💻 computer science

The Jagged Global Economy: Frontier AI Unevenly Exposes National Economies

本文引入了一个涵盖141个国家的国家级人工智能暴露度指标，揭示了高收入国家和女性面临的前沿人工智能直接暴露程度显著高于低收入国家和男性，同时还发现了一种通过跨国收入依赖关系（如汇款）产生的关键间接暴露机制，这使得针对性的、非普适性的政策应对措施变得至关重要。

原作者： Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：一场“锯齿状”的海浪

想象一下，一波由新技术（前沿人工智能）构成的巨大且不均匀的海浪正席卷全球。作者认为，这股浪潮对每个国家产生的冲击力并不相同。相反，它是**“锯齿状”的**。

把 AI 的能力想象成一座锯齿状的山脉。有些山峰非常高（AI 擅长编写代码或分析法律合同），而有些山谷则非常低（AI 不擅长修理漏水的水管或收割庄稼）。

由于不同国家的就业结构（景观）各不相同，这股锯齿状的海浪对它们的影响也截然不同：

富裕国家（如美国或卢森堡）的经济建立在“白领”工作（办公室、金融、科技）之上。这些工作恰好位于 AI 山脉的高峰之上。海浪在这里猛烈撞击。
较贫穷的国家（如布隆迪或莫桑比克）的经济建立在农业和体力劳动之上。这些工作位于 AI 海浪几乎触及不到的低谷地带。

核心工具：衡量“暴露度”

研究人员创造了一个新的标尺，叫做**“国家 AI 暴露度”**。

想象你是一名气象预报员，但你预测的不是降雨，而是预测一个国家的劳动力将被 AI 影响的程度。你不需要知道明天 AI 是否真的会被使用，你只需要测量一个国家目前有多少工作内容是“可以”由 AI 完成的。

他们是如何做的： 他们观察了 141 个国家的“职业菜单”。他们问道：“在这个国家，从事 AI 目前擅长的工作的人数比例是多少？”
结果： 差异巨大。暴露度最高的国家（卢森堡）是暴露度最低国家（布隆迪）的 2.6 倍。

用通俗语言解读关键发现

1. 富国目前更容易受到“冲击”

一个国家的富裕程度与 AI 对其劳动力的影响程度之间存在强关联。

类比： 把 AI 想象成一列高速列车。拥有大量办公室工作（白领工作）的国家，就像是站在铁轨旁边的。而主要从事农业的国家，则像是站在离铁轨数英里外的田野里。
数据： 高收入国家受到的影响大得多。欧洲和中亚的暴露度比撒哈拉以南非洲高出 50%。

2. 性别差距：女性离铁轨更近

在所研究的 91% 的国家中，女性比男性更容易受到 AI 的影响。

原因： 在许多地方，女性集中在办公室、销售和服务类岗位——这些正是 AI 擅长的职业。而男性往往更多地集中在农业或体力劳动中，AI 在这些领域的作用较小。
例外： 在巴基斯坦或印度等国家，由于女性的工作仍高度集中在农业或家庭企业，因此男性实际上受到的影响更大，因为他们的工作更有可能是办公室性质的。
担忧： 由于女性在寻找工作方面已经面临诸多障碍且收入较低，这种“暴露度”增加了另一层风险。如果 AI 颠覆了女性所从事的办公室工作，她们可能会面临更少的安全保障。

3. “汇款涟漪效应”（间接冲击）

这是本文最独特的发现。有时，一个国家虽然没有直接受到影响，但由于其邻居或相关方的变化，它也会受到冲击。

类比： 想象一个小村庄（塔吉克斯坦），许多年轻人搬到了大城市（俄罗斯）工作。这个村庄依靠这些工人寄回家的钱（汇款）来维持生存。
情景： 大城市（俄罗斯）拥有高科技的办公经济。AI 进入后改变了这些办公室员工的工作方式。即使小村庄本身没有 AI，由于从城市流向村庄的资金可能会枯竭或发生变化，小村庄现在也陷入了困境。
数据： 塔吉克斯坦的直接 AI 暴露度很低，但因为它 37% 的 GDP 来自于在高度暴露国家（如俄罗斯）工作的劳动者所寄回的钱，因此它的“经汇款调整后的暴露度”变得非常高。论文称之为二阶效应。

这种预测有效吗？

作者测试了他们的“暴露度标尺”，以观察它是否能准确预测现实世界的情况。

他们检查了来自三家巨头 AI 公司（Anthropic、Microsoft 和 OpenAI）的数据。
结果： 他们的标尺完美奏效。暴露度得分高的国家，正是实际使用最多 AI 工具的国家。
数学关系： 一个国家的暴露度得分每增加一点，其使用 AI 聊天机器人的用户人数就会出现巨大的飞跃。

总结

论文得出结论：并非所有情况都适用统一的标准。
美国或欧洲的决策者不能仅仅通过“复制粘贴”他们的 AI 规则，并期望这些规则在非洲或亚洲同样奏效。AI 的“锯齿状”特性意味着：

富裕国家面临着办公室职员被立即颠覆的风险。
贫穷国家可能会面临间接的经济冲击，如果其富裕的贸易伙伴改变了工作方式。
在许多国家，女性正站在 AI 海浪离得更近的地方。

