实锤！AIGái Gọi Buôn Ma Thuột - Câu Lạc Bộ Mát Xa Vitamin Girl Kết Bạn来了，人类反倒更忙了

发布时间：2025-08-17 22:17:38 来源：SEO for cloud computing 作者：{typename type="name"/}

图源：Freepik

撰文| 孙睿晨

自2022年11月，实锤美国硅谷初创公司OpenAI推出首款基于大语言模型的人类现象级聊天机器人ChatGPT以来，AI技术与我们的反倒Gái Gọi Buôn Ma Thuột - Câu Lạc Bộ Mát Xa Vitamin Girl Kết Bạn生活日益紧密。

截至目前，更忙AI大模型已经可以帮助我们写程序代码，实锤制定旅行计划，人类资料阅读与信息检索，反倒快速完成分析报告，更忙学习第二外语，实锤乃至编辑视频，人类制作商业网站或游戏……

然而，反倒大模型降世两年多，更忙人们却吃惊地发现，实锤自己最终的人类那个梦想，一个有强大AI为人类工作的反倒社会，一个有更多的闲暇，上四休三甚至每周工作更短时间的世界，却仿佛更遥远了，我们变得更忙了，而且，这个事实居然在数据上得到了确认。

01

大模型之下，人类的Gái Gọi Buôn Ma Thuột - Câu Lạc Bộ Mát Xa Vitamin Girl Kết Bạn体验该如何评估？一批研究者抓住了这其间的关键，即：时间。

时间是每个人最宝贵的资产，其稀缺性、机会成本、投资价值及效用均使得时间成为不可或缺的资源。同时，时间也是一种绝对意义上平均供给的稀缺资源，无论个人的财富、地位或背景如何，每人每天都拥有相同的24小时。但不同时代与地域背景下，人们在不同活动中的时间分配会产生差异。所以，分析大语言模型出现前后人们在时间分配上的变化可以在某种程度上反映了AI技术对我们的生活与工作的影响。

美国国家经济研究局（National Bureau of Economic Research，简称NBER）发布的一篇预印本论文就针对这个问题进行了研究[1]。论文研究者通过美国劳工数据深入探讨了接触AI技术对员工各方面，特别是大模型对受访者时间分配的影响，对他们工作与生活平衡的影响。

论文中所采用的核心数据为ATUS数据集。美国劳工统计局（Bureau of Labor Statistics) 每年都会组织《美国居民时间使用调查》（American TimeUse Survey, 简称ATUS）。该调查主要收集每位受访者的时间日记数据，记录了受访者在采访前一天24小时内从凌晨4点到次日凌晨4点参与各种活动的详细信息，包括有偿工作、家务劳动、育儿、志愿服务、休闲、社交等。调查对象通常是从完成了美国劳工统计局另一项家庭采访的收房人员中随机抽取的成年人，每个受访者只接受一次电话采访。

该调查每年的受访者约有26000人，样本跨度20年，从2004年到2023年。受访者通过详细的24小时日记（以15分钟为间隔）记录他们的活动，从这些记录中可以计算出市场性工作时间、休闲时间以及其他一些特殊类别（如教育和娱乐）的时间，并可通过合理的敏感性检验（例如，工作场所的社交活动是否应计为工作或休闲）进行调整。由于数据翔实、样本量大，该数据集被广泛用于分析劳动生产率、评估非市场活动（如家务劳动、照护工作）的经济价值、研究不同群体的时间分配模式，以及探索工作与生活平衡等社会经济问题，起到帮助政府与学者深入了解美国居民在日常生活中如何分配时间，以及这些时间分配如何影响经济和社会生活的作用。

研究者将受访者工作中接触AI多少的程度称为“AI暴露” （AI exposure）。因为ATUS数据集中记录了每位受访者的职业信息，所以，我们只要能获得不同职业所受到的AI暴露水平，那么就可以推论拥有某职业的受访者受到AI的影响程度。用这种方法，论文作者巧妙地利用了人工智能专利数据（AIPD）来衡量了各职业的AI暴露度。

AIPD由美国专利商标局（USPTO）于2021年公开发布，其收集了2000年至2023年间美国授予的人工智能专利的全面样本。因此，通过分析每项人工智能专利的标题和摘要中的文本信息，作者能够从文本语料库中提取关于该专利基础创新范围和内容的信息。这些信息随后被匹配到不同的职业，以评估后者受到人工智能的影响程度。前述这些工作做完之后，为了确保受试者属于受到人工智能影响的一方，而不是主动影响人工智能的一方，作者在本研究中排除了那些受科技公司雇佣的人，以便将研究重点放在聚焦于使用人工智能的企业中的员工，而非发明人工智能的企业中的员工。

作者利用大型语言模型——没错，利用AI分析AI的影响——根据任务描述与AI相关专利内容之间的文本相关性来衡量各职业的AI暴露度，并进一步区分了AI与工作之间的互补与替代关系。作者以2022年底ChatGPT的出现为时间节点分析当新型AI技术扰动或补充工人工作时受试者如何调整时间分配。

研究发现，在ChatGPT出现后，处于较高AI暴露的职业，员工群体显著增加了工作时长，同时该群体普遍反映休闲时间减少。

文章提到了AI技术对工作的两种影响方式：互补或替代，但并未深入对AI替代职业情况的研究，不过，根据作者的研究，对于AI技术起到了互补性的工作岗位，工作时长增加程度比替代岗位更高，且工作时长的增加在那些与AI技术有互补性质的行业以及AI普及度更高的地区的员工身上体现的更为明显。当然，令人欣慰的一点是，这些员工的收入在接受AI暴露之后也增加了，尤其在与AI技术互补的行业里，员工收入随AI暴露度的增加的程度而增加的程度更为明显。

