炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
（来源：虎嗅APP）
席春迎博士深度思考·约12分钟阅读
本文来自微信公众号： AI时代我的人生下半场 ，作者：席春迎博士
深度观察
从Anthropic的增长模型到比尔·盖茨的警告：AI时代最难的问题不是创造财富，而是重新分配工作、收入与尊严
AI驱动的繁荣背后，是个体的不确定性
正配配资假设到2030年，美国GDP比原来的发展路径高出32.4%，当年经济增速达到15.4%，人均收入理论上每五年就可以翻一番，这算不算一个黄金时代？
按照传统经济学的尺度，答案几乎毫无疑问。一个成熟经济体如果重新获得两位数增长，意味着生产率出现了历史性突破，社会能够创造远超以往的商品与服务，人类似乎正在进入前所未有的富裕时代。
但Anthropic最新发布的经济情景报告，却给出了另一组同时发生的数字：在同一个极端情景下，美国整体失业率可能升至11.9%，认知型劳动者的失业率达到17.9%，其工资水平比没有人工智能的路径低11.5%；劳动收入占GDP的比重从60%降至45.2%，资本收入则超过整个国民收入的一半。
经济变得更富有，劳动者却可能变得更脆弱；社会创造出更多财富，大多数人获得财富的传统渠道却开始收缩。
比尔·盖茨近期发表的长文《动荡的AI时代已经到来，我们现在做出的选择至关重要》，讨论的正是这一矛盾。他与Anthropic使用了两种完全不同的语言：Anthropic用模型描述增长、工资、就业和资本回报之间的关系，盖茨则从社会制度、公共政策和人的尊严出发，追问我们是否已经准备好承受这场转型。
把两者放在一起，可以看到一个更加完整的图景：Anthropic告诉我们，AI可能创造多大的经济增量；盖茨提醒我们，这些增量并不会自动变成多数人的收入、机会和安全感。
这也意味着，AI时代的核心问题正在发生变化：过去我们讨论的是人工智能能不能创造财富；未来真正需要回答的，将是谁拥有创造财富的人工智能，谁能够分享它的收益，以及当就业不再是收入分配的唯一基础时，现代经济体系应当如何重新组织。
Anthropic的报告并不是一份2030年的经济预测，而是一套情景推演模型。
研究团队将职业拆解为具体任务，再观察人工智能能力、企业采用率、增强与自动化比例、单项任务生产率以及新任务创造速度，最终会怎样改变GDP、就业、工资和劳动收入份额。
在温和情景中，最终只有约4%的全经济任务受到AI影响，美国2030年GDP比没有AI的基准路径高出1.6%，就业和工资的变化都比较有限；在显著情景中，受到影响的任务比例升至约12%，GDP比基准高出8.3%，整体失业率升至4.6%，认知型劳动者工资开始停滞；到了极端情景，约30%的全经济任务受到影响，90%的AI应用属于自动化，同时不再创造新的知识劳动任务，结果便是GDP大幅增长与认知型就业急剧下降同时出现。
这一模型最重要的贡献，是打破了“增长与就业必然同步”的传统想象。过去，企业扩大生产通常需要更多厂房、设备和员工，即使机器替代了部分劳动，新的行业、企业和职业也会吸纳被释放出来的劳动力。因此，技术进步虽然不断改变职业结构，却没有从根本上切断生产增长与就业增长之间的关系。
AI可能打破这一联系。当人工智能不只是帮助员工提高效率，而是能够自主完成编程、分析、设计、营销、客户服务乃至部分管理工作时，企业扩大产出未必需要同步增加员工。未来完全可能出现这样一家公司：收入增长数倍，业务扩展到更多国家，利润率不断提高，核心员工却从数万人下降到数千人。
Anthropic把这种变化写进了经济模型，盖茨则把它放进了社会现实，他强调，过去农业人口向工业和服务业转移，经历了几代人的时间，而且新创造的岗位仍需要人类的认知能力。但这一次，被替代的可能恰恰是认知能力本身，AI通过自然语言进入企业，不需要像过去的软件那样长期培训使用者，它可以学习现有资料、观察流程，并越来越独立地执行任务。
