# VOL.109 AI重写职场规则后，谁来接住“失业的我们”？| 宏观笔记 宏观七日谈 · 2026-07-06 宋雪涛在《宏观七日谈》中判断，AI冲击已从硅谷裁员升级为系统性税基危机：按OpenAI理论暴露度，美国43.9%就业人口（6828万人）和5.68万亿美元薪资可能被波及，Anthropic实际暴露度则显示已有1835万人、1.45万亿美元薪资处于AI替代范围内。他细究岗位暴露度后指出，高薪白领比蓝领更危险——金融产品经理、HR、航天工程师暴露度高达76%以上，计算机行业实际暴露度35.3%居首，办公室行政（33.2%）和销售（24.6%）紧随其后，但与人沟通多或需签字担责的律师、审计师难被替代。由此他警告，美国劳动税和消费税合计占税基约80%，而劳动所得占GDP比重降至51.4%、资本所得升至43.6%，AI使价值向资本集中，正在掏空主要税基。应对上，他比较了提高资本税、AI税/机器人税、Token税的避税和边界难题，更倾向公共财富基金、政府持股OpenAI等一次分配；并援引OpenAI的Sam Altman的UBI实验，说明无条件发钱未能提升人力资本，反而使负债增加17%。最后他强调企业和政府必须承担转岗责任：刘强东的京东启动“涅槃计划”，将70万快递员培训为机器人维修等技术蓝领；韩国公民红利则定向补贴青年创业、文化艺术和数字化培训，而非直接发钱。 ## Questions this episode answers ### 根据Anthropic和OpenAI的估算，美国有多少就业人口和薪资已暴露在AI影响下？ 宋雪涛引用数据：按Anthropic实际暴露度，美国已有1,835万就业人口（占11.8%）暴露在AI范围，对应1.45万亿薪资；按OpenAI理论暴露上限，约6,828万人（占43.9%）可能受影响，对应5.68万亿美元薪资。 [3:49](https://647ef186.podhood.com/d59e3599-e1d0-401a-b562-993b2f0d6df3?t=229000) ### 哪些职业或行业最容易受到AI冲击？哪些相对安全？ 宋雪涛指出，高收入职业暴露度更高，如金融产品经理达78.6%、航天工程师89.3%；低收入职业较低，如洗衣房员工10%、换轮胎工人为0。行业上，计算机实际暴露度最高35.3%，其次是办公室行政33.2%和销售24.6%。与客户沟通多、需担责的岗位更难被替代。 [5:37](https://647ef186.podhood.com/d59e3599-e1d0-401a-b562-993b2f0d6df3?t=337000) ### UBI（全民基本收入）能解决AI带来的失业问题吗？实验结论是什么？ Sam Altman的UBI实验显示，直接发钱不能解决AI失业：实验组每月发1000美元、对照组发50美元，结果人力资本未提升，负债反而增加17%，仅缓解心理焦虑。宋雪涛认为UBI只能兜底，无法实现技能提升和阶层跃迁。 [38:30](https://647ef186.podhood.com/d59e3599-e1d0-401a-b562-993b2f0d6df3?t=2310000) ### 过去50年美国GDP中劳动所得与资本所得占比发生了什么变化？ 宋雪涛指出，过去50年美国GDP中劳动所得占比持续下降，资本所得上升：2025年三季度劳动占51.4%，较1970年58.4%降7个百分点；资本占43.6%，较32.6升11个百分点。 [24:53](https://647ef186.podhood.com/d59e3599-e1d0-401a-b562-993b2f0d6df3?t=1493000) ## Key moments - **[0:00] 开场** - **[1:12] 裁员现实** - [1:15] 宋雪涛：美国科技企业进入高裁员区间，大厂单轮裁员率多在5%到10%，软件SaaS和云服务公司可达20%，资本市场正奖励AI降本和裁员，形成正反馈。 - **[2:12] 暴露度** - [2:12] Q: AI对就业市场的冲击到哪一步了？宋雪涛用Anthropic实际暴露度和OpenAI理论暴露度，测算出美国就业人口已有11.8%实际暴露、43.9%理论暴露。 - [3:49] 宋雪涛测算：按Anthropic实际暴露度，美国已有1835万就业人口（11.8%）暴露在AI技术范围；按OpenAI理论上限，6828万人（43.9%）受到影响。 - [4:40] 对应薪资曝光：Anthropic实际暴露度对应1.45万亿美元薪资，OpenAI理论上限对应5.68万亿美元，而美国总薪资超10万亿，超一半理论上受影响。 - **[5:37] 替代风险** - [5:37] 宋雪涛：工资越高AI暴露度越大，金融产品经理暴露度78.6%、HR达76%、航天工程师89.3%；低收入职业如换轮胎工人暴露度为0、洗衣房员工仅10%。 - [8:05] 行业实际暴露度：计算机行业最高（35.3%），其次办公室行政支持（33.2%）和销售（24.6%）；商业、金融、法律理论暴露度高但因人际信任实际替代较慢。 - [9:16] 法律和金融业表面高度数据化，但律师需与当事人沟通、调解、判断诉讼策略，投资顾问需识别客户真实风险偏好，这些方面AI暂时难以替代。 - [11:51] 程序员更容易被AI替代：工作只对计算机、反馈链极短，GitHub有优质编程语言资源，机器与机器沟通，反馈是0和1，理论暴露度与实际暴露度差异小。 - [13:00] 潜在被替代薪资池最大的五个行业：办公室行政支持2896亿美元、商业与金融2474亿、管理2217亿、计算机2152亿、销售1995亿，to B大模型机会最大。 - [14:38] 最容易被AI替代的岗位前20名中有8个属于计算机行业，约160万人、占该行业30%；排名前列包括程序员、客服、数据录入、医疗记录专员、市场研究分析师。 - **[16:48] 三类人群** - [16:48] 宋雪涛把人分成三类：会用AI提效的一人公司创业者、不受AI影响的蓝领运动员资深合伙人和需担责的医生法务（要建仓），以及易被替代的IT、行政、金融分析师（要健身转型）。 - [20:15] AI能否让所有人更好取决于失业者能否通过再培训和再就业找到新工作，也取决于AI是否创造新商业模式和需求；否则必须考虑更远的社会分配问题。 - **[21:03] K型经济** - [21:03] Sam Altman的AI发展乐观论 vs 宋雪涛的分配悲观论：Altman认为AI会像铁路电力一样创造新岗位，宋雪涛警告若被替代者无法再就业，必须提前重构分配制度。 - [21:36] 在亚利桑那州立大学毕业典礼上，谷歌创始人Eric Schmidt（宋雪涛口误为Eric Schumer）演讲劝学生用AI创业，被毕业生用嘘声回应，折射青年对岗位消失的恐惧。 - **[23:49] 税基侵蚀** - [23:49] 美国税基结构：劳动税占联邦税约三分之二（个税40%+社保工资税24%），消费税占16.8%，合计近80%；企业所得税和资本利得税合计仅约8%，AI侵蚀大税基而资本税基小。 - [24:53] 宋雪涛：2008年金融危机后资本优势固化，量化宽松、头部企业垄断和无形资产崛起使劳动所得进一步下降；疫情财政刺激短暂抬升后，AI和自动化加速替代人力。 - [27:09] 2025年三季度美国劳动所得占GDP比重降至51.4%（1970年为58.4%，下降7个百分点），资本所得升至43.6%（1970年为32.6%，上升11个百分点），劳动所得处于历史低点。 - **[27:39] AI征税** - [28:19] 科技界早有对AI征税共识：比尔·盖茨2017年提议机器人税，OpenAI发布《智能时代产业政策》建议重构税基、提高资本利得和企业所得税，Anthropic的Dario Amodei提议Token税，Geoffrey Hinton也呼吁对AI征税。 - [30:12] 提高资本利得税和企业所得税的直接做法面临难题：AI作为无形资产流动性强，跨国企业长期通过利润转移避税，如苹果在爱尔兰、荷兰的“三明治”税收结构。 - [32:17] Token税类似碳排放税，按大模型计算资源征税，技术上可观测、可计量，但服务器可迁至低税率地区，存在离岸避税漏洞，难以成为税基基础，只能作补充。 - **[33:13] 一次分配** - [33:13] 一次分配思路：用公共财富基金或主权基金持有关键AI企业股权，或直接把股权分配给公民，让公众分享AI资本增值红利；个人数据也可参与交易和分配。 - [34:10] Sam Altman表示愿把OpenAI 5%股权无偿赠予美国政府；宋雪涛认为这是“人精”行为——把自己变成国企后，在AI监管和开源模型监管上获得更大话语权。 - [34:59] 特朗普推动的Trump Account为美国20后积累AI时代财富：Dell和Micron已捐款，特朗普发推称SpaceX也该捐；这是让受益于AI的大企业出钱的一次分配尝试。 - **[36:18] UBI实验** - [36:18] Q: 全民基本收入UBI到底能不能帮人应对AI失业？宋雪涛回顾Andrew Yang提议和近年讨论：发钱不能解决贫富差距和人力资本不足，所以提得少了。 - [38:30] Sam Altman 2020年11月启动UBI实验：1000名年收入低于3万美元者每月无条件领1000美元、连发三年，对照组3000人每月约50美元，检验发钱能否积累人力资本和促进再就业。 - [39:41] UBI实验结论：发钱三年人力资本未提升，只有少数年轻人小幅增加读书意愿；抑郁下降，但车贷和消费贷增加17%，负债反而更高，无法实现阶层跃升，只是心理兜底。 - **[41:08] 公民红利** - [41:22] 韩国公民红利模式：不直接发钱，设五类定向账户专款专用——青年创业、农民渔民分红、艺术文化扶持、养老金补充、儿童及成人数字化转型培训。 - **[43:01] 企业转型** - [43:21] 中国西部已用无人物流车在新疆、内蒙古送快递，包裹送到村口小卖部或诊所；深圳美团无人机送外卖到中转站，蓝领岗位也开始面临AI替代。 - [45:41] 刘强东在APEC工商中国论坛说：“将来的送货根本不需要快递员，都是机器人在送货，但是我不希望我们70万的兄弟没饭吃没工作。” - [46:34] 京东启动“涅槃计划”：与120所院校合作，分批组织70万蓝领员工进校进修，把快递员转化为机器人维修、保养、调度、路径规划和远程监控等技术蓝领。 - [47:38] 宋雪涛预测：AI影响目前主要在美国硅谷程序员，但按Anthropic和OpenAI暴露度推断，未来越来越多工作会受冲击，对AI征税和再分配是全社会必须共同解决的世纪难题。 ## Topics 宏观经济, 政策解读, 科技产业 ## Mentioned Amazon (company), Anthropic (company), DeepSeek (company), Dell (company), Meta (company), OpenAI (company), SpaceX (company), 中国邮政 (company), 京东 (company), 美光 (company), 美团 (company), GitHub (product), Trump Account (product) ## Transcript ### 开场 **Host** [0:16] Hello 大家好 ， 欢迎收听 《 宏观七日谈 》。 我是宋雪涛 。 最近我们已经看到了美国的就业数据里边 ， 科技企业今年的裁员情况是越来越明显了 。 这个在去年呢 ， 可能更多还是可以把它归结于在疫情期间的这个过度的雇佣 ，以及降息的周期结束所带来的一个滞后性的影响 。 但是今年呢 ， 应该说越来越难以忽视吧 ，AI 所带来的这种技术性失业的问题 。 所以今天我们就主要来聊一聊这个 AI 与人类的工作 、 未来的替代和创造的关系 ，以及如果说确实人类的一部分的这个工作是被 AI 所替代 ， 或者人类的技能彻底被淘汰掉了 ， 那么在这种情况下， 关于这个社会的制度 ， 特别是税收的制度 ， 应该要发生哪些变化 。 那么首先呢 ， 这个从一个关切的起点来看吧 ， 就是这个技术性的裁员已经成为一个现实 。 今年呢 ， 这个美国的科技企业进入到了一个高裁员的区间 ， 那么大厂的单轮裁员大多数都在 5% 到 10%， 比如说看 Amazon、 看 Meta， 甚至 Meta 的这个裁员还有希望进入到第二轮 。 ### 裁员现实 **Host** [1:31] 那么如果到了软件 SaaS 和云服务公司的话 ， 这个裁员率甚至会到将近 20%。 之前硅谷一家公司通过大量的裁员 ， 这个反而在股价上获得了很大的回报 。 所以可以看到啊 ， 就资本市场是在奖励 AI 的降本和裁员的趋势的 。 那么这也形成了一个非常强的激励机制 ， 让企业不仅从经营层面上看到 AI 可以降本 ，而且从资本市场上看到 AI 裁员还可以改善估值和股价的表现 。 所以这种正反馈呢 ， 会进一步的鼓励企业用 AI 来替代员工 。 更关键就是我们要看一看 ， 就哪些这个职位是有可能被 AI 替代 ， 哪些是不大会被替代的 。 那么我们就对这个不同的职业的技术的暴露度进行了一个挖掘 。 那么这个数据来自哪里呢 ？ 这个是来自于这个 Anthropic 自己的一个估计 。 ### 暴露度 **Host** [2:24] 那么它这个用了一个叫暴露率的数据 ， 就是说这个技能 、 这个任务有多大程度上是可以被 AI 来完成的 。 那么这个任务是否在 Anthropic 的 Cloud 应用里边出现过 ， 那么是不是属于它的这个工作的场景 ， 还是一个生活化的场景 ，以及它是纯自动化还是辅助应用 。 那么这个任务在总工时中的占比 。 所以根据这几项指标呢 ， 这个 Anthropic 就做出来了一个各个任务的实际暴露率的数据 。 然后呢 ，在这个任务的描述里边呢 ， 不同的职业又对应了若干种任务 ， 所以这个已知不同的任务的这个技术的暴露率 ，也已知一个职业对应了哪些任务 ， 所以就比较容易得到这个职业的 AI 的技术暴露率了 。 就是一个职业有多大程度上可能被 AI 所重构改造 ， 甚至这个工作的岗位可以被 AI 所替代掉 。 这个是实际的暴露率 。 那么在这之上呢 ， 这个还有一个理论暴露率 。 