[论文解读] Economic impacts of AI-augmented R&D

Tamay Besiroglu, Nicholas Emery-Xu+1 more|arXiv (Cornell University)|Dec 15, 2022

Innovation Policy and R&D被引用 4

一句话总结

本文表明，人工智能增强的研发（特别是基于深度学习的计算机视觉），相比传统研发，资本密集度显著更高，从而推动了创意产出的加速。通过实证数据与半内生增长模型，作者证明，若在研发中广泛采用人工智能，将几乎使美国生产率增长率翻倍，主要得益于计算资本利用效率的提升。

ABSTRACT

Since its emergence around 2010, deep learning has rapidly become the most important technique in Artificial Intelligence (AI), producing an array of scientific firsts in areas as diverse as protein folding, drug discovery, integrated chip design, and weather prediction. As more scientists and engineers adopt deep learning, it is important to consider what effect widespread deployment would have on scientific progress and, ultimately, economic growth. We assess this impact by estimating the idea production function for AI in two computer vision tasks that are considered key test-beds for deep learning and show that AI idea production is notably more capital-intensive than traditional R&D. Because increasing the capital-intensity of R&D accelerates the investments that make scientists and engineers more productive, our work suggests that AI-augmented R&D has the potential to speed up technological change and economic growth.

研究动机与目标

• 评估人工智能增强研发对创意产出和长期增长的经济影响。
• 探究深度学习的采用是否提高了研发的资本密集度，从而加速创新。
• 估算在人工智能驱动的研发中，创意产出对计算资本的弹性。
• 评估人工智能驱动的研发是否可作为通用目的技术（GPT），通过改变创新过程实现。
• 提供实证证据，证明研发中人工智能的采用与可衡量的生产率增长提升之间的关联。

提出的方法

• 作者利用计算机视觉领域深度学习研究的微观数据，估算创意产出函数。
• 通过多种近似方法（包括硬件规格和训练运行指标）测量计算投入，以减少测量误差。
• 采用半内生增长模型，分析研发中资本密集度的提升对长期生产率增长的影响。
• 将深度学习研发的资本密集度与美国经济中其他传统研发部门进行比较。
• 通过使用标准化的会议清单和多种估计技术，缓解报告实践带来的选择偏差。
• 分析中考虑了超参数调优运行的影响，这些运行可能贡献于总计算量，但未被完全包含在最终训练估算中。

实验结果

研究问题

• RQ1 人工智能增强研发在美国的资本密集度与传统研发相比如何？
• RQ2 深度学习研发中计算资本的增加在多大程度上提升了创意产出？
• RQ3 深度学习在研发中的广泛采用是否能导致生产率增长的永久性加速？
• RQ4 基于其对创新过程的影响，人工智能驱动的研发是否可被认定为通用目的技术？
• RQ5 在基于深度学习的研发中，创意产出对计算资本的弹性是多少？

主要发现

• 基于深度学习的计算机视觉研究在美国几乎所有其他研发领域中都表现出显著更高的资本密集度。
• 人工智能增强研发的资本密集度意味着，若广泛采用，可能使美国生产率增长率几乎翻倍。
• 研究发现，人工智能驱动的研发提高了创意产出对计算资本的弹性，表明其具有显著的增长效应。
• 由于对总计算量的近似可能带来测量误差，估计值可能被削弱，意味着真实影响可能比估计值更大。
• 由于顶级机器学习会议中存在标准化报告规范，选择偏差可能较小。
• 结果支持了如下假设：人工智能增强研发可作为通用目的技术，通过持续的资本驱动方式加速创新。