2026 年 4 月 1 日，UPS 首席执行官 Carol Tomé 在致员工的内部备忘录中宣布：公司将在年内裁撤最多 30,000 个运营岗位，关闭 24 个分拣与配送设施，目标年化节省 30 亿美元。同一周，Oracle 启动了波及数千人的大规模裁员——部分未经证实的报道称规模可能远超官方口径——将释放的预算注入与 OpenAI 合作的 Stargate 数据中心项目，后者总投资承诺超过 500 亿美元。消息公布当天，Oracle 股价上涨约 4%——华尔街用最直白的语言告诉所有人：砍人就是利好。

这不是孤立事件。Google、Amazon、Meta、Pinterest、Atlassian 在过去 18 个月中累计裁员数以万计。CEO 们几乎统一口径，将裁员包装为”AI 驱动的效率提升”，而非对 2021-2022 年过度招聘的纠偏。与此同时，BBC World Service 在 4 月 2 日播出了一期专题节目，邀请 2024 年诺贝尔经济学奖得主 Daron Acemoglu 讨论一个 5 年前还被视为边缘议题的政策工具——基本收入（Basic Income）——以及为什么大科技公司突然成了它最热情的倡导者（来源: BBC World Service, 2026-04-02）。

一边是每周更新的裁员数字，一边是硅谷亿万富翁们讨论如何给失业者发钱。这两件事之间的因果链条，远比表面看起来复杂。本文将从 UPS 和 Oracle 的具体案例出发，拆解 4 个层次的问题：发生了什么、为什么重要、大多数人没看到什么、以及这对劳动力市场的结构性重组意味着什么。

一、UPS：一家物流公司的”去 Amazon 化”与自动化赌注

1.1 数字背后的战略逻辑

UPS 裁撤 30,000 个岗位的决定并非单纯的成本削减。要理解这个数字，必须先理解 UPS 与 Amazon 之间正在发生的”解绑”。

根据行业分析师估算及 UPS 历年 10-K 文件中对重大客户集中度的披露，Amazon 长期贡献了 UPS 约 11-12% 的总收入，是其最大单一客户。但这笔生意的利润率极低——Amazon 凭借体量优势将每件包裹的运费压到接近 UPS 的边际成本。Carol Tomé 在 2025 年初的投资者日上明确表示，UPS 将主动降低 Amazon 业务量占比，转向利润率更高的医疗物流、中小企业和国际快递（来源: UPS 2025 Investor Day Presentation）。

30,000 个岗位和 24 个设施的裁撤，本质上是在为这一战略转型腾挪资源。关闭的设施主要集中在处理 Amazon 大批量、低价值包裹的分拣中心。UPS 的逻辑是：与其用庞大的人力处理利润微薄的电商包裹，不如用更少的人、更多的自动化设备，服务利润率更高的客户群。

这里有一个关键的技术-商业交叉点：UPS 近年来持续投资自动化分拣技术，其新一代自动化分拣中心的单位包裹处理成本据公司披露可比传统设施降低约 30-35%，所需人力大幅缩减。当你把这个比例外推到全网络，30,000 个岗位的裁撤就不再是一个惊人的数字——它甚至可能是保守的。

1.2 “效率提升”叙事的真实含义

UPS 的案例揭示了一个正在全行业蔓延的模式：企业不再将裁员描述为”经济下行的被动应对”，而是将其重新定义为”AI 和自动化驱动的主动优化”。

这种叙事转换的商业动机非常清晰。当 CEO 说”我们因为经济不好而裁员”，华尔街会担忧收入前景；当 CEO 说”我们正在用 AI 替代低效流程”，华尔街会奖励估值倍数。Oracle 裁员当天股价上涨约 4% 就是最直接的证据。

但叙事和现实之间存在显著差距。以 Google 为例，2024 年 1 月裁撤的约 12,000 人中，大量是广告销售和运营支持岗位——这些岗位的裁撤更多是对 2021 年招聘狂潮的修正，而非 AI 替代的直接结果（来源: CNBC, 2024-01-20）。Meta 在 2023-2024 年裁撤的约 21,000 人中，Reality Labs（元宇宙部门）的缩编与 AI 几乎无关，纯粹是 Mark Zuckerberg 对元宇宙战略的阶段性收缩（来源: The Verge, 2023-03-14）。

