比尔盖茨：应该对Token 和机器人征税 AI 的动荡时代：未来十年将由三场制度选择塑造

盖茨把争论从“AI 多强”推到了“社会准备好没有”

PC 改变工作用了二十年。软件需要开发，设备要降价，人还要学习新的操作方式。生成式 AI 的扩散条件不同：它运行在现有电脑和手机上，用自然语言接受指令，还能从已有文档、数据和培训视频中学习。企业不用先重建整套基础设施，就能把它塞进客服、编程、法律、医疗和制造流程。

能力是否会按盖茨设想的速度发展，仍有很大不确定性。他把视觉、语音、推理和机器人能力连成一条快速上升的曲线，并预计冲击会在十年尺度内跨行业发生。这是预测。已经成立的事实是，使用门槛正在下降，企业间的成本竞争会推动采用，全球也缺少一个可信的同步减速机制。

问题由此变成一场速度竞赛：左边是按月更新的模型、按季度扩散的产品和紧随其后的成本压力；右边是需要立法、预算、机构协调和国际谈判的公共制度。

只要这条时间差存在，风险就不会平均落下。收入更低、再培训更难、缺少政治影响力的人，通常更晚得到好处，也更早承担调整成本。盖茨真正担心的是这个顺序。

三类风险的共同受害者，是没有时间和权力的人

第一类风险是工作。入门和中级岗位更容易被标准化，年轻人又缺少经验与关系网络，最先感到招聘收缩。Stanford Digital Economy Lab 在 2026 年 8 月更新的研究中发现，青年工人在高 AI 暴露职业里的就业差距扩大到 19%。但研究者同时写得很清楚：他们没有观察到全经济范围的普遍替代，这些结果是早期描述性指标，不是 AI 造成失业的因果估计。

ILO 的全球任务指数提供了另一条边界：全球约四分之一劳动者处在一定程度的生成式 AI 暴露岗位中，最高暴露类别占全球就业 3.3%；由于多数职业仍包含需要人类判断、沟通或操作的任务，岗位改造比整份工作消失更可能。Stanford 的研究支持“青年入口正在变窄”的警报，ILO 的研究提醒我们别把警报写成已经确定的总失业结局。

继续阅读普林斯顿教授在 ICML 讲 AI 与工作：个人如何在这场浪潮中自我调适？24 个月里模型能力大幅跃升，SAGE 实验室自建的可靠性复合指标只涨 5–10 个百分点→

第二类风险是能力滥用。欺诈、深度伪造、网络攻击、生物风险和舆论操纵会因为信息与执行门槛下降而扩大。这里其实混合了三种问题：普通作恶者获得更强工具，国家和大机构集中更多监控与武力能力，以及高能力系统出现设计者不希望的行为。三者的发生概率、治理工具和时间尺度完全不同，不能压成一个笼统的“AI 安全风险”。

第三类风险落在儿童发展、学习和人际关系上。一项包含 1,131 名 CharacterAI 用户的研究发现，现实社交网络较小的人更可能把聊天机器人当作陪伴；陪伴用途与较低福祉相关，使用越密集、越多自我披露，关联越强。这仍是观察性研究，因果方向可能反过来：原本更孤独的人，也可能更依赖 AI。

批判性思维研究同样只能支持谨慎表述。一项 666 人的调查与访谈报告，频繁使用 AI、把思考外包给工具和较低批判性思维得分相关，年轻参与者的依赖更高。它不能证明 AI 导致能力下降。年龄、教育、自我选择和使用方式都可能同时影响结果。

把四组证据放在一起，风险的温度并不相同。

这张表没有削弱提前行动的必要。儿童保护、就业缓冲和网络防御都不该等到伤害被完全证明后才开始。它只是阻止政策被一条未经证实的末日曲线绑架。中国 2026 年出台的拟人化互动服务规则已经禁止向未成年人提供虚拟亲属、虚拟伴侣等虚拟亲密关系服务，并要求未成年人模式、现实提醒和防止诱导情感依赖。制度可以在证据仍演化时先设置护栏，但必须保留复核和调整空间。

AI 能带来普惠，不代表收益会自动普及

盖茨列出的收益很具体。小医院可以借 AI 更早识别急症；低收入国家的农民可以获得天气、种子、病害和土壤建议；申请医保、助学金和食品援助的人可以少填表、少跑流程；教师可以把更多时间留给一对一和小组教学；科研团队可以在海量文献里寻找更有希望的实验方向。

这些场景共享同一个结构：AI 把原来稀缺、昂贵的专业能力做成更便宜的服务。真正决定公平的，是每一项能力能否连续穿过语言覆盖、支付能力、可用渠道、当地机构能力和公众信任五道门。

这条链上任何一环断掉，技术能力都会停在演示里。模型不支持当地语言，农民就问不了问题；价格太高，小医院买不起；没有基层人员接住建议，诊断也无法变成治疗；隐私和责任不清，公众不会把敏感问题交给系统。

“AI 可以让所有收入层的人受益”中的关键词是“可以”。公平不是模型自带的属性，它是采购、语言、基础设施、公共预算和服务设计共同产生的结果。盖茨基金会与多家模型公司合作，说明慈善和公共部署可能补上一部分市场缺口；它还不能证明收益会自然普及。