理论暴露率是 OpenAI 做的 ， 就是比较偏主观的估计了 ， 就是模型理论上能够影响这个职业的多少个任务 。 那么也反映了 AI 能力边界对应的一个职业被替代的理论上限 。 所以这是一个理论估计 。 那我们用这个 Anthropic 和 OpenAI 的技术暴露度来做了一个估算吧 ， 这里边大概有 830 个职位 。 得出来的这个结论呢 ， 就是在美国啊 ， 按照 Anthropic 的实际暴露度来看 ， 今天差不多是有 1,835 万美国的就业人口 ，是已经暴露在了 AI 的这个技术范围内 。 那么如果按照 OpenAI 的这个理论暴露上限呢来算的话 ， 那大概有 6,828 万美国的就业人口 ，是暴露在了这个 AI 可能会影响 ， 甚至会替代的这个范围里边 。 那美国的整个就业人口是多少呢 ？ 是 1.55 亿人。 那也就是说啊 ， 大概 43.9% 的就业人口未来可能会被 AI 影响到 。 那么现在是 11.8% 的就业人口已经被 AI 影响到 。 这个就是通过技术暴露度的数据 ， 我们能看到的这个总范围 。 那么又对应了多少收入呢 ？ 按照 Anthropic 的这个实际暴露度来看呢 ，1,835 万就业对应了 1.45 万亿薪资 。 就 1.45 万亿薪资是理论上可以被 AI 所替代掉的 。OpenAI 的这个理论的这个暴露是 6,828 万人， 这个对应了 5.68 万亿美元的薪资 。 那么美国的总薪资是多少 ？ 如果我们按照现在的平均工资和这个就业的人数来做一个测算的话 ， 那么到 2026 年的 6 月份 ， 总薪资是 10.83 万亿 。 也就是说薪资里边超过一半以上是处于理论上会被 AI 所影响到 。 那么 13% 是已经可以被 AI 所影响到 。 所以当然这个是不意味着一定就是会带来这个失业或者带来替代了 ，但它至少是对应了一个可能会被影响到的范围 。 进一步来看呢 ， 就是哪些是容易被替代 ， 哪些不容易被替代呢 ？ 从几个维度来看吧 。 第一就是从这个工资的维度来看 ，是工资越高 ， 它的这个暴露度是越大的 。 ### 替代风险 **Host** [5:50] 那么工资越低 ， 暴露度越小 。 比如说这个按照工资来进行分配 ，在这个工资的分位数里 ， 这个最低的就是排在这个 20% 年收入分位数以下的 ， 这些 AI 的暴露度是明显偏低的 。 比如说洗衣房的员工 ，他的这个收入在全美的职业收入分位数里边处于最低的一档 ，0.1% 的分位数 。 那他的暴露度只有 10%。 这个烘焙师处在收入分位数的 4.8%，他的暴露度是 14.7%。 换轮胎的工人暴露度是 0， 这个收入分位数也偏低 ， 大概 7.5%。 那么收入越高 ， 暴露度就越高 。 这里边的这个代表性的职业 ， 第一是金融产品经理 ，他的收入分位数处在最高的一档 ， 就是 96.6%。 那他的暴露度也达到了 78.6%。HR 这个人力资源收入分位数 95.3%，他的暴露度也达到了 76%。 另外这个工程师里边的一些这个相对来说啊 ， 数据依赖度比较高的 ， 沟通的这个需求比较少的 ， 比如说像这个码农 ， 还有像这个航天工程师 。 航天工程师的收入分位数也达到了 92.5%，他的暴露度达到了 89.3%。 所以对这种白领型职业吧 ， 高工资 、 知识密集 、 服务业特点这一类的 ， 往往是首先会被 AI 触及 。 它的收入的结构 、 任务的内容可能会被 AI 重组或者部分自动化 ， 就不代表说直接被替代掉 。 这个暴露有大有小 ， 如果说这个技术进步得快了 ，有可能这个暴露会进一步的变成替代 ，但有可能是技术进步放缓 ， 或者说这个技术从能用到好用到必须用之间啊 ， 存在着鸿沟 。 所以不见得说暴露一定会被替代掉 ，但是一个职业的任务是有可能会被 AI 辅助重组或者自动化的 。 那么这也就导致一个问题 ， 就是说啊 ，因为高工资是更容易被替代 ， 或者高工资是更容易受到影响 ， 比如说工资需要降薪 ， 或者需要工作更长的时间以维持工资的这个成本的不变 。 那么这个可能就对美国的消费 、 美国的收入来说 ， 会直接受到冲击 。 那么从职业的这个分布上来看呢 ， 最容易被替代的还是计算机 ，其次是这个商业和金融 ， 然后是法律 。 那么计算机的这个暴露度达到了 87.6%， 商业和金融达到了 78.2%， 法律达到了 78%。 但是如果看这个实际的暴露度呢 ， 和这个理论暴露度之间啊 ， 还是有排序上的差异的 。 实际暴露度最高的还是计算机 ， 达到了 35.3%。 就是这个是 Cloud 观察到的数据 。 但是实际暴露度排名第二的并不是商业金融 ，也不是法律 ，而是办公室的行政支持 ，也就是秘书这个岗位 ， 或者办公室的中后台 。 那么实际暴露度第三的是销售 ， 那么办公室行政的暴露度达到了 33.2%。 就这个跟计算机的实际暴露度已经非常接近了 。 那么销售的这个暴露度是达到了 24.6%。 那么在理论暴露度里边呢 ， 销售是 60.2%， 这个办公室行政的这个理论暴露度是 72.7%。 按照理论暴露度来看 ， 它们是没有这么高的 ，但实际上来说 ， 就这个工作被改造的速度还是比较的快 。 也就是说啊 ， 这个 AI 对劳动力的影响并不单纯由模型能力所决定 ， 还跟工作的属性有关系 ，也跟这个组织流程的约束有关 。 你比如说法律 ， 法律呢 ， 这个案头工作并不是全部的 ， 就不是说只在做各种文书的这个整理和这个文案的这个工作 。 这里边还要与当事人沟通 ， 这个当事人是愿意跟一个律师去讲自己的这个事情 ， 还是愿意跟 AI、 跟这个计算机去讲自己的事情 。 我觉得这个差异还是蛮大的 。 就是人对人的这个信任程度会影响到法律这个工作 、 信息的完整程度和真实程度 。 所以与当事人的沟通 ， 包括各方利益的协调 ， 这个在律师的行业里边是非常正常的 。 这个不仅仅是这个为当事人去解决上他的这个法律的诉求 ， 甚至里边可能也要做一些调解和和解的工作 ， 包括这个诉讼策略的判断以及责任的承担 ， 这些其实都会影响到这个律师的这个工作的内容 。 所以这些是不太容易被 AI 所迅速替代的 。 金融行业也是一样 ， 就金融服务业表面上是高度数据化 ， 特别是金融服务业里边偏这个金融科技的这一块 。 但是呢 ， 这个金融行业也不仅仅是金融科技 ， 它还有很多是要从事客户关系的维持 ， 还有一些风险偏好的识别 。 比如说在这个投资顾问行业里边 ， 这个客户是高风偏低风偏 ，有时候这个仅让他去填个表 ， 或者让他自己去给自己打个分 ， 都有可能会出问题 。 这个很有可能跟这个问题的设置有关 。 如果这个问题设置带有诱导性的话 ， 它可能会变成一个高风偏 ，但如果这个问题设置更偏向于一些风险提示的话 ， 这个客户可能会变成低风偏 。 所以往往这个风险偏好的识别 ， 可能要与这个客户交流沟通一段时间 ， 判断他的工作 ， 判断他的家庭收入 、 家庭关系和社会地位 ， 来决定这个客户到底是个高风偏还是低风偏 。 另外就还有很多是非标准化的信息的判断 。 我想这个从事金融行业 ， 大家对这方面的内容还是比较熟悉 。 就是出来一个信息 ， 你要怎么去识别它 、 判断它和归类它 ， 这个信息的真与假 ， 这个信息的可信度 ， 这个信息到底是一个重复的信息还是一个新增的信息 ， 这些可能还是需要一个人的判断 。 