原论文：Journal of Economic PerspectivesVolume 40, Number 3Summer 2026Pages 322 Charles I. Jones
作者简介：Charles I. Jones是斯坦福大学商学院Stanco 25经济学教授，同时也是美国国家经济研究局（NBER）研究员。论文完成并进入校样阶段后，Jones收到Anthropic联系，讨论加入公司的可能性。自2026年6月30日起，他将从斯坦福大学和NBER休假，并作为Anthropic的付费员工工作。补充材料、附录、数据集和作者披露声明见论文DOI页面：10.1257/jep.20261505。头图来自：AI生成
人工智能（AI）很可能成为现代最具变革性的技术。此前的电力、半导体和互联网等技术，曾深刻重塑经济活动，并提高全世界的生活水平。从某种意义上说，AI只是这一系列通用技术中的最新一项；至少，它应当会延续过去一个世纪持续发生的经济转型。
然而，也有理由认为，这一次有所不同。将智能本身自动化也就是创造一种能够完成人类今天所能完成的任何认知任务的技术将产生极其广泛的影响。过去的技术进步替代了人类的许多体力任务，或少数狭窄的认知任务，从而使人类智能变得更加有价值。但如果机器用AI完成认知任务，用AI加先进机器人完成体力任务能够以不高于人类的成本完成人类能够完成的每一项任务，会发生什么？未来几十年内出现这种结果绝非必然，但已有不少观察者认为它会发生（Amodei 2024；Aschenbrenner 2024；Brynjolfsson、Korinek与Agrawal 2025；Kokotajlo等 2025）。
面对这种可能性，经济学能告诉我们什么？我们的经济未来又可能是什么样子？
本文首先勾勒AI影响经济的两种情景：一种是AI大幅加速经济增长；另一种是AI最终只是照常营业。两种情景都有可能，也都包含有助于理解AI未来影响的特征。
未来大概位于这两个极端之间，但究竟在哪里？为了理解这一问题，本文介绍一种任务型经济增长模型：不同任务之间具有互补性，由此形成一个弱链接框架。正如一条链的强度取决于最薄弱的一环，经济也可能受到那些尚未自动化任务的限制这些任务仍由进步缓慢的人类完成，而不是由进步迅速的机器完成。
这个特征会减缓AI的变革性影响。但减缓并不意味着消除。以几十年为尺度，AI仍很可能深刻改变经济。过去150年，美国人均GDP年均增长约2%，而且异常稳定；然而，如果AI最终自动化掉经济中几乎所有弱链接，经济增长就可能显著加速，年增长率甚至可能超过5%（Jones与Tonetti 2026）。
强大而具有变革性的AI也伴随着风险；它是一把双刃剑。当机器几乎可以完成人类能够完成的所有任务时，劳动力市场、不平等以及政治均衡会发生什么？更具推测性地说，变革性AI还可能带来灾难性风险，例如网络攻击、生物风险载体和自主武器。正如领先AI实验室所反复强调的，这些可能性值得认真对待。
有一点显而易见，却仍有必要明确承认：没有人知道将智能自动化最终会产生什么后果。本文只是基于经济学研究提供一种视角，这种视角本质上带有推测性，而且很可能在许多方面被证明是错误的。尽管如此，在思考AI将如何影响我们的经济未来时，我发现经济学工具能够提供一些有用的路标和洞见。
一、两种经济增长的未来情景
先从宏观经济的两个可能未来说起。这两个情景有意设置在光谱的两个极端。第一种情景中，AI产生巨大的经济影响，并显著加快经济增长；第二种情景中，AI更像是照常营业，或者借用Narayanan和Kapoor（2025）的说法，是一种正常技术。在我看来，两种情景都可能发生。后文我会解释，我认为现实未来可能落在二者之间的什么位置。
每种情景描述的都是未来25至30年内可能发生的变化。也就是说，我考虑的时间跨度大致是一代人：今天出生的孩子长大成人时，世界会是什么样？今天刚进入职场的年轻人走过自己的职业生涯时，世界又会变成什么样？
情景一：AI加速经济增长
如果AI加快经济增长，并产生真正深刻的宏观经济后果，未来几十年会是什么样？许多作者都提出过类似情景。 尽管这些情景本质上带有推测性，但有两点令我尤其感兴趣：第一，我们已经看到了它们早期阶段的证据；第二，情景中的每一步看起来都并非不可能。
