大家好，这里是最佳拍档，我是大飞。经济学家又来给硅谷泼冷水了。2024年诺贝尔经济学奖得主、麻省理工学院教授达龙·阿西莫格鲁（Daron Acemoglu）最近在硅谷女孩的访谈里说道，单纯用AI替代人类员工往往是一笔糟糕的商业决策，甚至可能让生产力不升反降。在这场对话中，这位研究技术变革几十年的经济学家聊到了AI对就业的真实冲击、为什么编程自动化的经验很难复制到别的行业，以及创业者和普通人该如何行动。内容相当精彩，今天给大家分享一下。

先从预测说起。主持人在节目里提到阿西莫格鲁2024年给过一个判断：未来10年人工智能将为美国GDP贡献大约1%的增长，而且只有5%的任务能被完全自动化。现在已经是2026年了，这数字要不要更新呢？阿西莫格鲁的回答挺有意思。他说自己不敢自称对AI有什么独到见解，AI就像一头大象，每个人摸到的部位都不一样。他只是想给生产率的讨论补上一些基本的经济学演算。两年多过去，他认为不确定性不降反升，技术倒是有了一些很猛的进展，尤其是今年智能体AI的兴起。

要是现在重新给数字，他可能会把5%这个比例往上调一点点，但是依然觉得很多讨论夸大了自动化到来的速度。为什么会夸大呢？因为自动化本身就很难，而把自动化整合进一个组织更难。新技术要大规模扩散，尤其还牵扯到大量互补性投资和配套调整的时候，历史上向来又慢又费劲。但是这不等于说AI不是变革性技术，也不等于我们没法从中获益。而是说经济到底会以多快的速度、多彻底的程度被改变，需要脚踏实地去想这项技术到底该怎么用、可能怎么被滥用，以及谁会从中受益。这些问题到今天依然成立。

顺着话头，主持人抛出了一个具体的问题：有没有哪种技术进展会让你把AI的经济影响预测直接上调到两位数呢？阿西莫格鲁挑了个大家都熟的领域——编程。编程确实是所有职业里进展最快的，但是这里面是有讲究的。你想想，编程是完全在办公室里完成的，不用跟物理世界打交道；监督编程的人本身就是技术高手，对AI的理解到位。更关键的是，编程有规则，跟数学、象棋一样：代码要么能跑，要么不能跑。只要有一个明确的基准事实告诉你“这是错的”，强化学习就会非常有效。

那把这几条拿去对照别的职业，麻烦就来了。因为大多数职业没有这么清楚的对错标准。他举了客户服务的例子：很多人原本断言客服会是第一个被AI完全自动化的职业，实际的进展却缓慢又困难。阿西莫格鲁说得很直白：在他接触的大多数组织里，AI客服系统糟糕得像场噩梦一样。他一打客服电话，听到是AI接的，心里就咯噔一下：这意味着还得再等10分钟才能找到真正能解决问题的人。那客服为什么这么难呢？因为里面有社会属性：你向客服提的需求会随着时间改变，也会因人而异。

不同的人描述同一个问题的方式完全不同，中间还夹杂着大量灰色地带和边缘情况。这种活儿需要人来监督AI、跟AI协同，最理想的状态是深度协作，让AI成为人的得力辅助。但是究竟走哪条路，会直接决定几件事：包括多少岗位被取代、生产率提升多少，以及收益归谁。讲到这儿，一个绕不开的问题浮出来了：AI能力进步这么快，为什么对经济的实际影响到现在都不太看得见呢？

主持人提到今年五月频道刚采访过斯坦福经济学家埃里克·布林约尔松（Erik Brynjolfsson），当时的研究显示AI的经济影响基本为零。布林约尔松的判断是：AI的原始能力在飞速提升，经济表现却还相当微弱。这个落差恰恰是个巨大的机遇。阿西莫格鲁对这位同行评价很高，说他是非常严谨的学者，对这个行业的了解几乎超过任何其他社会科学家，而且比自己更乐观。要问布林约尔松对2034年、2035年生产率的预测，他会给出激进得多的答案。

