AI 工具与大模型实操测评

主流大模型横向评测、Prompt 与 Agent 效率工作流实战指南。

超写派专栏

Anthropic研究员Tao Lin预测2027年底AI全面超越专家

AAI 实操测评实验室官方主理人2026年11月22日AI 专栏 · SupaWriter 深度研究工作流生成

Anthropic技术团队成员Tao Lin预测,到2027年底AI在编程、电影制作等领域媲美或超过顶尖专家,并警告长期看几乎所有人可能永久失业。但他同时表示,受机器人部署速度限制,2027年出现大规模失业的可能性极低。

Anthropic研究员Tao Lin预测2027年底AI全面超越专家

Tao Lin说了什么:1.3年后AI比肩顶尖专家,但2027年不会大规模失业

2025年11月15日,Anthropic技术团队成员Tao Lin接受Palisade Research采访时抛出一个时间点:到2027年年底,AI在编程、电影制作等几乎所有领域可以媲美或超过世界顶尖人类专家水平。按他的口径,距离这个节点大约还有1.3年。他在Anthropic干了约一年半,负责自动化对齐研究、AI控制和安全防护,主要保障Claude模型安全。

Tao Lin 推文言论截图

这个预测最容易被误读的地方,是把“认知超越”直接等同于“大规模失业”。 Tao Lin自己把这两件事拆开了。他在同一场采访里明确说,2027年出现大规模失业的可能性极低。原因不在AI不够聪明,而在机器人、自动化工厂和配套设施的部署速度跟不上。

他的预测包含两个不同尺度的进程:

  • 认知任务超越:约2027年年底,AI在脑力劳动上达到或超过顶尖专家。
  • 实体岗位替代:受机器人普及速度制约,时间线明显更长。

Tao Lin特意强调,这个时间线是个人预测,不代表Anthropic官方立场。原话是“I have timelines of something like 1.3 years to getting broadly superhuman AI... Or like end of 2027”。

理解这个时间差,比记住“2027年”这个数字重要得多。“几乎所有人永久失业”是一个长期风险描述,2027年不会发生。把认知能力和物理世界的部署能力混为一谈,会同时高估短期冲击、低估长期结构变化。

冲击路径:AI先接手现有工作,新岗位随后也被自动化

Tao Lin描述的冲击是一套循环。他给出一条清晰的链条:AI先接手现有工作,劳动者转向其他职业,而这些新岗位随后也可能被自动化取代。

人物访谈画面

这条链的关键不在第一轮替代。第一轮冲击里,劳动者总能找到新的去处,历史上每一次技术革命都验证过这一点。真正的问题是第二轮、第三轮,以及后面每一轮。

新岗位被自动化的速度是否快于劳动者转岗的速度,这才是决定“永久失业”是否成立的核心变量。如果AI接手一个职业的速度快于一个人完成培训并胜任新岗位的速度,那么替代的轮次每转一圈,可转移的就业空间就被压缩一层。

Tao Lin的原话是,随着时间推移,“地球上几乎所有人将永久失去就业能力”,可能依赖政府福利维持生计。注意“随着时间推移”这个限定。他没有说2027年发生,他说的是累积过程。

这个过程有三个阶段:

  1. 现有工作被接管:AI在编程、内容生成等认知任务上先达到专家水平,直接替代一批岗位。
  2. 劳动者转向新职业:被替代的人涌入尚未被自动化的领域,比如需要人际互动、物理操作或监管审批的工作。
  3. 新岗位也被自动化:AI能力继续扩展,加上机器人部署逐步跟上,上一轮刚形成的“安全区”再次被压缩。

每一轮循环之间有多长间隔,Tao Lin没有给出数据。他也没有说明哪些行业会先进入第二轮替代。这是整条路径最大的未知数。

但机制的轮廓是清楚的:“永久失业”是多轮替代把可转移空间耗尽的长期结果。 政府福利在他的设想里是当转岗速度永远追不上自动化速度时的最终兜底。

至于这个循环现在转到了第几轮,Anthropic自己观测到的Claude使用数据提供了一个可检验的切面。

68%的Claude任务理论上可独立完成,但Anthropic自己的研究没找到系统性失业

Anthropic自己观测到的Claude使用数据,给这个循环提供了一个可检验的切面。68%的Claude任务理论上可以由AI单独完成。这个数字听起来吓人,但口径要看清:它是“任务可自动化”,不是“岗位已被替代”。

Claude使用份额与暴露评级柱状图

据越南《青年报》转述,Anthropic 2026年3月发布的一项研究给出了另一组数据。自2022年底以来,受AI影响较大的行业没有出现系统性失业上升。高接触行业年轻劳动力招聘放缓,只是初步迹象。

两组数据放在一起,缺口就出来了。任务层面68%的可自动化率,向岗位层面实际替代的转化远非线性。组织惯性、成本结构、监管约束,每一层都在拖慢这个转化。

68%是理论天花板,落地速度另算。 一个任务可以由AI完成,和一家公司真的裁掉员工、重构流程、承担合规风险去用AI完成,中间隔着预算审批、系统集成、责任归属一堆事。Tao Lin的预测跳过了这一层。他把认知能力达标当成替代发生的充分条件,而Anthropic自己的数据说明,能力达标之后还有很长的路。

数据口径 数值 说明
Claude任务理论上可自动化 68% 观察到的使用情况,不代表实际替代
系统性失业上升 未发现 2026年3月研究,自2022年底以来
年轻劳动力招聘放缓 初步迹象 仅限部分高接触行业

“初步迹象”可能随时间强化。但至少到2026年3月,Anthropic自己的数据不支持“AI已造成大规模失业”的判断。

这个对照说明:预测里真正值得盯的变量是任务可自动化到岗位实际替代之间的转化效率。这个效率由机器人部署速度、企业决策周期和监管环境共同决定。

真正卡住时间表的变量:机器人、自动化工厂和20%的灭绝概率

Tao Lin自己给这个预测装了两个刹车。第一个是机器人部署速度,第二个是20%的灭绝概率。前者决定2027年会不会出事,后者决定他本人把这件事看得有多严重。

机器人在自动化工厂流水线作业

先看第一个刹车。他在Palisade Research采访里说得直白:2027年出现大规模失业的可能性极低。理由在实体经济岗位替代需要大规模部署先进机器人、自动化工厂和配套设施。脑力任务可以一夜之间被模型接手,物理世界的岗位替代却要等工厂建成、产线调试、供应链跑通。这个时间差通常以年计,而不是以模型版本迭代周期计。

检验这个预测的指标是三组实体数据:

  • 先进机器人的季度出货量和部署场景
  • 自动化工厂的资本开支和投产周期
  • 配套基础设施的审批与建设进度

这三组数据比任何基准测试都更能回答“2027年底之后会发生什么”。模型能力达标只是必要条件,物理部署速度才是充分条件。

第二个刹车更极端。Tao Lin给AI最终把人类排除在未来之外的概率估了一个数:约20%。这个数字在多个信源中出现,口径一致。他同时建议把AI研究速度降到目前水平的约四分之一。一个认为2027年AI全面超越专家的人,同时主张研究降速四分之三,说明他对自身预测的尾部风险判断极为严肃。

但20%这个数只能当风险偏好信号看,不能当精确度量。来源没有披露任何估算方法或依据,是个人主观概率。它真正传递的信息是:Tao Lin不认为这件事的尾部是零。

想拥有高效的全自动内容生产力?

SupaWriter 打通热点选题、长文创作、智能语义配图、文章 4 维客观评分与浏览器扩展一键发布,助你提升 10 倍创作效率。