AI越能干，问题越扎堆。9月10日，2026外滩大会主论坛启幕，“AI科技人文十问”被抛到台前。
“都说AI让我们效率更高了，为什么我们反而变得更累了？”“自己每天教AI工作，是不是也在训练未来的替代者？”“好用的AI都要花钱，我的孩子用免费的——这算不算一条新的‘起跑线’？”“当AI开始替我们看病、开车，要做到多安全，我们才敢真的相信它？”“下一个十年，是AI越来越像人类，还是人类越来越像AI？”……
答案在哪？记者在主论坛上，听诺奖得主和顶尖学者讲了一些研究、数据和判断。
AI十问 摄影 朱承
一、AI时代的红利：会被少数人垄断吗？
这是目前关于AI争议最大、普通人最焦虑的问题之一。AI一面有极强的平权属性，能降低学习、工作、创业的门槛；一面算力、技术、数据、资本高度集中，红利也可能被头部机构拿走。
2025年诺贝尔经济学奖得主、法国经济学家菲利普・阿吉翁，从“创造性破坏”讲起。
他先展示了一张美国全要素生产率图表：1996年到2005年，曲线猛地向上抬升——那是信息技术革命时代，谷歌、微软、亚马逊、沃尔玛等“超级明星企业”接连崛起，行业集中度持续走高。可此后曲线掉头向下：2000年起，企业市场进入率一路走低，大企业越来越庞大，新企业难以入场，经济增长从巅峰滑落。
这就是美国的“长期停滞”谜题：超级明星企业用市场力量筑起壁垒，后来者难以入场——创造性破坏的循环就会减速，增长随之停滞。同样的周期，也在日本、韩国、欧洲上演。
“过去200年，世界经济增长的根基，就是新技术不断取代旧技术。”他说。
IT革命的曲线已经演示过一遍，AI时代正在面临同样的考验。
阿吉翁认为，当前增长潜力真实存在：AI既能自动化商品和服务的生产过程，也能自动化“产生想法”的过程。他和同事估算，仅前者就能让未来十年生产率增速每年额外提高0.68个百分点，这还是下限；算上想法自动化，每年至少再增加0.4个百分点。
红利归谁？显然，AI产业的集中度比当年IT革命更高。
早在1987年，他和彼得・豪伊特构建理论模型时就发现一组矛盾：创新需要让成功者获得足够回报来激励研发；但既有创新者成功之后，也可能利用优势，挤压后来者进入市场、开展创新的空间。
对此，阿吉翁提出了一个警告：AI红利是真的，但如果竞争政策跟不上，AI时代财富会更集中，新创新被压制，社会流动随之冻结。要打破这个历史循环，阿吉翁的处方很明确，维护竞争环境，降低新企业进入门槛，让“创造性破坏”充分运转——新企业不断取代旧企业，才是长期增长的核心动力。
二、AI抢工作已成现实：这场就业变革该如何破局？
AI替代就业，已经不是远期担忧，而是肉眼可见的现实。2026年前8个月，全球科技行业已裁减超过12.4万个工作岗位。
阿吉翁在法国企业里做了一项实验：把生成式AI引入企业内部，观察就业变化。整体结果略微偏向正面，但内部分化明显——当AI用在行政类工作场景时，相关岗位收缩。原因在于，AI会接管完整任务，有些工种的大部分工作内容，它都能承接。
同时，AI也在创造新岗位。主要靠两条路径：第一，应用AI的企业生产率更高、竞争力更强，全球市场对它们产品的需求扩大，反而需要招募更多员工；第二，AI加速新想法的诞生，而新想法本身就会催生全新岗位。
怎么应对？阿吉翁举了丹麦的做法：在丹麦，劳动者失业后，最多可领取两年、最高相当于原工资90%的保障，国家还配套再培训服务，帮助失业人群重新就业。
他提出，破局要两条腿走路：一条是教育，培养“学会如何学习”的能力，中国本身就具备这样的基础；一条是灵活保障，类似丹麦模式，给失业者兜底保障、配套再培训，帮助他们重新就业。
“AI兼具创造性与破坏性，想要让AI带来持续且包容的增长，需要有教育让人掌握持续学习的能力，有灵活保障托住转型阵痛，AI淘汰岗位的速度，就追不上人类适应变化的速度。”阿吉翁表示。
三、AI的“平庸之恶”：看似高效，却难产出增量知识？
如果让AI为你制定轨迹，你会走出怎样的人生？
普林斯顿大学人工智能创新中心主任、29岁就成为该校最年轻终身教授之一的王梦迪曾和社会学家谢宇合作，让ChatGPT、Claude、豆包等大模型去模拟1930年出生的英国人的人生轨迹。结果显示，AI给出的首次结婚年龄，密集落在24岁上下。
这个答案标准、体面，很像“别人家的孩子”。可真实人生不是这样，真实数据分布有长长的尾部：有人早婚，有人晚婚，有人不婚，有人离婚后再婚。AI像一个礼貌的社会学家，输出最标准的平均人生，却悄悄抹掉那些不标准、但真实存在的人生样本。
大模型的“平庸之恶”，也正是当下AI最核心且隐蔽的发展瓶颈。
尽管AI极大提升了内容生产、信息整合、工作处理的效率，但本质上，它的所有输出都基于存量知识的拼接整合：可以无限重组、优化、复述已有知识，却很难诞生真正原创、增量、颠覆性的新认知。
大模型困在概率，而创新往往出现在长尾。王梦迪说，“大模型本质上是概率分布的最大似然估计器。它倾向于输出高频、通用的平均解。已有数据里常见的内容，它学得很快；少见的、未知的、训练数据中根本不存在的东西，它天然难以触及。”
更麻烦的是，AI甚至可能让科学发现变慢。论文数量指数级增长，但人类对宇宙和世界的观测数据并没有真正增加，信噪比反而降低。海量低价值信息涌来，科学家和工程师筛选关键信号的难度变得更高。
基于此，王梦迪当前正在给科学造一个“科学实验室操作系统”。它集成多模态大模型，通过智能眼镜与科学家直接交互，让AI“看到”实验细节并指导操作；支持数字实习生自主写代码、训练专属模型并迭代；还能在物理世界中与多人、多型号机器人同时交互。
比如寻找新的量子材料，需要把两片单原子厚度的石墨烯以特定角度叠加。传统方式下，这要一位物理博士生花数月手动完成。这套系统通过搭建全自主自动化实验平台，覆盖参数设计、纳米石墨烯制备、观察到结果反馈的全流程闭环。实验效果很明显，本科实习生在该系统辅助下，可以达到拥有十几年经验的科学家的精确科研水平。
“只有当数字世界能够全面探索并纠偏物理世界发生的所有元素时，AI才能真正提升科学发现效率，改变现有的大模型训练范式。”王梦迪要缩短的，不是AI与人类闲聊的距离，而是AI与实验台上那个未知发现之间的距离。
本次外滩大会，记者一个直观的现场感受是：面对AI，激进乐观的逐渐退烧，审慎、理性与敬畏逐渐占据上风。
在主论坛上，香港大学副校长（教学）Jay Siegel特意讲述了几段历史：18世纪末，氯气被赞能净化水源、支撑起大型城市，如今却成了致癌物的代名词；石油热值高、赋能工业革命，负外部性却直到气候变化才显现。
当年没把风险成本计入经济模型，如今“补票”已十分困难。
“我们绝不要忘记，我们之所以生活在社会中，是因为我们是人；居于社会中心的，是人性。”他说，面对新技术，这正是我们应当提前提出的正确问题。
本文来自潮新闻，本文观点不代表石墨烯网立场，转载请联系原作者。
