微软，作为OpenAI背后的主要投资方，也是这波AI叙事的主要受益者之一，在其自家刊物上刊登了一篇对AI持悲观态度的文章。
发表看衰观点的这位人物，背景相当显赫。达龙·阿西莫格鲁，麻省理工学院经济学教授，2024年诺贝尔经济学奖得主，是在世经济学家中被引用次数最高的那一层次。
他的核心观点，可以简单总结为一句话：
未来十年，AI大约只能推动GDP增长1.5%，最多替代5%的工作岗位。
你可能对这些数字没有直观感受，可以找个参照物。
就在今年，谷歌、微软、Meta、亚马逊这四家公司，计划向AI基础设施投入的资金，总计约7250亿美元。这只是一年的量。
而1.5%的GDP增量，按美国的经济规模计算，分摊到十年，每年大约四五百亿美元。
一边是每年七千多亿的投入，一边是每年几百亿的预期回报。当然，这个计算比较粗略，经济学不能这么简单推算。
事情本身并不复杂。
微软旗下有一本刊物，名为《The Humanist Review of AI》，翻译过来大概是《AI人文评论》。风格相当传统，创刊号的作者署名还用了手写签名，透着一股知识分子的执着。
阿西莫格鲁的文章就发表在这上面，标题是《Will AI Replace Workers? Not If We Build It Right.》，翻译过来就是：AI会取代劳动者吗？只要我们把AI造对了，就不会。
文章页面标注的日期是7月15号，但真正引起关注是在10月6号，媒体集中报道，微软AI部门的CEO苏莱曼当天晚上还亲自发了长帖推荐，浏览量很快超过了40万。
一个金主爸爸，为一篇唱衰自己赛道的文章亲自站台，这确实有点矛盾。
阿西莫格鲁这个名字，你可能不熟悉，但他的书你很可能听说过，《国家为什么会失败》，经济学领域的出圈神作。2024年的诺贝尔经济学奖，就是他和另外两位学者一起获得的。
这个人研究了一辈子三件事：技术、制度、增长。
关键是，他跟AI黑基本不沾边。他既不认为AI是泡沫，也不觉得AI会毁灭人类，他反感的是另一件事：太多人闭着眼睛喊AGI，很少有人认真算账。
而且这也不是他一时兴起。早在2024年，他就发表过一篇论文，叫《The Simple Macroeconomics of AI》，当时就估算，AI十年内带来的GDP增长，大约在1.1%到1.6%之间。
这次文章里的1.5%，正好落在这个区间里。
也就是说，整整两年，模型天翻地覆，从GPT-4卷到了GPT-6，全行业都换了人间，这哥们的预测，基本没变。
光这一点，就值得认真听听他到底怎么算的。
他的算法总共两步。
第一步，估算AI能做什么。 他判断，到2020年代末，AI能真正可靠地自动化的，主要是简单的办公室认知类任务，这类工作大约占美国经济全部工作的20%。至于那些需要判断力、多维推理、社交能力的复杂岗位，AI要攻克还早，社会大概也不会放心让AI去管理空管塔台、做心理治疗、执掌公司。跟物理世界打交道的活，更得往后排，灵活的机器人还没影呢。
第二步，估算落地速度。 参考电力、计算机这些老前辈的扩散规律，他判断，能自动化的活里面，十年内大约只有四分之一会真的被自动化。
20%乘以四分之一，得5%。
他自己都承认，这属于guesstimate，翻译过来就是：学术化的拍脑袋。
但他给了两个挺硬的理由，解释为什么落地多半快不了。
第一个理由，是著名的索洛悖论。 1987年，经济学家罗伯特·索洛说过一句名言：计算机无处不在，唯独不在生产率的统计数字里。今天的AI，处境有点像。实验室里写代码、看片子猛得飞起，可真到了公司里，工程师得花大量时间给AI写的代码擦屁股，放射科医生用了AI辅助，效果反而打折扣。
第二个理由，是电力的故事。 1881年，纽约和伦敦就有了中央发电站，当时不少人觉得制造业马上要被掀翻。结果呢？到了1920年代，快四十年过去了，只有大约一半的工厂和家庭用上了电。
电力这种级别的技术都要熬四十年，AI要动的东西可能更多：任务要重新分配，员工要重新培训，管理层得从零学习怎么跟AI协作。组织的变化，往往比技术慢得多。
