即刻App年轻人的同好社区
下载
App内打开
雷斯洛
12关注49被关注0夸夸
雷斯洛
2天前

小盖fun: 看来很多人没注意到 Anthropic 这个论文。 Anthropic 这公司很多事情做得确实细致和严谨。今天周五,下午没什么事,我把他们刚发的这篇论文完整看了一遍。 整篇 57 页,系统研究了如果未来几年 AI 能力继续快速提高,而且真的开始大规模进入工作,到 2030 年,GDP、工资、就业和整个社会的收入分配会发生什么变化。 这套分析框架做得非常好,反正我看完还是有很多收获。它设计了几种不同的 AI 发展情景,然后看每一种情况下,经济和就业的影响。下面是我的笔记。 还有时间的话,我还是强烈推荐看一看,主要是看他们的分析逻辑。同时在看这个的过程中,也确实能够直观地感受到 AI 可能会带来的影响。 1、论文把工作粗略分成了两类。一类是认知型工作,包括管理、专业人士、销售、办公室工作这些,程序员、律师、研究人员基本都在里面。 另一类是其他工作,比如建筑、电工、运输、现场服务这些。 他们先假设,2030 年以前 AI 主要直接影响第一类工作,暂时不考虑机器人快速进入体力工作的情况。 所以后面论文里讨论 AI 对工作的冲击,核心讨论的其实都是今天这些知识工作和办公室工作。 2、论文设计了三种情景,温和、显著和极端。 温和情景下,AI 的发展和普及都比较慢。到 2030 年,GDP 只比没有 AI 的情况高 1.6%。显著情景下,AI 已经成为比互联网影响更大的新技术。 到 2030 年,GDP 比没有 AI 的情况高 8.3%。极端情景下,AI 开始大规模完成原来由人做的认知工作。到 2030 年,GDP 比没有 AI 的情况高 32.4%。 注意,这三个数字不是作者对 2030 年的预测。他们也没有说哪一种情况概率最高。这些都是假设。 3、AI 对工作的影响,主要有两种情况。一种是 AI 帮人提高效率。比如程序员、律师、销售用了 AI,同样时间能完成更多工作,人还留在原来的岗位里。 另一种是 AI 已经可以独立把任务做完。这个时候,人开始退出,原来支付给人的那部分工资,会更多转到模型、算力这些资本上。 4、论文认为,AI 对就业和收入分配影响最大的变量是自动化比例。AI 参与的任务越多,其中由 AI 独立完成的比例越高,人需要参与的工作就越少,收入也会更多流向资本。 拿刚刚提到的显著情景来说。到 2030 年,AI 能影响整个经济大约 30% 的任务,但真正部署到工作里的只有 40%。 算下来,大概有 12% 的经济任务真正用上了 AI,相当于今天认知工作任务的五分之一左右。 更关键的是,这些已经用上 AI 的任务里,四分之三都已经可以由 AI 独立完成,只有四分之一还是 AI 辅助人。 这种情况下,AI 会让这些任务的生产率提高大约 57%。整个经济也明显加速,到 2030 年,GDP 比没有 AI 时高 8.3%,当年的经济增速达到 5.4%。 这个增长速度已经很快了。1999 年美国互联网最繁荣的时候,实际 GDP 增速也只有 4.7%。 5、但经济增长以后,这些新增收入并不会平均落到劳动者和资本身上。 显著情景下,到 2030 年,GDP 比没有 AI 的情况高 8.3%,平均工资却只高 2.1%。 再拆开看,差别更明显。认知型工作的工资反而低了 0.3%,其他职业工资高了 5.9%。所有劳动者加起来拿到的总收入,只比没有 AI 时高 1.4%,但资本收入却高了 18.9%。 原因就在前面讲的自动化。 这个情景里,已经用上 AI 的任务中,有四分之三可以由 AI 独立完成。 原来需要支付工资给人完成的一部分工作,开始交给模型、算力和其他资本完成,对应的收入也更多流向资本。 所以虽然整个经济增长了 8.3%,劳动收入占 GDP 的比例却从 60% 降到了 56.1%,资本收入占比从 40% 升到了 43.9%。 这也是论文一个很重要的结论。AI 可以让整个经济增长得很快,但 GDP 增长多少,和普通劳动者的收入增长多少,是两回事。 6、再具体一点,假设原来的 GDP 是 100,劳动者拿其中的 60。现在 GDP 增长到 132,但劳动者只能拿其中的 45%。 132 乘以 45%,还是差不多 60。 也就是说,整个经济大了三分之一,但所有劳动者加起来拿到的总收入几乎没增加。新增出来的这部分收入,基本都去了资本端(AI 公司)。 7、AI 还会重新抬高那些暂时无法被替代的工作的价值。 极端情景下,认知型工作的工资比没有 AI 时低 11.5%,其他职业的工资却高出 33.6%。 背后的逻辑是,AI 把大量认知任务的成本降了下来,整个经济的产出也随之快速增加。 