主要要点
- 人工智能的颠覆不可避免，但对人工智能驱动的大规模失业担忧被夸大了。
- 人工智能转型将受到三大限制：模型限制、基础设施需求，以及监管、组织和社会政治上的抵制。
- 半导体、数据中心和电网瓶颈为建设人工智能基础设施的企业创造了投资机会。
没人知道AI的故事会如何结束。然而，显然，人工智能（AI）是一个关键的，甚至可能是投资者需要理解、评估和定位的关键宏观经济和市场主题。
去年秋天，市场的人工智能熊市提出了一个问题：人工智能是泡沫吗？几个月后，舆论急剧转向人工智能潜在的危险。主导声音（我们称他们为人工智能极繁主义者）认为人工智能技术进步如此迅速，劳动力市场没有时间调整。1在最反乌托邦的情景中，人工智能的采用导致大规模失业，甚至相当于人工智能时代的大萧条。
毫无疑问，人工智能将改变经济和劳动力市场。是的，技术发展迅速。但我们相信，有三个限制因素将使从旧范式顺利过渡到新范式（按约束力从低到高排序）：
- 人工智能模型的能力限制
- 物理基础设施投资的需求
- 监管、组织和社会政治抵抗的挑战
在我们看来，经济和社会将避免最坏的情况。
事实上，我们认为当前的市场叙事过于关注被颠覆的内容，而忽视了正在创造的事物。投资者低估了风险资产最积极的理由：人工智能将以一个允许劳动力市场可控重组的速度提升经济生产力和企业利润。
人工智能会引发大规模白领裁员吗？
无法管理的人工智能颠覆？那又是另一个故事了。
人工智能模型公司Anthropic的首席执行官达里奥·阿莫代伊描绘了一个非常黑暗的画面，这幅画引起了广泛关注。他警告说，人工智能可能会消除一半的入门级白领岗位，并在未来一到五年内将失业率提高到10%至20%。2假设没有相应的力量（比如抵消新兴产业的就业增长或政府干预），这将转化为净失业1000万到2500万，经济很可能遭受重创。
过快的自动化可能导致失业激增
美国失业率，百分比
来源：美国国家经济研究局、美国劳工统计局、圣路易斯联邦储备银行。数据截至2026年2月。注：1948年至今的数据代表劳工统计局计算的U-3劳动力未充分利用度量。此前数据汇总自国家工业会议委员会（National Industrial Conference Board）和美国人口普查局（NBER）。查看信息
历史告诉我们，技术体制的转变常常与工作淘汰有关。在过去的政权更迭中，每年平均有20万到30万工人被迫流离失所。
1980年代个人电脑的兴起和1990年代互联网的兴起深刻影响了劳动力市场，尤其是在印刷媒体、实体零售和广告等行业中表现尤为明显。经济学家估计，仅互联网的兴起就导致约600万工人被取代。3
劳动力市场调整通常通过任务重组、行业扩张、地理流动和新公司成立等多种方式实现。互联网虽然取代了350万工人，但它也带来了近2000万个新工作岗位，这些在1990年代初难以想象（例如电子商务物流和数字营销）。4
人工智能极繁主义者认为，这次不同，因为技术进步速度极快，劳动力市场将无法重新校准。
我们不同意。我们认为，我们提到的三个限制——人工智能模型的能力、实体基础设施投资需求以及监管、组织和社会政治上的抵制——将放缓转型速度，使技术带来的利益超过投资者的成本。
在十年内取代1000万个工作岗位，将远超过去的技术转型
每年有数千个工作岗位被取代
来源：摩根大通私人银行，国家经济研究局，Autor & Dorn（美国经济评论），劳工统计局，Haver Analytics。数据截至2026年3月。查看信息
限制 #1：模型能力：快速提升，尚未达到人类水平
回到第一个限制——模型能力，我们承认每个大型语言模型（LLM）用户都知道：AI模型的性能持续快速提升。Anthropic最新的大型语言模型Claude Opus 4.6能够完成人类专家需要超过12小时的任务，自2025年12月以来提升了两倍多。同样，其“Claude Code”工具，能够有效地将普通语言指令转化为代码，也在指数级增长。Github Copilot现在几乎占了所有积极使用该工具的开发者所写代码的一半。5
代理人工智能（Agentic AI）已经诞生，AI工具能够完全自主完成任务。例如，运输物流公司C.H. Robinson开发了AI代理，能够在30秒内提供与人类工人15分钟报价相同的报价。自2022年以来，该公司的员工人数每年下降约10%。6
