AI经济影响的预测分歧与统一框架
如果有人告诉你，AI可能让美国GDP以每年15%的速度增长，经济总量每四年半翻一番，你会觉得这是天方夜谭吗？但如果同时告诉你，近五分之一的脑力劳动者可能因此丢掉工作呢？这两个画面放在一起，就是今天我们要聊的核心话题：AI到底会怎样重塑经济。这个问题从学术界到金融圈，给出的预测差距大得离谱。有人觉得影响微乎其微，有人觉得会带来灾难性失业。乐观估计和悲观估计之间差了好几个数量级，更关键的是，这些预测用的分析框架各不相同，根本没法放在一起比较。
Anthropic的经济研究团队最近做了一件事：他们建了一个统一的经济模型，把关于AI的各种预测放进同一个框架来审视。Anthropic的团队认为，他们研究AI对经济的影响，是因为承诺要确保这场技术转型对社会有益，包括对每一个劳动者有益。通过让大家更清楚地看到可能的经济未来，才能提前做好准备，让更多人从AI的发展中受益。那么这个模型的核心思路是什么呢？它把整个经济看作是由无数个任务组成的。你要理解AI对经济的影响，首先得理解，任何一个职业本质上是成百上千个任务的集合。
任务视角下的AI影响机制与护士案例
以护士为例，一个护士的日常包括查房、抽血、分诊、记录生命体征、为病房订购耗材。这些任务都来自美国劳工部的ONET职业分类体系，这个体系列出了每个职业的具体任务清单。任务不是一成不变的，旧的会消失（如手写纸质病历），而新的会出现（如远程监控病人）。所以，任务的集合是动态的，职业会随着任务的变化而变化。AI对任务的影响有几种不同方式*：有些任务AI暂时碰不了（如给病人洗澡）；有些任务会被增强，帮人把事情做得更好或更快（如起草出院说明、规划排班）；有些任务可能被完全自动化（如自动记录生命体征或下单补充耗材）。
“还有一种，是AI催生新的任务 比如评估AI分诊系统的准确度 或者审核AI提出的治疗方案”
历史上每种新技术都会创造新的工作任务，结果就是，护士这个职业会发生变化。当AI融入日常工作，护士能监督和完成的事情变多了，可以花更多时间与病人交流。生产力提升了，而每一个任务每天都在全国范围内被重复千百万次。随着越来越多的护士使用AI，就支撑了这些数以百万计任务实例中更高的比例。把视角放大，如果把你今天能想到的、全美国所有人做的每一个任务实例加在一起（包括人和机器软件一起完成的），那就是美国经济，过去一年创造了超过三十万亿美元的价值。所以AI会怎样塑造未来的经济？答案取决于它怎样影响构成经济的所有任务，它创造了哪些新任务，以及它接手这些工作的速度有多快。
温和变革情景：类似互联网的影响
研究团队设定了三个情景来描绘可能的经济未来，分别叫温和变革、显著变革和极端变革。他们明确表示这些不是预测，不附任何概率，目的只是让不同假设下的经济后果变得可比较。在温和变革情景里，AI的经济影响类似于互联网，确实带来了实际增长，但是幅度在历史常态范围内，而且来得比较缓慢。到二零三零年 AI只影响了经济中大约百分之四的任务，部分因为AI能力有限，部分因为推广速度慢。
在受影响的任务上，AI大约提升了35%的生产力，其中一半被自动化，一半被增强。每自动化两个任务 大约会创造一个新的脑力劳动任务。结果是GDP比没有AI的基准路径高出1.6%，经济总量约为34.1万亿美元，年增长率从2%升到2.4%。平均工资微涨0.7%，劳动收入份额从60%，微降到59.4%。失业率只比正常水平高了零点一个百分点，说白了，在宏观数据里你几乎看不到AI的痕迹。
显著变革情景：堪比铁路革命的冲击
而在显著变革情景里，AI的影响力远超互联网。到2030年 AI影响了经济中12%的任务，大约相当于2025年脑力劳动者所执行任务的20%。在受影响的任务上，AI提升约57%的生产力。四分之三的受影响实例被自动化，四分之一被增强。每自动化四个任务创造一个新的脑力劳动任务。结果是GDP比基准路径高出8.3%，达到36.3万亿美元。2030年的增长率加速到5.4%，要知道九十年代互联网繁荣时期，最快的GDP增长率是1999年的4.7%，这个情景的增长率明显超过了那个数字。
