我们的经济未来：几种可能的情景

Scenarios for our Economic Future

来源： Anthropic · 英文原文 版本： 经济情景探索器 v1.0，2026 年 9 月 译校日期： 2026 年 9 月 19 日

编者说明： 本文在所提供译文的基础上，对照英文网页校订，补齐遗漏段落，并将交互页面中分散的图例、选项和可核对的数据整理为表格。正文保留原作者的第一人称叙述；文末“译校说明”为本次整理所加。本文讨论的是不同假设下的模型结果，不代表这些情景必然发生。

我们的经济未来会是什么样子？

我们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，还是大规模失业？抑或两者都不会发生，而是出现其他结果？我们该如何判断？

配图来源：Anthropic 原文，版权归原作者所有。

Anthropic 的经济研究团队构建了一个模型，用于模拟未来几年 AI 可能如何影响美国的就业岗位、经济增长和失业情况。你可以了解几种可能的经济未来，也可以对 AI 的能力作出自己的预测，看看这些预测意味着怎样的经济前景。

我们研究 AI 如何重塑经济，是因为我们致力于确保这一转型能够惠及整个社会，包括劳动者。更清楚地认识未来经济的种种可能，有助于我们采取措施，让每个人都能从中受益。

我们的“经济指数”衡量的是 AI 当前在整个经济中的使用情况，而“经济情景探索器”着眼于未来。它以我们的技术报告《变革性人工智能的经济情景》（Economic Scenarios for Transformative AI，Korinek 等，2026）为基础，让你了解：随着 AI 能力持续提升，经济可能呈现出怎样的面貌。

从经济大致照常运行，到 AI 将经济增速提高至通常水平的约两倍，在这一范围内的各种情景中，失业率仍处于历史上出现过的区间，各行业的工资则可能持平或上涨。但在经济增速超过历史上任何时期的情景中，知识工作者的工资和就业前景会受到不利影响。那时，整个社会将富裕得多，挑战在于如何让增长收益得到广泛分享。

继续阅读，你会先看到 AI 如何影响经济的概览。随后，你可以在原网页中输入自己对未来 AI 能力及其普及程度的预期。模型会展示：如果这些预测成为现实，2030 年的经济可能是什么样子，以及你的预测与其他人的预测有何不同。

一、经济由一项项任务构成

这个模型将经济中人们从事的每一份工作，都视为一组任务。对于某项任务，AI 可以帮助人们完成得更好或更快，也可以将其自动化；它可能完全不影响这项任务，也可能催生新的任务。

想象一位护士的一天

任何一份工作，都可以看作一个人需要完成的一组任务。护士要查房，了解患者的病情；要抽血，为新入院患者分诊，记录患者的生命体征，还要为病房订购物资。这只是她工作清单中的一小部分。

这里列出的任务，均依据美国劳工部 O\*NET 职业分类体系中对各职业任务的描述。

工作会随着时间而改变

有些任务逐渐退出工作内容——例如，如今几乎没有人再手写纸质病历；与此同时，新任务不断出现——例如，30 年前还没有人远程监测患者。

一份工作所包含的任务并非一成不变，工作本身也会随之改变。

AI 影响任务的四种方式

任务类型	含义	护士工作中的例子
不受 AI 影响的任务	某些任务仍需由人完成	为患者洗澡
AI 增强的任务	AI 帮助人把任务完成得更好或更快	起草出院指导、远程监测患者、安排当班护理计划
AI 自动化的任务	某些任务可能完全交由 AI 执行	记录患者的生命体征、为病房订购物资
AI 催生的新任务	新技术为劳动者创造新的工作内容	检查 AI 分诊的效果、审核 AI 建议的护理方案

从历史上看，新技术不仅会改变或替代旧任务，也会为劳动者创造新任务。

结果：护士的工作发生变化

将 AI 融入工作后，护士能够监督和完成更多事务。她可以把更多时间用于与患者交谈，帮助他们理解诊断结果。生产率由此提高。

从单项任务，到整个经济

在全国各地，这些任务每天都在被反复执行，累计达到数百万次。每个病房、每个班次都有护士在工作。随着越来越多的护士使用 AI，这些任务中得到 AI 支持的比例也会提高。

