https://www.digitalistpapers.com/vol2/autorthompson
作者：David Autor 和 Neil Thompson
David Autor 和 Neil Thompson 都是麻省理工学院（MIT）的经济学家，在劳动经济学、技术创新与就业关系领域具有重要的学术影响力。
变革性人工智能将如何重塑工作世界？在这篇文章中，David Autor 和 Neil Thompson[1] 提出了他们的新“专长框架”来回答这个问题。变革性人工智能不会简单地消除工作岗位；它将重塑人类专长的价值。未来高度不确定，很难知道哪些职业会蓬勃发展，哪些会举步维艰。然而，他们认为，这个新框架可以帮助我们思考未来工作的各种不同情景——从渐进式自动化到人类劳动的完全过时——以及我们如何为这些情景做好准备。
一、命运分化的谜题
考虑两个40年前看起来非常相似的职业，两者在当时似乎都注定要在计算机时代被淘汰。会计文员终日记录交易、核对报表和编制财务报告。库存文员则检查库存、维护记录和计算价格。两者都执行许多经济学家归类为“常规性”的工作任务：这些任务遵循明确的规则和程序，正是那种可以被编入软件并由计算机执行的任务。
快进到现在，这两个职业的发展轨迹已经分化。会计文员的工资上涨了39%，而就业人数下降了32%。这个职业变得更具选择性、更专业化、报酬更高。库存文员则经历了相反的情况：工资下降了13%，而就业人数却增长了175%。这个职业变得更容易进入，但收入更低。这两个职业面临着相同的技术力量，却经历了相反的结果。
这种模式违背了标准的自动化叙事。传统观点认为，随着任务被自动化，自动化程度越高的职业中的工人会被迫向下进入收入更低、专长密集度更低的工作。然而，正如这两个职业所表明的，现实更为微妙。理解为什么同一类型的自动化——常规任务的计算机化——对这两个职业的就业和工资产生相反的影响，对于理解刚刚结束的技术时代以及预测我们刚刚进入的人工智能时代的后果至关重要。
当前的政策辩论主要集中在人工智能将消除哪些工作上。会计文员与库存文员的例子揭示了一个更微妙的现实：自动化对就业和工资的影响不仅取决于有多少任务被自动化，更取决于哪些任务被自动化。当自动化移除一个职业中较简单的任务时，留下的工作更为复杂，要求工人更专注于高专长任务。这会淘汰掉专长较低的工人，但同时也提升了剩余专长的价值，从而推高工资。相反，当自动化移除一个职业中最复杂的任务时，剩下的工作专长要求变低，从而对更多工人来说更容易进入。因此，尽管专家级任务的自动化能够提高生产率，但新获得资格的工人的涌入往往会降低工资，而非提高工资。这种自动化一个职业的专家级任务与非专家级任务之间的区别，揭示了我们正在进入的转型期。它解释了为什么一些工人从自动化中受益而另一些则受到伤害，为什么工资和就业可能朝相反方向变动，以及为什么同一种技术可能同时加剧不平等——通过提高进入精英职业的门槛，同时又民主化地开放以前排他性领域的准入。
“虽然我们无法准确预测哪些职业会成功或挣扎，但我们可以确定一个影响其命运的核心机制。”
这些专长自动化的对比模式应该塑造我们对正在进行的AI转型的思考。虽然我们无法准确预测哪些职业会成功或挣扎，但我们可以确定一个影响其命运的核心机制。理解这一机制——人类专长在不同活动和职业中价值的变化——对于制定有效的政策应对至关重要。没有它，我们可能会试图对那些“暴露”于AI的工人进行先发制人的再培训，即使他们的工资可能因此而上涨。或者我们可能错误地预期所有暴露于AI的职业都会萎缩，而事实上，随着所需专长的减少，其中一些职业可能会变得更加普遍。
准确理解这些经济机制并据此设计政策，其利害关系巨大：人类对变革性AI的管理有可能通过稀释大众专长的经济价值，同时放大少数人掌握的专长价值，从而加剧不平等。这项技术也可能被用来民主化机会，通过降低进入以前排他性职业的门槛，使更多经过适当培训和拥有AI增强工具的工人能够在医疗保健、法律、软件开发、设计、承包和熟练行业等领域从事有价值的工作。虽然这两种情况都可能发生，但我们今天关于开发和部署这些技术所做的选择，将塑造全球劳动力市场和社会的轮廓。
“我们认为，劳动稀缺性的终结将带来三个超越性的挑战：社会组织、收入分配和民主稳定。”
本文首先概述了我们在2025年论文《专长》[2]中提出的专长框架，然后应用该框架考虑AI重塑劳动力市场的两种广泛情景。第一种是“我们无法想象未来专长”的情景。在这里，核心社会挑战是在专长要求快速变化以及随之而来的工资变化中，管理从旧工作到新工作的过渡。第二种情景是人类的专长被剥夺经济价值，被更有能力、更具成本效益的机器所取代。在这里，核心挑战是在没有劳动力市场的情况下维持民主稳定，而劳动力市场曾通过赋予大多数成年人显著的收入潜力来广泛分配收入。在任一情景下，AI都不会消除稀缺性，这与一些未来学家的预期相反。然而，它可能迎来劳动稀缺性的终结，产生诺贝尔奖得主赫伯特·西蒙所说的“难以忍受的丰裕”。[3] 虽然西蒙是以讽刺的口吻说这句话，但我们认为，劳动稀缺性的终结将带来三个超越性的挑战：社会组织、收入分配和民主稳定。我们在文章结尾提出了一些机制，富裕国家（尽管不幸的是并非所有国家）可以利用这些机制来对冲人类专长可能贬值的风险。无论哪种情景成为现实，这些对冲措施都可能被证明具有社会和经济价值。
二、专长框架
每个工作都是一系列任务的组合。放射科医生不只是阅读X光片——她还要与患者沟通、与其他医生协调、管理员工、记录发现、并跟进医学研究。水管工不只是修理管道——他要诊断问题、估算成本、订购材料、安排预约并向客户解释问题。其中一些任务需要经过多年培训才能获得的深度的、专业化的专长。其他任务则相对非专家化，所需技能大多数工人已经具备。
职业内部专家级任务与非专家级任务之间的这种区别，驱动了一种未被充分认识的动态。当一个职业中较非专家化的任务被自动化时，就像会计文员的情况一样，该职业通常会变得更加专注于其专家级任务。例如，会计软件消除了与归档和基本算术相关的任务，但将复杂的对账和问题解决留给了工人。现在，会计文员将更多时间花在专家级任务上，从而提高了准入门槛。现在可能更少的工人有资格从事这项工作，但那些有资格的人会获得更高的工资。
