投资策略
阅读需时1分钟
要点
人工智能带来的颠覆不可避免,但对人工智能导致大规模失业的担忧被夸大了。
三大制约因素将决定人工智能转型的路径:模型能力边界、基础设施需求,以及监管、组织和社会政治层面的阻力。
半导体、数据中心和电网的瓶颈,为那些建设人工智能基础设施的企业创造了投资机会。
没有人知道人工智能(AI)的故事将如何收场。但显而易见的是,AI是投资者需要理解、评估并据此布局的关键宏观经济与市场主题。
人工智能是全球地缘分化、通胀之外的第三大驱动力量,三者共同塑造着新的市场格局。我们在《年中展望》中深入探讨了这些主题,并提炼出可实操的投资建议。
在此,我们聚焦于AI叙事中一个备受广泛讨论(有时甚至充满争议)的侧面:AI对劳动力市场的潜在影响是什么?
去年秋季,市场的主流声音截然不同——当时AI的空头观点只聚焦于一个问题:人工智能是否存在泡沫?短短数月之后,情况急转,焦点变成了AI的潜在风险。主流观点(我们称之为“人工智能极端派”)认为,AI技术进步如此之快,劳动力市场来不及做出调整。1 在最极端的情景下,AI的普及将引发大规模失业,其严重程度堪比AI时代的“大萧条”。
毫无疑问,人工智能将重塑经济和劳动力市场。没错,技术正在飞速发展。但我们认为,三大限制因素将使从旧范式向新范式的过渡变得可控(按制约程度从弱到强排列):
我们认为,经济和社会将避免最坏情形的发生。
事实上,我们认为当前市场叙事过分关注将被颠覆的事物,而对正在被创造的新事物关注不足。投资者低估了风险资产最乐观的情形:AI将以一种可控的节奏提升经济生产率与企业利润,为劳动力市场的重构创造条件。
AI颠覆是否失控?那完全是另一回事了。
AI模型公司Anthropic的首席执行官达里奥·阿莫迪(Dario Amodei)描绘了一幅非常暗淡的图景,引发了广泛关注。他警告称,未来1至5年内,AI可能会取代一半的入门级白领岗位,并将失业率推高至10%–20%。2假设没有任何对冲力量(如新行业创造的就业机会或政府干预),这将意味着净损失1,000万至2,500万个就业岗位,经济很可能遭到重创。
历史经验显示,技术范式的更替往往伴随着岗位的淘汰。在过去数十年的范式变革中,每年平均有20万至30万劳动者被取代。
20世纪80年代个人电脑的兴起和90年代互联网的发展深刻影响了劳动力市场,其中印刷媒体、实体零售和广告业的变化最为显著。经济学家估计,仅互联网的兴起就导致约600万劳动者失业。3
劳动力市场的调整通常通过任务重构、行业扩张、地域流动和新企业成立等多种方式综合实现。互联网或许导致了350万人失业,但它也催生了近2,000万个新工作岗位——这些岗位在20世纪90年代初几乎不可想象(例如电子商务物流和数字营销)。4
人工智能极端派认为,“这次不一样”,因为技术进步的速度极其迅猛,劳动力市场将难以及时适应。
我们不同意这种观点。我们认为,我们所提及的三大制约因素——AI模型的能力、实物基础设施投资需求,以及监管、组织及社会政治阻力——会减缓转型的速度,从而使这项技术为投资者带来的收益超过其成本。
首先来看模型能力这一制约因素。我们承认,每一位大语言模型(LLM)用户都清楚:AI模型性能持续快速提升。Anthropic最新推出的LLM,Claude Opus 4.6,能够完成人类专家需要超过12小时才能完成的任务,较2025年12月实现了超过两倍的效率提升。同样,其“Claude Code”工具(可将自然语言指令高效转换为代码)的使用量正呈指数级增长。在使用GitHub Copilot的开发者所编写的代码中,已有近一半由该工具自动生成。5
具备自主完成任务能力的智能体AI (Agentic AI)已成为现实。例如,运输物流公司C.H. Robinson开发的AI代理,能够在30秒内提供报价,而人工完成同样工作需15分钟。自2022年以来,该公司员工人数每年减少约10%。6
但是,一个岗位是一系列任务的组合,而不是单一能力基准。如果知识工作仅仅是处理词元(token),那么GPU(图形处理单元,驱动AI模型的计算机芯片)将拥有不可逾越的优势。7
知识型工作者会进行推理。他们依据模糊或不完整的指令行事。他们凭借多年乃至数十年的训练积淀、社交直觉、情商、模式识别能力及机构知识,来决定是否致歉、排查故障或升级处理特定事项。推理型AI模型通过检索历史数据、迭代不同方法,最终确定最佳方案,以此尝试复制人类认知。其过往表现好坏参半。
推理模型正在迅速改进,但当要求更高的成功率时,它们的优势就明显不那么突出了。
以Anthropic的Claude Opus 4.6为例。当尝试执行一项人类专家需耗时两小时完成的任务时,Claude的成功率为80%。当Claude尝试更为复杂的任务时(人类专家需耗时12小时完成此类任务),其成功率降至50%。换言之,如果您需要AI在几乎所有情况下都能成功完成任务,那么该任务必须足够简单。这种局限性或许可以部分解释,为何Anthropic观察到的任务替代程度低于模型理论上的潜力。
人力劳动和GPU的市场定价或许提供了最令人信服的证据,表明AI模型仍无法超越知识型员工。
一名年薪7.5万美元的白领员工,每小时成本约为50美元;根据工作量和芯片类型的不同,GPU的租赁价格约为2.50美元/小时(比例为20:1)。8 因此,雇主从人力劳动转向AI劳动具有基本的成本激励。如果AI已经具备大规模取代知识型员工的能力,那么它早就这样做了。
目前的证据表明,任务层面的颠覆远比岗位层面的颠覆更为普遍。这对生产率提升而言是一个积极信号。
要相信大规模劳动力替代会发生,就必须相信计算和电力基础设施将发生深刻(且快速)的变革。这种变革或许终将到来,但绝非一蹴而就。
人工智能要求对其基础设施进行大规模、持续性的投资。一台半导体服务器(包含GPU和内存)部署在数据中心内,该数据中心必须有电力供应、冷却系统,并连接到更广泛的网络。那么,要取代1,000万人,我们需要多少块GPU?
