版本說明：本文依據 Harvard CS 2881R AI Safety Fall 2025 課站的 10 月 30 日講次、第 9 講錄影（YouTube 標題「Lecture 9: Economic Impacts of AI」，約 2 小時 32 分）、四篇預讀，以及課站首頁列出的 Boaz Barak 部落格文 Thoughts by a Non-Economist on AI and Economics。事實皆於 2026-09-30 打開官方材料核對；錄影內容依 YouTube 自動字幕整理，人名以課站拼法為準。本講材料：錄影與閱讀清單公開；課站沒有列投影片，實驗欄寫「To be determined」，但錄影裡確實有一組學生實驗報告。整門課的存取分級與缺口見系列總覽。
系列位置：上一篇 L7：能力與安全｜下一篇 L11：聊天機器人、情感依賴與心理健康｜系列總覽
上一篇停在「能力怎麼量」：METR 的任務長度倍增、GDPval。這一篇往下問一層：能力長上去之後，勞動市場現在到底看得到什麼？
Boaz Barak 開場只講了一句定位：AI 安全課關心 AI 對世界的影響是好是壞，經濟面是其中最重要的一塊，少了這一講課程就不完整。接著把時間交給兩位客座，一位從 OpenAI 內部看，一位拿行政資料看。
這一講的材料
| 材料 | 內容 | 狀態 |
|---|---|---|
| 錄影 | Chatterji 約 20 分鐘演講 → Chandar 演講 → 學生實驗 → 兩位講者聯合 Q&A | 公開 |
| 課站條列 | Labor substitution & productivity effects；Inequality & policy responses | 公開 |
| 預讀 4 篇 | 見下方「四篇預讀各補哪一塊」 | 全部公開 PDF |
| 延伸閱讀 5 篇 | Goldman Sachs、Generative AI at Work、Acemoglu & Restrepo、GPTs are GPTs、Roodman | 課站列出連結，本文未逐篇展開 |
| 投影片 | 課站未列 | 無 |
Chatterji：經濟學家在前沿實驗室做什麼
Ronnie Chatterji 在錄影裡自我介紹：他是 OpenAI 第一位首席經濟學家，同時在 Duke 商學院任教，也曾在聯邦政府主持 CHIPS and Science Act 的執行。他說 OpenAI 給他的職務說明是「你自己寫」，他把工作定成三件事：做經得起同儕審查的實證研究、把組織與企業當成主角、把政策與「非市場環境」當成策略的一部分。
他給學生的第一個觀點是：通往 AGI 的路會經過組織。電力、蒸汽機、網際網路最後都要被企業採用才改變經濟，AI 現在還在這段的早期。
第二個觀點是整講最常被重複的一句：你的工作「曝險於 AI」，不等於你的工作會「被 AI 取走」。他給兩個理由。一是 AI 能做某項任務，不代表制度允許它做；他舉自己為例，AI 也許能寫課綱、上課，但 Duke 得先改規則。二是任務清單會變，AI 接走一部分，人會加上新的任務；他說父親也是經濟學家，1985 年做的事跟他今天做的事完全不同。
他也解釋為什麼經濟學家對 AI 的 GDP 估計差這麼多：技術史上常是「先發散、再收斂」；模型能力變得太快，今天的論文明天可能過時；最關鍵的是你的「案情理論」，把 AI 想成五年後還是一個聊天視窗，估計就會偏保守，把它想成用在最難問題上的智慧，估計就會偏高。
結尾他說 AI 跟過去技術不同的地方在採用速度、benchmark 飽和速度與推論成本下降速度，並主張 AI 安全是跨領域問題，經濟學、社會學、心理學、政治學要跟懂模型的人一起做。
Chandar：Canaries in the Coal Mine 的六個事實
Bharat Chandar 講的是他與 Erik Brynjolfsson、Ruyu Chen 合寫的 Canaries in the Coal Mine?。他先從歷史鋪路：十六世紀 William Lee 發明織襪機，兩度被拒絕專利，理由正是怕讓窮人失業；但幾百年下來，英國人均 GDP 大幅上升，失業率並沒有失控。
