Transcription
[音乐] 各位欢迎来到人工智能在大数据和金融网络研讨会，我们非常高兴今天能有两位杰出的演讲者。安德里亚·伊塞尔（Andrea Iselt）来自加州大学洛杉矶分校，将发表她的论文《生成式人工智能对劳动力影响的价值评估》。阿纳斯塔西娅·弗蒂奇（Anastasia Ftich）来自加州大学伯克利分校，将担任评论人。安德里亚将有30分钟的时间进行演讲，如果问答环节中有任何澄清性问题，我将在50分钟后简要打断她进行回答。之后，阿纳斯塔西娅将有20分钟的时间进行评论。之后，我们将开放提问环节，供观众提问。请观众在问答环节提交您的问题，我将在提问环节点名。另外请注意，请尊重您的评论。本次演讲和评论将被录制，并将与幻灯片一起发布在我们的网站上。网络研讨会的主要部分结束后，我们将进行一次未录制的讨论，届时我们将邀请大家成为讨论小组成员。现在，废话不多说，安德里亚，请您开始。我们期待您的演讲。好的，非常感谢您邀请我来发表这篇论文。这是与格雷戈·舒伯特（Gregor Schubert）、塔萨（Tasa）和本津（Benzing）的合作。关于ChatGPT改变经济、改变工作、改变公司，这方面的兴奋之情已经不用多说了。但对于公司和工人来说，其后果是什么，我们才刚刚开始触及表面，而这正是本文的重点。特别是，我们认为我们是第一篇研究ChatGPT发布对公司价值的影响以及由于对劳动力投入的影响而导致的公司价值变化的文章。
生成式人工智能可能带来潜在收益的两个渠道是：第一是通过整合人工智能带来的生产力提升。我们认为，生成式人工智能的有趣之处在于，它是一种通用技术，很可能会在一定程度上影响所有工人，影响广泛的公司，不仅仅是科技行业，而是会影响所有行业。我们将提供一些关于哪些行业受影响更大的事实。然后，为了提高生产力，生成式人工智能可以作为互补或替代。我们对此将有所说明。是的，您的幻灯片没有共享。哦，我猜您也想共享它们。是的，我想。那么，让我来做吧。抱歉。好的，从头开始。您错过了标题页，也错过了这些标题引语，但我们真正关注的是公司和工人，这里我们讨论的是生成式人工智能影响的两个潜在渠道。我谈到了第一个渠道，即通过影响劳动力通常所做的事情来提高生产力。我们将对此提供大量证据，特别是我们将提供关于生成式人工智能是互补还是替代的证据。然后，当然，生成式人工智能的另一个渠道是通过产品需求。在过去一年里，我们听到了很多关于英伟达（Nvidia）的消息。因此，我们将不得不非常小心地控制生成式人工智能仅通过产品市场的影响。我们将有几种方法来做到这一点。但我们最终要展示的是，市场很快就认识到了通过劳动力（主要是替代）带来的潜在生产力提升，而这正是来自生成式人工智能，并将其融入了跨多个行业的公司价值中，而且是以一种非常有趣的异质方式，这与我们认为生成式人工智能在其能力方面非常擅长的事情是一致的。
因此，为了预览，我们将在某种程度上进行一个差异中的差异事件研究。我们将关注一个事件，即ChatGPT于2022年11月22日（抱歉，是11月15日，不，是2022年11月30日）发布。我们有发布前两周的时间。我们将关注这个事件，因为它出乎意料，我们不知道它会发生。我们看到的是，如果我们构建一个投资组合，该投资组合是做多那些对生成式人工智能的劳动力暴露程度较高的公司，也就是说，生成式人工智能可以完成那些公司中劳动力所做的大部分任务，然后我们做空那些对生成式人工智能的劳动力暴露程度较低的公司，也就是说，那些可能有很多手工任务的公司。那么，在ChatGPT发布后的两周内，我们将获得非常高的异常回报。这是深蓝色线。红色线是人工或高暴露公司。绿色虚线是低暴露或更偏向人类的公司。净效应是深蓝色线。我们看到在ChatGPT发布后的最初两周内，红色和绿色之间出现了巨大的分歧。然后，我们看到回报没有逆转。事实上，在2023年3月初发布的下一个版本的ChatGPT之后，我们又看到了一个分歧期。您可以看到第二个分歧。我们没有在当前研究中使用它，因为它已被预期，您可以看到回报实际上是在预期这次发布，因为当时每个人都对此感到非常兴奋。
