生成式 AI 在诸多领域会带来效率提升，但严格的实证型案例也并不多。下图是两个有价值的研究案例。
一个案例是 Github Copilot 辅助编程工具，程序员在使用了 Copilot 后效率平均提升到了 2.2x 倍。
另一个案例是 BCG 咨询公司的专案试验，BCG 的几百名咨询顾问在在使用了生成式 AI 工具后，完成指定任务的速度和质量都取得了一定的提升。
思考 1：程序员效率提升幅度显然高于咨询顾问，咨询顾问遇到的问题更加 “非结构化”，难度自然会大一些。
思考 2：程序员使用了 Copilot 后，程序员更好找工作还是更难呢？ 某些地区 “程序员 35 岁求职难现象” 愈演愈烈。
即便是硅谷，普遍认为一个 20 岁的程序员在 AI 工具的支持下，会效率远超之前的代际（一个 20 岁的程序员可以代替 N 个年长的程序员）。那全球程序员总量的人力需求是同步大幅增加，还是更卷呢？
思考 3：就上述两个案例而言，AI 工具提升了供给侧干活的效率，但并没有放大需求方的需求。
思考 4：蒸汽机能在 1780 年后大放异彩的一个背景是，当时全球有非常显著的棉花纺织品生产需求。即便是伟大的蒸汽机，如果当时没有 “饥饿” 的棉布生产需求，也不会跑得那么快 —— 1780 年前后的第一次工业革命是面临了强烈应用场景的。
新技术是为了解决存在的问题，但如果目标问题本身停滞呢？新技术的进步会持续推动问题发展，但可能会很慢。
如果 AI 和当年的蒸汽机一样伟大，那么应用 AI 服务的 “棉花产业” 在哪来 ？目标需求行业应该满足的特征：当前需求量非常旺盛，很普遍的大众需求，长期处于供不应求状态。
在全球经济持续放缓（甚至停滞或倒退时代），各行各业 “产能过剩” 的状态居多。
如果 AI 能匹配到若干 “新时代棉花产业”，那就是创造了增量经济。如果 AI 规模应用于已经过剩的行业的 “内部淘汰和重构”，那就是在存量经济洗牌上发挥作用。
Chip Huyen 研究发现，GitHub 上拥有至少 500 颗星的 AI 项目库共计 845 个，由超过 20,000 名开发者贡献，做出了百万次的代码提交。2022 年下半年开始数量陡增。
从 AI 技术堆栈层次看，每个层次都有增加，相对而言基础设施层变化少一些，模型开发、模型库、AI 工程和 AI 应用占据了更高的数量。
eMarketer 的调研显示，2022 年美国移动用户（不含电话和 VoIP）每日使用移动终端的时长为 4 小时 30 分钟。
从增长率看，2020 年疫情推动了一大波增长，同比达到了 13.7%。
eMarketer 预计未来几年增长率会保持了很低的状态。我们可认为用户时间红利殆尽，进入存量争夺时代。
经济动荡，或经济下行，不仅是财经类自媒体流行的调调，也是大百姓日常聊天的热门话题。经济环境从高增长进入低增长的 “新常态”，社会、组织和个人都面临一轮心态的调整期。
而投入太多精力在论证 “经济环境如何不好”，这个意义其实很有限，而且让人心情也不好。
也许我们应开阔思路，多了解一些正在崛起的标杆，对个体可能有启发。尤其是如何在大存量时代找到新的增量。
例如，在所谓消费持续疲软，没钱消费等宏观背景下，希尔顿旗下的欢朋酒店（Hampton by Hilton）开业数已经达到了 400 家。而且绝大部分增长都是在新冠疫情之后发生的。
