一百年前，著名经济学家约翰·梅纳德·凯恩斯(John Maynard Keynes)曾预言，未来的人们每周将只工作15个小时。在AI技术变革的背景下，这一预言似乎指向两个截然不同的情景，一个是技术将摧毁工作，导致大规模失业；另一个则是凯恩斯本义想描绘的技术进步满足了人类基本需求、人们拥有大量闲暇的美好未来。

如果是前者，那么当下AI落地节奏慢一些，更有利于人们找到应对办法；如果是后者，那么AI落地慢就不是件好事。

纵观历次工业革命，以往通用技术的广泛应用往往需要经历数十年的阵痛与滞后期，如今AI的大规模落地同样无法一蹴而就。关键不仅在于AI基础设施建设的短缺，还在于技术和监管方向的巨大不确定性。只有当发展方向逐渐明朗，企业和劳动者的“信息摩擦”逐渐减少后，企业对AI落地的投入和劳动者对新技能的培养，才能共同走上快速前进的道路。

针对自动化对工作的影响，创造或摧毁工作的从来不是技术本身，应该问的是：当AI时代到来，人们是否还有意愿去创造新的工作岗位？如果人们有这个意愿，那么根据现在所掌握的技术，人类不可能想象不出新的工作岗位来。而我个人更愿意相信，人类的想象力远超AI或任何其他技术所能达到的范围。

AI带来的变化是好还是坏？

目前，自动化技术正在给劳动力市场带来巨大的变革。然而，与知识积累和技术发展的速度相比，AI技术的实际应用速度其实显得相当缓慢。这就是我们所说的“落地迟缓”(slow adoption)。

最近，Anthropic公司关于其大模型Claude使用情况的研究，比我见过的其他任何研究都更好地说明了这一点。他们将Claude的实际使用情况与Tyna Eloundou等学者关于工作岗位的“AI暴露度”(AI exposure)研究进行了对比，发现Claude在工作中赋能劳动者的潜在能力，远远超出了劳动者对它的实际使用程度。也就是说，实际落地要落后于技术发展。

随之而来的问题是：AI将会带来的变化是好还是坏？我们是否应该加快其应用推广？从社会福利的角度来看，AI落地迟缓究竟是件好事还是坏事？我们能否找到一些显而易见的方法来改善现状，而不是一味冒进？

技术落地为何总是慢半拍？

如果我们梳理自第一次工业革命以来的主要技术进步，就会发现，新技术被广泛采用所花费的时间，起码与现在AI所经历的阵痛期一样长。

蒸汽机花了大约50年才得到广泛应用。早在18世纪末，英国的工厂就具备了使用蒸汽动力的条件，但它并没有被立即采用，人们依然在使用水力、人力和畜力。有记录显示，直到1850年，才有超过半数的英国工厂首次使用蒸汽机作为动力。而此时距离将蒸汽机引入工厂的詹姆斯·瓦特(James Watt)去世已经30年了。

电力出现在19世纪末。早在1880年，托马斯·爱迪生(Thomas Edison)就开始销售白炽灯泡了。电力一开始被用来家庭照明，人们也知道它可以作为工业动力，但它就是没有在工业界得到广泛应用。直到1913年，亨利·福特（Henry Ford）开始将福特汽车的装配线电气化，电力才在工业中得到大规模应用。

计算机在20世纪50~60年代就出现了。我在上世纪60年代读大学时就用过计算机。但它直到上世纪80年代才真正进入办公室。罗伯特·索洛（Robert Solow）当时指出，我们要到很久以后才能在宏观经济数据上看到计算机对生产率的提升效应。

对于AI而言，第一届人工智能会议是1956年在美国新罕布什尔州的达特茅斯学院（Dartmouth College）召开的。然而，直到20世纪90年代，第一个人工智能商业应用才浮出水面。当时搭载AI的计算机通过明确的指令来执行特定的操作，而不是试图全面复制人类的智能。