这就是二者最重要的交汇点：AI带来的最大风险，不一定是没有新工作，而是旧工作消失的速度，可能远远快于新任务、新制度和新收入渠道形成的速度。
经济学中最困难的问题从来不是长期均衡，而是如何穿越转型过程。告诉一名失业的财务分析师，未来护理行业会增加就业，并不能解决他的现实困境；告诉一名55岁的建筑工人去学习养老护理，也不能被称为有效的资源重新配置。
劳动者不是能够被无成本移动的生产要素。职业背后包含教育投资、行业经验、身份认同、家庭责任和地域约束。模型中的“劳动力重新配置”，在现实中可能意味着一个家庭收入中断、一个社区产业衰落和一代人的职业预期被彻底改变。
因此，Anthropic的报告描述的是生产函数变化，而盖茨真正担心的是社会的调整速度赶不上技术的进步速度。
盖茨对年轻人的担忧尤其值得重视。
生成式AI最容易替代的往往不是最高层的判断和责任，也不是必须在现场完成的复杂操作，而是大量初级和中级认知任务：整理信息、撰写基础材料、生成代码、处理客户咨询、制作财务模型、审核标准化文件，以及完成初步研究。
从企业角度看，这些任务最适合自动化，因为它们数量大、流程标准化、容易衡量，也不涉及最终决策责任。而且，企业使用AI削减这些岗位还有明确的成本收益。
但从人才成长角度看，这些初级任务又是职业训练体系的入口：一名优秀律师通常从资料检索、法律备忘录和合同审核开始；一名投资经理往往从行业数据、公司模型和会议纪要做起；一名高级工程师也需要通过编写基础代码、查找错误和维护系统逐步形成架构能力。如果这些基础工作被AI接管，企业的短期效率确实会提高，但组织内部培养下一代高级人才的机制也可能被切断，这就是AI就业冲击中最容易被低估的“职业阶梯断裂”。
一家公司可以在短期内保留经验丰富的合伙人、高管和核心技术人员，同时大幅减少初级招聘，但五年或者十年以后当现有高级人才退出时，新一代人才从哪里产生？如果年轻人没有参与基础任务的机会，又如何形成判断力、责任意识和行业经验？
因此，AI带来的问题不是简单的“岗位减少”，而是人才形成机制发生断层。教育机构仍按照旧有职业结构培养学生，企业却已经不愿意为初级人才支付训练成本。学历继续增加，入口岗位反而减少，最终可能形成一种新的结构性失业：年轻人拥有知识，却没有进入职业体系、将知识转化为经验的机会。
这也说明，“学习使用AI”虽然必要，却不是完整答案。如果所有求职者都掌握同样的AI工具，企业并不需要因此雇用更多人，反而可能让一个人完成过去五个人的工作。AI素养提高了个体竞争力，却未必增加了整个经济对劳动的需求。
未来，真正稀缺的不只是会使用工具的人，而是能够定义问题、承担责任、组织资源、获得信任并对结果负责的人。技术正在商品化，洞察正在资产化，随着执行成本不断下降，正确判断和责任承担反而更加稀缺。
Anthropic报告中，最值得重视的并不是15.4%的经济增速，而是另一个更具颠覆性的数据：在极端情景下，美国GDP比无AI路径高出约三分之一，但全社会劳动收入总额只比基准路径高出约0.5%，资本收入则高出81.4%，认知型劳动者的工资总额甚至下降31%——这意味着，AI可能创造一种“高增长、低扩散”的经济。
传统经济循环中，企业扩大生产，需要雇用劳动者；劳动者获得工资，形成消费；消费再转化为企业收入和新的投资。工资不仅是生产成本，也是全社会最重要的购买力来源。
但在AI经济中，企业可能购买芯片、算力、模型和机器人，由机器完成越来越多的生产任务。产出和利润仍然增长，但收入更多流向模型公司、平台、数据中心、芯片企业和资本所有者，而不是通过工资分散到亿万劳动者手中。
统计意义上的经济增长由此可能与多数人的经济感受发生脱节。
