從荷里活編劇至貨車司機，當提到人工智能（AI）時，許多人都心生擔憂。隨著科技發展一日千里，越來越多人憂慮生成式AI對我們的工作、社會結構，以至整個世界造成的影響。到底有沒有工作能夠難倒機器？
過去10年，我和同事深入探討了AI的影響。10年前，我和Michael Osborne共同撰寫一篇論文，預測隨著AI和流動機械人能陸續勝任更多不同類型的電腦工作，理論上美國近47%職位都可以自動化。
我們的預測建基於一個信念上：無論當今技術如何進步，人類在創意、繁複的社交互動以及適應非結構化環境（例如家庭）這三個關鍵領域中將繼續佔據主導地位。
但我必須承認，科技在這些領域亦取得了重大進展。像GPT-4等大型語言模型（LLM）現在可以根據廣泛的提示生成幾乎逼真的文本回應，表現令人印象深刻。在這個屬於生成式AI的時代，機器甚至能夠幫你撰寫深情款款的情書。
惟時至今日，自動化技術仍未突破我們十年前發現的樽頸。舉個例子：如果大眾都選用GPT-4 代筆撰寫情書，那麼親身約會扮演的角色就變得更加重要。問題的關鍵在於，隨著數碼社交互動與演算法的緊密結合，機器尚無法複製人與人之間互動，而這種互動的價值將急劇提高。
此外，即使AI能夠寫出像莎士比亞再世一樣的信函，也只是因為它借鑒了莎士比亞的現有作品進行訓練。一般而言，AI擅長處理目標明確兼有充足數據支持的任務，例如優化遊戲得分或模仿莎士比亞創作散文。然而，如果要由零開始創作內容，而非重複既有概念，我們應該訂立什麼基準？如何訂立有關目標，正正是人類展現創意的地方。
更重要的是，許多職位根本無法自動化，我們在2013年的論文中亦提到這一點。生成式人工智能是多種人工智能技術的一種，嚴格而言並不屬於自動化工具：它需要人工輸入數據來啟動運作，並進行後續的完善、核對及編輯工作。
總而言之，生成式人工智能的內容質素取決於訓練數據的優劣。諺語「進垃圾，出垃圾」所言非虛。此類演算法通常依賴龐大的數據集，一般從網絡各處收集所得，而非由專家精心編制。因此，LLM傾向產生反映網上常見，或平均水準的文本，而非品質優良的內容。正如Michael和我近期在《經濟學人》發佈的文章所指，原理簡單不過：數據平庸，成果自然平庸。
AI需要人類
那麼，這對未來的就業前景有什麼啟示？首先，最新一波AI熱潮仍然需要人類的監察。有趣的是，欠缺專業技能的人士可能會發現自己處於優勢，因為他們現在可以製作符合「平均」水平的內容。
當然，我們得提出一個重要的問題：未來科技進展改變現狀的日子是否指日可待，甚至能夠在創意和社交領域實現自動化？除非出現重大創新，否則這恐怕是天方夜譚。首先，LLM已經收集了大部分互聯網上的資訊數據。因此，未來幾年能否充分擴展訓練數據的工作令人存疑。此外，由AI大量生成的低質量內容可能會降低互聯網內容的整體質量，使其成為可靠性較低的訓練材料來源。
此外，儘管科技界已經開始期待摩爾定律所預測的持續增長，即每隔兩年集成電路（IC）上的電晶體數量翻倍，但考慮到固有的物理限制，越來越多人認為這種增長速度可能在2025年左右或之前趨於平緩。
第三，開發GPT-4所需的能源消耗佔其一億美元訓練成本的很大一部分，這還是在能源價格飆升之前的數字。隨著氣候變遷問題變得越來越迫切，這種大量投入資金的做法能否持續下去也面臨考驗。
我們需要AI從由專家編制、更簡明扼要的數據集中學習，優先考慮質量而非數量。然而，我們仍然無法估計這種突破何時會出現。 一種更實際的方法是創造一個提高數據效率創新的環境。
讓我們試試從歷史中反思：踏入20世紀之時，電動汽車和傳統內燃引擎車展開了一場激烈競賽，彼此爭奪新興汽車產業的主導地位。最初，雙方看似不相伯仲、並駕齊驅，但自從人們發現大量石油存量後，天秤很快就向後者傾斜。如果我們當初實施石油稅，發展軌跡則可能有利電動汽車，從而大大減少碳足跡。同理，徵收數據稅或可刺激AI程序減少數據的消耗。
正如我過往的文章所述，許多職位必然會經歷自動化。然而，這並不一定是由當今世代的生成式人工智能造成。據我估計，除非出現重大創新，否則我們在2013年研究中強調的挑戰將不會消失，從而限制未來幾年的自動化發展。
投資洞察
- 作者：瑞士百達資產管理主題股票部門高級客戶投資組合經理Anjali Bastianpillai
- Bloomberg Intelligence指出，在未來10年間，生成式人工智能市場預計將由2022年時的400億美元，增長至1.3萬億美元。
- 麥肯錫識別了63個生成式人工智能的使用案例，涵蓋16個業務職能，每年可帶來2.6萬億美元至4.4萬億美元的經濟收益。
- 每一代新型人工智能系統的運算能力都以倍數增長。Google旗下的PaLM2大型語言模型是其中一個最新的生成式人工智能系統，共包含3,400億個參數。參數是在訓練過程中相應調整的變量，以確定輸入的數據如何轉化為期望的結果。PaLM2亦使用了包含2.7萬億個數據點的訓練數據集，運算能力高達73.4億個petaFLOP。根據Our World in Data的資料，截至2019年，頂尖人工智能引擎OpenAI Five共使用了1.59億個參數、4,540億個數據點和6,700萬個petaFLOP。
本資料的資訊和數據僅供參考，不得視為要約或遊說在任何司法管轄區買入、賣出或認購任何證券或金融工具。投資涉及風險。過往表現並非未來表現的保證或可靠指標。在作出投資決策前，投資者應參閱發售文件。本檔所述的任何證券或金融工具的價值和收益可跌亦可升，因此，投資者可能取回低於最初投資的金額。本資料所載的資訊、意見及／或估計反映發佈本資料當日的判斷，可作更改而不予通知。有關資訊並非根據任何特定投資者的具體投資目標、財政狀況或要求擬備，並不構成任何投資策略適合或適用於個別投資者狀況的陳述，亦不構成個人推薦。本資料引用的任何指數數據仍為數據供應商的財產。數據供應商免責聲明可在網站www.am.pictet 的“其他資料”部分中取得。若有任何疑問，請尋求獨立建議。 本資料未經證券及期貨事務監察委員會或任何其他監管機構審閱。本資料由瑞士百達資產管理（香港）有限公司發佈。