那么，当前科技行业裁员中，有多少是真正的 AI 驱动替代，有多少是周期性调整的包装？ 要回答这个问题，我采用了一个粗略但可操作的分析框架：选取 Google、Meta、Amazon、Microsoft、Oracle 5 家代表性公司，逐一比对其裁员岗位构成（通过公开的 WARN Act 通知、LinkedIn 数据和媒体报道交叉验证），区分三类情况——(a) 2021-2022 年新增后又裁撤的岗位（周期性）；(b) 业务线战略调整导致的裁撤（如 Meta 的元宇宙收缩）；(c) 被 AI 工具或自动化直接替代的岗位（如客服、内容审核、初级编码）。

基于这一框架的粗略估算：当前约 60-70% 的科技行业裁员本质上是周期性的或战略调整性的，被 AI 叙事包装成了结构性变化。但剩下的 30-40%——特别是客服、内容审核、初级编码、数据标注等岗位——确实正在经历不可逆的 AI 替代。关键在于，随着 Agentic AI（如 ServiceNow 正在部署的自修复 IT 系统、智能工单路由）的成熟，这个比例将在未来 2-3 年内翻转。到 2028 年，真实的 AI 驱动替代很可能占据裁员的主导份额。

二、Oracle 的 500 亿美元豪赌：裁人建机房的资本配置逻辑

2.1 从 ERP 巨头到 AI 基础设施玩家

Oracle 的裁员故事比 UPS 更具戏剧性，因为它直接暴露了 AI 时代资本配置的残酷逻辑：人力预算和基础设施预算之间存在直接的跷跷板关系。

Oracle 正在参与 Stargate 项目——这是与 OpenAI、SoftBank 联合推动的超大规模 AI 数据中心计划，总投资承诺超过 500 亿美元。Oracle 在其中承担基础设施建设和云服务的核心角色（来源: Reuters, 2025-01-21）。与此同时，Oracle 的传统业务线——数据库许可、ERP 咨询、本地部署服务——正在经历客户向云端迁移带来的收入结构转型。

裁员的逻辑因此变得清晰：Oracle 需要将人力成本从传统业务线中释放出来，转化为 AI 基础设施的资本支出。被裁撤的岗位主要集中在传统数据库销售、本地部署支持和非核心云服务运维。Oracle 的管理层将此描述为”战略重组”而非”绩效淘汰”——这是一个重要的措辞区别，因为它暗示这些岗位不会被回填。

需要特别说明的是，关于 Oracle 此轮裁员的确切规模，各方报道差异极大。部分未经证实的报道声称规模可达数万人，但 Oracle 官方未披露具体数字。考虑到 Oracle 全球员工总数约 15 万人，如果裁员真的达到数万人级别，这将意味着裁撤比例超过 15%——这是一个需要极强来源支撑的重大声明。本文在后续分析中采用”数千人”作为保守估计，读者应注意实际规模可能更大。

2.2 股价悖论：跌 49% 还是涨 4%？

Oracle 股价在裁员消息公布当天上涨约 4%，但过去 6 个月累计下跌约 49%。这个看似矛盾的数据实际上讲述了一个连贯的故事。

49% 的跌幅反映的是市场对 Oracle AI 战略执行力的怀疑。Stargate 项目的投资回报周期极长（数据中心从动工到满负荷运营通常需要 18-24 个月），而 Oracle 在 GPU 云服务市场的份额远落后于 AWS、Microsoft Azure 和 GCP。Larry Ellison 的愿景宏大，但市场需要看到收入兑现。

4% 的单日涨幅则反映了一个更短期的信号：裁员意味着利润率改善的即期确定性。当一家公司同时做两件事——砍人和砸钱——华尔街会先给”砍人”定价，因为成本削减的效果可以在下一个季度财报中验证，而 500 亿美元投资的回报可能要等 3-5 年。