如果假设一块GPU能够完美复制一小时的人类劳动,那么整个经济体仅需240万块GPU就能取代1,000万名工人。9 然而,根据知识型员工工资和GPU租赁价格隐含的当前20:1的比例,需要近5,000万块GPU才能替代1,000万人的工时。
研究公司Epoch AI估计,美国目前有24座前沿数据中心正在运营、建设或规划中。10Epoch AI预测,到2028年底,美国前沿计算集群将拥有略超过2,500万块“H100”等效芯片。11 要使这2,500万块计划中的芯片取代1,000万名工人——正如阿莫迪等人所讨论的那样,这些芯片需要在略多于10小时的时间内完美复制人类一小时的劳动。
另一方面,如果我们假设芯片销量的指数级增长趋势持续,那么到2028年,超大规模云服务商和AI实验室将拥有近7,500万块H100等效芯片。12 这将超过以当前20:1比例取代1,000万名工人所需的数量,但这一假设的前提是消费者或新模型训练不使用任何算力。指数级增长的假设与主要半导体制造商当前的市盈率难以吻合。投资者似乎已在定价中计入未来几年销售额和盈利的下滑。
假设只有三分之一的算力被用于劳动力替代(与当前情况一致)。13 在这种情境下,芯片需要耗时10小时到略低于3.5小时(取决于采用哪种GPU增长假设)来复制一小时的人类劳动。这将比当前GPU租赁费率所隐含的20:1的状态有显著改善。
要相信劳动力市场会受到大规模颠覆,您不仅需要相信模型和半导体性能持续提升,还需要相信一个为期多年的基础设施投资周期。
从规划中最大的前沿数据中心(微软在威斯康星州的Fairwater园区),我们可以窥见基础设施投资的规模。建设工程于2026年初启动,数据中心计划在2027年秋季投入使用。据报道,该设施将耗资超过1,000亿美元,容纳超过500万块H100等效半导体,其耗电量将超过洛杉矶市。14
电力需求是AI基础设施生态系统中众多物理瓶颈之一。生产全球90%以上最先进芯片的台积电(TSMC)才刚刚开始扩大产能以满足激增的需求。15 在能源方面,电网互联的等待时间为3至5年,而GE Vernova和卡特彼勒等公司的“表后”发电选项的积压订单消化时间则为6至7年。16 这些公司还记得2000年代初科技泡沫破裂的后果,因此很可能对扩大自身产能持犹豫态度。
若人类认知真能复制,需要付出什么代价?智能层面和物理层面的算力需求(包括半导体与模型设计、能源发电与传输、内存带宽、芯片封装、网络设备、数据中心冷却系统等)将是巨大的。
这正是我们认为那些建设AI实物基础设施的企业具备投资潜力的关键原因。事实上,从利润率和收入增长率等指标来看,它们目前是我们所看到的整个市场中最具吸引力的机会之一。
也许,AI转型过程中的制度性限制将被证明是AI颠覆性影响的最强大制约因素。这些限制包括监管与法律要求、组织决策与执行,以及社会与政治反弹的可能性。
医疗、金融、法律、教育和政府等行业的监管机构,已成为AI部署过程中的重大掣肘。美国食品药品监督管理局(FDA)批准AI驱动的诊断工具至少需要12至24个月。17 美联储和货币监理署等金融服务监管机构,已就AI模型如何在决策中使用提供了明确的指引。18
各行各业对问责与责任的担忧日益加剧。人类审计师必须理解并评估模型生成结果所使用的方法。
律师必须独立评估并为其法律意见辩护。会计师必须签署并认证财务结果。政府雇员必须在行政与法律框架内为其决策提供依据。
这些要求表明,AI将作为决策支持工具而非决策替代者来部署。未来的监管体系和规范或许终将接受AI在目前由人类承担责任的领域输出自主结果,但这一时间线很可能要以年为单位来衡量。
监管合规是限制机构采用AI的外部因,而内部因素的影响可能更为显著。企业需要花费数个季度甚至数年时间来重新设计工作流程、运营架构和决策层级。管理团队很可能对工作流程自动化持保守态度,直到他们能够充分理解AI出错所带来的潜在责任。如果AI代理在信托情境下给出了糟糕的投资建议,谁应承担责任?
