Anthropic CEO 达里奥 · 阿莫迪。图片经由 AI 生成

文丨博阳

编辑丨徐青阳

美国当地时间 9 月 9 日，Anthropic 旗下研究机构 Anthropic 研究所（The Anthropic Institute）发布工作论文《变革性 AI 的经济情景》（Economic Scenarios for Transformative AI），对 2026 至 2030 年美国经济走势做出了推演与预测。

推演结果显示，在极端情景下，2030 年美国 GDP 将爆发式增长至 44.4 万亿美元，较 " 未引入 AI 的经济基线 "（non-AI baseline）大幅高出 32.4%，年化 GDP 增速高达 15.4%。

然而，经济狂飙的同时伴随着严重的结构性失业，总体失业率飙升至 11.9%，其中知识型技术人员受到的冲击最为剧烈，其失业率高达 17.9%，且实际工资比 " 未引入 AI 的经济基线 " 下降 11.5%。

该论文采用的模型基于美国劳工部 O*NET 职业数据库与 2025 年美国当前人口调查（CPS）微观数据，采用 " 任务级 " 宏观经济模型推演 AI 的影响。模型将经济中的职业拆解为具体任务，重点追踪占就业人口 62.4% 的知识型岗位（管理、专业技术、销售与行政办公），并设定 AI 对任务产生四种作用：未受影响、增强（AI 辅助人类）、自动化（AI 系统独立完成）与衍生新任务。

公众对 AI 能力与影响的感知调查结果

为校准模型中的关键参数，研究团队于 2026 年 8 月联合调查机构 Morning Consult 对 10,980 名具有美国人口代表性的成年人开展了问卷调查。调查显示，中位数受访者的预期接近 " 实质情景 "：预计对 AI 能胜任的任务实际采用率约为四成，被替代的劳动者转行求职约需 8 个月；上述对不同任务能力节点及极值情景的判断也均出自该项调查。

在 AI 能力节点预测上，目前认为 "AI 已能做到专业水平 " 的受访者占比为：日常商务邮件与文书 53%、可交付的软件产品 24%、无雇员的小型线上生意 19%、诺贝尔级科学发现 12%；到 2030 年，认为 AI 能无人运营线上小生意的累计占比升至 52%，认为能取得诺贝尔级发现的为 39%（另有 40% 认为后者永远不会实现），约 10% 的受访者预期对应极值情景。

这份预测报告由安东 · 科里内克（Anton Korinek）、查尔斯 · I · 琼斯（Charles I. Jones）、希蒙 · 萨赫（Szymon Sacher）、泰斯 · 科特（Tess Cotter）与彼得 · 麦克罗里（Peter McCrory）撰写，并同步上线了可供公众自行设定参数、查看对应经济图景的情景探索器。论文强调，这些推演情景并非预测、不附概率，其目的是让不同假设的经济后果可以相互比较。

01 任务级模型：把经济拆成 " 任务 "

模型把所有职业表示为一项项具体任务的组合。AI 只直接影响知识型任务，非知识型岗位（如建筑、电工、护理）不在直接冲击范围内。被自动化替代的知识型劳动者需要跨职业转岗，但转岗面临摩擦，例如软件工程师难以立刻成为电工，这包括跨职业搜索折价、岗位空缺匹配时滞与工资黏性，这些摩擦决定了失业水平的高低。

模型还设置了一条创新渠道：AI 自动化研发会提高投入研究的资源，但由于科研仍受物理实验、临床试验等实体环节制约，到 2030 年，这一渠道对劳动生产率的拉动远不足 1%，对全要素生产率（TFP）的拉动更低，三个情景皆然。另外，由于模型未纳入 " 从研究到自动化 " 的反馈回路，相关创新效应估算更可能偏低。

模型中的 " 任务 " 有具体所指。模型以美国劳工部 O*NET 职业数据库的任务清单为底本，把每个职业看作一束任务的集合。

AI 对护士工作任务影响的分拆示意图

以护士的一天为例：接诊分诊、书写病历、记录生命体征、巡视病房、抽血、为病区订购物资、起草出院指导等，都属于具体任务。其中，给病人擦浴这类必须身体接触的工作，AI 无法替代；起草出院指导、远程监测病人、安排值班计划等，AI 可作为辅助工具帮护士做得更快更好；记录生命体征、订购病区物资等，则可能由 AI 系统直接接管；同时还会衍生出新任务，例如核查 AI 的分诊结果是否准确、审阅 AI 提出的护理方案。

就统计口径而言，模型把受 AI 直接影响的岗位归为知识型职业，涵盖管理、商务与金融、计算机与数学、工程、法律、教育、医疗执业、销售与行政办公等 12 个职业大类；建筑、安装维修、生产运输、餐饮保洁等其余 10 个大类不在直接冲击范围。

情景之间的差别，取决于五组参数：AI 能影响到多少任务、这些任务的实际采用面有多广、每项受影响任务的生产率提升多大、自动化与增强各占多少、每自动化一个任务会衍生出多少新任务；此外还有两组劳动力市场参数，即劳动者跨职业求职的难度和企业发布岗位的速度。

模型据此推演到 2030 年的 GDP、劳动收入份额、工资、岗位再配置与失业率等宏观指标，并与一个不存在 AI 的对照经济逐一比较。模型的边界在于它只考察 AI 对认知任务的影响，没有纳入机器人技术对体力任务的快速进步，因此分析也只做到 2030 年，且不涉及政策应对、商业周期等复杂因素。

