假設到2030年，美國GDP比原來的發展路徑高出32.4%，當年經濟增速達到15.4%，人均收入理論上每五年就可以翻一番，這算不算一個黃金時代？

按照傳統經濟學的尺度，答案幾乎毫無疑問。一個成熟經濟體如果重新獲得兩位數增長，意味着生產率出現了歷史性突破，社會能夠創造遠超以往的商品與服務，人類似乎正在進入前所未有的富裕時代。

但Anthropic最新發布的經濟情景報告，卻給出了另一組同時發生的數字：在同一個極端情景下，美國整體失業率可能升至11.9%，認知型勞動者的失業率達到17.9%，其工資水平比沒有人工智能的路徑低11.5%；勞動收入占GDP的比重從60%降至45.2%，資本收入則超過整個國民收入的一半。

經濟變得更富有，勞動者卻可能變得更脆弱；社會創造出更多財富，大多數人獲得財富的傳統渠道卻開始收縮。

比爾・蓋茨近期發表的長文《動盪的AI時代已經到來，我們現在做出的選擇至關重要》，討論的正是這一矛盾。他與Anthropic使用了兩種完全不同的語言：Anthropic用模型描述增長、工資、就業和資本回報之間的關係，蓋茨則從社會制度、公共政策和人的尊嚴出發，追問我們是否已經準備好承受這場轉型。

把兩者放在一起，可以看到一個更加完整的圖景：Anthropic告訴我們，AI可能創造多大的經濟增量；蓋茨提醒我們，這些增量並不會自動變成多數人的收入、機會和安全感。

這也意味着，AI時代的核心問題正在發生變化：過去我們討論的是人工智能能不能創造財富；未來真正需要回答的，將是誰擁有創造財富的人工智能，誰能夠分享它的收益，以及當就業不再是收入分配的唯一基礎時，現代經濟體系應當如何重新組織。

一、Anthropic計算的是增長，蓋茨擔心的是轉型

Anthropic的報告並不是一份2030年的經濟預測，而是一套情景推演模型。

研究團隊將職業拆解為具體任務，再觀察人工智能能力、企業採用率、增強與自動化比例、單項任務生產率以及新任務創造速度，最終會怎樣改變GDP、就業、工資和勞動收入份額。

在溫和情景中，最終只有約4%的全經濟任務受到AI影響，美國2030年GDP比沒有AI的基準路徑高出1.6%，就業和工資的變化都比較有限；在顯著情景中，受到影響的任務比例升至約12%，GDP比基準高出8.3%，整體失業率升至4.6%，認知型勞動者工資開始停滯；到了極端情景，約30%的全經濟任務受到影響，90%的AI應用屬於自動化，同時不再創造新的知識勞動任務，結果便是GDP大幅增長與認知型就業急劇下降同時出現。

這一模型最重要的貢獻，是打破了「增長與就業必然同步」的傳統想像。過去，企業擴大生產通常需要更多廠房、設備和員工，即使機器替代了部分勞動，新的行業、企業和職業也會吸納被釋放出來的勞動力。因此，技術進步雖然不斷改變職業結構，卻沒有從根本上切斷生產增長與就業增長之間的關係。

AI可能打破這一聯繫。當人工智能不只是幫助員工提高效率，而是能夠自主完成編程、分析、設計、營銷、客戶服務乃至部分管理工作時，企業擴大產出未必需要同步增加員工。未來完全可能出現這樣一家公司：收入增長數倍，業務擴展到更多國家，利潤率不斷提高，核心員工卻從數萬人下降到數千人。

Anthropic把這種變化寫進了經濟模型，蓋茨則把它放進了社會現實，他強調，過去農業人口向工業和服務業轉移，經歷了幾代人的時間，而且新創造的崗位仍需要人類的認知能力。但這一次，被替代的可能恰恰是認知能力本身，AI通過自然語言進入企業，不需要像過去的軟件那樣長期培訓使用者，它可以學習現有資料、觀察流程，並越來越獨立地執行任務。

這就是二者最重要的交匯點：AI帶來的最大風險，不一定是沒有新工作，而是舊工作消失的速度，可能遠遠快於新任務、新制度和新收入渠道形成的速度。

經濟學中最困難的問題從來不是長期均衡，而是如何穿越轉型過程。告訴一名失業的財務分析師，未來護理行業會增加就業，並不能解決他的現實困境；告訴一名55歲的建築工人去學習養老護理，也不能被稱為有效的資源重新配置。

