摘要 人工智慧（AI）正在重塑全球經濟，但AI技術進步並未普惠性地讓所有行業、企業和家庭受益，反而擴大了行業間、企業間、群體間和地域間的差異。事實上，中美經濟均呈現明顯的“K型分化”，K型分化並非中國獨有現象，而是已演化為一種較為普遍的全球性現象，與之相應的是“低就業增長”現象。一部分行業和企業受益於技術進步和市場需求旺盛而發展較快，處於該行業和企業的群體的收入和財富急劇增長；但同時另一部分傳統行業如房地產和勞動密集型製造業則受制於需求和訂單不足而持續下行，處於該行業的群體的收入和資產價格持續縮水，資產負債表受損。如何看待這種K型分化？經濟K型分化與總量增長的關係是什麼？中美K型分化的特徵有什麼相同與不同？對政策有那些啟示意義？ 當前，中美均呈現AI相關產業增長、資本開支和資產價格表現較強，而傳統部門和普通居民感受相對偏弱的現象。但由於中美所處經濟發展階段、宏觀環境和產業基礎不同，兩國的經濟總量表現和K型分化特徵存在明顯差異。 一、中美經濟K型分化的比較：特徵、相同與不同

The next AI winner may not be the company with the biggest model. It could be the company that figures out how to get more useful AI for every dollar it spends.Nvidia Corp.(NASDAQ:NVDA) is helping shape that shift by powering more efficient, task-specific AI systems that aim to squeeze more performance out of every GPU cycle. 下一個AI贏家可能並非擁有最大模型的公司，而可能是找到如何讓每投入一美元都能獲得更有用AI的公司。輝達公司（納斯達克：NVDA）正通過為更高效的、面向特定任務的AI系統提供算力支援，推動這一轉變，力求從每個GPU計算周期中搾取更多性能。 DigitalOcean Holdings Inc.(NYSE:DOCN) CEOPaddy Srinivasantold Benzinga in an exclusive email interview that AI builders are increasingly mixing different models for different jobs rather than relying exclusively on expensive frontier systems from companies such as OpenAI and Anthropic. DigitalOcean Holdings Inc.（紐約證券交易所：DOCN）首席執行長Paddy Srinivasan在與Benzinga進行的一次獨家電子郵件採訪中表示，AI開發者越來越多地針對不同任務混合使用不同的模型，而非完全依賴OpenAI和Anthropic等公司提供的昂貴前沿系統。

▲臺北鞋展四大AI體驗站展現智慧製造成果。( 圖資策會提供 ) 為協助中小微企業以可負擔、可落地的方式導入AI，經濟部中企署推動115年中小微企業AI創新應用輔導計畫，並自7月29日起至31日，在臺北世界貿易中心一館C區「2026秋冬季台北鞋展」設置「製鞋與織品設計AI互動專區」，以四大體驗站展示AI在腳型量測、襪品推薦、刺繡設計與品牌行銷的應用，同步辦理6場異業交流，邀請鞋履、織襪、毛巾、刺繡及紡織等領域公協會與企業代表參與。本次展覽由新北市鞋類公會與臺南市皮革公會共同主辦，計75家廠商參展。 ▲中企署長李冠志及立委陳亭妃體驗智慧AI量測與設計新技術。( 圖資策會提供 ) 鞋業與織品產業具有少量多樣、客製化及快速回應市場等特性，從產品設計、商品推薦到行銷接單，都需要更即時掌握顧客與市場需求。中小微企業導入AI的關鍵，在於先找出最適合切入的工作環節，因此以「鞋業AI行銷與商機分析」及「臺灣織品圖樣智造方案」兩項行業通用型輔導案為基礎，將技術展示帶到展會現場，讓業者從熟悉的營運情境出發，了解工具能解決什麼問題、如何使用，再評估導入方式。輔導對象以臺南手工製鞋、彰化社頭織襪及雲林毛巾等中南部產業聚落為主。

高盛投行部門6月下旬發佈全新30多頁報告《Harnessing AI for the Real Economy》。中文可譯為：《駕馭AI，進入實體經濟》或《AI如何賦能真實經濟》。（文末有報告連結） 報告的核心結論很直接：AI的下一階段，將從數字應用擴展到實體產業。過去幾年，AI最先改變的是軟體、辦公、程式設計和知識工作；接下來，高盛認為更大的變化會發生在工廠、電網、倉庫、實驗室、國防系統和複雜供應鏈中。 報告將影響AI經濟的關鍵趨勢概括為四個方向： 第一，顛覆者正在被顛覆：軟體的未來正在重寫。

近兩年來，關於 AI 經濟學最引人注目的論戰，實際上是一場關於“速度”的博弈。關於AI泡沫的討論，最終都會還原到，「AI 多久會反映到 GDP/生產率上」這個問題上。（TFP）的增長貢獻可能僅為微不足道的 0.07% 到 1%。他的判斷主要立足於 AI 只能自動化很少一部分人類任務，且很難在短時間內大幅降低成本。諾貝爾經濟學獎得主 Daron Acemoglu 在 2024 年拋出了一盆冷水。他通過對當時 AI 能力（主要是 GPT-3.5 時代）的實證觀察，計算出 AI 對未來十年全要素生產率但在Agent全面接管工作流、推理模型層出不窮的當下，Acemoglu基於Chat時代的觀察顯得有點落伍了。在他的論點之外，轉折派、奇點飛昇派等多個流派對AI、對GDP年增長的影響預測從0.07%到10%，分佈在極其廣闊的光譜上。成功落地，以及能夠自我迭代的AI進入研發流程，意味著完全不同的增長軌跡。這些預期差距很大程度上源於他們對AI技術本身發展速度的理解差別。