AI教父杨立昆疾呼：别听我的，去听经济学家的！

来源：市场资讯

（来源：New Economist）

AI教父疾呼：别听我的，去听经济学家的！——在最重要的社会议题上，硅谷最聪明的人有多少算真正的权威？

旻宏

新经济学家智库特约研究员

摘要

2026年4月底，AI三巨头之一、图灵奖得主杨立昆（Yann LeCun）在X平台发出一句话，让AI圈的辩论突然变换了语言：他批评Anthropic CEO关于AI将摧毁大量就业的预测，却没有停在他说错了这里，狠狠补刀说，也别听奥特曼（Altman，OpenAI创始人）们的，甚至别听我的，去听经济学家的。这句话的分量，不在于它谦虚，而在于它揭开了一个在AI热潮中长期被掩盖的问题：在最重要的社会议题上，硅谷最聪明的人有多少算真正的权威？

一、卖技术的人，不该来讲失业的故事

今天美国最擅长制造AI议程的人，大多供职于AI实验室或大模型公司。

这本不奇怪。技术议题天然需要技术背书，公众也早已习惯从OpenAI、Anthropic或Meta的发言人那里，获取关于AI未来的基本想象。这其中就包括AI和经济社会交叉最敏感也最被各个阶层所关心的那个问题——就业。当Anthropic CEO 阿莫迪（Dario Amodei）公开预警，AI可能在未来一到五年内冲击50%的初级白领岗位，并把大规模失业当成可见的社会风险来描述时，他做的事情就已经不再是技术判断，而是一种社会情绪的定义和塑造。

杨立昆的反应是不寻常的。他没有用技术指标来反驳，而是把话题本身切开：AI公司的领袖，无论立场多开明，都不该是这道题的裁判。在劳动力市场问题上，别听阿莫迪，别听奥特曼，别听本吉奥（Yoshua Bengio），别听辛顿（Geoff Hinton），也别听我。去听那些用一辈子研究这件事的经济学家怎么说。杨立昆这不是客气，而是试图划定一个话语权的边界：技术判断可以由技术专家做，但社会后果的估算，不能由利益相关者主导。

这道划分的意义远大于一次口水战。如果AI公司被允许同时扮演技术供给者和风险解释者，它们实际上掌握了一种双重叙事权力：既能定义技术能做什么，又能定义社会应当恐惧什么。这种结构本身就值得被质疑。历史上，没有任何一个工业化浪潮的社会影响，是由该行业的工程师最先讲清楚的。蒸汽机的经济学、电气化的劳动市场影响、互联网对就业的改造，这些叙事诚然由技术推动，但最终将时代梳理出脉络、拿出路线图的是经济学家、社会学家和政策研究者，而不是机器制造商。

Brookings、Yale Budget Lab和哈佛的研究提醒我们：AI对就业市场的影响路径，远比替代或不替代更复杂。真实的问题是任务分解后如何重组、什么类型的劳动力有缓冲能力、政策能否补上调整期的断层。这些问题，没有一个可以完全从AI模型的训练日志里读出来。

二、什么叫懂就业？经济学家到底在看什么

杨立昆并非泛泛而谈，他在X文中点名推荐的五位经济学家，也不是随机抽取的。

比如Daron Acemoglu，2024年诺贝尔经济学奖得主，长期研究技术变迁如何重塑生产结构与劳动分配；他关于平庸自动化（so-so automation）的研究警示，当企业用不成熟的自动化替代劳动力，不产生真实效率提升时，会造成工资萎缩和生产率停滞双重损失。再比如David Autor，他在麻省理工长期追踪技术如何改变工作任务的结构，发现自动化并不均匀消灭岗位，而是把劳动力从常规任务中推挤出来，能否找到新位置，取决于政策、教育、地区、行业等复合条件。还比如Erik Brynjolfsson在数字经济框架内持续讨论AI生产率悖论：技术进步肉眼可见，生产率和工资增长却滞后多年。

这几位学者给出的，都不是AI无害或AI灾难的结论，而是充满条件句和数据支撑的结构性分析。他们讲的是就业市场如何在摩擦、制度和时间延迟中对技术作出反应；他们关注的是分配结果而非技术表演。这与AI实验室或大模型CEO们的叙事在质地上完全不同，后者讲的是能力边界和商业场景，前者讲的是社会如何消化一次新的生产率冲击。

高盛集团3月发布了《人工智能将如何影响美国劳动力市场？》（How Will AI Affect the US Labor Market?）以及4月发布了《AI可能促进哪些岗位，又可能冲击哪些岗位》（The Jobs AI Is Likely to Boost—and Those It May Disrupt），两份报告为我们提供了一个中间层的参照。高盛估计，AI会使大量工作岗位面临自动化暴露，但转型时间线和产业采用速度的差异，使这一过程远比末日突降更接近分批消化。这就与经济学家们的基本判断一致：风险真实存在，但影响的烈度、速度和覆盖面，取决于一系列并非技术本身决定的变量，例如政策响应速度、再培训机制的可及性、工会谈判能力、产业政策导向等等。这些变量里，没有一个是AI实验室能够解答的。