勞動者不是能夠被無成本移動的生產要素。職業背後包含教育投資、行業經驗、身份認同、家庭責任和地域約束。模型中的「勞動力重新配置」，在現實中可能意味着一個家庭收入中斷、一個社區產業衰落和一代人的職業預期被徹底改變。

因此，Anthropic的報告描述的是生產函數變化，而蓋茨真正擔心的是社會的調整速度趕不上技術的進步速度。

二、AI最先打擊的可能不是最弱的人，而是職業階梯的入口

蓋茨對年輕人的擔憂尤其值得重視。

生成式AI最容易替代的往往不是最高層的判斷和責任，也不是必須在現場完成的複雜操作，而是大量初級和中級認知任務：整理信息、撰寫基礎材料、生成代碼、處理客戶諮詢、製作財務模型、審核標準化文件，以及完成初步研究。

從企業角度看，這些任務最適合自動化，因為它們數量大、流程標準化、容易衡量，也不涉及最終決策責任。而且，企業使用AI削減這些崗位還有明確的成本收益。

但從人才成長角度看，這些初級任務又是職業訓練體系的入口：一名優秀律師通常從資料檢索、法律備忘錄和合同審核開始；一名投資經理往往從行業數據、公司模型和會議紀要做起；一名高級工程師也需要通過編寫基礎代碼、查找錯誤和維護系統逐步形成架構能力。如果這些基礎工作被AI接管，企業的短期效率確實會提高，但組織內部培養下一代高級人才的機制也可能被切斷，這就是AI就業衝擊中最容易被低估的「職業階梯斷裂」。

一家公司可以在短期內保留經驗豐富的合夥人、高管和核心技術人員，同時大幅減少初級招聘，但五年或者十年以後當現有高級人才退出時，新一代人才從哪裏產生？如果年輕人沒有參與基礎任務的機會，又如何形成判斷力、責任意識和行業經驗？

因此，AI帶來的問題不是簡單的「崗位減少」，而是人才形成機制發生斷層。教育機構仍按照舊有職業結構培養學生，企業卻已經不願意為初級人才支付訓練成本。學歷繼續增加，入口崗位反而減少，最終可能形成一種新的結構性失業：年輕人擁有知識，卻沒有進入職業體系、將知識轉化為經驗的機會。

這也說明，「學習使用AI」雖然必要，卻不是完整答案。如果所有求職者都掌握同樣的AI工具，企業並不需要因此僱用更多人，反而可能讓一個人完成過去五個人的工作。AI素養提高了個體競爭力，卻未必增加了整個經濟對勞動的需求。

未來，真正稀缺的不只是會使用工具的人，而是能夠定義問題、承擔責任、組織資源、獲得信任並對結果負責的人。技術正在商品化，洞察正在資產化，隨着執行成本不斷下降，正確判斷和責任承擔反而更加稀缺。

三、GDP增長32%，為什麼勞動收入幾乎不增長？

Anthropic報告中，最值得重視的並不是15.4%的經濟增速，而是另一個更具顛覆性的數據：在極端情景下，美國GDP比無AI路徑高出約三分之一，但全社會勞動收入總額只比基準路徑高出約0.5%，資本收入則高出81.4%，認知型勞動者的工資總額甚至下降31%——這意味着，AI可能創造一種「高增長、低擴散」的經濟。

傳統經濟循環中，企業擴大生產，需要僱用勞動者；勞動者獲得工資，形成消費；消費再轉化為企業收入和新的投資。工資不僅是生產成本，也是全社會最重要的購買力來源。

但在AI經濟中，企業可能購買芯片、算力、模型和機器人，由機器完成越來越多的生產任務。產出和利潤仍然增長，但收入更多流向模型公司、平台、數據中心、芯片企業和資本所有者，而不是通過工資分散到億萬勞動者手中。

統計意義上的經濟增長由此可能與多數人的經濟感受發生脫節。

GDP繼續增長，股票市場不斷創新高，頭部科技公司的利潤快速增加，但普通家庭面對的可能是職業不確定性上升、工資議價能力下降和財富差距擴大。國家變得更富裕，不代表中位數家庭同步變得更富有，這就是AI時代必須警惕的「幽靈GDP」：財富確實被創造出來，卻沒有通過現有分配機制充分進入居民部門。