这类情景通常从AI提高软件工程师生产率开始，而这一过程已经明确发生。类似案例很多。2025年11月Anthropic推出Claude Opus 4.5时，公司特别强调了Claude在一项两小时居家考试中的表现这项考试原本用于招聘软件工程师，而该AI模型的得分超过了此前所有人类候选人（Anthropic 2025）。
Epoch AI估计，用于训练AI模型的有效算力（即根据算法和软件质量调整后的总计算能力）每年大约增长10倍：其中约4倍来自更多、更好的计算芯片，约2.5倍来自更好的算法（Ho等 2024；Epoch AI 2026）。这些投入带来了迅速的能力提升。例如，METR（2026）开发了一项测试，用来衡量AI工具能够自主完成多长的软件工程项目。
2020年，ChatGPT 3以50%的成功率能够完成一个人类约需9秒完成的任务；到2024年6月，AI已经能以同样准确率解决一个约需11分钟的项目；两年后的2026年年中，对应的50%成功率任务时长已经升至12小时。METR的软件工程时间跨度大约每5至7个月翻一番。有迹象表明进步还在加速：自2024年末推理模型（例如o1-preview）出现后，翻倍时间可能已经缩短到约4个月（Emberson 2025）。
AI模型最前沿的用途之一，是构建AI智能体，也就是擅长执行目前由人类在计算机上完成任务的模型。除了编程，它们还可以写作和编辑文档、综合报告、搭建电子表格模型、制作幻灯片、生成视频、头脑风暴、提出科学实验方案，以及证明数学定理。在许多领域和许多认知任务上，AI已经达到一个合格研究生的水平。考虑到过去五年的快速进步，十年后的AI模型也许能够完成几乎所有今天优秀人类能够在计算机上完成的任务。
其中一项任务，就是AI研究本身。AI模型最终可能在没有人类参与的情况下创造出更好的AI模型，这种现象被称为递归式自我改进。如果把这种飞轮效应与计算能力的快速增长结合起来，那么未来十年中的某个时点甚至可能更早我们也许会拥有Anthropic首席执行官Dario Amodei所说的数据中心里的天才之国（Amodei 2024）。
数据中心里数以百万计的虚拟天才，每一个都以远快于人类思维的速度运行，可能大幅加快新思想的发现。我们已经看到AI模型带来新的发现。一个鲜明例子是AlphaFold：它解决了一个重要问题仅根据定义蛋白质的氨基酸序列，确定超过2亿种蛋白质的三维结构；Google DeepMind的Demis Hassabis和John Jumper也因此获得2024年诺贝尔化学奖。由AI天才组成的经济体，可以设计新药，并预测哪些药物更可能在临床试验中表现最佳、同时副作用最小；它们还可以综合现有研究文献，并在生物化学、材料科学、核聚变和清洁能源等领域建议科学家应该进行哪些实验。
更长远地看，达到天才水平的AI模型可以利用虚拟仿真和由人类执行的实验，设计并制造更好的机器人，不断迭代，直到达到极高性能。最终，这一飞轮可能产生能够完成几乎所有认知任务的AI模型，以及由AI设计、生产和管理、能够完成几乎所有体力任务的机器人。
如果这一情景真的出现，即便要用未来半个世纪才能实现，生产率和生活水平的提升也必然十分巨大。在标准增长模型中，这种结果会带来加速的经济增长；在某些情形下，增长率甚至可能超过每年10%（Aghion、Jones与Jones 2019；Jones与Tonetti 2026）。
例如 Davidson（2021）、Kokotajlo等（2025）、Erdil等（2025）、Cunningham（2025），以及Davidson、Halperin、Houlden与Korinek（2026）。
情景二：人工智能，一切照旧的常规技术
过去半个世纪，美国经济经历了计算能力的巨大提升，摩尔定律就是最典型的体现。1965年，时任仙童半导体研究主管的Gordon Moore发表文章，预测芯片上的晶体管密度每两年翻一番。六十年来，这一预测大体得到了验证（Moore 1965）。计算成本的巨大下降带来了互联网等技术奇迹，却没有让美国经济增长率持续上升。那么，AI是否也会走上这条一切照旧的发展路径？
图1展示了经济学中极具代表性的图表：过去150年美国人均实际GDP。使用对数坐标后，这条时间序列大体是一条直线。事实上，摩尔定律与美国人均GDP增长是70法则的两个镜像：在恒定指数增长下，增长率与翻倍时间的乘积约等于70。晶体管密度每两年翻一番，相当于每年增长约35%；美国人均GDP则每年增长约2%，大约每35年翻一番。
