尽管人工智能(AI)取得了巨大进步，但人们对 AI 的经济影响仍缺乏足够的了解，AI 从业者和经济学家的见解也不尽如人意
生成式 AI 迅速席卷整个社会，ChatGPT、Claude 和 Midjourney 等革命性工具以前所未有的速度聚集了数百万用户。从睡眠追踪应用程序 Sleep Cycle（我个人使用）到 Slack 和 Teams 等办公生产力工具，众多软件应用程序都在竞相整合 AI 功能。
AI 背后的技术发展速度惊人。领先模型的智能正在以惊人的速度发展——GPT-2（2019 年）难以形成连贯的句子。仅仅 4 年后，GPT-4 在从竞赛数学到 AP 考试的任务中已经超越了大多数高中生的能力¹。此外，运行 AI 模型的成本 正在一下子就下降——OpenAI 于 2024 年 7 月推出的 GPT-4o mini 的性能与 2023 年 3 月发布的原始 GPT-4 相当，成本仅为其 1/200²。而且这种进步没有停止的迹象³。
因此，人们越来越认识到 AI 将以深刻的、前所未有的方式从根本上重塑社会和经济。
但 AI 会对经济产生什么影响呢？不幸的是，这是一个重大问题，在我看来，它尚未得到令人满意的解答。
当前， AI 社区的重点是设计新架构和开发尖端产品。 AI 从业者和构建者专注于提高模型性能，仅在涉及潜在用户和创新市场时才考虑经济因素。
另一方面，经济学家则在自动化、替代和互补性方面建立了严格的模型和理论。然而，因他们经常在 AI 领域之外工作，因此他们与最新的 AI 进步以及组织采用这些技术的方式脱节。这种脱节有几率会使对 AI 潜力的根本误解，因此导致悲观的评估：2024 年诺贝尔奖得主 Daron Acemoglu 最近 估计 ， AI 在未来十年内累计只能使生产率提高 0.7%⁴。
与此同时，智库和咨询机构能够说是两败俱伤。他们发布引人注目的报告，大胆宣称“ 发达经济体 60% 的工作可能受到 AI 的影响 ”⁵ 或“ AI 将为经济贡献 15 万亿美元 ”⁶。然而，这些报告很少明确说明“受影响的工作”或“对经济有贡献”等术语的具体含义，也没有跟上最新的 AI 发布及其影响。
我认为，我所处的经济学和 AI 交叉领域提供了独特的视角。作为一名专注于生产力、创新和宏观建模的研究经济学家，以及一名创造了多种 AI 工具并紧跟最新行业趋势的 AI 建设者和爱好者，我认为有必要更深入地了解 AI 的经济影响。最近，Ronnie Chatterjee 博士被任命为 OpenAI 的首任首席经济学家 ⁷，这突显出 AI 行业越来越认识到经济学在塑造其发展轨迹方面发挥的关键作用。
希望这是探索 AI 经济影响的系列文章中的第一篇。在本文中，我将通过 David Autor 和 Daron Acemoglu 普遍的使用的经济框架来研究 AI 对就业的影响，同时介绍一种结合 AI 领域最新发现的新扩展。
未来的文章将探讨 AI 对以下方面的影响：1） AI 投入的生产（如芯片和能源）、2）创新和研发，以及 3）生产力增长等宏观经济成果。总之，这些探索旨在从经济学家的角度提供对 AI 的全面而细致的见解。
为了将我们的讨论建立在经济框架上，让我解释一下 Acemoglu & Restrepo (2018) ⁸ 提出的基于任务的框架，该框架后来在经济学文献中广为流传⁹。读完这篇文章后，你现在可以觉得自身是一位新兴经济学家，因为你已经参与了一篇严谨而开创性的经济学论文！
经济由生产产出的企业组成。企业的产出(ye) 是通过组合生产的全部过程中的各种任务(x) 而产生的，每个任务对最终产出的贡献具有不一样的重要性 (a(x))。
转向右侧的特定任务生产函数，我们正真看到可以使用这些生产要素来生产一项任务：人力（le）、 AI （ae）或两者的结合。
劳动力和 AI 各有一个术语，表示特定要素生产率。对于劳动力，这指的是人力资本——例如，经验丰富的经济学家可以比初级经济学家写出更好的论文，速度也更快。对于 AI ，这包括技术变革——例如，更强大的计算机可以以比上一代快两倍的速度进行模拟。
sigma 一词决定了劳动力和 AI 之间的可替代程度。sigma 值越高，任务中劳动力和 AI 之间的可替代性就越高。
