AI时代下的劳动力市场前瞻
引言
伴随人工智能（AI）的迅猛进步，技术领域普遍笼罩着一种“命运论”氛围——人们相信，随着AI自动化能力的整体增强，人类劳动者势必走向贫困与过剩。
不过，经济学撰稿人Noah Smith在其深度文章《Plentiful, high-paying jobs in the age of AI》中，依据严密的经济学推理提出了一个反常识的观点。
本文旨在系统性地梳理作者的核心论证脉络，分析在AI或许能够承担所有工作的明天，人类就业市场将经历何种实际的结构性变迁。
在展望未来之前，我们有必要先冷静回顾历史。许多AI研发者认为，他们正在推进的是“对人类劳动的自动化（automate human labor）”。
顺着这条思路推导：倘若越来越多的任务被自动化，人类被驱赶到日益狭窄的任务集合里，那么劳动力将供大于求，薪资势必下滑。
然而，这种直觉与历史记录截然相反。在漫长的自动化历程中，工资并未因任务减少而降低。事实上，即便排除通货膨胀因素，美国个人的收入中位数在1974年至2022年间也上涨了大约50%。
其根本缘由在于，人类工作的类型并未因自动化而缩减，反而变得更加“丰富多元（diversification）”。
作者强调，当今人类从事的任务种类远多于过去，比如“数字媒体营销”或“舞蹈治疗师”在1950年是完全不存在的职业。
当然，AI时代的特殊性在于：这次的自动化可能是全领域的。人们视AI为一种通用技术，最终或许能在所有方面都超越人类。
这引出了一个终极疑问：当所有“新兴工作”也能被AI更出色地完成时，人类还能保留什么？
假如AI在每件事上都优于人类，人类就将被取代。
这种直白推论在经济学上混淆了“竞争性优势（绝对优势）”与“比较优势”。
作者清楚表明，他的乐观并非基于“人类总有机器不及之处”这一假定，他承认AI可能在众多任务上超越人类，但AI带来的整体生产力跃进，有望促使总体收入水平上升。
"Instead, I accept that AI may someday get better than humans atevery conceivable task. That’s the future I’m imagining. And in that future, I think it’s possible — perhaps even likely — that the vast majority of humans will have good-paying jobs, and that many of those jobs will look pretty similar to the jobs of 2024."
同时，由于比较优势（Comparative Advantage）的存在，人类仍然能找到自己的位置。
"Comparative advantage actually means 'who can do a thing better relative to the other things they can do'."（比较优势实际上指的是“相对于自己能做的其他事情，谁能把某件事做得更好”。）
在经济学中，竞争性优势（Competitive Advantage，或称绝对优势）是指“谁能把某件事做得最出色”。
依照竞争性优势的逻辑，如果AI诊断疾病比人类医生精准，编写代码比人类工程师高效，那么AI就在这些领域拥有竞争优势。
然而，实际的市场分工并非由“谁的绝对能力更强”决定，而是由比较优势（Comparative Advantage）主导。
比较优势的关键不在于“绝对能力”，而在于“谁的机会成本更低”。
换句话说，比较优势是一种“相对结构”而非“绝对能力”：即使人类在所有任务上的表现都不如AI，只要人类在某个任务上的相对短板最小，人类就依然保有该任务的比较优势。
为了阐明这一点，作者举了一个极端却恰当的例子：
假设有一位全能的風險投資人（VC），他不仅极其擅长做出投资决策，而且他打字的速度也远超过他能雇佣的任何秘书。
因此，尽管他绝对能力更强，但市场分工的结果仍旧是：他专注于投资（他的比较优势），而秘书负责打字（秘书的比较优势）。
当AI的能力全方位超越人类时，决定人类命运的关键机制，正是从“竞争性优势”向“比较优势”的转换。人类不再因为“做得最好”而获得工作，而是因为人类去执行某些任务的“机会成本最低”，才得以在这个分工体系中持续占有一席之地。
要使上述的比较优势成立，前提是系统必须存在“生产者特定约束（Producer-specific constraints）”。
如同全能的VC受到自身时间的限制一样，AI也受制于其专属的物理约束，核心便是算力（Compute）。
算力并非一种可以无限产生的魔法，它在任何特定时刻都是有限的物理资源。
这种稀缺性部分源于半导体制造受限于Rock定律（Rock's Law）——芯片工厂的建造成本每四年翻一番。这便构成了AI难以摆脱的算力专属瓶颈。
基于算力的刚性约束，机会成本（Opportunity Cost）开始发挥决定性作用。
作者给出了一个直观的模型，假设： 1 Gigaflop 的算力：
那么，AI担任医生的“机会成本”便是它放弃的 ¥2000 工程师价值。因此，用算力支持AI从事医生工作的净价值实际上是负数（-¥1000）。
与此同时，人类医生即便只能创造 ¥200 的价值，但人类没有更高的算力替代选择，其机会成本极低（净值仍为正）。
理性的市场资源配置结果必然是：AI集中攻克价值最高的工程师工作，而人类继续从事医生工作。 只要我们需要在不同场景中分配AI资源也就意味着相对竞争优势依然存在。
剥离了“人类完全失业”的过度忧虑后，作者指出，基于经济学模型推演，社会真正需要严肃应对的是以下三个结构性风险：
模型预测，当AI能胜任任何工作时，劳动和资本的回报将趋于一致。AI将极大地放大拥有基础设施（算力、芯片）和基础模型所有权等资本实体的溢价。
技术范式变革时，掌控基础资源的人将获取最大财富，导致财富从依赖人力资本的劳动者向资本所有者高度集中。
如同美国传统工业衰退（Rust Belt）和中国融入全球贸易对西方制造业冲击的历史经验，人类社会和教育体系缺乏无缝适应变化的能力。
如果某项工作在十年内经历了“人类主导 → AI主导 → 因机会成本再次交还人类”的剧烈震荡，相关的人才培养体系将面临崩溃，引发严重的社会结构性阵痛。
作者提出了一个长远但符合逻辑的担忧：目前的讨论均假设人类拥有AI并享有其创造的利润。但随着AI变得越来越自主，在市场竞争压力的倒逼下，为了追求极致效率，企业可能在不知不觉中（例如通过法人实体或DAO组织）将决策权和资产所有权让渡给AI。一旦AI获得了对“生产资料”的控制权，利润将不再自动回流给人类社会，现有的分配逻辑将面临根本性挑战。
结束语
未来会怎样？我们无法断言，但我们总能适应并迎接新的变化，一如既往。