https://www.digitalistpapers.com/vol2/toloui
作者：Ramin Toloui
曾担任美国财政部负责国际金融事务的助理部长，以及金融稳定部门的负责人，直接参与应对金融危机和维护国家金融安全。在加入政府之前，曾在高盛担任合伙人，专注于投资研究和宏观经济分析，拥有深刻的金融市场实战经验。
变革性人工智能将带来繁荣还是混乱？本文提出了一种新的技术革命类型学——从工业革命到信息时代——根据其对市场结构和劳动力的影响来定义。将此框架应用于人工智能时代，作者分析了四种潜在的未来，并确定了通过涵盖税收、创新、竞争、人工智能治理和基础设施的政策，引导结果走向广泛繁荣的五个优先事项。
想象一种改变基本商品生产的技术。在一个地方，几个世纪以来一直不可或缺的劳动力突然变得过时。新机器更快、更便宜、不知疲倦。失去了目标，人口在几代之内就崩溃了。
与此同时，在另一群工人中，同样的技术创造了前所未有的繁荣。最初被机器取代的工人最终找到了新角色并分享了收益。机器的丰饶将生活水平提高到了以前难以想象的高度。
你可能以为我在描述农业的机械化。当拖拉机取代畜力时，马的数量崩溃了。与此同时，机械化使食物更加丰富，并为农场工人在制造业中创造了新的机会。
马的比喻现在已成为人工智能辩论中一个熟悉的试金石。人类会像以往一样继续找到新工作吗？还是人工智能会变得如此强大，以至于人类变成马？[1]
但这个故事不是关于马的。而是关于18和19世纪英国纺织品的机械化。在曼彻斯特，它锻造了第一个伟大的工厂城市，一个繁荣的工业中产阶级，并最终形成了一个崛起的工人阶级。在殖民地的孟加拉——当时世界的一个主要纺织中心——它摧毁了整个织布工文明。达卡的人口从20万下降到5万。[2]
为什么同一种技术——带来毁灭于一群人的技术——会给另一群人带来丰裕？
即使在曼彻斯特，新技术的收益起初也没有被广泛分享，收益集中在工厂主手中。但经济和社会适应——包括有利于工人的政府政策变化——逐渐帮助迎来了一个日益繁荣的时代。相比之下，孟加拉则受到英国殖民统治。歧视性的英国殖民政策保护了英国的纺织业，并首先培育了对孟加拉纺织业的威胁，同时后来抑制了该社会适应技术颠覆的能力。[3]
“关键的教训是，差异不仅仅在于技术本身，而在于谁控制它、如何部署它以及政府如何应对。”
关键的教训是，差异不仅仅在于技术本身，而在于谁控制它、如何部署它以及政府如何应对。在人工智能时代，理解这些动态比以往任何时候都更加重要。变革性人工智能旨在在多个领域超越人类智能。我们如何为这种前景做准备？
技术革命的类型学
为了分析变革性人工智能带来的潜在挑战和机遇，有一个框架来理解先前技术革命的背景、识别基本属性并提取今天相关的历史教训是很有用的。
我们的类型学侧重于两个对技术颠覆的经济学和政治经济学都不可或缺的核心要素。
第一个属性是技术表现出赢家通吃 vs. 快速追随者动态的程度。
赢家通吃技术是指领先公司倾向于占据全部或大部分市场的技术。几种力量可以产生这种结果：(1) 强大的规模经济，其中前期资本成本巨大，而服务额外客户的边际成本很低；(2) 网络效应，服务的价值随着用户数量的增加而增加；(3) 先发优势，先驱公司锁定客户忠诚度、塑造技术标准、建立具有专有技术的主导生态系统或实现监管俘获。在人工智能的情况下，数据飞轮可能特别重要，即用户数量的初始领先使领先公司能够收集更多数据、构建更好的产品，并在一个强化的反馈循环中吸引更多用户。[4]
相比之下，快速追随者情景是：(1) 知识迅速传播，知识产权容易规避；(2) 互操作性高，客户转换成本低；(3) 快速的赶超和激烈的竞争限制了定价能力并加速了商品化。当快速追随者动态占主导地位时，竞争性模仿克服了进入壁垒，竞赛转向部署和规模化。执行、运营能力以及利用互补资产的能力对成功变得比初始发明更重要。[5]
第二个属性是技术表现出劳动替代 vs. 劳动增强特征的程度。[6]
技术进步通常使机器能够在执行某些任务时替代人类劳动——无论是纺纱、收割谷物还是处理数字。这使得用更少的工人执行这些任务来生产同样的产出成为可能。当技术使资本能够以更低的成本轻易地替代劳动时，自动化可能导致显著的失业或对工资施加下行压力。[7]
“从历史上看，即使是狭义上具有强烈劳动节省性质的技术，通常也已被证明在更广泛的意义上是劳动增强的。”
然而，从历史上看，即使是狭义上具有强烈劳动节省性质的技术，通常也已被证明在更广泛的意义上是劳动增强的。首先，这类技术通常需要新的人类互补投入——需要额外的工人来操作、维护和管理将新机器整合到生产过程中。其次，生产给定产出的较低成本可以增加对该产出的需求，并使利用该产出的工人更有价值，这两者都可以增加就业和工资。最后，在整个经济层面，新技术在历史上催生了全新的产业，创造了以前不存在的新产品和服务需求，从而创造了新的工作种类。尽管存在一阶的劳动替代效应，但随着时间的推移，净效应是增加了对劳动的需求并提高了工资。[8]
有两个重要的警告。首先，“劳动”不是铁板一块。技术可能对不同类型的工人产生不同的影响——高技能与低技能、入门级与在职者、男性与女性。技术颠覆的平均影响可能掩盖不同类别工人之间的重要差异，替代一些人，增强另一些人。其次，很难在一开始就预测一项特定技术最终会是劳动替代还是劳动增强。一个典型的例子是自动取款机，它最终通过降低开设分行和服务客户的成本来扩大银行业就业。[9]
历史还表明，技术颠覆的最终影响需要时间才能实现。释放一项技术的全部潜力——尤其是一项通用技术——通常需要重组工作流程和业务流程、获取新的工人和经理技能以及其他互补性投资。整合新技术的这个过程既塑造了企业之间的竞争动态，也影响了对工人的影响。[10]
“释放一项技术的全部潜力——尤其是一项通用技术——通常需要重组工作流程和业务流程、获取新的工人和经理技能以及其他互补性投资。”
我们可以使用这两个轴创建一个2×2矩阵，包含四种不同的配置。左上象限，垄断权力主导一项大规模劳动替代技术，被标记为巨头统治。右上象限，垄断力量强大，同时技术具有劳动增强性质，被标记为副驾驶帝国。左下象限，快速追随者动态促进了劳动替代技术的快速传播，被称为颠覆蜂群。右下象限，劳动增强技术的去中心化应用占主导地位，被命名为普罗米修斯之火。
将矩阵应用于技术历史
历史提供了人类在每个象限中经历的例子。
巨头统治
对广泛劳动替代技术的垄断控制在人类历史上是罕见的，特别是作为市场结果。
