核心结论就一句话：AI达到人类水平的时间会比想象中要快，中位预测是2030年前。

  2016年DeepMind搞出AlphaGo，击败世界冠军李世石的那会儿，AI曾经铺天盖地的进入到我们的视野中一次，但因为仅仅局限在围棋游戏，后来风头一过，就慢慢淡出了。

  就不提用户数突破天际的ChatGPT，光是Copilot，Stable Diffusion等等这些生成式AI产品，就风卷残云般席卷了我们的生活。

  这次的不同之处在于，这些AI工具都是人人皆可用。所有人都可以用ChatGPT来创作，用Midjourney来作图，用Copilot来做PPT。

  搭载GPT-4的ChatGPT，各项性能直接从GPT-3.5起飞。还有Anthropic的Claude，一分钟就能处理100000个token（差不多一部小说的长度），而今年3月Claude的一代，性能差不多是目前的十分之一。

  本报告中，将生成式AI定义为搭载基础模型构建的应用。基础模型在图像、视频、音频、代码等方面有了大量新功能，原有功能的性能也有巨大的提升。

  这也就是为啥麦肯锡搞了个报告出来，为的就是能更加透彻的理解生成式AI的未来。

  目前，各大企业都在尝试应用生成式AI，快速调整工作流来适应新科技带来的改变。

  报告指出，我们有必要透彻的认识生成式AI究竟会给我们整个社会和经济发展带来什么。

  下图中，报告采用了两个互补的视角来确定，目前生成式AI的能力在哪些领域能带来的最大的价值，以及这些价值到底有多大。

  上图中的Lens 1是对能使用生成AI的企业的大扫描。这里叫做「用例」。

  比方说，市场营销中的一个用例是。应用生成式AI来生成个性化的电子邮件等内容，衡量的结果则包括降低生成此类内容的成本，以及通过大规模提高高质量内容的有效性来增加收入。