相比之下，降低专长要求的技术允许更多工人进入。库存文员也经历了相当大的自动化，库存管理系统和手持扫描仪自动化了曾经需要大量培训的复杂跟踪和定价计算，主要留下了计数和上架等体力任务。现在，更多工人有资格担任库存文员职位，扩大了潜在劳动力供应。工人的涌入增加了就业，为他们提供了新的机会，但也对现有工人的工资造成了下行压力。
即使对于同一个职业，随着时间的推移，自动化也不总是朝着同一个方向进行。库存管理系统是由亚马逊等电子商务巨头首创的，亚马逊后来成为美国第二大私营部门雇主。这些系统消除了工作中许多认知性的、相对专家化的元素：正如2013年一位卧底的亚马逊工人所说，“我们是机器，我们是机器人……我们不为自己思考。”[4] 但现在，随着亚马逊领导一项备受瞩目的努力，计划在未来几十年用机器人取代超过50万个仓库工作岗位，这些工作岗位本身有望变得更加专家化。正如2025年《纽约时报》的一篇文章所观察到的，“该公司在创造对仓储和配送工作的巨大需求的同时，也改变了美国的劳动力。但现在，随着它引领自动化进程，这些角色可能会变得更加技术化、报酬更高，但也更加稀缺。”[5] 专长框架可以阐明自动化如何首先导致一个职业经历工资下降，然后又经历随后的工资上涨，这取决于工作的哪一部分先被自动化。
“专长框架可以阐明自动化如何首先导致一个职业经历工资下降，然后又经历随后的工资上涨，这取决于工作的哪一部分先被自动化。”
这种机制与标准的自动化叙事有很大不同。传统的观点关注劳动力需求：自动化取代工人，减少对其劳动力的需求，导致工资和就业同时下降。[6] 专长框架揭示了自动化也改变了劳动力供给约束。通过改变哪些工人有资格执行一个职业的剩余任务，自动化产生了不同的工资和就业效应。
这种差异很重要。在需求侧的视角下，自动化主要是关于岗位替代——人与机器的竞赛，正如Acemoglu和Restrepo 2018年论文令人难忘的标题所示。[7] 在专长框架下，自动化重新分配了机会。一些职业变得更具排他性和回报性，另一些则变得更容易进入但收入更低。这两种结果本身并无好坏之分——这取决于你的起点和社会的目标。
关键的是，同一项任务在一个职业中可能是专家级的，在另一个职业中可能是非专家级的。校对对于教授来说是项非专家级任务，但对于编辑助理来说却是专家级任务。基础编码对于高级软件工程师来说可能是非专家级的，但对于初级开发人员来说则代表着专业化的专长。这种相对性意味着同一任务的自动化可能同时伤害一些工人，而惠及另一些工人。
证据表明了什么
四十年来的美国劳动力市场数据揭示了这一框架的相关性。我们分析了1980年至2018年间的303个职业，追踪每个职业内部特定任务的变化。[8] 通过对职位描述进行语言分析，我们开发了一种基于描述每项任务所需的专业词汇的、与内容无关的任务专长度量标准。用专业的、低频（低熵）术语描述的任务表示专家级知识。用常用词描述的任务则表示通用技能。
“专长不仅仅是教育的另一种说法——它捕捉了在一个职业内执行特定任务所需的 specialized 知识，无论正式证书如何。”
这些模式是惊人的。首先，专长是一个独特而强大的工资决定因素。所需专长比平均水平高一个标准差的职业，其工资要高出16%到31%，即使在控制了教育水平和职业类别之后也是如此。专长不仅仅是教育的另一种说法——它捕捉了在一个职业内执行特定任务所需的 specialized 知识，无论正式证书如何。
其次，专长要求的变化有力地预测了工资的变化。当一个职业的专长要求提高一个标准差时——比如说，因为自动化消除了其常规的归档任务，同时保留了复杂的分析——工资就会上涨18%。当专长要求下降时——也许是因为软件自动化了 specialized 的计算，同时保留了通用的客户服务任务——工资就会成比例下降。无论任务总数是增加还是减少，这种关系都成立。
第三，专长框架提出了一个关于常规任务自动化、困扰了学界二十年的谜题的解决方案。自2000年代中期以来，我们已经知道常规任务密集型职业的就业率大幅下降。[9] 然而，这些职业的工资并没有持续下降——有时反而急剧上升。为什么？我们认为，答案在于被自动化的常规任务中的专长内容。[10]
在重复性流水线制造职业以及基础文员和记录保存职业的较低层级中，常规任务通常是最具专家性的——重复性的体力动作、简单的计算和低自由裁量权的信息处理任务。当这些专家级的常规任务被自动化时，专长要求下降，工资下降，而随着更多工人变得合格，就业扩大。但在专业和技术职业，以及许多较高自由裁量权的生产和文员职业中，常规任务往往是非专家级的支持性活动——数据录入和检索、归档、标准化报告。当这些非专家级的常规任务被自动化时，专长要求提高，工资增加，而随着更少的工人能够达到更高的标准，就业收缩。
第四，正如我们上面的讨论所强调的，就业效应的方向与工资效应相反。专长要求的提高通过缩小合格工人 pool 来减少就业——这是一种供给侧的约束。专长要求的下降通过扩大合格工人 pool 来扩大就业。
图1. 任务数量框架与任务专长框架对工资和就业的相反影响
如图1所示，任务数量框架[11] 并未预测这些相反的影响——尽管它们确实具有独立的解释力。任务数量的变化预测的是加强效应：增加任务会增加就业（有更多工作要做）并增加工资，而减少任务会减少就业（有更少工作要做）并减少工资。任务数量的变化类似于需求转移——任务越多，需要的工作就越多。任务专长的变化类似于供给转移——要求越高，合格的工人就越少。两种力量同时作用，有时相互加强，有时相互抵消。
新专长的创造
关于技术变革对就业影响的经济学文献和公众讨论，主要将人类的工作任务集合视为有限且静态的，这意味着随着自动化的进行，劳动力被分流到越来越狭窄的活动范围中。[12] 随意的观察和历史证据表明并非如此。[13] 随着农业、纺织业和采矿业等劳动密集型部门的就业萎缩，需要劳动的活动范围和种类却在扩大，例如在医学、软件、电子、医疗保健、金融、娱乐、休闲、个人护理和其他领域。
例如，美国统计机构在1990年之前没有承认“网页设计师”这个职业，2005年之前没有“社交媒体经理”，2010年之前没有“侍酒师”，2018年之前没有“数据科学家”，2025年之前没有“前瞻部署工程师”。这些职业不仅仅是现有工作的重新组合；它们包含了因技术演进、品味变化、人口结构转变以及人类创造力的丰饶而出现的新专长领域。跨越八十多年的代表性证据证实了这些观察。[14]