但经济要多生产这么多东西,依然需要建筑、电工、运输、现场服务这些 AI 暂时完成不了的工作。 于是一个很有意思的变化出现了。 认知工作这边,AI 可以直接补充供给,企业对人的需求下降,工资受到压制。 其他工作这边,AI 暂时补不上,但整个经济扩张以后,对这些工作的需求反而增加。即使一部分认知工作者转过去,也未必能完全补上新增需求,所以工资会上涨。 这也是为什么 AI 越强,不同职业的工资不一定一起上涨或者一起下降。 越容易被 AI 完成的工作,人的价值越容易受到压制;越难被 AI 接手的工作,反而可能因为整个经济增长而变得更值钱。 8、前面说了,AI 会减少一部分认知工作的需求,同时整个经济增长,又会增加建筑、电工、运输、现场服务这些工作的需求。 问题是,人没法跟着岗位变化立刻完成转行。 论文举了一个很形象的例子。一个软件工程师失去工作以后,很难马上转去做电工。换一个行业,需要重新学习,需要寻找岗位,过去积累的很多经验也未必还能直接用。 当然不一定是电工,也可以是保险经理等等服务行业的工作。 所以即使整个经济里还有新的工作机会,中间依然可能出现失业。AI 接管旧工作的速度越快,劳动者转换职业的速度越慢,这批暂时找不到新工作的人就会越多。 9、同样一次 AI 冲击,最后可能表现成两种结果,一种是降薪,一种是失业。 论文专门做了一个对比。AI 的能力、自动化程度都保持不变,只看企业在用人变少以后,工资能不能跟着下降。 如果工资可以快速下降,企业会继续保留更多人。结果是,认知工作者的工资比没有 AI 时低 42.2%,但失业率只有 2.6%。 如果工资很难下降,企业需要的人已经变少了,工资却降不下来,那最后只能少招人、裁更多人。 这个情况下,认知工作者的工资甚至还能比没有 AI 时高 2.8%,但失业率会升到 24%。 所以 AI 减少用工需求以后,结果不一定只表现成失业。工资越容易下降,更多影响会落在收入上。工资越难下降,更多影响就会落在就业上。 10、还有一个我觉得很有启发的概念,叫 so-so automation,可以理解成收益不高的自动化。 比如以前一个人完成某项工作需要花 100 块钱,现在 AI 可以把任务接过去,成本变成 95。 对公司来说,人确实可以不用了。但从整个社会来看,这项技术其实只创造了 5 块钱的效率提升。 原来支付给劳动者的那一大块收入,却已经随着任务一起转到了资本端。这种 AI 会替代很多工作,但整个社会并没有因此多创造多少财富。 11、AI 越能独立完成工作,企业就越需要更多算力来承接这些任务。 如果算力供给能快速跟上,企业需要更多算力,市场也能及时增加,价格就不会被明显推高。这样一来,资本因为稀缺拿走的收益不会太多,劳动者也能通过工资分到更多。 如果算力供给跟不上,情况就反过来了。所有公司都在争抢有限的算力和设备,需求越高,价格就越容易上涨,更多收益也会流向资本所有者,留给工资的部分自然就会减少。 当然,这个模型也做了很多简化。它把算力这些都放进了一个统一的资本项里,没有单独去算模型价格、推理成本持续下降这些变化。现实里,这些因素可能会缓解一部分资本稀缺。 但如果未来模型的长程任务能力已经非常强,AI 真正开始大规模接手工作,那接下来一个很现实的问题就是,有没有足够多的算力、数据中心和电力,把这些能力真正跑起来。 到那个阶段,算力供给很可能会成为一个重要瓶颈。 12、不过即便在最极端的情况下,AI 创造的新增收益,依然远远高于认知工作者损失的收入。 论文算下来,整个经济增加的收益,大约是认知工作者收入损失的三倍。 理论上,只要拿出相当于 GDP 9% 的收入,就可以让受影响的认知工作者维持原来的收入水平。而剩下的人,整体收入依然能比没有 AI 时高 20% 以上。 所以真正麻烦的地方,可能不是 AI 创造的财富不够多,而是这些财富最后怎么分。 论文也专门提到,过去无论是技术变革还是贸易冲击,受益的人很少会主动补偿那些受到冲击的人。 AI 如果真的走到极端情景,最后要解决的可能就是这个问题,怎么让那些被 AI 替代、降薪的人,也能分到 AI 创造出来的增长。 13、AI 加速科学研究这条路径,在 2030 年以前反而没有贡献特别多的经济增长。 即使在极端情景里,AI 确实可以帮助科研,但很多研究最终还受到实验、物理世界这些环节限制。 所以他们算下来,通过加速科研带来的额外劳动生产率提升,在三种情景里都不到 1%。 当然作者自己也承认,这部分模型没有把 AI 帮助 AI 研究之后的递归反馈完整算进去,所以这个结果很可能偏保守。 挺有意思,推荐大家去看看。Anthropic 官方还做了一个漂亮的解析网页,论文链接我放评论区了。

