46 专题：AI 与劳动力

这一讲是综合应用，是第 29 讲第五节（“技术会不会让更多人失去工作”）的延续：那一节，用的是机器人的证据，这一讲，换成生成式 AI。它会用到：弹性（第 8 讲）、劳动的派生需求和工资（第 13 讲）、技术、人力资本和增长（第 29 讲）、失业和通胀（第 27、33 讲）、对"因果"的警惕（第 4 讲）、税收和再分配的取舍（第 9 讲、第 34 讲）。

这一讲要回答六个问题：

1. 一项技术，让人工作得更快，对"雇多少人"，有什么影响？为什么没有一个统一的答案？
2. 经济学家，怎样用"任务"，来想自动化？为什么，“AI 比人好一点”，也可能，压低工资？
3. AI，到底，让个人的生产率，提高了多少？实验，说了什么？
4. 整个经济，生产率，提高了多少？数据，和估算，说了什么？
5. 年轻人的就业，有没有被 AI 影响？证据，为什么，互相打架？
6. 中国，有什么事实？谁受益？该怎么办？

先说清楚三件事。 第一，这一讲不预测，也不给你职业建议（该学什么、该不该转行）：这取决于你的情况和你对未来的判断。第二，这一讲的证据，大多数，是 2023 年以后的，很多，还是工作论文，结论，在快速变化；数字，截至 2026 年 10 月中旬；你读到的时候，可能，已经更新。第三，事实和价值判断，分开写：数据，能回答的，我用数据；谁该受益、谁该补偿，留给你。

一、同样的 40%，雇的人，是变多还是变少

你是一家公司的经理。你的三个初级分析师，每周，要写报告。现在，有一个 AI 工具，能让每份报告的撰写时间，减少 40%。

先停一下：你该少雇 40% 的人吗？

想一想：这取决于，你卖的这种报告，需求的弹性（第 8 讲），和人工，占成本的比例（第 13 讲：对劳动的需求，是派生需求，来自对产品的需求）。如果，报告变便宜了，客户，会买多得多，你需要的人，可能，更多；如果，客户的需求，几乎不变，你就用不了那么多人。

# 同样让"每份报告的人工时间"减少 40%，雇的人会变多还是变少？取决于：对这种产出的需求，富不富有弹性（第 8 讲）；
# 以及，人工，占产品成本的比例（第 13 讲：对劳动的需求，是派生需求）。
# 简化：价格 = 成本；需求 Q = Q0 × (P / P0) ^ (-弹性)；人工的总需求 = Q × 每份产出的人工时。
saving = 0.40
print("人工占成本的比例 = 100%（价格，跟着人工时，一起降 40%）：")
for eps in (0.5, 1.0, 2.0):
    price = 1 - saving
    q = price ** (-eps)
    print(f"   需求弹性 {eps}：产量变成 {q:.2f} 倍，所需的人工时变成 {q * (1 - saving):.2f} 倍")
print("人工占成本的比例 = 50%（价格，只降 20%）：")
for eps in (0.5, 1.0, 2.0):
    price = 1 - saving * 0.5
    q = price ** (-eps)
    print(f"   需求弹性 {eps}：产量变成 {q:.2f} 倍，所需的人工时变成 {q * (1 - saving):.2f} 倍")

输出：

人工占成本的比例 = 100%（价格，跟着人工时，一起降 40%）：
   需求弹性 0.5：产量变成 1.29 倍，所需的人工时变成 0.77 倍
   需求弹性 1.0：产量变成 1.67 倍，所需的人工时变成 1.00 倍
   需求弹性 2.0：产量变成 2.78 倍，所需的人工时变成 1.67 倍
人工占成本的比例 = 50%（价格，只降 20%）：
   需求弹性 0.5：产量变成 1.12 倍，所需的人工时变成 0.67 倍
   需求弹性 1.0：产量变成 1.25 倍，所需的人工时变成 0.75 倍
   需求弹性 2.0：产量变成 1.56 倍，所需的人工时变成 0.94 倍

逐段看：

• 人工，就是全部的成本（价格，跟着人工时，一起降 40%）：需求弹性 0.5（需求，缺乏弹性）：产量，增加 29%，所需的人工时，降到原来的 0.77 倍，少了 23%；弹性 1：产量增加 67%，人工时，不变；弹性 2：产量增加 178%，人工时，增加 67%。
• 人工，只占成本的一半（价格，只降 20%）：同样的弹性，所需的人工时，更少：弹性 1，是 0.75 倍；弹性 2，是 0.94 倍。人工，占的比例，越低，节省人工，带来的降价，越小，“以量补价”，越难。
• 所以：同样的"让人快 40%"，对就业的影响，可以，是减少、不变，或者增加，取决于需求的弹性，和人工的成本占比。这是为什么，没有一个"AI 一定增加或减少就业"的答案。（历史上，类似的现象，叫杰文斯悖论：技术，让资源的使用更有效率，用量，可能，反而增加。注意：它是"可能"，不是"一定"。）

这一节，还漏了一件事：谁，拿到了那些"人工时"。 如果，AI，让一个有经验的人，做了原来三个人的活，那么，减少的，是初级的岗位；增加的，是对有经验的人的需求。下面，会看到，这和数据，有关。

二、任务：自动化，不只是"替代"

2.1 一个想法

经济学家，把一个工作，看作一束任务（Autor、Levy 和 Murnane 2003 年，Quarterly Journal of Economics，118 卷 4 期，1279–1333 页）：据摘要，计算机资本，在有明确规则的任务上，替代工人；在非常规的问题解决和复杂沟通的任务上，补充工人。Acemoglu 和 Restrepo 2018 年（American Economic Review，108 卷 6 期，1488–1542 页）和 2019 年（Journal of Economic Perspectives，33 卷 2 期，3–30 页，副标题：技术怎样替代和恢复劳动），把它，写成了一个模型。三股力量：

• 替代效应（displacement）：机器做了原来人做的任务：对这些任务的劳动需求，下降，劳动份额，下降；
• 生产率效应：机器让成本降低，产出增加，对还由人做的任务的需求，增加；
• 恢复效应（reinstatement）：技术，创造出新的任务，人，在这些新任务上，有比较优势，对劳动的需求，增加。

