摘要
AI對就業市場的潛在影響引發了熱烈的讨論。一些研究者預告AI将帶來大規模失業，但也有聲音認為AI帶來的經濟繁榮将創造新的就業。讨論AI的終極影響難免陷入科幻想象，但如果将問題明确為AI在可預見的未來（比如10年）對就業的影響，則經濟學分析仍可以提供有價值的線索。
盡管AI在某些領域展現出超越常人的能力，但現有AI技術路線仍難以超越人類智能上限，也并未否定人類智能的價值和所需承擔的責任。在進一步的颠覆性技術突破之前，AI與人類智能的差異性和互補性意味着二者存在協作的空間。我們基于中國的招聘大資料測算了各類職業受AI沖擊的程度[1]。AI對勞動的替代作用和增強作用并存。辦公行政、運輸物流、資料處理等職業被AI替代的風險較高；而銷售、法律、管理等職業則更多受增強作用的影響。基于我們的測算，未來十年AI可能導緻整體就業增長有所放緩，但并不會帶來大規模失業。
我們利用中國的招聘資料研究了AI對工資差距的影響。結果顯示，過去幾年AI替代效應大的職業工資增長較慢，與替代效應低的職業工資差距拉大。未來五年，AI可能導緻中國的勞動收入份額小幅下降。我們還分析了AI對人力資本的影響，結果顯示學曆和職業經驗的市場價值可能受AI影響而發生調整。值得注意的是，AI海量生成的大衆化作品可能降低人類作品的市場價值和人力資本回報，進而可能限制人類智能的發展。
面對AI帶來的就業市場變革，政策需要在初次配置設定和再配置設定階段雙管齊下。初次配置設定應注重對勞動者的職業教育訓練和勞動保護，提升與AI協作的能力，以盡可能小的市場扭曲代價促進就業和提高勞動收入。偏向勞動者的再配置設定可確定AI發展的帕累托性質，促進社會對技術進步的支援。再配置設定的資金來源應選擇扭曲性小的高累進所得稅；“機器人稅”可能抑制技術投資，不應作為首選。目前發達國家熱烈讨論的全民基本收入可能成為AI時代的再配置設定政策選項，但成本高昂。對中國更具現實意義的是完善現有社保制度，尤其是善用AI對經濟發展的促進作用，提升對弱勢群體的幫助和保護。
正文
一、走向協作的人工智能與人類智能
人工智能已經在很多領域顯示出接近或超過一般人類水準的能力，但是目前的人工智能仍然與人類智能在基本結構、學習方法和工作機制等方面迥然不同，二者具有各自的比較優勢。在部分工作任務中，人工智能可以高水準地獨立完成，進而産生替代人類勞動的作用。但是，在大部分工作任務中，人工智能還發揮着增強人類勞動的作用，使得二者在可預見的未來仍存在較大的協作空間。
（一）AI與人類的協作空間
人工智能，特别是大語言模型（Large Language Models，簡稱LLM），已經在自然語言處理、程式設計等多領域展現強大能力。例如，在美國律師資格考試、研究所學生入學考試等衆多專業和學術考試中，人工智能已經表現出與人類相當的水準[2]。但同時，AI在實際應用中仍離不開人類的參與和指導。即使在程式設計這個公認的AI表現很強的領域，人類與AI的協作對于提升結果仍然重要。2024年AI專家吳恩達展示了人類精心設計的工作流架構如何提升主流大語言模型的程式設計正确率[3]：人類的工作可以顯著提升較弱的AI模型如GPT-3.5，使之超越GPT-4等更先進的模型（圖表4.1）。人類在設計工作流時所運用的四種技術（反思、工具使用、規劃、多智能體）都展現了人類特有的思考體系和工作方式，而人類與AI模型的協作産生了大于任何一方單獨工作時的效果。
圖表4.1：各類AI大模型在人類設計的AI agent工作流架構中展現出更高程式設計水準
注：HumanEval是用于評估AI模型的代碼生成能力的基準資料集。它由一系列程式設計問題或任務組成，模型通過生成代碼來解決這些問題或任務。圖表顯示了各種AI模型在HumanEval資料集上測試的性能。黑色菱形點為AI模型在零樣本提示（zero-shot prompting）時的得分，即指直接要求AI完成某項任務而不給AI任何例子作為參考，是提示方法的一種，其他方法如少樣本提示（few-shot prompting）則是給AI模型布置任務的同時由人類給予幾個示例。彩色圓點為AI模型被置于人類安排的不同類型的“工作流”架構後的得分。橫軸代表 Pass@1 分數，該名額表示模型在第一次嘗試時可以正确解決的問題的百分比，分數越高意味着模型在生成正确代碼方面更加準确和高效。圖表反映截至2024年5月27日的模型得分和排名。
資料來源：Papers with Code，中金研究院
大語言模型本身的訓練和使用，也顯示AI仍然離不開人類智能的指導。思維鍊提示法（Chain-of-Thought Prompting）是一種大語言模型的提示方法，使用者在向AI模型提出任務的同時也向其示範人類解決此類問題的思考過程，引導AI模仿人類的思維方式給出答案。實驗表明，思維鍊提示法可顯著提升模型在算術、常識和符号推理等任務上的表現[4]。思維鍊提示法就像是人類老師對AI學生講解一遍解題思路，解題的效果固然取決于學生的知識儲備（類似大模型的參數量），但老師所講解的解題思路的優劣也影響最終的解題效果。
運用合成資料訓練大模型的數學推理能力，是另一個人工智能與人類智能協作而提升水準的例子。合成資料不僅模仿目标數學任務的訓練集，在生成時更通過改寫問題、自我驗證和反向推理等方式，增加了問題和答案的複雜性和多樣性。一項名為AlphaGeometry的研究項目使用1億個合成資料點訓練用于解決複雜幾何問題的神經網絡模型。合成資料使得該模型面對複雜問題時可以提出和測試不同的方案，令AlphaGeometry的解題能力不亞于人類的奧林匹克數學競賽金牌得主[5]。這種訓練類似高水準的人類教師為AI開設輔導班，變換角度出題，引導AI學生練習并提升解題水準。AI自身的能力固然重要，但能夠巧妙出題輔導AI的人類教師是AI解題的重要協作者。
人類已然認識到了AI時代與AI協作的重要性。荷蘭人力資源咨詢公司Randstad于2024年釋出的世界勞工調查顯示，目前人們最想學習的前五項技能是：人工智能、資訊技術與科技素養、幸福感與正念、溝通與演講能力、管理與上司能力[6]。其中，前兩項都直接與AI技術有關，後三項凸顯人們對人類優勢的了解。
（二）AI的相對優勢并不能否定人類智能的意義
規模定律的“大力出奇迹”，被普遍認為是AI大模型産生了類似人類智能的主要原因。但是，目前學界和業界對于規模定律所能達到的能力邊界仍存在激烈争議。正方堅信規模定律可以推動大模型不斷進化并實作AGI，雖然AI從“一張白紙”起步，但資料、算力和參數的持續提升可以幫助AI學習積累休谟式不具因果性的經驗知識，最終獲得對世界的真實模型。反方則質疑規模定律能推動AI實作AGI并超越人類智能，強調思維結構對于知識的重要性，類似于康德所指出的先驗條件對人類認知的重要性。認知科學傾向認為兒童的心智不是從“一張白紙”開始，具有對數量、空間、主體和對象等若幹核心領域的先驗直覺，兒童基于某種“啟動軟體”從後天經驗中進行學習。正反雙方都有重量級專家學者激烈辯論，然而AI技術的發展實踐已經開始融合正反雙方的觀點，人們在笃信規模定律堆疊算力的同時，也開始對AI模型施加某種“先驗”結構以改進其性能。比如，有監督微調（SFT）和基于人類回報的強化學習（RLHF）等等AI模型“對齊”處理技術的使用，以及最新模型中混合專家（MoE）架構的引入。
AI相對人腦的明顯優勢并不能否定人類智能活動的意義。機器腦能儲存的知識量遠超人腦，計算速度也快于人類，能夠歸納海量文本和資料中的潛在規律，無疑能夠高效完成人類社會的多種工作。但是，我們應該更細緻地分辨AI的長項與短處，以便我們更準确判斷可預見未來裡AI與人類在工作中的關系。OpenAI的研究人員表示，雖然大語言模型隻是“預測下一個單詞”，但這包括了千百萬不同的任務或次元，包括文法、翻譯、世界知識、情感分析、詞彙語義學、數學、空間分析等等[7]。從ChatGPT開始，全球使用者普遍感到大語言模型的文法水準非常高，但對模型其他方面的能力則感受不盡相同。文法是“預測下一個單詞”所涉及的次元中規則性最強、可窮盡性高、可學習資料（網際網路語料）最豐富的一個次元，而這正可以充分發揮AI經驗主義認知的強項。但是，通過網際網路語料并不能充分學習情感、數學和實體世界知識等，就好比一個通過題海戰術背下各種題型的學生，盡管能在标準化考試中獲勝，但并不是真正的數學好。是以，盡管AI在标準化考試中戰勝了人類，這并不意味着人類的學習失去了意義。