但工作是一个任务组合，而不是能力的基准。如果知识工作只是关于处理代币，GPU（图形处理单元，一种帮助驱动AI模型的计算机芯片）将拥有无法逾越的优势。7
代理人工智能正在提升企业收入并扩大利润率
时间到完成C.H.罗宾逊环球名言，会议记录;C.H. Robinson 全球已完成报价份额，百分比
来源：C.H. Robinson Worldwide，Factset。数据截至2025年。查看信息
来源：C.H. Robinson Worldwide，Factset。数据截至2025年。查看信息
当AI工具要求80%（对比50%）成功率时，显得不那么令人印象深刻
人类完成任务所需的时间是AI完成率为50%对80%，小时
来源：JPMAM，英国首都交通部（METR）。数据截至2026年3月。查看信息
知识工作者推理。它们会根据模糊或不完整的指示行事。他们利用培训、社交直觉、情商、模式识别和机构知识，决定是道歉、排查问题还是升级问题。推理型AI模型试图通过检索历史数据并反复尝试不同方法，最终选择最佳方案来模拟人类认知。他们的过往表现参差不齐。
推理模型正在迅速改进，但当需要更高的成功率时，它们的进步显得明显不那么令人印象深刻。
看看Anthropic的Claude作品4.6。当一项人类专家需要两小时完成的任务时，克劳德能完成80%的时间。当克劳德尝试更复杂的任务时，这个成功率降到50%，而这些任务本来需要人类专家12小时。换句话说，如果你几乎一直需要AI完成一项任务，那么这个任务必须非常简单。这一限制或许部分解释了为什么Anthropic的任务转移低于模型理论上的实际水平。
无论是人力还是GPU的市场定价，或许是AI模型仍无法超越知识工作者的最有力证据。
年薪75,000美元的白领工人，每小时大约50美元;根据工作负载和芯片类型，GPU的租赁价格为每小时2.50美元（20：1比例）。8因此，雇主有基本动力从人工劳动转向人工智能劳动力。如果人工智能已经能够大规模替代知识工作者，它早就做到了。
到目前为止，证据表明任务中断比工作中断更为普遍。这为生产力提供了积极信号。
限制#2：物理基础设施：巨额资本支出，巨大的电力需求
相信大规模劳动力流失需要相信计算和电力基础设施将发生深刻（且快速）的转型。这种转变可能会到来，但需要时间。
人工智能需要对其基础设施进行大规模且持续的投资。半导体服务器（GPU和内存）安装在必须供电、冷却并连接到更广泛网络的数据中心中。那么，我们需要多少GPU来替代1000万人？
如果你假设一块GPU能完美复制一小时的人类劳动，经济只需240万GPU就能替代1000万工人。9然而，根据知识工作者的工资和GPU租赁费率，目前20：1的比例意味着需要近5000万台GPU来替代1000万人的工作时长。
研究机构Epoch AI估计，美国有24个前沿数据中心正在运营、建设中或规划中。10Epoch AI预测，到2028年底，美国前沿计算舰队将略超过2500万颗“H100”等效芯片。11正如阿莫代伊等人讨论的，计划用2500万芯片替代1000万工人，这些芯片需要在10多小时内完美复制一小时的人类工作。
另一方面，如果我们假设当前芯片销售的指数级增长持续，到2028年，超大规模企业和人工智能实验室将拥有近7500万块等于H100的芯片。12这将超过当前20：1比例下取代1000万工人所需的数量，但前提是消费者不会使用计算能力或训练新模型。指数增长的假设难以与主要半导体制造商当前的市盈率倍数相符。投资者似乎在预测未来几年销售额和盈利的下降。
假设只有三分之一的计算设备将被分配用于劳动力转移（目前情况如此）。13在这种情况下，芯片需要在10小时到略低于3.5小时的时间内复制一小时的人工劳动（具体取决于GPU增长假设）。这将比当前GPU租赁率所暗示的20：1状态有了显著改善。
要相信巨大的劳动力市场颠覆，不仅要相信模型和半导体性能的持续提升，还要相信一个多年的基础设施投资周期。
要取代1000万工人需要多少GPU？
数百万块H100等效GPU
来源：EpochAI。数据截至2025年11月10日。查看信息
