← Research

研究 · 第 3 号 · 2026 年 9 月

用数据核对比尔·盖茨那篇关于工作的长文

门没有关上。它变窄了。 比尔·盖茨说,劳动力市场的门槛已经跨过。我读了那篇长文,然后花一周时间把它和他从未引用的就业数据逐一核对。诊断站得住。但损害的形状,并不是多数人想象的那一种。

暴露程度最高的职业十二个月内的就业变化,按年龄组:22–25 岁下降 3.0%,26–30 岁下降 2.1%,31–34 岁下降 1.6%,35–40 岁上升 1.3%,41–49 岁上升 1.9%,50 岁及以上上升 0.4%。

简短版本

用数据核对比尔·盖茨那篇关于工作的长文

比尔·盖茨谈人工智能与工作,用他从未引用的就业数据核对。

  • 在整个市场这一层面,几乎看不到什么。 按职业的暴露程度分组,十二个月里各组彼此相差不到一个百分点——从 +0.1% 到 +2.2%。

  • 把同样这些职业按年龄拆开,画面就变了。 在暴露程度最高的职业里,22 至 25 岁的就业下降 3.0%,而 41–49 岁组上升 1.9%:同一批工作内部相差 4.9 个百分点。自 2022 年底以来,暴露程度最高的两组中最年轻的一批减少了 11%,而暴露最低的三组中同一年龄段增加了 10%。

  • 没有人被解雇。只是放进来的人变少了。 暴露职业中年轻从业者的离职率并未上升——是招聘放缓了。门没有在已经进去的人身后关上;它对想进来的人变窄了。

  • 官方预测依然在增长。 市场中暴露程度最高的三分之一增长最慢——却仍在增长,到 2035 年 +2.0%。最高类别内部的差距比类别之间的差距更大:普通办公文员 −6.0%,数据科学家 +34.6%。

  • 整件事的经济性都压在核验这一步上。 若无人检查,模型比人类专家便宜 474 倍;一旦由专家检查,只便宜 1.2 倍。收益恰恰出现在把检查去掉的那一刻。

  • 暴露分布并不均匀。 按就业加权,最高暴露类别中女性占 57.5%,最低类别为 36.9%。

  • 事情并未定论。 有若干研究团队完全找不到人工智能在劳动力市场上的痕迹;而在官方序列于 2027 年补齐之前,2026 年的任何预测都无法用分职业就业数据来检验。

来源:美国劳工统计局 · 斯坦福数字经济实验室 · Anthropic Economic Index · Current Population Survey · GDPval · 国际劳工组织 · 国际货币基金组织

01 —— 我为什么要动手

一份值得拆开看的预测

我并不关注比尔·盖茨。读他八月那篇长文,是因为有人把它摆到我面前,而它让我停了下来——不是因为它吓人,恰恰是因为它不吓人。读起来像一个认真看过某个系统的人,在列举他认为会断裂的地方,并坦承哪些部分他修不了。

这种组合足够少见,值得花一个晚上。下面是他的论证,一节一节,配上他略去的数字。这里每个数字都能追到出处。凡是长文与他同一天的访谈说法不同的地方,我都标明哪句出自哪里——这个区分很要紧:被引用最多的数字在访谈里,不在长文里。

有意思的问题从来不是他对不对。有意思的是,数据会把他这个论断的形状改成什么样。

02 —— 类比

为什么惯用的比较不成立

想到这次转变,多数人会抓住“从田间到办公室”的比喻。盖茨认为这个类比在两处断裂,两处都值得直说。

第一是时间。那次转变横跨了几代人。这一次,按他的估计,会在十年之内落到法律、客户服务、医疗、软件和制造业上。

第二,也更重要:从田间到办公室的迁移创造了需要人类认知的工作。这项技术替代的是认知本身。同一类的下一级台阶,看不到。

他还补了一个解释速度的细节。个人电脑用了二十年才改变人们的工作方式:得有人写软件、把价格压下来、把人培训出来。这项技术跑在人们已经拥有的设备上,说的是普通语言。是它在迁就我们,而不是反过来。

03 —— 门槛

他说已经跨过去的东西

在同一天的访谈里,盖茨点了五个他认为已被抛在身后的门槛:生物能力、网络能力、心理社会依赖、劳动力市场的冲击,以及失去控制的早期迹象6。他的意思不是其中哪一个已经到来,而是:整个行业多年来承诺,这些东西一旦出现在视野里就会放慢脚步,然后却在没有任何公开讨论的情况下径直走了过去。

关于出处的一点说明。 五个门槛的清单不在长文里。长文点了三种风险——消失的工作、被强化的恶意行为者,以及对儿童和人际关系的伤害——并明确写道,这场转变没有任何计划5。更锋利的表述出现在访谈中。多数报道把两者混在了一起。

