人工智慧會取代人類工作嗎？——如果建構得當，不會
達龍·阿西莫格魯
（Daron Acemoglu）
2024年諾貝爾經濟學獎得主
麻省理工學院教授
2026年7月，微軟AI推出的雜誌《The Humanist Review of AI》創刊號發表了諾獎得主阿西莫格魯的這篇長文。10月6日，微軟AI首席執行長穆斯塔法·蘇萊曼發貼推薦了這篇文章。文中這位以研究制度、技術變革與不平等著稱的經濟學家，對 "AI 將取代人類工作" 的敘事潑了一盆冷水：10 年內，AI 能替代的人類工作不超過5%—— 但他說，問題不在 AI 本身，而在我們正在以錯誤的方式建構它。以下是全文：
AI是驚人的，未來很可能更加驚人。
你可以在病毒式傳播的部落格、評論文章和社交媒體帖子裡看到這種興奮——它們不僅宣告AI將帶來巨大收益，還說這一切今天已經發生；你也可以在湧入圖形處理器（GPU）、資料中心和AI初創企業的創紀錄投資額中看到它。
與此同時，我們被告知：“很快，你們大多數人將失去工作。”
美國人相信了這種說法——52%的美國人對AI將如何影響自己的工作感到擔憂，也擔心AI將改變生活的方方面面。還有人擔心AI會污染資訊生態；更有人把AI視為能夠消滅或奴役人類的“文明終結”威脅。
但炒作、興奮與極端恐懼都需要降溫——不僅因為這些情緒放錯了位置，更因為它們正在誤導我們應當如何開發和利用這項有前途的技術。
事實上，AI的影響只會緩慢到來——因為實現“自動化整個職業”所需的可靠性與通用性尚不存在。整合任何一項新技術——更不用說像AI這樣複雜又未經檢驗的技術——都只能緩慢推進，並會迫使許多組織做出大量調整。
更糟的是，以目前的軌跡，AI將遠不及業內預期的那樣有益。我們可能正站在浪費AI巨大潛力的邊緣：因為我們的概念化方式錯了，開發方式也錯了。
我們正在犯的錯誤是：強行讓與人類截然不同的人工智慧去模仿人類智能。兩者的本質不同，而當事物不同時，自然的做法是用一個去補充另一個——而不是假裝差異並不存在，併力求讓其中一個包攬一切。
無處不在，唯獨不在生產率統計裡
許多人一直在預測AI將帶來生產率的顯著改善和經濟產出的大幅提升。
但現實似乎更接近偉大的經濟學家羅伯特·索洛1987年關於電腦的那句名言——“無處不在，唯獨不在生產率統計裡”。AI的進步同樣尚未出現在生產率統計中，至少目前如此。
當前AI模型在編寫程式碼、設計軟體、放射診斷方面的成就確實驚人。但那是在實驗室裡——上下文清晰、任務邊界分明。企業在“野外”環境中採用這些工具做同樣任務的證據並不那麼亮眼：工程師常常要花大量時間偵錯AI寫的程式碼；放射科醫生和臨床醫生難以把自身專長與AI工具有效結合，導致結果欠佳。多項研究和報告都未能發現多數公司採用AI帶來多少生產率收益。當然，隨著新一代AI智能體（agents）的出現，情況也許會不同、甚至好得多；但到目前為止，這種令人失望的生產率表現並不只體現在總量層面——正在試用AI的企業同樣如此。
這並不奇怪。每項新技術都需要時間才能被生產性採用，而且通常技術越是變革性，這個過程越慢。有人把AI比作火；一個不那麼誇張的類比是電力。
眾所周知，電力儘管潛力革命性，仍花了幾十年才被廣泛採用——即使在製造業內。1881年，紐約和倫敦已經有了中央發電站（註：此處原文存在史實偏差——倫敦（戈德爾明，Godalming）1881年建成中央電站屬實；但紐約珍珠街電站系愛迪生於1882年9月4日投運，為世界首座商業中央電站，“1881年紐約”系作者筆誤），許多人預見到電力將徹底改變製造、家庭和交通；但直到1920年代，也只有大約一半的工廠和家庭用上了電（註：“約一半”為近似口徑——美國1920年家庭電氣化率約35%，1920年代中期前後才過半）。AI的生產性採用甚至可能更慢，因為企業必須重組：工作任務要在AI模型和工人之間重新分配，許多專業人員必須學會與AI協作，管理者要發展自己對“想讓AI做什麼、如何實現”的理解。更糟的是，許多企業可能試圖對某些職業走“全自動化”路線，而這在可預見的未來很可能無法實現。