我们不妨梳理图表背后层出不穷的颠覆性创新。19世纪70年代，Thomas Edison刚刚开始进行电灯实验。五十年后，电气化已经彻底改造工厂生产与居民生活。在这150年中，内燃机、飞机、真空管、抗生素、晶体管、半导体、个人电脑和互联网等创新深刻改变了生活水平。其中许多被经济史学家称为通用技术，其变革性影响遍及整个经济。其中不少技术还实现了部分创新环节自动化，借助科研设备升级，提出创意产出与研发效率。然而，这些创新都没有改变美国经济长期2%的稳态增长率。
来源：1929年以后数据来自美国经济分析局（2025），18701928年数据来自Barro与Ursa（2010）。注：即使电力和信息技术等惊人的技术改变了经济活动，美国人均平均收入在150年间仍以异常稳定的约2%年率增长。
我们该如何理解这种脱节？一个自然的假说是，在任何技术领域中，新的想法都会越来越难找到（Bloom、Jones、Van Reenen与Webb 2020）。蒸汽机终究会耗尽蒸汽。如果下一项通用技术没有出现，我们原本可能预期经济增长会放缓。从这个角度看，这些新的通用技术实际上确实在反事实意义上提高了经济增长率：如果它们没有被发明出来，增长本来会减速。
正是令人惊叹的新技术类别不断出现，才使每年2%的持续增长成为可能。也许AI只是最新一项通用技术，让2%的增长再延续几十年。需要注意，即使在这一情景下，AI仍可能具有巨大的变革作用，因为反事实世界中的增长本来会放缓。
经济史还提供了另一个互补的教训：一项新创新可能需要几十年才能扩散到整个经济。David（1990）最早在蒸汽机和发电机的背景下强调这一点。Robert Solow在1987年有句著名的话：你到处都能看到计算机时代，唯独在生产率统计中看不到。深刻的新技术往往需要许多互补创新，才能充分发挥作用。
电力就是如此：原本依赖蒸汽动力的工厂，需要重新组织生产、甚至迁址，才能充分利用可以分散布置在工厂各处的小型电动机带来的生产率收益。信息技术同样需要组织、产品和流程上的变化才能发挥作用（Brynjolfsson与Hitt 2000）。对新一代AI而言，经济史给出的教训是：它对GDP和生产率的全部变革性影响，可能也需要几十年才能真正显现。
两种情景对比分析
本文描述的两种情景都有其合理之处。增长加速情景建立在AI能力迅速演进的直接证据之上。在理论上，如果AI自动化经济中的大多数任务，经济增长模型确实可以产生爆发式增长（Aghion、Jones与Jones 2019）。另一方面，生产自动化已经持续了两百多年，电力、半导体和互联网等变革性创新，也一直与约2%的稳定经济增长并存。
无论在哪一种情景中，AI带来的影响都会像电力和互联网一样巨大而深远。但究竟有多大、多深，目前远不清楚。更可能的情况是，未来位于两种情景之间；AI对宏观经济的未来影响仍存在很大的不确定性。下面转向一些可能帮助我们理解这些影响的理论洞见。
二、弱链接框架与经济增长的未来
任务型模型为理解一般意义上的自动化，尤其是AI式自动化的影响，提供了关键洞见。 在这些模型中，生产依赖于一系列任务被成功完成。最初，这些任务由劳动者完成。当企业找到用机器替代劳动、并以更低成本完成某项任务的方法时，自动化就发生了。正如Zeira（1998）所强调的，自动化至少从19世纪工业革命以来就一直存在，实际上已有数百年历史。19世纪的经典例子是机械织机取代纺织劳动；20世纪，汽车和卡车在运输中取代人和马，拖拉机取代许多农业劳动，电子计算机则取代人工计算员完成计算任务。
在研究自动化对经济增长的影响时，Aghion、Jones与Jones（2019）重点分析了这样一种情况：生产函数依赖于多项任务，而这些任务之间的替代弹性小于1。也就是说，这是一个弱链接模型。每一项任务都可以看作链条上的一环，而且所有任务对生产都不可或缺。正如一条链的强度取决于最薄弱的一环，生产也会受到最薄弱链接也就是生产率最低任务的约束（Kremer 1993；Jones 2011）。
1986年挑战者号航天飞机事故，是弱链接的一个标志性例子。事故调查发现，关键设计缺陷出在O形密封圈上：这是一种环形橡胶部件，用于在两个咬合部件之间形成密封。挑战者号在创纪录的低温中发射，O形圈因此变脆并发生泄漏，最终导致航天飞机爆炸。Kremer（1993）部分受此事件启发，提出了经济发展的O形圈模型。
