诺贝尔奖得主：如果我们开发得当，AI 不会威胁我们的工作机会

本文来自微信公众号： AI时代仍不辍思考 ，作者：创业思考碎片

来源：达龙·阿西莫格鲁（Daron Acemoglu）《Will AI Replace Workers?Not If We Build It Right》，The Humanist Review of AI创刊号，2026年7月

人工智能是惊人的，未来很可能更加惊人。你可以在病毒式传播的博客、评论文章和社交媒体帖子中看到这种兴奋——它们不仅宣告AI将带来巨大收益，还说这一切今天就已经发生；你也可以在涌入图形处理器（GPU）、数据中心和AI初创公司的创纪录投资中看到它。

与此同时，我们被告知"你们中的大多数人很快就会失去工作"。

美国人深信这种说法，其中52%的人担心AI会如何影响自己的工作，也担心AI会如何改变生活的方方面面。另一些人担心AI会污染我们的信息生态系统，并终结我们所知的民主制度。许多人更进一步，把AI视为"文明终结者"，认为它可能会消灭或奴役人类。

但是，我们需要抑制这种炒作、兴奋和极度恐惧，不仅因为它们放错了位置，更因为它们正在误导我们应当如何开发和使用这项有前景的技术。

事实上，AI的影响只会缓慢显现，因为要达到自动化整个工作所需的可靠性和通用性，目前还远未实现。任何新技术的整合，更何况是像AI这样复杂且未经检验的技术，都必须循序渐进，并且需要许多组织进行诸多变革。

更糟糕的是，照目前的发展趋势来看，AI的益处远不及业内人士的预期。我们或许正处于挥霍AI巨大潜力的边缘，因为我们对它的概念理解有误，开发方式也存在问题。

我们正在犯一个错误，那就是试图强迫截然不同的人工智能去模仿人类智能。这两种智能本质上是不同的，而当两种事物存在差异时，自然的做法是用一种来补充另一种——而不是假装这些差异不存在，并试图让其中一种取代一切。

一、技术的变革性越强，进展就越慢

许多人预测，AI将显著提高生产力和经济产出。但现实似乎更接近于经济学家罗伯特·索洛1987年对计算机的妙语——"计算机无处不在，唯独生产力统计数据中没有体现"。AI的进步也尚未体现在生产力统计数据中，至少目前如此。

当前AI模型在编写计算机代码、设计软件或放射诊断方面的成就确实令人瞩目。但这仅限于实验室环境，那里的情境清晰，任务也划分明确。然而，在实际应用中，企业采用这些工具处理相同任务时，效果却不尽如人意。工程师往往需要花费大量时间调试AI编写的代码，而放射科医生和临床医生也无法将自身专业知识与AI工具有效结合，最终导致结果不尽如人意。多项研究和报告均未能发现大多数企业采用AI后生产力显著提升。

当然，随着新型AI的出现，情况或许会有所不同，甚至会好得多，但目前令人失望的生产力表现并非仅限于整体层面，也存在于那些正在尝试AI的企业中。

这一切都不足为奇。任何一项新技术都需要时间才能被有效应用，而且通常来说，技术的变革性越强，这个过程就越慢。有人将AI比作火，但一个不那么夸张的比喻或许是将其比作电。

众所周知，电力虽然具有革命性的潜力，但即便在制造业领域，也花了数十年才得到广泛应用。早在1881年，纽约和伦敦就已拥有中央发电站，许多人预见到电力将彻底改变制造业、家庭和交通运输。然而，直到20世纪20年代，也只有大约一半的工厂和家庭在使用电力。

事实上，由于企业需要进行必要的重组，AI的生产性应用可能会更加缓慢。工作任务需要在AI模型和工人之间重新分配，许多专业人员需要学习如何与AI协同工作。管理者需要明确他们希望从AI中获得什么，以及如何实现这些目标。更糟糕的是，许多公司可能会试图实现某些岗位的完全自动化，但这在短期内很可能难以实现。

这一切不仅会延缓AI带来的生产力提升，也意味着就业岗位流失的影响将会缓慢显现。此前多轮预测都曾预言放射科医生、司机或会计等职业将会消失，但这些预测至今都未成真。医院仍然需要放射科医生（实际上比以前更需要），记者、律师助理、会计和办公室职员等职业也依然存在。