AI的認知起點比人類更開放，采用經驗主義學習法能“看到”龐大資料間的相關性和可能性，但在沒有海量示例樣本供其學習的領域，由于缺乏常識指引和理論建構能力，其結論的穩健性較低。值得指出的是，AI并非隻包括GPT式的大語言模型。事實上，準确性更高的AI系統往往有更多的初始限制和更明确的學習路徑或工作機制。比如，戰勝了圍棋世界冠軍李世石的AlphaGo是基于蒙特卡洛樹搜尋（MCTS）的機制，稍早期用于圖像識别的卷積神經網絡（CNNs / ConvNets）則基于适合提取圖像特征的架構和使用标記過的資料的有監督學習。這些限制帶來的偏向性使得這些AI模型雖然泛化性和全面性不及大語言模型，但在特定任務上的準确性和可靠性更高。無論哪一種現有的AI模型，人類智能與之相比則具有更一般的初始規則、常識直覺和理論建構能力；同時，大腦采用更稀疏、更具選擇性的資訊處理政策，成就了人類思考更高的效率（比如決策速度）和認知的穩健性與适應性（圖表4.2）。
圖表4.2：不同類型人工智能與人類的認知能力擷取機制對比
注：這裡列出一些架構和工作原理不同、有代表性的AI，并非AI類型的窮舉，比如我們并未列示AlphaFold和Sora等基于擴散模型乃至更加複合型架構的AI。目前的大語言模型（LLM）AI的預設結構最少，而人類的預設結構（兒童的“啟動軟體”）則可能是最複雜的，現有科學研究尚未能知曉其全貌。
資料來源：OpenAI, Google DeepMind, Lake et al. (2017), Wellman and Gelman (1992)[8], 中金研究院
AI在不同類型考試中表現有好有壞，也在一定程度上展現了其與人類智能相比各有所長。以GPT-4為例，其國文類考試（GRE Verbal）得分接近100%，但高中實體與化學考試得分僅為60%左右，在Codeforces競技程式設計、美國大學生英文文學和寫作、美國10年級及以下學生數學競賽三門考試中的得分甚至不到10%[9]。在一個簡單的圖像推理遊戲中，人類基準得分為95%，而GPT-4得分為69%，GPT-4V僅有25%[10]。經過人類幹預和針對性訓練後的AI模型表現則顯著提升，比如在自然語言推理、圖像分類等任務的基準測試中，AI模型表現出了接近或超過人類基準表現的水準（圖表4.3）；但是在行程規劃等更複雜的任務上AI模型仍遜色不少。例如，Gemini 1.5 Pro在人類給出100個示例的情況下最高也隻達到42%的準确率，GPT-4 Turbo的最佳表現則隻有31%；在隻給一個示例的情況下二者準确率隻有約10%[11]。對AI能力進行測試的平台釋出了AI模型在數千個任務中上萬個基準測試的表現[12]，結果顯示各AI模型在這些任務上的能力差别很大，既展現了AI在特定任務中的優勢，也展現了人類參與協作和不斷改進AI的空間。
基于目前AI技術的水準和發展路線，我們應客觀看待AI的能與不能、強項與短闆。由于每個人的技能不同，AI的進步難免對個體人類造成異質性影響。對人類而言，AI既是工具也是競争對手。對于人類與AI的關系，我們既不應盲目樂觀也不宜妄自菲薄，而應發揮人類與AI協同工作的作用。現實中無論AI能力如何，在醫療等諸多領域中AI雖可輔助人類，但最終決策和責任仍須由人類承擔[13]，人類也不應放棄對工作所承擔的最終責任[14]。從長期來看，人類需要堅持自身在更強大AI乃至AGI開發中的主導地位，確定AI與人類智能發展是一種良性競争，確定社會生産力的提高與人類的福祉方向一緻。
圖表4.3：各類AI模型在多種任務上達到或接近人類基準表現
注：多任務語言了解，簡稱MTLU，是指通過單一模型同時完成多種自然語言處理任務。圖中所示的AI表現并非指某種特定AI模型的表現，也并非都是大語言模型，而是指在這一任務上，表現最佳的AI模型的得分，其中不乏有為某任務專門進行人工幹預和訓練的AI。比如視覺常識推理類任務表現較好的AI是ViLBERT、GPT-4RoI等模型，初級閱讀了解上表現較好的是ANNA等模型。
資料來源：Stanford AI Index Report 2024，中金研究院
二、AI如何影響就業？
AI對就業的影響在全球範圍日益引發關注。市場調查公司YouGov于2023年進行的調查顯示[15]，全球約五分之三的受訪者（57%）擔心工作被人工智能取代。在亞洲，相當大比例的受訪者擔憂工作會被AI取代。印度受訪者擔憂的比例高達76%，阿聯酋和印度尼西亞約七成受訪者表示擔憂。相比之下，中國内地和中國香港的受訪者态度相對平靜，表示擔憂的受訪者比例為55%。國際市場研究機構益普索（Ipsos Global Advisor）于2023年進行的覆寫31個國家的調查也顯示[16]，全球平均有57%的勞工預計人工智能會改變他們目前的工作方式，36%的人預計人工智能會取代他們目前的工作。皮尤研究中心（Pew Research Center）更早前的一項覆寫10個國家的調查顯示[17]，當人們展望更長時期的未來比如50年，絕大多數人認為機器人和計算機可能接管很多現在由人類從事的工作，持這一觀點的受訪者在希臘、日本、加拿大分别高達91%、89%和84%。
人們真的需要如此擔憂嗎？要判斷AI對就業市場的整體影響，需要從多個角度去分析和了解。我們将首先從職業層面入手，探讨在中國的職場中AI對不同職業的影響程度，并進而總結AI對中國整體就業市場的可能影響。我們的研究發現，人們迄今為止過于擔憂AI對人類勞動的替代作用而忽視了增強作用；盡管AI在經濟中的滲透不可避免帶來就業增長的放緩和結構性失業，但是在可預見的未來并不會出現AI導緻大規模失業的前景。
（一） AI對不同職業的替代效應和增強效應：一個基于中國招聘大資料的研究
現有研究采用了多種方法來評估人工智能對不同職業的影響。這些方法的基本思路都是評估在工作任務中AI與人類活動的重疊性，具體評估方法則大緻分為三類：基于專家評分的機器學習分類法，基于專利文本和職業描述的文本分析方法，以及使用大語言模型（如GPT-4）直接評估。無論何種方法，上述研究離不開高品質的職業特征資料。目前大多數研究使用的是美國職業特征資料庫（O*NET）[18]或其他國家的類似資料[19]。O*NET目前包括923個SOC職業分類，以及職業涉及的任務、能力、知識、教育、技能、興趣、工作活動、工作風格、工資和就業趨勢等廣泛次元的描述。O*NET資料從在職者或職業專家那裡收集，并定期修訂以跟上變化的職業環境，其最新修訂是在2019年[20]。
基于專家評分的機器學習算法分類來自Frey和Osborne（2013）對這一領域的開創性研究[21]。Frey和Osborne（2013）對70種職業可被機器學習和移動機器人等AI相關技術自動化的程度進行專家判斷，并結合美國O*NET資料庫判斷各職業的“自動化瓶頸”，如感覺和操作、創造力以及社交智慧等，最後利用這70個有标簽的職業及任務資料，對所有702個職業的自動化機率進行測算。該方法不失為評估AI職業影響的科學方法，但也存在明顯的問題：因為依賴專家标注和評估，結果有相當主觀性。随着自然語言處理技術的發展，一些研究開始使用文本分析的方法[22]，通過分析職業任務描述與發生的技術進步（如專利或研究論文）之間的相似度，來衡量職業對AI的暴露程度。最新的研究開始利用大語言模型（如GPT-4）來評估職業任務與AI能力的比對程度，其優勢在于，AI對職業暴露度的評估更準确、更及時，也更便宜。基于AI龐大的知識庫，其評估的準确性不亞于人類專家，而其高效率使得基于海量資料的研究成為可能[23]。
過往研究一度普遍認為那些涉及正常任務的職業，如辦公室工作、生産和銷售等，面臨較高的AI自動化風險；而需要更多創造力、社交技能和情感投入的職業，如教育、醫療和藝術創作，受AI影響較小[24]。然而最新的研究發現，随着AI在語言能力上的進步，法律、教育和創意這類高技能職業也可能面臨較高的AI替代風險[25]。現有研究存在一些共同的不足。首先，由于資料可得性，研究過于側重發達國家，對開發中國家關注較少。其次，現有研究多使用美國O*NET資料來描述職業特征，而不同國家的職業特征可能存在差異。第三，大多數研究沒有區分AI的替代效應和增強效應，而這兩者對就業和工資的影響機制不同。最後，O*NET上次全面更新是2019年，導緻現有研究資料較為滞後，未能及時反映過去幾年AI的快速發展。