因此，我将详细介绍这一点，但这只是我们发现的预览。我想指出的是，在此期间，整体市场回报是负的。因此，这是在加息和整体市场负回报之后。因此，我们将从工人层面或公司层面通过劳动力构成来建立公司对生成式人工智能的暴露程度，从任务开始，上升到职业，然后上升到构成上市公司的职业组合。因此，我们的数据始于O*NET数据，美国大约有923种职业，这些职业是19,000项任务的组合。我们利用ChatGPT作为我们的评分员来评估工人任务对生成式人工智能的暴露程度。因此，这19,000项任务在生成式人工智能完成这些任务的能力方面获得了评分。然后，我们将这些任务汇总到职业，最后汇总到公司。我们在职业评分和任务级别评分方面借鉴了Eland等人的工作。然而，我们将在此基础上增加两个重要方面。一是我们是第一批能够进行公司层面生成式人工智能暴露评分的人，这对于考虑估值变化和公司之间的异质性非常重要，可能不同行业的公司，行业内的公司，或者现有公司与新公司。另一件事将在论文后面出现，我们将研究O*NET所称的核心任务与补充任务。每个职业都是一项任务组合，其中一些任务是职业的核心，一些是补充性的。当我们发现一个职业中暴露的核心任务与补充任务的比例较高时，我们将看到重要的差异。我们认为这与生成式人工智能是可替代的还是互补的有关，在生成式人工智能能够完成职业的核心任务的情况下，它可能是可替代的，而在生成式人工智能更能帮助完成补充任务的情况下，它可能是互补的。
因此，任务级别的评分将是零、半或一。零表示无暴露，半表示有暴露，但ChatGPT需要一些叠加层，这意味着外部数据，如果您使用检索增强生成式人工智能模型，您正在添加数据或软件，那将是半暴露。一表示50%的时间节省和同等质量已经可行。然后，职业级别的分数将是该职业任务的平均暴露分数。为了给您一些直观的感受，我将谈论一些职业中的任务。例如，电话销售员职业中的一项任务可能是销售脚本，以更好地定位目标，而生成式人工智能GPT模型已经可以做到这一点。它可以以同等质量和一半的速度做到这一点。对于Web开发人员来说，为Web应用程序编写支持代码的任务，模型已经可以做到这一点，得分为一。当我们转向律师助理和法律助理时，调查案件的事实和法律，以及调查公共记录、互联网来源等相关来源。得分为一半，正是因为这需要定制数据或信息的额外叠加。然后，当我们转向更多与物理相关的职业，如供暖、空调、医师助理时，模型无法做到连接供暖和空调，也无法做到例如治疗性注射。
我们运行了两次GPT模型，得到了评分的解释，然后我们将使用这两次运行的平均值。这借鉴了发现人工智能模型比人类更一致、更快、更便宜，并且有大量关于编码和评分的解释的工作。我们将看到这些分数与其他我们正在研究的事物有着非常直观的关系。首先，职业分数可以在零到一之间。如果我的职业中的所有任务都可以由生成式人工智能完成，就像电话销售员几乎所有情况一样，那么该职业将获得一分。再次强调，923种职业中的每一种都有一个组合，比如19,000项任务中的15到20项。对于电话销售员来说，ChatGPT几乎可以完成该职业中的所有任务。当我们深入研究时，这些是暴露程度最高的职业。数学家、程序员、办公室文员的暴露程度仍然非常高，我认为这都很直观。这些分数在8.75的范围内。然后，如果我们看暴露程度最低的职业，我想指出，177%的BLS职业完全没有暴露。这是按字母顺序排列的，所以是字母表的末尾。所以我们有像洗发师和油井抽油工这样的职业，它们暴露程度为零。生成式人工智能在这里几乎无能为力。我想说，我认为人们心中一个有趣的问题是，这种技术冲击，这种某种意义上的自动化冲击，与80年代和90年代主要在制造业中的机器人浪潮有何不同或相似之处。我们将表明，在某种意义上，它与以前的自动化相似，主要是我们发现了一种替代效应，就像以前的自动化一样。但它将非常不同，因为它将影响非常不同的职业和不同的技能。
因此，这里我们用X轴表示各种职业的工资，用Y轴表示生成式人工智能的暴露分数，即那些职业中的任务被生成式人工智能执行的可能性有多大。在右上角，我们看到高薪且暴露程度高的职业，如计算机、数学、法律、管理、商业和金融、建筑和工程。在左下角，低工资且暴露程度低的职业，我们看到像场地清洁和维护、食品准备和服务、农业、渔业、林业和医疗支持等。因此，这与以前的自动化浪潮不同，因为它影响的是高工资职业。它还影响不同类型的职业，就其执行的任务类型而言。因此，我们提供了我们的生成式人工智能暴露程度（通过任务和职业）与Acemoglu和Otter职业技能分数之间的关系。您可以看到，根据我们的衡量标准，暴露程度高的职业是非例行认知分析和例行认知职业，而不是底部那些受先前自动化浪潮影响的非例行手动体力或例行手动职业。因此，再次强调，受影响的是非常不同的技能，也许并不令人意外，但验证了该衡量标准捕捉到了我们直观上想要的东西。