所以金融行业跟法律在这些方面是类似的 ， 尽管属于一个高薪白领的服务业 ，但是很多工作需要与人沟通 ， 需要对人的了解和对人性的了解 ， 这些暂时由 AI 是不太好替代的 。 那反观呢 ， 这个编程码农是更容易被替代的 ， 原因是码农的工作是很直接的 ， 就只是对着计算机 ，不大需要很强的沟通密度 ，也不大需要太多的客户关系的维持 。 它的反馈链条也非常短 ，因为有 GitHub 这样的非常好的优质的编程语言的资源 。 所以大多数都是机器与机器之间的这种沟通和对话 ， 人和机器沟通 ， 机器和机器沟通 。 所以在编程语言上， 数据量大 、 质量好 ，而且也不太需要这种人的介入 。 所以这也导致这个码农编程的工作是更容易被 AI 替代掉的 。 它的工作对象是非常的明确 ，但凡有人在里边介入 ， 人就是一个今天看起来非常非标准化的一个中介 。 所以只要有人介入的东西 ， 现在看起来让 AI 去替代它 ， 或许未来是可以做到 ，但是这个进程是比较慢的 。 所以这个编程呢 ， 这个就很简单 ， 代码能不能运行 ， 测试能不能通过 ， 功能能不能实现 ， 这个反馈就是 0 和 1， 这样的这个简单的反馈 。 所以这个相对来说 ， 它在理论的暴露度和实际暴露度之间 ， 它的差异就比较小 ， 它被替代的速度就比较快 。 那么从工资的这个角度来看呢 ， 潜在的被替代掉的和实际被暴露的这些工资金额 ， 最大的五个行业 ， 第一就是办公室行政支持 、 秘书文秘这一类的行业 ，因为这类行业人非常的多 ， 所以它有 2,896 亿美元的这个工资是处在已经被暴露的范围里 。其次就是商业与金融 ，因为这也是高薪行业 ，有 2,474 亿 ， 然后管理是 2,217 亿 。 码农的这个工资也很高 ，但是人数少 ， 所以计算机行业暴露的薪资额是 2,152 亿 ， 排在第四 ， 销售排在了第五名 ，1,995 亿 。 所以这也给大家提供了一个视角 ， 就是如果要搞专用大模型 ， 发展 to B 业务 ， 那一定就是说它对应一个巨大的薪资池 。 这个行业的潜在被替代的工资额越大 ， 那么意味着这个 to B 的大模型 ， 它未来的潜在的收入就会越高 。 所以这里边呢 ， 倒是可以在办公室行政 、 计算机 、 金融这些行业去发展 to B 业务 。 但如果追求的是业务从 0 到 1 的话 ， 那么像这个暴露度 ， 目前来说实际暴露度低 ，但是潜在暴露度高的 ， 像教育 、 医疗诊断 ， 这些还是有非常大的潜力的 。 那么目前看呢 ， 这个最容易被替代的行业里边 ， 最多的还是出现了计算机 。 前 20 个被容易被 AI 替代的行业 ，8 个都属于计算机 ， 这里边大概是 160 万人， 占这个计算机这个行业总人数的 30%。 所以计算机这个行业目前在 AI 技术下是最脆弱的 ， 排名第一 ， 这个就是计算程序员 ； 排名第二呢 ，是客服 ； 第三是数据录入 ； 第四是做医疗记录的专员 ； 第五是这个市场研究分析师 ； 然后是医疗的转录员 、 销售 、 数据库的架构师 、 金融分析师 。 所以对金融行业来说 ， 这也是一个非常大的挑战 ， 如何要用好 AI 工具 ，而不是被 AI 工具所取代 。 那么目前看计算机这个行业还是蛮残酷的 ， 就是它并没有说低薪就暴露度低 ， 高薪暴露度高 ， 这个行业表现出来就一视同仁 。 这个不同的薪资 、 不同的技能高低 ，并不影响 AI 暴露度 。 就面对 AI 冲击的时候 ， 这个行业几乎是所有的职业都享受了一个平均的这个暴露度 。 那么金融行业呢 ， 跟计算机行业相比 ， 整体暴露度还是偏低的 ，而且金融行业的这个特点也不太一样 ， 就是说相同工资之下， 这个暴露度有高有低 。 你比如说像这个市场研究分析员 ， 这个暴露度就达到了 64.8%， 这个理论暴露度 。 然后这个投资分析师 ， 就像我这样的 ， 达到了 57.2%， 就这个是比较大的替代风险 。 但是你这个相同的薪资之下， 又暴露度很低的 ， 那就说明这个金融行业就有点像法律一样 ， 就有些岗位是对计算机的 ，有些岗位是大量的数据型的 ，有些岗位是对人的 ， 或者说这些岗位可能还需要背锅 、 需要担责 ， 比如说审计 ， 比如说会计 ， 它要签字 ， 那这个签字的事情无法让 AI 来替代 ， 最终这个坐牢还要人去做 。 所以这也导致这些需要签字担责的岗位 ， 相对来说受 AI 的影响还比较小 。 就是不同的岗位 ， 它的产出的标准化呀 、 衡量度啊 ， 这个层次不齐 ， 所以对 AI 的暴露度也呈现出比较大差异 。 所以总结来看 ， 就是一个岗位与人沟通越多 ， 它被替代的可能性越小 。 第二就是这个岗位要背锅 、 要担责 ， 它被替代的可能性也比较小 。 不过如果看蓝领岗位的话 ， 那普遍这个替代度都是比较低的 ， 这个大多数蓝领岗位现在都处在几乎不太会被替代的可能性下 。 ### 三类人群 **Host** [16:48] 所以这也是对于未来吧 ， 可能大概率分成三类人， 一类是会用 AI 的 ， 用 AI 提升生产效率的 ， 比如说这个一部分工程师 ， 今天可能从硅谷辞职以后， 拿到一大笔这个补偿金 ， 就去创业了 ， 变成了一个一人公司 OPC， 或者搞一些 AI 原生公司 。 这些公司呢 ， 规模很小 ， 一个人带着 10 个 agent， 就可以完成一个过去的这种比较复杂的中型公司的任务 ，而且也比较扁平化 ， 比如说雇几个人 ，他们也没有说固定的职位 ，而且大家是以任务制的形式 ，不是以职位的形式在进行这个组织架构的 。 那么这种就不确过去那种长链条的大公司自上而下层层决策的方式了 ， 它降低了交易成本 。 所以按照科斯的这个公司的本质来说 ， 一个公司的存在的价值就是降低交易成本 。 那今天却是这种 AI 原生扁平化的 OPC， 它也是通过交易降低的交易成本 、 降低的中介成本 ， 能够出现和能够繁荣的一个内在的这种因素 。 那么这一类人呢 ， 那就是会用 AI 提升效率替代别人， 所以这类人要建模 。 那么第二类人是不受 AI 影响 ， 比如蓝领 ， 这个厨师啊 、 运动员啊 ， 运动员当然不算蓝领 ，是这个金领了 ，但是这个普遍是不太会被机器所替代的 。 这一些群体 ， 蓝领类的 ， 可能不大受到 AI 的冲击 ， 更多的时候如果他买了股票的话 ，也能分享到 AI 的红利 。 所以对于这类人要建仓 ， 这里边包括一些蓝领 ， 大多数的蓝领 ， 包括运动员 ，以及一部分的白领 ， 比如说是个资深的合伙人， 有大量的客户的关系要维护 ， 负责跟大客户的谈判和这个关系的维护 。 那么像这种高风险的一些职位 ， 比如说医疗啊 、 法务啊 ， 它要担责 。 就是尽管大家现在可能习惯的在生病以后先问一下豆包 ， 这个我这个病症是什么样 ， 你推荐什么样的治疗方式 ，以及可能是有哪些生病的这种原因 ， 那么该买什么药 。 但是如果遇到了比较严重的病的话 ， 你大概率不会去希望豆包来给你这个答复 ， 还是希望去医院 ， 这个让医生看一看 ， 听一听医生的建议 ， 甚至去几家医院 ，因为毕竟豆包是不会背锅的 。 