進一步的問題是：如果機器生產越來越多商品和服務，而大量居民收入增長緩慢，新增產出最終由誰購買？

Anthropic的模型沒有完整納入總需求、金融週期和政治反應，官方也明確承認這些是模型的邊界，但現實經濟無法迴避這個問題。資本所有者的邊際消費傾向通常低於普通勞動者，當收入越來越集中於資本，新增財富可能更多流入股票、房地產和金融資產，而不是形成同比例的消費需求，其結果可能是：一邊出現空前強大的生產能力，另一邊出現相對不足的居民購買力；一邊是利潤和資產價格上漲，另一邊是就業焦慮和消費謹慎，而AI帶來的供給革命，最終可能轉化為新的需求不足和資產泡沫。

所以，「AI能否讓經濟增長」只是供給側問題，「AI能否讓社會繁榮」則取決於分配和需求能否形成新的閉環。

四、真正的分界線不是人和機器，而是誰擁有機器

蓋茨提出，應當重新平衡勞動與資本之間的稅收。他認為，現行稅收體系事實上在鼓勵企業用機器替代人：企業僱用員工，需要繳納工資稅和相關社會成本；購買機器人或AI服務，卻往往可以作為企業支出抵扣。因此，他主張研究對AI Token和機器人徵稅，用相關收入支持再培訓、社會保障以及受衝擊的勞動者和社區。

這個方向抓住了問題的實質：當勞動收入下降、資本收入上升時，以工資和個人所得稅為核心的財政體系將面臨稅基收縮，而恰恰在社會最需要擴大保障的時候，傳統稅源卻可能減少。

但我認為，對Token和機器人徵稅只能成為過渡性工具，不能被視為AI分配問題的根本答案。

首先，Token並不是標準化的經濟價值單位。同樣一百萬Token，用於生成娛樂內容、發明新藥、自動處理會計業務，其經濟價值完全不同。隨着模型效率提高，完成同一任務需要的Token還可能減少。按照Token數量徵稅，既難以準確衡量替代了多少勞動，也可能鼓勵企業進行技術性規避。

其次，如果稅率設計不當，可能提高AI應用成本，削弱中小企業採用新技術的能力，而大型平台反而可以通過規模和跨境安排降低負擔，其結果可能不是限制壟斷，而是進一步強化壟斷。

再次，機器人稅很難解決軟件智能體的跨境屬性。一個註冊在境外的模型服務可以同時為多個國家的企業工作，價值在哪裏創造、利潤在哪裏形成、稅收應由誰徵收，都會變得更加複雜。

因此，比「如何對AI徵稅」更根本的問題是：如何讓更多普通人擁有AI時代的生產性資本？

如果AI、算力、數據和平台高度集中，生產率紅利必然主要流向少數所有者。勞動者即使熟練使用AI，也可能只是持續向模型和平台支付費用，無法參與底層資本收益的分配。

未來的社會分界線，可能不再只是高技能勞動者與低技能勞動者，而是擁有AI資產的人與租用AI資產的人。這意味着，AI時代的分配制度不能只依賴事後轉移支付，還要推動事前所有權擴散：養老金、公共基金、社會保障基金和居民長期投資賬戶，應當更廣泛地參與AI基礎設施和科技資產的長期收益；企業可以通過員工持股、利潤分享和AI生產率分紅，讓員工分享自動化帶來的增量；公共數據和公共科研成果形成的商業價值，也應當建立相應的社會回報機制。

全民基本收入解決的是「沒有工資以後如何消費」，全民資本參與解決的是「沒有工資以後如何分享生產收益」，前者是救濟邏輯，後者才是所有權邏輯。

五、再培訓很重要，但不能把制度責任推給勞動者

面對技術失業，最常見的政策建議是再培訓。蓋茨也強調，應當為受到衝擊的勞動者提供教育、轉崗和社會保障支持。

再培訓當然必要，但不能神化。如果某類崗位消失，只是因為勞動者缺乏新的技能，那麼培訓能夠解決問題；但如果AI使全社會完成同樣產出所需的人數大幅下降，再培訓只能改變誰獲得剩餘崗位，不能自動創造足夠的新崗位。

