https://www.digitalistpapers.com/vol2/stevenson
作者：Betsey Stevenson
密歇根大学福特公共政策学院教授，美国国家经济研究局研究员。
变革性人工智能可能会让我们集体比以往任何时候都更加繁荣，但并没有铁律规定社会福祉必须随之提高。在这篇文章中，Betsey Stevenson[1] 认为，成功过渡到拥有变革性人工智能的世界，需要我们解决三个问题——如果人类劳动被贬低或取代，普通人如何寻求更好的生活；宝贵的资源将如何分配；以及人们将从哪里获得意义和目的。如果我们能够正确制定政策应对，我们就不需要害怕一个拥有变革性人工智能的世界。
引言
今天，我所能生产的最有价值的东西，可能是我数字足迹产生的数据。从我浏览的应用程序，到我订购的产品，到我手机和手表捕捉的运动和健康数据，再到我化验单上的医疗信息。像其他人一样，我不断产生行为痕迹流，这些痕迹可以被收集、分析并输入机器学习系统。反过来，这些系统产生预测和利润，最终不仅会塑造我们看到的广告和呈现给我们的机会，还会塑造市场、制度的演变，并最终塑造我们对作为人类意味着什么的认知。[2]
这些数据正在彻底改变预测，创造出能够处理人类因处理能力有限而无法完成的复杂任务的人工智能系统。变革性人工智能有望利用我们数百年来共同产生的数据，并将其用于创造大量财富。如果我们只分析到这里，很容易感到乐观：更多的产出、更多的可能性、更多的资源来满足人类需求。如果我们想用更少的资源生产更多的东西，技术进步是唯一的途径。就像蒸汽机以及后来的内燃机和电动机在基于力量的任务上超越人类一样，先进的人工智能预计将在越来越多的智力和信息处理任务上超越人类。那场早期的转型不仅重塑了劳动力市场和经济，还重塑了家庭、社区，乃至我们对人类价值的整个观念。[3] 许多人在这个过程中受到了伤害，但很少有人会反驳这种说法：超人的人工力量的出现让人类过得更好。
今天的恐惧不仅仅是像过去那样对技能进行重新排序，而是所有人类技能都可能被彻底取代，以至于劳动收入份额下降，技术进步带来的收益主要流向人工智能的所有者和开发者。越来越多的实证文献表明，近期的自动化浪潮倾向于降低劳动收入份额，即使生产率在上升。[4] 这不是一个铁律，但这是一个警告：如果没有刻意的政策，人工智能驱动的产出繁荣不一定会转化为广泛共享的繁荣。
人工智能是否会改善社会福祉的问题，不能与分配问题分开。而分配问题又不能与考虑在变革性人工智能时代，人类的哪些禀赋将保持价值分开。只有在面对人类劳动和人力资本回报可能下降的情况下，社会以保持公平和稳定的收入分配的方式进行适应，人工智能才能改善福祉。[5]
“只有在面对人类劳动和人力资本回报可能下降的情况下，社会以保持公平和稳定的收入分配的方式进行适应，人工智能才能改善福祉。”
关于收入和生活满意度的实证文献显示，收入与福祉之间存在稳健的、近似对数线性的关系：随着国家变得更富裕，平均生活满意度上升，当我们比较一个国家内部的人或随着时间的推移跟踪他们时，也能看到同样的关系。[6] 收入让人们更快乐，但快乐的增加速度是递减的。这个简单的事实蕴含着一个强大的含义：对于任何给定的平均收入水平，更平等的分配通常会产生更高的平均福祉。经济增长可以提高社会福利，但收益的分配方式决定了福利提高多少。
经济学家长期以来一直在争论公平与效率之间的权衡：追求更好生活的动力驱使人去学习而不是社交，去多轮一班而不是休息，去为了更美好的明天而投资今天。从历史上看，那些选择工作而非休闲的人获得了物质回报。过多的再分配可能会削弱这些激励，使整个社会变得更穷。但是，如果人类劳动与更繁荣生活的回报之间只存在微弱的联系，甚至完全脱节，那么这些激励会怎样呢？我们是否会面临同样的权衡——做大蛋糕与给人们均分蛋糕之间的权衡？还是这种权衡的结构本身会被改变？经济学家和政策制定者需要考虑到，几个世纪以来关于什么激励经济活动的思考，本身可能会被人工智能革命所颠覆。
