ChatGPT问世以来，学历的回报少了一点

一个劳动者所掌握的知识分为两类。一部分可以写下来、传授和储存：公式、规则、流程。另一部分是在实践中习得的，始终与人绑定在一起：以论文中的例子来说，个案社工会学会哪些服务对象需要更密切的跟进，外科医生会学会何时组织张力不对，谈判者会学会如何察言观色。生成式AI让第一类知识在需要的那一刻变得廉价而充裕。这对工资意味着什么？

工资单上的两种价格

布宜诺斯艾利斯托尔夸托·迪特拉大学的爱德华多·列维·耶亚蒂（Eduardo Levy Yeyati）、达里奥·尤兹克（Darío Judzik）和胡安·伊格纳西奥·巴尔维耶罗（Juan Ignacio Barbiero）关注两个熟悉的数字：劳动者多受一年教育、多积累一年经验，分别能多挣多少。受教育年限（并不完美地）代表可以写下来的知识；离开学校后的年数则代表通过实践获得的知识。

他们的模型给出两个预测。如果机器提供了写得下来的知识，教育带来的额外工资就应当缩水。如果这类知识与实践判断力搭配起来效果最好，实践就应当变得更有价值——尤其是在职业生涯早期，也就是人们学得最快的时候。但有些经验与这份工作的旧做法绑在一起，可能会贬值，所以到了后期，这一效应可能转为负值。

高暴露的工作，受庇护的工作

检验使用的是美国当前人口调查（Current Population Survey）2018年1月至2026年6月的数据：约65.6万条工资记录。各项工作按照一个在ChatGPT出现之前就已构建的AI暴露度指数排序。暴露度最高的四分之一——软件开发人员、行政助理、会计师、财务经理、大学教师——与暴露度最低的四分之一相比较：卡车司机、仓库搬运工、清洁工、护理助理、服务员。计时从2022年11月ChatGPT公开发布时开始。

在那之前，一年教育在高暴露工作中能让工资提高约7.5%，在受庇护工作中则为1.7%。分析比较的是同一职业内部的劳动者在此之前与此之后的情况，因此它衡量的是教育和经验这些“价格”的变化，而不是平均工资的变化。

一年学校教育，重新定价

在高暴露工作中，相对于受庇护工作，一年教育带来的工资加成下降了0.55个百分点——从约7.5%降至6.9%，降幅约为原值的7%。在受庇护工作中，它保持在1.7%。发布之前没有出现漂移，而断点在最初十二个月内就显现出来。

倾斜的职业生涯

经验的回报并没有整体上移或下移；曲线发生了旋转。对一个已有三年经验的人来说，多一年经验的回报多出0.26个百分点；有十五年经验时大致不变；有二十五年经验时则少0.12个百分点。在作者的主模型中，这一效应在约18年处改变符号；用更灵活的曲线，倾斜依然存在，但这个确切的转折点就不那么确定了。在拥有大学学位的劳动者中，倾斜最为明显。

合计起来，一名在高暴露工作中受过十六年教育、有十五年经验的劳动者，收入比受庇护工作的趋势所预测的低约3.2%。

排除巧合的检验

• 把起始日期移到2020年1月，即疫情开始之时，不会产生任何效应。
• 美国统计自2023年4月起对最高的那些工资设定上限并以不同方式记录；对它们统一采用同一规则处理后，结果几乎不变。
• 去掉同期受科技行业裁员冲击的计算机和数学类工作后，教育回报的下降仍有0.49个百分点。

职业生涯后期的下降是证据中最薄弱的部分：在发布之前，曲线的那一端就已经有些摆动。

不是预测

作者并不声称学位已经失去价值，也不声称毕业生的生产率下降了。他们的结果是高暴露工作内部的一次短期重新定价。教育选择、培训和入门级岗位都会随之调整。他们写道，从长远来看，有一个问题可能最为重要：如果AI把学习过程本身的一部分自动化了，劳动者是否还能习得那些变得更有价值的实践诀窍。