门槛这个词不是修辞。领先的实验室各自发布安全框架,事先点明能力等级——协助制造生物武器、自主网络行动、自我传播——并承诺在这些点上停下。盖茨衡量的正是这个承诺。

04 —— 证据

效应真正显现的地方

他的长文在这里沉默了。他写道,脆弱职业中年轻从业者的就业下降了,而他们年长的同事保持稳定,却一个数字也没给。数字是存在的,而且比那句话更有意思。

先看整个市场,几乎看不到什么。覆盖数百万从业者的薪资数据,按职业的暴露程度分组后,各组彼此相差不到一个百分点3。这正是若干研究团队报告说完全找不到人工智能在劳动力市场上留下痕迹的原因。

十二个月内的就业变化,按职业暴露组划分。2026 年 7 月。
暴露最低+1.1%
第二组+0.5%
第三组+2.2%
第四组+0.8%
暴露最高+0.1%

斯坦福数字经济实验室,平衡后的 ADP 薪资面板3

现在加进一个变量。同样的数据、同一个月、同一批职业——按年龄拆开。

按暴露类别划分的十二个月就业变化,一次看一个年龄组。2026 年 7 月。
年龄

同一面板,同一个月3。最年轻一组与 41–49 岁组之间相差 4.9 个百分点——而且是在同一批职业内部。

效应不在职业之间,而在职业内部,按年龄排列。把窗口拉长,断层还要更锋利:自 2022 年底以来,暴露程度最高的两组中 22 至 25 岁的就业下降了 11%,而暴露最低的三组中同一年龄段上升了 10%3

门洞的宽度就是 22 至 25 岁人群自 2022 年底以来的就业变化。

−11%

在暴露程度最高的两组中

+10%

同一年龄,在暴露程度最低的三组中

虚线轮廓是 2022 年底的水平,两个门洞都从它量起3

没有人被解雇。只是放进来的人变少了。

这个区分才是发现本身。暴露职业中年轻从业者的离职率没有上升——是招聘放缓了。门没有在已经进去的人身后关上;它对想进来的人变窄了。盖茨写入门岗位时讲的正是这件事,也是他这篇长文中最经得起数据检验的部分。

研究者自己提示的保留。 一旦控制教育程度,效应减半;下降的一部分早于生成式人工智能;在全国性调查中,这个差距比这份薪资面板里更小。该面板并不能代表美国劳动力市场,论文也未经同行评审。作者称结果是描述性的,而非因果性的3

05 —— 你的职业

核对你自己的工作

盖茨凭观察点了一些职业:销售与支持、软件、律师助理的工作,接着是信贷评估、数据分析、患者分诊。现在有了一把可以拿来核对他的官方尺子。八月,劳工统计局发布了首个按人工智能暴露程度划分职业的分类,由五项独立度量构建——三项理论度量,两项来自观察到的真实使用——并附有到 2035 年的就业预测1

在下面输入一个职业。返回的一切都来自文末列出的来源,每个数字都带有指向其出处的脚注。

交互 · 825 个职业

职业
    你的年龄
    性别——只改变语境,绝不改变该职业本身的数字

    这不是关于你的预言。 它显示的是你的职业在其他职业中处于什么位置,以及在暴露程度相近的职业里,与你同龄的人的就业发生了什么。暴露意味着模型可以应用于这些任务——劳工统计局明确指出,它既不意味着失业,也不意味着自动化或工资影响1

    06 —— 地图

    市场的五分之一,看得仔细些

    把 825 个职业放进同一张表,画面比周围的争论要平静。可以按任意一列排序,按名称筛选,暴露类别就在名字旁边的色标上。

    这张表怎么读

      劳工统计局,人工智能暴露类别与 2025–35 年就业预测1

      在劳工统计局做出预测的全部 831 个职业中,各类别的就业占比:

      暴露职业数就业人数,2025占比2025–35 预测
      极高20653.2百万人31.3%+2.0%
      20642.1百万人24.8%+3.1%
      中等20644.7百万人26.2%+6.2%
      21330.3百万人17.8%+2.5%

      劳工统计局,人工智能暴露类别与 2025–35 年就业预测1

      市场中暴露程度最高的三分之一增长最慢——却仍在增长。这是官方预测,不是意见。而且最高类别内部的差距,比类别之间的差距更大:

      极高暴露就业人数到 2035 年预测
      Office clerks, general2.60百万人−6.0%
      Secretaries and administrative assistants1.89百万人−6.0%
      Bookkeeping and auditing clerks1.53百万人−5.6%
      Customer service representatives2.67百万人−5.3%
      Computer and information systems managers0.69百万人+15.8%
      Logisticians0.26百万人+17.6%
      Data scientists0.28百万人+34.6%

