越强的AI、越少的工资：你的学历正在变成最贵的贬值资产

作者：Merkle3s Capital；来源：X，@Merkle3sCapital

一份模型推演显示，到 2030 年，经济可能比没有 AI 的路径多出三分之一的产出，而全体劳动者拿到手的总收入只多出半个百分点。同一份推演里还躺着另一种结局：AI 几乎什么都没改变，失业率和今天没有区别。两种结局共用同一组已经发生的数据，分歧要到 2027 年之后才会显形，而你必须在那之前决定怎么办。这篇文章不讲它的方程，只讲它算出来的结果——落在就业、教育、投资和社会身上的四种冲击。

不打算安慰任何人的报告

本文内容参考 The Anthropic Institute《Economic Scenarios for Transformative AI》（2026 年 9 月）。这是一份编号 2026-02 的工作论文，五位作者中包括 Charles I. Jones——半内生增长理论的代表人物。论文自己声明观点不代表 Anthropic 立场，并注明使用 Claude 作为研究与写作助手。

它做的事情可以压成一句话：把 AI 对认知工作的影响拆到"任务"这个颗粒度上，让被替代的人需要花时间才能找到新岗位，然后一路推演到 2030 年初。需要记住的机制只有两条——AI 不会整体替掉一个职业，它一块一块地拿走这个职业里的任务；被拿走任务的人不会凭空消失，他们会去抢别人的岗位。这两条决定了后面所有数字的形状。

三个情景的差别，只是 AI 最终吃下了多大一块。

• 温和情景：全经济 4% 的任务由 AI 完成，2030 年的 GDP 比没有 AI 的路径高 1.6%，AI 在其中只是一项普通技术。

• 显著情景：12% 的任务被接手，约等于认知任务的五分之一，GDP 高 8.3%，报告形容它是"比互联网更重要的枢纽技术"。

• 极端情景：30% 的任务，约等于认知任务的一半，GDP 高 32.4%。

必须先把限定说死：这三个情景是示例性的、不附概率，报告在摘要、引言、结论三处重复声明它们不是预测。它给出的唯一结论是——今天的数据无法排除其中任何一个。把极端情景当成"Anthropic 的预测"是彻底的误读。

它的价值不在于预测 2030 年，而在于把一场含糊的争论变成一道算术题：如果你相信 X，那么按标准经济学，你必须接受 Y！

还有一个容易被忽略的细节：决定结局的不是模型能做什么，而是它被实际用到了什么程度。三个情景里 AI 的能力差距不到三倍，但叠加上"有多少人真的在用、用得有多深"之后，实际被 AI 执行的任务份额从 4% 拉开到 30%，变成 7.5 倍。技术曲线之外还有一条扩散曲线，后者才是那个放大器。

报告附了一次调查作对照：10,980 名美国成年人，中位数隐含的情景落在显著情景附近——GDP +8.6%、认知就业 −4.2%、失业率 4.6%。但把这读成"社会已达成共识"是统计意义上的误读。关于生产率增益，约 30% 的受访者认为 AI 完全不省时间，49% 认为至少能省一半；关于诺贝尔级的发现，40% 认为永远做不到，39% 认为 2030 年之前就能做到。中位数落在显著情景，不是因为多数人相信显著情景，而是因为相信温和与相信极端的人几乎一样多。

同样要说清它不看什么。机器人与实物自动化被完全排除，金融市场动荡、商业周期、政治经济学因素也全部排除。报告自己承认："很大程度上正因如此，我们不把分析延伸到 2030 年之后。"这句自陈后面还会再出现一次，是这份报告最诚实、也最令人不安的一句话。

一份不给概率、不给建议、也不打算安慰任何人的报告，反而比任何预测都更难反驳！

就业冲击：谁的工作会消失，以什么形式

先说清楚这场冲击砸向谁。报告把美国就业切成两半：认知组包含管理、商业金融、计算机数学、建筑工程、科学、社区社会服务、法律、教育、艺术传媒、医疗执业、销售、办公行政这 12 个大类，占 2025 年就业的 62.4%；其余的医疗辅助、保安、餐饮、清洁、个人照护、农林渔、建筑施工、安装维修、生产、运输，占 37.6%。

