杨立昆转发批判了达里奥去年5月的AI将在1到5年内对白领失业率造成大的影响视频（这一年来，确实也在发生AI造成的失业） 我虽然follow了杨立昆的推荐，却暂时没看到观点，等会启动一个研究看看，这几位经济学家有啥观点...

杨立昆转发批判了达里奥去年5月的AI将在1到5年内对白领失业率造成大的影响视频（这一年来，确实也在发生AI造成的失业）

我虽然follow了杨立昆的推荐，却暂时没看到观点，等会启动一个研究看看，这几位经济学家有啥观点

达里奥的视频我是首次看到，翻译好后发现社区评论找出了原版，是去年5月的

不过反正翻译了，就传上来

opus 4.7跑了一下研究杨立昆推荐的5位经济学家的观点：

全文贴到这，再让ta跑了一个PPT：

# 五位经济学家论AI与劳动力市场：乐观派与悲观派的交锋

**在AI冲击劳动力市场这一议题上，Yann LeCun推荐的五位经济学家分裂为两个阵营**——以Acemoglu为首的"方向批判派"担忧AI被错误地导向自动化并加剧不平等，而以Aghion、Brynjolfsson、Autor、McAfee为代表的"条件乐观派"认为，只要政策、竞争和制度得当，AI将带来生产率腾飞并有望重建中产阶级。

这场分歧之所以重要，是因为它的核心不再是"AI会不会抢工作"的老问题，而是一个更精细的制度经济学问题：**技术的方向（direction of technology）本身是可被选择的**，而这些经济学家给出的答案决定了未来十年数万亿美元研发资源与监管框架的走向。

五位都建立在同一task-based任务模型基础上（Autor-Levy-Murnane 2003奠基），都认同岗位不会消失、但任务组合会重构，都警告资本-劳动税收失衡和工人议价权侵蚀；但他们在**AI的宏观生产率规模、分配效应方向、以及政策紧迫性**上差异显著。

理解这五位的观点异同，相当于拿到了2023–2026年全球AI劳动经济学辩论最权威的地图。

---

## Philippe Aghion：以创造性破坏为底座的"战斗性乐观主义"

Aghion（2025年诺贝尔经济学奖得主，Collège de France、LSE、INSEAD教授）自称"**combat optimism（战斗性乐观主义）**"，在2025年11月《Le Grand Continent》访谈中强调此立场。

他的理论底座是1992年与Peter Howitt合作奠定的Schumpeterian创造性破坏（creative destruction）范式：AI同时触发"替代效应（eviction effect）"与"生产率效应（productivity effect）"，而他基于法国厂级数据的实证研究反复表明**生产率效应主导，自动化净增加企业就业**。

在2021年著作《The Power of Creative Destruction》第6章及2023年AEA P&P论文中，他报告：厂级自动化每增加1%，当年就业增加0.25%，十年后达到0.4%。

更关键的是他与Bunel、Jaravel、Mikaelsen、Roulet、Søgaard合作的2025年AEA Papers & Proceedings论文《How Different Uses of AI Shape Labor Demand: Evidence from France》——利用法国2017–2020年厂级AI采纳数据做DID分析，发现**采纳AI的企业就业和销售均上升**，即便按现有分类被判为"可替代"的职业也在扩张。

最具对抗性的是他2024年6月向旧金山联储提交的《AI and Growth: Where Do We Stand?》。

他用两套方法估算AI对生产率增长的贡献：与历史GPT（1920年代电气化、1990年代数字革命）类比得出**每年0.8–1.3个百分点**，用Acemoglu的task-based方法但更新文献得出中位数**0.68个百分点**——这直接把Acemoglu的0.07%悲观估计提高了近10倍。

他在法国当前潜在增长率仅0.5%/年的背景下，直接把AI定性为欧洲复兴的关键杠杆。

**他的政策处方有五条清晰主线**：Flexicurity（丹麦模式的慷慨失业保障+强制再培训）；竞争政策按创新与市场进入而非市场份额定义，甚至可拆分有害并购；**明确反对"机器人税"**，原话是"对企业变得更高效征税本质上是在抑制就业"；支持开源AI、减轻GDPR过度合规负担、改革CNIL；呼吁欧盟建立类ARPA机构并每年投入50亿欧元公共AI基金（这些是他2024年3月领衔的法国AI委员会《IA: notre ambition pour la France》报告25条建议的核心）。