长期以来，经济学家一直嘲笑所谓的“劳动总量谬论”，该谬论假定要做的工作总量是固定的——因此更多的自动化意味着更少的人类工作。[15] 我们同样怀疑我们认为在AI时代显现的这种观念的变体，即“专长总量谬论”，该谬论假定只有这么多新颖的专长需要掌握。相反，经济学家们 prominently 提出了相反的担忧，即不断增长的知识负担正在延长研究人员到达科学前沿所需的时间，从而扼杀科学进步。[16]
“当新专长确实出现时，它通常会使不同的工人受益，而不是那些专长刚刚过时的工人。”
虽然我们拒绝专长谬论，但我们并不认为没有理由担忧。当新专长确实出现时，它通常会使不同的工人受益，而不是那些专长刚刚过时的工人。被自动化取代的工厂工人很少成为计算机程序员。其诊断专长被AI超越的放射科医生可能不会成为AI研究人员。当旧工作被自动化时谁受损，而当新工作出现时谁受益，这两者之间的错位带来了全社会范围内的分配挑战。
尽管在AI时代，对新颖、有价值的专长的需求肯定会出现，但它可能不会足够迅速地出现，或者对失业者来说不够容易获得，以抵消整体的损失，更不用说抵消失业者个体的损失了。
三、通过专长视角看待AI
AI的不同之处
人们常说，AI与以往技术的不同之处在于，它赋予了机器我们认为是人类独有的能力。这种说法是错误的。几乎根据定义，自动化使机器能够执行迄今为止人类独有的活动，从播种、缝纫、操作流水线到处理信息，从分析血液样本到做出医疗诊断。[17] 此外，大多数人设计的工具——从链锯到袖珍计算器再到飞机——在其设计任务上都超越了人类的能力。AI在这方面并不独特。
第二条可疑的传统智慧是，AI的进步不同于那些可预测地沿着技能阶梯向上推进的传统自动化技术。按照这种说法，工人们因此能够看到前几波自动化浪潮的到来，并有可能“提升技能”以保持领先。但历史充满了反例。
在手工艺时代，大多数商品是由熟练的工匠手工制作的：车轮由车轮匠制作；衣服由裁缝制作；鞋子由鞋匠制作；钟表由钟表匠制作；火器由铁匠制作。工匠们花了数十年时间掌握他们的手艺，他们的专长在当时备受推崇。但在18和19世纪的工业革命期间，许多形式的手工艺专长的价值被摧毁了。正如Joel Mokyr等人在2015年所写，“手摇织布机和框架针织工及其小作坊在1815年后被工厂相当迅速地消灭了。”[18] 即使在工业时代的创新激发了生产率的激增，工薪阶层的生活水平也过了五十年才开始提高。[19] 因此，在其最初的形态中，工业革命取代了专家级工作，而让人类去从事那些简单的、艰苦的、非专家级的工作，为布莱克所称的“黑暗撒旦工厂”提供原料。
“使现代AI区别于以往技术的——并且是深刻区别的——是它可以归纳地获取知识和能力，而不是依赖于预先明确指定的硬编码形式化程序。”
使现代AI区别于以往技术的——并且是深刻区别的——是它可以归纳地获取知识和能力，而不是依赖于预先明确指定的硬编码形式化程序。在AI出现之前，我们拥有的能够从环境和经验中隐性学习的主要“工具”是役畜，它们可以使用与我们自己并非完全不同的大脑硬件来学习。与此同时，人类设计的机器仅限于遵循人们根据我们对要完成任务的明确的、形式化的理解而设计的脚本。
这种对明确指令的需求曾是一个约束，因为有许多至关重要的非例行任务，人们是隐性地理解的，但无论是计算机程序员还是其他任何人都无法阐明其明确的“规则”或程序。当我们骑自行车、提出有说服力的论点、在朋友的婴儿照片中认出其现在的面孔时——我们正在执行的任务是我们隐性地知道如何做，但无法明确说出怎么做。人们能够通过隐性知识掌握技能，因为他们通过实践学习。一个孩子不需要阅读陀螺仪物理学来学习骑自行车——简单的试错就行。然而，为了让计算机程序成功完成任务，计算机程序员通常必须预先指定所有相关步骤、分支和例外。这个观察被称为波兰尼悖论，以那位在1966年写下“我们知道的大于我们能言说的”的经济学家、哲学家和化学家命名。[20] 遵循波兰尼的观察，事实证明最难自动化的任务是那些需要灵活性、判断力和常识的任务——这些能力我们拥有但并不形式化地理解。
尽管现代AI在许多领域尚未能与人类认知匹敌，但它可以说已经克服了波兰尼悖论：它能够自主地学习，从例子中归纳，无需明确指令即可掌握技能，并获取它并未被明确设计来拥有的能力。在前AI时代，程序员们竭力想让计算机具备完成非例行任务所需的隐性知识，而在当前的AI时代，计算机可以轻松地获取这种隐性知识。具有讽刺意味的是，它们（在几乎所有情况下）无法向人们明确地传达这些知识。因此，计算机现在知道的大于它们能告诉我们的——Autor称之为“波兰尼的复仇”。[21]
这些能力使AI比以前的自动化系统更强大、更通用。以前的系统虽然能够从数据中学习，但它们的学习方式是狭窄的——在它们被编程估计的参数上变得更加精确。当这些参数只能部分描述世界时，这就限制了它们的学习能力。例如，一个基于十个变量来区分病情的医疗诊断系统永远不会发现第十一个变量也是一个至关重要的预测因子。
基于统计的机器学习系统可以发现这第十一个变量，以及许多其他变量。它们现在非常擅长学习在它们遇到的数据中隐含的未知规则，无论是文本、代码、图像还是声音。（我们所说的“学习”，是指准确预测这些规则的后果；我们不对学习和理解之间的区别采取哲学立场。）当此类系统遇到更多数据时，它们既能学到新规则的存在，也能更精确地估计现有规则。
虽然这些能力相对较新，但它们的进步速度可以通过所谓的规模定律很好地预测。这些基于统计抽样的规律性，描述了AI系统随着参数和训练数据量的增长而提高的速率。[22] 规模定律提供了一张路线图，AI公司目前正在遵循这张路线图来构建极其强大的系统。
“虽然我们可以预测AI可能获得的能力轨迹，但对于AI不能做什么，以及这些事情对劳动力市场有多重要，我们则不太确定。”
然而，这种可预测性并不会使劳动力市场预测变得简单。虽然我们可以预测AI可能获得的能力轨迹，但对于AI不能做什么，以及这些事情对劳动力市场有多重要，我们则不太确定。按照目前的轨迹，并考虑到可预见的AI进步加速，我们非常有信心，到2030年，大多数成年人将在劳动力市场中从事与今天人们所做的工作没有根本不同的工作，以此来谋生。但我们对2040年和2050年的劳动力市场则不太确定。
近期影响
专长框架表明，我们不应该问“AI会自动化这个职业吗？”，而应该问“AI会自动化这个职业中的哪些任务，这些任务是这个职业的专家级任务还是非专家级任务？”考虑以下两个相反的示例。
