蛋糕大了 32%，工资单却没变大

Anthropic 这份研究给出三张经济情景牌。最值钱的部分不在 GDP 预测上，而在极端情景里藏着的一个乘法：0.45 × 1.32 ≈ 0.60。它把经济增长和劳动报酬拆成了两条各走各的曲线。

先做个思想实验。假设现在是 2030 年 1 月：美国经济比"假如没有 AI"的参照路径大了将近三分之一，年增长率冲到 15.4%，人均收入每五年翻一番——过去一个世纪，美国的经验是每 35 年才翻一番。听起来是个皆大欢喜的世界。

Anthropic 的模型还给出另一组数字：这一年，全美国劳动者拿到的工资总额，几乎和没有 AI 时一模一样。

两个数字都没错。它们量的是两件事：产出多少，以及怎么分。过去两年关于 AI 经济的争论，多数就卡在这个地方——看好的人说 GDP 会涨，担心的人说工作会没，两边讲的是两个变量，自然谁也说服不了谁。

2026 年 9 月，Anthropic Institute 发布工作论文《Economic Scenarios for Transformative AI》（作者 Anton Korinek、Charles I. Jones、Szymon Sacher、Tess Cotter、Peter McCrory），把各家的预测塞进同一个模型，让分歧落回几个可测量的参数上。这篇不打算复述报告内容，我只挑它最容易被跳过的一条曲线——劳动收入份额——往下挖。​

01把经济拆成"任务"，别拆成"行业"

这套模型的出发点只有一句：经济里最小的分析单位是任务，不是职业。

我们习惯按行业、按职业谈 AI 的冲击——"程序员会不会失业""设计师会不会被替代"。模型把职业看成成百上千个任务的集合：AI 挑走其中一部分，另一部分被增强或改造，此外还会冒出一些原本不存在的新任务。

论文用的是美国劳工部的 O*NET 职业分类体系——这套体系把每个职业拆成具体的任务清单。播客里举的护士例子很贴切：一个护士的日常包括查房、抽血、分诊、记录生命体征、为病房订购耗材。其中"给病人洗澡"这类物理任务，AI 目前碰不了；"起草出院说明""远程监控病人"会被增强；"自动记录生命体征""自动下单补充耗材"可能被完全自动化；而"评估 AI 分诊系统的准确度""审核 AI 提出的治疗方案"则是 AI 催生的新任务——二十年前，这些工作根本不存在。

这份任务清单一直在变。旧任务消失（没人再手写纸质病历），新任务出现（三十年前没有人远程监控病人）。职业跟着一直变形，谈不上简单地"被替代"或者"留下来"。

02五个旋钮：把"我觉得 AI 会怎样"翻译成参数

这套框架好用在哪儿？你不必先认下某个宏大叙事，只要回答五个能量出来的问题：

1. 能力覆盖（m）：到 2030 年，AI 能胜任经济中多大比例的任务？
2. 扩散率（d）：在 AI能做的任务里，实际会有多大比例真的被用上？（能力不等于落地）
3. 单实例增益（a）：一个被 AI 影响的任务实例，效率提升多少？
4. 自动化份额（ψ）：这些使用里，有多少是 AI 直接替代人（自动化），多少是人机协作（增强）？
5. 再就业摩擦（μ）：一个被替代的劳动者，换到新职业要花多久？

另有一个参数藏在后面，分量却不轻：ρ（任务再置率）。每自动化 N 个任务，会新长出多少个由人承担的脑力任务？历史上这个补偿机制一直在起作用——ATM 普及之后银行柜员没被消灭，网点变便宜了，反而开得更多。论文提醒了一句：这个机制不一定一直开着。

模型的起点有两个实测值，不是拍脑袋定的：2026 年中，AI 已影响的任务比例 m₀ = 0.14（来自 Massenkoff & McCrory 2026 的实测暴露度），企业实际使用率 d₀ = 0.10（美国人口普查局 BTOS 及其 2026 年 AI 补充调查）。眼下 AI 能做的事已经不少，真正落地的却还很窄——后面所有分歧，都从这道"能力—扩散"的缺口里长出来。

03三张牌：温和、显著、极端

论文反复强调：这是情景，不是预测，也不附概率。它只想让不同假设的后果能放在一起比。三个情景各自对着现有讨论光谱上的一个位置：

• 温和变革：量级接近 Acemoglu（2025）的保守估计和 OECD 的测算，把 AI 当成一次"正常的技术进步"。
• 显著变革：对应 2023 年前后投行与咨询机构的主流口径（高盛 Briggs & Kodnani、麦肯锡、Penn Wharton 等），年化劳动生产率提升约 1.5 个百分点。
• 极端变革：比上面两组都激进，参照的是"AGI 驱动增长加速"那批文献（Korinek 2023、Davidson 2023、AI 2027 情景分析等）。

