GPT将如何影响我们的工作.pdf

请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 Table_Info1Table_Info1 计算机计算机 发布时间：发布时间：2023-03-23 优于大势优于大势 上次评级:优于大势 历史收益率曲线 涨跌幅（%）1M 3M 12M 绝对收益 8%33%12%相对收益 10%29%18%行业数据 成分股数量（只）346 总市值（亿）44935 流通市值（亿）23866 市盈率（倍）118.5 市净率（倍）6.0 成分股总营收（亿）3520 成分股总净利润（亿）243 成分股资产负债率（%）36.1 相关报告 从海外映射看 ChatGPT 在 A 股的投资机会 -20230206 证券分析师：黄净证券分析师：黄净 执业证书编号：S0550522010001 18680586451 研究助理：吴雨萌研究助理：吴雨萌 执业证书编号：S0550122040013 18901997197 证券研究报告/行业深度报告 GPT 将如何影响我们的工作？将如何影响我们的工作？报报告摘要：告摘要：OpenAI 官网发布了最新研究论文 GPTs are GPTs:An early look at the labor market impact potential of large language models，论文中对 LLM 语言模型和 GPT 对美国不同职业的潜在影响进行了探讨。论文研究结果表明，在美国：1、多数职业将受到多数职业将受到 GPT 的冲击的冲击：80%的工人有至少 10%的任务可以被 GPT 减少50%的工作时间；19%的工人有至少 50%的任务可以被 GPT 减少50%的工作时间；2、GPT 的影响横跨各类薪资层级：的影响横跨各类薪资层级：尽管存在部分特殊情况，但整体来看，工资越高，受 GPT 冲击的程度越大；3、职业技能与职业技能与 GPT 的冲击程度有关：的冲击程度有关：科学和批判性思维技能最不容易受 GPT 冲击，而编程和写作技能受影响的程度最高；4、高学历更容易受到高学历更容易受到 GPT 的冲击：的冲击：持有学士、硕士和更高学位的人比没有正规教育学历的人更容易受到 GPT 的冲击；5、在职培训时间时长与在职培训时间时长与 GPT 冲击程度呈负相关：冲击程度呈负相关：在职培训时长最长的职业收入水平偏低，且受 GPT 冲击程度最低，而没有在职培训或只需实习的工作则表现出更高的收入水平和更容易受 GPT 冲击的属性。6、证券相关和数据处理行业受证券相关和数据处理行业受GPT影响程度最高：影响程度最高：在人类打分和GPT打分模式下，证券商品合约及其他金融投资和数据处理托管分别是受 GPT 冲击程度最高的行业；在进一步开发 GPT 衍生功能的情况下，量化分析师的所有任务将被 GPT 降低 50%以上的工作时间。此外，我们运用论文中的方法，对中国证券行业情况进行了类似的打分和统计，并得出如下结论：1、受受 GPT 冲击的程度：冲击的程度：二级卖方分析师投行一级市场基金经理。2、在经过专业知识训练的 LLM 和 GPT 的帮助下，卖方分析师可能卖方分析师可能有有 82%的任务将被减少的任务将被减少 50%以上的工作时间，基金经理可能有以上的工作时间，基金经理可能有55%的任务被减少的任务被减少 50%以上的工作时间。以上的工作时间。与美国的对比：与美国的对比：国内卖方分析师、一级市场（投行）和基金经理受到 GPT冲击的程度可能略好于美国证券行业受冲击的平均水平，这可能与量化分析师比例和资本市场有效性的差异有关。风险提示：风险提示：AI 技术创新不及预期，行业竞争加剧 重点公司主要财务数据重点公司主要财务数据 重点公司重点公司 现价现价 EPS PE 评级评级 2021 2022(E)2023E 2021 2022(E)2023E 金山办公 360.82 2.26 2.42 2.97 117.32 109.29 121.57 买入 恒生电子 45.93 1.01 0.57 0.97 61.53 80.29 47.47 买入 科大讯飞 56.71 0.70 0.25 0.77 75.01 228.33 74.03 买入 -30%-20%-10%0%10%20%2022/32022/62022/92022/12计算机沪深300 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 2/25 计算机计算机/行业深度行业深度 目目 录录 1.