AI 影响世界——弹性需求、半内生增长与人类最后一次逃避选择的机会

这篇是 《科技慢半拍》EP121：AI 影响世界｜AI 夺走的不是工作，而是人类最后一次逃避选择的机会 的文字稿整理版，把节目里快速带过的”半内生增长理论”推导、“弹性需求”的历史数据，以及深度伪造治理机制补充完整。

楔子：方向盘握在谁手里

有一个事实值得我们认真面对：今天 AI 每年的投资规模，已经和当年的曼哈顿计划以及阿波罗登月计划相当。

但过去这些改变人类历史进程的大工程，无一例外，全都是由政府主导的。今天的 AI 投资和它背后的驱动力，却几乎完全来自私人企业。

这意味着，人类历史上可能第一次，一股足以改变文明进程的力量，方向盘正握在追求利润的商业实体手中。

这让我们不得不思考：我们是否已经错过了干预的最佳时机？

如果政府像当年对待核能那样，简单粗暴地”封锁”或”过度监管”，结果很可能不是消除了风险，而是让技术转入地下，或者流向监管更宽松的地区。但如果完全放任，最先进的 AI 模型开源之后，敌对势力可能把它重新配置成网络攻击工具，甚至生物武器。

真正的挑战在于：如何在防止 AI 变成”毁灭城市的炸弹”的同时，又不让它变成少数公司的”数字领地”？

我们在历史上的位置

面对这个问题，有一个反直觉的好消息：我们还有时间。

比尔·盖茨曾经提出一个洞察：创新的爆发往往比人们预期的要慢，但它带来的革命性程度，却远远超出人们的想象。我们现在就处在”实用 AI 的黎明期”。

历史也反复证明，无论是社会科学家还是技术专家，在预测一项技术的长期后果时几乎都会出错。很多副作用都具有隐蔽性——社交媒体对精神健康的负面影响，是在被大规模部署很多年之后才逐渐显现的。AI 也一样。

正因为变革的真正落地需要时间，我们现在才依然处在一个”决定性时刻”。我们还有宝贵的窗口期去建立故障保险机制和审计框架。现在做出的每一个决策，无论是对管理电网的 AI 进行安全测试，还是努力纠正算法里的偏见，影响力都会在未来几十年里被无限放大。

技术专家预测的是爆发的速度，而我们所有人的责任，是决定爆发的方向。

我们与 AI 的关系：职能剥离，而非职位替换

来自哈佛大学的一项研究给出了一个具体的数据。在一个针对咨询行业的实验里，当引入 AI 辅助之后，低技能顾问的工作效率提升了 43%，而高技能顾问只提升了 17%。

这已经不是”锦上添花”，而是对底层能力的”暴力拉平”。一个刚入职的年轻律师，在 AI 的帮助下审查标准合同的速度提升了 22%，快要摸到资深合伙人的水平了。

这迫使我们重新思考 AI 的角色。它可能并不是要来抢走你工位的”替代者”，而是那个帮你把办公室里 80% 的最无聊行政琐事都处理掉的”超级助手”。

AI 正在做的是**“职能的精准剥离”**——它接管的是那些最消耗人、最让人感到职业倦怠的东西：让医生头疼的无穷无尽的保险文档，让老师崩溃的堆积如山的作业批改。这些”苦差事”（Drudgery），被 AI 拿走之后，人类专家才真正被解放出来，回归到工作的核心价值上：医生终于有时间去面对面地观察病人的神态，老师也终于能把精力放在启发学生的思考上。

这种职能剥离揭示了一个更深层的趋势：未来的职业竞争力，重心会从”执行能力”转向”决策的终审权”。

尤其是在医疗、法律这种高风险领域，AI 可以提供精准的预测和建议，但人类必须留在”决策路径”里，作为最后的安全保障。就像飞机的自动驾驶系统可以处理 99% 的航程，但在遇到极端天气的那个生死瞬间，真正做决定的，还是坐在驾驶舱里的人。

AI 夺走的不是你的工作，而是那些让你天天想辞职的烂事儿；它留给你的，恰恰是身为人类最难被复制的决策主权。

当然，这里有一个潜在的代价需要警惕：技能萎缩。如果一个年轻医生从一开始就过度依赖 AI 的辅助诊断，他会不会慢慢丧失在没有设备支持下的直觉判断力？这种”技能退化”，是享受技术红利时必须正视的成本。

