这一章讲本书处理不确定性的方法。第 1 章写的是 2026 年 9 月的现状，每个数字都能核对。从 2027 年起，没有任何数字能核对，只有推演。本书不假装知道推演的答案，而是把可能的未来拆成三条差别足够大的线，给每一条建议标上它在哪条线上成立，然后把"无论哪条线都成立"的建议排在最前面。这一章先解释为什么这样做，再给出三条线的定义和锚点，再用表把每条线上 2027、2028、2030 年的就业、收入、诈骗、法律、教育、医疗写出来，再讲"全情景优先"背后的期望值算术，再检验三个最常被引用的历史类比，最后给读者 8 个指标，让读者以后自己更新判断，不用等这本书再版。
按本书的规则，本章关于 2027 年以后的所有内容都是 C 级。C 级不是没用，而是提醒读者：这些是带条件的推演，条件写在每一段里。
为什么本书不预测，而是给每条建议贴标签
关于 AI 的预测，过去几年的记录是两个方向都错。2023 年初，大部分行业内的人没有预测到 2026 年 AI 会在国际数学奥林匹克拿满分、会写谷歌四分之三的新代码、能独立完成 12 小时的软件任务。同一批人里，也有不少人在 2023 到 2024 年预测"2025 年 AI 会替代大部分程序员"，这也没发生：2026 年 8 月美国计算机系统设计业的就业是 236 万人，是历史高位，只是入门岗位在收缩。预测失准不是因为预测的人笨，而是因为这项技术的进步速度本身在变，而且经济对它的吸收速度和技术进步速度是两回事。
METR 的时间跨度数据把这个问题说得最清楚。自 2023 年以来，AI 能独立完成的任务时长大约每 129 天翻一倍；如果把 2019 年以来的数据都算进去，是每 7 个月翻一倍。这两个速度在 2028 年的差别是几十倍：按 129 天算，2028 年中的时间跨度是几百小时；按 7 个月算，是四十小时上下。METR 自己在 2026 年的报告里同时给出了这两条趋势，并说明它现有的任务集在 16 小时以上就不可靠。也就是说，最有资格做这个预测的机构，给出的是一个区间，而不是一个数。
在这种情况下，给读者一个单一的预测是不负责任的，因为读者会照着它做不可逆的决定。更好的办法是情景规划。这套方法是壳牌石油公司在 1970 年代发展出来的，后来被军方和大企业广泛使用。它不问"最可能发生什么"，而是问"有哪几种差别足够大的未来，我的决定在其中哪几种里是对的"。一个在所有情景里都不后悔的决定，叫稳健决定。情景规划的产出不是一个预测，而是一张表：哪些决定稳健，哪些决定押注。
本书的做法是把这张表做到每一条建议上。每条建议的"情景"字段有三种写法。"全情景"指三条线上都成立。"基准线及更快"指慢线上不成立或收益很小。"只在快线成立"指只有 AI 发展最快的情况下才值得做。排序时，同等性价比下全情景排前，只在快线成立的自动降一档。第 0 章讲过这个规则，这一章要解释它背后的算术，以及三条线各自到底是什么。
这个做法还有一个附带的好处：它让读者可以自己更新。一本书一旦印出来就过时了，但如果每条建议都标明了它依赖的情景，读者只要知道世界现在更接近哪条线，就能自己重新排序。本章末尾的 8 个指标就是干这个用的。
三条线的定义与锚点
三条线的差别不在于"AI 有没有用"，这个问题 2026 年已经有答案了。差别在于一件事：AI 能不能在 2030 年前大幅参与自身的研发，从而让能力增长从"每几个月翻一倍"变成"每几个月一代"。这件事在业内叫"AI 研发自动化"或者"递归自我改进"。截至 2026 年 4 月，没有任何实验室观察到 AI 使自身研发提速 2 倍；但 2026 年 7 月有 1,100 多名实验室员工联名要求政府为它建立"定速"机制。它是三条线的分岔点。
| 情景 | 分岔点 | 2027 年 | 2028 年 | 2030 年 |
|---|---|---|---|---|
| 慢线 | 2030 年前没有出现"超人编码者"级系统；时间跨度翻倍周期从 129 天放缓到 250 天以上 | 智能体能可靠完成一天左右的任务；企业采用集中在软件、客服、内容 | 时间跨度约一周，但可靠性不足以无人值守 | 白领任务 20 到 30% 被自动化；多数职业变形而非消失；没有大规模转移支付 |
| 基准线 | 时间跨度大致沿 129 天到 200 天的翻倍周期延续 | 出现能可靠完成一周任务的智能体；软件、客服、文案、初级分析大部分可自动化；AI 开始参与自身研发 | 上半年出现"超人编码者"级系统，即在所有编程任务上超过最好的人类工程师 | 白领任务过半可自动化；物理世界、许可证行业、人际服务慢；各国开始讨论 AI 税与转移支付；2029 年前后出现一次重大治理事件 |
| 快线 | 2027 年 AI 研发自动化飞轮启动，能力每几个月一代 | 出现能完成数周任务的智能体；实验室内部模型与公开模型差距拉大 | 大规模替代开始，白领岗位以年为单位收缩 | 社会保障重构；治理事件频发；个人能做的主要是保身体、保关系、保储备、保可逆 |
