人工智能会取代人类工作吗？——如果构建得当，不会

达龙·阿西莫格鲁

（Daron Acemoglu）　

2024年诺贝尔经济学奖得主

麻省理工学院教授

2026年7月，微软AI推出的杂志《The Humanist Review of AI》创刊号发表了诺奖得主阿西莫格鲁的这篇长文。10月6日，微软AI首席执行官穆斯塔法·苏莱曼发贴推荐了这篇文章。文中这位以研究制度、技术变革与不平等著称的经济学家，对 "AI 将取代人类工作" 的叙事泼了一盆冷水：10 年内，AI 能替代的人类工作不超过5%—— 但他说，问题不在 AI 本身，而在我们正在以错误的方式构建它。以下是全文：

AI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里看到这种兴奋——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初创企业的创纪录投资额中看到它。

与此同时，我们被告知：“很快，你们大多数人将失去工作。”

美国人相信了这种说法——52%的美国人对AI将如何影响自己的工作感到担忧，也担心AI将改变生活的方方面面。还有人担心AI会污染信息生态；更有人把AI视为能够消灭或奴役人类的“文明终结”威胁。

但炒作、兴奋与极端恐惧都需要降温——不仅因为这些情绪放错了位置，更因为它们正在误导我们应当如何开发和利用这项有前途的技术。

事实上，AI的影响只会缓慢到来——因为实现“自动化整个职业”所需的可靠性与通用性尚不存在。整合任何一项新技术——更不用说像AI这样复杂又未经检验的技术——都只能缓慢推进，并会迫使许多组织做出大量调整。

更糟的是，以目前的轨迹，AI将远不及业内预期的那样有益。我们可能正站在浪费AI巨大潜力的边缘：因为我们的概念化方式错了，开发方式也错了。

我们正在犯的错误是：强行让与人类截然不同的人工智能去模仿人类智能。两者的本质不同，而当事物不同时，自然的做法是用一个去补充另一个——而不是假装差异并不存在，并力求让其中一个包揽一切。

无处不在，唯独不在生产率统计里

许多人一直在预测AI将带来生产率的显著改善和经济产出的大幅提升。

但现实似乎更接近伟大的经济学家罗伯特·索洛1987年关于计算机的那句名言——“无处不在，唯独不在生产率统计里”。AI的进步同样尚未出现在生产率统计中，至少目前如此。

当前AI模型在编写代码、设计软件、放射诊断方面的成就确实惊人。但那是在实验室里——上下文清晰、任务边界分明。企业在“野外”环境中采用这些工具做同样任务的证据并不那么亮眼：工程师常常要花大量时间调试AI写的代码；放射科医生和临床医生难以把自身专长与AI工具有效结合，导致结果欠佳。多项研究和报告都未能发现多数公司采用AI带来多少生产率收益。当然，随着新一代AI智能体（agents）的出现，情况也许会不同、甚至好得多；但到目前为止，这种令人失望的生产率表现并不只体现在总量层面——正在试用AI的企业同样如此。

这并不奇怪。每项新技术都需要时间才能被生产性采用，而且通常技术越是变革性，这个过程越慢。有人把AI比作火；一个不那么夸张的类比是电力。

众所周知，电力尽管潜力革命性，仍花了几十年才被广泛采用——即使在制造业内。1881年，纽约和伦敦已经有了中央发电站（注：此处原文存在史实偏差——伦敦（戈德尔明，Godalming）1881年建成中央电站属实；但纽约珍珠街电站系爱迪生于1882年9月4日投运，为世界首座商业中央电站，“1881年纽约”系作者笔误），许多人预见到电力将彻底改变制造、家庭和交通；但直到1920年代，也只有大约一半的工厂和家庭用上了电（注：“约一半”为近似口径——美国1920年家庭电气化率约35%，1920年代中期前后才过半）。AI的生产性采用甚至可能更慢，因为企业必须重组：工作任务要在AI模型和工人之间重新分配，许多专业人员必须学会与AI协作，管理者要发展自己对“想让AI做什么、如何实现”的理解。更糟的是，许多企业可能试图对某些职业走“全自动化”路线，而这在可预见的未来很可能无法实现。

所有这些不仅会推迟AI的生产率收益，也意味着岗位替代效应同样缓慢。几轮预测都预言过放射科、司机或会计的终结：这些都没有发生。医院仍然需要放射科医生（实际上比以前更多），记者、律师助理、会计师和办公室文员依然存在。

