Anthropic 研究：AI 如何重塑 GDP、就业与收入分配 —— 温和、显著、极端三种情景

10 个关键问题问与答

文档信息：Anthropic 研究所工作论文 No.2026‑02，2026‑09；作者 Anton Korinek、Charles I. Jones 等；配套交互式情景模拟器网页：anthropic.com/institute/econ‑scenarios。

核心定位：本报告不是预测，是情景建模工具，不赋予任何情景发生概率；把对 AI 的技术假设（能力、扩散、生产率增益、自动化 / 人力增强比例）转化为 GDP、工资、失业、要素收入份额的可量化经济结果，对比不同 AI 发展假设带来的美国 2026‑2030 经济路径。

一、研究背景与动机

1. 当前学界、业界对 AI 的经济影响估计差异巨大：生产率提升幅度跨多个数量级，就业判断从几乎无影响到灾难性冲击，各类分析框架不统一，难以横向对比。
2. 本文搭建统一基于任务的宏观经济模型：
• 劳动者划分为两大群体：认知类职业（管理、专业技术、销售、办公岗位，直接暴露于 AI 冲击）；非认知职业（建筑、医护支持、服务业体力岗位，不受 AI 直接冲击）。
• AI 有两种作用模式：增强人力（augment）：AI 辅助人类完成任务；自动化（automate）：AI 直接作为资本独立完成任务。
• AI 推高总生产率，但会挤出认知岗位劳动者；劳动者跨职业转换存在摩擦（人力资本壁垒，如软件工程师很难直接做电工），摩擦会带来暂时性乃至持续性失业。
• AI 抬升资本需求，资本回报率上升，资本在国民收入中占比提高。
• AI 也可以加速科研创新，但2030 时间窗口内该渠道贡献很小。
3. 模型局限（重要前提）
1. 忽略灾难风险、政治经济博弈、商业周期、金融市场动荡；
2. 不考虑价格总需求负反馈；不计入 AI 家庭生产价值（不计入 GDP）；
3. 劳动者异质性刻画粗糙：组内所有人工资相同，下岗工人转行直接拿到目标岗位工资，不考虑工龄损失、职业技能贬值带来的收入损失；
4. 资本简单聚合，不区分算力资本与其他资本，不显式建模家庭储蓄行为；
5. 不考虑人形机器人对体力任务的冲击
   ，因此分析截止到 2030 年；
6. 模型不生成 AGI 奇点、爆发式递归自我改进增长，递归自我改进效应需要手动写进情景参数。

二、模型核心机制

2.1 生产、任务与要素收入

产出由大量任务实例组合而成；同一个任务可以一部分由人做，一部分由 AI（资本）做；任务之间总体是互补关系（替代弹性 σ=0.5）。 关键模型参数：

关键洞见：

1. 总 TFP 提升只取决于成本下降，和是自动化还是人力增强无关；但是收益分配高度取决于自动化占比、资本供给弹性。
2. 长期资本供给完全弹性时，全部生产率红利归劳动者；2026‑2030 属于中期，资本调整慢，资本会拿走一部分增长红利。
3. 存在 “平庸自动化（so‑so automation）” 风险：AI 大量替代岗位，但生产率提升有限，资本回报率飙升，平均工资相比无 AI 情景可以出现下降。

2.2 创新渠道（思想生产）

采用半内生增长模型：AI 扩大研发投入，抬高思想存量水平，但不会永久提高长期稳态增长率。

• 到 2030 年，哪怕极端情景，创新渠道带来全要素生产率提升幅度非常有限，是本论文一个反直觉结论；爆发式科研加速不在本模型内生生成。

2.3 失业与劳动力再分配模块

失业来自两大摩擦：

1. 认知岗位工资刚性
   认知岗位工资向下调整迟缓；冲击发生时，工资降不下去，企业就裁员而不是降薪；工资越刚性，失业越高、工资降幅越小；工资越灵活，工资下跌越多、失业越少。
2. 跨职业搜寻摩擦 μ
   被裁员的认知工人搜索非认知岗位时效率打折扣，体现职业专属人力资本；μ 越小，跨职业找工作越困难，失业越高。

经济体出现两类失业来源：认知岗位裁员；被裁劳动者跨组再就业需要时间。模型区分岗位目标就业水平和现实就业；现实向目标缓慢收敛；设置岗位空缺发布速度参数\(\theta^H\)刻画扩张行业创造岗位的快慢。

三、三套基准情景（2030 年初结果，对比无 AI 基准）

三套情景仅为示例，不代表预测，用来展示不同假设的经济后果。

1）温和情景 Modest

AI 影响力类似早期互联网，变化边际化。

• 参数：受影响任务少，扩散慢；AI 一半自动化一半辅助；每自动化 2 个任务新增 1 个人类新任务（ρ=0.5）。
• 结果：宏观扰动很小；仅微小岗位转移，失业率几乎不变；劳动份额小幅下滑。

