置，尤其是20世纪初在汽车产业中应用的自动流水线生产技术，影响最为深远。自动流水线生产方式是一种通用的大规模生产技术，有明显的高固定成本投入、规模收益递增的特征。这就需要将高固定成本分摊到高产量上，才能实现竞争优势，因而大规模生产依赖一整套支撑高投入、大市场的企业战略和经济社会制度。美国从19世纪末开始的经济社会转型，为大规模制造体系在美国率先出现铺平了道路，这些变化主要包括：大企业经过管理革命，所有权与经营权的分离，职业经理人有激励对高固定成本的大规模生产技术长期投入；美国政府和私人投资的大量铁路、运河、电报等交通和通信网络的建设，使得统一的国内大市场逐渐形成，为大规模制造的产品找到了出路；普及大众教育吸纳了工厂不再需要的童工，公立大学为新兴的工业部门培养了大量工程师和职业经理人。这些社会条件，使美国企业得以在20世纪初建立起一套向后整合供应链、向前整合制造与分配的垂直整合大企业管理模式，以驯服大规模制造技术。

美国大企业制度并未能彻底解决大规模生产技术中因机器替代人而产生的矛盾，甚至枯燥单调的流水线作业还带来工作“异化”的新问题。但相比之前的自由放任资本主义，美式大企业仍然更有效地缓和了劳资关系。例如，创办福特公司的亨利·福特一方面严厉打压工会，另一方面在1913年采用自动流水线后开始实施著名的“5美元一天”的工资政策，将流水线工人的工资上涨了一倍，让福特的工人能负担得起自己制造的汽车，为大量制造的大量消费提供了基础。以大规模制造为竞争优势的美国企业在二战以后大多建立起稳定的就业体制，为白领工人和大部分蓝领工人提供长期的雇佣关系和较好的福利。

美式大企业能提供高薪资高福利的前提是，美国大规模制造在全球范围内拥有绝对的竞争优势。但随着战后日本和西欧工业国的复苏，国际竞争加剧，大规模制造便遇到所谓的“生产过剩”、工资停滞的问题。解决生产过剩的基本思路无外乎两种：一是进一步降低成本，将本来负担不起的消费者吸纳到市场中来；二是通过引入多样性，满足更多的个性化需求，扩大各个层次的市场。前者的主要代表是日本汽车厂商，通过精益生产方式改良大规模制造，减少浪费、降低成本，以质优价廉的小汽车占领世界市场。但精益生产终归是一项规模收益递减的活动，应用范围十分局限。支撑了第三次工业革命的电子工业，最终选择了以模块化的全球生产网络，来创造多样性和扩大市场。

第三次工业革命是信息技术革命，一般认为始于90年代电子计算机和互联网的大规模应用。然而，对于电子工业而言，更重要的转变或许是在这之前从局部专用电子技术向大规模通用计算技术的范式转换。以电子计算器为例，世界上第一台全电子桌面计算器出现于60年代初，重达25千克，售价高达4000美元。70年代，日本企业率先将基于集成电路芯片的便携计算器商业化，随后电子计算器的重量不断减轻，售价不断降低。电子计算器大幅提升了普通人的计算效率，降低了财务、统计、科学研究等行业的门槛。但继续改进电子计算器显然是一种边际效益迅速降低的活动，因为进一步改进（如添加科学计算、编程等功能）的成本很高，售价却在下降，所以并不值得持续地投资。类似的，20世纪电子工业的大部分产品（如电话、打字机、音视频播放器、游戏机等）都是用于局部自动化的专用技术，它们最终经历了向通用计算技术的范式转型。还是以计算器为例，计算器在1986年时曾在世界上所有的计算设备中占据41%的份额，但到2007年时就只占不到0.05%了。

新的技术范式集中体现在80年代出现的个人微型计算机和21世纪的智能手机上，后者本质上也是一个便携的、随时联网的通用计算机。计算机的核心部分在物理结构上与80年代后的大部分电子产品看起来很相似，都是使用几块集成电路芯片。不同的是，计算器、随身听这类电子产品中的电路是为特定功能（如播放音乐）设计的，而计算机中使用通用计算芯片，搭配可以灵活扩展的通用软件操作系统，如运行微软Windows系统的个人电脑或运行安卓系统的智能手机。早期的计算机和智能手机在执行特定任务时并不一定比搭载专用电路的产品更有效率，但受益于集成电路芯片技术的快速进步，计算机技术发展呈现出边际收益递增的特点。不同于前两次工业革命中大规模生产技术的引入主要带来的是产量快速提高与成本下降，计算机技术进步的边际收益递增更多体现在随着芯片处理速度的提高（和单位运算成本下降），通用计算机能够提供的服务的数量和质量在不断增加，因此它可以替代过去大量专用的电子技术。尽管这个逻辑并不复杂，但消费电子工业真正全面转向计算机的通用计算构架，要等到智能手机流行以后。也正是在这个过程中，曾在80~90年代称霸全球的日本消费电子工业，因为没有完成转型而几乎全军覆没了。