那么包括公司的法务 、 律师 、 会计师 、 审计师 ， 这一类的需要承担一定风险的这种职位 ， 这也是不太会被替代的白领 。 那么第三就是有比较强的情感啊 、 人际啊 ， 这一类的服务的 ， 或者需要一些现场的实体操作的岗位 。 那么这一类白领和蓝领不会受到 AI 的替代 ， 那么这些就要建仓 。 那么第三类呢 ， 就是会被 AI 替代掉的 ， 比如说这个 IT 行业 ， 比如说办公室行政 、 后台 ， 这一类的岗位 ， 包括金融分析师 、 市场分析师 ， 还有很多商业的咨询 ， 像这个麦肯锡啊 、 这个埃森哲啊 ， 这一类的 。 那这一类的 ， 那恐怕就要健身了 ， 这个好好锻炼好身体 ， 这个去做一个白领工作 ， 做一个蓝领工作 ， 或者想办法要给人提供情绪价值 ， 或者干一些背锅的活 ， 这个否则的话可能这个都会被替代掉 。 那么这就是这个 AI 对于人类在目前的这个它的技术能力上， 我们所观察到的不同的职位的技术暴露度和它暴露的速度所反映出来的这些特点 。 那么将来这个问题怎么办呢 ？ 就是说它最终是不是能够提升社会的生产效率 ， 最终是不是让大家都能变得更好 ， 取决于被 AI 替掉这些失业者能不能通过再培训 、 再就业找到新工作 。 当然这个里边时间是一个很重要的维度 。其次呢 ， 就是说到底有没有一些新的商业模式是被 AI 所创造出来的 ， 或者 AI 不仅仅是降本和替代人， 它也能够通过降低 ， 比如说法律咨询的成本 、 会计的成本 、 办公室的行政的成本和金融分析的成本 ， 来创造出来更多的法律的需求 、 咨询的需求 、 办公室行政的需求 ，以及这个金融分析的需求 。 如果可以的话 ， 当然这个世界是变得更美好了 ，但是如果不行的话呢 ， 那我们确实要考虑的更远一些 。 ### K型经济 **Host** [21:03] 这个社会面对的更大的 K 型经济 ， 劳动的所得在持续的向资本所得进行转移 ， 那么如何去解决这个 AI 时代的共同的难题 ， 贫富分化的问题 ， 社会的不平等 ， 社会的不稳定变得越来越大的问题 。 那今天当然这个在微观上已经看到了越来越多的这种反 AI 的迹象了 ， 比如说硅谷的人人自危 ，他们把这个同事的工作自动化 ， 同时也意识到自己的岗位可能会被自动化 ， 今天把同事蒸馏了 ， 明天自己就会被 AI 所蒸馏掉 。 那么其次呢 ， 就是在这个美国的学院里边开始出现年轻人反对 AI 的声音 ， 一方面年轻人在拿 AI 做自己的毕业论文 ，在拿 AI 做作业 ， 另外一方面呢 ，也因为 AI 导致这些年轻人的工作相比于之前变得更加的悲观了 。 比如说在艾瑞桑纳的毕业典礼上， 这个 Eric Schumer，Google 的创始人， 说要演讲 ，他强调这个一个人说 AI 加速世界的变化 ，AI 技术革命 ， 你们要学会用 AI 创业 ， 这个就跟粉笔的张小龙去人大哲学系做这个考公的演讲是一样的 ， 结果也基本上相似 ， 只是说人大的学生用沉默来回应了张小龙 ，而艾瑞桑纳的大学的毕业生用嘘声来回应了 Eric Schumer。 所以这个反应已经不是简单的说大家不喜欢 AI 了 ，而是说年轻的毕业生面对就业市场时候的这种真实的恐惧 。 那我还没毕业呢 ， 我的这个岗位就已经要消失了 。 所以怎么解决这些问题 ， 我觉得还是需要在分配的制度上去寻找答案 。 这个当然好一点是通过发展解决了 ， 比如说新的需求出现了 ， 新的岗位被创造了 ， 这个也是 Sam Altman 今天相对来说他比较偏乐观的一点 ， 就认为 AI 最终还是能通过发展解决就业的问题 ， 就像过去在铁路时代 、 电力时代发生的一样 。 尽管说替代了马车夫 ，但是又降低了物流的成本 ， 创造出来了非常多的生产的需求以及物流的需求 ，以及要建很多这个火车站 ， 又拉动了火车站周边的经济的发展和这个物流业的发展 ，而且要生产铁轨 、 生产钢铁 、 生产这个火车等等等等。 所以这个只要时间足够的长 ， 需求会被创造出来 ， 岗位就会被创造出来 。 就是今天讲这个问题也是一样 ， 就是说码农回到制造业去 ， 这个又降低了制造业的成本 。 但是这个事情在未来会不会发生 ，而且未来如果说机器人也大量的出现了 ， 会不会进一步的把一些蓝领的岗位替代了 ， 导致人变得更加没有用了 。 所以这些问题可能今天都难有答案 。 那如果说事情在朝着悲观的一面发展的话 ， 就是那我们不得不对分配去做更多的事前的打算了 ， 就是不能不考虑分配 ，因为需求的本质最后是个分配的问题 。 ### 税基侵蚀 **Host** [23:49] 那今天面对的这个问题是可能能分到的税基在越来越少 ，因为今天的这个 AI 在不断的侵蚀劳动和消费这两个税基 ， 这两个税基呢是在美国占了 80%， 这里面劳动就占到三分之二 ， 个税是占 40%， 社保占了 24%， 社保工资税 ， 两个加起来是占了三分之二的全美的总税收 ，而且很多都是联邦税 。 那么对地方来说呢 ， 消费税是个主税种 ， 消费税在美国的总税基里占了 16.8%， 所以消费税加劳动税加起来是占了 80%。 那么资本的这个总税收呢 ， 大概只占了 8%， 这里面企业所得税和资本利得 ， 这个加起来一共占美国总税基的 8%。 也就是说本身资本的这个税基就小 ， 劳动和消费的税就大 ，而今天是从利润的角度或者从价值创造的角度 ， 还在从劳动为主转向资本 ， 所以就导致这个税基大的那一部分越来越难收了 ，而税基小的那一部分今天是在快速的积累利润的 。 那么过去的这个 50 年时间 ， 美国的 GDP 里边劳动所得和资本所得的关系就是一个劳动所得在持续下降 ， 资本所得在稳步抬升的过程 。 那么 1970 年到 2007 年， 这个 30 多年时间里边是劳动缓慢收缩 ， 资本稳步抬升 ，因为这是一个全球化的过程 ， 再加上一个金融自由化 ， 所以劳动的收入赶不上资本的利得的上升的过程 。 今天呢是越来越明显了 ，因为这个价值创造正在从劳动力为主转向依赖资本 、 依赖算法 、 依赖数据这样的一个体系 。 所以最终导致就是说原来是工资的形式是比较分散的 ， 大家都受益了 ， 比如说在这个铁路时代 、 在电力时代 、 在城镇化时代 、 在工业化时代 ， 甚至到了互联网时代 、 移动互联网时代 ， 它还是以劳动相对受益这样的一个过程 。 尽管说绝对而言劳动的占比也是在下降的 ，但它至少还是每一次技术革命是需要人的 ， 哪怕到移动互联网时代 ， 它也是需要人的 ， 需要快递小哥 ， 需要滴滴司机 ， 需要大量的物流就业 、 互联网的码农等等这些职位 。 但是到今天呢 ， 这个有可能是一个双重的挤压 ， 一方面从工作属性上来说 ， 它可能只要资本 、 只要无形资本 、 只要数据 、 只要算法 ， 它就可以替代人， 可以替代人的人脑 ， 甚至替代人的身体 。 那么第二呢 ， 就是从分配的方式上， 它还在不断的朝着资本进行转化集中， 甚至会奖励这种用 AI 去替代人的方式 。 所以这就导致未来不得不去考虑分配制度也要随着技术的发展和利润的分配发生的变化而发生变化 。 那么从 2008 年金融危机之后呢 ， 应该说资本的优势在进一步的固化 ， 经过了量化宽松 ， 经过了头部的企业垄断崛起 ， 再加上无形资产 ， 比如说软件 、 数据 、IP 成为了核心资本 。 