AI时代的劳动力市场，还能正常运转吗？|专场招聘会|劳动力市场|求职

AI正在降低求职者搜索岗位、撰写简历、定制求职信和批量投递的成本。但申请更容易，并不意味着企业更容易发现合适的人。当大量申请材料都可以由AI快速生成，材料中的个体信息可能变得不那么可靠；企业于是可能更依赖工作经验等粗粒度指标。对有经验的人，这未必是坏消息；对没有经验、却真正适合岗位的人，问题就严重得多。

本文编译自斯坦福大学与康奈尔大学的四位研究者的论文——《劳动力市场能在人工智能时代运转吗？招聘中的评估瓶颈》（初稿，作者：伊泰·阿什拉吉、拉梅什·乔哈里、乔恩·克莱因伯格、阿努什卡·穆尔蒂，发布日期2026年9月25日），四人的学术背景横跨市场设计、算法、平台经济学和社会资源匹配，他们关注的不只是AI能否完成工作，更是AI改变信息与激励之后，招聘市场是否仍能有效发现人才。

头图来自：AI生成

申请门槛下降，评估门槛却可能上升

AI辅助求职工具越来越普及：求职者可以更快寻找岗位、针对职位要求调整简历和求职信，并以更低成本提交更多申请。但申请材料更容易生成，也可能使材料更难反映求职者与岗位的真实匹配程度。本文研究一个招聘市场模型：求职者在工作经验和潜在岗位匹配质量上存在差异，企业依据带有噪声的申请材料决定对谁进行进一步评估。

研究发现，随着AI使用程度提高、申请材料的信息含量下降，企业会理性地减少对个体材料信号的依赖，转而更多依靠工作经验等可观察特征。四类求职者中，"没有经验、但与岗位匹配"的人受到的影响尤其大，因为他们缺乏可观察的经验优势，又失去了原本能够证明自身能力的个体化信息。

当进一步评估需要付出成本时，企业的最优决策还可能与社会整体利益不一致：企业可能一个人也不评估，或者只评估有经验的候选人，即使其中存在值得进一步评估的新人。作者随后研究多阶段招聘，发现如果企业能够先进行成本较低、但能提供额外匹配信息的中间评估，再决定是否进行昂贵的完整评估，就可能重新打开原本关闭的筛选通道。

论文的核心不是断言AI已经造成大规模失业，而是指出：AI可能把招聘市场的主要摩擦，从"能不能提交申请"转移到"能不能获得可信的能力评估"。

一、问题从哪里来：求职更方便，招聘却未必更有效

AI辅助求职工具正在普及。求职者可以使用AI撰写简历和求职信、根据不同空缺定制申请材料、跨平台搜索岗位，并大规模提交申请。理论上，这些工具减少了求职者进入申请池的时间和精力成本。但求职者和雇主的体验并没有因此同步改善。论文引述的媒体报道和研究描述了两种并存的现象：求职者投出大量申请，却很少收到回复；企业则面对数量不断增加、表达方式越来越相似、真实内容又难以核实的材料。

这引发一种担忧：如果企业无法再从申请材料中识别个人差异，招聘可能重新依赖知名雇主背景、既有工作经历和人脉推荐，而不是让更多人通过申请材料展示自身能力。这个问题对刚进入劳动力市场的人尤其突出，因为他们往往还没有工作经历可供证明。

论文把这一矛盾概括为：AI可以让劳动者更容易进入申请池，却不一定让企业更容易判断谁才是合适人选。若广泛使用AI让书面申请失去一部分个体信息，招聘中的关键瓶颈就可能从"提交申请"变成"产生可信、个体化的匹配证据"。

二、这篇论文与既有研究的关系

作者把研究放在三条文献脉络中。第一条是AI、信号传递与劳动力市场筛选。传统经济学研究关注求职者如何通过学历、简历和求职信向雇主传递信息；近期研究则开始检验生成式AI如何改变这些信号。论文引用的研究包括：Galdin和Silbert发现，在大语言模型普及之前，定制化申请材料能够预测招聘结果；之后，这类材料的预测价值下降。

Cui、Dias和Ye对AI辅助求职信工具的研究发现，AI提高了材料定制程度和回访机会，但定制程度对于候选人适配度的预测能力下降，雇主可能转而更依赖过去的工作经历。Cowgill等人的研究则表明，求职者一侧使用生成式AI可能降低筛选准确性，具体影响取决于AI改变了不同类型申请者信息的相对含量。