      同一暴露类别,相反的轨迹。盖茨只说过一次,藏在一个多数摘要都删掉的从句里:在软件领域,成本下降会催生新的需求,因此那里的净损失会小于别处。预测同意他的说法。

      07 —— 断点

      转折在停止检查的时候到来

      长文中最被低估的一句话与任何职业无关。盖茨写道,对从业者而言最大的转折,会在技术几乎不出错的时候到来——因为那一刻它才能在没有人复核的情况下运行,而所有经济激励都指向放手。

      有一个基准把这件事变成了数字。OpenAI 的 GDPval 让模型与有经验的专业人士在 44 个职业的 1320 件真实工作成果上对比,每件平均约七小时的工作量7。标题结论是:前沿模型在大约一半任务上追平或胜过人类专家。而在同一篇论文里,埋着一张几乎没人引用的表。

      检查的成本

      模型相对人类专家的优势

      没有人工复核 474× 在没有人参与的情况下,天真的成本优势是 474 倍。流传的正是这个数字——它假定没有任何人检查这份工作。
      专家全面复核 1.2× 如果成果由专家全面检查,成本优势是 1.2 倍。几乎全部节省都被核验吃掉了。

      这两个数字之间的一切,取决于你保留多少检查7

      天真地衡量,模型大约快 90 倍,便宜几百倍。一旦把专家核验计入价格,优势就压缩到时间上约 1.1–1.4 倍、成本上约 1.2–1.6 倍7

      于是,整件事的经济账都压在核验这一步。只要还有人在检查,收益就很有限。全部彩头出现在检查被去掉的那一刻——这恰恰是它会被去掉的原因,也是盖茨把这个而不是某项具体能力称作真正门槛的道理所在。

      08 —— 谁在暴露之中

      长文略过的部分

      盖茨把整篇文章都建在公平之上:这项技术要么成为最大的拉平者,要么成为最糟糕的不公来源。可他从来没有问过,究竟是谁在做那些暴露的工作

      我把暴露分类与就业调查作了对照。按从业人数加权,最高暴露类别中的职业有 57.5% 是女性。最低类别中是 36.9%14。二十个百分点的差距,原因并不微妙:文书、行政和支持性工作既是暴露程度最高的,也几乎在任何地方都是女性最多的。

      国际劳工组织在全球尺度上得到同样的结果,方法建立在国际分类而非美国分类之上:在最高暴露层级中,女性就业占 4.7%,男性就业占 2.4%;在高收入国家为 9.6% 对 3.5%8

      国际劳工组织这项工作也可以用来核对量级。它把全球暴露定在就业的 24%,而国际货币基金组织给出的接近 40%9。两家可信的机构,同一个现象,彼此相差近两倍。谁若笃定地只报一个全球数字,那就是选了一个,藏了另一个。

      09 —— 那些提议

      保留区、代币与四个没有答案的问题

      Human Reserved

      盖茨提议把某些工作留给人——不是因为机器做不了,而是因为社会认定失去它的代价太大。他借用了自然保护区的语言。私人的来源是他父亲最后的岁月,以及那些在老人已无法让自己被理解时仍然理解他的照护者。

      他给出两条理由。一条是经济上的:一个把职业生涯花在建筑工地上的 55 岁的人,不可能简单地被调去做养老照护。一条是关于人的:由机器人宣告绝症诊断在技术上可行,但不该发生。

      接着他在自己的文章里列出了四个他答不上来的问题。谁来决定什么被保留。依据什么标准。如何防止企业作弊。当一个国家让机器人来建造而另一个不让时,贸易会变成什么样。

      值得与数据对照:养老照护,他的核心例子,本来就招不到人。把一个连自己的空缺都填不满的职业划进保留区,是在保护它免受它还没承受的压力。这一点他预料到了一部分——他预计年轻人太少的日本会张开双臂迎接护理机器人。

      对代币和机器人征税

      他想消除的那种不对称是真实的,而且很少被说得这么直白。雇一个人,雇主要交工薪税。买一台机器,公司可以摊销。现行税法实际上在补贴替代

      他的办法是对人工智能代币和机器人开征定向税,用于资助再培训和更结实的社会保障网,并在设计上放过那些让医疗和教育变便宜的用途。他承认这在经济上并不高效,并认为这是可以接受的代价。长文里没有出现税率;被广泛引用的那个数字来自一次访谈,是作为一种选项抛出的,而不是算出来的6

      最有力的反对意见是机制性的,而非意识形态性的:代币税衡量的是算力,不是替代。代币价格已经下降了几个数量级,于是问题越大,税基越小;而推理正在迁往本地设备和其他司法辖区。