两年前，我估计：10年内，人类所从事的工作中，能被AI替代的不应指望超过5%。

这个5%从何而来？坦率地说，它不过是一个猜测（guesstimate），但它基于对当时AI模型能力的评估，以及这些能力在2020年代后半期将如何发展。

简单说，我的预测是：到2020年代末，AI将能够成功自动化简单的办公室和认知任务——这类工作约占美国经济工作量的20%；而对更复杂的认知和办公室工作的影响会更慢，因为AI需要更长时间才能获得多数工作所需的判断力、多维推理和社交技能。社会也不会放心让AI完全接管空中交通管制、心理治疗或公司管理。

涉及与物理世界深度互动的工作的自动化同样要等——灵活的机器人、具备完整空间-因果关系能力的AI模型都需要时间；计算机视觉技术要达到能与机器人无缝结合、从而在制造和建筑领域执行任务的程度，可能需要更久。

我还估计，参照电力、计算机和以往计算机视觉技术的扩散速度，在20%可完全自动化的工作中，10年内只有约四分之一会被真正自动化——于是得出了5%。

我的预测（并带着充分警告：我们始终无法预知这些模型会进步多快）是：AI将在10年内使GDP提高约1.5%。此后，模型的进步比包括我在内的许多人预测的更快；另一方面，我们也没看到多少能够轻易采用并改变生产过程的应用程序——而且正如我在下文所说，AI的魔力必须发生在应用层面，才能对经济产生可观的影响。

两相平衡，这些预测至今看上去还不算太糟。

语音识别的教训

为什么一项如此革命性的技术难以对经济产生巨大影响？语音识别的故事给出了部分答案。

语音转文字自1930年代起就是人类的夙愿。它真正迈向现实，要归功于美国夫妇詹姆斯和珍妮特·贝克（James and Janet Baker）——他们于1980年代创立了标志性公司Dragon Systems。

Dragon真正革新了语音识别；此后语音识别领域的一切都可说是拜贝克夫妇所赐，这样说毫不夸张。他们的突破在于摒弃以往基于语法和意义构建语音识别的方法，转而部署机器学习技术，构建一个将语音映射为“最佳匹配”文本的纯预测系统。

早在1997年，Dragon推出了Dragon NaturallySpeaking——第一个能够识别自然连续语音的程序（此前的软件，包括该公司自己的Dragon Dictate，都要求说话者在词与词之间停顿），其划时代意义已一目了然。

我可以为这一切作证：1997年我双臂患上重复性劳损后，就成了它的早期用户。即使在当时极慢的处理器上，Dragon NaturallySpeaking也如同魔法——准确率接近95%。我当时并不知道，此后30年我都会是他们产品的用户。但我立刻意识到：随着计算机算力提升，我将能用上强大得多的语音识别软件，从而在双手始终无法打字的情况下继续工作。

到2000年，一切正如我和他人所料：软件变得更好，芯片进步让准确率和功能快速提升。

没有人能预料的是，随后的二十年里，尽管底层技术不断进步，消费者却几乎看不到这些成果——拜一连串企业灾难所赐。2000年，Dragon被比利时公司Lernout & Hauspie收购，后者在收购后几个月内破产，其联合创始人后来被判公司欺诈罪。Dragon随后被ScanSoft（后来更名Nuance）廉价收购，后者逐渐放弃消费级产品，转向医疗和企业市场。微软于2022年收购Nuance，延续了同样的模式。结果：今天PC上的语音识别软件只比2000年略好——远低于底层技术本应带来的进步。

这段令人失望的历史，正是今天在预测“AI模型将快速普及”时应当格外谨慎的原因之一。

一项新技术在“基础设施”层面的突破，必须与建立在该基础设施之上的恰当应用齐头并进。此外，当然还需要恰当的营销体系来触达潜在用户，并需要用户反馈作为推动应用修改与改进的动力。

这正是我们在AI身上还没有看到的东西。这也正是语音识别彻底搞砸的地方。

但还有一些别的问题，可能预示着AI将会遇到的困难。Dragon 16在发布时宣称准确率达到99%，但那是在理想条件下取得的，既没有考虑用户日常把Dragon与许多程序搭配使用时的互不兼容与种种麻烦，也低估了哪怕1%的误差会带来多大困扰——因为这1%可能彻底改变一句话的意思，有时还很难堪，让你的指令被误解，或者让你不得不花大量时间逐字校对每一封邮件、每一条短信，去捕捉那些难以察觉的“嘴误”。这一切都是因为：纯粹的机器学习方法在“最后一英里”会遇到困难——当需要在发音相似的词之间作选择、或面对不寻常的表达时尤其如此。