他整理出技術影響勞動市場的兩條機制：舊工作被取代的同時會生出新工作（他引用 David Autor 等人的估計，今天約 60% 的就業是 1940 年還不存在的工作），而近幾十年新工作集中在高薪專業與低薪服務兩端，教育差距因此擴大了不平等。AI 可能反過來，因為高曝險職業偏向高薪、高學歷，Autor 甚至寫過 AI 有機會重建中產階級。
問題是資料。政府的 Current Population Survey 切到「某職業 × 某年齡層」時，樣本可能只剩個位數。這篇論文的優勢是 ADP（美國最大的薪資軟體商）的月度薪資紀錄，涵蓋數百萬名員工，最新資料到 2025 年 9 月。論文的六個事實如下：
| 事實 | 內容 |
|---|---|
| 1 | AI 高曝險職業的年輕員工就業下降。22–25 歲軟體開發者到 2025 年 9 月比 2022 年底高點下降近 20% |
| 2 | 整體就業仍在成長，但年輕員工的就業成長停滯；拖累來自高曝險職業 |
| 3 | 在 AI 用來「自動化」的職業，入門就業下降；用來「增強」的職業變化不明顯 |
| 4 | 控制公司 × 時間的衝擊後，年輕員工在高曝險職業仍有 16% 的相對就業下降 |
| 5 | 調整出現在就業人數，薪資還沒有明顯分歧 |
| 6 | 換樣本定義後結果大致不變 |
錄影裡 Chandar 對第 1 條特別加了但書：2022 年底科技業同時碰上升息與疫情期間的過度招募，軟體開發者這條線不能全歸給 AI。他說他比較信第 4 條的公司內比較，那條曲線下降得平緩很多。
事實 6 他逐項講了排除過的替代解釋：排除科技業、排除所有電腦相關職業、只看不能遠端的職業（排除回辦公室與外包）、區分有無大學學歷、區分性別、納入兼職與臨時工，以及新做的「職業利率曝險」分析。最後這項他解釋：利率曝險與 AI 曝險其實負相關，營造業對利率很敏感卻幾乎不受 AI 影響。
他補了一個對照組：健康照護助理（護理助理、居家照護等）屬於低曝險職業，年輕員工的就業成長反而比資深員工快。還有一個細節值得記：不需要大學學歷的高曝險職業，就業分歧一路延伸到 26–34 歲。他的推測是，年輕人在學校學到的東西跟模型訓練資料高度重疊，工作經驗累積的是比較難寫成文字的知識。
他的總結很克制：AI 對總體就業的影響目前可能很小，但它可能正在減少高曝險入門職位的招募。
Q&A 裡對論文的三個質疑
學生當場問的三題，剛好是讀這篇論文該問的：
- 供給面：會不會是年輕人主動避開高曝險職業、湧進低曝險職業？Chandar 說這方面的資料非常少，他看到的電腦科學主修人數到 2023 年左右沒有明顯下降，所以不認為這是主因。
- 時間點：2022 年 9 月模型能力還很弱，為什麼曲線那時就開始掉？他給三個因素：ChatGPT 之前已有 GitHub Copilot 這類工具、雇主的預期效應、以及軟體業本身的非 AI 因素。
- 樣本偏誤：ADP 的客戶組成會不會偏向某類公司？他承認對軟體開發者可能有影響，但客服等職業不太適用。
四篇預讀各補哪一塊
| 預讀 | 在這講的角色 |
|---|---|
| Jones, B. F.：Artificial Intelligence in Research and Development（2025-09 初稿） | 把 AI 放進研發的生產函數。論文點名三個決定性因素：AI 能做的研究任務比例、AI 在這些任務上的生產力、以及想法生產的瓶頸強度 |
| Chatterji et al.：How People Use ChatGPT（2025-09） | 使用面的資料。到 2025 年 7 月約 7 億使用者、每週 180 億則訊息；非工作用途從 53% 升到七成以上；Practical Guidance、Seeking Information、Writing 三類合計近八成 |
| Brynjolfsson, Chandar & Chen：Canaries in the Coal Mine? | 就業面的資料，即 Chandar 本講內容。課站連結目前指向 2025-11-13 更新版 |