然后，我们转向公司，这确实是我们衡量的一个关键创新。我们使用Rello Labs的LinkedIn个人资料，其中包含按职业划分的公司就业数据。现在，我们将公司的劳动力视为职业的组合。职业是任务的组合，这些任务可以或不可以由生成式人工智能完成，然后公司是这些职业的组合。因此，公司的暴露程度是该公司在该职业中的就业份额乘以职业分数，然后对公司中的职业进行求和。这些只是我们选择的100家最大的公司，因为您知道，这将确保我们大致了解所有这些公司。然后，我将在这里展示排名前100家公司中的15家，也就是生成式人工智能暴露程度最高的15家公司，然后我将展示暴露程度最低的公司。最高的是IBM，得分为大约一半，这意味着一旦您从任务到职业再到公司层面，ChatGPT可以完成IBM总任务的大约一半。我听着早晨的播客，听到关于沃森（Watson）的广告，IBM当然有很多编码工作，但也有很多信息公司，很多金融公司，如S&P Global，我们看到PayPal，Adobe和其他一些公司。现在我们也看到了Nvidia。因此，我们知道控制产品市场暴露至关重要。暴露程度最低的公司是那些拥有更多手工任务的公司，如星巴克（Starbucks）和麦当劳（McDonald's），以及一些制造公司。再次，我们认为这是直观的。您可以看到，即使在底部，星巴克仍然是11%或12%。但我仍然很高兴我们将拥有人工咖啡师。我并不总是喜欢iPad点餐，尽管可能有些我确实喜欢那个应用程序。
所以，让我继续。我谈到了暴露程度。现在我想谈谈对公司价值的影响。我想展示的第一件事是，这有多么引人注目，GPT的发布是一个惊喜，投资者对此给予了高度关注。我将展示Twitter提及次数的反应，但我们也有关于收益电话的数据，表明暴露程度更高的公司在收益电话中提及它的次数更多。这是X轴上的Twitter提及次数，Y轴是时间。您可以看到，在发布后，Twitter提及次数激增。它可能在大约不到一周的时间里达到顶峰。我们将两周作为发布期。我们在附录中有一个一周的时期，但我们希望时间足够短，以免混淆影响公司价值的其他信息，但又足够长，以便像ChatGPT对公司通过劳动力影响的影响这样复杂的事情能够被纳入股价。因此，我们确定了两周，并在附录中进行了为期一周的稳健性检查。我们可以为任何其他事件期间提供证据，但使用Twitter提及次数似乎是一个不错的方法。我们将按生成式人工智能暴露程度将股票分为五分位数，然后构建一个多空投资组合，比较最高五分位数暴露程度的“人工”公司与“人类”公司的回报。我将做空“人类”投资组合，即GPT完成这些公司中任务的能力较低的公司。我构建了这个AMH投资组合。与具有三个字母缩写的其他投资组合不同，我喜欢这个，它很可爱，人工减去人类。它不是关于风险暴露，不是小减大，不是高减低。它是在公司价值变化事件中的影响，再次是高暴露与低暴露之间的差异，在ChatGPT发布事件之后。注意到这两周内整体市场回报为负。回报大约是每天40到44个基点，具体取决于我们包含的其他控制项。在这么短的时间内，这是一个巨大的回报。
这是我们之前看到的图。我包含了一个更长的前期，以便您可以看到发布日期之前没有任何事情发生。发布后，我们看到了这种分歧，然后我们看到一段时间内没有太多事情发生。下个月发布了下一个模型，并且对此有所预期。我们再次看到绿色和红色投资组合之间的分歧，正如这里以蓝色显示的AMH投资组合所示。我将展示事件投资组合的回报对控制法国五因素是稳健的。而不是44个基点，我们发现35个基点。如果我们排除科技行业，是38个基点。所以这是显示我们的衡量标准和回报对控制产品市场暴露是稳健的重要第一步。同样，如果我们按行业分类，即在每个行业内，我们只看高暴露公司和低暴露公司之间的回报差异。在三位数的行业中是30个基点。如果我们使用FIC行业代码，是23个基点。我们还使用四种直接衡量方法来控制产品市场暴露。两种基于10K的衡量方法，一种是基于文本的，一种是仅计算提及数据。还有高盛（Goldman Sachs）的一篇论文，其信息与我们的论文非常相似，该论文在发布之前发布，它对公司进行了事后分类。