2025年9月，布鲁金斯学会（Brookings）发布文章《生成式人工智能正处于十字路口：灯泡、发电机还是显微镜？》（Generative AI at the crossroads: Light bulb, dynamo, or microscope?）。文章指出，生成式人工智能兼具通用技术属性与“发明方法的发明”特质，其未来应用有望显著提升生产力水平。启元洞见编译该文章主要内容，旨在为读者了解相关研究提供参考。

一、引言

生成式人工智能的问世，极大拓宽了人工智能的潜在应用边界，但它对生产力的未来影响仍存在不确定性。部分发明在普及阶段会暂时推动生产力增长，可一旦市场趋于饱和，其增长效应便会消退。仅能永久提升每小时产出水平，却无法维持持续的增长率，灯泡便是这一类发明的典型代表。另有两类技术对生产力增长影响更持久：一是通用技术，具有应用范围广泛的特点，能够催生出大量创新，包括新商品与服务的涌现、衍生创新的产生、流程效率的提升、企业组织形式的重组等，且自身可通过持续改进不断更新创新周期，电动发电机是其典型；二是“发明方法的发明”，这类技术通过优化观测方式、提升分析能力、改善沟通效率或优化组织模式来提高研发效率，复合显微镜是其典型。

2022年底，OpenAI的ChatGPT引发全球关注，作为首批生成式人工智能程序，极大拓展了人工智能应用范围，甚至覆盖了竞赛级数学运算等曾被视为人类专属的任务。生成式人工智能在多项任务上达人类水平，所以需要更具挑战性的基准测试评估其进展。实地测试显示，ChatGPT在写作、编程、呼叫中心客服等领域能够提高生产力，但能否催生广泛且成本效益高的商业应用尚不明确。虽部分企业称其提升了盈利，但麦肯锡发布的报告指出，超80%使用该技术的企业未对企业级息税前利润产生切实影响。

ChatGPT下载量激增，引发了生成式人工智能领域的激烈竞争。训练模型与处理请求的巨大计算量，也使数据中心建设和相关半导体芯片的支出大幅增加。乐观者认为其能推动信息技术驱动的生产力的繁荣；悲观者则认为对其能力太过夸大，且存在法规限制、对就业影响引发的政治阻力、能源消耗大等障碍。目前难定孰是，生成式人工智能能否显著提高整体生产力增长仍待观察，或许并不比信息技术领域以往的创新更重要。

鉴于生成式人工智能提升生产力的定量证据仍处于萌芽阶段，文章从定性视角探究其所属的创新类别。研究首先明确生成式人工智能的定义，梳理其作为通用技术的支撑证据——重点考察其传播覆盖范围、衍生创新成果及核心技术的迭代进步迹象；在评估其是否属于“发明方法的发明”时，则聚焦其在研究活动中提升观测精度、分析效率、沟通质量及组织效能的实证表现，并结合专利数据、企业业绩会议表述、查询主题趋势等指标展开分析，同时纳入金融、医疗、信息、发电等行业的案例研究。研究结论认为，现有证据已充分表明，生成式人工智能兼具通用技术与“发明方法的发明”双重属性，其未来应用有望对生产力提升产生积极推动作用。

二、什么是生成式人工智能？

“人工智能”是涵盖机器学习、计算机视觉、生成模型等多种算法的总称，通过构建和校准训练数据中复杂模式的数学模型来模拟人类思维、沟通与选择。最广为人知的生成式人工智能是利用互联网人类对话模型回应自然语言提示，但也存在其他形式。

聚焦生成式人工智能，因“人工智能”一词使用广泛多样，很难就其对生产力的影响展开连贯讨论：不同于已投入使用、相关影响可实证研究的其他人工智能，其对生产力影响多在未来；且生成模型的类人行为，使人们对人工智能破坏性影响的担忧更突出。

早期能回应自然语言的人工智能系统未基于人类语言模型，如20世纪60—70年代的ELIZA聊天机器人、MYCIN专家系统等，21世纪10年代虽有Alexa、Siri等更复杂系统，但这些都是符号化、基于规则的系统，输出包含一定的随机性。