所有這些不僅會推遲AI的生產率收益，也意味著崗位替代效應同樣緩慢。幾輪預測都預言過放射科、司機或會計的終結：這些都沒有發生。醫院仍然需要放射科醫生（實際上比以前更多），記者、律師助理、會計師和辦公室文員依然存在。
兩年前，我估計：10年內，人類所從事的工作中，能被AI替代的不應指望超過5%。
這個5%從何而來？坦率地說，它不過是一個猜測（guesstimate），但它基於對當時AI模型能力的評估，以及這些能力在2020年代後半期將如何發展。
簡單說，我的預測是：到2020年代末，AI將能夠成功自動化簡單的辦公室和認知任務——這類工作約佔美國經濟工作量的20%；而對更複雜的認知和辦公室工作的影響會更慢，因為AI需要更長時間才能獲得多數工作所需的判斷力、多維推理和社交技能。社會也不會放心讓AI完全接管空中交通管制、心理治療或公司管理。
涉及與物理世界深度互動的工作的自動化同樣要等——靈活的機器人、具備完整空間-因果關係能力的AI模型都需要時間；電腦視覺技術要達到能與機器人無縫結合、從而在製造和建築領域執行任務的程度，可能需要更久。
我還估計，參照電力、電腦和以往電腦視覺技術的擴散速度，在20%可完全自動化的工作中，10年內只有約四分之一會被真正自動化——於是得出了5%。
我的預測（並帶著充分警告：我們始終無法預知這些模型會進步多快）是：AI將在10年內使GDP提高約1.5%。此後，模型的進步比包括我在內的許多人預測的更快；另一方面，我們也沒看到多少能夠輕易採用並改變生產過程的應用程式——而且正如我在下文所說，AI的魔力必鬚髮生在應用層面，才能對經濟產生可觀的影響。
兩相平衡，這些預測至今看上去還不算太糟。
語音識別的教訓
為什麼一項如此革命性的技術難以對經濟產生巨大影響？語音識別的故事給出了部分答案。
語音轉文字自1930年代起就是人類的夙願。它真正邁向現實，要歸功於美國夫婦詹姆斯和珍妮特·貝克（James and Janet Baker）——他們於1980年代創立了標誌性公司Dragon Systems。
Dragon真正革新了語音識別；此後語音識別領域的一切都可說是拜貝剋夫婦所賜，這樣說毫不誇張。他們的突破在於摒棄以往基於語法和意義建構語音識別的方法，轉而部署機器學習技術，建構一個將語音對應為“最佳匹配”文字的純預測系統。
早在1997年，Dragon推出了Dragon NaturallySpeaking——第一個能夠識別自然連續語音的程序（此前的軟體，包括該公司自己的Dragon Dictate，都要求說話者在詞與詞之間停頓），其劃時代意義已一目瞭然。
我可以為這一切作證：1997年我雙臂患上重複性勞損後，就成了它的早期使用者。即使在當時極慢的處理器上，Dragon NaturallySpeaking也如同魔法——精準率接近95%。我當時並不知道，此後30年我都會是他們產品的使用者。但我立刻意識到：隨著電腦算力提升，我將能用上強大得多的語音識別軟體，從而在雙手始終無法打字的情況下繼續工作。
到2000年，一切正如我和他人所料：軟體變得更好，晶片進步讓精準率和功能快速提升。
沒有人能預料的是，隨後的二十年裡，儘管底層技術不斷進步，消費者卻幾乎看不到這些成果——拜一連串企業災難所賜。2000年，Dragon被比利時公司Lernout & Hauspie收購，後者在收購後幾個月內破產，其聯合創始人後來被判公司欺詐罪。Dragon隨後被ScanSoft（後來更名Nuance）廉價收購，後者逐漸放棄消費級產品，轉向醫療和企業市場。微軟於2022年收購Nuance，延續了同樣的模式。結果：今天PC上的語音識別軟體只比2000年略好——遠低於底層技術本應帶來的進步。
這段令人失望的歷史，正是今天在預測“AI模型將快速普及”時應當格外謹慎的原因之一。
一項新技術在“基礎設施”層面的突破，必須與建立在該基礎設施之上的恰當應用齊頭並進。此外，當然還需要恰當的行銷體系來觸達潛在使用者，並需要使用者反饋作為推動應用修改與改進的動力。
這正是我們在AI身上還沒有看到的東西。這也正是語音識別徹底搞砸的地方。
