人类常常用旧世界的需求去估算新技术的规模，因此总是低估剧变。电刚进入家庭时，最容易想象的用途是照明；但真正改造生活的是冰箱、洗衣机、空调、电梯、冷链、夜间商业和城市密度。晶体管刚出现时，最容易想象的是更小的收音机；真正长出来的是个人电脑、智能手机、互联网和移动广告。带宽变便宜时，人们以为只是网页打开得更快；最后出现的是流媒体、视频会议、短视频和实时云服务。
AI 也正处在这样的误判期。今天许多讨论仍盯着一个狭窄问题：现有白领岗位会减少多少人？这个问题重要，但不够大。更大的问题是：当高质量认知帮助的成本急剧下降，过去买不起、找不到、不知道该信谁的人，会不会第一次进入市场？当普通家庭、小企业、低线城市、年轻人、劳动者和非专业组织都能获得某种法律、教育、医疗、财税、职业、经营和风险判断服务，社会会发生什么？
AI 的终局不是聊天框，而是认知基础设施。它的社会意义，不只是企业提效，而是重新分配高质量判断力。
这并不是说企业侧不重要。相反，企业会最先付费，生产流程会最先重组，白领岗位会最先受到冲击。但如果只从“旧工作如何被优化”出发，就会错过“新需求如何被创造”。真正的历史级机会通常不在“让既有活动更便宜”本身，而在“便宜之后，人类发明出过去不存在的活动”。
Stanford HAI 统计，达到 GPT‑3.5 等效水平的模型推理成本从 2022 年 11 月每百万 token 20 美元下降到 2024 年 10 月 0.07 美元，约 18 个月下降 280 倍以上；Epoch AI 对不同任务的估算显示，同等性能下推理价格下降速度为每年约 9 倍至 900 倍不等。[1][2]
因此，本文的核心判断可以压缩成三句话。第一，AI 正从“会回答问题的产品”变成“可调用的认知生产要素”。第二，白领工作不会简单整体消失，但会被拆解、重组和重新定价。第三，真正的创业机会不只是帮企业少雇人，而是把过去只属于少数人的高质量认知服务，建设成多数人和小组织可用的认知基础设施。
一、蚕食者上路：大公司的动作
大公司已经意识到，AI 的终局不是一个网页聊天框。它们正在把模型变成操作层、协议层、开发层和分发层。
OpenAI 的方向，是把 ChatGPT 和 API 变成 agent 运行环境。AgentKit 被官方描述为一套面向开发者和企业的完整工具，用来构建、部署和优化 agent；Codex 则从云端 coding agent 扩展到 Slack 集成、SDK 和企业管理工具。[3][4] 这意味着 OpenAI 不满足于“回答怎么写代码”，而要进入“接任务、改仓库、跑测试、发 PR、进团队流程”的环节。
Anthropic 的方向，是把 Claude 变成能连接工具、数据和组织知识的执行者。MCP 被定义为连接 AI 系统与数据源、业务工具的开放标准；Agent Skills 则把流程、脚本、模板和组织上下文打包成 agent 可动态加载的文件夹。[5][6] 这不是普通功能更新，而是在回答一个企业级问题：如果 agent 要做真实工作，它怎样安全、可控、可复用地获得上下文和操作能力？
字节跳动的路径更像“模型 + 内容 + 分发 + 工具 + 云平台”的组合拳。Coze Studio 的开源仓库称其为一站式 AI agent 开发工具，提供 prompt、RAG、plugin、workflow 等核心能力；Seedance 2.0 则面向视频生成，支持文本、图像、音频和视频四种输入，并采用音视频联合生成架构。[7][8] 低成本模型、内容生产工具和流量分发一旦结合，普通内容、营销和客服类 AI 应用会承受巨大压力。
这些动作看似会压缩创业者空间。实际上，它们更像电网和云计算的建设：上游巨头越强，浅层应用越危险，但下游可调用的原料也越便宜、越丰富、越标准化。问题不是普通创业者能不能比 OpenAI 更会训练模型，而是能不能比 OpenAI 更懂某个家庭、某个工厂、某类律师业务、某个县城门店、某种慢病管理、某类职业选择。
二、白领末日：夸张与真实
对白领工作的恐惧有现实基础。AI 已经能写代码、审材料、做摘要、生成初稿、查文献、读合同、写邮件、处理表格。许多办公室任务的成本将被压低，有些岗位会缩编，有些入门岗位会被改写。
但“完全消灭白领工作”仍是过度简化。2025 年，Anthropic CEO Dario Amodei 曾警告 AI 可能在一到五年内消灭一半入门级白领岗位，并把失业率推高到 10%–20%。[9] 这种判断抓住了任务层面的速度，却容易低估岗位层面的摩擦：责任、客户信任、监管、组织政治、异常处理和人际协调。