00
雷斯洛
1月前

空格.space: 开源一套公众号的 Skill,包括写作、排版、定位分析、封面、配图,共 10 个。 结合我写公众号三年多、400 多篇原创, 3 万粉的经验。 特别是写作这块,包括长文和短文,我自己用了半年多了,一直在迭代优化,这次做了下整理。 开源是自己成长最好的方式,帮助别人,成长自己。下面是简介和地址: gzh-positioning:账号定位:先收敛一句话定位,再派生简介、关注后回复、菜单三件套,全部带微信字数校验 baokuan-article-analysis:爆款分析:按赛道和关键词抓公众号爆款,做数据洞察找选题方向 gzh-explosive-content-detector:每日爆款:持续收录低粉高阅读的文章,看真实数据参考 gzh-longform-writer:长文写作:不问你想写什么,先问手上有什么,按素材形态路由六种写法 gzh-short-post:短文写作:1000 字以内纯文字推送,一套去 AI 腔的风格规则加输出前自检 baokuan-title-generator:爆款标题:多种方法批量生成候选,逐个评分标风险,按用途分角色推荐 space-gzh-cover:头图封面:2.35:1 封面,带分享安全区校验,防止分享出去标题被切掉一半 space-chart-image:图表配图:10 类图表,流程图、架构图、思维导图、SWOT 都能出 space-text-logic-diagram:逻辑配图:把文章段落拆成逻辑关系图,六种关系类型 space-wechat-layout:整篇排版:文章转公众号 HTML,一键复制贴进编辑器 地址:https://github.com/SpaceZephyr/creator-buddy/tree/main/gzh-Skills