AI發展停滯、Agentic AI而史丹佛大學商學院經濟學家 Charles I. Jones 在 2026 年 1 月發佈的最新論文《人工智慧與我們的經濟未來》（A.I. and Our Economic Future），為這場爭論引入了一個超越具體技術參數的宏觀框架。Jones沒有糾結於模型能力的範圍，而是通過數學化的生產函數模型模擬了AI在不同場景下的可能。他認為，AI 確實擁有引爆經濟的潛力，但這個引爆過程將被經濟系統中的「薄弱環節」無情地拉長。和過往的電氣、網際網路革命一樣，這很可能也將是一個被馴服的奇點時代。01AI對經濟影響的三種敘事關於 AI 將在多大程度上提升長期 GDP 增長率，學術界目前分裂為三種截然不同的敘事。分歧不僅源於對技術能力的判斷不同，也源於他們看待經濟機器運轉方式的根本差異。漸進主義視角：任務模型的摩擦 (Acemoglu)（Hulten’s Theorem）作為依據進行論證。Daron Acemoglu 是這一流派的代表。在 2024-2025 年的系列研究中，他主要通過霍爾頓定理霍爾頓定理的推導邏輯非常直接：AI 對總生產力的貢獻，大約等於「受 AI 影響的 GDP 份額」X「這些任務的成本節約率」。根據Acemoglu的測算，即便假設 AI 能影響 20% 的任務並帶來 25% 的成本降低，其在未來十年內對 TFP （全要素生產率）的累計提升僅為 0.71%，折合年均增長不到 0.1 個百分點 。但是，Acemoglu的測算在方法論上存在根本性缺陷。他用了一個為衡量漸進式技術改進設計的工具，即霍爾頓定律，去預測一個可能改變經濟結構本身的通用目的技術。如果1900年有人用霍爾頓定理計算電力影響，其結論可能是電力只能替代20%的蒸汽機任務，成本節約30%，影響有限。但電帶來的最核心改變是，工廠無需再圍繞中央蒸汽機佈局、因此其生產限度和範圍都大幅擴展；而在微型化後，整個家用電器產業從零誕生。這些結構性變化不在替代舊技術的框架裡。然而，Acemoglu 確實敏銳的發現了一些很敏銳的現象。他注意到，當時AI的成果，比如寫程式碼的速度提升55%，職場寫作效率提高40%這類，都發生在他所謂的「易學任務」光譜裡。這些任務有兩個特點，依賴性，它們都有明確的對錯標準；二來，網際網路上有對此海量的訓練資料。但其實經濟活動裡大部分區域都沒這麼理想。比如一個醫生診斷罕見病，一個律師在複雜案件中尋找突破口，一個建築師在地形限制下設計方案，這些「難學任務」就沒有明確的答案，而且必鬚根據語境做判斷，而AI在這些領域的進步將極其緩慢。而且因為缺乏客觀的評判標準，AI只能從人類的平均表現中學習，這可能最終導致它們永遠無法超越人類專家。這一批評，在推理模型、RLVR，乃至Agent盛行的今天，甚至依然成立。爆發論視角：自我進化的AI在光譜的另一端，是耶魯大學的William Nordhaus和研究機構Epoch AI代表了這一陣營。他們不只把AI看作Acemoglu眼中那種提效工具，而是看作一種全新的生產要素，一種可以無限複製的「數字勞動力」。他們假設的基礎是AGI確實會到來。在這一假設之下，AI能在幾乎所有認知任務上替代人類，那麼傳統經濟模型中「勞動力受人口增長限制」這一鐵律就會被打破。經濟增長將不再被人口瓶頸所束縛，而只取決於我們能以多快的速度生產算力。，他們認為傳統索洛模型中「勞動」和「資本」互補的假設將失效。如果 AI 技術發展到足以在絕大多數認知任務中完全替代人類，經濟增長將僅受限於資本（算力）的積累，而不再受制於人口增長的停滯，長期增長率顯著上移。這一派別採用了內生增長模型他們預測，如果AI能夠自動化科研過程（設計更好的晶片、發現新材料、最佳化演算法），就會形成一個正反饋循環，更強的AI →更好的硬體/演算法 → 更強的AI。根據 Epoch AI 的預測，如果這一循環打通，全球GDP的年增長率可能在2030年代突破10%，甚至達到30%的爆發性水平。的再現融合視角：J型曲線與索洛悖論然而，目前的實證資料似乎更支援Erik Brynjolfsson 提出的「生產力 J 型曲線」解釋。該理論認為，通用目的技術（比如GPT）在引入初期，往往會導致生產力增長放緩甚至下降。這是因為企業需要進行大量的無形資產投資，這包括去重組業務流程、重新培訓員工、開發配套軟體。這些投入在短期內被計為巨額成本，而收益卻滯後顯現。2025年的調查資料也佐證了他的想法。儘管 GenAI 的個人使用率已極高，但許多企業正處於試點煉獄（Pilot Purgatory）之中，投了很多錢，但沒看到什麼規模化回報。這種現象完美復刻了羅伯特·索洛在 1987 年的名言：“到處都能看到電腦，除了在生產力統計資料裡” 。緩慢的爆炸，被馴服的奇點Charles Jones的新論文，其實站在了一個統合者的角色上，去看待上面提到的所有三種路徑。他既不否認AI擁有無限自我進化的革命性潛力，也不否認組織變革之類拖後腿的因素。他把這些因素都塞進了一個理論中去融合，即「薄弱環節」理論，或者說是經濟發展中的木桶效應。現實經濟中，絕大多數任務是互補的，是一個由無數相互依賴的環節組成的複雜系統。比如藥物研發，就包含靶點驗證、毒理、臨床試驗、監管批准，任何一環都無法用其他部分替代。工程交付，則包含設計、供應鏈、施工、驗收、許可，某一步過不了整體交付不了。現代社會之所以有如此多的分工，正是因為為了保證安全和質量、完成一件足夠複雜的工作，是需要很多不可替代的環節的。而在這樣一個系統中，最慢的環節決定了整體的速度，Jones就把它稱為「薄弱環節」。在論文裡，Jones自己用了一個比喻去解釋這套理論。準備一頓晚餐的過程由兩個步驟組成：想菜譜和做菜。現在AI來了，它超好用，能在瞬間生成一份完美的菜譜，考慮到營養搭配、時令食材、你的飲食偏好。因此在「想菜譜」這個環節，生產力直接可能飆升一萬倍。但真想讓它上桌，廚師仍然需要花一個小時切菜、炒菜、擺盤。AI讓你在菜譜上省了十分鐘，但整個流程的瓶頸，即實際的烹飪過程並沒有改變。結果是，就算AI無敵了，你也只是把做飯時間從70分鐘縮短到了60分鐘，提升有，但似乎談不上「革命」這麼誇張。