第二条是定向求职、顺序搜索和匹配市场研究。既有研究分析求职者申请成本、申请拥堵、企业筛选成本如何影响劳动力市场。本文进一步强调，企业决定是否评估候选人时所依赖的信号本身，也可能因为AI普及而变得不可靠。

第三条是统计性歧视与人才发现。企业无法直接观察求职者的真实生产能力时，可能合理地依据与平均生产率相关的可观察特征作判断。申请材料越不可靠，企业越可能依赖经验群体的先验概率；而高匹配度的无经验候选人，恰恰会失去原本能够帮助他们克服经验劣势的个人化证据。

三、企业看不到真实匹配度，只能依据线索判断

作者研究一家有一个空缺岗位的企业，以及n名潜在求职者。每位求职者有两个关键特征：可观察的工作经验，以及企业在评估前无法直接观察的潜在岗位匹配质量。

模型把"匹配"定义为潜在匹配质量达到零或以上。企业只有在进一步筛选后才能完全揭示这一质量，并且必须先筛选才能录用。若企业录用一名匹配的候选人，企业获得收益vF，求职者获得收益vA；若没有成功匹配，就不会产生这部分匹配剩余。

作者用参数q表示AI普及或饱和程度，q介于0和1之间。q不是现实中直接观测到的AI采用率，而是模型中的外生参数，用来表示AI影响招聘市场的程度。模型假设，随着q提高，申请材料中的噪声方差上升，意味着材料对真实匹配质量的反映变弱；求职者的申请成本下降；企业识别合适候选人的有效筛选成本上升。

这三项是模型的关键假设，而不是对所有现实行业的普遍事实判断。AI确实可能降低写材料和投递的时间成本；但AI也可能帮助企业处理申请、降低筛选成本。本文专门研究的是另一种情形：当申请材料变得更同质、更难核实，企业识别真实匹配度的有效成本反而上升时，会发生什么。

求职者在申请前知道自己是否有经验，也知道自己申请所需的个人成本，但不知道自己的潜在匹配质量。申请者支付相应成本后提交申请；申请材料生成一个带噪声的信号。企业观察到候选人的经验和申请材料，再根据两者推断候选人适合岗位的概率，并决定是否花费成本进行进一步筛选。筛选会揭示候选人的潜在匹配质量。企业按后验匹配概率从高到低依次筛选，直到找到合适人选，或者没有候选人达到筛选标准。

四、第一项核心发现：材料越不可靠，企业越依赖工作经验

企业并不能直接看到候选人是否适合岗位，只能依据已知经验和申请材料更新判断。作者用贝叶斯方法描述这一过程。对企业来说，工作经验形成一个初始判断，申请材料则提供额外证据。

模型设定有经验候选人的平均潜在匹配质量高于无经验候选人。这里的意思是，在模型的统计先验中，有经验群体的平均岗位匹配程度更高；它不意味着每一个有经验者都比每一个新人优秀。

当申请材料比较可靠时，企业可以较大程度地依据个人材料调整对候选人的判断。比如，无经验候选人的材料若呈现出很强的正面信号，就有机会弥补经验群体平均值较低的劣势。

但随着AI饱和程度提高，材料信号的噪声变大。贝叶斯更新会自动降低材料的权重，提高经验先验的权重。用论文的符号表示，企业对潜在匹配质量的后验均值可以写成：

其中，mᵢ代表申请材料给出的信号，μₑᵢ代表相应经验群体的平均匹配质量，κ(q)代表企业给申请材料的权重。随着材料噪声增加，κ(q)下降，企业就会更重视经验先验。

作者把这一变化称为"向经验重新加权"（Bayesian reweighting toward experience）。它与统计性歧视研究中的机制相似：当个体信号不够可靠时，决策者会更多依据群体平均信息来判断个人。这里的群体特征是工作经验，而不是种族、性别等其他身份特征。

这一机制并不要求企业有意歧视新人。恰恰相反，企业的决策在模型中是贝叶斯意义上的理性选择：当个人材料不再提供可靠信息，更多依赖经验是对信息环境变化的回应。问题在于，这种对企业而言合理的策略，会对不同类型求职者产生不均等影响。

五、第二项核心发现：四类候选人中，无经验但匹配者受冲击最大

作者接着比较四类候选人的平均后验分数如何变化。结果的排序十分明确：随着AI饱和度提高，无经验且匹配者的平均分数下降幅度最大；有经验且匹配者的分数也下降，但幅度较小；不匹配候选人的平均分数则可能上升，因为企业减少了对个体材料的依赖，更多向经验群体的平均值回归。