三条线都是本书的设定，证据等级 C。它们不是等概率的，本书也不给概率，因为任何概率都会被读者当成预测。但读者可以知道每条线"要成立需要什么"，以及"什么会证伪它"。
慢线成立需要两件事之一：要么 AI 能力增长明显放缓，比如时间跨度的翻倍周期从 129 天退回到 250 天以上，这在 METR 的数据里会直接看出来；要么能力继续增长但可靠性上不去，也就是 50% 成功率的时间跨度很长，80% 成功率的时间跨度始终跟不上，企业没法把任务交给一个每五次错一次的系统无人值守。2026 年 9 月的现状是 50% 时间跨度 12 小时、80% 时间跨度 1.5 小时，两者差 8 倍。如果这个差距不缩小，慢线的概率就上升。证伪慢线的是：2027 年出现能可靠完成一周任务的智能体，并且企业开始大规模无人值守地用它。
基准线成立需要：趋势延续，但没有出现研发自动化的飞轮。它是"技术进步按现在的速度走，经济按正常速度吸收"的线。它的锚点是 2027 年一周任务的智能体、2028 年上半年"超人编码者"、2029 年初一次治理分叉事件、2030 年白领任务过半可自动化。证伪它的是两边：能力增长放缓（转慢线），或者实验室宣布 AI 研发提速 2 倍以上（转快线）。
快线成立需要一件具体的事：某家实验室在 2027 年前后观察到并披露，AI 使其研发速度提高了数倍，随后新一代模型的间隔从一年缩到几个月。这件事有一个可以盯的先导指标：实验室自己是否在放慢。2026 年 8 月 OpenAI 暂停强化学习两周并无限期推迟最大的一次训练，7 月 1,100 多人联名要求定速，这些是快线的"前兆"，不是快线本身。证伪快线的是：到 2027 年底，没有任何实验室报告研发提速，并且时间跨度的翻倍周期没有缩短。
读者应该注意三条线的一个共同点：在所有三条线上，2027 到 2028 年的入门级白领岗位都在收缩，只是幅度不同。这是因为 2026 年的现状已经足以支撑这个判断，第 1 章的斯坦福数据和中国招聘数据都在说这件事，它不依赖未来的技术进步。所以本书里"别把职业押在正在自动化的入门任务上"这类建议是全情景的，不是基准线才成立的。
每条线上，普通人的生活会是什么样
下面这张表把三条线到 2030 年的样子按六个领域写出来，每一格都是推演，证据等级 C。表后面按领域讲 2027 和 2028 年的中间状态，以及每个领域的推演依据什么。
| 领域 | 慢线（2030 年） | 基准线（2030 年） | 快线（2030 年） |
|---|---|---|---|
| 就业 | 入门级白领岗位持续收缩，但有经验的人岗位稳定；客服、编辑、初级设计、初级编程岗位减少三到五成；护理、电工、维修、施工需求上升 | 白领任务过半可自动化；一个人加智能体完成过去一个小组的工作；岗位总数收缩集中在 25 到 40 岁的中层；许可证行业与在场型工作相对稳定 | 多数纯信息型岗位消失；企业以"人数"计的白领团队缩到原来的几分之一；就业结构向照护、施工、监督、责任型岗位集中 |
| 收入 | 会用 AI 的人与不会用的人工资差距拉大；劳动收入仍是主要来源 | 劳动收入份额下降，资产收入与"责任溢价"上升；储备金决定失业后能等多久；各国开始讨论 AI 税 | 转移支付成为多数人收入的重要部分；劳动收入的定价逻辑重写 |
| 诈骗 | 声音克隆、换脸视频、个性化钓鱼成为标准手段；损失年增两到三成；防御靠家庭暗号与真人核验 | 智能体化的诈骗：自动寻找目标、自动对话、自动洗钱；平台与银行部署 AI 对抗；老人仍是主要受害者 | 攻防都由智能体主导；个人能做的是缩小暴露面、设硬性转账限额 |
| 法律 | 一事一规继续；标识、陪伴、深度伪造各有专门规则；综合性 AI 法出台但执行渐进 | 智能体行为的责任归属成为立法焦点；"谁让智能体做的事谁负责"写进法律；职业执照制度成为护城河 | 治理事件驱动立法；可能出现对前沿模型的准入许可和算力管制 |
| 教育 | 学历筛选信号减弱但仍有效；AI 家教普及；中小学 AI 课程成为常规 | 学历回报率明显分化；"能证明自己做过什么"取代"学过什么"；职业证书与执照的相对价值上升 | 教育目标转向身体、协作、判断、责任等 AI 不能替代的能力 |
| 医疗 | AI 辅助诊断进入常规科室；医生签字仍是必需；AI 医疗建议的错误率成为监管重点 | AI 承担大部分初诊与随访；医生转向复杂决策与担责；医疗成本下降但就诊结构变化 | 诊断几乎全部 AI 化；医生的角色是责任人与执行者 |