三个情景到 2030 年的关键结果如下。最后那几行才是重点。

表 1｜三情景 2030 年结果（节选）。数据来源：Anthropic 工作论文 Table 3。

04那个被忽略的乘法：0.45 × 1.32 ≈ 0.60

回到开头那个悖论。极端情景下，GDP 比无 AI 路径高 32.4%，劳动份额从 60% 掉到 45.2%。论文用一行算式把这个结果说清楚了：

劳动份额缩小约四分之一（0.45 ÷ 0.60 ≈ 0.75），GDP 涨了约三分之一（×1.32），0.75 × 1.32 ≈ 1.00 —— 劳动收入总额几乎原地不动。

换成绝对数字：假设无 AI 时经济产出为 100，其中 60 归劳动者、40 归资本。极端情景下总产出变成 132.4，劳动者那一份还是约 60（Table 3 显示 +0.5%），多出来的 72 全部进了资本收入（+81.4%）。

论文接着算了一笔补偿账：脑力劳动者的工资总额下降 31%（工资低 11.5%，就业少 21.5%），其他职业的工资总额上升了几乎相同的量。经济的净收益约为脑力劳动者损失的三倍，所以按教科书的算法，补偿是做得起的——转移约 9% 的 GDP（大致相当于美国社会保障与联邦医保之和），就能让脑力劳动者维持原收入水平，其余所有人还比基准高出 20% 以上。

论文紧接着补了一句：这种规模的技术性转移在历史上没有先例。过去面对产业冲击的经验（例如 Autor、Dorn、Hanson 研究的中国进口竞争对区域劳动力市场的影响）也说明，补偿不会自动发生。

05痛有两种形状：降薪，还是失业

还有一处结果跟直觉相反。极端情景下脑力劳动者要付的代价，会长成两种完全不同的样子，取决于一个叫工资刚性（ξ）的参数——它衡量工资向市场出清水平调整的速度。

• 工资完全灵活（ξ=0）：脑力劳动者工资暴跌 42.2%，但失业率只有 2.6%——几乎人人有工作，只是便宜得多。
• 工资高度刚性（ξ=0.9，半衰期 7 年）：工资反而比无 AI 路径高 2.8%，但脑力劳动者失业率飙到 24.0%——保住了价格，丢掉了岗位。
• 基线（ξ=0.5）：代价分摊在两个维度上——工资 −11.5%，失业率 17.9%。

这对政策的含义很直接：最低工资、劳动合同刚性、行业集体谈判这类制度消不掉冲击，只能改变冲击长什么样。它们把"隐性降薪"换成"显性失业"，后者在社会观感上通常更刺眼。

06隐藏旋钮：资本供给弹性决定"增量归谁"

还有一个参数不在情景定义里，却强烈左右结果：资本供给弹性（ε）。简单说就是：经济想追加算力、追加机器时，这些东西多快能被造出来，价格会不会被推高。

弹性高，资本能快速扩张，租金不涨，劳动者能留住更多收益；弹性低，算力这类资本变成稀缺瓶颈，租金飙升，反过来压住工资。论文给了一组对照：

• 极端情景、资本高度稀缺（ε=1）：资本净回报率升到 10.3%，而平均工资比无 AI 路径低 9.2%——技术越强大，劳动者反而绝对变差。
• 极端情景、资本完全弹性（ε=∞）：资本回报回到 6.5%，平均工资高出 30.1%。

论文还试了一个更难受的组合：AI 能力与采用率走"显著"路径，自动化份额、再就业摩擦、任务再置率全部取"极端"值，资本供给又缺乏弹性。结果是 2030 年 GDP 高出 7.2%，劳动收入总额比无 AI 时低 4.3%。要让脑力劳动者收入不降，得转移掉 84% 的 GDP 增量。这就是 Acemoglu 与 Restrepo 说的"凑合型技术"（so-so technologies）：用得很广，每单位带来的生产率提升却微不足道，净效果是把劳动收入搬走。

07一万人的答案：公众预期落在"显著变革"