总结：总结：GPT 对工作的冲击将跨越各个职业对工作的冲击将跨越各个职业.4 2.统计指标来源及解释统计指标来源及解释.4 2.1.数据来源.4 2.1.1.美国职业、工作活动和任务数据的来源.4 2.1.2.工资、就业及人口数据来源.5 2.2.暴露度 Exposure：用于衡量 GPT 对各职业的冲击程度.5 3.研究结论：研究结论：30%的职业或任务将受到的职业或任务将受到 GPT 冲击冲击.7 4.研究结论：研究结论：工资水平与工资水平与 GPT 冲击程度呈正相关冲击程度呈正相关.8 5.研研究结论：究结论：科学和批判性思维是受科学和批判性思维是受 GPT 冲击最小的技能冲击最小的技能.10 6.研究结论：研究结论：学历水平和在职培训时长与学历水平和在职培训时长与 GPT 冲击程度相关冲击程度相关.12 7.研究结论：证券投资和数据处理可能是受冲击程度最高的职业研究结论：证券投资和数据处理可能是受冲击程度最高的职业.14 8.对国内的探讨：卖方分析师对国内的探讨：卖方分析师80%的工作可能受的工作可能受 GPT 冲击冲击.20 风险提示风险提示.23 图表目录图表目录 图图 1：经济体暴露度（左图：职业和任务暴露度的分布，右图：工人和任务暴露度的分布）：经济体暴露度（左图：职业和任务暴露度的分布，右图：工人和任务暴露度的分布）.8 图图 2：各职业就业水平的暴露度分布（人类打分和：各职业就业水平的暴露度分布（人类打分和 GPT 打分模式）打分模式）.8 图图 3：各职业工资的暴露度分布（人类打分和：各职业工资的暴露度分布（人类打分和 GPT 打分模式）打分模式）.9 图图 4：五个工作区对应的职业暴露度：五个工作区对应的职业暴露度 .12 图图 5：不同行业受：不同行业受 GPT 的影响程度（人类打分模式）的影响程度（人类打分模式）.16 图图 6：不同行业受：不同行业受 GPT 的影响程度（的影响程度（GPT 打分模式）打分模式）.17 图图 7：全要素生产力和劳动生产力对暴露度并无显著影响：全要素生产力和劳动生产力对暴露度并无显著影响.18 表表 1：O*NET 数据库中职业、任务和数据库中职业、任务和 DWA 的示例的示例.5 表表 2：GPT 和人类打分两种方式的一致性和皮尔逊相关系数情况和人类打分两种方式的一致性和皮尔逊相关系数情况.6 表表 3：统计数据汇总（人类打分和：统计数据汇总（人类打分和 GPT 打分）打分）.7 表表 4：O*NET 技能和暴露度的技能和暴露度的 OLS 回归结果回归结果.10 表表 5：O*NET 技能的列表和定技能的列表和定义义.11 表表 6：不同工作区的分类方法及对应的暴露度：不同工作区的分类方法及对应的暴露度.13 表表 7：按准入学历分职业暴露度的平均值：按准入学历分职业暴露度的平均值.13 表表 8：按在职培：按在职培训时长分职业暴露度的平均值训时长分职业暴露度的平均值.13 表表 9：不同：不同 GPT 技术水平下，受冲击程度最高的职业技术水平下，受冲击程度最高的职业.15 nMtQnNrRoRoRwOxPpOpMzRaQaO8OnPpPpNnOkPrRtQjMtRtP6MqRtOuOmOsPNZsOsP 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 3/25 计算机计算机/行业深度行业深度 表表 10：对：对 GPT 没有任何暴露度的行业主要以体力劳动为主没有任何暴露度的行业主要以体力劳动为主.19 表表 11：二级卖方分析师、一级市场投行和基金经理受：二级卖方分析师、一级市场投行和基金经理受 GPT 冲击的情况冲击的情况.20 表表 12：二级卖方分析师、一级市场投行和基金经理的任务列表：二级卖方分析师、一级市场投行和基金经理的任务列表.21 表表 13：论文中关于暴露度分类的详细定义：论文中关于暴露度分类的详细定义.22 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 4/25 计算机计算机/行业深度行业深度 1.