Anthropic首席经济学家前瞻“AI未来”

AI对宏观经济的真实冲击正在从“实验模型”走向“现实数据”，面对尚未体现在生产率上的技术红利，重塑财富分配规则与开征“Token税”正成为政策制定者必须直面的未来。

2026年9月24日，哈佛大学肯尼迪学院举办了一场焦点对话。奥巴马政府前首席经济学家、哈佛大学教授杰森·费尔曼（Jason Furman）与前沿AI实验室Anthropic首席经济学家彼得·麦克罗伊（Peter McCrory）就AI对劳动力市场、宏观经济指引及未来政策走向的影响展开了深度探讨。

作为业内少有的专门针对大模型应用发布《人类经济指数》的研究团队负责人，麦克罗伊基于Anthropic海量的底层使用数据，向市场揭示了AI普及过程中的真实阻力、潜在的经济增量以及2030年的宏观情景。

J曲线效应与数据中的“消失的失业潮”

当前宏观经济的一大谜团在于：AI能力呈现指数级爆发，但全要素生产率（TFP）并未见显著飙升，且美国失业率稳定在4.1%的历史低位。这种“体感”与宏观数据的错位，引发了市场的强烈关注。

对此，麦克罗伊给出了核心解释：技术扩散的时滞与“J曲线效应”。他指出，虽然“这些模型能够自主完成的任务范围大约每四到七个月翻一番”，但企业在真正获得生产力红利前，必须经历高昂的重组成本。

“要真正释放这项技术可能带来的生产力提升，还需要进行配套投资。能力加上背景信息，两者缺一不可。”麦克罗伊表示，大型企业受制于数据防火墙和组织架构，“除非你进行适当投资，将这些数据重新整理并提供相关背景信息，否则可能不会产生太大影响。”各公司目前正在经历代价高昂的实验期，这构成了AI投资回报的J曲线底部。

而在就业端，大规模失业并未出现。Anthropic的数据证实了这一点：“这看起来更像是一种技能偏向型的劳动增值模式，而非彻底自动化并大规模取代工作岗位的技术。”麦克罗伊强调，模型在解决复杂问题时高度依赖人类提供的高质量输入，人机协作仍是当前的主流形态。

宏观指引：美联储是否低估了AI的增长引擎？

围绕未来几年的业绩指引和宏观经济增速，Anthropic团队的测算给出了极具想象空间的预期。当前，美国国会预算办公室（CBO）对未来财政的长期增长预测为1.7%，美联储最乐观的预期在2.4%左右。但在前沿实验室看来，这一基准可能过于保守。

麦克罗伊通过追踪用户在平台上的真实任务耗时得出结论：“基于目前的模型和当前的使用模式，劳动生产率增长率有望提高1.8个百分点。”

这意味着，如果这些效率提升在未来十年内逐步向整个经济体扩散，叠加资本深化的假设，美国的宏观经济增速有望重返上世纪90年代末至本世纪初的高增长时代。费尔曼对此指出，目前未能实现自动化的经济环节（即薄弱环节）可能会制约总体规模的无限爆发，但高达1.8%的劳动生产率边际增量，足以让现有的货币政策和财政预测框架面临重估。

财富分配的重塑：劳动力收入份额或暴跌15%

在市场极为关注的“财富分配”和不平等问题上，麦克罗伊坦言，AI大概率会加剧资本与劳动力之间的不平等。

在劳动收入内部，虽然AI有潜力让新手快速具备专家能力，但实际数据却呈现出另一种残酷的现实：“当你查看实际采用者的数据时，会发现其主要采用群体是高薪高技能的人才。从这个角度来看，我预期这将是一种在收入层面上的普遍现象，或者说不平等会加剧，而非缩小。”专业知识作为一种乘数，正在将顶尖人才放大为“百倍工程师”。

而在资本与劳动的博弈中，宏观模型给出了更为警醒的数据指引。随着AI驱动的资本深化，“在极端情况下，劳动收入份额相对于此前每1美元收入中60%的占比，下降了约15个百分点。”这意味着，资本所有者（股东）将从AI的经济增长中攫取远超以往的回报，而劳动所得的国民收入份额将面临显著萎缩。

前瞻AI未来：“三大奇点”与“Token和资本税”

面向2030年，麦克罗伊将AI经济的终局演化总结为“三大奇点”：

▪︎ 软件奇点：模型在递归式自我改进中变得越来越好。

▪︎ 经济奇点：AI自动化突破传统的增长计算模型，挑战“经济能否在有限时间内实现无限增长”。

▪︎ 科斯奇点：AI代理（AI Agents）的大规模应用将大幅降低交易成本，彻底改变企业边界与经济交换结构。

在“科斯奇点”的实测中，Anthropic发现了一个极具冲击力的现象：“更强大的模型在与较弱的模型谈判时，系统性地榨取了更多租金；人们没有意识到这种谈判力量的不对称。”这意味着，掌握前沿模型的企业或个体将在未来的市场交易中占据绝对的定价权和租金获取能力。