但增长的分布并不均匀。平均工资只涨了2.1%，远低于GDP的增幅。脑力劳动者和其他劳动者的命运截然不同：脑力劳动者工资比基准路径低了0.3%，而经济中其他职业的工资则高出5.9%。劳动收入份额从60%下降到56%，资本份额从40%上升到44%，四年里转移了四个百分点，几乎相当于美国过去四十年劳动收入份额下降的总量。脑力劳动者就业比2026年中期下降了3.9%，脑力劳动者失业率从2.9%上升到4.5%，整体经济失业率约为4.6%。
极端变革情景：递归自我改进与剧烈分化
极端变革情景的画面就比较震撼了。到2030年 AI影响了经济中百分之三十的任务，大约相当于2025年脑力劳动者执行任务的一半。AI在受影响的任务上生产力提升超过一倍，百分之九十的受影响实例被自动化，只有百分之十被增强。更极端的是，创造新任务的机制被完全关闭。不再有补偿性的新脑力劳动任务出现，这个情景可能需要递归自我改进的AI系统，并且以极快速度被采用。
结果是GDP比基准路径高出32.4%，经济总量达到44.4万亿美元。GDP年增长率飙升到15.4%，如果持续下去，人均收入每五年翻一番。而美国过去一个世纪大约每35年才翻一番，经济史上看不到这样的增长速度。收入分配的变化同样剧烈：平均工资比基准路径高9.7%，但这个数字掩盖了巨大的分化。脑力劳动者工资比基准路径低了11.5%，考虑到基准路径下工资本身每年约2%的正常增长，这意味着脑力劳动者2030年的工资甚至比2026年中期还低。而其他职业的工资则高出33.6%，因为这些领域劳动力变得相对稀缺。
收入分配剧变与资本份额飙升
在极端情景下，劳动收入份额从60%暴跌到45%，资本份额从40%飙升到55%，整整15%的GDP从劳动者手中转移到资本所有者手中。资本净回报率从6.5%上升到8.4%，上涨了约28%。脑力劳动者就业下降21.5%，脑力劳动者失业率高达17.9%，远超美国战后任何时期的水平。整体经济失业率上升到11.9%，作为参照，全球金融危机后美国年失业率峰值不到百分之十，新冠衰退期间大约百分之八。
这里有个值得琢磨的细节：在极端情景下 到2030年总劳动收入几乎和没有AI时一模一样。劳动份额下降了四分之一，GDP增长了约三分之一（0.45乘以1.32约等于0.6），也就是说，GDP的全部增量都变成了资本收入。比基准路径高出81%。在劳动收入内部，脑力劳动者的工资总额下降31%，因为工资低了11.5%且就业少了21.5%；其他职业的工资总额几乎增加了相同的量。经济总增量大约是脑力劳动者损失的三倍。所以从理论上说 转移大约9%的GDP 就能让脑力劳动者的收入维持在基准水平，同时让其他所有人大约多出20%。但9%的GDP是什么概念呢？大约相当于美国社会保障和联邦医保加起来的规模。
公众认知调查与模型参数验证
面对技术变革做这种规模的转移，在历史上没有先例。研究团队也提到，过去面对产业转移冲击的经验（如来自中国进口竞争的区域性影响），表明这种补偿大多不会自动发生。研究的另一个重要部分是对一万多名美国成年人的调查，他们在八月调查了将近一万一千人。问了五个方面的问题：包括AI能做什么任务、使用率有多高、自主程度多大、生产力提升多少、失业后多久能找到新工作。这五个维度恰好对应模型的核心参数，他们还在网站上开放了同样的问卷，收集到将近三万份回答。
结果挺有意思：普通美国人的中位数回答落在显著变革情景附近。受访者中位数认为到2030年AI能完成八个认知任务中的六个，但扩散率只有40%左右。AI使用中有一半是增强而非自动化，生产力提升约55%。把这些回答输入模型 得出的GDP比基准路径高8.6%，失业率约4.6%，跟显著变革情景非常接近。大约百分之十的受访者的回答则与极端情景一致。
就业转移、工资分化与技术局限性