软件工程： 像GitHub Copilot这样的AI代码生成工具重塑了专长格局，但在不同技能水平上影响不同。对于高级工程师来说，AI自动化了相对非专家级的任务——样板代码、语法查找、常规调试。这些工程师现在更专注于架构、设计和复杂问题解决。随着他们专注于更高价值的活动，他们的生产率和工资可能会上升。
然而，对于初级工程师来说，AI自动化了他们核心的专家级任务——传统上作为进入该职业入口的基础编程。编写功能代码曾是他们的主要附加值；现在AI可以更快、更便宜地完成，甚至可能最终做得更好。专长框架预测，这将降低入门级工资，但同时可能增加就业，因为那些理解自己想要构建什么但缺乏深层技术技能的人会进入这个领域。
这种单一职业内部的分化表明，关于“程序员”的总体预测没有抓住要点。同一个工具，提升了高级工程师的专长，却可能削弱初级工程师的专长。
这不全是坏消息，但它带来了制度上的挑战。在均衡状态下，公司不能只雇佣在其他公司获得过经验的工人。如果不在其他公司，这些工人就必须在某个地方获得经验。这不是一个不可克服的挑战。我们有多种制度机制，允许新手在进入不受保护的劳动力市场之前，在常规雇佣关系之外获得有结构、有监督的经验。例如，正规教育项目、行业学徒制、医学住院医师、法律助理职位和飞行模拟器都为新手提供了在进入无保护劳动力市场之前获得有结构、有监督的经验的场所。虽然其中一些学习机制是无偿的，另一些则要求未来的工人付费，但如果培养更专业的工人的价值足够大，这些机制就能够蓬勃发展。如果AI的广泛采用最终在更广泛的职业中切断了学习阶梯的梯级，我们预计这些及其他新的制度安排最终将被用来修复这些梯级。
医疗保健： AI诊断工具可能引发另一种不同的结果。当AI系统能够根据症状、检测结果（以及最终与患者的直接互动）诊断复杂疾病时——这目前是医生的专家级任务——专长框架预测，随着医生诊断垄断地位的削弱，他们的工资可能会下降。与此同时，通常被限制执行这些任务的执业护士和医师助理，最终可能会获得更广泛的执业范围（尽管医疗公会肯定会试图阻挡他们的道路）。如果这种扩展被允许，这些从业者的收入可能会随着他们承担以前排他性的任务而上升。
“通过向目前由少数高薪专家垄断的诊断实践中注入竞争，AI的有效使用可以使更大、更分布式的劳动力提供高质量的护理。”
净效应可能对医疗保健的可及性极为有利。通过向目前由少数高薪专家垄断的诊断实践中注入竞争，AI的有效使用可以使更大、更分布式的劳动力提供高质量的护理。难以吸引专家的农村社区可以通过AI增强的护士获得 sophisticated 的诊断能力。这项技术可用于民主化专长，即使它同时扰乱了传统的等级制度。
这个例子也强调了，仅仅关注岗位替代会忽略对工人本身以及消费者（在这里是患者）的潜在好处。专业服务的“优步式”颠覆——技术降低准入门槛——可以使更广泛的劳动力受益，即使它对现有的精英造成了更多的竞争。正如 Milton Friedman 据称所说，人人都热爱自由市场，但人人都讨厌竞争。
四、变革性人工智能与专长的未来
专长框架阐明了转型期，展示了当特定任务从人类转移到机器时，自动化如何重塑人类专长的价值。但变革性人工智能承诺的是某种质的不同：在所有认知任务上达到或超越人类表现的系统。不仅仅是阅读X光片或编写代码，而是人类智力的全部 spectrum。接受人类心智最终是一台机器的观点，我们不排除机器有一天可能模仿所有人类能力并超越所有人类能力的可能性。
“接受人类心智最终是一台机器的观点，我们不排除机器有一天可能模仿所有人类能力并超越所有人类能力的可能性。”
如果变革性人工智能真的到来，这对人类专长意味着什么？为边际自动化开发的专长框架，在一个机器能在所有事情上比人类更便宜、更好、更快地完成的世界里，似乎可能变得无关紧要。但稀缺性创造价值的核心见解仍然至关重要。问题变成了：在一个人工智能丰裕的世界里，哪些形式的稀缺性仍然存在？这又带来了哪些社会、分配和治理挑战（以及机遇）？
情景一：我们无法想象未来的工作
技术转型中一个一贯的模式是，我们无法预见它所创造的新工作形式。1900年的农民和工厂工人很少有人能想象一个由服务和信息主导的经济，在那里数百万人担任软件工程师、律师、美容师和健康技术专家——一个从事数据科学工作的人数比从事农业、渔业和林业工作的人数多出一半以上的经济。[23] 同样，我们可能根本无法想象变革性人工智能将创造的工作。
“当我们试图设想人类劳动力在日益AI密集的经济中的角色时，想象力通常会不足，因为我们固守于那些可以被自动化的东西，即我们目前正在做但将来不再需要做的事情。”
当我们试图设想人类劳动力在日益AI密集的经济中的角色时，想象力通常会不足，因为我们固守于那些可以被自动化的东西，即我们目前正在做但将来不再需要做的事情。但这种短视掩盖了使新技术具有根本变革性的原因。仅仅以更快的速度和更低的成本复制我们现有的能力，是一个有用但相对次要的成就。正如Brynjolfsson所观察到的，如果古希腊人自动化了他们所有的生产活动，他们仍然会缺少飞行、电信和青霉素——现代性的支柱。[24]
变革性创新不仅仅是自动化现有任务，它们开辟了全新的人类可能性视野。古列尔莫·马可尼对无线通信的愿景，首先是一种想象力的壮举：利用新发现的电磁波谱特性，在没有物理介质的情况下远距离传输信息。通过开启新的可能性，这些创新产生了新的就业和对专长的需求。直到支撑性的创新创造出对这些 specialized 技能组合的需求，才出现了飞机机组人员、家用水管工、遗传学家或电视演员。2018年，美国大约60%的就业是在1940年尚未发明的职业专业中。[25]
人类专长与新技术之间的这种互补性可以通过多种渠道发挥作用。最简单且通常最理想的情况是，创新创造了新的对人类专长的需求，例如飞行、医学、建筑、设计、娱乐、护理工作等所需的专长。新工作与仅仅是更多工作的区别在于，它赋予了劳动力新的稀缺价值；它需要的能力既不是已经 abundant 可得的，也不仅仅是更多同样的东西。[26] 因此，新的专长需求与自动化相反：它们不是将任务从劳动力重新分配给资本，而是实例化了特别需要人类能力的新任务。这种对新专长需求的关注呼应了Acemoglu和Restrepo赋予新任务创造的突出作用，[27] 并额外强调了任务之所以新，在于所需的新颖专长。
即使AI在今天许多任务上超越了人类能力，也可能会出现全新类别的人类工作，在这些工作中，AI是补充而非取代人类劳动。这些可能涉及指导AI系统、在特定情境下解释其输出，或执行我们尚无法设想的功能。在一个AI饱和的世界里，人类的能动性、价值观和判断力可能变得更重要，而不是更不重要。必须有人决定AI应该解决什么问题，应该优化哪些价值观，以及如何部署其能力。