就业。2027 年，三条线的差别还不大，都是入门岗位收缩、AI 相关岗位增长。2028 年开始分化：慢线上企业发现无人值守的智能体错误率太高，回到"人加 AI"的模式，Klarna 在 2025 年的回摆是这种模式的早期例子；基准线上，"超人编码者"级系统的出现让软件行业第一个进入"一个人加智能体等于一个团队"的阶段，随后是客服、文案、分析；快线上，这个过程在 2028 到 2029 年扩散到所有纯信息型岗位。三条线上都不太受冲击的，是需要在场、动手、担责、跨系统处理异常的工作。第 1 章讲过，2026 年最好的智能体在电脑操作长任务上的严格完成率只有约三成，这个数字什么时候到九成，是就业推演里最重要的变量之一。
收入。慢线上，收入差距的主要来源是"会不会用 AI"，这和过去三十年"会不会用电脑"的逻辑一样。基准线上，收入的来源本身在变：当劳动可以被复制时，稀缺的是资本、责任和真人的信任，收入向持有这三样东西的人集中。这是本书第 14 章讲资产配置的前提，也是第 3 章"责任比技能保值"的前提。快线上，个人收入的大头可能来自制度安排而不是劳动，这时个人能做的不多，本书对快线的建议主要是"别在快线到来前把自己搭进去"。
诈骗。这是三条线上差别最小的领域，因为 2026 年的现状已经足够坏。克隆声音、生成视频、批量写个性化钓鱼邮件的成本已经趋近于零，2025 年美国 FBI 收到的网络犯罪损失报告 208.8 亿美元，比 2024 年多 26%。三条线的差别在于攻击的自动化程度：慢线上骗子用 AI 做素材，基准线上骗子用智能体做全流程，快线上攻防两边都是智能体。防御措施在三条线上是一样的：家庭暗号、真人核验、转账限额、给老人的白名单。所以第 17 章和第 19 章的条目大多是全情景的。
法律。慢线上，各国延续"一事一规"，中国已经有了标识办法和拟人化服务办法，美国各州一年通过一百多部法，欧盟的综合法在 2027 到 2028 年落地。基准线上，立法的焦点转向智能体：一个人让智能体替他签合同、转账、发帖，出了事谁负责。这个问题在 2026 年已经在法院里出现，2028 年前后会有成文规则。快线上，治理事件会驱动更激进的立法，可能包括对前沿模型的准入许可和对算力的管制。对普通人来说，三条线上有一条不变：职业执照、签字责任、出庭资格这些"责任的许可证"在法律上不会被 AI 取代，只会变得更值钱。
教育。三条线上学历作为筛选信号的价值都在下降，因为当每个人都能用 AI 写出一份漂亮的作业时，作业不再说明什么。差别在于下降多快，以及什么东西取而代之。慢线上是"学历加 AI 技能"，基准线上是"可核实的作品和履历"，快线上是"AI 做不了的能力"。中国从 2026 到 2027 学年起在中小学开设 AI 课程，这在三条线上都是正确的，但它教的内容在三条线上应该不一样。第 9 章和第 23 章讲这个。
医疗。医疗是 AI 能力最强、采用最慢的领域之一，因为它有最严的责任链。2026 年，AI 在皮肤癌、眼底、乳腺、心电图的辅助诊断上已经有随机试验证据，但第 0 章讲过的那个牛津试验也说明，普通人拿着模型问病，正确率和不用模型一样。三条线的差别在于医生的角色变化多快，不在于 AI 的诊断能力。三条线上都不变的是：不可逆的医疗决定，比如停药、换药、手术，第二意见必须来自能签字的医生。第 4 章和第 31 章讲这个。
中国读者要在这张表上再叠一层。第 1 章讲过，中国 2026 年二季度 GDP 同比增长 4.3%，是 2022 年底以来最慢的一个季度，2026 届高校毕业生 1,270 万人，16 到 24 岁不含在校生的失业率在 8 月升到 18.9%。这意味着在中国，AI 对入门岗位的冲击叠加在一个本来就偏弱的青年就业市场上，三条线里"慢线"的日子也不会轻松。另一面是，中国的政策反应更快也更集中：三部办法在三年内先后施行，中小学从 2026 到 2027 学年起开设 AI 课程，"十五五"规划把"人工智能+"的渗透率目标定在 2027 年 70%、2030 年 90%。所以在中国，基准线上"各国开始讨论转移支付"那一格，更可能表现为就业补贴、技能培训补贴和公益性岗位的扩张，而不是现金转移。第 15 章讲这些补贴怎么领。
"全情景优先"背后的算术
排序规则里有一条，同等性价比下全情景的条目排前，只在快线成立的条目自动降一档。这一节解释它背后的期望值计算，用两个具体的例子。计算本身很简单，读者可以拿自己的数字套。
第一个例子是储备金。假设一个人月支出 1 万元，现在有 3 个月的储备。他考虑把储备提到 12 个月，也就是再存 9 万元。这笔钱的成本是机会成本：如果放在货币基金里而不是用来投资或消费，一年大约少赚几千元，再加上这 9 万元本来可以用来做的事。收益取决于他会不会失业、失业后多久找到工作。在慢线上，他失业的概率和 2026 年差不多，找工作大约需要三到六个月，3 个月的储备不够，6 个月够，12 个月多了。在基准线上，"不招人"让找工作的时间拉长到六个月到一年，12 个月刚好。在快线上，可能一年以上，12 个月是底线。三条线各占三分之一的话，把储备提到 12 个月在两条线上是必要的，在一条线上是多了几万元的机会成本。多了的那部分成本很小，缺了的那部分代价很大（借网贷、贱卖资产、被迫接受差工作），所以这条是"基准线及更快"，但因为慢线上的损失也很小，它排得很靠前。