我們利用中國的獵聘網和智聯招聘網站的招聘廣告大資料[26]，運用本地部署的大語言模型建構了中國的職業-任務/崗位職責資料庫，對不同職業的人工智能暴露程度進行測算和比較。為了確定與其它研究的結果可比，我們将中國的招聘職位按照美國标準職業分類（SOC-2018）的6位數層級進行分類。對于每個SOC-6的職業類别，我們随機抽取約400條廣告，總共20多萬條廣告，得到了覆寫544個SOC-6職業的任務和崗位職責特征資料。通過提取每個職業的前10大核心任務，并基于這些任務在所有招聘廣告中出現的頻率計算重要性權重，我們得到了一個量化而全面的中國職業任務描述體系。據我們所知，這是國内首次基于真實就業市場資料和國際可比的職業分類體系，而非專家判斷或間接映射，建構職業任務資料庫的嘗試。有了這一職業任務資料庫，我們就可以使用人工智能技術對各職業的AI暴露程度進行測算。由于我們使用了截至2024年4月的最新資料，是以研究結果可以反映AI技術和職業任務内容的最新變化。與現有研究主要依賴美國O*NET資料不同，我們的職業資料基于中國招聘資料，展現了中國就業市場的微觀特征。
基于上述資料庫，我們讓GPT-4等大語言模型為每個職業下的每條任務的替代效應和增強效應打分，并根據該任務在職業描述中的重要性加總後得到各職業AI暴露度量。如前所述，讓AI評估各職業特征任務的AI暴露度，這充分利用了大語言模型的文本分析能力，可行性和效果已經在同類研究中得到了确認。我們采用這一方法，不僅節省了大量時間和金錢，結果也比人類專家評估更為客觀中立。為彌補現有研究的不足，我們的研究擴大了同類研究的次元。首先，我們區分了AI的替代（自動化）效應和增強效應，分别評估其對就業和工資的影響。其次，我們考慮了三類不同的AI對人類職業的影響：一般意義的AI，大語言模型AI，以及大語言模型加人形機器人。第三，我們還考慮了AI的成本因素，即AI的成本能否在限定時間降至企業可接受的水準。
關于AI的替代效應和增強效應，文獻顯示二者對就業和工資有不同的作用機制和結果[27]。替代效應減少對相關就業的需求，但是增強效應由于提高勞動生産率并帶來行業間溢出效應，可能提高相關就業的需求并促進工資增長。我們的測算結果顯示，AI對不同職業的影響差異顯著（圖表4.4）。替代作用最高的幾個職業大類包括：辦公室和行政支援，運輸和物料搬運，計算機和數學，以及生命、實體和社會科學等。由于GPT-4認為未來十年内自動駕駛成熟落地的可能性高，是以運輸和物料搬運大類下的很多職業替代作用得分較高[28]。資訊和資料收集與處理、報告撰寫等研究性工作也被認為屬于大模型AI的優勢領域而替代作用得分較高。
在我們的結果中，銷售、法律和管理工作由于“包含複雜決定、細微差別、解讀模糊或因情境而異的資訊”被GPT-4評估為難以替代，而同時這三類職業都被評估為增強作用得分高，尤其是銷售。這一結果可能與下述事實有關：招聘廣告對此類職業的核心任務描述大多包含結果導向，而非簡單獨立的動作組成。以電話銷售員為例，現有研究一般認為AI替代度高，但我們的測算中替代得分低。這并非由于成本因素，相反銷售的十大核心任務100%通過應用AI的成本測試；而是職業描述中包含GPT-4認為難以由AI獨立完成的“銷售名額達成”、“新客戶開發”、“銷售政策執行”、“客戶滿意度提升”等需要個性化解決方案、同理心及對人類行為細微觀察才能完成的任務。相比之下，O*NET資料庫對電話銷售員的任務描述主要是“電話聯系客戶、擷取客戶資訊、解釋産品和服務”等動作内容，如不考慮完成對結果負責，自然容易被AI替代。社群和社會服務的增強得分也較高，主要因為“教育、指導和職業輔導顧問”、“婚姻治療師”、“心理健康輔導員”等職業既包含資料收集和答疑解惑等AI擅長的工作，也帶有銷售屬性而得到AI增強。
圖表4.4：中國各職業的AI技術暴露度
注：大于零表示該職業受AI的影響程度大于各職業的均值；方塊表示中位數，豎線表示p25和p75資料點，直線兩端表示p10和p90資料點。直線顯示了每個SOC-2職業大類下各約30多個SOC-6具體職業的AI暴露分數分布。
資料來源：獵聘，智聯招聘，中金研究院
由此引出一個有趣的問題，也是我們在本章第一節中曾簡略提到的：人類和AI，誰應該對工作和職業的結果負責？如果人類不放棄自身對工作的責任，則這一意願本身就會導緻AI對人類工作的替代性得到不同評估結果。那麼人類是否應該放棄目前仍然握在手中的責任呢？工作作為一種人類社會活動的基本成分，是否内在地包含了“人類不可推卸其責任”的前提呢？對此我們難以給出答案。但是有意思地是，作為AI的大語言模型在對大量招聘廣告進行閱讀了解後，似乎并不願輕易将工作結果的責任認定為歸于AI。
我們發現，AI對一些職業大類下細分職業的影響存在值得關注的異質性。替代作用異質性最強的職業包括：辦公室和行政支援，運輸和物料搬運，農林牧漁，安保，生産等，表現為圖4.4中替代作用線段長度大。以農林牧漁為例，其中既包括“農場勞工和勞工，農作物，苗圃和溫室”這種AI替代度隻有1/10的體力工作，也包括“農産品分級和分類工”這種AI替代度高達80%的工作，是以帶來較大的異質性。安保等工作也顯示類似特征。值得一提的是，如果考慮到阿西莫夫為機器人指定的三條尊重人類的定律[29]，安保工作的部分任務可能永遠無法由AI來實作。這種職業内AI影響的異質性，提示我們在分析AI對就業影響時需要加倍謹慎和細緻，不能簡單地将各職業約化為同質的簡單動作，而需深入到工作的具體情境。
有趣的是，當我們把AI限定為純大語言模型時，AI可以完全替代人類的任務比例平均隻有總任務的2%，這使得即使不考慮成本可行性次元，AI的替代作用都非常小；而AI可增強的任務占比高達90%，且在所有職業大類中都有較高的增強得分。值得注意的是，這是大語言模型自身做出的評估。與人類的擔憂不同，大語言模型似乎更傾向于将自己定位為人類的工具。當把人形機器人考慮在内時，AI可替代的任務占比與僅考慮一般意義AI相比略有上升，從約16%上升至約23%，替代作用上升顯著的職業包括：社群和社會服務，食品準備和服務（主要為餐飲類），個人護理和服務，辦公室和行政支援，銷售，等等。估算職業的AI暴露度是一個動态的過程。我們的結果隻是展現了大語言模型對未來十年AI發展的判斷，而這一判斷背後的内容是我們不得而知的黑箱。此外，職業暴露度隻是影響就業和工資的衆多因素之一，技術采用速度、經濟結構變化和政策響應等其他因素也會發揮重要作用。是以，我們的估算結果可以被視為一個參考和起點，而非各職業勞動需求走向的決定性結論。
圖表4.5：關于哪些崗位很可能被AI替代的問卷回複
注：圖表所示為2024年4月中金公司進行的上市公司問卷調查結果，具體問題為“未來三年哪些崗位很可能被AI替代？”。
資料來源：中金研究院
圖表4.6：關于AI替代還是創造工作崗位的問卷回複
注：圖表所示為2024年4月中金公司進行的上市公司問卷調查結果。紅色柱表示預計AI替代現有職工，灰色柱表示預計AI會創造新的就業崗位。為更好對比，“會産生新崗位，但我不知道會是什麼崗位”的回答在圖中歸入“說不準”類别。
資料來源：中金研究院
我們還對中國部分上市公司進行了問卷調查，收到112份有效回複，涵蓋大部分行業，其中約30%是制造業企業。問卷調查的結果與我們之前的研究結果有相似之處。比如，客服、人力和行政等崗位和生産崗位未來三年内被AI替代可能性更高（圖表4.5）。面對“未來三年内，是否會在貴公司出現AI替代現有職工的情況？”，回答“說不準”的比例達39.3%。在被問及“未來三年内，AI應用是否會讓貴司産生新的工作崗位需求”時，回答“會産生新崗位，但我不知道會是什麼崗位”的比例達53.6%（圖表4.6）。
（二）AI可能導緻未來十年就業增長放緩，但不會帶來大規模失業
關于AI對就業的整體影響，現有研究存在針鋒相對的不同觀點。部分研究認為AI和自動化技術會導緻較高失業率，多項研究估計14-56%的現有工作存在被自動化的高風險[30]。然而，另一些研究則認為AI技術會帶來就業增長，因為AI能通過提高效率和促進産業更新等途徑創造就業，其創造就業的效應足以抵消替代勞動力的效應[31]。世界經濟論壇的企業調查資料顯示，約50%的企業預計AI将創造就業，隻有25%預計會減少就業[32]。總體而言，現有研究文獻顯示技術變革的就業影響取決于其對人類工作的替代效應和創造效應等機制的共同作用結果，整體效果具有高度不确定性[33]。
圖表4.7：未來十年AI對各職業類别就業增長率影響的估算
