美联储-骚动研究_通过电话会议记录衡量人工智能研发（英）-2025_26页_1mb

金融与经济讨论系列论文总结

核心内容

本论文提出了一种新的企业层面的人工智能（AI）研发衡量指标——AIR指数（Artificial Intelligence Research Index），该指数通过分析企业盈利电话会议记录与人工智能学术论文之间的语义相似性来衡量企业在AI领域的早期投入。研究发现，AIR指数不仅能够反映企业AI研发的活跃程度，还能解释企业估值和资本支出的变化。

主要观点

• AIR指数的构建：基于自然语言处理（NLP）技术，将企业电话会议记录和AI学术论文转化为密集向量，计算它们之间的语义相似性，从而构建出企业层面的AIR指数。
• 行业差异显著：AIR指数在不同行业中表现差异明显，计算机和电子制造行业持续表现强劲，而计算基础设施和教育服务行业在ChatGPT发布后出现快速增长。
• 对估值的影响：AIR指数与托宾Q（Tobin's Q）呈正相关，表明投资者对企业AI研发的实质性讨论给予高度评价。然而，这种影响是短期的，持续时间不超过两年。
• 对资本支出的影响：AIR指数的上升与资本支出增长相关，但这种增长在一年后逐渐减弱，反映出AI驱动的资本深化存在生命周期。
• 对生产力和就业无显著影响：尽管AI研发可能提升企业估值，但并未带来显著的生产力或就业增长，这与技术投资的J曲线效应一致。
• 与历史数据的一致性：即使在2022年ChatGPT发布之前，AIR指数也显示出与托宾Q和资本支出增长的正相关关系，表明AI研发是长期技术创新的一部分，而ChatGPT的发布加速了这一趋势。
• 文本数据的应用：该研究为使用非结构化文本数据（如电话会议记录）在经济学和金融学中的应用提供了新的视角。

关键信息

数据来源

• 企业数据：来自Compustat，包括资产、资本支出、员工数量、销售等变量。
• 电话会议记录：来自S&P Global，合并后用于构建AIR指数。
• 股票价格数据：来自CRSP，用于计算累计异常收益率（CAR）。
• 学术论文数据：通过Semantic Scholar API收集2001-2024年计算机科学领域最具影响力的论文，用于构建语义基准。

方法论

• 使用句子变换模型（Sentence Transformer）将会议记录和论文转化为密集向量。

• 计算余弦相似度，衡量会议内容与AI论文之间的语义相关性。

• 构建AIR指数公式：

  $$
  A I R _ I n d e x _ {f, q} = \frac {\sum_ {r = 1} ^ {R} c o s _ s i m (T e x t _ V e c t o r _ {r , f , q} , A I _ P a p e r s _ V e c t o r _ {p a s t 3 y e a r s})}{R}
  $$

• 通过固定效应模型和局部投影法分析AIR指数对企业估值、资本支出和市场反应的影响。

实证结果

• 托宾Q：AIR指数与托宾Q增长呈正相关，但影响短暂，仅持续约两年。
• 累计异常收益率（CAR）：AIR指数对1天CAR有显著正向影响，但随着时间推移逐渐减弱。
• 生产力与就业：AIR指数对劳动生产率和就业增长无显著影响，表明AI研发更多影响的是资本和估值，而非直接提升生产力。
• 行业趋势：教育服务和计算基础设施行业在ChatGPT发布后AI研发活动显著增加，显示出AI技术的扩散效应。

研究贡献

1. 企业层面AI研发衡量：提供了衡量企业AI研发活动的高频指标，突破了传统资本支出和专利数量的局限。
2. 技术变革的长期视角：表明AI研发是长期技术创新的一部分，而非仅由近期大模型热潮驱动。
3. 文本数据的金融应用：展示了如何利用文本数据和NLP技术分析企业行为和市场反应，为未来研究提供了方法论基础。

结论

本研究通过构建AIR指数，揭示了AI研发对企业估值和资本支出的积极影响，但未发现其对生产力和就业的直接促进作用。这表明AI技术的整合和应用存在滞后效应，其经济影响需时间逐步显现。同时，研究强调了文本数据在金融分析中的重要性，并指出AI研发的热潮是持续技术演进的一部分，而ChatGPT等生成式AI的出现加速了这一过程。