创造工作的不是技术，而是人

关于自动化对工作的影响，我们已经听闻了不少预测，但大多没有兑现。比如，经济学家Carl Frey和Michael Osborne在2013年预计，自动化将导致大量的失业，但目前来看这并没有发生。Eloundou等人的研究则要谨慎得多，他们计算了可能暴露在大语言模型冲击下的工作岗位数量，并且警告说，像电力和计算机这样的“通用技术”（general-purpose technologies），其全面影响往往需要很多年才能显现，因此在做预测时必须非常谨慎。

在这里，我要提出一个与很多人不太一样的观点。很多人会问：技术会创造工作还是摧毁工作？但事实上，创造工作岗位的从来不是技术，而是使用当前技术来创造就业的人（people who create jobs using the available technology）。

我们应该问的是：当AI时代到来，人们是否还有意愿去创造新的工作岗位？如果人们有这个意愿，那么根据我们现在所掌握的技术，不可能想象不出新的工作岗位来。人类的想象力远超AI或任何其他技术所能达到的范围。

我喜欢举这样一个例子。我很幸运地能住在伦敦一个很棒的街区，那里的人们喜欢养狗，但同时他们也从事着非常繁忙的专业工作。从我的窗前就能看到这样一个公园：20年前，你一般会在周末看到人们在公园里遛狗；但现在，公园里贴着一张海报，提醒所有的遛狗师（dog walkers）：遛狗是一项专业工作，并受相关规定约束，比如，不能同时遛超过五条狗，不能遛体型差异过大的狗，也不能随地喂食。

我经常碰到这些遛狗师。他们通常是年轻人，穿着体面，开着装满小狗的货车来到这里，相当于在户外散步。他们看上去也非常乐于干这份活——起码比19世纪下煤矿或20世纪在工厂做工的人要开心得多。而且，这项工作的收入也不错。我女儿也养了一条狗，每当她去度假时，我都得替她支付遛狗师的费用，所以我才知道这价格不菲。可见，这些服务类的工作是可以获得高薪的。我们与其问AI是否会摧毁工作，不如问AI是否会将更多的人推向新型的服务类就业。

工作与闲暇的价值

技术真正能发挥作用并且对社会福利极有助益的地方在于：尽管我们仍然可以创造新的工作，但我们可能不需再像以前那样长时间工作了。随着收入的增加，工作时长一直在稳步下降，因为闲暇是一种正常商品（normal good），它的收入弹性大于1。事实上，我们正在逐步减少工作时间：在20世纪00年代，典型的英国工人每周工作约53小时；而现在，典型的英国劳动者每周工作28小时。这种逐渐下降的趋势是由兼职就业的增加和全职工作时长的缩短共同驱动的。

我们正在朝着凯恩斯在一篇经常被误解的短文《我们后代的经济前景》（《Economic Possibilities for Our Grandchildren》）中所描绘的方向前进。在这篇写于将近一百年前的文章中，凯恩斯提出，我们未来可以也应该每周只工作15个小时。许多人将其误读为“凯恩斯认为新技术会摧毁工作，导致我们失业”。但如果你仔细读一下，就会发现他并不是那个意思。他说的是，一旦我们满足了人类的基本需求——有了充足的食物、住所和教育等——我们就应该把更多的时间花在闲暇活动上。

凯恩斯是20世纪上半叶英国文化圈里著名的“布卢姆茨伯里派”（Bloomsbury Group）的一员，他经常与弗吉尼亚·伍尔夫（Virginia Woolf）等文人知识分子往来，讨论那个年代的重要作品和他们自己的著述。他认为未来应该有更多的人可以这样做，人们只需要每周工作15个小时，赚取满足日常生活的必需收入，然后把剩下的时间当作闲暇。虽然我们今天还没有降到一周15个小时的工作时长，但也已经从一百多年前的53小时降到了28小时。我相信，一百年后，我们将会降到15个小时。