弱链接的负面影响未必会酿成航天失事这般灾难性后果；事实上，潜在弱链接似乎普遍存在。我们以一部最先进智能手机的开发和生产为例：手机完成设计；芯片必须按照精确规格制造；大量复杂零部件必须协调，在正确时间抵达正确地点；手机需要运送到零售店；广告、营销和客户管理也必须安排妥当，等等。任何一项任务受阻，整个项目的价值都会显著下降。
琼斯、托内蒂（2026）借助弱链接分析框架，解释为何弱链接会限制人工智能释放增长红利。一组简化双任务模型可直观展示这一逻辑：假设最终产出由两类任务组合生成，生产函数记作(Y=F(Xeasy, Xhard))。易自动化任务可快速由机器替代，难自动化任务难以实现自动化。为简化分析，我们设定(XeasyXhard)，即短板任务产出规模更小，构成生产约束。
大量任务类文献均采用固定替代弹性（CES）生产函数。我们进一步设定替代弹性=1/2，此时总产出与两类任务产出的调和均值成正比：
在该模型框架下，难度较高的任务属于短板制约环节（最薄弱一环），会限制整体产出。具体而言，倘若简易任务的投入上限为无穷大（Xeasy=），则总产出Y=Xhard；而当简易任务投入为有限数值时，总产出YXhard。需要注意，这一规律同时说明：即便部分生产要素的投入量趋于无穷，整体产出依旧是有限的根源依旧是受限于最薄弱的生产环节。该结论可以推广至包含多项任务的生产函数。由此便能清晰解释：为何对大量任务开展自动化改造，未必能够带来产出的大幅增长：总产量始终会受制于那些暂未实现自动化的薄弱工序。
我们身边就有直观案例：当下台式计算机的算力，是20世纪70年代顶级计算机的近一亿倍，但当代经济学家的生产效率，并未达到彼时同行的一亿倍。矩阵求逆运算速度大幅提升，但我们仍需手动确定矩阵输入数据、搭建经济模型结构、设定待检验理论假设。换言之，我们的生产效率被各类弱链接任务限制。
回到调和均值简化模型，我们标准化初始总产出(Yinitial=1)。倘若我们彻底自动化易自动化任务，令其产出趋于无穷、不再构成生产瓶颈，可推导出总产出提升倍数公式：1/(1-s)。其中s代表竞争性市场环境下，易自动化任务原本在国内生产总值中的支出占比。也就是说，若某一类任务实现无限供给式自动化，对应国内生产总值提升倍数为1/(1-s)。
再回到AI加速经济增长的情景。该情景的第一根支柱之一，是AI自动化软件生产。那么这会对经济产生多大影响？即使今天软件所执行的现有任务获得无限量供给，产出也只会提高到1/(1-s)。软件支出约占GDP的2%；当s很小时，1/(1-s)1+s。换句话说，即使今天所有软件任务都可以无限供给，GDP也只会提高约2%。为什么红利增幅这么微弱？答案仍然是弱链接。
在更一般的情形中，如果替代弹性也就是弱链接参数为，那么把GDP中占比为s的任务无限自动化后，产出提高倍数为：
当 = 1/2时，指数等于1，就回到前面的简单情形。越小，弱链接越重要。例如，如果 = 0.2，那么指数为0.2/0.8 = 1/4，无限自动化带来的产出增益会更小。
图2直观展示了上述公式对应的曲线，假设弱链接十分显著： = 0.2，这是Jones与Tonetti（2026）根据一系列证据选取的数值。横轴s表示被自动化任务占GDP的份额。图中有两个关键信息。第一，随着被自动化的经济份额提高，收益会越来越大。事实上，如果100%的经济都被自动化，GDP将趋于无穷大。这直观解释了为什么自动化最终可能带来极其巨大的收益，也就是前文AI加速增长情景中的结果。
第二个关键信息是：弱链接会显著拖慢自动化带来的增长红利。在AI加速经济增长的情景中，软件自动化之后的下一步，是AI自动化所有可以在计算机上完成的认知工作。为了理解后果，考虑s = 1/2，也就是GDP的50%被无限自动化。按照图2，GDP只会提高19%，根源依旧是弱链接约束。
当 = 0.2的参数设定下，即便半数经济任务实现无限供给，剩余依靠人力完成的短板任务（子女教育、医疗服务、管理政府、制造商品，以及提供酒店、餐饮和旅行体验等）。事实上，想要实现人均收入翻倍，需要经济94%的任务完成无限自动化。
当然，经济中可被自动化的任务集合并不是固定不变的，而会随着新思想被发现而不断演化。Jones与Tonetti（2026）建立了一个动态模型，其中商品生产和思想生产都会随时间逐步自动化。更多自动化会产生更多新思想，新思想又会推动进一步自动化；与此同时，新思想还不断提高机器执行任务时的生产率。但在任何一个时点，这个飞轮动态都会受到弱链接约束。