資料來源：智聯招聘，中金研究院
我們利用上一節測算的中國各職業AI暴露度指數，結合現有研究文獻，估算了AI對中國就業增長的潛在影響。Kogan等人（2023）把AI暴露度指數與未來十年的就業率增長聯系了起來：替代作用的AI暴露度上升四十個百分點對應未來十年就業累計增長率下降4.4個百分點；而增強作用的AI暴露度上升四十個百分點對應未來十年就業增長率提高9.1個百分點[34]。我們根據其估算結果計算了每機關AI暴露度變化對應的就業增長率變化，并将這一系數應用于中國SOC-6職業，計算每個職業的淨就業影響。我們發現，AI對中國不同職業的就業增長影響各異（圖表4.7）。将各職業的淨就業影響按其在中國總就業中的占比權重平均[35]，即可得到AI對總就業的影響。我們的估算顯示，AI可能導緻中國未來十年的累積就業增長率比基準水準低1.8個百分點，年增長率平均降低約0.18個百分點。對比大陸龐大的就業人口和勞動力數量，這一數字帶來的影響并不顯著。這意味着AI本身在未來十年内并不會帶來大規模失業。
上述估計結果當然存在不确定性。首先，這裡的就業增長率變化考慮了全行業層面的生産率效應及其正向溢出效應，即受AI增強的行業會擴張，并溢出到其他行業，創造出新的勞動需求。如果隻考慮對現有在崗人員的影響，則勞動增強的AI也會帶來失業，特别是職業内收入較高的勞工失業機率也将上升，這主要是新技術的引入造成現有人員的技能過時和人力資本下降（技能流失效應）導緻的。這提醒我們在解讀整體失業率變化時要保持謹慎，因為較為平穩的整體情況可能掩蓋其中的結構性變化。其次，我們使用的是基于美國資料估計的勞動力市場微觀參數，由于缺乏微觀資料，我們目前無法估計中國的相關參數。盡管存在上述局限性，我們的估算為評估AI對中國就業的潛在影響提供了一個基礎的成果。
三、分化加劇是AI時代收入配置設定的特征
（一）AI可能導緻工資差距拉大
現有研究采用了多種方法和資料來評估人工智能和自動化對工資的影響。一個主要的共識是這些技術變革可能會加劇工資不平等，但是不同研究對影響機制和程度各有主張。實證研究發現資訊技術的采用和自動化程度較高的地區，勞動力市場出現工資極化[36]，中等工資的工作減少，高低兩端的工作增加[37]。國際勞工組織（ILO）報告，盡管技術進步會創造新的工作，但可能會加劇不平等，低工資勞工、女性和非正規就業者的工資損失最為嚴重[38]。也有研究認為AI可能加速自動化程序，這可能不成比例地影響低技能勞動者[39]。相比之下，高技能勞動者和受影響較少的職業可能經曆工資增長，進而加大工資差距[40]。
相比現有的資訊和自動化技術，AI對工資差距的影響可能更為複雜和微妙。一些研究區分了AI的勞動替代效應和勞動增強效應，發現它們對工資和就業有不同的影響。勞動節省型技術的内涵就是能夠替代勞工從事正常任務的資本品品質提高（或者說在品質不變的情況下價格降低），促成資本對勞動的替代。相比之下，勞動力增強型技術能提高勞工的生産效率，有利于掌握新技術的勞工，但對于熟練于舊技術而無法适應新技術的勞工（主要是年齡大、受教育程度高且相對工資較高的人）則可能是負面影響。總體而言，替代作用與勞動份額下降相關，增強作用與勞動份額略微上升相關[41]。還有一類觀點則強調人工智能可能通過提高生産率和創造新任務，對就業和工資産生正面影響，但由于不同群體受益不均，是以加劇不同群體之間的收入差距。比如研發密集型的創新企業支付更高工資，這加劇了企業間工資差距[42]。基于中國資料的分析及文獻綜述也顯示，AI提高了非正常勞動力的城市工資溢價，但對正常勞動力特别是某些群體（女性、高技能）産生負面影響，加劇了地區、行業和群體間的收入差距[43]。
我們使用中國線上招聘資料顯示的各職業小類工資分布資料，結合我們所測算的中國各職業的AI暴露度指數，估算了AI對勞動者工資差距的潛在影響。和文獻預測一緻，AI替代效應強的職業在2018-23年的工資累計增長率更慢（圖表4.8）。同時，AI增強效應小的職業内部的工資基尼系數雖然略有增加，但增幅較小（圖表4.9）。文獻指出對于AI增強的職業，有兩種相反的影響工資的力量，即技能偏向型技術進步帶來的職業内工資極化，和技能流失效應對老員工和新員工間的工資差距的縮小。從中國資料來看，在受AI增強較大的職業内部，尚無哪種效應展現壓倒性影響；進一步區分兩種效應需要更加微觀的勞工層面的資料。不過，在解讀AI對收入差距的影響時也應謹慎。鑒于大語言模型從2023年起才廣泛應用，其對工資差距的影響仍需持續觀察資料以準确評估。
圖表4.8：AI替代效應強的職業工資增長較慢
注：資料為2023年相比2018年的增長率。
資料來源：智聯招聘，中金研究院
圖表4.9：AI增強效應強的職業内工資差距未擴大
資料來源：智聯招聘，中金研究院
（二）AI可能導緻勞動在GDP中的配置設定份額下降
現有研究采用了多種方法和資料來分析勞動收入份額的決定因素和趨勢。一個主要的共識是，過去幾十年勞動收入份額呈現下降趨勢。一些基于美國資料的研究顯示制造業勞動收入份額不斷下降。對于背後的驅動原因，早期的研究強調資本深化是導緻勞動份額下降的關鍵因素[44]；最新的研究開始使用行業資料分析勞動份額的變化趨勢，比如《經濟學季刊》（Quarterly Journal of Economics）的一項涵蓋59個國家的研究發現全球範圍内勞動份額顯著下降，其中約一半可以用投資品相對價格的下降來解釋[45]。基于美國行業資料的研究發現，勞動份額的下降主要發生在行業内部，特别是在制造業和貿易行業；是以，将勞動密集型的供應鍊外包可能也是美國勞動份額下降的一個關鍵原因[46]。基于歐洲行業資料的研究也發現，資本深化和部門就業結構的變化是導緻歐洲勞動份額下降的主要因素[47]。最近的一些研究開始關注技能偏向型技術進步（Skill-biased technical change, SBTC）對勞動份額的影響，指出其可以解釋美國制造業部門1970年至2010年期間勞動份額下降的20%[48]。上述研究描述和解釋了過去幾十年間勞動收入份額的下降趨勢，特别是在制造業等行業（圖表4.10）。然而，如果我們把視線放長，過去兩百多年間的勞動收入份額變化更多呈現周期性，而沒有明顯的線性上升或下降趨勢（圖表4.11）。這提醒我們在分析勞動收入份額變化時應有一個全面且動态的視角，過去幾十年間勞動收入份額的下降固然是現實問題，但并不能得出其趨勢會長期延續，更無法直接推出技術進步等因素會使得勞動收入份額跌至零的極端結論。
圖表4.10：美國制造業勞動收入份額下降
注：圖表為美國制造業中勞動收入份額的三種衡量标準。
資料來源：Autor et al. (2020)[49]，中金研究院
圖表4.11：超長期視角下，勞動收入份額相對穩定
注：圖表為英國1770-2010年間勞動和資本在國民收入中的份額，法國等其他一些國家也存在類似趨勢。
資料來源：Piketty and Goldhammer (2014)[50]，中金研究院
理論文獻對AI時代勞動收入份額的變化做了一些預測。Korineck和Stiglitz（2017）認為，即使人工智能最終完全取代人類勞動，這也未必是個問題；因為在這種情況下，雖然經濟産出主要由機器創造，但勞工的絕對收入水準并沒有下降[51]。Aghion等人（2017）認為，即使在AI技術高度發展的未來，勞動收入份額也會趨于穩定，而不是趨于零；因為自動化的實際程度是内生決定的，受到産品間替代性的制約[52]。Acemoglu和Restrepo（2018）提出了自動化的自穩定效應和平衡增長路徑的概念。他們認為，當自動化速度超過新任務創造速度時，自動化會降低使用勞動力的成本，進而抑制進一步的自動化并創造出更适合勞動完成的新任務。這種自穩定效應使得自動化和新任務創造以相等速度推進，進而維持勞動收入份額的穩定。針對列昂惕夫（Wassily Leontief）在1980年代對機器替代人的悲觀預測：“20世紀早期出現的新技術使馬匹變得多餘…勞動力将變得越來越不重要”，Acemoglu和Restrepo（2018）回應道“人類勞動力與馬匹的差別在于，人類在（新技術應用後産生的）更複雜的新任務中具有比較優勢，而馬匹沒有”[53]。不過，由于AI技術的普及尚在初期，目前的實證研究很難就AI對勞動收入份額的影響給出确切答案。