| Jones, C. I.：The A.I. Dilemma: Growth versus Existential Risk（AER: Insights 2024） | 把成長與生存風險放進同一個模型。結論高度依賴效用函數的曲度：對數效用下模型願意為大幅消費成長冒相當的滅絕風險，風險趨避係數 ≥ 2 時就變得很保守；AI 若能延長壽命則是關鍵例外 |
第四篇是這講跟整門 AI 安全課接得最緊的地方：它不問 AI 會不會帶來成長，而是問「為了成長，我們願意承擔多少風險」，答案取決於一個經濟學家平常不太注意的參數。
Chatterji 在 Q&A 提到 How People Use ChatGPT 時補了一句：很多人覺得「使用者主要拿它來問建議」不夠驚豔，他反而認為建議是人類決策的基礎，而決策是經濟的基礎。他接著提出一個還沒被研究的風險：十億人向同一個模型要理財、人際建議時，建議的同質化可能在文化上令人洩氣，也可能變成系統性風險。
Boaz 的「非經濟學家」筆記
課站首頁的 related reading 列了 Boaz 在這講之後幾天（2025-11-04）發的 Thoughts by a Non-Economist on AI and Economics，致謝名單裡有 Bharat Chandar 與兩位 Jones。它可以當成這講的延伸：
- 他把 METR 任務長度曲線的不確定性拆成截距與斜率。benchmark 與真實世界的落差（他稱為 messiness tax）他認為主要影響截距，不一定影響斜率。
- 美國人均 GDP 150 年來大致以每年約 2% 成長，電力、內燃機、電腦、網際網路都沒改變這條線。他的「兆元問題」是 AI 會不會打破它。
- 他用 B. Jones 的調和平均模型說明：不能自動化的任務比例 ρ 會把生產力上限鎖在 1/ρ，所以要轉型式成長，ρ 要縮小、AI 生產力 λ 要變大，兩者缺一不可。
- 他也承認這些推論很激進：它看的是能力，忽略了擴散速度；過去 80 年的自動化是線性的，AI 若讓未自動化任務以指數速度減少，就是跟歷史斷裂。
這篇的結論句是：AI 能不能帶來前所未有的成長，取決於它的能力指數成長，能不能讓「尚未自動化的任務比例」也以指數速度下降。
學生實驗：模型發布與 GDPval 任務的 messiness
課站的實驗欄寫「To be determined」，錄影裡則有一組學生報告，分成兩部分。
模型發布與長天期美債殖利率。 他們把 AI 重大發布日期當事件，計算 10 年期與 30 年期殖利率在五個交易日內的累積異常變動。只用早期 9 個 OpenAI 發布時，殖利率有顯著的負向反應；擴充到 19 個發布後，效果幾乎消失。深入看才發現，早期的顯著性多半來自同期的總體事件，例如 ChatGPT 發布當天剛好有 Fed 主席談打擊通膨，GPT-4 發布正好在矽谷銀行危機兩天後。他們的結論是總體事件主導了殖利率，原本的發現站不住。
GDPval 任務的 messiness。 他們從 GDPval 公開的 220 題中挑 70 題（專業科技服務、政府、零售），用 METR 的 16 個 messiness 因子讓 GPT-4o mini 評分，再讓 GPT-4o mini、GPT-5 mini、GPT-5 實際作答並由模型評分。他們報告的觀察：
- 96% 的任務需要讀輸入檔、產出檔案或執行程式碼
- messiness 分數集中在 10 與 12 兩個值，因子本身可能太籠統
- 新模型分數較高，但最佳模型平均也只有 58 分
- 模型估計自己完成任務的時間很不準，而且單位從「分鐘」改成「秒」對結果影響最大
Chatterji 回饋時問了一個好問題：messiness 是任務本身的屬性，還是人類為了自己設計出來的流程？如果從零設計給 AI 的工作流程，可能乾淨得多，這也許代表新創比大企業更容易導入 AI。
Q&A：講者給了哪些判斷
聯合 Q&A 長約一小時，下面只列跟「AI 安全」直接相關、講者給了明確立場的幾題。
