Anthropic 愿为能构建自我改进 AI 智能体的工程师（职位名为 Research Engineer, Agents）支付高达 $850,000 的年薪，还不是什么期权股票等“纸面财富”的叠加，就是实打实的工资。
看完之后沉默了大概三十秒。随后开始想：
AI到底会怎么改变经济、改变我们的工作、又该让孩子准备什么？
好在顶级大学和研究教授们比我们普通人更上心研究AI的影响，就在本月，斯坦福教授说AI会让经济腾飞——
2026年9月，斯坦福商学院教授 Charles I. Jones（琼斯）在顶级经济学期刊《经济展望杂志》发表了一篇论文，题为《AI与我们的经济未来》。
他提出了一个框架，试图回答一个所有人都在关心的问题：AI到底会把经济带向何方？
几乎同时，Anthropic研究所发布了另一篇工作论文《变革性AI的经济情景》，琼斯也是共同作者。
这篇论文构建了一个模型，把AI能力路径映射到GDP、就业和工资的变化上，并给出了2026—2030年的三种情景推演。
01
这两份论文，恰恰在回答我们最该问的三个问题
01 AI 可能显著加速经济增长——从年均2%到5–10%的可能
过去150年，美国人均 GDP 增长稳稳停在每年约2%。这个数字几乎成了一个经济学常数，无论技术如何变迁，它始终稳定在那个位置。
*截自论文原文
但Jones在论文里指出：一旦 AI 把经济里大量“还没被自动化”的环节也接管了，增长可能加速到每年5%以上；在某些标准增长模型里，甚至能冲到10% 以上。
02「薄弱环节」：为什么爆发会迟到，风险却会放大
琼斯在论文中做了一个关键判断，爆发会迟到，风险却会提前。
原文是这么写的：即使薄弱环节拖慢了收益的到来，它们“可能实际上加速了风险的到来”（may actually speed up the risks）。
Jones借用了经济学里的“O型环/ 最弱一环”模型：一条链子强度取决于最弱那环，一个经济体也一样——只要还有一个环节还得靠“进步很慢的人”来做，整体就被卡住。
所以现实往往是：AI先把“容易自动化”的环节（比如写代码）吃到极致，但经济整体并不会立刻起飞。
论文里有个扎心例子：哪怕你把“软件”这个环节无限自动化（它只占GDP的 2%），GDP也只涨2%——因为别的环节还是人在做。要让人均收入翻倍，得把94%的GDP都无限自动化。
这解释了为什么我们一边喊“AI颠覆一切”，一边GDP纹丝不动（诺贝尔级经济学家索洛1987年有句名言：“电脑时代到处都是，就是生产率统计里没有”）。
爆发会迟到，但“薄弱环节”一旦被逐个击穿，加速度会非常吓人——而在这个过程中，被落下的人、被替代的岗位，风险也被同步放大了。
03 到2030年，三情景下的就业与工资推演
*AI基于论文原文内容的总结
Anthropic那篇论文把时间窗口锁在2026–2030年，用三个情景推演就业和工资：
- 温和情景： 到2030年，AI给GDP增长只加不到0.5 百分点，失业率微升0.1个百分点，几乎无感。
- 显著情景：大部分美国人的预期落在这里——到2030年GDP涨约8%，但从事认知类工作的岗位减少约4%
- 极端情景： AI干掉了今天近一半的认知工作，GDP增速冲到每年15%，但劳动收入占国民收入的比重从60%跌到 45%，每5个认知工作者里约1个失业。
*截自论文原文
注意一个细节：即使在极端情景下，GDP增速飙到15%（这是人类历史上从未见过的数字），但普通劳动者感受到的并不是繁荣，而是将近20%的认知岗位消失。
论文还做了一次1万多人的美国民意调查，结果的中位数刚好落在“显著情景”，即大部分人其实已经隐隐感觉到了。
两篇论文都反复强调了同一个词：uncertainty（不确定）。
它们是“如果AI这么走，经济会怎样”的结构化推演。但凡往这个方向多想一步，都会撞上一个绕不开的问题——普通人（和我孩子）该怎么办？
02
斯坦福已经把教这些技能的课，免费放出来了
而这个时代，知识的可得性前所未有的便捷和慷慨。
这不文章开头提到的那项年薪85万美元的技能，斯坦福大学就于近期直接上线了教授这项技能的课程（CS329A），其中一位讲师还参与打造了 Claude。
不仅如此，斯坦福还有一批免费开放的相关课程。要教我们真正在AI时代能用的本事。
01 CS329A：Self-Improving AI Agents（自我改进智能体）
