斯坦福经济学家:AI 被低估了,16% 初级岗位已消失

访谈来源：Silicon Valley Girl
主持人：Marina Mogilko
嘉宾：Erik Brynjolfsson（斯坦福大学教授、斯坦福数字经济实验室主任，《第二次机器革命》作者）
原视频：https://www.youtube.com/watch?v=72duHF7iZiU

主持人问：几百万个岗位要消失，还要多久？Erik Brynjolfsson 的回答只有一句：已经在发生了。

这不是预言，是他和同事在就业数据里已经看到的东西。那篇论文的标题叫《煤窑里的金丝雀》，说的就是最早闻到危险的那批人。

Brynjolfsson 在斯坦福任教，主持斯坦福数字经济实验室，是《第二次机器革命》的合著者，也参与斯坦福 AI Index 和“AI 经济指标”项目。他在 MIT 待了三十多年，研究的东西三十年没变过：技术到底怎么改变工作。他生在丹麦罗斯基勒，所以后面会顺口说起“我的国家丹麦”。

这场访谈值得读，是因为他没有停在“哪些工作会消失”。任务视角、需求弹性、GDP 的统计口径、企业为什么用不起来，他都摊开讲了，也说了个人现在能做什么。他承认坏消息是真的，但那只是一半的故事。

金丝雀已经倒下，倒下的是 25 岁以下

他和合作者把整个经济的职业按“AI 能影响到什么程度”排序，再去看就业数据。最暴露的那一批职业里，25 岁以下年轻人的就业水平比同类岗位低约 16%。论文发表之后他们继续每月追踪，效应还在往大里走。

他说不打算粉饰：用 AI 自动化自己工作的岗位——编程是靶心，还有呼叫中心、部分销售和市场——就业出现了两位数下滑。

天平另一端也在动。暴露度最低的职业，比如居家护理员（home health aides），就业在增长；年长劳动者也是。

最值得记的一条是：把 AI 用来增强（augment）自己工作的人，表现明显好于把 AI 用来自动化（automate）的人。研究者甚至能从他们平时用的提示词里看出这两类人的区别。

呼叫中心的变化最能说明速度。他两三年前和 Lindsey Raymond、Danielle Li 做过研究，那时 LLM 只帮人工客服组织答案，真正和来电者对话的始终是人；现在同一家公司里，很大比例的问题已经由 AI agent 直接回答。

但“AI 能做就不需要人”并不总成立。他自己马上举了反例。

放射科医生没被替掉，初级程序员站在靶心

Geoffrey Hinton 在 2017 年前后说过，别再培养放射科医生了，读医学影像这件事机器能做。Brynjolfsson 说，这是他非常尊敬的人，但这一次错得很彻底：现在放射科医生比以往任何时候都多，几乎算短缺，收入也好，大约 35 万美元一年。

两个原因。第一，读片只是放射科医生 26 项任务里的一项——他们还要做体检、看化验数据、和其他医生协调治疗方案。一项任务变高效，其他部分的需求反而上升。第二，医学影像的需求弹性很高：自费 2000 美元做一次 MRI，他会想一想；200 美元，他就去了。

把全部职业过一遍，他找不到一个能被 LLM 全包的岗位。写备忘录、回邮件、看检验单，AI 能帮上；搬箱子、开车，帮不上。

医疗是他明确看多的领域：AI 让医疗更高效，不代表花得更少，而是花得更多——也许支出翻倍，治愈和收益翻四倍。

主持人开始报职业，他一个个给判断。初级软件工程师（约 9.5 万美元）：不幸，正在靶心，尤其是“初级”这两个字，如果换成资深，他会乐观得多。中级市场经理（约 11.5 万美元）：看不到太多价值。律师助理：更糟。放射科医生：目前还是好工作。

真正让他担心的是企业结构。多数公司的用人是金字塔：底部一堆初级员工，一部分人往上走。底座被拿掉，金字塔就成了菱形——中层和高层以后从哪来？

他提到 Infosys 的做法：招的初级人数和过去一样多，但不让他们做 LLM 和 agent 已经能干的例行活，改成花更多时间学项目管理和全局——过去这些靠泡在办公室里潜移默化，现在得明确地教。多数公司没这么有远见，他觉得这些公司会吃亏。

这是一个协调问题，也像囚徒困境：对单个公司来说，省下初级岗位的成本是划算的；但社会需要有人给年轻人练手的机会。除了企业自觉，他认为公共的教育和培训投入是必要的一部分。

能力在狂飙，经济数据还很安静

斯坦福 AI Index 追踪的是模型的原始能力：数学考试、读文档、各种 benchmark，曲线一路向上。经济侧的数据却很平。这个缺口本身就是机会——未来几年企业会去把它填上，这也是他开 master class、创办 Workhelix 的原因。

企业为什么填得慢？他见过一家公司办黑客松，冠军作品是用 LLM 做午餐菜单。“挺好玩，但这是你们公司的核心价值吗？”问题不在工具，在于有没有接到真实的业务问题上。

