Anthropic公司的经济学家Maxim Massenkoff和Peter McCrory在报告中指出,AI对就业的影响并未如专家预测的那样严重。
以Anthropic首席执行官Dario Amodei为例,他在2026年1月重申并扩展了2025年的预测:"AI可能在未来1-5年内取代一半的入门级白领工作。"他在长篇文章中表示:"最终AI将能够做所有事情,我们需要正视这一点。"
也许有一天,机器人会叠衣服,载着闲散的公民去人烟稀少的快闪店花费政府分配的基本收入。但不是现在。
目前看来,AI对那些被认为"易受自动化影响"的工作几乎没有产生任何影响。
Massenkoff和McCrory在题为"AI对劳动力市场的影响:新测量方法与早期证据"的报告中写道:"我们发现,自2022年底以来,高度暴露的工作者失业率没有系统性增长,尽管有迹象表明,在易受影响的职业中,年轻工作者的招聘速度有所放缓。"
最近确实有一些裁员案例至少部分归因于AI的影响,例如Jack Dorsey决定从Block裁掉约4000名员工,约占员工总数的40%。考虑到Dorsey早年运营Twitter时未能成功创造收入,以及Block在2025年11月的盈利未达预期,可能还有其他因素在起作用。
现在看来,软件经济学确实需要重新审视,因为庞大的软件项目可以通过一些提示进行重新构建和重新授权。
但总体而言,Anthropic的经济学家们还没有准备好拉响AI警报。正如他们在宣传其研究成果的博客文章中指出的:"过去方法(AI劳动力影响预测)的记录让我们有理由保持谦逊。"
Massenkoff和McCrory提出了一种新的测量方法,他们认为这有助于澄清问题:观察到的暴露度。
这旨在测量AI实际上是如何被使用的,而不是理论上可能如何被使用。他们承认:"AI远未达到其理论能力。"
大约一年前,当经济学家研究AI对丹麦工作者的实际经济影响时,他们发现对工作或工资没有影响。Anthropic的经济学研究者们发现,如果你仔细观察,指标确实在移动一点点。
但配备了这种测量实际而非理论AI使用情况的新标尺后,结果是……基本相同。
Anthropic的研究人员预计,根据美国劳工统计局的数据,到2034年,被认为对AI有较高观察暴露度的职业增长速度将比其他工作慢。如果这一预测成真,最易受影响的角色预计将由年龄较大、女性、受教育程度更高和薪酬更高的工作者担任。但我们还没有到那一步。
研究人员观察到,自ChatGPT发布以来,高度暴露的工作者与那些更不受AI影响的工作者之间失业率差距的平均变化"很小且不显著,表明更易受影响群体的失业率略有上升,但这种影响与零无法区分。"
例外是年轻工作者,在易受影响的职业中,他们的招聘速度有所放缓。但即使是这一点也让Anthropic的研究人员感到"无所谓",他们指出,从2022年ChatGPT推出到现在,求职率平均估计下降14%,"仅仅勉强具有统计学意义。"
Q&A
Q1:Anthropic提出的"观察到的暴露度"是什么意思?
A:观察到的暴露度是Anthropic经济学家提出的新测量方法,用于测量AI实际上是如何被使用的,而不是理论上可能如何被使用。这种方法旨在更准确地评估AI对劳动力市场的真实影响,而不是基于理论预测。研究人员承认AI远未达到其理论能力,因此实际使用情况的测量更能反映当前状况。
Q2:AI目前对就业市场的实际影响有多大?
A:根据Anthropic的研究报告,AI目前对就业市场的影响非常有限。自2022年底以来,高度暴露于AI的工作者失业率没有出现系统性增长,失业率差距的平均变化很小且不显著。唯一的例外是年轻工作者,在易受AI影响的职业中招聘速度有所放缓,但这种影响也仅仅勉强具有统计学意义。
Q3:哪些职业群体未来可能更容易受到AI影响?
A:根据Anthropic研究人员的预测,到2034年,对AI有较高观察暴露度的职业增长速度将比其他工作慢。如果这一预测成真,最易受影响的角色预计将由年龄较大、女性、受教育程度更高和薪酬更高的工作者担任。不过研究人员强调,目前还没有到那一步,这只是基于美国劳工统计局数据的预测。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。