AI、经济、教育——从后发优势

我爱免费

作者：微信文章
今天跟ai聊了一个小时，总结一点小小的心得（为啥不直接分享聊天链接？那样太偷懒了，AI味道太浓，信息密度不符合人类的偏好，改日再来详述AI味道与人类偏好这个课题）：心得一：大模型时代的教育模式革新着力点之一，是用好“知识网络的衔接”提效大模型的出现，让人类知识的萃取进入新的境界，这对于知识上饥渴的人来说，不啻是一个多巴胺满点的毒品级发明，原本我们因为找不到关键词而放弃搜索，或者因为专著教材的大部头而望而却步，相当于人为掐灭很多难得的学习冲动，这种学习灵感的扼杀对于知识网络边界的拓展殊为可惜，而今天，AI可以快速弥合这一切，在教育领域是一个巨大的突破，未来整个教育理论和策略可能都会因此升级重构。为什么说是教育理论呢？我说的不是教育工具，而是教育理论，在于我觉得教育与经济类似，都有乘数效应。先简要描述下今天跟AI聊的一个话题链——就是我这个经济学小白，如何从俄罗斯的一篇近期经济评述文章开始，探讨“军事经济刺激”与“破窗悖论（打破窗户创造GDP从而产生增长）”的差异，从而引出“军事凯恩斯主义”与“国家刺激政策”的效果异同，然后讨论国家在和平时期设立与“军事目标”类似的“虚拟目标”的可能性，然后一直讨论到各种产业乘数效应的定量计算和测量，进而讨论到国际间双高乘数产业的综合博弈，以及对GDP进行乘数效应修正后的TFP加权GDP计算（或者动态乘数GDP），最终建立宏观层面上的经济竞争实力对比指数，以更好的评估中美等在未来的博弈中最激烈的时间点……首先想说的是，以上的这种学习过程，在以往是需要一整天的时间，甚至会因为关键词的陌生或信息源的缺失而变得相当不可得，但在今天AI可以比我们学习过程中更好的梳理这些知识体系，从一个知识板块到另一个，并且用最佳的比喻和对比方式展示差异，AI助力我们在学习的知识供给效率上已经是淋漓尽致了。其次想说的是，经济体系的构建与知识体系的构建，有异曲同工之妙，经济发展过程中，生产的目标不仅仅是当年的生产，还有生产实践中知识的积累对未来的价值，一如学习过程中学习方法和思想对未来学习的帮助，这种隐形价值虽然说出来大家也不否认，但是很少被真正理解，更别说被量化而形成精确共识（在企业的研发投入中也有类似问题），其原因与乘数的“不确定性”和“复杂度”自然有关，与“当下vs未来”的“贴现比例”主观差异巨大也有关系，然而，忽略这些乘数，并不会影响“这些（产业能力或学习方法的）乘数差异是未来成败的关键”的结论，这点对于经济和教育是同样成立的。心得二：后发优势体现了不同环境“配方”下，不同的学习收益。这点在学习上是“温故而知新”的理论基础，在经济上是各国发展的差异化策略锚点。我们之前经常提到一个词，“后发优势”。我以前不理解这个词具体所指，只是模糊决定后发可能有机会利用先进技术低廉成本构建出同样的产品，是效率上的后发优势。但我今天有个新的认知，在于“后发”的带动性。同样是建设一个产业，比如基建，不管是交通、电力还是医疗、芯片，“后发”的优势在于，同样因为“满足某个市场的需求R”做出的投入“I”，其ROI可能因为后发技术栈带来的超额收益，其体现在四方面：（1）基本后发收益：因为后发技术的成本低廉而导致ROI更高。比如同样做钢筋水泥、机场大桥的技术成熟度更高；（2）效果后发收益：因为后发技术的效果更好而导致ROI更高。比如同样一条公路，智慧交通比普通交通系统在未来有更强的社会效益。（3）产业后发收益（乘数效应1）：因为后发技术的产业对于现代其他产业有更强的可复用性，比如智慧交通下摄像头、芯片等产业及背后的数字经济对整个社会其他产业的乘数效应更大。（4）方法论后发收益（乘数效应2）：因为后发产业在研发和思考过程中产生了新的想法和实践，对于启发相关产业人员在其他行业推进有重要作用。这个第四点，是我最想强调的，也是最与教育相同的观点。让我们这么来理一下这个逻辑链——（a）首先，命题一：思想和方法是来自实践，不仅仅来自前人的书本和言行的传授。这个命题看起来显而易见，其实也不是那么被所有人接受。那些“美国登月骗局”的拥趸，实质上是反对这个观点的，所以无法理解美国登月能力的失去；而中国这几年的制造业崛起，背后恰好是这个命题的佐证——技术与技能是在实践中巩固提高以及传承的，技术的掌握如逆水行舟不进则退，失去了产能，就失去了制造业里的练习场，如同运动员三天不练成绩倒退一样，工业技能一样会开始半衰期式消减，“产能=技能维系”，是“命题一”的核心。（b）其次，命题二：聪明的方法，其价值在于应用的广度。这个命题也是显而易见的，但是一样并不被广泛应用。对于个人来说，方法论的积累程度只能冷暖自知，很难精确衡量；但对于企业来说，方法论的积累，已经可以通过SOP、文档化程度等指标大致估计；而对于国家社会来说，方法论的复用性，则又上升到一个更复杂的维度，重新变得难以度量，只能从人才密度、产业结构的乘数效应等宏观经验指数中去尝试评估，然而，这个命题是如此重要，因为“方法的复用=研发支出的节省”，再难也不应该停止衡量的努力，一如现代医学再难再复杂，也不能退回到中医的五行简阵中去，因为龟缩的上限太低，没有进益空间。（c）最后，命题三：再好的技术和方法，最终还是要以应用来衡量。这个命题可能反而是这几年脚踏实地的中国人民认知最深的，反而是西方一些论经讲道做的比较差的。就拿AI产业化来说，虽然硅谷的MVP理念和实践并臻佳妙，但是总体上西方在应用方面是带着许多偏见和洁癖，隐私被侵犯不能用，偏见不克服不能用，版权有问题不能用，安全有风险不能用，广告太虚假不能用，内容太低俗不能用，限制极多，但这还不是最重要的，最重要的是成本与场景——前阵子有些人批评中国的AI就知道撒币买外卖，羡慕硅谷AGI在构建生态，这其实是很片面的，中国敢于发红包送奶茶，是因为中国AI民间应用市场的更加可预见性。在成本上就不说了，中国互联网大厂跟美国七姐妹的偏好不一样，场景上则是产业宽度决定，如果AI最重要取代人类90%的工作环节的话，那么提效效率的简单度量f(e），就是行业SOP数N(sop)乘以AI替代率R（rate），或者说f(e)= Σ(W*R)，W是每个SOP的工作量W（workload），这个W的总和，是较西方为大的。心得三：公众号写着写着，就txd收不住……