这里有一个大多数人没看到的结构性问题：Oracle、Google、Meta、Amazon 等公司同时进行的”裁人+建机房”操作，正在制造一个前所未有的劳动力市场错配。被裁撤的是中等技能的白领岗位（销售、运营、项目管理、初级工程），而新增的岗位需求集中在两个极端——高端 AI 研究员/基础设施工程师，以及数据中心建设所需的电工、暖通工程师、光纤技术员等蓝领技能工种。

讽刺的是，硅谷用 AI 替代了自己的白领员工，却在疯狂招聘蓝领工人来建造运行 AI 的物理基础设施。

三、基本收入辩论的回归：Acemoglu 的警告与硅谷的算计

3.1 为什么是现在？

BBC World Service 在 2026 年 4 月 2 日播出的专题节目中，诺贝尔经济学奖得主 Daron Acemoglu 提出了一个尖锐的问题：为什么大科技公司——那些正在积极用 AI 替代人类劳动力的公司——会成为基本收入最热情的倡导者？（来源: BBC World Service, 2026-04-02）

Acemoglu 的学术立场一直很明确。他在 2024 年获得诺贝尔奖的研究（与 Simon Johnson、James Robinson 合作）聚焦于制度如何塑造经济发展，而他近年来对 AI 的分析则延续了这一框架。他的核心论点是：AI 的问题不在于技术本身，而在于部署 AI 的制度激励结构。当前的激励结构——华尔街奖励裁员、税制对资本支出（机器）比劳动力（人）更友好、监管真空——系统性地鼓励企业用 AI 替代工人，而非用 AI 增强工人的生产力（来源: Acemoglu, “Power and Progress”, 2023）。

在 BBC 节目中，Acemoglu 对大科技公司支持基本收入的动机提出了直接质疑。他的逻辑链条是这样的：

  1. 科技公司用 AI 替代大量工人，创造巨额利润；
  2. 失业工人失去购买力，最终会削弱消费需求，反噬科技公司的收入；
  3. 基本收入本质上是用政府财政（即纳税人的钱）来维持被 AI 替代的工人的消费能力；
  4. 这相当于科技公司将 AI 替代的社会成本外部化给了公共财政，同时保留了 AI 替代的私人收益。

用更直白的话说：硅谷支持基本收入，是因为它需要一个机制来确保被裁掉的人还能继续买东西。

3.2 Sam Altman 的实验与 Elon Musk 的矛盾

这不是纯理论推演。OpenAI 的 Sam Altman 在 2020-2024 年间资助了一项大规模基本收入实验——由 Open Research 执行，在美国两个州向约 3,000 名低收入参与者每月发放 1,000 美元，持续 3 年。2024 年公布的初步结果显示：参与者的就业率没有显著下降（反驳了”发钱养懒人”的批评），但他们的工作选择发生了变化——更多人转向了兼职、自由职业和创业，而非全职受雇（来源: OpenResearch.org, 2024）。

Elon Musk 在 2024 年多次公开表示，AI 将导致”大多数工作变得不必要”，并暗示某种形式的”全民收入”可能是必要的。但同一个 Elon Musk，在 2025 年领导政府效率部门（DOGE）时，推动了联邦政府大量公务员的裁撤。这种矛盾——一边说需要给失业者发钱，一边积极制造失业——精确地体现了 Acemoglu 所批评的制度激励扭曲。

3.3 对立视角：技术乐观派与历史先例

公平起见，Acemoglu 的框架并非没有挑战者。至少有三个有力的对立观点值得严肃对待。

第一，历史类比论。 MIT 经济学家 David Autor 的研究长期关注技术变革与就业极化的关系。他的核心发现是：过去 200 年的每一次重大技术革命——蒸汽机、电力、计算机——都在短期内消灭了大量岗位，但在中长期创造了更多新岗位，且这些新岗位往往是技术革命发生时无法预见的。汽车消灭了马车夫，但创造了整个汽车产业链——从装配工人到加油站服务员到汽车保险精算师。Autor 认为，AI 很可能遵循同样的模式，当前的失业焦虑被过度放大了（来源: Autor, “The Labor Market Impacts of Technological Change”, Journal of Economic Perspectives, 2024）。