企业对技术采用的研究表明,从试点到规模化部署通常需要18至36个月,这还只是针对销售管理软件等相对常规的技术解决方案。19 最后,数据的准备就绪与整合,对当前在多个遗留系统和格式中存储记录的企业构成了实质性挑战。
最后,社会与政治层面对AI的抵制可能既强大又具有破坏性。
政策制定者与公民将提出同一个棘手的问题:如果技术推动了经济增长,那么增长的红利由谁获得?用经济学家的语言来重新表述这个问题:资本占GDP的比重,是否会相对于劳动所占的比重进一步上升?
高收入、高学历的劳动者,可能发现自己最容易面临被AI替代的风险。他们中的许多人积极参与政治。如今,美国左右两翼的政客——从左翼的佛蒙特州独立参议员伯尼·桑德斯(Bernie Sanders)到右翼的密苏里州共和党参议员乔什·霍利(Josh Hawley)——都在就AI问题发出警告。(霍利已将自己定位为2028年“反AI”的总统候选人。)20
在过去一个世纪中,经济学家和未来学家屡次断言,创新终将使人类“被淘汰”。对像AI这样开创性技术的抵制并非新鲜事。
1930年,英国著名经济学家约翰·梅纳德·凯恩斯(John Maynard Keynes)警告称,经济将遭受“技术性失业”这一痼疾的折磨。21 1964年,一个独立委员会敦促美国总统林登·约翰逊(Lyndon Johnson)采用全民基本收入来减轻技术变革的影响。22 1983年,诺贝尔奖得主瓦西里·列昂惕夫(Wassily Leontief)提出,人类劳动将被淘汰,正如拖拉机出现后马匹被淘汰一样。23
如果投资者将这些警告视为卖出风险资产的信号,那将是一个灾难性的错误。
这些警告忽略了什么?它们没有考虑到技术变革推动创新时所创造的新就业岗位。任务和岗位可能会过时——这一点不难想象。而预测未来哪些新的领域和行业需要高价值的人力劳动,则要困难得多。
人工智能正在削弱专业知识的壁垒。这不仅会颠覆我们当前视为“高价值”的知识型工作,更有望催生全新的行业与可服务市场——这些变化在今天几乎难以预见。
在大型计算机出现之前,银行的文书人员可能并不认为自己的工作是一种常规性认知任务,但我们今天是这样定义的。如果那位员工第一次看到计算机追踪交易,他们可能会作何反应?如今,当AI模型在几秒钟内完成曾经需要数小时才能完成的任务时,我们又有何感受?
或许是感到挫败。但也充满希望。
AI可以以广泛受益的方式扩展法律等行业的规模。约92%的低收入家庭的法律需求未得到满足,40%遇到法律问题的小企业负担不起律师费用。24 如果AI能够降低服务这些群体的成本,那么每个行业的总收入和就业规模可能会扩大,而非收缩。
最后,资本市场可能会为AI的颠覆性影响提供最终的限制。AI投资之所以加速,因为企业高管和投资者相信,这些资本支出将通过生产率提升或新的收入来源带来正回报。但如果这些预期未能实现——因为对劳动力市场、消费者支出或商业模式的成本超过了收益,那么为实物基础设施建设提供融资所需的资本将会消失。
实时监测对AI最敏感行业的裁员公告和劳动力市场数据,将有助于我们判断劳动力市场的冲击是否比预期更快发生。
目前,我们自身的AI叙事比市场共识更为乐观。25 我们认为,当前的主流市场观点低估了风险资产最乐观情境的可能性。生产率和利润可以提升,劳动力市场也可以调整。技术转型会带来颠覆,但不一定会造成彻底毁灭。
请浏览 FINRA BrokerCheck网站以了解更多我们的公司及投资专才。
投资产品(可能包括银行管理账户及托管)乃由 JPMorgan Chase Bank, N.A.及其关联公司(合称「摩根大通银行」 )作为其一部分信托及委托服务而提供。其他投资产品及服务(例如证券经纪及咨询账户)乃由 摩根大通证券(J.P. Morgan Securities LLC)(「摩根大通证券」)提供。摩根大通证券是金融业监管局和证券投资者保护公司的成员。摩根大通银行及摩根大通证券均为受摩根大通共同控制的关联公司。产品不一定于美国所有州份提供。请与本网站内容一并阅览法律免责声明。
当阅览这些页面时,请与(摩根私人银行地区联属机构和其他重要信息)的法律免责声明和相关存款保障计划的内容一并阅读。