MIT 劳动力未来
三位诺贝尔级经济学家的警告

2024 年，MIT 经济系三位顶尖学者共同发起 Shaping the Future of Work Initiative（SFW）。2025 年在 Stone Foundation 资助下，升级为 Stone Center on Inequality and Shaping the Future of Work，成为 MIT 正式建制的研究中心。

Daron Acemoglu 是 MIT 经济系 Institute Professor（学院最高职称），2024 年与 Simon Johnson 共同获得诺贝尔经济学奖，研究政治制度与经济增长的关系。近年他将大量研究精力转向 AI 的经济影响，成为全球最具分量的 AI 批评性声音之一——批评来自严格的实证数据，而非技术悲观主义的直觉。

David Autor 是劳动经济学领域的奠基性人物，最先系统记录了自动化如何消灭中等技能工作，并推动"工作任务框架"（Task-Based Framework）成为分析 AI 影响的标准分析工具——今天几乎所有严肃的 AI 就业研究都在这个框架内展开。

Simon Johnson 是 MIT Sloan 管理学院教授，2024 年诺贝尔共同得主，著有《权力与进步》（Power and Progress）。他的核心论点是：技术进步的利益分配历来由权力结构决定，而非技术本身——这一历史视角赋予了 SFW 研究独特的批判性深度。

AI 正在消灭年轻人的入门工作——SFW 分析了 ChatGPT 出现后的就业数据，在 AI 高暴露职业（软件工程师、客服、数据分析等）中，22–25 岁年轻工作者的相对就业率下降了 16%，即使控制了公司层面的变量后仍然显著。AI 最先替代的不是高级专家，而是专家背后的"初级工作"——这些工作原本是新人积累经验、进入职业通道的入口。

80% 的美国工人受到 LLM 影响——SFW 与 Stanford SALT Lab 合作研究估计：约 80% 的美国工人将在至少 10% 的工作任务上受到 LLM 影响，约 19% 的工人面临超过一半的工作任务被干扰。但"影响"不等于"失业"——在 AI 被用于增强而非替代的职业中，就业和工资均在增长。

AI 正在扩大资本-劳动收入差距——Acemoglu 的理论模型显示，当前 AI 的主要技术路径（自动化导向）提高资本回报率、抑制劳动收入增长，且与历次工业革命不同：蒸汽机、电气化等技术最终通过创造大量新任务重新吸纳了劳动力，但 AI 的"新任务创造"速度尚未被验证能匹配自动化的速度。

某些 AI 应用具有负社会价值——Acemoglu 明确指出，操纵用户行为的推荐算法、监控工人的系统、精准定向广告，这些在技术上是 AI 的"成功"，在社会层面却是净损失——AI GDP 增长不等于社会福利提升。

SFW 的政策主张核心是：AI 的影响方向取决于技术路径选择，这不是市场自动决定的。政府和企业不应让 AI 的发展方向完全由技术可行性和短期利润驱动，而应通过税收、监管、资助方向有意识地激励"增强型 AI"而非"纯替代型 AI"。

谁承担转型成本是极度不均匀的——22–25 岁初入职场者首当其冲，因为 AI 消灭的正是入门工作，而入门工作不只是一份薪水，它是职业发展阶梯的第一级。这种损失无法用再培训完全弥补，需要从教育体系到就业保障的系统性重设计。

SFW 的研究与硅谷主流叙事（AI 会创造更多更好的工作）形成正面冲突。值得注意的是，这一观点来自诺贝尔经济学奖得主，拥有严格的实证研究支撑，不同于通常的技术悲观主义——它建立在对劳动经济学数十年研究的基础上。"增强 vs 替代"的框架已出现在美国国家学科院报告、欧盟 AI 法案讨论和多国劳动部政策文件中，正在成为 AI 政策讨论的核心术语。