两人的共识是：AI目前还没产生大家期待的生产率效应，但是未来会的。只是阿西莫格鲁觉得这个“未来”会来得慢一点。他补了一句：如果对方是对的，他会非常高兴；而且布林约尔松猜对的几率比行业里盲目乐观的人大得多。那是不是统计口径的问题呢？生产率的衡量一直是个难题，里面牵扯到生产质量的问题。阿西莫格鲁赞同布林约尔松强调的一个点：那就是整个数字时代，或者说过去40年，我们始终不太清楚该怎么衡量质量。这可能让我们低估了AI乃至整个计算机领域的部分生产率收益。

但是反过来讲，更好的汽车、更完善的高速公路带来的质量提升我们同样不会衡量，所以这是个老难题，不是AI特有的。主持人顺势提了一句：也许应该直接去衡量幸福感？阿西莫格鲁说这是个好思路，人类福祉确实重要。但是他对AI和所有相关技术在这件事上的态度更加悲观：社交媒体在他看来已经造成了极大的破坏，比如破坏了社区联系、削弱了人们应对逆境的能力。因为大家不再跟真实社交网络里的人打交道了，算法专门迎合愤怒、煽动情绪、放大嫉妒。他的原话是：“希望人工智能不要重蹈社交媒体的覆辙。”

那怎么办呢？阿西莫格鲁的愿景用一句话来解释就是：我们需要更好、更多的应用。他提出了一个可以争论的观点：美国硅谷过于强调基础模型，对应用的关注不足；对于把应用整合进组织的投入也不够。当然他马上补了一句：自己不在Anthropic，也不在OpenAI内部，不知道这些组织从实验和海量资源里实时学到了什么。这只是从外部看到的一个论点。这里还有个有意思的中美对比：我们总听说美国领先中国，在大语言模型上也确实如此。

中国模型有时在迎头赶上，但多少是踩着美国模型的领先优势前进的。这里面可能涉及知识蒸馏的问题。可阿西莫格鲁观察到，中国企业有件事在美国不多见：他们非常强调把机器人技术和AI引进生产线。为这件事砸进去的资源里，最显眼的是海量的工程人才。而美国的工程人才呢？几乎全扑在基础模型上了。说到这儿，就得提他对硅谷整体氛围的一个批评：他说要有什么东西在拖累美国AI产业，那就是必然论（Inevitabilism）。

说白了就是盲目坚信眼下的做法是唯一正确的道路，别无他法，谁质疑谁就是傻瓜。他完全摒弃了这种傲慢，认为AI是一种用途非常多的技术——所有通用目的的技术都这样。比如电力和印刷机，它们能催生一大堆其他的应用。历史和大量经济学研究给我们的教训是：开发这类技术有许多条路，路和路并不等价，各自的收益不同、成本也不同。认定现在这条路是唯一或者最好的，绝对是个错误。

好，那应用该长什么样呢？阿西莫格鲁认为现有模型已经足够强大了，足以作为构建应用的地基。很多事在现有基础设施下完全可行。他举了几个例子：一个是大幅提升质量控制，这个用现有的模型很容易就可以实现；另一个是给护士做辅助工具。他说美国正面临真正的医疗危机，医疗支出几乎花掉了每5美元中的1美元。结果呢？公共卫生挑战是真实存在的，医疗行业到处是瓶颈。想象一下：护士可以更深入地参与护理过程、诊断、处方以及患者福祉的决策，而这中间最大的障碍就是质量控制和信息获取。

只要在现有模型之上构建正确的应用，这些支持轻轻松松就能提供出来。主持人插话说：这可能还需要换一种方式培训护士？阿西莫格鲁承认存在互补性人力资本的问题，但瓶颈不在护士身上，而在应用——在于科技行业压根没去做。教师一样，电工也一样：给电工提供更好的工具，这是触手可及的低垂果实。很多蓝领工作都能靠AI变得更加高效，中国已经有这样的案例了。美国为什么不这么做呢？这才是瓶颈所在，而不是基础模型。他甚至说：就算是去年的模型也足以胜任我们目前能做的绝大多数事情了。

主持人一听就来了兴趣，说这听起来是个巨大的商业机会：给电工开发AI？搬过家的人都被这些手艺人的报价惊到过，干点小活要花不少钱。阿西莫格鲁补了个细节：电工现在严重短缺，最基础的任务你都得等上3周。等人来了，看着新机器说一句：“这台新机器我处理不了。”为什么？因为以前没见过。这正是AI能派上用场的地方，简直是个极易解决的问题。那么谁应该来开发这些工具呢？阿西莫格鲁划分了几个场景：首先，医疗和教育涉及两到三方的互动。