然后，我们使用了Anastasia自己工作中的一个非常好的衡量标准，即AI技能份额，就就业构成而言。我将在下一张幻灯片上展示。如果我们看最左边的列，然后沿着行移动，我们有各种产品市场暴露的衡量标准以及生成式人工智能的暴露。您可以看到，我们从28个基点的回报开始，因为我们控制了行业固定效应。这是行业内部的。然后我们有29、26、20.5，一旦我们控制了一切。因此，无论我们控制什么产品市场暴露，我们都没有发现与我们最初结果非常不同的结果。我想指出的是，除了基于文本的暴露之外，所有这些在单独包含时都是显著的。您可以看到BFH产品市场暴露的显著结果。这些衡量标准可能彼此更相关。我们还没有深入研究，但因为它们在同时包含时并不显著，但当然存在一个影响，从0.29的系数到0.18。因此，产品市场暴露当然很重要，但劳动力市场暴露对这些控制是稳健的。
我们还问了关于数据的问题。在思考生成式人工智能的影响时，一个有趣的问题是，公司是否会被取代，就像数码照片公司取代柯达一样，还是现有公司会受益？现有公司在这种技术革命或技术冲击中拥有一个与技术本身互补的独特优势，那就是它们拥有内部数据语料库。我们将表明，存在高度的数据互补性。我们将使用两个主要衡量标准：一个是从商业描述中提取的10K数据资产衡量标准，另一个是更侧重于劳动力的，类似于AFH衡量标准，即Abus和Velcamp的数据管理技能衡量标准。当我们看到生成式人工智能暴露与数据资产衡量标准的交互时，您会看到这里用蓝色突出显示的系数。您会看到，当您拥有更多数据资产时，高生成式人工智能暴露对公司价值的影响要大得多。事实上，现在水平暴露不再显著。我们有来自麦肯锡（McKinsey）的这个声明：如果您的数据尚未准备好用于生成式人工智能，那么您就尚未准备好。显然，从生成式人工智能中受益的公司既拥有数据，也拥有其劳动力中可以由ChatGPT和其他生成式人工智能模型完成的任务。这可能解释了为什么现有公司受益。
那么，生成式人工智能对劳动力总体上有何影响？我们想深入研究我们提出的机制。在控制了产品市场暴露之后，我们想说对公司价值的影响来自于生成式人工智能的生产力提升，无论是能够完全完成任务，还是补充执行这些任务的工人。因此，我们将使用O*NET数据中的这个分类，这个分类似乎被人们所忽视了。我们实际上并不知道有人在使用O*NET数据中的这个分类，它将每个职业中的任务分类为核心任务，这意味着它对于执行该功能至关重要，或者补充任务，这意味着它真的处于核心之外，是职业关键功能的补充。因此，我们计算了职业中补充任务的比例，其想法是，如果生成式人工智能能够真正完成您的补充任务，那么它可能更多地是您的补充，而当它能够完成核心任务，即职业的关键任务时，它可能更多地是替代品。而这正是我们发现的。因此，在劳动力方面（招聘、工资）以及在公司价值方面（回报、利润）的影响，当GPT主要能够完成补充任务时，实际上会低得多。这意味着主要的生产力提升来自于替代劳动力，通过更便宜的技术增加公司利润，这也会传递到回报。这基本上是我将在最后几分钟内介绍的内容。
首先，暴露程度更高的公司减少了对暴露岗位的招聘。这是ChatGPT发布后，以及在暴露程度高的职业中，对职位发布的影响。我们看到了负系数。我们在表格上方有回归方程。如果我们看那个系数，那么“发布时间*生成式人工智能暴露*补充份额”，现在您看到系数是正的，这意味着对职位发布的影响较低，如果暴露的职位只有GPT完成的补充任务，而不是核心任务。因此，您看到“发布时间*生成式人工智能”的系数现在要大得多。然后当我们与补充任务交互时，您看到它削弱了对职位发布的影响。因此，如果您是一名工人，可以成为引擎驱动者并使用该引擎来完成您的补充任务，那么您实际上会看到对您的职位发布的影响要小得多。对于公司来说，在盈利能力方面也是如此。通过核心任务，公司拥有更高的生成式人工智能暴露，这些任务可能或可能直接被GPT替代，其利润要高得多。因此，同样，对于利润，我们看到，如果是补充任务暴露，利润的变化较低。对于核心任务暴露的公司，利润变化较高。同样，对于回报，我们看到，如果我们看那些补充任务暴露比例较高的公司的回报，回报仍然较高，但平均而言，补充任务与核心任务暴露相比，其影响大约是整体影响的三分之一，当您看来自补充任务的影响时。因此，回报也主要由那些核心任务可以由GPT完成的公司驱动，至少在初始阶段是这样。我们认为这表明对这种技术冲击的初步反应是高回报的公司，特别是那些核心任务可以由GPT完成的公司，这与GPT实际上是这些任务中劳动力替代品的观点一致。这与职位发布、招聘、公司利润、公司回报以及工资在核心任务暴露程度更高的职业中下降更多的观点一致。