他获诺奖当天的2025年10月28日，与Bunel、Jaravel在Project Syndicate撰文直接反驳"股市高涨与岗位减少脱节是AI破坏就业信号"的主流叙事。

**诺奖演讲中的原话**最能概括他的立场：*"AI is a fantastic source of growth. But the danger is that if monopolized by a few large firms—like Google and Microsoft—then it will discourage new entry, and instead of being a growth-enhancing force, it will be a barrier to growth."* 他对低技能工人的关键观察则是：*"Generative AI mimics the actions of the best performers, so even those initially less productive can lift their performance to match or exceed the top employees."* 这与Brynjolfsson的客服研究直接呼应。

---

## Erik Brynjolfsson：图灵陷阱与生产力J曲线的"收获时刻"

Brynjolfsson（Stanford Digital Economy Lab主任、HAI高级研究员）是**"有条件的、政策敏感的乐观派"**——AEI在2024年将他定位为Acemoglu的悲观与Thierer的纯乐观之间的"realist"。

他的三大理论框架驱动了近年整个AI劳动经济学讨论：**图灵陷阱（Turing Trap）、生产力J曲线（Productivity J-Curve）、增强vs替代（augmentation vs automation）**。

图灵陷阱（*Daedalus* 2022）是他对整个AI研究方向的尖锐批判：**把"通过图灵测试"当作AI目标是"懒惰的低标杆"**，会产生一个均衡——少数人积累巨额财富、多数人失去议价能力。

他指出过度自动化的激励来自三方错配：技术人员以造"像人的机器"为荣、企业主视劳动为最大成本、美国税制对资本有效税率约5%而对劳动约25%。

他的解决方案不是减缓技术，而是**消除税制对自动化的隐性补贴**。

J曲线理论（AEJ:Macro 2021，与Rock、Syverson合作）解释了为什么ChatGPT面世后官方生产率数据可能短期停滞：通用目的技术需要大量**无形互补投资**（流程重组、新技能、组织重构），这些在GDP中测不出，直到若干年后才一次性释放。

他估算调整无形资产后，截至2017年美国TFP水平已被低估**15.9%**。

重大转折出现在2026年2月——他在FT撰文《The AI productivity take-off is finally visible》，估算2025年美国生产率增长约**2.7%**，接近过去十年均值1.4%的两倍，宣告"**我们正从投资阶段过渡到收获阶段**"。

他最具影响力的实证研究是与Danielle Li、Lindsey Raymond合作的《Generative AI at Work》（NBER 2023，*QJE* 2025，140(2):889-942）。

对一家财富500强企业5172名客服代理的staggered实验设计得出里程碑式结论：平均生产率提升**14%（NBER版）/15%（QJE版）**，**新手/低技能员工提升34%**，资深员工几乎无提升；新手达到资深水平的时间从10个月缩短到3个月。

这篇论文的理论意涵是**颠覆了过去40年的"技能偏向型技术变革"（SBTC）范式**——生成式AI是罕见的"技能压缩"技术，通过编码高绩效者的隐性知识（Polanyi's Paradox）惠及最弱者。

但2025年8月Brynjolfsson、Chandar、Chen发布的《Canaries in the Coal Mine? Six Facts About the Recent Employment Effects of Artificial Intelligence》带来了令人警醒的新证据。

基于ADP工资数据到2025年9月的实证结果显示：**22-25岁年轻人在高AI暴露职业的就业自2022年末下降13%（控制企业冲击后16%）**，22-25岁年轻软件开发员工降幅约**20%**，而31岁以上资深员工就业稳定或增长；工资调整尚不明显，说明"**AI对就业的影响大于对工资的影响，至少在初期**"。

他用Anthropic Economic Index区分"自动化型"vs"增强型"AI使用，结果**增强型使用的职业就业增长、替代型使用的职业就业下降**——他多年的理论终于得到实证验证。

他的政策处方核心是**重新平衡税制以消除对资本的隐性补贴**，辅以大规模再培训、扩展EITC、建立任务级KPI新测量体系（GDP-B）、扶植开源AI生态、以及"对AI经济学研究的投入要匹配其万亿美元级影响"。