模型只允许 AI 冲击认知组，另外那 37.6% 的人干活的效率完全不受 AI 影响，他们的工资变化全部来自一个间接效应：经济变富了，而他们这类劳动相对变稀缺了。所以后面看到的一切分化，首先是这个设定的直接后果，而不是实证发现。不接受"AI 只冲击认知工作"这个前提，整篇推演就不成立——这一点必须放在读任何数字之前。

这套二分法有三个盲区，报告自己也承认"任何二分法都是简化"。医疗执业与教育这两个大类里含有大量无法远程完成的身体劳动与人际劳动，暴露度被高估；销售与办公行政的薪资和学历门槛远低于管理及专业岗位，却在模型里被当成同一种人，组内分化被完全掩盖；同一组内部也没有年资、技能与地区的差别。这些数字描述的是两个统计聚合体，不是两类具体的人。

接下来是结果。极端情景下，认知岗位的失业率是 17.9%，经济整体是 11.9%——这两个数字必须分清，混用会把失业率高估约 6 个百分点。报告对认知岗位那个数字用的形容词是"stunning"。作为参照，金融危机后美国的年度峰值略低于 10%，新冠期约 8%，极端情景下连整体失业率都超过了战后任何一次衰退。

温和与极端之间不是程度差距，是量级差距。认知失业率从 2.9% 到 17.9% 是 6 倍，认知工资从 +0.4% 到 −11.5% 是符号反转，中间没有任何指标能部分抵消两端的差异。再考虑到没有 AI 的路径下工资本应每年涨约 2%，极端情景里认知工资的绝对水平会低于 2026 年年中——四年过去，不是涨得慢，是倒退。

就业的损失比工资更集中。极端情景下认知岗位的人数比 2026 年年中少 21.5%，这批岗位拿到的工资总额少 31.0%。而其他组的工资涨 33.6%，是整份报告里最大的单项涨幅。报告的原话是，其他组工资总额的上升幅度与认知组的下降"几乎相同"——总量守恒，人换了一批。

冲击的形态和直觉也不一样。AI 是一个任务一个任务地推进的，所以职业不会某天整体消失，它会先被掏空一部分。真正触发替代的既不是最难的任务，也不是最简单的，而是那些 AI 做起来成本降得最狠、同时又最占工资单的环节。剩下的部分留给人，招牌还挂着，岗位还在，招的人少了一批。

还有一个更冷的细节：AI 究竟是替代你还是帮你，在这个模型里由技术自己决定，企业只能被动接受。三个情景里"看起来像替代"的使用占比分别是一半、四分之三和九成——对应的"帮你"的空间，从 50% 一路压到 10%。校准依据是 Anthropic 自己观测到的用法：聊天式使用里约一半像自动化，通过接口调用的使用里约四分之三像。增强是一个会被持续挤压的空间，不是一个稳定的避风港。

你的职业不会某天突然消失，它会先被掏空一半，然后你发现自己在和三个同样被掏空的人抢一个岗位！

痛苦降临还有先后顺序。企业遇到"人比 AI 贵"的时候，不会先降薪，而是直接裁员——工资往下调得很慢，一年只走完缺口的一半，所以裁员先于降薪。第一批受损的是被裁掉的人；第二批是留在岗位上的人，工资被逐年压到 −11.5%，而由于本该每年涨 2%，体感比数字更差；第三批是试图跨界的人，一边是被裁的人一次性涌向别的行业，一边是那些行业每月最多只能吸收缺口的一半，这个错配本身就是失业率的来源。值得注意的是，到 2030 年这个模拟终点，认知失业率仍然停在 17.9%——调整远未完成。

最后必须说：这些数字应该被当成下界，而不是上界。模型假设换了行业的人立刻拿到新行业的完整工资，没有年资折价、没有技能贬值、没有培训期的收入中断、没有搬家成本、没有执照和学徒期。而报告在自己的校准一节里引用的证据是，现实中再就业的工资损失通常在 10% 到 20%，且集中在换职业的那批人身上。它点了这批文献的名，然后说明未纳入。即便乐观到"从软件工程师变成电工只需要时间"的程度，极端情景仍然给出 17.9% 的认知失业率。