到 2026 年，公开就业数据也没有支持一种线性的“白领大屠杀”。Yale Budget Lab 在 2026 年 4 月的跟踪研究中指出，目前 AI 暴露、自动化和增强指标与就业或失业变化没有明显关系；其 2026 年 5 月进一步分析也未发现统计或经济意义上显著的 AI 就业影响。[10][11] Reuters 报道称，Sam Altman 也在 2026 年 5 月表示，AI 尚未导致他曾担心的“就业末日”，并承认此前对社会经济影响的判断比对技术能力的判断更容易出错。[12]
国际组织的估计也更接近“重组”而非“清空”。ILO 2025 年报告更新了职业暴露指数，强调大多数岗位仍需人类输入，更多影响可能是任务转化；WEF 2025 年 Future of Jobs Report 则预测，到 2030 年，技术与宏观趋势将创造 1.70 亿个岗位、替代 9200 万个岗位，净增加 7800 万个岗位。[13][14] Daron Acemoglu 的保守宏观估计则认为，未来十年 AI 带来的全要素生产率提升可能低于 0.55%。[15]
更准确的判断是：白领岗位会被拆成三块。第一块是可自动化任务，如写初稿、整理资料、生成代码、归档、核对、摘要。第二块是可增强任务，如分析、诊断、研究、教学、销售、咨询，AI 提供材料和建议，人类做判断与负责。第三块是难以外包给机器的任务，如信任建立、冲突协调、伦理取舍、背责、审美和人际说服。
真正危险的不是“所有白领消失”，而是职业训练阶梯被打断。很多人过去通过初级岗位学习行业语境、客户心理、错误案例和判断边界。如果这些初级任务被 agent 接走，未来社会需要新的学徒制：年轻人不能只被要求审核机器产出，还要有机会理解机器为什么错、人类为什么改、责任为什么不能外包。
另一个被低估的问题是工作流数据权。员工把自己的经验、判断、流程、话术、代码提交、审核标准写进系统后，这些材料可能继续为公司训练 agent。传统劳动法默认“人离职，劳动结束”；AI 时代会出现“人离职，工作流仍在公司上班”。如果不建立知情、同意、收益、补偿和审计机制，AI 可能不是解放劳动，而是把劳动者最值钱的隐性经验提前抽走。
三、从电力到智能：价格崩塌之后，新需求才出现
历史上，基础生产要素的廉价化通常经历三步。第一步，旧系统把新技术当成效率补丁。第二步，价格下降到某个临界点，组织开始围绕它重构。第三步，人类发明出过去不存在的需求，新的产业和社会习惯才真正爆发。
电力：不只是更便宜的灯
Paul David 在研究电气化生产率悖论时指出，早期工厂只是把电动机叠加到旧的蒸汽机和皮带系统上，生产率提升有限；真正的改变来自围绕小型电机重新设计工厂布局、机器配置和流程。[16] 家庭端也一样。Yale Energy History 记录，1910 年美国约七分之一家庭接入电力，到 1930 年已升至约七成。[17] 电的普及并没有止步于照明，而是扩展到冰箱、洗衣机、吸尘器、电梯、空调和冷链。
冰箱尤其能说明问题。1930 年代初，美国只有约 8% 家庭拥有机械冰箱；到十年末，这一比例升至 44%；今天冰箱已接近家庭基础设施。[18] 1850 年的人如果只问“照明需要多少电”，就无法想象现代家庭会持续消耗大量电力。今天如果只问“现有白领岗位需要多少智能”，也可能低估未来社会对智能的真实需求。
集装箱：不是铁盒子，而是全球供应链
1956 年，Malcom McLean 的 SS Ideal X 运载 58 个集装箱出航。McLean 的会计测算显示，用集装箱装船成本约每吨 15.8 美分，而传统散货装船约每吨 5.83 美元。[19] 这只铁盒子的意义不在盒子本身，而在标准、港口、铁路、公路、堆场、工会、海关和全球生产地理的重构。
AI 也是如此。把聊天机器人插进旧流程，最多是“码头边多几只箱子”；围绕 agent 重新设计数据、权限、评测、组织和责任，才是新的港口。
晶体管、存储和带宽：便宜之后，人类开始“浪费”
计算、存储和带宽的长期降价，让人类从节省每一字节，转向默认保存、默认上传、默认推荐、默认视频化。Our World in Data 的历史数据展示了计算机存储价格的指数级下跌。[20] 当资源便宜到可以被“浪费”，新行为才出现：不是更快地写信，而是即时通信；不是更快地打开网页，而是实时短视频；不是更便宜地保存文件，而是云端保留一切。
AI 也会进入“认知浪费”时代。未来的个人和企业会默认让 agent 读邮件、看合同、追踪健康指标、复盘学习路径、监控现金流、检查法律风险、搜索机会和提醒异常。今天觉得“多问几轮太贵”的任务，明天会变成后台基础设施。
