我们经济未来的多种情景

# 经济未来的可能图景 来源：https://www.anthropic.com/institute/econ-scenarios ## 我们的经济未来将会是什么模样？ 目前尚不清楚人工智能将如何重塑经济。它会带来前所未有的增长吗？广泛的失业？两者都不会，还是其他结果？我们如何判断？ Anthropic 的经济研究团队构建了一个模型，用以分析人工智能在未来几年可能如何影响美国的就业、增长与失业问题。阅读关于可能的经济未来的分析，并依据你对人工智能能力的预测，推断其可能带来的经济景象。 我们研究人工智能如何重塑经济，是因为我们致力于确保这一转型对社会（包括劳动者）有益。通过更清晰地展现我们可能的经济未来，我们可以采取措施（https://www-cdn.anthropic.com/files/4zrzovbb/website/9ea607a5dd67c168093829b701f3a0a6d21156d5.pdf）确保所有人都能从中受益。 虽然我们的经济指数（https://www.anthropic.com/economic-index）衡量的是当前人工智能在经济中的应用情况，但这个场景探索器着眼于未来。它基于我们的技术报告《变革性人工智能的经济情景》（https://www-cdn.anthropic.com/files/4zrzovbb/website/cf58f84d46a4a76bf5a5b039ac695fba6b80041c.pdf）（Korinek 等人，2026 年），让你有机会探索随着人工智能能力不断提升，经济可能会呈现何种面貌。 在从“常态延续”到“人工智能将增长率提升至正常水平约两倍”的各种场景中，失业率保持在历史范围内，工资水平则根据行业不同而持平或上涨。但在增长速度超越经济史上任何时期的场景中，知识工作者的工资和就业前景会受到负面影响。在这些场景中，社会整体财富将大幅提升，因此挑战在于如何确保收益得到广泛分享。 向下滚动，你将看到人工智能如何影响经济的概览。然后，你可以输入你对未来人工智能能力及其在经济中应用广度的预期。模型将展示，如果你的预测成真，2030 年的经济可能会是什么样子——以及你的预测与其他人相比如何。 答案取决于人工智能如何影响构成经济的所有任务、它创造的新任务，以及人工智能承担这些工作的速度。人工智能将带来更多的任务增强还是自动化？它将把我们的生产力提高多少？工人和公司会以多快的速度采用它？这些问题的答案直接影响 GDP、劳动力市场以及劳动者在财富分配中所占的份额。 ## 强大的人工智能将如何改变经济？ 你认为未来几年人工智能的发展将走向何方？这条路径对经济意味着什么？我们邀请你思考这些问题，并通过我们的场景探索器探索可能的答案。 ## 人们对未来人工智能能力的预期各不相同。 今年八月，我们调查了一万多名美国人，了解他们对当前和未来人工智能能力、采用情况，以及如果需要转行时寻找新工作的难易程度的看法。 典型受访者的答案意味着结果接近“重大变革”场景：到 2030 年，GDP 将比没有人工智能的情况下高出 10%，总体失业率将上升至 5% 左右。约 10% 的受访者的观点与极端场景一致。 人们对五个问题的回答（各选项的受访者比例） * 能力：人工智能能做什么任务？ * 采用：人们使用人工智能的程度如何？ * 自主性：人工智能能独立完成多少工作？ * 生产力：人工智能让人们的生产力提高了多少？ * 调适：人们找到新工作需要多长时间？ - 普通公众 n=10,980 ### 你预测了经济的一种可能未来。以下是那个未来可能呈现的样貌。 ## 发现一：GDP 增长——在所有场景中，人工智能都促进了经济增长，但幅度各有不同 人工智能在所有场景中都驱动了 GDP 增长，尽管规模因场景不同而差异巨大。 2030 年美国 GDP，按场景划分（单位：万亿美元）* * 温和场景 **+1.6%** *$34.1T GDP* * 重大场景 **+8.3%** *$36.3T GDP* * 极端场景 **+32.4%** *$44.4T GDP* * 任务类型：任务增强、任务自动化、人工智能创造的新任务、生产力 * *GDP 按 2025 年价格水平计算* 但增长并非我们关注的唯一经济动态。这些潜在未来对劳动者能在工资中分享多少增长成果，或有多少人需要寻找新工作，意味着什么？ 