我們使用前文測算的中國各職業的AI暴露度和文獻估算的參數[54]，估算了AI對勞動收入份額的潛在影響。結果顯示，未來五年勞動收入份額相比基準情況可能累計下降0.73%，主要集中在辦公室和行政支援、農林牧漁、生産、運輸和物料搬運，以及銷售（估算的就業量增長但工資下降）。教育、管理、法律、社群和社會服務、醫療保健支援是為數不多的勞動收入份額上升的職業，但增幅不足0.1%。我們對中國上市公司的問卷調查結果也反映了對AI可能造成勞動收入份額下降的預期。當被問及“您預計未來三年内，AI是否會導緻貴公司人力成本占經營總成本的比重下降？”，回答“很可能”的受訪者比例為45.5%，回答“說不準”的比例為47.3%，隻有7.2%的受訪者回答“不可能”。
四、AI沖擊現有的人力資本積累模式
傳統的人力資本理論認為，教育通過提高勞動者的知識技能可以帶來更高的生産力和收入回報[55]。然而，人工智能的發展可能在兩個方面影響人力資本積累活動。一方面，AI部分替代人類勞動，可能降低某些正常技能的價值，進而削弱教育投資的邊際回報率[56]。另一方面，AI對不同技能的影響是非均衡的：掌握與AI協作關鍵技能的勞動者，其人力資本價值可能會增加[57]。
利用2018-23年間招聘大資料中的相關資訊，我們發現過去五年那些高AI增強型的職業對教育水準的要求增幅高于低AI增強型的職業（圖表4.12），而對工作經驗年限的要求則增長更慢（圖表4.13）。同時，我們對中國上市公司的問卷調研也顯示AI時代并不會降低教育背景在用人機關眼中的重要性。當被問及“如果AI在貴公司應用越來越廣，貴公司未來招聘時是否會仍然重視應聘者學曆或學校？”，回答“是”的受訪者比例高達77.7%，19.6%的受訪者回答“說不準”，隻有2.7%的受訪者回答“否”。用人機關對學曆的重視超過工作經驗，也許反映的是最新技能的價值和具有“年代特征”的人力資本的貶值。人力資本的價值會受到獲得的年代或時代的影響，這就是人力資本的“年代特征”（vintage-specific human capital）。過去某個時代的專業技能或知識，在新的技術革命浪潮面前可能顯得過時。AI時代，反映人力資本積累的關鍵并不是學曆或工作年限，而是持續學習和保持技能更新的能力。
圖表4.12：AI增強效應強的職業對教育要求增加更多
注：資料為2023年相比2018年的增長率。
資料來源：智聯招聘，中金研究院
圖表4.13：AI增強效應強的職業對經驗的要求增長慢
注：資料為2023年相比2018年的增長率。
資料來源：智聯招聘，中金研究院
AI對人力資本積累甚或人類智能發展的影響可能不止于此。人類智慧的進步往往建立在大量普通創作的基礎之上。在藝術、科學和學術等領域，絕大部分作品都不可能達到人類智慧巅峰的水準，但它們的存在為天才的出現和傑作的誕生提供了土壤。許多偉大的科學家和藝術家都是從平凡的環境中脫穎而出，他們的成長離不開在一般性工作中的積累。即便是天才般的成就，其靈感的閃現也是建立在日複一日的思考和嘗試之上的，并非與生俱來。然而，AI可能從根本上改變人類智慧發展的這一格局：AI海量生成作品的能力可能顯著降低人類創作的普通作品的市場價值。這可能使得人類退出相關領域的學習和創作，也降低了偉大作品産生的可能性。比如，AI在翻譯上的高效可能使得越來越少的人願意投入大量時間專業學習外語或專職從事翻譯工作，而正是長期的、專業的實踐和曆練造就了戈寶權、朱生豪這樣傑出的文學翻譯家。從這個角度看，AI可能不僅沒能超越人類智能，反而降低了偉大成果出現的機率。
為應對這種窘境，社會或許需要未雨綢缪，審慎對待AI的發展和應用。一種思路是為人類創作預留白間，防止大衆市場完全被AI主導。這可能需要在關鍵領域為人工智能劃定适當邊界，以保護人類智能的發展空間。另一種思路是為人類創作賦予特殊價值，凸顯其獨特性，比如對“人類原創作”進行标注和認證。如果市場能夠有效地自發應對，比如建立人類和AI的分隔均衡，則在可預見的未來這或許并非迫在眉睫的風險，也無需政策幹預。但是，對于AI作品和人類作品在大衆市場上的價值變化應保持緊密關注。在AI時代，個人固然應注重持續學習提升能力，社會也需要為人的發展保留市場空間，保護人類智能得以訓練的系統。
五、AI時代的靈活就業和社會保障
AI時代靈活就業呈現進一步擴大的趨勢。國際勞工組織（ILO）定義的“非标準就業”包括臨時工作、兼職工作、多方就業關系（包括平台“零工經濟”、“按需經濟”）等形式[58]，本章統一稱之為“靈活就業”。以大語言模型為代表的本輪人工智能技術發展可能進一步增加靈活就業的占比。大語言模型可以促進員工和公司之間更自然、更高效的溝通，提供實時翻譯實作跨地理邊界的順暢協作；它還可以為内容建立、客戶支援和市場研究等任務提供易于使用的工具，降低了成為企業家和自由職業者的門檻。一項最新的調研顯示，近七成的受訪者認為生成式AI會增加他們成為自由職業者的可能性。特别是技能水準高的獨立工作者（跻身各自領域的前2%）受到人工智能技術的增強，生産力提升，被訪者中的近一半已經在為各類企業建構生成式AI解決方案[59]。
在數字經濟時代，靈活就業已成為全球總就業的重要組成部分，推動了充分就業，但與其相關的勞動保護和就業品質方面的争議也很多。截至2021年，中國有約2億靈活就業人員，英國約450萬人經常通過線上平台找到工作，日本和南韓的數字經濟新政也促進“蟄居族”成為“數字遊民”[60]。數字平台和靈活就業提高了勞動力的流動性和比對效率，但同時靈活就業也存在諸多勞動保障問題。首先，靈活就業缺乏正規的勞動合同關系，2019年的資料顯示中國僅約8%的平台從業者與平台建立了正式的勞動關系[61]。其次，平台的高談判能力可能導緻從業者處于相對弱勢的地位。例如，調查研究顯示外賣員、網約車司機等群體的工作時間較長，而在某些城市他們的淨收入水準也較低[62]。第三，靈活就業往往存在失業保險保護不足的問題。全國整體來看，失業保險金領取人數占總失業人口的比例相對較低，失業保險覆寫有待進一步提高。G20國家在2023年聯合呼籲應為零工和平台經濟中的勞動者提供充足且可持續的社會保障[63]。
AI對靈活就業的擴大趨勢，也凸顯AI時代完善社會保障制度的緊迫性。AI的發展可能會加劇靈活就業者面臨的挑戰，如替代效應可能增加工作的不穩定性。研究顯示，在ChatGPT推出後，替代效應大的自由職業職位釋出數量減少了21%[64]；初級技能自由職業者，比如撰寫公式化的SEO文章或HTML代碼、做基本的資料分析和圖形設計的勞動者面臨更大風險[65]。數字經濟時代，零工社保較難納入“社會統籌和個人賬戶相結合”、政府企業和個體按一定比例共同承擔的“三位一體”模式[66]。平台方和雇主方認為不應承擔社保責任。而靈活就業者的繳費能力和意願也較低，即使參保也多選擇保障水準較低的方案，這會導緻其退休後的養老金水準較低[67]。
為應對這一挑戰，需要從多個角度完善社會保障制度。社保具有兩種功能：強制儲蓄和再配置設定功能。傳統的雇傭關系中，企業承擔為員工繳納社會保險的責任，幫助員工完成強制儲蓄，以避免個體不理性的跨期消費行為。但新形勢下，企業難以明确一個靈活就業者是否屬于自己的員工，也就無法為其執行“強制儲蓄”職能。從強制儲蓄的功能出發，有必要加強企業繳費的确定性，這也有利于社保體系的存續。而要做到這一點，需要從簽訂勞動合同等環節開始強化企業和勞動者的法律關系和權利義務，确定繳費責任。
從再配置設定的功能看，社保是大陸收入再配置設定的重要制度，其再配置設定程度主要取決于社保相對于GDP的規模。大陸社會保險支出對GDP的比例從1989年的1%逐漸增長到2019年的11%左右，顯示社會保障的水準在随着經濟發展而不斷提高，但與OECD國家平均水準相比仍有一定差距。政府可考慮對低收入者參保給予财政補貼，同時也應激勵靈活就業者參保。國際勞工組織建議為非标準就業者提供更加靈活和可攜帶的社保方案[68]。農民工群體在就業市場中面臨的挑戰相對較多，且有一定比例的農民工從事生産、物流等受AI替代作用影響的職業[69]，而與其經濟決策息息相關的農村老人的社會保障也有提升空間[70]。在保證社會保險支出穩步增長的同時，提高社保對弱勢群體的保護力度，在AI時代意義尤為重大。
六、思考與啟示
前文分析表明，AI正在深刻影響勞動力市場，以正常任務為主的職業面臨更高的AI替代風險，而更多的職業則主要受AI增強作用影響。在考慮到AI提高生産率創造就業的正面效應後，總就業受到的負面影響有限。但是，各類職業都面臨人工智能技術引入的擾動，即使在AI增強效應高的職業中，個體勞動者也面臨更高的就業不确定性。同時，人工智能可能加劇工資差距，并可能導緻勞動收入份額小幅下降。針對AI對就業市場的負面影響，政策可以在初次配置設定和再配置設定階段同時發揮作用。
