人工智能引发“就业末日担忧”？高盛：别慌

ycp123

文 | 周艾琳
编辑 | 刘鹏
近期，围绕人工智能（AI）是否会引发“大规模失业”的讨论持续升温。Citrini Research发布的题为《2028年全球智力危机》报告更是引发华尔街的“Citrini抛售”，不过市场恐慌情绪在2月24日有所缓和，美股反弹。
事实上，腾讯财经也发现，国际投行高盛在近期发布的研究报告中探讨过类似的话题，但结论似乎更为客观。
高盛先后发布两份报告：《我们应该多担忧“就业末日”？》（How Concerned Should We Be About a Job Apocalypse?）和《人工智能能帮助解决人口困境吗？我们关注什么》（Can AI help solve the Demographic Dilemma?What we are watching for），指出AI 的确可能带来显著的劳动力替代，但与此同时，它也正在创造新的就业机会，并且在一些关键行业中，AI 短期内仍难以取代人类劳动。

AI 会带来多大规模的岗位替代？

高盛经济团队预计，在 AI 广泛应用的情境下，美国经济中约 25% 的工作任务存在被自动化的可能。结合 AI 可能带来的 15% 劳动生产率提升以及历史经验，研究显示，在 AI 采用周期内，约 6%–7% 的岗位可能受到替代冲击。
这一判断并非空穴来风。企业管理层近期频繁提及 AI 自动化提高了招聘门槛，而高盛投行团队的调研也显示，未来 1–3 年大型企业可能通过 AI 实现人员精简。
但高盛同时强调，目前就断言 AI 已引发大规模失业仍为时尚早。基于耶鲁大学预算实验室的数据，自 ChatGPT 问世以来，就业结构变化总体仍与以往技术革新时期类似，AI 的影响尚未出现明显“断层式变化”。
AI 并非只会“抢工作”

报告指出，AI 也正在创造新的就业需求。
首先，AI 基础设施投资本身正在推动就业增长。自 2022 年底以来，电工、暖通空调安装人员、商业建筑承包商及公用事业建设岗位的就业增速，明显高于整体经济水平。与数据中心相关的职业在过去三年新增岗位比建筑行业其他领域多出近 20 万个。
其次，生产率提升往往会降低成本、扩大产能，在需求尚未饱和的行业中形成新的就业动力。
从历史维度看，技术变革长期以来是就业增长的重要来源。报告指出，如今只有约 40% 的劳动者从事的是 85 年前就存在的职业，这意味着 AI 可能淘汰部分岗位，同时也会创造全新的职业类型。
人口老龄化才是更深层的挑战

高盛认为，比“AI 是否抢走工作”更重要的问题，是全球正在面临的人口结构变化。
随着出生率下降与人口老龄化加剧，G7 国家劳动年龄人口比例持续下降，劳动力短缺和老年抚养比上升正在成为企业和政府面临的长期压力。
在这一背景下，AI 与自动化被视为重要工具，但并不足以单独解决问题。高盛提出，真正应对人口困境需要一套“全方位策略”（all-in approach），包括五大路径：
1️）提高劳动参与率（尤其是女性劳动参与）
通过提高整体劳动参与率来扩大劳动力供给，是缓解结构性短缺的重要方式。
2️ ）培训与再技能化（Reskilling）
AI 带来的岗位变化意味着劳动力需要不断再培训，以适应新的职业需求。
3️）移民（Immigration）
高盛明确指出，移民是缓解劳动人口下降的重要手段之一。对于劳动年龄人口减少较快的国家，移民能够在短期内补充劳动力缺口。
人工智能能帮助解决人口困境吗？我们关注什么 --- Can A…
4️）资本重新布局（Capital Relocation / 全球化）
企业可能通过产业链调整，将资本与生产转移至劳动力更充足的地区。
5️ ）自动化与 AI
AI 是关键工具之一，但只是整体解决方案中的一环。
为什么有些岗位仍难被 AI 取代？

高盛强调，AI 的替代能力在行业之间差异巨大。例如：
● 医疗护理和建筑行业虽然劳动力短缺严重，但 AI 与机器人短期内帮助有限；
● 日本护理机器人实践曾面临技术问题，甚至出现维修时间多于护理时间的情况。
此外，电力输配电等高技能行业对人工经验依赖极高。例如，美国电力线路安装工需要约 3–4 年培训、7000 小时实践才能独立工作。高盛预计，到 2030 年，美国仍需新增约 51 万个电力相关岗位，欧洲也需约 25 万个新增岗位。
这意味着，即使 AI 快速发展，一些关键行业仍将长期依赖人类劳动。
AI 是结构重塑，而非就业末日

整体来看，高盛的判断较为平衡，核心结论在于：
● AI 确实可能替代部分工作任务，并引发结构性调整；
● 但 AI 同时创造新岗位，并推动基础设施与资本开支；
● 面对人口老龄化，仅靠 AI 无法解决问题，移民、培训和提高劳动参与率同样关键。
● 换句话说，AI 带来的更可能是 就业结构的迁移与重构，而不是简单的“大规模失业”。

mulunbo

人工智能的落地不只看模型参数，更要看数据来源、版权合规、成本能耗和责任边界。希望这类深度报道能持续跟踪真实应用效果与治理进展，而不是只讲概念和融资。