这个模型并非现实的完整地图，但它揭示了一些有趣的发现。国家的 GDP 将会增长，但相较于劳动者，用于创造更多财富的资源与技术（即资本）可能会分走更大份额的繁荣，即使社会整体更加富裕也是如此。 并且在大多数场景中，岗位重新配置和失业率都保持在历史曾见的范围内，只有一个例外。在极端场景中，如果出现递归自我改进和快速普及，失业率可能飙升至历史高位。 ## 发现二：岗位重新配置——在更具变革性的场景中，更多劳动者需要转行。这可能意味着更高的失业率。 就业市场总存在一些流动——人们失去工作并找到新工作。在正常时期，这个过程可能痛苦，但从宏观经济角度看相对有效。大多数求职者能相当快地找到新工作。 在我们的“重大”和“极端”场景中，知识工作者可能面临大量的自动化与替代。在个体层面，这意味着程序员和呼叫中心客服可能需要转行到电工或护士等受人工智能影响较小的工作。 但完全转行是困难的，许多人需要很长时间才能找到新工作。一个场景要求的这种转换越多，处于待业状态的人就会越多。 2030 年劳动者的分布（占所有劳动者的百分比） 2026 2030 62.2% 知识工作者 37.8% 所有其他劳动者 2.5% 被替代者 1.8% 已转换者 59.7% 仍在原岗位 39.6% 所有其他劳动者 0.7% 仍需转换者 知识工作者 所有其他劳动者 被替代者 随着我们从 2026 年进入 2030 年，人工智能影响的职业（知识工作）提供的岗位数量减少，而人工智能不影响的职业提供的岗位数量增加。 转换到一个新职业很困难，原因有几个：劳动者可能不想改变职业；他们可能需要学习新技能；即使他们这样做了，找到一份新工作也并不容易。在极端场景中，随着大规模的知识工作被更快地自动化，受影响的劳动者可能长期处于失业状态。 知识工作中的失业率上升；其他职业中的失业率下降 知识工作者 所有其他劳动者 总计 ## 发现三：工资——在三种场景中，平均工资上涨，但增长集中在知识工作之外的职业。 这是因为劳动者转向需求上升的职业需要时间。如果对人类知识工作的需求减少，会对工资造成下行压力。同时，随着人工智能提高知识工作领域的生产力，那些受益于此生产力提升的体力劳动的需求将会增加。例如，更快地完成物理基础设施的设计和审批，可以增加建筑项目数量，从而推高对建筑工人的需求，使这些工资上涨。在“重大”场景中，知识工作者的工资基本持平。在“极端”场景中，到 2030 年，他们的工资将下降超过 10%。 按职业群体划分的工资水平，相比没有人工智能的同等经济的百分比变化 知识工作者 所有其他劳动者 平均 ## 发现四：劳动份额与资本份额——蛋糕会变大，但更大的份额可能流向资本 目前，经济产生的每一美元中，约 60 美分流向劳动者，40 美分流向资本。如果经济增长，但人工智能自动化了更多任务，每一美元中流向资本的部分可能会增加。即使在所有劳动者工资大幅上涨的情况下，这种情况也可能发生。如果资本变得对更多事物更有用，其需求就会上升，从而推高其价格。在那个世界里，经济增长的更多收益将流向资本所有者。 我们发现，在“重大”和“极端”场景中，劳动份额显著下降，而资本份额上升。平均工资上涨——非知识工作者获得更高的报酬——但知识工作者的工资停滞不前或下降，同时失业状况恶化。 在极端场景中，快速扩张经济的收益分配不均。大多数知识工作者面临工资降低或失业，而劳动者整体在更大的蛋糕中分到的比例更小。到 2030 年，劳动总收入几乎没有变化。 在这个场景中，主要挑战不是实现经济增长，而是确保收益得到广泛分享，并且成本不会不均等地分散。 * 任务类型：任务增强、任务自动化、人工智能创造的新任务、生产力 * 随着每个场景的发展，整体经济（以 GDP 衡量）增长。但与劳动者工资收入相比，更多的增长流向了资本。一些职业的工资显著上涨，但总体而言，工资在国家经济增长中所占的份额变小了。 未来并非命中注定。 最终，2030 年的经济会是什么样子，取决于许多因素，例如人工智能能做什么，以及公司和工人选择如何采用它。这还取决于这项技术的经济利益如何分配。 像任何经济模型一样，这个模型也有局限性。例如，我们没有纳入人类开发出超能力机器人的场景。该模型借鉴了我们的研究和外部评审，并将随着证据的发展不断更新。 这个模型，连同我们完整的研究组合，将为 Anthropic 资助的研究（https://www.anthropic.com/economic-futures）提供信息，以确定应对劳动力市场干扰的有效干预措施。