总结总结：GPT 对工作的对工作的冲击冲击将跨越各个职业将跨越各个职业 3 月 17 日，OpenAI 官网发布最新研究论文 GPTs are GPTs:An early look at the labor market impact potential of large language models，对 LLM 语言模型，特别是 GPT，对美国不同职业和行业的潜在影响进行了探讨。我们将论文中的结论进行了汇总：1、多数职业多数职业将受到将受到 GPT 的冲击：的冲击：80%的工人有至少 10%的任务可以被 GPT 减少50%的工作时间；19%的工人有至少 50%的任务可以被 GPT 减少50%的工作时间；2、GPT 的影响横跨各类薪资层级：的影响横跨各类薪资层级：尽管存在部分特殊情况，但整体来看，工资越高，受 GPT 冲击的程度越大；3、职业技能与职业技能与 GPT 的冲击程度有关：的冲击程度有关：科学和批判性思维技能最不容易受 GPT 冲击，而编程和写作技能受影响的程度最高；4、高学历更容易受到高学历更容易受到 GPT 的冲击：的冲击：持有学士、硕士和更高学位的人比没有正规教育学历的人更容易受到 GPT 的冲击；5、在职培训时间时长与在职培训时间时长与 GPT 冲击程度有关：冲击程度有关：在职培训时长最长的职业收入水平偏低，且受 GPT 冲击程度最低，而没有在职培训或只需实习的工作则表现出更高的收入水平和更容易受 GPT 冲击的属性。6、证券相关和数据处理行业受证券相关和数据处理行业受 GPT 影响程度最高：影响程度最高：在人类打分和 GPT 打分模式下，证券商品合约及其他金融投资和数据处理托管分别是受 GPT 冲击程度最高的行业；在直接调用 GPT 模型的情况下，口译笔译和数学家分别是受影响最大的职业；在进一步开发 GPT 衍生功能的情况下，数学家和会计审计则分别为受影响最大的职业。2.统计指标统计指标来源及解释来源及解释 2.1.数据来源 2.1.1.美国职业、工作活动和任务数据的来源 论文中使用了 O*NET 27.2 数据库，包含 1016 种职业，以及各个职业的工作活动（Detailed Work Activities，简称 DWA）和任务（Task）。论文中对工作活动和任务给出了定义：详细工作活动详细工作活动 DWA 是由完成任务构成的综合操作，大多数工作活动与一个或多个任务相对应，该数据集中包括 2087 种 DWA；任务任务 Task 是某个特定职业的基础单位，一项任务可以与 0 个、1 个或多个 DWA关联，且每个任务都有与之对应的职业，该数据集中包括 19265 种任务。例如，对于职业“急症护理护士”，其工作活动 DWA 包括“操作诊断或治疗性医疗仪器或设备”和“准备医疗用品或设备”，其任务包括“设置、操作或监测侵入性设备和装置，例如结肠造口术或气管切开术设备、机械呼吸机、导管、胃肠道管和中心插管”。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 5/25 计算机计算机/行业深度行业深度 表表 1：O*NET 数据库中职业、任务和数据库中职业、任务和 DWA 的示例的示例 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 2.1.2.工资、就业及人口数据来源 论文选取了美国劳工统计局（Bureau of Labor Statistics，以下简称 BLS）提供的 2020 年和 2021 年职业就业系列中的就业和工资数据。该数据集包括职业名称、每个职该数据集包括职业名称、每个职业的工人数量、业的工人数量、2031 年职业水平的就业预测、职业准入的教育水平以及获得职业能年职业水平的就业预测、职业准入的教育水平以及获得职业能力所需的在职培训情况。力所需的在职培训情况。BLS 数据库可以同 O*NET 数据库进行联动：通过当前人口调查（Current Population Survey，简称 CPS），将 O*NET 中的任务和工作活动数据集与 BLS 劳动力人口统计数据联系起来，形成截面数据。