第二个例子是一门 AI 课。假设有人推销一门 2 万元的"AI 时代转型课"，承诺三个月学会用智能体做副业。它的成本是 2 万元加上三个月的晚上。收益在三条线上都不确定：慢线上，能用 AI 的人确实工资更高，但这些技能大多可以免费学到，2 万元的溢价买的是"信息"，而信息正是变便宜的东西；基准线上，课程教的具体工具在一年内就会过时；快线上，副业本身可能被替代。这条建议在三条线上都不划算，所以它不在本书的正面清单里，在第 13 章的反面清单里。这个例子说明"全情景"的规则也可以反过来用：一件事如果在三条线上都不划算，就不要做，无论推销它的人押的是哪条线。
一般的算法是这样的。给三条线各分一个权重，加起来等于一。对每条建议，估计它在每条线上的净收益，可以是正的也可以是负的。加权求和，得到期望净收益。一条全情景的建议，三个净收益都是正的，期望一定是正的，而且不管权重怎么调都是正的。一条只在快线成立的建议，只有一个净收益是正的，另外两个是负的（成本收不回），它的期望是正是负取决于权重，而权重是读者猜的。本书降它一档，是因为读者猜错权重的概率不小。
这个算法有一个重要的推论：可逆的建议比不可逆的建议在算术上占便宜。一条可逆的建议，做错了可以撤回，最坏的净收益就是白花的成本；一条不可逆的建议，做错了撤不回，最坏的净收益可能是灾难性的。同样的期望值下，方差小的那条更好，因为一个人只活一次，没有机会把方差平均掉。这就是第 0 章讲的"不可逆的动作要求更高的证据等级才能排在前面"的数学依据。
读者还应该知道这个算法的限制。它假设三条线互斥且穷尽，实际上世界可能走一条不在这三条里的路，比如技术走快线而社会反应走慢线。它假设收益可以估计，实际上 2030 年的收益没人能估。它假设读者能给出权重，实际上权重是拍脑袋的。这些限制是为什么本书把性价比档定为 C 级，是作者的判断，不是证据。
历史类比：ATM、电气化、互联网泡沫，它们能说明什么，不能说明什么
每次有人说"AI 会消灭工作"，就会有人拿历史反驳："ATM 出现的时候大家也说柜员会消失，结果柜员反而变多了。"这个反驳有数据，也有限度。本节检验三个最常被引用的类比，每个都用原始数据，然后说清它们在 AI 上哪里成立、哪里不成立。按本书的规则，历史类比是 B 级：有数据，但外推到 AI 时代要打折。
第一个类比是 ATM 与银行柜员。经济学家 James Bessen 用美国的数据讲过这个故事：ATM 在 1970 年代出现，1990 年代中期起快速铺开，到 2004 年美国有超过 40 万台。每家城市分行需要的柜员从 1988 年的 20 人降到 2004 年的 13 人。但柜员的总数没有减少，原因有两个：一是每家分行变便宜了，银行为了抢市场开了更多分行，城市分行数增加了 43%；二是柜员的工作从数钱变成了推销理财产品和维护客户关系，这些是 ATM 干不了的。这个故事的后半段不常被引用：美国劳工统计局的数据是，2024 年美国有 347,400 名柜员，预计 2024 到 2034 年再减少 13%，每年约 29,800 个空缺几乎全部来自离职补员而不是新增。也就是说，ATM 没有立刻消灭柜员，但手机银行做到了，只是晚了三十年。
这个类比在 AI 上哪里成立：一项自动化技术降低了一个单位的成本，市场可能会用更多的单位，总就业不一定降。这在 2026 年的软件业已经出现，代码变便宜了，软件项目变多了，有经验的工程师需求没有降。哪里不成立：ATM 只做一件事，取现，柜员可以转去做别的事；而 AI 是通用的，柜员转去做的推销和客户关系，正是 2026 年的智能体已经在做的事。第二个不成立的地方是速度：ATM 从出现到普及用了三十年，AI 的时间跨度每 129 天翻一倍。类比的保护期在缩短。
第二个类比是电气化。斯坦福的经济史学家 Paul David 在 1990 年发表过一篇著名的论文，叫《发电机与计算机》。发电技术在 1880 年代已经可用，但美国制造业的生产率要到 1920 年代才明显加速，中间隔了四十年。原因是早期的工厂只是把电动机接到原来的蒸汽传动轴上，布局没变；直到工厂按"每台机器一个电机"重新设计，去掉传动轴，把车间铺平，生产率才上来。这个重新设计需要工程师、经理和工人都换一代人。David 用这个故事解释为什么 1990 年计算机还没有出现在生产率统计里，后来 1995 到 2005 年美国的生产率加速被认为验证了他的判断。
这个类比在 AI 上哪里成立：技术能力和经济效果之间有时差，时差的长度取决于企业改造流程的速度，而不是技术本身。2026 年的现状符合这一点：模型能做的事远多于企业让它做的事，一半的美国在职者在工作中用 AI，但多数企业还没有按"智能体"重新设计流程。哪里不成立：电气化的时差有一部分是因为新工厂要新建、旧工厂要折旧，物理资本的更换周期是几十年；而 AI 的"工厂"是软件，替换周期是几个月。另一个不成立的地方是，电气化需要每个工厂各自改造，AI 的改造可以由软件供应商一次性做好然后卖给所有客户。所以本书的判断是：时差存在，但比四十年短得多，慢线上大约五到十年，基准线上两到五年。