从一定意义上，可以说，AI技术增加了员工的收入，但同时也增加了总体工作时长，挤压了员工的休闲时间。在讨论AI技术时，人们总是想当然的认为AI技术能让人们更快的完成工作，并且减少工作时长。这项研究的结论则否认了这一点。

此外，作者还探讨了关于 AI 技术对员工绩效监控影响。他们发现，具有较高 AI 监控技术暴露的远程工作者个工作时间明显延长。相比之下，这一效应在在作为对照组的自雇人士中并未出现。最后，作者根据美国的求职网站Glassdoor的数据，发现较高的 AI 暴露度与员工整体工作满意度较低相关。

此外，当劳动力市场竞争较为激烈（也就是更“卷”）以及产品市场竞争更激烈（更“卷”）时，处于该市场的员工工作时长的延长更为明显。因为前者会削弱工人通过技术驱动的生产率提升来获取剩余收益的议价能力；后者，在产品市场竞争激烈的情况下，大部分剩余收益会转嫁给消费者，企业与工人之间分配的收益都相对较少。于是，在上述两种情形下，工人的整体福利未能跟上 AI 繁荣期间生产率的增长，从而削弱了因为收入增长而应该出现的更多休闲、减少工作的效应，而很不幸的是，当今的全球市场，很多地区都面临着这两种情况。

于是综合结果表明，尽管 AI 驱动的生产率提升承诺更高的效率，但实际上却导致了更长的工作时间和较低的员工满意度。

02

多方分析数据之后，要如何理解“AI技术让我们更忙了”这件事呢？

也许，委托代理模型，可以帮助我们理解这一现象的本质。

委托代理模型（Principal-Agent Model）最初源自经济学和组织理论领域，可以用以解释在信息不对称和利益不一致的情况下，如何设计契约和激励机制来协调委托人与代理人之间的行为[2-4]。委托人与代理人的典型例子包括雇主与员工，股东与公司经理，以及通常意义上的甲方与乙方。

在现实经济活动中，委托人与代理人常常处于不对等的信息环境中。以雇主与员工的关系为例：在企业中，老板（雇主）作为委托人，雇佣打工人（员工）作为代理人。老板希望员工通过努力工作来提高企业绩效和盈利，而员工则可能更关注自身的利益、工作条件和收入水平。由于信息不对称，老板难以实时、全面地监督每个员工的工作表现，而员工可能会利用这种情况降低自己的工作投入，甚至从事“偷懒”或不合规的行为。

委托代理模型（Principal-Agent Model）为这种现象提供了理论框架：雇主（委托人）雇佣员工（代理人）后，往往难以完全掌握员工的具体工作表现和努力程度。这种信息不对称为双方带来利益冲突和道德风险（如代理人利用信息优势为自身谋取不当利益）。由于委托人无法完全观察到代理人的真实行为或努力水平，这可能导致代理人在没有足够监督的情况下更有可能做出有利于自身而不利于委托人的决策。委托人为了弥补信息不对称，通常需要支付监督成本、激励成本及因代理人行为不完全符合预期而产生的剩余损失。在AI时代，其具体体现可能是雇主在引入AI技术协助员工工作时，同时引入AI技术对员工进行更高效的监督。

通过设计合理的激励机制可以使代理人的利益与委托人的目标变得相一致。例如，通过绩效奖金、股票期权或利润分享等方式，将代理人的收入与其工作业绩挂钩，从而激励代理人付出更高努力，最终在增加自身的收益的同时将委托人的收益也得到最大化。所以，委托人与代理人的契约设计往往需要在风险分担与激励兼容之间取得平衡，以确保在不确定的环境中双方都能获得合理回报。

在现代公司制度下搬砖的打工人处在缺乏分享收益机会的环境中。在竞争激烈的劳动力和产品市场中，由于作为受雇者的员工的议价能力非常有限，他们的收益无法与生产率的提升同步，从而导致剩余收益流向企业或消费者。因此，由AI驱动的生产率提升和监控效率增强反而延长了工作时间。

因此，要实现一个人类工作更少、生活福祉更高的世界，无法依靠科技进步本身自发实现。论文作者认为，通过有意识的政府干预、制定利于生产率收益的公平分配的政策与制度、以及提倡以休闲和生活质量为重的文化转变或许能实现这个理想。

而这三条，都不是AI技术能帮上忙的了。

参考文献：（上下滑动可浏览）

1. Jiang, W., Park, J., Xiao, R. (Jiqiu), & Zhang, S. (2025, February). (NBER Working Paper No. 33536). National Bureau of Economic Research.http://www.nber.org/papers/w33536

2. Jensen, M. C., & Meckling, W. H. (1976). . Journal of Financial Economics, 3(4), 305–360. doi:10.1016/0304-405X(76)90026-X

3. Eisenhardt, K. M. (1989). Agency theory: An assessment and review. (1), 57–74.

4. Sappington, D. E. M. (1991). Incentives in principal–agent relationships. (1), 75–94.

来源：知识分子

编辑：月

转载内容仅代表作者观点

不代表中科院物理所立场

如需转载请联系原返回搜狐，查看更多

相关文章