“导致压迫性结果的不仅仅是技术的内在属性，而是该技术与现行政治制度以及该制度所组织服务的利益的相互作用。”
历史上有政治秩序通过法令强加这种技术垄断的例子。在中世纪，封建领主强制执行对水磨坊的垄断，这是一种可以用比手工研磨少得多的人类劳动来研磨谷物的技术。私人碾磨被禁止，甚至在家里也不行。农民被迫支付高额费用来使用磨坊，使封建领主能够攫取经济收益。控制价格和劳动服务的封建规则抑制了增强动态可能运作和更广泛分享生产率收益的渠道。[11]
歧视性的殖民政策也符合巨头统治的定义，帝国权力的技术垄断通过限制谁受益的蓄意政策得到支持和维持。关于孟加拉作为纺织中心崩溃的开篇例子就是一个例子：英国帝国政策和国内政治支持本国制造业的发展和殖民地原材料的生产，同时扼杀了殖民社会适应快速变化的能力。[12]
这些例子说明了劳动替代技术与政治精英之间剥削联盟的潜力。在这些例子中，导致压迫性结果的不仅仅是技术的内在属性，而是该技术与现行政治制度以及该制度所组织服务的利益的相互作用。
副驾驶帝国
经济史上有更多集中控制增强人类劳动技术的例子。事实上，这一直是现代经济发展的普遍特征。
在19世纪末20世纪初，不断增长的美国经济的物理骨干被垄断企业主导。从通信到铁路，从电力分配到石油精炼，集中的商业利益占主导地位，很大程度上是由上述赢家通吃技术的因素驱动的，特别是大量的固定成本资本投资和强大的网络效应。[13]
事实证明，这些创新对整个美国经济具有巨大的催化和劳动增强作用，促进了商业和连接市场，为广泛的新行业提供了动力，同时扩大了工人的机会并提高了收入。与此同时，这些集中的利益也导致了滥用。强大的垄断企业剥削和威胁工人，利用市场势力胁迫受困客户、粉碎潜在竞争对手，并与政客结盟以维持其主导地位。[14]
社会和政治反应在管理这些压力方面发挥了关键作用。垄断企业的过度行为催生了里程碑式的反垄断立法、判例和监管创新，扩大了联邦权力以控制垄断势力，而兴起的工会运动在这个快速变化的时代维护了工人的利益。[15]
“从AT&T的电信垄断、IBM的大型机主导地位、微软的操作系统主导地位到谷歌的搜索主导地位，具有赢家通吃动态的强大技术重塑并促进了现代美国经济的扩张，同时也创造了新的反垄断挑战。”
这些制度在20世纪下半叶和21世纪被证明是重要的，因为核心技术领域的集中商业利益一直是二战后美国经济增长的一个核心特征。从AT&T的电信垄断、IBM的大型机主导地位、微软的操作系统主导地位到谷歌的搜索主导地位，具有赢家通吃动态的强大技术重塑并促进了现代美国经济的扩张，同时也创造了新的反垄断挑战。[16]
在此期间，整体生活水平和就业有所提高。但对这个副驾驶帝国有一个星号。诚然，许多工人受益于计算机和通信技术的传播。然而，近几十年来，劳动力市场出现了明显的分化。高技能工人的工资飙升，而低技能工人的工资停滞或下降。技术被认为是这种两极分化的关键驱动因素，凸显了具有集中控制的技术颠覆可能增强一些工人并替代其他工人的潜力。[17]
颠覆蜂群
去中心化技术颠覆特定部门的实例很常见。颠覆蜂群的区别在于其对广泛类别的工人在持续时间段内影响的普遍性。虽然技术从历史上看本质上是广泛劳动增强的——随着时间的推移提高整体经济的就业和工资——但也有例子表明，在有意义的时期内或对大量工人而言，情况并非如此。
也许最有启发性的例子是18世纪末到19世纪中叶英国的工业革命早期阶段。在此期间，像动力织布机这样的新技术迅速传播，新工厂取代了以家庭为基础的委托外包制度，迫使许多手摇织布机工人失业。
尽管在此期间生产率飙升，但大部分利润被资本所有者攫取。在19世纪上半叶的英国，工人阶级的工资停滞了几十年，健康指标也恶化了。这段被称为“恩格尔斯的停顿”的时期表明，更高的生产率增长并不一定会转化为更高的工资增长，或者至少滞后可能超过一代人。[18]
是什么结束了恩格尔斯的停顿？是一系列经济、技术、政策和社会因素。资本积累和蒸汽动力的到来增加了对具有更高人力资本的工人来操作复杂机械的需求。同时，新技术在经济其他领域增加了对非熟练和半熟练工人的劳动力需求。[19]
在政策方面，废除《谷物法》取消了对进口谷物的关税，这降低了食品价格并提高了实际工资。此外，法律变革限制了对童工和女工的约束，从而限制了非熟练劳动力的供应，而早期的工会组织创造了集体谈判权来倡导工人利益。公共卫生干预改善了健康状况，而教育的扩展深化了人力资本。这些发展共同推动了19世纪下半叶生活水平的提高。[20]
近几十年来发达国家制造业的转型是一个更近期的颠覆蜂群的例子。制造业就业下降和工资停滞，特别是对于低技能工人，恰逢自动化和全球化的时期。经济学家们争论其对整体工人福祉的一般均衡效应，以及是将主要因果关系归因于技术还是贸易。但很明显，依赖制造业的特定地理区域经历了就业混乱、经济前景恶化和社会指标恶化。[21]
普罗米修斯之火
去中心化、快速传播的增强人类能力的技术一直是提高人类福利的最有力工具之一。
第二次工业革命——特别是在20世纪早期到中期的美国——包含了多种符合这些标准的技术。室内管道和卫生设施显著减少了疾病并改善了健康。大众生产的消费电器减少了家务劳动，使更多女性能外出工作。化学创新产生了现代化学工业，通过新肥料革命化了农业，通过新工业流程革命化了制造业，并通过药品改善了健康。[22]
内燃机和电气机械技术的应用尤其广泛分布和具有变革性。汽车、卡车、拖拉机和重型建筑设备提高了生产率，实现了新型经济活动，并促进了分销和市场联系。工厂的电气化不仅使新型机器成为可能，还使得重组装配线成为可能，将工作流程从蒸汽动力时代的固定皮带和轴的约束中解放出来。[23]
这些创新的一个决定性特征是它们既直接（机器需要人类操作员）又间接（通过创造对新商品和服务需求的二阶效应）补充了人类劳动。[24]
“这些创新的一个决定性特征是它们既直接又间接地补充了人类劳动。”
美国汽车工业——在20世纪上半叶，尽管生产率提高，就业仍在激增——说明了这一现象及其对整个经济的连锁效应。机动车辆价格下降意味着消费者和企业购买了更多的车辆。这反过来又在相关行业创造了全新的就业机会，并通过使货物和人员的运输更便宜而在不相关的行业创造了新的就业机会。[25]
公共投资在实现普罗米修斯之火的潜力方面发挥了关键作用。首先，美国从19世纪开始对公共教育的投资使工人能够利用需要技术技能的新型就业。其次，对物理基础设施的投资对于提供企业、工人和家庭可以利用的平台至关重要。[26]