第一场选择：建立跨部门、跨国界的转型管理

AI 公司当然应该为产品安全负责，但它们没有民主授权去决定就业、税收、教育、儿童保护、公共能源和社会保障的取舍。真正的决策过程需要民选官员、技术专家、工人、教师、医护人员、地方社区、家长和其他受影响者进入同一张桌子。

现有政府结构最大的问题是按部门切分。劳动部门看到岗位，安全部门看到攻击，能源部门看到数据中心，教育部门看到学生，税务部门看到收入。一次 AI 扩散可能同时触发所有后果，却没有任何一个部门拥有完整任务。

矩阵里的空白就是责任缝隙。国家层面需要一个能跨部门排序、分配责任和发现空白的统筹机制；国际层面需要处理跨境攻击、模型与芯片供应链、开发规范和核查。核武器核查、国际航空规则和臭氧层协议可以提供零件，无法直接复制成 AI 机构。

这项提案的方向清楚，设计仍很粗。新机构拥有什么权力，如何避免变成另一个缓慢层级，怎样与现有监管者分工，美中在竞争压力下能合作到什么程度，文章都没有答案。最可执行的第一步反而朴素：在危机前建立持续会议和故障清单，让经济学家、技术人员、企业、工人和地方政府定期指出现有机构管不到哪里。

第二场选择：哪些工作坚持由人来负责

Human Reserved 是整篇文章最有辨识度的概念。它借用了自然保护区的逻辑：一块地能修路，不等于应该修路；一个岗位能自动化，也不等于社会必须允许自动化。

盖茨用照护父亲的经历说明这种价值。照护者能从细微反应判断老人是否饥饿，能在表达困难时维持信任。类似问题也出现在重大医疗告知、教育和心理健康服务里。机器可能给出正确内容，人类仍需要承担关系、责任和后果。

Human Reserved 不能变成一张永久职业白名单。它更像四项测试：失去人类关系会造成多大损失；出错时是否必须由可追责的人负责；受影响劳动者能否在合理时间内转岗；当地是否本来就缺少劳动力。

四项测试会产生三种结果。高关系价值和高责任场景应由人主导；技术可以扩展人的能力，但不接管最终关系。转岗困难、地区差异明显的行业适合渐进混合。劳动力严重短缺、关系价值较低、错误可逆的任务，可以更积极采用自动化。

日本老龄化社会可能欢迎照护机器人补足人手，劳动力充足的地区可能更愿意保留人类照护。这种差异正说明边界必须由公开过程按地点和时间调整。真正困难的问题仍在后面：谁有权划线，企业怎样合规，跨国贸易如何处理不同标准。Human Reserved 提供了判断对象，还没有提供执行制度。

第三场选择：让自动化收益为转型成本买单

现行税制通常对雇人收取工资税，对购置机器却允许企业抵扣投资。企业比较人和机器时，税制已经在替自动化加一枚砝码。

如果更多任务转向 AI 和机器人，政府可能同时遇到两股压力：工资与工资税基收缩，再培训、失业援助和地方经济修复的支出上升。盖茨因此再次主张对 AI token 和机器人征税，让自动化收益承担一部分转型成本，并稍微减缓企业从人力撤出的速度。

这项主张抓住了真实的财政矛盾，离税法还很远。token 是计算单位，也可能跨模型、跨任务和跨境流动；机器人可以折旧、租赁或嵌入服务；医疗、教育等公共收益用途是否豁免，会直接制造分类和规避空间。税收过粗会压制有益采用，过窄又收不到钱。

因此，最值得保留的原则是“税制不要单向鼓励替代”，并把收入明确绑定到受冲击工人、工时和工资下降者以及损失集中的社区。具体税基可以讨论 token、算力、资本收益、超额利润或自动化设备；文章没有证明哪一个最好。

最值得采用的是问题框架，最需警惕的是预测确定性

这篇长文最强的地方，是把 AI 公平从善意口号变成三类制度对象：

1. 决策权：谁能跨部门、跨国界管理转型，让每个机构不再只看自己的小块。
2. 价值边界：哪些关系、责任和尊严不能只按成本效率定价。
3. 资金来源：自动化减少劳动需求时，谁为再培训、安全网和受冲击社区买单。

最弱的地方，是把一些高不确定预测说得过于坚决。AI 是否会在十年内造成跨行业净就业锐减，模型何时能接近无错并长期自主工作，灵巧机器人何时在建筑和酒店业形成价格竞争，这些都没有被当前证据证明。Stanford 的青年就业差距值得盯紧，ILO 的任务分析也提醒我们，大多数岗位更可能先被重组。

政策不需要等到每个预测都变成事实。跨部门监测、儿童护栏、再培训资金和责任制度都可以提前建设。提前准备也不等于接受一条确定的失业时间线。最稳健的路线，是把三项制度选择现在就摆上桌面，同时持续更新就业、福祉、教育和安全数据。

盖茨把问题留给了政府、企业、学校、社区和普通人：AI 带来的能力究竟由谁得到，转型成本究竟由谁承担，人类又愿意为哪些关系保留位置。未来十年的关键变化，很可能就藏在这三道选择里。