当然，Jevons 悖论提醒我们：效率提升不必然减少总消耗。更高效的蒸汽机曾扩大煤炭使用；更便宜的 AI 推理也可能扩大总算力需求。IEA 预计，全球数据中心用电量到 2030 年将翻倍至约 945 TWh，接近全球用电量的 3%，AI 是重要驱动之一。[21] 廉价智能既是社会机会，也是能源、芯片、电网和地缘政治问题。
四、认知基础设施：AI 真正降低的是什么成本
说 AI 降低“认知处理成本”是对的，但还不够。更深的变化是：AI 降低了普通人和小组织获得高质量认知帮助的成本。
这两者差别很大。“认知处理成本”偏生产侧：写代码、做表、写报告、审合同、生成文案。“获得高质量认知帮助的成本”则指向更大的社会场景：职业选择、教育规划、法律风险、医疗判断、投资决策、创业方向、经营管理、家庭重大决策。许多人不是不需要这些帮助，而是过去买不起、找不到、不知道该信谁。
社会中的许多不平等，本质上不是“信息不平等”，而是“高质量判断力不平等”。大学专业介绍、就业数据、法律条文、医学科普、公司财报、城市政策都可以在网上查到。真正稀缺的是：哪些信息重要？哪些风险不能碰？什么路径适合我？什么机会长期复利大？这个合伙人是否可靠？这份合同哪里危险？这次医疗选择该如何准备第二意见？
这种判断过去高度依赖家庭背景、阶层资源、社交网络和偶然贵人。AI 如果能把一部分高质量认知资源规模化、低成本、可审计地提供给普通人，它的意义就不仅是企业效率提升，而是社会流动机制的变化。
被价格压住的需求很大
法律就是典型例子。美国 Legal Services Corporation 2022 年研究显示，低收入美国人的 92% 民事法律问题没有获得任何或足够法律帮助；World Justice Project 估计，全球 15 亿人无法解决民事、行政或刑事司法问题，若把缺乏法律工具和极端不公纳入计算，约 51 亿人面临至少一种司法缺口。[22][23] 这不是没有需求，而是专业服务太贵、太远、太难获得。
教育也一样。Bloom 1984 年的“2 Sigma Problem”指出，一对一辅导结合掌握学习可显著提高学生表现，但问题在于无法把这种条件普遍规模化。[24] 与此同时，UNESCO 估计全球到 2030 年仍需 4400 万名中小学教师；世界银行 2022 年报告称，低收入和中等收入国家约 70% 的 10 岁儿童无法读懂简单文本。[25][26] 如果 AI 能提供低成本、可监督、可个性化的辅导，它不只是教育工具，而是认知基础设施。
医疗也存在类似供给缺口。WHO 估计，全球到 2030 年将短缺 1100 万卫生工作者，主要集中在低收入和中低收入国家。[27] AI 不应替代医生做高风险诊断，但它可以帮助患者整理病史、理解报告、准备问诊、提醒复诊、管理慢病、识别何时需要线下就医。这些服务过去常常依赖家庭资源和个人运气。
职业选择、城市选择、创业方向、财税合规、小企业经营管理也是同一逻辑。普通人不是不需要判断，而是过去没有可负担的判断供给。AI 廉价化之后，很多专业服务会从“出事后找专家”变成“日常风险管理”。这就是需求扩张。
| 过去的稀缺服务 | AI 廉价化后的可能形态 | 真正卖的不是 | 真正卖的是 |
|---|---|---|---|
| 私人律师 | 持续法律风险管理、合同预警、劳动/租房/消费权益陪伴 | 法律问答 | 风险识别、材料准备、专家转介、责任边界 |
| 一对一家教 | 长期学习路径、错题诊断、能力画像、个性化训练 | 题目答案 | 学习反馈、节奏管理、信心和习惯 |
| 家庭医生/健康顾问 | 慢病管理、就医准备、复诊提醒、报告解释 | 在线诊断 | 导航、陪伴、早期预警、人类医生协作 |
| 职业顾问/人生前辈 | 长期职业决策系统、能力建设计划、行业风险提醒 | 简历修改 | 路径判断、信息筛选、行动节奏 |
| 企业顾问团队 | 小企业“迷你法务、财务、HR、运营、销售”团队 | SaaS 工具 | 经营决策支持和持续执行 |
五、未来的商业与社会形态
如果智能继续变便宜，未来不会只是“同样的公司少雇几个人”。更可能出现的是四种商业与社会形态。
1. 专业服务下沉：从高端、低频、昂贵，到大众、日常、低成本
律所、会计师事务所、咨询公司、教育机构、医疗服务机构不一定只是缩编。它们也可能服务更多客户、更高频次、更细颗粒度的场景。一个律所如果用 AI 降低基础合同审查、材料归档和法律研究成本，可以为中小企业提供持续法律顾问，为普通家庭提供低成本合同审查，为劳动者提供权益咨询，为创业者做合规风险监控。专业人士的角色会从基础劳动转向判断、签字、监督、关系和责任。