弹性需求：职业命运的密码

既然 AI 能让每个人的效率都这么高，我们还需要那么多人吗？

这里有一组跨越半个世纪的数据值得认真对待。

从 1970 年到 2020 年，计算机性能提升了上百万倍，编程语言变得前所未有的高效。结果：美国程序员的数量，反而增长了 11 倍。

与此同时，从 1940 年到 2020 年，随着农业机械化大规模普及，美国农业岗位缩减到了之前的 1/4，农民占总人口的比例从 40% 一路跌到 2%。

一边暴增 11 倍，一边缩减 4 倍——这背后的原因叫**“弹性需求”**。

编程这个行业，需求是高度弹性的。代码写得越快、开发成本越低，全世界对各种软件和 App 的需求就会呈指数级爆发，创造出比以前多得多的岗位。农业则相反——需求是”非弹性”的。不管粮食价格多便宜，你一天也只能吃三顿饭。

这揭示了 AI 的双重身份：

AI 作为”收割者”——在需求非弹性的行业，生产力提升直接意味着裁员。我们不会因为面包便宜了十倍就每天吃十倍的面包。

AI 作为”平衡木”——在需求高度弹性的行业，当开发成本因为 AI 而降低时，市场上会涌现出过去想都不敢想的应用和服务，进而创造出对人才更庞大的需求。

一个行业未来的饭碗到底稳不稳，关键不在于 AI 本身有多强，而在于你所在行业的需求，会不会因为”降价”和”效率提升”而激发出海量的新增需求。

基于这个逻辑，未来 AI 投资和个人职业发展的黄金航道，指向两个领域：教育和医疗。全世界有数以亿计的孩子渴望更公平、更个性化的教育，有无数的病人等待更廉价、更精准的诊断。这两个领域拥有近乎无限的弹性需求——如果 AI 能让高质量教学和医疗服务的成本降低 90%，我们迎来的不会是教师和医生的失业潮，而是一个全民都能享受顶级专家服务的全新时代。

AI 还有一个”拉平效应”的深远影响：在那些严重缺乏医生、教师和律师的低收入国家和地区，AI 可以让一个偏远山村的孩子拥有顶尖的个性化助教，让一个乡镇诊所拥有世界一流的诊断系统。AI 不会剥夺人类的价值，它只是剥夺了”平庸”的昂贵借口。

AI 影响世界的三个前沿

医疗：从文书苦海到精准医学

现代医疗体系里藏着一个隐形杀手：误诊。在美国，大约有 15% 的诊断是错误的，这些错误直接或间接导致了约 10% 的死亡。原因很简单：再厉害的专家，知识和精力也有限，不可能同时处理数以亿计的遗传变异数据。但 AI 可以。

AI 正在成为医生的”第二大脑”：在一瞬间筛查出视网膜病变，识别出医生肉眼难以察觉的极早期乳腺癌，同时把医生和护士从无尽的”文书苦海”里解救出来——病历转录、保险文档、那些繁琐的杂事，交给 AI 之后，医生每天能多出几个小时真正地还给病人。

2024 年的诺贝尔化学奖颁给了 AlphaFold 的开发者——这是 AI 在科学界的官方加冕。蛋白质折叠困扰了生物学家整整 50 年，从 AlphaFold 第一个版本发布到相关科学家站上诺贝尔奖领奖台，只花了 6 年。现在，全球 190 个国家超过 200 万名科学家每天调用这个”超级大脑”，用它来设计能”吃掉”塑料的酶，或者寻找对抗耐药超级细菌的新武器。

更深远的是，AI 正在把科研的重心从辛苦地”获取数据”推向更具创造性的”应用数据”阶段，极大地缩短了从理论到临床应用的距离。神经科学领域的专家预测，借助 AI，人类在未来 5 到 10 年内对大脑的理解，可能等同于过去整整 100 年的积累——对全球 4000 万阿尔茨海默症患者和 1000 万帕金森症患者来说，这意味着一场真正的生死时速。

教育与创意：资本守门人的终结

今天全球大概有 68 亿部智能手机。在 AI 的加持下，它们正在变成 68 亿个”全球导师”——一个住在偏远山村的孩子，可以通过手机获得一个完全为他定制的学习方案，符合他的母语文化，适应他个人的学习节奏。这正在把教育从标准化的”工厂流水线”，转变为真正个性化的”私人花园”。

同样的故事发生在好莱坞。过去拍一部特效大片需要几百万美元预算，还得经过各大制片厂的点头。现在 AI 工具可以简化成千上万个微观决策，未来的斯皮尔伯格可能只需要带着几十个朋友，在自己的卧室里拍出高质量的长篇电影。