2.2.暴露度 Exposure：用于衡量 GPT 对各职业的冲击程度 论文中设定了暴露度暴露度 Exposure 这一指标，作为重点讨论的对象。暴露度 Exposure用于衡量 GPT 对特定工作活动和任务的冲击程度，即保证一项工作活动和任务完成质量相同的情况下，使用 GPT 或 GPT 驱动的系统是否能够将执行工作活动或任务的所需时间减少 50%以上。论文采用了两种暴露度的注释方式，分别为人工评分法与 GPT-4 评级法：人工评分：人工评分：通过对 O*NET 数据库中的每一个工作活动 DWA 和任务进行人为归类并注释打分。GPT-4 评级：评级：采用早期版本的 GPT-4 对工作活动和任务进行注释打分。论文将暴露度分为以下三类：E0 无暴露度：无暴露度：如果经验丰富的工人在高质量完成任务时所需的时间没有明显减少50%，或使用 GPT 相关技术会降低工作活动/任务的完成质量，则定义为 E0（例：需要高强度人际互动的任务）。E1 直接暴露：直接暴露：在保证完成质量相同的前提下，如果通过 ChatGPT 或 OpenAI 直接访问 LLM 或 GPT-4 可以将完成工作活动或任务所需时间减少 50%及以上，则将其定义为 E1（例：指令编写、转换文本和代码的任务）。E2 LLM+暴露：暴露：直接访问 LLM 不能将完成任务所需的时间减50%，但在 LLM 基础上开发额外功能后可以达成目的，则定义该类工作活动和任务为 E2（例：总结超 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 6/25 计算机计算机/行业深度行业深度 过 2000 字的文档并回答关于文档的问题）。为了更为准确地衡量暴露度这一指标的统计学意义，论文中构建了三个度量指标，、和，分别衡量低、中、高水平下的 GPT 对各职业的冲击程度。其中，=E1，代表一个职业受 GPT 冲击程度的下限；=E1+0.5*E2，其中 E2 的 0.5 倍权重旨在解释通过补充工具或应用程序来完成任务/工作活动需要额外计算的暴露度；=E1+E2，代表一个职业受 GPT 冲击程度的上限，可用于评估一项工作/任务对于 GPT 及 GPT驱动的系统的最大暴露度（即GPT进一步开发后，一项工作/任务受到的最大影响）。表表 2：GPT 和人类打分两种方式的一致性和皮尔逊相关系数情况和人类打分两种方式的一致性和皮尔逊相关系数情况 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 注：作者采用了两种 GPT-4 的打分规则，论文中作者应用了 GPT-4 规则 1 进行统计解释。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 7/25 计算机计算机/行业深度行业深度 3.研究结论：研究结论：30%的职业或任务将受到的职业或任务将受到 GPT 冲击冲击 前文将暴露度 Exposure 这一指标的定义进行了描述，论文中还将暴露度的衡量指标、和 进行了统计数据的汇总。不论采取人类打分的方式还是 GPT-4 打分，暴露度的均值在0.14左右，表示了从平均意义上说，15%左右的职业/任务暴露于GPT，即 15%左右的工作可能会被现有的左右的工作可能会被现有的 LLM/GPT-4 降低降低 50%以上的工作时间以上的工作时间。类似地，暴露度 和 均值分别在 0.3 和 0.5 左右，代表 30%/50%的职业或任务将受到的职业或任务将受到中中/高水平的高水平的 GPT 冲击，即减少工作时间冲击，即减少工作时间 50%及以上及以上。表表 3：统计数据汇总（人类打分和：统计数据汇总（人类打分和 GPT 打分）打分）数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 8/25 计算机计算机/行业深度行业深度 4.研究结论：研究结论：工资工资水平与水平与 GPT 冲击程度冲击程度呈正相关呈正相关 论文探索了职业、工人分布程度与暴露度之间的关系。