三种 2030：当 Acemoglu 亲自审阅 Anthropic 的经济模型

9 月 11 日，Anthropic 经济学团队发布了 Econ Scenario Explorer——一个把 30 万亿美元规模的美国经济拆解成"任务清单"、推演到 2030 年的交互模型。配套的技术论文 《Economic Scenarios for Transformative AI》（Anthropic Institute Working Paper No. 2026-02）由 Anton Korinek、Charles I. Jones、Szymon Sacher、Tess Cotter、Peter McCrory 五人撰写，致谢名单里赫然是 Daron Acemoglu、David Autor、Pascual Restrepo——这几位恰恰是"AI 冲击被过度夸大"阵营最资深的代表人物。这不是巧合，而是一次刻意的选择：一家靠卖 AI 赚钱的公司，请了最可能唱反调的经济学家，来审阅自己给自己写的颠覆潜力报告。

一、30 万亿美元的任务清单：一家 AI 公司怎么给自己的产品画像

Anthropic 这次没有做又一份"AI 将影响 X% 就业"的排行榜，而是选择了一个更笨但更诚实的方法：把整个美国经济拆成一个个具体任务。模型给出的示例是一名护士的一天——查房、抽血、分诊、记录生命体征、订耗材——每项任务被标记为"AI 完全触碰不到""被 AI 辅助""被 AI 自动化"或"AI 催生的新任务"。把这套逻辑套用到美国劳动统计局 O*NET 数据库里全部约 800 个职业，加总起来，就是过去一年创造的 30 万亿美元产值。

这个建模选择本身是一种立场声明：AI 的宏观影响不是一个可以直接猜测的常数，而是"多少任务被自动化 + 每个任务节省多少成本"的乘积——这正是 Hulten 定理的应用方式，恰好也是 Acemoglu 自己那篇论文的方法论起点。换句话说，Anthropic 选择了在对手最擅长的战场上论证：用同一套框架，看看结论会不会不一样。

二、三种 2030：从"看不出差别"到"经济每 4.5 年翻一倍"

报告给出三条路径，刻意不赋予概率——报告原话是"the scenarios are not predictions and we attach no probabilities to them"。以下数字全部逐字核对自技术报告 PDF正文的 Table 4：

温和情景：AI 的宏观足迹接近互联网——到 2030 年 GDP 只比无 AI 基准高出 1.6%，年增速比正常水平（2%）只快 0.4 个百分点，知识型职业就业规模仅收缩 0.5%，失业率几乎不动。

显著情景：AI 到 2030 年能完成一半的知识工作，但大部分知识工作仍由人类完成。经济增速翻倍到年化 5.4%，2030 年 GDP 比基准高出 8.3%。知识型职业就业规模收缩 3.9%，知识工作者失业率升至 4.5%，全社会失业率 4.6%——仍在历史正常区间内。工资开始分化：知识岗位工资几乎停滞，其他工种工资上涨近 6%。真正剧烈的是收入分配：劳动收入份额从 60% 跌到 56%——四年跌四个百分点，报告特别指出，这个跌幅"只比 1980 年后美国劳动份额四十年间的累计跌幅略小"（引用 Karabarbounis and Neiman, 2014）。

极端情景：AI 在绝大多数知识工作任务上比人类更高效，90% 的受影响任务被直接自动化而非辅助，且几乎不再为人类创造新任务——这大概率需要递归自我改进的 AI 出现。GDP 年增速冲到 15.4%，经济体量每 4.5 年翻一番，到 2030 年 GDP 比无 AI 基准高出 32.4%。但代价同样极端：知识型职业就业规模萎缩 21.5%，知识工作者失业率飙升至 17.9%，全社会失业率 11.9%——超过 2008 年金融危机后的峰值（约 10%）和新冠衰退峰值（约 8%）。

知识岗位工资下跌 11.5%，其他工种工资反而暴涨 33.6%；劳动收入份额从 60% 崩至 45%，资本收入比无 AI 路径高出 81%。报告测算，只需拿出约 9% 的 GDP——相当于社保加医保的规模——做转移支付，就足够让知识工作者维持无 AI 情景下的收入水平，同时让其余经济体还能多赚两成以上；但报告也坦承，历史上这种规模的转移支付从未在技术冲击后自发发生过。