这背后指向一个共同的趋势：“资本守门人”的终结。无论是教育资源，还是过去被少数人垄断的影视创作权，都在从昂贵的中心化机构手里，流向每一个拥有创造力的个体。

就像科幻作家尼尔·斯蒂芬森的比喻：1900 年代的舞台剧演员担心电影会摧毁他们的事业——但电影创造了一个比舞台剧大千万倍的市场，而百老汇今天依然繁荣。AI 对教育和娱乐的影响也是如此：创作正在从”贵族游戏”，降维成一种”全民呼吸”。

科学：时间机器与跨维度搜索

如果说 AI 在医疗和教育领域扮演的是”放大器”，那么在科研领域，它更像是一台”时间机器”。

DeepMind 的 GNoME 系统一口气预测了 220 万种全新的晶体结构，相当于人类过去几百年辛辛苦苦积累的已知稳定材料总量的 10 倍以上。在气象预测方面，AI 模型的运行速度比传统超级计算机快了 1000 到 10000 倍，准确度更高，能够提前 5 天为全球 80 多个国家提供精准的洪水预警。在受控核聚变领域，AI 已经能自主学习如何稳定托卡马克反应堆里的等离子体。

这里的核心关键词是**“跨维度搜索”**。人类科学家的直觉往往受限于已有的知识框架，很难同时处理几十个互相影响的变量。AI 没有这个限制——它可以在一个我们无法想象的高维参数空间里进行近乎穷举的探索。

AI 不仅提高了我们寻找答案的速度，更极大地扩充了我们”提出正确问题”的候选清单。

当然，这种效率的指数级提升也带来了新挑战：当 AI 一天之内抛出 220 万种可能的新材料时，物理实验室里需要人工操作的瓶瓶罐罐就成了最大瓶颈。这正在倒逼整个科学界向”自动实验室”（Self-driving Labs）转型——让机器人接手重复性的实验操作，形成”AI 负责提速思考，机器人负责动手执行”的闭环。

半内生增长理论：为什么这次可能真的不一样

经济学家和 AI 专家对 AI 的经济影响，有着截然不同的预测。耶鲁大学调查的顶级经济学家普遍认为，即使有 AI，这个世纪的经济增长率也就是每年 2% 上下。但 AI 领域的专家认为，我们可能正在接近超指数增长。

这个分歧背后，有一个非常强大的经济学理论作为支撑：半内生增长理论。

这个理论最核心的观点是”思想的非竞争性”。一台电脑，我用了你就不能用。但”微积分”或者”Python”，一旦被发明出来，就可以被无数人重复使用，成本几乎为零。你不需要为每一个程序员都重新发明一次 Python。

在人类历史的很长一段时间里，这种思想的积累，和人口的增长形成了强大的正反馈循环：新思想让生产力提高，能养活更多的人；更多的人又能产生更多的新思想。这就是历史上那条”曲棍球棒”式超指数增长曲线的来源。但在工业革命后期，特别是二战后，这个循环慢慢减弱了——我们进入了”人口转型期”，劳动力不再像过去那样可以被轻易”积累”和”复制”了。

半内生增长理论告诉我们：AI 可能重新打开这个增长开关。

AI 可以把”劳动力”这个要素，从一种有限的、不可积累的资源，变成一种像机器和软件一样可以被大规模复制和积累的”资本”。如果经济产出翻倍了，我们不仅可以把这些钱投入建更多的数据中心、买更多的芯片，还可以直接用这些产出去”复制”出更多的 AI 劳动力。那个古老而强大的增长引擎——思想的非竞争性加上可积累的劳动力——就被重新启动了。

这个理论在上世纪 90 年代就被提出，那时候人们对 AI 的想象还非常有限。它的客观性，让它成为了预测 AI 影响的有力思想工具。

那为什么经济学家们依然持怀疑态度？原因有几个：

锚定效应——经济学家太习惯于二战后这段长达七八十年的稳定增长期了。但如果把时间尺度拉长到整个人类历史，这种平稳指数增长反而是个特例，超指数的加速增长才是常态。

零阶预测——经济学家在预测 AI 影响时，往往只基于今天能看到的 AI 能力，想象这些能力变得更便宜、更普及之后会怎样。他们不愿意去想象那些还不存在的、全新的颠覆性 AI 能力，因为那感觉”不够科学”。