总的结果，取决于，三者的相对大小。下面，用一个最简化的玩具，把它们，算出来。

# 任务模型（Acemoglu 和 Restrepo 的想法，我做了最简化）：生产，是一束"任务"，编号 i 在 [N-1, N] 里，总量是 1。
# 编号小的任务，被自动化了（由资本/AI 做）：i <= I；编号大的任务，由人做：I < i <= N。
# 产出 Y = exp( 对所有任务 ln y(i) 的积分 )：每个任务，分到产出里同样大的份额（所以，劳动份额 = 由人做的任务的量 = N - I）。
# 人做任务 i 的生产率，是 e^(theta × i)（新的任务，编号大，对人的要求更高、生产率更高）；AI 在自动化的任务上的生产率，是 psi。
# L = K = 1。这是一个玩具，数字只显示机制。
import math
THETA = 2.0
def economy(N, I, psi, L=1.0, K=1.0):
    lab, aut = N - I, I - (N - 1)
    ln_y = THETA * (N ** 2 - I ** 2) / 2 + lab * math.log(L / lab) + aut * (math.log(psi) + math.log(K / aut))
    y = math.exp(ln_y)
    return y, lab, y * lab / L          # 产出，劳动份额，工资（劳动的总收入 ÷ L）

print("一、自动化加深：被自动化的任务，从 30% 增加到 40%、50%、60%、70%（以 30% 时为 100）")
for psi, label in ((2, "AI 只比人好一点（psi = 2）"), (4, "AI 比人好不少（psi = 4）"), (16, "AI 比人好得多（psi = 16）")):
    base = economy(1.0, 0.3, psi)
    print(f"   {label}")
    for I in (0.4, 0.5, 0.6, 0.7):
        y, lab, w = economy(1.0, I, psi)
        print(f"      自动化到 {I:.0%}：产出 {100 * y / base[0]:4.0f}，工资 {100 * w / base[2]:4.0f}，劳动份额 {lab:.0%}")
print("二、在 psi = 4 时，已经自动化了 60% 的任务（I = 0.6）。这时，创造新任务：N 从 1.0 增加到 1.1、1.2、1.3（新任务，对人的生产率更高）")
psi = 4
orig = economy(1.0, 0.3, psi)
after_auto = economy(1.0, 0.6, psi)
print(f"   起点：自动化前（I = 0.3）：产出 100，工资 100，份额 {orig[1]:.0%}。自动化后（I = 0.6）：产出 {100 * after_auto[0] / orig[0]:.0f}，工资 {100 * after_auto[2] / orig[2]:.0f}，份额 {after_auto[1]:.0%}")
for N in (1.1, 1.2, 1.3):
    y, lab, w = economy(N, 0.6, psi)
    print(f"   加上新任务 N = {N}：产出 {100 * y / orig[0]:3.0f}，工资 {100 * w / orig[2]:3.0f}，份额 {lab:.0%}")

输出：

一、自动化加深：被自动化的任务，从 30% 增加到 40%、50%、60%、70%（以 30% 时为 100）
   AI 只比人好一点（psi = 2）
      自动化到 40%：产出  106，工资   91，劳动份额 60%
      自动化到 50%：产出  106，工资   76，劳动份额 50%
      自动化到 60%：产出  100，工资   57，劳动份额 40%
      自动化到 70%：产出   88，工资   38，劳动份额 30%
   AI 比人好不少（psi = 4）
      自动化到 40%：产出  114，工资   98，劳动份额 60%
      自动化到 50%：产出  122，工资   87，劳动份额 50%
      自动化到 60%：产出  123，工资   70，劳动份额 40%
      自动化到 70%：产出  117，工资   50，劳动份额 30%
   AI 比人好得多（psi = 16）
      自动化到 40%：产出  131，工资  112，劳动份额 60%
      自动化到 50%：产出  161，工资  115，劳动份额 50%
      自动化到 60%：产出  187，工资  107，劳动份额 40%
      自动化到 70%：产出  203，工资   87，劳动份额 30%
二、在 psi = 4 时，已经自动化了 60% 的任务（I = 0.6）。这时，创造新任务：N 从 1.0 增加到 1.1、1.2、1.3（新任务，对人的生产率更高）
   起点：自动化前（I = 0.3）：产出 100，工资 100，份额 70%。自动化后（I = 0.6）：产出 123，工资 70，份额 40%
   加上新任务 N = 1.1：产出 135，工资  96，份额 50%
   加上新任务 N = 1.2：产出 145，工资 124，份额 60%
   加上新任务 N = 1.3：产出 152，工资 152，份额 70%

逐段看：

• 第一部分：自动化，从 30% 的任务，加深到 70%。劳动份额，一定下降（从 70% 到 30%）：被自动化的任务，不再付工资。工资，怎样变，取决于 AI 比人好多少：
  • AI 只比人好一点（psi = 2）：自动化到 60%，产出，几乎没有增加（100），工资，却降到 57。这就是 Acemoglu 和 Restrepo 说的"so-so 自动化"：它替代了劳动，却没有带来足够大的生产率提高。
  • AI 比人好得多（psi = 16）：产出，大幅增加，工资，先升后降：自动化到 50%，工资升到 115；到 70%，反而，降到 87。生产率效应，先压过替代效应；自动化越深，替代效应，越大。
• 第二部分：自动化了 60% 的任务之后（工资，降到 70），创造新任务（N，从 1.0 增加到 1.3），工资，回来了：N = 1.2，124；N = 1.3，152。劳动份额，也恢复。这就是"恢复效应"：新任务，对人的需求，抵消了替代。

这个玩具，给了我们一个直觉：AI 对工资的影响，不是一个符号。它取决于（1）AI 比人好多少（生产率提高，够不够大）；（2）有没有新任务出现；（3）收益，分给了谁（劳动份额，下降，意味着，更多的收入，归资本）。历史上的经验（第 29 讲）说，新任务，一直在出现；但是，它们，出现得够不够快，没有保证。

2.2 一个提醒

玩具模型，把"任务"，处理得很干净：每个任务，要么，由人做，要么，由 AI 做；没有"人和 AI 一起做"（互补）；也没有，学习、转行的成本、地区和行业的差别。这是示意，不是预测。