那么这个劳动所得在进一步的下降 ， 资本所得进一步上升 。 那么在疫情期间 ，因为财政刺激给人发钱了 ， 所以暂时的抬高了劳动的份额 ，但是疫情的刺激 ， 财政发钱之后， 劳动所得在快速下降 ， 特别是进入到了过去的两三年时间 ，AI 和自动化进一步替代人力 ， 导致这个现在劳动的所得处于历史上最低点 。 那么 2025 年三季度的时候 ， 劳动所得在 GDP 的占比占 51.4%， 资本占 43.6%，而在 1970 年的时候 ， 劳动的份额占 58.4%，也就是说下降了 7 个百分点 ，而当时的资本是 32.6， 资本比当时上升了 11 个百分点 。 所以这个就是从税基的角度来看吧 ， 这个占比三分之二的劳动税基是在份额上持续的在收缩的 。 ### AI征税 **Host** [27:39] 所以将来这个问题怎么办呢 ？ 这个就是要考虑到怎么对 AI 进行征税了 。 但是科技企业我觉得都还是比较觉醒的 ，因为他们这些大型的实验室处在 AI 技术的前沿 ， 一方面看到 AI 能力提升对人替代的可能性在变大 ，在资本市场上画 AI 的大饼的故事 ， 另外一方面呢 ，他也知道这件事情一定会带来至少是短暂的技术性失业和社会的贫富差距的拉大 ，以及社会的制度根基的松动 。 所以他们对这个问题相对来说比较未雨绸缪 ， 比如说这个比尔 · 盖茨 ，2017 年的时候 ，他就提过要将来要征机器人税 。 那 OpenAI 呢 ，也是比较早就在关注这个智能时代的这种税收的政策了 。 那么今年 4 月份的时候 ，OpenAI 发布了一个名为 《 智能时代产业政策 》 的报告 ， 这个报告里面就说了 ， 就是为了应对 AI 带来的工作模式的重塑以及税基侵蚀等问题 ， 建议要重构税基 ， 比如说要提高对资本性收入的依赖 ， 包括提高高收入人群的资本利得税 ， 提高企业的所得 税 ， 对持续的 AI 驱动的收益进行针对性的征税 ，也可以探索一些新税种跟自动化劳动相关的 ， 比如说 AI 税 、 机器人税等等。 这个 Anthropic 的创始人 Daryl Amodei，他也建议要对大模型开征 Token 税 ， 用于在分配和公共福利 。 像这个深度学习之父 Jeffrey Hinton，他在一次访谈里也提到了这个 AI 可能会大规模替代人力 ， 所以导致这个税基萎缩 ， 所以要对 AI 征税 。 那么应该说对 AI 征税这件事情呢 ， 目前来看从企业是有共识的 。 那么从政府层面呢 ， 我觉得政府也对这个问题是保持着关注 ， 比如说这个美国政府川普成立的这个 Trump Account， 这个给孩子去买股票 ，也可以让这个父母进行避税 。 那么这个也是给未来的 AI 时代的这些原生原住民提前积累一笔社会的财富 ， 包括韩国这个总统政策办公室的市长 ，他所提倡的这个公民红利 ， 这其实也是一个从政府层面上正在关注 AI 时代这个再分配的一种角度 。 那么到底怎么征税呢 ？ 这个才是个问题 。 比如说这个 OpenAI 提到了这个要提高资本利得税 ， 提高企业所得税 ， 当然这是一种比较宏观的做法了 ，但这种做法的好处呢 ， 就是比较直接 ， 就是你不用去区分什么是 AI 相关 ， 什么是非 AI 相关的 ， 我们就直接把这个企业税 、 资本利得税提高了 ，因为毕竟资本是受益了 ， 所以它就沿着一个收入分 配的形态进行调整 ，因为资本的这个所得占比正在持续的提升 ， 劳动所得占比在下降 ， 所以要对资本扩大税基 ， 对劳动缩小税基 。 但是它的这个难度在于 AI 是一种无形资产 ， 这个无形资产它就流动性很强 ， 你不太容易去跟踪到 ， 比如这个 Token 是发生在美国国内的 ， 还是发生在拉美的 ， 发生在墨西哥 ， 发生在东南亚的 ， 这个不太好跟踪 。 这个造成一个结果 ， 就是说到底哪些是能被征到的 ， 哪些可能会被流失 ， 这个就是一个大问题 。 第二就是说征这个资本利得税 、 企业所得税 ， 问题就是说美国的这些跨国企业长期都在做各种利润的转移 ， 像苹果之前在这个欧洲搞的这个爱尔兰 、 荷兰的这个三明治税收的结构 ， 就通过避税的形式把它的这个主要的这个税基流向了最低税率 的国家 ， 所以进行了一个跨国的企业利润转移 。 那么这些其实都是一个老生常谈的问题了 ， 就是怎么去征这些跨国企业的税 ， 这个不管是当时对它的利润征税 ， 还是今天说要对它的 AI 相关的收入去征税 ， 这个都存在着避税的问题 。 那么第二呢 ， 就是直接去征 AI 税 ， 比如说比尔 · 盖茨提的这个机器人税 ， 包括 OpenAI 也提的这个 AI 税 ，但难点就是说你 AI 跟普通资本怎么去进行边界上的这种界定 ， 它是容易引发各种规避的 ， 或者容易有一些争议 ， 就是把这个 AI 的投入还是 AI 的产出来界定为 AI。 那么投入的话 ， 它可以用其他形式来代替 ， 比如说我是对人的工资 、 对人的投入 、 对研发人员的投入 ， 这些可以都变成一种非 AI 的投入 ， 所以这也容易引发规避 。 第二呢 ， 就是说这个对一个特定的技术进行征税的话 ， 它会扭曲企业的决策 ， 这企业可能就不用这个技术了 ， 抑制了这个企业的这个效率的提升 ， 或者说这个企业可能用其他的这种技术去规避 。 那么这些其实都导致在实际的征税的过程中出现了一些难题 。 那么更微观的就是我们根据这个技术本身的一些要素来构建税基 ， 比如说 Token 税 ， 这个就类似于这个征收碳税 、 碳排放税 ， 这个也是 Daryl 提到的这种 Token 税 。 那么技术上是比较容易了 ， 就是好观测 、 好计量 ，但是难度呢也在刚才提到 ， 就是它容易流动 ， 这个 Token 可以在美国国内 ，也可以在美国国外， 这个各国之间能否拉齐大家的这个征税的尺度 。 如果世界上哪个国家 ， 比如说在这个巴拿马呀 ， 或者在这个某个太平洋的小国上出现了一个 Token 税为零的这个情况的话 ， 那这些大公司可能会把它的服务器放在那里 ， 或者至少把它的这个 Token 的收入放在那里 ， 去用这种税收制度不平等 ， 这个最低税率低的形式出现一些离岸的 Token 避税的这些制度上的漏洞 。 所以它还是这个问题 ， 就是容易流动 、 不好征收 ， 尽管说你从企业层面是好观测的 ，但是如果说都算的话 ， 又容易过度征收 ， 到底征到什么程度上， 这个才算是能够比较平衡好 、 公平和效率 ， 这个其实也是一个问题 ， 它可以作为一种补充 ，但是很难作为一个税基的基础 。 ### 一次分配 **Host** [33:13] 那么第四呢 ， 就是更宏观了 ， 就是直接改变起点 ， 就我们不要征税了 ，不要在这个事后进行分配了 ， 搞二次分配 ， 我们直接一次分配吧 ， 就是在生产要素上进行分配 。 这就是现在更现实的一种手段 ， 就是公共的财富基金 ， 就是由全体的公民来持有 AI 的企业股权 ， 分享资本增值的红利 ， 把企业的这个股权直接分给公民 ， 它可以说是让主权基金来持有 ，也可以是分拆给公民本人， 让公众以所有者的身份直接来分享 AI 所带来的回报 ， 或者说通过一些公共数据平台吧 ， 比如说这个我把我的这个数据 ， 个人的数 据放到平台上进行交易 ， 参与数据的分配 ， 它毕竟是通过学习和分析我的数据 ， 改善了商业模式 ， 获得更高利润 ， 那我这个数据也是有价格的 。 