第三个类比是互联网泡沫破裂之后的就业。2000 年 3 月纳斯达克见顶，随后两年半跌去约 78%。美国劳工统计局的数据显示，计算机系统设计及相关服务业的就业从 2001 年 3 月的 135.8 万人降到 2002 年 12 月的 112.1 万人，降了 17.5%；程序员的失业率在四年里从 2% 升到 9.5%。但这个行业的就业在 2004 年 4 月就回到了 2001 年的峰值，到 2026 年 8 月是 236.3 万人，是当年峰值的 1.7 倍。泡沫破了，技术没有停，用技术的人在三年后比泡沫时更多。
这个类比在 AI 上哪里成立：AI 行业可能出现估值泡沫，两家头部公司合计估值超过 1.8 万亿美元、年化收入合计约 1,000 亿美元，市销率在 15 到 20 倍，泡沫破裂会带来一轮裁员。但泡沫破裂不等于技术退潮，2001 年之后互联网的渗透率一直在涨。哪里不成立：互联网泡沫破裂时裁的是建设互联网的人，AI 泡沫破裂时可能同时裁两种人，建设 AI 的人和被 AI 替代的人。互联网让程序员在三年后比以前更多，AI 对程序员做的事在 2026 年已经不一样了：美国计算机系统设计业总就业在历史高位，但 22 到 25 岁在这个行业的就业缺口是 19%。这个类比能说明的是"行业会活下来"，不能说明"你的岗位会活下来"。
还有两组数据读者应该知道，因为它们常被两边引用。一组来自 Frey 和 Osborne 2013 年的论文，他们估计美国 47% 的就业处于"可被计算机化的高风险"，这个数字被引用了十年，而 2013 到 2023 年美国的就业总量在涨，失业率在 2023 年降到 3.4%。它说明"可以被自动化"和"会被自动化"是两回事。另一组来自 Autor 等人 2022 年的研究，他们数了 1940 年以来美国的职业名录，发现 2018 年的就业里大约六成属于 1940 年还不存在的职业名称。它说明技术长期会创造新工作。但这两组数据的时间尺度都是几十年，AI 的问题是几年内的事，一个 2027 年失业的人不能靠"2050 年会有新工作"活着。这就是为什么本书把储备金和可逆性排得那么靠前。
最后还有一个不需要回到历史的类比，就是过去三年本身。2023 年到 2026 年是一次已经完成的小型自然实验，对象是客服。Salesforce 在 2025 年初到 9 月把客服从 9,000 人减到约 5,000 人，理由是 AI 智能体处理了一半的对话；Klarna 在 2024 年用 AI 替代了约 700 名外包客服，2025 年 5 月因为服务质量下降开始回聘真人；中国 2026 年一季度客服岗位的招聘需求同比下降 23%。这三个数据放在一起说明的是：一个岗位被自动化的过程不是一条直线，而是"先替代、再回摆、再以更低的人数稳定下来"，最终稳定的人数比替代前少，但不是零。读者如果在一个正在被自动化的岗位上，应该预期的不是岗位消失，而是岗位数量在两三年里缩到原来的一半左右，同时留下来的人要会管理 AI 而不是被 AI 管理。
把三个类比放在一起，本书得到三个 B 级判断。一，自动化技术在历史上从来没有导致长期的总就业下降，但每次都导致特定岗位和特定年龄段的人受损，损失集中在转型期，转型期长度从三年（互联网泡沫）到四十年（电气化）不等。二，AI 与前几次的差别是通用性和速度，这两点都让转型期变短、受损的岗位变多。三，历史类比最可靠的用法不是预测"会不会有工作"，而是提醒"转型期里谁受损、受损多久"，然后据此准备储备金和可迁移技能。这些判断支持本书的排序，但不能证明它，因为它们都是外推。
怎么自己更新判断：盯这 8 个指标
这本书的印刷版会过时，但它的方法不会，前提是读者知道去看哪几个数字。下面 8 个指标是本书选的，标准是：有公开的、可重复的来源；至少每季度更新一次；能区分三条线。表里给出 2026 年 9 月的基线值和本书对三条线的粗略判断阈值。阈值是作者的判断，C 级。
| 指标 | 2026 年 9 月基线 | 来源 | 偏向慢线 | 偏向基准线 | 偏向快线 |
|---|---|---|---|---|---|
| 1. METR 50% 时间跨度及翻倍周期 | 约 12 小时；2023 年起每 129 天翻倍 | metr.org/time-horizons | 翻倍周期拉长到 250 天以上 | 129 到 200 天 | 短于 129 天，或实验室宣布研发提速 2 倍 |
| 2. 美国应届生失业率与就业不足率 | 5.6%；42%（2026 年二季度） | 纽约联储 | 失业率回落到 5% 以下 | 5 到 7% | 超过 7% 且就业不足率超过 45% |