两年前，我估计在未来10年内，人类所做的工作中，AI取代的不会超过5%。

这个5%的数字是怎么来的？虽然它确实只是一个估计值，但它是基于对当时AI模型能够达到的水平以及这些能力在2020年代后半期发展趋势的评估。

简而言之，我的预测是，到2020年代末，AI将能够成功实现简单办公和认知任务的自动化，约占美国经济工作量的20%。我预测，AI对更复杂的认知和办公工作的影响会来得更慢，因为AI需要更长的时间才能掌握大多数工作所需的判断力、多维推理能力和社交技能。此外，社会也不会乐于接受AI完全接管空中交通管制、心理健康治疗或公司管理。

涉及与物理世界深度交互的工作，其AI自动化也需要时间，因为柔性机器人技术和具备完整空间因果关系感知能力的AI模型都需要时间才能发展成熟。计算机视觉技术的发展可能需要更长时间，才能使AI与机器人无缝结合，从而在制造业和建筑业中执行任务。

我还估计，考虑到电力、计算机和以往计算机视觉技术等其他技术的普及，在20%可以完全自动化的领域中，只有大约四分之一会在10年内实现自动化。这便是5%这个数字的由来。

我曾预测（当然，我也充分意识到，这些模型的发展速度无法预知，至今依然如此），未来十年GDP将增长约1.5%。自那以后，模型的发展速度远超包括我在内的许多人的预期。另一方面，我们尚未看到太多能够轻松推广并彻底改变生产流程的应用，而且，正如我将在下文阐述的，AI的魔力必须体现在实际应用中，才能对经济产生显著影响。

二、从语音识别中汲取的经验教训

为什么这样一项革命性的技术难以对经济产生重大影响？语音识别技术的发展历程或许能给我们一些答案。

自20世纪30年代以来，将语音转换为文本一直是人们的愿望。而自20世纪80年代起，美国夫妇詹姆斯·贝克和珍妮特·贝克创立的标志性公司Dragon Systems，使这一愿望离现实更近了一大步。

Dragon真正革新了语音识别技术，毫不夸张地说，此后语音识别领域的一切都应归功于贝克夫妇。他们的突破在于摒弃了以往基于句法和语义构建语音识别系统的尝试，转而运用机器学习技术构建了一个纯粹的预测系统，将语音映射到"最佳匹配"文本。

早在1997年，Dragon推出Dragon NaturallySpeaking——首款能够从自然连续语音中识别语音的程序——时，这项技术的意义就已显而易见。（此前的软件，包括该公司的Dragon Dictate，都需要说话者在每个单词之间停顿。）

我可以为这一切作证，因为1997年我双臂患上重复性劳损后，就成了Dragon NaturallySpeaking的早期用户。即使在当时处理器速度很慢的情况下，它也如同魔法一般，准确率接近95%。当时我并不知道自己会在接下来的30年里一直使用他们的产品。但我立刻意识到，随着计算机处理能力的提升，我可以使用功能更强大的语音识别软件，即使我仍然无法打字，也能继续工作。

到2000年，一切都如我和其他人预测的那样发展。软件越来越好，随着计算机芯片的改进，精度和功能也在快速提升。

谁也无法预料到，在接下来的二十年里，尽管底层技术不断进步，消费者却几乎享受不到任何益处——这要归咎于一系列企业灾难。2000年，Dragon被比利时公司Lernout&Hauspie收购，但该公司在收购后几个月内便宣告破产，其联合创始人后来因公司欺诈罪被判有罪。之后，Dragon又被ScanSoft（后更名为Nuance）低价收购，后者逐渐将重心从消费者产品转向医疗和企业市场。2022年，微软收购了Nuance，并延续了同样的模式。结果是：如今PC上的语音识别软件与2000年相比仅略有进步——远低于我预期中底层技术应有的进步。

这段令人失望的历史，正是在预测当今AI模型的快速普及时更应该谨慎行事的原因之一。

新技术的"基础设施"突破，需要与基于此基础设施构建的合适应用相辅相成。当然，还需要合适的市场营销体系来触达潜在客户群体，并收集消费者反馈，以此推动应用的改进和完善。这就是我们在AI领域没有看到的，也是语音识别领域彻底搞砸的地方。