三、AI 暴露：谁的任务，可能，被影响

要研究影响，先要有一个"暴露度"（exposure）：一个职业，有多少任务，是 AI 能做、或者能帮上忙的？Eloundou 等人（OpenAI 和宾夕法尼亚大学的研究者）的一项研究（据预印本的摘要，请核对最终发表的版本）：大约 80% 的美国工人，至少有 10% 的任务，会受到 GPT 类工具的影响，约 19% 的工人，至少 50% 的任务，会受影响；各个工资水平，都有暴露，高收入的职业，暴露，可能，更高。

两点提醒：（1）暴露，不等于被替代：它，只是说，AI，能碰到这些任务，没有说，是替代，还是辅助（这篇研究，自己也这么说）；（2）度量，是拿 AI 的能力，去"对照"任务描述，有很多主观的判断，不同的方法，得到的暴露度，不同。

四、个人层面：AI，让人，快了多少

4.1 几个随机实验

4.2 这些实验，说了什么，没说什么

• 在 AI 能做好的任务上，增益，可以很大（前三项）。
• 新手、能力弱的人，得益更大（Brynjolfsson 等人，Dell’Acqua 等人）：AI，在个人之间，压缩了差距。但是，这并不自动意味着，对初级岗位，是好事：如果，新手，借助 AI，能做原来，需要更多经验的事，那么，公司，对新手的需求，也可能，变少（第一节）。
• 边界之外，会更糟（Dell’Acqua 等人）：人，不知道，AI 什么时候不行。
• 感觉，和测量，可能，不一致（METR）：这提醒我们：调查里，“我觉得我快了”，不是证据。
• 共同的局限：（1）实验，是短期的、单个任务的；（2）任务，是研究者选的，往往，是 AI 擅长的、容易衡量的；（3）个人快了，不等于企业，或者经济，快了：企业，要重新组织工作；（4）没有一个，统一的数：不同的研究，不同的任务、不同的衡量，不能，直接比较（Noy 和 Zhang 的 18%，和 Dell’Acqua 的 40%，来自不同的任务、评分和模型）。

五、整个经济：生产率，提高了多少

5.1 一个"信封背面"的估算

从个人的实验，到整个经济，要做的，是一个加总。Acemoglu 2024 年（《AI 的简单宏观经济学》，Economic Policy，40 卷 121 期，13–58 页）给了一个很简单的算术：如果，AI 的影响，来自任务层面的成本节省，那么，总的生产率提高 ≈ 被影响的任务的份额 × 这些任务上的平均成本节省（Hulten 定理）。

# Acemoglu（2024 年，《AI 的简单宏观经济学》，Economic Policy）的"信封背面"的算术。他用的是 Hulten 定理：
# 总的生产率提高 ≈ 被影响的任务的份额 × 这些任务上的平均成本节省。输入（据他的论文）：
exposed, profitable = 0.20, 0.23            # 20% 的任务暴露于 AI（Eloundou 等人，按工资总额加权）；其中，23% 在 10 年内，自动化是划算的（Svanberg 等人）
labor_cost_saving, labor_share = 0.27, 0.535  # 平均节省 27% 的人工成本（Noy–Zhang 和 Brynjolfsson 等人的实验的平均）；暴露任务所在行业的人工成本占比 0.535
capital_share = 0.40
tasks_affected = exposed * profitable
cost_saving = labor_cost_saving * labor_share
tfp = tasks_affected * cost_saving
print(f"一、被影响的任务的份额 = {exposed:.0%} × {profitable:.0%} = {tasks_affected:.1%}")
print(f"   总成本节省 = {labor_cost_saving:.0%} × {labor_share} = {cost_saving:.1%}")
print(f"   10 年的 TFP 提高 = {tasks_affected:.1%} × {cost_saving:.1%} = {tfp:.2%}（论文：不超过 0.66%）；约合每年 {100 * tfp / 10:.2f} 个百分点")
print(f"   GDP 的提高 ≈ TFP ÷ (1 - 资本份额) = {tfp:.2%} ÷ {1 - capital_share:.1f} = {tfp / (1 - capital_share):.2%}")
easy, hard_ratio = 0.73, 0.25
adj = tfp * (easy + (1 - easy) * hard_ratio)
print(f"二、再考虑：目前的实验，来自'容易学'的任务（上限 73%）；难的任务上的收益，大约是容易的任务的 1/4：")
print(f"   TFP = {tfp:.2%} × ({easy:.0%} + {1 - easy:.0%} × {hard_ratio}) = {adj:.2%}（论文：不超过 0.53%）；GDP ≈ {adj / (1 - capital_share):.2%}（论文，还更新了资本产出比，给的上界是 0.90%）")
print("三、敏感性：如果，被影响的任务，是 2 倍、成本节省，是 2 倍：")
for k_tasks, k_save in ((1, 1), (2, 1), (1, 2), (2, 2), (3, 3)):
    print(f"   任务份额 × {k_tasks}，成本节省 × {k_save}：10 年的 TFP 提高 = {tfp * k_tasks * k_save:.2%}")

输出：

一、被影响的任务的份额 = 20% × 23% = 4.6%
   总成本节省 = 27% × 0.535 = 14.4%
   10 年的 TFP 提高 = 4.6% × 14.4% = 0.66%（论文：不超过 0.66%）；约合每年 0.07 个百分点
   GDP 的提高 ≈ TFP ÷ (1 - 资本份额) = 0.66% ÷ 0.6 = 1.11%
二、再考虑：目前的实验，来自'容易学'的任务（上限 73%）；难的任务上的收益，大约是容易的任务的 1/4：
   TFP = 0.66% × (73% + 27% × 0.25) = 0.53%（论文：不超过 0.53%）；GDP ≈ 0.88%（论文，还更新了资本产出比，给的上界是 0.90%）
三、敏感性：如果，被影响的任务，是 2 倍、成本节省，是 2 倍：
   任务份额 × 1，成本节省 × 1：10 年的 TFP 提高 = 0.66%
   任务份额 × 2，成本节省 × 1：10 年的 TFP 提高 = 1.33%
   任务份额 × 1，成本节省 × 2：10 年的 TFP 提高 = 1.33%
   任务份额 × 2，成本节省 × 2：10 年的 TFP 提高 = 2.66%
   任务份额 × 3，成本节省 × 3：10 年的 TFP 提高 = 5.98%