我可能超时一分钟，对此表示歉意。所以，让我总结一下。我们实时研究了这次大规模的技术冲击。鉴于我们在ChatGPT发布时已经拥有的信息技术，我们认为这非常新颖。它对暴露公司的价值产生了直接的积极影响，但存在大量的异质性。我没有深入探讨，但并非所有行业的高暴露度平均来说都是好的。对公司来说，拥有更高的暴露度通常是好的，特别是当它们的高暴露度来自于核心任务的暴露时。对工人有明确的影响，特别是对那些核心任务暴露的工人，其影响是负面的，体现在工作岗位减少、工资降低等方面。但仍然有可能实现这些互补的作用。理解这些对公司价值的影响非常重要，因为我们既有从劳动力到所有者到资本所有者的潜在转移，也有资本所有者内部以及劳动力投入提供者内部的异质性。因此，我鼓励您阅读论文以获取更多详细信息，我非常期待Anastasia的评论。非常感谢您精彩的演讲。Anastasia，现在请您开始。好的，您一开始就获得了幻灯片。好的，谢谢。谢谢您邀请我评论这篇论文。我非常喜欢这篇论文。很高兴看到它的发展。我确实喜欢增加对劳动力和从早期版本回归的更多强调。
所以，这是一个概述，当然，我们刚刚看到了演讲，所以我将非常简短。我认为这篇论文在理解技术如何影响公司价值方面有一个非常新颖的视角，几乎是实时跟踪这项新技术，正如Andrea最后所说。因此，它关注的是商业生成式人工智能的最新进展，特别是ChatGPT的第一个迭代，以及它如何转化为公司价值。因此，几乎是实时跟踪，关注2022年12月的那个事件，那个两周的窗口，以及当然的差异是基于公司对这项新技术的先验暴露程度的横截面。当有人着手进行这样的项目时，实证挑战当然是衡量公司对生成式人工智能的暴露程度，以及Andrea展示的那些额外的很酷的东西，比如暴露程度来自哪里，任务，补充任务，公司是否拥有数据资产等等。所以衡量标准是一个巨大的挑战。然后当然是机制，理解是什么在驱动它。而这正是衡量标准派上用场的地方，核心和补充任务，它帮助我们更好地理解是什么在驱动公司价值的劳动力机制。作者如何克服这些挑战？他们构建了一个生成式人工智能暴露的衡量标准，该衡量标准从任务级别聚合，个别任务被分类，利用生成式人工智能本身的总结和分类能力，而不是大量的人工来将任务分类为三种暴露类别之一。然后将其聚合到职业级别，最后使用Val Labs数据中的LinkedIn个人资料的就业份额从职业聚合到公司级别。然后是数据资产。论文中有几种衡量方法，依赖于Simona和Laura工作的预先存在的衡量标准，以及再次利用ChatGPT的能力进行分类和总结，基于10K文本进行分类。最后，对我个人来说，我认为最有趣的见解是，在机制方面，作者利用了之前未充分利用的O*NET分类，即核心与补充任务。这篇论文之前已经存在，但并未被广泛使用。但在这篇论文中，它非常契合地融入了理解生成式人工智能的暴露是否来自职业的核心任务，还是来自补充任务。自动化这些任务实际上会增加这些工人的能力，让他们更专注于他们的核心任务。我们看到，根据暴露程度是来自核心任务还是补充任务，效果有很大的不同。
因此，一些主要的发现是，论文中有很多内容，这只是挑选了一些主要的头条新闻。基于对生成式人工智能的暴露程度的多空投资组合，在ChatGPT发布后立即获得了显著的正回报，平均每天约零点五个百分点，这相当可观。回报与生成式人工智能暴露程度之间的关系在拥有更多数据资产的公司中更强，并且与先前的数据使公司能够利用新技术相一致。这种关系非常稳健，能够经受住其他因素的影响，能够经受住控制其他类型的人工智能收益（如产品暴露等）的影响。然后，在机制方面，我们看到，一旦我们考察暴露程度是来自核心任务还是补充任务，我们观察到较低的职位发布，即工作需求较低，工资较低，盈利能力较高，以及回报较高。在生成式人工智能暴露主要来自核心任务而非补充任务的公司中，两周的回报也更高。这表明可能存在劳动力替代机制，而不仅仅是补充劳动力，让工人能够更专注于他们的核心任务。