      10 —— 分歧

      诚实的人仍在争论什么

      宣布此案已证、就此收尾,会很轻松。但它没有被证实,而这场分歧比一个判决更有价值。

      发现来源
      2022 年底之后,软件业就业增速每年放缓约 3 个百分点;大约 50 万个岗位未被创造美联储10
      人工智能使用与就业变化之间没有关联,数据截至 2026 年 7 月耶鲁大学 Budget Lab11
      节省 2.8–3% 的工时,对收入和工时的影响恰好为零丹麦行政数据12
      暴露职业的招聘广告下降始于 2022 年 3 月——早于 ChatGPT——并跟随利率周期2.38 亿条招聘广告13
      失业率在暴露最低的五分位上升幅度,大于暴露最高的五分位Economic Innovation Group14

      所有这些团队都同意的有三点,也是今天能拿到的最稳妥的结论:宏观层面没有大规模替代;机制是招聘放缓而不是裁员;以及暴露职业里的年轻从业者身上确实在发生某种变化。

      还有一条界限属于这里。目前还无法用分职业的实际就业去检验 2026 年的任何预测:官方的职业序列只到 2025 年 5 月,而覆盖这一时段的下一次发布不会早于 2027 年。今天给你看这种检验的人,给你看的是噪声。

      11 —— 收尾

      这些数字改变了什么

      盖茨的诊断留存下来了。机制说对了,行业说对了,而对入门工作的强调,正是数据最直接支持的部分。

      这些数字改变的是形状。这不是一波浪,滚过一个个职业,把它们一个个卷走。这是一道在职业内部运作的筛子,按你在里面待了多久来分拣。它筛掉的,正是退路最少、往后年头最长的那些人。

      他用四个问题、没有答案,结束了自己的长文。我要补的那个更窄,也比其中任何一个都更容易回答:如果机制是入口处的招聘放缓,那么政策的靶子就不是把哪些职业围起来,而是谁能拿到第一级台阶。保留区保护的,是已经站在梯子上的人。

      资料来源

      1. US Bureau of Labor Statistics. AI exposure categories and employment projections, 2025–35,2026 年 8 月 27 日发布。类别由五项独立度量构建。 bls.gov/emp/publications/ai-exposure-categories.htm
      2. Anthropic Economic Index,labor market impacts 数据集——某职业的任务中被带到模型上的实测比例。 huggingface.co/datasets/Anthropic/EconomicIndex
      3. Brynjolfsson, Chandar, Chen. Canaries in the Coal Mine? 斯坦福数字经济实验室,2026 年 8 月修订版;ADP 薪资面板截至 2026 年 7 月。 digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine
      4. US Bureau of Labor Statistics, Current Population Survey,表 11:按细分职业和性别划分的就业人数,2025 年年均值。 bls.gov/cps/cpsaat11.htm
      5. Bill Gates. The turbulent AI era is here. The choices we make now are critical. GatesNotes,2026 年 8 月 26 日。 gatesnotes.com
      6. 《麻省理工科技评论》对比尔·盖茨的访谈,2026 年 8 月 26 日——五个门槛与被引用税率的出处。 technologyreview.com
      7. GDPval, OpenAI——44 个职业的 1320 件真实工作成果;计入核验后的数字见成本表。 arxiv.org/abs/2510.04374
      8. International Labour Organization. Generative AI and Jobs: A Refined Global Index of Occupational Exposure,工作论文 140,2025 年 5 月。 ilo.org
      9. International Monetary Fund. Gen-AI: Artificial Intelligence and the Future of Work,SDN/2024/001,2024 年 1 月。 imf.org
      10. Crane and Soto, Federal Reserve Board, FEDS 2026-018,2026 年 3 月。
      11. Budget Lab at Yale, Tracking the impact of AI on the labor market,2026 年 8 月 19 日更新。 budgetlab.yale.edu
      12. Humlum and Vestergaard, NBER Working Paper 33777,2026 年 3 月修订版。
      13. Iscenko and Curto Millet,2026 年 1 月——2.38 亿条招聘广告。
      14. Eckhardt and Goldschlag, Economic Innovation Group, AI and Jobs,2025 年 8 月。 eig.org

      交互部分背后的合并数据集:825 个职业,含就业人数、预测、工资中位数、官方暴露类别、交给模型的任务实测比例以及性别构成。2026 年 9 月由来源 1、2、4 以及 2025 年 5 月发布的 Occupational Employment and Wage Statistics 汇编而成。

      译自英文原文。职业名称保留英文:这是 SOC 分类的官方名称,检索也依据这些名称。凡是来源的确切措辞要紧的地方,请查阅上面链接的文件。