人口红利已变成人口负担

人口红利已变成人口负担

> 作者：李笑来 · 2026年5月6日 · [原文链接](https://lixiaolai.com/articles/2026-05-06/demographic-dividend-to-burden-20260506)

不是衰老。甚至不是淘汰。文凭已经倒挂。

这不是一个关于抚养比 (dependency ratio) 或退休时间表的故事 —— 不是那种会计框架：老人太多，年轻人太少，于是彼此抵消。那个故事是真的；但不是这个故事。这也不是一个关于劳动者被淘汰的故事 —— 不是那种让人安心的叙事：技能慢慢磨损，工资缓慢压缩，受影响的人还有十年时间察觉、转向。那种故事里的退化是可度量的。它沿着一条下行曲线走。这里要看的曲线，不是缓慢下行。它是骤降。

人口红利 (demographic dividend) 是一次加杠杆的押注。赌法很简单：劳动年龄人口 (working-age population) 增长快于被抚养人口 (dependent population)，同时充足的农业劳动力把制造业工资压在边际产出 (marginal product) 之下。这个组合生成了一种格局 —— 不是年龄结构的属性，而是一种特定的生产格局 (production regime)。一代制度都在这个假设上搭建了文凭基础设施：这个格局会持续得足够久，足以摊销那笔投资。文凭是贷款。格局的延续是资产。贷款是真实的，付款还在继续 —— 而当 AI 提前叫停这场赌局，底层资产的市场价值就跌到了未偿余额之下。

贷款是真实的。付款还在继续。资产价值低于所欠余额。没有机制可以按面值清算，也无法像这个类比暗示的那样，干净利落地从文凭投资中抽身 —— 当然，这个类比的边界值得点明，后文也会点明。

这个论证说的是资产负债表 (balance sheet)，不是损益表 (income statement)。损益表显示：劳动者仍有工作，工资仍在到账，文凭仍挂在墙上。资产负债表显示的是另一回事。同一个劳动力市场里，同时存在两个受损位置。看得见的那个，在职业阶梯底部 —— 22 岁的年轻人，那个入门岗位已经不存在了。看不见的那个，在中段 —— 35 到 55 岁的人仍在就业，但压在这份就业上的索取权，正在以快于资产服务能力的速度累积。

先从看得见的地方说起。

斯坦福数字经济实验室 (Stanford Digital Economy Lab) 的布林约尔松 (Brynjolfsson)、钱达尔 (Chandar) 和陈 (Chen) 追踪了 ADP 薪资微观数据，覆盖数百万美国劳动者 —— 这是美国最大的薪资数据集 —— 并发现了一个被总量就业统计掩盖的、按群体 (cohort) 分层的结果。¹ 具体到 22 到 25 岁的软件开发者，就业人数从 2022 年末的峰值到 2025 年 7 月，大约下降了 20%。在所有高 AI 暴露职业中，更广义的 22 到 25 岁群体相对趋势下降了 13% 到 16%。机制是招聘冻结效应：当 AI 接管了这些入门者本来会被雇来执行的任务负荷，企业便停止引入新人。文凭仍然赋予身份。可它本来要填补的那个岗位，在这一群体抵达之前，已经被 AI 自动化了。

行业层面的岗位发布数据把图景继续拉开。根据 REZI（2025）汇总的行业报告，并援引 IntuitionLabs 与 HR Katha 对雇主招聘数据的分析：美国入门级技术岗位发布量在 2023 到 2024 年间下降了 67%；英国技术类毕业生岗位在 2024 年下降了 46%；同期入门级金融岗位下降了 24 个百分点。² 这些数字只是说明性的 —— 数据链经过了中间分析，并非直接来自 NACE、LinkedIn 或 Indeed —— 但它们与斯坦福 ADP 的发现方向一致，也捕捉到同一个时刻：ChatGPT 的采用时间线，和入门岗位崩塌的时间线，以令人不安的精度重合。

大律所 (Big Law) 给出了文凭职业内部最刺眼的诊断。当 AI 工具把文件审阅、尽职调查和基础法律研究自动化 —— 这些本是初级律师的传统训练工作 —— 律所开始削减初级律师招聘。与此同时，正如斯坦福法学院 (Stanford Law) 教授大卫·弗里曼·恩斯特罗姆 (David Freeman Engstrom) 在 Axios 2026 年 5 月的一篇报道中所说，它们正在 “抢着提取律师的知识”，赶在他们退休之前。³ 这个说法 —— *抢着提取* —— 是专业人士在意识到下一代专家判断 (expert judgment) 的生成基础已经被拆除之后，才会说出来的话。文件审阅不只是就业。它是律师助理成长为合伙人的机制。

