← 返回 Siami 首頁

Anthropic 用 5,400 萬個任務拆解美國經濟:2030 年三種 AI 情境,資本拿得多、勞工拿不到

▲ 135 💬 240
Anthropic 用 5,400 萬個任務拆解美國經濟:2030 年三種 AI 情境,資本拿得多、勞工拿不到

Anthropic 經濟研究所於 9 月發布「2030 美國經濟三種情境模擬器」(Economic Scenarios for Transformative AI),這份由經濟學家 Anton Korinek 與 Anthropic 經濟團隊共同建構的模型,把美國經濟拆解成「任務」這個最小單位,模擬 AI 在三種情境下對就業、薪資、GDP 分配的衝擊。

編按:本文綜合整理自 Anthropic 官方經濟情境頁面、《Economic Scenarios for Transformative AI》技術報告,以及 HN 社群對此份報告的討論,加入 Siami 編輯部觀點與分析。


研究方法:把經濟拆成 5,400 萬個任務

Anthropic 採用美國勞工部的 O*NET 職涯分類系統,把每一個職業(例如護理師)拆成一連串具體任務。AI 對每個任務的影響有四種:自動化(AI 完全取代)、擴增(AI 輔助)、無影響、創造出新任務。每個任務每天都會在全國發生「數百萬次」。當我們把全美所有任務加總,就得到 30 兆美元規模的年度 GDP。AI 對經濟的整體影響,等於它對這幾億個任務實例的總體效應。這個模型的關鍵變數有三:

  1. AI 能做什麼(capability)
  2. AI 在經濟中被採用的比例(adoption)
  3. 工作者的生產力提升幅度(productivity)讀者可以自己調整這三個變數,看 2030 年的經濟會長成什麼樣。

三種情境:從溫和到極端

情境一:溫和成長(Modest) — AI 讓 GDP 增長幅度接近歷史正常值。失業率維持歷史區間,薪資依行業不同持平或微漲。這是「最有感但最沒有戲劇性」的版本。

情境二:顯著成長(Substantial) — AI 把 GDP 拉到約 36.3 兆美元,比基準線增加 2 兆美元。對勞工整體是正向,但知識工作者開始感受到壓力。

情境三:極端成長(Extreme) — AI 讓 GDP 突破 44.4 兆美元(約比基準線高 10 兆美元),但這筆財富大量流向資本擁有者,知識工作者的薪資停滯甚至下跌 10%。

三種情境中,GDP 都成長。差別在於「誰拿到這筆錢」。


四大關鍵發現

發現 1:知識工作者最先感受到衝擊在顯著與極端情境下,AI 影響範圍內的工作(知識工作、客服、行政、軟體等)職位數量明顯減少。相對地,AI 影響有限的工作(餐飲、建築、長照、維修)職位反而增加。但跨職業轉職有摩擦成本:工作者不一定想換跑道、需要學新技能、找工作也有時間差。當大量知識工作在短時間內自動化,受影響的人可能經歷長期失業。

發現 2:失業率「有方向地分離」

  • 知識工作領域:失業率上升
  • 其他領域:失業率下降
  • 整體:視情境而定,極端情境下總失業率並未崩盤,但「內部結構」已經完全改變

發現 3:薪資「馬太效應」加劇極端情境下,2030 年知識工作者薪資較基準線下降超過 10%;非知識工作者薪資顯著上升。原因:當 AI 加速軟體、寫作、設計的產出,下游產業(營建、實體基礎設施)的工作需求反而被拉高。

發現 4:勞動份額下降,資本份額上升這是報告中最具爭議性的發現。目前美國 GDP 約 60% 流向勞工、40% 流向資本。三種情境下的分配:

情境GDP勞動份額資本份額
基準線30.6T60%40%
溫和34.1T59.4%40.6%
顯著36.3T56.1%43.9%
極端44.4T45.2%54.8%

GDP 成長了 14 兆美元,但勞動總所得幾乎沒變。


為什麼這件事重要

Anthropic 這份模型刻意避開「AI 會不會搶走工作」這種二元論述,直接把問題量化成「哪類工作、什麼時候、以什麼速度」。把經濟拆成任務是經濟學界自 2009 年 Autor-Levy-Murnane 以來的前沿方法,但從沒有人用互動式模型讓一般民眾能自己代入 AI 能力假設,看 2030 年會長成什麼樣。報告把決策的責任放回社會:如果情境三成真實,問題不是 AI 是否創造了足夠的 GDP,而是「我們要怎麼分配」。Anthropic 明確說這份研究會用於「資助哪些勞動市場研究」與「提出哪些政策建議」。這也是 Anthropic 從實驗室走向政策倡議的關鍵一步。當其他 AI 公司還停留在「AI 是工具」這種個人層次的描述時,Anthropic 已經建出一個可被監管者、經濟學家、立法者直接拿來辯論的量化框架。


數據解讀:模型的三個盲點

盲點 1:未含政策反應 模型沒有把「政府介入」當成變數。如果基本收入、AI 稅、財富稅等政策生效,分配結果會完全不同。換句話說,報告本身承認:我們看到的是「沒有政策介入」的基準線。

盲點 2:沒考慮 AI 加速自身進步 超過一位審稿人指出,AI 可能透過自動化 R&D 而加速科技進步本身(recursive self-improvement),這會讓三種情境都低估實際發展速度。Anthropic 表示會在未來版本中加入這個變數。

盲點 3:個體軌跡不清楚 模型只看任務層級的總和,沒有追蹤個別工作者。如果你是 45 歲的客服經理,這份報告無法告訴你「你」會怎樣,只能告訴你「客服經理這個群體」會怎樣。


結論:分配問題,不是產出問題如果 Anthropic 的模型是對的,未來 5 年最重要的經濟問題不是「AI 能不能讓 GDP 成長」(三種情境都會),而是「成長的時候誰分到比較多」。正如報告最後一句:「The future is not predetermined.」這份模型不是預言,是把預言變成可辯論的政策工具。


引用來源