我们的人工智能未来属于哪个象限？
将变革性人工智能置于这个矩阵框架中需要回答两个问题。首先，变革性人工智能将在多大程度上成为赢家通吃技术与快速追随者技术？其次，它将在多大程度上具有劳动替代与劳动增强性质？我们无法明确回答这些问题。但我们可以回顾近年来人工智能发展的证据，并从过去的技术革命中提取见解。
有三个关键原因认为变革性人工智能可能表现出赢家通吃的动态。首先，训练前沿人工智能模型需要大量的前期固定成本，一个新模型的初始训练费用高达数亿美元，而训练和服务模型的基础计算基础设施则高达数千亿美元。其次，几种领先技术是专有的。第三，用户数量与产品质量之间存在巨大正反馈循环的潜力仍然很大。所有这些因素都为新进入者创造了 formidable 的障碍，并创造了强大的先发优势。[27]
虽然这些因素强调了人工智能未来成为赢家通吃的潜力，但当前情况也包含快速追随者动态的多种元素。
尽管由于2022年底ChatGPT的巨大成功推出，OpenAI拥有最大的市场份额，但其竞争对手并未出局，尤其是在企业领域。此外，OpenAI在市场份额上的领先优势迄今尚未转化为产品质量上失控的数据飞轮动态，近期的技术表现排行榜仍然竞争激烈且高度流动。像谷歌、微软和Meta这样拥有雄厚资金的大公司似乎决心在人工智能领域进行数十亿美元的巨额投资，因为它们认为输掉人工智能竞赛对其核心业务可能构成生存威胁。最后，成本低得多的开源模型有可能提供稍落后于前沿但成本仅为前沿一小部分的性能，正如中国DeepSeek在2025年初的戏剧性进入所证明的那样。[28]
“训练前沿模型和大规模提供推理的成本可能变得越来越高昂且难以收回，使其只有少数巨型公司才能负担得起。”
一种可能性是，当前激烈的竞争在未来几年让位于整合，特别是如果通往变革性人工智能的道路需要我们在大语言模型上看到的那种持续增加的支出。如果“规模法则”继续占主导地位，同时算法和系统效率的收益放缓或停滞，那么训练前沿模型和大规模提供推理的成本可能变得越来越高昂且难以收回，使其只有少数巨型公司才能负担得起。这种模式让人联想到19世纪美国铁路的建设，最初竞争激烈，但后来整合了。[29]
另一种可能性是，没有一家公司能维持持久的主导地位，并且“智能成本”继续暴跌。这可能是因为 brute-force 参数扩展的边际回报递减，同时训练和服务效率不断提高；多家行业巨头继续在前沿进行大量投资以避免将优势拱手让给竞争对手；或者“足够好”的智能最终最适合经济中的大多数应用。一些研究人员认为，具有经济效力的人工智能可能涉及一套利用专门的、更便宜的小语言模型的智能体，而不是仅仅依赖超大规模的单体大语言模型。所有这些加在一起可能构成一个竞争激烈的快速追随者世界，其中智能的单位成本持续下降，创新优势转移到应用层——让人想起发电如何成为一种商品，引发了机械中电力最终用途的大量创新。[30]
“一些研究人员认为，具有经济效力的人工智能可能涉及一套利用专门的、更便宜的小语言模型的智能体，而不是仅仅依赖超大规模的单体大语言模型。”
同样难以对变革性人工智能技术将是劳动替代还是劳动增强有一个结论性的答案。
虽然历史表明，从长远来看，技术是劳动增强的，但也有理由相信这次颠覆可能更为严重。变革性人工智能可能复制的广泛人类能力可能是前所未有的，在如此多的任务中创造绝对优势，以至于以现行工资对劳动力的需求崩溃。人工智能能力扩展的速度也是前所未有的，给经济和劳动力市场留下的调整时间更少，增加了混乱的可能性。最后，存在一种风险，即公司CEO们将工人替代视为实现人工智能投资财务回报最直接的方式，而人工智能提供商可能会发现工人替代是其技术货币化的最直接方式。[31]
有初步迹象表明，人工智能系统正在对劳动力市场的某些部分的就业产生负面影响。对私人工资单数据的大规模分析发现，在暴露于人工智能的职业中，年轻工人的就业有所下降，尤其是在人工智能自动化任务的岗位上。这与软件开发、法律、专业服务和其他白领职业中雇主正在尝试或部署人工智能系统用于入门级员工工作的传闻一致。一些分析师推测，企业可能会利用下一次经济衰退来缩减劳动力规模并扩大技术替代的使用，类似于以前衰退中的“无就业复苏”。[32]
同时，令人信服的早期证据也说明了人工智能系统强大的劳动增强潜力。虽然实证工作尚处于起步阶段，但研究已经开始通过人工智能增强确定工人生产率的显著提高。在某些行业，经验较少的工人的生产率提高最多；在另一些行业，经验丰富的工人在利用人工智能能力方面表现出色。[33]
即使是先进的人工智能系统也可能缺乏替代某些人类属性的能力——如同理心、人际关系、实体存在、判断力、想象力和领导力——这些是许多工作不可或缺的组成部分。这表明人类与变革性人工智能能力在工作场所具有互补的潜力。[34]
“即使是先进的人工智能系统也可能缺乏替代某些人类属性的能力——如同理心、人际关系、实体存在、判断力、想象力和领导力——这些是许多工作不可或缺的组成部分。”
所有这些都表明，人工智能系统未来与人类工人互动的方式呈现出细致入微的复杂图景。替代与增强的程度可能不是统一的。相反，它可能根据不同行业的需求、不同任务中人机能力的互补性、不同组织的工作流程以及个体工人利用人工智能工具的意愿而变化。[35]
历史提供了强有力的证据，表明随着经济的发展以整合强大的新技术，它会带来以前难以想象的需要人类投入的产品和服务组合。但这也需要时间。整合通用技术需要组织适应、新的业务流程和人力资本投资。不确定性和制度惯性意味着实施会存在滞后，以及实现和衡量生产力影响的困难。[36]
很难事先知道人类组织的这些现实将如何影响劳动替代与增强的速度。社会阻力和制度惯性会减缓工人替代的速度吗？还是自动化是企业实施的“低垂果实”，而利用增强收益的更复杂过程需要更多的耐心和更长的孕育期？
“社会阻力和制度惯性会减缓工人替代的速度吗？还是自动化是企业实施的‘低垂果实’，而利用增强收益的更复杂过程需要更多的耐心和更长的孕育期？”
与此同时，人口时钟也在幕后滴答作响：急剧下降的出生率意味着世界许多地区正进入一个工作年龄人口将显著减少的时期，这意味着未来几十年劳动力将萎缩——这可能会抵消变革性人工智能的劳动节省偏向。[37]
底线是，关于变革性人工智能的未来将占据哪个象限，尚无定论。上述讨论以及以往技术革命的经验清楚地表明，答案并非由技术本身的特性决定。相反，它是由技术与人类制度之间的相互作用塑造的。虽然技术限制了可能性的范围，并可能使系统偏向某些结果，但旅程和最终目的地是由企业、工人、公民社会和政府所做的选择决定的。
