AI时代的经济学家,今年诺奖会是他吗?

2023年以来，几乎每一个办公室职员、卡车司机、会计和插画师都在问同一个问题：人工智能会不会抢走我的工作？各国政府、央行和科技公司为此投入了海量研究，而很多研究在分析“AI如何影响就业”时，会不约而同的选择把一份工作拆解成一个个具体的“任务”，再逐一判断哪些任务能被机器完成，哪些不能。

这个框架的源头，是麻省理工学院经济学家戴维·奥托尔（David Autor）发表的一篇论文。那一年，ChatGPT还远未诞生，但奥托尔已经通过观察银行职员如何处理支票，揭示了此后四十年劳动力市场变迁的底层逻辑：计算机不是简单地“抢走工作”或“创造工作”，它替代的是特定类型的任务，而任务的重组方式，决定了谁被抛下、谁被托起。

二十多年后的今天，奥托尔已经成为全球被引用次数最多的劳动经济学家之一。《经济学人》杂志在2019年称他为“美国工人的学术代言人”。他发现的“就业极化”现象——高薪岗位和低薪服务岗位同时扩张、中产岗位空心化——改变了人们对技术进步分配后果的理解。随着人工智能对就业的冲击成为这个时代最令人焦虑的议题，奥托尔的名字也频繁出现在诺贝尔经济学奖的预测榜单上。

1960年代，奥托尔出生在马萨诸塞州牛顿市一个心理学家家庭。他的父母都从事临床心理学，这个家庭背景后来以一种曲折的方式影响了他的学术气质：他一生的研究都对“人”本身——人的尊严、人的工作、人在经济洪流中的处境。

少年奥托尔最早展现的天赋与经济学毫无关系，而是计算机。高中时，他就靠说明书自学了Radio Shack TRS-80早期个人电脑的编程。1980年代初，他进入哥伦比亚大学，却很快退学了。“我当时极其不成熟。”多年后他这样向国际货币基金组织的刊物解释。回到波士顿后，他在一家医院做行政助理，因为会写代码，很快转岗成为医院的软件开发者，后来又加入朋友的软件咨询公司，为银行开发数据库系统。

这段“在真实世界里谋生”的经历，对其后来的研究影响颇深。他不是从教科书走向教科书的学者，他亲手写过商业软件、见过医院和银行的真实运转、明白一份“工作”在日常层面究竟意味着什么。

几经辗转，奥托尔回到校园，在塔夫茨大学攻读心理学，1989年以最优等成绩毕业，原本打算像父母一样成为临床心理学家。但临到毕业，他陷入了深深的失望：“我喜欢心理学提出的问题，但我完全不满足于它的方法和答案。我对计算机和工程有感觉，又对社会问题有兴趣，却不知道怎样把两者结合起来。”

于是他做了一个典型的“年轻人式”决定：买了一辆道奇柯尔特（Dodge Colt）旧车，没有任何明确计划，一路向西横穿美国。途中他从收音机里听说，旧金山著名的格莱德纪念教堂（Glide Memorial Church）正在启动一个项目，为内城区的贫困青少年教授计算机技能。奥托尔找上门去做志愿者，不久后成为项目的教育主管。此后三年，他在旧金山和南非之间奔走，教经济困难的孩子和成人使用电脑。

这段经历里，他亲眼看到，一项技能、一台电脑，可以怎样改变一个出身底层的年轻人的人生轨迹。

三年后，不安分的奥托尔再次出发。他一度考虑申请医学院，最终选择了哈佛大学肯尼迪政府学院的公共政策项目。1990年代中期在哈佛，必修的经济学课程给了他等待多年的答案。“我完全被震撼了，”他回忆，“我想，为什么从来没人告诉过我还有这样一门学问？这就是我一直在找的东西——它研究我关心的问题，却使用我敬重、我喜欢的方法。”