22 岁的年轻人毕业时拿到了文凭。文凭证明他有资格做入门工作。入门工作就是训练。训练消失了。

然而，斯坦福 ADP 数据里还有第二个发现，它得到的关注远少于入门岗位崩塌：在同样高 AI 暴露职业中，35 到 49 岁劳动者的就业没有出现有意义的变化。《财富》(Fortune) 2026 年 4 月对斯坦福后续数据的报道显示，在最高 AI 暴露类别中，30 岁及以上劳动者的就业从 2022 年末到 2025 年 5 月反而增长了 6% 到 12%。¹ 职业阶梯的底部被打掉了。中段完好。人口红利的故事原本预测，增长中的劳动年龄人口会成为增长的结构性引擎 —— 可现在，劳动年龄中段群体有工作，试图进入这个中段的群体没有。某种东西脱钩了。

要理解脱钩的究竟是什么，得回到人口红利本来是什么。

人口红利从来都不是人口年龄本身的属性。

布鲁姆 (Bloom) 和威廉姆森 (Williamson) 在 1998 年确认，1965 到 1990 年间，东亚和东南亚人均收入增长的三分之一到二分之一，可归因于人口红利。⁴ 机制是：劳动年龄群体增长快于被抚养人口，由此产生的比例变化，暂时扩大了相对于消费的生产能力。这是在发展经济学新闻写作中流通的红利版本。就它所说的部分而言，它是真的。

它省略的是第二个条件。红利并不只是因为劳动年龄人口占比有利就能兑现。它之所以可用，是因为农业部门的剩余劳动力把制造业工资压在边际产出以下。蔡昉 (Cai Fang) 2010 年的论文明确建立了这一点：只有当剩余劳动力仍然存在，乡村到工厂的迁移管道仍然畅通，工业工资成本仍被锚定在生产率之下，红利才可用。⁵ 关键不是劳动年龄群体有多大 —— 而是它能以什么价格被部署。

当剩余耗尽 —— 当农村到城市的迁移因为剩余劳动力已被吸收而放慢 —— 制造业工资就会升至边际生产率，成本优势消散，红利机制终结。国际货币基金组织 (IMF) 的达斯 (Das) 和恩迪亚耶 (N'Diaye) 在 2013 年把这一点形式化，预测中国的刘易斯拐点 (Lewis turning point) 将在 2020 到 2025 年间到来。⁶ 蔡昉在写作当时（2010 年）已经认为它正在发生。红利的终点一直是结构性的 —— 不是一个日历事件，而是一个条件：廉价劳动力格局耗尽廉价劳动力的那一刻。

AI 比人口转型更快地终结了这个格局。红利时代搭建起来的文凭基础设施 —— 十二年的专业训练轨道，从初级到高级的机构金字塔，嵌入这些文凭中的工资预期 —— 都建立在一个假设上：劳动力稀缺会持续得足够久，足以摊销这笔投资。AI 没有改变人口。它改变的是人口的生产性产出在边际上值多少钱。那个为红利提供正当性的格局已经结束。为服务那个格局而建的基础设施，还没有调整。

过去的自动化，是缓慢地沿着技能阶梯向上移动，替代中段和底部的例行任务 —— 那类人类相对可编程机器并没有多少比较优势的工作。

这是多数读者脑中携带的背景模型。用于 AI，它是错的 —— 而且错在一个特定方向上。AI 首先暴露的是顶端。

埃隆杜 (Eloundou)、曼宁 (Manning)、米什金 (Mishkin) 和罗克 (Rock) 2024 年在《科学》(Science) 发表的研究发现，美国大约 80% 的劳动力，至少有 10% 的工作任务会受到大语言模型 (large language models) 影响；大约 19% 的劳动者，至少一半任务可能受到影响。⁷ 真正打破旧模型的发现是：**高收入职业暴露程度最高**。专业服务、法律、金融和知识工作 —— 这些类别的市场价值本来正是由文凭投资来证明的 —— 处在最高暴露之列。费尔滕 (Felten)、拉杰 (Raj) 和西曼斯 (Seamans) 使用一个独立构建、并与 O\*NET 工作场所能力相连的 AI 职业暴露指数，从不同方法得出了同样结果：高学历、高薪、白领职业得分最高。⁸

过去的自动化奔向流水线。AI 奔向办公室。

译者是矿井里的金丝雀。2025 年通过 CEPR VoxEU 发布的研究发现，在美国本地劳动力市场中，机器翻译 (machine translation) 采用率每提高 1 个百分点，译者就业增长就大约降低 0.7 个百分点 —— 累计消除了估计 28000 个本来会在 2010 到 2023 年间存在的译者岗位。⁹ 作家协会 (Society of Authors) 2024 年的一项调查发现，英国译者中有 36% 表示因生成式 AI (generative AI) 失去工作，43% 表示收入下降。翻译是一条有文凭支撑的专业轨道。它被机器翻译替代，不是数据录入的故事。它是判断的故事：AI 匹配了文凭本来要生产的输出。