复杂因素：滥用、错位与全球竞争
关于变革性人工智能的几个复杂因素值得注意。每一个都值得单独写一篇论文，全面处理超出了本文的范围。但它们与考虑各个象限的前景和危险以及政策含义相关。
虽然所有技术都有可能被用于有害目的，但变革性人工智能的前景可能将特别强大的能力交到网络犯罪分子、恐怖分子和其他恶意行为者手中。人工智能技术的应用也可能——有意或无意地——助长偏见、歧视和其他不良社会结果。技术人员警告说，人工智能系统的复杂性和不透明性意味着存在一种显著的风险，即它们可能以违背人类目标的方式被配置，以牺牲人类福利为代价追求自己的目标。[38]
“技术人员警告说，人工智能系统的复杂性和不透明性意味着存在一种显著的风险，即它们可能以违背人类目标的方式被配置，以牺牲人类福利为代价追求自己的目标。”
同时，实现变革性人工智能并收获其收益的竞赛不仅在公司之间进行，也在国家之间进行，特别是美国和中国。利害关系不仅是经济上的，也是地缘政治上的。在变革性人工智能领域的领导地位提供了经济活力、军事优势以及作为其他国家全球合作伙伴的中心地位的前景。[39]
这些因素进一步复杂化了各种变革性人工智能政策方法的权衡。一方面，滥用和错位的前景——以及对快速部署人工智能导致的经济混乱和失业的担忧——似乎支持对追求和传播变革性人工智能采取“慢行、谨慎行事”的方法。另一方面，美国与中国之间的竞争动态推动了对前沿研究和部署都“快速行动”的渴望，以避免输掉人工智能竞赛，并让一个服务于其独特政治利益的竞争对手控制一项强大的技术。欧盟、中国和美国之间不同的监管方法既反映了这些紧张关系，也将塑造变革性人工智能在象限框架内可能遵循的轨迹。[40]
五大政策启示
不同的象限提出了不同的主要挑战，并强调了不同的政策优先事项：在巨头统治中，优先事项是维持人工智能的民主治理，防止政府与人工智能企业利益之间的剥削联盟；在副驾驶帝国中，是利用人工智能的生产力，同时控制潜在的垄断滥用；在颠覆蜂群中，是在快速变化的时代保护工人免受混乱冲击并维持社会凝聚力；在普罗米修斯之火中，是利用变革性人工智能的潜力来提高生活水平，同时遏制滥用和错位。
因此，政策应准备好灵活应对不同的象限结果。它还应激励向理想最终状态的转变，同时拥抱在多个象限中都具有稳健性的政策。一个关键原则是预先设计政策杠杆，但可以根据人工智能未来的发展情况进行调整和校准——这些杠杆是主动但灵活的。[41]
优先事项 1：改革税收制度以支持人工智能经济中的就业
促进普罗米修斯之火和副驾驶帝国，并缓解巨头统治和颠覆蜂群的混乱
现行税法包含许多对资本投资的激励。利润、股息和资本收益面临低有效税率，得到一系列条款的支持。同时，雇佣工人成本高昂，不仅因为所得税和工资税，还因为雇主提供的医疗保险等昂贵的福利。这种制度在一个资本与劳动互补、通过提高工资与工人分享劳动生产率的世界上也许有理由。但是，当它激励大规模资本投资于人工智能以取代工人，即使只为了微小的效率提升时，这种制度就会产生不正当的激励和危险的社会后果。[42]
“变革性人工智能大幅替代劳动力的前景要求考虑采取有力措施来降低雇佣工人的成本。”
变革性人工智能大幅替代劳动力的前景要求考虑采取有力措施来降低雇佣工人的成本。这可能包括在联邦层面减少社会保障和医疗保险工资税，通过对资本征收更高税收的专用收入流来支付。对那些资本征收更高的税可以是普遍的，从而更好地平衡近几十年来已明显偏向资本的劳动和资本的有效税收。或者，如果赢家通吃动态占主导地位，它们可以专注于最大规模的超额人工智能相关利润和租金。为了解决非工资福利的成本，关于医疗公共选项等提议的辩论应重新启动，关注设计细节、迄今为止的州级经验以及允许雇主参与的形式。[43]
沿着这些思路改革税收体系的优势在于，原则上，它提供了一种灵活的工具，可以根据人工智能可能采取的潜在路径进行响应性调整。如果技术呈现更多的劳动增强特性，则需要较少的税率调整。相反，如果人工智能产生强大的收入集中和劳动替代动态，则需要更大的税率调整和更大的收入支持，以解决分配后果并塑造公司层面资本/劳动决策的经济学。[44]
优先事项 2：激励劳动增强型人工智能创新、部署和工人培训
促进普罗米修斯之火和副驾驶帝国
政府在塑造人工智能创新方面也扮演着关键角色，将公共研发资金和采购引导到能够提高工人熟练度和生产率的人工智能部署模式。这包括扩大用于测试创新性人机协作的联邦研发拨款，并通过国家人工智能研究资源扩大对计算和数据的访问。它还包括在小型企业创新研究和技术转让项目中创建一个“工人增强型人工智能”轨道，以构建和测试工作原型，并将成功的工具推向政府和商业用途。最后，政府采购必须要求通过用人工智能副驾驶赋能公职人员来建立内部专业知识的人工智能解决方案，而不是通过交钥匙自动化外包能力。[45]
“就像从19世纪末开始，对公共教育的投资在为美国工人从农业向工业经济转型做准备方面发挥了至关重要的作用一样，更广泛的美国教育体系也需要适应当前的劳动力需求，并利用人工智能工具进行新的学习方法。”
为当前和未来的工人准备迎接人工智能工具的新时代是实现以工人为中心的人工智能未来的另一个关键要素。联邦拨款用于抵消公司培训计划和合作性人工智能采用的成本，认可所产生的人力资本是一种公共品。类似《劳动力创新与机会法》这样的联邦计划可以帮助扩大已被证明有效的培训模式以及注册学徒制，培养雇主与社区大学之间的合作伙伴关系，专注于工人在工作场所有效使用人工智能所需的技能。就像从19世纪末开始，对公共教育的投资在为美国工人从农业向工业经济转型做准备方面发挥了至关重要的作用一样，更广泛的美国教育体系也需要适应当前的劳动力需求，并利用人工智能工具进行新的学习方法。[46]
公民社会也可以通过竞赛、奖项和广泛采用的透明度标准等方式，在提升人机协作模式的声望方面发挥作用。
优先事项 3：为人工智能市场现代化反垄断工具和支持竞争的政策
促进普罗米修斯之火或副驾驶帝国的建设性形式
人工智能时代的监管应旨在平衡扼杀创新的过度干预与允许滥用行为蔓延的过度克制之间的平衡。解决这种困境的一种方法是“护栏和触发器”方法，即政府建立基本的道路规则以促进竞争，同时准备一份进一步的干预路线图，如果技术和市场结构的演变证明有必要，则在云端、前沿模型和应用层上进行升级干预。[47]