所以，请不要问“技术会创造还是摧毁工作”；而是要问：人们是否会利用新技术来创造工作。这是一个非常微妙的区别。

AI落地迟缓的症结

让我们回到前面提出的问题：为什么AI的实际落地会如此缓慢？

首先一个原因是新技术的应用需要合适的基础设施。以电力为例，它的广泛应用需要配套的电网。第一个全国性的电网始建于英国的纽卡斯尔（Newcastle），大约建于第一次世界大战期间，而允许各地建设并接入全国性电网的第一项法案是在1919年通过的。这已经是在电力发明40年之后，也就是在福特工厂引入发电机之后不久。

那么，AI需要什么样的基础设施呢？根据英伟达（Nvidia）CEO黄仁勋（Jensen Huang）在今年年初世界经济论坛上的讲话，AI需要消耗大量的能源，也需要大量的水来冷却数据中心。我们有足够的能源来运行AI吗？可能并没有，特别是如果我们还关心环境保护的话。此外，我们需要计算能力足够强大的芯片、足够的云存储空间、能够胜任工作任务的AI模型——在这些方面，目前看来问题并不太大。当前，AI难以充分发挥潜力的主要短板在于缺乏针对具体行业的应用（industry-specific applications），以及缺乏为运行这些应用提供数据支持的本地化数据中心。

由此，黄仁勋得出的结论是，我们还需要投入数万亿美元来建设AI基础设施。虽然我们在大语言模型、AI智能体（agentic AI）以及具身智能（physical AI）方面，已经取得了不少重大进展，但如果要进一步将AI落实到具体的产业化应用，还需要更多的专门数据中心和实际应用场景。

劳动力市场的变化

劳动力市场的情况如何？一方面，AI基础设施建设正在创造很多不同的工作机会。数据中心的发展推动了一股建筑热潮。当我们考察英国的劳动技能需求时，发现最受追捧的专业技能是理解数据、处理数据和统计分析。这些技能代表了正在被创造出来的新工作方向。在这些方面，如果说AI对现有工作有任何冲击的话，那也要等到应用层面得到足够开发和商用之后才会显现。

不过，在另一方面，我们开始看到大语言模型对白领职业入门岗位（entry-leveljobs）的影响。这对于中国劳动力市场的冲击可能不会亚于我们在欧美看到的情况。一个最直观的例子就是律师助理（paralegals）和初级律师。以前的年轻律师进入律所，每天会花上几个小时在档案室里收集过往案例的数据。现在，ChatGPT、Claude或Gemini可以在五分钟内完成这类工作。于是，资深律师开始亲自上手使用AI，他们雇用的律师助理和初级律师便越来越少。专业群体的改革已经迫在眉睫。

然而，在一个律师越来越少的世界里，年轻人可能会转行成为工程师。根据一些经济学家的研究（参见Murphyet al.,1991,《The Allocation of Talent:Implications for Growth》）,从法律向工程领域的就业转型，实际上更可能会提高整体的经济生产率。

劳动力市场的“摩擦理论”或许也可以为AI应用遇到的障碍提供一种解释。在劳动力市场中，同时会存在空缺的工作岗位和失业的劳动者，这两者并没有迅速匹配在一起形成就业。岗位和劳动者之间互相搜寻和匹配的过程，一直是我的研究兴趣所在。在AI领域，我们也可以做同样的类比：存在着某种可以提高生产率和社会福利的AI技术，但它却没有足够迅速地与劳动者的工作相结合，这也需要经历一个搜寻和匹配的“摩擦”阶段。

不确定性与技能培养

这些情况能得到改善吗？我认为主要的障碍在于不确定性：我们还不知道AI技术将走向何方。如果一家公司要从传统工作方式转向与AI协同工作，它就需要重新设计工作流程。而改变工作流程需要花费大量的时间和资源，这种转型对管理层和员工来说都是代价高昂的。企业希望能够更准确地把握未来的市场竞争方向，因为当你不清楚一项技术的发展方向时，你就面临着犯下大错的风险。如果自己判断错了，竞争对手抢占了市场该怎么办？英特尔（Intel）在这方面就尝到了被英伟达抢占市场的教训。