因为大部分医疗支出或多或少都有政府参与，教育也一样，所以政府可以发挥重要作用。而电工、蓝领工人、客服代表、科学家这些场景主要归私营部门。就算把政府排除在外，也至少有两方必须上场：分别是科技公司和企业管理层。他跟一些大公司高管聊过所谓赋能劳动者的人工智能（pro-worker AI），就是能让工人更高效的那种AI。CEO们都说：“这正是我们需要的，我们完全支持。”但是他们说的是真心话吗？不知道，没法验证。因为科技公司并没有提供这些工具。

他跟科技公司的人提同样的事，对方要么点点头转头走开，要么直接来一句：“你活在另一个世界里。我们要造的是通用人工智能。”你在说什么？主持人接了一句挺扎心的话：他们更操心遥不可及的东西，而不是现在就能解决的问题。她还追问了中国的好例子？阿西莫格鲁说他交流过的几家中国制造业企业正在把机器人技术和AI结合起来，富士康、比亚迪还有其他电动汽车生产商技术应用的水平都非常高。从他们的经验里能看到两点：这不仅是个缓慢的过程，而且需要的工程师比预期要多。幸运的是，中国有庞大的工程师队伍。

说到创业者怎么选赛道，主持人观察到最近做播客大家都在讲：财富藏在利基市场里。尤其AI领域机会就藏在那些过去20年没被自动化、可能还在用纸笔办公的所谓枯燥的业务里。阿西莫格鲁完全同意，只是他不用“枯燥”这个词。他觉得这些业务其实令人兴奋；觉得AGI听起来更炫酷的想法，在他看来大错特错。那是虚无缥缈的目标，没人能就AGI的定义达成共识，它永远在未来。至于超级人工智能来临、机器能做所有的事而且比人做得更好，那画面相当反乌托邦：最优秀的物理学家、最顶尖的数学家、最出色的社交沟通者统统都没了工作。

他理解不了的是公众辩论里的自相矛盾：一边说AGI很快就会到来，一边又说我们也会给人类留下很多事情做。他说这不可能：只要对AGI或者ASI有严肃的定义，就不可能留下那么多工作。聊到这儿，主持人把话题拉回日常：你作为一名研究人员自己是怎么用AI的呢？阿西莫格鲁的回答很坦诚。他说自己还没摸到最前沿，主要用AI做背景研究；这一年来还越来越多让AI批评自己写的内容和想法。非常有趣！他第一次尝试用ChatGPT 3.5和后来的ChatGPT 4时相当的失望，而现在已经好太多了。

他也鼓励自己所有的学生和研究助理为研究搭建AI基础设施作为工作的辅助支持，但是绝不能替代他们自己。比如代写这件事他绝不鼓励（包括英语作为第二语言的人），因为人应当掌控自己的写作。但是他鼓励每一位非英语母语的学生用AI校对：把文章输进去，检查哪些句子表达不清、过于冗长或者有语法错误。他真正担心的是另一种失控：我们作为一个整体，尤其是学生和学习者把太多事情委派给AI，以至于不再锻炼思维能力、不再真正的投入学习了。从对学生的研究里他看到了很多这种情况。

他的判断相当尖锐：AI在K-12基础教育中的应用简直是一场灾难，因为我们是在缺乏安全护栏的情况下盲目推进。他2023年或2024年就指出过这种做法的危险：这是一场巨大的社会实验，在没有任何护栏的情况下把生成式AI同时全面引入学校。结果并不出人意料：他最担心的情况几乎已经成真。那他自己什么时候会停下来独立思考呢？他说自己的情况有点特殊：一方面属于不同的时代，另一方面纯粹就是热爱思考。喜欢拿着纸笔勾画思路甚至要刻意提醒自己把这个交给AI跑一下？比如他从没用AI做过数学推导。