促进前沿人工智能公司之间竞争的基本护栏将包括基于标准的互操作性要求。互补的可移植性规则将通过要求人工智能提供商使客户能够以机器可读格式在不同提供商之间迁移其人工智能交互数据来履行类似功能。禁止排他性安排或其他实质上妨碍客户与竞争性人工智能提供商接触的条款，是可以在现有美国反垄断框架内在应用和分发层明确和执行的另一个元素。可以考虑作为护栏或潜在触发器的其他政策包括基础设施层面的云非歧视和交换规则。[48]
有可能即使有了这些护栏，经济力量也会将前沿人工智能生态系统推向高度集中或对关键投入的瓶颈控制。在这种情况下，可能需要一套更具侵入性的监管干预措施。为了应对这些突发事件，并确保政府内部有足够的能力来应对它们，司法部和联邦贸易委员会等机构应继续扩大其专注于技术和人工智能竞争问题的团队。[49]
优先事项 4：将人工智能安全和民主治理制度化
促进安全扩散在普罗米修斯之火和负责任使用在副驾驶帝国，并减少颠覆蜂群和巨头统治中的危害
变革性人工智能的前景在任何象限都会放大滥用和错位的后果，因此解决这些风险的政策不可或缺。“护栏和触发器”方法也是推进安全和民主治理的有用框架。防止人工智能的危害本身不仅重要。预防人工智能事故对于维持社会对人工智能传播及其潜在收益实现的支持也至关重要。[50]
“防止人工智能的危害本身不仅重要。预防人工智能事故对于维持社会对人工智能传播及其潜在收益实现的支持也至关重要。”
人工智能安全的一个关键护栏是围绕最高风险开发和部署活动的透明度。商务部工业与安全局应最终确定并实施其提案规则，要求前沿人工智能公司和云计算提供商报告某些先进的人工智能训练运行和大型计算集群。这将为政策制定者提供对重大人工智能进展的早期视野。部署前的护栏应强调对危险能力的独立评估和红队测试，并附有与评估结果相关的清晰文档和安全缓解措施。部署后的要求应包括标准化的安全事件记录和联邦层面的物质安全事件的有时限报告。在民主治理方面，对人工智能在重要决策中的使用方式和时间进行清晰、通俗语言的披露，应该成为政府标准做法，并鼓励在全行业推广。[51]
如果这些要求未能防止滥用，则应设置触发机制来制裁滥用行为并应对关键事件。可以通过联邦贸易委员会进行监管干预，该方法已被用于打击歧视性面部识别和围绕人工智能技术的欺骗性营销。可以考虑建立类似于产品召回的、范围狭窄的授权机制，使政府能够在经过正当程序和高质量的证明标准后下令撤回有害模型或应用。侵权法是另一个关键工具：立法机构和法院应该更新人工智能的侵权标准，使民事责任能够威慑恶劣行为，同时保留创新空间。[52]
优先事项 5：投资于人工智能部署基础设施
促进国家竞争力在普罗米修斯之火和副驾驶帝国，并减轻由外国主导的巨头统治或颠覆蜂群的风险
虽然快速实现和传播变革性人工智能存在社会风险，但缓慢采用人工智能技术并在生产力增长、科学发现和国家安全利益方面落后的风险也同样存在。准备人工智能采用的物理、组织和政策基础设施将需要数年时间；今天的投资有助于防止这些因素在未来成为瓶颈。[53]
“准备人工智能采用的物理、组织和政策基础设施将需要数年时间；今天的投资有助于防止这些因素在未来成为瓶颈。”
人工智能部署最重要的物理瓶颈是能源和半导体。在能源方面，未来几年训练前沿模型和在人工智能工具应用中进行推理的电力需求将是巨大的，需要对发电、输电和配电进行重大投资，并采取措施避免将更高的公用事业价格转嫁给家庭和小企业。2025年的“美国人工智能行动计划”呼吁加快数据中心的许可审批；各机构和州现在必须将其转化为可预测的、有时限的批准，以便项目能按计划执行。其他优先事项包括实施输电和互联改革、增加现有线路容量的近期电网增强技术，以及来自大型负载的需求侧灵活性以减少峰值压力并加速互联。在半导体方面，开发安全且有韧性的供应链是国家经济安全优先事项。《2022年芯片与科学法案》启动的项目应继续执行并扩大，并与盟友在关键材料和供应链其他关键部分建立伙伴关系。[54]
还需要对监管、政策和制度基础设施进行投资，以促进人工智能的有效传播和部署。这包括现代化法律的“数据管道”，以便公司能够在健康、金融和教育等敏感部门合法安全地利用数据，同时通过去标识化、目的受限的共享和消费者许可的访问来保护隐私。这包括在受监管行业中测试人工智能应用的有时限的监管沙盒，以便在控制风险的同时加速学习，以及开发类似于NIST制造扩展伙伴关系的推广计划，以促进安全可靠的人工智能模型向小企业传播。[55]
结论
虽然不可能预见变革性人工智能对经济和社会所有的影响，但有一个严格的框架来评估潜在的轨迹并指导政策行动是至关重要的。[56]
本文提出的框架识别了以往技术革命的基本属性，重点关注两个轴：赢家通吃与快速追随者动态，以及劳动替代与劳动增强效应。这种方法揭示了与人工智能时代相关的历史类比，提供了对人工智能融入经济潜在路径的见解，并强调了变革性人工智能时代的具体挑战和机遇。
历史表明，在快速变化的时代，相互竞争的价值观在发挥作用。我们想要稳定，但不想要停滞。我们想要活力，但不想要混乱。
我们在政府、市场和公民生活中的选择将塑造人工智能是走向普罗米修斯之火的前景还是巨头统治的危险、副驾驶帝国的潜力还是颠覆蜂群的痛苦。我们拥有可用的实用杠杆——税收改革、劳动增强型创新和培训、现代化的反垄断、制度化的安全和民主治理以及人工智能部署基础设施——来帮助引导这些结果。
过去的技术革命奖励了那些将技术创新与制度创新相结合，并进行有目的的适应以抓住机会并应对前沿发明所释放的挑战的社会。怀着同样的决心和目标感，政府、企业和公民社会的领导者可以建立这个时代所需的基础，并为一个繁荣的、广泛基础的人工智能未来设定方向。
“我们在政府、市场和公民生活中的选择将塑造人工智能是走向普罗米修斯之火的前景还是巨头统治的危险、副驾驶帝国的潜力还是颠覆蜂群的痛苦。”
参考文献
[1] 参见 Erik Brynjolfsson and Andrew McAfee, “Will Humans Go the Way of Horses?” Foreign Affairs (2015年7月/8月), 以及 Wassily Leontief, “Technological Advance, Economic Growth, and the Distribution of Income,” Population and Development Review 9, no. 3 (1983年9月): 403–410.