GDP继续增长，股票市场不断创新高，头部科技公司的利润快速增加，但普通家庭面对的可能是职业不确定性上升、工资议价能力下降和财富差距扩大。国家变得更富裕，不代表中位数家庭同步变得更富有，这就是AI时代必须警惕的“幽灵GDP”：财富确实被创造出来，却没有通过现有分配机制充分进入居民部门。
GDP与股市上行，家庭收入却未同步
进一步的问题是：如果机器生产越来越多商品和服务，而大量居民收入增长缓慢，新增产出最终由谁购买？
Anthropic的模型没有完整纳入总需求、金融周期和政治反应，官方也明确承认这些是模型的边界，但现实经济无法回避这个问题。资本所有者的边际消费倾向通常低于普通劳动者，当收入越来越集中于资本，新增财富可能更多流入股票、房地产和金融资产，而不是形成同比例的消费需求，其结果可能是：一边出现空前强大的生产能力，另一边出现相对不足的居民购买力；一边是利润和资产价格上涨，另一边是就业焦虑和消费谨慎，而AI带来的供给革命，最终可能转化为新的需求不足和资产泡沫。
所以，“AI能否让经济增长”只是供给侧问题，“AI能否让社会繁荣”则取决于分配和需求能否形成新的闭环。
盖茨提出，应当重新平衡劳动与资本之间的税收。他认为，现行税收体系事实上在鼓励企业用机器替代人：企业雇用员工，需要缴纳工资税和相关社会成本；购买机器人或AI服务，却往往可以作为企业支出抵扣。因此，他主张研究对AI Token和机器人征税，用相关收入支持再培训、社会保障以及受冲击的劳动者和社区。
这个方向抓住了问题的实质：当劳动收入下降、资本收入上升时，以工资和个人所得税为核心的财政体系将面临税基收缩，而恰恰在社会最需要扩大保障的时候，传统税源却可能减少。
但我认为，对Token和机器人征税只能成为过渡性工具，不能被视为AI分配问题的根本答案。
首先，Token并不是标准化的经济价值单位。同样一百万Token，用于生成娱乐内容、发现新药、自动处理会计业务，其经济价值完全不同。随着模型效率提高，完成同一任务需要的Token还可能减少。按照Token数量征税，既难以准确衡量替代了多少劳动，也可能鼓励企业进行技术性规避。
其次，如果税率设计不当可能提高AI应用成本，削弱中小企业采用新技术的能力，而大型平台反而可以通过规模和跨境安排降低负担，其结果可能不是限制垄断，而是进一步强化垄断。
再次，机器人税很难解决软件智能体的跨境属性。一个注册在境外的模型服务可以同时为多个国家的企业工作，价值在哪里创造、利润在哪里形成、税收应由谁征收，都会变得更加复杂。
因此，比“如何对AI征税”更根本的问题是：如何让更多普通人拥有AI时代的生产性资本？
如果AI、算力、数据和平台高度集中，生产率红利必然主要流向少数所有者。劳动者即使熟练使用AI，也可能只是持续向模型和平台支付费用，无法参与底层资本收益的分配。
未来的社会分界线，可能不再只是高技能劳动者与低技能劳动者，而是拥有AI资产的人与租用AI资产的人。这意味着，AI时代的分配制度不能只依赖事后转移支付，还要推动事前所有权扩散：养老金、公共基金、社会保障基金和居民长期投资账户，应当更广泛地参与AI基础设施和科技资产的长期收益；企业可以通过员工持股、利润分享和AI生产率分红，让员工分享自动化带来的增量；公共数据和公共科研成果形成的商业价值，也应当建立相应的社会回报机制。
元股证券:ygzq.hk全民基本收入解决的是“没有工资以后如何消费”，全民资本参与解决的是“没有工资以后如何分享生产收益”，前者是救济逻辑，后者才是所有权逻辑。
面对技术失业，最常见的政策建议是再培训。盖茨也强调，应当为受到冲击的劳动者提供教育、转岗和社会保障支持。
再培训当然必要，但不能神化。如果某类岗位消失，只是因为劳动者缺乏新的技能，那么培训能够解决问题；但如果AI使全社会完成同样产出所需的人数大幅下降，再培训只能改变谁获得剩余岗位，不能自动创造足够的新岗位。