图2对应的简化方程，可以看作这一丰富动态模型的极简版本。假设经济从s=0开始，也就是没有任何任务被无限自动化；再假设s每年增加0.01，那么100年后所有任务都将被无限自动化。此时，图2中的曲线可以解释为未来一个世纪人均收入的时间变化曲线。同时图表采用对数坐标，曲线斜率对应经济增速。
前50到60年，斜率相对稳定，意味着增长并没有明显加速，与图1展示的2%长期稳态增速高度契合。但75年之后，曲线斜率开始持续上升；最后25年则急剧变陡，100年后GDP趋于无穷大。
图2 无限自动化条件下的人均GDP，来源：Jones与Tonetti（2026）。注：在替代弹性等于0.2的假设下，图中展示了将初始成本占GDP比重为s的任务以无限生产率自动化后，人均GDP提高的倍数。
这一模型带给我们核心结论：自动化与创意产出之间的正向循环，的确具备加速经济增长的潜力，对应前文第一种增长情景；但弱链接的存在，使得增长加速效应初期十分平缓，贴合一切照旧的第二种情景。只有绝大多数弱链接任务完成自动化，经济增速的爆发式提升才会真正显现。琼斯、托内蒂（2026）构建的完整动态模型，同样得出一致结论。
一方面，弱链接会稀释人工智能、自动化带来的短期经济红利，未来一二十年人工智能带来的增长增量大概率十分有限；另一方面，倘若人工智能最终能够自动化人类全部工作，即便充分考虑强弱链接约束的模型，也会预判经济增速迎来跨越式爆发。
我认为自动驾驶汽车很好地说明了这一点。第一届DARPA无人车挑战赛在2004年举行。15辆自动驾驶汽车参赛，没有一辆完成142英里的赛程；最远的一辆只行驶了7.5英里（DARPA 2014）。22年后的2026年，Waymo无人驾驶汽车在旧金山已经随处可见。它们累计在没有人类驾驶员的情况下行驶了1.707亿英里，而且现有记录表明，它们比大多数人类驾驶员更安全（Waymo 2026）。
然而，旧金山仍然是例外，而不是常态。在美国绝大多数地方，你仍然无法叫到一辆无人驾驶汽车。这又是弱链接的例子天气状况、长尾边缘案例、传感器套件和计算成本等等也说明克服这些弱链接需要多长时间。我怀疑，AI与物理世界互动的许多其他方面也会如此。在让机器人管理幼儿园课堂之前，我们需要达到多个9的可靠性。
在AI加速经济增长和AI照常营业之间还存在大量可能性，其他研究也讨论过这些情形。Nordhaus（2021）询问经济增长异常迅速的奇点是否已经临近，并得出否定结论。Acemoglu（2025）认为，未来十年AI的宏观经济影响可能相当有限，每年对全要素生产率增长的提升不到0.1个百分点。
Aghion与Bunel（2024）质疑Acemoglu的一些经验设定，并计算出更大的收益：AI可能每年把全要素生产率增长提高0.7个百分点。Jones与Tonetti（2026）则认为，一切照旧情景更贴合未来一二十年现实，但长期来看，AI终将推动经济增速显著上行。
三、劳动力市场、收入不平等与有意义的工作
大众对AI的担忧，大多集中在它对劳动力市场的潜在影响。这个重要主题并非我的专长，因此这里只提出几点零散看法。Acemoglu与Autor（2011）、Acemoglu与Restrepo（2022）、Autor与Thompson（2025）等人对此有更深入研究。⁶
核心洞见来源于岗位是多重任务的组合包这一认知。人工智能仅能自动化岗位内部分子任务，因此会造成部分岗位薪资下行、另一部分岗位薪资上涨，带来复杂且反直觉的劳动力市场结果。经典案例来自杰弗里辛顿2016年的论断这位学者后因神经网络基础理论突破，共享2024年诺贝尔物理学奖，当时他提出医学院应当停止培养放射科医师，人工智能很快会在医学影像判读上全面超越人类，放射科医师将彻底失业。
近十年过去，现实截然相反：放射科医师从业人数不降反增，薪资同步上涨（Mousa 2025）。原因在于，放射科医师的工作不只是读片，AI工具自动化标准化影像判读任务后，反而放大了医师其余综合能力的价值。
在弱链接经济体系中，部分配套任务实现自动化后，剩余短板任务的单位价值会抬升；只要短板任务尚未被机器替代，对应岗位薪资就会上涨。自动化放射科部分标准化工作，整体提升了放射科医师的综合生产效率。当然，未来也存在另一种可能性：倘若某类岗位包含的全部任务都能被自动化，其薪资将跌至机器软件执行该任务的边际成本，而这一边际成本可能极低。
回到本文开头提出过一个问题：如果AI加机器人能够以不高于人类的成本，完成人类能够完成的每一项任务，会发生什么？第一个观察是，上一节的弱链接框架意味着，这种情况可能需要几十年才能发生，而不是未来几年突然到来。因此，劳动力市场或许有时间调整，因为变化可能是渐进而非瞬间发生。
