微软作为OpenAI背后的主要出资方，也是这波AI热潮的最大获益者之一，却在自己旗下的刊物上发布了一篇对AI前景持悲观态度的文章。
这篇文章的执笔者来头不小：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，也是当今在世经济学家中被引用次数最多的人物之一。
他的核心结论可以简单概括为：未来十年，AI大约只能推动GDP增长1.5%，最多取代5%的工作岗位。
这两个数字可能让人缺乏直观感受，不妨找个参照物。
今年，谷歌、微软、Meta、亚马逊四家公司计划在AI基础设施上投入总计约7250亿美元，这还只是一年的量。
而1.5%的GDP增量，以美国经济体量计算，分摊到十年，每年大约就是四五百亿美元。
一边是每年超过七千亿的投入，另一边是每年几百亿的预期回报。当然，这种计算比较粗糙，经济学不能这么简单类比。
一. 发生了什么？
事情本身并不复杂。
微软旗下有一份刊物叫《The Humanist Review of AI》，翻译过来是《AI人文评论》。风格相当传统，创刊号上作者署名用的还是手写签名，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上面，标题是《Will AI Replace Workers? Not If We Build It Right.》，意思是：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苏莱曼当晚亲自发长帖推荐，浏览量迅速突破40万。
一个投资方，亲自为一篇唱衰自己赛道的文章站台，这确实显得有点矛盾。
二. 先说说这个唱反调的人
阿西莫格鲁这个名字可能不为人熟知，但他的书《国家为什么会失败》是经济学领域的畅销书。2024年的诺贝尔经济学奖，就是他和另外两位学者共同获得的。
他一生研究三个主题：技术、制度和增长。
关键是，他与AI反对者并不沾边。他不认为AI是泡沫，也不觉得AI会毁灭人类，他反感的是另一件事：太多人不假思索地高喊AGI，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《The Simple Macroeconomics of AI》，当时估算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%，正好落在这个范围内。
也就是说，整整两年时间，模型技术从GPT-4发展到GPT-6，整个行业发生了翻天覆地的变化，但他的预测基本没有改变。
仅凭这一点，就值得认真听听他的计算方法。
三. 5%这个数字，是怎么算出来的？
他的计算分两步。
第一步，评估AI能做什么。 他判断，到2020年代末，AI能够可靠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所有工作的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任务，更得往后排，灵活的机器人尚未成熟。
第二步，评估落地速度。 参考电力、计算机等技术的扩散规律，他判断，在可自动化的任务中，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”，翻译过来就是“学术化的拍脑袋”。
但他给出了两个相当有力的理由，解释为什么落地速度很可能快不起来。
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里。今天的AI，处境类似。在实验室里写代码、看片子表现惊人，但在公司实际应用中，工程师需要花大量时间修正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会立刻被颠覆。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。
电力这种级别的技术都需要四十年时间，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”的说法喊了快十年，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，是整篇文章里我个人最喜欢的部分，一个几乎被遗忘的故事。
上世纪80年代，美国有一对夫妇，James和Janet Baker，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：不管语法语义，直接用机器学习，将语音映射成最匹配的文字，纯粹预测。
1997年，他们发布了Dragon NaturallySpeaking，这是当时第一个能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年他两只手臂劳损，无法打字，全靠这个软件维持工作。他原话说，即使当时的处理器慢得要死，用起来也像魔法。
按照正常剧本，接下来应该是技术狂飙，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，改名为Nuance，把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。
最后的结局是：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。
这个故事还包含两个彩蛋。第一，基础设施的突破，需要配套的应用和渠道，这些当时都不具备。第二，Dragon 16发布时宣称99%的准确率，但那只是理想条件。剩下的1%，足以改变一句话的意思，让你需要从头到尾校对每封邮件，去发现那些隐藏很深的口音错字。