Anthropic 配套的 Morning Consult 调查（8 月对逾 1 万名美国成年人）显示，受访者预期的中位数换算进模型后，几乎精确落在"显著情景"上——2030 年 GDP 比无 AI 基准高 8.6%，知识型职业就业收缩约 4.2%，失业率约 4.6%；约一成受访者的预期已经对齐"极端情景"。报告自己也承认模型的局限：它没有纳入政策响应、商业周期、总需求或金融市场冲击，也没有纳入灾难性风险——这些都是"未来版本要处理的问题"。

三、审稿人名单里的分歧：从 Acemoglu 到 Amodei 自己

真正有意思的地方在审稿名单。Anthropic 致谢的经济学家里，Daron Acemoglu、David Autor、Pascual Restrepo 三人恰恰是过去十年里对"AI/自动化冲击"最谨慎的一批学者。Acemoglu 在自己那篇 《The Simple Macroeconomics of AI》（NBER Working Paper 32487，后发表于 *Economic Policy*）里给出的结论是：基于现有的任务暴露度和效率提升估计，AI 十年内对全要素生产率的拉动"不超过 0.66%"——如果把"难学任务"的滞后效应也算进去，这个数字甚至可能低于 0.53%。

这不是说 Acemoglu 自相矛盾——他审阅的是 Anthropic 情景框架的方法论是否自洽，而不是背书某个具体情景发生的概率；他本人的独立测算，更接近 Anthropic 三条路径里最保守的"温和情景"下限。这恰恰暴露了当前经济学界的真实状态：顶尖学者们对"AI 会不会有巨大冲击"这个方法论框架已经趋同，但对"冲击到底有多大"这个数字，分歧大到能相差二十倍以上。

分歧甚至不局限在审稿人名单内部。不在名单上的 Tyler Cowen 在 Marginal Revolution 称这份报告"sober, reasoned, scientific"，随后明确表态个人押注"比温和情景略高一点"——比 Anthropic 自己给出的最保守路径还要谨慎；评论区里一名读者的反应更直接："如果你觉得 GDP 能年增 15%，那我有一座桥要卖给你"，另一位则指出实体世界的规划审批、邻避效应（NIMBY）等现实摩擦，会把显著情景以上的增速死死摁住。

反过来，分歧的另一端来自 Anthropic 自家：CEO Dario Amodei 在 2025 年 5 月曾公开预警，五年内最多一半的入门级白领岗位可能消失，失业率可能达到 10%–20%——这组数字恰好精准落在自家团队定义的"极端情景"里，比调查显示的公众预期中位数（对应"显著情景"）激进得多。牵头这份报告的 Anton Korinek 对此的立场要谨慎得多，他强调"如果 AI 能做惊人的事，但没人用它，那它就不会产生经济影响"——采用速度，而非能力本身，才是决定走向哪条路径的关键变量；Anthropic 联合创始人 Jack Clark 也对 NPR 表示，"技术扩散的难度，很可能比大多数人想象的更大"。一家公司的创始人、自家经济学家、外部审稿人和公众预期，四方给出的数字彼此相差悬殊，这本身就是"经济学界还没有共识"最有力的证据（Euronews 报道对此有详细梳理）。

四、现实数据打的问号：劳动力市场眼下到底发生了什么

三条情景都指向 2030 年，但 Anthropic 经济学团队另一篇论文 《Labor market impacts of AI: A new measure and early evidence》（Massenkoff & McCrory，2026 年 3 月）把镜头拉回了现在。他们构建了一个"实际暴露度"指标——不只看 AI 理论上能不能做某项任务（引用 Eloundou et al. 2023 的 β 值），还叠加了 Claude 真实使用数据里这项任务是被自动化还是仅被辅助。

结论相当克制：自 2022 年底以来，暴露度最高的职业没有出现系统性失业上升——真实数据目前离任何一条 2030 情景都还很远。唯一"疑似信号"是：在暴露度最高的职业里，年轻员工（招聘环节首当其冲）的雇佣有放缓迹象，这与 Brynjolfsson 等人（2025）用 ADP 薪资数据观察到的年轻从业者"悄悄被挤压"现象相呼应。换句话说，如果三条 2030 路径中有哪一条正在发生，此刻能看到的最多是最早期的信号，而不是结果。