信息技术革命以来，生产组织的一个新特点是模块化的生产网络。之所以会发生这个转变，一方面有部分企业战略选择的偶然因素，如IBM在进入个人电脑市场时选择了开放构架；另一方面则是在大规模生产导致的“生产过剩”压力下，模块化带来了灵活性和多样性。第二次工业革命时代后发展起来的大企业采用垂直一体化的策略，通过控制供应链和经销渠道，实现单位时间内的大批量生产，以分摊大规模生产技术的高固定成本投入，最终实现规模经济递增。信息技术时代的领先企业则不再寻求垂直一体化，它们转而以模块化的方式设计产品，着力于控制关键技术节点，以在一个碎片化的生产网络中保持领导地位。例如，在智能手机产业，谷歌和高通公司分别控制了操作系统和芯片的生产，它们并不介入手机生产，整个产业则由大量相互兼容的零部件厂商、外包制造商和终端厂商形成一个相互合作与竞争的生产网络。模块化生产使得核心产商可以通过垄断产业关键节点，来维持对通用技术的高成本投入，而退出非核心部门则可以进一步维持利润率。在信息技术产业中，美国硅谷在90年代率先拥抱模块化生产，这样的产业组织安排使得美国企业可以更快地迭代技术，充分攫取芯片技术规模收益递增带来的利润，最终形成对欧洲、日本等地垂直一体化的传统电子产业的巨大竞争优势。同时，模块化生产网络带来的外包和离岸生产，严重损害了美国蓝领工人阶级的利益，但客观上也给21世纪初的中国和现在的东南亚、印度等发展中国家带来了发展机遇。

▍再认识AI通用大模型技术革命的挑战

回顾历次工业革命可以发现，工业技术发展存在一个基本的三阶段规律。在初始阶段，新技术的发展从局部自动化专用技术开始，这往往是由于企业掌握了生产过程中某些步骤的特定规律，便试图设计新的工具以简化劳动过程，提高生产率，并产生有效利用工具的新技能。然而，局部自动化有边际收益递减的特点，随着劳动生产率提高带来的产业规模扩大，企业家、发明家便有动机在更大范围内引入全面自动化的通用技术。但是，只有引入的通用技术具有规模收益递增的特征，投资过程才能持续，才能在与专用技术的竞争中获胜，最终完成生产过程的范式转变。因此，范式转变的阶段可能持续较长的阶段。最终，整个产业又在新的通用技术平台上，面向更大的市场重新分工、重组生产组织，以充分发挥新技术的潜力（图1）。工业社会经过这三个阶段的调整后，不仅劳动生产率会有阶梯式的跃进，经济社会组织方式也往往会发生全面改造。

从这个角度出发，我们便可以更好地认识AI通用大模型技术与传统信息技术和产业之间的联系，以及前者对后者的颠覆。在本质上，过去三十多年中互联网信息产业带来的繁荣，就是对销售、金融、媒体等服务业中信息处理环节进行部分自动化而带来的生产率提升。如前文所述，在AI通用大模型出现之前，信息技术实现自动化的主要方式是运行基于规则的程序，程序的价值则取决于值得被自动化的高频次重复的任务。因此，信息技术应用的深度和广度，主要取决于两个因素：编程技能的供给和高频次重复任务的数量，而后者受市场规模影响。这便可以解释全球互联网经济为什么主要由中美主导：美国是现代计算机产业的诞生地，有大量高技能的程序员，同时美国也是世界上最大最富裕的市场，消费者愿意为新产品和服务支付高价格；中国市场尽管个体支付能力不高，但人口基数庞大，海量的高频次重复任务推高了自动化（数字化）的价值，同时中国拥有大量受过工程技术教育的高素质劳动力，压低了程序供给的价格。譬如，移动支付由于在中国可以高频率使用而率先成功。在世界范围内，没有其他国家同时具备这两个条件。但AI通用大模型带来信息技术的廉价生产后，中美在信息产业的相对优势都会遭到削减。