阿西莫格鲁 (Acemoglu) 和雷斯特雷波 (Restrepo) 的任务框架 (task framework) —— 用于评估自动化浪潮中替代效应 (displacement effect) 与重置效应 (reinstatement effect) 的正式装置 —— 识别出了特定的失效模式。¹⁰ 当重置效应，即创造出劳动仍有比较优势的新任务，超过替代效应时，自动化对劳动者才是净正面的。他们 2022 年发表在《计量经济学》(Econometrica) 的论文发现，过去四十年美国工资结构变化的 50% 到 70% 可归因于替代 —— 并且近几十年，重置效应已经*变弱*。历史上让自动化对劳动者净为正的机制，依赖于新任务需要人类判断。AI 正在瞄准的，恰恰是人类过去比较优势最强的任务层级。它在文凭投资最大的地方，反转了历史模式。

文凭的交换价值 (exchange value) 已经下降。对它的索取权没有下降。

然而 —— 也正是在这里，可见记录开始不够用了 —— 职业生涯建立在那个刚刚结束的格局之上的群体，仍然在就业。

斯坦福数据显示 35 到 49 岁就业没有有意义变化，《财富》2026 年 4 月数据显示高 AI 暴露类别中年长劳动者就业增长 6% 到 12% —— 这些都不是需要化解的矛盾。它们就是问题本身。可见记录显示的是损益表。损害发生在资产负债表上。

现金流为正 —— 累积索取权超过资产价值。工资仍在到账 —— 养老金公式已经锁定。文凭仍挂在墙上 —— 交换价值已经跌破成本基础。

国际货币基金组织 2024 年 1 月关于生成式 AI 与工作的未来的工作人员讨论说明 (Staff Discussion Note, SDN)，记录了定义 35 到 55 岁群体处境的两个结构性条件。¹¹ 第一，此前受雇于高暴露、高互补职业的年长劳动者，在遭遇替代之后，比壮年劳动者更不可能在同一职业类别中重新就业。第二，IMF SDN 的分析意味着，企业可能不会认为投资再培训职业生涯剩余期限更短的劳动者是划算的 —— 这是一种结构性市场条件：暴露程度最高的人，最不可能获得适应性投资。这不是个人动机的失败。它是市场失败：在格局已经改变的领域里，给 50 岁的人再培训，投资回报率算不过来，企业也会理性地按照这个计算行事。

皮齐内利 (Pizzinelli) 和塔瓦雷斯 (Tavares) 在 2025 年沃顿养老金研究委员会 (Wharton Pension Research Council) 论文中，记录了精确定义这一群体的结构性悖论。¹² 相比年轻同侪，更大比例的年长劳动者已经在高 AI 互补职业中工作 —— 这些岗位上，AI 是增强而非替代，累积判断确实有价值。他们在位置上占优。可与此同时，一旦被替代，他们更不可能成功转向其他职业，原因包括岗位流动性更低、转换成本更高，以及 IMF 记录的理性低投资模式。皮齐内利和塔瓦雷斯报告称，年长劳动者的培训参与率明显低于年轻同侪 —— 论文引用全文数据给出的具体数字显示，2023 年 60 到 65 岁成年人和 25 到 44 岁成年人之间存在显著差距。位置与适应能力脱钩了。这个群体被最优地安置在一个刚刚改变的格局里。

22 到 25 岁的伤害，和 35 到 55 岁的伤害，在*类型*上不同，而不是沿同一轴线分布不同。一个是损益表崩塌 —— 入门岗位被清空，立即在 ADP 数据和招聘数据库中可见。另一个是资产负债表崩塌 —— 索取权不断累积，压向一个价值已经下降的资产，在索取权到期之前看不见。二者同时存在。第二个更危险，因为到目前为止，公共讨论里唯一可读的文件一直是损益表。

要说明这个位置为什么是负值，而不只是恶化，必须精确命名。

在资产负债表上，索取权超过资产价值的那一行，有一个名字。那就是 “倒挂” 的意思。

有四种机制可能把人力资本推入负值区间。其中三种不会。一种会。

**沉没成本锁定。** 十二年的文凭化是一次投资，投入的时间无法收回。但沉没成本一旦沉没，就会归零 —— 不会低于零。时间已经消失；这个损失真实存在，也被时间本身限定。这个机制产生的是后悔和被放弃的替代选择，而不是负值区间。它是支撑背景，不是核心主张。