这里有一个注意的对比：当AI公司谈就业时，他们使用的是能力替代率这类工程语言；当经济学家谈就业时，他们使用的是任务结构、工资弹性、调整成本这类市场语言。两者不只是表述方式不同，而是在提问完全不同的问题。杨立昆呼吁公众听经济学家，本质上是在呼吁：别用工程问题的框架来回答社会和经济问题。这就如同说AI时代理工科完全可以代替除其以外一切、特别是人文社科经济类专业一样荒谬。

三、Anthropic是谁，为什么会成为靶子

杨立昆是三巨头中争议最大也是最“猛”的一位。他不是第一次与AI圈同行发生争执，但这次矛头指向Anthropic又有其特殊逻辑。

Anthropic在当下的美国AI产业里，扮演着一个罕见的双重角色：它既是前沿模型公司，又是安全叙事的系统化输出者。Reuters记录的这家公司的原始使命，几乎从一开始就把比竞争对手更安全、更克制写入品牌DNA。创始人阿莫迪兄妹也是因为安全叙事与奥特曼反目，从而出走OpenAI。Anthropic的Constitutional AI框架，试图把价值观和约束写进模型行为本身；它的AI Safety Levels分级体系，试图为危险能力划定红线，触线即暂停。这不是普通的公司策略，而是一种把安全治理神圣化、内生化的企业哲学。

这种做法有其正当性，同时也有其权力效应。当Anthropic把安全变成公司身份和商业护城河时，它实际上获得了一种优势话语权：既能解释技术风险的大小，又能宣称自己是应对风险的最佳方案。在这个结构里，阿莫迪关于就业灾难的预测，很难被看成纯粹的技术判断，它更接近一种叙事战略：让恐惧保持足够的热度，让负责任AI的故事保持足够的吸引力。

杨立昆其实直击的就是这个结构。他反对的不只是50%失业这个数字，而是一个更大的机制，即全球头部AI公司负责人是否有资格，以安全顾虑为名，持续向社会输出未经同行、相关行业严格检验的就业预测，并以此来塑造公众恐惧和政策讨论的基调。从这个角度看，他之所以说也别听我的，并非谦虚，而是要奋力拆掉这整个框架：AI公司无论是谁，都不该是社会未来的总规划师。

VB（VentureBeat）的报道也提供了一条佐证线索：在加州SB1047AI监管法案问题上，辛顿支持更严格规制，杨立昆立即公开反对，认为此类立法会扼杀开放研究。所以杨立昆和因阿莫迪引起的这次“较劲”，不是偶发的人际摩擦，还是在AI被社会广泛关后就在碰撞的两条系统性路线框架中：一条相信AI还远未成为社会级威胁，因此开放探索优先；另一条相信风险边界已经逼近，因此约束和监管必须前置。

四、恐慌是最廉价的预言，理性是最昂贵的坚持

这场争论的终极问题，并不是杨立昆和阿莫迪谁更聪明，而是：在AI时代，谁有资格定义什么是对社会的真正风险？

这是一个关于知识分工和话语权力的问题。美国新闻评论网站VOX将当前AI产业的分裂描述为一场无声内战，一边是加速主义，主张技术突破本身能够产生社会福利；另一边是谨慎主义，主张超前限制是防范灾难的唯一保险。两边都有真实的价值支撑，也都有容易失控的极端版本。加速主义容易无视真实分配问题；谨慎主义容易把技术叙事建立在过度放大的恐惧之上。

杨立昆当然更偏向开放研究、鼓励创新的一端。他多次强调，现有LLM虽然有用，但距离真正的通用智能仍很遥远；如果把通往人类级智能的希望完全押在LLM路线之上，可能会走进一条“死胡同”。也正因此，他对世界模型、视觉表征学习和具备预测能力的新架构保持更高期待。他旗帜鲜明地反对把“距离灾难可能只有几步”的末日式框架变成公共讨论的默认底色，更反对让销售AI解决方案的公司同时扮演风险预言者和解决方案提供者。这一点，恰好与不少劳动经济学研究的审慎判断相重叠：技术预言越来越剧烈，数据却尚未支撑那些最极端的结论。

《纽约客》John Cassidy在《AI丰裕的危险悖论》(The Dangerous Paradox of A.I. Abundance)中提出的观察，则更触及这场争论的根本：问题从来不只是AI工作机会与人类工作问题，而是技术进步的收益，是否会被有效分配给那些首当其冲的劳动者。如此，这个问题就变得不再是技术问题，而是政治经济问题。它需要经济学、政策研究和劳动法来回答，而不是靠AI实验室的CEO在发布会上预判。杨立昆坚持把讨论权移交给经济学家，某种意义上也是在说：把这个问题还给那些更接近它真实机制的人。

