大規模失業是錯的恐懼，真正的危機在工資與不平等#
AI 帶來的最大眾化擔憂是「大規模失業」。但歷史與經濟分析皆指出：真正的危機其實是工資停滯與所得不平等。
幾個常被引用的預測：
- 2013 年 Oxford 的經濟學家 Carl Benedikt Frey 與機器學習教授 Michael Osborne 估計，美國近半工作在二十年內「高度自動化風險」（後續方法被批評；OECD 以另一方法估出不到 10%）。
- 2018 年 PwC 預估到 2030 年代中期全球三分之一工作可能被自動化。
- 高盛預估生成式 AI 時代可能「等同於」自動化掉全球 3 億個工作。
- OpenAI 執行長 Sam Altman 對《大西洋月刊》直言：「工作肯定會消失。」
- 微軟與 OECD 調查：全球有一半到五分之三的勞工擔心被 AI 取代。
但作者主張：AI 確實會讓某些工人錯位，我們仍有極大的政策空間決定錯位的程度。鼓勵企業用 AI 補強人類能力，而非替代人類，整體經濟的影響可以是正向的。
歷史的教訓#
過去技術革命都創造了更多工作#
- 汽車淘汰馬車相關職業，但創造了製造、道路工程、油氣業、加油站等更大量工作。
- 2015 年 Deloitte 用英國 144 年人口普查資料分析自 1871 年以來的科技衝擊：
- 體力勞動（農業、工廠）大幅減少。
- 護理、托嬰、長照、商業服務、科技本身大幅增加。
- 1871 至 2011 年英國會計師人數成長 20 倍。
- 1992–2011 年打字員減少 57%，管理顧問成長 365%。
- 世界經濟論壇分析也得出相同結論：被科技摧毀的工作數，遠少於被科技創造的。
這次為什麼有人覺得不一樣？#
三個讓人懷疑「這次不同」的原因：
- 影響範圍廣：AI 是通用技術，更接近蒸汽機與電力，而非焊接機器人。
- 進步與導入速度快：AI 可能在新工作或新人才培育出來之前就大量取代既有職位。
- 直擊人類的比較優勢——智能：
「馬曾經唯一的比較優勢是肌力。當內燃機贏了它，它就無處可去。」過去的勞動革命，腦袋讓人能轉行；但 AI 第一次直接挑戰人類的比較優勢——智能。
互補，不是替代#
950 種職業、18000 個任務的研究#
Stanford 經濟學家 Erik Brynjolfsson、CMU 教授 Tom Mitchell 等人分析了 950 種職業、18000 個職務任務：「沒有任何一種工作裡，機器學習能完成所有原本由人完成的事情。」
- 每個工作中總有些任務 ML 能幫忙，但也總有些任務需要人類介入。
- 因此不能「拔掉人，塞進機器」就完事，必須伴隨大量重組與重構。
- 證據顯示「人馬獸（centaur，人機協作）」表現比單獨人類或單獨 AI 都好。
兩者天然互補#
- AI 比人擅長在大量資料中找模式、快速生成內容。
- 人比 AI 擅長計畫、發想新點子、解讀肢體語言、給出真實同理心。
跳出圖靈陷阱#
Brynjolfsson 的警示：Turing Trap#
Brynjolfsson 把圖靈測試的「模仿人類」當作智能標準，視為一種**「圖靈陷阱（Turing Trap）」**——它把 AI 的設計者引導到「替代人」的方向。
- OpenAI、微軟、Google、Anthropic 紛紛宣傳模型在「律師考試、醫師執照考、程式競賽」等人類測試中超越平均人，造就「AI 可以填補律師、醫師、工程師缺口」的錯覺。
- OpenAI 對 AGI 的定義也是「單一系統能在大多數有經濟價值的工作中超越人類」，本質上設定 AI 為人類的替代品。
Daedalus 的青銅雕像：純粹替代會讓文明停滯#
Brynjolfsson 的思想實驗：希臘神話中的工匠 Daedalus 若真打造出能完全取代希臘人勞動的青銅機器人，希臘人將過上純粹閒暇的生活——但文明也將停在古希臘。
「再多免費的陶罐和馬車，價值也是有限的。」
AlphaZero：人機協作開啟全新可能#
- DeepMind 的 AlphaZero 從零知識起步，僅靠自我對弈學會圍棋與西洋棋，達到超人水準。
- 它的策略和人類截然不同：重視棋局位置與機動性遠勝於個別棋子的價值，與多數大師教育相反。
- 西洋棋世界冠軍 Magnus Carlsen 表示與 AlphaZero 對戰幫他演化了自己的棋風。
- DeepMind 執行長、前少年棋王 Demis Hassabis 形容它是「從另一個維度走來的西洋棋」。
LLM 只能複製人類既有知識；以**強化學習（reinforcement learning）**自我訓練的 AI 才有可能發現全新的知識。如果我們不再把 AI 視為純粹的人類替代品，這種突破就可能在其他領域複製。
即將到來的生產力大爆發#
規模有多大？#
- Brynjolfsson 估計：廣泛採用 AI 可讓美國生產力成長翻倍至 3%。