教育冲击：学历为什么正在变成贬值资产

报告里一个字都没有谈教育。但极端情景下认知岗位工资 −11.5%、其他岗位 +33.6% 这两条路径放在一起，已经足以对"读好书、拿学历、进白领岗位"这条链条构成结构性质疑——受损的恰恰是教育年限最长、工资最高的那 62.4%。过去两个世纪里，技术进步的受损者通常是低技能体力劳动者，教育一直被当作避险资产。这份报告描绘的是方向完全相反的冲击。

第一层是人力资本租金的蒸发。学历之所以能换来溢价，是因为它对应的那些任务稀缺、贵、别人做不了。当这些任务的单位成本在四年里降到原来的一半以下，为掌握它们而付出的十几年时间，对应的那份租金会同步蒸发。而且报告里这条成本下降的曲线到 2030 年仍在加深，没有见顶的迹象。

第二层是信号价值。学历值钱，一半原因是它昂贵——获取成本对能力强的人更低，所以它能当筛子用。AI 把写作、分析、编码的产出门槛拉平之后，学历的区分度必然下降，雇主会转向更难被模仿的证据：工作样本、可查证的交付记录、面对面的判断力。这一层是我们的推导，报告不讨论信号机制。

第三层最刺眼。历史上的经验估计是每自动化两项任务，技术会新造出一项，这正是"技术总会创造新工作"这句被引用了两百年的安慰的来源。三个情景里，这个比例分别是每两项新造一项、每四项新造一项，而极端情景里是零——AI 不为人类创造任何新任务。那句安慰在这个情景里被明确关闭了。

不是读书没用，是给读书定价的那个东西正在变便宜！

于是再培训的窗口变成一道很不友好的算术题。报告说分化发生在 2027 年之后，"未来几年的数据会告诉我们身处哪个情景"。而现实中多数执照职业——护理、电工、水暖、影像技师——需要 2 到 5 年，高阶执照如注册护士、专业工程师需要 5 到 10 年。若 2026 年底动身，最快 2029 到 2031 年持证，恰好落在分化已成定局而转换尚未完成的那段区间。若等 2028 年的数据"确认"之后再动，持证推迟到 2031 至 2038 年，届时其他组的溢价早已被先行者摊薄。

这就构成一个非对称的赌局：如果最终是温和情景，提前转换的损失只是多学了一门手艺；如果最终是极端情景，不转换的代价是在 17.9% 的认知失业率下找工作，而那时跨行搜寻的效率只有正常时期的约四分之一。还要补一句报告里没有的：模型假设转行不需要任何再培训，所以培训期的收入中断根本不在那些数字里。

更麻烦的是，越"成功"的认知职业，转出反而越难。报告的原始数据显示，失业的销售与办公人员跨组就业的概率是 28%，管理与专业人员只有 10%。职业专属的人力资本积累越深，跨界的门槛越高——这意味着在这场冲击里，受损最重的那批人恰恰是最难自救的那批人。

英语和沟通能力值不值得继续投入，答案要分开看。纯语言转换能力的性价比在显著下降——翻译、润色、跨语言写作正是 AI 成本降得最快的那一类任务，处在被冲击的核心。把英语当作"信息获取与文本产出的工具"来投资，是在投资一条正在快速降价的能力曲线。

但作为信任与协商载体的沟通能力，性价比在上升。原因在模型里很直接：被自动化的环节变便宜之后，没被自动化的环节反而成了瓶颈，整条流程的钱会更多地流向那里。极端情景下涨 33.6% 的那些职业，价值恰恰在于人必须在场——谈判、关系、团队领导的价值不在于生成文本，而在于有人为结果签字。

所以我们的判断是：如果目的只是读英文资料、写英文邮件，不值得再做大额时间投入；如果目的是在跨国场景里实时谈判、主持会议、建立信任，值得投入，但真正稀缺的是沟通能力本身，英语只是载体。最容易被误导的，是把"流利口语"当成目标本身。