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。
这个逻辑套用到AI自动化上，同样成立。全自动意味着AI要接管一个职业中的每一个任务，包括高风险判断和人际交往。现在的AI离这个状态，还有相当距离。
五. 人和机器，到底谁该像谁？
讲完故事，阿西莫格鲁提出了全文最关键的一个观点：目前的行业路线，从根本上可能走偏了。因为我们在做一件事，强迫AI去模仿人类智能。
而这两种智能，差别大到有点像两个物种。
人类是如何学习的？看几个例子，形成一个假设，在脑子里模拟各种可能性，然后到真实世界中试错。小孩基本都是这样学习的。这种学习还天生带有社会性，你会盯着那些你认为更懂的人，看他们怎么做。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”的重新解读。人类的幻觉，在他看来接近一种天赋：我们脑补出一堆不存在的世界，再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，擅长在庞大的语料中抓取模式，一旦学会一种推理，就能在抽象和具体场景中随意应用。但它缺少实时的社会学习，它产生幻觉时基本就是灾难，因为它没有人类那套筛选机制。
因此他的看法是，两样东西差别这么大的时候，硬要让一个去模仿另一个，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，沃兹瞧不上乔布斯的设计营销天赋，大概就不会有后来的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。
阿西莫格鲁给的方向起了个名字，叫pro-worker AI，支持劳动者的AI。别追求全面自动化，去制造让劳动者更强的工具。
他举了教育的例子。现在的教育AI，大多在琢磨如何接管老师的活。但全自动教学遥遥无期，思路一换，天地立刻宽了不少：AI可以识别出每个学生在哪些知识点上卡壳，然后建议老师把班级拆成小组，针对每个组的弱点精准补课。个性化教育过去贵得离谱，只有少数家庭玩得起，AI有机会把它拉成白菜价。
他还透露，自己的团队已经做了原型，正在评估。用的东西倒不神秘，一个中等规模的语言模型，喂上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，这在现有技术能力之内。
六. 那为什么行业还在往死里卷自动化？
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，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企业软件和数字广告，这套生意里很少有“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。创业公司即使冒头，常见的归宿还是被收购。于是赢到最后的，往往还是同一套商业模式。
第三， 他起了个很形象的名字，螺母和螺栓问题。 螺母没有螺栓没用，螺栓没有螺母也没用。企业认定科技公司只会卖自动化工具，于是按自动化做规划。科技公司认定企业只买自动化工具，于是只开发自动化。两边互相锁定，谁都很难先动。
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浇灌，“达到人类水平”差不多成了硅谷所有应用的及格线。不少技术领袖打心底里觉得，人这种生物，会犯错，不可靠。
顺着这个诊断，他开了四味药：劳动和资本对称征税，现在美国劳动收入的边际税率超过25%，资本收入却接近零，在他看来等于政府在掏钱补贴企业用机器替人；政府出资搞pro-worker AI的示范项目，把可行性做出来给大家看；反垄断法该更新了，更该真的执行，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控制、能定价、能卖钱。
七. 尾声
最后，说两个小故事。
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里”的时候，不少人觉得他在泼冷水。后来的事我们都知道了，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：如果一台机器聊到你分不清它是不是人，我们能不能说它会思考？这个问题太迷人了，迷人到后来七十多年，大半个学科都在围着“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。有个细节很耐人寻味，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，嵌进Office，嵌进Windows，一年一年稳稳收订阅费，这可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。但在这个时间点，给这样一篇文章这么大的排面，微软心里的小算盘，打得估计也挺响。
所以这篇文章到底意味着什么？
我的感受是这样的。它可能对，也可能错得离谱，阿西莫格鲁自己的态度就是，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”的洪流里，还有人在认真地问另一个问题。
我们想要的AI，到底长什么样？
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？
如果你对这类深度内容感兴趣，可以访问 悦盈首页入口 获取更多类似的分析。本文来自微信公众号“大数据文摘”，36氪经授权发布。