當生產環節之間是高度互補時，總產出並不取決於那個最強的環節（AI），而是被鎖死在那個最弱的環節（人類/物理世界）上 。只要這個薄弱環節存在，就算自動化再完善，最終總產出都由最弱環節的完成時間、成本所限制。而在可見的未來中，這個薄弱環節都會存在。首先是AI自身能力還需要提升，目前它缺乏長程任務的處理能力，也缺乏創新能力，更缺乏進入物理世界的具身能力。就算這些技術卡點都解除了，算力、機房、電力也需要現即時間去搭建；組織本身的變革肯定要慢於技術的進展，薄弱環節就會移動至此。而當組織，可能都被AI重新劃定好後，那些涉及倫理、信任、最終決策權、以及人類純粹偏好的「不可替代環節」，又將成為扼住經濟咽喉的那個「絕對薄弱環節」。這些過程，即使Epoch AI預測的超進化發生，也無法被磨平。至少在人類同意將一切決策權交由AI之前，都不可能發生。卡到什麼程度呢？Jones給出了另一個公式。在一個替代彈性為一半，也就是說各項任務都相互依賴的世界裡，如果你把一類任務自動化到「無限供給」，而這類任務在原本經濟中佔 GDP 的成本份額為 s，那麼總產出的比例增益大約是：增益=1 / 1-s這個公式可以這麼理解，把某類任務壓到幾乎免費，帶來的最大效果，本質上就是把生產 1 單位最終產出的總成本裡，那一塊原本屬於它的成本拿掉。如果它原來佔總成本的份額是 s，那剩下的其它必要任務就佔 1−s。在這個強互補設定裡，其它任務那部分成本是你無論如何都躲不開的。在同樣資源/同樣預算下，你能買到的最終產出與單位成本成反比。單位成本從 100% 降到 1−s，產出能力就最多放大到原來的 1/(1−s)。而GDP佔比可以看成衡量一種經濟部門在總價值與總支付中的權重，也可以近似視作成本。比如，軟體開發行業大約佔美國GDP的2%。假設AI現在可以寫出所有的程式碼，讓軟體開發的生產率達到無窮大。即便如此，這項突破會讓GDP變成1 / （1-0.02），也就是大概102%，也就是帶來約2%的增加。聽起來很扯，但這確實是事實。因為拆解開來，美國的GDP大頭，基本上都完全無法用程式設計替代，都涉及到物理勞動、土地等「絕對薄弱環節」。因此，在這個任務無法互相替代的框架中，經濟在微觀上，很多環節效率暴漲（寫程式碼、寫文案、做分析、做客服……）；但宏觀上產出提升依然被少數硬環節卡住（許可、責任簽字、物理建設周期、供應鏈、信任與安全、資料生成等）。結果就是，增長不是瞬間起飛，而是拆一個瓶頸、瓶頸遷移到下一個，呈現緩慢加速。而且，A.I. 把某些任務變便宜後，支出份額 s 未必上升，甚至可能下降。GDP可能會更集中在卡脖子的環節之上。基於這個框架，Jones重新計算了AI的經濟影響。他的結論介於Acemoglu的極度悲觀和奇點論者的極度樂觀之間。AI確實會驅動經濟增長加速，年增長率最終可能突破5%的歷史高位。但這不會是一夜之間的飛躍，而是一個跨越三四十年的漸進過程。在頭十年，我們可能只會看到約0.5-1%的累計TFP增長，勉強高於Acemoglu的預測。換句話說，奇點依然存在，但它被經濟結構的韌性馴服了。爆炸會發生，但引線很長。03加速的可能如果說 Acemoglu 的理論是基於靜態的觀察，那麼 Jones 的理論則更好的描繪了系統的結構性阻力。他是一種極限實驗，在其中假設把某類任務做到近乎無限便宜/無限供給，問總產出最多能被抬高多少。本質上是一個偏結構約束的視角。這種結構約束就是任務間的不可替代性。但這會是一成不變的嗎？Jones 在論文中暗示，技術確實會重構經濟形式。也就是說，在上面公式中，任務間無法互相替代這件事兒，可能會因技術的變化而變化。那麼現實的發展速度就有可能比他的基礎預測更快。根據不同技術情景對任務替代的不同影響，他一共設想了三種可能的重構方式。第一個是改變生產函數本身。當一項新技術足夠強大時，我們往往會重新設計整個流程，用新的範式替代舊的瓶頸。比如當下一些行業的分工，像法律裡，有起草合同、稽核檔案、法庭辯護這些環節高度互補，缺一不可。但如果AI不僅能起草合同，還能直接與另一個AI代理基於智能合約達成協議，中間的許多人工稽核環節就可能被徹底繞過。這不是在原有流程上做最佳化，而是創造一個全新的、更少瓶頸的流程。一些原先的硬序列鏈條被改造成可以多開工、多條線並跑的結構。這種範式轉換會改變不可替代性的大小。如果經濟活動重組後，任務之間從強互補變為弱互補甚至可替代，那麼單純堆疊算力就能帶來指數級的產出增長。於是宏觀增長會更明顯加速，但仍可能受到物理與制度約束，不一定立刻指數爆炸。依然是一個隨著組織和滲透漸進的過程，但速度會大為增加。理論上講，這一改變是非常可能的，因為我們現在的勞動分工和流程化，在很大程度上都是為了人類本身的限制而設立的。如果對於一個能力高超的AI來講，設計一棟複雜建築的難度和原始人設計木屋的難度一樣，它完全可以邊設計邊建造，而無須拆分流程。第二種改變方法，是份額的內生增長。公式 1/(1-s)假設可自動化任務的份額s是固定的。但歷史告訴我們，當某種投入變得極其便宜時，我們會在所有可能的地方使用它。比如在電力剛出現時，它只是用來照明和驅動少數機器。但隨著電價下降，電力滲透到了經濟的每一個角落：製冷、通訊、交通、娛樂、醫療。類似地，如果AI推理的成本降到接近零，我們會在今天想都不敢想的地方嵌入智能，比如建築材料會自己監測結構安全，農作物會即時最佳化光合作用效率，甚至一片樹葉都可能成為一個微型計算節點。在這個環境下，企業開始加強AI的滲透，替代一部分原來必須由人/組織協調完成的任務，在一定程度上取消某些環節。總體看，AI的用量擴張和任務邊界擴張（把原本不屬於AI的任務重新劃給AI）會減少在各個層級上的「薄弱環節」，把它們同樣自動化。因此 s 並不是僅僅限制在「程式設計」本身的GDP佔比上，而是滲透性更強，幅度更大。對GDP增長的影響也更顯著。這基本上是目前完全可見的一種潛在未來場景。這種擴張不會在一夜之間發生，但也不會像Jones的基準預測那樣緩慢。第三個則是直接通過解決「基礎薄弱環節」，帶來跨越式增長。