如果把美国境内由人，以及他们使用的机器和软件完成的所有任务汇总起来，就构成了美国经济：过去一年创造的价值超过 30 万亿美元。那么，AI 将如何塑造未来的经济？

答案取决于 AI 如何影响构成经济的各项任务、它会创造哪些新任务，以及它接手这些工作的速度。

AI 带来的更多是任务增强，还是任务自动化？
它能把生产率提高多少？
劳动者和企业会以多快的速度采用它？

这些问题的答案，将直接影响国内生产总值（GDP）、劳动力市场，以及劳动者能够分得多少经济成果。

二、未来有许多种可能，这里重点介绍三种情景

未来将取决于 AI 能力如何发展，以及各行业和劳动者如何采用这些能力。我们介绍的三种情景，体现了不同程度和类型的影响。

在温和情景中，AI 的影响很难从宏观经济数据中明显看出来，其经济影响大致类似于互联网。在显著情景中，AI 的影响将超过互联网或铁路。在极端情景中，AI 将推动经济发生前所未有的彻底转型；这可能需要能够递归自我改进的 AI 系统，以及更快的普及速度。

温和情景：有限的经济收益

AI 的影响大致与互联网相当。它带来了实实在在的经济收益，但这些收益仍处于新技术影响经济的历史常态范围内，而且是逐步显现的。

显著情景：知识工作的革命

到 2030 年，AI 已有能力完成一半的知识工作，其中大部分可以自主完成。但具备能力，并不意味着这些工作都已经采用了 AI：大多数知识工作任务，仍然是在没有 AI 的情况下完成的。

经济以通常水平两倍的速度增长。知识工作者的工资并未因此上涨，而其他劳动者的工资有所增加。

极端情景：深刻的经济变革

在绝大多数知识工作任务上，AI 的生产率都高于人类。它几乎可以自主完成所有这类任务，同时几乎不再为人类创造新的知识工作任务。

这种情景很可能需要能够递归自我改进的 AI，并且这种 AI 被迅速应用于知识工作。

随着 AI 的普及，GDP 年增长率达到 15%，经济规模约每 4.5 年 翻一番。[注 1]

整个社会比以往任何时候都更加富裕，但从事知识工作的劳动者人数大幅减少，失业率也超过了典型经济衰退时期的水平。

三、强大的 AI 将如何改变经济？

你认为，未来几年 AI 会如何发展？这条发展路径又会给经济带来什么？我们邀请你思考这些问题，并通过情景探索器探索可能的答案。

人们对未来 AI 能力的预期各不相同

8 月，我们调查了一万多名美国人，了解他们对 AI 当前及未来能力、普及程度的看法，以及如果必须转行，他们认为找到新工作有多难。

典型受访者的回答所对应的模型结果，接近“显著情景”：到 2030 年，GDP 比没有 AI 的情况下高出约 10%，整体失业率升至约 5%。约 10% 的受访者所持的预期与极端情景一致。

情景探索器中的五个问题

原网页展示了人们对以下五个问题的回答，以及各选项对应的受访者比例。

维度	问题	页面中的范围或选项
能力	AI 能够完成哪些任务？	0%—100%
采用率	人们在多大程度上使用 AI？	0%—100%
自主性	AI 能在多大程度上独立完成任务？	几乎没有、部分、约一半、大部分、几乎全部
生产率	AI 能将人的生产率提高到什么水平？	不变、1.5 倍、2 倍、4 倍、10 倍及以上
调整期	人们需要多久才能找到新工作？	1—2 个月、约 3 个月、约 6 个月、约 9 个月、1 年、2 年、3 年以上或始终未能找到

样本量： 公众调查为 10,980 人；所提供网页摘录中的网站访客样本为 27,894 人。[注 2]