第二，生产力 J 曲线论。 斯坦福大学经济学家 Erik Brynjolfsson 提出了”生产力 J 曲线”概念：新技术在部署初期会导致生产力暂时下降（因为组织需要时间学习和适应），然后在技术成熟后带来远超预期的生产力跃升。他认为当前的 AI 裁员潮恰恰处于 J 曲线的底部——企业在裁人但尚未充分释放 AI 的增产潜力。一旦 AI 工具被充分整合进工作流程，新的岗位和行业将大量涌现。Brynjolfsson 长期主张，AI 带来的生产力提升将创造足够的经济盈余来资助基本收入或其他再分配机制，关键在于分配机制的设计（来源: Brynjolfsson & McAfee, “The Turing Trap”, Daedalus, 2022）。

第三，企业合理性论。 从企业管理的角度看，裁员确实可能是合理的资源再配置，而非纯粹的”叙事操控”。当一家公司的业务重心从传统 ERP 转向 AI 云服务时，保留大量传统业务线的销售和支持人员确实是资源错配。Oracle 的裁员从这个角度看，与其说是”用 AI 替代人”，不如说是”业务转型中的人员结构调整”——这在商业史上并不罕见，也不需要 AI 叙事来合理化。

我的判断：这三个对立观点各有其合理性，但都存在一个共同的盲点——它们低估了 AI 替代的速度和广度。Autor 的历史类比论成立的前提是技术扩散需要数十年，给劳动力市场留出了调整时间。但 AI 的扩散速度远快于蒸汽机或电力——ChatGPT 从发布到 1 亿用户只用了 2 个月，而电力从发明到普及用了 40 年。Brynjolfsson 的 J 曲线论假设新岗位的创造速度能跟上旧岗位的消灭速度，但当 AI 同时冲击白领和蓝领、同时影响制造业和服务业时，这个假设需要更强的证据支撑。企业合理性论则回避了一个核心问题：即使每一家公司的裁员决策在微观层面是合理的，这些决策的宏观叠加效应——数百万人同时失去中等收入岗位——仍然构成一个需要政策应对的系统性风险。

Acemoglu 的批评在方向上是正确的——大科技公司支持基本收入确实包含将社会成本外部化的动机。但 Brynjolfsson 和 Altman 的实用主义论点同样不可忽视：如果 AI 替代确实不可逆（至少在某些行业和岗位上），那么某种形式的收入保障机制最终是必要的。真正的问题不是”要不要基本收入”，而是”谁来买单”——如果答案是”纳税人”而非”AI 公司”，那 Acemoglu 的担忧就会成为现实。

四、Agentic AI 的隐形冲击：中层管理的系统性消解

4.1 ServiceNow 案例：当 AI 开始”自修复”

讨论 AI 对就业的影响时，大多数人关注的是蓝领自动化（工厂机器人、自动驾驶卡车）或初级白领替代（客服聊天机器人、AI 写作）。但 2026 年正在发生的最具破坏力的变化，发生在一个不那么引人注目的领域：中层管理。

ServiceNow 的 IT 服务管理（ITSM）平台是理解这一趋势的最佳窗口。ServiceNow 在 2025-2026 年推出的 Agentic AI 功能包括 3 个关键能力（来源: ServiceNow 官方博客, 2025）：

  • 自修复系统：当 IT 基础设施出现故障时，AI Agent 可以自动诊断问题、执行修复脚本、验证修复结果，无需人工干预。传统上，这需要 1 名 L1 技术支持人员创建工单、1 名 L2 工程师诊断问题、1 名中层管理者审批修复方案——整个流程耗时 4-8 小时。ServiceNow 的 AI Agent 将其压缩到 15 分钟。

  • 智能工单路由：AI 根据历史数据、技术人员技能图谱和当前工作负载，自动将工单分配给最合适的处理者。这直接替代了 IT 运维经理的核心职能之一——工作分配和优先级排序。