值得注意的是：支持 AI 加速增长的观点往往更定量——比如一块英伟达 B200 GPU 售价约 5 万美元，算力恰好和人脑相当，如果运行在上面的软件效率足够高，一年创造的价值可能达到 10 万美元，足以买回另一块 GPU——而反对意见往往是定性的，难以被量化地反驳。

AI 的安全网：治理与防御

深度伪造与”虚假信息侦探社”

深度伪造（Deepfake）正在挑战”眼见为实”这个基本信任基础。学界提出了一个有趣的构想：“虚假信息侦探社”——类比国际反兴奋剂机构（WADA），这个机构自己不搞创作，但手里攥着最高精度的探测工具。当出现重大事件，比如刑事案件里有关键音频证据，“侦探社”应执法机构要求出动，对内容进行概率上的裁定。

这个机制还建议把所有可疑的数字样本都封存起来，保留很多年——就像保存运动员的尿样。因为技术在进步，今天检测不出来的东西，五年或十年后可能完全可以检测出来。这种**“延迟的正义”**会产生强大的长期威慑力：一个今天发布伪造视频的恶意分子，必须从此背上一个随时可能爆炸的幽灵——只要数据还存在，当检测算法再次进化，他的欺骗行为就可能被百分之百”确诊”。

在 AI 时代，真相不再是看出来的，而是被证明出来的。

充分利用现有法律框架

很多人觉得必须赶紧制定”AI 大法”来管住它。但治理专家的建议是：先别急，多用用旧的法律。

研究显示，我们今天面临的绝大多数 AI 挑战，其实都可以通过仔细解读现有法律框架来处理：带有 AI 功能的医疗设备出现误诊，依然归食品药品监督管理局管；有人利用 AI 进行证券欺诈，现有证券交易条例就足以将其绳之以法。

核心逻辑不是制定新法律，而是确保 AI 系统和部署它的公司，承担起”不低于人类决策者”的法律标准。这向所有开发者传递了一个极其明确的信号：AI 不是法外之地，不是可以让你规避责任的”黑盒子”。“那是算法干的，我也不知道为什么”——这个借口不成立。因为法律真正关心的是结果，以及由谁来承担责任。

偏见与公平：AI 作为”公平改进工具”

AI 的偏见几乎是它的原罪——早期测试里，AI 对黑人语音的识别错误率远高于白人；对深色皮肤面孔的分析准确度也差强人意。但业界更新的视角认为：与其总是把 AI 看作偏见的制造者，不如把它开发成诊断和纠正偏见的工具。

在涉及数十亿人的重大决策里——遗传风险评估、银行贷款审批——人类决策者的潜意识偏见其实非常严重，却很难被察觉。一个经过充分多样化数据集训练的 AI 系统，反而可以精准识别出人类面试官或医生在决策中那些不自觉的偏见。

AI 第一次让”公平”这个抽象的伦理概念，变成了可以被审计、被测量的数字指标。

但这里需要警惕一种**“算法傲慢”**——那种认为只要数据足够多、算力足够强，就能计算出完美社会正义的错觉。“公平”如果被简单地定义为”结果均等”，可能会牺牲效率；定义为”机会均等”，又可能忽略了不同群体在历史背景下的巨大差异。AI 可以成为我们发现自身偏见的放大镜，但它永远不应该，也不能够成为定义社会正义的最终法官。

结语：人类最后一次逃避选择的机会

AI 不是命运本身，而是一种被人类制度、价值和选择不断”定向”的力量。

在技术层面，AI 已经展现出足以重塑医疗、教育、科研和经济增长曲线的能力。在经济层面，它可能重新激活人类历史上最强大的增长引擎。在社会层面，它既能放大不平等，也能成为跨越资源鸿沟的跳板。在伦理与治理层面，它既可能制造前所未有的风险，也迫使我们第一次用可审计、可验证的方式，直面”责任、公平与信任”这些长期被模糊处理的问题。

历史告诉我们，技术的爆发往往不可避免，但它的走向从来不是自然决定的。核能既可以照亮城市，也可以摧毁城市；社交网络既能连接世界，也能撕裂社会。AI 同样如此。

AI 并不会替我们回答”什么是更好的社会”，但它会逼迫我们把这个问题问得前所未有地清楚。

它像一面镜子，把人类制度的漏洞、价值的冲突、治理的惰性一一放大。在 AI 这面镜子面前，我们看到的每一个缺陷，其实都是我们自己尚未解决的课题。

这可能是人类历史上第一次，被迫要对自己制定的每一个规则、追求的每一份公平，给出一个经得起算法推敲的解释。

AI 夺走的不是工作，而是人类最后一次逃避选择的机会。