· 如果 sigma 为无穷大，则劳动力和 AI 在一项任务中是完全可以替代的。例如，在简单的顾客购物结账任务中，超市的人工收银员和自助结账柜台是可以替代的。
· 在其他情况下，劳动力和 AI 是互补的，或者两者都是完成任务所必需的。例如，要完成一项计量经济学研究，经济学家必须使用计算机软件进行回归分析和数据分析。然而，计算机无法自己进行研究，因为经济学家需要收集数据、解释回归结果并撰写论文来介绍研究结果。
现在，假设一项新的 AI 创新已经发布。例如，OpenAI 发布了 Sora ¹⁰，这是一款可以在几分钟内制作逼真视频的 AI 视频生成工具。让我们分析一下这项创新对一家帮助企业制作营销视频的公司的影响。这家公司的制作流程涉及两项任务：制作和编辑视频（任务 A）以及为客户提供客户服务（任务 B）。
AI 创新提高了 AI 的生产力，在任务 A（生成视频）中，提高了人工智能的边际产品。这对就业有什么影响？正如我之前所暗示的，这取决于劳动力和 AI 对于这项任务的可替代性，或者 sigma 的值。
如果劳动力和 AI 具有高度可替代性，就业就会减少。在这种情况下，由于制作一段特定视频对于 AI 来说比人工成本更低，因此企业将在该任务的生产中用人工智能取代人工。因此，任务 A 的生产中劳动力的份额下降，而 AI 的份额上升。一般来说，这意味着更多的任务完全自动化（即完全使用 AI 作为输入）。保持生产结构（即每项任务在最终产出中的份额）不变，所需的劳动力数量就会减少（例如，超市的收银员被自助结账柜台取代）。
那么，这对工人来说是否都是厄运和悲观？别急。有几种潜在的机制可能会导致就业增加。
在同一项任务中，劳动力和 AI 之间可能存在很强的互补性。以经济学家为例，计算机软件可能会变得更高效，以相同的成本产生 10 倍的经济模拟。这意味着需要更多的经济学家来解释和发布更多的结果¹¹。其他具有很强互补性的工作包括知识工作者，如顾问、医生和律师。
此外， AI 边际产量的增加将降低生产成本。这使公司能够生产出更多的产品，也称为生产力效应¹²。因此，即使某项任务已经实现自动化，生产力效应也会导致非自动化任务的招聘增加。在产量大幅增加的情况下，由于需求弹性高 （我将在后面的部分详细说明），总体就业率确实可能会增加。
最后，还有复职效应， 即创造出人类擅长的新任务。以视频生成为例，也许任务 C 将被创造出来：以前的视频编辑将转变为创意顾问，为客户提供品牌创意方向的建议。Autor (2024) ¹³ 使用 NLP 分析了几十年来的职位名称，发现 2018 年 60% 的职位在 1940 年并不存在。自 1940 年以来，大部分新工作已从中产阶级生产和文职工作转向高薪专业工作和低薪服务工作。
从上述模型中，我们可以看出 AI 对劳动力的影响将取决于劳动力是可自动化的，即专门从事人工智能已经自动化的任务（例如任务 A），还是不可自动化的，即专门从事非 AI 自动化的任务（例如任务 B）。可自动化的劳动力最终将因 AI 的发展而被取代，从而导致工资下降和失业。然而，不可自动化的劳动力将得到保留，并且他们的生产力和工资可能会有所提高。
因此，现在要回答的关键问题是如何识别哪些劳动是可自动化的，哪些劳动是不可自动化的。
这里值得停下来强调一下文献中的另一种观点，尤其是 Autor (2024) 的观点，他将技术（而不是劳动力）归类为劳动力增强型或劳动力自动化型。Autor 使用专利文本对创新进行分类：如果专利的内容与职业产出相符，则专利被视为增强型创新；而如果专利的内容与特定职业中的工人执行的任务相似，则专利被视为自动化创新。
尽管这种方法已被奥托框架的后续论文所采用，但我发现它因多种原因而存在问题。
首先，预测一项创新发布时的影响本质上是不确定的。2024 年 2 月 OpenAI Sora 发布那天，我正在听一个领先的 AI 播客《 AI 每日简报》，其中描述了Sora 是一项多么巨大的突破¹⁴。然而，主持人 Nathaniel Whittemore 承认，他完全不知道 Sora 是否会取代或增强视频创作者，我们只能“拭目以待”。
其次，将技术归类为增强型或自动化型假设对所有工人的影响是一致的，这过于简化了工人异质性的现实。工人的技能、经验和生产力水平各不相同。因此，某种技术更有可能增强某些类型的劳动力并自动化其他类型的劳动力。