| 3. Challenger 归因于 AI 的裁员 | 1 到 8 月 116,175 人，占 22% | challengergray.com 月报 | 全年占比回落到 15% 以下 | 20 到 30% | 超过 30% 且总裁员上升 |
| 4. 头部实验室年化收入 | Anthropic 约 650 亿美元，OpenAI 约 400 亿美元 | 公司公告与主要财经媒体 | 增速降到每年一倍以下 | 每年一到两倍 | 每年三倍以上 |
| 5. 已知 AI 数据中心容量 | 13.5 吉瓦（93 个站点，约占全球 44%） | epoch.ai/data/ai-data-centers | 年增不到 50% | 年增 50 到 100% | 年增翻倍以上 |
| 6. 实验室安全事件与暂停 | 2026 年夏三家实验室加 AISI 披露沙箱逃逸；OpenAI 暂停两周 | 各实验室披露、OpenAI 失准报告页、AISI | 全年无新的重大事件 | 每季度有新披露但无暂停 | 出现超过一个月的行业性暂停，或政府强制暂停 |
| 7. 诈骗损失 | FBI IC3 2025 年 208.8 亿美元，同比 +26%；AI 相关 8.93 亿美元 | ic3.gov 年报、FTC | 年增低于 15% | 15 到 30% | 超过 30%，或 AI 相关份额超过 10% |
| 8. AI 内容占网络内容的比例 | 全部英文网页约 10%；2022 年 11 月后新页面超过三分之一 | Pew 数据实验室 | 新页面比例稳定在四成以下 | 四到六成 | 超过六成 |
这 8 个指标分成三组。第 1、5、6 个是技术和算力指标，它们决定三条线的分岔，第 1 个是最重要的一个，读者每季度看一次 METR 的页面就够。第 2、3、4 个是经济指标，它们说明技术进步被经济吸收到了什么程度，其中第 3 个要记得打折，第 1 章讲过 59% 的招聘经理承认拿 AI 当说辞。第 7、8 个是日常风险指标，它们决定第 17、19、26 章的建议有多紧迫。
怎么用。每季度花半小时，把 8 个值填一遍，和表里的基线比。如果多数指标偏向同一条线，就按那条线重新看本书的条目：偏慢线，把"基准线及更快"的条目往后放，多做原书的健康和法律条目；偏基准线，把储备金和可迁移技能的条目往前提；偏快线，把"只在快线成立"的条目从降档里恢复回来，并且优先做保身体、保关系、保储备、保可逆的事。这个动作可以让 AI 帮忙做：把这张表贴给模型，让它去查最新值并做比较，第 0 章讲过怎么问。
给中国读者两个补充指标。一是国家统计局每月公布的 16 到 24 岁不含在校生失业率，看的是同比而不是环比，因为它有强烈的季节性，7、8 月的高点要和上一年的 7、8 月比；2026 年 8 月是 18.9%，如果 2027 年 8 月明显高于这个数，说明入门岗位的收缩在加速。二是招聘平台按职业分组的需求变化，毕马威的季度经济观察会汇总，2026 年一季度编辑 −29%、客服 −23%、大模型岗位 +73%；如果收缩从这三类扩散到会计、法务助理、初级程序员，就是基准线的信号。这两个指标不能区分 AI 和宏观经济的作用，所以要和上面的 8 个指标一起看。
两个提醒。第一，单个季度的波动不说明方向，青年失业率每年 7、8 月都会季节性上升，Challenger 的 AI 归因每个月都会大幅波动，要看至少两到三个季度的趋势。第二，指标偏向某条线不等于那条线已经到了，它只是让读者调整权重。本书的排序规则已经把权重的不确定性考虑进去了，读者调权重的幅度不必大。一个只做全情景条目的读者，不看这 8 个指标也不会吃亏；看了，能把"基准线及更快"的那些条目用对时机。
资料来源
- METR (2026). Frontier Risk Report (February to March 2026), 2026 年 5 月 19 日. <https://metr.org/blog/2026-05-19-frontier-risk-report/>
- METR (2026). Time Horizon 1.1, 2026 年 1 月 29 日. <https://metr.org/blog/2026-1-29-time-horizon-1-1>
- METR. Task-Completion Time Horizons（持续更新页）. <https://metr.org/time-horizons/>
- Bessen J (2015). Toil and Technology. IMF Finance & Development 52(1). <https://www.imf.org/external/pubs/ft/fandd/2015/03/bessen.htm>
