Anthropic 2030 经济模型：AI 增长、技能替代与资本分配的三种情境

原始资料：Scenarios for our Economic Future

The Anthropic Institute · 2026-09-09

作者与研究团队：Anton Korinek、Charles I. Jones、Szymon Sacher、Tess Cotter、Peter McCrory 与 Santi Ruiz

技术报告与背景资料：Anthropic：Economic Scenarios for Transformative AI 技术报告 · Anthropic：Labor Interventions 政策研究 · Anthropic：Economic Index 追踪工具

讨论人工智能对未来经济的影响，公共舆论往往容易走向两极：要么是生产力爆发带来的全民繁荣，要么是普遍失业引发的社会停滞。

The Anthropic Institute 经济学团队联合斯坦福大学经济学家 Chad Jones 等人，建立了一套宏观推演模型。研究人员把视角放在 2026 年至 2030 年，通过量化计算，给出了 AI 介入宏观经济的具体机制。

这套推演的核心结论表明，即便 AI 推动经济出现历史上前所未有的超高增速，宏观繁荣也不等同于劳动者普遍受益。由于知识工作被算法快速替代，新增社会财富会极度向资本所有者集中，同时伴随知识工作者的转岗阵痛与薪资停滞。

该模型并非针对未来的精确预言，它提供了一面测算不同假设后果的透镜。研究团队通过拆解任务构成、要素流动与资本积累，量化了技术发展速度与社会财富分配之间的紧张关系。

工作是由具体任务构成的组合包

为了追踪 AI 如何渗透到全社会的生产环节，该模型借鉴了美国劳工部 O*NET 数据库的职业任务束方法。

现代经济中的任何一份工作，在本质上都是由数十项具体任务组合而成的动态复合体。以医院里的护士岗位为例，护士每天需要查房照看病患、抽血检测、分诊评估、录入体征数据并申领医疗物资。

技术演进持续重塑任务束的内部结构。AI 无法替人类护士给病患擦拭身体，这类任务依然只能由人类完成；AI 能够协助护士起草出院医嘱、进行远程监测和排班，这些任务获得了效率增强；而体征录入和物资盘点等流程化环节，则可能被系统完全自动化接管。

新技术还会催生出原本不存在的新任务。护士需要开始核查算法分诊建议的准确度，或者评估模型生成的护理方案。整个人类岗位的重心由此发生位移，护士得以将节省下来的精力转移到临床沟通与诊疗关怀上。

把全美所有从业者每天重复进行的数以亿计的任务相加，构成了年产值超过 $30 trillion（30 万亿美元）的美国经济体。AI 对宏观经济的塑造深度，取决于这项技术是增强了人类任务、完全替代了人类任务，还是创造出了足够体量的新任务。

三种推演情境：从温和扩散到超级增长

基于 AI 能力提升速度、企业采纳率以及技术对工作的影响形态，研究团队设定了三组对照情境。

基准参照是没有 AI 介入的情形。此时美国年均 GDP 增速保持在 2.0%，劳动所得占国民收入比例稳定在 60.0%，资本收益占比 40.0%，全社会失业率为 3.8%，知识工作者失业率为 2.9%，资本净回报率为 6.5%。

在温和情境中，AI 产生的经济冲击类似 1990 年代互联网的普及。到 2030 年，实际 GDP 仅比没有 AI 的基准路径高出 1.6%，达到 $34.1 trillion（34.1 万亿美元，按 2025 年物价计算），年化增速提升到 2.4%。全社会平均薪资上涨 0.7%，劳动份额小幅下降到 59.4%，资本份额上升至 40.6%，资本净回报率微升到 6.6%。知识工作就业岗位微降 0.5%，全社会失业率基本稳定在 3.9%。

在显著情境中，AI 成为影响超过铁路与互联网的关键技术。到 2030 年，实际 GDP 较基准路径高出 8.3%，达到 $36.3 trillion（36.3 万亿美元），年化增速达到 5.4%，超过了 1999 年互联网泡沫顶峰时 4.7% 的增速纪录。劳动份额由 60.0% 跌落至 56.1%，资本份额上升到 43.9%，知识工作就业岗位减少 3.9%，非知识工作就业岗位增加 4.6%，全社会总体失业率升至 4.6%，资本净回报率升至 7.0%。