正如我所提到的，我对劳动力机制特别感兴趣。我将提出几个评论。首先是衡量标准方面，关于验证衡量标准，但也关于我个人对哪些衡量标准或哪些结果可能应该更被强调，哪些应该被更多关注的看法，因为这篇论文非常全面，篇幅很长，内容很多。然后我将就一些我可能希望在结果中看到更多内容的地方提出一些评论。在衡量标准方面，我将从生成式人工智能暴露的总体衡量标准开始。它以将大约19,000项不同的任务分类为暴露开始，这种三类暴露衡量标准是从完全暴露到完全不暴露。这是使用ChatGPT本身来总结哪些任务可能被取代。当然，与人工相比，使用生成式人工智能进行分类的优势在于，它比让人坐下来分类19,000项任务更节省时间和成本。我个人仍然希望看到一些人工，或者实际上是几个人来标记其中一部分任务。如果人工做得不好，那么也许我们可以让合著者对其中一部分进行验证。我认为这会有帮助，原因有二。首先，它提供了额外的验证，即ChatGPT的分类与我们过去所做的，即人工标记事物是可比的。已经有验证表明ChatGPT的衡量标准是有意义的，它们突出了我们汇总的职业类型，以及我们期望暴露程度更高的公司类型。而且，ChatGPT标记的几次运行之间也存在交叉验证，这很好。我认为通过与人工在部分任务上进行交叉验证，将提供额外的验证。第二，我认为您可以进一步突出ChatGPT标记的第二个优势，即论文中已经指出的，它们非常一致。因此，如果您进行几次标记，您会从ChatGPT标签中得到非常相似的响应。我很好奇，这种一致性是否实际上大于多个不同人工之间的不一致性。我猜很可能是这样。因此，如果它的表现同样好且更一致，那么这是未来转向这种类型分类的另一个原因。我认为这将是一个很好的额外验证。
我的第二个衡量标准评论不是关于主要的暴露衡量标准，而是关于数据资产衡量标准。在这里，我有点挣扎，不确定它们是否真的捕捉到了相同的东西，以及它们捕捉到了什么。有两种数据资产衡量标准，好消息是使用这两种衡量标准的结果非常相似，但衡量标准本身，我不确定它们有多相似。这是相关性表，我相信在我上次讨论这篇论文后它被添加了，这很好。它让我对哪些衡量标准与哪些衡量标准相关有了更多的理解。这张表中最高的单一相关性是Abus和Velcamp的数据暴露衡量标准与生成式人工智能暴露衡量标准。因此，数据暴露衡量标准与替代数据暴露衡量标准的相关性较低。它们是相关的，是4.43，对吧？两种数据衡量标准。但整个表格中最高的不是产品暴露衡量标准之间的相关性，也不是数据资产衡量标准之间的相关性，而是这个基于职位发布的度量（与Simona一起衡量）与生成式人工智能度量之间的相关性，后者也基于职位发布。因此，这对我来说意味着，也许衡量标准捕捉到的至少一部分是关于领域的东西。Abus和Velcamp的数据资产衡量标准与基于职位发布的另一个暴露衡量标准相关，而基于10K的数据资产衡量标准，除了与其他数据资产衡量标准之外，与基于10K的GPT产品暴露衡量标准高度相关，再次可能捕捉到10K文本领域的东西。所以这是需要考虑和可能解决的问题。也许也可以直接删除数据资产的结果，因为论文很长，内容很多，我希望看到更多关于劳动力渠道的内容。但另一个可能的建议是，也将这个衡量标准，即Edis数据资产衡量标准，包含在我们之前包含产品衡量标准并显示生成式人工智能暴露衡量标准在添加该衡量标准后仍然稳健，并且效果略有下降但非常稳健的回归中。我可能会也包含Ulum数据资产衡量标准，因为它似乎确实捕捉到了与生成式人工智能暴露最接近的东西。
最后，更接近机制方面，关于核心和补充任务的暴露衡量标准，我实际上希望看到更多，更深入地分解这两个。目前，这里的主要衡量标准只是职业暴露的份额。所以我们有职业对生成式人工智能的总暴露程度，然后我们看其中有多少来自补充任务而不是核心任务。所以这是一个比例。对于两个职业，一个在核心和补充任务中都有很多暴露，另一个在两者中暴露都很少，但相对比例相似，这个差异暴露衡量标准将是相似的。我希望看到更多关于核心和补充任务的定向效应，以及拥有更多补充任务暴露的实际效果。是说公司价值的增长会更大吗？对于那些暴露来自核心任务的公司来说是这样，但如果您的暴露不来自核心任务，只有补充任务，那么它的效果如何？一个拥有很少核心暴露和很多补充暴露的公司与一个两者暴露都很少的公司之间有什么区别？我只是想分别看到这两个衡量标准，核心和补充任务。所以我们可以有比例，但我们也可以将总和分解成这两个部分，看看它们各自与公司价值的关系。我很好奇。