逐段看：

• 第一部分：20% 的任务，暴露于 AI；其中，23%，在 10 年内，自动化是划算的：4.6% 的任务，会被影响；平均，节省 27% 的人工成本，乘以人工在成本里的占比（0.535），是 14.4% 的总成本节省；两者相乘，10 年的 TFP，提高 0.66%，约合，每年 0.07 个百分点。GDP，提高约 1.1%。
• 第二部分：他再，调低：目前的实验，来自"容易学"的任务；将来，要处理"难"的任务（没有客观的结果，可以学习），收益，会小得多：TFP，不超过 0.53%，GDP，不超过约 0.9%。
• 第三部分：敏感性：任务的份额，和成本节省，各翻一倍，结果，翻 4 倍，也只是 2.66%。结论，对输入，很敏感；他的数，是一个比较保守的、有明确假设的估算，不是预言。

这个估算，有两个重要的前提：（1）AI 的作用，只是节省现有任务的成本；它不包括，AI，创造新任务、新产品、新科学发现（那是"恢复效应"和"增长"，Acemoglu 自己，也承认，“新任务，可以显著提高生产率”，但是，其中一部分，可能，没有社会价值，比如，操纵性的内容）；（2）被影响的任务的份额，用的是2023–2024 年的暴露度和采用情况，是会变的。

5.2 数据，怎么说

美国劳动生产率（非农商业部门，每小时的产出），按时期，年均的增速（美国劳工统计局，美联储圣路易斯分行 FRED）：

# 真实数据：美国。来源：美联储圣路易斯分行 FRED（数据来自美国劳工统计局），2026 年 10 月下载。
# 一、非农商业部门的劳动生产率（每小时产出的指数，OPHNFB）：只放每个时期的起点和终点的季度值。
OPHNFB = {"1947Q1": 22.256, "1973Q1": 46.272, "1995Q1": 62.642, "2004Q1": 81.825, "2019Q4": 105.103, "2022Q4": 110.047, "2026Q2": 120.017}
def years(a, b):
    return (int(b[:4]) - int(a[:4])) + (int(b[-1]) - int(a[-1])) / 4
def growth(a, b):
    return (OPHNFB[b] / OPHNFB[a]) ** (1 / years(a, b)) - 1
print("一、劳动生产率，年均增速（按时期）：")
for a, b, name in (("1947Q1", "1973Q1", "战后到 1973 年"), ("1973Q1", "1995Q1", "1973 到 1995 年（'生产率下降'）"), ("1995Q1", "2004Q1", "1995 到 2004 年（互联网和 IT 的投资热）"),
                   ("2004Q1", "2019Q4", "2004 到疫情前"), ("2019Q4", "2022Q4", "疫情，到 ChatGPT 发布前后"), ("2022Q4", "2026Q2", "ChatGPT 发布以来（2022Q4–2026Q2）")):
    print(f"   {a} 到 {b}：{100 * growth(a, b):.2f}%  {name}")
# 二、总就业（PAYEMS，千人，季节调整）：ChatGPT 发布（2022 年 11 月 30 日）前后的各 3 年零 10 个月。
PAYEMS = {"2015-11": 142808, "2019-09": 151365, "2022-11": 154242, "2026-09": 159044}
for a, b, name in (("2015-11", "2019-09", "疫情前的 3 年零 10 个月"), ("2022-11", "2026-09", "ChatGPT 发布以来")):
    print(f"二、总就业，{a} 到 {b}（{name}）：{PAYEMS[a]:,} -> {PAYEMS[b]:,} 千人，增长 {PAYEMS[b] / PAYEMS[a] - 1:.1%}")
# 三、失业率（月度数据的年内平均，%）：总体（UNRATE）、20–24 岁（LNS14024887）、25–34 岁（LNS14000089）。
# 2025 年缺 10 月（那个月，联邦政府停摆，家庭调查没有数据），2026 年是 1–9 月。
UNEMP = {2015: (5.27, 11.62, 5.50), 2016: (4.88, 10.43, 5.06), 2017: (4.36, 9.24, 4.57), 2018: (3.89, 8.60, 3.96), 2019: (3.68, 8.39, 3.72),
         2020: (8.10, 15.17, 8.47), 2021: (5.35, 9.72, 5.71), 2022: (3.65, 8.11, 3.88), 2023: (3.62, 7.93, 3.93), 2024: (4.02, 8.94, 4.27),
         2025: (4.26, 9.95, 4.31), 2026: (4.24, 9.17, 4.64)}
print("三、年度失业率（%）：")
for y, (u, a, b) in UNEMP.items():
    print(f"   {y} 年：总体 {u:.2f}，20–24 岁 {a:5.2f}，25–34 岁 {b:.2f}；20–24 岁比总体高 {a - u:.2f} 个百分点")
print(f"   2022 到 2025 年：20–24 岁，比总体，高出的幅度，从 {UNEMP[2022][1] - UNEMP[2022][0]:.2f} 到 {UNEMP[2025][1] - UNEMP[2025][0]:.2f}，再到 2026 年的 {UNEMP[2026][1] - UNEMP[2026][0]:.2f}（个百分点）")

