先说个我自己的直观感受:
AI写文章越来越牛逼,三分钟就能吐出一篇像模像样的稿子。
但要写出一篇走心的、大家愿意读的文章,一点也没有变得更容易。
我很多大厂的前同事也天天在用AI,但很明显,老板的要求越来越高,很多产品经理都要求拿着能运行的demo去过评审会。
最终,AI并没有给我们省时间,反而让我们越来越忙。
今天卫夕就着这个话题,聊三个悖论——考恩悖论、索洛悖论和杰文斯悖论。
分别讲一讲:
为什么给我们省提高效率的工具反而让我们越来越忙?
为什么AI在生产力上的产出并没有预期的那么高?
以及为什么模型价格降了很多倍,但我们在AI上的花费并木有降。
咱们直接开聊:
先从考恩悖论开始,它只解释一个问题:
为什么洗衣机没有解放妈妈?
1983年,美国技术史学者Ruth Schwartz Cowan出了本书,叫《More Work for Mother》,直译就是《妈妈的活儿更多了》。

作为一名当了妈妈的女性,Cowan有个很实在的观察:
到了70年代,洗衣机、吸尘器、电炉灶一应俱全,但为什么自己比她妈那一辈人当年还要忙呢?
社会学家Joann Vanek在1974年给出了一组对比数据:
美国全职主妇每周花在家务上的时间,1924年是52小时左右,到了1966年,反而到了55小时左右。
家具齐了,然而总工时不降反升,经济史学家Joel Mokyr把这个现象命名为考恩悖论(Cowan Paradox)。
那么问题来了:省下的时间去哪了?
Cowan理出了3条:
第一条是标准变了,以前一周洗一次衣服很正常,有了洗衣机,天天换洗成了很多家庭的标配。
第二条是帮手消失,按Cowan的说法,1950年一个主妇干的活,1850年需要三四个人配合,佣人、女儿、丈夫搭把手的那部分,全压到了她一个人身上。
第三条是新活儿冒出来了,开车去超市、接送孩子,这些在马车时代压根不存在。
这3条其实在AI时代基本上也在重演:
以前一个手工原型就行了,现在产品经理要做demo,甚至还要搞个视频,以前可以给你招个实习生,现在这个预算也交给AI了。
这是有具体的数据做支撑的。
美国职业机构Upwork调查了2500人关于AI对工作的影响,结果显示:
用AI的员工里,77%说工作量反而变大了,81%的高管承认,过去一年给员工加了码。

2026年2月,伯克利的Aruna Ranganathan和Xingqi Maggie Ye在《哈佛商业评论》发文,标题是《AI没有减少工作,它让工作变得更密集》。
她们在一家约200人的科技公司蹲了八个月,发现产品经理开始写代码,研究员开始接工程活,很多人接下的活放在以前足够招一个新人。
知名开发者Simon Willison转发这篇文章说,这正是他的体验。

推文链接:https://x.com/simonw/status/2020901645597683870
AI让人精疲力尽的另一件事,是返工。
2025年9月,斯坦福社交媒体实验室造了个词,workslop,工作泔水:AI快速生成、看着像模像样、实际推进不了任何事的产出。
他们调查了1150名美国全职员工,40%的人过去一个月收到过这种东西,每处理一次平均要116分钟,每人每月隐性损失186美元。

这点我是有感触的,这两年,我收到的所有材料都变长了,看起来也更专业了,但我从这些材料中找重要信息的过程却更累了。
甚至有时候我不得不问Claude这个文档最核心的是想干嘛。
工程师Siddhant Khare在2026年2月写了篇《AI疲劳是真的,只是没人说》,冲上Hacker News榜首。
这篇文章很长,很值得每个用AI的人细读(地址:https://siddhantkhare.com/writing/ai-fatigue-is-real)
他核心观点是:每个任务都变快了,所以你接了更多任务,可你的大脑没办法扩容。

