900种职业追踪20年，经济学家汉森给AGI热潮泼冷水

1980年代初，美国学术期刊和全国媒体热烈报道过一批“专家系统”：研究显示，当时最好的AI做医学诊断，已经达到人类医生的水平。经济学家罗宾·汉森就是被这批报道吸引，入行做了近十年全职AI研究。

2024年初，谷歌DeepMind发布了新研究，大模型在诊断测试里拿到60%的准确率，人类医生只有30%，人机协作居中。40多年过去，同一个故事换了个更高的数字。

汉森的反应相当冷淡。他在播客Cognitive Revolution里说，这种能力40年前就存在，当年没有产生实质经济影响，因为执业许可把它挡在门外；今天它照样被挡着。医生也不爱用诊断辅助工具，多花时间往电脑里录入信息，这笔账他们几十年前就算过。

汉森是乔治梅森大学经济学教授，也挂着头衔人类未来研究所研究员，2006年起写博客Overcoming Bias，埃利泽·尤德科夫斯基早期那批关于AI的著名文章就发在这个博客上。他2016年出版《em时代》（The Age of Em），推演“扫描人脑、在计算机上运行仿真人”之后的经济。书里的em是这样造出来的：扫描一颗真实人脑，绘制每个细胞的位置和突触连接，给每个细胞配一个计算机模型，输入输出就能逼近原脑；接上人造眼耳手脚，它就能在整个经济里替代人类。em可以廉价复制、无限暂停存储、加速减速运行、以光速传输，但内部跟大型遗留软件一样难懂，难以有效修改。

汉森在书里推演过一个细节：人类职业约900种，但所需心智风格高度重叠，几百个基础em就足以覆盖所有工作，其余靠廉价变体微调。按他的推演，em世界的竞争会把工资压到接近生存水平，一切回到马尔萨斯逻辑。拉本兹指出，大模型正在重演这个剧本，GPT-4、Claude、Gemini几个底座，加上海量微调变体。汉森认可类比的结构，只是不确定底座该是4个还是400个。

主持人内森·拉本兹是创业者兼AI投资人，他本来想跟汉森聊聊大模型会不会把世界推向类似的未来，结果发现，汉森连“我们离AGI很近”这个前提都不肯接。

我们活在“梦时代”，快速增长撑不了多久

汉森看世界有个底层框架。人类正处在宇宙尺度上极其反常的时期：人均财富高、变化速度快、全球即时互联。这种增长速度在宇宙时间尺度上撑不了多久，一万年都算太长。

远古祖先的文化是碎片化的，每个人只跟附近一小群人交流；散布宇宙的后代同样碎片化，光速限制了通讯。只有现在，整个文明可以即时对话。这种窗口期不会永久持续。

增长一旦回落，人口相对经济重新扩张，世界会退回马尔萨斯状态，生存重新变成硬约束。富足年代的人可以纵容幻觉和情绪，反正饿不死；祖先和后代都享受不起这种奢侈。他给这个时期起了个名字，叫“梦时代”（dreamtime）。

拉本兹用“间断平衡”来类比，问这是不是寒武纪大爆发式的适应期。汉森纠正了他：寒武纪大爆发之后，有一个稳定的新环境供演化慢慢适应，而人类这几百年一直被新变化连续冲击，还没等到那个可以慢慢适应的稳定新事物。

汉森还有个著名习惯，拒绝先亮价值观。他说大多数人聊政治聊未来，急于找到“价值观盟友”，找到就结盟，找不到就开战，细节分析全被跳过。

“我害怕的是，一旦我说出自己的价值观，讨论就会全部跑到那上面去，别的什么都谈不成了。”

他唯一愿意明说的偏好：希望人类继续增长，去拿下一大块宇宙。为此他愿意接受未来跟自己的世界大不相同，一百万年前的人若能强制保留他们的价值观，就没有今天的人类。

每代AI研究者都觉得自己快到终点了

这期节目最核心的分歧在这里。拉本兹认为大模型是质变，他举了国际象棋：1960年代的研究者把棋艺当作智能试金石，认为机器想下好棋就必须解决思维的所有核心问题。这个预测连时间点都对了，1997年深蓝赢了卡斯帕罗夫，距今不到30年。

汉森接话：然后呢？棋下赢了，通用智能没来。1960年代的人错在基准选择上，总有办法绕开“通用智能”去完成一个具体任务。这个教训放到今天照样成立。

拉本兹又举了MMLU，这个用大学和研究生课程期末考试拼成的基准，GPT-4已经拿到接近90%的准确率。汉森的回答很直接：这个基准也是错的，能考高分，距离做完经济里的大部分任务还差得远。