当你完成预测后，探索器会展示一种可能的经济未来。下面是模型呈现的主要发现。

四、发现一：GDP 增长

所有情景中，AI 都推动经济增长，但幅度差异很大

2030 年美国 GDP，按不同情景划分：

情景	GDP（万亿美元）	相比无 AI 基准情景的增幅
温和情景	34.1	1.6%
显著情景	36.3	8.3%
极端情景	44.4	32.4%

GDP 按 2025 年价格水平计算。金额及增幅据原网页补入；比较口径参见配套技术报告。以上是 2030 年 GDP 水平的差异，不是当年的年增长率。

不过，增长并不是我们唯一关心的经济变化。在这些可能的未来中，有多少增长成果会体现在劳动者的工资里？又有多少人需要重新找工作？

这个模型无法完整描绘现实，但它揭示了一些值得关注的结果：GDP 会增长，整个社会也可能富裕得多；然而，相较于劳动者，创造更多财富所需的资源和技术——也就是资本——可能分得更大比例的收益。

在大多数情景中，劳动力重新配置和失业率都仍处于历史上出现过的范围内。但极端情景是个例外：如果出现递归自我改进的 AI，并且它迅速得到采用，失业率可能飙升至历史性的高位。

原网页 GDP 图表的图例包括：AI 增强的任务、AI 自动化的任务、AI 催生的新任务，以及生产率。

五、发现二：劳动力重新配置

变革越深，越多劳动者需要转行，失业率也可能越高

劳动力市场始终存在人员流动：有人失去工作，也有人找到新工作。在正常时期，这个过程对个人来说可能很痛苦，但从宏观经济角度看，整体运转得相对顺畅。大多数求职者能够比较快地找到新工作。

在显著情景和极端情景中，知识工作者可能面临大范围的任务自动化与岗位替代。具体到个人，程序员和呼叫中心客服人员可能不得不转行，成为受 AI 直接影响较小的电工、护士等。

但彻底转行并不容易，许多人需要很长时间才能找到新工作。一个情景中，需要转行的人越多，处于两份工作之间、暂时没有工作的人也就越多。

在模型描绘的 2026—2030 年进程中，受 AI 影响的职业——即知识工作——所提供的岗位减少，而不受 AI 直接影响的职业所提供的岗位增加。

转行存在几重困难：劳动者可能不愿更换职业；他们可能需要学习新的技能；即使愿意转行并掌握了技能，找到新工作也并不容易。

在极端情景中，随着大范围的知识工作以更快速度实现自动化，受影响的劳动者可能经历长期失业。

模型呈现的趋势是：知识工作领域的失业率上升，其他职业的失业率下降。

原网页在这一部分展示了两组图表：

图表	展示内容	分组
2030 年劳动者的分布	各类劳动者占全部劳动者的比例	知识工作者、其他劳动者、因岗位被替代而失去工作的劳动者
不同职业的失业率变化	温和、显著和极端情景下的失业率	知识工作者、其他劳动者、总体

此处保留图表含义；所提供摘录未包含的完整曲线和数值，请参见原网页交互图表。

六、发现三：工资

三种情景下平均工资都上升，但增长主要集中在知识工作以外的职业

这是因为，劳动者转向需求正在增加的职业需要时间。当人类知识工作的需求减少时，工资就会承受下行压力。与此同时，AI 提高了知识工作的生产率，也会带动能够从中受益的体力工作需求。

例如，如果基础设施项目的设计和审批能够更快完成，建设项目的数量就可能增加，从而带动建筑工人的需求，推高他们的工资。

在显著情景中，知识工作者的工资基本持平；在极端情景中，到 2030 年，他们的工资降幅超过 10%。

比较口径： 此处工资变化，是相对于“没有 AI 的同一经济体”而言，并非直接与今天的工资比较。关于基准口径，另见文末译校说明。

原网页图表展示了不同职业群体的工资，相比无 AI 基准情景高出或低出的百分比；分别列出温和、显著和极端情景，并区分知识工作者、其他劳动者和平均水平。

七、发现四：劳动与资本的收入份额

蛋糕会变大，但资本可能分得更大的份额

如今，经济每创造 1 美元的产出，大约有 60 美分归于劳动者，40 美分归于资本。如果经济增长，而 AI 又将更多任务自动化，那么每 1 美元中归于资本的比例就可能提高。