为什么不匹配候选人的平均分数也可能上升？这里说的是企业的平均评估分数，并不是他们真的变得更有能力。对于某一经验群体，真实匹配者的潜在质量平均高于群体均值，不匹配者则低于群体均值。材料权重下降后，前者失去部分有利的个人信号，后者则不再受到负面个体信号那么大的影响，分数都向经验群体的均值靠拢。

在真正匹配岗位的人中，无经验者受到的影响更大，因为他们没有较高的经验先验为自己托底。原本能够证明他们适合岗位的个体化材料，一旦失去信息价值，他们就更难抵消经验上的劣势。

作者还分析了候选人能否跨过企业的筛选门槛。材料越有信息量，真实匹配的候选人越容易获得较高的后验分数；材料变得更嘈杂后，匹配者跨过固定门槛的概率会下降，不匹配者跨过门槛的概率则可能上升。与此同时，无经验候选人需要跨越的相对门槛比有经验候选人更高，而且这种差距会随着材料信息量下降而扩大。

因此，无经验且匹配者同时遭遇两种不利变化：作为真正适合岗位的人，他们会受到个体信号变差的影响；作为没有经验的人，他们又需要克服更不利的经验先验。论文把这视为AI可能在劳动力市场入口处形成新障碍的机制。

六、第三项核心发现：企业的理性筛选，可能造成社会层面的市场失灵

前面的分析解释了为什么无经验但匹配者更难进入筛选名单。接下来，作者进一步问：即使企业的筛选决策对企业自身是最优的，它是否也一定是社会整体最优的？答案是否定的。

企业每筛选一名候选人，都要支付成本cs。企业从成功匹配中获得vF，因此只会在候选人适合岗位的后验概率足够高时才愿意筛选。企业的私人筛选门槛为pF = cs / vF。候选人的后验匹配概率达到或超过这一门槛，企业才认为筛选在经济上值得。

但成功匹配的收益并不只属于企业。求职者也获得vA。若从社会总剩余的角度计算，一次成功匹配带来的总收益是vF + vA。社会规划者的筛选门槛因此是pP = cs / (vF + vA)，低于企业自己的门槛pF。

这意味着存在一个区间：候选人的匹配概率足够高，从社会整体角度看值得花成本进行筛选，但又没有高到让企业愿意独自承担筛选成本。处于这个区间的候选人会被企业拒绝，却可能值得社会进一步评估。随着模型中的有效筛选成本上升，私人门槛与社会门槛之间的差距扩大。

作者据此刻画了两类筛选失败。第一类是"无人筛选"：如果申请池中最有希望的候选人，其后验匹配概率仍低于企业的私人门槛，但高于社会门槛，那么企业会决定不筛选任何人；社会规划者却会认为至少应该筛选最有希望的那个人。

第二类是"无经验匹配者筛选失败"：如果无经验且实际匹配的候选人中，最高后验匹配概率低于企业门槛，却高于社会门槛，那么企业不会筛选任何一个这类新人，但从社会总剩余看，至少有一位值得被评估。

这里的"社会规划者"是经济学模型中用于比较效率的基准，并非现实中某个政府部门或实际招聘决策者。论文所说的市场失灵，也不是指现实中所有企业都会停止招聘，而是指在模型给定的成本和信息条件下，企业的私人最优选择可能导致社会总收益更低的筛选结果。

作者进一步研究了材料信息量趋近于零的高AI极限情形。随着申请材料越来越无法揭示个体差异，企业对每个候选人的后验判断会收敛到其经验群体的先验匹配概率。也就是说，企业几乎无法从材料中分辨同一经验群体内谁真正适合岗位。

在论文给定的条件下，这种后验"归并"会使两类筛选失败变得系统性：企业可能一个人也不筛选，或者继续筛选有经验者，却排除所有无经验但实际匹配的候选人。作者的结论是：在特定高噪声序列和阈值关系成立时，这些事件发生的概率可以趋近于1。它是有明确条件的理论极限结果，不能解释为现实招聘中相同情况的发生率。

七、第四项核心发现：招聘不必只靠一次筛选，多阶段评估可能重新打开机会

在论文的最后一个主要分析部分，作者研究企业是否会改变招聘流程，以应对AI让申请材料变得不可靠的问题。关键想法是：企业不必只依靠简历作出"直接完整评估"或"直接淘汰"的二选一决定。它可以增加一个成本较低的中间评估环节。