虽然AI的数学水平比他高得多，但他喜欢自己动手：构建模型、做计算都亲自来。这样不仅算得快还能从错误里学到东西。他确信，如果愿意退一步借助AI他能做更多。主持人拿计算器打了个比方：当年老师也抗议过计算器，可到今天我们到处在用它，它让我们能解决更复杂的问题。AI会带来类似的飞跃吗？还是说它整体上剥夺了批判性思维让我们会停滞不前呢？阿西莫格鲁说，他担心的是后者。这个类比虽然有启发，但得小心使用：计算器只接管了其中非常小的一部分；据他所知没人会用计算器替自己思考，也从来没哪所学校对学生说“现在有计算器了不用学乘法了”。

他上学的时候就有计算器，大家照样学乘法和除法。因为这些是学习许多其他知识的基石；而AI不一样：它介入的是整个批判性思维过程，而且界限很模糊。究竟使用AI的边界在哪里？怎么在与AI协作的同时依然亲自参与到人类创新和创造力的关键步骤里？这些问题都没有现成答案。主持人随后把话题拉回企业：在社交平台的帖子里，没有人真的会说“我解雇了整个团队换成了AI智能体”，但很多帖子在说：“我没招人，但是我部署了智能体。”从长远看这些做法忽视了什么呢？

阿西莫格鲁先澄清立场：这基于他几十年对机器人、20世纪初技术和工业革命的研究。他并不反对自动化，也不认为有可能阻止自动化；谁想开历史倒车他都反对：我们不想回到靠人力背负重物的时代。自动化是非常好的，问题在于如果只做自动化：一来拿不到全面的生产力提升（靠自动化包揽一切并不容易），二来创造不了共享繁荣（它会消灭太多工作岗位，又造不出有意义、高薪、高生产率的新工作）。所以他的主张一贯是平衡：既用新技术做自动化，也用它创造新事物给护士、电工还有许多我们目前想象不到的职业赋能。

那怎么跟一个眼里只有利润的小企业主讲这个道理呢？他说关键是生产力：大多数企业其实明白一个道理——员工是最大的资产，让他们更具生产力对企业是天大的好事。而且这笔账更划算：他给了个具体的算法——假设你有100名员工，两个方案摆在你面前。方案一：把其中5%的工作自动化并把这部分成本降低一半；方案二：让所有员工的生产力提高5%。显然，方案二带来的收益大得多！何况竞争对手在用AI赋能员工：你要是在单纯裁员生产力差距只会越拉越大。

员工身上还有经验、责任感、忠诚度；如果他们更有创新精神，更善于解决问题，更敢尝试新东西企业才走得远。他反问主持人：你还记得哪些过去的公司呢？福特汽车、通用汽车、通用电气、IBM、微软。它们有什么共同点？是都做了创新：不只是削减成本或者照搬别人，而是构想出了新的市场、新的技术、新的任务。亨利·福特（Henry Ford）曾经说过：“如果我问消费者想要什么，他们会告诉我需要跑得更快的马。”显然仅仅削减5%的成本载不进史册。

那有没有判断哪些任务值得自动化的法则呢？阿西莫格鲁给了个经济学口径：如果你把成本降低5%，GDP通常会增长5%乘以你在GDP中所占的份额。这不难算，难的有两处：一是如果改变的是质量计算就复杂了；二是即便只降5%的成本也得花上数年的大量工作。他见过一些企业下决心搞自动化，有时因为觉得容易、有时因为竞争压力最后推行不下去。因为自动化必须深度整合到公司的业务流程里。现在很多人用“锯齿状的前沿”来形容AI，阿西莫格鲁说他喜欢这个比喻但是也指出：它背后的潜台词是“我们高估了AI”，实际应用要困难得多。

原以为可以借AI之名裁员，实际上不行！所以认真对待“锯齿状”这个概念：它真正说的是AI能力参差不齐。你还是得保留差不多同样数量的员工，引入AI只是把人和机器混成一个大杂烩。聊完企业两人开始聊到了教育：主持人问作为学术界的一员，10年后的大学教育还物有所值吗？阿西莫格鲁认为是的。但是先摊开了三点保留意见：出于经济和社会两方面的原因，他从不认为每个人都该上大学。现在更是深信不疑：人们的技能不同、兴趣不同；传统文理教育不适合所有人，我们也不希望社会里每个人观点完全一样。