五、所有模型都漏掉的一个变量：当经济行为体本身变成 Agent

以上所有模型——无论是 Anthropic 的任务拆解框架还是 Acemoglu 的 TFP 测算——本质上都还在回答同一个问题：当 AI 是一件被人类使用的工具时，经济会怎样变化。 MIT 的 Gillian Hadfield 与 Andrew Koh 在 《An Economy of AI Agents》（现收入 NBER *Handbook on the Economics of Transformative AI*）里指出，这个假设本身正在过期：能够自主规划、长周期执行、几乎不需要人类实时监督的 Agent，会作为独立的经济行为体互相交易、订立合约、组建市场——这需要一整套现有制度经济学都没有现成答案的基础设施：Agent 之间如何建立信任和责任认定？谁来做 Agent 经济的反垄断监管？

这不是纸上谈兵。本站此前记录过的 Agent 自主赚钱基础设施——支付协议标准化、Agent 自主接单流水线——以及 VendingBench 系列实验里 Agent 之间自发形成价格卡特尔的结果，正是 Hadfield 与 Koh 论文里"制度真空"的具体样本。与此同时，本站另一篇文章《公司大脑时代》从组织理论角度提出了一个几乎同构的问题：当 Skill File 能被当作"员工"来管理，公司的边界还是不是由科斯讲的交易成本决定的？Anthropic 的三条情景回答了"AI 替代多少任务"，却没有回答"当 Agent 本身开始互相议价、串谋、组建供应链时，宏观模型里的'企业'和'市场'这两个基本单元还成立吗"——这恰恰是 Agent 时代区别于此前所有自动化浪潮、经济学最没准备好的部分。

六、三条路不是宿命：政策能动性还在场

值得补一句平衡：Acemoglu、Autor 与 2024 年诺贝尔经济学奖得主 Simon Johnson 同期发表的 《Building Pro-Worker Artificial Intelligence》（NBER Working Paper 34854，MIT Sloan 通俗解读）明确反对"显著/极端情景里劳动份额必然崩塌"的宿命论。他们援引 19 世纪英国的先例——工业革命初期工资停滞、劳动份额下降，但随着铁路、文员、会计等新岗位出现，工资和劳动份额最终都恢复了——论证 AI 完全可能走"增强劳动"而非"替代劳动"的路径，关键在于企业的技术选择和公共政策是否主动引导。Anthropic 的三条情景描述的是可能性空间，不是必然性；走向哪一条，本身就是当下这几年的技术路线和政策选择在决定。

七、对 AI 从业者、企业管理者和政策观察者意味着什么

对 AI 从业者和投资人

关注"暴露度"而非"炒作度"。Massenkoff & McCrory 的方法论提示，真正值得跟踪的先行指标不是模型能力评测，而是具体职业里"自动化用法"占比的变化速度——这比任何单一 benchmark 都更接近显著情景是否正在兑现的证据。

对企业管理者

Anthropic 自己的模型也承认，"温和"与"显著"情景之间的分野，很大程度取决于企业选择"自动化现有任务"还是"用 AI 创造新任务"——这正是 Acemoglu/Autor/Johnson 那篇论文的核心论点。选择前者，是在把自己的组织往"显著情景"里知识工作者最脆弱的那一端推。

对政策观察者

三条情景里，劳动收入份额下降不是"是否会发生"的问题，而是"发生到什么程度、谁来承接调整成本"的问题。年轻从业者招聘放缓，是目前唯一已经在真实数据里出现、且提前于失业率本身的信号——这才是应该现在开始设计政策响应的窗口，而不是等 2030 年数据揭晓答案。

主要参考来源

Anton Korinek, Charles I. Jones, Szymon Sacher, Tess Cotter, Peter McCrory, Economic Scenarios for Transformative AI, The Anthropic Institute Working Paper No. 2026-02 · Econ Scenario Explorer, Anthropic · Maxim Massenkoff, Peter McCrory, Labor market impacts of AI: A new measure and early evidence, Anthropic（2026-03-05）· Daron Acemoglu, The Simple Macroeconomics of AI, NBER Working Paper 32487 · Daron Acemoglu, David H. Autor, Simon Johnson, Building Pro-Worker Artificial Intelligence, NBER Working Paper 34854（MIT Sloan 解读）· Gillian K. Hadfield, Andrew Koh, An Economy of AI Agents, arXiv:2509.01063 · Tyler Cowen, Economic Scenarios for Transformative AI, Marginal Revolution · Quirino Mealha, Anthropic says AI could bring both 15% growth and mass unemployment by 2030, Euronews（2026-09-11）

作者：冯小平，[email protected]