论文另外做了一件事：2026 年 8 月 11–23 日，通过 Morning Consult 调查了 10,980 名美国成年人，问的正是上面那五个参数对应的问题。把每个人的回答代回模型，结果是——中位数受访者的答案落在"显著变革"附近。

表 2｜把 3,259 名完整作答者的回答代入模型后的结果分布。数据来源：Anthropic 工作论文 Table 4。

更有意思的是分歧本身。中位数认为到 2030 年 AI 能完成八个认知任务中的六个，但同一批人里：

• 约 30% 的人认为，AI 在一个适配的任务上一点时间都省不下来；
• 49% 的人认为，AI 至少能把耗时砍掉一半；
• 对"AI 会做出诺贝尔奖级别的发现"，39% 的人认为会在 2030 年前发生，40% 的人认为永远不会。

同一份问卷里同时装着两套完全互斥的世界观，这才是公众对 AI 判断的真实状态。它也印证了论文的立场：今天三个情景都无法排除，争论的焦点该从"谁说得对"挪到"我们该盯住哪些可观测的量"。

08把模型放回现实：播客里的三个交叉验证

模型讲求可测量，那现实的读数是什么？仓库里有两份播客转录，恰好能从侧面印证其中三个参数。先说明一句：下面是播客里的转述和嘉宾判断，不是论文数据。

验证一：资本这一侧，账单正在被提前支付

摩根士丹利 2026 年 TMT 峰会的转录里，大摩科技投行部主管大卫·陈（David Chen）给出了一组资本开支的现实数字：亚马逊为 AI 基建融资导致自由现金流转负，谷歌发行了百年期债券，Meta 的自由现金流持续缩减。这和模型里"资本存量大幅扩张、资本回报上升"的方向对得上——资本份额要上升，前提是有人真把钱投进去，而投钱是有代价的。

他对时点的判断更要紧：AI 基建投资狂热"大概率在 2027 年触顶"，2027 年支出与 2026 年基本持平。这话若成立，资本供给弹性（ε）就不是无限大——算力供给在中期内是紧的，模型会被推向图 6 左侧那一端：资本回报被推高，工资承压。同一场对话里他还提到杰文斯悖论：效率提升不会减少总需求，反而让算力需求继续膨胀。这和模型"资本存量在极端情景下高出 56.3%"的推演方向一致。

验证二："确定性 vs 概率性"——自动化份额 ψ 的现实刻度

ψ（自动化份额）是模型里最难测的参数。播客里有个更接地气的判断标准，出自那场峰会上被反复讨论的框架：看这个软件功能是"确定性"还是"概率性"。

工资核算、税务申报、客户账单——零容错，错 1% 就可能带来合规风险与法律责任，这类工作的护城河仍在，自动化会慢；而会议摘要、谈判草稿——错 2% 无所谓，这类工作最快被自动化。这个二分法给 ψ 提供了一个能操作的观测口径：别问"AI 能不能做"，问"做错了代价有多大"。

顺着这条线，播客里还提到一个范式转移：软件正从 SaaS 转向"Software for Agents as a Service"（SaaaS）——服务对象从人换成智能体。Box CEO 亚伦·莱维在会上称，面向智能体的软件市场规模可能是现有 SaaS 的 10 倍。这话若成立，扩散率 d 的上升就只受制于"企业敢不敢授权"，不再是"人愿不愿意用"——这条加速通道模型没有显式建模。

验证三：电力与蓝领——"其他职业工资上涨"的现实回声

模型里还有一条推论：极端情景下，非脑力职业工资高出 33.6%。原因是 AI 提升了脑力劳动的生产率，间接拉动了对体力劳动的需求——设计审批流程加快，建筑项目变多，建筑工人工资被推高；同时脑力劳动者被挤向这些领域，而转换需要时间，于是这些领域反而出现劳动力稀缺。

另一份播客（马斯克与黄仁勋的公开对谈转录）给出了一个可以对照的量化直觉：马斯克称美国平均电力消耗约 500 GW，每新增 5 GW 稳态电力约等于 1% 的用电量增长，他押注这大致对应 1% 的 GDP；黄仁勋则给出每 GW 约对应 400–600 亿美元年度经济产出的粗算。两人还反复强调数据中心建设带来的是管道工、电工、建筑工人这类蓝领岗位——黄仁勋称之为"50 年来第一次再工业化"。

两者方向一致，但有一处差异：播客讲的是"新增需求的绝对量"，模型讲的是"相对稀缺带来的相对价格变化"。两件事不矛盾，真正推动工资上涨的是后者，关键落在转换摩擦 μ 上，也就是"程序员要多久才能变成电工"。这个参数在模型里最容易受政策影响。

