辛顿警告AI将取代人类工作，杨立昆反对：应该先听这5个人怎么说

过去半年，关于“AI 会不会抢走我们的工作”的讨论愈演愈烈。几乎每隔几周，就会有新的研究报告、行业预测或焦虑故事被推上舆论场。科技公司一边喊着“AI 将赋能每一个人”，一边悄悄收紧招聘甚至大规模裁员；白领群体中，“我的岗位还能撑几年”的担忧悄然蔓延…

最近，“AI 教父”杰弗里·辛顿（Geoffrey Hinton）在接受采访时也聊及这个话题。作为深度学习的奠基人之一、2024 年诺贝尔物理学奖得主，辛顿自离开谷歌后，便持续为 AI 潜在风险发出警示。

图 | 辛顿接受采访（来源：Youtube）

辛顿指出，回顾人类历史，每一次重大技术革命都遵循相似的节奏：淘汰一类劳动，同时开辟新的就业空间。农业机械化把劳动力从土地上解放出来，他们走进了工厂；工厂自动化之后，人们又转向办公室和知识型工作。经济体总能生长出新的需求层次，承接那些被旧技术挤出的劳动力。但 AI 不一样，它不是守在某一扇门后的自动化工具，而是出现在每一扇门的后面。

一个客服人员失业后转行学编程，发现 AI 也会写代码；再转向法律文书处理，AI 同样胜任；尝试内容创作，AI 依然在场。每一次转型还没站稳，就可能被迅速追上。辛顿将这一判断提升到了文明史的高度：人类一路走来，不断突破各种局限。食物匮乏靠农业解决，距离障碍靠交通工具解决，体力限制靠机械解决。每一次突破都催生了全新的人类活动空间。而 AI 正在突破的，是人类智力本身。当智力不再构成瓶颈，新的空间在哪里？

辛顿坦言，自己目前没有答案，也未见到任何人给出令人信服的解释。他还给出了具体的时间预判：2026 年，AI 将在呼叫中心大规模替代人类客服；数年之内，便可能具备独立运行、持续数月的软件工程项目能力。这番言论一经发出，便引发讨论。

但并非所有人都认同辛顿的观点。不久后，另一位“图灵奖得主”杨立昆（Lecun Yan）便公开回应。他措辞直接：“我敬重 Geoff（辛顿），但在技术革命对劳动力市场的影响这个问题上，他甚至不如达里奥·阿莫迪（Anthropic CEO）了解得多。”

（来源：X）

紧接着，他提出了一个更值得深思的观点：不要听 AI 科学家谈这个问题，无论他们多么杰出；更不要听 AI 公司 CEO 的判断，无论他们多么成功。劳动经济学的问题，应当交给研究劳动经济学的学者来回答。

随后，他点名 @ 了五位经济学家：菲利普·阿吉翁（Philippe Aghion）、达龙·阿西莫格鲁（Daron Acemoglu）、埃里克·布莱恩约弗森（Erik Brynjolfsson）、安德鲁·麦卡菲（Andrew McAfee）和大卫·奥托（David Autor）。

这条帖子的价值，不仅在于立场表态，更在于它揭示了当前公共舆论中一个明显的失衡。在“AI 会不会取代人类工作”这个议题上，声量最大的始终是两类人：AI 技术专家和科技公司管理者。前者对模型能力有深刻理解，但对经济系统如何消化技术冲击未必具备专业判断力；后者既有商业动机去渲染 AI 的变革性，也有动机去回避其社会成本。

而真正以劳动力市场为研究对象、积累了数十年方法论和实证数据的经济学家，在公共舆论中的存在感反而薄弱得多。那么，杨立昆点名的这五位学者，对于 AI 与人类共存的问题究竟持怎样的观点？我们不妨逐一了解。

达龙·阿西莫格鲁可能是五人中对 AI 经济影响最为审慎的一位。他任教于麻省理工学院（MIT）经济学系，2024 年因制度经济学方面的开创性贡献获得诺贝尔经济学奖。近年来，他将研究重心转向 AI 领域。2024 年，他发表论文《AI 的简单宏观经济学》，结论出人意料：据其模型估算，AI 在未来十年对美国全要素生产率（衡量经济体整体效率的核心指标）的提升幅度，大约只有 0.5% 至 0.9%。这一数字，与硅谷流行的“AI 将重塑全球经济”的宏大叙事之间，存在近乎一个数量级的落差。