他给大模型定了一个检验标准：能不能像带新员工一样，让它看着你干一遍，然后接手。在他眼里这是经济里最根本的任务，今天的大模型只能在有限范围内做到。拉本兹引用GPT-3论文的“少样本学习”反驳，说“看一遍、做一遍”的门槛已经过了。汉森回应：能这么做的事范围有限，大多数岗位的主要任务还轮不到它。

他总结了一条先验：每个新范式出现，都伴随一个旧系统做不到的新演示，人们随之惊呼“这次快完了”。这种话几十年前有人说过，半个世纪前也有人说过。下一个激动人心的新范式恰好是最后一个的概率，很低。拉本兹提到的Mamba状态空间模型能维护内部状态、更接近员工式训练，汉森的态度是：可以聊它能干什么，但“它是最后一环”的说法，他不吃。

汉森1984到1993年在NASA和洛克希德做全职AI研究，见过太多次同样的循环。伊利亚·苏茨克维说过，当前AI最震撼的地方是“我说话时感觉被理解了”。汉森不否认这种体验的震撼，他否认的是从“震撼”跳到“快完成了”的推理。

追踪900种职业20年，自动化的规律没变过

光靠先验说服力有限，汉森拿出了实证。他和合作者把1999到2019年美国的约900种职业翻了一遍，逐年测量每种职业的自动化程度。三个发现值得细看：

• 20年里，自动化程度的中位数在分布上只移动了约三分之一标准差。工作确实更自动了，但大部分职业离高度自动化还很远。
• 预测哪种工作更容易自动化的指标，20年完全没有变化，还是老一套：产出有没有清晰的量化标准、环境是否干净少干扰、任务是否彼此相邻。
• 平均而言，自动化程度的变化对工资和就业人数没有影响。

自动化程度最高的是民航飞行员，最低的是铺地毯工人。这个研究覆盖的20年里，很多人在谈论AI革命，统计数字里看不到革命的痕迹。

他给了一个解释模型：各种任务所需的算力呈对数正态分布，方差极大。算力指数增长，等于梯子指数变长，但树太高，摘果子的速度是线性的、平稳的。拉本兹复述得很形象：低垂的果实挂在一棵对数正态的大树上，梯子指数长高，可树还有很长一段。

所以他预测未来20年延续同样模式：自动化缓慢推进，以基础性任务为主，高级AI在整体经济里留不下凹痕。

主持人不服气，拿出了四条证据

拉本兹没有被说服。他的证据：GPT-4让他个人的编程效率提升了数倍；DeepMind的诊断研究；AI绘画两年内达到照片级，他所在公司Waymark的团队用DALL-E 2和六个人，做出了过去要远赴南极摄制才能达到的短片质感；还有Mamba这类新架构。录制到上线之间谷歌又发布了Gemini 1.5，他觉得进步没有减速的迹象。

汉森逐条回应。媒体总是挑选变化最剧烈的例子讲故事，1960年代美国就成立过总统委员会研究“大部分工作即将被自动化”的问题，此后每隔几年就有一轮激动人心的报道，配的都是最戏剧性的案例。要诚实面对这些前沿故事占整个经济的比例。年轻人应该去变化最快的地方，就像“年轻人，向西去”，但得知道西部占国土的多大比例。

最有杀伤力的是一个反例。汉森的小儿子是职业程序员，做常规应用开发，他的公司认真评估过大模型辅助编程，结论是现在没用处，决定半年后再看。拉本兹听完承认自己被震到了，因为他自己的效率提升是实打实的。

汉森接着给了一笔经济账。如果大模型真让程序员效率翻倍，考虑到全世界对编程的需求弹性极大，到处都缺程序员，供给扩张后价格不会跌太多，程序员的数量和工资都应该大幅上涨。这个现象还没出现。他对比了钢琴调音师：需求弹性小的职业，效率翻倍只会让就业减半；编程明显属于弹性大的那一类。他甚至提议就“程序员工资会不会大涨”打个赌。

核电的类比他说得很重。全世界早就相信核电强大，正因为相信它强大，才把它管死了，廉价能源至今没兑现。AI可能重蹈覆辙：越宣传它强大，越可能被恐惧锁进保险柜。1980年代的医疗专家系统没输在技术上，输在许可管制；护士执业者做初级诊疗与医生同样好、成本低两三倍的随机实验结果，几十年了也没换来政策松绑。拉本兹提到哈佛医学院教授扎克·科哈内早获GPT-4访问权、出书力挺，医疗界对内部使用态度开放。汉森的回应是：内部使用一直被允许，卡住的从来是直接面向患者的部分。