推文链接: https://x.com/Siddhant_K_code/status/2020503345476391330
1930年,凯恩斯写了篇小文章叫《我们后代的经济前景》。
他算了一笔账:只要资本每年涨2%,技术照常进步,到了2030年,人们每天干三小时、一周干十五小时就够了。
他甚至担心,那时候的人闲得发慌,不知道该干点神马。(凯老真是为我们操碎了心)
距离2030年,还剩不到四年,我们来看看数据:
按几位瑞士和西班牙经济学家在2024年的测算,美国人均年工时从1929年的2316小时,降到了2019年的1765小时,90年缩了23.8%。
凯恩斯的目标折成年工时,大约是780小时。
所以结论很明显:凯恩斯错了。

Sam Altman在今年夏天公开说过,历史上每次技术革命都有人许诺更多休闲,但整个社会从来没真正过上少干活的日子。
他也不认为AI会改变这一点,因为人天生爱竞争。
我举一个更简单的例子:
以前骆驼祥子拉人力车,每天工作时长很长,假如祥子那时候有一辆出租车,而其他人还是拉人力车。
那么祥子开两个小时就能赚其他人一天的钱,可问题是:祥子会只开两个小时吗?
很显然不会。
而且更残酷现实是,和祥子竞争的每人都有一辆出租车,而且买出租车的钱并不低。
这就是今天的出租车市场,事实上也是今天的AI市场。
考恩悖论解释了个体为什么忙,那么人在忙,产出会体现在经济数据里吗?
这就轮到索洛登场了。
1987年7月,经济学家索洛在《纽约时报》书评里留下一句名言:
“计算机时代的生产力随处可见,唯独在统计数据里看不到。”
同年10月,他拿到了诺贝尔经济学奖。
我们看具体数据:
美国非农部门劳动生产率,1948到1973年年均增速3.19%。
1974到1995年,正是电脑铺满美国企业的二十年,增速反而跌到1.53%。
1996年后互联网爆发,回到3.15%,2004年后又掉回1.39%。

一个人可以更忙且产出更多,也可以更忙而产出不变,后一种就是索洛担心的。
那么AI会不会把索洛悖论再演一遍?
把索洛那句话里的计算机换成AI,放到2025年几乎一字不用改。
微观上,芝加哥大学的Anders Humlum教授,把丹麦2.5万名员工的调查和官方税务、就业档案连在一起进行了分析。
结论是用AI的人平均只省了2.8%的时间,对收入和工时没有显著影响。
企业层面,MIT去年年7月发布《GenAI鸿沟》报告:企业在生成式AI上投了300亿到400亿美元,95%的机构没看到可衡量的回报。
宏观上,2026年2月,《经济学人》的Callum Williams贴了一张美国生产率曲线。
配文只有一句:美国数据里依然看不到AI带来的生产率提升。

推文链接:https://x.com/econcallum/status/2023844211842576592
Indeed招聘实验室还指出,扣掉堆投资之后,美国的全要素生产率2025年反而从1.5%放缓到了0.8%。
那么问题来了:一项明显很牛逼的技术,为什么迟迟没有体现在经济数据中?
斯坦福经济学家Paul David给出了一个很多人都认可的解释:电力也曾经是一个索洛悖论。
1881年就有了发电站,但到1900年,工厂里几乎找不到电力提效的证据。
直到一代人之后,工厂按物料流动重排生产线,每个工人配一台小电机。
到20世纪20年代,美国制造业生产率增速才冲到每年5%以上,距电力商业化已过去四十年。
这就是著名的生产率J曲线:新技术刚落地,企业先要改流程、培训人,生产率要经历一个先降后升的过程。
所以,按照这个解释,今天的AI就卡在J曲线底部。
Workday的研究发现,89%的机构里只有不到一半的岗位按AI能力重新设计过。
也就是说,我们现在大部分人还走在AI的后边。
那么,索洛悖论会被打破吗?
乐观派的旗手是美国经济学家Erik Brynjolfsson。
他也是有数据支撑的,2026年3月美国劳工统计局公布,2025年生产率增长2.8%,疫情前十年平均只有1.2%。
他发推说,还很难确定有多少是AI的功劳,但索洛悖论可能该退休了。