输出：

一、劳动生产率，年均增速（按时期）：
   1947Q1 到 1973Q1：2.86%  战后到 1973 年
   1973Q1 到 1995Q1：1.39%  1973 到 1995 年（'生产率下降'）
   1995Q1 到 2004Q1：3.01%  1995 到 2004 年（互联网和 IT 的投资热）
   2004Q1 到 2019Q4：1.60%  2004 到疫情前
   2019Q4 到 2022Q4：1.54%  疫情，到 ChatGPT 发布前后
   2022Q4 到 2026Q2：2.51%  ChatGPT 发布以来（2022Q4–2026Q2）
二、总就业，2015-11 到 2019-09（疫情前的 3 年零 10 个月）：142,808 -> 151,365 千人，增长 6.0%
二、总就业，2022-11 到 2026-09（ChatGPT 发布以来）：154,242 -> 159,044 千人，增长 3.1%
三、年度失业率（%）：
   2015 年：总体 5.27，20–24 岁 11.62，25–34 岁 5.50；20–24 岁比总体高 6.35 个百分点
   2016 年：总体 4.88，20–24 岁 10.43，25–34 岁 5.06；20–24 岁比总体高 5.55 个百分点
   2017 年：总体 4.36，20–24 岁  9.24，25–34 岁 4.57；20–24 岁比总体高 4.88 个百分点
   2018 年：总体 3.89，20–24 岁  8.60，25–34 岁 3.96；20–24 岁比总体高 4.71 个百分点
   2019 年：总体 3.68，20–24 岁  8.39，25–34 岁 3.72；20–24 岁比总体高 4.71 个百分点
   2020 年：总体 8.10，20–24 岁 15.17，25–34 岁 8.47；20–24 岁比总体高 7.07 个百分点
   2021 年：总体 5.35，20–24 岁  9.72，25–34 岁 5.71；20–24 岁比总体高 4.37 个百分点
   2022 年：总体 3.65，20–24 岁  8.11，25–34 岁 3.88；20–24 岁比总体高 4.46 个百分点
   2023 年：总体 3.62，20–24 岁  7.93，25–34 岁 3.93；20–24 岁比总体高 4.31 个百分点
   2024 年：总体 4.02，20–24 岁  8.94，25–34 岁 4.27；20–24 岁比总体高 4.92 个百分点
   2025 年：总体 4.26，20–24 岁  9.95，25–34 岁 4.31；20–24 岁比总体高 5.69 个百分点
   2026 年：总体 4.24，20–24 岁  9.17，25–34 岁 4.64；20–24 岁比总体高 4.93 个百分点
   2022 到 2025 年：20–24 岁，比总体，高出的幅度，从 4.46 到 5.69，再到 2026 年的 4.93（个百分点）

逐段看（先看第一、二部分）：

• 第一部分：生产率。2022 年第四季度到 2026 年第二季度，年均增速，2.51%，高于 2004 到 2019 年的 1.60%（高出约 0.9 个百分点），接近 1995 到 2004 年的 3.01%（互联网和 IT 的投资热的时期）。劳工统计局，也给出：2025 年，年均，+2.1%，2026 年第二季度，同比，+2.2%。
• 总就业：2022 年 11 月到 2026 年 9 月，增长 3.1%；疫情前，对应的 3 年零 10 个月，增长 6.0%。就业的增长，慢了，但是，没有下降：没有"广泛的、总量上的失业"。（疫情后的恢复，劳动力供给，利率，都在里面，不能，全归给 AI。）

怎么读？

1. 时间上，和 AI 吻合，不等于是 AI：疫情后的资源重新配置、劳动力构成的变化、商业周期、别的技术，都在里面。Acemoglu 的估算，AI 的贡献，每年，约 0.07 个百分点，而数据里，比 2004–2019 年，高出约 0.9 个百分点：两者，差了一个数量级；要么，别的因素，是大头，要么，AI 的实际效应，比他的估算，大得多。数据，现在，分不开。
2. 一个"悖论"：Robert Solow 在 1987 年，说过一句很有名的话（大意）：你到处，都能看到计算机时代，除了，生产率的统计里。Brynjolfsson、Rock 和 Syverson 2021 年（American Economic Journal: Macroeconomics，13 卷 1 期，333–372 页）提出了**“生产率的 J 曲线”：通用技术，需要大量的、没有被测量的无形投资（流程重组、培训），所以，早期，生产率，被低估**；等到收获期，又可能被高估。按这个故事，AI 的生产率，要等几年。Brynjolfsson，自己，据报道，认为，2025 年的生产率，提高，是"收获期"开始的迹象，同时，也说，需要更多时期，才能确认。这是一个有争议的解释：它，不容易被证伪（因为，“还没到收获期”，总是可以，说）。
3. 宏观数据，是总体的：看不出，谁，得到了好处，谁，受了损失。下面，看这一点。

六、一个有争议的问题：AI，是不是正在拿走年轻人的工作

按"理论预测 → 证据与局限 → 分歧在哪 → 价值判断留给读者"来写。

理论预测什么：

• AI，替代初级工作：初级的工作，常常，是有明确规则的、可检查的任务（整理资料、起草文件、写基础的代码）：这正是 AI，擅长的。公司，可能，少招新人（第一节）；
• AI，让新人更快上手（第四节：新手，得益更大）：这可能，降低，对经验的要求，反而，增加对新人的需求；
• 别的因素：远程办公，让带新人更难；利率上升，让企业，缩减招聘；科技行业，疫情期间，过度招聘，等等。

证据怎么说（美国）：

• Brynjolfsson、Chandar 和 Chen（斯坦福，“煤矿里的金丝雀”，2026 年 8 月更新，用 ADP 的薪资数据，覆盖数百万工人，到 2026 年 6 月）：（1）没有，广泛的、整体的失业；（2）22–25 岁、在AI 暴露的职业里的就业，比"如果，和不太暴露的同龄人，保持同样的速度"，低了 19%；有经验的工人，没有类似的缺口；（3）2022 年 11 月到 2026 年 6 月，22–25 岁，在最暴露的两个五分位里，减少了约 11%；在最不暴露的三个五分位里，增加了约 10%；（4）主要，通过少招新人，不是更多地裁员；（5）下降，集中在，AI 的使用，替代人的任务的职业里；在 AI 辅助人的职业里，就业，持平，或者上升；（6）调整，发生在就业上，不是基础工资上。他们，自己强调：这是描述性的、早期的指标，不是因果估计；缺口，在控制教育后，会减弱；在 2022 年之前，有一些，已经分开的趋势；在 ADP 的样本里，比在全国调查里，更明显。
• Yale 预算实验室（持续更新，2026 年 9 月，用到 2026 年 8 月的 CPS 数据）：没有，清楚的证据，表明，劳动力市场的职业结构，在以和 AI 相符的方式，变化；流动、暴露的失业者的比例，都在历史范围内；他们，也提醒，这可能，随新数据，而变。
• Humlum 和 Vestergaard（丹麦，NBER 工作论文 33777）：用丹麦的行政数据，加上采用情况的调查（11 个暴露的职业，约 2.5 万名工人），发现，聊天机器人的采用，对收入和工时，没有明显的影响，排除了两年后，大于 2% 的平均影响；节省的时间，约 3%，也部分，被新的工作（整合、监督），抵消。
• Frank 等人（预印本，2026 年 1 月）：用失业保险记录和 LinkedIn 数据，发现，暴露的职业里，失业的风险，从 2022 年初，就开始上升，比 ChatGPT 发布（2022 年底），早几个月；2021 届以后的毕业生，进入暴露的职业的比例，也更低，差距，在 2022 年底之前，就出现了。他们的结论：这些趋势的力量，早于生成式 AI。
• 纽约联储（Emanuel、Harrington 和 Pallais，2026 年 6 月）：用 CPS 数据，估计，远程办公，大致，可以解释，疫情以来，年轻大学毕业生失业上升的 64%（他们，自己说，这是"信封背面"的估算）；理由是，远程，让带新人、给反馈，更难；他们，也说，AI 和别的因素，将来，可能，对年轻人，更重要。纽约联储，同期的统计：最近的大学毕业生，失业率，约 5.6% 到 5.7%（2026 年上半年），而全体工人，是 4.2%；这些毕业生的"就业不足"，约 42%。
• 芝加哥联储（据报道）：2019 到 2024 年，在最暴露于 AI 的职业里，就业，增加了约 4%；它，强调，暴露度，不直接对应失业。