（一）初次配置設定階段：職業教育訓練和勞動保護
在初次配置設定領域，政策主要的發力點在于促進勞工擷取适應AI時代的新技能，職業教育訓練是現實的政策抓手，這同時也可以促進勞動者的就業和收入，對勞動力市場的扭曲也最小[71]。為提高職業教育訓練的針對性和有效性，政府可探索創造支援終身學習和個性化教育訓練的有利環境[72]，轉變為“賦能者”角色，通過提供教育訓練券、獎學金等方式，讓勞工自主選擇和參與再教育訓練，更好地滿足不同勞工的特定需求。政府應特别向就職于欠缺教育訓練機制的中小企業和零工平台的勞動者提供這些激勵措施[73]。技能教育訓練的一大難題是，AI的未來充滿變數，需要具有前瞻性的教育訓練計劃。為此，教育訓練機構需要更新方法，将教學和學習管理流程與技術進步相比對，利用當代技術和創新，采用基于體驗的教育，培養學生的适應能力和終身學習能力[74]。另一方面，企業應積極提供與新技術相适應的在職教育訓練和職業發展機會。麥肯錫對歐美發達國家企業高管的調查顯示企業本身也具備此類意願，64%的美國私營部門高管和59%的歐洲私營部門高管認為，企業應負起主導縮小技能缺口的責任，而不是等待政府、高校或個人去做[75]。
在加強技能教育訓練和教育的同時，政府應注意AI對勞動保護帶來的挑戰，尤其是AI在勞動場所監控以及在招聘和考評中的使用情況。運用AI實施對員工的監控和算法管理，為公司提供了對工作過程更多的控制，這可能會給員工帶來壓力并降低他們的自主權。美國國家勞工關系委員會（NLRB）已經對一系列工作場所的AI監控行為發起調查和警告。例如，亞馬遜使用AI跟蹤倉庫勞工的移動并自動生成績效目标，這帶來的結果是：員工在工作場所中的每一步、每一次談話和每次上廁所都會被記錄；員工間交談超過30分鐘會收到書面警告。皮尤研究中心在美國進行的調查顯示，過半數被訪者對公司使用人工智能追蹤員工的移動、在工位的時間、在工作電腦上的活動等行為表示反對（圖表4.14）。此外，AI還被用于招聘、評估和解雇決策。調查顯示，目前有83%的美國公司在招聘和選拔中使用AI[76]；這貌似可以減少人為偏見，但如果算法是在反映過去歧視的曆史資料上訓練的，就存在固化既有不公的風險。
圖表4.14：美國人對公司使用人工智能監控不同類型工作相關行為的看法比例
注：調查時間為2022年12月12-18日。
資料來源：Pew Research Center，中金研究院
（二）再配置設定階段：累進稅和轉移支付
政府在初次配置設定階段的政策可以幫助勞動者擷取技能保有工作，但現實中許多人難以通過職業教育訓練實作再就業。是以，除了提供教育訓練機會，政府還需要考慮再配置設定政策，對受影響人群提供基本生活保障和支援。首先，再配置設定在AI時代不但可行，而且可以深化促進技術進步的政治基礎。Korinek和Stiglitz（2017）以十九世紀英國紡織勞工破壞機器的盧德運動為例指出，如果沒有适當的再配置設定政策，“阻止創新”就會成為處境惡化的勞工們的自然反應。在一個勞工占主體的國家，有遠見的創新者應支援再配置設定，以確定勞工不會因技術進步而境況惡化。創新拓展了生産可能性邊界，适當的再配置設定政策可以做到使勞工和企業家（創新者）共享技術進步的成果，使得新的經濟均衡點落在帕累托改進區域内（圖表4.15），即所有人的福利水準都得到提高，強化支援創新的政治共識；相反，如果沒有适當的再配置設定，創新後的市場均衡更可能位于E1，即企業家受益而勞工處境惡化，這可能動搖支援創新的社會基礎，阻礙技術進步的持續推進[77]。
再配置設定方案涉及到如何籌資和如何配置設定兩個問題，也即“錢從哪兒來”和“花到哪裡去”？每個問題都影響再配置設定的效率和可行性。從融資的角度，理論上來說應該選擇扭曲性最小的稅收方案。蓋茨（Bill Gates）、馬斯克（Elon Musk）和桑德斯（Bernie Sanders）等美國政商名人支援的“機器人稅”可能并不是最佳方案[78]。Schaefer和Schneider（2024）利用包含世代交疊的宏觀經濟模型，試圖證明對勞動收入征稅是比機器人稅扭曲更小的方案[79]；因為機器人稅會降低投資和經濟增長，且沒有再配置設定保險功能，不是實作快速且包容性增長的政策首選項。與此同時，應重視勞動收入稅的分級累進，因為AI會加大勞動收入不平等，累進稅率可以起到再配置設定作用。由于土地增值收益主要來自社會進步而非個人努力，是以對土地征稅有利于促進社會公平；類似的思路建議對因為AI應用而獲得“意外收益”的要素征稅，比如資本。但這需要在操作中厘清“意外收益”的存量資本和直接投資于AI技術的新資本[80]，否則可能損害AI技術進步。
圖表4.15：技術進步擴充生産可能性邊界，适當的再配置設定促成勞工和企業家雙赢的新均衡
注：E0的東北方向代表具有帕累托改進性的均衡點應該位于的區域。
資料來源：Korinek和Stiglitz（2017），中金研究院
配置設定方面，全民基本收入（UBI）作為應對技術性失業風險的一種潛在政策工具，正受到西方國家越來越多的關注[81]。現有研究采用了多種方法和資料來評估UBI，一個主要共識是：盡管UBI可能有助于提供收入保障和減少不平等，但其實施面臨着重大的經濟、政治和道德挑戰。目前支援UBI的人士倡導兩種不同方案：一種是保留大部分現有福利計劃并添加适度的UBI，另一種是大幅減少或消除福利計劃并通過重新配置設定這些資金來資助UBI。後一種方案的倡導者認為，這可以縮小政府規模提高市場效率，同時程式的簡化也降低實施的成本。一些研究認為，在比較UBI和私人保險兩種保障機制時，隻有當因AI而造成失業的因果關系的可驗證性低或失業機率對技術進步的敏感度很高時，UBI才是一個更好的選項，因為此時沒有合适的私人保險機制可以覆寫所有需要保障的人群[82]。
UBI的批評者認為，有意義的UBI極其昂貴，以美國為例其成本将超過目前美國全部聯邦預算。他們擔心UBI可能導緻現存有效的瞄準性福利計劃被取消，最終反而傷害更為脆弱的人群。根據測算，如果美國每個成年人每月發放1000美元，UBI成本将占美國2023年GDP的20%[83]。在中國實行UBI的成本大概多少？我們以第七次人口普查資料為基礎，假設15歲及以上勞動年齡人口每人每月發放1400元人民币，這大約相當于美國标準的五分之一（與兩國人均GDP比例接近），則UBI成本将占中國2023年GDP的15.4%。
一個更務實的做法是，随着AI帶來生産力提升和經濟增長，逐漸擴大現有社會保障制度的覆寫面和福利水準。例如，政府保險計劃可能比UBI或私人保險實作更好的保險效果[84]，而由于AI影響在職業分布上有一定的集中性，定向的失業救濟金或再教育訓練補貼可能更好地幫助受AI替代影響大的群體。對中國而言，現有的社會保障制度還存在不完善之處。例如，中國青年群體在就業領域面臨脆弱性，而目前的失業保險制度對他們的保護力度相對較低。從事生産、物流等職業的農民工容易受到AI的影響，社會可進一步提升對類似人群的幫助和保護力度。擴大中國社保的覆寫面并提高保障的福利水準和公平性，在AI時代更具重要意義。
[1]本章在測算中國職業對AI的暴露度過程中使用了脈策科技首席經濟學家陳沁博士提供的中國招聘廣告的大資料，在此表示衷心感謝。我們也歡迎研究者使用我們基于這一大資料和本地部署的AI模型而建構的中國職業-任務資料庫。
[2]OpenAI, GPT-4 Technical Report, 2023.
[3]新聞來源：https://new.qq.com/rain/a/20240329A041XC00?。下文提及的四種工作流技術：反思：讓智能體（Agent）審視和修正自己生成的輸出；工具使用：讓大語言模型調用API等進行實際操作；規劃：分解複雜任務并讓Agent按計劃執行；多智能體（或稱多代理協作）：多個Agent扮演不同角色合作完成任務。
[4]Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, 2023.
[5]Trinh et al., Solving Olympiad Geometry Without Human Demonstrations, Nature, 2024.