所以"放射科医生马上要消失"喊了快十年，现实是，医院里的放射科医生越招越多。
接下来这段，是整篇文章里我个人最喜欢的一部分，一个快被埋掉的故事。
上世纪80年代，美国有一对夫妇，James和Janet Baker，创立了一家叫Dragon Systems的公司，死磕语音识别。他们的思路在当时非常叛逆：别管什么语法语义，直接用机器学习，把语音映射成最匹配的文字，纯预测。
1997年，他们发布了Dragon NaturallySpeaking，当时第一个能识别连续自然语音的软件，准确率接近95%。
阿西莫格鲁为什么对这段历史这么熟？因为他就是第一批用户。1997年他两只手臂劳损，打不了字，全靠这个软件续命。他的原话是，哪怕当时的处理器慢得要死，那玩意儿用起来也像魔法。
按正常的剧本，接下来应该是技术狂飙，语音识别统治世界。
结果2000年，Dragon被一家叫Lernout & Hauspie的比利时公司收购。几个月后，这家公司直接破产，联合创始人后来因为公司欺诈被判有罪。接着ScanSoft低价抄底，改名叫Nuance，把消费级产品晾在一边，专心做医疗和企业生意。2022年，微软收购了Nuance，延续了同样的路线。
最后的结局是：今天PC上的语音识别，只比2000年好那么一丁点。
底层技术明明一路狂飙，消费者却空等了二十多年。
这个故事还藏着两个彩蛋。第一，基础设施的突破，得配上对路的应用、对的渠道都还没有。第二，Dragon 16发布的时候宣称99%的准确率，可那只是理想条件。剩下的1%，足以改变一句话的意思，让你把每封邮件从头到尾校对一遍，去捞那些藏得很深的口音错字。
99%，听起来高得吓人。可一旦摊到真实世界的最后一公里，往往还是不够用。
这个逻辑套到AI自动化上，也说得通。全自动意味着AI要接管一个职业里的每一个任务，包括高风险的判断和人与人的交道。现在的AI离这个状态，距离还不小。
讲完了故事，阿西莫格鲁抛出了全文最关键的一个观点：现在的行业路线，从根上可能就跑偏了。因为我们在干一件事，强迫AI去模仿人类智能。
而这两种智能，差别大到有点像两个物种。
人类是怎么学习的？看几个例子，形成一个假设，在脑子里模拟各种可能，然后跑到真实世界里试错。小孩基本都是这么学的。这种学习还天生带着社会性，你会盯着那些你觉得更懂的人，看人家怎么做。人类甚至可以说是用整个身体在思考的，大脑、神经、感官、肠胃，都在参与推理。
最有意思的是他对"幻觉"的翻案。人类的幻觉，在他看来接近一种天赋：我们脑补出一堆不存在的世界，再快速筛掉不靠谱的，留下值得追的。
AI几乎整个反过来。它从海量数据里学习，擅长在巨大的语料里抓模式，一种推理一旦学会，抽象场景具体场景随便用。但它缺少实时的社会学习，它幻觉起来基本就是灾难，因为它没有人类那套筛子。
所以他的看法是，两样东西差别这么大的时候，硬让一个去模仿另一个，多半是条笨路。
他举了个很妙的例子，乔布斯和沃兹尼亚克。乔布斯要是天天想着取代沃兹的工程能力，沃兹要是瞧不上乔布斯的设计营销天赋，大概就不会有后来的Mac。这俩人成事，靠的是两种完全不同的能力焊在一起。人和AI，或许也该是这么个关系。
其实这条路，65年前就有人指出来了。1960年，"互联网祖父"利克莱德写过一句话：人脑和计算机将紧紧耦合在一起，这个伙伴关系将以人脑从未有过的方式思考，以今天的机器从未有过的方式处理信息。
路线图早就画好了，结果行业绕了一个甲子的大圈。
阿西莫格鲁给的方向，起了个名字，叫pro-worker AI，支持劳动者的AI。别追全面自动化，去造让劳动者更强的工具。
他举了教育的例子。现在的教育AI，大多琢磨着怎么接管老师的活。可全自动教学遥遥无期，思路一换，天地立刻宽了不少：AI可以识别出每个学生在哪些知识点上卡壳，然后建议老师把班级拆成小组，针对每个组的弱点精准补课。个性化教育过去贵得离谱，只有少数家庭玩得起，AI有机会把它拉成白菜价。
他还透露，自己的团队已经做了原型，正在评估。用的东西倒是不神秘，一个中等规模的语言模型，喂上课程内容和优秀教师处理各种学生问题的案例。按他的说法，这在现有技术能力之内。
