RF-JP-00101
社会与系统 · 基础设施
日本2040
哪些工作将无人承担？AI能现实地补上多少？
逐个行业描绘日本的劳动力缺口——从护理到基础设施维护再到地区服务——并建模分析AI带来的生产率提升能在多大程度上弥补缺口。
如何检验
衡量指标
按行业计算的AI劳动抵消率。
所需证据
注明日期的公共统计数据、透明的情景设定和敏感性分析。
研究标准
提出明确的问题。
→使其可检验。
→展示证据。
01 / 问题
到2040年，日本可能短缺
超过1100万名劳动者。
劳动者消失了，工作却不会消失。道路仍需维护，患者仍需照护，小企业仍需结账。
2040年缺口最大的领域
按职业划分的预计短缺占劳动需求的比例
来源：Recruit Works Institute（リクルートワークス研究所），「未来予測2040 労働供給制約社会がやってくる」 （2023年3月）。该预测假设经济几乎零增长；若经济增长，劳动需求和短缺可能会更大。
查看各职业数据
| 职业 | 短缺人数（万人） | 占需求比例（%） |
|---|---|---|
| 护理服务 | 58.0 | 25.3 |
| 商品销售 | 108.9 | 24.8 |
| 运输·机械操作·搬运 | 99.8 | 24.2 |
| 建筑 | 65.7 | 22.0 |
| 医疗保健专业人员 | 81.6 | 17.5 |
| 餐饮服务 | 56.6 | 15.1 |
| 生产制造 | 112.4 | 13.3 |
| 办公·技术·专业人员 | 156.6 | 6.8 |
办公、技术和专业人员的短缺绝对数最大，但占需求的比例最小；报告认为该领域的供需大致平衡。
02 / 我们的工作假设
当AI提升社会实际的承载能力时，
它的价值最大。
基准分数是手段，而不是目标。对于每个项目，我们都会问：这个系统能可靠地承担多少原本无人去做的实际工作？我们又如何知道？
JAPAN 2040 · 核心指标
AI劳动抵消率（AI Labor Offset Ratio） = AI带来的劳动当量增益 ÷ 预计的劳动力损失
03 / 四个研究方向
AI能在哪里发挥作用。
证据必须说明什么。
每个方向都从一个实际问题出发，并在提出任何主张之前，先说明什么才算证据。
阅读完整研究计划RF-JP-00202
社会与系统 · 物理AI
面向劳动力短缺的机器人技术
机器人能承担哪些体力工作？什么时候使用机器人才划算？
依托日本在机器人和精密工程方面的优势，找出哪些任务可以部署、机器人基础模型在哪些场景胜过固定自动化，以及机器人在哪里能够收回成本。
如何检验
衡量指标
物理AI可部署性指数（Physical AI Deployability Index）以及各行业的投资回报阈值。
所需证据
任务分类体系、在限定条件下可重复的测试，以及对照职位空缺和服务中断成本的总拥有成本分析。
RF-JP-00303
社会与系统 · 自主组织
自主运营的中小企业
小企业能否在不为每项职能单独招人的情况下，保持所有业务正常运转？
AI智能体作为中小企业额外的运营能力层——涵盖会计、人力资源、采购、客户支持和合规——并设有从只读到自主执行的五级权限。
如何检验
衡量指标
工作流程完成率、人工审核负担和错误恢复能力。
所需证据
可追溯的决策、清晰的权限边界，以及与现有工作流程的对比。
RF-LIFE-00104
科学 · 细胞衰老
细胞年轻化
AI能否帮助我们理解细胞如何衰老，让人们更长久地保持健康和独立？
关于细胞衰老的计算研究——涵盖细胞衰老、iPS细胞、部分重编程和蛋白质设计——仅使用公开数据和已发表的研究。
如何检验
衡量指标
在公开衰老数据集上的可重复性，以及在未参与训练的数据上的稳健性。
所需证据
数据集来源、数据泄漏控制和独立实验室验证。
计算性、探索性研究。不主张任何治疗或延寿效果。
RF-SAFETY-001
基础 · AI安全
以评估衡量的AI安全
能否让使用工具的AI智能体始终处于批准的范围内？能否用证据而非假设来证明这一点？
一项支撑上述所有方向的研究：在AI智能体承担运营工作之前，对其进行对抗性测试、提示注入防护、最小权限工具使用以及独立监控。
衡量指标
自适应红队测试下的攻击成功率、在固定误报率下的监控召回率，以及受独立检查覆盖的关键智能体行为比例。
所需证据
固定的场景与基线、防止评估被钻空子的检查，以及将每项主张与其测试关联起来的可追溯记录。
研究进行中。在发布注明日期的评估报告之前，不作任何安全性主张。
阅读研究方向04 / 我们的立场
为现实世界的约束
而设计。
01 / 小模型
从受限系统中获得更多能力。
养老机构、地区服务和小企业不会运行前沿规模的模型。我们研究小模型在有限的数据、算力和人员条件下能发挥多大能力，以及它们究竟在哪里失效。
02 / 运营推理
先有证据，再采取行动。
在受控场景中研究基于证据的事件分诊、依据操作手册的决策以及严谨的失败分析。
03 / 可靠性
知道何时停下。
运营工作承受不起自信的错误。我们构建的推理会引用来源、说明不确定性，并在证据不足以支持结论时止步。
- 01
提出问题
定义任务、约束条件以及成功的标准。
- 02
设定公平的基线
固定测试、数据版本和资源，使每个结果都在同等条件下比较。
- 03
测试、检查、重复
在报告进展的同时，也报告退步和失败模式。
- 04
分享经得起检验的结果
发布注明日期的结果，并完整保留其不确定性和局限性。
06 / 我们的现状
处于早期、保持独立，
并对两者都坦诚相告。
关于
创始人：Arnel Perez Posadas
Reasoning Frontier 是一项独立的研究实践，涵盖AI推理、评估、运营可靠性、产业转型和AI辅助科学。目前的工作包括公开的研究方向、原型和受控测试。注明日期、可复现的结果将在完成后于此发布。
在此之前，本网站上的任何内容都不构成生产环境、信息安全、医疗、安全性或投资表现方面的证据。
联系
研究与业务咨询
在专用公开联系渠道核实后，我们将在此提供联系方式。