Liu et al., Best Practices and Lessons Learned on Synthetic Data for Language Models, 2024.
[6]https://www.fastcompany.com/91011036/the-5-skills-workers-value-the-most-in-2024-according-to-new-research
[7]Jason Wei (OpenAI), Intuitions on language models, Stanford CS25 2024 Guest Lecture.
[8]OpenAI, Training language models to follow instructions with human feedback, 2022.
Google DeepMind, AlphaGo: Mastering the ancient game of Go with Machine Learning, 2016.
Lake et al., Building machines that learn and think like people, 2017.
Wellman and Gelman, Cognitive development: Foundational theories of core domains, 1992.
[9]OpenAI, GPT-4 Technical Report, 2023.
[10]資料來源：Stanford AI Index Report 2024.
[11]Google DeepMind, Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context, 2024.
[12]以主流的AI和機器學習研究和測評平台Papers With Code為例，截至2024年5月末覆寫10,888個基準測試（benchmarks）和4,886個任務（tasks）。
[13]Harvard Business Review, Managing AI decision-making tools, 2021.
[14]Autonomy in moral and political philosophy. Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/entries/autonomy-moral/
[15]https://business.yougov.com/content/46597-more-than-half-of-global-public-now-worried-about-ai-replacing-jobs
[16]https://www.ipsos.com/en-ph/ai-making-world-and-most-asian-markets-nervous-about-job-security-ipsos-global-advisor-survey
[17]https://www.pewresearch.org/global/2018/09/13/in-advanced-and-emerging-economies-alike-worries-about-job-automation/
[18]Frey and Osborne, The future of employment: How susceptible are jobs to computerisation?, 2017. (Working paper version 2013).
Felten et al., A method to link advances in artificial intelligence to occupational abilities, 2018.
[19]Georgieff and Hyee, Artificial Intelligence and Employment: New Cross-Country Evidence, 2022.
Cazzaniga et al., Gen-AI: Artificial Intelligence and the Future of Work, IMF, 2024.
[20]https://www.onetcenter.org/overview.html
[21]Frey and Osborne, The future of employment: How susceptible are jobs to computerisation?, 2017. (Working paper version 2013).
[22]Michael Webb, The impact of artificial intelligence on the labor market, 2019.
Kogan et al., Technology and Labor Displacement: Evidence from Linking Patents with Worker-Level Data, 2023.
Sytsma and Sousa, Artificial Intelligence and the Labor Force: A Data-Driven Approach to Identifying Exposed Occupations, RAND 2023.
[23]Eloundou et al., GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models, OpenAI working paper 2023.
Gmyrek et al., Generative AI and jobs: A global analysis of potential effects on job quantity and quality, ILO working paper, 2023.
北京大學國家發展研究院與智聯招聘聯合課題組：《AI大模型對大陸勞動力市場潛在影響研究報告》，2023 年。
[24]Autor and Dorn, The growth of low-skill service jobs and the polarization of the US Labor Market. American Economic Review, 2013.
Ellingrud et al., Generative AI and the future of work in America., MGI, 2023.
[25]Felten et al.,How will language modelers like chatgpt affect occupations and industries?, 2023.
Eloundou et al., GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models, OpenAI working paper 2023.
[26]獵聘資料截至2024年3月22日，智聯招聘資料截至2024年4月11日。
[27]Kogan et al., Technology and labor displacement: Evidence from linking patents with worker-level data, 2023.
Autor et al., New frontiers: The origins and content of new work, 1940–2018, QJE, 2024.
Acemoglu and Restrepo, The race between man and machine: Implications of technology for growth, factor shares, and employment, 2019.
World Economic Forum (WEF), Jobs of Tomorrow: Large Language Models and Jobs, 2023.
