Cohere Research：AI暴露指数究竟衡量什么，为什么这对政策制定者来说还不够

Cohere Research的四位研究人员——Campbell Lund、Thomas Euyang、Zanele Munyikwa和Marzieh Fadaee——于2026年6月10日发布了对劳动市场AI影响评估最具影响力工具之一——所谓暴露指数（AI exposure scores，AES）——的全面批判性分析。该论文附有arXiv预印本。

什么是AI暴露指数？

暴露指数是AI对劳动市场影响讨论的基本工具。出发点是「GPTs are GPTs」框架（Eloundou等，2023年），该框架将职业的暴露程度定义为该职业内大型语言模型（LLM）能够执行或辅助的任务比例。比例越高，该职业就被认为「暴露程度越高」——无论是面临自动化，还是面临AI辅助工作。

这类指数迅速成为政策制定者、经济学家和试图预测AI将改变哪些行业及其程度的媒体的参考基准。

静态指数对政策制定的局限性

作者识别出研究方法论与政策制定者实际需求之间的两个根本性差距。

结构性鸿沟（structural gap）：静态指数衡量的是特定AI系统在特定职业分类法中、在特定时间节点上的表现。这意味着它们在三个维度上都受到内在限制：时间维度（今天有效的，明天可能过时）、地理维度（不同国家的职业分类法不同）和本体论维度（职业中「任务」的定义本身就存在争议且不稳定）。然而，政策制定者需要在所有三个维度上都具有灵活性的指标。

协调性鸿沟（coordination gap）：研究界已开发出更先进的、能够解决上述局限的方法论——但这些方法论停留在学术圈内。与此同时，政策制定者仍在引用过时的静态指数，因为他们并不了解更新的方法。结果是可用方法论与实际应用之间存在系统性差距。

五个新方法论方向

作者梳理了学术界正在开发、但尚未进入政策制定标准实践的五个新方法论方向：

1. 动态和基准驱动的指标——随AI系统进步追踪暴露程度随时间的变化，而非单一静态评估。
2. 集成方法——结合多种不同模型和评估方法，以减少单一系统的偏差。
3. 任务框架扩展（task-framework extensions）——更好地映射工人实际做什么，而非依赖标准化的职业分类。
4. 以工人为中心的指标（worker-centered metrics）——从工人自身的视角而非抽象的「任务」视角衡量AI影响。
5. 实际使用和采用数据（adoption data）——使用AI在工作场所实际如何及多大程度被使用的实证数据，而非理论估算。

共同责任：研究人员与政策制定者

研究强调，弥合两个鸿沟的责任是共同的。

对于政策制定者，作者建议：扩大证据基础，依赖多种类型的指标；将工人纳入认识论伙伴（epistemic partners）——直接拥有与其工作条件相关经验和知识的人；并将重点从预测转向准备（preparedness）。与其问「哪些职业会消失？」，更相关的问题是：如何现在就为劳动力应对不确定的变化做好准备？

对于研究人员，建议是互补的：从一开始就构建旨在回应政策需求的数据基础设施，并采用连接经济学、社会学、计算机科学和公共政策研究的跨学科方法。

更广泛的背景

Cohere Research的这项研究发布之际，欧盟及其他地区正在围绕AI监管及其对劳动市场影响展开广泛讨论。Eloundou等（2023年）的静态指数已几乎成为此类讨论的标准分析输入——这也正是此类方法论批判在此时显得尤为及时的原因。

如果没有更坚实的方法论基础，政策制定就会建立在过度简化现实的指标上：这些指标不考虑变化的速度、不同国家劳动市场的差异，也不考虑生活受到影响的工人自身的视角。这项研究提出了一个具体的改进议程。