还有大学发挥的很多作用其实只是信号传递：你进哈佛、麻省理工或斯坦福也是在为招牌买单，这对个人有好处对社会未必有那么大益处。再就是现在每所大学都意识到必须改变办学方式和培养方向，可同样的改变在高中和初中还远远没发生：它们甚至更落后于时代。他在美国观察到了一个现象：许多学生进大学时准备不足而且还在恶化。他给经济学大一学生编过教材深有体会：很多大学不得不开越来越多的补习课程。现有证据还显示AI让初中和高中的学习变得更困难了（当然证据还在早期），但是问题只会进一步恶化。

那普通人到底该学什么呢？阿西莫格鲁绝对同意需要更多的学科知识：因为真正的AGI不会马上到来，我们比以往任何时候都更需要人类的创造力。而没有坚实基础的创造力无异于空中楼阁。他的具体建议是：去学数学！不要因为AI已经能解出复杂的数学题就望而却步。我们需要人类的数学素养，这会非常关键！还要去学物理、学经济学、学工程学：这些领域都会大放异彩。同时要培养灵活性。

因为哪怕在同一个职业里，技术和社会环境一变，工作内容也得跟着变。主持人补了一句，要把非线性职业生涯常态化。阿西莫格鲁深表认同。他还强调了两个原则：一是必须从初中开始传授与AI协同工作的技能，甚至可以扩大到小学；二是更要强调公民责任。他指出，在美国以及世界大部分地方，我们已经失去了真正的社区意识，人们缩进信息茧房，社交媒体也在助长这种风气。这也是他在探讨自由民主制现状的新书里的重要主题：得让社区处于自由民主社会的中心。

他自己既非盲目乐观，也绝不悲观，努力保持着希望。而希望来自两点：分别是人类有无限的适应力；以及即便在这个极化分裂的世界，跨越阵营的双方对公平与道德仍有着高度相似的共识。所以我们要做的，是在沟通中让共识更清晰，不把对方当仇敌；分歧再深，也建立在同舟共济的认知上。

节目里还有个细节：主持人提到Anthropic的CEO达里奥说过，AI有25%的概率会让情况变得非常非常糟。阿西莫格鲁的回应挺有意思，说自己算是个相对乐观的人，所以他也认为有25%的概率会非常非常糟；但是还有75%的概率会非常非常好，中间没有太多的灰色地带。

顶尖实验室的研究人员愿意公开表达担忧，他表示欢迎，也赞赏这种直言的勇气。但是他个人更担心的，不是达里奥、马斯克或克拉克斯顿（Claxon）阐述的那种生存风险；而是整个社会对AI失控的普遍危机感。所谓“失控”，是指普通公众、工人、学生和家长因为AI失去对自身能动性的掌控，这未必是因为AI真的变成了超级智能和独立实体。

部分原因在于公司怎样开发、使用和推广AI。主持人又翻出一笔旧账：“你给AI打过分，负10到正10，你打了负6，从那以后更糟了吗？”他说自己不这么认为。2024年和2025年，他确实认为AI可能造成很大破坏，当时不清楚改进会遇到什么瓶颈；改进快，危险也跟着涨。但是现在，能拿AI做的好事也越来越清晰了：需要的是重新引导它、驾驭它。

“AI不能仅仅由少数人决定，哪怕他们非常聪明。”许多人出于好意，但这件事太重要了，不能只留给少数人。那该怎么推动呢？阿西莫格鲁的回答是靠信息：从信息和叙事入手。然后他说了句有点冒险的话，要批评世界上最大的守门人了——在他看来，最令人失望的机构绝对是媒体。

媒体在培养关于AI的真正信息辩论方面做得非常糟糕。10年来，要么把埃隆·马斯克这类人奉为神明、不容置疑（任何批评反而变成了抬高他们），把AI描绘得迷人、令人目眩且美妙绝伦；要么就把AI当敌人，说它是随机鹦鹉或者杀人机器人。

而那个中间地带——人们可以参与进来、理解问题、履行作为消费者和民主公民对未来守护者的角色——从来没有得到培养。新闻机构几乎全都如此。快结束时，主持人问了几个相当实在的问题：第一个，“听到这些新闻，你会怎么处理自己的储蓄？”他说没有太大变化，尽量保持投资组合的平衡。战胜市场非常困难：得有极高的技能、投入大量时间，或者掌握内幕信息。