2）显著情景 Substantial

AI 影响力超过互联网，对标 2023 年各大投行、咨询机构主流预测。

• 参数：AI 处理大量认知任务；75% AI 使用为自动化；每自动化 4 个任务生成 1 个新人类任务（ρ=0.25）；劳动者跨职业再就业难度上升。
• 结果：GDP 增速大幅抬升；认知岗位工资停滞，非认知岗位工资明显上涨；劳动力大量从认知岗位流出；认知群体失业率明显上升；劳动收入份额四年下降接近 4 个百分点，接近美国过去四十年劳动份额下滑总量。

3）极端情景 Extreme

AI 实现极强变革能力，对标 AGI 加速增长相关文献，属于思想实验。

• 参数：AI 处理接近一半认知工作；90% 为自动化；不再生成新人类认知任务（ρ=0）；工人跨职业求职难度非常高。
• 结果：GDP 爆炸式增长，年增速 15.4%；认知岗位工资大幅下跌，近 1/5 认知劳动者失业，整体失业率 11.9%（接近金融危机峰值）；国民收入大幅从劳动者转移到资本，劳动份额跌到 45.2%。

重要分配结论：极端情景中总劳动总收入几乎没有增长，GDP 全部增量归资本所有。虽然经济总蛋糕大幅扩大，但认知劳动者群体承受巨大损失；模型计算，若要补偿认知群体，需要规模接近美国社保 + 医保总和的转移支付，而历史上技术冲击不会自动带来如此大规模再分配。

时间特征

三套情景在2027 年之后才开始显著分化；2026‑2027 早期阶段三套情景差距不大。

四、美国公众问卷调查

1. 样本：10 980 名美国成年人，2026‑08，Morning Consult 代表性线上调研。
2. 问卷 5 大问题：
• AI 何时能熟练完成 8 项难度递增认知任务（写邮件、记账、报税、合同起草、开发软件、科研、运营无员工网店、诺奖级科研发现）；
• AI 技术可行之后职场实际使用比例；
• AI 是独立完成还是辅助人类；
• AI 带来的任务耗时缩减（生产率增益）；
• AI 裁员的工人更换职业找到新工作需要多久。
3. 调研结果映射进模型参数，得到公众预期对应的经济结果：
• 受访者中位数预期混合特征：AI 能力偏向显著‑极端情景，但实际采纳有限；接近一半 AI 用途是人力增强；劳动者再就业时间长于显著情景基准。
• 公众中位预期模拟结果非常贴近论文的显著情景：GDP 较基准上升 8.6%，整体失业率 4.6%。
• 民众观点高度离散：一部分人认为 AI 几乎不节约时间，一部分预期 AI 带来巨大效率提升。

五、稳健性检验

5.1 资本供给弹性\(\varepsilon\)的敏感性

资本供给弹性越低（资本难快速扩张）：

1. 资本回报率上涨幅度更大；
2. 劳动者分到的红利变少；极端情况下平均工资可以出现绝对下降，也就是 “平庸自动化”。

如果资本供给完全弹性（无穷大，世界资本自由流入），劳动者拿到绝大部分 AI 红利。

5.2 工资刚性\(\xi\)的敏感性

工资刚性决定冲击是转化为工资下跌，还是转化为失业，二者是替代权衡：

• 工资高度刚性：工资几乎不降，但裁员、失业率飙升；
• 工资完全灵活：失业很少，但认知岗位工资大幅暴跌。 论文基准取值折中（ξ=0.5，缺口半衰期一年），损失同时体现在工资和失业两个维度。

六、主要研究结论

1. 结果区间巨大
   从温和的小幅扰动，到极端情景 GDP 暴涨、大规模失业、收入向资本转移；没有任何一套情景可以现在就被证伪。
2. 情景差异主要爆发于 2027 年之后；短期不同路径差别不大。
3. AI 带来总产出普遍上升，但分配结果取决于关键参数：
• 资本供给弹性：决定红利多大程度流向资本；
• 工资刚性：冲击更多表现为失业还是降薪；
• 任务恢复比例 ρ：自动化之后能否产生新人类工作；
• 劳动力跨职业再就业摩擦：决定失业规模。
4. 即使总 GDP 大幅增长，不能自动保证劳动者获益；极端情景总蛋糕变大，但认知劳动者群体承受巨大损失；虽然总量上具备补偿受损群体的资源，但市场自发不会实现再分配。
5. 政策启示：
• 如果现实接近温和情景，现有制度小幅调整即可；
• 如果接近显著或极端情景，需要思考配套制度：劳动者再培训、新型社会保险、收入支持、资本收益分配机制；单纯靠市场无法自动实现广泛共享 AI 红利。
6. 本框架把 AI 争论转化为少数可观测、未来可以实证测量的参数（AI 任务覆盖、企业采纳率、生产率增益、工人再就业时长）；未来现实数据可以帮助我们判断我们实际处于哪一条情景路径。

七、附录部分

附录 A：完整模拟求解算法，按月度迭代的 44 个方程组；精确解析解、一阶近似解；模拟运行步骤。 附录 B：问卷完整细节、回答映射模型参数的编码规则、抽样说明。 附录 C：创新模块数学推导；半内生增长相关公式。 参考文献：覆盖任务自动化、搜寻匹配、半内生增长、AI 宏观经济学大量经典文献。

补充：论文配套开源情景模拟器，允许使用者自由修改全部参数，自定义 AI 假设，直接输出 GDP、工资、失业、要素份额的模拟路径。