如果人工智能系统在扩大总产出的同时，取代或贬低了人类工作，那么保护和提高福祉就需要同时解决三个问题：(1) 普通人如何寻求更好的生活？(2) 资源将如何分配？(3) 人们将从哪里获得意义和目的？
“经济学家和政策制定者需要考虑到，几个世纪以来关于什么激励经济活动的思考，本身可能会被人工智能革命所颠覆。”
本文探讨了政策需要如何通过解决这三个问题，来确保成功过渡到人工智能驱动的繁荣时代。我提出了政策制定者应关注的三个关键领域。首先，我们必须重塑关于“我们是否会失业”的讨论，将其转变为关注如何管理工作转型的速度和过程。其次，我们必须认识到人类在历史上一直并将继续在生成人工智能所依赖的数据方面发挥重要作用，然后设计制度确保他们分享所创造的价值。第三，我们必须加强社会内部的互惠和信任纽带，使人们体验人工智能驱动的繁荣时，不觉得是遥远的系统对他们做了什么，而是作为一个肯定他们在社会契约中地位的共同项目。
工作岗位将会消失，政策必须帮助管理转型
今天，劳动力市场是人们寻求更好生活、对社会资源提出要求，以及在许多情况下寻找意义和目的的主要机制。如果未来人工智能和机器人技术的进步在一系列广泛的任务上能够与人类能力相媲美甚至超越，那么人类劳动可能无法再为这三个问题中的任何一个提供好的答案。社会如何适应这一深刻变化，不仅取决于技术本身，还取决于政府和社会选择采取的政策应对。[7]
工业革命早期，技术进步迅速，带来了显著的经济增长、生产率提高和工业家利润的增加，然而几十年来，普通工人的实际工资几乎没有变化。[8] 人均产出增加而典型工人实际工资停滞不前的紧张局势，引发了政策转变，为更广泛的福利倡议、更重要的监管干预、政治行动主义以及专注于确保技术惠及不止于狭隘精英的劳工运动奠定了基础。教训不是技术不好，而是生产率的提高不会自动转化为繁荣。只有当社会建立制度，使新的经济体制对大多数人来说首先是可忍受的，然后才是真正有益的，繁荣才会到来。
“教训不是技术不好，而是生产率的提高不会自动转化为繁荣。只有当社会建立制度，使新的经济体制对大多数人来说首先是可忍受的，然后才是真正有益的，繁荣才会到来。”
同样的逻辑适用于今天。政策的目标不应该是阻止人工智能取代人类劳动；阻止技术变革可能会抑制增长，并使数亿人陷入极端贫困。经济史表明，生产率的提高对于让大量人口摆脱贫困至关重要。相反，政策的目标应该是塑造技术变革的速度和方向，减缓减少工作岗位的技术的采用，以便这些变化发生在与人类适应能力相协调的时间表上。
技术进步已经改变了工作的数量和构成。在世纪之交，全球约40%的劳动力从事农业；今天，这一比例约为25%。在过去150年里，全球人均工作时间有所下降。[9] 更短的工作周、更长的假期、在玩耍和学习中度过的童年，以及更长、更健康的退休生活，都使得典型个人的工作时间比他们的祖先可能工作的时间要少，大多数人欢迎这一变化。[10] 这些变化表明了经济增长和生活水平的提高。当工人在其他地方有更好的机会时，国家可以负担得起在农业中使用节省劳动力的技术。当基本需求得到满足时，父母可以负担得起让孩子不进入劳动力市场。它们一起说明了两个简单的观点。首先，更多的财富提高了生活水平，并改变了工作的组合。其次，在竞争市场中，只有当机器对于任何给定的任务组合变得更便宜时，人们才会被机器取代。[11]
“人工智能不仅会通过它能做什么来塑造我们的未来，还会通过我们让它以多快的速度重塑工作来塑造我们的未来。”
人工智能不仅会通过它能做什么来塑造我们的未来，还会通过我们让它以多快的速度重塑工作来塑造我们的未来。经济学家经常区分劳动增强型技术和劳动替代型技术，但增加一个时间维度表明，一个重要区别是技术改变任务组合、所需工人数量以及产品需求的速度。[12]
文字处理是一个有用的例子。它提高了办公室工人的效率，并最终消灭了整个打字员队伍。然而，由于这种转变持续了几十年，办公室工作逐渐演变。随着文字处理软件取代常规的秘书任务，工作被转变而不是立即被摧毁，随着时间的推移，增加了协调、沟通和信息管理方面的新职责。