[2] 参见 Willem van Schendel, A History of Bangladesh (Cambridge University Press, 2021).
[3] 参见 Prasannan Parthasarathi, Why Europe Grew Rich and Asia Did Not: Global Economic Divergence, 1600–1850 (Cambridge University Press, 2011) 以及 Katherine Moos, “The Political Economy of State Regulation: The Case of the British Factory Acts,” Cambridge Journal of Economics 45, no. 1 (2021年1月): 61–84.
[4] 参见 Carl Shapiro and Hal Varian, Information Rules: A Strategic Guide to the Network Economy (Harvard Business School Press, 1999).
[5] 参见 Constantinos Markides and Paul Geroski, Fast Second: How Smart Companies Bypass Radical Innovation to Enter and Dominate New Markets (Jossey-Bass, 2005) 以及 David J. Teece, “Profiting from Technological Innovation: Implications for Integration, Collaboration, Licensing, and Public Policy,” Research Policy 15, no. 6 (1986年12月): 285–305.
[6] 关于经济学家用于建模劳动替代和劳动补充技术变革的方法的回顾，请参见 Daniel Susskind, “Technological Unemployment,” 载于 The Oxford Handbook of AI Governance, 编 Justin Bullock et al. (Oxford University Press, 2022).
[7] 参见 David Autor, Frank Levy, and Richard Murnane, “The Skill Content of Recent Technological Change: An Empirical Exploration,” Quarterly Journal of Economics 118, no. 4 (2003年11月): 1279–1333.
[8] 参见 Daron Acemoglu and Pascual Restrepo, “Automation and New Tasks: How Technology Displaces and Reinstates Labor,” Journal of Economic Perspectives 33, no. 2 (2019年春季): 3–30, 以及 David Autor, “Why Are There Still So Many Jobs? The History and Future of Workplace Automation,” Journal of Economic Perspectives 29, no. 3 (2015年夏季): 3–30.
[9] 参见 David Autor, “Work of the Past, Work of the Future,” Richard T. Ely Lecture, AEA Papers and Proceedings 109 (2019): 1–32, 以及 James Besson, Learning By Doing: The Real Connection Between Innovation, Wages, and Wealth (Yale University Press, 2015).
[10] 参见 Timothy Bresnahan and Manuel Trajtenberg, “General Purpose Technologies ‘Engines of Growth’?” Journal of Econometrics 65, no. 1 (1995年1月): 83–108, 以及 Erik Brynjolfsson, Daniel Rock, and Chad Syverson, “The Productivity J-Curve: How Intangibles Complement General Purpose Technologies,” American Economic Journal: Macroeconomics 13, no. 1 (2021年1月): 333–372.
[11] 参见 Henry Bennett, Life on the English Manor: A Study of Peasant Conditions, 1150–1400 (Cambridge University Press, 1937) 和 Daron Acemoglu and Simon Johnson, Power and Progress: Our 1000-Year Struggle Over Technology and Prosperity (PublicAffairs, 2023).
[12] 参见 Sven Beckert, Empire of Cotton: A Global History (Knopf, 2014). 关于英国帝国政策在其他经济和技术因素背景下的作用的讨论，请参见 Parthasarathi, Why Europe Grew Rich and Asia Did Not, 以及 Indrajit Ray, “Identifying the Woes of the Cotton Textile Industry in Bengal: Tales of the Nineteenth Century,” Economic History Review 62, no. 4 (2009年11月): 857–892.
[13] 参见 Alfred Chandler, The Visible Hand: The Managerial Revolution in American Business (Harvard University Press, 1977).
[14] 参见 Richard B. du Boff, “The Telegraph in Nineteenth-Century America: Technology and Monopoly,” Comparative Studies in Society and History 26, no. 4 (1984年10月): 571–586; Dave Donaldson and Richard Hornbeck, “Railroads and American Economic Growth: A ‘Market Access’ Approach,” Quarterly Journal of Economics 131, no. 2 (2016年2月): 799–858; Elizabeth Granitz and Benjamin Klein, “Monopolization by ‘Raising Rivals’ Costs’: The Standard Oil Case,” Journal of Law and Economics 39, no. 1 (1996年4月): 1–47; 以及 Richard White, Railroaded: The Transcontinentals and the Making of Modern America (W.W. Norton, 2011).
[15] 参见 Thomas K. McCraw, Prophets of Regulation (Harvard University Press, 1984) 和 Melvyn Dubofsky, The State and Labor in Modern America (University of North Carolina Press, 1994).
[16] 参见 Gerald Brock, The Second Information Revolution (Harvard University Press, 2003) 和 Tim Wu, The Master Switch: The Rise and Fall of Information Empires (Vintage, 2011).
[17] 参见 Autor, “Work of the Past, Work of the Future.”
[18] 参见 Robert Allen, “Engels’ Pause: Technical Change, Capital Accumulation, and Inequality in the British Industrial Revolution,” Explorations in Economic History 46, no. 4 (2009年10月): 418–435.
[19] 参见 Carl Benedikt Frey, The Technology Trap: Capital, Labor, and Power in the Age of Automation (Princeton University Press, 2019).
[20] 参见 Moos, “The Political Economy of State Regulation”; Douglas Irwin and Maksym Chepeliev, “The Economic Consequences of Sir Robert Peel: A Quantitative Assessment of the Repeal of the Corn Laws,” Economic Journal 131, no. 640 (2021年11月): 3322–3337; 以及 Simon Szreter, “Economic Growth, Disruption, Deprivation, Disease, and Death: On the Importance of the Politics of Public Health for Development,” Population and Development Review 23, no. 4 (1997年12月): 693–728.