作者将这种流程称为多阶段招聘。中间评估可以理解为工作样本任务、现场技能测试或结构化的初步面试。它不必一次性完成对候选人的全面判断，而是以相对较低的成本提供一条新的、与个人能力有关的信息。只有在这一阶段结果积极时，企业才进一步支付更高成本，进行完整筛选。

在模型中，作者先说明一个基本事实：企业只要愿意，始终可以选择不使用中间评估，继续执行原来的单阶段招聘。因此，允许多阶段招聘不会让企业的最优预期收益变差。真正需要证明的是，在什么条件下，中间评估能严格提高企业收益，并且使原本被拒绝的候选人重新获得机会。

为此，论文具体分析一种二元中间信号：结果分为有利的H和不利的L。对每个经验群体，匹配候选人得到H的概率τₑ高于不匹配候选人得到H的概率ℓₑ。也就是说，这个测试不是完美的，但它确实能提供关于岗位匹配度的新信息。

测试后，若结果有利，企业对候选人的匹配概率会上升；若结果不利，匹配概率会下降。对于原本低于完整筛选门槛的候选人，企业会比较两种选择：直接放弃，还是先付出较低的评估成本，看看是否有机会获得足够有利的新信息。

论文推导出一个中间评估门槛。对于某一经验群体，如果候选人的原始后验匹配概率低于完整筛选门槛、但又高于中间评估门槛，而且候选人是企业当下唯一剩余选项，那么企业会愿意先进行中间评估；若测试结果为H，再进入完整筛选。若结果为L，则停止继续评估。

需要注意，这个简单规则针对的是企业空缺仍在、且候选人是唯一剩余选项的延续决策。论文没有声称在所有候选人同时存在时，企业都应该机械地按同一门槛安排测试。多个候选人同时存在时，最优的评估顺序还取决于其他候选人的情况和后续选择价值。

在中间评估成本足够低、测试具有足够信息价值、并且至少有一类经验群体以正概率申请等条件成立时，作者证明，企业事前严格偏好多阶段招聘，并且任何事前最优的多阶段政策都会以正概率使用中间评估。原因是新增信息在支付成本前不会降低企业的最优预期收益：企业可以利用有利结果继续筛选，也可以在不利结果后停止。

多阶段招聘还可以缓解前文的两类筛选失败。若单阶段流程导致无人筛选，只要有候选人处于社会上值得筛选、且企业愿意先评估的区间，多阶段流程就可能恢复进一步筛选。若单阶段流程排除了无经验但匹配的候选人，中间评估也可能为他们提供一条新的路径：先通过低成本测试证明一些匹配信号，再争取进入完整评估。

作者进一步定义了无经验且匹配候选人中，处于"中间评估门槛与完整筛选门槛之间"的比例。在中间评估门槛低于完整筛选门槛时，由于模型假设的正态材料信号具有完整支持，这一比例为正；也就是说，存在一部分新人在单阶段流程中会被拒绝，但在多阶段流程中拥有正概率进入后续筛选。

在更严格的高AI极限条件下，如果无经验群体的先验匹配概率始终高于中间评估门槛、低于单阶段筛选门槛，那么当申请材料越来越不具信息量时，几乎所有提交申请的无经验且匹配者，都可能从多阶段招聘中获得正的录用概率增益。这里的"几乎所有"同样是模型在指定条件下的极限结论，不是对现实人群的直接统计预测。

八、这项研究对企业招聘意味着什么

这个研究并不是简单主张企业应该放宽录用标准，也不是要求所有候选人都参加更多轮测试。它指出，若初始申请材料变得不可靠，企业需要思考怎样以合理成本获得新的、与岗位相关的证据。

第一，企业不能把"申请材料更精美"误当成"候选人能力更强"。当AI广泛参与材料生成时，文字质量、岗位关键词匹配程度和申请信的个性化表达，可能不再具有过去同样的区分度。

第二，经验仍然可以是有价值的信息，但不能成为唯一的入口。经验通常与技能有关，却不是技能本身。对于初级岗位，如果企业只依赖经验，就可能错过那些尚未获得机会、但有潜力胜任工作的候选人。

第三，中间评估要真正提供新信息。若所谓技能测试同样可以轻易由AI代做，或与实际岗位无关，它就不能解决论文讨论的评估瓶颈。测试设计需要与工作任务相关，并且应当控制候选人投入的时间和成本。