如果 10–20% 的人失業，政府怎麼辦？ Chatterji 以他在金融海嘯與 COVID 期間任職政府的經驗說，失業保險、SNAP 這類自動穩定機制本來就存在，危機經濟學不是空白。他也要大家校準量級：新聞上的裁員數字加起來，對失業率的影響遠比想像小；要到大蕭條等級，得有一套 AI 迅速取代教師與護理師的說法。Chandar 補充了 UBI 以外的想法：放寬職業證照門檻讓人更容易轉職、用 AI 加速職業再訓練。
大規模失業會不會伴隨大規模成長？ Boaz 認為 AI 很難在不帶來巨大成長的情況下造成大規模失業。Chandar 提醒另一種看法：Acemoglu 的研究指出，製造業機器人只小幅提高生產力，卻已足以讓公司停止雇人。
需要哪些制度創新？ Chatterji 列了幾個他認為還沒人想清楚的問題：agent 在經濟裡運作的法律框架（出口管制下 agent 的「所在地」算哪裡）、AI 自動化研發之後研發抵稅怎麼算。Chandar 則提到 Acemoglu 等人的主張，現行稅制可能過度獎勵取代勞力的自動化技術。
為什麼有些國家比較不擔心 AI 風險？ 兩位都說是推測：Chatterji 提到韓國、日本的人口結構讓「AI 取代勞力」沒那麼刺耳；Chandar 提到所得越低，越願意用風險換成長。這接回第四篇預讀的效用曲度。
這講還不能說什麼
把兩位講者的但書收在一起：
- Canaries 是相關性證據加上一連串排除，不是因果識別；Chandar 自己說軟體開發者那條線不能全算在 AI 頭上
- 月度波動不該過度解讀；Chandar 說到 2025 年 9 月的更新資料，沒看到趨勢反轉
- 企業內 AI 採用率的數字互相矛盾，Chandar 舉了主管調查與人口普查局數字的巨大落差
- AI 對教育與職涯選擇的影響，兩位都說幾乎沒有資料
自學怎麼做
- 先讀 Canaries 的六個事實與 robustness 段，再看錄影 0:28 起 Chandar 的部分。先有圖在腦中，他的但書才有意義。
- 讀 C. I. Jones 的 The A.I. Dilemma 時，只抓一件事：風險趨避係數從 1 變成 2，結論為什麼翻轉。
- 讀完 Boaz 的部落格文，回頭比對 Chatterji 說的「案情理論」：Boaz 的假設屬於哪一端？
今晚可以做的一件事：打開 Canaries 論文，找到事實 2 的附錄圖，看最高兩個曝險五分位的 22–25 歲與 35–49 歲兩條線。只要看這一張，就能分辨「整體就業很好」和「年輕人在高曝險職業卡住」可以同時成立。
延伸閱讀
- 能力怎麼量、GDPval 的設計：L7：能力與安全、L12：AI 2035 與 GDPval
- AI 做 AI 研發的時間軸：L6：遞迴自我改進
- 課程地圖與 A0–A3 分級：全球 AI／CS 課程地圖
參考資料
- Harvard CS 2881R AI Safety, Fall 2025 課站 — 10 月 30 日講次、客座名單、課站條列、預讀與延伸閱讀清單、實驗欄「To be determined」
- Lecture 9: Economic Impacts of AI（錄影） — Chatterji 與 Chandar 演講、學生實驗、聯合 Q&A
- Brynjolfsson, Chandar & Chen：Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence — 六個事實、16% 相對下降、軟體開發者近 20% 下降、robustness
- Chatterji et al.：How People Use ChatGPT — 使用規模、工作與非工作比例、三大主題
- Jones, B. F.：Artificial Intelligence in Research and Development — 研發生產函數的三個決定因素
- Jones, C. I.：The A.I. Dilemma: Growth versus Existential Risk — 效用曲度與生存風險的取捨
- Boaz Barak：Thoughts by a Non-Economist on AI and Economics — 截距與斜率、2% 成長趨勢、調和平均模型
Loading...