但还有其他一些问题可能预示着AI的局限性。Dragon 16发布时声称准确率高达99%，但这指的是理想情况下的准确率，并未考虑用户日常使用中遇到的各种程序兼容性问题。它也低估了哪怕1%的误差可能造成的严重后果——因为这1%的误差就可能彻底改变句子的意思，有时甚至会造成尴尬的后果，导致指令被误解，或者需要花费大量时间校对每封邮件或短信，以发现难以察觉的"特殊用法"。这一切都是因为纯粹的机器学习方法在处理"最后一公里"时会遇到困难，例如在发音相似的词语之间进行选择，或者遇到不常见的表达方式。

完全自动化，就像完全语音识别一样，难度很大。它需要解决所有"最后一公里"的难题，并且需要精心设计的应用程序，以满足最终用户的愿望和需求。它还要求AI接管所有职业中的所有任务——包括高风险的判断和社交互动。我们距离人类能够像与人交谈一样、从与机器的对话中获得同等满足感，还相差甚远。

三、人工智能的真正潜力

但这并非重点。这种模仿甚至不应该是AI模型的最终目标。

"智能"一词含义丰富。计算器之所以称得上智能，是因为它在某些任务上的表现远胜于人类（这在20世纪初是许多人认为不可能的）。但显而易见，计算器的智能与人类的智能截然不同。人工智能也是如此。

人类有着独特的学习方式，这种方式基于几个例子、形成假设、在脑海中模拟各种可能性，然后在现实世界中不断进行实验和试错。例如，想想孩子们是如何学习的。

学习的关键部分在于社交。成人和儿童通过观察他人（通常是那些被认为拥有更多知识或权威的人）的行为来形成假设。然后，他们通过与社区成员进行进一步的交流（包括口头交流和其他形式的交流）来磨练这些技能。

人类认知显然也是多模态的。我们运用全身进行推理——大脑的许多不同区域、神经系统、感官、消化系统等等。我们不仅进行预测，还进行推理、演绎、归纳、各种形式的验证以及递归思考。这就是为什么人类的"幻觉"并非缺陷，而是他们的秘密武器。我们正是通过这种方式模拟不同的世界，然后决定哪些世界值得进一步探索，哪些世界蕴含着巨大的风险需要警惕，而无关紧要的世界则被迅速排除（当然，这只是一个概括性的说法，有些人确实会沉迷于阴谋论之类的深渊）。

人类能够快速学习新事物和技能，例如不同的语言，前提是他们拥有必要的"学习模块"或思维框架。然而，他们却不擅长筛选大量信息，或进行与自身经验无关的抽象推理。

AI模型截然不同。它们从海量训练数据集中学习，并且非常擅长筛选和识别海量语料库中的模式。它们基于预测进行学习，一旦掌握了某种特定的推理模式，无论在抽象还是具体的场景中，它们都能应用这种模式。这正是它们强大之处的所在。

另一方面，AI模型目前尚不具备类似实时社会学习或试错的能力。一旦它们出现错误，就会造成灾难性的后果，因为它们缺乏人类的过滤机制，无法剔除不切实际的模拟结果，也无法将具有潜力的案例转化为值得关注的有效范例。

当两件事物截然不同时，试图用其中一件来模仿另一件是徒劳的。现代计算机的革命性变革源于麦金塔电脑的设计和易用性，而这正是史蒂夫·乔布斯和史蒂夫·沃兹尼亚克合作的成果。如果乔布斯试图取代沃兹尼亚克的工程技术，或者沃兹尼亚克忽视乔布斯在设计和营销方面的卓越才能，那将是一个巨大的错误。他们的成功在于合作，他们将各自的技能结合起来，彼此互补。这正是人类和AI能够也应该做的。

四、支持有利于劳动者的AI的理由

在通用人工智能（AGI）的旗帜下，所有主流AI开发商都在努力使AI模仿人类技能。但更有效的做法是认识到AI应该与人类协同工作，而不是取代人类。

这种观点给完全自动化的梦想泼了一盆冷水。如果AI无法完成某项职业中的所有任务，它就必须与那些能够胜任的人类工作形成互补。AI越能赋能于人类——提高他们的生产力，拓展他们的能力范围——它所带来的变革就越大。

