炒股就看金麒麟分析师研报，权威，专业，及时，全面杠杆账户交易规则，助您挖掘潜力主题机会！
（来源：网易科技）
麻省理工学院最新研究显示，AI对劳动力市场的自动化替代并非突如其来的“巨浪”，而是广泛且持续的“涨潮”，预计到2029年，大多数基于文本的工作任务AI成功率将达到80%至95%。
研究背景：AI如何改变工作？
2026年3月，麻省理工学院FutureTech团队发布工作论文《巨浪还是潮汐：来自数千名工人对劳动力市场任务评估的AI自动化初步发现》（论文编号：arXiv:2604.01363v1），作者包括Matthias Mertens、Neil Thompson等人，研究资金来自Open Philanthropy及一家科技公司。
这项研究试图回答一个对投资者和政策制定者都至关重要的问题：AI能力的提升，究竟会以“巨浪”形式（Crashing Waves）——突然、集中地颠覆某类工作——还是以“潮汐”形式（Rising Tides）——广泛、渐进地抬升整体自动化水平？
两种模式对劳动力市场的冲击截然不同。“巨浪”意味着某些职业在短期内从几乎不受影响到几乎被完全替代，工人几乎没有时间适应；“潮汐”则意味着变化更可预期，但覆盖面更广，最终影响同样深远。
图1 “巨浪” VS “潮汐”研究方法：17000份真实工人评估
研究团队从O*NET数据库的18786项任务中，筛选出具备至少10%时间节省潜力的11768项文本类任务，最终纳入调查的任务达11536项，生成69216个任务实例。
评估流程严格：每个任务实例由41款大型语言模型（LLM）生成回答，再由具备相关工作经验的真实从业者打分，评分采用1至9分制——7分及以上代表“无需编辑即可最低限度使用”，9分代表“优于普通人类工人水平”。研究最终纳入超过17000份有效评估，约34.6%的原始数据因质量问题被剔除。
任务时长覆盖从约10分钟到数天不等，大多数任务耗时在20分钟至10小时之间。
图3 任务时长分布直方图（Task Duration Histogram）核心发现一：是“潮汐”，不是“巨浪”
元股证券研究的核心发现是：AI成功率与任务时长之间的关系曲线出奇地平缓。
具体而言，任务时长每增加10倍，AI成功率（≥7分门槛）的对数几率仅下降0.31。在60%的样本均值成功率下，这意味着预测接受率仅下降约7.6个百分点。这条曲线远比此前METR等机构基于基准测试得出的陡峭曲线平缓得多。
论文写道：“在LLM能够处理的大量具有代表性的、贴近实际的劳动力市场任务中，任务成功率与任务持续时间之间的下降趋势平均而言出奇地平缓——也就是说，更像是水涨船高，而不是海浪拍岸。”
这一模式在不同规模的模型、不同发布时间的模型中均成立。在大多数职业类别（如管理类、社区与社会服务类）中，同样遵循“潮汐”规律。
不过，不同职业类别之间存在显著差异。成功率最高的是“安装、维护与修理”类（72.5%）和“建筑与采掘”类（71.0%），最低的是“法律”类（46.8%）。斜率最陡的是“个人护理与服务”类（β=-0.93），意味着该领域任务时长对AI成功率影响最大。
图4 任务实例自动化程度与所需完成时间（Task Instance Automation by Required Task Completion Time）
核心发现二：进步速度超出预期，任务处理耗时每3.8个月“翻倍”
元股证券:ygzq.hk
“潮汐”并不意味着缓慢。研究数据显示，AI能力正在以相当快的速度全面提升。
研究写道：“在2024年第二季度至2025年第三季度期间，前沿模型在3至4小时任务上的成功率从50%提升至1周任务，在1分钟任务上的成功率从70%提升至1小时任务。”
如果将AI达到特定成功率（例如50%）所能处理的“人类任务耗时”作为衡量标准，这一指标的“翻倍时间”仅为3.8个月。这一速度处于现有研究估算的较快端——METR此前报告的倍增时间为2至6个月，Kwa等人报告为4至7个月。
从失败率角度看，在耗时5分钟至24小时的任务中，失败率（1减去成功率）的减半时间为2.4至3.2年，对应每年成功率提升约8至11个百分点
这种全面且快速的提升验证了“水涨船高”的逻辑：新一代模型的发布，带来了成功率曲线的整体平行上移。
图6 任务时长与成功率门槛随时间变化（Task Duration and Success Rate Thresholds over Time）
核心发现三：大模型与新模型，进步路径不同
研究还区分了两种能力提升路径，这对理解AI投资逻辑有直接意义。
模型规模（大vs小）：参数量超过1000亿的大模型相比小模型，在短时任务上优势明显，但在长时任务上优势收窄——曲线呈"向外旋转"形态（β=-0.36 vs -0.26）。
模型新旧（新vs旧）：2025年后发布的新模型相比旧模型，在各类任务时长上的提升幅度大致相同——曲线呈近乎平行上移。
这意味着，时间维度的迭代（更新的模型）比规模维度的扩张（更大的模型）更能均匀地提升AI在长时复杂任务上的表现。对于关注AI基础设施投资回报的投资者而言，这一发现值得关注。
2029年预测：渐进，但不可低估
基于当前趋势外推，研究团队给出了明确的时间节点预测：
然而，研究同时指出，要达到“近乎完美”的成功率（接近100%），还需要数年以上的时间。这为工人调整提供了一定窗口期，尤其是在容错率低的任务领域。
研究团队明确提示，上述预测建立在AI进步速度维持近两年趋势的假设之上，应视为上限情景。潜在的放缓因素包括：算力扩展成本上升、硬件进步放缓、算法创新减速，以及物理极限对芯片性能的约束。
图7 AI成功率随时间预测（Predicted AI Success Rates Over Time）对劳动力市场的影响：任务自动化≠工人被替代
研究团队特别强调，AI在任务层面的高成功率，不能直接等同于相应比例的工作岗位被自动化
原因有三：
论文写道：“目前尚不清楚经济将如何应对杠杆账户交易规则，但很难想象AI的持续进步与当前经济现状的稳定相协调。”
海量资讯、精准解读，尽在新浪财经APP
免费配资开户提示：本文来自互联网，不代表本网站观点。