  • 即时案例摘要：AI 自动生成事件报告、根因分析和改进建议，替代了中层管理者花费大量时间进行的”向上汇报”和”事后复盘”工作。

4.2 中层管理消解的经济学

Quinnipiac 大学 2026 年 4 月的民调显示，70% 的美国人认为 AI 将减少就业机会，而 15% 的人表示愿意接受 AI 当上司（来源: Quinnipiac University Poll, 2026-04）。这个 15% 的数字看似很低，但它指向了一个更深层的趋势：AI 不需要”当老板”来替代中层管理者，它只需要接管中层管理者的具体职能——信息汇总、任务分配、进度跟踪、绩效评估。

Amazon 和 Workday 已经在实践这一路径。Amazon 的仓库管理系统使用 AI 自动生成排班表、分配拣货路线、监控生产率指标，仓库主管的角色从”决策者”变成了”AI 建议的执行者”（来源: The Verge, 2024-06-13）。Workday 的 AI 功能则在人力资源领域做类似的事——自动筛选简历、生成绩效评估初稿、预测员工离职风险。

这里是第三层洞察：UPS 裁撤的 30,000 个岗位中，我估计至少 30-40% 是中层运营管理岗位（区域主管、调度经理、质量控制经理），而非一线分拣工人。原因很简单：UPS 的自动化分拣设备替代的是体力劳动，但 AI 调度系统替代的是管理决策。一条自动化分拣线需要的不是更少的工人，而是更少的管理工人的人。

这对劳动力市场的影响是深远的。中层管理岗位通常是大学毕业生进入企业后的第一个”有意义的”职业台阶——年薪 6-12 万美元，有团队管理经验，有向上晋升的通道。当这个台阶被 AI 抽走，职业阶梯就断裂了：底层是 AI 无法替代的体力劳动和创意工作，顶层是 AI 无法替代的战略决策和关系管理，中间是一个正在被 AI 快速蚕食的真空地带。

五、”效率叙事”的政治经济学：谁在定义”效率”？

5.1 CEO 话语权的集中

2026 年的裁员潮有一个值得深究的话语特征：CEO 们几乎垄断了对裁员原因的定义权。

当 Google CEO Sundar Pichai 说”我们正在重新配置资源以优先投入 AI”，当 Meta CEO Mark Zuckerberg 说”2023 年是效率之年”，当 Oracle CEO Safra Catz 说”这是战略重组”——媒体和分析师基本上原样转述这些说法，很少有人追问一个基本问题：如果这些裁员真的是 AI 驱动的效率提升，为什么被裁的人不是被 AI 工具替代了，而是被直接消除了？

区别很重要。”AI 替代”意味着一个岗位的工作内容被 AI 接管了，公司因此不再需要人类来做这件事。”岗位消除”则可能意味着这件事本来就不需要做——它是过度招聘时期创造的冗余岗位。前者是结构性变化，后者是周期性调整。CEO 们有强烈的动机将后者包装成前者，因为”AI 驱动的效率提升”听起来像是面向未来的战略行动，而”我们 2021 年招太多人了”听起来像是管理失误。

5.2 华尔街的共谋

华尔街在这场叙事建构中扮演了积极的共谋角色。投资银行和分析师们开发了一套完整的估值框架来奖励”AI 效率”故事：

  • “AI 杠杆率”指标：衡量公司每投入 1 美元 AI 支出能节省多少人力成本。Oracle 裁员后分析师上调评级，部分原因就是这个指标的改善。

  • “人均收入”趋势：当一家公司在裁员后维持或提升收入，”人均收入”指标自动改善，被解读为”AI 正在提升生产力”。但这忽略了一个基本事实：裁员后的短期收入维持可能只是因为在手订单和合同的惯性，而非 AI 带来的真实效率提升。

  • “CapEx 转向”叙事：将人力支出（OpEx）转化为基础设施支出（CapEx）被视为积极信号，因为 CapEx 可以资本化和折旧，对当期利润的冲击更小。Oracle 的”裁人建机房”策略完美契合这一框架。