其實在Jones公式裡，最大的「薄弱環節」並非演算法，而是能源、材料、人力這些物理障礙。AI科學家不能直接建造核聚變反應堆，不能親手合成新材料，也不能獨自組裝iPhone。但這恰恰是AI可能產生最大槓桿效應的地方。Jones在論文中描繪了一個很接近Epoch AI提出「飛輪」場景：AI 科學家可以設計更好的機器人，機器人進行實驗產生資料，實驗資料則用來訓練更強的 AI。在這個過程中，一旦在AI的自我進化式研究的過程中，解決了核聚變（無限能源）和通用人形機器人（無限物理勞力）的問題，那麼原本佔比最大「薄弱環節」和瓶頸都會消失，進入到自動化循環中。這就會是真正的經濟奇點到來的前夜。而在當下，進化性模型正是最火熱的前沿領域，AlphaEvolve帶來的曙光初現。這個場景變得越來越可能。在這三種Scenario之下，我們可以看到相對於Epoch AI和Acemoglu，Charles I. Jones 的研究框架完全可以包容前三者的所有假設。在當下高度互補的經濟系統中，AI 的局部無限能力會被那些尚未被自動化的「硬骨頭」（如物理瓶頸、法律倫理、人類情感）所稀釋。這就是為什麼即便技術在飛速迭代，宏觀經濟變化卻相對緩慢，因為價值會迅速從智能環節逃逸，被死死鎖在那些依然昂貴且稀缺的短板上。而隨著AI的持續發展滲透，打補丁式的替代將轉向徹底的重構。自動化份額逐步擴大，很多生產流程將完成從人機互補到端到端的完全替代。更遠處，利用「AI 科學家+機器人」的飛輪攻克能源與製造等物理底座，則會撬動幾乎所有「薄弱環節」。一旦我們成功擰動這些關鍵的「生產環節替代性」的調節旋鈕，一步步消除系統中擁有一票否決權的短板，經濟增長便能突破引力束縛，從線性的摩擦走向真正的指數級躍升。當然，這些旋鈕中，可能最先被擰動，是你我這樣的人。04人的新位置那麼，在這樣一個由「薄弱環節」定義的未來裡，人類的位置在那裡？從這個圖景看，答案其實很簡單，即人會不斷向瓶頸處遷移。在過去，掌握大量知識是高薪的保障。但在 AI 時代，這些成為了最先被無限化的廉價資源。人類的技能必須向那些 AI 尚未攻克的薄弱環節轉移。而當下尚能看到的瓶頸在那裡？首先是物理世界的最後且最難的一公里。尤其是那些非標準化的、需要靈巧操作和複雜判斷的物理工作。照顧老人、修繕古建築、緊急情況下的複雜救援。在這些場景中，只要機器人還沒有達到人類的靈巧度，工作的薪資反而會因為「薄弱環節」理論而水漲船高。這在現實中其實完全有映照。最近，在美國修築算力中心的藍領工人工資就在大幅提升。其次，是監管與信任的能力。 在一個充滿了 AI 生成內容的世界裡，驗證變得比生成昂貴得多。法律責任的界定、倫理的審查、人際間的信任背書，這些是 AI 難以通過算力解決的硬骨頭。這些問題基本沒有技術解決方案，只有社會和制度的解決方案。律師、審計師、倫理顧問的工作重心會從做轉向驗證和擔保。最終，是定義意義的能力。 當 AI 能解決所有如何做（How）的問題時，價值就集中到了做什麼（What）和為什麼做（Why）上。能夠發現需要AI 解決的問題；能夠制定一個城市的規劃願景、一個社會的價值排序；能夠定義人類應該有的生活，確認出可能不適合所有人，但適合一部分人的意義；這些工作，是缺乏生命史和生物本能的AI本身永遠也無法去取代的。直到我們達到「後豐裕時代」，把相當豐富的決定權都交予的AI的圖景。ones 在論文的結尾沒有談論大規模失業的恐慌，而是談到了「退休」和「夏令營」。在傳統的經濟模型中，人類文明的絕大部分時間，都活在不工作就會死的重壓之下。即使在現代社會，這個恐懼只是被包裝得更精緻：不工作就付不起房租，看不起病，養不起孩子，失去社會身份和尊嚴。我們把它叫做"職業發展"、"自我實現"、"社會貢獻"，但底層邏輯從未改變，工作是生存的代價。這種恐懼塑造了人類文明的幾乎所有結構。教育系統，本質上是勞動力培訓營，從幼兒園開始就在為將來有用做準備；時間分配，清醒時間的一半以上用於生產勞動或為生產做準備。身份認同，你是做什麼的？成為認識一個人的第一個問題 。更深層的是，生存恐懼塑造了我們對人性本身的理解。我們把理性定義為效用最大化，把成功定義為資源積累，把價值定義為市場定價。人被簡化為經濟人、生產要素、人力資本。而當後豐裕時代來臨時，人類會退守到那裡？標準答案通常是，AI無法替代的高級工作，創造力、同理心、領導力。但這仍然是生存恐懼的框架，仍然在問「我能提供什麼有用的東西」。真正的新高地，可能根本不在有用的維度上。這聽起來像是一個烏托邦式的幻想，但它符合「薄弱環節」理論的最終推演：當所有的生存需求都變成「容易環節」被解決後，人類唯一剩下的「薄弱環節」，就是如何定義我們存在的意義，以及如何度過這漫長而由自己主宰的一生。這場由 AI 引發的經濟變革，或許不會像原子彈爆炸那樣瞬間摧毀舊世界，而更像是一場持續數十年的氣候變遷。水位會慢慢上漲，舊的大陸（傳統認知工作）會慢慢淹沒。在這之前，我們都將不得不搬遷到新的高地，那些 AI 無法觸及的、屬於人類本質的薄弱環節之上。回歸生存恐懼之外的人性。那不是人類的終點，而是人類的起點。 (騰訊科技)

最近，由麻省理工學院（MIT）Ayush Chopra與Santanu Bhattacharya領銜，聯合橡樹嶺國家實驗室（Oak Ridge National Laboratory）及多個州政府政策辦公室發佈了一份重磅報告——《冰山計畫：冰山指數與AI經濟中的技能敞口測量》（The Iceberg Index）。圖片 | 來自網路報告中得出的結論讓我們冷汗直冒，但又異常興奮。MIT說，我們目前看到的AI繁榮，僅僅是漂浮在水面上的2.2%；而水面之下，隱藏著高達11.7%、價值1.2兆美元的“隱性技術敞口”。這究竟是什麼意思？又意味著什麼？01 用超算推演AI經濟在看完報告後，如果你一定要我們給這份報告找一個核心隱喻，那就是：不要用溫度計去測量風速。過去兩百年，經濟學家們習慣了用GDP、失業率、全要素生產率來衡量技術革命。在蒸汽機時代，這很管用——機器進廠，工人下崗，產量翻倍，資料立竿見影。