即使所有劳动者的工资都大幅上涨，这种情况也可能发生。如果资本能够在更多领域发挥作用，对资本的需求就会上升，从而推高其价格。在这样的经济中，增长带来的更多收益将流向资本所有者。

我们发现，在显著情景和极端情景中，劳动收入份额明显下降，资本收入份额上升。平均工资虽然提高了——非知识工作者的薪酬大幅增加——但知识工作者的工资却停滞或下降，同时失业问题也在恶化。

在极端情景中，经济快速扩张的收益分配并不均衡。大多数知识工作者面临工资下降或失业。经济蛋糕虽然变大，劳动者整体分得的比例却更小。到 2030 年，劳动收入总额几乎没有变化。[注 3]

在这种情景中，主要挑战不在于实现经济增长，而在于确保收益得到广泛分享，同时避免转型成本不成比例地落在部分人身上。

GDP 如何在劳动与资本之间分配

情景	劳动收入份额	资本收入份额	资本份额较 40% 基准的变化
温和情景	59.4%	40.6%	上升 0.6 个百分点
显著情景	56.1%	43.9%	上升 3.9 个百分点
极端情景	45.2%	54.8%	上升 14.8 个百分点

在每一种情景中，以 GDP 衡量的经济总量都在增长。但相较于人们通过工资获得的收入，更多增长收益流向了资本。某些职业的工资显著增加，然而总体而言，工资在经济增长成果中所占的份额变小了。

八、未来并非注定

2030 年的经济最终会是什么样子，取决于许多因素：AI 能做什么，企业和劳动者选择如何采用它，以及这项技术带来的经济收益如何分配。

与任何经济模型一样，这个模型也有局限。例如，我们没有纳入人类开发出能力极强的机器人的情景。模型建立在我们的研究和外部评审基础上，随着新证据出现，我们会持续完善它。

这个模型将与我们的其他研究一起，为 Anthropic 资助的研究提供参考，帮助识别有效应对劳动力市场冲击的干预措施。它也会为我们提出的政策建议提供依据，目标是让 AI 的经济收益在美国乃至全球社会中得到广泛分享。

九、模型局限与审稿致谢

经济情景探索器 v1.0，2026 年 9 月

这是一个持续完善中的模型

经济情景探索器目前为 1.0 版本。与所有模型一样，它对复杂现实作了高度简化：提取少数关键作用机制，同时省略了其他许多可能在未来几年变得重要的因素。

例如，它没有纳入政策响应、商业周期、潜在的总需求冲击或金融市场动荡，以及可能发生的灾难性风险。

情景探索器仍在持续开发中。随着我们投入更多时间，以及经济学研究本身不断进展，我们预计它也会不断演进。

感谢外部审稿人

我们感谢以下经济学家。他们阅读了配套技术报告《变革性人工智能的经济情景》的初稿，并提出了详细意见。这份报告阐述了情景探索器背后的分析框架。

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，以及 David Wiczer。

他们的反馈慷慨而坦诚，并已帮助我们改进模型。例如，一些审稿人指出，AI 的进步可能提高资本回报率，使更多收益流向资本所有者；另一些审稿人指出，受 AI 影响最大的职业，其工资走势可能与受影响较小的职业分化。

这两种作用机制如今都已纳入情景之中。我们没有要求外部审稿人为我们的结论背书，任何尚存的错误均由我们负责。

尚待回应的批评与问题

还有一些批评意见尚未解决，我们计划在未来版本中回应其中的许多问题。

模型没有追踪个体劳动者。 因此，它只能非常粗略地描绘岗位被替代的代价。
受 AI 影响的职业未必会萎缩。 一些审稿人质疑，这些职业是否反而可能增长。
情景的设定存在分歧。 有人认为，最极端的情景更适合被视为思想实验；也有人认为，最温和的情景低估了数据中已经显现的变化。
模型没有纳入数据中心建设带来的总需求效应。 多位审稿人要求我们更加明确地说明这一点。
AI 对技术进步本身的推动作用可能被低估。 不止一位审稿人认为，AI 加速技术进步的潜力可能超过模型当前的设定。

