人工智能正在以一种前所未有的速度渗透进生产体系，它既像是一种技术红利，也像是一种结构性冲击。过去几年里，关于 AI 将如何改变经济的讨论从未停歇，但预测的分歧却大得惊人，有人认为它只会带来温和的生产率提升，也有人认为它将重塑就业结构、改变资本与劳动的收入分配，甚至推动经济进入一种近乎“加速主义”的增长轨迹。正是在这种高度不确定的背景下，Anthropic的经济学团队试图给出一种更系统、更可比较的分析框架。
9 月 9 日，Anthropic发表的这篇名为《Economic Scenarios for Transformative AI》的研究，提出了一个统一的经济模型，把AI的技术路径转化为可量化的宏观经济变量。模型的核心思想很直接：AI在任务层面扩散，改变任务的执行方式，进而改变生产率、资本回报、劳动份额、工资结构与就业流动。它把“AI 能做什么”变成“经济会发生什么”。这使得不同的技术预期可以在同一个结构下进行比较，而不是像过去那样依赖各自孤立的假设。
这项研究由五位作者共同完成，他们分别是 Anton Korinek、Charles I. Jones、Szymon Sacher、Tess Cotter 和 Peter McCrory。Korinek 是 AI 经济学领域的重要学者，长期研究自动化、劳动市场与增长；Jones 是现代增长理论的奠基者之一，其半内生增长模型构成了研究创新模块的理论基础；Sacher 来自 Anthropic，是模型工程实现的核心力量；Cotter 负责公众调查与政策分析；McCrory 则来自美国联邦储备委员会，为模型提供劳动市场与资本供给的宏观结构约束。可以说，这是一支兼具宏观经济学深度与 AI 技术理解的跨学科团队。
在这样的背景下，智能经济未来既充满可能，也充满不确定。模型不是预测，而是一种结构化的比较工具，它告诉我们如果AI的发展路径是A，那么经济的结果可能是B；如果路径是C，那么结果可能是D。真正的问题是，我们认为哪一种路径更可能发生。
01 模型框架：AI如何进入宏观经济
理解这项研究的关键，是理解它的模型结构。模型由三个核心模块构成：任务生产结构、创新模块与劳动市场模块，它们共同描述了 AI 如何在生产体系中扩散、如何影响技术进步、以及如何改变就业与工资。
任务生产结构是模型的基础，它决定了 AI 如何改变生产率。创新模块决定了 AI 是否会加速技术进步。劳动市场模块决定了自动化如何影响就业、工资与失业，三者共同构成了一个完整的经济情景生成器。
任务生产结构：AI 如何改变生产率
模型的生产结构建立在任务级 CES 聚合的框架上。生产不是由“职业”构成，而是由大量“任务实例”构成，每个任务实例可以由劳动或资本执行。AI 的进入方式不是替代整个职业，而是替代任务实例，这使得自动化的粒度更细，也更贴近现实的技术扩散路径。
研究的生产函数写成如下形式：
AI 的作用，是提升任务的劳动生产率或资本生产率，从而改变单位成本，使得某些任务从劳动转向资本执行。任务之间的互补性意味着，自动化的收益取决于自动化的广度，而不是单个任务的效率提升。
资本回报与劳动份额的变化由以下恒等式决定：
劳动份额下降的结构性原因在于，AI 自动化降低了认知任务的劳动需求，使得劳动在生产中的相对贡献下降，而资本在自动化任务中的贡献上升。短期内资本供给不完全弹性，使得资本回报上升，劳动份额下降。
创新模块：AI 是否加速技术进步
研究的创新模块建立在半内生增长模型之上，这一传统来自 Jones 1995。模型认为，技术进步来自研究投入，而研究投入来自经济规模与资源分配。AI 的作用，是提升研究任务的效率，使得研究投入增加，从而提升 ideas stock。
创新的核心公式为：
其中 λ < 1，意味着存在“fishing-out”效应，研究越多，新增知识越难发现。AI 提升 R_t，但由于 λ < 1，创新加速有限。
研究的结论是，2030 年前的创新提升主要是“水平效应”，即技术水平略有提高，而不是“增长效应”，即长期增长率显著提升。模型无法产生奇点式增长，是因为研究仍受物理任务瓶颈限制，AI 无法完全自动化研究过程。
劳动市场模块：自动化、职业转换与失业
劳动市场模块是模型最具现实感的部分，它描述了自动化如何影响就业、工资与失业。模型将劳动划分为两类职业：认知职业暴露于 AI，非认知职业不暴露于 AI。认知职业的任务被自动化后，劳动需求下降，工人必须转向非认知职业。
职业转换存在摩擦，原因包括技能不可转移、职业经验折损等。模型通过搜索折扣来描述这一摩擦，使得跨职业求职的效率下降。
工资粘性是模型的重要设定，它使得自动化冲击不会立即通过工资下降来吸收，而是通过失业来体现。认知职业的工资下降缓慢，劳动需求下降导致失业上升。