**反模式训练。** 戴恩 (Dane) 2010 年在《管理学会评论》(Academy of Management Review) 发表的论文建立了这一机制：随着领域专长加深，认知图式变得更大、联系更密、更稳定。¹³ 这种稳定性让专家在一个范式内更高效。但在范式转换之下，它会变成负债 —— 固化的图式会把新信息导回旧框架。布林约尔松、李 (Li) 和雷蒙德 (Raymond) 2025 年发表在《经济学季刊》(Quarterly Journal of Economics) 的随机现场实验，研究了一家《财富》500 强企业的 5172 名客服坐席，发现，在那个呼叫中心场景中，新手和低技能劳动者在 AI 辅助下提升了 34%，而经验最丰富的劳动者在速度上小幅提升，质量却小幅下降。¹⁴ 机制是：AI 编码并分发专家最佳实践，让资深劳动者的累积优势不再那么具有区分度；并且在某些狭窄组织情境中，如果劳动者有权覆盖 AI 输出，它还会成为质量拖累。这是真实的。它在特定组织情境中真实存在，并非普遍如此。它是次要机制。

**组织拖累。** 企业保留一名产出可以被 AI 匹配的资深劳动者，就是在为一种不再需要以这个成本购买的东西支付溢价。这是一个昂贵的零价值位置，不是低于零的位置。企业承担成本；成本真实存在；但孤立地看，它并不会让劳动者的人力资本变成负值 —— 它只是让这名劳动者相对于替代方案变得昂贵。它是支撑背景。

**无法匹配的财政索取权。** 这是承载字面负值主张的机制，也是唯一承载它的机制。

养老金是在旧格局的生产率假设下承诺的。薪水是按旧工资溢价谈成的。医疗福利由合同固定。这些索取权以美元计价，具有明确合同结构，面对的是一个已经下降的生产价值。缺口真实存在，原则上可计算，并且会随时间复利累积。

养老金是合同。薪水是合同。文凭投资已摊销。 只有生产价值 —— 方程中唯一从未被合同固定的那一项 —— 可以自由下跌。

科日内克 (Korinek) 和洛克伍德 (Lockwood) 2026 年 1 月的布鲁金斯学会 (Brookings Institution) 论文建立了宏观经济框架：AI 可能逐步侵蚀支撑现代社会安全网的两大税基 —— 劳动收入和人类消费 —— 并在最需要这笔资金的时刻制造财政压力。¹⁵ 35 到 55 岁群体正处在交汇点上。他们的财政索取权 (fiscal claims) 会在 2025 到 2045 年的窗口中累积，而为这些索取权提供资金的生产性基础正在压缩。养老金基金和 AI 生产率曲线运行在不同账本上。它们会在基金没有预提准备的某个时刻对账。

这就是会计意义上的 “负值人力资本”：不是说人有负的内在价值，而是说某个特定群体的会计位置 —— 养老金加医疗加薪资预期，对上 AI 价格点下的生产性产出 —— 已经翻转了符号。标准人力资本理论在形式上不允许负值；这里的主张说的是一个会计恒等式，不是一个理论属性。这个区别重要。也正因为更窄，这个主张才更可辩护。

房贷类比能承载其中一部分，但不能承载全部。

它能承载的是：成本基础 (cost basis) 与当前市场价值之间的结构关系。合同索取权会独立于资产贬值而继续存在这一直觉。以及信号价值（墙上的文凭）和交换价值（文凭在求职市场上能换来什么）可能脱钩这一点 —— 在一个已经重新定价产出的市场里，一张票面价值完整的文凭，并不值票面看上去那么多。

它不能承载的是：

不是数值精确。房贷有一个固定的美元缺口 —— 余额比估值高出一个具体数字。文凭的 “贷款金额” 是模糊的终身收入预期，它原本按某个生产格局定价，而这个格局后来已经改变。会计恒等式是结构性的；它不是算术。缺口真实存在，但无法表达为单一数字。

不是字面锁定。劳动者会再培训，会转向。职业变化会发生，再培训会发生，中年重塑会发生。“不能抽身” 这个说法，是对结构困难的修辞呈现，不是对法律约束的描述。劳动者确实会离开。他们会以甩卖价格离开 —— 这正是这个类比要命名的东西。甩卖才是映射；救助不是。

不是暗含救助。2008 年房贷危机以后有 HAMP、HARP 和本金削减。本文没有提出等价的政策主张。这里命名的是会计恒等式，不是在为立法开方。文凭持有人在认识到自己的位置已经倒挂之后要怎么办，是另一个问题，也更难。