最近关于办公软件采用的实证研究显示了当代白领工作的类似模式。Dillender 和 Forsythe 研究了新的办公和行政支持软件的采用，发现当公司采用更复杂的工具时，这种软件增强了行政人员的能力，使他们能够做更复杂的任务。[13] 因此，这些工人的工资上涨。但其他工人经历了负面的工资溢出效应，因为同样的技术帮助取代了办公室会计师和人力资源专业人员的一些工作。简而言之，它增强了一些工人，同时削弱了其他工人。然而，更广泛的社会变革，例如女性在更广泛的职业中越来越被接受，以及医疗保健和教育等其他服务工作的扩展，帮助确保对许多人来说，这种调整感觉像是自然的进步，而不是突然的抹除。
速度对于人们如何体验生活中的意义、控制和尊严也很重要。无法进入一个正在消失的职业，与在职业生涯中期被解雇是完全不同的。选择提升技能与被要求“提升技能或离开”是不同的。当技术变革以可控的速度发生时，人们可以自愿适应：他们有时间学习新技能、更换雇主或部门，并围绕新角色重新定义自己的身份。这就是农业和制造业在就业份额中所占比例下降时发生的一部分情况：教育系统扩大，新的服务部门工作出现，家庭能够将孩子的方向从农场或工厂劳动转向学校教育。相比之下，如果人工智能将这些转变压缩到仅仅几年内，工人和社区可能会将变革体验为某种对他们做的事情，而不是他们可以驾驭的过程——从而助长怨恨、失去目标以及被抛弃的感觉。
“如果人工智能将这些转变压缩到仅仅几年内，工人和社区可能会将变革体验为某种对他们做的事情，而不是他们可以驾驭的过程——从而助长怨恨、失去目标以及被抛弃的感觉。”
同样的时间维度将影响人工智能以及最终的变革性人工智能如何在三个大致阶段内塑造不平等和工作结构：短期任务替代、中期职业重组和长期人力替代。
在短期内，人工智能工具增强或替代医生、律师、会计师、程序员、客户服务代理以及许多其他人的特定任务。我们目前正处于这个阶段，早期证据表明，这些工具可以提高表现较差或经验不足的工人的生产率，缩小职业内部的差距：使用ChatGPT和其他生成式工具的实验显示，表现分布底层的工人的速度和效率有了很大的提高。[14] 但也存在一个真正的担忧，即自动化入门级任务可能会侵蚀入门级工作。在这些工作中，工人在历史上一直具有足够的生产力来赚取收入，同时获得经验，使他们以后能够获得更大的工资增长。如果这些工人在入门级时就不再具有足够的生产力，那么新工人将更难获得他们以后变得更有生产力所需的经验。简而言之，人工智能可能重塑年龄-工资曲线，从而需要新的工作和培训模式。
这些变化将导致第二阶段：在中期，职业本身将重组，因为一些工作会萎缩或消失，另一些会扩大，并且会出现全新的角色——就像美国农业就业份额从19世纪末的60%下降到今天的1%，制造业份额从20世纪中期的约30%下降到现在的约8%一样。这些转变（过去和现在）给人的感觉是机遇还是灾难，关键取决于人们和地方是否有足够的时间和支持进入出现的新工作。美国从制造业的转型在这些方面不如从农业的转型成功。
这就是为什么政策制定者不能对人工智能的采用速度、与新机会的搭配以及在不同社区中的表现方式持不可知论态度。他们无法决定人工智能是否存在，但他们可以影响其部署是缓慢的、可管理的演进，还是快速的裁员浪潮。通过监管、税收、教育和培训系统、社会保险以及基于地方的投资，政策可以减缓和平滑劳动力替代，给工人时间适应，并帮助确保整个社区不被突然抛在后面。精心设计的政策可以为人们创造路径来增强他们的技能、收入和生活模式，而不是被技术取代。人工智能最终如何影响收入分配、社会凝聚力以及人们的意义感，将不取决于技术本身，而更多地取决于我们是否选择管理其对人类工作的影响的速度和形态。