我们同意，其中许多问题确实构成了当前模型的局限。情景探索器应当被视为一种思考工具，帮助人们理解不同的技术发展路径可能对经济意味着什么；实际结果可能与模型结果存在实质性差异。

十、项目团队

经济模型与技术报告 Anton Korinek、Chad Jones、Szymon Sacher、Tess Cotter 和 Peter McCrory 开发了经济模型，并共同撰写配套技术报告。

本文撰写与编辑 Santi Ruiz 与上述作者共同撰写本文；Sarah Pollack 和 Adam Farina 提供编辑支持。

交互体验、视觉设计与艺术指导 Kelsey Nanan 设计并构建了交互体验；Nikki Makagiansar 和 Monika Tuchowska 负责视觉设计与艺术指导。

情景探索器与工程制作 Kyle Turman 和 Szymon Sacher 构建了情景探索器，并牵头将经济模型转化为交互形式；Fayaz Ashraf 和 Ryan Heller 提供工程支持；Kim Withee 和 Maria Gonzalez 提供制作支持。

调查设计与实施 Szymon Sacher 和 Tess Cotter 与 Morning Consult 共同设计并实施配套调查，Ben Fowler 提供支持。

项目协调与指导 Peter McCrory、Anton Korinek 和 Charles Yang 协调项目；Jack Clark 在整个过程中提供指导。

项目发起与反馈 Miriam Chaum、Jack Clark、Saffron Huang、Maxim Massenkoff 和 Peter McCrory 协助发起这项工作。Jim Baker、Shan Carter、Johannes Hermle、Zoë Hitzig 和 Eva Lyubich 提供反馈。

译校说明

以下说明由本次校订补充，不属于原文正文。

术语统一。 Modest / Substantial / Extreme 统一译为“温和情景／显著情景／极端情景”；task augmentation 译为“任务增强”，指 AI 辅助人完成任务；job reallocation 译为“劳动力重新配置”；labor share / capital share 译为“劳动收入份额／资本收入份额”。

[注 1] 关于“15% 增长、4.5 年翻倍”。 英文原网页确实同时使用这两个数字，正文予以保留。但按固定年增长率 15%、逐年复利计算，翻倍时间为 ln(2) ÷ ln(1.15) ≈ 4.96 年，即约 5 年。原网页未在该处解释两者为何不一致，因此不宜将“4.5 年”当作由“15%”精确推导出的结果。

[注 2] 网站访客样本数。 27,894 为本次用户所提供摘录中的数字；校订时读取到的网页数字为 27,896。此处保留摘录时的数值并明确其来源，不将它当作固定的调查样本量。公众调查样本量为 10,980，两者应分开理解。

[注 3] 收入比较的基准。 工资图表采用“同一经济体没有 AI 时”的反事实基准。技术报告第 4 页也明确指出，极端情景中知识工作者工资低于其无 AI 路径。有关“劳动收入总额几乎没有变化”的表述，同样不宜据此解读为“与今天相比完全没有增长”。

模型假设的边界。 文中“AI 无法为患者洗澡”“不受 AI 影响的职业”等表述，应放在该模型未纳入能力极强的机器人这一前提下理解，不能延伸为对所有未来技术的永久判断。配套技术报告也明确说明，这些情景用于比较不同假设的后果，并未为各情景赋予发生概率。

网页到文稿的整理。 合并了重复的按钮文字和图例；将五项参数、GDP 和收入分配数据整理为表格；补入“工资”部分遗漏的两个段落。动态曲线及未获得完整数值的交互图表没有重绘，其含义与入口已保留。

核对来源： Anthropic 原网页；配套技术报告《Economic Scenarios for Transformative AI》。

阅读人数： 36