预测修正与自动化的现实阻力

2024年诺贝尔经济学奖得主达龙·阿西莫格鲁在访谈中回应了关于AI经济影响的预测更新问题。他承认，随着智能体（Agent）技术的兴起，未来10年AI对美国GDP贡献约1%增长的判断可能依然成立，但完全自动化的任务比例从5%上调了一点。然而，他坚决反对夸大自动化速度的观点。他指出，将新技术大规模整合进组织极其困难，因为历史证明技术扩散往往缓慢且伴随大量互补性投资。阿西莫格鲁认为，经济变革的速度和程度需要脚踏实地去评估，重点在于技术如何被使用、滥用以及受益者是谁。他并不否认AI是变革性技术，但强调不确定性不降反升，许多讨论忽视了自动化落地的复杂性。

编程与客服：为何其他行业难以复制成功？

当被问及是否有技术进展能让预测上调至两位数时，阿西莫格鲁以编程为例。他指出，编程是进展最快的领域，因其完全在办公室完成、监督者懂技术且代码有明确对错标准。这种“基准事实”使得强化学习非常有效。然而，大多数职业缺乏清晰的对错标准。以客服为例，许多人曾断言其会被完全自动化，但实际进展缓慢。阿西莫格鲁直言：“在我接触的大多数组织里，AI客服系统糟糕得像场噩梦一样。” 他提到打客服电话时听到AI接起往往意味着更长的等待时间。客服难点在于其社会属性，需求随时间和个人而异，存在大量灰色地带。这种工作最需要的是人来监督AI并与之协同，而非完全替代。

生产率悖论与中美应用路径差异

尽管AI能力飞速提升，但其对经济的实际影响目前仍不明显。斯坦福经济学家埃里克·布林约尔松认为这是巨大机遇，阿西莫格鲁对此表示赞同并评价其为严谨且比自已更乐观的学者。两人共识是AI未来会产生生产率效应，但阿西莫格鲁认为到来速度会慢一些。关于统计口径，他承认过去40年难以衡量质量提升可能低估了收益，但这并非AI特有难题。他更担忧的是人工智能重蹈社交媒体的覆辙，如破坏社区联系、煽动情绪。在应用路径上，他观察到中美差异：中国企业强调将机器人技术和AI引进生产线，投入海量工程人才；而美国几乎全扑在基础模型上。他批评硅谷存在“必然论”（Inevitabilism），即盲目坚信当前路径是唯一正确道路，这种傲慢阻碍了多样化应用开发。

赋能劳动者：从电工到护士的商业机会

阿西莫格鲁主张开发更多应用，认为现有模型已足够强大作为地基。他列举了提升质量控制、辅助护士决策、赋能电工和蓝领工人等低垂果实。以电工为例，美国面临严重短缺且基础任务需等待3周，AI可解决新机器操作难题。这不仅是技术问题，更是商业机会。他划分了责任主体：医疗和教育因涉及政府参与需政府发挥重要作用；而电工、客服等场景归私营部门，需要科技公司与企业管理层合作。他批评大公司高管口头支持“赋能劳动者AI”，实则更关心遥不可及的AGI。中国制造业如富士康、比亚迪在机器人结合方面水平很高，证明这是一条可行路径。他鼓励创业者关注那些过去20年未被自动化的枯燥业务，认为AGI是虚无缥缈的目标，而解决当下具体问题才是关键。

教育反思与个人使用边界

作为研究者，阿西莫格鲁坦诚自己主要用AI做背景研究并让其批评自己的观点。他坚决反对代写，但鼓励非英语母语学生用AI校对语法和表达。他担忧的是K-12基础教育中缺乏安全护栏地引入生成式AI是一场灾难。对于大学教育，他认为10年后依然物有所值，但需改革。他建议普通人学习数学、物理、经济学和工程学以培养创造力。不要因AI能解题就放弃学数学，因为人类素养至关重要。他个人坚持亲手构建模型和做计算，认为这能带来错误中的学习机会。计算器只接管小部分任务且不剥夺思考基石，而AI介入整个批判性思维过程，界限模糊。他担心后者会导致人类停滞不前。

自动化 vs. 赋能：企业的长期战略选择

阿西莫格鲁澄清，他并不反对自动化本身。问题在于单纯依赖自动化无法获得全面生产力提升，也创造不了共享繁荣。他提出一个算法对比：方案一是自动化5%工作并降低成本一半；方案二是让所有员工生产力提高5%。显然，后者收益更大且能保留员工的经验、责任感和创新力。福特汽车等伟大公司共同点是构想新市场而非仅削减成本。他引用“锯齿状前沿”概念，指出AI能力参差不齐，企业仍需保留大量员工。认真对待这一概念意味着认识到引入AI只是将人机混合。对于小企业主，他强调让员工更具生产力更划算且能拉开与竞争对手的差距。仅仅削减5%成本无法载入史册，真正的创新在于构想新的任务和市场。