它还将为我们提出的政策构想（https://www-cdn.anthropic.com/files/4zrzovbb/website/9ea607a5dd67c168093829b701f3a0a6d21156d5.pdf）提供信息，目标是确保人工智能的经济利益在美国乃至全球范围内得到广泛共享。 免责声明及致谢审阅者 经济场景探索器 v1.0，2026 年 9 月 经济场景探索器目前为 1.0 版本。像所有模型一样，它是对复杂现实的高度简化：它孤立了几个关键因素，省略了许多在未来几年可能变得相关且重要的其他因素。例如，它没有纳入政策应对、商业周期、潜在的总需求或金融市场干扰，以及可能的灾难性风险。场景探索器是一个正在进行中的工作，我们预计它将随着我们投入更多时间以及经济研究本身的发展而不断演进。 我们感谢那些阅读了阐述探索器背后框架的技术报告《变革性人工智能的经济情景》（https://www-cdn.anthropic.com/files/4zrzovbb/website/cf58f84d46a4a76bf5a5b039ac695fba6b80041c.pdf）初稿并给出详细评论的经济学家们：Daron Acemoglu、Lukas Althoff、David Autor、Tom Cunningham、Lukas Freund、Joe Hazell、Ben Jones、Pete Klenow、Danial Lashkari、Kurt Mitman、Ben Moll、Emi Nakamura、Pascual Restrepo、David Romer、Jón Steinsson、Chris Tonetti、Ludo Visschers 和 David Wiczer。他们的反馈既慷慨又坦诚，已经改善了我们的模型。举两个例子：几位审阅者指出，人工智能的进步可能会提高资本的回报，使得更多收益流向资本所有者；还有几位指出，受人工智能影响最大的职业的工资，与那些几乎不受影响的职业的工资可能会分化。这两个渠道现在都已纳入场景中。外部审阅者未被要求支持我们的结论，任何遗留的错误都由我们承担。 其他批评仍然开放，我们计划在未来的版本中解决其中许多问题。审阅者指出，该模型不追踪个体劳动者，因此只能粗略描绘岗位替代的成本。一些人质疑受人工智能影响的职业是否会收缩而非增长。一些人认为最极端的场景更适合作为思想实验而非场景，而另一些人则认为最温和的场景低估了数据中已经显现的趋势。一些人要求我们更清楚地说明，模型没有纳入数据中心建设驱动的总需求效应。还有不止一位审阅者认为，我们可能低估了人工智能加速技术进步本身的速度。我们同意当前模型存在许多局限性。场景探索器应被视为一个思考不同技术发展对经济意味着什么的工具——实际结果可能大相径庭。 Anton Korinek、Chad Jones、Szymon Sacher、Tess Cotter 和 Peter McCrory 开发了经济模型并合著了配套技术报告。Santi Ruiz 与他们合著了本文，Sarah Pollack 和 Adam Farina 提供了编辑支持。Kelsey Nanan 设计并构建了交互体验，Nikki Makagiansar 和 Monika Tuchowska 提供了视觉设计和艺术指导；Kyle Turman 和 Szymon Sacher 构建了场景探索器，并将模型转化为交互形式；Fayaz Ashraf 和 Ryan Heller 贡献了工程支持，Kim Withee 和 Maria Gonzalez 协助了制作。Szymon Sacher 和 Tess Cotter 与 Morning Consult 共同设计并实施了配套调查，Ben Fowler 提供了支持。Peter McCrory、Anton Korinek 和 Charles Yang 协调了整个项目，Jack Clark 全程提供了指导。Miriam Chaum、Jack Clark、Saffron Huang、Maxim Massenkoff 和 Peter McCrory 帮助发起了这项工作。Jim Baker、Shan Carter、Johannes Hermle、Zoë Hitzig 和 Eva Lyubich 提供了反馈。