除了调整速度之外，在任何时点，整个经济的总计算能力都是有限的，因此比较优势原则仍然适用。总会存在稀缺、且人类能够完成的任务；问题只在于这些任务的价格是多少。随着经济生产率提高，一些任务的工资必然上升（Caselli与Manning 2019；Restrepo 2025）。人类执行任务的能力并没有变差，而且总会有一些任务保持稀缺。这并不是说某些劳动者的工资不会下降。人类也许会离开软件工程师、律师等高薪职业，转向那些恰恰因为由人来完成而仍有价值、但薪酬更低的工作，例如艺术家和音乐家。
即使艺术家的工资一直上涨，一个人在转行时总体工资仍可能下降。同样，即使在某些情景下劳动收入占GDP的份额趋近于零，也不意味着工资一定下降。比如，总劳动收入每年增长3%，而总资本收入每年增长5%，劳动收入份额会持续走低，但劳动收入本身仍在增长。所有这些都只是为了强调：AI对劳动力市场的影响错综复杂，不能简单一概而论。
另一层值得关注的视角：人工智能与机器人实现几乎全任务自动化的世界，是物资极大丰裕的时代。前文已论证经济总蛋糕规模会大幅扩张，理论上所有人都能从中获益，核心矛盾转化为收入分配问题。长久以来，绝大多数民众的核心资产是自身劳动力，受雇出售劳动换取收入。由此衍生关键问题：普通人未来持有何种具备经济价值的资产，才能分享人工智能创造的巨额财富？
现代经济体依靠税收、转移支付搭建大规模再分配体系，国内生产总值大幅扩张后，这套再分配机制的财政空间会显著拓宽。但财富分配的政治经济学博弈也会更加复杂：倘若前沿人工智能的收益集中流入极少数群体手中，财富不平等程度将进一步恶化。围绕收入分配的相关议题，未来将成为核心公共议题，值得学界深入研究。特拉梅尔、帕特尔（2025）的文章，是解读人工智能加剧财富不平等长期后果的优质入门文献。
绝大多数经济学模型将工作定义为负效用品人类必须获得报酬，才愿意投入劳动。但对大多数人而言，越来越多人将工作视作寻找生命意义的核心载体。倘若未来人工智能在经济增长理论研究、全新增长模型搭建层面全面超越我本人，人类又该从何处寻找生命价值？
2026年初，ChatGPT 5.2 Pro已经能够解决我研究领域绝大多数增长模型难题。
我不知道这个问题的答案，但有两个比喻帮助我思考：退休生活和夏令营。收入充足、时间充裕的退休者，似乎可以通过与朋友相处、旅行、新体验等方式找到人生意义。也许未来，我和研究增长理论的朋友们会在一些有趣的地方聚会，让AI教我们它刚刚发现的最新增长模型。
我们之所以享受研究，很大一部分原因是喜欢学习新东西，而随着AI进步，学习只会变得更容易。最终，先进AI也许会比我们自己更理解人类，到那时，我们甚至可以向它请教：在这个勇敢的新世界里，怎样才能过一种有意义的人生。
四、灾难性风险
OpenAI的Sam Altman、Anthropic的Dario Amodei、Google DeepMind的Demis Hassabis，以及因神经网络工作有时被称为AI教父的Geoff Hinton，都是当代的普罗米修斯式人物，也是AI巨大潜力的早期倡导者。但他们还有一个共同点：早在2020年以前，他们都曾警告AI技术可能带来的重大风险。一个常见观点是，AI可能成为比电力或互联网更强大的经济驱动力，但也可能比核武器更加危险。事实上，OpenAI最初明确以非营利组织形式成立，就是为了专注于安全地开发AI，避免市场激励迫使机构在安全措施尚未完全到位前就开发强大的AI模型。⁸
AI风险大致可以分为两类。第一类与恶意行为者有关。想象未来5到10年的AI模型。按照近期能力提升外推，我们可能拥有能够精通生物化学和病毒学的惊人模型。恶意行为者可能要求这样的模型设计一种新型病毒：比埃博拉更致命、更具传染性，但感染后四周才出现症状。现代世界之所以迄今避免了核武器最糟糕的结果，部分原因在于能够接触红色按钮的主体很少。先进AI则可能意味着，数百万人都拥有自己的红色按钮。
第二类灾难性风险更具推测性，可以称为异质智能风险。我们正在培育自己并不理解的新型智能。假设明天我们发现，一艘外星飞船正经过冥王星并驶向地球，我们会作何感受？这当然令人兴奋，但也必然让人不安：历史上，当更先进的物种或社会遇到较落后的一方时，后者的结局通常并不好。伯克利计算机科学教授Stuart Russell是一本主流AI研究生教材的合著者，他提出过一个发人深省的问题：我们怎样才能永远保持对比我们更强大的实体的控制？⁹