世界遭受的并不是一场统一的 AI 海啸，而是一场锯齿状、不均匀的海浪，这需要每个国家采取不同的生存策略。

技术摘要：锯齿状全球经济：前沿人工智能对国民经济的影响呈现不均衡性

问题陈述
虽然前沿人工智能（Frontier AI）对劳动力市场的效应是工人、企业和政策制定者关注的关键问题，但现有证据严重偏向于少数高收入经济体。前沿人工智能的能力具有“锯齿状”（jagged）特征，这意味着其能力在不同工作任务之间存在显著差异。同时，各国经济在如何分配人类劳动力于各类职业方面也存在实质性的差异。因此，仅凭统一的理解来把握人工智能的影响是不充分的；我们需要量化一个国家的劳动力市场构成如何与其前沿人工智能的能力相匹配。目前针对美国或欧洲市场制定的政策响应，可能无法推广到多样化的全球格局中。

方法论
作者引入了一种国家级人工智能暴露度指标（National AI Exposure Metric），旨在捕捉 141 个国家的异质性。该方法主要涉及两个数据源：

职业暴露度估算： 研究采用了由 Gmyrek 等人 [2025a] 开发的国际标准职业分类（ISCO-08）暴露度评分。这些评分通过将职业映射到具体任务，并估算人工智能在保持质量的同时为这些任务节省时间的能力而得出。作者将这些评分聚合至 ISCO-08 的 2 位数水平（共 40 个职业类别）。
国际就业数据： 研究将这些暴露度评分与国际劳工组织（ILO）的就业统计数据相结合。这些数据提供了 141 个国家在每个 2 位数 ISCO-08 类别中的劳动力就业占比。

国家级人工智能暴露度（ $n_i$ ）计算为各职业暴露度得分（ $e_j$ ）的就业份额加权平均值：
$n_i = \frac{\sum_j c_{i,j} e_j}{\sum_j c_{i,j}}$
其中 $c_{i,j}$ 代表国家 $i$ 中职业 $j$ 的就业人数。

研究通过利用来自 Anthropic（Claude 使用情况）、OpenAI（ChatGPT 使用排名）和 Microsoft（生成式人工智能采用率）的数据，预测观察到的国家级人工智能采用统计数据，从而进一步验证了这些估算值。此外，作者还利用世界银行 KNOMAD 双边汇款矩阵，建立了一个通过汇款实现间接暴露的新机制模型，用以计算来源国（如俄罗斯或美国）的暴露度如何通过收入依赖关系传播至接收国（如塔吉克斯坦或洪都拉斯）。

核心结果

显著的跨国差异： 国家级人工智能暴露度差异巨大。暴露度最高的国家卢森堡（ $n=0\\text{.}0.37$ ）是暴露度最低的国家布隆迪（ $n=0\\text{.}0.14$ ）的 2.6 倍。
区域与收入差距： 高收入国家的暴露度明显高于低收入国家。北美以及欧洲与中亚地区的暴露度约为撒哈拉以南非洲地区的 1.5 倍。
预测驱动因素： 一个国家劳动力中的“白领比例”是国家级人工智能暴露度最强的预测因子（ $R^2 = 0.91$ ）。国民总收入（GNI）同样具有预测性，但其预测能力弱于职业构成（ $R^2 = 0.77$ ）。
性别差距： 在所研究的 91 个国家（138 个中的 126 个）中，女性受人工智能的影响比男性更显著。这是由于女性集中在白领和销售类职业中所致。在女性就业仍集中在农业和家庭企业的国家（如巴基斯坦、印度），这一差距会发生逆转或缩小。
验证： 该暴露度指标能有力预测观察到的人工智能采用情况。国家级人工智能暴露度每增加 0.10，每人平均 Claude 使用量会增加 12 倍，且国家生成式人工智能采用率会增加 19 个百分点。然而，在控制了白领比例和 GNI 后，该暴露度指标并未提供额外的解释力，这表明暴露度是这些更广泛经济因素的一个结构性总结。
通过汇款实现的间接暴露： 研究识别出了第二层暴露渠道。对于高度依赖汇款的国家，来源国的 AI 暴露度会显著影响接收国的暴露度。例如，塔吉克斯坦的直接暴露度低于平均水平，但由于其 GDP 的 37% 来自汇款（主要来自高暴露度的俄罗斯），其“经汇款调整后的暴露度”上升至高于平均水平。

意义与主张
本文声称提供了首个针对 141 个广泛国家集合的、具有可比性的国家级前沿人工智能暴露度综合衡量标准。其主要贡献在于证明了人工智能的影响并非统一的，而是具有“锯齿状”特征，并且高度依赖于当地的劳动力市场结构。

作者认为，政策响应必须考虑这种异质性。针对白领比例较高的发达经济体设计的政策，对于那些劳动力集中在农业或收入高度依赖于采用人工智能的国家而言，可能是无关痛痒甚至有害的。通过指出在大多数国家，由于职业隔离，女性更容易受到影响，本文强调了一个特定的分配风险，鉴于现有的劳动力市场壁垒，这一风险值得关注。最后，对间接暴露渠道的识别表明，国家经济规划必须考虑外国劳动力市场的 AI 采用如何通过全球收入依赖关系产生连锁反应。