第四，招聘流程也有公平和合规问题。工作样本测试不应成为要求求职者免费完成实际商业项目的借口；初步面试和技能测试也应当尽可能标准化，减少评估者的主观偏差。（后两点属于根据论文机制作出的现实管理建议，而非论文直接检验过的政策结论）

九、AI改变的不只是求职效率，还有人才被发现的方式

本文研究AI辅助求职如何改变招聘市场，不仅关注申请数量，也关注企业能够从申请材料中推断出什么。模型表明，当申请材料的信息含量下降，企业会更多依赖工作经验。无经验但实际匹配岗位的候选人尤其容易受到影响，因为他们失去的正是原本可以弥补经验不足的个体化证据。

企业筛选也可能在私人收益和社会收益之间出现落差。企业只考虑自己从成功招聘中获得的收益，而没有把求职者的匹配收益完全纳入决策，因此可能拒绝一些从社会总剩余角度看值得进一步评估的候选人。在高噪声极限下，模型中的筛选失败可以变得系统性。

多阶段招聘提供了一条可能的应对路径：以相对低成本的中间评估获取额外信息，再决定是否进入昂贵的完整筛选。在条件合适时，这种流程既可以提高企业收益，也能为一些在单阶段流程中被拒绝的无经验匹配者创造正概率的后续机会。

因此，申请变容易并不等于就业机会自然变多。AI时代的招聘制度需要关注的不只是求职者能否进入申请池，还包括他们能否获得一次可信的评估。

十、延伸思考：当所有企业都要"有经验的人"，谁来培养下一代劳动者？

1. "需要经验"可能正在变成一种进入职场的门票

许多应届生熟悉这样的招聘要求：岗位名义上面向新人，职责却要求能够独立完成项目，最好还有相关行业经验。对企业而言，这种要求并非毫无道理。培训需要时间，初级员工也会犯错；在预算紧、业务压力大的情况下，招聘一个能够快速上手的人显得更稳妥。

但如果越来越多企业都只购买已经形成的能力，年轻人就会遇到一个循环：企业要求经验，经验却只能通过工作获得。过去，初级岗位除了完成基础工作，也承担着人才培养的功能。新人从资料整理、简单任务和有限责任开始，逐渐建立对业务的理解。

AI能够承担部分基础任务后，这条成长路径可能发生变化。企业未必会立刻取消初级岗位，却可能要求新人入职时就拥有更高的独立性。需要谨慎的是，AI也可能让新人更快学习、让小团队承担更复杂的工作，并创造新的岗位。真正需要观察的是：不同企业的初级岗位数量、招聘要求、培训投入和新人留任情况究竟如何变化。

2. AI让求职更平等了吗？答案可能没有那么简单

AI确实降低了求职材料制作的门槛。一个不擅长写作、缺少职业指导的毕业生，可以借助AI更清楚地表达自己的经历，也能更高效地准备面试。但如果所有人的简历都变得专业，企业就可能重新寻找其他区分标准：实习经历、知名雇主背景、推荐关系、项目成果，或者昂贵的证书。

它们有时能够提供真实信息，却也可能受到学校资源、家庭经济条件、城市机会和人脉差异的影响。这意味着，AI未必简单地让招聘更公平或更不公平。它可能削弱一种旧信号，同时让其他信号变得更重要。关键是企业是否有办法直接评估与工作相关的能力，而不是只看候选人是否已经拥有一份漂亮的履历。

3. 最令人担心的，可能不是岗位立刻消失，而是企业不再愿意培养新人

讨论AI就业时，人们最常问的是哪些职业会被替代。但对刚毕业的人来说，另一个更现实的问题是：岗位仍然存在，企业却越来越不愿意给没有经验的人机会。一家企业仍然需要程序员，却希望新人已经做过大型项目；仍然需要市场人员，却希望候选人入职后立即独立负责业务；仍然需要内容编辑，却希望新人已经具备成熟的选题判断。单看每一条要求，都有其合理性。

问题在于，如果企业整体上都不愿意承担培养成本，几年后又从哪里获得下一批经验丰富的人？人才经验不是凭空产生的。今天有多年经验的员工，也曾经是需要指导的新手。若企业只购买已经形成的能力，却很少投资于能力的形成，短期看似节省了培训成本，长期却可能削弱人才供给。这不是论文已经验证的现实趋势，而是值得进一步调查的产业问题。可以通过企业培训预算、校招人数、初级岗位比例、应届生留任率和内部晋升数据来检验。