这些风险本质上都带有高度不确定性。本文核心问题随之而来：在如此巨大的不确定性下，经济分析能在多大程度上帮助我们理解这些风险？本节余下部分讨论经济学家在这方面已经取得的一些进展。
奥本海默式核心问题
在第一次原子弹试验之前，曼哈顿计划的科学家面对潜在的灾难性风险：例如，如果核链式反应持续不受控制，点燃大气层并可能杀死地球上的所有生命，会怎样？科学家认真研究了这一问题，Konopinski、Marvin与Teller（1946）后来解密的报告对此有所说明。他们估计这种概率极低，因此三位一体核试验继续进行。但风险必须高到什么程度，才应该取消试验？
Jones（2024）针对AI提出了一个类似问题。假设一方面，AI带来惊人的收益，使经济增长率提高到每年10%，平均生活水平因此每7年翻一番；另一方面，它带来一次性杀死地球上所有人的风险。标准经济学中的行为主体，愿意为这种增长承担多大的风险？
测算得出多项反直觉结论。第一种情形：个体拥有对数效用函数，初始生活水平对标美国居民均值。对数偏好下，消费边际效用与消费总量成反比消费翻倍，边际效用减半。此时测算结果为：只要全人类灭绝风险低于1/3，个体就愿意接受风险，换取10%的高速增长。（这组计算结果让我意识到，人类真实效用函数并非对数形式。）
第二种情形：消费边际效用与消费总量平方成反比，这是宏观经济学常用风险厌恶设定，边际效用衰减速度翻倍。此时10%增速带来的消费增值价值大幅缩水，人类可承受的灭绝风险骤降至仅2.5%。在美国现有生活水平下，居民基础效用本就处于高位，额外消费带来的边际收益极低，不值得承担极高的人类灭绝风险，换取增量消费。
Jones（2024）的最后一个意外结果来自这样一个认识：如果AI强大到足以带来10%的经济增长，它很可能也会推动医学取得巨大进步也许治愈癌症和心脏病，并大幅延长健康寿命。假设新的AI未来把死亡率降低一半（这当然是巨大变化，但从2%增长跃升到10%同样巨大）。此时，行为主体必须把一个事实纳入计算：在好的情景中，AI不仅提高消费，还会大幅降低死亡概率并延长预期寿命。
结果是，即使消费边际效用下降得很快，人们仍愿意承担相当大的生存性风险。此时真正的权衡不再是消费与死亡，而是死于癌症与死于未对齐AI之间的权衡，因此消费的边际效用不再特别重要。只要人们在乎不要死亡，却不在乎死因，那么无论消费边际效用下降得多快，标准经济行为主体都愿意接受四分之一的全人类灭绝风险，以换取死亡率减半。显然，AI带来的健康和医疗收益可能尤其宝贵。
这些思想实验显然忽略了许多重要因素。也许除了上述以个人利益为中心的收益之外，我们还会赋予人类继续存在本身额外价值。尽管如此，这些计算仍具有启发性，尤其能帮助我们思考哪些类型的AI最有价值例如，医学创新可能格外重要。
为了降低生存性风险，我们应该投入多少？
当然，人们愿意接受某种程度的风险，并不意味着我们就应该什么都不做。如果我们能够采取行动降低生存性风险本身呢？为了缓解生存性风险，我们应该投入多少资源（Jones 2025）？
Ord（2020）和MacAskill（2022）强调，如果一种生存性风险终结了人类，它也可能阻止数千代未来人类的存在，涉及数万亿未来人口。当某一代人站在一个会对未来世代产生巨大影响的决策悬崖边时，可以说，他们在道德上有义务进行大规模投资以降低生存性风险。这个观点显然很重要，但它也依赖一个道德前提：我们应该对遥远未来、尚未出生甚至可能永远不会出生的人赋予很高权重。
最近的COVID-19疫情经验提供了另一种完全不同的理由。2020年，我们每个人面临大约0.3%的即时COVID死亡风险。作为一个社会，美国通过关闭经济、居家等方式，付出了相当于GDP约4%的代价，以降低当代人的风险（Goolsbee与Syverson 2021；Fernndez-Villaverde与Jones 2020）。
如果一个人相信AI带来的灾难性风险至少达到这个量级，那么从显示出来的偏好看，即使完全出于自利、不给未来世代任何价值，我们或许也应该投入相当规模的资源。