重塑教育与社区：从技能传授到公民责任

面对技术变革，非线性职业生涯的常态化已成为不可逆转的趋势。阿西莫格鲁强调教育体系必须提前介入，主张从初中甚至小学阶段开始传授与AI协同工作的技能。然而，技术之外更深层的挑战在于社会结构的瓦解。他指出，美国及全球大部分地区正面临真正的社区意识丧失的危机，人们退缩进信息茧房，社交媒体进一步加剧了这种孤立。在他的新书中，他提出必须让社区处于自由民主社会的中心。他认为希望源于两点：一是人类具备无限的适应力，二是尽管世界极化分裂，不同阵营对公平与道德仍有着高度相似的共识。因此，当下的核心任务是在沟通中让这种共识清晰化，不把对方当仇敌，即便分歧再深，也要建立在同舟共济的认知基础上。

理性看待风险：从生存危机到能动性丧失

关于AI的风险，阿西莫格鲁对Anthropic CEO达里奥提出的“25%概率让情况变得非常糟”的观点表示认同，但他认为还有75%的概率会非常非常好。他赞赏顶尖实验室研究人员公开表达担忧的勇气，但他个人更担心的并非达里奥、马斯克或克拉克斯顿所阐述的那种生存风险。他明确指出，真正的危机在于普通公众、工人和学生因AI而失去对自身能动性的掌控。这种失控未必源于超级智能的独立实体，更多是因为公司开发、使用和推广AI的方式导致了社会对失控的普遍危机感。对于自己此前给AI打的负分，他解释称当时是因为不清楚改进瓶颈带来的危险，但现在能拿AI做的好事越来越清晰。他强调：“需要的是重新引导它、驾驭它”，并批评媒体作为守门人做得糟糕，要么神化AI开发者，要么将其妖魔化为杀人机器人，却从未培养公众参与理解问题和履行公民角色的中间地带。

商业逻辑与职场策略：数据、应用与人本核心

在财富创造方面，阿西莫格鲁对基础模型的商业前景持谨慎态度。他认为尽管资金涌入前沿实验室，但看不出基础模型能怎么赚取巨额利润。他预测短期内IPO不会失败，市场热情依然高涨，但长期来看，由于模型开发和推广存在潜在瓶颈，且下一层级开源模型的出色表现限制了变现空间。他指出，真正的商机在高质量数据和应用。对于拥有海量数据的公司，应精心培育并利用它们构建更优质的数据；同时，为生成数据的员工提供合理补偿既是公平之举也是明智的商业决策。在应用层面，只要具备创意并填补细分市场空白，开源模型就很难复制。对于职场人，他建议保持灵活性、加深对AI的理解并守住创造力。他还提醒员工意识到自己是数据的来源，因为一线员工掌握着开发应用所需的隐性知识。因此，不能坐在办公室里指望AI凭空想出应用，必须深入一线与员工交流。

道德指南针：从基因编辑看AI伦理缺失

阿西莫格鲁特别强调进入AI领域的年轻人需要坚定的道德指南针。他以基因编辑技术为例，指出虽然那是取得重大突破的技术，但大多数从业者清楚其在道德上的模糊性。从美国国家卫生研究院到医学协会等监管机构都出台了通用伦理准则，例如禁止生殖系编辑因其风险过高。相比之下，AI领域恰恰没有这样的道德指南针。投身该领域的许多人出于善意，认为自己在造福人类，但目前缺乏明确的伦理规范。他反复追问的核心问题朴素而深刻：替代员工和赋能员工，究竟哪笔账划算？ 以及 只做自动化和兼顾创造新任务，哪条路通向共享繁荣？ AI最终带来的是人类更高效还是许多人失去有意义的工作？答案藏在每个企业、开发者和普通人的选择中。即便抛开AI，我们也处于气候变化、人口老龄化等动荡时期，人类的创新与才华始终是核心。

结论

阿西莫格鲁的核心观点在于，AI并非单纯的替代工具，而是重塑生产力分配的关键变量。尽管编程等标准化领域自动化进展迅速，但受限于组织整合难度及任务的社会属性，全面自动化的速度被高估。真正的商业价值与生产力跃升不在于削减成本式的自动化，而在于“赋能劳动者”，通过人机协作保留员工经验并激发创新。当前AI应用面临数据质量、伦理缺失及社会结构瓦解等挑战，企业应聚焦高质量数据与具体场景落地，而非盲目追逐AGI。唯有坚持人本导向、建立道德规范并促进社区共识，才能实现技术的可持续应用与共享繁荣。