这会产生一种新的竞争：谁能把专家服务做成日常基础设施，谁就能扩大市场；谁只把 AI 当裁员工具，谁可能在服务密度上被领先者打败。
2. 小企业拥有“迷你专业团队”
大量小企业失败，不是因为老板不努力，而是缺少法律、财税、销售、库存、人力、合规、品牌和现金流管理能力。过去这些能力只有大企业负担得起。廉价智能可能让小企业第一次拥有“低配但持续在线”的专业团队。
这会改变竞争结构。未来小企业的差距不只是有没有流量，而是有没有一套能够持续理解业务、检查风险、复盘经营、辅助决策、自动执行的 agent 系统。一个县城门店、一家外贸工厂、一个十人诊所、一家小律所，都可能获得过去只有大公司才有的经营中枢。
3. 个人拥有长期认知伴侣
真正的个人 AI 不是回答一次问题，而是长期理解一个人的背景、目标、约束、偏好、家庭、能力、风险和历史选择。在重要节点，它提供建议；在日常生活中，它提醒风险；在学习和职业中，它帮助形成复利。
这会让“个人知识库”“长期记忆”“数据主权”变得重要。个人不应被锁在单一平台的黑箱记忆里。未来有价值的个人系统，应该让用户拥有可迁移的上下文：教育经历、职业目标、健康资料、合同文件、财务计划、学习记录、项目复盘、人生偏好。谁拥有上下文，谁就拥有个人智能的主动权。
4. 工作流数据权成为新劳动问题
当企业要求员工把经验写成 skill，当咨询公司把专家流程固化成 agent，当医院、律所、学校、客服中心把人的判断序列纳入模型，社会必须回答一个问题：工作流数据归谁？
如果员工的隐性经验被系统化后继续创造利润，员工是否有权知道？是否能拒绝？是否能分享收益？如果某个岗位被自己训练出的 agent 替代，是否应有特殊补偿？如果专家判断被模型复制后服务外部客户，原专家是否拥有署名、审计或收益权？
这些制度不会阻止 AI，反而会让 AI 更可持续。工业革命需要工厂法和劳动法；AI 革命需要工作流数据权、模型审计、责任边界和高风险服务监管。
5. AgentOps 与 TrustOps 成为基础设施
当一个企业拥有 300 个 agent，问题不再是“能不能生成答案”，而是：哪个 agent 犯错？用了哪些数据？有没有越权？成本为何暴涨？输出是否可追溯？是否泄露客户隐私？是否被网页提示注入？出了事故谁负责？
因此，未来会出现一类新基础设施：AgentOps 管执行、评测、监控、回放、成本、权限；TrustOps 管审计、合规、专家复核、责任证明和用户信任。这些看似后台，却是高风险认知服务能否规模化的前提。
六、创业者的机会：不是 AI 工具，而是认知服务交付
普通创业者不应问：“哪个行业最容易被 AI 改造？”还应问：“哪些人过去最缺高质量认知服务？”前一个问题容易把人带向企业降本增效；后一个问题会把人带向新需求、新市场和社会价值。
普通人的人生决策
高考志愿、职业选择、城市迁移、买房租房、婚姻家庭法律风险、医疗选择、长期学习路径。这些需求过去分散、低频、难服务，但 AI 可以使其持续化和产品化。
小企业的专业能力补齐
小企业需要法律、财税、销售管理、人力管理、合规、供应链分析和现金流预警。AI 可以提供“迷你专业团队”，但必须有人类专家兜底。
下沉市场的专家服务
县城、小镇、小微商户、普通劳动者长期缺少可信专业服务。法律、教育、医疗、财税和经营咨询的低成本交付，有商业机会，也有社会价值。
高风险决策的智能陪伴
许多巨大损失来自一次错误决策：签错合同、选错行业、错误负债、错过治疗窗口。AI 的价值不只是提高办公效率，而是降低关键决策的灾难概率。
这要求创业者改变产品想象。不是做“AI 法律聊天机器人”，而是做“普通人和小企业的持续法律风险管理系统”。不是做“AI 教育问答”，而是做“长期学习路径与能力建设系统”。不是做“AI 医疗咨询”，而是做“低风险健康管理、就医准备和复诊陪伴系统”。不是做“AI 职业规划工具”，而是做“长期职业决策与能力建设系统”。
创业者的战场不是模型聪明程度，而是某类复杂认知服务能否被产品化、规模化、可信化。
为什么大厂强，创业者仍有机会
OpenAI、Anthropic、ByteDance 会继续吞噬浅层工具。它们会把通用写作、通用 coding、通用 agent 编排、通用视频生成、通用知识库和通用连接器不断平台化。这是事实。
但它们仍然很难亲自做每一个具体责任界面。它们不可能为每一家小企业的劳动合同风险、每一个县城家庭的高考志愿、每一家外贸工厂的报价底线、每个病人的复诊准备、每个小微商户的税务合规、每个地区的监管口径承担长期服务责任。