大多数经济文献都假设劳动力是同质的。有些文献试图解释劳动力的异质性，假设劳动力有两种类型：高技能劳动力和低技能劳动力，但这仍然是一种简化论。劳动力的同质性是解决均衡工人工资和“解决”理论模型的必要假设。
然而，这与现实的劳动力市场不符，因为在现实劳动力市场中，工人之间的生产力和技能水平存在巨大差异。在一项任务中，不同的工人的生产力水平各不相同（例如，有些人编辑视频的速度比其他人快得多）。此外，工人在多项任务中拥有独特 的技能组合（例如，一些工人既可以编辑视频，又可以向客户推销他们的视频编辑服务，而另一些工人只能编辑视频）。
这让我想起了国际足联分配给足球运动员的数据（射门、定位、完成、点球等）。这些都导致了总体得分（想想生产力）的广泛差异，因此即使是同一职业的工人之间的工资也存在很大差异。
这凸显了经济学家们普遍受到的批评：他们倾向于根据易于分析并能给出“清晰”结果的模型来构建模型，而不是根据建模假设的现实性。因此，他们的结果在严格的条件下是优雅且理论上严谨的，但却有可能脱离现实，对理解现实世界的问题提供有限的效用。
正是在这个时候，我引入了我的框架，将劳动力分类为增强型或自动化型，认识到工人的异质性，但仍能很好地适应基于任务的经济框架。
我的框架所依据的核心原则很简单：劳动力是被增强还是被自动化，取决于 AI 相对于特定任务中工人的相对表现。如果劳动力在某项任务中的表现比 AI 差，那么 AI 技术就会使该任务中的劳动力自动化；如果劳动力在某项任务中的表现比 AI 好，那么 AI 技术就会增强劳动力。
例如，如果 OpenAI 的 Sora 模型能够以75% 的生产力（粗略定义为相对于时间和金钱投入的质量）生成视频，那么它将取代 任何比 75% 更差的视频编辑器（假设其 AI 边际成本低于雇用 75% 的视频编辑器的成本）。然而，对于 90% 的视频编辑器来说，Sora 成为一种增强工具。这位编辑能够正常的使用 Sora 立即获得质量相当于 75% 视频编辑器的初稿，然后利用他们卓越的技能将初稿改进为更高质量的最终产品。
这种方法的优雅之处在于它依赖于 AI 相对于人类在广泛任务上的表现的现成的、最新的数据。
这是因为 AI 模型创建者通过对大量不同任务进行人工基准测试来测试其模型的性能。基准测试的一些示例包括 MATH（高中竞赛数学问题的汇编）、GPQA（由生物学、物理学和化学领域专家编写的博士级问题）和 SWE-bench（来自 GitHub 的真实世界软件问题的集合）。
这种做法可确保每个新的 AI 模型或产品发布都附带公开共享的性能指标，从而及时、详细地了解 AI 功能。
相比之下，用于跟踪技术进步和影响的传统经济指标（如专利数据或工资和就业统计数据）本质上是滞后的。专利数据往往忽略了关键创新，因为许多 AI 公司没有为他们的新产品申请专利。工资和就业数据虽然有用，但要经过很长的延迟才能获得，而且本质上是事后数据，这限制了它们预测尖端 AI 对劳动力未来影响的能力。
从上面推文中的图表¹⁵，我们可以看到 AI 的发展速度有多快。在深度学习的突破推动下， AI 在 2010 年代已经在图像识别等狭义任务上超越了人类的表现。在自然语言处理 (NLP) 领域，Transformer（于 2017 年推出）彻底改变了该领域，从 BERT 等模型扩展到 GPT 的后续版本。目前，前沿 AI 模型正在代码生成、高级数学以及推理和逻辑等更复杂的任务上迅速改进。目前的趋势表明， AI 将在未来几年内与这些领域的人类专家相媲美或超越人类专家。
此外，AI 模型的性能已在标准化考试（AP、SAT、GRE，甚至从 AIME 到 IMO 的竞争性数学）¹⁶ 上进行了基准测试。由于标准化考试提供了学生成绩在时间和横截面上的良好分布，因此可以利用这些数据来近似劳动力的技能分布。
通过将 AI 绩效数据与职业任务描述关联起来，并将其与每个职业工人的估计技能分布进行比较，我们可以构建一个指标，衡量 AI 相对于每个职业的人类的相对绩效，从而衡量每个职业工人的替代或增强潜力。我相信这是可能的——经合组织的 PIAAC 是首屈一指的国际可比成人技能数据库，我自己也曾在一个关于成人技能和老龄化的经济学项目中使用过它。经合组织还 衡量了 AI 解决 PIAAC 读写和算术测试的能力 ¹⁷。