学历不会作废，它只是从一张入场券，退回成简历上的一行装饰！

投资冲击：资本的盛宴，和它的账单

这是整份报告信号最强的部分。三个情景下，资本的总收入相对没有 AI 的路径分别是 +3.1%、+18.9%、+81.4%；同期劳动的总收入是 +0.6%、+1.4%、+0.5%。这不是份额之争，是两条完全不同的曲线。

钱是怎么过去的？机制简单到有点残酷：每一个被 AI 接手的任务，它原本对应的全部工资支出都直接转给资本，与成本省了多少无关。劳动份额从 60.0% 走到 59.4%、56.1%、45.2%，资本份额从 40.0% 走到 40.6%、43.9%、54.8%。极端情景下报告的原话是："整整 15% 的 GDP 从支付给劳动变成了被资本捕获的投资回报。"但更值得记住的其实是显著情景——劳动份额四年下降 4 个百分点，仅略小于美国 1980 年之后整整四十年的全部降幅。

回报率这一头也在抬升。净资本回报率从基准的 6.5% 升到 6.6%、7.0%、8.3%，极端情景下升幅约 28%。这个数字对一个假设极其敏感：资本能以多快的速度堆出来。报告假设算力可以在全球融资、一两年内建成，所以把供给弹性给得偏高；如果实际扩张比这慢得多，极端情景下净回报会到 10.3%，而平均工资会变成 −9.2%；如果算力要多少有多少，净回报维持在 6.5%，平均工资反而涨 30.1%。资本回报的高低直接取决于算力扩张的物理瓶颈有多硬。

生产率确实大增，但增在意料之外的地方。全要素生产率相对无 AI 路径高 0.7%、3.1%、13.4%，年增速从 1.0% 升到 1.2%、2.3%、7.3%；GDP 年增速从 2.0% 升到 2.4%、5.4%、15.4%——1990 年代互联网繁荣期最快的一年是 1999 年的 4.7%，显著情景的增速就已经超过它。资本存量高 2.3%、13.8%、56.3%。然而"AI 加速科研"这条线几乎没有贡献：想法存量相对无 AI 路径只高 0.07%、0.20%、0.61%，年增速从 1.67% 只挪到 1.69%、1.76%、2.02%。

这份报告里所有的增长，几乎全部来自把现有的事做得更便宜，而不是发现新东西——"AI 加速科研"作为 2030 年前的投资论据，在这套模型里得不到支撑！

如果要按受益顺序排队，排序依据应该是物理瓶颈而不是叙事热度：最前面是算力芯片与加速器，然后是电力、输配与并网、先进封装与光互连，再往后是数据中心与建设配套，然后是云与推理服务层，最后才是下游应用。下游的价值实现一定晚于上游，因为它依赖的是"有多少人真的用起来"这个慢变量，而那条曲线在 2026 年年中才刚刚离地。

报告也主动交代了自己可能低估的地方。它承认模型缺少一条把资本回报与增长率连起来的关键机制，补上之后"可能大幅提高资本回报"——8.3% 很可能仍然是低估。被列为下界的还有另外两处：创新效应因为模型无法产生自我加速的反馈而偏低，失业与收入损失因为转行不打任何工资折扣而偏低。一份报告同时承认自己在三个方向上都偏保守，这件事本身就是一条信息。

然后是账单。报告自己测算过：在极端情景下，要让认知工作者的收入维持在没有 AI 的水平，需要约 GDP 的 9% 的转移支付，"大致相当于社会保障与联邦医保之和"；付完这笔钱，经济的其余部分仍然领先无 AI 路径 20% 以上。总增益约为认知工作者损失的三倍，报告原话是"在教科书意义上，收益足以补偿损失"。

问题在于，这 9% 如果真的通过资本利得税、企业税或者某种算力税收上来，直接被侵蚀的就是上面那条受益链条。而报告紧接着说，这种规模的技术性转移史无前例，参照过往贸易冲击对美国地区的经验，它基本不会自发发生。更糟的是报告脚注里那个最坏的参数组合：能力与扩散只到显著情景的水平，但替代比例极高、跨行搜寻极难、AI 不创造新任务、资本扩张受限，此时 GDP 只高 7.2%，劳动总收入反而比无 AI 路径低 4.3%，补偿需要动用 GDP 增益的 84%。"先把蛋糕做大再来分"这条逻辑，在这个角落里基本失效。