关于GDP增长，在所有情景下AI都推动经济增长，但幅度差异巨大。从温和情景的1.6%到极端情景的32.4%，中间差了二十倍。但GDP增长不是唯一值得关注的，再来看就业层面的变化。在更具变革性的情景下 更多劳动者需要更换职业，从脑力劳动转向不太受AI影响的领域（如程序员变电工、客服变护士）。但完全换行业很难，需要学新技能，还需要时间找到新工作。越多的劳动者需要转换 就有越多人处于待业状态，在极端情景下，大量脑力工作被快速自动化，受影响的劳动者可能面临长期失业。
不过有个细节：脑力劳动领域的失业率在上升 而其他职业的失业率反而在下降，因为AI把脑力劳动者推向了那些恰好缺人的领域。工资方面，三个情景下平均工资都在涨，但增长集中在对AI不敏感的职业上。脑力劳动领域的需求减少 工资承压，而AI提升了脑力劳动的生产力，间接拉动了对体力劳动的需求（如加快基础设施设计审批流程，增加建筑项目数量）。在显著变革情景下脑力劳动者工资基本持平，在极端情景下到2030年下降了超过10%。
“劳动份额与资本份额的此消彼长 可能是最值得关注的一个发现”
今天美国经济每产出一美元，大约六十美分归劳动者，四十美分归资本。如果AI自动化了更多任务，更多收入会流向资本。这甚至在所有劳动者工资都在涨的情况下也可能发生。在极端情景下 经济快速扩张的收益分配极不均匀，大多数脑力劳动者要么面临降薪，要么面临失业。劳动者整体拿到的是更大蛋糕中更小的一块，到2030年总劳动收入几乎没有变化。
模型局限、稳健性检验与政策启示
Anthropic也坦诚说明了这个模型的局限。比如他们没有纳入机器人快速进步对体力劳动的影响，这也正是他们没有把分析延伸到2030年以后的原因之一。模型没有考虑价格刚性和由此引发的需求效应，不能产生那种扰乱自身劳动力市场后果的负反馈。劳动者异质性也很粗糙，只区分了就业状态和两大职业群体。资本结构也刻意简化，没有区分算力和其他资本。技术报告中还提到一个令人意外的发现：即便在极端变革情景下 AI对创新和知识增长的加速效应也相对有限。模型遵循了半内生增长理论的传统，自动化研究能增加投入知识生产的研究资源，但是研究仍然受限于物理任务的瓶颈。在所有三个情景中，通过这个渠道的劳动生产率提升不到1%。全要素生产率（TFP）的提升更小，换句话说，AI对经济增长的推动主要来自直接的任务自动化和增强。而不是通过加速科研发现。
研究团队还做了两个重要的稳健性检验。一个是关于资本供给的弹性：当资本供给弹性很低时，AI对工资的影响可能从正面转为负面。如果AI被广泛使用但只让受影响的工作生产力略微提升（凑合型技术），劳动收入的下降可能比GDP的增幅还大。另一个是关于工资刚性的：工资越灵活，更多成本就体现在降薪上；工资越刚性，更多成本就体现在失业上。在极端情景下，如果工资完全灵活，脑力劳动者工资会暴跌42%，但失业率只有2.6%；如果工资非常刚性，工资反而微涨2.8%，但失业率飙升到24%。基线情景把代价分摊在了两个维度上。
结论
这份研究最大的价值可能不在于具体预测了什么，而在于它提供了一个共同的框架。过去关于AI经济影响的争论 各方各说各话，用的模型不一样、参数不一样，结论自然没法比较。现在Anthropic把这个框架搭出来：你说AI能做多少任务 你说扩散有多快，你把这些参数填进去，模型就告诉你经济会怎样。所有的分歧不再是模糊的观点之争 而是变成了对几个可测量参数的不同判断，而且这些参数都是可以观测的。AI能做什么任务、企业用不用、生产力提升多少、失业后多久找到工作，这些数据在未来几年会逐渐浮现。今天这三个情景都没有被排除 但一两年后可能就能看出正在走哪条路。
研究团队在报告结尾说了一段值得琢磨的话：如果AI的影响类似温和或显著情景 劳动力市场的再分配虽然痛苦 但是规模在美国历史可消化的范围内。如果接近极端情景，冲击就大得多（18%的脑力劳动者失业、相对工资大幅下降、15%的GDP从工资单转移到资本收入）。补偿他们的资源是存在的，但增长本身不会自动把资源送到承担代价的人手里。让全社会共享一个远比现在富裕的经济的收益 可能需要再培训、收入保障、全民基本资本或全民基本收入，甚至一些还没有设计出来的制度安排。这变成了经济政策的核心问题。无论正在走向哪个世界 可能一两年内就会更清楚，为潜在的冲击做好准备。在他们看来才是一种审慎的做法。