一句话定位：Anthropic愿出85万美元年薪去抢的“自我改进AI智能体”技能，斯坦福把它做成了免费公开课。
这是斯坦福2025年秋季开课的课程，2026年8月上传至官方 YouTube 频道，Part 1已有超过20万次观看。
- 讲师：Aakanksha Chowdhery（曾带队训练Google 540B的PaLM，主导Gemini的MoE预训练）、Azalia Mirhoseini（斯坦福Scaling Intelligence Lab负责人，曾参与打造Claude）
- 课程讲什么：课程研究的是AI智能体如何在与自身和环境的交互中持续变好。
这门课对应的正好是琼斯论文里说的什么薄弱环节？
一个AI智能体能做很多事，但“怎么判断它做得好不好”、“什么样的奖励信号能让它真正进步”——这些仍然需要人来设计。这就是薄弱环节。
- 课程链接（可直接复制）：https://cs329a.stanford.edu/
02 CS146S：现代软件开发
一句话定位：斯坦福计算机系历史上第一门专门教AI辅助软件开发的课程。2025年秋季首次开课。主讲人Mihail Eric是斯坦福AI博士，前Amazon Alexa技术主管。
课程的核心命题非常直接：软件开发已经从“手写代码”变成了“人管理AI智能体”的工作流。
用课程自己的话说，“纯vibe coding仍然不是构建生产级软件的可行方式”，每个开发者需要学会成为“一群热切AI智能体实习生”的管理者。
- 形式：⚠️目前没有官方讲座录像，但每周 PPT、阅读清单、GitHub作业全部公开，等于一份免费自学教材；可跟着每周主题动手做。嘉宾含Claude Code创造者Boris Cherny、Cognition（Devin）、Warp、Semgrep、a16z等。
- 课程链接（可直接复制）：https://themodernsoftware.dev/ https://github.com/mihail911/modern-software-dev-assignments
03 经典AI课程三件套
[对应薄弱环节：地基，永远是地基]
① CS221: 人工智能：原理与技术
2011年Sebastian Thrun和Peter Norvig首次在线开放时，吸引了16万人注册，2万人完成。
十四年过去了，它仍然是理解AI全貌最好的入口之一。60个视频，覆盖搜索、约束满足、博弈、马尔可夫决策过程、图模型、机器学习和逻辑。
- 课程链接（可直接复制）：https://cs221.stanford.edu/ https://www.youtube.com/playlist?list=PLoROMvodv4rOca_Ovz1DvdtWuz8BfSWL2
② CS224N: 深度学习与自然语言处理
Christopher Manning主讲，大模型/NLP领域公认的基石课。从词向量、预训练、后训练一路讲到推理与AI Agents。
- 课程链接（可直接复制）：https://web.stanford.edu/class/cs224n/
③ CS229: 机器学习（Andrew Ng的经典课）
吴恩达的机器学习经典，全网播放量最高的ML课程之一，几乎每个工程师都刷过。
机器学习的“普通话”，是所有AI课的先修地基。讲义写得极其清晰，数学推导完整。经典到今天依然不过时。
- 课程链接（可直接复制）：https://cs229.stanford.edu/
*图源网络
最后，再附上一个彩蛋：可以说是机器人/具身智能党必看。
CS223A：Introduction to Robotics（机器人学导论）+ 一本神书
- 课程：斯坦福经典机器人课，由传奇教授Oussama Khatib讲授。
- 讲什么：空间描述、正/逆运动学、雅可比、动力学、运动规划与轨迹生成、位置与力控制、机械臂设计。
- 配书：约翰·克雷格（John J. Craig）的《机器人学导论》（第 4 版）。对机器人和具身智能感兴趣的同学，桌上大概率都压着这本神书。
- 课程链接（可直接复制）：https://online.stanford.edu/courses/cs223a-introduction-robotics （视频搜索 Stanford CS223A Oussama Khatib）
希望今天的文章能给你带来帮助。