全自动化，正如全语音识别，是困难的。它要求解决所有“最后一英里”问题，要求精心设计符合终端用户意愿和需求的应用，还要求AI接管每个职业的每一项任务——包括高风险的判断和社交互动。我们远未达到人类能从与机器的闲谈中获得与和人交谈同等满足感的境地。

AI的真正潜力

但这并非重点。模仿本就不该是AI模型的终极目标。

“智能”一词含义多重。计算器是智能的——它能在某些任务上远超人类（20世纪初，很多人会认为这根本不可能）；但人人都清楚，计算器的智能与人类智能完全不同。

AI同理。

人类学习方式是独特的：从少数例子出发，形成假设，在头脑中模拟可能性，然后在真实世界中持续试错。想一想儿童是如何学习的。

这种学习的关键部分是社会的：成人和儿童通过观察他人（常被认为是更有知识或权威的人）的行为来形成假设，再通过与身边人的言语和非言语交流打磨这些技能。

人类认知也是明确的多模态的——我们用整个身体推理：大脑的许多区域、神经系统、感官、消化系统等等。我们不只是预测，还有演绎、归纳、多种形式的验证和递归思维。这就是为什么当人类“产生幻觉”时，它不是故障而是秘方——我们借此模拟不同世界，判断哪些值得进一步探索、哪些风险巨大需要警惕，无关的选项则被快速排除（当然这是个概括，也确实有人会陷入阴谋论之类的兔子洞）。

只要具备必要的“学习模块”或心智蓝图，人类就能很快学会新事物与新技能，比如不同的语言。但另一方面，人类相当不擅长从海量信息中筛选，也不擅长进行与自身经验无关的抽象推理。

AI模型则非常不同：它们从海量训练数据中学习，擅长在海量语料中筛选和识别模式；它们基于预测学习，一旦掌握某种推理模式就能在抽象或具体情境中运用——这正是它们惊人力量的所在。

但另一方面，AI模型目前不具备类似人类的实时社会学习和试错能力；当它们产生幻觉时就是灾难，因为它们没有人类那种过滤机制——排除不切实际的模拟，把有潜力的变成值得关注的有用案例。

当事物不同时，用一个去模仿另一个是愚人的差事。现代计算的革命，源于麦金塔（Macintosh）电脑的设计与易用性，而这来自史蒂夫·乔布斯与史蒂夫·沃兹尼亚克的合作。乔布斯若试图取代沃兹尼亚克的工程能力，或沃兹尼亚克无视乔布斯的设计与营销天才，都会是巨大的错误。他们之所以成功，是因为协作——把不同的技能结合起来、彼此互补。这正是人与AI能够也应该做到的。

支持劳动者的AI（pro-worker AI）

在AGI（通用人工智能）的旗帜下，所有主要AI开发者都在努力让AI模仿人类技能。一条更有成效的路径是认识到：AI应当与人类并肩工作，而非取代人类。

这一视角给全自动化的梦想泼了冷水。如果AI无法完成一个职业的每项任务，它就必然要与能完成这些任务的人类互补。它越是赋能人类——让他们更高效、扩展他们的能力边界——就越具变革性。

原文插图

这就是我所说的“pro-worker AI（支持劳动者的AI）”的基础：不去追求全规模自动化，而是构建让人类更擅长工作、并为其创造新技能与新专长的AI。

这一愿景，65年前就由J·C·R·利克莱德（JCR Licklider）阐明过——他配得上“互联网之父”的称号。他在1960年写道：“希望在于，用不了多少年，人脑与计算机将极为紧密地耦合在一起；由此形成的伙伴关系将以任何人脑从未有过的方式思考，并以我们今天所知的信息处理机器远不能及的方式处理数据。”他当年所预见的，正是我们今天需要AI模型去做的事。

对全社会而言，pro-worker AI具有“双重利好”：它带来的生产率成果很可能优于追求全自动化的尝试；而且，自动化会取代工人、造成失业、加剧不平等，pro-worker AI则是在借力并放大人类的能力。