需求曲线向下倾斜：价格越低，买的人越多。但曲线的陡峭程度差别巨大。曲线很陡，降价只换来一点点增量，总收入反而变少；曲线很平（经济学家叫弹性需求），价格小降，数量大增。喷气发动机让机票变便宜，人们没有因此少花钱，而是飞得比五十年前多得多。

大约一半的经济属于“价格下降、支出也下降”；更有意思的是另一半——价格下降、支出上升。AI 让效率变高，一定会在某些地方摧毁岗位和收入，也会在另一些地方创造机会。他把精力放在创造的那一半。

那为什么生产率数据还没起飞？他拿电气化做参照：美国工厂装上电动机之后，过了大约三十年才看到明显的生产率提升，Paul David 研究过这段生产记录；蒸汽机的时间更长。这一次他估计是三到五年，不会一夜之间发生，但也不会是三十年。

他和经济学家 Bob Gordon 打了个赌：Gordon 认为 AI 被吹过头，他站另一边。赌约是到 2030 年，生产率会显著高于美国劳工统计局（BLS）的预测。他说官方统计大大低估了将要发生的事，而更高的生产率能帮上财政赤字、贫困和医疗。目前他略微领先。

「老实说，我认为 AI 被低估了。它会比多数人意识到的更大。」

未来的工作：一个人指挥一支 agent 队伍

他把项目拆成三段：定义问题、执行、评估。历史上三段都由人做。现在 AI agent 越来越擅长中间那段——你把问题问对，它就能执行，能生成软件。

所以他认为多数人的工作会变成“管理一整队 agent”，像一群 agent 的 CEO：负责问对问题，负责判断结果对不对。

agent 会幻觉、会跑偏。更常见的情形是，你以为自己问对了，回头一看：“你确实照我字面说的做了，但那不是我的意思。”于是回去改问题。这就是评估。

他坚持这是可以教、可以练的技能。斯坦福的课上他用苏格拉底式提问，会突然点学生起来，让他们当场把问题定义清楚；作业不是“照菜谱执行步骤”，而是丢一堆没有结构的问题过来，自己去判断核心问题在哪。

只会技术，容易看不懂问题本身；只有行业经验或人际能力，会不知道技术能帮到哪。两者结合在一起，价值最大。他引用 MIT 的校训 mens et manus（心与手），说他从不认为严谨和实用是对立的两端。

顺带一个反直觉的判断：文科反而更值钱。哲学、艺术欣赏、音乐、历史，在一个物质充裕的世界里会长久重要。他自己当年基本都在上数学课，但很庆幸修过音乐欣赏——现在听同一段音乐，能听到以前听不到的东西。他把这叫做“品味”。

他还拿自己的研究工作举例：过去和研究生每周见一次，来回十到二十周才大致知道答案；现在用 Claude 协作，五到十分钟就能把数据拉出来对一遍。他说这有时候不如研究生，有时候更好，最大的差别是循环速度。

不过主持人提醒他：个人生产力提高了，“震撼感”却还没来。他同意，并把转折点放在未来三到五年。到 2030 年，不会再有人怀疑这件事改变了经济。斯坦福的“AI 经济指标”每月更新，信号按“无证据、弱证据、强证据”分类，目前一两项强、三四项弱，其余还没有。他说会看到它们一项项滑过去，然后可能突然加速——指数型事物的特点是先慢慢发生，然后突然发生。

智能变成自来水之后，还剩下什么稀缺的

主持人问了个狠问题：过去人们赚钱靠的是智能这个稀缺资源，如果智能被自动化了，人还靠什么赚钱？他说这是“万亿美元的问题”，没有干净的答案。

第一个答案是能动性（agency）。他在课上反复讲一句话——听到 AI，别只想到 artificial intelligence，要想 amplifying intention（放大意图）。它放大的是你的意图和能动性：你没有计划，它帮不上什么；你有计划，它能把计划放大很多倍。

「每次听到 AI 这个词，我希望你们想到的是 amplifying intention——放大意图，而不是人工智能。」

第二个答案是人与人的连接。AI 在国际象棋上打败人类，没有终结人类下棋，今天下棋的人比过去更多。他问儿子 Xander：跟机器下还是跟人下？儿子说当然跟人，跟机器下没意思。昨晚几百万人看尼克斯的球赛，换成一群机器在打，不会有那么多人看。所以“经认证是人做的”、真实的东西会更贵。

第三个是体力活。水管工、木匠，机器目前还不算擅长。但他说这个窗口在关闭。

第四个是他没想到的东西。历史上每一次试图预测未来，人类都严重低估了。两百年前的人能预见农民会消失，但想不到“播客”这个职业。他不认为发明新岗位是他的工作，那是创业者的事。