假设原来需要100名分析师完成的工作，未来10名分析师加上AI便可以完成，即使其余90人全部掌握AI，也不意味着企业重新需要100人。
问题不在于劳动者不够努力，而是劳动需求曲线本身发生了变化。Anthropic的模型也揭示了这一点，提出AI冲击可以通过两种方式表现：工资下降或者就业下降——在极端情景的敏感性分析中，如果认知型工资能够完全灵活调整，其工资可能下降超过42%，失业率却只有2.6%；如果工资高度刚性，工资相对稳定，认知型失业率则可能升至24%。换句话说，市场调整并不会消除成本，只会决定成本体现为更低的工资还是更少的岗位。
因此，真正的政策体系至少需要同时处理三个层次：第一个层次是帮助劳动者转换职业，包括再教育、职业认证、就业服务和地域流动支持；第二个层次是缩短劳动时间，通过更灵活的工作制度，使生产率红利部分转化为更多闲暇，而不只是裁员；第三个层次则是建立工资以外的收入来源，使居民能够通过资本收益、公共分红和社会保障分享AI创造的财富。
如果只谈培训，就容易把技术和制度造成的问题转化为个人责任：仿佛失业只是劳动者没有及时学习新技能，这既不符合经济事实，也不利于维护社会稳定。
盖茨文章中最有原创性的概念是“人类保留领域”，他的意思不是因为机器做不好所以暂时让人来做，而是即使机器能够完成某些工作，社会仍然可以基于尊严、伦理、信任和公共价值，选择保留人的参与。
例如，AI可能比医生更准确地识别某些疾病，但是否应该由一台机器独自告诉病人患上绝症，则是另一个问题；机器人可以完成部分养老护理，但陪伴、理解和情感回应是否应被完全自动化，也不能只用成本衡量。
这触及了传统经济学中一个长期被忽略的问题：技术上能够替代，并不等于社会上应当替代：市场价格擅长衡量效率，却不擅长衡量尊严、意义、信任和社会连接；一个护理机器人可能比护理人员便宜，但护理工作产生的并不只是洗漱、送药和移动身体等可计算的任务，它还包括情绪安慰、人与人的理解以及对生命尊严的确认。因此，“人类保留领域”不是传统意义上的行业保护，而是一种社会选择：在某些关键场景中，人类参与本身就是产品价值的一部分。
当然，这个概念也不能被无限扩大。如果把大量职业都划入保护范围，可能导致效率下降、服务成本上升，也可能让保护政策变成既得利益的工具。不同国家、行业和发展阶段，对保留范围的判断也会不同。一个人口老龄化、护理人员严重短缺的社会，可能更欢迎护理机器人；另一个就业压力较大的社会，则可能更重视人的参与。
因此，更现实的制度不是简单禁止AI，而是建立“人类最终负责”的混合模式。在医疗、教育、司法、养老、心理服务和公共决策等领域，AI可以承担信息处理和辅助判断，但最终责任、重大沟通和价值判断仍由人类承担。人的价值不再来自重复执行每个任务，而是来自责任、信任和最终决定权。
Anthropic把AI未来归结为几项参数：能力能够覆盖多少任务、企业采用多少、增强和自动化各占多少、生产率提高多少、新任务创造多少、劳动者需要多久才能转向新职业。
这些参数看似是技术和市场变量，实际上都受到制度影响：企业选择增强员工还是直接裁员，取决于税收、劳动关系和公司治理；新任务能否出现，取决于创业环境、教育体系和市场开放程度；劳动者能否快速转岗，取决于培训、住房、社会保障和职业资格制度；AI收益是否集中，则取决于竞争政策、资本所有权和税收体系。
换言之，Anthropic的三种情景并不是等待社会被动接受的三种命运，而是政策和企业选择共同塑造的结果。
盖茨提出建立跨部门的国家级AI治理机构以及新的国际合作框架，其出发点也在这里。AI同时影响就业、税收、教育、能源、金融、公共安全、医疗和国际竞争，现有政府部门各自处理一个局部问题，很难形成系统性的转型方案。