我们自己的数据（代码 4 的第三部分）：

• 20–24 岁的失业率，比总体，高出的幅度，2022 年，是 4.46 个百分点；2025 年，5.69（2025 年，缺 10 月的数据：联邦政府停摆，家庭调查，没有做）；2026 年（1–9 月），4.93。2023 到 2025 年，扩大了；2026 年，又缩小了一些。 25–34 岁，也，从 2023 年的 3.93%，升到 2026 年的 4.64%。
• 注意：20–24 岁，包括没有大学学历的、在校的；它，不是"大学毕业生"；而总体，失业率，也在升（2023 年 3.62%，2026 年 4.24%）。这些，不能，区分，AI、远程办公、利率，和别的因素。

这个"19%"，能不能归给 AI？看代码 5：

# "没有 AI 的话，会怎样"（反事实）：怎么影响，我们对 AI 的效应的判断。
# Brynjolfsson 等人（2026 年 8 月）：2022 年 11 月到 2026 年 6 月，22–25 岁的人，在最暴露于 AI 的两个五分位的职业里，就业下降约 11%；在最不暴露的三个五分位里，增长约 10%。
import math
exposed, others = 0.89, 1.10
shortfall = 1 - exposed / others
log_gap = math.log(exposed / others)
T = 3 + 7 / 12                                   # 2022 年 11 月 到 2026 年 6 月，约 3.6 年
print(f"一、'没有跟上同龄的、不暴露的人'的缺口 = 1 - {exposed} ÷ {others} = {shortfall:.1%}；取对数：{log_gap:.3f}；时间跨度 {T:.2f} 年")
print("二、这个缺口，有多少，能归给 AI？取决于，你假设，'如果没有 AI，暴露组的就业，本来，会比对照组，每年慢多少'（对数点，约等于百分点）：")
for slow in (0, 1, 2, 3, 4):
    non_ai = -slow / 100 * T
    ai = log_gap - non_ai
    print(f"   没有 AI 时，本来，每年慢 {slow} 个点：非 AI 的部分 {100 * non_ai:6.1f}，AI 的部分 {100 * ai:6.1f}（占缺口的 {ai / log_gap:5.1%}）")
print("三、同样的 19%，可以对应，几乎全部是 AI，也可以对应，主要不是 AI：数据，本身，不能区分；要靠别的证据：")
print("   （a）缺口，是不是在 2022 年 11 月之前，就已经出现（正文里，提到的 Frank 等人的研究，认为：暴露的职业里，失业风险，从 2022 年初，就已经上升）；")
print("   （b）它，是不是，集中在'AI 替代'的职业里，而不是'AI 辅助'的职业里（Brynjolfsson 等人，认为是）；")
print("   （c）换一种，度量 AI 暴露度的办法，结论，是否不变；控制了远程办公、利率敏感度、教育之后，是否还在（他们报告：控制了远程办公和利率敏感度，缺口还在；控制教育，缺口会减弱）。")

输出：

一、'没有跟上同龄的、不暴露的人'的缺口 = 1 - 0.89 ÷ 1.1 = 19.1%；取对数：-0.212；时间跨度 3.58 年
二、这个缺口，有多少，能归给 AI？取决于，你假设，'如果没有 AI，暴露组的就业，本来，会比对照组，每年慢多少'（对数点，约等于百分点）：
   没有 AI 时，本来，每年慢 0 个点：非 AI 的部分    0.0，AI 的部分  -21.2（占缺口的 100.0%）
   没有 AI 时，本来，每年慢 1 个点：非 AI 的部分   -3.6，AI 的部分  -17.6（占缺口的 83.1%）
   没有 AI 时，本来，每年慢 2 个点：非 AI 的部分   -7.2，AI 的部分  -14.0（占缺口的 66.2%）
   没有 AI 时，本来，每年慢 3 个点：非 AI 的部分  -10.8，AI 的部分  -10.4（占缺口的 49.3%）
   没有 AI 时，本来，每年慢 4 个点：非 AI 的部分  -14.3，AI 的部分   -6.9（占缺口的 32.3%）
三、同样的 19%，可以对应，几乎全部是 AI，也可以对应，主要不是 AI：数据，本身，不能区分；要靠别的证据：
   （a）缺口，是不是在 2022 年 11 月之前，就已经出现（正文里，提到的 Frank 等人的研究，认为：暴露的职业里，失业风险，从 2022 年初，就已经上升）；
   （b）它，是不是，集中在'AI 替代'的职业里，而不是'AI 辅助'的职业里（Brynjolfsson 等人，认为是）；
   （c）换一种，度量 AI 暴露度的办法，结论，是否不变；控制了远程办公、利率敏感度、教育之后，是否还在（他们报告：控制了远程办公和利率敏感度，缺口还在；控制教育，缺口会减弱）。

逐段看：

• 19.1% 的缺口（对数，−0.212），要拆成两部分：如果，没有 AI，本来也会有的部分，和AI 的部分。拆多少，取决于，你，对"没有 AI 时，会怎样"的假设，而它，看不见。
• 如果，没有 AI，本来，暴露组，也不会，比对照组慢（0）：AI，解释 100%；如果，本来，每年，慢 2 个点：AI，解释约 66%；每年，慢 4 个点：约 32%。同样的数据，可以，支持"几乎都是 AI"，也可以，支持"AI，占不到一半"。
• 这是第 4 讲，讲过的"平行趋势"：双重差分，需要，两组人，在没有处理时，趋势，是平行的。Brynjolfsson 等人，自己，说了：有一些，早于 AI 的分开的趋势；所以，他们，把这些，当作描述。