假設原來需要100名分析師完成的工作，未來10名分析師加上AI便可以完成，即使其餘90人全部掌握AI，也不意味着企業重新需要100人。

問題不在於勞動者不夠努力，而是勞動需求曲線本身發生了變化。Anthropic的模型也揭示了這一點，提出AI衝擊可以通過兩種方式表現：工資下降或者就業下降——在極端情景的敏感性分析中，如果認知型工資能夠完全靈活調整，其工資可能下降超過42%，失業率卻只有2.6%；如果工資高度剛性，工資相對穩定，認知型失業率則可能升至24%。換句話說，市場調整並不會消除成本，只會決定成本體現為更低的工資還是更少的崗位。

因此，真正的政策體系至少需要同時處理三個層次：第一個層次是幫助勞動者轉換職業，包括再教育、職業認證、就業服務和地域流動支持；第二個層次是縮短勞動時間，通過更靈活的工作制度，使生產率紅利部分轉化為更多閒暇，而不只是裁員；第三個層次則是建立工資以外的收入來源，使居民能夠通過資本收益、公共分紅和社會保障分享AI創造的財富。

如果只談培訓，就容易把技術和制度造成的問題轉化為個人責任：彷彿失業只是勞動者沒有及時學習新技能，這既不符合經濟事實，也不利於維護社會穩定。

六、「人類保留領域」不是反技術，而是重新界定效率邊界

蓋茨文章中最有原創性的概念是「人類保留領域」，他的意思不是因為機器做不好所以暫時讓人來做，而是即使機器能夠完成某些工作，社會仍然可以基於尊嚴、倫理、信任和公共價值，選擇保留人的參與。

例如，AI可能比醫生更準確地識別某些疾病，但是否應該由一台機器獨自告訴病人患上絕症，則是另一個問題；機器人可以完成部分養老護理，但陪伴、理解和情感回應是否應被完全自動化，也不能只用成本衡量。

這觸及了傳統經濟學中一個長期被忽略的問題：技術上能夠替代，並不等於社會上應當替代：市場價格擅長衡量效率，卻不擅長衡量尊嚴、意義、信任和社會連接；一個護理機器人可能比護理人員便宜，但護理工作產生的並不只是洗漱、送藥和移動身體等可計算的任務，它還包括情緒安慰、人與人的理解以及對生命尊嚴的確認。因此，「人類保留領域」不是傳統意義上的行業保護，而是一種社會選擇：在某些關鍵場景中，人類參與本身就是產品價值的一部分。

當然，這個概念也不能被無限擴大。如果把大量職業都劃入保護範圍，可能導致效率下降、服務成本上升，也可能讓保護政策變成既得利益的工具。不同國家、行業和發展階段，對保留範圍的判斷也會不同。一個人口老齡化、護理人員嚴重短缺的社會，可能更歡迎護理機器人；另一個就業壓力較大的社會，則可能更重視人的參與。

因此，更現實的制度不是簡單禁止AI，而是建立「人類最終負責」的混合模式。在醫療、教育、司法、養老、心理服務和公共決策等領域，AI可以承擔信息處理和輔助判斷，但最終責任、重大溝通和價值判斷仍由人類承擔。人的價值不再來自重複執行每個任務，而是來自責任、信任和最終決定權。

七、AI時代，真正稀缺的是新的制度供給

Anthropic把AI未來歸結為幾項參數：能力能夠覆蓋多少任務、企業採用多少、增強和自動化各占多少、生產率提高多少、新任務創造多少、勞動者需要多久才能轉向新職業。

這些參數看似是技術和市場變數，實際上都受到制度影響：企業選擇增強員工還是直接裁員，取決於稅收、勞動關係和公司治理；新任務能否出現，取決於創業環境、教育體系和市場開放程度；勞動者能否快速轉崗，取決於培訓、住房、社會保障和職業資格制度；AI收益是否集中，則取決於競爭政策、資本所有權和稅收體系。

換言之，Anthropic的三種情景並不是等待社會被動接受的三種命運，而是政策和企業選擇共同塑造的結果。

蓋茨提出建立跨部門的國家級AI治理機構以及新的國際合作框架，其出發點也在這裏。AI同時影響就業、稅收、教育、能源、金融、公共安全、醫療和國際競爭，現有政府部門各自處理一個區域性問題，很難形成系統性的轉型方案。