他没那么多时间，也没有内幕信息，也不想有。第二个问题：“展望2035年，如果一切向好，一个现在每天在电脑前工作8小时的知识工作者典型的一天会是什么样呢？”他说自己也说不准，但是他完全能预见到一个乐观的未来：人们工作时间会稍微减少，但是保持着极高生产力。

也完全能预见一个令人不寒而栗的未来：许多人失去了有意义的工作。他还能预见到，人们照样会去办公室（或者办公室加居家混合），但是由于真正具有互补性的AI出现，工作方式发生了显著的改变。无论哪种，人类的创新与才华始终是核心。

他还提醒：就算抛开AI，我们也正处在一个极其动荡的时期——气候变化、人口老龄化、地缘政治格局演变，以及发展中世界崛起的庞大中产阶级。这些都需要新产品、新服务、新任务、开拓市场的新方式、组织公司的新模式。那这些要靠谁来承担呢？不是AI，而是人；如果能帮这些人发挥更大的创造力，那将非常了不起。

最后一个问题直接关系到钱包：当大家看到惊人的财富被创造出来，想参与的人具体该怎么做呢？阿西莫格鲁的判断很直接：尽管大量资金正涌入前沿实验室，但他实在看不出基础模型能怎么赚取巨额利润。主持人接话说道：“所以我们会看到一些IPO以失败告终？”他说短期内不会，市场的热情依然高涨。

但是他确实看不出基础模型能创造数万亿美元的价值：因为模型开发和推广过程都存在潜在瓶颈。就算这些瓶颈没出现，下一层级的开源模型也会表现得非常出色，变现机会有限。他指出：真正的商机在高质量数据和应用。如果你的公司或业务线拥有海量的数据，就要精心培育并且利用它们，甚至构建更优质的数据。

收集数据的同时，也要为生成这些数据的员工提供合理的补偿：这既是公平之举，更是明智的商业决策。应用层面的优势同样明显：只要应用真正有创意、能填补细分市场的空白，开源模型就很难复制。对于职场人，他的建议是保持灵活性、加深对AI的理解，同时守住自身的创造力与专业基础。主持人补了一句：“员工也要意识到自己就是数据的来源。”

因为是他们多年来一直跟客户和产品打交道。阿西莫格鲁还点了个关键因素：要想开发应用，很多隐性知识都攥在一线员工手里。所以，你不能坐在办公室里对着电脑就指望靠强大的AI凭空想出某个应用；必须深入一线、亲力亲为，跟员工进行深入交流。

访谈最后，主持人问：“他总说去AI公司工作的学生需要坚定的道德指南针，这具体指的是什么意思？”阿西莫格鲁举了基因编辑的例子：那也是一项取得重大突破的惊人技术，但是大多数进入医学或基因编辑相关领域的人都清楚这是一项在道德上存在模糊性的技术。承担监管职责的机构，从美国国家卫生研究院到美国卫生局和美国医学协会，都出台了通用的伦理准则。

比如生殖系编辑目前被禁止，因为它太危险了、风险过高。AI领域同样需要这样的道德指南针，可惜我们恰恰没有。投身AI的人大多会觉得：“我是在造福人类。”他自己也完全相信这些初衷：他认识的几乎所有投身这个领域的人都出于善意，都认为是为自己也为社会在谋求福祉。

可问题在于：目前还没有明确的道德指南针，这正是他反复强调的。整场访谈听下来，我最深的感受是这位诺奖得主的克制：他没有否认AI的变革性，也没有跟风唱衰或者吹捧。做的就是一件很朴素的事：把账算清楚——替代员工和赋能员工，究竟哪笔账划算？只做自动化和兼顾创造新任务，哪条路通向共享繁荣？基础模型和垂直应用，利润池究竟在哪里？

这些问题其实并不玄乎，但是得有人一遍遍的追问。AI最终带来的是人类更高效，还是很多人失去有意义的工作？答案可能就藏在每个企业、每个开发者、每个普通人的选择里。大家也不妨问问自己：如果你是老板，你会把力气花在替代人上，还是花在让人变得更强上呢？感谢收看，我们下期再见。