结语

在AI所有争论中，最容易制造热度的，往往是那些把不确定性包装成确定性的论断，就比如把“未来五年失业率将升至50%”加工成一种确定性表达；而经济学家所强调的影响路径复杂，且高度依赖政策响应，则是对不确定性的一种极具专业素养的诚实承认。前者更容易上头条，后者更接近真相。杨立昆的那句也别听我的，在这个意义上是一种在科技界难得的反常清醒，要求公众做一件困难的事：不要用情绪管理代替认知判断。

这场争论最终会以什么形式落地，暂时还不清楚。劳动市场数据的积累需要时间，AI的真实社会影响也要在更长的时间轴上才能看清。但有一点已经足够明确：当一项技术开始以足够快的速度重新定义工作的意义，社会需要的不是更多来自硅谷的预言，而是更多来自经济学、社会学和公共政策领域的、经得起检验的分析。那些经济学家，比任何AI实验室都更早开始研究这个问题，也比任何AI实验室都对这道题的难度更诚实。

别听卖铲子的人讲淘金的故事。这或许是杨立昆在这场纷乱的辩论中留下的最有价值的东西。

杨立昆资料图。

附录：杨立昆点名的五位经济学家简介

Daron Acemoglu，麻省理工学院教授，2024年诺贝尔经济学奖得主。他与合作者Pascual Restrepo建立的任务框架（task-based approach）是当前分析AI就业影响最具影响力的理论工具：技术的冲击不是均匀地消灭岗位，而是把特定任务从人类手中剥离，剩余任务如何重新分配，决定了最终的就业结果。他同时提出平庸自动化（so-so automation）的警示概念：当企业用AI等自动化技术替代人力，却只带来有限的真实生产率提升时，结果可能不是共同富裕式的效率跃升，而是劳动者工资增长受压、劳动份额下降，社会整体生产率改善却并不显著。2026年2月，他与Autor、Johnson联署NBER工作论文《构建有利劳动者的人工智能》，直接呼吁政策介入，以确保AI收益不被少数企业垄断。

David Autor，同样来自麻省理工，是任务极化模型（task polarization model）的奠基人之一。他的核心发现是：自动化对就业的影响不是全面替代，而是一种结构性分化。常规性、中等技能的任务被机器承接，劳动力被向上（高技能创造性工作）和向下（低技能服务性工作）两端挤压，中间层空洞化。放到AI时代，这一框架提示人们此模式正在向白领延伸：AI擅长接管的，是那些可预测、有规律、可系统化描述的认知任务，这正是大量初级专业岗位的核心工作内容。但Autor并不把AI简单理解为白领岗位的终结者，他认为AI如果用得好，可能帮助重建中等技能、中产阶层岗位。他更强调，AI究竟削弱劳动者，还是扩展更多人的专业能力，取决于技术使用方式、制度设计和政策选择共同作用的结果。

Erik Brynjolfsson，斯坦福大学教授。他与Andrew McAfee合著的《第二次机器时代》（The Second Machine Age）出版于2014年，是理解数字技术、自动化与劳动市场关系的早期经典。在生成式AI时代，他更重要的贡献，是继续围绕AI、生产率悖论和组织变革展开研究。他是“生产率悖论”（productivity paradox）的重要研究者和阐释者之一。他主张，尽管技术快速扩散，生产率统计数据却长期滞后。原因不在于技术本身失效，而在于组织变革、技能培训和流程创新跟不上技术部署的速度。这一框架直接适用于今天：按照Jonathan S. Hartley等人的2026的研究报告口径，当35.9%的美国工人已在使用生成式AI，而整体生产率增长和工资改善仍然迟缓。问题不是AI有没有在改变工作，而是收益何时、以何种方式才能转化为普遍的劳动者福利。

Philippe Aghion，2025年诺贝尔经济学奖得主，法兰西公学院教授，创造性破坏（creative destruction）理论的重要阐发者。他建立在熊彼特基础上的增长理论认为，技术创新天然地摧毁旧秩序、建立新秩序，但这一过程能否真正造福社会，取决于三个关键条件：市场是否保持开放竞争、创新成果是否可持续分配、以及技术资源是否高度集中于少数巨头手中。他的框架可以归结为，AI时代最大的风险，不是技术本身的失控，而是少数控制AI数据、算力和人才的公司形成事实性垄断，窒息真正的创造性破坏。Aghion也曾在AI讨论中强调，AI的增长潜力可能受到不当竞争政策和超级明星企业垄断的制约，因而需要更新竞争政策，以避免“赢家通吃”式格局固化。这个判断，与杨立昆对Anthropic和整个大模型公司话语权垄断的批评，在结构上高度呼应。

Andrew McAfee，麻省理工学院数字经济研究者，与Brynjolfsson长期合作并共同提出与机器赛跑（Race Against the Machine）的框架：与其把AI看作就业的终结者，不如把它看作一种重新定义人机分工边界的力量，即人类需要不断向AI难以企及的领域迁移，而不是固守被替代区。他同时对AI无条件乐观保持警惕，强调技术收益的分配问题至关重要，如果AI只是让少数人的资产增值，而大多数劳动者的实际收入和工作稳定性持续下降，那么即便总量上的GDP增长，也无法掩盖社会结构的裂变。■