并且相关地，在机制方面，我想看到更多关于总劳动力影响的信息。因为论文的主要影响是公司价值，这是在ChatGPT发布后两周窗口期看到的。然后是关于职位发布的影响，这是新招聘。我们看到，在核心任务而非补充任务暴露更多的公司中，新工人的需求正在下降。我认为这在分析的短期内很有意义。新招聘、新需求是我们立即看到的。而劳动力均衡的总体状态需要更长时间才能观察到。但即便如此，我认为公司价值（这是前瞻性的，包含了所有未来预期）和仅关注短期招聘的劳动力渠道之间存在一些差异。因此，我想看到更多关于公司总劳动力的信息，即公司层面的职业就业。而且我认为这是可能的，尽管时间序列不长，但可以看看一年后。我认为此时应该大致没问题，或者至少六到八个月后。如果已经有了有意义的减少，我认为这将进一步加强劳动力渠道。我认为之所以有可能在短期内就看到对总劳动力的影响，是因为这些公司在盈利能力方面产生了显著影响。因此，运营情况实际上很快就反映了生成式人工智能的影响。因此，很可能我们也可以看到实际的劳动力影响。但这还有待观察。我认为添加这个会非常棒。
并且相关地，回到市场影响，我们看到在ChatGPT发布后的几周内有显著的回报。这里有一个概念性问题，市场影响是如何发生的？市场是否正确地预期未来员工的减少，某些任务的核心任务，以及与生成式人工智能的互补性，或者我们是否收到了一些信号，关于公司实际开始发生的事情，以及进一步的市场影响？当然，当新技术刚刚出现时，很难准确预测会有多少替代和多少影响。因此，我想更多地了解是否有任何渐进式调整。当然，挑战正如Andrea指出的，这不是一次性发布。几个月后，我们已经有了下一波GPT的发布。这当然会混淆结果。但我们可以看看，例如，在几个月的时间窗口内，看看不同的时间窗口。现在主要的规范是10天到两周的窗口，但稍微短一点，稍微长一点，我认为这对于稳健性以及对机制的潜在额外支持都会有帮助。如果我们稍微延长窗口，效果会逐渐增大，当然精确度会降低，但我们会看到一些渐进式调整，这将支持某种类型的学习。如果我们有更即时的调整，这将支持另一种类型的影响。这是Andrea展示的更长的时间序列图。蓝色是论文中实际查看的窗口。红色基本上类似于发布前的一周窗口，当时什么都没有发生。这里完整的时序是在ChatGPT的下一次发布之前，也就是可供查看的内容。总的来说，之前什么都没有发生。我想说，一两个月后可能有一些更多的调整。当然，总是可能挑选一个看起来更好的窗口和一个看起来更糟的窗口。所以，如果我们稍微延长一点，一个月后，它就会开始看起来像一个前期趋势。我不认为情况是这样，因为如果我们再延长一点，我们就回到了零。但我认为这张图上有趣的是，也看看构成多空投资组合的“人类”和“人工智能”投资组合的两个部分。也许这只是我最近关于贝塔和共变等的研究。但我印象深刻的是，“人类”和“人工智能”投资组合之间的共变，有时甚至是相反的共变，尤其是在ChatGPT发布之前。绿色线和灰色线似乎在低频时有负相关性。这是我触及的有趣之处。
更多只是发生在两个部分的事情，对吧？这是否与我们期望的机制相符，即人工智能投资组合基本上是通过替代来增值的？嗯，所以盈利能力增加，人类投资组合或价值下降，仅仅是由于竞争效应，嗯，所以在窗口期内存在负相关，我们期望的是它们会朝着相反的方向移动，它们会朝着相反的方向移动，嗯，一旦ChatGPT出来，这就是故事的一部分，它对一个方面有积极影响，然后对另一个方面有消极影响，嗯，但如果真的存在负相关，我不知道那是否属实，那只是在窗口期之前凭空猜测的，那令人费解，嗯，所以为什么暴露的公司一开始可能就呈负相关，嗯，似乎在发布后相关性可能转为正值，嗯，可能过去了一个月半或两个月半，嗯，所以这是我想多看一些的东西，而且这可能有助于支持某些类型的机制而不是其他机制，所以我想我的时间差不多了，嗯，也有一点点，嗯，抱歉，嗯，这是一篇非常有趣的论文，我一直，嗯，你知道，我看了几次，我真的很享受，嗯，它变得越来越好，嗯，我真的很喜欢这种对劳动力机制的日益重视，我认为这篇论文整体上是一个追踪新技术和市场影响的激动人心的机会，嗯，但那些新颖的衡量标准确实让我们能够，嗯，非常细致地了解公司的劳动力状况，嗯，并就哪些类型的暴露是驱动结果的机制进行讨论，这是我在之前的任何论文中都没有见过的，关于补充性职业等等，我认为这非常聪明，非常有趣，嗯，我想在这些暴露衡量标准上看到更多，我认为其他论文也会使用这些衡量标准，嗯，它们对我来说确实很有说服力，所以我想在其中一些的验证上看到更多一点，嗯，当然，结果非常相关，嗯，所以我有几个建议，进一步巩固它们，并为劳动力渠道提供更多支持，嗯，所以如果有人还没有机会阅读这篇论文，我强烈推荐它，所以感谢邀请我来讨论它，非常感谢这次精彩的讨论，嗯，对于听众，如果您有任何问题，请将其放入问答环节，然后我会叫您，嗯，在我们收集更多听众问题时，Andrea，您想简要回应一下讨论吗？