但在AI時代，這些指標統統成了“滯後指標”。當GDP資料反映出變化時，變革早已結束，甚至屍橫遍野。因為AI不像蒸汽機那樣笨重可見，它是無形的、滲透性的。比如當一個護士用AI最佳化了排班表，從而多照顧了兩名病人，GDP捕捉不到這個變化；當一個中西部工廠的品控經理用視覺模型替代了肉眼檢查，失業率資料也還沒來得及反應。為了打破這種盲視，《冰山計畫》的研究團隊做了一件極其硬核的事。他們動用了世界級的Frontier超級電腦，建構了一個“大群體模型”（Large Population Models, LPMs）。簡單來說，他們造了一個“平行宇宙版的美國”。在這個基於AgentTorch建構的數字沙盒裡，生活著1.51億個“數字工人”。他們是擁有獨立屬性的智能體（Agent）：每個智能體都有具體的職業（覆蓋923種工種）；每個智能體都點亮了不同的技能樹（基於O*NET的32,000種技能）；每個智能體都有真實的地理坐標（分佈在3000個縣域）。研究團隊向這個沙盒投放了各種AI工具（從Copilot到Zapier自動化流），然後按下“運行鍵”，模擬這1.51億人在數十億次工作互動中，到底發生了什麼。提一嘴，這種模擬方式對現有的社會研究是一種降維打擊。而正是通過這種上帝視角，我們才第一次看見了那個被傳統經濟學遺漏的龐然大物——“冰山指數”（The Iceberg Index）。02 報告的3個洞見好，Frontier超算的模擬結果讓我們看到了3個洞見：首先擊碎的是我們對“AI中心”的地理認知。如果你問一個路人：“美國AI革命的中心在那裡？”十個人有九個會回答：舊金山、西雅圖、波士頓。但《冰山計畫》通過熱力圖揭示了一個“產用分離”現象：生產AI的地方（GenAI Hubs） ≠ 被AI重塑的地方（AI-Exposed Hubs）。我們可以說——2.2%水上 vs 11.7%水下。水面之上，是2.2%顯現薪資價值。這部分主要集中在加州、華盛頓州。這裡的工程師們在訓練模型，VC們在談論估值。這裡是AI的“兵工廠”，雖然喧囂，但只佔經濟總盤子的極小部分。水面之下，是隱性的11.7%價值。這部分遍佈全行業，是靜悄悄的效率革命。最驚人的發現是：那11.7%的隱性金礦，並不在矽谷，而是在俄亥俄州、田納西州、猶他州、密歇根州。也就是我們常說的“鐵鏽地帶”。那為什麼會這樣？你想想，AI大模型最擅長解決什麼問題？它擅長處理複雜的文件、協調繁瑣的流程、最佳化大規模的調度、輔助專業的合規判斷。那裡這種工作最多？不是在寫程式碼的矽谷創業公司，而是在擁有龐大供應鏈的製造業基地、擁有複雜理賠流程的保險中心、擁有海量病例管理的醫療重鎮——在俄亥俄州（冰山指數高達11.8%），無數的製造業供應鏈需要管理；在田納西州（11.6%），聯邦快遞的樞紐帶動了複雜的物流計算。報告將這種現象稱為“自動化意外”（Automation Surprise）——這些地區表面上看起來毫無“科技感”，但其內部的技能結構正處於極高的AI滲透前夜。這給我們中國的啟示也是震撼的：所謂的“舊經濟”，其實是AI最大的“新礦場”。其二，讓我們深入解剖一下11.7%通過超級電腦模擬，得到的技術敞口是11.7%。其實很多人看到“11.7%的技術敞口”時，第一反應往往是鬆了一口氣：“還好，只有一成多，還沒到大面積失業的時候。”這是一個誤讀。要知道，AI重新定義了“工作的價值”。在過去的工業革命中，自動化遵循“替代手腳”的邏輯：先替代最髒、最累、最廉價的體力勞動（比如搬運、組裝）。但《冰山計畫》說：這一次，AI正在吞噬的是高薪技能。讓我們把一個資深金融合規官（年薪20萬美元）的工作拆解開來：A類技能（耗時60%）： 閱讀幾百頁的新監管條例，比對舊條款，檢索歷史違規案例，撰寫初步風控報告。B類技能（耗時30%）： 與業務部門博弈，在灰色地帶做決策，承擔簽字的法律責任。C類技能（耗時10%）： 開會、社交、建立信任。在AI出現之前，企業必須為A類技能支付高昂的薪水，因為這需要極高的知識儲備和閱讀速度——這被稱為“知識溢價”。然而，11.7%的AI技術敞口，精準覆蓋的正是A類技能——AI可以在幾分鐘內完成A類工作，且精準率更高。也就是說，企業支付給這位合規官的20萬年薪裡，原本用來購買“閱讀與整理能力”的那12萬美元，瞬間失去了價值支撐。這就像是切走了牛排最嫩的菲力，只留下了難啃的骨頭。其三，崗位空心化報告中提到了一個非常反常的資料：傳統的失業率、GDP增長與AI影響力的相關性極低（R² < 0.05）。按理說，如此巨大的技術衝擊，經濟資料應該劇烈波動才對。那為什麼沒有呢？因為發生了“崗位空心化”。在現階段，AI並沒有直接把人踢出辦公室，而是製造了一種“勝任力假象”。以前，一位資深分析師需要10年經驗才能寫出一份完美的研報。但現在，一個剛畢業的實習生，配合三個AI Agent，也能產出80分甚至90分的研報。表面上看，大家都在工作，崗位沒少。但實質上，“資深經驗”的護城河被填，平，了！當一個初級員工借助工具就能達到高級員工的產出時，企業主可能暫時不會裁員，但市場一定會重新定價。“通用認知能力”的價格將急劇下降，這就像計算器普及後，心算快的人不再值錢一樣。這種效率的提升掩蓋了崗位價值的結構性危機。GDP看著沒變，但其實是因為原本昂貴的“智力服務”變得像自來水一樣廉價，通縮的陰影已經籠罩在每個白領的頭上。所以，如果結合以上三點，我們將這個邏輯推演到底，會得出什麼結論？未來的薪資，將不再為你的“知識儲備”買單，因為知識已經不值錢了；未來的薪資，只為你的“決策擔當”、“人際信任”和“物理行動”買單——也就是那些AI目前還無法覆蓋的剩下88.3%。所以，不要慶幸自己不在那11.7%的直接替代名單裡。你應該擔心的是：當那11.7%的核心價值被AI抽走後，你剩下的技能，是否還配得上現在的工資？03 中國啟示錄雖然這份報告研究的是美國，但最終，我們需要思考國內的情況。如果說舊金山對應的是北京海淀和上海西岸（大模型扎堆，卷算力，卷參數）；那麼美國“鐵鏽帶”對應的就是中國的佛山、蘇州、寧波、長沙等等。而且，我們在這些地方，有世界最完備的製造業門類，有最複雜的物流場景，有最密集的內外貿流程。按照《冰山計畫》的邏輯，中國AI的真正爆發點，就誕生在某個寧波注塑廠的排產辦公室裡，或者義烏小商品城的跨境電商後台裡。而且中國的“冰山指數”比美國更高。因為我們的製造業供應鏈更長，我們的行政管理節點更多。對於中國的政策制定者和企業家來說，這是一個巨大的訊號：去關注那些“含科量”看似不高，但“含資料量”極大的實體產業。去尋找那些擁有複雜流程、高人力成本的“隱形冠軍”。那裡，才是中國AI經濟的震中。 (TOP創新區研究院)