[21] 参见 Daron Acemoglu and Pascual Restrepo, “Robots and Jobs: Evidence from US Labor Markets,” Journal of Political Economy 128, no. 6 (2020); David Autor, David Dorn, and Gordon Hanson, “Untangling Trade and Technology: Evidence from Local Labour Markets,” Economic Journal 125 (2015年5月): 621–646; 以及 Anne Case and Angus Deaton, “Mortality and Morbidity in the 21st Century,” Brookings Papers on Economic Activity (2017年春季): 397–476.
[22] 参见 Robert Gordon, The Rise and Fall of American Growth: The U.S. Standard of Living Since the Civil War (Princeton University Press, 2016).
[23] 参见 Paul David, “The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox,” American Economic Review 80, no. 2 (1990年1月): 355–361, 载于 Papers and Proceedings of the 102nd Annual Meeting of the American Economic Association (1990年5月); 以及 Gordon, The Rise and Fall of American Growth.
[24] 参见 James Bessen, “Automation and Jobs: When Technology Boosts Employment,” Economic Policy 34, no. 100 (2019年10月): 589–626.
[25] 参见 John Rae, The American Automobile Industry (GK Hall and Company, 1984).
[26] 参见 Claudia Goldin and Lawrence Katz, The Race Between Education and Technology (Harvard University Press, 2008) 以及 John Fernald, “Roads to Prosperity? Assessing the Link Between Public Capital and Productivity,” American Economic Review 89, no. 3 (1999年6月): 619–638.
[27] 参见 Anton Korinek and Jai Vipra, “Concentrating Intelligence: Scaling and Market Structure in Artificial Intelligence,” Economic Policy 40, no. 121 (2025年1月): 225–256, 以及 Jon Schmid, Tobias Sytsma, and Anton Shenk, Evaluating Natural Monopoly Conditions in the AI Foundation Model Market (RAND Corporation, 2024).
[28] 参见 Financial Times, “Inside the Relentless Race for AI Capacity,” 2025年7月30日; LMSYS Org, “Chatbot Arena Leaderboard”; 斯坦福基础模型研究中心, “HELM Capabilities”; 以及 Will Knight, “DeepSeek’s New AI Model Sparks Shock, Awe, and Questions from US Competitors,” Wired, 2025年1月28日.
[29] 关于规模法则和计算要求的持续性，参见 Jensen Huang, “GTC March 2025 Keynote with NVIDIA CEO Jensen Huang – From One to Three Scaling Laws,” 11:00, YouTube, 2025年3月18日.
[30] 参见 The Economist, “Faith in God-like Large Language Models is Waning,” 2025年9月8日. 关于推理成本下降，参见 AI Index Steering Committee, Artificial Intelligence Index Report 2025 (Stanford Institute for Human-Centered Artificial Intelligence, 2025).
[31] 参见 Erik Brynjolfsson, “The Turing Trap: The Promise and Peril of Human-Like AI,” Daedulus 151, no. 2 (2022年春季): 272–287; Daniel Susskind, A World Without Work: Technology, Automation, and How to Respond (Allen Lane, 2020); 以及 Thibault Spirlet, “The CEO of Anthropic is Doubling Down on His Warning that AI Will Gut Entry-Level Jobs,” Business Insider, 2025年9月5日.
[32] 参见 Erik Brynjolfsson, Bharat Chandar, and Ruyu Chen, “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence,” 工作论文, 斯坦福数字经济实验室, 2025年8月26日, 以及 Derek Thompson, “Something Alarming is Happening to the Job Market,” The Atlantic, 2025年4月30日. 另见 Sarah Eckhardt and Nathan Goldschlag, “AI and Jobs: The Final Word (Until the Next One),” 经济创新集团, 2025年8月10日, 以及 Noah Smith, “Stop Pretending You Know What AI Does to the Economy,” Noahpinion, Substack, 2025年7月20日.
[33] 参见 Erik Brynjolfsson, Danielle Li, and Lindsey Raymond, “Generative AI at Work,” Quarterly Journal of Economics 140, no. 2 (2025年5月): 889–942; Sida Peng et al., “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot,” 预印本, arXiv, 2023年2月13日; Leonardo Gambacorta et al., “Generative AI and Labour Productivity: A Field Experiment on Coding,” 国际清算银行工作论文第1208号, 2024年9月; Shakked Noy and Whitney Zhang, “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence,” Science 381, no. 6654 (2023): 187-192; Jonathan Choi, Amy Monahan, and Daniel Schwarcz, “Lawyering in the Age of Artificial Intelligence,” Minnesota Law Review 109, no. 1 (2024): 147–217; Jung Ho Choi and Chloe Xie, “Human + AI in Accounting: Early Evidence from the Field,” 斯坦福大学商学院研究论文第4261号, 麻省理工学院斯隆研究论文第7280-25号, 2025年5月; 以及 Nicholas Otis et al., “The Uneven Impact of Generative AI on Entrepreneurial Performance,” 哈佛商学院工作论文 24-042, 2023年12月.
[34] 参见 Isabella Loaiza and Roberto Rigobon, “The EPOCH of AI: Human-Machine Complementarities at Work,” 麻省理工学院斯隆研究论文第7236-24号, 2024.
[35] 参见 Yijia Shao et al., “Future of Work with AI Agents: Auditing Automation and Augmentation Potential Across the U.S. Workforce,” 预印本, arXiv, 2025年6月; Fabrizio Dell’Acqua et al., “Navigating the Jagged Technological Frontier: Field Experimental Evidence on the Effects of AI on Knowledge Worker Productivity and Quality,” 哈佛商学院工作论文 24-013, 2023年9月22日; Fabrizio Dell’Acqua et al., “The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise,” 哈佛商学院工作论文 25-043, 2025年3月28日; 以及 Sendhil Mullainathan, “Economics in the Age of Algorithms,” AEA Papers and Proceedings 115 (2025): 1–23.
[36] 参见 Bresnahan and Trajtenberg, “General Purpose Technologies ‘Engines of Growth’?” 以及 Brynjolfsson, Rock, and Syverson, “The Productivity J-Curve.”
[37] 参见 Hal Varian, “Automation Versus Procreation (a.k.a., Bots Versus Tots),” VOXEU专栏, 2020年3月30日.
[38] 参见 Yoshua Bengio et al., International AI Safety Report 2025 (英国科学、创新与技术部, 2025年1月), 以及 Dan Hendrycks, Mantas Mazeika, and Thomas Woodside, “An Overview of Catastrophic AI Risks,” 安全人工智能中心, 预印本, arXiv, 2023年10月9日.
[39] 参见 Eric Schmidt et al., National Security Commission on Artificial Intelligence Final Report, 2021, 以及 James Black et al., “Strategic Competition in the Age of AI: Emerging Risks and Opportunities from Military Use of Artificial Intelligence” (RAND Europe, 2024年9月).