所以这是一种方法 ， 可以由主权财富基金持有关键技术企业的股权 ， 比如说这个今天中国大基金去投资 DeepSeek， 这就是一种做法 。 第二呢 ， 就是美国的政府去持有 OpenAI、 持有 Anthropic， 这种做法 ， 这两天正好这个 Sam Altman 说我要无偿的赠予 5% 的股权给美国政府 ， 当然 Sam Altman 这种人精他肯定是有目的的了 ， 这个把自己变成一个国企 ， 那当然以后这个对 AI 的监管呀 ， 对于这个开源模型的监管啊等等 ，他可能就有更多的话语权了 ， 毕竟我是个国企了 ， 这个国家也是我的这个重要的股东之一 ， 那要优 先照顾我的利益和我对 AI 的这个长期发展所偏好的一些政策的倾向 。 所以这也是一种方法了 ， 就是让主权财富基金 ， 或者让政府直接控股关键的技术企业 ， 控股大模型企业 ， 如果说他们替代了人， 利润向他们流入的话 ， 那么再通过这种国家持股的方式 ， 把这一部分的红利给转出来 ， 或者是个人持股 ， 就是直接给大家发钱了 。 像这个 Trump Account 呢 ， 我觉得就有点这种特点 ， 美国政府不出钱 ，但是让大企业出钱 ， 这个 Dell 是出了最大的一笔钱 ， 那么这两天这个美光也向这个 Trump Account 进行捐钱 ，而且昨天特朗普还在发推说 ，他觉得 SpaceX 也该捐点钱 ， 所以这也是一种方法吧 ， 就是总统出来持大户 ， 出来这个点名 ， 让这些大企业你们受益于 AI 了 ， 你们就要这个给我的 Trump Account 进行捐钱 ， 反 正这 Trump Account 呢也是 AI 的原生的这些 20 后了 ，他们会首先在这个未来的工作的任务上面和职位上受到 AI 的影响 ， 跟他们的父母一辈相比 ， 那么他们可能作为人来说 ， 作为一个碳基生物来说 ，他可能会被硅基生物在一些机能上所替代 ， 所以他不如他的父母更容易发挥自己碳基生物的优势去工作 ，不管是曾经的脑力劳动白领工作 ， 一个体面的坐在办公室里边 ， 拿着十 几万美元一年的这个薪水 ， 还是说将来可能作为一个蓝领来说 ，他的机器 body 比肉身可能更能够干脏活 、 干累活 、 干苦活 ， 所以导致一些脏活累活 、 苦活的工作可能人也干不了 。 所以这些是让全民去拿钱的一些理由吧 ，Trump Account， 甚至包括这个韩国的这个公民红利也是一样 ， 就是说一种方式就是发钱 ， 让大家都发钱 。 ### UBI实验 **Host** [36:18] 那么最早这个发钱的这种做法呢 ，其实是 Andrew Yang 就提出的 ，在美国叫进步党 ， 这个 Andrew Yang， 那么他提到就是由政府定期向公民无条件的发钱 ，不用做这个经济状况的审查 ， 给现金补贴去弥补劳动收入缺失 ， 所以这个叫 UBI，Universal Basic Income。 那么这个 UBI 到底合不合理呢 ？ 就是我们前面讲的是怎么去这个让政府去收钱 ， 讲到这种方法 ， 比如说征 AI 税 ， 这个征 Token 税 ， 或者直接就扩大企业所得的税基和资本利得的税基 ， 那么这些当然都有一些避税的问题和难以去界定边界的问题 ， 容易引发规避 ， 或者容易引发争议 ， 或者容易引发过度的征收 ， 进而抑制了技术和效率 的提升 ， 就怎么去平衡公平与效率之间 ， 只要是征税 、 二次分配 、 事后分配都存在这个问题 。 那么一次分配呢 ， 就比较直接了 ， 就直接是把企业的股权给政府 ， 让政府去给人发钱 ， 或者把企业的股权给个人， 或者说个人拿他的数据的私权去换公共的利益的分配 。 当然这个问题就是说它依赖一个制度的能力和政治的共识 ，不过今天我们看到 ， 感觉上中国政府 、 美国政府在这个问题上的立场还是比较的清晰的 ，而且也做了一些制度的尝试性的安排 。 下来的问题就是你怎么发 ， 就是说这个钱如果给个人的话 ， 那是个人的事 ，但如果是被政府拿走了 ， 被主权基金拿走了 ， 这个钱要怎么用 ，是公平的给所有人都发 ， 还是说给穷人发 ， 还是说给白领发 ， 还是说给容易被替代的人发 。 所以这个问题就比较有意思了 ， 就是说最极端就是给所有人发 ， 发 UBI。 那么 UBI 呢 ，在前几年大家提的比较多 ， 现在提的少了 ， 我觉得这个原因就是发现其实发钱没用 ， 发钱不大能够解决贫富差距的问题和人力资本不足的问题和人会被 AI 替代的问题 ，因为发钱的理想是人可以通过积累人力资本去实现阶层的跃升 。 更简单讲就是说给钱了 ， 人去读书 ， 人去经过技能的再训练 ， 然后找到 AI 时代的适应的工作 ，但是这个事情其实是被证伪了 。 这个证伪的原因呢 ，是 Sam Altman 在 2020 年的 11 月份就做了一个 UBI 的实验 ， 这个实验呢就是找了这个实验组和对比组 ， 实验组有 1000 个人， 对比组有 3000 个人， 实验组就是每人每个月无条件的发 1000 美元 ， 连发三年， 就是很爽的这个实验了 ，但是它前提是这个年收入要在 3 万美元以下 ， 那么对比组是 3000 人， 大概一个月可能发 50 美元吧 。 那么实验前呢 ， 这个 Sam Altman 的想法是通过 UBI 是不是可以应对 AI 失业 ， 就是说发钱了以后大家这个积累了人力的资本 ， 进行技能的培训 ， 然后去读书 ，以后提高了自己的这个技能 ， 然后去找到更高的工作了 ， 更高薪的工作 。 这个是历史上我们看到的技术革命最终带动了全球生产率提升的一个必备的条件 ， 就是让失业的人经过了技能的再培训 ， 或者经过了对于新岗位 、 新需求 、 新就业的适应与匹配 ， 获得了更高的收入 ， 所以这个要素生产率才能提升 。 但是 UBI 的这个实验结果是发了三年前 ， 结果呢人力资本没提升 ， 就是只有少数的年轻的群体小幅的增加了读书的意愿 ，但是大多数人反正拿了钱就花了 。 这个说改善最大的是对于心理状态的改善 ， 抑郁症是出现了下降 ，但是其他方面没有什么明显的变化 ， 所以这个就是造成的这个 Sam Altman 本人立场的结果 ， 这个立场发生了变化 ， 甚至说那个债务都出现了上升 ，因为收入的压力小幅的缓解了 ， 所以让这些人更敢去消费 ， 更敢去借钱了 。 三年时间呢 ， 获得了 UBI 的人他的车贷和消费贷增加了 17%， 所以不仅净资产没有提升 ， 反而负债还变高了 。 所以这个导致结果就是实验之前认为 UBI 能够应对 AI 的失业 ， 结果实验完之后发现 UBI 只是一个兜底的工具 ， 可以消除一下人类的生存的焦虑 ， 给人一些选择权 ，不用去过长时间的劳动了 ，但是并没有发生这个人力资本的积累和这个技能的提升 ，也没有带来自主的就业和创业 ， 所以对于社会的产出来说是没有什么影响的 ， 那么更不会完成阶层的跨 越和跃迁 。 所以 Sam Altman 最后得了个结论就算了 ， 直接发钱可能帮助不大 ，不如就去推行公共财富基金 ， 就是说我们前面说到的第四种方法 ， 就是让公民持有 AI 的股权 ， 或者让政府来持有 AI 的股权 ， 然后来政府来分配这个钱要怎么用 。 