人类在AI时代的比较优势：高效社会学习

哈佛经济学家 David Deming 日前撰文，从比较优势理论出发，探讨了人类在 AI 时代劳动力市场中的独特位置。文章核心观点是：尽管 AI 在许多任务上已超越人类，但凭借极高的样本学习效率，人类在「高上下文」的社交任务上仍保有比较优势，这种优势可能在超级智能时代依旧稀缺而值钱。

「关系型」岗位的崛起

文章开篇引述经济学家 Alex Imas 的观点：AI 带来的物质丰裕将催生一个「后商品经济」，消费者愿意为「人」的参与付费——不是因为人比机器更好，而是因为人本身具有内在价值。Deming 举了几个例子：星巴克的顾客希望与咖啡师建立熟识感；航空公司里程越高的旅客，越容易在改签电话里听到真人声音；这些企业用昂贵的「稀缺注意力」向高价值客户传递信号。

围绕这一话题，学界存在多种看法：Jasmin Sun 认为关系型岗位将普遍低薪，仅为超级富豪提供小众服务；Jason Abaluck 认为未来世代未必在乎是否有人参与；Noah Smith 则将「人工参与」视为 AI 公司的营销话术。

比较优势与人类的学习效率

Deming 的分析重点不在需求侧，而在供给侧。他回到李嘉图的比较优势理论：从「任务贸易」的角度看，即使 AI 在所有任务上都比人类强，人类仍能通过分工为整体生产做出贡献，因为 AI 终将像基础设施一样成为可商品化的通用资源。

那人类的比较优势究竟是什么？Deming 给出的答案是「学习效率」。人类擅长从极少量数据中提取模式并高效压缩存储。根据播客主 Dwarkesh Patel 的估计，人类的学习效率比当前 AI 模型高出数千倍到一百万倍。AI 的优势则在于「知识的存储与分发」：一旦学会一项任务，AI 可以以近乎零成本无限复制，靠规模与算力弥补单次学习的低效。

高上下文任务：AI 难以替代的领域

代码编写是典型的「低上下文」任务——能编译就能验证，同一份代码在不同人手里表现一致。而社交互动则是「高上下文」任务：答案往往是「看情况」，今天有效的行为换了环境可能完全失效。理解他人意图、赢得信任、影响信念、推断他人对他人行为的看法，所有这些都涉及对潜在社会变量的个体化推理。Deming 强调，这类推理高度依赖个体经验——你了解「A 这个人」的经验，无法直接迁移到「B 那个」身上。

社交技能的真正含义

文章最后澄清：「社交技能」不是礼仪、不是酒会寒暄、也不是人脉拓展。它的实质是理解他人的才能与动机，从而在团队中高效协作；它还包括赢得信任、影响他人心智的能力。这些能力在 AI 主导的生产流程中，恰恰是稀缺且不可被算力堆叠替代的人类贡献。

Deming 的结论是：在一个 AI 高度普及的世界里，掌握一项别人不具备的技能，并将其恰当嵌入以 AI 为主的生产流程，其创造的价值可能大量归属于掌握该技能的人。社会学习效率，正是这项稀缺资源的技术底座。