“新工作与仅仅是更多工作的区别在于，它赋予了劳动力新的稀缺价值；它需要的能力既不是已经 abundant 可得的，也不仅仅是更多同样的东西。”
正如专长框架所强调的，自动化——任务从劳动到资本的重新分配——可能对工资和就业产生微妙的影响。自动化消除专家级任务会使剩余的工作更简单、更容易进入。自动化消除常规性任务通常会增加专业化并放大专长的价值。在任何一种情况下，自动化的不完整性意味着需要人类劳动的关键任务仍然存在。通常，需要新的专长才能有效地与自动化提供的能力协同工作。因此，掌握工具成为掌握手艺的核心。正如Autor和Manyika所讨论的，许多工具实际上是与专家合作，充当其知识的杠杆，并缩短人类意图与物质结果之间的距离，而不是使专长过时。[28]
以客户服务为例。Brynjolfsson等人[29] 发现，基于AI的客户服务工具显著提高了初级客服人员的表现——不是通过让他们立即变得更有效，而是通过加速他们掌握技能的路径。当AI进展缓慢时，这种力量倍增效应很可能是持久的，这通常是因为系统改进的经济激励较弱，或者因为达到人类水平的表现仍然 prohibitively 昂贵。[30] 然而，在其他情况下，人类与部分自动化的合作被证明是短暂的。在国际象棋和围棋中，人机“半人马”团队曾短暂地超越单独的人类或AI。[31] 但AI的快速进步很快使半人马团队过时了。类似的轨迹可能正在客户服务角色中上演。预测未来对专长需求的一个关键问题是，确定AI与人类的合作将在何处提供持久的价值，以及在何处它仅仅是机器-人类互补性与完全自动化之间的一个短暂中转站。
情景二：人类劳动失去所有稀缺价值
悲观的情景设想了一个人类劳动真的失去所有经济价值的世界。如果AI系统能比人类更好、更快、更便宜地执行任何任务，为什么会有人为人类劳动付费？这种情况本身并不意味着稀缺性的终结；蒙特雷的海滨房产、专属体验、地位和社会尊重仍然会是稀缺的。但劳动将不再稀缺。
这种情况将动摇市场经济的基础。在 canonical 经济理论中，市场运作要求参与者拥有有价值的东西进行交换。劳动力市场是这种价值的主要产生者：人们用劳动换取收入，然后用收入购买商品和服务。虽然这种说法可能听起来有些过时，但尽管工业化国家拥有 vast 物质财富，当代工业化经济体中大约60%的附加值是以劳动报酬形式支付的，而非资本。[32] 如果人类劳动的稀缺价值被抽空，大多数人将没有东西可卖。世界上仍然会有经济价值，但它不会归于劳动，而劳动力市场本身也将不再有任何功能。
“如果人类劳动的稀缺价值被抽空，大多数人将没有东西可卖。世界上仍然会有经济价值，但它不会归于劳动，而劳动力市场本身也将不再有任何功能。”
一个没有劳动稀缺性的世界——赫伯特·西蒙所说的“丰裕的危机”——将带来三个超越性的社会挑战。第一个是社会组织和人类目标的危机。对幸运者来说，工作提供了目标、社区和尊重。然而，过去四十年表明，随着计算机化的推进和不平等加剧，相当一部分 minority 工作的质量、尊严和尊重已经被侵蚀。如果人类对AI的部署将这个进程推向其逻辑极限，它将要求社会进行巨大的调整，在一个缺乏工作所提供的结构和激励的世界中“重构”身份的基础。虽然后果不一定是反乌托邦的，但人们在被剥夺了这一基础性结构后，是否会 individually 或 collectively 更快乐，这并不确定。
加剧这种不确定性的是第二个挑战：一个没有劳动稀缺性的世界是一个存在巨大收入分配问题的世界。虽然会有许多值得拥有的稀缺之物，但谁有资源来购买它们呢？答案将取决于社会如何分配生产性资源的价值，而这些资源很可能由极少部分人类拥有。虽然人们可以想象一个劳动无限丰裕的世界也是一个无限慷慨的世界，但我们对此表示怀疑。在公元前4世纪，亚里士多德预言，如果“梭子会自己织布，琴拨会自己触弦而不需手来引导，那么工头就不需要仆人，主人也不需要奴隶了。”[33] 然而，在动力织布机发明后的150多年里，奴隶制并未名义上被废除，而且至今仍以其他形式存在。如果我们听起来过于悲观，想象一个所有重大资源分配决策都由萨姆·奥特曼、埃隆·马斯克和马克·扎克伯格组成的三方委员会做出的社会。虽然这些亿万富翁企业家 arguably 值得一定程度的钦佩，但人们可能会怀疑，一个主要依赖他们善意的社会是否是一个可取的社会。
“我们担心，一个没有劳动力市场的民主——一个绝大多数公民被视为索取者而非有报酬的贡献者的民主——可能无法作为民主政体长久存在。”
这引出了第三个挑战：民主治理能否在劳动力市场解体后生存。民主合法性本身部分依赖于这样一种观念，即公民-选民既为经济生产做出贡献，也从中受益。反映了这一（以及许多其他）偏见，历史上大多数民主国家在多数时期都将投票权限制在拥有土地的男性公民身上。在当代民主国家，投票权名义上扩展到几乎所有成年公民。然而，特别是在美国，处于工作年龄但未被有酬雇佣的成年公民，通常会被立法程序剥夺合法性，并受到惩罚性的限制。相比之下，工人们似乎被政治进程视为贡献者，这反过来又赋予他们向社会提出要求的权利。我们担心，一个没有劳动力市场的民主——一个绝大多数公民被视为索取者而非有报酬的贡献者的民主——可能无法作为民主政体长久存在。
虽然这种劳动稀缺性完全消除的情景是极端的，但在AI使所有人类劳动过时之前很久，各国就可能达到危机的临界点。如果劳动收入份额在未来一二十年急剧下降，那么即使人类工作仍然存在，民主国家的政治经济也可能会崩溃。
政策含义：为奈特不确定性做准备
鉴于变革性人工智能影响的基本不确定性，今天什么样的政策是合理的？我们需要在多种情景下都有效的方案，从渐进式自动化到人类劳动的完全过时。
对冲我们的劳动力风险
第一个建议是超越全民基本收入的辩论。虽然全民基本收入通过对富有的资本所有者征税并将资源重新分配给非工人，可能部分解决收入分配问题，但全民基本收入并不能解决在后劳动力世界中，资源所有权严重不平等和民主合法性减弱这些更深层次的政治经济学挑战。
考虑一下全民基本资本：赋予每个人从出生起在生产性资产中有意义的股权。[34] 与需要持续政治支持来进行再分配的全民基本收入不同，全民基本资本在自动化经济中创造了长期利益相关者。人们将拥有取代人类劳动的机器和算法的股份，并从提高的生产力中获得分红。