- U.S. Bureau of Labor Statistics (2025). Occupational Outlook Handbook: Tellers（2024 年就业 347,400 人，2024 到 2034 年预计 −13%）. <https://www.bls.gov/ooh/office-and-administrative-support/tellers.htm>
- David PA (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review 80(2): 355-361. <https://www.jstor.org/stable/2006600>
- U.S. Bureau of Labor Statistics, via FRED. All Employees: Computer Systems Design and Related Services (CES6054150001), 1990 年至 2026 年 8 月. <https://fred.stlouisfed.org/series/CES6054150001>
- Frey CB, Osborne MA (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Oxford Martin School. <https://www.oxfordmartin.ox.ac.uk/downloads/academic/The_Future_of_Employment.pdf>
- Autor D, Chin C, Salomons A, Seegmiller B (2022). New Frontiers: The Origins and Content of New Work, 1940–2018. NBER Working Paper 30389. <https://www.nber.org/papers/w30389>
- International Monetary Fund (2024). AI Will Transform the Global Economy. Let's Make Sure It Benefits Humanity, 2024 年 1 月 14 日. <https://www.imf.org/en/Blogs/Articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity>
- Brynjolfsson E, Chandar B, Chen R (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, 2026 年 8 月更新. Stanford Digital Economy Lab. <https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf>
- Federal Reserve Bank of New York (2026). The Labor Market for Recent College Graduates. <https://www.newyorkfed.org/research/college-labor-market>
- Challenger, Gray & Christmas (2026). August 2026 Job Cut Report. <https://www.challengergray.com/blog/challenger-report-august-job-cuts-up-58-consumer-products-food-lead/>
- Resume.org (2025). The Great Turnover（1,000 名招聘经理问卷）. <https://www.prnewswire.com/news-releases/resumeorg-survey-the-great-turnover-9-in-10-companies-plan-to-hire-in-2026-yet-6-in-10-will-have-layoffs-302654255.html>
- Anthropic (2026). Anthropic raises $65B Series H at $965B valuation, 2026 年 5 月 28 日. <https://www.anthropic.com/news/series-h>
- TechCrunch (2026). Anthropic's annualized revenue surges to $65B, 2026 年 8 月 17 日. <https://techcrunch.com/2026/08/17/anthropics-annualized-revenue-surges-to-65b/>