随着21世纪10年代大语言模型出现，更强大的生成模型诞生。Word2Vec将单词编码为数值向量，虽然这些数值并不对应具体可解释的特征，但能在抽象空间中捕捉语义关系。2017年Transformer架构通过考虑上下文，能更丰富地编码单词含义。许多生成式人工智能模型借此对输入标记编码，嵌入高维空间后利用附近信息预测下一个标记，生成自然语言回应。

生成式人工智能模型以神经网络构建，灵活性高，没有预先确定的逻辑结构，生成内容范围比早期系统更开放。生成式人工智能所能支持的应用远不止用于学习和创造的自然语言工具，通过从数据集中提取模式，可利用开放式随机过程生成符合上下文的产物。这些产物除了文本，还可以是多种形式，如计算机代码、图像、音乐或舞蹈动作等。此外，并非所有应用都采用聊天窗口用户界面，在生成对抗网络中，是神经网络之间相互作用来生成输出，而非与人类交互。

三、里程碑式人工智能模型：Transformer

2017年的Transformer架构是人工智能领域的重大变革，其“注意力机制”能引导模型有选择的关注提示中的相关部分，推动自然语言理解、翻译和生成的进步，成为先进生成式人工智能系统的基础。

Transformer通过一系列层（步骤）处理输入数据，每一层都包含一个注意力机制和一个多层感知器。具体流程如下：先将提示分解为标记并转换为嵌入向量，编码语义和语法含义；再用“查询”“键”“值” 矩阵计算注意力分数，加权平均整合其他标记信息；最后数据经多层感知器用非线性函数优化标记表示，该流程按模型层数重复，捕捉输入文本抽象特征。通过增大矩阵规模、改进硬件与算法等，可提升系统处理复杂语言任务的能力。

四、生成式人工智能是通用技术吗？

判断生成式人工智能是否为通用技术，需看其是否会被广泛采用、创新程度及能否持续改进。通用技术对生产力产生长期影响，从植物驯化到互联网技术均有涵盖。重大通用技术冲击会改变社会，推动开发新产品、新流程和新组织形式，如计算机发展催生办公软件、可靠电力应用带来新制造工艺等。

（一）传播范围

技术应用范围越广，对整体生产力潜在影响越大，但对直接生产力的影响有限。普及阶段生产力增长加快，传播完成后增长率回归原有趋势。如灯泡普及改善照明、降低事故风险、提高生产力，但市场饱和后，便无法再产生直接效应，推动生产力增长的动力消失。

（二）衍生创新

能催生进一步创新的技术，为生产力增长提供更持久的动力，增长提升源于重叠的“灯泡式”增长效应。如电动发电机，能源效率高于传统皮带系统，且使生产组织更灵活，企业采用的去中心化工厂设计，就是其催生的衍生创新。

（三）核心技术的持续创新

技术持续改进时，生产力目标水平会动态变化，创新转化为性能提升与成本降低，且资本价格会随着生产成本下降，进而推动技术普及。如固态电子学，半导体芯片晶体管数量增加使计算成本下降，推动电子元件在更多设备中应用。

（四）生成式人工智能符合通用技术标准的分析

生成式人工智能具备成为通用技术的潜力，但广泛应用是最难论证的标准。虽部分实地研究显示其能提高生产力，但除大型企业外，采用它的公司较少，需要人工智能技能的岗位占比低且增长慢，大规模应用的盈利案例罕见。不过个人使用率高，且其逐渐融入办公软件，未来应用可能更普遍。

生成式人工智能符合衍生创新标准的证据更充分。产品创新的关键领域包括用户界面软件以及与机器人技术的交互，如ChatGPT对话界面让生成式人工智能交互更易被大众接受；生产流程创新如数字孪生技术提高生产线效率；组织创新涉及产品设计部门重组。但非数字原生企业能否为数字转型提供依据仍待观察。

生成式人工智能符合核心技术创新标准的证据最明确。自Transformer架构问世，其性能借数据集扩大、计算能力增强而飞速提升，且在投入不变时，算法改进也能提高性能，如Mamba模型。若此趋势持续，生成式人工智能的直接使用成本将会下降，将推动其更广泛应用。

五、生成式人工智能是“发明方法的发明”吗？

生成式人工智能出现前，人工智能已在多个科学学科应用，且能提高研发效率，如助力解决研发中的搜索问题、改进预测，在核聚变、新冠肺炎治疗、金属合金特性预测等领域有成功案例。文章探讨生成式人工智能能否在机器学习基础上，进一步提高研发效率，改进发明的测量、分析、沟通和组织方式。