因此，如果 AI 的表现相当于某一职业中第 75 个百分位的工人，那么这一指标就可以解释为 AI 可能会取代该职业中底层 75% 的工人，并增加该职业中顶层 25% 的工人。这提供了关于 AI 异质影响的分布性、职业内部见解。
我的框架可以对当前关于 AI 是否会给高技能工人或低技能工人带来更多好处的争论提供见解。这个问题对不平等有着重大影响——不平等是影响社会凝聚力和对经济体系满意度的重要问题。
尽管思想领袖和早期实证证据仍然存在分歧，但我希望使用我的框架进行更深入的分析可以帮助调和一些明显的矛盾。
· Brynjolfsson 等人 (2023) ¹⁸：在首次研究生成式人工智能对工作影响的实验之一中，作者发现使用人工智能的客户支持代理的生产力平均提高了 14%。至关重要的是，经验较少或技能较低的工人的生产力增幅最大，为 35%，而经验最丰富的工人的生产力增幅最小。
根据 DellAcqua 等人于 2023 年开展的研究，使用 ChatGPT 使低技能顾问比高技能顾问受益更多。
· DellAcqua 等人（2023 年） ¹⁹ ²⁰ ：与波士顿咨询集团 (BCG) 顾问进行的一项现场实验揭示了类似的模式。获得 GPT-4 访问权限的绩效较低的顾问的生产力提高了 43%，而绩效较高的顾问的生产力仅提高了 17%。
· Hoffman 等人（2024 年） ²¹ ：通过研究 187,000 名使用 GitHub Copilot 的开发人员，作者发现，Copilot 使软件开发人员能够将任务分配从非核心项目管理任务转移到核心编码活动上，并且能力较低的²² 编码人员感受到的效果更大。
乍一看，这些发现似乎与我的框架相矛盾，我的框架认为，表现较差的工人将被取代，情况也会更糟。让我再次使用我的框架和视频制作公司的例子来解释一下。
在这种情况下，视频编辑的职业包括两个互补的任务：任务 A（视频编辑）和任务 B（客户服务）。尽管任务 A 已经实现自动化，但任务 B 无法实现自动化，因为它需要人工与客户协商和讨论。如果任务 B 占用了大部分时间，那么员工的整体生产力将受到任务 B 效率低下的限制。例如：
· 任务 A 中处于第 5 百分位的工人可以使用 AI 达到第 75 百分位的生产力水平，从而显著提高他们的整体产出。
· 相反，75% 的员工可能看不到 AI 带来的任何改善，因为他们的瓶颈在于任务 B，而该任务没有任何进步。
用经济学术语来说，自动化任务 A 和低效任务 B 之间存在很强的互补性。任务 B 的低效性实际上限制了整体生产力的提高，产生了 Michael Webb ²³ 所描述的绩效天花板：超过这个极限，任务 A 的进一步改进将导致收益递减。因此， AI 帮助低技能工人缩小与高技能工人的差距，两者最终趋于绩效天花板。
然而，随着公司和 AI 技术的发展，这种动态可能会发生变化。也许公司将进行任务专业化，将任务 A 和任务 B 分离，并为每个任务雇用单独的工人。因此，任务 A 中表现不佳的工人将被取代，因为任务 B 不再需要他们。或者，进一步的 AI 进步也可以使任务 B 自动化（例如，OpenAI Realtime 改进为自动化所有简单的客户服务电话）。也许到那时你会看到最优质的客户助理（例如那些提供个性化咨询/指导或情感指导的客户助理）得到增强，而所有低质量的客户助理都将被自动化。
首先，我的框架显然意味着，在特定任务中，高技能工人更有可能得到增强，而不是被自动化。正如迈克尔·韦伯 (Michael Webb) 在 2023 年接受 80,000 Hours 播客采访 AI 的帮助下设计架构并实现 100 个应用程序，而这项任务以前需要雇用大量初级软件工程师。这说明了 AI 如何能够提高高技能工人的生产力，而不是取代他们。
Toner-Rodgers (2024) 24的另一项最新研究因其对 AI 和科学创新的积极发现而备受 关注 ，该研究发现，当研究人员获得 AI 辅助材料发现工具时，顶级研究人员的产出翻了一番，而排名垫底的三分之一科学家却获益甚微。作者将这种差异归因于 AI 和人类专业知识在创新过程中的互补性。顶尖科学家利用他们的领域知识优先考虑有希望的 AI 建议，而其他人则浪费了大量资源来测试误报。