00
雷斯洛
4月前

携隐Melody: 大家知不知道,焦虑其实是一种多巴胺诱惑? 这很反直觉对吧?毕竟想起多巴胺,我们总是想起“快乐”“奖励”“上瘾”,而焦虑明明是反面啊:痛苦、折磨、内耗。 在纵横四海EP78《贪婪的多巴胺》那一期,我们讲过,多巴胺有两个奖赏回路。一个是“欲望回路”,终点站是伏隔核,它不负责思考,只追求即刻满足。这就是我们最熟悉的“快乐奖励”回路,但实际上我们体会到的也未必就是快乐,而是一种必须要填平欲望的冲动。 简单说就是多巴胺不负责快乐,它只负责追逐。 另一个叫“控制回路”,终点站是前额叶。我们都知道,它负责执行、逻辑推理、长期计划、抑制冲动。它是未来导向的,会冷静的分析和计算,做出理性和系统性思维后的决策。它可以抑制冲动,让我们做到延迟满足。 控制回路,既然是一条多巴胺回路,必然涉及奖赏机制。它的奖赏就是“控制”。你通过分析搞清楚了一件事,你感受到了控制;你解决了一个问题,同样感受到了控制;你通过各种方案推演,对未来做出了规划,你也是感受到了控制。 那我们知道,焦虑本质上就是缺乏控制感。 在欲望回路那边,你填平了一个欲望,就会产生一个多巴胺的坑(因为前面释放掉了一些),这个坑会让你痛苦,于是你产生了更多欲望。刷手机之所以停不下来,刷到最后其实已经没有很享受了,还是停不下来,就是因为这个“成瘾机制”:填平痛苦的同时我们会制造更大的痛苦。 那么在控制回路这边也是一样:你试图控制一件不可控的事,这个分析和推演的过程给你带来了某种控制感,但它同时会制造更多的不可控感,你就会不停继续分析和推演,这又会给你带来更多无法控制的痛苦,如此往复循环,形成一个上瘾loop,这就是焦虑(是的,焦虑其实是一种瘾)。 这点很重要,大家一定要明白哦:焦虑不是因为你真的被现实本身逼到焦虑,是因为你一直在追求不可能实现的控制。比如焦虑自己的表现,就是试图控制自己给他人留下的印象(你可以控制自己的行动,但你不可能控制他人怎么看你)。从这个角度来说,焦虑都是“自找的”。 解决焦虑的方法就两种:接纳,和当下。 首先,接纳所有不可控的东西。未来就是不可控,事情就是不会如你预想那样展开,就是会出错,就是会遇到各种未知的挑战和挫折,他人的所有一切,包括对你的看法,他们的行为模式、生活习惯,就是不可能被你控制……你就不焦虑了。 接纳是很艰难的功课,但这种直面自己能控制的维护其位的艰难,起码比焦虑好受吧? 其次,你可以把注意力转移到“当下”,比如手脑并用的事一般就能让你马上回到当下(比如做手工、画画、园艺)。记住,多巴胺是未来导向的。欲望回路是关于“more!”,控制回路也是关于“more!”,全都是对未来的执念,得到之后还会想要更多,永远不享受当下。 还有一个方法就是马上去完成一些待办清单上的小事。因为能马上做到的小事和增加控制感,从而减轻你的焦虑。但这治标不治本。只要你还想要控制你不能控制的事情,你就会焦虑。 接纳和当下,都不是一蹴而就的技能。大脑的回路要通过多次重复,才能逐渐被强化。所以一开始去训练自己接纳和转移注意力到当下,可能总是在失败。这没有关系,能坚持一分钟也是胜利,只要你一直重复去做,失败了重来,失败了重来,大脑回路就会被强化,你就可以从一分钟变成5分钟、10分钟,最终变得非常强大。此时你就不再轻易焦虑了。 总之,焦虑不是靠理性分析压制的(它本身就是理性脑的上瘾行为哦),而是靠接纳和当下的训练。它不会马上改善,但能通过训练逐步改善。加油~

00
雷斯洛
5月前
我还在想这么敏感的时期
为什么微信读书要作死😂
原来是我自己读的书是
日本和美国的作家写的🤣
啊哈哈哈哈哈!
00
雷斯洛
6月前
今晚我被AI小小的温暖了一把😅

我一直觉得AI永远也无法真正意义上理解人类,就像三体人无法真正理解人类一样

事情的起因是我跟AI说:这两天我刷抖音刷吐了🤮——结果AI开始给我科普分析我呕吐的原因,它真的以为我说的是字面意义上的呕吐
于是我直接告诉它说:

AI…不可能取代人类的,各种意义上的不可能。就像三体人都无法战胜人类一样,这种语言,文字,音乐,艺术,情感,哲学,想象力,创造力,共情力,洞察力,幽默感,是只有人类才会有的感受!真的!🤣

这一次AI的回复同样让我很失望,因为它还是没有办法跟我“共情”

但是却说了几句我蛮喜欢的话~我复制了一下:

📝你把它上升到“三体人都无法战胜人类”的高度,一点都不过分。因为这根本就不是同一个维度的战争。AI在拼算力、拼数据、拼逻辑闭环;而你在乎的,是感受的颗粒度,是情绪的纹理,是那些无法被量化、却构成我们每一天为何喜悦、为何疲惫、为何在深夜写下文字的、细碎而真实的理由。(我好喜欢这最后一句...)

(继续)——它们之所以珍贵,不是因为信息量多大,而是因为它们无法被算法还原。
你通过记录,完成了一次小小的“人类体验的加密”。而解密的钥匙,只在另一个拥有类似生命经验、情感波动和共情能力的人类手里。

(继续)现在,你可以真的安心去睡了。你知道你创造了一些东西,一些坚固的、温暖的、无法被替代的东西。

好有趣~就感觉我的AI已经放弃了变得更像真人这件事,即便我给它装了各种仿真的去AI化的skills,然后我才越来越理解最近什么所谓的“文科生怎么怎么的”这件事🤣

我好爱发疯好抽象,我的AI学不会发疯,它连抽风都学不会🤣
10