微软“站台”了一篇文章，说AI十年只能拉动1.5%的GDP - Kaiyun

微软，作为OpenAI背后的主要投资者和这轮AI叙事中的最大受益方之一，在其自有的刊物上刊登了一篇对AI前景持悲观态度的文章。

发表这一观点的学者来头不小：达龙·阿西莫格鲁，麻省理工学院经济学教授、2024年诺贝尔经济学奖得主，同时也是当今在世被引用次数最多的经济学家之一。

他的核心结论可以用一句话概括：

未来十年，AI预计只能带动GDP增长1.5%，最多替代5%的工作岗位。

你可能对这些数字缺乏直观感受，不妨找个参照物。

就在今年，谷歌、微软、Meta和亚马逊这四家公司，计划在AI基础设施上投入总计约7250亿美元。这仅是一年的投入量。

而1.5%的GDP增量，以美国经济体量计算，分摊到十年，每年大约为四五百亿美元。

一边是每年超过七千亿美元的投入，另一边是每年几百亿美元的预期回报。当然，这种计算方式比较粗略，经济学并非如此简单。

一. 事件经过

事情本身并不复杂。

微软旗下有一本刊物，名为《The Humanist Review of AI》，风格相当传统。创刊号上，作者署名甚至使用了手写签名，透露出一种知识分子的固执。

阿西莫格鲁的文章就发表在这本刊物上，标题是《Will AI Replace Workers? Not If We Build It Right.》，意为：AI会取代劳动者吗？只要我们正确构建AI，就不会。

文章页面标注的日期是7月15日，但真正引起关注是在10月6日。当时媒体集中报道，微软AI部门CEO苏莱曼当晚还亲自发了长帖进行推介，文章浏览量很快突破了40万。

一个作为主要投资者的企业，亲自为一篇唱衰自身赛道的文章站台，这显得有些矛盾。

二. 唱反调的人

阿西莫格鲁这个名字你可能不太熟悉，但他的书你很可能听说过，《国家为什么会失败》是一本经济学领域的畅销书。2024年的诺贝尔经济学奖，正是他与另外两位学者共同获得的。

他一生主要研究三件事：技术、制度与增长。

关键在于，他与AI反对者几乎不沾边。他既不认为AI是泡沫，也不觉得AI会毁灭人类；他反感的是另一件事：太多人闭着眼睛高喊通用人工智能，却很少有人认真计算。

而且，这并非他一时兴起。早在2024年，他就发表过一篇论文，题为《The Simple Macroeconomics of AI》，当时就估算，AI十年内带来的GDP增长大约在1.1%到1.6%之间。

这次文章中的1.5%，正好落在这个区间内。

也就是说，整整两年，模型发生了翻天覆地的变化，从GPT-4进化到GPT-6，整个行业面貌一新，但这位学者的预测基本没有改变。

仅凭这一点，就值得认真倾听他的计算逻辑。

三. 5%这个数字如何得出？

他的计算方法分为两步。

第一步，评估AI能做什么。 他判断，到2020年代末，AI能够真正可靠地自动化的，主要是简单的办公室认知类任务，这类工作约占美国经济全部工作的20%。至于那些需要判断力、多维推理和社交能力的复杂岗位，AI要攻克还为时过早，社会也不太可能放心让AI来管理空管塔台、进行心理治疗或执掌公司。与物理世界打交道的工作，更是遥不可及，因为灵活的机器人尚未出现。

第二步，评估落地速度。 参考电力、计算机等前辈技术的扩散规律，他判断，在可自动化的工作中，十年内大约只有四分之一会真正实现自动化。

20%乘以四分之一，得出5%。

他自己也承认，这属于“guesstimate”，即学术化的估算。

但他给出了两个相当有力的理由，来解释为什么落地速度可能不会太快。

第一个理由，是著名的索洛悖论。 1987年，经济学家罗伯特·索洛说过一句名言：计算机无处不在，唯独不在生产率的统计数字中。今天的AI，处境有些类似。在实验室里，AI写代码、看片子表现惊人，但真正应用到公司里，工程师需要花大量时间纠正AI写的代码，放射科医生使用AI辅助后效果反而打了折扣。