（一）生成式人工智能作为观测工具

显微镜等观测工具生成的图像不完美，生成式人工智能能对图像缺陷和数据缺失值进行推断，且结果与潜在现象特征更一致。如用于图像增强的生成技术，基于数据生成过程流形的隐性模型，效果优于仅依赖平滑性假设的技术。

（二）生成式人工智能作为分析工具

大语言模型像观察社会现象的“显微镜”，文本语料库包含历史偏见印记。生成式人工智能推动了情感分析等自然语言处理的发展，在经济研究与其他领域中也有多种作用。

（三）生成式人工智能支持的组织创新

制度组织、专业网络协会、地理集群等对研发有效性很重要。在药物研发、工业研究、材料科学等领域，人工智能“数字孪生”有望减少研发机构投入，如生成对抗网络可能替代毒理学研究中的动物实验。

（四）生成式人工智能作为沟通工具

研究过程多涉及语言处理，生成式人工智能可用于研究项目各阶段的文书工作，但考虑到审查编辑人工智能生成的文档的时间，其能否整体提高效率尚不明确，若能，可能成为推动发明过程的催化剂。

（五）研究智能体

人工智能智能体能自动化研发核心环节，如生成研究问题、设计实验等，可能同时扮演多种“发明方法的发明”角色，如谷歌的人工智能协科学家（AI co-scientist）。但对其重要性看法不一，且存在文献综述不足、实验执行不稳健等缺陷，还可能难以揭示现象基本特征。

（六）相关指标

1.专利

生成式人工智能出现后，美国专利商标局的人工智能相关专利显著增加。2018年起专利指数上升，与发表介绍Transformer架构的开创性论文时间相近，且与生成式人工智能密切相关的人工智能模式专利增长更显著，表明专利激增不只是机器学习进步的结果。

2.生成式人工智能提示

计算机与数学职业生成式人工智能使用普及率与职业普及率比率最高（10.9%），科学家群体次之（7.1%），生成式人工智能在经济中的应用高度集中。与科学发现相关的任务仅占提示的0.9%，这表明科学家（6.4%）的提示份额中，远不止包含科学发现相关内容。这些发现任务最常见的是创建技术现象（如商业、科学和工程领域）的数学或统计模型。程序员职业群体自动化率最高，硬科学研究者将生成式人工智能用于自动化的比例高于自然科学研究者。

3.电话会议提及情况

对季度业绩电话会议分析发现，2023年起在研究相关背景下提及人工智能的公司数量骤增。人工智能与研发融合的增长表明它已开始在企业创新中发挥作用。例如，2024年出版公司John Wiley & Sons用人工智能扩展化合物数据库。

（七）小结

有充分证据表明生成式人工智能属于“发明方法的发明”，其兼具多种类型特征且在科研界应用逐渐推广，如专利数量激增、科学家等群体使用密集、企业会议提及增多等。

六、结论

2022年底ChatGPT发布后，公众对生成式人工智能关注度骤升，但其经济影响仍存在高度不确定性。该技术回报足够高企业才会投入资源重组和配置互补资本，虽然实地研究显示部分业务功能效率提升，却少有企业证实其对盈利有实质改善。

生成式人工智能的生产力潜力并不依赖于实现通用人工智能这一难以实现的目标。在通用人工智能到来之前，它完全可以成为通用技术和“发明方法的发明”，对生产力产生显著影响。目前主要障碍在于应用推广，虽然互补创新在涌现、技术持续进步，但除科技行业外，企业采用程度有限。作为“发明方法的发明”的论据更充分，通过工作流程和专利申请，其在科学界的应用正逐渐得到推广。

需注意，生成式人工智能需达到机器学习对亚马逊等公司的影响水平，才能使经济生产力增长与近期历史水平持平；因涉及互补投资，通用技术对生产力影响缓慢；部署新技术的投资风险大，如对计算能力与电力供应的需求是否可以满足、研发回报不稳定等。总体而言，生成式人工智能将对劳动生产力水平做出显著贡献，不过，无论是总体贡献规模，还是影响随时间的分布（进而影响生产率增长率），其合理结果的范围都很宽泛。