- McKinsey 估計：若 AI 能讓美國生產力回到二戰後平均的 2.2%（2005 後僅 1.4%），到 2030 年將為美國 GDP 額外貢獻 10 兆美元。
- 全球 16 個關鍵產業每年可能新增 2.6–4.4 兆美元經濟價值——超過英國全部 GDP。
Sam Altman 的觀點：「我們需要成長。沒有足夠的可持續成長，是各種問題的根源。」AI 可以把過去幾十年缺失的生產力提升找回來、甚至超越過去。
生產力提升不必然減少就業#
關鍵概念：價格彈性（price elasticity of demand）。
- 標準化貨櫃讓碼頭工人更高效，最終碼頭工人變少。
- 高階程式語言讓程式設計效率提升，但全球程式員人數反而暴增。
放射科與會計：例證#
- 2016 年 Hinton 預言放射科醫師五年內會被 AI 取代——五年後，放射科醫師需求反而更高。技術讓影像便宜了，影像就用得更多，醫師更不夠。
- MIT 經濟學家 David Autor：「程式員生產力提升 30%，市場是會少 30% 程式員，還是多 60% 軟體？我認為後者更可能。」
- 富裕國家有「專家瓶頸（expertise bottleneck）」：1970 年代學士與高中畢業者每週工時差距小，今天差距巨大且學士工時持續上升——因為對專家的需求遠大於供給。
- 2023 年美國缺合格會計師：每年 12.65 萬個職缺，2020 年只有 7.3 萬人取得會計學位（2016 年近 8 萬），考 CPA 的人數降至 20 年新低。AI 可同時提升現職人員效率與讓較淺資歷者勝任更高層次的工作。
Uber 效應第一部分：工資壓低#
真正該擔心的，不是大規模失業，而是工資壓低與所得不平等加劇。
Uber 效應#
- 2000 年代中期前，倫敦計程車司機需要專業知識、專用車與牌照（供給受限）。
- GPS、手機、Uber 出現後，任何持駕照的人都能成為計程車司機。
- 司機數量增加，每英里收入下降——對乘客是好事，對司機則是雙面刃。
- 但對頂端的私人司機（如能執行反恐駕駛訓練的）並沒有衝擊。
寫作與行銷文案的縮影#
- ChatGPT 推出後，自由撰稿人開始被客戶要求大幅降價，或被要求兼提供其他服務才願意外包。
- 即使大家承認專業文字仍然較好，公司仍認為沒有理由為 AI 能免費完成的事付費。
- 但策略性的行銷主管、大型廣告活動的核心文案，仍未被 ChatGPT 影響。
Uber 效應第二部分：可能反而縮小所得不平等#
中產階級的空洞化#
- 1970–2020 年，美國家庭收入介於中位數 75–150% 的比例從 43% 降至 33%。
- 1979–2018 年中產家庭稅後所得僅成長 53%，最高五分位則暴增 120%。
從 Uber 效應看翻轉的可能#
Autor 樂觀地指出：AI 的 Uber 效應可以讓較少訓練、較少經驗的人勝任原本只屬於昂貴專家的判斷工作；過去 50 年被擠出中產的人有機會回到較穩定的位置。
- 這同時也讓法律、財務、醫療等專業服務變得更便宜、更普及。
護理師執業師（Nurse Practitioner）的類比#
- 美國 1960 年代才有的職位，目前約 25–40 萬人。
- 6–8 年訓練（學士護理 + 碩士 + 2 年臨床），低於醫師的 11–16 年。
- 可開立檢查、開藥，但薪資雖低於醫師，仍是美國中位年薪的兩倍以上。
- AI 可在會計、獸醫、估價師、財務顧問等領域複製這個模式：例如以副學士會計加上 Copilot，就能簽證財務報表。
Sam Altman 對 AI 縮小不平等持樂觀態度——不是因為他認為工資不會被壓低，而是 AI 會讓商品與服務的價格下降得更快，讓購買力上升。前提是：AI 是補強而非替代人類。
重回 Engels 暫停#
一段被遺忘的歷史#
- 1800–1860 年，英國工業化生產力快速上升，但工人平均工資長達 60 年停滯——史學家 Richard Allen 稱為「Engels 暫停（Engels’ pause）」。
- 由 Engels 對 1844 年曼徹斯特工人困境的記述衍生而來，並深深影響了馬克思。
- 動力織布機、蒸汽機、金屬壓床直接取代熟練工匠，同時需要大量低薪非技術人手（包括兒童）操作。
- 直到機器變得更精細，需要更熟練的操作員，加上工廠變大需要管理層、書記與會計，人機才開始互補，工資才回升。
若我們把 AI 設計成替代人類而非補強，Engels 暫停可能再次發生——而這次的代價在美國不只是不平等，還是種族與性別不平等的加深。
種族與性別的衝擊#
- 多數黑人工作於 office support；黑人與拉丁裔在三類最暴露於自動化的職業（行政與客服、餐飲、工廠生產）佔比過高。