在极端情境中，算法具备了递归式自我改进能力并快速扩散。到 2030 年，实际 GDP 较基准路径大幅跃升 32.4%，达到 $44.4 trillion（44.4 万亿美元），年化经济增速攀升至惊人的 15.4%，意味着整个经济体每 4.5 年就会翻倍一次。

Anthropic 与 Morning Consult 在 2026 年夏末对超过 10,000 名美国成年人展开的问卷调查显示，受访大众对未来的中位数预期恰好落在显著情境附近，另有约 10% 的受访者预期符合极端情境的判断。

认知工作与实体劳动的薪资大分流

宏观产出的增长并没有在不同职业群体之间形成均等分布。该模型显示出知识型脑力劳动与非认知实体劳动之间激烈的薪资分化。

在显著情境中，全社会平均薪资上涨 2.1%，非知识型岗位薪资上涨 5.9%，知识工作者的平均薪资却出现了 0.3% 的微幅负增长。

到了极端情境，这种撕裂变得更加剧烈。全社会平均薪资虽然上升 9.7%，但水暖工、电工、建造工人与护理人员等不可替代的实体岗位薪资暴涨 33.6%，知识工作者的平均薪资反而暴跌 11.5%。

出现这种剪刀差的根本原因在于劳动力供需结构的相对稀缺性。AI 对软件编写、数据分析、法务起草与行政管理等纯认知任务的自动化程度极高，导致人类知识劳动的市场稀缺性迅速降低。

实体劳动则构成了物理世界的关键制约。即使算法能够在一秒钟内完成数据中心工程图纸的生成与许可报批，实际施工依然必须依靠装配工与建筑工人。认知效率的大幅提升反而放大了对物理施工要素的需求，推高了后者的市场价格。

蛋糕变大，资本拿走新增收益的绝大部分

长期以来，美国国民收入分配保持相对平稳，每 1 美元的产出中大约 60 美分分配给劳动者，40 美分分配给资本。

该模型测算发现，随着 AI 自动化程度提高，资本要素的技术边际生产率急剧上升。在显著情境中，资本份额提高到 43.9%；在极端情境中，资本份额进一步飙升至 54.8%，而劳动所得份额则压缩至 45.2%。

在极端增长情境下，即便 2030 年的 GDP 蛋糕扩大了约三分之一，劳动者群体的总收入增幅却只有 0.5%，几乎停留在没有 AI 介入的原点。

由于 GDP 扩张了 32.4%（倍数约为 1.32），而劳动份额下降到了 45.2%，二者乘积约为 0.60。这意味着经济飞速扩张带来的新增财富，全额转化为数据中心、芯片、电力与算法模型的资本回报。资本净回报率由 6.5% 跃升到 8.3%，增幅达 28%，资本总收益比基准路径大幅增长 81.4%。

社会总体财富激增并不天然解决劳动者的生存诉求。如果不建立配套的再分配机制或制度调节，极高的经济增速完全可能与知识工人的生活水准滑坡同时存在。

劳动力跨行转移摩擦与未纳入的宏观约束

除了收入份额转移，劳动力市场的再配置摩擦同样会带来长期的失业压力。

在现实社会中，被替代的程序员或客服代表无法在一夜之间考取电工执照或成为临床护士。再培训、资格认证、职业意愿和地理迁移都需要耗费数月甚至数年时间。

在显著情境下，知识工作岗位存量下降 3.9%，知识工作者失业率由常规的 2.9% 攀升至 4.5%，涨幅超过 50%，全社会总体失业率升至 4.6%。在极端情境下，知识岗位更是骤减 21.5%，知识工作者失业率飙升至 17.9%，全社会总体失业率达到 11.9%，严重程度超越了 2008 年金融危机后接近 10% 的高点以及 Covid-19 疫情期间约 8% 的失业波峰。

研究团队强调，模型本身做出了多项边界简化。模型尚未纳入具有自主行动能力的高阶人形机器人，也未考虑公共财政转移支付、税收政策应对、经济下行周期冲击以及算力基础设施建设带来的短期总需求拉动效应。

Daron Acemoglu、David Autor、Ben Moll 和 Emi Nakamura 等多位受邀评审的经济学家也指出，由于缺乏个体层面的微观追踪，模型对技能专有性损失和跨工种转移成本的刻画仍偏粗糙。但它清晰地揭示了一个规律：技术进步不会自动实现成果均享，应对 AI 时代的经济转型，关键考验在于财富分配规则能否跟上生产力的爆发速度。