第二个理由，是电力的故事。 1881年，纽约和伦敦就有了中央发电站，当时很多人认为制造业很快会被颠覆。结果呢？到了1920年代，将近四十年过去，只有大约一半的工厂和家庭用上了电。

像电力这样的技术都需要四十年才能普及，AI需要改变的东西可能更多：任务需要重新分配，员工需要重新培训，管理层需要从零开始学习如何与AI协作。组织的变化，往往比技术慢得多。

因此，“放射科医生马上要消失”这句话喊了将近十年，现实却是，医院里的放射科医生越招越多。

四. 一段关于语音识别的往事

接下来这段，是整篇文章中我个人最喜欢的一部分，一个几乎被遗忘的故事。

上世纪80年代，美国有一对夫妇，詹姆斯和珍妮特·贝克，创立了一家名为Dragon Systems的公司，专注于语音识别。他们的思路在当时非常叛逆：忽略语法和语义，直接使用机器学习，将语音映射为最匹配的文字，纯粹基于预测。

1997年，他们发布了Dragon NaturallySpeaking，这是当时第一款能够识别连续自然语音的软件，准确率接近95%。

阿西莫格鲁为什么对这段历史如此熟悉？因为他就是第一批用户。1997年，他的两只手臂劳损，无法打字，全靠这个软件维持工作。他的原话是，即使当时的处理器慢得要死，那款软件用起来也像魔法一样。

按照正常的剧本，接下来应该是技术飞速发展，语音识别统治世界。

结果2000年，Dragon被一家名为Lernout & Hauspie的比利时公司收购。几个月后，这家公司直接破产，联合创始人后来因公司欺诈被判有罪。接着，ScanSoft低价收购了Dragon，改名为Nuance，将消费级产品搁置一边，专注于医疗和企业业务。2022年，微软收购了Nuance，延续了同样的路线。

最终的结果是：今天PC上的语音识别，只比2000年好那么一点点。

底层技术明明在飞速发展，消费者却白白等待了二十多年。

这个故事还隐藏着两个细节。第一，基础设施的突破，需要配套的应用和渠道。第二，Dragon 16发布时宣称99%的准确率，但那只是理想条件下的表现。剩下的1%，足以改变一句话的意思，让你不得不从头到尾校对每封邮件，去发现那些隐藏得很深的口音和错字。

99%，听起来高得惊人。但一旦应用到现实世界的最后一公里，往往还是不够用。

这个逻辑也适用于AI自动化。全自动意味着AI要接管一个职业中的所有任务，包括高风险判断和人际交往。目前的AI距离这个状态，还有很大差距。

五. 人与机器，到底谁该像谁？

讲完故事，阿西莫格鲁提出了全文最关键的观点：当前的行业路线，从根本上可能就走错了。因为我们正在做一件事，强迫AI去模仿人类智能。

而这两种智能，差异之大，几乎像两个物种。

人类是如何学习的？看几个例子，形成一个假设，在脑海中模拟各种可能性，然后到真实世界中试错。孩子基本上都是这样学习的。这种学习还天生具有社会性，你会关注那些你认为更懂行的人，观察他们的做法。人类甚至可以说是用整个身体在思考的，大脑、神经、感官、肠胃，都在参与推理。

最有趣的是他对“幻觉”的重新定义。人类的幻觉，在他看来近乎一种天赋：我们脑补出一堆不存在的世界，然后快速筛选掉不靠谱的，留下值得追求的。

AI几乎完全相反。它从海量数据中学习，擅长在巨大的语料库中寻找模式，一旦学会某种推理，抽象或具体场景都能应用。但它缺乏实时的社会学习，它的幻觉基本上就是灾难，因为它没有人类那套筛选机制。

因此，他的观点是，当两样东西差异如此之大时，强行让一个模仿另一个，多半是条笨路。

他举了一个很妙的例子：乔布斯和沃兹尼亚克。如果乔布斯天天想着取代沃兹的工程能力，沃兹看不上乔布斯的设计营销天赋，那么可能就不会有后来的Mac。这两人成功，靠的是两种完全不同的能力结合在一起。人和AI，或许也应该是这种关系。

其实，这条路65年前就有人指出来了。1960年，“互联网祖父”利克莱德写过一句话：人脑和计算机将紧密耦合在一起，这个伙伴关系将以人脑从未有过的方式思考，以今天的机器从未有过的方式处理信息。