税收是一个自然的起点，因为它直接塑造了企业在决定雇佣人类还是购买机器时所面临的相对价格。简单来说，我们对什么征税，什么就会减少；对什么补贴，什么就会增加。如今，大多数发达经济体对劳动的征税高于对资本的征税，这反映了一种历史观点，即资本更具流动性，对税收的反应更灵敏，以及投资对增长至关重要。但是，在一个我们担心人类劳动可能被过快取代的世界里，这种逻辑变得反常。我们为什么要通过对劳动重税来抑制人类劳动，同时通过补贴来有效鼓励用节省劳动力的资本来替代劳动？Acemoglu 等人最近的研究表明，美国税法确实偏向于设备和软件，而不利于劳动，这种偏见可能助长了过度的自动化。[15]
“我们为什么要通过对劳动重税来抑制人类劳动，同时通过补贴来有效鼓励用节省劳动力的资本来替代劳动？”
因此，第一个简单的政策建议是大幅减少对劳动的征税，并将我们的税基转向消费、污染和资本。目标不是冻结技术，而是停止补贴在培训、社会保险和分配等制度跟上之前过早地替代工人。一些政策制定者提出了“机器人税”来解决自动化问题，但其实施将取决于在政治上充满争议的“机器人”定义。[16] 更直接的方法是改变广泛的相对价格，使解雇工人和购买机器的行为变得不那么有吸引力。
数据生成正在增加价值：谁应该拥有它？
但是，即使是一个设计更好的税收体系也不能回答更深层次的问题：当机器几乎可以做所有事情时，谁拥有剩余？人工智能系统不是凭空出现的。它们建立在公共资助的研究、共享基础设施、开源软件、互联网积累的内容，以及数十亿人在搜索、滚动、发帖、通勤、购物和工作时产生的持续行为数据流之上。当大型模型将这些成分转化为非凡的利润时，很难说由此产生的租金只属于少数公司和它们的股东。人工智能时代的社会契约必须从一个简单的认识开始：这些系统创造的剩余是一个集体产品，在某种程度上应该被视为集体资产。[17]
“人工智能时代的社会契约必须从一个简单的认识开始：这些系统创造的剩余是一个集体产品，在某种程度上应该被视为集体资产。”
数据是每个人都拥有的资产。我们不再仅仅通过我们的正式工作为经济做贡献，也通过仅仅过着一个互联的生活所产生的数据和数字互动来做贡献。科技公司对这些数据没有自然权利，就像他们对我们的劳动没有自然权利一样。如果我们认真对待这样一种观点，即人们对他们的努力成果拥有所有权，那么很难看出为什么这种所有权应该在数字边缘停止。在一个人工智能依赖——事实上是通过挪用公共领域的资源而创建——数据的世界里，问题变成了：由此产生的财富应该如何分享，以便广泛提高福祉，而不是仅仅让那些已经拥有资本和代码的人变得更富？
这一观察指向了人工智能时代的一个核心政策建议：数字红利。政府不应将人工智能和数据驱动的利润视为私人意外之财，而应对数据的使用以及高利润数字和人工智能公司的租金征税，并将这些钱作为定期红利返还给人民。从结构上看，它很像全民基本收入，但有一个关键区别：它不被视为施舍，而是作为共享资产的回报。你正在将你的数据贡献到系统中；你从那个共享资源中获得红利。这种类比在阿拉斯加等地最为清晰，那里的永久基金将一部分州石油收入进行投资，并向每位居民支付年度红利。[18] 在人工智能的背景下，“资源”不是地下的石油，而是建立在几个世纪的公共和私人投资之上的数据、计算和智力资本。
数字红利与传统福利计划有两个重要区别。首先，它被定义为公民分享共同财富，而不是作为剩余慈善。这对尊严和意义很重要：人们不是因为他们在劳动力市场上失败而获得帮助，而是因为他们是一个现在严重依赖他们及其祖先帮助产生的非劳动投入的经济体系的共同所有者。其次，它与就业状况脱钩，同时仍然与人工智能带来的生产率提高明确相关。这使得它成为基于就业的社会保险的自然补充，而不是替代。在一个收入边际福祉递减的世界里，与允许集中在最顶层的意外之财相比，将人工智能驱动的剩余引导到收入分配的中下层将提高平均生活满意度。
“在一个收入边际福祉递减的世界里，与允许集中在最顶层的意外之财相比，将人工智能驱动的剩余引导到收入分配的中下层将提高平均生活满意度。”
设计数字红利提出了关于我们如何奖励努力和贡献、如何定义税基、如何处理跨境数据流，以及我们是否有风险巩固主导平台等严肃的技术和政治问题。到目前为止所描述的是一种仅基于共同财富份额的数字红利，但个人数据具有不同的价值。目前，广告商为接触不同受众支付不同的费用；数据红利的一个类似做法是允许人们通过贡献对训练模型、定向服务或开发新产品特别有用的数据来赚取更多。
