大家好，这里是最佳拍档，我是大飞。如果有人告诉你 AI 可能让美国 GDP 以每年百分之十五的速度增长，经济总量每四年半就翻一番，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。拿护士来举例，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。这只是开始，这些任务都来自美国劳工部的 O*NET 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，比如现在已经没人手写纸质病历了；而新的会出现，比如三十年前没有人会远程监控病人。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，比如它没法给病人洗澡；有些任务会被增强，AI 会帮助人把事情做得更好或者更快，比如帮护士起草出院说明、远程监控病人、规划排班的护理计划；有些任务可能被完全自动化，比如 AI 自动记录病人的生命体征。
或者自动下单补充病房耗材。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，AI 也不例外。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，帮助他们理解诊断结果，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，护士在每一个病房、每一个班次都在做这些工作。随着越来越多的护士使用 AI，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。
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。
而在显著变革情景里，AI 的影响力远超互联网，堪比铁路革命对经济的冲击。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。
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。
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（比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。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，比如从程序员变成电工、从客服变成护士。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。
比如更快地完成基础设施的设计和审批流程就能增加建筑项目数量，推高建筑工人工资。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。因为资本对更多事情变得更有用，需求上升，价格就上涨。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。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，没有考虑工龄、技能水平、区域产业构成和人口群体差异。资本结构也刻意简化：没有区分算力和其他资本，没有明确建模储蓄决策。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（就是研究者所说的“凑合型技术”），劳动收入的下降可能比 GDP 的增幅还大，补偿劳动者可能消耗掉大部分经济收益。
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。
说到底，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，你说生产力能提升多少，你说找新工作要多久。
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，脑力劳动者的相对工资大幅下降，15% 的 GDP 从工资单转移到资本收入。
总的增量是脑力劳动者损失的近三倍，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。
最后，研究人员说了一句话：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。那么大家觉得：如果极端情景真的来了，我们今天的社会制度（从教育体系到社会保障网）真的准备好了吗？欢迎在评论区留言。感谢收看，我们下期再见。