失业的动态由匹配函数决定，模型采用 den Haan–Ramey–Watson 的形式，使得匹配效率取决于劳动力市场紧张度与搜索强度。
资本供给弹性决定了自动化冲击的分配方式。如果资本供给不弹性，资本回报上升更快，劳动份额下降更明显，认知工资下降更剧烈。如果资本供给弹性高，自动化的收益更多流向劳动，工资下降较轻，失业较低。
02 AI的五大外生路径，情景的技术基础
理解这项研究的关键一步，是理解它如何把“AI 的技术路径”转化为“经济的未来情景”。模型的核心在于五个外生变量，它们共同决定了自动化的速度、广度与深度，也决定了 GDP、工资、就业与资本回报的变化方向。这五个变量分别是任务覆盖率、扩散率、任务增益、自动化比例与再创造任务比例，它们构成了情景的技术基础。
任务覆盖率 m(t) 描述的是 AI 能够影响的任务占比，它不是职业层面的覆盖，而是任务层面的覆盖。模型把任务视为生产的基本单元，因此 m(t) 的变化意味着 AI 的触达范围在扩大。当 m(t) 上升时，更多任务进入自动化或辅助的可能性，生产率的提升空间也随之扩大。
扩散率 d(t) 则描述 AI 在这些任务中的实际使用比例。技术能否被使用，与技术能否被发明是两件不同的事。模型通过 d(t) 捕捉 AI 的真实渗透速度，它决定了自动化的实际规模。任务覆盖率与扩散率共同决定了 AI 在生产体系中的“广度”。
任务增益 a(t) 是 AI 对单位成本的下降幅度，它反映了 AI 在任务层面的效率提升。模型在任务实例的单位成本公式中体现了这一点：
当 AI 提升任务的劳动生产率或资本生产率时，a(t) 上升，单位成本下降，任务更可能由资本执行。任务增益决定了自动化的“深度”。
自动化比例 λ(t) 则决定 AI 是替代劳动还是辅助劳动。自动化意味着任务由资本执行，辅助意味着任务仍由劳动执行但效率提升。λ(t) 的变化直接影响劳动需求，进而影响工资与就业结构。高自动化比例意味着认知职业的劳动需求下降更快，工资压力更大，失业风险更高。
再创造任务比例 p 是模型中最具争议的变量，它描述自动化是否会创造新的劳动任务。过去的自动化浪潮往往伴随新任务的出现，例如 IT 行业的兴起，但 AI 是否会重复这一模式仍不确定。模型通过 p 来捕捉这一不确定性，p 越高，自动化对就业的冲击越弱。
这五个变量共同决定了经济的整体路径。任务覆盖率与扩散率决定自动化的广度，任务增益与自动化比例决定自动化的深度，再创造任务比例决定自动化的再分配能力。当这些变量组合在一起时，它们决定了 GDP 的增长速度、劳动份额的变化方向、认知职业的工资走势、非认知职业的就业吸纳能力，以及资本回报的上升幅度。
模型的核心思想是AI 的技术路径不是抽象的，而是可以被量化的。不同的技术假设会生成不同的经济情景，而这些情景之间的差异，正是未来经济不确定性的来源。
03 参数校准：模型如何对齐现实
任何经济模型都必须与现实对齐，否则它只能停留在理论层面。研究在参数校准部分做了大量工作，确保模型的结构与现实经济的运行方式一致。校准的内容包括生产函数参数、正常时期的经济增长路径、AI 的技术进展速度、自动化的破坏性程度，以及公众调查的参数映射方法。
生产函数的关键参数是任务之间的替代弹性 σ，研究设定 σ = 0.5，这意味着任务之间是强互补关系。强互补的设定使得自动化的收益受到未自动化任务的限制，也使得生产率提升呈现“链条式”结构，而不是“指数式”结构。劳动份额与资本份额的初始值也被校准为现实中的水平，使得模型的基线经济路径与真实经济一致。
正常时期的经济增长路径由 TFP 增长与劳动增长决定。模型设定 TFP 年增长率约为 1%，劳动增长率约为 0.33%，使得GDP 在没有 AI 的情况下保持约 2% 的年增长。这一设定与美国长期经济增长的历史数据一致，也为 AI 情景提供了对照基线。
AI 的技术进展速度由任务覆盖率、扩散率与任务增益的路径决定。研究根据现有技术趋势与专家判断设定了不同情景下的参数，使得模型能够模拟从温和变化到极端变化的不同技术路径。
自动化的破坏性程度由自动化比例 λ(t) 与再创造任务比例 p 决定。研究通过文献与现实观察设定了不同情景下的 λ 与 p，使得模型能够捕捉自动化对就业的不同冲击强度。
公众调查的参数映射方法是研究的一大亮点。研究团队调查了 10,980 名美国成年人，询问他们对 AI 的能力、扩散速度、自动化比例与再就业时间的判断。然后将这些回答映射到模型的五大外生变量，生成一个“公众版的未来经济情景”。这一方法使得模型不仅是专家的工具，也是公众预期的反映。