- 女性是行政與客服的主力——McKinsey 估計 2030 年前這兩類職業將分別流失 370 萬與 200 萬個工作。
- 黑人在最不受衝擊的五大專業（醫療、商業與法律、創意/藝術管理、教育、物業維護）佔比過低。
- McKinsey 估計到 2030 年，自動化可能讓黑人在職人數至少少 13.2 萬。
國家的財富：發展中國家的雙刃刀#
BPO 的衰退風險#
- 客服、IT 支援、軟體開發、會計外包到菲律賓、印度等地，分別佔該兩國 GDP 的 7.5% 與 8%。
- AI 聊天機器人與 Copilot 可能讓大量這類工作被淘汰或大幅縮減。
全球資料標註者的隱形地下勞動#
- 多數 AI 系統需要大量人工標註的資料：影像分類、語音轉錄校正、ChatGPT 回答的有用度評分。
- 標註者多在委內瑞拉、墨西哥、保加利亞、肯亞、菲律賓、印度，雖高於當地最低工資但遠低於歐美水準。
- 部分工作需要審視色情、性虐、極端暴力影像，會留下嚴重而長久的心理創傷。
AI 可能催生一個全球的「資料標註下層階級」——多在全球南方、被視為可拋棄的勞動，而軟體的好處則歸於富國。
AI 倫理學者 Adrienne Williams、Milagros Miceli、Timnit Gebru 主張建立論壇讓標註者公開不良工作條件並組織起來。MIT 研究者建立的 Turkopticon 網站，讓 Amazon Mechanical Turk 上的標註者分享合約細節。立法要求 AI 公司公開資料準備過程也有助於改善。
推動企業跳出圖靈陷阱#
美國稅制如何反向獎勵自動化#
美國公司投資於人，需付約 7.65% 的薪資稅；投資 AI、機器人卻有折舊優惠與稅額抵減。
MIT 的 Daron Acemoglu、Andrea Manera 與 Boston University 的 Pascual Restrepo 估計：每 100 美元投資於人，公司納稅約 30 美元；投資於 AI 或機器人，僅 5 美元。1990 年代這個自動化稅率約 20%，2010 年代降到 10%，現在更低。
研究結論：稅制長期偏袒自動化、造成過度投資；若稅率扯平，就業可增加超過 4%。
機器人稅的可行設計#
- Acemoglu 主張對「在人類仍有比較優勢的領域（護理、複雜稅務、新聞）」應用 AI 與機器人的公司課稅，但這在執行上不易。
- 較簡單的設計：對「投資 AI / 機器人 → 同時裁員 → 同時營收成長」的公司課稅——這是「替代型自動化」的近似指標。紐約州民主黨議員已提出類似法案。
集體談判的現代化#
工會應停止反射性地反對所有 AI 與自動化，而應擁抱 AI——同時施壓雇主把 AI 當補強技術，並推動再訓練與社會安全網。同時也應與全球南方的標註勞工團結。
美國體制需要翻轉#
- 1935 年的《華格納法》（Wagner Act）以單一雇主為集體談判預設單位，甚至可細化到單一廠房。
- 工會代表進入董事會則被禁止（除非整家公司全工會化）。
- 若改為以整個產業為預設單位（雇主必須舉證為何例外），工會的話語權將大幅提升——歐洲多數國家已實施部門談判。
好萊塢：美國少數的部門談判案例#
2023 年好萊塢編劇與演員大罷工是 AI 議題的首場大戰：編劇工會（WGA）達成共識——「AI 可作為工具，但人類編劇必須持續獲得完整署名與報酬。」這個立場可作為其他產業談判的範本。
擴大社會安全網#
必要性與規模#
- McKinsey 估計，到 2030 年將有 1180 萬美國人需要轉換職業，其中 900 萬將跨越完整的職業類別（例如行政助理變程式設計師）。
- 美國 GDP 用在轉職輔導的比例僅 0.1%，比 30 年前還少一半。
政策方向#
- 把資金直接交給勞工進行再訓練，不要倚賴對企業的稅額抵減（企業擔心員工學完跑掉）。
- 健康、失業福利不該與工作狀態緊綁；若失業期延長或進修，不應因此失去保障。
- 失業給付不該只給「積極求職者」，也該支援進一步的教育與證照課程。
Brynjolfsson：「有準備的勞動力是公共財。我們所有人都該為它買單。」
UBI 是必要的嗎？#
AI 帶來的失業恐懼，再次點燃了「全民基本收入（universal basic income, UBI）」的呼聲。但作者認為，全面 UBI 並非必要——更需要的是更慷慨的失業與再訓練福利。即使 AI 不會造成大規模失業，仍會有大量錯位與重組，受影響者不應因此跌入貧困。
補強，還是替代：選擇權在我們手上#
決定 AI 經濟影響最大的因素，是企業選擇把 AI 主要當作Copilot（補強人類）還是Replacement（替代人類）。
- 機器人稅可以引導企業偏好補強。
- 集體談判可以推同方向。
「技術不是發生在我們身上的事，是我們塑造與引導的事。」我們仍可以雕琢 AI，使它放大、而非削弱人類的經濟潛能。