但還有一些別的問題，可能預示著AI將會遇到的困難。Dragon 16在發佈時宣稱精準率達到99%，但那是在理想條件下取得的，既沒有考慮使用者日常把Dragon與許多程序搭配使用時的互不相容與種種麻煩，也低估了那怕1%的誤差會帶來多大困擾——因為這1%可能徹底改變一句話的意思，有時還很難堪，讓你的指令被誤解，或者讓你不得不花大量時間逐字校對每一封郵件、每一條簡訊，去捕捉那些難以察覺的“嘴誤”。這一切都是因為：純粹的機器學習方法在“最後一英里”會遇到困難——當需要在發音相似的詞之間作選擇、或面對不尋常的表達時尤其如此。
全自動化，正如全語音識別，是困難的。它要求解決所有“最後一英里”問題，要求精心設計符合終端使用者意願和需求的應用，還要求AI接管每個職業的每一項任務——包括高風險的判斷和社互動動。我們遠未達到人類能從與機器的閒談中獲得與和人交談同等滿足感的境地。
AI的真正潛力
但這並非重點。模仿本就不該是AI模型的終極目標。
“智能”一詞含義多重。計算器是智能的——它能在某些任務上遠超人類（20世紀初，很多人會認為這根本不可能）；但人人都清楚，計算器的智能與人類智能完全不同。
AI同理。
人類學習方式是獨特的：從少數例子出發，形成假設，在頭腦中模擬可能性，然後在真實世界中持續試錯。想一想兒童是如何學習的。
這種學習的關鍵部分是社會的：成人和兒童通過觀察他人（常被認為是更有知識或權威的人）的行為來形成假設，再通過與身邊人的言語和非言語交流打磨這些技能。
人類認知也是明確的多模態的——我們用整個身體推理：大腦的許多區域、神經系統、感官、消化系統等等。我們不只是預測，還有演繹、歸納、多種形式的驗證和遞迴思維。這就是為什麼當人類“產生幻覺”時，它不是故障而是秘方——我們借此模擬不同世界，判斷那些值得進一步探索、那些風險巨大需要警惕，無關的選項則被快速排除（當然這是個概括，也確實有人會陷入陰謀論之類的兔子洞）。
只要具備必要的“學習模組”或心智藍圖，人類就能很快學會新事物與新技能，比如不同的語言。但另一方面，人類相當不擅長從海量資訊中篩選，也不擅長進行與自身經驗無關的抽象推理。
AI模型則非常不同：它們從海量訓練資料中學習，擅長在海量語料中篩選和識別模式；它們基於預測學習，一旦掌握某種推理模式就能在抽象或具體情境中運用——這正是它們驚人力量的所在。
但另一方面，AI模型目前不具備類似人類的即時社會學習和試錯能力；當它們產生幻覺時就是災難，因為它們沒有人類那種過濾機制——排除不切實際的模擬，把有潛力的變成值得關注的有用案例。
當事物不同時，用一個去模仿另一個是愚人的差事。現代計算的革命，源於麥金塔（Macintosh）電腦的設計與易用性，而這來自史蒂夫·賈伯斯與史蒂夫·沃茲尼亞克的合作。賈伯斯若試圖取代沃茲尼亞克的工程能力，或沃茲尼亞克無視賈伯斯的設計與行銷天才，都會是巨大的錯誤。他們之所以成功，是因為協作——把不同的技能結合起來、彼此互補。這正是人與AI能夠也應該做到的。
支援勞動者的AI（pro-worker AI）
在AGI（通用人工智慧）的旗幟下，所有主要AI開發者都在努力讓AI模仿人類技能。一條更有成效的路徑是認識到：AI應當與人類並肩工作，而非取代人類。
這一視角給全自動化的夢想潑了冷水。如果AI無法完成一個職業的每項任務，它就必然要與能完成這些任務的人類互補。它越是賦能人類——讓他們更高效、擴展他們的能力邊界——就越具變革性。
這就是我所說的“pro-worker AI（支援勞動者的AI）”的基礎：不去追求全規模自動化，而是建構讓人類更擅長工作、並為其創造新技能與新專長的AI。
這一願景，65年前就由J·C·R·利克萊德（JCR Licklider）闡明過——他配得上“網際網路之父”的稱號。他在1960年寫道：“希望在於，用不了多少年，人腦與電腦將極為緊密地耦合在一起；由此形成的夥伴關係將以任何人腦從未有過的方式思考，並以我們今天所知的資訊處理機器遠不能及的方式處理資料。”他當年所預見的，正是我們今天需要AI模型去做的事。