我的明确立场：当前的”效率叙事”中，真实的 AI 驱动效率提升和周期性裁员的包装之间的比例大约是 3:7。但这个比例正在快速变化。到 2028 年，随着 Agentic AI 的成熟和大规模部署，真实的 AI 替代将占据主导地位。现在的问题是，当那一天真正到来时，我们是否已经建立了应对机制——而不是还在争论裁员到底是”AI 驱动的”还是”周期性的”。

六、劳动力市场的结构性重组：3 个正在成形的趋势

6.1 趋势一：蓝领技能工种的逆势崛起

AI 时代最反直觉的劳动力市场趋势是：某些蓝领技能工种的需求和薪资正在上升，而非下降。

SkillsUSA——美国最大的职业技能竞赛组织——在 2026 年报告参赛人数创历史新高。电气技术、暖通空调（HVAC）、焊接、数控加工等赛道的参赛者增长显著（来源: SkillsUSA 官方网站, 2026）。这不是巧合。AI 数据中心的建设热潮正在制造对这些技能的巨大需求：每个 100MW 的数据中心需要约 2,000-3,000 名建筑工人、电气技师和机械安装工，建设周期 18-24 个月。

美国劳工统计局（BLS）的数据显示，电气技师的中位年薪近年来持续增长，增速远超全国工资增长中位数。数据中心冷却系统专业技师的年薪更是突破高位。

这创造了一个奇特的劳动力市场双轨制：科技公司一边裁撤年薪 8-15 万美元的中层白领，一边以高薪招聘蓝领技术工人来建造 AI 基础设施。从总薪资支出看，这是一个近乎零和的转移——但对被裁撤的白领来说，他们不太可能转型成为电气技师或焊工。

6.2 趋势二：AI 增强型岗位的出现

并非所有中等技能岗位都在消失。一类新的岗位正在出现——”AI 增强型岗位”（AI-augmented roles）。这些岗位的特征是：人类工作者使用 AI 工具来完成以前需要更多人完成的工作，单人产出大幅提升，但岗位本身不会消失。

具体例子：

  • AI 辅助的法律助理：使用 AI 工具进行案例研究、合同审查和文件起草，1 个人可以完成以前 3-4 个人的工作量。律所不再需要那么多初级律师，但仍然需要人类来判断 AI 输出的法律适用性。

  • AI 辅助的医学影像技师：AI 预筛 X 光片和 CT 扫描，标记异常区域，人类技师负责最终确认和与患者沟通。效率提升 3-5 倍，但完全无人化在监管和伦理层面不可行。

  • AI 辅助的软件开发：GitHub Copilot 和 Cursor 等工具使单个开发者的代码产出提升 30-50%（来源: GitHub, “Research: Quantifying GitHub Copilot’s Impact”, 2023），但复杂系统设计、架构决策和代码审查仍然需要人类判断。

这类岗位的薪资通常高于被替代的传统岗位，因为它们要求工作者同时具备领域专业知识和 AI 工具使用能力。但它们的总数量远少于被替代的岗位——这正是 AI 提升”效率”的含义：用更少的人做更多的事。

6.3 趋势三：地理分布的重新洗牌

UPS 关闭 24 个设施的决定将直接影响这些设施所在社区的就业和经济。物流分拣中心通常位于中小城市和郊区——这些地方的就业选择本来就有限。当一个雇佣 500-1,000 人的 UPS 设施关闭时，对当地经济的冲击远大于硅谷裁撤同等数量的软件工程师。

与此同时，AI 数据中心的建设正在创造新的就业地理热点。北弗吉尼亚（Loudoun County）、德克萨斯中部（Temple/Round Rock）、俄亥俄州（Columbus 郊区）、爱荷华州（West Des Moines）——这些地方正在因为数据中心建设而经历就业繁荣（来源: CBRE, “North American Data Center Trends”, 2025）。但这些新增就业与 UPS 关闭设施所在的社区之间，几乎没有地理重叠。

第四层预判：我们正在见证的不仅仅是”AI 替代工作”，而是劳动力市场的全面地理和技能重组。旧经济的就业中心（物流枢纽、呼叫中心集中地、传统 IT 服务外包城市）正在萎缩，新经济的就业中心（数据中心集群、AI 研发中心、清洁能源基地）正在崛起。这种转型的摩擦成本——搬迁、再培训、社区衰落——不会出现在任何公司的财报中，但会出现在选票上。