这种所有权结构应对了多个挑战。它通过资本回报而非持续的转移支付提供收入，减少了政治脆弱性。它广泛分散了资本所有权，从而减少了所有权的集中。它通过确保每个人都有资产可以交易来维持市场机制。它可能通过确保公民是生产性资源的所有者，而不仅仅是索取者，来维护民主合法性。最后，它作为对劳动收入风险的对冲，这一点至关重要，因为劳动收入是大多数适龄工作成年人依赖的主要资产流。无论劳动价值是全面下降（正如许多人所预测的）还是对一些人上升对另一些人下降（这几乎可以确定），通过更广泛的资本所有权来对冲这种风险肯定是明智的。如果因为AI资本将取代劳动力而预期劳动力价值下降，那么用资本所有权来对冲劳动收入就尤其是个好主意。
“如果全民基本资本立即发给新生儿和未来出生的人群，资本所有权也需要几十年才能广泛普及。因此，我们应该现在就开始试验这些结构。”
当然，实施的细节至关重要。股权必须足够大，以提供有意义的收入和影响力——而不是让真正的控制权掌握在少数大股东手中的象征性数量。这些股权的结构必须能够防止通过向富有的买家出售而立即集中。并且它们必须包括治理权，而不仅仅是被动的收入流。几种变体值得研究：向公民分配股份的主权财富基金、向用户授予股权的AI开发公共选择、要求超过一定估值的公司向更广泛的利益相关者分配股权的规定。如果全民基本资本立即发给新生儿和未来出生的人群，资本所有权也需要几十年才能广泛普及。因此，我们应该现在就开始试验这些结构。
支持工人过渡
随着专长要求在各职业中迅速变化，我们需要能够平滑调整的政策。虽然有促进此类过渡的标准工具包——失业保险、再培训计划、职业咨询（可能由AI驱动）——但它们通常未能解决接受新工作的一个关键障碍。当工人因贸易冲击、技术过时或行业衰落而职业迁移时，这通常意味着他们的专长已经失去了市场价值。事实上，失业后转换职业的工人表现出显著的工资伤痕。[35] 认识到这种风险，许多失业工人面临着在寻找可能已不存在的工作机会与接受显著的、持久的工资削减之间的痛苦选择。
工资保险通过补贴工人以较低工资重返工作岗位时的工资差距，提供了这两种结果之间的桥梁。Kletzer和Litan被认为阐述了第一个正式的工资保险政策设计，[36] 但直到最近才有关于该政策效果的证据。正如Hyman、Kovak和Leive[37] 所记载的，奥巴马政府实施的一项工资保险计划——再就业贸易调整援助提供了 substantial 收益的有力证据。根据RTAA的设计，因贸易而非自愿失业并找到工资较低的新工作的工人，有资格获得支付其新旧工资差额50%的补贴，并有合理的期限上限（如两年）。
这种激励结构被证明是有效的。有资格获得RTAA的贸易失业工人比没有工资保险的类似工人重返就业的速度明显更快——大约快一个日历季度——并且在四年内多赚了大约18,000美元，这还不包括保险支付本身。这些影响主要源于失业期的缩短，而不是工人接受了更差的工作；事实上，没有证据表明工资保险导致了低质量的就业，也没有证据表明它使工人陷入衰退行业。然而，它也没有显示出，与那些因年龄或先前收入而没有资格享受此项福利的类似工人相比，它能让工人更快地重新回到职业阶梯上。关键是，当考虑到减少的失业保险支付和因就业增加而增加的税收收入时，该计划被证明是自融资的。
类似的工资保险计划可以纳入美国失业保险体系。这些福利将只适用于非自愿失业的工人——不是出于选择，也不是因为自身原因——并且只支付给那些在失业后的资格期内找到新工作的人。与在某人找到新工作时结束的常规失业保险不同，工资保险福利将在工人重新就业时生效。这将产生强大的激励，促使他们即使工资稍低，也能迅速重返工作岗位。它也将通过弥补部分经济损失，在一定程度上缓冲收入降低带来的心理打击。并且，它可能使工人能够继续重建自己的职业生涯并有可能过渡到更高的收入，而无需忍受长期失业带来的伤痕效应。
“利用快速发展的AI和AR工具，并通过公共投资或公共策划的创新拨款和奖项来引导它们，将使更多人能够通过实践而非学习来掌握新专长。”
工资保险提供了一张安全网，但它没有提供上升阶梯。教育和培训系统可以提供那个阶梯，但它们需要创新。通过适当的设计，AI作为帮助工人高效获取专长并有效运用专长的工具，具有巨大潜力。将AI应用于培训创新的一个途径是扩大模拟培训的使用。模拟培训目前主要在风险太高而无法进行实践的环境中部署，例如飞行员的飞机飞行模拟器，以及在医学领域，可以呼吸、流血、眨眼、说话和抽搐的 animated 人体模型。利用快速发展的AI和AR工具，并通过公共投资或公共策划的创新拨款和奖项来引导它们，将使更多人能够通过实践而非学习来掌握新专长。例如，Moghaddam等人[38] 表明，在帮助工人掌握涉及复杂操作和推理的制造任务方面，增强现实作为一种基于工作场所的学习和培训技术，远比课堂培训更有效。如果存在AI可以教授但无法替代完成的专长，这种培训将尤其有价值，因为它能加速工人发展出抗AI替代的专长。
五、结论：未来的工作
自动化的历史强调了一个基本事实：技术对工人的影响不仅取决于什么被自动化，还取决于什么被保留下来。当自动化消除一个职业中最简单的任务时，工人必须变得更加专业，工资上升，而合格的人数减少。当它消除最复杂的任务时，工作变得更容易进入，工资下降，就业扩大。这个专长框架解释了为什么会计文员和库存文员——两者都面临常规任务自动化——经历了相反的命运。但自动化并非全部。新任务的创造至关重要，尽管激发新任务创造的机制更加难以捉摸。
“自动化的历史强调了一个基本事实：技术对工人的影响不仅取决于什么被自动化，还取决于什么被保留下来。”
正如哲学家Joshua Cohen常说的，未来不是一个预测问题，而是一个设计问题。[39] 我们可以利用变革性人工智能来创造超乎想象的丰裕，或超乎容忍的不平等。我们可以用它来民主化专长，或集中权力。我们可以用它来增强人类能力，或使其过时。最有可能的是，我们将经历这些结果的某种复杂组合：某些人类能力价值上升，其他一些被淘汰，而新的专长形式将利用人机协作涌现出来。但是，即使这些变革对工作和工人的净效应平均而言是积极的，也很少有工人能体验到这种“平均”。可以肯定的是，一些人将看到他们的专长贬值，而另一些人将乘风破浪，拥抱新专长的创造。