参数校准的目的，是让模型既有理论深度，又有现实基础。只有在参数与现实一致的情况下，模型生成的情景才具有解释力与参考价值。
04 2030年的三种可能经济未来
理解 AI 的经济影响，最具挑战的部分从来不是模型本身，而是模型在不同技术路径下会生成怎样的未来。Anthropic 的团队将 AI 的五大外生变量组合成三种情景，它们分别代表温和变化、显著变化与极端变化。三者之间的差异，既是技术速度的差异，也是经济结构的差异，更是社会冲击的差异。
温和变化的情景像是一条延续过去的路径，AI 的扩散速度有限，自动化比例不高，任务覆盖率增长缓慢。在这样的设定下，2030 年的 GDP 仅比无 AI 情况高出1.6%，认知就业与工资几乎没有变化，劳动份额略有下降，但整体经济结构保持稳定。创新模块的贡献几乎可以忽略，因为 AI 在研究任务中的渗透不足以改变 ideas stock 的增长速度。这个情景更像是“AI 作为工具”的世界，它提升效率，但不会重塑经济。
图1：人工智能何时才能像熟练的专业人员一样完成任务？
显著变化的情景则进入了结构性再分配阶段。AI 的任务覆盖率与扩散率明显提高，自动化比例上升，任务增益也更大。2030 年的 GDP 增幅达到 8.3%，认知职业的工资出现下降，而非认知职业的工资上升，认知就业下降约 4%，劳动份额下降至 56%。这意味着自动化开始改变收入结构，资本在生产中的贡献上升，劳动在生产中的相对地位下降。更重要的是，公众调查的结果与这一情景高度一致，说明大众对 AI 的预期并不极端，但也不再是温和的乐观主义。
极端变化的情景则像是“AGI 前夜”的剧烈重构。AI 执行了近半数认知任务，任务覆盖率与扩散率都接近上限，自动化比例显著提高，任务增益达到高度成熟的水平。2030 年的 GDP 增幅达到 32%，GDP 年增速达到 15%，这意味着经济在五年内翻倍。认知工资下降 11.5%，非认知工资上升 34%，认知失业率达到 17.9%，劳动份额下降至 45%。资本回报显著上升，资本在生产中的地位远高于劳动。这个情景呈现的是一种“资本主导”的经济结构，劳动收入与经济增长脱钩，社会分配机制面临重构压力。
图2:2025-2030年三种情景下的GDP及其增长率。
公众情景是一个有趣的补充，研究团队调查了 10,980 名美国成年人，询问他们对 AI 的能力、扩散速度、自动化比例与再就业时间的判断。结果显示，公众的预期与显著变化情景高度一致，他们认为 AI 会带来明显的生产率提升，但不会进入极端自动化的状态。公众对自动化速度的判断偏乐观，但不极端，这使得公众情景成为一种“中位数未来”。
稳健性分析揭示了模型的敏感性。资本供给越不弹性，自动化带来的工资下降越剧烈，因为资本回报上升更快，劳动份额下降更明显。工资越粘性，失业越高，因为自动化冲击无法通过工资调整吸收，而只能通过就业减少体现。在极端情况下，认知工资可能下降 40%，或失业率超过 24%，这说明自动化的冲击在某些参数组合下可能远比三大情景更剧烈。
三大情景的意义在于它们不是预测，而是结构化的可能性。它们告诉我们，AI 的技术路径决定经济的未来，而经济的未来决定社会的结构。
05 当经济增长与劳动收入脱钩
当 AI 大幅提升 GDP，而劳动份额下降时，一个核心问题随之而来：经济增长的成果如何分配。极端情景中，劳动份额下降至 45%，资本份额上升至 55%，这意味着经济增长的主要收益流向资本，而非劳动。认知劳动者的收入补偿需求可能达到 GDP 的 9%，这是一个接近美国社保与医保规模的数字。
图3:2025-2030年三种情景下的要素价格和劳动力份额。
在这样的背景下，政策工具必须重新设计。再培训与职业转换支持是最直接的方式，它帮助认知劳动者进入非认知职业，缓解自动化带来的就业冲击。收入保险是另一种方式，它为失业者提供过渡期的收入保障，降低自动化的社会成本。
更具结构性的政策包括新型社会分配机制，例如 AI 红利或资本化补贴。AI 红利可以将自动化带来的资本收益部分返还给劳动者，资本化补贴则可以帮助劳动者获得资本资产，使他们在资本主导的经济结构中拥有更高的收入份额。
经济制度可能需要重构，以适应“AI 主导增长”的时代。传统的劳动收入税体系可能不再适用，新的税收结构可能需要围绕资本收益、自动化收益或 AI 使用权设计。社会保障体系也可能需要调整，以适应更高的就业波动与更大的收入差距。
政策的核心问题不是如何阻止自动化，而是如何让自动化的收益在社会中更公平地分配。
窥视卡
雷达卡
发表于 2026-9-12 04:39:24
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