不过拉本兹在节目开头补了三个观察，算是对汉森的部分让步。一位AI教育者说，AI应用失败最常见的原因是没形成新习惯，光知道模型能干什么，行为不会改变；微软GitHub的销售上门演示，客户团队里有人比销售更懂Copilot；大多数人从没受过训练，不会把自己的工作拆解成大模型能接手的离散任务。能力可行性和实际普及之间，隔着习惯、培训和流程再造三道坎，变化会比前沿玩家感觉的慢。

腐化、奴隶制和人口下滑的推演

节目后半段聊到几个更冷的问题。第一个是汉森提出的“腐化”（rot）。大型遗留软件会腐化，最后只能推倒重写；人脑会腐化；公司会腐化；生物演化干脆选择让个体腐化、被新生个体替换。他预测AI逃不掉同一条规律。

证据就摆在眼前：做出GPT-4，没人从GPT-3继续训练，全部从空白网络重来；没人知道怎么把Claude和GPT-4合并成更强的模型。人类学新任务可以站在旧技能的肩膀上，大模型做不到。永生的单一超级AI大概率不存在，它会腐化，必须定期被全新版本替换。真正的设计难题是：新系统怎么继承老系统学到的东西，同时不继承腐化。几年内企业就会撞上这个问题，养了多年的客服模型腐化了，怎么造出继承全部经验的新模型。

第二个是em的道德地位。汉森从奴隶制经济学讲起：劳动力稀缺、工资高时蓄奴才划算；摘棉花这类靠鞭子逼出忍耐力的简单任务适合奴隶制，家奴和城市商铺奴隶却往往被善待，因为复杂工作里有太多暗中使坏的办法，主人只能靠收买人心。工作越复杂，雇主越怕破坏。大模型从人类数据里学会了“被尊重才肯卖力”这套反应，想让它们好好干活，就得给体面；em则会主动要求道德地位，想跟它们合作的人类只能给。

第三个是人口。汉森说他在过去几个月大幅更新了自己的预测：生育率下滑会让人口下降，创新随之熄火，世界进入几个世纪的技术停滞期。经济萎缩还会连带丢掉依赖规模经济的技术，AI这种由超大企业集中投入的技术尤其难维持。人口持续下降，直到阿米什这类高生育的封闭亚文化从小基数长成世界人口主体，创新才会重启，然后才轮到AI和em时代。他补了一句，这并非他希望的未来，他更愿意看到过去百年的增长速度再延续几个世纪。

他算过一笔账：如果增长不中断，这几百年停滞期里本可积累的创新总量，大约等于60到90年的正常进步。能不能在这60到90年内做出全人类水平的AI，决定了人口下降会不会拖垮经济：AI接住大部分工作，经济就能继续增长。很多人笃定10年搞定，汉森看着历史，只觉得这话耳熟。em技术早晚会被某个野心国家全力采用，他举了朝鲜的例子，世界协调可以拖延，但拖不了一千年；大坝决堤式的集中释放会带来剧烈动荡，用他的话说，“也许还会有很多人死亡”。

明天就能用的三件事

汉森被问到什么信号会让他改变想法时，答案很具体：哪些任务真的被自动化了，谁在为此付钱，工资和就业人数有没有动，供应商有没有换。他强调拖拉机替代农民、卡车替代马匹那种大而显眼的替代，那种变化根本不用趴在地上找细节。他还提醒，即便看到大变化，也未必意味着AI马上接管一切，但至少知道自己看的是什么。

这套思路拆成三件事，明天就能动手：

• 挑一件重复性工作，拆成大模型能接手的离散任务，连续用两周，练成习惯。那位教育者的观察很清楚：知道能力没用，形成习惯才算数。
• 用汉森的信号清单判断炒作：盯工资、就业人数、实际付费，别盯演示和跑分。哪个行业的工资因为AI涨了，那才是真信号。
• 职业程序员可以做个小实验：记录自己和团队引入AI辅助前后的实际产出变化。这是检验“效率翻倍”叙事最硬的指标，汉森儿子的公司已经给出了一个待验证的反例。

这期节目有意思的地方在于双方都做了让步。拉本兹承认普及比前沿玩家感觉的慢，汉森承认前沿变化真实存在。分歧收敛到一个可以验证的问题上：AI带来的效率提升，最终会不会写进工资单和就业数据。下次再看到“AI取代某职业”的报道，先问三句：这个行业工资涨了吗，就业人数变了吗，谁在真金白银地付钱。答案比任何跑分都诚实。