AI 抢走的饭碗，送回去培训能抢回来吗？Anthropic 经济研究团队8月12日发布的证据综述给出了一个诚实到扫兴的回答：历史上，几乎不能（来源：《工人再培训的效果如何？一项来自 Anthropic 经济研究团队的证据综述》）。
这项研究筛出美国1973年至今56项随机试验、146个影响估计。培训对象主要是低收入成人和青年，去向是护理助手、IT 支持技师、焊工这类岗位。项目平均时长6个月，人均成本约1.3万美元。结果：就业率相对63%的基线提高1.7个百分点，年均收入提高800美元。
年均增收800美元，对着人均1.3万美元的成本——报告的措辞很克制："应被理解为略好于盈亏平衡"。翻译成大白话：勉强没亏，但也没治好什么。
56项试验的冷结论
数字看着小，方法不水。研究只认随机试验和可信自然实验（断点回归、"法官随机化"），把国会图书馆和劳工部图书馆里没上网的旧报告都翻了出来，还去追现已退休的作者。56项之外另收7项欧洲研究和2项法官随机化研究。此前没有任何 meta 分析纳入过这么多美国本土随机研究——为了让机器读得动这些政府仓库里的长篇报告，团队用 Claude 批量提取特征和影响估计。
规模最大的三个联邦项目全都被评估过：1980年代的 JTPA 让低收入成人就业率从约70%的基线提高2.3个百分点、年薪提高约1100美元，对低收入青年无明确收益；著名的 Job Corps 是"向贫困宣战"留下的密集型住宿项目，追踪20年，对就业和收入无影响，只在第3到5年冒出1到2个百分点的短暂水花；它的继任者 WIA 直接返回零结果——挑战出在不依从上，许多被提供培训的人没参加，许多对照组反而自己找到了培训。白宫经济顾问委员会把这些项目概括为"基本无效"（来源：同上综述）。
一个像新冠疫情期间那样迅速行动的政府，第一反应多半就是扩大这三个的某个变体。证据说：别指望。
耐人寻味的是背景：对经济学家和 AI 专家的调查显示，"再培训支持"是应对 AI 失业最受青睐的政策，得票超过加强失业保险和全民基本收入。公众最寄希望的药，恰恰是临床记录最差的那种。
图注：大项目乏力，小项目出色——差别不在预算，在设计。
少数项目做到了十倍
综述里有一簇例外："部门项目"。Year Up、Per Scholas 这类项目把年收入提高5000到10000美元，比平均值高出一个数量级。三个特征：严格筛选申请人（筛掉80%以上）、雇主亲自参与决定教什么、盯着本地技能需求的趋势走。它们的成本反而不高（人均1.16万对1.36万美元），折现收益却是平均项目的四倍多——从政府角度看，靠更高的税收和更低的福利依赖就能收回成本。
报告也写了限制：这类项目只教数月内能传授的技能，不适合需要几年才能重返岗位的高薪专业人士——而按 Anthropic 自己的使用数据推断，AI 冲击下风险最高的恰恰是软件开发者、律师助理、会计这些岗位。且部门项目依赖与雇主多年养出的关系，设立新项目的尝试"常常失败"，仓促扩张"可能只复制了形式却丢掉了精髓"。
最扎心的是报告结尾那句：我们目前是否拥有能应对这一时刻的项目，值得怀疑。它给出的建议是给最有前景的部门项目做一次"消防演习"式的规模化检验——在真着火之前，先把水管接好测一遍。
盖茨开了另一个方子
几乎同一时间，盖茨发布万字长文，罕见表态"希望 AI 慢一点"。他开了两个方子。
一是机器人税。逻辑很朴素：现在雇主雇人要缴工资税，买机器人却能立即把成本抵扣掉，税制本身在推着企业换人。既然自动化省下了人工成本，那就对机器人征税，用这笔钱做再培训、补社会安全网。
二是划定"人类保留"岗位，明令 AI 不得从事某些工作。理由分两层：经济层，避免整批无法转行的工人被一次性挤出市场；人文层，他的原话是"想象一个机器人告诉你得了不治之症，技术上可行，但不应该发生"（来源：盖茨《希望 AI 慢一点》Gates Notes 长文，2026-08）。他强调这条边界要随时间演化、分阶段引入，不是一刀切冻结技术。
盖茨大体仍站在"AI 收益巨大"一边，对科研和医疗上的前景照常兴奋，支持 Pacing the Frontier 的减速倡议但怀疑它能撑多久。TechCrunch 的点评一针血：这两条若真落地，将明显削减各大 AI 实验室的利润——这正是它们此前从未被认真讨论的原因（来源：TechCrunch，2026-08-26）。培训是事后补救，机器人税是事前改激励，两条路线共同的前提是：都得有人付钱。
图注：一个补人，一个改价。证据说前者难，激励说后者贵。
源势AI观点
劳动力市场的数据比政策口号诚实。《产品经理转FDE：一份6个月的生存手册》（人人都是FDE，2026-06-22）里有一组方向相反的数：纯执行型产品经理岗位在萎缩，FDE（前沿部署工程师）岗位一年从643条暴涨到5330条，同比729%，资深岗位年薪中位数48.5万美元。这不是再培训的胜利，是"在岗长出来的新技能"对"课堂里教的老技能"的胜利——它恰好复现了部门项目的三个特征：市场筛选、雇主定义技能、数月内上手。
我们做企业 AI 落地的体感与此一致：被 AI 改变的人，不是回炉学出来的，是在真实业务里跟着智能体干活干出来的。政策资源与其投给六个月课堂，不如投给"雇主参与、按周迭代"的在岗转化。这条路上，企业本身就是培训机构。