我们可以看到目前最大前沿数据中心——Microsoft位于威斯康星州Fairwater的设施——的基础设施投资规模。建设于2026年初开始，数据中心计划于2027年秋季开放。据报道，该设施将耗资超过1000亿美元，容纳超过500万个H100等效半导体，耗电量超过洛杉矶市。14
电力需求是人工智能基础设施生态系统中众多物理瓶颈之一。台积体电路（TSMC）生产超过90%的前沿芯片，刚刚开始扩产以满足激增的需求。15在能源方面，电网互联的等待时间为3至5年，而GE Vernova和Caterpillar等厂商的“表后”发电选项积压时间为6至7年。16这些公司回忆起2000年代初科技崩盘的后果，可能会犹豫是否要扩大自身产能。
Microsoft位于威斯康星州费尔沃特的综合体预计将消耗超过洛杉矶的电力
年用电量，兆瓦
来源：EpochAI。数据截至2026年3月27日。查看信息
2000年代初科技泡沫破裂时，电力供应商遭受了损失
美国燃气轮机年度容量新增，兆瓦;西门子股价，$
来源：EIA。数据截至2023年10月16日。查看信息
如果确实有可能复制人类认知，那需要什么条件？智力和物理计算的需求（半导体与模型设计、能源产生与传输、存储带宽、硅封装、网络设备、数据中心冷却系统等）将非常庞大。
这也是我们在建设人工智能实体基础设施的公司中发现投资潜力的关键原因。事实上，基于利润率和收入增长率等指标，它们目前是我们在各市场中看到的最有吸引力的机会之一。
这并非巧合：AI受益者通常拥有坚实的基本面
同比收入增长与调整后营业利润率，百分比
来源：彭博金融有限合伙企业事实集。数据截至2026年3月30日。注意：对于未报告调整后营业利润率的公司，采用了营业利润率。所用数据为最近可获得的一个季度。查看信息
约束#3：制度：监管、组织及社会政治抵抗
也许，人工智能转型的制度性限制将成为阻碍人工智能颠覆的最强大阻力。这些限制包括监管和法律要求、组织决策与执行，以及可能引发的社会和政治反弹。
监管医疗、金融、法律、教育和政府部门的监管机构已经对人工智能部署施加了重大阻力。食品药品监督管理局（FDA）至少需要12至24个月批准由人工智能驱动的诊断工具。17联邦储备和审计署等金融服务监管机构为人工智能模型在决策中的应用提供了明确的指导方针。18
关于问责和责任的担忧在各行业和行业中日益增长。人工审计员必须理解并评估模型用以生成结果的方法。
律师必须独立评估并辩护法律建议。会计师必须签署并认证财务结果。政府雇员必须在行政和法律框架内为决策辩护。
这些要求表明人工智能将作为决策支持而非决策替代。未来的监管体系和规范可能最终接受在目前责任由人类承担的领域自主人工智能的结果，但时间线很可能以年为单位。
公司体系与法律责任
监管合规是限制机构采纳的外部因素。内部因素可能更为强大。企业需要几个季度甚至数年时间来重新设计工作流程、运营结构和决策层级。管理团队在理解AI错误潜在责任之前，可能会对自动化工作流程持谨慎态度。如果人工智能代理在受托责任的环境中提供了糟糕的投资建议，谁应承担责任？
企业对技术采用的研究显示，从试点到大规模部署需要18到36个月，而这还适用于更为平凡的技术解决方案，比如销售管理软件。19最后，数据准备和集成对目前跨多个遗留系统和格式存储记录的企业构成了重大挑战。
政策选择：谁来捕捉增长？
最后，社会和政治对人工智能的抵抗可能既强大又具有破坏性。
政策制定者和公民将面临同样艰难的问题：如果技术推动经济增长，谁来捕捉这种增长？用经济学家的语言换句话说：资本占GDP的份额相对于劳动力会不会进一步上升？
更高薪、高学历的工人可能面临AI取代的风险。许多人都参与政治活动。如今，美国政治家们在光谱的两端，从佛蒙特州独立参议员伯尼·桑德斯（左翼）到密苏里州共和党参议员乔什·霍利（右翼），都在对人工智能发出警报。（霍利已将自己定位为2028年“反人工智能”总统候选人。）20
历史教训：对新技术的抵制已是老生常谈
在过去一个世纪里，经济学家和未来学家时不时地认为创新会导致人类的淘汰。对像人工智能这样突破性技术的抵触并不新鲜。
1930年，有影响力的英国经济学家约翰·梅纳德·凯恩斯警告说，经济将“遭受”技术性失业的“病症”。211964年，一个独立委员会敦促美国总统林登·约翰逊采纳全民基本收入，以减轻技术变革的影响。221983年，诺贝尔奖得主瓦西里·列昂季耶夫主张，人类劳动将像拖拉机出现时的马匹一样被消除。23
