Brynjolfsson versus Gordon on Artificial Intelligence and Productivity Growth: What the Science Says
Notice bibliographique
Résumé
Over the past decade, Erik Brynjolfsson and Robert Gordon have debated each other over the question of Artificial Intelligence (AI) and Productivity Growth, with the former predicting robust, sustained growth and the latter casting doubt over the ability of AI to replicate the growth rates of the 20th century. Until now, the debate has been largely anecdotal, with little scientific content. Brynjolfsson has focused on a number of promising forms of AI, while Gordon has raised a number of headwinds. This paper attempts to further the debate by invoking the principles of basic material processes. In other words, what does science have to say regarding the role of AI in productivity growth? To this end, it examines AI from the point of view of process engineering as well as various econophysics-based models of economic growth. The evidence presented provides support for Robert Gordon’s position, but for entirely different reasons. Specifically, it is shown that because information is not physically productive, more and better information (obtained from machine learning and other algorithms) cannot and will not increase productivity and, as such, cannot increase growth. There are, however, exceptions. For example, more and better information can contribute to increasing second-law efficiency, triggering one-shot increases in output. In this regard, AI is seen as being analogous to the information and communications technology revolution in the 1980s and 1990s. Our results predict the AI equivalent of the information paradox, namely that in the future, you will see AI everywhere but in the growth statistics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».