这就是我所说的"以员工为中心的AI"的基础：与其追求全面自动化，不如构建能够使人类更好地完成工作、并为他们创造新技能和专业知识的AI。

这与65年前JCR Licklider提出的愿景不谋而合，他堪称"互联网之父"。他在1960年写道："我们希望，在不久的将来，人脑和计算机能够紧密结合，由此产生的协同效应将带来前所未有的思维方式，并以我们今天所知的任何信息处理机器都无法企及的方式处理数据。"他当时所预见的，正是我们现在对AI模型所需要的。

对劳动者有利的AI对社会而言可谓一举两得。它很可能比全面自动化带来更高的生产力。此外，自动化会取代工人，导致失业，并造成不平等（这些过程不仅会危及社会凝聚力，还会危及民主的未来），而对劳动者有利的AI则能充分利用并增强人类的能力。

你或许会认为有利于员工的人工智能就像空中楼阁——它比行业梦想中的自动化更好，但更难实现，可能性也更低。事实并非如此。

亲员工（pro-worker）AI处于现有模型的前沿，并且很容易开发，正如David Autor、Simon Johnson和我最近所论证的那样。

为什么说这是有利于员工或教师的？很简单：该工具并非要取代教师的工作，而是提供新的信息，让教师能够做他们以前从未做过的事情。

我们如何确定这项技术可行？首先，我和我的研究团队已经构建了这项技术的原型，并正在进行评估。但您不必完全相信我们的话。这类工具需要一个中等规模的语言模型，该模型需要基于相关课程进行训练，并且需要高质量的教学数据，这些数据来自经验丰富的教师，他们能够应对学生在学习课程材料时遇到的各种困难。所有这些都属于前沿领域。

如果我们不去追逐通用人工智能的梦想，而是优先帮助劳动者获取更好的信息，以便在不同的任务中更好地解决问题，并为人类创造新的任务和能力，那么AI可能会带来更积极的成果。

但这又引出了下一个问题。

五、为什么如此痴迷于自动化？

四种截然不同的力量促使自动化成为科技行业和企业关注的焦点。前三种是经济因素，最后一种是意识形态因素。

首先，大型科技开发商现有的商业模式侧重于向企业销售软件并通过数字广告获取收入。这些商业模式并未致力于开发有利于员工的工具。许多现有公司仍在沿用这些商业模式，而辅助人类工作的商业模式仍未得到充分探索。

其次，竞争格局也不利于新企业尝试这些新的商业模式。科技行业已经高度集中，新企业越来越难以与既有巨头竞争。更糟糕的是，这些老牌企业垄断了关键资源——资本投资、数据以及包括工程师和创新人才在内的重要人力资源。即使一家充满活力的初创公司侥幸突破重围，也极有可能被科技巨头收购。这意味着同样的商业模式将继续占据主导地位。

第四，也是同样重要的一点，整个行业都被超人机器和通用人工智能（AGI）的理念所主导。这种思维可以追溯到艾伦·图灵等奠基人，他开创了现代计算机科学领域，并通过对机器如何像人类一样思考的思考，奠定了人工智能的基础。他于1950年发表的标志性论文以如今广为人知的"模仿游戏"开篇。这种愿景，加上大量科幻小说和电影的影响，塑造了当今许多行业领军人物的思维模式，使通用人工智能成为主导范式。

早在通用人工智能（AGI）出现之前，"达到与人类同等的水平"就已成为硅谷各种应用领域衡量成功的主要标准。而许多科技领袖将人类视为易犯错的个体，这一观念加剧了这种情况。他们屡次低估了人类的技能和专业知识。因此，科技行业自然而然地走向了全面自动化，而忽视了如何更好地发挥人类的优势。

六、我们能否引导人工智能走上更好的发展道路？

我们可以做出正确的选择：选择发挥人类的技能，促进人类的繁荣发展，而不是导致人类在物质、社会和精神上的贫困化。

但这需要在设计AI模型时采取特定的方法，并需要一种新的哲学理念。

好消息是，这样的道路是可行的。坏消息是，这并非我们前进的方向。事实上，业界构建和构思AI的方式不仅可能将我们引入歧途，而且会让我们走向更糟糕的境地。

引导人工智能走上更好道路的最重要工具，并非灵丹妙药般的政策——事实上根本没有这样的政策。关键在于转变视角。

如果明天我们醒来，发现业内相当一部分极富创造力的程序员、开发人员和工程师将有利于员工的AI作为首要任务，那么我们将获得大量与人类互补的、有利于员工的AI。问题在于如何改变目前对自动化的过度关注。