然而，个人数据的价值很可能与收入和社会地位有关。将数字红利直接与个人数据的市场价值挂钩，因此有可能重现甚至加剧现有的不平等。虽然数据可能是一种劳动，但尚不清楚为人们独特的数据付费是否会产生像今天工资那样的努力与回报之间的关系。
一个广泛的、透明的、普遍的红利既可以在行政上可行，也可以在政治上持久。这样，普遍的数字红利既是一项分配政策，也是一项增长政策：它确保人工智能的收益真正转化为对商品和服务的需求以及更高的福祉，同时让人们在一个否则可能感觉像是“对他们”而不是“与他们一起”做的技术未来中拥有切实的利益。
在人工智能经济中建立互惠和信任
即使我们管理好工作转型的速度，更公平地分享经济剩余，仍然有更脆弱的东西处于危险之中：将社会凝聚在一起的互惠和信任纽带。人工智能系统并不是出现在一个由在公开市场中公平交易的小型竞争公司组成的井然有序的世界里。它们出现在高度集中的部门，建立在用来自似乎是公共领域的的数据训练的模型之上，并由严重依赖公共基础设施、公共研究和公众对其商业模式容忍度的公司开发。这既是所描述的那种数字红利的理由，也是一种风险。
“当一项强大技术的收益和负担如此不对称地分配时，信任不会自动产生；它必须被赢得和维护。”
这些不是标准竞争框架中的你的屠夫和你的面包师。当一项强大技术的收益和负担如此不对称地分配时，信任不会自动产生；它必须被赢得和维护。然而，对资本主义和大企业的态度相当消极。[19] 人工智能正在与一个选民对经济专业知识失去信心、政策制定者正从开放竞争转向保护主义政策（这也许无意中奖励了那些讨好者）的政治经济现实相碰撞。[20] 在一个有本地屠夫和面包师的世界里，那种裙带关系代价高昂但有限。在一个少数公司可能控制金融、媒体、物流和医疗保健基础设施的世界里，它可能是灾难性的。它削弱了人们的信念，即规则是公平的，努力会得到回报，国家是作为诚实的中间人而不是榨取伙伴在行动。拥有健全民主制度、独立监管机构和真正致力于竞争的国家，很可能比没有这些的国家更好地驾驭人工智能。这里的政策是分散的但并非神秘：执行竞争法、防范监管俘获、保护独立机构，并保持政策制定桌的开放，以便小公司和公民社会有真正的发言权。这些不仅仅是效率问题；它们是我们建立对系统的信任，并表明我们仍然认真对待互惠的方式。
然而，即使我们做好了经济学和治理工作，仍然存在一个深刻的人性问题：在一个工作可能无法提供意义的世界里，什么赋予生命意义？
在日本，“ikigai”——使生活有价值的东西——这个概念捕捉到了一种与收入或职业只有松散联系的目标感。调查证据表明，ikigai 与参与公民生活的关系最为密切：参与多个社区团体、志愿组织或社交俱乐部的人报告有更高的目标和更好的健康状况。相比之下，在美国，即使收入增加，幸福感和生活满意度在过去半个世纪里一直停滞不前。[21] 最明显的趋势之一是公民组织参与度的下降，而公民组织是 ikigai 的主要来源。[22] 繁荣的社区需要参与，然而人们却没有加入那些赋予生活意义的志愿团体、社交俱乐部和公民组织。正如罗伯特·帕特南所指出的，我们仍然打保龄球，但我们不在联盟里打。我们的私人消费更丰富了，但共享项目却更贫乏了。[23]
“然而，即使我们做好了经济学和治理工作，仍然存在一个深刻的人性问题：在一个工作可能无法提供意义的世界里，什么赋予生命意义？”
如果人工智能和自动化减少了对人类劳动的需求，我们将面临一个选择：用人工智能解放出来的时间和精力做什么？一条道路是走向进一步的个体化：更多个性化的推送、更多的独处消费、更精细定制的体验，这些体验从不要求我们与自己不同的人协商。另一条道路是利用人工智能带来的一些收益来重建共享生活的社会基础设施：支持公民组织、创建和维护人们真正愿意一起消磨时光的公共空间、同步周末和假期使休假成为一种集体福利而非私人奢侈品，以及承认照护和志愿服务是对社会福利的真正贡献。工作不必仍然是尊严和自我价值的唯一锚点，但每个人都需要某种感觉，即别人依赖他们，反过来，他们也可以依赖别人。