他在WEF 2024警告这是"一个危险的十年"，因为制度、立法、经济理解跟不上技术变化速度。

---

## Daron Acemoglu：技术方向错了，AI正被带往"过度自动化"

作为2024年诺贝尔经济学奖得主（与Simon Johnson、James Robinson共享），Acemoglu（MIT Institute Professor）是五位中最明确的**方向批判派**。

他反复强调自己不是纯悲观派而是"现实派"，但在Goldman Sachs的7% GDP增长、McKinsey的17-25.6万亿美元预测面前，他的反驳极其尖锐。

他2024年直言：**"我认为AI正走向错误方向，并把我们一起带下去（I feel AI is going in the wrong direction and taking us down with it）"**。

他最具争议的论文是《The Simple Macroeconomics of AI》（NBER WP 32487, 2024；*Economic Policy* 40(121):13-58, 2025）。

应用Hulten定理到task-based框架，他得出**AI对TFP未来10年累计贡献不超过0.66%，修正后低于0.53%——即每年仅0.05-0.07%**，对GDP累计贡献1.1-1.6%。

这与Aghion的0.68-1.3百分点/年估计正好差一个数量级，成为AI经济学界近年最激烈的实证论战焦点。

他还预测**低教育白人本土出生女性将经历小幅实际工资下降**，且即使AI提高低技能工人生产率，也可能增加而非减少不平等。

他的核心理论贡献是与Pascual Restrepo合作的**"so-so automation（平庸自动化）"**概念：仅比人类稍好、主要为企业节省劳动成本但**不显著提升生产率**的技术——自助结账机、客服聊天机器人是典型。

Klarna 2024–2025年用AI替代客服18个月后因质量下降而逆转，被他引为教科书案例。

他的名句是：**"Automation is not our enemy. Excessive automation is our enemy."** 他在Econometrica 2022年与Restrepo合作的《Tasks, Automation, and the Rise in US Wage Inequality》用实证证明自动化解释了1980-2016年美国工资结构变化的**50-70%**——男性高中辍学者实际工资下降8.8%，自动化解释了约80%的大学溢价上升。

在2023年与Simon Johnson合著的《Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity》中，他提出技术方向的选择论：**Alan Turing路径**（追求人机对等、模仿替代人类）对应"uncontrolled automation"；**Norbert Wiener/Licklider/Engelbart路径**（机器作为工具扩展人类能力）对应"machine usefulness"。

他批判的是当前AI产业几乎完全选择了Turing路径。

他2024年与Johnson在《Learning from Ricardo and Thompson》（Annual Reviews in Economics）中强调：**工业革命的好处传播不是自动的，19世纪英国花了几十年社会抗争和工人行动才实现**——今天的AI同样不会自动惠及工人。

他的政策处方是五人中最具干预色彩的：对称税制（消除资本-劳动税率差）、工人在AI开发中的话语权、限制高风险人事AI、政府资助互补性AI研究、数字广告税、反垄断拆分大科技公司、以及**为工人专长建立知识产权保护防止"expertise theft"**。

2026年他与Autor、Johnson合作的NBER WP 34854《Building Pro-Worker AI》进一步提出9项政策方向。

他在2025年苏黎世大学演讲警告：**"Whoever controls Artificial General Intelligence, controls the world"**——AGI权力集中对民主构成根本威胁。

值得注意，他的2024年诺奖是基于制度经济学（*Why Nations Fail*路线），但他明确将制度选择与技术方向选择连接起来：技术方向本身是一种政治选择。

---

## David Autor：AI有可能反转极化，让非精英承担专家工作

Autor（MIT Ford Professor, NBER Labor Studies主任）的立场最富戏剧性反差——他过去40年的研究恰恰证明了计算机化如何空心化中产阶级（Autor-Levy-Murnane 2003 ALM模型、Autor-Dorn 2013的U型极化、Autor-Chin-Salomons-Seegmiller 2024 QJE《New Frontiers》证明新工作创造1980年后已转向高收入专业职业和低收入服务业两极），但在AI面前他转向**"审慎乐观"**。

他自称：*"I'm not an AI doomer. I'm not an AI utopian either... one should be highly optimistic and also quite concerned simultaneously."*

他最有影响力的公共论述是2024年2月Noema Magazine文章《AI Could Actually Help Rebuild The Middle Class》（同时发表NBER WP 32140学术版）。