普通创业者的机会来自六个模型公司不容易复制的东西：
- 真实场景：进入客户现场，理解旧流程、灰度规则和实际约束。
- 专有工作流数据：沉淀错误样本、评测集、审核标准、异常处理记录。
- 人类专家兜底：在法律、医疗、教育、财税等场景建立责任边界。
- 信任和分发：用户在高风险决策中买的不是答案，而是谁可信。
- 本地化和合规：行业规则、地区差异、牌照、审计和隐私要求。
- 长期陪伴：理解用户上下文，跨时间提供连续判断，而不是一次问答。
判断一个 AI 创业机会是否值得做，可以问十个问题。
| 1 | 客户今天是否已经为类似服务付钱，还是你在凭空创造需求？ |
| 2 | 你拿的是软件预算，还是人力、外包、咨询、服务预算？后者更大。 |
| 3 | 结果能否验收？错误能否被人类兜底？ |
| 4 | 用户是否缺的是信息，还是缺判断、路径和风险识别？后者更有价值。 |
| 5 | 服务是否能从一次回答变成长期陪伴？ |
| 6 | 每次交付是否能沉淀新的案例、评测、流程和上下文？ |
| 7 | 是否需要信任、合规、专家网络、牌照或本地化？需要反而可能是护城河。 |
| 8 | 模型升级会让你被替代，还是让你的成本下降、质量上升、毛利变高？ |
| 9 | 你服务的是已被充分服务的富人和大企业，还是过去缺少认知服务的人群？ |
| 10 | 你卖的是 AI 工具，还是对某个结果、某段陪伴、某类风险承担责任？ |
最现实的打法
创业者不应一开始做通用平台。先选一个足够具体、足够痛、已经有人付费的服务。早期可以像服务公司，甚至人工比例很高。目标不是立刻拥有漂亮软件毛利，而是进入真实工作流，拿到错误样本、审核标准、用户反馈和责任边界。
一个可行路径是：先以“AI 初做 + 人类复核 + 可验收结果”交付；把每次交付拆成 SOP、skill、评测集和异常库；逐步把 80% 人工 + 20% AI 变成 20% 人工 + 80% AI；最后形成垂直 Autopilot 或持续认知服务。
创业者要避免两种幻觉。第一种是“模型幻觉”：以为换一个更强模型就是护城河。第二种是“流量幻觉”：以为做一个好看的 AI 产品界面就会有留存。真正的护城河来自认知服务交付：用户信任你，专家兜底你，数据反馈给你，流程沉淀在你这里，模型升级反而增强你。
结语：智能越便宜，人类问题越昂贵
AI 的终局不会是一个完美聊天框，也不会是白领世界一夜清空。更可能的终局，是智能像电力、带宽和云计算一样成为廉价、可调用、可嵌入的基础要素。它会吞噬大量旧任务，也会创造大量新需求；它会增强大公司，也会放大小团队；它会降低专业服务成本，也可能扩大监控、剥削和责任真空。
当写作便宜，品味更贵。
当代码便宜，产品判断更贵。
当分析便宜，问题定义更贵。
当答案便宜，信任和责任更贵。
真正的时代命题，不是“AI 是否能思考”，而是“我们如何把廉价智能变成更广泛的人类能力”。如果它只用于企业裁员、平台垄断和工作流炼丹，它会加剧不平等。如果它被建设成认知基础设施，让普通人、小企业和弱势市场获得过去没有的专业判断、经验支持和决策能力，它就可能成为一次罕见的认知平权。
这也给创业者一个更大的使命。不要只制造下一个办公工具。去把法律、教育、医疗、职业、财税、经营和风险判断这些过去昂贵、低频、高门槛的认知服务，变成大众、日常、低成本、可信赖的基础设施。历史不会把最大机会留给只卖电的人，也不会只留给训练模型的人。它会奖励那些把廉价要素变成新生活方式的人。
剧变已经开始。胜负不在于谁喊出了最惊人的 AGI 口号，而在于谁能回答最朴素的问题：当智能变得像电一样便宜，我们究竟要用它照亮谁的生活？
参考来源
- Stanford HAI, AI Index 2025: State of AI in 10 Charts, 2025. https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts
- Epoch AI, LLM inference prices have fallen rapidly but unequally across tasks, 2025. https://epoch.ai/data-insights/llm-inference-price-trends
- OpenAI, Introducing AgentKit, 2025. https://openai.com/index/introducing-agentkit/