结论
分配、竞争和意义这几条线索汇聚在一个词上：信任。我们最近已经看到当技术能力跑赢社会凝聚力时会发生什么：我们拥有可以预防麻疹等疾病的疫苗，但疫情再次爆发，因为人们不相信提供疫苗的机构。我们很容易想象一个世界，在这个世界里，人工智能提供了用于诊断、教育、气候缓解或民主协商的非凡工具——然而这些工具要么未被使用，要么被用来相互攻击，因为人们不信任提供这些工具的公司、监管这些工具的官员，或者可能从中受益的同胞。在这样的世界里，问题不是我们缺乏治疗手段；而是我们缺乏共同使用它们的社会粘合剂。
从这个角度来看，我所强调的政策就其本身而言都是社会凝聚力政策。管理人工智能的采用速度，让人们能够适应，而不是被抛弃，这是一种表达我们仍然将彼此视为伙伴而不是可替换的投入品的方式。将人工智能驱动的剩余的一部分返还给广大人民的数字红利，表明我们承认我们相互的贡献和义务。健全的民主制度和竞争政策是我们向人们保证游戏没有被操纵的方式。对公民生活和非市场角色的投资，在仅靠工资劳动无法承担这一负担时，创造了新的目标和联系来源。
那么，在变革性人工智能之后的世界里，有什么可怕的呢？主要不是产出的缺失。如果历史有借鉴意义，变革性技术将带来非凡的生产能力。更深层的恐惧更古老、更人性化：物质收益以一种让许多人长期落后的模式出现，而且即使收入增加，赋予人们目标、地位和社区的制度与规范也未能跟上。如果我们只关注生产力，我们只会得到生产力。如果我们也为公平份额、健全制度和更新的互惠——认识到我们的数据和注意力是这个新系统的共享投入，并建立一个反映这一事实的社会契约——来设计，我们就有机会得到当人们说他们想要增长时他们实际想要的东西：一个共同觉得值得过的生活。
“从这个角度来看，我所强调的政策就其本身而言都是社会凝聚力政策。管理人工智能的采用速度，让人们能够适应，而不是被抛弃，这是一种表达我们仍然将彼此视为伙伴而不是可替换的投入品的方式。”
参考文献
[1] 我要感谢 Schila Labitsch 和 Archana Kamath，他们提供了出色的研究协助，并感谢我的学生们与我一起阅读和辩论了这里引用的许多作品，进行了深思熟虑的讨论。我还要感谢 2025 年变革性人工智能经济学研讨会的与会者和组织者。我极为感激他们的见解、时间和耐心。所有剩余的不足和错误均由我自己承担。
[2] Ajay Agrawal, Joshua Gans, and Avi Goldfarb, Prediction Machines: The Simple Economics of Artificial Intelligence (Harvard Business Review Press, 2018); Shoshana Zuboff, The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power (Public Affairs, 2019); Jaron Lanier, Who Owns the Future? (Simon & Schuster, 2013); Imanol Arrieta-Ibarra, Leonard Goff, Diego Jiménez-Hernández, Jaron Lanier, and E. Glen Weyl, “Should We Treat Data as Labor? Moving Beyond ‘Free,’” AEA Papers and Proceedings 108 (2018): 38–42.
[3] Karl Polanyi, The Great Transformation: The Political and Economic Origins of Our Time (Farrar & Rinehart, 1944).