核心论点极具颠覆性：**过去计算机擅长规则性例行任务而不擅长隐性知识，因此自动化了中等技能工作、强化了精英专家；AI的能力恰好相反——它不擅长规则但善于处理隐性知识和专家判断，因此有潜力反转过去40年的极化**。

他用了"爵士音乐家vs古典演奏家"的比喻：*"If a traditional computer program is akin to a classical performer playing only the notes on the sheet music, AI is more like a jazz musician."*

他的核心实证支撑是三项RCT显示生成式AI**质量改进最集中于底层工人**：Peng等（2023）GitHub Copilot让编程快56%；Noy & Zhang（2023 *Science*）ChatGPT让写作时间减40%，**最差作者达到了中位数水平**；Brynjolfsson-Li-Raymond客服研究生产率提升14%、新手3个月达到原需10个月的熟练度。

他用**"护士执业者（Nurse Practitioner）"**作为可推广的模板：2011–2022年NP就业增加近三倍至22.4万人，未来十年预计再增40%，中位薪酬已达**12.59万美元**——NP借助信息技术和标准化流程承担了过去只有MD能做的诊断、开药工作。

AI可以把这种"专家任务下沉"模式扩展到律师、教师、工程师助手。

他2025年6月与Thompson合作的NBER WP 33941《Expertise》（基于2024年欧洲经济学会Schumpeter讲座）提出反直觉的**occupational task bundling**模型：当自动化移除某职业中的"非专家任务"时工资上升但就业下降（门槛提高），移除"专家任务"时工资下降但就业上升（门槛降低）——这解释了Uber司机就业增长240%但工资下降（自动化移除了"伦敦出租车司机知识"式的专家任务）。

关键的节制条件：Autor反复强调**"My thesis is not a forecast but a claim about what is attainable"**——这是可能的愿景而非必然预测。

他的原话：*"This alternative path is not an inevitable or intrinsic consequence of AI development. It is, however, technologically plausible, economically coherent and morally compelling."* 政策上，他与Acemoglu、Johnson在2023年CEPR Policy Insight 123《Can We Have Pro-Worker AI?》中提出5条建议：平衡雇佣劳动与购买算法的税率；限制工作场所AI监控、提升工人话语权；增加人机互补AI研究资助（DARPA式竞赛）；联邦AI专家中心；技术认证制度。

他还支持扩大"执业范围"（scope of practice）、恢复"工资保险"、投资社区大学。

人口结构是他的底层论据：**工业化世界不是缺工作，而是缺工人**——*"The industrialized world appears poised to run out of workers before it runs out of jobs."*

---

## Andrew McAfee：Geek组织将垄断AI红利，但大规模失业不会重演

McAfee（MIT Sloan首席研究科学家，IDE共同创始人，2024年与Brynjolfsson、Rock、Milin共同创办Workhelix）是五位中**最明确的技术乐观主义者**，但他强调自己是"循证乐观"而非盲目乐观。

他在2026年HBR Strategy Summit直接表态：*"I am a techno optimist, Adi... but we don't just have to take AI on faith."*

他对大规模失业的态度最坚决。

2024年10月Substack长文《The Robots Won't Cause Massive Unemployment This Time, Either: The Cognitive Asymmetry of Creative Destruction》奠定了他的立场：*"No matter how hard I squint, I can't see sustained large-scale technological unemployment."* 他反复搬出三个历史对照：1940年以来美国85%+就业增长来自全新职业；Hinton 2016年预言放射科医生将消亡——而今美国放射科医生数量反而增加；ATM出现后银行出纳员反而增长（Bessen的经典发现）。

他在2026年Brink Lindsey播客用简洁公式概括：**"A job is a bundle of tasks and just because you automate some of them, if you automate 40% of the tasks, it does not necessarily follow that you can eliminate 40% of the people."**

但他不回避**短期的局部痛苦**。

面对Brynjolfsson的Canaries研究，他在同一播客承认：*"I can picture decades of the same thing happening to knowledge workers as what happened to factory workers and manual workers over the last half century—declining relative demand and relatively flat wage growth and anemic prospects for a whole lot of people."* 这是McAfee观点中经常被低估的悲观面向。