随着近期AI大模型的大量涌现，并被部分领先企业尝试应用于生产过程中，当前的信息技术产业或已进入又一个范式转换的阶段。由于通用技术在早期与专用技术效率之间存在差距，范式转换可能会经历较长一段时间。例如，如果以个人电脑的出现为起点，电子工业向通用计算机技术的范式转换，直到智能手机的大范围应用才基本完成，经历了近三十年。80年代的经济学家还为此创造了一个笑话——“计算机到处都是，就偏偏不在劳动生产率的统计数据中”，即所谓的“索罗悖论”。原因实际上很简单：此时计算机作为通用技术，并不比它将替代的大部分专用技术有更高的效率。

但是，当前信息产业向通用AI技术的转型，或许不仅是在规模经济递增规律驱动下的产物，它还会由于中美竞争而加速。这是因为尽管中美两国在传统互联网产业中的优势都会被通用AI技术削弱，但美国在互联网产业中的优势本身也在快速消失。对比中美的程序员技能和市场规模，可以看到中美程序员技能供给的差距在缩小，美国全社会愿意为互联网服务支付的溢价却在降低。但中国更大的人口基数带来的市场规模优势仍在，中国的互联网企业可以获得更长期的竞争优势。正是凭借这种优势，近年来中国社交媒体（如TikTok）和电商（如Shein、TEMU）在海外市场大获成功。因此，美国有更强的动机使用通用AI技术替代传统的互联网行业劳动密集的生产方式，在谋求新竞争优势的同时，想尽办法阻碍中国发展AI技术。

那美国能否通过技术禁运来阻碍中国发展AI技术呢？这是一个非常复杂的问题，涉及中美两国产业、科技、政策等多方面因素。但是，自工业革命以来，任何发达国家试图阻碍大规模通用技术国际扩散的努力，从长期来看都是徒劳的。例如，19世纪的英国曾对当时的尖端技术——动力织机进行严格的技术禁运，但这样的封锁只能维持不到半个世纪。当美国公司在1895年通过自主创新推出全自动动力织机后，便迅速占领了世界市场，而英国与棉纺织相关的一系列工业技术再无发展机会。事实上，历史上进取的大国都是积极推动技术扩散的，因为这是大规模通用技术内在的规模收益递增的需要。中国在未来不仅需要通过自主创新在AI技术上突破，还应当积极推动技术扩散，将广大的第三世界纳入我们的技术体系中来。

在向通用AI技术转型的过程中，真正决定各国成败的，或许是能否建立起一套支持不断投资通用技术的制度安排，让全社会最终都能享受规模经济递增带来的好处。这是因为，在向大规模通用技术的范式转换中，局部自动化阶段发展起来的劳动技能会被新技术和资本所替代，这使得转型具有严重的再分配后果，往往会引发社会反弹，并打断对新技术的持续投资过程。历史上在局部自动化阶段越成功的国家，这种反弹往往越剧烈，例如19世纪英国的卢德运动。在本轮向AI技术转型前，中美都建立了繁荣的软件与互联网工业，创造了大量高薪的程序员工作。在这一阶段，程序员自身的技能和努力程度可以极大地影响程序效率（即能以尽可能简洁的规则覆盖尽可能多的任务场景），因此他们对工作过程便有较大的控制力，事实上成为有较多自由和议价能力的“工人贵族”。此外，在欧美的许多专业技术工作领域，局部自动化的软件大大提升了信息处理工作的生产率，但决策权仍然由律师、咨询师、财务等专业人员掌握，他们因此能够享受到生产率提升的大部分好处。然而，AI通用大模型带来的更加自动化的信息生产和决策过程，极有可能会让以上两类高技能工人受损，使他们成为反对技术革命的社会力量。

那么，什么样的制度安排才能支撑一个社会平稳完成面向大规模信息生产的通用AI技术的跃进呢？历史上，从局部自动化到大规模生产的多次转型，并没能给我们提供完整的答案，但提供了一个重要的线索：只有在全社会广泛地分享新技术带来的繁荣，才能促进各阶层社会成员拥抱新技术。譬如，制造业进入大规模生产阶段后，原有熟练工人的技能价值下降，面临失业，但成功的大规模制造企业通过在研发、管理、销售、物流等领域创造更多高薪的工作，实现了与大众分享新创造的财富。面向通用AI技术的转型，对中国来说是一个全新的挑战。作为一个近二十年来才完成全面工业化的新兴工业社会，中国此前引入的几乎所有新技术都只会带来福利改进，因而我们并没有太多经验应对具有再分配效应的技术变革。但正因为中国没有历史负担，加之服务业在中国经济中的份额相对较低，中国或许更有可能创造出新的制度安排，利用AI技术服务更广大的人民群众，引领世界进入一个信息技术大规模生产的时代。