AI帶來的挑戰不是一個產業政策問題，而是一次經濟社會作業系統的升級：未來國家間的AI競爭，也不會只取決於誰擁有更大的模型、更多的芯片和更強的算力，真正決定長期勝負的，是誰能夠更快把AI嵌入實體經濟、誰能夠建立更有效的新職業生成機制、誰能夠讓資本收益更廣泛地覆蓋居民、誰能夠在提高效率的同時維護社會信任！

如果一個國家擁有世界上最先進的AI，卻同時出現大規模結構性失業、財富高度集中和社會撕裂，它的技術領先並沒有真正轉化為制度優勢。

八、對企業和資本市場而言，估值邏輯也將被重新改寫

Anthropic和蓋茨討論的是宏觀經濟，但其結論會直接進入企業估值。

過去資本市場衡量一家公司的效率，往往關注收入增長、利潤率、現金流和人均產出。AI時代，越來越多公司會通過縮減員工、部署智能體和重構流程，提高人均收入和利潤率，這類企業則可能率先獲得估值溢價。

但投資者不能只看「減少了多少人」，真正有價值的AI轉型不是簡單以軟件替代員工，而是能否同時擴大市場、創造新產品、改善客戶體驗並形成新的商業模式。如果企業只是通過裁員降低成本，增長空間沒有打開，其估值提升很可能是一次性的；如果AI幫助企業重構研發、供應鏈、銷售和服務體系，使原來無法盈利的業務獲得規模化條件，才可能形成長期價值。

更重要的是，隨着勞動收入份額下降，資本市場本身將成為社會分享AI紅利的重要渠道，股票、基金、養老金和長期資本賬戶，不再只是財富管理工具，還可能承擔新的收入分配功能。

這也使資本市場面臨新的公共責任：如何讓更多居民而不只是少數高淨值人群，分享AI企業和AI基礎設施的長期收益？如何防止資本紅利集中於少數平台和早期投資者？如何讓中小企業也能獲得算力、數據和智慧化轉型能力？

從這個角度看，AI時代的資本市場不能只負責給科技巨頭融資，還必須承擔生產率紅利社會化擴散的功能。

結語：AI時代最危險的不是貧窮，而是「繁榮中的失去」

Anthropic給出了一個令人不安的極端情景：經濟增長15.4%，整體失業率卻達到11.9%；GDP增加三分之一，勞動收入幾乎沒有增加。比爾・蓋茨則進一步提醒我們，即使政府能夠通過稅收和轉移支付維持居民的基本生活，工作仍然不只是收入，它也是身份、尊嚴、社會聯繫和個人價值感的重要來源——AI時代的問題不能僅僅通過發錢來解決。

如果一個人擁有足夠的基本收入，卻不知道為什麼起床、如何參與社會以及怎樣獲得他人的認可，那麼物質保障只能解決一部分問題。人類需要的不只是消費權，也需要參與權、創造權和被需要的感覺。

因此，AI時代的經濟學必須重新回答四個基本問題：當機器能夠勞動時，人類收入從哪裏來？當資本開始擁有認知能力時，資本所有權應如何分布？當就業不再是必要的生產條件時，工作對人的意義是什麼？當GDP與多數人的生活感受發生脫節時，我們又該如何衡量真正的繁榮？

Anthropic算出了AI可能創造多大的蛋糕，比爾・蓋茨則追問這塊蛋糕如何分配，以及人在新生產體系中還剩下什麼位置。

我的判斷是，AI不會自動帶來烏托邦，也不會必然導致大規模貧窮，它更可能把人類推入一個「技術性富裕、制度性滯後」的過渡期：生產能力快速上升，原有的就業、稅收、教育和社會保障體系卻來不及調整，真正決定未來的不是AI會不會比人更聰明，而是人類能否在AI全面進入經濟體系之前，重新設計增長與分配、效率與尊嚴、資本與勞動之間的關係。

AI時代最危險的並不是經濟停止增長，而是經濟創造出前所未有的繁榮，大量普通人卻發現：這場繁榮已經不再需要自己！

（作者為香港中小上市公司協會主席）