[40] 参见 Gregory Allen, DeepSeek, Huawei, Export Controls, and the Future of the U.S.-China AI Race (Center for Strategic and International Studies, 2025年3月); Kyle Chan et al., “Full Stack China’s Evolving Industrial Policy for AI,” RAND, 2025年6月29日; 以及 Kai-Fu Lee, AI Superpowers: China, Silicon Valley, and the New World Order (Houghton Mifflin, 2018).
[41] 理论上，如果政府能够解决“分配问题”，那么一个没有人类工作的未来世界实际上是可取的，我们应该拥抱劳动替代的人工智能未来。然而，以往技术革命的历史表明，这不是经济资源与政治权力之间的联系在人类实际经验中的运作方式。因此，从政治经济学和社会稳定性的角度来看，政策推动系统向劳动增强象限方向发展是可取的。
[42] 参见 Fernanda Brollo et al., “Broadening the Gains from Generative AI: The Role of Fiscal Policies,” 员工讨论说明, 国际货币基金组织, 2024年6月; OECD, Taxing Wages 2025: The United States (经济合作与发展组织, 2025); 以及 Amy Finkelstein et al., “The Health Wedge and Labor Market Inequality,” Brookings Papers on Economic Activity (2023年春季): 425–475.
[43] 参见 Daron Acemoglu, Andrea Manera, and Pascual Restrepo, “Taxes, Automation, and the Future of Labor,” 研究简报, 麻省理工学院未来工作项目, 2020年9月29日; Anton Korinek, “Taxation and the Vanishing Labor Market in the Age of AI,” The Ohio State Technology Law Journal 16, no. 1 (2020): 245–257; 以及 John Holahan, Michael Simpson, and Linda Blumberg, “What Are the Effects of Alternative Public Option Proposals,” 城市研究所研究报告, 2021年3月17日.
[44] 参见 Anton Korinek and Megan Juelfs, “Preparing for the (Non-Existent?) Future of Work,” 工作论文第3号, 布鲁金斯监管与市场中心, 2022年8月; Benjamin Hyman, Brian Kovak, and Adam Leive, “Wage Insurance for Displaced Workers,” 纽约联邦储备银行员工报告第1105号, 2024年5月; 以及 Jacob Bastian, “Do Wage Subsidies Increase Labor Force Participation? Evidence from Around the World,” 布鲁金斯学会, 2025年5月23日.
[45] 参见 Daron Acemoglu, David Autor, and Simon Johnson, “Can We Have Pro-Worker AI? Choosing a Path of Machines in Service of Minds,” 政策备忘录, 麻省理工学院塑造未来工作项目, 2023年9月19日; Rayid Ghani et al., Strategies for Integrating AI into State and Local Government Decision Making (The National Academies Press, 2025); 以及 Christopher Barlow et al., Enhancing Acquisition Outcomes Through Leveraging of Artificial Intelligence (MITRE Corporation, 2025).
[46] 参见 Erik Brynjolfsson et al., Artificial Intelligence and the Future of Work (The National Academies Press, 2025); Matthias Oschinski, Ali Crawford, and Maggie Wu, “AI and the Future of Workforce Training,” 问题简报, 安全与新兴技术中心, 2024年12月; 以及美国教育部, Artificial Intelligence and the Future of Teaching and Learning: Insights and Recommendations (DOE Office of Educational Technology, 2023).
[47] “护栏和触发器”方法通过预先解决一组类似的扼杀风险，补充了2023年DOJ/FTC合并指南。参见美国司法部和联邦贸易委员会, “Merger Guidelines,” 2023年12月18日.
[48] 参见 Ganesh Sitaraman and Tejas Narechania, “An Antimonopoly Approach to Governing Artificial Intelligence,” Yale Law and Policy Review 43, no. 5 (2024): 95–170; Jack Corrigan, “Promoting AI Innovation Through Competition: A Guide to Managing Market Power,” 问题简报, 安全与新兴技术中心, 2025年5月; 以及美国行政管理和预算局, “Driving Efficient Acquisition of Artificial Intelligence,” 备忘录 M-25-22, 2025年4月3日.
[49] 参见英国竞争与市场管理局, “AI Foundation Models: Update Paper,” 2024年4月11日.
[50] 参见 Bengio et al., International AI Safety Report 2025.
[51] 参见美国商务部工业与安全局, “Establishment of Reporting Requirements for the Development of Advanced Artificial Intelligence Models and Computing Clusters,” 15 CFR 702, 89 Fed. Reg. 176 (2024年9月11日); Shayne Longpre et al., “Position: A Safe Harbor for AI Evaluation and Red Teaming,” Proceedings of the 41st International Conference on Machine Learning 235 (2024): 32691-32710; 以及 Lindsey Gailmard, Drew Spence, and Daniel Ho, “Adverse Event Reporting for AI: Developing the Information Infrastructure Government Needs to Learn and Act,” 问题简报, 斯坦福以人为本人工智能研究所, 2025年7月.
[52] 参见 Christina Lee, “Beyond Algorithmic Disgorgement: Remedying Algorithmic Harms,” 公共法律研究论文 2025–26, 乔治华盛顿大学法学院, 2025; 以及 Gregory Smith et al., “Liability for Harms from AI Systems,” RAND Research, 2024年11月20日.
[53] 参见 The White House, “Winning the Race: America’s AI Action Plan,” 2025年7月; Cy McGeady et al., The Electricity Supply Bottleneck on U.S. AI Dominance (Center for Strategic and International Studies, 2025年3月); Will Chueh and Karen Skelton, “Meeting 21st Century U.S. Electricity Demand: Readout from Stanford Dialogue,” 斯坦福普雷科特能源研究所和斯坦福杜尔可持续发展学院, 2025年4月; 以及美国商务部, “The CHIPS Program Office Vision for Success: Two Years Later,” CHIPS for America, 美国国家标准与技术研究院, 2025年1月.
[54] 参见 Gillian Diebold, Overcoming Barriers to Data Sharing in the United States (Center for Data Innovation, 2023年9月25日); OECD/BCG/INSEAD, The Adoption of Artificial Intelligence in Firms: New Evidence for Policymaking (OECD Publishing, 2025); 以及 OECD, “Regulatory Sandboxes in Artificial Intelligence,” OECD Digital Economy Papers No. 356, 2023年7月.
[55] 关于变革性人工智能潜在影响的更多观点，请参见 Erik Brynjolfsson, Anton Korinek, and Ajay K. Agrawal, “A Research Agenda for the Economics of Transformative AI,” 美国国家经济研究局工作论文第34256号, 2025年9月, 以及 Anton Korinek, “Economic Policy Challenges for the Age of AI,” 美国国家经济研究局工作论文第32980号, 2024年9月.
转载请注明：《中国社会分红/基本收入研究网》 浏览量：19 views