你可能会认为pro-worker AI是天上的馅饼——听起来更好，但比行业对自动化的梦想更难、更不现实。并非如此。

Pro-worker AI处于现有模型的前沿之内，可以很容易地开发出来——正如戴维·奥特（David Autor）、西蒙·约翰逊（Simon Johnson）和我最近所论证的。

以教学为例：尽管多数教育类AI应用聚焦于自动化（接管教师的部分任务），但认为我们能很快实现教学的全自动化，是完全不现实的。Pro-worker AI则完全可行，并能引领教育的变革性转型：AI工具不去消除教师，而是识别不同学生在课程材料中的具体困难点，建议将课堂重组为更小的分组，让教师（或许在辅助教育工作者的支持下）针对各分组的强弱因材施教。个性化教育方案对落后或有学习困难的学生极有帮助，但迄今成本高得令人却步——AI可能改变这一点。

为什么这是支持劳动者、支持教师的？简单：工具不去接管教师的任务，而是提供新信息，让教师能做到过去做不到的事。

我们怎么知道这可行？其一，因为我的研究团队已经构建了这类技术的原型并正在评估。但你不必只听我们一面之词：构建这样一个工具，所需的只是一个中等规模的语言模型——用相关课程材料、以及优秀教师处理学生在课程材料上遇到的各种困难的高质量数据训练而成。这一切都在现有技术前沿之内。

如果我们不再追逐AGI之梦，而是优先帮助劳动者获得更好的信息、以便在各类任务中更好地解决问题，并为人类创造新的任务与能力，AI本可以带来积极得多的结果。

但这就引出了下一个问题。

为什么行业痴迷于自动化？

四种力量使自动化成为科技行业和企业的焦点：前三个是经济的，最后一个是意识形态的。

第一，商业模式。大型科技开发商的现有商业模式聚焦于向企业销售软件、从数字广告中获取收入。这些模式没有参与构建pro-worker工具。许多现有公司仍在沿用同样的商业模式，而“补充人类”这门生意尚未被检验。

第二，竞争格局也不鼓励新玩家来尝试这些新商业模式。科技行业已高度集中，新玩家越来越难以与既有巨头竞争；更糟的是，这些在位者垄断了关键资源——资本投资、数据，以及工程师和创新者等关键人力资源。即便有草根初创公司突围，也很可能被科技巨头收购——于是同样的商业模式继续称王。

第三，一个“螺栓与螺母”问题。螺母没有螺栓就没用，反之亦然。如果你认为别人不会生产螺母，你就不该投资螺栓；反之，如果你认为没人会买螺栓，你也不该投资螺母。我们的处境与之类似：企业盘算，科技公司只会提供新的自动化工具，于是据此规划；科技公司则认为，企业会继续主要需求自动化工具、pro-worker AI不会有市场，于是据此投资和发展模型。

第四，同样强大的是，整个行业被“超人机器”和AGI的理念俘获。这一思路可追溯至图灵这样的奠基人物——他开启了现代计算机科学，并通过思考机器如何像人类思考奠定了AI的基础。他1950年那篇标志性论文，开篇就是如今尽人皆知的“模仿游戏”。这一愿景，加上大量科幻文学与电影，塑造了今天行业许多领袖的思维，使AGI成为主导范式。

甚至在AGI之前，“达到人类水平”就已经成为硅谷各类应用成功的主要标尺。这一切又因许多科技领袖将人类视为易出错、有缺陷而加剧——他们一再低估人类的技能和专长。因此，行业自然走向全规模自动化，很少关注与人类互补。

我们能否让AI走上更好的路？

我们可以做出正确的选择：选择去补充人类的技能，去促成人的繁荣，而不是造成人在物质、社会与精神上的贫困。

但这需要在设计AI模型时有一个明确的着力点，以及一种新的哲学愿景。

好消息是，这样的路是存在的。

坏消息是，我们并没有走在这样的路上。事实上，行业构建和概念化AI的方式，很可能不仅让我们偏离，而且走向更糟的地方。

把AI引向更好路径的最重要工具不是灵丹妙药式的政策——没有这种东西——而是视角的改变。

如果明天醒来，行业中有相当一部分极具创造力的程序员、开发者和工程师把pro-worker AI当作优先事项，我们就会得到大量与人类互补的AI。

问题在于如何改变当前这种对自动化的执念。

第一步也是最重要的一步，是把对话从AGI转向pro-worker的可能性；从人类灭绝的末日场景，转向当下真实而紧迫的危险——按当前路径，我们很可能放大不平等、造成大规模失业，却还得不到承诺的生产率收益。