在AI推動下，全球正出現典型的“繁榮性蕭條”，整個產業都在一種AI推動的FOMO情緒中，利用AI降本增效。在第一階段，降本體現的更為明顯，所以作為opex中的一種，省下員工支出成為了AI capex的一種重要的資金來源，省出來的錢，幾乎都用來買卡，買雲服務了！META發布新財報，管理階層的一段演講是這個FOMO的最真實寫照：“The very worst case would be that we effectively have just pre-built for a couple of years, in which case, of course, there would be some loss and depreciation, time soo , there would be some loss and depreciation, time .管理層說“最壞情況，我們相當於提前建了幾年”，意思就是當下對於科技巨頭來說，企業考慮的不是ROI，ROI好不好先不管了，先上算力再說，大不了就是過度建設，後面我就少建設一些，但是現在我一定要加碼。雖然這個說詞引發了擔憂與恐慌，業績後股價大跌，但這是meta的「盲目燒錢」嗎？在我看來，這是低後悔（low-regret）的前置建設，為什麼一定要前置擴張CapEx（而非「跟節奏」）？1) 現在就有「可計量、可吸收」的高ROI用途（核心業務算力飢餓）Zuckerberg 一再強調家族應用與廣告業務長期處於算力受限；投入更多算力能「在核心業務裡以盈利方式吸收」。 如果「跟節奏」慢投，就繼續被算力約束，把這些已驗證的增益拱手讓出，機會成本高於折舊成本。2) 為「更樂觀時間線」的前沿模型與新產品搶佔時間窗口（選擇權價值）「最壞情況，我們等於提前建了幾年，會有折舊損失，但會逐步消化（grow into it）。」一旦「更強模型/能力」提前可用，Meta 有把新能力規模化到十億級用戶的執行力（已驗證：Meta AI 月活>10 億、Vibes 上線後媒體生成量10×+）。慢節奏可能錯過窗口，讓後投入的算力轉換效率低於先行者。「跟節奏」會帶來什麼問題？新增廣告面/會話電商爬坡期的視窗收益遺失：Threads 資訊流、WhatsApp Status、Business AI（「廣告→網站嵌入→購買」）處於早期規模化，需要充足訓練/推理支撐填充率、相關性與轉換。慢投會稀釋早期質量，影響後續eCPM 與預算意願。所以，在「即時可吸收的高ROI」與「時間窗口選擇權價值」面前，前置CapEx 是更優的風險—收益解；「慢節奏」看似穩健，其實把確定性的效率紅利與潛在的先發優勢都拱手讓人。管理層並未盲衝，而是用自建+雲+JV的結構化手段，把「瘋狂擴張」做成了可調整、可兜底的前置建設。所以，更多的員工成了FOMO升級的對象，成了預算的犧牲品。「人，是企業最重要的資產。」現在還是嗎？未來最重要的資產是什麼，是AI？Capex 的角度“沒人否定人。但從今天起，為了明天，預算要搬家。”這種“預算的移民”，眼下在許多公司同時發生：研發部取消了幾個沒把握的長線項目，薪資池往裡縮；資料中心部把PPA（電力購買協定）排期表掰開又合上，重複計算新增機位的上線時間；CFO 列了一張「三桶預算」表：效率紅利（T0）、新面商業化（T1）、能力選擇權（T2）。T0是把新增算力餵給已經驗證的鏈路，對於meta等廣告平台來說那就是（廣告排序、客服自動化、檢索與推薦），當季就能落在 轉換率、CPL、AHT、eCPM 上；T1是把 對話式商業 與 新廣告面（例如新產品線、新場景）做出閉環；T2則是最「像賭」的：面向統一排序、前沿大模型、端對端Agent 的能力選擇權。“企業把錢給了capex，”Opex 指著AI，“讓員工怎麼辦？讓就業怎麼辦？”非農就業的困惑非農“還是那套算法。企業付過薪、政府核過稅，才能記一筆。人頭會數，效率不懂也不會。”所以才會有近月非農就業的尷尬：初值很快就交卷，「寧早不寧準」；兩次例行修訂與年度基準調整常常把前面的數字推翻；樣本滯後、並發季調、Birth-Death 模型（新生企業-關停企業淨額的估計）在經濟拐點上容易集體失真。AI讓同一份工作在更短的'人類工時'裡完成，甚至自動完成。而非農看的是'幾個人'，不是'單位工時產出'。所以，如果從非農業數據來看，大家自然會覺得'就業冷'。 」AI 讓非農業就業數據失去了意義？前期我已經深度分析過這個。可是－－如果AI讓經濟更好，為什麼非農這邊會更差？ 「因為效率紅利先落在『每個人』身上，而不是『更多的人』身上，產生了三個典型的剪刀差：產出—就業剪刀差實際產出指數一路往上，總就業指數卻橫著走。利潤率—勞動份額剪刀差營業利益率穩中抬升，勞動報酬佔緩緩下沉。Capex—工資剪刀差資本開支/營收比率抬頭，薪資/營收比率下降。這不是衰退。 「這是『人力→算力』的再分配。所以，某廣告平台在一個季度內，用「統一排序+運行時蒸餾」把同等流量下的價值加權轉換率再次拉高，廣告品質在核心面提升雙位數百分點，線索類CPL 順勢下了台階；某雲業務的RPO/Backl og連增，客戶的採購意願很強，但電力與算力的上架周期卡住了交付；幾家頭部公司在同一季裡強勁增長+結構性裁撤並存，中後台/可編程任務的崗位持續縮編，而貼近算力與直連現金流的崗位逆勢擴招。剪刀差不是個別公司的戲法，它是生產函數的重寫，也是城市、人群與新秩序的重建。