他2024年4月为Google撰写的报告《Generally Faster: The Economic Impact of Generative AI》是他最系统的AI宏观立场：**估算80%美国岗位至少有10%任务可借生成式AI在不损质的情况下两倍速完成**。

关键数据包括医生病历时间减83%、咨询顾问时间减25%且质量提升40%、程序员时间减56%。

他同时强调生成式AI扩散将远快于电气化——"ChatGPT是史上最快破亿用户产品"。

他真正独特的贡献是**组织理论**。

2023年畅销书《The Geek Way: The Radical Mindset That Drives Extraordinary Results》（获*The Economist*和*Forbes*年度商业书）提出四规范：science（循证、破除"HiPPO" Highest Paid Person's Opinion）、ownership（清晰责任人DRI）、speed（迭代胜规划，SpaceX对比Boeing）、openness（透明、容忍失败）。

与AI直接相关的论点是：**20世纪遗留的层级型企业无法充分捕获生成式AI价值**，因此AI不会是"伟大的竞争拉平器"——*"AI is absolutely not going to be the great competitive leveler. It's going to make the distinctions between companies much, much bigger."* 在他看来，赢家和输家的分化不在于工人vs资本，而在于geek组织vs legacy组织。

他与Brynjolfsson的分工清晰：两人合著了"机器三部曲"（*Race Against the Machine* 2011、*The Second Machine Age* 2014、*Machine, Platform, Crowd* 2017），共同建立Bounty+Spread框架，都承认生成式AI可能压缩技能溢价。

差异在于：

- Brynjolfsson专注宏观生产率的形式化计量与Turing Trap式政策警告，McAfee更注重企业层面组织适应与历史叙事。

- **McAfee更反对欧洲监管路径**，2024–25年多次用美欧从零起家公司估值对比（美国约35万亿美元vs欧洲约0.5万亿美元）批评GDPR/DSA/DMA/EU AI Act为"own goals"，呼吁"permissionless innovation"。

他的政策处方以**增长、教育、负所得税（扩展EITC而非UBI）、permissionless innovation**为核心，明确反对机器人税。

但他在HBR 2026给出了一条紧迫的企业建议：**"Cutting entry-level hiring because of AI could be a major long-term mistake."**

---

## 五位经济学家的共识地图与关键分歧

五位经济学家共享一组**底层共识**：task-based任务模型是分析框架（ALM 2003起源于Autor，被其他四位扩展应用）；岗位不会整体消失但任务组合会重构；资本税率远低于劳动税率是错误激励需要纠正；工人议价权下降是长期趋势；AI属于通用目的技术（GPT）；当前AI过于"替代导向"而非"增强导向"是系统性问题。