我们仍然乐观地认为，人类不会迅速走向劳动稀缺性的终结，但我们认识到，一场充满风险的技术和经济转型已经在进行中——这场转型具有巨大的上行潜力和同样巨大的下行风险，这些风险将不平等地落在个人、人口群体、国家和世代身上。我们应该使用在多种情景下都有效的政策来对冲我们的赌注。对于像美国这样的工业化国家来说，这意味着用资本对冲来多样化劳动收入，用工资保险来平滑就业过渡，以及投资于教育创新以支持专长获取。
然而，这些对冲措施对世界上大多数工人毫无帮助——尽管他们也面临着同样的劳动收入风险，这尤其源于两个工业化国家对通用人工智能的全力追求。如果说劳动稀缺性的迅速侵蚀会给拥有强大安全网的富裕国家的工人带来严峻挑战，那么对发展中世界的风险则要大得多。
“我们仍然乐观地认为，人类不会迅速走向劳动稀缺性的终结，但我们认识到，一场充满风险的技术和经济转型已经在进行中——这场转型具有巨大的上行潜力和同样巨大的下行风险，这些风险将不平等地落在个人、人口群体、国家和世代身上。”
参考文献
[1] 我们感谢Lucy Hampton和Can Yeşildere的广泛意见和协助，他们改进了这份手稿。
[2] David H. Autor and Neil Thompson, “Expertise,” Journal of the European Economic Association 23, no. 4 (2025): 1203-1271.
[3] Herbert. A. Simon, “‘Automation’ (A Letter in Response to ‘Where Do We Go From Here?’ from the March 17, 1966 Issue),” New York Review of Books, 1966年5月26日。
[4] “Amazon Workers Face ‘Increased Rates’ of Mental Illness,” BBC, 2013年11月25日。
[5] Karen Weise, “Amazon Plans to Replace More Than Half a Million Jobs with Robots,” New York Times, 2025年10月25日。
[6] Carl Benedikt Frey and Michael A. Osborne, “The Future of Employment: How Susceptible Are Jobs to Computerisation?,” Technological Forecasting and Social Change 114 (2017年1月): 254–280。
[7] Daron Acemoglu and Pascual Restrepo, “The Race Between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment,” American Economic Review 108, no. 6 (2018): 1488–1542。
[8] Autor and Thompson, “Expertise.”
[9] David H. Autor, Lawrence F. Katz, and Melissa S. Kearney, “The Polarization of the US Labor Market,” American Economic Review: Papers & Proceedings 96, no. 2 (2006): 189–194; Maarten Goos and Alan Manning, “Lousy and Lovely Jobs: The Rising Polarization of Work in Britain,” Review of Economics and Statistics 89, no. 1 (2007): 118–133; Maarten Goos, Alan Manning, and Anna Salomons, “Job Polarization in Europe,” American Economic Review: Papers and Proceedings 99, no. 2 (2009): 58–63.
[10] 其他关注职业构成变化和自我选择的巧妙解释也已提出：Guido Matias Cortes, “Where Have the Middle-Wage Workers Gone? A Study of Polarization Using Panel Data,” Journal of Labor Economics 34, no. 1 (2016): 63–105; Michael J. Böhm, “The Price of Polarization: Estimating Task Prices Under Routine-Biased Technical Change,” Quantitative Economics 11, no. 2 (2020): 761–799; Michael J. Böhm, Hans-Martin von Gaudecker, and Felix Schran, “Occupation Growth, Skill Prices, and Wage Inequality,” Journal of Labor Economics 42, no. 1 (2024): 201–243; Oren Danieli, “Skill-Replacing Technology and Bottom-Half Inequality,” 工作论文, 特拉维夫大学, 2025年5月。
[11] Daron Acemoglu and David Autor, “Skills, Tasks and Technologies: Implications for Employment and Earnings,” in Handbook of Labor Economics, vol. 4 (Elsevier, 2011): 1043–1171; Acemoglu and Restrepo, “The Race Between Man and Machine”; 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.