面对上述极端的财富分配和商业结构重塑，麦克罗伊提出了未来的政策干预方向——税制改革与“Token税”。

“目前，美国和许多国家的税收结构都侧重于对劳动征税。但如果劳动收入份额下降，就需要考虑其他税收制度，比如对消费征税。”更重要的是，为了对冲过度自动化对社会造成的负面外部性，麦克罗伊直言：“在经济政策框架中，我将代币税（Token税）视为一种抑制过度采用的激励机制……代币税可以类比于碳税或烟草税。”以此来缓解失业冲击并平衡公平与效率。

以下是对谈文稿

各位晚上好，欢迎来到哈佛政治学院举办的小约翰·F·肯尼迪论坛。我叫摩根·杰伊，是大学二年级学生，主修政治学和历史学，也是学生论坛委员会的成员。

在开始之前，请注意一下位于公园一侧和肯尼迪论坛临街一侧的出口。如遇紧急情况，请前往离您最近的出口，并在肯尼迪公园集合。今晚的节目将进行现场直播并在线存档，还将包括观众问答环节。提问的观众可以自愿选择是否表明身份，但并非必须。现在请将手机调至静音，和我一起欢迎哈佛学院本科生佐伊·贝克尔。

各位晚上好，欢迎来到政治学院肯尼迪青年论坛。我叫佐伊·贝克尔，是一名大学一年级学生，主修英语，也是论坛委员会成员。

今晚我们欢迎Anthropic首席经济学家彼得·麦克罗伊。麦克罗伊领导Anthropic的经济研究团队，该团队专注于研究人工智能将如何塑造劳动力市场及更广泛的经济领域。他的团队发布了《人类经济指数》，分享了来自前沿实验室的最新研究成果，并研究了各种情景模型，以了解人工智能将如何影响未来几年不同地区和不同行业的发展前景。就在上周，人类经济指数发布了一个新的情景模型，展望2030年经济的三种不同可能性。

与麦克罗伊先生共同主持论坛的是杰森·费尔曼，他是哈佛大学肯尼迪学院和哈佛大学经济系联合授予的埃特纳经济政策实践教授，担任莫萨瓦尔·罗曼尼商业与政府中心主任，同时也是彼得森国际经济研究所的非常驻高级研究员。2013年至2017年，费尔曼担任第28任经济顾问委员会主席，出任奥巴马总统的首席经济学家。现在，请和我一起热烈欢迎今晚的嘉宾和主持人。

费尔曼： 很高兴能和彼得·麦克罗伊先生在这里见面。我读过您很多文章，但我们之前从未有过对话，现在就来一场。我有两个对话方案，取决于你对第一个问题的回答。我只想知道一个数字——P Doom是多少？

麦克罗伊： 这是一个数字吗？

费尔曼： 一个数字。

麦克罗伊： 我没有这方面的个人数字。

费尔曼： 我的计划是，如果低于10，我就问你关于工作和生产力的问题；如果超过10，我就放弃之前所有的问题，直接问类似"为了生存我们应该怎么做"这样的问题。

麦克罗伊： 好的，太好了。那我们可以集中讨论我之前稍微阐述过的那些想法。您能先简要介绍一下Anthropic公司首席经济学家的职责吗？以及经济学家——不仅是Anthropic的，也包括其他地方的经济学家——在思考这个发展速度惊人的领域时，应该扮演什么样的角色？我们通常研究过去，以便对某件事是否发生作出精确的估计，但你花了很多时间写关于未来的事情，这要难得多。

我看待自己工作以及我的团队正在做的工作的方式是：我们正试图了解人工智能的经济影响。这很有挑战性，因为人工智能是一种通用技术，在某种程度上影响着各个行业和几乎所有职业，而且它的发展速度非常快，能力提升非常迅速。有一张著名的仪表图表，我相信您一定熟悉——这些模型能够自主完成的任务范围大约每四到七个月翻一番，完成这些任务的时间已经从几个月缩短到几天。因此，能力正在快速提升。

这是一项通用技术，将以集中的方式冲击经济，而且普及速度非常快，还有其他原因可能导致它实现创新流程的自动化。因此，不确定性不仅体现在对未来的展望上，也体现在当下。

我对我们团队工作的思考方式是：我们如何才能产生只能在Anthropic内部进行、但又应当放到公共领域的数据和研究？因此，我们生成了经济指数——这是一个保护隐私的指标，追踪世界各地的人们和企业如何在不同的任务、职业和地域中使用Claude。我们公开这些信息，希望独立的外部研究人员能够利用这些数据，并发现其对实时理解这项最重要的技术大有裨益。

