Anthropic 构建新机器人暴露指数

Dario Amodei 发布新文章 We Must Pace the Frontier，主张 AI 行业应放慢速度，并提出三部分计划。Anthropic 单方面承诺第一步，为第三方评估者提供永久的员工级系统访问权限，以核实安全措施执行、报告事故并评估训练期间模型的 alignment。

请阅读 @rclegateyang 和 Maxim 撰写的这份非常出色的报告：https://www.anthropic.com/research/what-work-can-robots-do

机器人技术在经济中的扩散，可能比 AI 的采用需要更长时间。 在近期的情景建模工作中，我们只考察了 AI 到 2030 年的影响。 若要展望更远的未来，则需要对机器人投资与采用的经济学进行更细致的建模。

与 AI 不同，机器人的相对成本非常高。他们估计，机器人仅在 0.3% 的工作任务上具备成本竞争力。 如果机器人价格下降遵循过去的趋势，这一比例需要 40 年才能达到 10%。

为什么这是一项有用的练习？ 他们发现，过去 50 年里，基线机器人能力可以预测相关暴露工人随后的工资和就业下降。随着成本下降、采用率上升，这一过程在数十年间逐步显现。

他们发现，对于美国经济中大多数体力任务，已存在能够执行这些任务的机器人——尽管是在有限场景下。总体而言，他们发现 34% 的工作时长面临机器人替代的暴露风险。

如今机器人能完成哪些工作？这对未来数年的经济结构又意味着什么？ @rclegateyang 和 Maxim Massenkoff 的新研究今日发布，探讨了这些问题。

Anthropic 首席经济学家 Peter McCrory 回应外界批评，承认其经济情景分析模型存在重要局限：模型只聚焦 AI 转型的供给侧，即 AI 能做什么、扩散多快、工人转岗多快。该模型假设价格灵活且总需求等于经济产能，因此无法生成"冲击压低需求、进而放大自身劳动力市场后果"的负反馈。

Anthropic 发布 AI 经济影响情景研究，覆盖从影响甚微到 2030 年 GDP 增长 15%、知识工作者失业率达 18% 的多种可能。首席经济学家 Peter McCrory 与联创 Jack Clark 讨论称，目标不是做预测，而是理解可能结果的范围及其出现条件，以厘清各方对未来分歧的来源。

alexolegimas 联合 ben_moll 发布博文，分析 AI 能力快速提升为何未必转化为爆发式经济增长，认为两位数增长的预测大概率不会实现。要点是增长模型并不阻止 AI 带来爆发式增长，但该路径依赖一系列现实中难以成立的假设，例如被自动化部门因价格下降而在经济中占比缩小，这使能力大幅提升与约 4-5% 的增长（作者称已属很高）并存的趋势可能延续。