此外，随着个人在工作中获得经验和技能，他们通常会担任领导和管理职位，而这些职位是 AI 相对较弱的领域。这些职位需要战略思维、情商和人际交往能力，这些能力是对 AI 的补充，而不是替代。经验和 AI 互补性之间的正相关关系表明，技能更高、经验更丰富的工人更有可能在人工智能增强的劳动力市场中茁壮成长。
Acemoglu (2024) ²⁵ 提出了另一个可能导致低技能工人失利的渠道。即使人工智能能够提高低技能工人在某项任务中的生产率（让我再次回到视频编辑任务 A），高技能工人可能会被重新分配到其他任务，而任务 A 的商品化（由于人工智能的进步，任务 A 的供应更加充足）可能会导致任务 A 的价格下降（即价格下降），从而导致专门从事任务 A 的工人（低技能工人）的工资停滞不前。
对于低技能工人来说，动态效应更加令人担忧。随着人工智能在他们擅长的任务上超越他们的能力，这些人的就业机会可能会大大减少。这导致最有价值的技能培养发生在工作中，但如果没有入门级职位，低技能工人可能几乎不可能获得维持经济可行性所需的技能。
我的教兄是一位热心的电影评论家，他向我强调了这种担忧。我们当时正在讨论 2023 年好莱坞演员罢工，反对电影制片厂使用人工智能配音取代小角色等问题。他指出，许多多产的电影导演都是通过在好莱坞多年从事低级工作来磨练自己的手艺。例如，克里斯托弗·诺兰 (Christopher Nolan) 早年曾担任过剧本阅读员和摄影师 [26] 。如果制片厂用人工智能取代这些机会，他可能永远不会成为今天的样子。人工智能就像一场海啸——那些未能在自动化之前的短暂机会之窗中到达“更高境界”的人，在自动化浪潮来袭时可能会遭受不可逆转的毁灭。这种动态可能会导致熟练工人和非熟练工人之间不可逆转的两极分化。
这种现象的证据已经出现在科技行业，入门级软件开发人员的职位空缺正在急剧下降。
虽然双方都有充分的证据支持这一争论，但我个人认为，人工智能最终会扩大而非缩小工人之间的差距。这凸显了解决人工智能带来的社会经济挑战的紧迫性。
让我们深入探讨一下我之前提到的生产力效应，这也是人们对人工智能对就业产生积极影响的乐观态度的基础。了解这一点将有助于我们了解哪些职业最有可能在未来免受人工智能的影响，甚至受益于人工智能的进步（我将在最后一节介绍哪些职业是好的！）
这里的关键见解是，自动化驱动的成本降低和生产率提高可以大幅增加对最终产出的需求，从而导致非自动化任务的就业增加，这可能超过由于第一项任务的自动化而导致的就业下降。
这时，我要引用微观经济学入门课程中的一个概念——需求价格弹性。为了提醒大家，如果价格下降导致需求量成比例增加，最终导致总产出需求价值增加，则产品需求具有价格弹性。
简单地解释一下，对于价格弹性的产品，消费者实际上会对这些产品有更多需求，但受到当前价格点的限制。
其中一个原因是，如果现有产品的市场渗透率较低，那么成本下降时就有开拓新市场的潜力。
尽管自动取款机是在二战后兴起的，但到 20 世纪 70 年代，银行柜员的就业总数却大幅增加，这表明银行分行运营成本的下降释放了新的市场
自动化支持者经常引用的一个例子是自动取款机和银行出纳员 ²⁸。二战后，银行服务需求激增，而人工出纳员对于兑现支票和存款等日常任务至关重要。20 世纪 90 年代，自动取款机变得无处不在，它们使许多日常任务自动化，大大降低了银行分支机构的运营成本。因此，银行可以在全国范围内开设更多分支机构，服务更广泛的人群。因此，出纳员的就业人数增加了，他们的角色从手动任务转变为专注于客户服务、销售和专业客户要求。
其他随着价格越来越低廉而使产品更加容易获得的例子有20世纪的汽车和电视，以及现在的无人机、增强现实家庭影院等新技术产品，由于质量的不断提高和成本的不断降低，这些产品越来越容易被普通消费者所接受。
此外，网络效应可以放大成本降低的效果，因为产品的价值会随着使用人数的增加而增加。例如，Slack、Google Docs 和 Zoom 等平台降低了远程协作的复杂性，从而降低了成本，推动了采用。随着越来越多的用户加入，这些平台的实用性只会增加，从而形成采用率和价值增加的良性循环。