比喻是框架。分析是上一节的不等式。框架让读者抓住不等式；没有框架，不等式也成立。

这个分析主张必须经得起最强反驳 —— 而最强反驳是真实的、经过校准的、具有经验证据基础的。

最强反驳不是一种修辞动作。它是一个真实的、校准过的、经过经验估计的模型，并且有记录在案的预测成功。本文若要守住论线，就必须先正面面对它。

**让步一 —— 贝森论需求弹性。** 贝森 (Bessen) 2018 年的 NBER 框架确立了一个判断：自动化会扩大还是收缩就业，取决于被自动化服务的需求弹性。¹⁶ 自动柜员机 (ATM) 案例很清楚：ATM 部署降低了每笔交易成本，使银行能运营更多网点，从而提高了柜员总需求。在 ATM 扩散时期，柜员就业上升。这个模型已经被延伸到 AI：法律服务面临结构性需求配给，因为司法可及性缺口意味着当前需求被价格压制 —— AI 驱动的成本下降，应当释放潜在需求，并可能扩大整体法律就业。这是真的。承认它。

**让步二 —— 阿西莫格鲁和雷斯特雷波的重置。** 任务框架是双向的。近期扩展专门估计了 AI 的 50% 到 80% 重置区间。普华永道 (PwC) 2025 年《全球 AI 就业晴雨表》(Global AI Jobs Barometer) 发现，AI 暴露行业的生产率增长翻了两番（从 7% 到 27%，2018 到 2024 年）；AI 暴露行业的工资增长率约为低暴露行业的两倍；即便整体岗位发布下降 11.3%，要求 AI 技能的岗位仍增长 7.5%；具备 AI 技能的劳动者获得 56% 的工资溢价。¹⁰ 这就是任务框架预测的重置效应。它真实，并且可测量。承认它。

**让步三 —— 贝森等人的再吸收。** 贝森及其同事发表在《经济学与统计学评论》(Review of Economics and Statistics) 的经验后续研究显示，被自动化替代的劳动者，在该研究 5 年测量窗口内，累计工资损失约为一年工资收入的 8% 到 9%。¹⁷ 总量调整故事有经验证据支撑。这个也承认。

现在是反驳。它不是作为经验发现提出，而是作为会计恒等式提出：

需求弹性在新的均衡价格上扩张就业。 35 到 55 岁劳动者的工资，是在旧格局价格上设定的。 工资是合同的；弹性是总量的；二者在不同账本上相遇。

贝森的模型描述的是*新*劳动投入如何以*新*均衡价格出清。它没有说明附着在*现有*劳动者身上的遗留成本结构。ATM/柜员类比之所以成立，是因为柜员可以按新的单网点经济性被雇用；既有柜员的薪水不是障碍。2026 年的文凭层劳动者，无法突然按 AI 赋能后的价格点提供服务。内部成本结构 —— 旧格局中谈成的累积薪资、已经按旧公式归属的养老金 —— 阻止了这件事。障碍不是劳动者的能力。障碍是劳动者的成本基础。

56% 的 AI 技能溢价，归属于获得 AI 互补性的劳动者。锁定论证讨论的是那些面对结构性障碍、难以获得这种互补性的劳动者 —— 戴恩记录的认知固化 (cognitive entrenchment) 机制，IMF SDN 记录的企业低投资机制。溢价和锁定，描述的是同一劳动力市场中的不同劳动者子群体。用溢价反驳锁定，是把两者混为一谈。

时间论证是最锋利的一点。贝森等人的 5 年测量窗口 —— 累计工资收入损失发生的期间 —— 对于 2026 年被替代的 50 岁劳动者来说，正好与多数养老金公式下财政索取权累积的峰值年份重合。2026 到 2031 年间损失的工资收入，不会在测量窗口的另一侧消失：那些缺失年份里本该锁定的养老金公式，会在劳动者余生的退休期里生成更低的待遇。工资损失是真实的。养老金缺口也是真实的。它们在不同账本上对账。

相关的历史先例不是 “这一次不同”。而是：“模式相同。” 克鲁格 (Krueger) 1993 年的研究发现，在 1980 年代计算机化浪潮中，计算机使用者有 10% 到 15% 的工资溢价¹⁸ —— 重置效应真实存在，它惠及能够部署新技术的劳动者，同时也以工资分布的永久变化为代价，而被替代的文职劳动者在自己一生中并未因此受益。模式是：总量劳动力市场用 20 年调整；在转型中被替代的那一代人，无法在自己的世代中恢复。这不是声称它与所有历史自动化发生结构性断裂。它是 1980 年代已经产生过的同一种世代不对称，只是发生在不同层级，并拥有不同的可见性。