温和情景也值得单独说一句：那里净回报只从 6.5% 走到 6.6%，AI 主题的超额收益基本不存在。而报告明说这个情景今天无法被排除。一份只在极端情景下才成立的持仓，实际上是在给一个连概率都不肯给的示例下重注。

投资端最大的风险从来不是 AI 会不会成功，而是成功之后收益归谁！

社会冲击：蛋糕变大了，但打工的人没有多拿

整份报告最反直觉的一句话是：极端情景下劳动者拿到的总收入，比显著情景还要少。+0.5% 对 +1.4%，而同期 GDP 的增幅从 8.3% 跳到了 32.4%。

报告给的解释只有一道算术题，这也是本文保留的唯一一道：劳动份额从 60.0% 降到 45.2%，降幅约四分之一；GDP 升了三分之一。0.45 乘以 1.32 约等于 0.60，两股力量恰好抵消。劳动者在一块大得多的蛋糕上，切到了几乎一样薄的一片。

GDP 和劳动收入之间没有单调关系——AI 从"显著"升级到"极端"，蛋糕大了三分之一，打工的人一分没多拿！

平均工资是这里最危险的指标。它在三个情景中是 +0.7%、+2.1%、+9.7%，看起来一路向好。但极端情景下那个 +9.7% 里同时装着认知岗位的 −11.5% 和其他岗位的 +33.6%，而且它根本不包含那 17.9% 已经失业的认知工作者——分母里没有他们，平均数当然好看。

还有一个更隐蔽的陷阱：工资的稳定不等于人的安全。报告做过一组检验，把"工资能不能往下调"这个开关从最灵活拨到最僵硬。最灵活的那一端，认知工资暴跌 42.2%，但认知失业率只有 2.6%、整体只有 3.1%，几乎和正常时期一样，GDP 反而是最高的 +36.6%。最僵硬的那一端，认知工资居然是 +2.8%，比没有 AI 的路径还高，代价是认知失业率飙到 24.0%、整体 15.2%。同一场冲击，可以表现成"所有人降薪四成"，也可以表现成"四分之一的人失业、剩下的人涨薪"。

保护工资不等于保护人，被保住的工资只会把冲击转成失业，转给那些已经不在名单上的人！

这也解释了为什么"目前宏观数据还很温和"不能当证据用。报告承认"迄今宏观数据中 AI 的劳动市场效应相对温和"，但紧接着指出这句话既可以读作"我们身处温和情景"，也可以读作"我们身处极端情景的开头"。三个情景共享 2026 年年中的同一组读数，此前的 GDP 差距在零点几个百分点以内。2026 年的数据无法区分三个情景，2028 年的可以。而在工资往下调得很慢的现实里，早期信号会先出现在招聘量上，而不是工资上——等到工资表变难看，调整已经进行很久了。

贫富分化的形态也会变。它不再主要是"高薪对低薪"，而是"有资产对只有工资"。认知工作者恰恰是"工资高、资产占比低"的典型群体——收入端暴露在受损的一侧，资产端又不在受益的一侧，风险不是被分散，而是被叠加。而劳动内部同样剧烈：认知岗位的工资总额少掉 31.0%，其他岗位涨回来几乎一样多，赢的人和输的人不是同一批人。

有一个常见的反驳是"大家都没钱了，东西卖给谁"。在这个模型里这个问题不成立：产出全额转化为某个人的收入，只是其中 15% 的 GDP 从工资单挪到了资本收益，资本所有者的消费与投资填补了缺口。但报告在自己的注意事项里承认，模型不考虑价格刚性及相关的需求效应，因此"无法产生那种冲击压低需求、需求再放大冲击的负反馈"。消费断档的风险不是被证伪了，而是被假设掉了——既不能拿它否定报告的结论，也不能以为报告证明了它不存在。

报告明确排除了政治经济学，但它间接留下了三个决定命运的变量：一国能不能建起足够的算力与电力，工资冲击以降薪还是失业的形式落地，以及有没有征税与再分配的能力。由此可以推导出结局的分化——有选票、有财政空间且本土拥有算力与能源产业的地方，最可能实现高增长加高转移；有选票但没有算力产业的地方，会陷入资本收益外流而本国劳动受损；两者皆无的地区，同时承受劳动份额下降和资本收益不落地。这一段是我们的推导，报告本身只说"什么制度能带来共享繁荣超出本框架范围"。