或许这也是为什么 TikTok 对开发 AI 工具来简化视频制作非常感兴趣的原因。该公司 最近推出了 Symphony ²⁹，这是一套新的 AI 驱动的创意解决方案。通过减少制作 TikTok 视频所需的时间和精力，这将大大增加在 TikTok 上制作和分享视频的用户数量，从而进一步增强该平台的病毒式传播和参与度。
第三，能够促进创新或刺激更多产品创造的产品也会表现出价格弹性需求。最好的例子就是半导体。半导体最初由于成本高昂仅用于军事应用，但后来价格呈指数级下降，功能越来越强大，推动了一系列创新——从个人电脑到智能设备（如冰箱和电视）。今天，这一事实比以往任何时候都更加真实（我们将在下一篇文章中详细介绍），因为大型科技公司对半导体的需求无止境，推动了先进人工智能模型的开发和部署。尽管半导体的性能每两年翻一番（摩尔定律），但对半导体的需求仍在飙升， 预计到 2030 年，GPU 产量每年将翻一番 ³⁰。
另一方面，有些产品表现出价格无弹性需求，这在某种程度上预示着即使成本大幅下降，需求也不会增加。这些产品的特点是市场饱和，创造新应用的潜力较低。
一个例子就是报税软件。如果报税软件的价格下降 90%，消费者和企业不会突然多报 10 倍的税。对于这些情况，报税流程的自动化可能会导致就业率下降，因为需求不会增加。
另一个例子是快餐，它在西方世界已经达到了市场饱和。人们的食量有限，快餐的可负担性很少成为限制因素。即使快餐的价格便宜 10 倍，由于快餐店 90% 的服务人员都实现了自动化，我认为快餐的需求增长幅度还不足以阻止服务人员被取代。（尽管美国人对快餐的渴望可能会让我感到惊讶！）
今年，人们对人工智能的实际经济效益持怀疑态度。尽管企业越来越多地采用人工智能产品，但企业并没有看到人工智能支持者所承诺的生产力大幅提高。
然而，我认为这是因为我们正处于通用技术采用周期的早期阶段，而组织思维意味着我们现在处于价格缺乏弹性、人工智能=削减成本的状态。
许多人认为人工智能是一种 通用技术 （也简称为 GPT），它被定义为一种影响整个经济并有可能彻底改变经济和社会结构的技术。历史上的例子有蒸汽机（18 世纪末）、电力（19 世纪末）和信息技术（20 世纪末和 21 世纪初）。
阿贾伊·阿格拉瓦尔 (Ajay Agrawal) 在其 2022 年出版的有关人工智能颠覆性经济学的书中指出，人工智能可能会遵循与之前的通用技术 (GPT) 类似的轨迹，例如 19 世纪末和 20 世纪初的电力。
当时，蒸汽动力推动了工业革命的经济发展，电力的最初应用主要被视为一种临时替代品。例如，电动机被用来取代汽车和电梯中的蒸汽机。然而，这些孤立的应用未能显著提高用电量或释放电力的变革潜力。
随着时间的推移，电力的真正前景逐渐显现 ³³，人们意识到它能提供分散的电力——小型、便携的能源单元，可以独立于中央发电系统运行。这种能力使工厂能够摆脱中央蒸汽井所规定的僵化布局。亨利·福特等工业家利用这种灵活性，开创了新颖的生产线设计，彻底改变了制造业，并在 20 世纪初推动了前所未有的效率提升。
Ethan Mollick 同意这一评估 ，他认为，目前，人工智能主要被用作提高效率的临时替代品，而不是推动生产系统的根本性改革。只要企业将人工智能主要视为一种节省成本的信息技术，他们就会专注于在现有任务中用人工智能取代人类，而不是重新构想其生产功能。这种方法自然会导致劳动力流失，而不是带来变革性的经济收益。
从长远来看，企业将从将人工智能视为一种简单的效率工具，转变为将其作为全新生产模式的核心功能进行整合。一些例子可能是自主供应链，或协调知识工作者的人工智能个人助理。这种转变还将催生一类新的人工智能优先产品，有可能推动大规模的生产力改进，并促使人们重新想象劳动力在这些系统中的作用，或产生复职效应的超级版本。也许现在所有的工人都将成为“质量控制专家”，检查人工智能生成的输出是否有错误或根据小众用户需求对其进行定制。
结合我们的框架，我们知道价格弹性往往会长期增加，这恰恰是因为企业可以调整其生产流程。随着人工智能的发展，企业可能会不再主要将其用作削减成本、取代劳动力的工具。相反，他们将利用人工智能来彻底改革生产系统，开发全新的产品，并开拓新市场，从而抓住更大的需求。这种演变最终可能导致生产力和复工效应占主导地位，为工人和消费者带来实质性利益。