当然，嗯，那太有趣了，我想Anastasia，您在我不在的时候讨论了这篇论文，我看到了幻灯片，但很高兴能亲耳听到您的想法，当然，嗯，很高兴能为这篇论文组织一位专家讨论者，嗯，所以我没有太多评论，这是一次非常棒的讨论，嗯，你知道，人类的，我认为这是一个很棒的主意，所以我们所做的是我们自己进行了抽查，但这当然不是，你知道，而且我们做了所有这些，你知道，与我们认为的东西相关，但我认为这是一个很棒的主意，我们可以完全让人类来做，只是有一些论文专门关注比较人类和机器的，但这在这里加入一些东西也不是坏主意，我认为评论中有些评论非常引人入胜，其中一个是ABI V Camp数据衡量标准与我们的暴露衡量标准之间的相关性，嗯，两者都来自工作，一个来自工作发布，一个来自LinkedIn，所以领域不完全相同，但都来自工作方面，嗯，所以我想更多地思考这一点，你知道，我们解释它的方式是，存在数据资产之间的互补性，然后您将拥有数据工作者，然后您就可以利用生成式人工智能，但你知道，我认为这是一个非常好的主意，要进一步研究这种相关性的来源，我非常喜欢这个主意，这可能会帮助我们，你知道，更深入地了解机制，也许我们也可以在那里使用核心的补充性，嗯，相关性的变化，我们将，我们将看看它，看看我们能从中了解到什么，嗯，你知道，我们已经讨论了，嗯，您与Tanya关于人工智能公司市场贝塔值变化的合作，我认为这非常有趣，所以我们将，我们将看看它，我们肯定会检查其他更多窗口，嗯，是的，我们将把所有评论都牢记在心，它们非常棒，我真的很感激，嗯，Rich Blad有一个问题，我可以将其提升为小组成员来提问，你好，你能听到我吗？是的，好的，太好了，我的问题再次是关于数据资产分析，嗯，我惊讶地看到，嗯，互补性的影响如此之强，考虑到假设数据资产部分只与那些需要数据作为叠加的任务相关，嗯，我猜那不会是，你知道，嗯，你知道，只占所有任务的一部分，你能多说一点关于你认为那里发生了什么吗？是的，这是一个非常有趣的问题，所以其中一个，嗯，您注意到了一些我曾经质疑过的事情，所以我们，嗯，我们曾经争论过，因为我们遵循了，嗯，这篇关于任务级别暴露的早期论文，允许零、一和一半的暴露，一半是需要这些额外的叠加层，结果是，相当多的结果实际上是稳健的，即使只使用零和一，我感觉这可能只是稍微清晰一些，而且看到它如何改变数据结果会非常有趣，我实际上不知道那个问题的答案，嗯，但我认为，即使您不需要叠加，你知道，外部软件和数据，我，我，而且确实，如果将互联网和维基百科与您自己的数据语料库结合起来，您的生成式人工智能模型将更有价值，我认为这些数据衡量标准只是，嗯，正在代理，嗯，能够，因为即使生成式人工智能可以完成任务，它可能做得更好，更具针对性，就像您想到定向营销或电话营销的例子一样，您可能已经可以用，嗯，用模型本身来完成，但有了额外的私人数据，它会更好，例如，有关于人口统计的公共数据，但私人数据可能会使其更好，但我喜欢，我喜欢您对此的推动，因为，我们还没有真正连接，嗯，将这两件事，嗯，将一半的暴露与数据资产联系起来，但这是一个很棒的主意，是的，我赞赏这一点，嗯，Sena SEI问了一个问题，我想您之前已经回答过了，嗯，ChatGPT发布前，这个AMH投资组合的表现如何？我想您已经展示了整个时间序列，所以可能，我们知道答案，嗯，我也有一个问题，嗯，但我想我会在，嗯，当我们把每个人都提升为小组成员时提出，因为我们时间不多了，我想快速做一个公告，所以我们很高兴我们的下一个网络研讨会将在6月20日举行，嗯，届时我们将有来自沃顿商学院的Jules One Binur，他将展示他关于近200年新闻情绪的研究，请访问我们的网站了解更多详情，我想请大家留在Zoom房间里，当我们升级您为小组成员时，我们将继续讨论，让我以热烈的掌声结束，为两位演讲者鼓掌。