推文链接:https://x.com/erikbryn/status/2029631253360824691
但也有悲观派,比如MIT经济学家的阿西莫格鲁,也是2024年诺贝尔经济学奖得主。
他在论文《AI的简单宏观经济学》(The Simple Macroeconomics of AI)中计算:
AI未来十年对全要素生产率的拉动不超过0.66%,十年加起来还不如一个普通年份。
两派分歧在于曲线什么时候拐头、能拐多高。
我个人认为,AI在宏观上还是偏乐观的,只是对于微观的个体而言,情况差异可能会非常大。
最后聊一聊谈到AI经常会说的:杰文斯悖论。
1865年,英国经济学家杰文斯写了本《煤炭问题》。
当时蒸汽机越来越省煤,杰文斯却断言:效率一高,用得起蒸汽机的工厂更多,煤只会烧得更快。
后来的事实完全如他所言。
这就是杰文斯悖论:资源的使用效率提高,往往让总消耗量增加。
前提是需求对价格足够敏感,便宜一点就能解锁一大片新用途。
2025年初,
1月27日,英伟达一天蒸发约5930亿美元市值,创下美股单日纪录。
当时微软CEO纳德拉发了条推,只有一句:杰文斯悖论又来了,AI越高效越便宜,用量就会暴增。

推文链接:https://x.com/satyanadella/status/1883753899255046301
纳德拉说对了吗?
数据证实了纳德拉的说法。
Epoch AI是专门追踪AI发展的独立研究机构。它2026年9月22日发布的报告《智能的价格在暴跌》测算:
自2023年以来,在同等表现水平下,AI的成本每季度下降约47%,相当于每年降13倍。
报告里有个很好用的例子:
同样是在GPQA Diamond测试上拿到75%的成绩,2025年1月用OpenAI的o3每题约30美分,不到18个月后用GPT-5.6 Luna每题约0.0004美元,便宜了725倍。
报告还拿历史做了对比:
AI推理降价的速度大约是DNA测序的4倍、计算机算力的6倍、电池的18倍、电力的54倍。
用量端,谷歌每月处理的token,2024年4月是9.7万亿,到2026年I/O大会已是3200万亿。
OpenRouter是开发者调用各家大模型的中转平台,可以看成全球开发者用量的晴雨表。
它的每周token用量从2025年1月13日那周的0.5万亿,涨到2026年9月14日那周的128.4万亿,20个月涨了大约250倍。
到10月,OpenRouter在截至10月26日的一周里处理了大约194万亿token,这一周的量超过了平台此前约39个月的累计总和。
国际能源署测算,全球数据中心用电将从2024年的415太瓦时翻倍到2030年的约945太瓦时,比日本今天一年的用电还多。
单个token的电耗年年下降,杰文斯悖论中的煤换成了电。
2016年,Hinton说现在就该停止培养放射科医生,五年内深度学习就会做得比他们好。
十年过去,梅奥诊所的放射科医生从约260人增加到400多人,美国放射科医生2025年平均年薪达到57.1万美元。
这背后的原因是,AI让影像检查更便宜更快,做的人更多了。
Karpathy转发的一篇分析就把杰文斯列为原因之一。

推文链接:https://x.com/karpathy/status/1971220449515516391
更早的版本是ATM。
经济学家James Bessen发现,ATM让一个城市网点的柜员从20人降到13人。
可网点成本降了,银行拼命开新网点,美国柜员总数反而从1990年的约50万涨到2010年的近60万。
所以杰文斯悖论能成立得有个条件:需求得有弹性,就是价格下降了,需求的确会变多。
从目前大家想尽办法都要搞定Claude 的KYC验证来看,智能需求的确存在极大的弹性。
2026年10月,亚马逊的贝索斯在福克斯新闻的采访里说,AI会让一些人一周工作三天就能养家。
听起来很美,和凯恩斯九十多年前说的几乎一模一样。
2025年12月26日,OpenAI创始成员Andrej Karpathy发了条长推,开头就是:作为程序员,我从没觉得自己这么落后过,这条推文浏览量超过了1710万。

推文链接:https://x.com/karpathy/status/2004607146781278521
他是全世界最会用AI的人之一,按理说最该先闲下来,但他感受到的是精疲力尽。
这不,他后边也从Anthropic辞职不干了嘛!
所以,效率是技术给的,闲暇得靠自己争取。
我的建议只有一条:作为AI时代的祥子,要争取比别人更早地弄到一辆牛逼的车。
不说了,我要去蹬我放在加拿大温伯格Mac Mini里的Claude了。
毕竟周二它就重置了!