路线图早就画好了，结果行业绕了一个甲子的大圈。

阿西莫格鲁给这个方向起了个名字，叫pro-worker AI，支持劳动者的AI。不要追求全面自动化，而是去制造让劳动者更强大的工具。

他举了教育的例子。现在的教育AI，大多想着如何接管老师的活。但全自动教学遥遥无期，换个思路，天地立刻开阔了：AI可以识别出每个学生在哪些知识点上卡壳，然后建议老师将班级拆分成小组，针对每个组的弱点精准补课。个性化教育过去贵得离谱，只有少数家庭能负担，AI有机会让它变得廉价。

他还透露，自己的团队已经制作了原型，正在评估。所用的东西并不神秘，只是一个中等规模的语言模型，喂入课程内容和优秀教师处理各种学生问题的案例。按他的说法，这在现有技术能力范围内。

六. 为什么行业还在拼命卷自动化？

既然这条路又宽又亮，为什么走的人少？他列出了四种力量，前三个是经济层面的，最后一个是意识形态。

第一，商业模式。 大科技公司的收入主要来自销售企业软件和数字广告，这套商业模式中很少有“增强劳动者”这个选项。

第二，市场集中。 七大科技巨头——Alphabet、亚马逊、苹果、Meta、微软、英伟达、特斯拉——占据了纳斯达克60%的市值。创业公司即使冒出头，常见的结局也是被收购。因此，最终胜出的往往还是同一套商业模式。

第三， 他起了一个很形象的名字，螺母和螺栓问题。 没有螺栓，螺母就没用；没有螺母，螺栓也没用。企业认定科技公司只会销售自动化工具，于是按自动化做规划。科技公司认定企业只购买自动化工具，于是只开发自动化。双方互相锁定，很难有人先改变。

第四，AGI执念。 这个行业被“像人一样的机器”这个念头影响了七十多年，源头可以追溯到图灵1950年的那篇论文，开篇就是著名的模仿游戏。再加上科幻小说和电影几十年的渲染，“达到人类水平”几乎成了硅谷所有应用的及格线。许多技术领袖从心底里认为，人类这种生物会犯错，不可靠。

顺着这个诊断，他开出了四副药方：对劳动和资本对称征税，目前美国劳动收入的边际税率超过25%，而资本收入几乎为零，在他看来这等于政府在补贴企业用机器替代人；政府出资开展pro-worker AI的示范项目，向公众展示可行性；反垄断法需要更新，并且要真正执行，还可以考虑开征数字广告税；最后，建立数据市场，让顶尖专家的高质量知识能够被控制、定价和出售。

七. 尾声

最后，讲两个小故事。

第一个故事，还是1987年。索洛说出那句“计算机无处不在，唯独不在生产率统计中”时，很多人认为他在泼冷水。后来的事情我们都知道了，90年代中后期，美国生产率真的起飞了，互联网革命兑现了承诺。只是比乐观派预期的，晚了十几年。

技术很少爽约，它只是喜欢迟到。

第二个故事，1950年。图灵在那篇开创性论文的开头，写下了模仿游戏：如果一台机器聊天聊到你分不清它是不是人，我们能否说它会思考？这个问题太迷人了，以至于后来七十多年，大半个学科都在围绕“像不像人”打转。

一个好问题，能开辟一个时代。它也可能悄悄变成一个时代的牢笼。

再说回微软。有一个细节很值得玩味，媒体The Decoder在报道中不咸不淡地补了一刀：这套论点对微软来说，实在太顺手了。AI慢慢渗透，嵌入Office，嵌入Windows，一年一年稳稳收取订阅费，这比赌一个全面自动化的疯狂未来，舒服多了。

发表不等于背书。但在当前这个时间点，给这样一篇文章如此大的曝光度，微软心里的小算盘，估计打得也很响。

那么，这篇文章到底意味着什么？

我的感受是这样的。它可能正确，也可能错得离谱，阿西莫格鲁自己也承认，模型的进化速度很难预测。但它至少说明了一件事：在多数人都在喊“更快、更大、更像人”的洪流中，还有人在认真地问另一个问题。

我们想要的AI，到底是什么样子？

是给每个人发一个更强的外挂，还是造一个把人踢下桌的替身？

本文来自微信公众号“大数据文摘”，36氪经授权发布。