对于中等水平的对于中等水平的 GPT（）来说，约来说，约 19%的工人有的工人有 50%以上的任务将受到以上的任务将受到 GPT 的冲击，的冲击，80%的工人有的工人有 10%以以上的上的任务受到了任务受到了 GPT 的冲击；的冲击；18%的职业中有的职业中有 50%以上的任务受到了以上的任务受到了 GPT 的冲的冲击。击。从图表上看，职业/工人百分比的暴露度分布相似，表明 GPT 的冲击程度与不同职业下工人的情况无直接相关性。论文还对工资、就业水平与暴露度的相关性进行了探讨。两种打分模式下，尽管存在一些高暴露度的低工资职业和低暴露度的高工资职业，整体图表显示，工资越高，工资越高，受受 GPT 影响影响的程度也随之增加。的程度也随之增加。而 GPT 冲击程度与就业水平则并无显著关联。图图 1：经济体暴露度（左图：职业和任务暴露度的分布，右图：工人和任务暴露度的分布）：经济体暴露度（左图：职业和任务暴露度的分布，右图：工人和任务暴露度的分布）数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 图图 2：各职业就业水平：各职业就业水平的的暴露度分布（人类打分和暴露度分布（人类打分和 GPT 打分模式）打分模式）数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 9/25 计算机计算机/行业深度行业深度 图图 3：各职业工资的暴露度分布（人类打分和：各职业工资的暴露度分布（人类打分和 GPT 打分模式）打分模式）数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 10/25 计算机计算机/行业深度行业深度 5.研究结论：研究结论：科学和批判性思维科学和批判性思维是受是受 GPT 冲击冲击最小的技能最小的技能 论文研究了不同职业中技能重要性与 GPT 暴露度之间的关系。作者将 O*NET 数据库中的基本技能进行标准化，并将其与暴露度指标（，）进行回归分析，检验技能重要性和暴露度之间的关联度。结果表明，科学和批判性思维技能（科学和批判性思维技能（Science and Critical Thinking）与暴露度呈强烈的负相关）与暴露度呈强烈的负相关（以作为研究，相关系数分别-0.23 和-0.19），即需要该技能的职业，即需要该技能的职业或任务或任务不太可能受到不太可能受到 GPT 的冲击；的冲击；相反，编程和写作编程和写作技能（技能（Programming and Writing）与暴露度呈现出强正相关）与暴露度呈现出强正相关（相关系数分别为 0.62和 0.47），即涉及该技能的职业更容易受到，即涉及该技能的职业更容易受到 GPT 的冲击。的冲击。表表 4：O*NET 技能和暴露度的技能和暴露度的 OLS 回归结果回归结果 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 11/25 计算机计算机/行业深度行业深度 表表 5：O*NET 技能技能的列表和定义的列表和定义 技能名称技能名称 定义定义 Reading Comprehension 理解与工作相关的文档中的书面句子和段落 Active Listening 专注于他人的表达，理解所提出的观点，适当地提问，不在不恰当的时间打断 Writing 根据受众的需求以书面形式进行有效沟通 Speaking 与他人交谈以有效传达信息 Mathematics 用数学方法解决问题 Science 用科学的规则和方法解决问题 Critical Thinking 使用逻辑和推理来确定替代解决方案、结论或解决问题方法的优缺点 Active Learning 了解新信息对当前和未来问题解决和决策的影响 Learning Strategies 在学习或教授新事物时选择和使用适合情况的培训/指导方法和程序 Monitoring 监控/评估您自己、其他个人或组织的绩效，以进行改进或采取纠正措施 Programming 编写计算机程序 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 12/25 计算机计算机/行业深度行业深度 6.