既然这条路又宽又亮，为什么走的人少？他列了四种力量，前三个是经济层面的，最后一个是意识形态。
第一，商业模式。 大科技公司的钱，主要来自卖企业软件和数字广告，这套生意里很少有"增强劳动者"这个选项。
第二，市场集中。 七大科技巨头，Alphabet、亚马逊、苹果、Meta、微软、英伟达、特斯拉，占了纳斯达克60%的市值。创业公司就算冒了头，常见的归宿还是被收购。于是赢到最后的，往往还是同一套商业模式。
第三， 他起了个很形象的名字，螺母和螺栓问题。 螺母没有螺栓没用，螺栓没有螺母也没用。企业认定科技公司只会卖自动化工具，于是按自动化做规划。科技公司认定企业只买自动化工具，于是只开发自动化。两边互相锁定，谁都很难先挪窝。
第四，AGI执念。 这个行业被"像人一样的机器"这个念头影响了七十多年，源头能一直追到图灵1950年那篇论文，开篇就是著名的模仿游戏。再加上科幻小说和电影几十年的浇灌，"达到人类水平"差不多成了硅谷所有应用的及格线。不少技术领袖打心底里觉得，人这种生物，会犯错，不可靠。
顺着这个诊断，他开了四味药：劳动和资本对称征税，现在美国劳动收入的边际税率超过25%，资本收入却接近零，在他看来等于政府在掏钱补贴企业用机器替人；政府出资搞pro-worker AI的示范项目，把可行性做出来给大家看；反垄断法该更新了，更该真的执行，还可以考虑开征数字广告税；最后，建立数据市场，让顶尖专家的高质量知识能控制、能定价、能卖钱。
最后，说两个小故事。
第一个故事，还是1987年。索洛说出那句"计算机无处不在，唯独不在生产率统计里"的时候，不少人觉得他在泼冷水。后来的事我们都知道了，90年代中后期，美国生产率真的起飞了，互联网革命兑现了承诺。只比乐观派预期的，晚了十几年。
技术很少爽约，它只是喜欢迟到。
第二个故事，1950年。图灵在那篇开创性论文的开头，写下了模仿游戏：如果一台机器聊到你分不清它是不是人，我们能不能说它会思考？这个问题太迷人了，迷人到后来七十多年，大半个学科都在围着"像不像人"打转。
一个好问题，能开辟一个时代。它也可能悄悄变成一个时代的牢笼。
再说回微软。有个细节很耐嚼，媒体The Decoder在报道里不咸不淡地补了一刀：这套论点对微软来说，实在太顺手了。AI慢慢渗透，嵌进Office，嵌进Windows，一年一年稳稳收订阅费，这可比赌一个全面自动化的疯狂未来，舒服多了。
发表不等于背书。但在这个时间点，给这样一篇文章这么大的排面，微软心里的小算盘，打得估计也挺响。
所以这篇文章到底意味着什么？
我的感受是这样的。它可能对，也可能错得离谱，阿西莫格鲁自己的态度就是，模型的进化速度很难预测。但它至少说明了一件事：在多数人都在喊"更快、更大、更像人"的洪流里，还有人在认真地问另一个问题。
我们想要的AI，到底长什么样？
是给每个人发一个更强的外挂，还是造一个把人踢下桌的替身？
本文来自微信公众号“大数据文摘”，36氪经授权发布。
从版本环境看，14.18版本加强了前期小龙争夺的权重，控龙率成为胜负关键。BLG在前15分钟平均领先1.2k经济，而JDG更擅长中期团战翻盘。本场BO5的胜负手将围绕第一条小龙与峡谷先锋的归属展开。
交手记录显示，两队近六次交锋BLG取得4胜2负，但最近一次在2026年夏季赛JDG以2比1获胜。历史数据仅作参考，临场BP与选手状态仍是最大变数。
阵容变化方面，BLG在季后赛阶段固定了打野Xun的首发位置，其盲僧与猪妹的胜率均超过70%。JDG则尝试了上单轮换，新人Sheer在训练赛中表现出色，但大赛经验不足。
赛后复盘来看，BLG在决胜局通过换线策略规避了JDG的强势对线组合，并利用先锋撞掉中路一塔，滚起雪球。JDG在劣势局缺乏有效的防守反击手段，这是他们需要调整的方向。
林晓梅
发布于2026年9月27日 17:30选手状态方面，BLG下路Elk近五场KDA高达6.8，对线期场均压刀23；JDG中单knight使用飞机与沙皇的胜率分别为67%与75%。中路对线将是决定前期节奏的核心变量。