一种反驳是，2020年的做法也许并不是最优的。然而，沿用Hall、Jones与Klenow（2020）的简单计算，这一点反而会加强而不是削弱投入风险缓解的理由。美国政府机构在实施安全政策时，通常把今天一个普通美国人的统计生命价值设定在1000万美元或更高（美国环保署 2026；美国交通部 2026）。为了避免1%的死亡风险，这意味着支付意愿为1% 1000万美元 = 10万美元。美国人均GDP约为9万美元，因此如果把这一支付意愿推广到整个人口，降低1%死亡风险的总支付意愿将超过GDP的100%。如果生存性风险可能在未来10到20年内兑现，那么每年投入收入的5%到10%可能都是合理的至少在这些投入能够完全消除风险的情况下。
当然，这种支付意愿必须根据风险缓解支出的有效性进行调整，而AI安全支出的有效性存在很大不确定性。不过，一些缓解方式可能确实有效。例如，DeepMind早期的大量工作是AlphaFold这样的狭窄AI模型。政府可以把AI研究支持更多集中在能够加速科学研究、尤其是医学研究的狭窄模型上，理由是狭窄AI可能风险更小。另一种选择是更重视AI安全研究。能够提高AI安全性的算法可以被视为全球公共品，这类思想在国家之间和时间维度上都存在巨大的外溢效应。
Jones（2025）进行了多种稳健性检验，结果表明，即使在风险缓解支出有效性取值非常宽泛的情况下，我们在AI安全上的投入也很可能至少不足30倍。每年约1000亿美元约相当于美国GDP的三分之一个百分点可以轻松通过成本收益分析。
在美国当前的消费水平下，生命极其宝贵，相应地，消费的边际效用已经较低。从纯粹自利的角度完全不考虑未来世代按照美国政府每天实际采用的生命价值估算，为降低生命风险投入的合理金额可能高得令人意外。
AI军备竞赛与政策
当前的AI竞赛似乎带有明显的囚徒困境特征。一方面，许多AI实验室领导者过去一直警告AI可能带来的风险；另一方面，同样这些人又在安全问题尚未解决之前竞相建设数据中心、推进技术前沿。可以想象，每个实验室都会单独这样想：其他所有人都在竞赛。如果我减速，并不会显著改变生存性风险；但如果我继续竞赛，第一，也许我会比其他人更安全；第二，只要灾难性风险没有兑现，赢家将获得巨大的收益。于是均衡结果就是所有人都竞赛，尽管如果所有人一起放慢速度，大家可能都会更好。
如果主要参与方都理解军备竞赛动态的负面影响，那么在第三方调解和监督下开展国际合作就有可能。比如，1970年的《不扩散核武器条约》似乎减缓了过去半个世纪核武器的扩散；1987年的《关于消耗臭氧层物质的蒙特利尔议定书》则协调了全球对氯氟烃等破坏大气臭氧层物质的减排。
五、结语
未来数十年，AI究竟会在多大程度上改变世界？经济史给出的一个教训是，互联网这样的通用技术需要几十年才能充分发挥影响，AI当然也可能如此。过去十年AI的宏观影响相对有限，并不意味着未来半个世纪的累计影响也会很小。
弱链接框架帮助我们理解这一点，也帮助我们调和本文开头提出的两种情景。创新与自动化之间确实存在正反馈：AI进步帮助我们创造新的算法和新思想，而这些新思想又反过来推动AI和自动化继续进步。这种正反馈为经济增长加速提供动力。但弱链接限制了这种加速。
我们并没有因为使用今天的计算芯片，而比使用20世纪70年代芯片时高效1亿倍。生产中还有许多其他必要任务没有取得如此惊人的进步，因此它们成为限制经济表现的弱链接。但如果AI以及由AI管理的机器人最终能够自动化几乎整个经济，这种正反馈确实可能把经济增长率推到前所未有的水平也许每年5%，甚至更高。
弱链接视角意味着，AI带来的巨大收益可能要延迟几十年才充分出现，因为必须先自动化掉大量弱链接。但弱链接对灾难性风险却意味着相反的事情。一条链的强度取决于最薄弱的一环，而只要切断其中一个关键环节，就足以对整条链的价值造成巨大破坏。近期AI对软件工程的自动化，可能因为其他弱链接存在而无法在短期带来巨大收益；但强大的AI却可能通过入侵电网或金融系统，或者帮助恶意行为者制造致命疫情，对经济造成巨大破坏。
因此，正因为存在弱链接，AI的收益可能逐步到来，而某些风险却可能迅速到来。更审慎的做法，是利用两者之间的这段时间，为AI可能给劳动力市场、不平等和灾难性风险带来的巨大后果做好准备。
致谢：作者感谢David Autor、Basil Halperin、Ben Jones、Tom Houlden、Pete Klenow、Jeffrey Kling、Narayana Kocherlakota、Jonathan Parker、Timothy Taylor、Chris Tonetti、Phil Trammell和Heidi Williams提出的有益意见。