研究结论：研究结论：学历水平和在职培训时长与学历水平和在职培训时长与 GPT 冲击冲击程度相关程度相关 论文研究了不同工作类型的准入壁垒与暴露程度的关系。作者选取 O*NET 数据库中的“工作区（工作区（Job Zone）”概念作为变量，同一工作区中的职业在准入教育水平、准入相关经验、在职培训程度方面具有更高的相似度。O*NET 数据库将工作区分为5 种，随着准入工作经验的增加，各工作区收入的中位数单调递增，如工作区 1 的准入工作经验是 3 个月，收入的中位数为 30,230 美元，而工作区 5 的准入工作经验是4 年，收入中位数为 80,980 美元。研究结果显示，从工作区 1 到工作区 4，暴露度水平逐渐增加，但在工作区 5 则保持相似甚至有所降低。平均来说，在不同工作区，50%以上任务受到 GPT 冲击的职业比例分别为 0.00%（工作区 1）、6.11%（工作区 2）、10.57%（工作区 3）、34.5%（工作区 4）和 26.45%（工作区 5）。图图 4：五个工作区对应的职业暴露度：五个工作区对应的职业暴露度 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 13/25 计算机计算机/行业深度行业深度 表表 6：不同工作区的分类方法及对应的暴露度：不同工作区的分类方法及对应的暴露度 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 论文还单独研究了职业准入教育水平和在职培训情况与暴露度的关系。结果表明，持有学士、硕士和更高学位的人比没有正规教育学历的人更容易受到持有学士、硕士和更高学位的人比没有正规教育学历的人更容易受到GPT的冲击；的冲击；在职培训时间最长的职业受在职培训时间最长的职业受 GPT 冲击程度最低（且这类工作的收入水平更低），而冲击程度最低（且这类工作的收入水平更低），而没有在职培训或只需要实习的工作表现出更高的收入水平和更容易受没有在职培训或只需要实习的工作表现出更高的收入水平和更容易受 GPT 冲击的冲击的属性。属性。表表 7：按准入学历分职业暴露度的平均值按准入学历分职业暴露度的平均值 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 表表 8：按在职培训时长分职业暴露度的平均值：按在职培训时长分职业暴露度的平均值 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 14/25 计算机计算机/行业深度行业深度 7.研究结论：证券投资和数据处理可能是研究结论：证券投资和数据处理可能是受冲击受冲击程度最高的程度最高的职业职业 论文中对各行业受 GPT 冲击的程度进行了排序。结果表明，人类打分模式下，证券人类打分模式下，证券商品合约及其他金融投资及相关活动是受商品合约及其他金融投资及相关活动是受 GPT 冲击最为严重的行业，而冲击最为严重的行业，而 GPT 打分打分模式下，数据处理托管和相关服务的受冲击程度最高。模式下，数据处理托管和相关服务的受冲击程度最高。在直接调用 GPT 模型的情况下（暴露度），口译笔译和数学家分别是两种打分模式下受影响最大的职业。在进一步开发 GPT 衍生功能的情况下（暴露度），人类打分模式中，有 15 项职业的所有任务都将被 GPT 降低 50%以上的工作时间，包括数学家、税务准备、量化分析师量化分析师、作家、网页和数字化页面设计师；GPT 打分模式中，有 86 项职业的所有任务都将被 GPT 降低 50%以上的工作时间，包括审计会计、新闻分析记者、法务专员、临床数据经理、气象变化政策分析师等。从方差角度看，搜索营销策略师、平面设计师、投资基金经理投资基金经理、财务经理、汽车损坏保险估价师可能是受 GPT 影响程度争议最大的几项职业。