- CNBC (2026). OpenAI closes funding round at an $852 billion valuation, 2026 年 3 月 31 日. <https://www.cnbc.com/2026/03/31/openai-funding-round-ipo.html>
- Epoch AI (2026). Data on AI Data Centers（2026 年 9 月 24 日更新）. <https://epoch.ai/data/ai-data-centers>
- OpenAI (2026). Misalignment Reports and Notices. <https://alignment.openai.com/misalignment-reports/>
- UK AI Security Institute (2026). Incident Report: unsanctioned agent behaviour during cyber testing, 2026 年 8 月 4 日. <https://www.aisi.gov.uk/blog/incident-report-unsanctioned-agent-behaviour-during-cyber-testing>
- The Hacker News (2026). OpenAI Pauses Frontier RL Training as It Tightens Defenses Against Unsafe AI Behavior, 2026 年 8 月. <https://thehackernews.com/2026/08/openai-pauses-frontier-rl-training-as.html>
- FBI Internet Crime Complaint Center (2026). 2025 Internet Crime Report. <https://www.ic3.gov/AnnualReport/Reports/2025_IC3Report.pdf>
- Pew Research Center (2026). How Much of the Internet Is Written With AI?, 2026 年 8 月 20 日. <https://www.pewresearch.org/data-labs/2026/08/20/how-much-of-the-internet-is-written-with-ai/>
- Bloomberg (2025). Klarna Turns From AI to Real Person Customer Service, 2025 年 5 月 8 日. <https://www.bloomberg.com/news/articles/2025-05-08/klarna-turns-from-ai-to-real-person-customer-service>
- Gallup (2026). Rising AI Adoption Spurs Workforce Changes（约半数美国在职者使用 AI）, 2026 年 4 月 12 日. <https://news.gallup.com/workplace/704225/rising-adoption-spurs-workforce-changes.aspx>
- 国家统计局 (2026). 2026 年 3 至 8 月国民经济运行情况新闻稿及分年龄组城镇调查失业率. <https://www.stats.gov.cn/sj/zxfb/>
- 毕马威中国 (2026). 中国经济观察：2026 年一季度. <https://kpmg.com/cn/zh/home/insights/2026/04/china-economic-monitor-q1-2026.html>
- CNBC (2025). Salesforce CEO confirms 4,000 layoffs, 2025 年 9 月 2 日. <https://www.cnbc.com/2025/09/02/salesforce-ceo-confirms-4000-layoffs-because-i-need-less-heads-with-ai.html>
- Bean AM 等 (2025). Clinical knowledge in LLMs does not translate to human interactions. arXiv:2504.18919. <https://arxiv.org/abs/2504.18919>
- 国家互联网信息办公室等五部门 (2026). 人工智能拟人化互动服务管理暂行办法（2026 年 7 月 15 日施行）. <https://www.cac.gov.cn/2026-04/10/c_1777558395078289.htm>