耶鲁预算实验室 (Yale Budget Lab) 基于 CPS 持续追踪 AI 对美国劳动力市场的影响，它给出的图景比斯坦福按职业划分的发现更谨慎。¹⁹ 它的分析认为，总体 AI 就业市场影响显示为稳定 —— 在经济整体就业统计中，并未出现重大扰动。这不是矛盾。总量稳定完全可以与特定群体加职业交叉点上的集中结构性损害同时存在。这里的主张说的是那种集中，而不是宏观头条数字是否令人警觉。

反驳成立。第二幕的故事仍在等待 —— 它把眼下可见的东西，与学徒培养基础 (apprenticeship substrate) 枯竭之后才会变得可见的东西连接起来。

回到 22 岁的年轻人。

斯坦福 ADP 数据记录、REZI 行业汇总印证的入门岗位清空，不只是一代人失去第一份工作。它是学徒培养基础正在被经济性地抹除。专业金字塔底部的初级岗位 —— 审阅文件的律师助理、阅读常规影像的初级放射科医生、制作演示文稿的初级咨询顾问、处理套话文本的初级译者 —— 不只是就业机会。它们是下一代资深专家判断被制造出来的机制。文件审阅是训练。套话文本是训练。常规影像是训练。每一级台阶都有经济价值；这个价值证明了雇用那个最终会爬过这一级台阶的人的合理性。

Axios 在 2026 年 5 月报道了大律所面对这一局面时正在做什么：赶在退休之前，赶在那些通过这条管道建立专长的资深合伙人离开之前，抢着提取律师的知识。³ 当一个职业意识到生产专家判断的基础已经被拆除时，它就会这样做：它试图在持有知识的人离开之前，捕捉现有知识，因为已经没有流程能生产下一代持有者。

这个结构性推断是诚实的，不是经验性的。如果初级岗位在 AI 之下不再经济合理 —— 因为 AI 做训练层级工作比初级律师更便宜 —— 那么在市场激励下，管道不会重建。过去，雇用初级律师的市场理由是她的经济产出；现在这个理由不再成立，而她本来会从中提取的训练价值，从来不是她薪水的首要正当性。2035 到 2040 年的知识缺口 —— 当 AI 在边界案例上出错，而没有受过人类训练的判断可用时 —— 并不是有经验背书的预测。它是从当下经济性推出的结构性推断，因此也应当如此持有：诚实，但不确定。

第一代人的职业路径被封死。 下一代人将没有专家判断可继承。 文明会在试图调用那种已不复存在的东西时，发现缺口。

22 岁处的可见损害，不是一个入门级扰动，不会在经济调整后自行修正。它拆除的是专家判断跨世代自我复制的机制。两个位置的结构现在已经完全可见：职业阶梯底部的损害 —— 可测量、已记录、正在加速；中段的损害 —— 在资产负债表上累积，到索取权到期之前不可见；未来时态中的损害 —— 推断性的、结构性的，尚未出现在任何数据集中，因为被摧毁的是一条管道，而管道总是先在远端枯竭。

资产负债表不会撒谎。它只会延迟。

**财政索取权会到期。** 养老金基金会在 2030 到 2050 年间遭遇缺口，那时 35 到 55 岁群体开始领取福利，而这些福利的抵押基础，是一个已经被压缩的生产性基础。这不是关于劳动力市场的预测。这是关于算术的观察 —— 养老金公式、摊销周期、在一个已不存在的格局中谈成的福利合同结构。缺口累积时，现金流为正。缺口显现时，现金流为负。从累积到显现之间的延迟，正是损益表看起来没问题的那段时间。

**魏玛手推车。** 当固定名义索取权遭遇崩塌的生产价值，历史模式就是印钞 —— 延长名义索取权，同时让底层生产基础进一步下跌。政策类比则是文凭通胀：更多再培训项目，更多证书，更多 AI 技能提升徽章，更多文凭层级堆叠在一个已经重定价底层产出的市场之上。手推车这个意象，说的是当一个机构试图通过发行更多索取权，来兑现面对恶化基础的固定索取权时，会发生什么。当交换系统已经破裂，更多文凭不会恢复交换价值；它会加速贬值，因为曾经给文凭带来市场价值的稀缺信号已经消失。

**把会计恒等式完整摊开时，它显示的是：** 红利是一种格局，不是一种结构。文凭是框，不是资产。资产负债表会显示损益表正在隐藏的东西。

那个缓慢、不可见、由合同累积起来的负担，不在抚养比里。它在一个生产层级被承诺的东西，和 AI 时代经济性愿意支付的东西之间。这个缺口不在损益表上。它从来都不在那里。