七、基本收入的可行性：算一笔账

7.1 资金来源的现实约束

让我们用具体数字来检验基本收入的可行性。

假设美国实施一项每月 1,000 美元的基本收入（这是 Sam Altman 实验中使用的金额，也是 Andrew Yang 在 2020 年总统竞选中提出的方案），覆盖所有 18 岁以上成年人（约 2.6 亿人）。年化总成本：2.6 亿 × 12,000 美元 = 3.12 万亿美元。

2025 财年美国联邦政府总支出约 6.8 万亿美元。3.12 万亿美元相当于联邦预算的 46%——这在政治上完全不可行。

即使将覆盖范围缩小到因 AI 失业的人群，数字仍然巨大。如果未来 5 年 AI 导致 1,000 万人失业（这是多数经济学家估计的中位数范围），每月 1,000 美元的补贴年化成本为 1,200 亿美元。这个数字虽然大，但在联邦预算中并非不可想象——它大约相当于美国每年在食品券（SNAP）项目上支出的 1.5 倍。

7.2 “算力税”与主流经济学批评

Sam Altman 提出的”算力税”概念值得认真评估。其逻辑是：AI 公司使用算力来替代人类劳动，因此应该对算力使用征税，就像对碳排放征税一样。

但这里有一个技术-商业交叉的问题：算力的定义和计量非常复杂。一个 NVIDIA H100 GPU 用于训练大语言模型和用于渲染视频游戏，消耗的算力可能相同，但对就业的影响完全不同。对所有算力统一征税会打击非替代性的 AI 应用（如药物发现、气候模拟），而仅对”替代人类劳动的算力”征税则面临定义和执行的巨大困难。

主流经济学对基本收入还有更根本的批评。通胀效应：如果所有人同时获得额外收入，在供给不变的情况下，物价会相应上涨，实际购买力提升可能远低于名义金额。劳动供给扭曲：尽管 Altman 资助的实验显示就业率未显著下降，但该实验的参与者知道补贴有时限（3 年），这与永久性基本收入的行为效应可能完全不同。财政可持续性：即使是缩小版的基本收入方案，也需要持续的税收来源支撑，而”算力税”的税基可能随着算力成本下降（摩尔定律的延续）而不断缩小。

我的判断：基本收入作为一个普遍性政策工具，在当前的财政约束下不可行。更现实的路径是”有条件的过渡性收入支持”——针对因 AI 失业的特定人群，提供有时限的收入补贴，同时绑定再培训要求。这不如”每月给每个人发 1,000 美元”那样简洁优雅，但在政治和财政上更可行。

硅谷支持基本收入的真正原因可能更简单：它是一个足够宏大、足够遥远的政策愿景，可以让科技公司在当下继续裁员的同时，展示”我们关心社会影响”的姿态。当 Daron Acemoglu 在 BBC 节目中指出这一点时，他触及了辩论的核心：基本收入讨论正在被工具化，成为科技公司推迟更直接的监管介入（如 AI 替代税、强制再培训基金、裁员缓冲期要求）的话语策略。

八、So What：这对你意味着什么

8.1 对企业决策者

如果你正在考虑用 AI 替代团队中的岗位，请认真区分”真实的 AI 效率提升”和”借 AI 之名的周期性裁员”。前者需要真正部署 AI 工具并验证效果，后者只是在利用当前的话语环境来降低裁员的公关成本。短期内两者都能改善财报，但长期来看，只有前者能创造可持续的竞争优势。

8.2 对职场个体

中层管理岗位正在经历系统性压缩。如果你的核心工作内容是”信息汇总、任务分配、进度跟踪”——这些正是 Agentic AI 最擅长的事情。向两个方向发展可以提高你的抗替代性：向上（战略决策、客户关系、跨部门协调），或向下（深入具体的技术执行，成为 AI 工具的高级使用者）。”纯管理”岗位的生存空间正在快速缩小。