让我来总结一下本文迄今为止的见解，并指导您如何识别在人工智能发展时期理想的工作。与其他论文不同，我没有按分数排名的职业列表来推荐给您，因为这需要使用我提出的框架进行更深入的分析和研究。相反，我将概述识别“防人工智能”角色的关键标准。
一个天真的建议是，根据 最近发表的论文中的人工智能暴露指标， 人工智能暴露程度最低的职业是最好的职业³⁶³⁷。但这是错误的。看看人工智能暴露程度最低的领域——护理、基础教育。我将添加清洁和家政工作。然而，这些工作的薪水很低，未来不太可能看到生产力或需求的大幅改善，因此经济发展的机会很少。
除了人工智能的普及程度，我们还应该关注变化的速度。再次强调，显示人工智能模型在不同任务上进展速度的图表非常具有指导意义。
我对理想工作的标准是：这份工作主要包含不可自动化的任务，但也包含大量可自动化的任务，而人工智能正在这些任务中迅速改进。这将支持这份工作的生产力增长。此外，这份工作必须属于创新领域，生产力的提高很可能导致需求大幅增加。
我想到的一个例子是技术产品经理 (PM)。PM 的核心职责——了解产品、行业和用户，以及促进工程师和业务团队之间的沟通和协作——从根本上讲是不可自动化的。然而，PM 的角色还包括可自动化的任务（例如，安排会议、在 Figma 上制作模型、原型设计、制作演示文稿、监控用户活动和开发人员的进度），而人工智能正在这些方面取得快速进展（用于安排会议的 AI 代理、Figma 的文本转设计、文本转 PPT 以及更多由人工智能驱动的监控仪表板）。这使 PM 的生产力显著提高，使他能够将更多时间集中在核心技能上，管理更大的团队和/或更有效地设计和推出新功能和产品。此外，好的软件产品可以解决的问题实际上是无穷无尽的——对软件的需求几乎是无限的。因此，生产力的提高将使 PM 能够做更多的事情，而不是让更少的 PM 做同样的工作。这些论点也适用于科技企业家。
理想情况下，你还应该考虑那些可以让你拥有推动自动化的资本所有权的工作。获得股权（在科技公司很常见）或在越来越多地使用人工智能的公司中晋升到高管职位，将使你能够从资本收入的自动化中获得一部分收益，而不是依赖于你的工资，而工资可能会是一块不断缩小的蛋糕。
通过关注平衡人类智慧与人工智能驱动的生产力增长的角色，并通过寻求自动化资本的所有权，我们不仅可以凭借韧性，而且可以凭借增长和影响的潜力驾驭这个转型时代。
最后，我还想挑战“人工智能自动化工作完全是无望的”这一观点。仅仅因为机器能够比人类更好地完成某些任务，并不意味着这些活动或与之相关的技能就毫无价值。
例如，汽车、照相机和扬声器的发明并没有降低跑步、绘画或演奏音乐的价值。当然，这在某种程度上预示着那些专门以跑步、绘画和制作音乐作为主要收入来源的人需要适应，但许多人仍然将这些活动作为休闲活动和爱好。事实上，能够为了自己而从事这些活动，不受商业化压力的影响，会更令人愉快。
这一愿景与流行文化中描绘的乌托邦理想相一致，例如艾萨克·阿西莫夫的《我，机器人》一书，其中人工智能将所有经济工作自动化，使人类可以专注于智力和休闲活动，而不必为谋生而烦恼。在这样的世界里，如果你擅长某项自动化任务，你实际上仍然可以通过将这些技能教给其他人来找到工作的意义和收入（例如跑步教练、艺术指导和音乐老师）。最终，人类将倾向于一种真正不可自动化的产品：从人际关系中获得价值的活动，例如个性化辅导、培养人际关系和情感交流。
然而，我并不天真地认为这样的世界是可能的结果。实现这一愿景取决于人类能否公平地重新分配人工智能带来的收益，以便那些经济价值被自动化剥夺的人仍能获得公平的资源份额，过上有意义的生活。考虑到当今不平等和商业化的世界，这显然是一个巨大的挑战。虽然探讨这个问题超出了本文的范围，但我希望在未来的文章中讨论人工智能如何重塑更广泛的经济体系。
总之，人工智能无疑将对经济产生深远影响，其性能将得到改善，成本将迅速下降。使用一个经济基础框架，我将解释为什么一些工人将被取代，而另一些工人将得到人工智能的增强，人工智能对工人的影响取决于一个关键指标：人工智能在与他的职业相关的任务上的表现是否优于工人。高技能工人或低技能工人是否受益更多取决于公司的生产性质。然而，人工智能目前的使用方式并不是其经济前景的良好指标，因为它是一种通用技术，将创造新的系统、产品，并在长期内推动生产力的显著提高。