第一步也是最重要的一步，是将讨论的焦点从通用人工智能（AGI）转移到有利于劳动者的可能性上；从人类灭绝的末日景象转移到现实的危险上，即我们目前的道路很可能会加剧不平等，导致大规模失业，甚至无法获得承诺的生产力提升。

这种对话方式的转变也有助于激活民主进程，从而实现人工智能的承诺。当然，也有一些具体的政策工具可以提供帮助。

要引导AI摆脱自动化，我们需要同时完成四件事：创造企业对有利于员工的工具的需求；产生示范效应来证明这种方法有效；建立一个新思想和商业模式能够蓬勃发展的市场环境；以及投资于有利于员工的AI基础设施。

企业部门：当企业将重心从单纯的劳动力成本节约转移到提高生产力和创新上时，它们将需要更多有利于员工的工具。这不仅需要转变观念，还需要消除鼓励短期成本节约的人为障碍。最大的扭曲在于税收制度。在美国，我们对劳动收入的征税远高于资本收入——平均而言，劳动收入的有效边际税率超过25%，而资本收入的有效边际税率接近于零。这相当于对使用资本工具而非劳动力给予补贴，并抑制了企业雇佣和培训员工的积极性。其他一些发达经济体的情况也类似。对资本收入和劳动收入给予同等对待，将是市场重视与人类互补技术的重要一步。

示范效应：在一个长期被忽视的领域启动投资并非易事。可再生能源领域就曾面临这样的困境，几十年来几乎没有对这些技术进行任何投资。能源转型之所以能够取得巨大成功，不仅得益于碳税，还得益于补贴、竞赛以及对清洁技术创新的鼓励，这些措施都起到了示范效应的作用。在以人为本的AI领域，也需要采取同样的策略。即使是规模适中的政府项目，只要能够产生与人类技能互补的实用技术，就能产生深远的影响。这些补贴绝不能沦为科技公司的敛财工具，也不能成为官僚主义的又一噩梦。我们需要的是精简高效的项目，鼓励对以人为本的人工智能进行试验。

为新的商业模式创造空间，或许还需要控制科技行业最严重的弊端——尤其是过去15年社交媒体发展历程中暴露出的那些弊端。另一个可能发挥作用的工具是数字广告税，这样一来，那些尝试使用替代平台和AI盈利方式的新技术和新进入者，就不会被那些靠数字广告赚钱的巨头扼杀。

面向劳动者的AI基础设施：AI需要数据，但需要什么样的数据？对于大型基础模型而言，任何数据都很有用，因为它能帮助模型更好地模拟人类语言和交流的各个方面。而对于面向劳动者的AI而言，高质量的数据至关重要，这些数据来自世界顶尖专家处理复杂问题、极端情况和全新挑战的经验。例如，如果你想开发一款工具，帮助电工完成更新、更复杂的任务，那么这款工具就需要经验丰富的电工处理各种挑战性问题的最高质量数据。除非我们拥有一个运转良好的数据市场，让人们能够创建、控制和出售数据，否则这一切都无法实现。这意味着科技公司未经数据创建者许可且不支付报酬就使用数据的行为将无法继续存在；更重要的是，它需要建立法律体系，鼓励和保护专家利用他们的时间来生产有用的高质量数据。一个运转良好的数据经济是AI未来发展的关键，尤其对于面向劳动者的AI而言更是如此。

数据市场还将促进新进入者对现有企业的挑战，因为它们将限制积累大量数据所带来的反竞争影响。

人工智能的未来并非一成不变。但要以更有利于劳动者、更造福社会的方式重塑未来，我们需要对超级智能机器和通用人工智能（AGI）保持理性。我们必须认识到，更美好的未来在于培养人类技能，而不是将其边缘化。

这正是我们最需要人类自主性的地方。而这种自主性不会来自AI模型，也不会来自那些坚信AI的未来必然会将人类边缘化的人。

只有人类的创造力、开放的心态以及我们模拟不同世界并采取行动的能力，才能使AI——以及我们整个民主制度——走上更好的道路。

作者简介：达龙·阿西莫格鲁是麻省理工学院的经济学家和研究所教授。他与西蒙·约翰逊和詹姆斯·A·罗宾逊共同获得2024年诺贝尔经济学奖，三人合著了《国家为什么会失败》《狭窄的走廊》和《权力与进步》。