如果投资者将这些警告视为卖出风险资产的信号，他们将犯下灾难性的错误。
这些警告遗漏了什么？他们未能考虑到技术变革推动创新所创造的就业岗位。任务和工作可能会变得过时——这很容易想象。未来需要高价值人力的新兴行业和行业则难以想象。
创造新行业和市场
人工智能正在减少专业知识的限制。这很可能会带来难以预见的新行业和可触及市场，尽管人工智能正在颠覆我们目前认为有价值的知识工作。
在大型主机计算出现之前，银行的文员很可能并不认为自己的工作是例行的认知任务，尽管我们今天是这么看的。如果员工第一次看到电脑追踪交易，他们会有什么反应？当AI模型在几秒钟内完成曾经需要我们数小时完成的事情时，我们今天会有什么感受？
也许是谦卑。但同时也充满希望。
人工智能可以以广泛的方式扩展法律等领域。低收入家庭约92%的法律需求未被满足，40%的有法律问题的小企业负担不起律师费用。24如果人工智能能降低服务这些群体的成本，各行业的总收入和就业人数可能会增长，而非收缩。
最后，资本市场可能成为人工智能颠覆的最终制约。人工智能投资正在加速，因为企业高管和投资者相信资本支出将带来由生产力提升或新收入来源带来的正回报。但如果这些计划未能实现，因为对劳动力市场、消费者支出或商业模式的成本超过了收益，那么用于实体基础设施建设所需的资本将消失。
监控对人工智能最敏感行业的实时裁员公告和劳动力市场数据，将帮助我们判断劳动力市场的冲击是否比预期更快。
目前，我们对人工智能的叙述比共识更乐观。25我们认为主流市场观点低估了风险资产最积极的理由。生产率和利润可以提升，劳动力市场也能调整。技术转型会带来颠覆，但不必完全摧毁。
- 1“人工智能的进步速度远快于以往的技术革命……这只是意味着短期过渡将比以往技术异常痛苦，因为人类和劳动力市场反应迟缓，平衡起来迟缓。“——达里奥·阿莫代，Anthropic首席执行官。
- 2Axios。2025年5月29日。
- 3《奥托尔与多恩》（美国经济评论）。2015
- 4互动广告局。2025.
- 5Bogdan Sandu，“什么是GitHub Copilot？简单解释。”2026年1月12日。
- 6C.H. 罗宾逊。2025.
- 7根据人工分析，快速读卡器每秒可处理15个令牌。运行顶级型号的尖端芯片每秒可处理72,000个代币。
- 8Vast.ai，2026年3月。
- 9我们假设GPU几乎全天候工作，每周7天。
- 10Epoch AI将“前沿数据中心”归类为到2024年或以后覆盖超过10万H100等效数据的数据中心（或校园）。
- 11H100等效物被用作简化，用于规范不同硬件世代和配置间的计算能力。由于数据中心车队包含不同性能特性、功耗和互连的GPU，分析师通常会根据有效吞吐量将汇总计算转换为等效数量的NVIDIA H100 GPU，适用于大规模AI工作负载。这一惯例允许在底层架构演变过程中，更直观地进行时间和预测的比较。
- 12Epoch AI。AI芯片销售。2026年3月31日。
- 13GPUnex。“人工智能推理经济学”。2026年2月。
- 14EpochAI。2026年3月。
- 15欧洲新闻。2026年1月。
- 16彭博金融有限合伙人，GE Vernova。
- 17《美国机械工程师工程师学会医疗器械杂志》，2026年。
- 18美国联邦储备，2025年。
- 19麦肯锡，2024年
- 20Axios。2026年1月30日。
- 21凯恩斯，《我们孙辈的经济可能性》，1930年。
- 22《三重革命备忘录》，1964年。
- 23莱昂季夫，《国家视角：问题与机遇的定义》，1983年。
- 24法律服务公司，《司法鸿沟：低收入美国人未被满足的民事法律需求》，2022年;LegalShield小企业法律需求调查，2025年。
- 25根据德意志银行最近的一项调查，近三分之二的投资者认为人工智能扩散将在未来五年内对整体就业产生净负面影响，超过一半的人认为五年后影响将净负面。
重要信息
本材料仅供参考，可能向您介绍摩根大通（“JPM”）旗下私人银行所提供的某些产品和服务。
转载请注明：《中国社会分红/基本收入研究网》 浏览量：44 views