對全社會而言，pro-worker AI具有“雙重利多”：它帶來的生產率成果很可能優於追求全自動化的嘗試；而且，自動化會取代工人、造成失業、加劇不平等，pro-worker AI則是在借力並放大人類的能力。
你可能會認為pro-worker AI是天上的餡餅——聽起來更好，但比行業對自動化的夢想更難、更不現實。並非如此。
Pro-worker AI處於現有模型的前沿之內，可以很容易地開發出來——正如戴維·奧特（David Autor）、西蒙·約翰遜（Simon Johnson）和我最近所論證的。
以教學為例：儘管多數教育類AI應用聚焦於自動化（接管教師的部分任務），但認為我們能很快實現教學的全自動化，是完全不現實的。Pro-worker AI則完全可行，並能引領教育的變革性轉型：AI工具不去消除教師，而是識別不同學生在課程材料中的具體困難點，建議將課堂重組為更小的分組，讓教師（或許在輔助教育工作者的支援下）針對各分組的強弱因材施教。個性化教育方案對落後或有學習困難的學生極有幫助，但迄今成本高得令人卻步——AI可能改變這一點。
為什麼這是支援勞動者、支援教師的？簡單：工具不去接管教師的任務，而是提供新資訊，讓教師能做到過去做不到的事。
我們怎麼知道這可行？其一，因為我的研究團隊已經建構了這類技術的原型並正在評估。但你不必只聽我們一面之詞：建構這樣一個工具，所需的只是一個中等規模的語言模型——用相關課程材料、以及優秀教師處理學生在課程材料上遇到的各種困難的高品質資料訓練而成。這一切都在現有技術前沿之內。
如果我們不再追逐AGI之夢，而是優先幫助勞動者獲得更好的資訊、以便在各類任務中更好地解決問題，並為人類創造新的任務與能力，AI本可以帶來積極得多的結果。
但這就引出了下一個問題。
為什麼行業痴迷於自動化？
四種力量使自動化成為科技行業和企業的焦點：前三個是經濟的，最後一個是意識形態的。
第一，商業模式。大型科技開發商的現有商業模式聚焦於向企業銷售軟體、從數字廣告中獲取收入。這些模式沒有參與建構pro-worker工具。許多現有公司仍在沿用同樣的商業模式，而“補充人類”這門生意尚未被檢驗。
第二，競爭格局也不鼓勵新玩家來嘗試這些新商業模式。科技行業已高度集中，新玩家越來越難以與既有巨頭競爭；更糟的是，這些在位者壟斷了關鍵資源——資本投資、資料，以及工程師和創新者等關鍵人力資源。即便有草根初創公司突圍，也很可能被科技巨頭收購——於是同樣的商業模式繼續稱王。
第三，一個“螺栓與螺母”問題。螺母沒有螺栓就沒用，反之亦然。如果你認為別人不會生產螺母，你就不該投資螺栓；反之，如果你認為沒人會買螺栓，你也不該投資螺母。我們的處境與之類似：企業盤算，科技公司只會提供新的自動化工具，於是據此規劃；科技公司則認為，企業會繼續主要需求自動化工具、pro-worker AI不會有市場，於是據此投資和發展模型。
第四，同樣強大的是，整個行業被“超人機器”和AGI的理念俘獲。這一思路可追溯至圖靈這樣的奠基人物——他開啟了現代電腦科學，並通過思考機器如何像人類思考奠定了AI的基礎。他1950年那篇標誌性論文，開篇就是如今盡人皆知的“模仿遊戲”。這一願景，加上大量科幻文學與電影，塑造了今天行業許多領袖的思維，使AGI成為主導範式。
甚至在AGI之前，“達到人類水平”就已經成為矽谷各類應用成功的主要標尺。這一切又因許多科技領袖將人類視為易出錯、有缺陷而加劇——他們一再低估人類的技能和專長。因此，行業自然走向全規模自動化，很少關注與人類互補。
我們能否讓AI走上更好的路？
我們可以做出正確的選擇：選擇去補充人類的技能，去促成人的繁榮，而不是造成人在物質、社會與精神上的貧困。
但這需要在設計AI模型時有一個明確的著力點，以及一種新的哲學願景。
好消息是，這樣的路是存在的。
壞消息是，我們並沒有走在這樣的路上。事實上，行業建構和概念化AI的方式，很可能不僅讓我們偏離，而且走向更糟的地方。
把AI引向更好路徑的最重要工具不是靈丹妙藥式的政策——沒有這種東西——而是視角的改變。
如果明天醒來，行業中有相當一部分極具創造力的程式設計師、開發者和工程師把pro-worker AI當作優先事項，我們就會得到大量與人類互補的AI。