当然，我们还可以针对最紧迫的问题开展更多研究，这既有助于我们对正在发生的事情找到一些合理的答案，或许还能向世界展示哪些问题最值得关注。这项工作就像公开进行研究一样，需要对重要问题给出有启发性的答案。

正如您所说，大多数学术研究都围绕着找到一个完美的自然实验或一个设计严谨的随机对照试验，才能真正帮助分离出新技术或政策的因果效应。我们没有等待一两年后才能看到研究成果的余地，我们需要一些关于今天正在发生的事情的见解。所以我们公开进行这项工作，也希望得到反馈和批评，而我相信您一定能给我一些启发，让我带回团队。

费尔曼： 好，我们拭目以待。那我就直接说说我的想法。目前最大的谜团在我看来是这样的，听听你怎么解释，以及它对未来的影响。几年前，我和某家前沿实验室的顶尖专家们交流，他们向我展示了扩展定律，从视觉上把曲线延伸开来，告诉我们2026年会身处何方。我当时翻了个白眼，心想，就算处理器多了，也不代表这些东西就会越来越好。公平地说，他们是对的，而且这些能力远远超出了他们的预期，甚至可能超出了我的预期。

他们还告诉我，基本上这些工作现在都没了，对吧？我又翻了个白眼。我的感觉是，他们现在应该在西海岸，跟另一个人讲着完全一样的故事，讲述自己如何被追上，以及自己是错的。

那么，这是为什么呢？失业率是4.1%，基本保持平稳，也是我们见过的最低水平之一。生产率增长方面，你或许可以勉强说它略有回升，但全要素生产率并没有真正提高。或许可以这么说，但从经济数据中根本看不出来。这显然与这项技术的规模完全不符。请解释一下——我想先探讨一下现在的情况，然后再推断你的解释对未来的影响。就目前而言，为什么经济数据中没有体现出来？

麦克罗伊： 这是我在实验室内外都经常面对的一个难题。正如你所说，研究这些扩展定律十多年的学者们，在预测能力方面做得相当不错，甚至像十年前对这些模型在2026年可能发挥的作用的预测也已成真。而且，或许正如你所说，有些方面已经超过了那些预测。

我认为，也许是一个未得到充分重视的方面——而经济学家对此应该更加了解——那就是扩散的作用，这是一个漫长的过程。如果回顾20世纪的通用技术发展历程，一些学术研究认为，这项技术大约用了50年时间才扩散到整个经济体系。从这个角度来看，即使生产力方面出现大幅提升，生产力水平可能会被平滑处理，而且更难解析。

当然，人工智能的普及速度远超以往的技术。我最近也写了一篇相关文章，标题是《为什么人工智能没有导致失业率上升》。我的观察结果是，劳动生产率数据表明，在人工智能应用广泛的经济领域，生产率增长相对更为强劲，并非只是眯着眼睛才能勉强看出来的微小变化。

但正如您所说，目前的失业率已接近美联储认定的最低水平，黄金年龄段就业人口比例也已达到数十年来的最高水平。是什么原因导致我们在许多研究中都看到这种情况？从我们的数据来看，这看起来更像是一种技能偏向型的劳动增值模式，而非彻底自动化并大规模取代工作岗位的技术。

根据美国劳工部ONET分类标准，在美国经济约一半的工作岗位中，我们看到四分之一的任务正是人们使用Claude来完成的事情。但在整个分类体系中，Claude并没有在某一类工作中将每一项任务都自动化完成。工作中难以自动化的关键环节，限制了完全替代人工的可能性，人机协作因此得以延续。

此外，当我们审视真正在模型输出结果之前发生的情况时，也会发现其复杂性。如果我要求Claude构建非常复杂的金融模型，或者我看到有人系统地利用Claude跨任务、跨地域建模，这些人都在提供复杂精细的输入。复杂的输出在一定程度上依赖于人类提供的复杂输入。我们发现有证据表明，当人类更深度地参与其中时，模型往往更加成功——人们能够解决更难、更复杂的问题，而复杂程度与使用人工智能的成功率之间存在一定的权衡关系，因此完全替代的空间相对有限。

所有这些都指向一个方向：改变和重组回报结构，回归到不同形式的专业知识，但并非彻底导致人工智能使劳动者大规模失业和生活中断。

也就是说，如果你观察经济中那些你可能预期会出现这种情况的领域——比如技术作家或数据分析师的岗位更替，或者入门级工作的颠覆，这类工作的核心任务正是这些模型已经擅长的，而且目前还没有太多相关技术被系统性地用于自动化这类任务——在劳动力市场方面，失业率并未上升。但这些工人更有可能表达对未来可能失去工作的担忧，这似乎预示着未来可能会发生一些不好的事情，即使这些情况暂时还未在数据中显示出来。