局限：（1）暴露度，是度量出来的：不同的度量，结论，可能，不同；（2）ADP 的样本，不是随机的；（3）因果，难：AI、远程、利率、行业周期，同时发生；（4）时间还短：3 年多；企业，还在学习怎样用 AI；（5）这些，都是美国的数据。

分歧在哪：

• 事实上的分歧：缺口，有多大，是不是，被 AI 造成；是已经出现的变化，还是更早就开始的趋势；AI，是替代，还是辅助，对不同的人群，影响，是否不同。
• 预测上的分歧：现在的 AI，会不会，快速变强（那么，今天的证据，低估了）；还是，会遇到瓶颈（那么，今天的证据，高估了）。这是对未来的判断，数据，证明不了，也证伪不了。

价值判断（留给你）：

1. 谁，该承担过渡期的代价：刚毕业的人，错过了"第一份工作"，可能，影响长期的收入（第 13 讲、第 29 讲：人力资本，和经验的价值）。该，由他们自己、企业、学校，还是政府，来承担？
2. 要不要，保护初级岗位：可以，通过政策，鼓励企业，雇新人，但是，这有成本（第 9 讲）。你怎么看？
3. 要不要，放慢 AI 的采用：如果，过渡期的痛苦，集中在某些人，社会，是该，放慢，还是，加快、再补偿？

七、中国：几个事实

这一节，只说事实。中国，在这个问题上的严格的研究，还很少；下面，是我能查到的。

• 青年的失业率（国家统计局，2026 年 8 月，不含在校生）：16–24 岁，18.9%，比上月，高 1 个百分点，与上年同期持平（统计局，2024 年起，按"不含在校生"的新口径，公布以来，最高的水平）；25–29 岁，7.5%；30–59 岁，3.9%；全国城镇调查失业率，5.3%。统计局的发言人，解释，8 月的上升，主要来自应届毕业生，集中进入劳动力市场的季节性因素。据媒体，2026 届毕业生，约 1270 万人（我没有在教育部的原始发布里，核实）。这些数字，和 AI，有没有关系，我没有找到可靠的证据：青年失业率，在 2023 年，就是一个争论的话题（第 27 讲，口径，也在变）。
• 政策：2025 年 8 月，国务院，印发《关于深入实施"人工智能+“行动的意见》，提出，到 2027 年，新一代智能终端、智能体等的应用普及率，超过 70%，到 2030 年，超过 90%（据报道；“应用普及率”，是官方的指标）。我没有找到，这份文件，有具体的就业目标。
• 企业，采用得有多快：世界银行，和北京大学的研究者（2026 年 7 月，为《2026 年世界发展报告》写的背景论文）：用 7200 万条招聘广告，追踪 2015 到 2025 年，5000 多家上市公司，和约 250 万家非上市公司：到 2025 年底，21% 的上市公司，0.2% 的非上市公司，招聘过，和生成式 AI 相关的岗位；DeepSeek-R1 发布之后，采用，加速；大公司、技术先进的公司，采用得更多。注意：这个指标，是"招聘广告里，出现 AI 的技能”，是采用的一个代理变量，不是全部。
• 招聘广告的研究（多为预印本，没有经过同行评审）：用智联招聘的约 163 万条广告，构造了一个 AI 暴露度，发现，暴露度越高的职业，对初级求职者的门槛越高；另一些，用 2018–2024 年的广告，发现，对高暴露职业的需求下降。广告，衡量的是"招聘需求"，不是裁员，也不是个人的职业路径；暴露度，常常，是用美国的任务描述构造的。
• 我没有找到：一个严格的、追踪中国年轻工人就业的、同行评审的研究；所以，“AI 在中国，正在取代年轻人的工作”，现在，既没有被证实，也没有被证伪。你可以问：要判断，我会想看什么数据？（提示：分行业、分职业、分年龄的就业；招聘广告里，初级岗位的数量和要求；毕业生的去向和起薪；企业，实际使用 AI 的程度；以及，对照，没有 AI 的同类趋势。）

八、谁受益：生产率，和分配

即使，总的生产率，提高了，好处，怎么分，是另一个问题。

• 劳动份额，和资本份额（本讲 2.1 节）：自动化，降低劳动份额。Acemoglu 2024 年的论文，认为，AI，预计会扩大资本收入，和劳动收入之间的差距（据摘要）。
• 个人之间：第四节的实验，发现，新手、能力弱的人，进步更大：同一个职业，内部，差距，可能，缩小；但是，AI，更多的好处，可能，归拥有 AI 的企业，和有能力监督、整合 AI 的人。我没有找到，足够可靠的、关于"总的收入分配"的证据。
• 地区和国家之间：谁有算力、谁有数据、谁有人才。（第 42 讲，发展和不平等。）

政策工具（每一种，都有代价，第 9、26、34 讲）：

经济学，能告诉你：每一种工具，改变了谁的激励，成本，落在谁身上。选哪一种，是价值判断。

九、局限、常见误用

9.1 局限

• 时间太短：生成式 AI，才三年多；企业，还在学习怎样用它；
• 证据，大多数是工作论文、预印本，没有经过同行评审；结论，会变；
• 暴露度，是度量出来的；不同的度量，结论，不同；
• 因果，难：AI，和远程办公、利率、行业周期、政策，同时发生（第 4 讲）；
• 玩具模型：2.1 节的模型，是示意的，参数，是编的；
• 没有讲：AI 对教育的影响、对垄断和竞争的影响（第 14、17 讲）、对不同职业的详细分析、AI 的风险和安全、版权、AI 在科学发现里的作用；
• 不是预测，不是职业建议。