所以具体在这个钱怎么用上这个问题呀 ， 就是说既然 UBI 已经证明了发钱不解决长期的问题 ， 那么可能就要去做一些定向的准备了 。 ### 公民红利 **Host** [41:08] 所以韩国这个公民红利呢 ， 它的这个方案呢是去用来做专项的补贴 ， 来为失业的群体或者潜在的可能会被 AI 替代的群体进行一些转型的培训 ，而不是直接的发 。 那么它这里边呢就选择了这个五类账户 ， 定向账户 ， 公民按需申领专款专用 ， 那么这个账户主要针对五类人， 第一类人就是给青年创业 ，因为它相当于这个提供了新的就业岗位 ， 或者创造了一些新的商业模式 ， 这也是一种在 AI 转型时代通过创业 、 通过转型 、 通过技能的培训来创造更多的就业岗位 ， 来抵消 AI 带来的白领岗位冲击的一种方式 。 所以这种青年要创业或者说要进行技能培训 ， 这个是政府补贴 。 第二呢就是向农民和渔民发放这个稳定的年度的分红 ， 这个当然跟 AI 关系不大了 ， 主要是缩小城乡之间的这种 K 型收入差距 。 第三呢就是对艺术文化进行扶持 ，因为这个 AI 时代呢 ， 包括艺术 、 包括文科 、 包括哲学 ， 就是相对来说应该就吃香了 ， 就是发现人的暂时不能被替代的是人的品味 、 人的 taste、 人的这个直觉 、 人的这个感情和情感的交互和维护 。 所以说在这个方面 ， 这个既然未来的这个机器的生产效率提升了 ， 那么大家可能对于解决基本温饱这个已经得到了最下限的满足 ， 那么可以在艺术文化方面可以进行更多的这个投入了 。 所以在自由创作 、 中小艺术家上， 这个韩国政府也给了一个专项账户补贴 ， 可以进行年度的补助 。 那么第四呢就是划到国民的年金个人账户里边 ， 提升老龄退休金 ， 然后最后就是给小孩这个一老一小 、 儿童的专项的这个资金 ，以及成人的数字化转型培训的专项资金 。 ### 企业转型 **Host** [43:01] 那么这个是由韩国政府做的 ，其实企业也会面对这个问题 ， 就是企业可能也会面到大量的白领岗位被替代 ， 甚至未来蓝领岗位可能也会一部分被替代 ， 比如说像这种无人驾驶替代司机 、 无人物流车替代快递员 、 外卖员 ， 这个在今天其实国内已经出现了 ， 这个可能一线城市稍微管得严一点 。 我去很多二线城市都看到这个马路上在跑这个无人的快递车 、 物流车 ， 它有一些固定的路线 ， 甚至在中国的西部地区 ， 这个已经成为了中国西部地区的一种主要的物流的方式 ，因为西部地区它有的地方离得很远 ， 比如说在内蒙古 ， 一个旗跟另外一个旗之间离得很远 ， 一个村庄跟另外一个村庄离得很远 。 那过去呢可能就需要说中国邮政通过补贴的形式去补贴快递员去送快递和送信件 ， 那么这个当然也是一个社会的这个基础的物流设施和公共服务了 。 但是今天的这个 AI 时代呢 ， 这些民营的快递公司 ， 它为了在这个地方能够有业务的话 ， 它要人去送的话当然就很贵了 ，因为信件不多 ， 或者说它这个快递每个包裹这个价值量不大 ， 可能送一个包裹也就是几块钱的这个收入 ，但是在中间可能要开几十公里 ， 甚至上百公里才能去投一下快递 ， 这中间的这个人的时间就是一天时间 。 第二呢这中间这个车的耗损啊 ， 油价这不用说了 ， 所以在一些西部地区 ， 包括新疆和内蒙古 ，他们今天开始做一个事情 ， 就是拿无人的物流车去送 ， 这个物流车就是把它这些快递包裹 ， 比如说送到这个村庄的门口的小卖部 ， 或者送到这个村庄的门口的这个药店或者诊所 ，因为每个村庄大概率它门口还是有一个这种小商店的 ， 小商店的老板来 负责把快递取下来和把村民要寄走的快递放到物流车上， 然后物流车再去下一个村庄 。 所以这个在今天其实已经出现了 ， 包括在深圳我们看的比较多的就是那个美团的无人机在送外卖 ， 这个到了中午饭点时间的时候 ， 送到这个福田啊 、 南山啊 ， 这个一些外卖的中转站 ， 然后呢这个再由快递小哥再去进行取送 ， 或者这个个人再去那里 拿 。 所以今天其实已经看到了 ， 就是一些潜在的蓝领工作也可能会被 AI 所替代掉 ， 所以这个问题其实也会影响到这些蓝领的职位占比比较大的公司将来怎么办的问题 。 这个在制造业 ， 包括现代的服务业 ， 比如说这种互联网平台 ， 这些电商都会受到影响 。 所以这个问题怎么办 ， 我觉得不光是政府要去考虑 ， 就企业不能说我只是通过裁员的方式把这些人就毕业了 ， 把问题就扔给政府 ， 变成一个社会的问题 ， 企业也应该去考虑怎么样去提高自己的员工的技能 ， 进行转岗的培训 。 那么这个事情我觉得社会学还是有用的 ， 这个我们知道刘强东是人大社会学毕业的 ， 社会学这个专业其实在过去很多年我觉得可能在文科里边或者在这个社会科学里边 ， 相对来说都难以找到一个比较好的商业化的应用的领域 。 而在今天呢我觉得社会学的背景其实还是给林强东很强的这个社会的危机感和人文关怀感 。 那么刘强东在六月份的这个 APEC 什么工商业中国的论坛里边就讲了一句话说 ：" 将来的送货根本不需要快递员 ， 都是机器人在送货 ，但是我不希望我们 70 万的兄弟没饭吃没工作 。" 所以京东要成立一个涅槃计划 ， 就是说我们的兄弟们不能失业 ， 我不会让任何一个兄弟失业 ， 大家要凤凰涅槃 ， 要通过技能的培训和转型来避免大规模失业 ， 要进行全员的转岗培训 。 那么京东呢就是跟 120 个院校进行合作 ， 这个分批组织 70 个蓝领的员工进校进行进修 。 你进修啥呢 ？ 你就是快递物流车 ， 那总要有人修吧 ， 对吧 ？ 所以这个机器人的维修 、 机器人的保养 、 机器人的调度 ， 还有一些路径的规划 、 远程的监控 ， 这些技能和工种 ， 包括无人机 ， 如果需要人去进行操作的话 ， 或者需要人去进行一些管理的话 ， 那么这些也是将来的一些工作 。 所以它试图把一线的配送的人员转化成技术的蓝领来应对这个问题 。 所以我觉得这些大型的制造业的企业 ， 特别是这种掌握了很多灵活就业的社会服务业的企业 ， 我觉得都应该像京东一样思考这个长期的问题 ，因为今天这个转型不仅仅发生在 AI 企业 、 科技企业里边 ，也可能会发生在越来越多的蓝领工人相关的公司里边 。 大家也需要对这一天做好准备 ， 特别是对中国而言 ， 中国还是一个蓝领型的就业的生态 ， 所以更需要对这个事情进行未雨绸缪 。 当然我们今天都还处在一个早期了 ， 主要还是美国的硅谷 ， 这些码农受到影响比较大 ，但是按照一开始我们讲的 ， 从 Anthropic 的实际的暴露度的观察和 OpenAI 对于将来的理论的暴露度的推断来看 ， 可能有越来越多的工作会受到影响 。 所以今天在 AI 时代 ， 如何对 AI 进行征税 ， 征了税之后如何进行再分配 ， 这个可能从企业家到政府再到每一个人， 我觉得可能都会跟这个相关 。 这是一个今天的共同的难题 ，也是未来大家都要共同去解决的一个巨大的世纪性的问题 。 那今天的这个期事谈我们就聊到这里 ， 感谢大家收听 ， 我们下周同一时间不见不散 ， 拜拜 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。