这样的对话转向，也有助于使AI的承诺得以兑现。

当然，也有具体的政策工具可以提供帮助。

要把AI从自动化的轨道上引开，我们需要同时做成四件事：创造企业对pro-worker工具的需求；形成能证明这条路走得通的示范效应；构建让新想法与新商业模式得以繁荣的市场环境；以及投资于pro-worker AI所需的基础设施。

一是企业部门。当企业聚焦于提高生产率和创新、而不仅仅是削减劳动成本时，它们会需要更多pro-worker工具。这不仅需要视角的改变，还需要移除鼓励短视降本的人为障碍。最大的扭曲是税收制度：在美国，劳动收入的征税远重于资本收入——劳动的有效边际税率平均超过25%，资本则接近于零。这等于补贴使用资本工具而非劳动，并抑制企业雇用和培训员工。其他若干发达经济体的情况也类似。对称对待资本与劳动收入，是让市场重视与人类互补的技术的重要第一步。

二是示范效应。一个长期被忽视的领域很难启动投资，可再生能源曾是这样——这些技术几十年几乎没有投资。能源转型不仅靠碳税，还靠补贴、竞赛和对清洁技术创新的鼓励，从而形成示范效应。Pro-worker AI领域也需要同样做法。即便是规模适度的政府项目，只要产出能补充人类技能的可用技术，就会大有帮助。但这些补贴不能沦为科技公司的肥差或新的官僚噩梦。需要的是精简简单的项目，鼓励对pro-worker AI进行试验。

三是为新技术和商业模式留出空间。科技行业从未像今天这样集中，人类也从未见过如此强大而庞大的公司。最大的七家科技巨头（Alphabet、亚马逊、苹果、Meta、微软、英伟达和特斯拉）如今占纳斯达克市值的60%。这种集中不仅损害消费者面对的价格，也损害创新。美国和其他地方有大量科技初创公司，但它们中的大多数以被某家大型科技公司收购为希望来构建技术。更糟的是，许多人认为，任何走出这个生态系统的企业都难以竞争。科技行业需要真正的竞争。其中重要一环是反垄断——而这在美国几乎被忽视了。反垄断法规必须为AI时代而更新，但更重要的是，必须得到执行。

为新商业模式创造空间，可能还需要约束科技行业最过分的行径——尤其是过去15年社交媒体路径所暴露的那些。另一个可用的工具是数字广告税，让实验替代平台和AI变现方式的新进入者，不被靠数字广告赚钱的巨头碾压。

四是Pro-worker AI的基础设施。AI需要数据，但需要什么样的数据？对于大型基础模型，什么数据都有用——因为数据让它们能更好地逼近人类言语与沟通的方方面面。而对pro-worker AI，高质量数据至关重要——世界上最优秀的专家处理复杂问题、边缘情况和新挑战的数据。要想构建一个让电工胜任更新更复杂任务的工具，这个工具就需要经验丰富电工应对大量棘手问题的高质量数据。除非我们有一个运行良好的数据市场——人们可以创造、控制并出售数据——否则这不可能实现。这意味着结束科技公司未经数据创造者许可和补偿就使用数据的做法；更重要的是，它需要法律基础设施，来鼓励并保护专家投入时间生产有用、高质量的数据。运作良好的数据经济是AI的未来、尤其是pro-worker AI未来的关键。

数据市场也会便利新进入者对在位者的挑战，因为它会限制“积累了大量数据军火库”所带来的反竞争效应。

我们需要认识到，更好的未来在于培育人类技能，而非将其边缘化。

AI的未来不是写定的。但要以更pro-worker、更有利于社会的方式重写它，就需要我们为超级智能机器和AGI的热情降温。我们需要认识到，更好的未来在于培育人类技能，而非将其边缘化。

这正是最需要人类能动性的地方。那不会来自AI模型，也不会来自那些最确信“AI的未来必然是将人类边缘化”的人。

只有人类的独创性、开放性，以及我们模拟不同世界并付诸行动的能力，才能把AI引上更好的路径。■

置顶我们的公众号，

第一时间阅读文章！

长按识别二维码关注