图 | 达龙·阿西莫格鲁 (来源：Wikipedia)

但阿西莫格鲁并非认为 AI 毫无价值。他指出，目前 AI 能够自动化的，仅是企业全部任务中的一小部分；且许多被自动化的环节，并未被生产率更高的新任务所替代。他将这类技术定义为“平庸技术”（so-so technology）：足以替换工人，却未能带来相称的效率提升。劳动者被排挤出局，经济整体并未因此显著受益。

但他并不担忧 AI 过于强大导致人类无事可做。恰恰相反，他认为问题可能在于 AI“还不够强大”：企业之所以有动力用其替换人力，唯一原因是它已经足够廉价，即便替换后的效率增益微乎其微。

2026 年 4 月，他在美国国家经济研究局（NBER）发布新研究，探讨当 AI 生成的内容反过来成为训练 AI 的语料时，不仅模型可能崩溃，人类的知识库也会发生系统性退化。因为 AI 倾向于输出“概率最高”的平庸内容，这会稀释人类文明中的极端案例和独创性思维，导致我们在依赖 AI 的过程中，逐渐丧失处理复杂、罕见问题的能力。

同样任教于 MIT 的大卫·奥托，是当今全球引用量最高的劳动经济学家之一。与阿西莫格鲁相比，奥托的视角中包含更多建设性的可能。他最具影响力的分析框架被称为“基于任务的分析”：不将一份工作视为整体来判断其存废，而是将其拆解为一项项具体任务，逐一考察哪些将被自动化、哪些反而会被增强。在这个框架下，绝大多数工作并非“消失或存续”的非此即彼，而是内部发生结构性漂移：部分环节交由机器处理，另一些环节则因机器的辅助而变得更加重要。

图 | 大卫·奥托 (来源：Wikipedia)

2024 年，奥托曾提出一个反直觉的观点：AI 对中产阶级可能是有利的。其推理逻辑如下：过去数十年间，专业技能的门槛不断提高，医生、律师、高级工程师凭借多年训练积累的判断力，构筑了中等技能劳动者难以逾越的壁垒。但如果 AI 被设计为辅助工具而非替代品，它有可能将部分“专家级判断力”向更广泛的群体开放：社区护士借助 AI 诊断辅助系统，可以承担以往仅由专科医生执行的初步筛查；小型企业主利用 AI 法律工具，能够处理以往需要委托律师的合同审核。

奥托将此概括为“专业知识的民主化”，不是消灭专家，而是降低成为“准专家”的准入门槛。当然，他也反复强调，这并非技术进步的自动结果，而取决于企业的部署方式和政策的引导方向。2026 年 2 月，他与阿西莫格鲁合作发表《构建支持工人的 AI》，系统性地界定了何种 AI 技术可被归为“亲工人型”，试图为技术开发提供明确的价值导向。

这类技术包括：能开辟全新劳动领域的“新任务创造技术”（如让农民转型为管理多维数据的“精准农业调度员”）、旨在降低准入门槛的“决策支持技术”（如辅助护士执行复杂临床诊断，实现医疗专长的下放），以及强调人类处于回路中心的“协作型人机交互”（如在精密制造中由 AI 负责误差补偿，工人负责核心工艺决策）等。

第三位埃里克·布莱恩约弗森是斯坦福大学数字经济实验室主任，同时也是斯坦福以人为本人工智能研究所（HAI）的高级研究员。早在 2014 年，他就与安德鲁·麦卡菲合著《第二个机器时代》，预判了数字技术对劳动力市场的深远冲击，该书至今仍被视为这一领域的重要参考文献。

图 | 埃里克·布莱恩约弗森 (来源：Wikipedia)

但他最具辨识度的理论贡献诞生于 2022 年的“图灵陷阱”。他指出，人工智能领域长期以来存在一种根深蒂固的设计倾向：追求让机器模仿人类、替代人类，将通过图灵测试视为终极目标。然而，这种设计哲学恰恰将技术推上了替代劳动力的轨道，而非增强劳动力的方向。当研发目标一味聚焦于让 AI“像人”，自动化便成为默认路径，“增强”（augmentation）反而被边缘化。布莱恩约弗森主张，应当有意识地将研发方向从“让机器做人做的事”，转向“让人能做以前做不到的事”。