[4] Loukas Karabarbounis and Brent Neiman, “The Global Decline of the Labor Share,” Quarterly Journal of Economics 129, no. 1 (2014): 61–103; Daron Acemoglu and Pascual Restrepo, “Automation and New Tasks: How Technology Displaces and Reinstates Labor,” Journal of Economic Perspectives 33, no. 2 (Spring 2019): 3–30.
[5] Daniel Susskind, A World Without Work: Technology, Automation, and How We Should Respond (Metropolitan Books, 2020).
[6] Daniel W. Sacks, Betsey Stevenson, and Justin Wolfers, “Subjective Well-Being, Income, Economic Development, and Growth,” 美国国家经济研究局工作论文 16441, 2010; Betsey Stevenson and Justin Wolfers, “Economic Growth and Subjective Well-Being: Reassessing the Easterlin Paradox,” Brookings Papers on Economic Activity 39, no. 1 (2008): 1–102; Betsey Stevenson and Justin Wolfers, “Subjective Well-Being and Income: Is There Any Evidence of Satiation?,” American Economic Review 103, no. 3 (2013): 598–604.
[7] 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; Erik Brynjolfsson and Andrew McAfee, The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies (W.W. Norton & Company, 2014).
[8] 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.
[9] Charlie Giattino and Esteban Ortiz-Ospina, “Are We Working More than Ever?,” Our World in Data, 2020年12月16日.
[10] Betsey Stevenson, “Artificial Intelligence, Income, Employment, and Meaning,” in The Economics of Artificial Intelligence: An Agenda, 编 Ajay Agrawal, Joshua Gans, and Avi Goldfarb (University of Chicago Press, 2018).
[11] Autor, “Why Are There Still So Many Jobs?”; Acemoglu and Restrepo, “Automation and New Tasks.”
[12] David Autor and Neil Thompson, “Expertise,” 美国国家经济研究局工作论文 33941, 2025; Erik Brynjolfsson, Bharat Chandar, and Ruyu Chen, “Canaries in the Coal Mine? Six Facts About the Recent Employment Effects of AI,” 斯坦福数字经济实验室, 2025年8月26日.
[13] Marcus Dillender and Eliza Forsythe, “Computerization of White Collar Jobs,” 美国国家经济研究局工作论文 29866, 2022.
[14] Shakked Noy and Whitney Zhang, “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence,” Science 381, no. 6654 (2023): 187–192; Erik Brynjolfsson, Danielle Li, and Lindsey R. Raymond, “Generative AI at Work,” Quarterly Journal of Economics 140, no. 2 (2025年5月): 889–938.
[15] Daron Acemoglu, Andrea Manera, and Pascual Restrepo, “Does the US Tax Code Favor Automation?,” Brookings Papers on Economic Activity 2020, no. 1 (2020年春季): 231-300.
[16] Cady Stanton, “‘Robot Tax’ Proposal Sparks Skepticism over Its Practicality,” Tax Notes, 2025年10月21日.
[17] Lanier, Who Owns the Future?; Arrieta Ibarra et al., “Should We Treat Data as Labor?”
[18] Damon Jones and Ioana Marinescu, “The Labor Market Impacts of Universal and Permanent Cash Transfers: Evidence from the Alaska Permanent Fund,” American Economic Journal: Economic Policy 14, no. 2 (2022年5月): 315–340.
[19] Jeffrey M. Jones, “Image of Capitalism Slips to 54% in U.S,” Gallup News, 2025年9月8日.
[20] Betsey Stevenson, “When Democracy Falters: A Multidisciplinary, Multibook Review Essay on Polarization, Populism, and Authoritarianism,” Journal of Economic Literature, 即将出版.
[21] Jean M. Twenge, “The Sad State of Happiness in the United States and the Role of Digital Media,” 载于 World Happiness Report 2019, 编 Betsey Stevenson and Julian Wolfers (Wellbeing Research Centre, 2019): 86–95; Stevenson and Wolfers, “Economic Growth and Subjective Well-Being”; Betsey Stevenson and Justin Wolfers, “The Paradox of Declining Female Happiness,” American Economic Journal: Economic Policy 1, no. 2 (2009): 190–225.
[22] Betsey Stevenson, The Economics of Transformative AI (University of Chicago Press, 2025), 第10章.
[23] Robert D. Putnam, Bowling Alone: The Collapse and Revival of American Community (Simon & Schuster, 2000).
转载请注明：《中国社会分红/基本收入研究网》 浏览量：8 views