AI带来的挑战不是一个产业政策问题，而是一次经济社会操作系统的升级：未来国家间的AI竞争，也不会只取决于谁拥有更大的模型、更多的芯片和更强的算力，真正决定长期胜负的，是谁能够更快把AI嵌入实体经济、谁能够建立更有效的新职业生成机制、谁能够让资本收益更广泛地覆盖居民、谁能够在提高效率的同时维护社会信任！
如果一个国家拥有世界上最先进的AI，却同时出现大规模结构性失业、财富高度集中和社会撕裂，它的技术领先并没有真正转化为制度优势。
Anthropic和盖茨讨论的是宏观经济，但其结论会直接进入企业估值。
过去资本市场衡量一家公司的效率，往往关注收入增长、利润率、现金流和人均产出。AI时代，越来越多公司会通过缩减员工、部署智能体和重构流程，提高人均收入和利润率，这类企业则可能率先获得估值溢价。
但投资者不能只看“减少了多少人”，真正有价值的AI转型不是简单以软件替代员工，而是能否同时扩大市场、创造新产品、改善客户体验并形成新的商业模式。如果企业只是通过裁员降低成本，增长空间没有打开，其估值提升很可能是一次性的；如果AI帮助企业重构研发、供应链、销售和服务体系，使原来无法盈利的业务获得规模化条件，才可能形成长期价值。
更重要的是，随着劳动收入份额下降，资本市场本身将成为社会分享AI红利的重要渠道，股票、基金、养老金和长期资本账户，不再只是财富管理工具，还可能承担新的收入分配功能。
这也使资本市场面临新的公共责任：如何让更多居民而不只是少数高净值人群，分享AI企业和AI基础设施的长期收益？如何防止资本红利集中于少数平台和早期投资者？如何让中小企业也能获得算力、数据和智能化转型能力？
从这个角度看，AI时代的资本市场不能只负责给科技巨头融资，还必须承担生产率红利社会化扩散的功能。
Anthropic给出了一个令人不安的极端情景：经济增长15.4%，整体失业率却达到11.9%；GDP增加三分之一，劳动收入几乎没有增加。比尔·盖茨则进一步提醒我们，即使政府能够通过税收和转移支付维持居民的基本生活，工作仍然不只是收入，它也是身份、尊严、社会联系和个人价值感的重要来源——AI时代的问题不能仅仅通过发钱来解决。
如果一个人拥有足够的基本收入，却不知道为什么起床、如何参与社会以及怎样获得他人的认可，那么物质保障只能解决一部分问题。人类需要的不只是消费权，也需要参与权、创造权和被需要的感觉。
因此，AI时代的经济学必须重新回答四个基本问题：当机器能够劳动时，人类收入从哪里来？当资本开始拥有认知能力时，资本所有权应如何分布？当就业不再是必要的生产条件时，工作对人的意义是什么？当GDP与多数人的生活感受发生脱节时，我们又该如何衡量真正的繁荣？
Anthropic算出了AI可能创造多大的蛋糕，比尔·盖茨则追问这块蛋糕如何分配，以及人在新的生产体系中还剩下什么位置。
我的判断是，AI不会自动带来乌托邦，也不会必然导致大规模贫困，它更可能把人类推入一个“技术性富裕、制度性滞后”的过渡期：生产能力快速上升，原有的就业、税收、教育和社会保障体系却来不及调整，真正决定未来的不是AI会不会比人更聪明，而是人类能否在AI全面进入经济体系之前，重新设计增长与分配、效率与尊严、资本与劳动之间的关系。
AI时代最危险的并不是经济停止增长，而是经济创造出前所未有的繁荣，大量普通人却发现：这场繁荣已经不再需要自己！
互动话题
当AI创造出前所未有的繁荣，你更担心“失业”，还是“不被需要”？欢迎在评论区聊聊你的判断。
文章配图由AI生成
本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。
本文来自虎嗅融资融券市场平台，原文链接：https://www.huxiu.com/article/4890883.html?f=wyxwapp
口碑配资门户网提示：本文来自互联网，不代表本网站观点。