他提到 Reid Hoffman 的一个说法：人的超能力是即兴。Hoffman 让他想象一个人和世界最强的国际象棋程序比赛，赛期三十天，输的人死。人不一定能赢棋，但很可能赢——因为人会想出短路比赛的办法：给机器塞个病毒，指望那天打雷，让一杯水泼在错误的地方。这不是棋力，是即兴。

谈到分配，他明显严肃起来。他对增长乐观，但担心财富会高度集中，比现在更集中，而且财富集中会变成政治权力集中。这不是必然，是可选的。

他先推“创造价值”这条路：让更多人成为创业者。几百年前，多数人本来就是“农民创业者”，自己经营自己的一摊；是大公司时代把人变成了齿轮。他觉得很多人比自己以为的更有创业能力——某个周六下午，拿一张纸，让 LLM 陪你把能做的事列一遍，试一个，成本很低，失败了再换一个。“说实话，创造新东西比执行指令好玩。”

他也不回避备选方案：如果财富确实高度集中，就需要再分配工具——全民基本收入、累进所得税、财富税。他说硅谷的朋友会为此骂他，但权力和财富过度集中对谁都没好处，包括亿万富翁本人。他去过拉美一些地方，富人住在有围墙的社区里，配枪、有自己的学校和私人警察。一位巴西朋友跟他说，她和她的富朋友们都住在监狱里——一座自己造的监狱。

他还谈了框架问题：亚当·斯密定义了市场经济，凯恩斯在 20 世纪初更新了它，21 世纪需要新规则。市场和公司都是信息处理器，现在多了一台强上百万倍的信息处理器，这两类制度原封不动才是奇迹。

关于钱，他判断基本需求（马斯洛需求层次的最底层）会像桌上那杯水一样不再需要付费——机器人免费造出来的东西，凭什么收费。真正稀缺的是地位（本质是零和）、少数物理性的东西（比如去冥王星背面），以及还没被定义的东西。未来经济真正的任务，是把地位竞争引导到有产出的方向。

GDP 只统计买卖，价格为零的东西权重为零——维基百科、YouTube、免费的 ChatGPT 在 GDP 里几乎看不见，但价值真实存在。他和同事做了 GDP-B（B 是 benefits），对 600 种商品和服务问同一个问题：给你多少钱，你愿意停用一个月？用这个问题算出消费者剩余。他们发现免费商品带来的价值以万亿美元计；过去九个月，聊天机器人类 LLM 的价值涨了约 70%，平均支付意愿约 125 美元/月——有人愿意出 1000 美元，也有人只值 10 美元。问他自己的数字，他说“几万美元”：AI 已经长在他的日常里，停用像砍掉一条胳膊。

主持人最后问了个具体的问题：如果她五岁的女儿明天问，三十年后的生活会是什么样？他说没人知道，五到十年已经够难猜。然后给出他这期访谈最完整的那个判断。

「下一个十年，如果我们把牌打好，会是人类历史上最好的十年，远远超过以往；也可能是有史以来最坏的十年之一。」

最好的版本是财富创造超过以往任何时期，寿命明显改善；DeepMind 的 Demis Hassabis 认为十年内能治愈大部分疾病，他女儿大概会看到。最坏的版本同样存在：实验室里被造出来又泄漏的病毒、接管社交媒体操纵人的 AI、权力的大规模集中、已经出现的 AI 无人机追捕人。他说悲观派对风险的判断没错，错的是认为这些不可避免。

他的落点很朴素：工具变强，按定义就是人的能动性变大。所以少问“AI 会对我们做什么”，多问“我们想用 AI 做什么”。他说自己既兴奋又害怕——如果你不是两者都有，那你至少漏掉了一半的故事。

单词解释

金丝雀数据（Canaries in the Coal Mine）：斯坦福数字经济实验室那份研究的俗称，用煤矿里的金丝雀比喻最早被 AI 冲击的年轻劳动者和高暴露职业。
任务视角（Task-based Approach）：不看整个职业，只看它由哪些任务组成。一项任务能被自动化，不等于职业会消失——放射科医生 26 项任务里被替掉的只有读片。
需求弹性（Elasticity of Demand）：价格变动引起需求量变动的幅度。弹性高时，降价带来更多总支出（机票、医学影像）；弹性低时，降价只让收入变少。
增强与自动化（Augment vs Automate）：同一件 AI 工具，帮人做得更多叫增强，替掉人叫自动化。字幕数据显示，前者的就业表现更好。
J 曲线（J-Curve）：新技术先压低、再缓慢爬升、最后陡升的价值曲线，用来解释“能力已经很高，经济数据却还很平”。
能动性（Agency / High Agency）：自己定义问题、主动找事做、对结果负责的能力。他把这列为智能变便宜之后最值钱的品质。
消费者剩余（Consumer Surplus）：你愿意为一样东西付的钱与实际支付价格之间的差额。免费商品的价值全靠它体现。
GDP-B（GDP for Benefits）：把“花出去的钱”换成“得到的价值”的补充指标，做法是问受访者“给你多少钱愿意停用一个月”，覆盖约 600 种商品与服务。