未來可能，辦公室裡，平台工程、資料治理、推理成本工程的崗位熱著，HR 的需求像一條沒斷過的線；老牌呼叫中心改了KPI，AI 助手使用率寫進了每個坐席的日常報表；機器翻譯與生成改寫把初稿“包工化”，留下的數據定位更偏審校、選題、AI只接下了文書與排程，大多數工作仍要人手；有一條新賽道，叫 「AI 貼近位」——評測、對齊、合規標註、企業級RAG 的數據工與工藝師。如果把這些故事放到一張地圖上，會發現一個「K 型」輪廓：貼近算力的群體在上升；可編程、可腳本化的中端崗位在下沉；本地服務相對穩定。在同一城市裡，電梯裡的對話變得兩極：有人談蒸餾、門控、對齊，有人在更新履歷。對於，科技巨頭來講，短時鐘用新增算力繼續放大已驗證的廣告ROI；長時鐘用前置產能換取前沿模型/新產品的時間期權。真正會迫使產業放慢CapEx 的，是「轉化≤展示+ 新面不爬坡+ 算力利用率走弱」三件事同時出現；在那之前，「邊投邊吃邊等窗口」的策略依然理性。這就是當前的繁榮性蕭條：在 AI 驅動的生產力躍升背景下，出現「企業收入與利潤強、資本開支高、股價高，但廣義就業與薪資份額弱」的背離期。其本質是人力（Opex）→算力（Capex）的再分配，導致：產出/利潤提升與 人頭就業/勞動份額下降的「剪刀差」長期並存；組織層面「效率紅利（短時鐘） + 能力選擇權（長時鐘）」疊加；統計層面的 NFP（非農）「偏冷」 與 企業財報「偏熱」 同時可見。傳導，從企業微觀到宏觀：AI→TFP↑推薦/廣告/客服/DevOps 等連結的 單位產出/人 上升，不必等比例擴大 即可放大收入；資本替代勞動當人均產出邊際收益較高時，CFO 把預算從工資向算力/數據/電力/設施傾斜；財務三表映射Capex→折舊（Dep）階梯↑，短期壓FCF；但 毛利/利潤率 因效率提升而支撐；勞動結構再洗牌：高技能/貼近算力職缺（AI 平台、資料、分散式訓練/推理成本治理）提升；中端可程式/可腳本化任務（客服、翻譯、模板化寫作、鷹架編碼）下降；靠技能本地服務對AI 替代敏感度低，持平或小幅上升；宏觀背離產出強+ 就業弱 → NFP 初值在拐點期頻繁負修正，而企業獲利/股價仍好看。窗外是一片片的機房－一城一城的風，呼嘯著穿過冷通道與熱通道。繁榮性蕭條不是一個結論，它是一條通道：人力讓路給算力、統計讓路給現實、敘事讓路給動作。穿過去的公司，會從噪音裡長出秩序；穿不過去的，就會在歷史上留下一個「下修」的註腳。繁榮性蕭條不是對「人」的否定，而是對「把人變成更高價值的動作」的再要求。「繁榮性蕭條」並不是衰退，而是AI 推動的「高生產力—低廣義就業」過渡帶：人力→算力的再分配、統計口徑的滯後與拐點期修正疊加，使 NFP 看「冷」、財報看「熱」。對企業與個人，答案更直接：讓每一份AI 產出盡可能變成可審計、可計費的Action；在「繁榮性蕭條」的時間裡，這就是最有效的護城河與護身符。燈下散場，各自上路。(貝葉斯之美)

科技故事總是講得很熱鬧，但真正落到普通人身上的時候，往往沒那麼宏大。上世紀90年代，MIT 的布林約爾松提出過個“生產力悖論”：電腦越買越多，資訊化口號喊得震天響，但生產力就是不見起色。原因很簡單，光有新技術沒用，還得配套組織調整、流程重塑、員工學新技能，才會真正釋放價值。到了2025年，這個悖論同樣發生在AI行業。最近，MIT 和哈佛研究團隊就發了兩篇論文，用海量資料把AI對職場的影響扒了個底朝天。第一篇盯著AI對行業影響，結論直接讓人一愣：企業裡95%的AI投入都沒產生什麼價值，真跑起來的很少。反而真正的生產力提升是通過個人實現的，員工自己掏錢買 ChatGPT、Claude 帳號，“偷偷”用AI幹活兒。這直接催生了一個新詞，“影子AI經濟”。第二篇更扎心，它看的是AI對就業衝擊。結果發現，被AI衝擊得最狠的不是老員工，而是剛畢業的新人。換句話說，AI讓畢業生找工作越來越難了。今天，烏鴉君就帶大家一起看看紅杉分享的這兩篇論文，順便聊聊 AI 在現實世界裡的“真面目”。/ 01 /95%AI投入沒價值，影子AI經濟卻在爆發紅杉提到的“GenAI Divide”（人工智慧鴻溝），是今年MIT整得一個新詞。這個詞的意思很簡單：ChatGPT、Copilot這些工具大家都在用，但真正從AI裡賺到大錢的公司只有5%，剩下95%的公司，要麼在試點，要麼停在宣傳層面，ROI幾乎為零。這不是隨口一說，MIT調研了150位企業高管，聊了350名員工，還翻了300個公開案例，才得出這個結論。所以，多少還是有點根據的。調研結果顯示，80%以上的公司試過ChatGPT、Copilot，其中40%聲稱已經部署。但真要算帳，效果卻很雞肋：AI能寫郵件、改方案，確實提升了點個人效率，但要說推動企業轉型？那基本沒有。為了更準確評估AI對各個行業的影響，MIT還專門搞了個“AI市場顛覆指數”，從市場份額波動、新AI公司的增長、新商業模式、使用者行為變化、以及高管更換情況五個方面來進行評估。把這些指標拉通看，結果出乎很多人意料：在9個對經濟產生的重要行業裡，真正發生明顯結構性變化的行業，只有科技和媒體，其餘七個行業，包括專業服務、醫療保健與製藥、消費品與零售、金融服務、先進產業、能源、材料，幾乎沒啥動靜。科技行業的變化不用多說，本來就是AI的主場。比如開發工具市場，原來微軟Copilot一家獨大，現在Cursor、Zed等AI原生IDE迅速崛起，兩年間市場格局就出現了明顯波動，這在傳統軟體領域幾乎難以想像。媒體和電信的衝擊也很直接。AI讓內容生產門檻瞬間拉低，廣告、短影片、新聞編輯，全都能批次生成。廣告預算也在轉移，更多的錢流向能做智能投放的AI平台，這一下子把傳統廣告代理的日子搞得挺緊張。反觀其他七大行業，就很“佛系”了：專業服務有點效率提升，但交付模式沒變；醫療更多是做文件、轉錄的試點，臨床應用還被卡在監管門口；零售就是客服和行銷最佳化，消費者的購物習慣根本沒顛覆；金融在後台搞點風控自動化，但產品和客戶關係沒動；製造和能源則更冷清，AI最多幫忙排排產、做點預測性維護，行業格局紋絲未動；材料就更別提了，幾乎沒什麼聲音。