- OpenAI, Codex is now generally available, 2025. https://openai.com/index/codex-now-generally-available/
- Anthropic, Introducing the Model Context Protocol, 2024. https://www.anthropic.com/news/model-context-protocol
- Anthropic, Equipping agents for the real world with Agent Skills, 2025. https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
- coze-dev, Coze Studio GitHub Repository. https://github.com/coze-dev/coze-studio
- ByteDance Seed, Seedance 2.0 Official Launch, 2026. https://seed.bytedance.com/en/blog/official-launch-of-seedance-2-0
- Axios, AI jobs danger: Sleepwalking into a white-collar bloodbath, 2025. https://www.axios.com/2025/05/28/ai-jobs-white-collar-unemployment-anthropic
- Yale Budget Lab, Tracking the Impact of AI on the Labor Market, 2026. https://budgetlab.yale.edu/research/tracking-impact-ai-labor-market
- Yale Budget Lab, What We Do and Don’t Know About How AI Is Affecting the Labor Market, 2026. https://budgetlab.yale.edu/research/what-we-do-and-dont-know-about-how-ai-affecting-labor-market
- Reuters, OpenAI’s Altman says AI unlikely to lead to jobs apocalypse, 2026. https://www.reuters.com/world/asia-pacific/openais-altman-says-ai-unlikely-lead-jobs-apocalypse-2026-05-26/
- International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
- World Economic Forum, Future of Jobs Report 2025, 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/
- Daron Acemoglu, The Simple Macroeconomics of AI, NBER / MIT, 2024. https://economics.mit.edu/sites/default/files/2024-04/The%20Simple%20Macroeconomics%20of%20AI.pdf
- Paul A. David, Computer and Dynamo: The Modern Productivity Paradox in a Not-Too-Distant Mirror, 1989/1990. https://ideas.repec.org/p/wrk/warwec/339.html
- Yale Energy History, Electricity Consumption: Culture, Gender and Power. https://energyhistory.yale.edu/electricity-consumption-culture-gender-and-power/