但他们在四个维度上产生了清晰分化。

### AI宏观生产率的量化分歧

这是五人中最具体、最可证伪的争论。

**Acemoglu预测未来10年TFP贡献仅0.53–0.66%（年均0.05–0.07个百分点）**，GDP累计仅1.1–1.6%。

**Aghion-Bunel 2024估计年均0.68–1.3个百分点**，即相差一个数量级。

**Brynjolfsson 2026年2月宣告收获阶段已至**，估算2025年美国生产率增长约2.7%。

**McAfee**押注"Brynjolfsson将赢得对Bob Gordon的生产率赌局"（1.8%/年基准至2029年）。

**Autor**未给具体数字，但其"AI帮助中等技能工人"论暗含对生产率的乐观预期。

Acemoglu的0.07%是异数；其余四位基本落在0.5%以上。

### 分配效应的方向之争

下表对比五位对AI对不平等影响的核心判断：

| 经济学家 | 对不平等的预测 | 关键机制 |

|---------|--------------|---------|

| Acemoglu | 可能加剧资本-劳动分化；低教育女性工资下降 | 过度自动化+so-so technology；缺乏新任务创造 |

| Aghion | 净降低（低技能者受益最大）；但非明确 | Brynjolfsson式技能压缩+创造性破坏带动新任务 |

| Brynjolfsson | 短期年轻入门级工人受压；长期可压缩技能溢价 | 隐性知识编码惠及新手；但税制扭曲仍推动替代 |

| Autor | 有可能反转过去40年极化 | AI把专家任务下沉给中等技能工人 |

| McAfee | 企业间鸿沟大于工人间鸿沟 | Geek组织将垄断生产率红利 |

Autor在理论上最激进（AI反转极化），Acemoglu在理论上最悲观（AI加剧资本化），其余三位居中但方向不同。

### 政策干预的强度光谱

从最强干预到最弱干预排列：**Acemoglu**（拆分大科技、数字广告税、工人专长IP保护、限制AI人事决策）→ **Autor**（扩大NP式执业范围、工资保险、公共AI研发竞赛）→ **Brynjolfsson**（税制再平衡、GDP-B新指标、开源生态）→ **Aghion**（flexicurity丹麦模式、明确反机器人税、竞争政策以创新为准绳）→ **McAfee**（negative income tax、permissionless innovation、反对欧洲监管路径）。

值得注意，**五人都不支持UBI作为主要工具**，都强调税制改革而非直接补贴。

Acemoglu和Aghion分别代表干预最强与最弱，但两人都反对"让市场自行决定"的放任立场。

### 对生成式AI当前应用的评价分歧

Acemoglu把当前生成式AI大量定性为"so-so automation"的典型（Klarna案例），Autor则用三项RCT（Copilot/ChatGPT/客服）证明生成式AI可显著惠及低技能工人，Brynjolfsson的客服研究是这一论点的实证基石，Aghion引用Toner-Rodgers等研究表明AI辅助研究员发现新材料数量多44%、专利申请增39%，McAfee以Workhelix客户实践和"Generally Faster"报告支持AI扩散将迅速且深入。

换言之，**同一批实证研究在Acemoglu眼中是"例外"，在其余四位眼中是"常态"**。

### 研究网络的内在交叉

五位并非各自独立——他们的合作网络极为紧密。

Brynjolfsson与McAfee合著三本书并共同创办Workhelix；Acemoglu、Autor、Johnson共同联合领导**MIT Shaping the Future of Work Initiative**并联署政策备忘录；Autor同时与Acemoglu合作多篇论文（如AI and Jobs on Online Vacancies）又与Brynjolfsson共享对生成式AI技能压缩效应的乐观判断；Aghion虽远在巴黎，但他2024年SF Fed论文直接引用Brynjolfsson客服研究并反驳Acemoglu的悲观TFP估计。

**Acemoglu实质上是这个网络中的"内部异见者"**——他与其他四人在理论框架上深度共享，但在量化预测上孤立。

---

## 结论：分歧背后的统一议程

**真正的辩论焦点已经从"AI会不会取代工人"转向"AI被设计成什么样"**。

这是五位经济学家对公共讨论最重要的共同贡献。

技术方向（direction of technology）本身是一个制度经济学变量，由税制、研发资助结构、反垄断执法、劳工组织强度、教育体系、以及企业激励共同决定——没有任何一个是命定的。

Acemoglu的悲观预测（AI默认会走向过度自动化）与Autor的乐观愿景（AI可能重建中产阶级）在逻辑上并不矛盾：他们描述的是同一枚硬币的两面，分歧在于**当前制度是否已经锁死了错误路径**。

2025–2026年出现了两个值得警觉的信号。

其一是Brynjolfsson的Canaries研究首次提供实证证据表明**22–25岁白领的就业已在下降**——McAfee也承认这可能是"几十年脑力工作者相对衰退"的开端。

其二是**Acemoglu–Aghion在TFP估计上相差一个数量级的论战**仍未解决，而2025年美国生产率数据只是第一个数据点。

如果Brynjolfsson和Aghion正确，未来3–5年内将观察到官方生产率统计显著加速，Gordon式悲观将彻底破产；如果Acemoglu正确，2025年的2.7%将被证明是短暂反弹。

五位共享的一个深层洞察是：**自动化与增强不是技术的内在属性，而是投资组合的选择**。

Brynjolfsson的"Turing Trap"、Acemoglu的"Turing vs Wiener路径"、Autor的"专家任务下沉"、Aghion的"创造性破坏需要新进入者"、McAfee的"geek组织胜出"——这些概念都指向同一个政策核心：**国家可以通过税制、研发、反垄断和教育在边际上推动天平倾向增强而非替代**。

这正是为何LeCun会同时推荐这五位看似立场不一的经济学家——他们代表的不是AI劳动经济学的五种对立观点，而是理解同一问题的五把互补钥匙。