资产负债表不会出现在季度财报里。它会在索取权到期时出现 —— 出现在一本从未被设计来读取这场已经完成的格局变化的账本上。

1. Brynjolfsson, E., Chandar, B., and Chen, R. (2025). "Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence." Stanford Digital Economy Lab Working Paper. ↩ ↩
2. REZI AI (2025). "The Crisis of Entry-Level Labor in the Age of AI (2024–2026)." rezi.ai, citing IntuitionLabs and HR Katha analyses of employer job-posting data. ↩
3. Axios (2026-05-02). "AI Threatens Big Law's Talent Pipeline." Also: Above the Law (2026-03). "AI Won't Replace Lawyers But Can Create Critical Shortage Of Good Ones." ↩ ↩
4. Bloom, D., and Williamson, J. (1998). "Demographic Transitions and Economic Miracles in Emerging Asia." *World Bank Economic Review*, 12(3), 419–455. DOI: 10.1093/wber/12.3.419. ↩
5. Cai, F. (2010). "Demographic Transition, Demographic Dividend, and Lewis Turning Point in China." *China Economic Journal*, 3(2), 107–119. DOI: 10.1080/17538963.2010.511899. ↩
6. Das, M., and N'Diaye, P. (2013). "Chronicle of a Decline Foretold: Has China Reached the Lewis Turning Point?" IMF Working Paper WP/13/26. SSRN: 2222490. ↩
7. Eloundou, T., Manning, S., Mishkin, P., and Rock, D. (2024). "GPTs are GPTs: Labor Market Impact Potential of Large Language Models." *Science*, 384, 1306–1308. arXiv preprint 2303.10130. ↩
8. Felten, E., Raj, M., and Seamans, R. (2023). "Occupational Heterogeneity in Exposure to Generative AI." SSRN Working Paper 4414065. ↩
9. Frey, C.B., and Llanos-Paredes, A. (2025). "How Machine Translation Has Displaced Translators." CEPR VoxEU, March 2025. Supporting data: Society of Authors (UK) Survey 2024. ↩
10. Acemoglu, D., and Restrepo, P. (2019). "Automation and New Tasks: How Technology Displaces and Reinstates Labor." *Journal of Economic Perspectives*, 33(2), 3–30. DOI: 10.1257/jep.33.2.3. And (2022). "Tasks, Automation, and the Rise in U.S. Wage Inequality." *Econometrica*, 90(5), 1973–2016. DOI: 10.3982/ECTA19815. PwC (2025). "The Fearless Future: 2025 Global AI Jobs Barometer." ↩ ↩
11. Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A., Pizzinelli, C., Rockall, E., and Tavares, M. (2024). "Gen-AI: Artificial Intelligence and the Future of Work." IMF Staff Discussion Note SDN/2024/001. ↩
12. Pizzinelli, C., and Tavares, M. (2025). "AI and the Future of Work in an Aging Economy." Wharton Pension Research Council Working Paper WP2025-14. SSRN: 5345347. ↩
13. Dane, E. (2010). "Reconsidering the Trade-off Between Expertise and Flexibility: A Cognitive Entrenchment Perspective." *Academy of Management Review*, 35(4), 579–603. DOI: 10.5465/amr.35.4.zok579. ↩
14. Brynjolfsson, E., Li, D., and Raymond, L. (2025). "Generative AI at Work." *Quarterly Journal of Economics*, 140(2), 889–942. NBER Working Paper 31161. ↩
15. Korinek, A., and Lockwood, B. (2026). "Public Finance in the Age of AI: A Primer." Brookings Institution Working Paper. January 2026. Also: NBER Working Paper 34873. ↩
16. Bessen, J. (2018). "AI and Jobs: The Role of Demand." NBER Working Paper 24235. ↩
17. Bessen, J., Goos, M., Salomons, A., and van den Berge, W. (2025). "What Happens to Workers at Firms that Automate?" *Review of Economics and Statistics*, 107(1), 125–141. ↩
18. Krueger, A. B. (1993). "How Computers Have Changed the Wage Structure: Evidence from Microdata, 1984–1989." *Quarterly Journal of Economics*, 108(1), 33–60. ↩
19. Yale Budget Lab. (2025–2026). "Tracking the Impact of AI on the Labor Market." The Budget Lab at Yale. Multiple updates 2024–2026, including February 2026 update. ↩