[12] Daniel Susskind, “A Model of Technological Unemployment,” Economics Series Working Papers 819, no. 10.1017 (2017年5月).
[13] Jeffrey Lin, “Technological Adaptation, Cities, and New Work,” Review of Economics and Statistics 93, no. 2 (2011): 554–574; Acemoglu and Restrepo, “The Race Between Man and Machine”; Acemoglu and Restrepo, “Automation and New Tasks.”
[14] 参见, 例如, Lin, “Technological Adaptation, Cities, and New Work”; Enghin Atalay, Phai Phongthiengtham, Sebastian Sotelo, and Daniel Tannenbaum, “The Evolution of Work in the United States,” American Economic Journal: Applied Economics 12, no. 2 (2020): 1–34; David H. Autor, Caroline Chin, Anna Salomons, and Bryan Seegmiller, “New Frontiers: The Origins and Content of New Work, 1940–2018,” Quarterly Journal of Economics 139, no. 3 (2024): 1399–1465; David H. Autor, Caroline Chin, Anna Salomons, and Bryan Seegmiller, “What Makes New Work Different from More Work?,” Annual Review of Economics, 2025, 即将出版。
[15] David Schloss, “Why Working Men Dislike Piece-Work,” The Economic Review 1, no. 3 (1891年7月): 311–326。
[16] Benjamin F. Jones, “The Burden of Knowledge and the ‘Death of the Renaissance Man’: Is Innovation Getting Harder?,” Review of Economic Studies 76, no. 1 (2009): 283–317。
[17] 略有不同的是，一些自动化取代了役畜提供的能力。
[18] Joel Mokyr, Chris Vickers, and Nicolas L. Ziebarth, “The History of Technological Anxiety and the Future of Economic Growth: Is This Time Different?,” Journal of Economic Perspectives 29, no. 3 (2015): 31–50。
[19] Robert C. Allen, “Engels’ Pause: Technical Change, Capital Accumulation, and Inequality in the British Industrial Revolution,” Explorations in Economic History 46, no. 4 (2009): 418–435。
[20] Michael Polanyi, The Tacit Dimension (Doubleday, 1966); David H. Autor, “Why Are There Still So Many Jobs? The History and Future of Workplace Automation,” Journal of Economic Perspectives 29, no. 3 (2015): 3–30。
[21] David H. Autor, “The Labor Market Impacts of Technological Change: From Unbridled Enthusiasm to Qualified Optimism to Vast Uncertainty,” 美国国家经济研究局工作论文第20074号, 2022年7月。
[22] Jonathan S. Rosenfeld, Amir Rosenfeld, Yonatan Belinkov, and Nir Shavit, “A Constructive Prediction of the Generalization Error Across Scales,” 预印本, arXiv, 2019年12月20日。
[23] 美国劳工统计局, “Occupational Outlook Handbook: Data Scientists,” 最后修改于2025年8月28日; 美国劳工统计局, “Occupational Employment and Wage Statistics,” 最后修改于2024年4月3日。
[24] Erik Brynjolfsson, “The Turing Trap: The Promise and Peril of Human-Like Artificial Intelligence,” 载于 Daniel Araya and Peter Marber 编, Augmented Education in the Global Age (Routledge, 2023): 103–116。
[25] Autor, Chin, Salomons, and Seegmiller, “New Frontiers: The Origins and Content of New Work, 1940–2018.”
[26] Autor, Chin, Salomons, and Seegmiller, “What Makes New Work Different from More Work?”
[27] Acemoglu and Restrepo, “The Race Between Man and Machine”; Acemoglu and Restrepo, “Automation and New Tasks.”
[28] David H. Autor and James Manyika, “A Better Way to Think About AI: Artificial Intelligence Is Ready to Collaborate. Why Fixate on Automation?,” The Atlantic, 2025年8月24日。
[29] Erik Brynjolfsson, Danielle Li, and Lindsey Raymond, “Generative AI at Work,” Quarterly Journal of Economics 140, no. 2 (2025): 889–942。
[30] Neil Thompson, Danial Lashkair, and Omeed Maghzian, “Discussion: ‘We Won’t Be Missed: Work and Growth in the Era of AGI’ by Pascual Restrepo,” 美国国家经济研究局变革性人工智能会议, 2025年10月; Maja Svanberg, Wensu Li, Martin Fleming, Brian Goehring, and Neil Thompson, “Beyond AI Exposure: Which Tasks Are Cost-Effective to Automate with Computer Vision?,” 工作论文, 2024年1月。
[31] Andreas Haupt and Erik Brynjolfsson, “A Case for Centaur Evaluations,” 载于 NeurIPS 2025 Workshop on Evaluating the Evolving LLM Lifecycle: Benchmarks, Emergent Abilities, and Scaling (2025年9月)。
[32] David H. Autor, David Dorn, Lawrence F. Katz, Christina Patterson, and John Van Reenen, “The Fall of the Labor Share and the Rise of Superstar Firms,” Quarterly Journal of Economics 135, no. 2 (2020): 645–709。
[33] Aristotle, The Politics of Aristotle, 译 Benjamin Jowett (Clarendon Press, 1885), 第一卷, 第四章 (1253b33–1254a1)。
[34] 参见 Nathan Gardels, “New Deal 2.0: Make Labor Capitalists,” Noēma, 2021年4月9日; Nicolas Berggruen, “Universal Basic Capital Would Create a Fair AI Economy,” Financial Times, 2025年10月31日。
[35] Christopher Huckfeldt, “Understanding the Scarring Effect of Recessions,” American Economic Review 112, no. 4 (2022): 1273–1310。
[36] Lori G. Kletzer and Robert E. Litan, “A Prescription to Relieve Worker Anxiety,” 政策简报01-02, 彼得森国际经济研究所, 2001年3月。
[37] Benjamin G. Hyman, Brian K. Kovak, and Adam Leive, “Wage Insurance for Displaced Workers,” 美国国家经济研究局工作论文第32464号, 2024年5月。
[38] Mohsen Moghaddam, Nicholas C. Wilson, Alicia Sasser Modestino, Kemi Jona, and Stacy C. Marsella, “Exploring Augmented Reality for Worker Assistance Versus Training,” Advanced Engineering Informatics 50 (2021年10月): 101410。
[39] 引自 Michelle Mohney, “What AI Means for the Future of Work: HDI+C Panel with David Autor and Eric Horvitz,” 西北大学麦考密克工程学院, 2025年5月4日。
转载请注明：《中国社会分红/基本收入研究网》 浏览量：6 views