09模型没算的部分，往往才是风险所在

论文自己列了一份坦率的清单，其中四条直接关系到这些结论能用到什么程度：

1. 机器人没算进去。模型只处理 AI 对认知任务的影响，完全没考虑机器人进步对体力任务的冲击。这也是论文不愿意把分析延伸到 2030 年之后的主要原因。
2. 价格刚性和需求反馈也没进去。模型生成不了"失业压低消费、消费萎缩反过来加剧失业"这类负反馈循环。
3. 劳动者之间的差异画得很粗。只区分就业状态和两大职业群体，同群体内工资相同；工龄、技能水平、区域产业结构、人口群体差异都不在里面。现实里，冲击从来不是均匀落下的。
4. 创新这一条被系统性低估。论文遵循半内生增长传统（Jones 1995），自动化研究能增加知识生产的投入，但研究仍受物理任务瓶颈约束。结果是：三个情景里通过创新渠道带来的劳动生产率提升都不到 1%。作者自己也承认这是下界——模型既生成不了 Aghion-Jones-Jones 式的奇点，也生成不了 Davidson 等人的研究驱动型爆炸式加速。

第四条尤其要留意。它的含义是：如果你相信 AI 的最大价值在于"加速科学发现"、而非"替代人干活"，这个模型在结构上就装不下你的故事。三个情景之间差距巨大，但它们顶着同一个天花板：创新贡献有限。

10结论：该盯住的不是 GDP，是三条侦察线

把这份研究和播客里的现实讨论放在一起，我的判断是这样：

结论：这份工作最大的贡献不在三个 GDP 数字上，而在于证明了"增长"和"分配"由两组独立参数决定——极端情景里两者甚至可以完全脱钩（GDP +32%，劳动收入 +0.5%）。所以只谈"AI 会让经济变大"、不谈"变大的部分怎么分"，这个讨论本身就是残缺的。

依据：Table 3 的劳动收入总额行（极端情景 +0.5%）和资本收入行（+81.4%）；Table 5 显示资本供给弹性可以决定工资变动的正负号；Table 6 显示工资刚性只改变代价的形态，不改变代价的存在。

情景权重：论文明确不附概率，我也不替它附。不过有三条可观测的侦察线，未来 12–24 个月内就能给出信号：

1. 扩散率 d——企业实际使用率是否从 2026 年中的 0.10 明显抬升。这是能力与现实之间最大的缺口，也是最容易被误读的一个（能力强 ≠ 用得多）。
2. 自动化份额 ψ——新签的 AI 合同里，有多少是"替代人"而非"辅助人"。播客里的"确定性 vs 概率性"口径可以作为一个代理指标。
3. 再就业摩擦 μ——被替代的脑力劳动者，换岗平均要几个月（正常时期约 3 个月）。这是最容易被政策改善、也最容易恶化的参数。

什么条件下这个判断被证伪：如果未来两年观测到任务再置率 ρ 显著为正（AI 自动化大量任务的同时，创造出同等量级的新脑力岗位，比如"AI 训练师""模型审计""智能体编排"成为主流职业），劳动份额的下行会被抵消，本文强调的"脱钩"就不成立；同样，如果资本供给弹性因算力与能源快速扩张而趋近无穷（图 6 最右端），工资与增长会重新挂钩。论文也是这个立场：今天三个情景都不能排除，但一两年内会更清楚。

四个留给我们的开放性问题​

1. "再培训"够不够用？论文列出的选项包括收入保障、全民基本资本、全民基本收入，"甚至一些还没有被设计出来的制度安排"。9% 的 GDP 转移在历史上没有先例，那第一个先例该从哪儿开？
2. "确定性 vs 概率性"会不会变成新的阶层分界线？如果零容错的工作（要资质、要担责、要现场判断）和高容错的工作（信息处理）之间出现系统性工资分化，教育体系该从哪个年龄段开始分流？
3. 企业用什么指标衡量 AI 的价值？只按"省了多少人"记账，ψ 会被推向极端；按"多做了多少此前做不了的事"记账，就接近增强路径。这个会计口径的选择，可能比技术本身更能决定我们走向哪个情景。
4. 智能体成了软件的客户，扩散率的约束条件跟着变了。过去扩散受制于人的学习成本，以后受制于企业的授权意愿。那么"谁来为智能体的错误负责"这个法律问题，会不会成为决定 AI 经济速度的那只手？