- Smithsonian National Museum of American History, Not just a cool convenience: How electric refrigeration shaped the cold chain. https://americanhistory.si.edu/explore/stories/not-just-cool-convenience-how-electric-refrigeration-shaped-cold-chain
- Works That Work, Marc Levinson, The Box That Shrank the World. https://worksthatwork.com/2/intermodal-container
- Our World in Data, Historical price of computer memory and storage. https://ourworldindata.org/grapher/historical-cost-of-computer-memory-and-storage
- International Energy Agency, Energy and AI — Energy demand from AI, 2025. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
- Legal Services Corporation, Justice Gap Research, 2022. https://www.lsc.gov/initiatives/justice-gap-research
- World Justice Project, Measuring the Justice Gap, 2019. https://worldjusticeproject.org/our-work/research-and-data/measuring-justice-gap
- Benjamin S. Bloom, The 2 Sigma Problem, Educational Researcher, 1984. https://web.mit.edu/5.95/www/readings/bloom-two-sigma.pdf
- UNESCO, Global report on teachers: addressing teacher shortages and transforming the profession. https://www.unesco.org/en/articles/global-report-teachers-addressing-teacher-shortages-and-transforming-profession
- World Bank, 70% of 10-Year-Olds now in Learning Poverty, 2022. https://www.worldbank.org/en/news/press-release/2022/06/23/70-of-10-year-olds-now-in-learning-poverty-unable-to-read-and-understand-a-simple-text
- World Health Organization, Health workforce. https://www.who.int/health-topics/health-workforce
- David Autor, Applying AI to Rebuild Middle Class Jobs, NBER Working Paper 32140, 2024. https://www.nber.org/papers/w32140
- Acemoglu & Restrepo, Automation and New Tasks: How Technology Displaces and Reinstates Labor, Journal of Economic Perspectives, 2019. https://www.aeaweb.org/articles?id=10.1257%2Fjep.33.2.3
- William Stanley Jevons, The Coal Question, 1865; Yale Energy History summary. https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/
Discussion
评论
正在加载评论...