在哈佛，他的导师是劳动经济学大师劳伦斯·卡茨（Lawrence Katz），另一位深刻影响他的是理查德·穆南（Richard Murnane）教授。穆南后来回忆，奥托尔的心理学背景给了他比纯经济学训练的学生更宽阔的视角。1999年拿到博士学位时，奥托尔满心以为像麻省理工这样的殿堂不会招聘一个公共政策博士。所以当时任MIT经济系主任、后来成为国际货币基金组织首席经济学家的奥利弗·布兰查德（Olivier Blanchard）亲自打电话来提供教职时，奥托尔几乎不敢相信。

布兰查德后来证实，奥托尔确实是一次不寻常的招聘：“但他身上有一种使命感、真正的才华和做学问的严肃劲儿，说服我们赌一把。天哪，我们赌对了。”

奥托尔学术声誉的基石，建立在一次“田野调查”之上。

1990年代末，计算机正在以前所未有的速度进入美国办公室。当时经济学界的主流解释框架叫“技能偏向型技术变革”（Skill-Biased Technological Change，简称SBTC）：计算机是高技能工人的互补品，谁会用电脑，谁的工资就上涨；技术越进步，大学毕业生与高中毕业生之间的工资差距就越大。这个框架简洁有力，却解释不了一个日益明显的怪现象：如果技术只是一味偏袒高技能者，为什么大量中等技能、中等工资的岗位——簿记员、文员、流水线工人、银行柜员——萎缩得最厉害，而许多根本不需要大学文凭的低薪服务岗位，反而在大量增加？

2002年，奥托尔和哈佛的弗兰克·利维（Frank Levy）、穆南一起，钻进一家银行的后台作业中心，寻找答案。这家银行刚刚安装了一套支票图像处理软件——而在此之前，自19世纪末以来，支票一直靠人工逐张分拣、核对、记账。三位经济学家花了无数个小时坐在银行里，观察员工操作、访谈经理和职员。

他们看到的景象意味深长：软件自动处理了97%的支票，但剩下3%的异常支票——账户透支、签名潦草、金额不符——仍然必须由人来判断。更关键的是，留下来处理这3%异常支票的员工，工作内容被彻底重组了：他们不再是机械地重复交易流程，而是每人负责一整组账户，专门解决问题、处理复杂情况，所需的技能反而更高了。与此同时，那些最程式化、最容易被写成规则的岗位，整个消失了。

奥托尔提出了一个革命性的分析框架——任务模型（task-based model）。

奥托尔的出发点是一个概念上的根本区分：工作不是劳动力市场的最小单位，任务才是。 一份工作是一捆任务的组合。会计的工作包括录入数据、核对账目、分析报表、与客户沟通、做出专业判断；技术并不直接“消灭会计”，而是逐个任务地渗透进来。他和合作者沿着两个维度把任务分成四类：

第一类是常规认知任务：记账、填表、出纳、文书处理。这些工作有明确规则、可以被写成代码，是计算机最先替代的对象。第二类是常规手工任务：流水线装配、重复性分拣，这些工作由工业机器人和自动化设备替代。第三类是非常规认知任务：专业判断、创造性解决问题、谈判、管理、设计——计算机不仅替代不了，反而因为把人从常规事务中解放出来，而极大地放大了这类任务的价值。第四类，也是最容易被忽视的一类，是非常规手工任务：保洁、餐饮、护理、搬运、现场维修。这些工作不需要高学历，却要求身体的灵活性、临场的应变和面对面的互动——它们恰恰是机器最难掌握的。

第四类任务的“机器免疫性”，对应着人工智能领域著名的“莫拉维克悖论”（Moravec's Paradox）：让计算机在国际象棋和微积分上战胜成年人很容易，让它拥有一个五岁孩童的感知和运动能力却极其困难。高阶推理只需极少的算力，而识别一只歪斜的杯子、在拥挤的餐厅端盘穿行、安抚一位摔倒的老人，需要调动人类经过亿万年进化形成的感知运动系统。

由此，奥托尔提出了“常规偏向型技术变革”（Routine-Biased Technological Change）假说：计算机化专门瞄准那些可编码、可程式化的常规任务，无论它们是蓝领还是白领。劳动力市场不是简单地“脑体分化”，而是“中间塌陷”：中间技能的常规岗位被机器掏空，上端的非常规认知岗位和下端的非常规手工岗位同时扩张。