9.2 常见的误用

十、小结

这一讲有七个想法，请带走：

1. “让人快 40%"，对就业，没有统一的答案：需求弹性，和人工的成本占比，决定了，就业，是减少、不变，还是增加；
2. 任务模型：替代、生产率、恢复三种效应；“so-so 自动化”，可以，压低工资；新任务，可以让工资回来；
3. 暴露，不等于替代：大约 80% 的工人，至少 10% 的任务，暴露；
4. 个人的实验：在 AI 能做的任务上，快 12% 到 40%，新手，得益更大；在边界之外，会更糟；有经验的开发者，在 2025 年的一项实验里，慢了 19%（后续，不确定）；
5. 宏观：Acemoglu 的估算：10 年，TFP，不超过 0.66%（调整后 0.53%）；而美国的生产率，2022 年底以来，年均 2.51%，高于 2004–2019 年的 1.60%：时间吻合，不等于因果；
6. 年轻人：Brynjolfsson 等人，发现，19% 的缺口；Yale、Humlum–Vestergaard、纽约联储，Frank 等人，给出了不同的、或者更早的解释；缺口，能归给 AI 多少，取决于一个看不见的反事实；
7. 中国：青年失业率 18.9%（2026 年 8 月，不含在校生）；企业的 GenAI 采用，还很低（非上市公司 0.2%）；严格的研究，很少。事实，我用数据；价值，留给你。

AI，是一项新技术怎样改变劳动的故事；下一讲，换一个，新技术，改变货币的故事：稳定币。 下一讲：第 47 讲：稳定币。

思考题

1. 用第一节的公式：人工时，减少 50%，人工，占成本的 60%，需求的弹性，是 1.5。所需的人工时，变成原来的多少倍？

提示：价格，降 0.5 × 0.6 = 30%：P = 0.7；产量 = 0.7^(−1.5) ≈ 1.71 倍；人工时 = 1.71 × 0.5 ≈ 0.85 倍，少了约 15%。如果弹性，是 2：0.7^(−2) = 2.04；× 0.5 = 1.02，几乎不变。

2. 为什么，2.1 节的玩具里，“AI 只比人好一点”（psi = 2），自动化到 60% 时，产出，几乎没有增加，工资，却降到 57？

提示：自动化，把原来，由人做的任务，转给了 AI，但是，AI，并没有，比人好很多：产出，没有明显增加；而被自动化的那部分任务，不再付工资：劳动份额，从 70% 降到 40%。同样的总产出，分给劳动的少了，工资（劳动的总收入 ÷ 工人）就降了。这是"so-so 自动化”。

3. 用 Acemoglu 的算术：如果被影响的任务份额，不是 4.6%，而是 10%，成本节省还是 14.4%：10 年的 TFP，提高多少？GDP，大约，提高多少（资本份额，0.4）？

提示：TFP = 0.10 × 0.144 = 1.44%；GDP ≈ 1.44% ÷ 0.6 = 2.4%。仍然，小于，2022 年底以来，生产率，高于 2004–2019 年的部分的累计（约 0.9 个百分点，每年，乘以 3.6 年，约 3.3%）：这说明，数据里，大部分，可能，不是（这一类）AI，或者，AI 的效应，比他的估算大。不能，下结论。

4. 用代码 5：如果，没有 AI，暴露组本来，每年，比对照组，慢 1.5 个点，那么，19.1% 的缺口里，AI 的部分，占多少？

提示：T = 3.58 年：非 AI 的部分 = −1.5 × 3.58 ≈ −5.4（对数点，约 %）；缺口，−21.2：AI 的部分 = −15.8，占 74.6%。如果，每年，慢 3 个点，占 49.3%。所以，要报告一个"AI 的份额"，必须，先说清，你对"没有 AI，会怎样"的假设。

5. （开放题）下面的说法，哪些是事实问题，哪些是价值判断？（a）2022 年 11 月以来，22–25 岁的人，在最暴露的职业里的就业，减少了 11%；（b）政府，应该保护初级岗位；（c）远程办公，解释了年轻人失业上升的 64%；（d）AI，会造成大规模失业；（e）企业，有责任培训新人。

提示：（a）事实（Brynjolfsson 等人的数据，描述性的）；（b）价值判断；（c）事实问题，但是，是"信封背面"的估算，不是严格的因果；（d）对未来的预测：它不是价值判断，但是，现有的数据，既不能证实，也不能证伪；（e）价值判断。

参考与延伸

• Autor, D. H., Levy, F., & Murnane, R. J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. Quarterly Journal of Economics, 118(4), 1279–1333.
• Acemoglu, D., & Restrepo, P. (2018). The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, 108(6), 1488–1542.
• Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30.
• Acemoglu, D. (2024/2025). The Simple Macroeconomics of AI. NBER Working Paper 32487；Economic Policy, 40(121), 13–58（本讲的数，来自 2024 年 5 月的版本）。
• Eloundou, T., Manning, S., Mishkin, P., & Rock, D. GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models（预印本，据摘要）。
• Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381.
• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2).
• Dell’Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper（后来发表于 Organization Science，据转述）。
• METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity（2025 年 7 月；2026 年 2 月的后续，据报道）。
• Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.
• Brynjolfsson, E., Chandar, B., & Chen, R. (2026, August). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab.
• Yale Budget Lab. Tracking the Impact of AI on the Labor Market（2026 年 9 月更新）。
• Humlum, A., & Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. NBER Working Paper 33777。
• Frank, M. R., Javadian Sabet, A., Simon, L., Bana, S. H., & Yu, R. (2026). AI-exposed Jobs Deteriorated before ChatGPT. arXiv:2601.02554。
• Emanuel, N., Harrington, E., & Pallais, A. (2026, June). Remote Work Leaves Younger Workers Sidelined. Federal Reserve Bank of New York, Liberty Street Economics；纽约联储：最近的大学毕业生的劳动力市场（2026 年第一、二季度）。
• 美国劳工统计局，美联储圣路易斯分行 FRED：OPHNFB（劳动生产率）、PAYEMS、UNRATE、LNS14024887、LNS14000089（本讲的数据，2026 年 10 月下载）；劳工统计局：生产率和成本（2025 年全年，2026 年第二季度）。
• 国家统计局：2026 年 8 月分年龄组失业率（2026 年 9 月 17 日，据报道）；国务院：《关于深入实施"人工智能+“行动的意见》（2025 年 8 月，据报道）。
• Li, L., Liu, Z., Wang, A., Wang, H., & Yu, S. (2026, July). Now Hiring: Firm-Level Adoption of Generative AI in China. 世界银行，《2026 年世界发展报告》背景论文。
• 本讲第一节、2.1 节和 5.1 节的模型和算术，参数是示意的（5.1 节，用的是 Acemoglu 论文里的输入）；5.2 节和第六节的数据，来自美国劳工统计局和 FRED。