02 2030 年三种情景：极值情景失业率达 11.9%

模型推演的 2030 年的三种情景

三种情景并非对未来的预测，而是围绕 "AI 能力进展与采用速度 " 这一核心不确定性作出的三组不同假设。它们以 2026 年年中的 AI 使用情况为共同起点，区别在于到 2030 年 AI 渗透的程度和对就业的冲击力度，主要分歧在 2027 年之后才逐渐显现。无论哪种情景，AI 都会推动经济增长，差别只在于增幅大小与速度快慢。

温和情景（Modest）：AI 的扩散类似互联网，属于影响力有限的 " 普通技术 "。到 2030 年，AI 实际执行全社会约 4% 的经济任务；受影响任务的生产率提升约 35%，自动化与增强各占一半；每自动化 2 个任务便衍生 1 个新的知识型任务。

在这一情景中，美国 GDP 为 34.1 万亿美元，比 " 未引入 AI 的经济基线 " 高 1.6%；年化增速从 2.0% 升至 2.4%，相当于四年间多积累了约十个月的常规增长。总体失业率 3.9%，仅比正常水平 3.8% 高 0.1 个百分点，劳动力市场几乎不受影响。

实质情景（Substantial）：AI 成为影响力超越互联网的关键技术。到 2030 年，AI 执行全社会 12% 的经济任务，相当于 2025 年知识型任务量的约 20%；受影响任务的生产率提升约 57%，其中 75% 为自动化；每自动化 4 个任务仅衍生 1 个新任务。

在这一情景中，美国 GDP 将达到 36.3 万亿美元，比 " 未引入 AI 的经济基线 " 高 8.3%；年化增速升至 5.4%，超过上世纪 90 年代互联网繁荣期的峰值（1999 年为 4.7%）。知识型员工失业率升至 4.5%，总体失业率 4.6%。

极端情景（Extreme）：递归自我改进的 AI 系统快速普及。到 2030 年，AI 执行全社会 30% 的经济任务，接近 2025 年知识型任务总量的一半；受影响任务的生产率提高一倍以上（约为 2.2 倍），90% 为自动化，且不再为人类创造新的知识型任务。

在这一情景中，美国的 GDP 将达到 44.4 万亿美元，比 " 未引入 AI 的经济基线 " 高 32.4%；年化增速飙升至 15.4%，经济规模约每 4.5 年翻一番。知识型员工失业率高达 17.9%（接近每五人中一人），总体失业率升至 11.9%。

相比之下，在 " 未引入 AI 的经济基线 " 的情况下，模型预计 2030 年美国 GDP 约 33.5 万亿美元，年化增速为 2.0%，总体失业率为 3.8%。

03 四大发现：资本倾斜、岗位分化、工资剪刀差与实体创新瓶颈

不同 AI 发展情景下的劳动与资本收入分配

总量之外，增长成果如何分配更受关注。模型模拟同时揭示出四个值得关注的结构性现象，分别涉及收入分配、失业、工资与创新：

首先是收入分配加速向资本倾斜。模型起点为劳动份额 60%、资本份额 40%。到 2030 年，劳动份额在三种情景下分别降至 59.4%、56.1% 与 45.2%，资本份额相应升至 40.6%、43.9% 与 54.8%。

实质情景下四年内约 4 个百分点的份额转移，已接近美国 1980 年以来四十年间劳动份额的全部降幅；极端情景下，约 15% 的 GDP 从劳动报酬转为资本收益。

其次是结构性失业集中于知识型岗位。极短情景下，美国知识型员工失业率高达 17.9%，远超二战后美国任何时期的水平；总体失业率升至 11.9%，高于 2008 年金融危机后的峰值（略低于 10%）和新冠疫情期间（约 8%）。

而非知识型岗位因不受 AI 直接冲击，失业率反而降至 3.9%，形成 " 白领失业高于蓝领 " 的分化。即便在实质情景下，知识型员工失业率也从 2026 年的 2.9% 升至 2030 年的 4.5%，涨幅超过一半。

接着是工资走势出现 " 剪刀差 "。实质情景下，知识型员工实际工资比 " 未引入 AI 的经济基线 " 请静下低 0.3%，非知识型员工则高 5.9%；极端情景下两者分别为 -11.5% 与 +33.6%，全体平均工资高 9.7%。

原因在于，AI 加快了设计、规划与审批等前端知识流程，更快产出的设计可带动更多建设项目，从而推高建筑安装等实体劳动者的需求与议价能力。

最后，AI 对科研创新的提速受物理瓶颈制约。模型推演显示，即使在研发高度自动化的极值情景下，AI 自动化科研对劳动生产率的拉动也远不足 1%。科研高度依赖物理实验室测试、临床试验等实体环节，其固有周期构成难以被纯数字化 AI 提速的瓶颈。

03 结论与政策启示

Anthropic 在报告中指出，其模型提供的是评估不确定性的结构化框架，而非预测未来的 " 水晶球 "。

推演结果指向的核心问题并非社会财富总量不足，而是增长成果在资本与劳动、不同职业群体之间的分配失衡：在极端情景下，若要通过转移支付把知识型劳动者的收入维持在无 AI 水平，需要规模约相当于美国 GDP 9% 的财政转移，接近当前社会保障与医疗保险支出之和；如此规模的转移在技术变革史上没有先例。

再培训、新型保险与收入支持等机制，如何让劳动者分享更富裕经济的红利，将成为经济政策的核心议题。模型虽然未纳入政策响应、商业周期、总需求与金融市场冲击、灾难性风险，也未考虑超人形机器人等变量，但会随证据积累持续更新。

目前三种情景都无法排除，究竟哪一种更接近现实，可能在一两年内逐渐明朗；提前为可能的冲击做好准备，是更审慎的选择。

特约编译无忌对本文亦有贡献