一位製造業COO就說得很直接：“LinkedIn上天天在喊AI顛覆世界，但對我們來說，就是合同處理快了點，別的沒什麼變化。”這句話其實道出了絕大多數傳統行業的心聲，AI確實能幫忙，但效果停留在“流程提速”，離“行業重塑”還差得很遠。這還不是最有意思的地方。當公司AI應用還在掙扎的時候，員工已經把AI用得飛起。調研顯示，超過90%的員工報告說，他們在用個人ChatGPT或Claude帳號完成工作任務；這形成了一個獨特的現象——“影子AI經濟”。簡單來說，員工更喜歡靈活、直觀的消費級工具，而不是笨重的企業AI。很多真正的生產力提升，正是靠這種影子AI實現的。為什麼會出現這種情況？原因很簡單。ChatGPT這類通用工具流行，是因為便宜、簡單、好上手，能隨時幫你寫郵件、改方案。而企業花大錢定製的AI系統，整合複雜、不記憶、不會學習，放進真實工作流裡就水土不服，最後爛尾在試點階段。一位律師的例子很典型：公司花5萬美元買了個合同分析工具，但她依然用ChatGPT來起草合同。理由很簡單：“ChatGPT能讓我對話迭代，得到想要的結果；企業工具又死板又不好用。”MIT把這一切和歷史做了個對比：上世紀80、90年代PC剛普及時，大家都以為生產力要爆發了，結果反而陷進了“生產力悖論”。電腦是買了，但產出並沒有馬上提升。直到組織結構、管理方式、流程重塑跟上來，價值才真正釋放。今天的生成式AI，其實就在同樣的階段：工具已經有了，但工作方式沒變。看著熱鬧，但轉化成真金白銀的公司，還真不多。/ 02 /剛畢業的年輕人，危險了說完AI對工作方式的影響，再來談談就業。紅杉提到的第二篇論文叫“Canaries in the Coal Mine?”，翻譯過來，就是“礦井裡的金絲雀？”。這是一個典型的英語隱喻。過去煤礦工人會帶金絲雀下井，因為金絲雀對煤氣很敏感，一旦它昏倒，就說明空氣裡有毒氣，礦工得趕緊撤。後來就成了比喻，指某種“預警訊號”或者“最早的受害者”。這是由哈佛大學兩位經濟學博士生Seyed M. Hosseini和Guy Lichtinger搞了一篇論文出來，主要分析2023年以來AI對美國就業市場的AI衝擊。他們的結論是，AI真的在擠掉工作，而且受衝擊最大的，是剛入職場的新人。接下來，我們就來看看AI衝擊到底是如何發生的？他們拿到了一個非常牛逼的資料集，這個資料是來自一家叫Revelio Labs的公司基於LinkedIn的招聘資訊收集，包括285,000家招聘的公司，覆蓋6200萬打工人的簡歷，超過1.5億次的招聘記錄。要知道，美國總共也就3.4億人，所以，除掉老人和小孩，真正工作的人很大比例其實都包括在這個資料集裡了。從這些資料裡，他們發現了一個很有意思的現象：2015到2022年，初級崗位和高級崗位的就業曲線基本是手拉手往上走的，挺和諧。可到了2022年中，風向突變：高級崗位繼續昂首挺進，初級崗位卻停滯甚至掉頭往下，兩條線直接剪刀差開。偏偏這個時間點，正好撞上ChatGPT的發佈，完美重合。當然，就業情況不光和技術掛鉤，可能也受經濟波動的影響。為了證明AI對就業的影響，研究作者用了個聰明的辦法，叫DiD（雙重差分）。通俗點說，就是做個天然的AB測試：一組公司真的用AI，另一組公司沒用。可問題來了，怎麼知道誰在用？於是研究者另闢蹊徑：去看公司招不招“AI Integrator”崗位，比如職位描述裡有“LLM、Prompt Engineer、GenAI”這種關鍵詞。這樣鎖定下來的公司有10.6萬家，佔比3.7%，而且從2023年開始猛增。這樣搞完，實驗組和對照組就齊活了。好戲上演：結果顯示，從2023年第一季度開始，用AI的公司，初級崗位的招聘數量明顯下滑，相比對照組差距越拉越大，六個季度後，差了7.7%。高級崗位呢？完全沒這個趨勢，甚至AI公司招高級人才還更積極。證據鏈就閉環了，擁抱AI的公司，確實對年輕人關上了大門。AI真的是在“卡死”初級崗位。那問題來了：AI到底是怎麼搶飯碗的？是直接開除人嗎？資料再一拆，背後邏輯很冷酷。AI公司裡，初級崗位人數下降，並不是因為裁員變多，而是因為，他們根本不再招人了。資料顯示，平均每個季度少招3.7個新人。對於本來招聘量很大的公司來說，這意味著初級崗位直接縮掉22%。這是種“溫水煮青蛙式”的替代，既不用付裁員賠償，也沒公關危機，就這麼悄無聲息地把新人的入場券抽掉了。而且這不是個別行業的事，幾乎所有行業都中招，只是程度不同。你可能覺得受打擊最大的應該是網際網路、軟體、設計？沒錯，這些確實受衝擊。但最慘的其實是批發零售業。因為這個行業的初級崗位，大多是文員、客服、導購，正好是AI最擅長替代的。結果就是，擁抱AI的零售公司，比不用AI的同行，每季度少招40%的新人，招聘直接砍半。更扎心的是，名校學歷也不是這場就業危機的護身符。在研究裡，作者們把畢業院校分成Tier 1到Tier 5五個檔次，結果出來一條“U型曲線”。頂尖名校（Tier 1）影響不大，普通地方學校（Tier 5）也還好，真正被打擊最狠的，是Tier 2和Tier 3，也就是那些“不算頂尖，但也很不錯”的學校。為何？因為頂尖名校生雖然貴，但能搞定複雜問題，不容易被AI替代；最普通的學校畢業生雖然能力一般，但便宜，性價比高。最尷尬的是中間檔：薪資要求不低，但工作內容又剛好落在AI能替代的區間，高不成、低不就，最容易被最佳化掉。在紅杉看來，這個發現很關鍵，原因有兩個：第一，它是目前少見的、能拿出大規模資料來證明“AI真的在擠掉工作”的證據。第二，它揭示了AI對不同人群的影響不一樣：受衝擊最大的，是剛入職場的新人。因為AI最擅長的是複製那些寫在書本裡的“顯性知識”，而這些恰恰是初級崗位的核心技能。相比之下，有經驗的老員工手裡的“隱性知識”和判斷力，目前看起來還不容易被替代。這種變化對我們理解未來的工作有很大啟發。AI時代不是單純的“機器把人頂掉”，而更像是一場複雜的“任務再分配”：一些事情交給AI去做，同時也會出現新的任務和崗位。人類的價值，也會慢慢從“掌握標準答案”轉向“積累經驗、形成獨特判斷”。 (烏鴉智能說)