2025 年，他与合作者发表论文《煤矿里的金丝雀》，以翔实的数据追踪了 AI 对就业的早期影响。研究发现，自由职业者和平台工作者首当其冲，这些缺乏组织保护的劳动者，最先承受了生成式 AI 带来的竞争压力。在翻译、文案、基础编程等领域，自由职业者的订单量和收入出现了可观测的下降。

但与此同时，企业端的整体就业数据并未出现崩盘式滑坡，表明 AI 的替代效应在组织内部是渐进式展开的。他目前正在推进“AI 经济仪表盘”项目，用大数据实时追踪全美国数千个职业内部的任务漂移。最新监测显示：2026 年，组织的变革速度终于开始跟上技术的步伐，企业正在经历从“试点 AI”到“重构流程”的惊险跃迁。

安德鲁·麦卡菲是布莱恩约弗森多年的学术搭档，在 MIT 斯隆管理学院担任首席研究科学家，同时也是 MIT 数字经济倡议（IDE）的联合创始人。相较于布莱恩约弗森更偏学术的研究风格，麦卡菲更擅长将复杂的经济学结论转化为企业管理者和政策制定者能够理解的语言，活跃于《哈佛商业评论》、TED 演讲和个人专栏等平台。

图 | 安德鲁·麦卡菲 (来源：Wikipedia)

他的核心立场可以概括为“技术乐观加制度焦虑”。一方面，他相信技术进步整体上扩大了经济总量，但另一方面，他对收益的分配极为警觉。在《第二个机器时代》之后，他与布莱恩约弗森合著《机器、平台、大众》，进一步论证了数字经济的一个显著特征：增长越来越集中于少数平台型企业和超级明星公司，而普通劳动者在增长中所分得的份额却持续缩小。这一“赢家通吃”的趋势在 AI 时代有被加速的可能。

麦卡菲因此并不简单地站在“AI 会创造更多工作”的立场上，他的关切更在于：如果不在制度和政策层面进行主动干预，AI 创造的价值将高度集中于资本所有者和少数高技能劳动者手中。

五人中最后一位是菲利普·阿吉翁。他任教于法兰西学院和伦敦政治经济学院（LSE），2025 年获得诺贝尔经济学奖，获奖理由是其在创新与经济增长理论方面的开创性贡献，尤其是他与彼得·霍维特共同构建的“熊彼特增长模型”。这套理论的核心概念是“创造性破坏”：新技术和新企业的涌现必然摧毁旧的产业结构和就业形态，而正是这种破坏本身驱动着经济的长期增长。值得注意的是，阿吉翁的命题不是“破坏之后经济会恢复增长”，而是“破坏本身即增长的引擎”，二者之间有重要的理论区别。

图 | 菲利普·阿吉翁 (来源：Wikipedia)

将这一框架应用于 AI 议题，阿吉翁的分析路径便十分清晰：AI 当然会摧毁大量现有岗位，但只要这种摧毁伴随着充分的创新活力和足够的制度弹性，它本身就能催生新的产业和新的就业。关键变量不在于技术有多强大，而在于制度环境能否承接这种破坏。市场竞争是否充分、教育体系能否及时调适、社会保障网络是否足够稳固。

阿吉翁最近还在利用大语言模型本身作为经济学研究工具，探索如何借助 LLM 进行大规模社会调查和文本分析。换言之，他不仅在研究 AI 对经济的影响，也在用 AI 重新定义经济学研究本身的方法。

将这五位学者的观点并置，可以看到他们并不构成一个统一阵营。阿西莫格鲁是冷静的怀疑者，认为 AI 的经济影响被严重高估；奥托是有条件的乐观派，认为 AI 有可能惠及中产阶级，但前提是开发方向正确；布莱恩约弗森是结构主义者，强调核心问题不在于 AI 本身，而在于人类选择用它来做什么；麦卡菲关注分配正义，忧虑价值被少数群体攫取；阿吉翁则是历史主义者，相信创造性破坏终将发挥作用，但需要制度层面的配合。

他们之间有交集也有分歧，但也拥有一个底层共识：技术变革对劳动力市场的影响，不仅是一个工程问题，更是一个经济学问题。它取决于制度设计、政策选择、市场结构和企业决策，而不仅仅取决于模型的能力上限。在众声喧哗的当下，我们确然需要更多元的声音。

1.http://www.nber.org/papers/w32487

2.https://www.nber.org/papers/w34854

3.https://www.nber.org/papers/w32140

4.https://www.lse.ac.uk/lse-player/creative-destruction-ai-and-the-european-recovery

运营/排版：何晨龙