- Bessen, J., Goos, M., Salomons, A., and van den Berge, W. (2025). “What Happens to Workers at Firms that Automate?” *Review of Economics and Statistics*, 107(1), 125–141。 —— 这是 Bessen 2018 的经验后续研究；它记录了自动化企业中劳动者在 5 年测量窗口内，累计工资损失约为一年工资收入的 8% 到 9%。要理解§8 中的时间论证，以及为什么总量工资恢复无法拯救被锁定的 35 到 55 岁群体的养老金公式，这篇是关键。
- Autor, D. (2024). “Applying AI to Rebuild Middle Class Jobs.” NBER Working Paper 32140. — Autor 认为，AI 可以把专家判断民主化，使中等技能劳动者受益；这是本文分析必须与之共存的乐观互补案例。其民主化机制，正是本文描述为管道破坏的同一个机制 —— 只是从另一种规范角度看见。
- Acemoglu, D. (2024). “The Simple Macroeconomics of AI.” NBER Working Paper 32484. — Acemoglu 自己评估了为什么 AI 的宏观生产率收益可能小于宣传口径：如果自动化集中在那些并不与广泛人类劳动互补的任务上，收益就会受限。这与理解§4 和§8 引用的重置效应变弱发现直接相关。
- Cowen, T. (2013). *Average Is Over*. Dutton。 —— 这是文凭层论证的预示性框架：在一个世界里，能够高度熟练地*与*复杂工具协作的人，其回报会与不借助这些工具工作的人急剧分化。它提供了分配背景，而 35 到 55 岁群体的资产负债表论证正位于这个背景之中。
- Goldin, C. (2014). “A Grand Gender Convergence: Its Last Chapter.” *American Economic Review*, 104(4), 1091–1119。 —— 讨论工资谈判的时间结构、职业路径锁定，以及为连续职业轨迹设计的薪酬结构，如何在轨迹中断时产生系统性惩罚。它是理解§6 中养老金公式机制为何按本文所述方式运作的重要背景。

不是老龄化。甚至也不是过时。真正沉到水下的，是文凭。

人口红利其实从来不只是人口年龄结构。它是一套制度：劳动年龄人口增长快于被抚养人口，同时农村剩余劳动力压低制造业工资，让工资长期低于边际产出。布卢姆 (Bloom) 和威廉森 (Williamson) 曾把东亚 1965 年至 1990 年人均增长的近一半归因于这一结构；蔡昉和国际货币基金组织 (IMF) 后来确认，这套结构会随人口时钟到期。只是 AI 让它提前到期了。整整一代文凭体系，本来是按旧制度分期摊销的资产，如今底层制度先塌了。

同一个劳动力市场里，现在有两处损伤。看得见的一处，在职业阶梯最底端。斯坦福 (Stanford) 数字经济实验室的布林约尔松 (Brynjolfsson)、Chandar 和 Chen 追踪 ADP 薪资微观数据发现，2022 年底到 2025 年中，22 至 25 岁软件开发者就业大约下降 20%；在 AI 暴露度高的职业中，同龄人相对趋势下降 13% 至 16%。行业招聘数据也指向同一方向：美国入门级科技岗位减少 67%，英国科技毕业生岗位减少 46%。顶级律所 (Big Law) 正赶在资深合伙人退休前提取他们的知识，因为过去训练新人的文书审阅，如今已经交给 AI。文凭仍然带来身份。但它原本通往的岗位，在持有人抵达之前已经被自动化了。

看不见的一处，在中段。35 至 55 岁的同类高暴露岗位，表面上没有就业下滑，有些群体甚至还在增加。可这不是对 “入门岗位消失” 的反驳，而是第二处损伤。利润表仍然好看：工资照发，文凭挂在墙上。资产负债表却是另一回事。养老金按旧制度的生产率承诺，薪资按旧工资溢价谈成，医保福利写进合同。这些索赔会复利增长；可它们当初抵押的生产价值已经下降。埃隆杜 (Eloundou) 等人在《科学》(Science) 中指出，AI 暴露度最高的，正是高收入白领职业，也就是文凭投资原本最需要证明市场价值的那些类别。过去的自动化冲向流水线。AI 冲向办公室。

最有力的反驳，比如贝森 (Bessen) 关于需求弹性、阿西莫格鲁 (Acemoglu) 和雷斯特雷波 (Restrepo) 关于岗位再造、以及 AI 技能工资溢价，讲的是新劳动投入如何在新均衡价格上出清。它没有回答既有雇员背后的遗留成本结构。障碍不是能力，而是成本基准。更重要的是，培养专家判断力的学徒土壤已经被经济逻辑抹掉：在 AI 成本结构下，初级岗位不再划算，市场激励也就不会重建人才管道。

资产负债表不会撒谎，它只会延迟。2030 年至 2050 年之间，财政索赔终将到期；而这本账，从一开始就没有设计成能读懂已经完成的制度更替。

版权声明：© 超限思维 · LookMinds。本页为己方整理的亲口亲笔原稿处理稿/编者新译，非原文替代；原文版权归原作者/平台。本人原作请回原链。