最后，我通过陈述人们所向往的职业的某些特征来结束讨论。我鼓励更多的经济学家利用人工智能模型基准，对不同职业工人的自动化潜力进行及时、细致的评估，以定量地确定哪些是理想的职业。
归根结底，人工智能与任何技术一样，本质上是中性的，其社会影响将取决于我们做出的选择。人工智能从业者、经济学家和政策制定者必须共同努力，确保人工智能对经济和社会产生积极影响，通过再分配机制和深思熟虑的监管，在促进创新和确保公平之间取得平衡。只有这样，人工智能才能像 Anthropic 首席执行官 Dario Amodei 在最近的文章 ³⁸ 中所说的那样，成为“充满爱的机器”，让世界变得更美好。
人工智能的发展速度是前所未有的，模型能力和成本效率都有了显著的提升。然而，人们对人工智能的经济影响仍然了解不足，人工智能从业者、经济学家和智库的见解并不令人满意。由于对前沿发展的参与有限，经济学家往往低估了人工智能的潜在影响。
Acemoglu 和 Restrepo (2018) 的基于任务的框架在经济学文献中被广泛用于分析自动化的影响。
自动化：人工智能在可高度替代的任务中取代了劳动力，减少了这些领域的就业机会（例如，自助结账取代收银员）。
互补性：人工智能可以在仍然需要人类专业知识的任务中增强劳动力（例如，经济学家解释先进软件生成的数据）。
生产力效应：人工智能降低成本可以增加对非自动化任务的需求，从而有可能提高整体就业率。
恢复效应：随着人工智能使现有任务自动化，可能会出现新的任务，从而创造出需要人类独有技能的角色。
介绍一下我的框架：人工智能根据其相对于特定任务中的工人的表现来增强或自动化劳动力。如果人工智能比劳动力更好，那么劳动力就会自动化，但如果劳动力比人工智能更好，那么人工智能就会增强劳动力。这些信息很容易获得——人工智能模型与人类在各种任务中的表现进行对比，及时提供有关其相对能力的见解。这些基准可以映射到劳动力技能分布（例如，使用 OECD PIAAC 数据），以评估哪些工人最有可能被自动化或最有可能被增强。
人工智能究竟会让高技能工人受益还是低技能工人受益仍不确定。早期对客服人员、顾问和软件开发人员的经验证据表明，低技能工人受益更多。从经济角度来看，这是因为自动化任务与其他非自动化、低效任务之间存在很强的互补性，从而导致绩效天花板阻碍了生产力的提高。
然而，我个人认为高技能工人受益更多，因为：i）在一项任务中，他们更有可能被增强而不是被自动化；ii）正如 Toner-Rodgers (2024) 所示，人工智能可以在创新过程中补充人类的专业知识；iii）随着工人在晋升过程中担任管理角色，经验和人工智能对任务的互补性之间存在正相关关系；iv）即使由于人工智能导致技能差距缩小，自动化任务的商品化也可以降低任务价格；v）由于人工智能，低技能工作面临着就业机会的减少，剥夺了他们在工作中获得技能的机会，从而形成了恶性循环。
当人工智能降低成本，从而增加互补任务中的就业机会时，具有价格弹性需求的产品（例如半导体、消费技术产品）的需求会大幅度的增加。这种情况可能发生在以下情况下：i）成本降低会释放新市场，ii）存在网络效应，iii）产品能够促进创新。另一方面，由于 i）市场饱和和 ii）新应用潜力低，具有价格无弹性需求的产品（例如税务软件、快餐）会导致工作岗位流失，因为成本降低不会增加需求。
人工智能是一种通用技术，具有重塑经济结构的潜力，类似于电力和蒸汽机。在目前的早期阶段，企业用AI来削减成本，将人工智能的影响限制在取代劳动力的范围内。长期整合可能会带来新的系统和产品，从而明显提高生产力。
最好的工作是那些兼具不可自动化任务和可自动化任务的工作，而人工智能正在迅速发展，并且这些工作在生产力驱动需求增长潜力大的领域（例如科技产品经理）。员工应该寻求提供资本所有权的职位（例如科技公司的股权），以从人工智能驱动的生产力增长中获益。
自动化活动可以作为 休闲活动，并且仍然具有价值，类似于跑步、音乐和艺术，而且由于缺乏盈利动机，这些活动可能会更加令人愉快。然而，实现人工智能利益的公平再分配对于确保人工智能为所有人带来广泛利益至关重要。