4. 未来招聘最稀缺的，可能是可信的能力证据

论文最有启发的地方，是它没有把答案停留在"年轻人要学会用AI"。它追问的是：当申请材料不再足以证明能力，招聘制度应该如何调整？对企业来说，答案可能是设计与岗位直接相关、成本可控的工作样本测试、结构化面试和分阶段评估；对教育机构来说，可能是帮助学生积累可验证的真实项目经验；对公共就业政策来说，则需要关注缺乏经验的人是否有机会进入岗位，而不只是统计创造了多少岗位。

这些方法并非没有风险。测试可能被AI代做，也可能变成让求职者免费提供劳动的手段；结构化面试也需要避免把文化背景、表达风格等与岗位无关的因素误当成能力。真正有效的评估，应当提供新的岗位相关信息，而不是再制造一道形式上的门槛。

5. 劳动力市场需要的不只是更高效的申请工具

AI可以让求职者更容易找到岗位、写出材料和准备面试，但这些工具解决的主要是申请端的效率问题。就业市场最终能否正常运转，还取决于企业是否愿意评估候选人、是否有合适的岗位，以及劳动者能否通过工作积累技能和经验。如果未来AI让申请数量增长得比企业评估能力更快，求职者可能会投出更多简历，却获得更少有效反馈。

若企业又以经验作为最便捷的筛选依据，缺乏经验的年轻人就可能陷入更难进入第一份工作的处境。因此，真正值得追踪的指标，不只是AI使用率或岗位自动化率，还包括申请与面试转化率、初级岗位数量、企业培训投入、候选人评估方式，以及新人从入职到独立承担工作的时间。当每个人都能用AI写出一份漂亮简历，真正稀缺的也许不是更好的申请材料，而是一次能够让人证明自己、并获得第一段真实工作经验的机会。

编译说明：

1. 原论文标题为 Can Labor Markets Function in the Age of AI? The Evaluation Bottleneck in Hiring，作者为 Itai Ashlagi、Ramesh Johari、Jon Kleinberg、Anushka Murthy。文件版本为 arXiv:2609.30058v1，标注为 preliminary draft（初步稿，欢迎评论），提交日期为2026年9月24日，文内日期为2026年9月25日。

2. 为方便理解，本文将原论文中的公式证明和附录中的逐步数学推导转化为文字解释，并未逐行翻译每一条证明。

3. 论文模型的关键假设包括：有经验群体平均匹配质量更高；AI饱和度上升会降低申请材料的信息量、降低申请成本并提高企业有效筛选成本；求职者在申请前不知道自己的潜在匹配质量；企业必须先筛选才能录用。以上是模型设定，不应误写为现实世界已经被证明的普遍规律。

4. 文中"概率趋近于1""几乎所有候选人受益"等结论，只在论文明确给出的高噪声极限与阈值条件下成立，不能解释为现实中对应比例的失业、拒绝或受益。

5. 延伸思考部分是编辑分析，不是论文作者的观点或实证发现。

原始论文与参考链接

原始论文（arXiv摘要页）：https://arxiv.org/abs/2609.30058

主要引用研究之一：Cui, Jingyi; Dias, Gabriel; Ye, Justin. "Signaling in the Age of AI: Evidence from Cover Letters." https://arxiv.org/abs/2509.25054

主要引用研究之一：Galdin, Anaïs; Silbert, Jesse. "Making Talk Cheap: Generative AI and Labor Market Signaling." https://arxiv.org/abs/2511.08785

作者简介：

Itai Ashlagi（伊泰·阿什拉吉）是斯坦福大学管理科学与工程系教授、斯坦福经济政策研究所高级研究员，并兼任经济学教授。他主要研究博弈论、市场设计与匹配机制，曾将相关研究应用于肾脏移植配对系统；此前任教于麻省理工学院斯隆管理学院，并在哈佛商学院从事博士后研究。

Ramesh Johari（拉梅什·乔哈里）是斯坦福大学管理科学与工程系教授、斯坦福以人为本人工智能研究院（HAI）高级研究员。他主要研究在线平台的经济分析与运行机制，以及搜索、推荐、匹配和定价算法；拥有麻省理工学院电子工程与计算机科学博士学位。

Jon Kleinberg（乔恩·克莱因伯格）是康奈尔大学计算机科学与信息科学教授，研究网络、算法、信息系统及其社会影响，是美国国家科学院和国家工程院院士，曾获麦克阿瑟奖。他长期关注算法如何影响人与人之间的联系，以及信息和机会如何在社会中分配。