与此同时，如果劳动者在自身的技能培训上做了错误的投资，发现他们所学的东西根本找不到工作，那该怎么办？例如，有些人认为不应再继续大量投入STEM类（科学、技术、工程和数学）的培训，因为AI很快就会在这些领域中表现出色，足以取代人类员工。多学点编程和代码就万事大吉的时代已经过去了。

因此，在我看来，除了基础设施的缺口之外，“信息摩擦”(information friction)是AI落地面临的最重要障碍。这要部分地归咎于我们的科学家，他们传递了自相矛盾的信号。像Geoffrey Hinton和Stuart Russell等专家告诉我们，AI可能会以我们并不希望的方式发展，甚至带来毁灭，但他们并没有对此做出进一步的解释。各国政府也都在担忧，但又不知道如何监管。欧盟虽然通过了人工智能法案，但仍然充满了各种不同的意见，法案的实施被推迟了两年，部分的监管规定也被放松了。

当企业不知道监管将走向何方，也不知道主流AI开发者将把这项技术带向何处时，他们就会犹豫不决。在世界经济论坛上，《经济学人》(《The Economist》)的主编Zanny Minton Beddoes曾追问Demis Hassabis(DeepMind创始人)和Dario Amodei(Anthropic创始人)：如果你们不知道通用人工智能(AGI)被开发出来后该如何控制它，那么为什么还要开发它呢？在反复追问下，这两位AI业内的领军人物不得不承认，也许在找到控制AGI的确切方法之前不应该发布它。如果这就是来自技术最前沿的态度，那么一家普通企业又怎么能做好使用AI的准备呢？它们自然会选择观望。

我们对此能做些什么呢？许多声音呼吁中美两国尽快举行“AI峰会”，并联合主要的欧洲国家，共同达成国际层面的AI监管协议。然而，在当前的地缘政治现实下，这恐怕难以很快实现。此外，对于大型科技公司基于数据垄断而日益膨胀的权力，我们是否应该采取措施？我希望能让它们共享数据，但我也完全能理解它们为何不愿这么做。如果公共部门能够获取更多的数据，政策便能更精准地定位干预措施，社会保障的提供也能更高效。但数据共享真的现实吗？我们将如何去执行？这些都是问题。

未来展望

假设我们设法解决了基础设施和政策层面的问题，接下来该怎么办？

如果我们能为企业提供一个可信且稳定的监管框架，AI的应用就会加速，并变得更加长线思维。随之而来的是人们对于失业的恐惧将会减弱。一旦发展轨迹变得清晰，劳动者将更加愿意接受培训，因为他们能看清楚未来需要什么。正如我之前提到的，我们仍然会有工作，只是我们很可能会用更少的时间来完成它们。我们可能都会变成兼职工作者，还有比这更美好的事情吗？

在技能方面，即便AI在应用层面得到了发展，数据分析能力、通过AI去规划战略的能力并不是自然而然就能掌握的。这些技能需要大量的时间去学习，而且掌握起来要困难得多。企业将需要建立自己内部的AI开发团队，这也同样需要时间。在英国我们看到，对AI相关新技能的需求正在不断增长，但到目前为止，最受追捧的能力仍然是那些传统的、人际交往的技能(interpersonal skills)：如何开发客户，如何与客户沟通，以及如何在企业内部进行有效沟通等。

总结起来，AI落地步伐缓慢的部分原因在于基础设施建设不足和数据可用性有限。同时也存在着严重的技术和监管不确定性，正是这些不确定性导致了企业的犹豫观望。一旦清除了这些障碍，延缓落地步伐的最后一个“摩擦”因素，可能就是新技能的培训问题。

最后，我再次提醒大家，创造或摧毁工作的不是技术，而是人。我坚信，人类比任何技术都要强大。

（作者系诺贝尔经济学奖得主、伦敦政治经济学院教授）