任务模型的影响远远超出了一篇论文的范畴。二十年后，当生成式AI横空出世，经济学家、政策制定者和咨询公司评估AI就业影响时，用的仍然是这套“把工作拆成任务”的方法。

理论假说需要大规模数据的检验。2013年，奥托尔与多恩在《美国经济评论》（AER）发表《低技能服务岗位的增长与美国劳动力市场的极化》，用三十年的数据给出了决定性的证据。

他们发现，1980至2005年间，美国的就业增长呈现出一个清晰的U型：按工资水平把职业从低到高排列，增长最快的是工资分布最高端的专业、技术和管理岗位，其次是工资最低端的服务岗位，而中间部分——行政文员、机器操作、装配、销售——就业份额持续萎缩。工资增长同样两极分化：高端岗位工资持续上涨，低端服务岗位工资也在相对回升，中间则停滞不前。

一个惊人的事实是：这三十年间，低技能工人（高中及以下学历）几乎所有的净就业增长，都来自服务业——餐饮服务员、保洁员、护工、家政、儿童看护。曾经吸纳大量高中毕业生进入中产阶层的工厂流水线和办公室文员岗位，正在永久性地关闭。

为什么被机器挤出常规岗位的工人，会流向低端服务业而不是升级为技术人员？奥托尔利用美国722个“通勤区”（本地劳动力市场）的差异做空间比较：那些历史上常规任务密集的城市和地区（比如中西部的制造业城镇），1980年后确实更快地采用了信息技术、更快地流失了常规岗位；与此同时，这些地区的低技能服务业就业和工资出现了显著的超额增长。

原因在于两股力量的合流。一方面，计算机价格持续下降，常规任务被自动化；另一方面，随着收入提高和双职工家庭增加，人们越来越倾向于购买而非自己生产服务——外出就餐、请人保洁、托育孩子、照顾老人，经济学称之为消费者“偏好多样性而非自给自足”。被自动化挤出的劳动力，于是被本地服务业的需求接住了。但这些岗位工资低、保障弱、晋升通道狭窄，中产阶级的“传送带”就此断裂。

奥托尔和多恩的发现很快被证明不是美国独有的现象。英国经济学家马腾·古斯（Maarten Goos）、艾伦·曼宁（Alan Manning）和安娜·萨洛蒙斯（Anna Salomons）用同样的框架检验了16个欧洲国家，发现“极化”在整个西方世界普遍存在。从底特律到曼彻斯特，从鲁尔区到日本关西，自动化以相似的方式重塑了发达经济体的职业结构。“就业极化”由此从一个学术概念变成了政治人物、新闻媒体和普通家庭都能感知的时代症候——它是理解民粹主义崛起、“铁锈带”愤怒和代际流动停滞的经济底座。

奥托尔的研究有一个鲜明的方法论印记：他不信任纯靠书斋推演得出的结论，总是想亲自到现场看一看。这种风格让他在劳动经济学的多个角落都留下了开创性成果。

2000年代初，他研究临时雇佣机构为什么愿意免费培训工人——这在理论上是个谜：临时工随时可能离开，公司花钱培训岂不是为他人作嫁衣裳？为了弄清楚，奥托尔干脆以求职者的身份到一家临时机构登记注册，亲身体验完整的面试和派遣流程。他发现，免费培训其实是一种筛选装置：机构借此识别哪些求职者有上进心、愿意学习，再把他们推荐给好雇主。

在研究背后，是奥托尔对“工作”本身的一种近乎哲学式的信念。他不同意许多经济学家把工作仅仅看作“为了消费而不得不忍受的负效用”。“无所事事是件可怕的事，”他在采访中说，“工作给人的生活以结构和意义，给人身份认同，给人社交圈。我们大多数人不是为了消费才工作——我们甚至愿意花钱保住自己的工作。”真正应该关心的从来不是冷冰冰的效率数字，而是这些力量如何改变了普通人赖以安身立命的工作、身份与社区。