  依此，报告确定了总计63个生成式AI用例，涵盖了16种业务功能，如果应用于各行各业，每年可带来2.6万亿至4.4万亿美元的经济效益。

  这比目前所估计的11万亿至17.7万亿美元的经济价值，要增涨了15%至40%。而后者是2017年麦肯锡的预测。

  Lens 2则是对Lens 1的补充，报告分析了生成式AI对大约850种职业的潜在影响。

  专家模拟了各种情景，以估算生成式AI何时能够执行构成全球经济的2100多项工作中的每一项——这其中可能包括与他人就运营计划或活动做沟通等等的任务。

  这样，我们就可以估算出，以现有的能力，生成式AI会怎么样影响当前全球所有劳动力所从事的所有工作的劳动生产率。

  其中一些影响和Lens 1里提到的成本降低重叠了，报告因此假定，成本降低是劳动生产率提高的结果。

  除去这种重叠，生成式AI的总经济效益每年高达6.1万亿至7.9万亿美元，如下图所示。

  生成式AI可能会对大多数业务的职能产生一定的影响。但是，如果我们以技术影响占职能成本的比例来衡量，少数职能能脱颖而出，如下图所示。

  麦肯锡对16项业务职能进行了分析，发现只有客户运营、市场营销和销售、软件工程及研发这四项职能的年度价值约占生成式AI用例总价值的75%。

  简单来说，从工作本身的技术角度来看，并不是所有的业务在很大程度上都受益于AI。

  报告指出，在此前对AI的各项用例做评估时，包括制造业和供应链在内的若干工作领域内，生成式AI的潜在价值要低得多。

  除了在特定的用例中，生成式AI能带来潜在价值外，生成式AI还能够最终靠彻底改变企业内部的知识管理系统，为整个公司带来价值。

  我们都知道，生成式AI的自然语言解决能力很强，能够在一定程度上帮助员工更方便的查询并检索公司存储的内部知识。

  显然，这能加强团队快速获取相关信息的能力，使他们可以迅速做出更明智的决策并制定有效的战略。

  在生成式AI出现前，同样的工作可能要花费劳动者一整天的时间来做，而生成式AI承担了这些任务以后，一定是能产生巨大的效益的。

  此外，生成式AI还能够最终靠与劳动者合作来提升价值，加快他们工作效率，增强他们的工作能力。

  报告分析的63个使用案例中，生成式AI有可能为各行各业创造共计2.6万亿至4.4万亿美元的价值。

  当然，具体多少影响取决于多种因素，比如不同功能的组合，各自的重要性，还有更重要的——行业本身的收入规模，如下图所示。

  例如，据报告统计，生成式AI能够最终靠提高营销和客户运营等功能，为零售行业（包括汽车经销商）带来大约3100亿美元的额外价值。

  相比之下，高科技领域的大部分潜在价值，都来自于生成式AI提高软件开发速度和效率的能力，如下图所示。

  麦肯锡全球研究院从2017年开始，就在分析技术的自动化对不同工作活动的影响，他们还对采用技术的各种情景进行了建模。

  彼时，他们估计劳动者至少有一半的时间都花在了调整已有技术，使其实现自动化的进程上，也就是我们所说的技术自动化潜力。

  专家还模拟了一系列也许会出现的情况，以确定这些技术的采用速度，并对全球经济中的工作活动产生影响。

  首先，技术的大规模应用不会一蹴而就。实验室中的技术转化为特定工作活动的自动化，是需要一些时间的。

  而报告聚焦的点也就在于此。生成式AI究竟对生产生活中的自动化有多大潜力，提高多少工作效率。

  报告预计，基于目前生成式AI的性能，其在各方面能力将会比比以前估计的更快达到人类性能，如下图所示。

  研究院之前认为，2027年是技术可能达到人类自然语言理解能力中间水平的最早年份，但在最新的报告中，这一段时间提前到了2023年。

  理论上，通过整合目前已有的技术，现阶段自动化的总占比已经从约50%增加到了60-70%。

  并且，由于生成式AI自然语言能力的急速发展，技术发展的潜在能力的曲线是相当陡峭的。

  下图展示了2017年的预测和最新的预测，从曲线中我们大家可以很容易的看出，「乐观」二字是怎么写的。

  下图是报告中对劳动者每天从事的活动会发生多大变化的曲线图，上边是最新预测，下边则是2017年的预测。

  专家预测，生成式AI可能会对知识工作产生最大影响，尤其是涉及决策和协作的活动，而这些活动以前的自动化潜力最低，如下图所示。

  报告中估计，专业相关知识自动化的潜力跃升了34个百分点，而管理和人才开发自动化的潜力则从2017年的16%上升到了2023年的49%。

  此外，生成式AI还能够理解自然语言并将其用在所有活动和任务，这在很大程度上解释了为什么自动化的潜力如此之大。

  在经济领域，劳动者所从事的活动中约有40%，至少要达到人类理解自然语言的中位水平。

  因此，许多涉及沟通、监督、记录和与人互动的工作活动都可能会通过生成式AI实现自动化，从而加速教育和技术等职业的工作转型，而这些职业的自动化潜力以前预计会较晚出现，如下图所示。

  为了体现报告的接地气，最后一个部分是生成式AI对个人的影响，以及我们每个人该怎么样面对。

  报告表示，随着新技术的发展，利益相关者必须行动起来，以便为应对机遇和风险做好准备。

  主要关注的风险也是我们老生常谈的，比如幻觉问题，训练中选用数据的知识版权问题等等。

  报告预计，中位预测下，未来十年内至少有四分之一到三分之一的工作会发生改变。对于不同人的不一样的角色来说，我们所要做出的应对截然不同。

  对公司和企业的领导者来说，他们要考虑的是，如何利用好生成式AI的潜在价值，同时管理其带来的风险？

  在未来几年里，生成式AI和其他AI技术将如何改变公司劳动力所需的职业和技能组合？公司将如何在招聘计划、再培训计划和人力资源的别的方面实现这些转变？

  企业又该如何以透明的方式与政府和社会分享其在行业内和行业间推广使用生成式AI的经验？

  当劳动者的活动跟着时间的推移而发生明显的变化时，如何为他们提供必要的政策支持？

  最后，作为每一个劳动者，消费者，公民个体而言，我们该如何去关注新科技的发展？我们该从哪里获取正确、公正的信息？

  简单来说，这篇报告全面观察了生成式AI大爆发对我们社会的（尤其是经济方面）重大影响。