在答案揭晓之前下注

整件事的逻辑起点只有一句：分歧要到 2027 至 2028 年的数据里才会分出胜负，而多数人完成一次职业转换需要 2 到 5 年——你必须在知道答案之前做决策。以下都是我们基于报告结果的推导，报告本身不提供任何个人建议。

对白领与专业人士，最锋利的是这四条。

第一，把自己的工作拆成任务清单，逐项标注 AI 当前能做到什么程度——在这套模型里，认知组的平均暴露程度是其他组的二十多倍，你要知道的不是"这个职业危不危险"，而是"我这份工作里有多少落在被拿走的那一侧"。

第二，主动往"AI 更像在帮你、而不是替你"的部分挪：对外承担责任、跨部门协调、现场判断，减少纯交付型的文本与分析产出。

第三，建立可验证的交付记录——已发布的项目、可查证的业绩、外部能核实的成果，因为学历与头衔的区分度正在下降。

第四，做一次压力测试：假设岗位在 18 个月内消失，现金储备能覆盖几个月；即便在显著情景下，认知失业率也从 2.9% 升到 4.5%，而极端情景下要面对的是 17.9%，以及只剩四分之一的跨行搜寻效率。

对家长，同样是四条。

第一，未来一两年不要为了"避开 AI"仓促改变升学路径——温和情景今天无法被排除，在那个情景里认知失业率是 2.9%，毫无变化，过度反应的期望损失是实实在在的。

第二，把投资重心从知识存量转向需要人在场、需要承担责任、需要建立信任的能力，极端情景下其他组 +33.6% 的涨幅是整份报告里最大的单项涨幅。

第三，带执照、带学徒制、带现场交付属性的方向优先，但必须接受一个限定——报告排除了机器人，作者用"不把分析延伸到 2030 年之后"的方式亲口承认了这个结论的保质期，转向蓝领是过渡策略，不是终局策略。

第四，坦白告诉孩子不确定性的量级；教会孩子在不确定中做决策，比教任何一门具体技能都更贴合这份报告的结论。

对有可投资产的人，也是四条。

第一，先写下自己的持仓对应哪个情景——温和情景下净回报只从 6.5% 走到 6.6%，AI 主题的超额收益基本不存在，这一条本身就能筛掉很多叙事。

第二，把判断挂在可观测的读数上而不是新闻上，2027 至 2028 年的数据会分出胜负，在那之前任何"共识"都是假象。

第三，理解受益的先后由物理瓶颈决定：算力、电力与并网、封装与光互连在前，数据中心与建设配套次之，云与推理服务再次之，下游应用最后。

第四，把再分配的政治风险当作一个独立的风险因子来对待——极端情景下补偿需要 GDP 的 9%，最坏参数组合下需要吃掉 GDP 增益的 84%，而这两个数字都出自报告自己。

这三份清单其实指向同一个动作。极端情景下劳动受损而资本暴涨，持有资本本身就是对自己人力资本的对冲；反过来，人力资本集中在认知组、金融资产又与 AI 受益链无关，是收入端和资产端同时暴露于受损一侧的最脆弱组合。

报告里还埋着一个很少被引用的对照：认知职业的受访者，中位数认为自己工作时间里只有 27% 是 AI 到 2030 年能做得和自己一样好的；但同一批人在评估八项通用任务时，中位数估计 71% 的知识工作会被覆盖。公众对宏观走向的判断并不差，问题出在每个人都豁免了自己。

最后是两件不该做的事。不要把极端情景当成基准假设去加杠杆——报告不给任何情景赋概率，而且极端情景同时是政治风险最高、工资跌幅最深的那一个，它对资本有利的部分和对资本不利的部分是绑在一起出现的。也不要因为"到现在还没出事"而按兵不动，报告已经把话说得很明白：这个事实同时兼容温和情景，和极端情景的开头。

在知道答案之前，你必须先下注——而不下注，本身也是一种下注！