8.3 对政策制定者

UPS 的 30,000 人裁员和 Oracle 的大规模基建投资，加在一起讲述了一个清晰的故事：AI 时代的劳动力转型不是一个未来问题，它正在发生。基本收入是一个值得讨论的长期选项，但不能成为推迟行动的借口。更紧迫的政策需求包括：

  • 再培训基础设施：当前美国联邦政府每年在劳动力再培训上的支出约 50 亿美元，这个数字需要大幅提升才能应对 AI 转型的规模。
  • 裁员缓冲机制：要求大规模裁员（如超过 1,000 人）的公司提供至少 6 个月的过渡支持，包括再培训补贴和延续医疗保险。
  • AI 替代透明度：要求公司在裁员时披露 AI 在决策中的具体角色，防止”AI 洗白”周期性裁员。

8.4 对投资者

当前的”裁人建机房”模式在估值上是被过度奖励的。华尔街给”AI 效率”故事的估值溢价，建立在一个未经验证的假设上：AI 基础设施投资的回报率将高于被裁撤人力资本的价值。当 Oracle 股价在 6 个月内下跌约 49% 时，市场已经开始质疑这个假设。关注那些能够展示 AI 投资实际收入转化的公司（如 ServiceNow 的 ITSM AI 功能带来的订阅收入增长），而非仅仅展示裁员数字和 CapEx 承诺的公司。

结语

2026 年 4 月的这一周，UPS 裁了 30,000 人，Oracle 裁了数千人（可能更多），BBC 请了诺贝尔奖得主讨论基本收入，15% 的美国人说他们愿意让 AI 当老板。这些看似散乱的数据点，拼在一起描绘了一幅连贯的图景：AI 对劳动力市场的冲击正在从”预测”阶段进入”执行”阶段，而我们的制度应对——无论是企业层面的再培训、政府层面的社会保障、还是社会层面的心理准备——都严重滞后于技术变化的速度。

Daron Acemoglu 说得对：问题不在于 AI 本身，而在于谁在控制 AI 的部署方式，以及谁在承担 AI 部署的成本。当 CEO 们用”效率”的语言来描述裁员，当华尔街用股价上涨来奖励裁员，当硅谷用基本收入的愿景来推迟监管——成本正在被系统性地转嫁给最没有能力承担它的人。

但 David Autor 和 Erik Brynjolfsson 的提醒同样重要：技术悲观主义在历史上的预测记录并不好。AI 可能确实会创造我们今天无法想象的新岗位和新行业。问题在于，这个”创造”的过程可能需要 10-20 年，而被裁撤的工人需要在 6 个月内找到新工作。政策的核心任务不是阻止 AI 替代——这在全球竞争中不可行——而是缩短转型的摩擦期，降低转型的人力成本。

30,000 名 UPS 工人不会去建数据中心。他们中的大多数也不会成为 AI 工程师。他们需要的不是一个关于基本收入的 BBC 专题节目，而是一个能在 6 个月内帮助他们获得新技能、找到新工作的具体机制。这个机制目前不存在。而在它被建立之前，每一周都会有新的裁员数字出现在新闻头条上。

参考资料

  1. Why is basic income being discussed again? — BBC World Service, 2026-04-02
  2. UPS to cut up to 30,000 jobs and shutter 24 facilities — CNBC, 2026-04-01
  3. Trump, SoftBank, OpenAI and Oracle announce $500 billion AI infrastructure investment — Reuters, 2025-01-21
  4. Google lays off hundreds across engineering, hardware and other teams — CNBC, 2024-01-20
  5. Mark Zuckerberg announces 10,000 more Meta layoffs — The Verge, 2023-03-14
  6. Research: Quantifying GitHub Copilot’s impact on developer productivity and happiness — GitHub Blog, 2023-09-07
  7. Daron Acemoglu & Simon Johnson, Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity — PublicAffairs, 2023
  8. Daron Acemoglu Nobel Prize Lecture — Nobel Prize Organization, 2024
  9. 来源: Quinnipiac University Poll, 2026-04（具体报告链接待确认）
  10. 来源: CBRE, “North American Data Center Trends H2 2025”（行业报告）