問題在於如何改變當前這種對自動化的執念。
第一步也是最重要的一步，是把對話從AGI轉向pro-worker的可能性；從人類滅絕的末日場景，轉向當下真實而緊迫的危險——按當前路徑，我們很可能放大不平等、造成大規模失業，卻還得不到承諾的生產率收益。
這樣的對話轉向，也有助於使AI的承諾得以兌現。
當然，也有具體的政策工具可以提供幫助。
要把AI從自動化的軌道上引開，我們需要同時做成四件事：創造企業對pro-worker工具的需求；形成能證明這條路走得通的示範效應；建構讓新想法與新商業模式得以繁榮的市場環境；以及投資於pro-worker AI所需的基礎設施。
一是企業部門。當企業聚焦於提高生產率和創新、而不僅僅是削減勞動成本時，它們會需要更多pro-worker工具。這不僅需要視角的改變，還需要移除鼓勵短視降本的人為障礙。最大的扭曲是稅收制度：在美國，勞動收入的徵稅遠重於資本收入——勞動的有效邊際稅率平均超過25%，資本則接近於零。這等於補貼使用資本工具而非勞動，並抑制企業僱用和培訓員工。其他若乾髮達經濟體的情況也類似。對稱對待資本與勞動收入，是讓市場重視與人類互補的技術的重要第一步。
二是示範效應。一個長期被忽視的領域很難啟動投資，可再生能源曾是這樣——這些技術幾十年幾乎沒有投資。能源轉型不僅靠碳稅，還靠補貼、競賽和對清潔技術創新的鼓勵，從而形成示範效應。Pro-worker AI領域也需要同樣做法。即便是規模適度的政府項目，只要產出能補充人類技能的可用技術，就會大有幫助。但這些補貼不能淪為科技公司的肥差或新的官僚噩夢。需要的是精簡簡單的項目，鼓勵對pro-worker AI進行試驗。
三是為新技術和商業模式留出空間。科技行業從未像今天這樣集中，人類也從未見過如此強大而龐大的公司。最大的七家科技巨頭（Alphabet、亞馬遜、蘋果、Meta、微軟、輝達和特斯拉）如今佔納斯達克市值的60%。這種集中不僅損害消費者面對的價格，也損害創新。美國和其他地方有大量科技初創公司，但它們中的大多數以被某家大型科技公司收購為希望來建構技術。更糟的是，許多人認為，任何走出這個生態系統的企業都難以競爭。科技行業需要真正的競爭。其中重要一環是反壟斷——而這在美國幾乎被忽視了。反壟斷法規必須為AI時代而更新，但更重要的是，必須得到執行。
為新商業模式創造空間，可能還需要約束科技行業最過分的行徑——尤其是過去15年社交媒體路徑所暴露的那些。另一個可用的工具是數字廣告稅，讓實驗替代平台和AI變現方式的新進入者，不被靠數字廣告賺錢的巨頭碾壓。
四是Pro-worker AI的基礎設施。AI需要資料，但需要什麼樣的資料？對於大型基礎模型，什麼資料都有用——因為資料讓它們能更好地逼近人類言語與溝通的方方面面。而對pro-worker AI，高品質資料至關重要——世界上最優秀的專家處理複雜問題、邊緣情況和新挑戰的資料。要想建構一個讓電工勝任更新更複雜任務的工具，這個工具就需要經驗豐富電工應對大量棘手問題的高品質資料。除非我們有一個運行良好的資料市場——人們可以創造、控制並出售資料——否則這不可能實現。這意味著結束科技公司未經資料創造者許可和補償就使用資料的做法；更重要的是，它需要法律基礎設施，來鼓勵並保護專家投入時間生產有用、高品質的資料。運作良好的資料經濟是AI的未來、尤其是pro-worker AI未來的關鍵。
資料市場也會便利新進入者對在位者的挑戰，因為它會限制“積累了大量資料軍火庫”所帶來的反競爭效應。
我們需要認識到，更好的未來在於培育人類技能，而非將其邊緣化。
AI的未來不是寫定的。但要以更pro-worker、更有利於社會的方式重寫它，就需要我們為超級智慧型手機器和AGI的熱情降溫。我們需要認識到，更好的未來在於培育人類技能，而非將其邊緣化。
這正是最需要人類能動性的地方。那不會來自AI模型，也不會來自那些最確信“AI的未來必然是將人類邊緣化”的人。
只有人類的獨創性、開放性，以及我們模擬不同世界並付諸行動的能力，才能把AI引上更好的路徑。■ (New Economist)