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 15/25 计算机计算机/行业深度行业深度 表表 9：不同：不同 GPT 技术水平下，受冲击程度最高的职业技术水平下，受冲击程度最高的职业 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 16/25 计算机计算机/行业深度行业深度 图图 5：不同行业受：不同行业受 GPT 的影响程度（人类打分模式）的影响程度（人类打分模式）数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 注：联邦州和地方政府类别不包括州和地方学校和医院以及美国邮政服务（OES 指定）Exposure to Large Language Models by Industry不同行业在大型语言模型上的风险证券商品合约及其他金融投资及相关活动保险公司和相关活动数据处理托管和相关服务其他信息服务出版业（互联网除外）信贷中介及相关活动非金融无形资产出租人（版权作品除外）基金信托和其他金融资产货币当局-中央银行批发电子市场和代理商和经纪人广播（互联网除外）专业的科技服务公司和企业管理电信电子产品和电器商店宗教资助公民专业和类似组织非实体店零售商商业批发商耐用品健康和个人护理商店电影和录音行业服装和服装配饰店房地产租赁和租赁服务体育用品 爱好 乐器和书店联邦州和地方政府杂项商店零售商商业批发商 非耐用品家具和家居用品商店博物馆历史遗迹和类似机构计算机和电子产品制造建材及园林设备及用品经销商百货商店加油站表演艺术 观众 体育及相关行业教育服务医院邮政服务（联邦政府）石油和天然气开采公用事业门诊保健服务汽车及零部件经销商运输支援活动娱乐赌博和娱乐业食品和饮料商店印刷及相关支援活动管道运输行政和支助事务化学制造航空运输水运杂项制造石油和煤炭产品制造机械制造饮料和烟草制品制造建筑物的建造观光旅游住宿电气设备电器和组件制造废物管理和修复服务过境和地面客运卡车运输采矿支援活动个人和洗衣服务铁路运输服装制造金属制品制造维修和保养信使和信使非金属矿物制品制造运输设备制造护理和住宿护理设施纺织厂纺织产品厂社会援助初级金属制造专业贸易承包商造纸仓储和储存塑料和橡胶制品制造家具及相关产品制造重型和土木工程建筑餐饮服务和饮酒场所皮革及相关产品制造采矿（石油和天然气除外）食品制造林业和伐木木制品制造农业和林业支援活动Industry Average LLM Exposure(Human Labelers)行业平均LLM风险（人类评分）Industry（3-digit NAISC）行业 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 17/25 计算机计算机/行业深度行业深度 图图 6：不同行业受：不同行业受 GPT 的影响程度（的影响程度（GPT 打分模式）打分模式）数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 注：联邦州和地方政府类别不包括州和地方学校和医院以及美国邮政服务（OES 指定）Exposure to Large Language Models by Industry不同行业在大型语言模型上的风险数据处理托管和相关服务其他信息服务出版业（互联网除外）保险公司和相关活动信贷中介及相关活动证券商品合约及其他金融投资及相关活动专业的科技服务非金融无形资产出租人（版权作品除外）广播（互联网除外）货币当局-中央银行基金信托和其他金融工具公司和企业管理批发电子市场和代理商和经纪人电信电子产品和电器商店非实体店零售商宗教资助公民专业和类似组织计算机和电子产品制造电影和录音行业商业批发商耐用品房地产联邦州和地方政府表演艺术 观众 体育及相关行业健康和个人护理商店商业批发商 非耐用品租赁和租赁服务印刷及相关支援活动服装和服装配饰店家具和家居用品商店体育用品爱好 乐器和书店医院门诊保健服务石油和天然气开采杂项商店零售商博物馆历史遗迹和类似机构运输支援活动公用事业管道运输教育服务建材及园林设备及用品经销商汽车及零部件经销商化学制造过境和地面客运建筑物的建造卡车运输百货商店机械制造水运石油和煤炭产品制造杂项制造航空运输行政和支助事务电气设备电器和组件制造废物管理和修复服务铁路运输观光旅游服装制造采矿支援活动金属制品制造饮料和烟草制品制造信使和信使加油站非金属矿物制品制造邮政服务（联邦政府）住宿维修和保养运输设备制造纺织厂食品和饮料商店初级金属制造纺织产品厂娱乐赌博和娱乐业个人和洗衣服务林业和伐木家具及相关产品制造塑料和橡胶制品制造专业贸易承包商重型和土木工程建筑皮革及相关产品制造造纸采矿（石油和天然气除外）仓储和储存护理和住宿护理设施食品制造木制品制造农业和林业支援活动餐饮服务和饮酒场所社会援助Industry