2022年底ChatGPT发布后，奥托尔在2003年搭建的任务模型突然从劳动经济学的专业文献变成了全球公共辩论的通用语言——这在经济学理论中是罕见的待遇。当高盛、麦肯锡和国际货币基金组织纷纷测算“多少比例的岗位将被AI影响”时，它们的方法本质上都是奥托尔式的：把职业拆成任务，逐一评估AI的可替代性。

但奥托尔本人对AI的判断，比流行的“末日叙事”要细致得多，也比他在麻省理工的同事、2024年诺奖得主阿西莫格鲁更为审慎乐观。

他首先指出一个历史规律：过去两个世纪，每一次重大技术革命都引发过“机器将消灭一切工作”的恐慌——19世纪砸毁织布机的卢德派、1960年代对自动化的恐惧、1980年代对个人电脑的焦虑——但技术不仅消灭任务，也创造新任务、新职业和新需求。汽车消灭了马车夫，却创造了司机、汽修、公路建设、郊区房地产和快餐连锁等庞大的就业网络；ATM没有消灭银行柜员，反而让银行得以低成本扩张网点，柜员数量不降反升，只是工作内容从点钞票转向了销售和客户关系。在任务模型中，这表现为两个相反的过程同时发生：自动化摧毁旧任务，“新任务创造”（new task creation）开辟新就业。决定长期就业走向的，是两者的赛跑。

具体到生成式AI，奥托尔强调它与以往自动化的一个关键不同：它首次大规模渗透的是“非常规认知任务”——写作、编程、翻译、法律文书、常规设计——也就是过去最安全、最能通向中产的白领工作。他多次警告，保险理赔审核、文档翻译、标准化广告文案这类“常规信息处理岗位”面临真实的替代风险。但他同时指出，AI目前最成熟的能力是在人类监督下处理任务，而非自主承担完整工作；大量需要担责、谈判、现场判断和身体在场的工作仍然牢牢掌握在人类手中。

奥托尔近年来最看重的概念是“专家平权”（expertise leveling）。多项实证研究——包括2023年发表于《科学》杂志的Noy与Zhang关于ChatGPT辅助写作的实验——发现，AI对技能分布中表现较差的人帮助最大：新手借助AI可以迅速达到接近资深者的产出水平，而顶尖专家的优势虽然仍在，差距却被显著压缩。奥托尔由此提出“亲劳工人工智能”（pro-worker AI）的愿景：如果企业把AI用作增强普通劳动者能力的工具——让普通护士完成原本只有专科医生能做的初步诊断，让小镇律师处理复杂的专利文书，让没有大学学历的技术员完成高级编程和精密维修——那么AI有可能逆转过去四十年的技能分化，重新拓宽中产阶级的入口。

这正是他与阿西莫格鲁的分歧所在。阿西莫格鲁认为，当前企业部署AI的主导模式是简单粗暴的“任务替代”，而“亲劳工AI”不会自动从市场中长出来，需要政策、税收和劳工组织的主动引导；奥托尔则对市场最终演化出增强型应用抱有更多信心。

奥托尔是否会获得诺贝尔奖，是近年劳动经济学界最热门的猜测之一。

从贡献的基础性看，任务模型和“常规偏向型技术变革”假说已经成为分析技术与就业关系的支配性范式，被写入全球的经济学教科书；

从现实意义看，在人工智能成为全球头号经济议题的2026年，表彰一位系统研究“自动化如何重塑工作”的学者，具有无可争议的时代相关性——诺奖历史上，气候变化之于诺德豪斯、金融危机之于伯南克，都遵循过类似的“现实呼唤”逻辑。

当然，比起获奖更重要的是，他的全部工作都在提醒人们：技术本身从不自动决定命运，决定命运的是人类社会如何选择使用技术。ATM可以消灭柜员，也可以让柜员变成客户经理；AI可以替代白领，也可以把专家能力交到普通人手里。在机器与人之间，始终站着制度、政策和选择。