Average LLM Exposure(GPT4)行业平均LLM风险（GPT4）Industry（3-digit NAISC）行业 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 18/25 计算机计算机/行业深度行业深度 此外，论文研究表明，近期的生产增长率（包含全要素和劳动力两方面）与暴露度并无显著相关性。从散点图上看，不同行业自 2012 年以来的生产力增长率与研究中定义的暴露度并没有明显的关系，但已经历快速增长的生产性行业与暴露度之间存在高度相关性。换言之，如果 LLM 有可能在不同行业之间以不同程度提高生产力，那么生产力最高的企业可能会良性循环。由于这些行业的生产需求普遍缺乏弹性，生产率最高的部门在经济投入中所占的比例将缩小。图图 7：全要素生产力和劳动生产力对暴露度并无显著影响全要素生产力和劳动生产力对暴露度并无显著影响 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 19/25 计算机计算机/行业深度行业深度 表表 10：对对 GPT 没有任何暴露度的行业主要以体力劳动为主没有任何暴露度的行业主要以体力劳动为主 数据来源：东北证券、GPTs are GPTs:An Early Look at the Labor Market Impact Potential of Large Language Models 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 20/25 计算机计算机/行业深度行业深度 8.对国内的探讨：卖方分析师对国内的探讨：卖方分析师80%的工作可能受的工作可能受 GPT 冲击冲击 我们采用了论文中类似的方法，试图对国内证券行业相关工作进行打分，并计算了其可能受 GPT 冲击的程度。论文中采用的 O*NET 数据库将每一项职业对应的任务、工作活动都进行了定义，但由于国内暂无类似的数据库和较为详细的职业分类，我们仍采用了 O*NET 数据库中的分类，但依据国内的情况做了本土化调整，例如，O*NET 数据库中的金融投资分析师（Financial and Investment Analysts）职业包含任务“对绿色建筑和绿色改造项目进行投资财务分析（Conduct financial analyses related to investments in green construction or green retrofitting projects）”，而中国的分析师普遍不涉及这项工作，因此予以删除调整。我们选取了O*NET数据库中的Financial and Investment Analysts金融和投资分析师、Investment Fund Managers 投资基金经理这两项职业和对应的任务与工作活动（DWA），并根据中国的实际情况，将其重新组合为二级卖方分析师、一级市场投行和基金经理。采用与论文相同的标准，对这些职业的任务/工作活动进行了打分，并计算了暴露度和。结果显示，按任务情况进行计算，三种行业对比下，二级卖方分析师受 GPT 冲击的程度高于投行一级市场和基金经理。在经过专业知识训在经过专业知识训练的练的 LLM 和和 GPT 的帮助下的帮助下（代表暴露度），卖方分析师可能有，卖方分析师可能有 82%的任务的任务将被将被减少减少 50%以上的工作时间以上的工作时间，基金经理可能有，基金经理可能有 55%的任务被减少的任务被减少 50%以上的工作时以上的工作时间间。按照工作活动计算，二级卖方分析师和一级市场投行受 GPT 影响的程度相差不大，约为 65%左右，但仍显著高于基金经理。在论文中，作者将 E1 直接暴露定义为运用现有 ChatGPT 和 OpenAI 接口直接方位LLM可以减少50%以上的工作时间，对应的工作内容包括编写文本（2000字以