Pizzinelli et al., Labor market exposure to AI: Cross-country differences and distributional implications, 2023.
Gmyrek et al., Generative AI and jobs: A global analysis of potential effects on job quantity and quality, ILO, 2023.
[28]本文隻列示GPT-4 turbo (2024-04-09) 版本的評分結果。我們也使用Claude 3進行了評分，其對于AI替代潛力的評價總體而言相比GPT-4更加保守。
[29]機器人學三定律：1.機器人不得傷害人類，或者故意不作為，讓人類受到傷害；2.機器人必須服從人類下達的指令，除非這種指令會與第一定律沖突；3.機器人必須盡力保全自身，隻要不與第一或第二定律沖突。（參見楊瓊：《探索機器人倫理原則》，《中國社會科學報》2021年第2196期）
[30]Frey and Osborne, The future of employment: How susceptible are jobs to computerisation?, 2017. (Working paper version 2013).
Nedelkoska and Quintini, Automation, skills use and training, OECD 2018.
Council of Europe, Artificial intelligence and labour markets: friend or foe?, 2020.
[31]Gregory et al., Racing with or Against the Machine? Evidence on the Role of Trade in Europe, 2022.
[32]World Economic Forum, Future of Jobs Report 2023.
[33]Acemoglu and Restrepo, Automation and new tasks: How technology displaces and reinstates labor, 2019.
[34]Kogan et al., Technology and labor displacement: Evidence from linking patents with worker-level data, 2023.
[35]我們先将SOC-6層級的淨就業影響平均彙總到SOC-2層級，并使用大語言模型将SOC-2層級的職業類别和第七次全國人口普查的職業類别進行了映射，以獲得各SOC-2職業類别的就業占比。
[36]Autor and Dorn, The growth of low-skill service jobs and the polarization of the US labor market, 2013.
Frey and Osborne, The future of employment: How susceptible are jobs to computerisation?. Technological forecasting and social change, 2017.
[37]Autor et al., The polarization of the US labor market, American Economic Review, 2006.
Böhm, M. J., The price of polarization: Estimating task prices under routine-biased technical change, 2020.
Böhm, et al., Occupation growth, skill prices, and wage inequality, 2019.
[38]International Labour Organization, Work for a brighter future–Global Commission on the future of work, 2019.
International Labour Organization, Global Wage Report 2022-23: The impact of inflation and COVID-19 on wages and purchasing power, 2022.
[39]Brynjolfsson and Unger, Artificial intelligence, IMF F&D, 2023.
Zarifhonarvar, Ali, Economics of chatgpt: A labor market view on the occupational impact of artificial intelligence, 2023.
[40]Ellingrud et al., Generative AI and the future of work in America, MGI 2023.
Felten et al., How will language modelers like chatgpt affect occupations and industries?, 2023.
[41]Kogan et al., Technology and labor displacement: Evidence from linking patents with worker-level data, 2023.
[42]Aghion et al., A theory of falling growth and rising rents, 2019.
[43]李靜等：《人工智能、勞動力任務類型與城市規模工資溢價》，《财經研究》2023年第12期。何勤和劉明澤：《人工智能對就業規模及勞動收入的影響》，《首都經濟貿易大學學報》2023年第4期。
[44]Krusell et al., Capital‐skill complementarity and inequality: A macroeconomic analysis, Econometrica, 2000.
[45]Karabarbounis and Neiman, The global decline of the labor share, QJE, 2014.
[46]Elsby et al., The decline of the US labor share, Brookings papers on economic activity, 2013.
[47]Arpaia et al., Understanding labour income share dynamics in Europe, 2009.
[48]Oberfield et al., Micro data and macro technology, Econometrica, 2021.
[49]Autor et al., The Fall of the Labor Share and the Rise of Superstar Firms, QJE, 2020.
[50]Piketty and Goldhammer, The Capital- Labor Split in the Twenty- First Century, Harvard University Press, 2014.
[51]Korinek and Stiglitz, Artificial Intelligence and Its Implications for Income Distribution and Unemployment. NBER, 2017.
[52]Aghion et al., Artificial Intelligence and Economic Growth, NBER, 2017.
[53]Acemoglu and Restrepo, The race between man and machine: Implications of technology for growth, factor shares, and employment, 2018.
[54]勞動節省型技術的沖擊使未來五年勞動力份額累計下降2.5%,而勞動增強型技術的沖擊帶來0.75%的上升（但由于統計上不顯著，這裡按0來進行下一步測算）。
Kogan et al., Technology and labor displacement: Evidence from linking patents with worker-level data, 2023.
[55]Gary S Becker, Human Capital: A Theoretical and Empirical Analysis with Special Reference to Education, NBER, 1994.
[56]Acemoglu and Restrepo, Artificial intelligence, automation and work, NBER, 2019.
[57]MGI, Skill shift: Automation and the future of the workforce, 2018.
[58]ILO, Non-standard employment around the world: Understanding challenges, shaping prospects, 2016.
[59]A.team, Survey: How AI Boosts the Productivity and Earnings of Top Tech Freelancers, 2024/05/06.
[60]https://www.gov.cn/xinwen/2021-05/20/content_5609599.htm
FT中文網：《英格蘭和威爾士的零工經濟勞動力達到450萬人》，2021年11月5日。
魏尚進：《讓“新就業形态”照亮未來》，《複旦金融評論》第16期。
[61]周暢：《中國數字勞工平台和勞工權益保障》，國際勞工組織工作報告，2020年11月。
[62]賈東岚、祝慧琳：《積極推動新就業形态勞動者報酬權益保障》，《中國人力資源社會保障》2024年第2期。
[63]G20, Providing adequate and sustainable social protection for workers in the gig and platform economy, 2023.
[64]Demirci et al., Who is AI Replacing? The Impact of Generative AI on Online Freelancing Platforms, SSRN, 2023.
[65]A.team, Survey: How AI Boosts the Productivity and Earnings of Top Tech Freelancers, 2024/05/06.
[66]王勇：《新就業形态：從高效到長效》，《複旦金融評論》，2023年第16輯。
[67]蔡繼明：《走出靈活就業社保困境的路徑選擇》，《社會保障評論》，2024年第1期。
[68]ILO, Non-standard employment around the world: Understanding challenges, shaping prospects, 2016.
[69]國家統計局：《2023年農民工監測調查報告》，2024年4月30日。
[70]CAFF50：《中國農村養老金融調查報告2022》，2022年12月。
[71]與之相對的，最低工資、工會和集體談判對就業和收入的影響、利弊取舍在學界的争議更大。
[72]WEF, The Future of Jobs, 2016.
[73]OECD Skills Strategy 2019, Chapter 4. Developing relevant skills over the life course.
[74]Padmaja and Mukul, Upskilling and reskilling in the digital age: the way forward for higher educational institutions, 2021.
[75]Illanes et al., Retraining and reskilling workers in the age of automation, 2018.
[76]https://www.npr.org/2023/01/31/1152652093/ai-artificial-intelligence-bot-hiring-eeoc-discrimination; https://www.shrm.org/topics-tools/news/employers-embrace-artificial-intelligence-hr
[77]Korinek and Stiglitz, Artificial Intelligence and Its Implications for Income Distribution and Unemployment, NBER, 2017.
[78]Lewis Silkin, Robot tax: the pros and cons of taxing robotic technology in the workplace, 2018.
[79]Schaefer and Schneider, Public Policy Responses to AI, Graz Economics Papers, 2024.
[80]Korinek and Stiglitz, Artificial Intelligence and Its Implications for Income Distribution and Unemployment, NBER, 2017.
[81]https://www.futureofworkhub.info/comment/2019/12/4/robot-tax-the-pros-and-cons-of-taxing-robotic-technology-in-the-workplace
[82]Schaefer and Schneider, Public Policy Responses to AI, Graz Economics Papers, 2024.
[83]Ocampo, José Antonio, and Joseph E. Stiglitz, eds. The welfare state revisited. Columbia University Press, 2018.
[84]Schaefer and Schneider, Public Policy Responses to AI, Graz Economics Papers, 2024.
文章來源
本文摘自：2024年6月28日已經釋出的《第四章 替代與增強，變革就業市場》
趙揚 分析員 SAC 執證編号：S0080521080006 SFC CE Ref：AZX409
吳曉慧 分析員 SAC 執證編号：S0080524010007 SFC CE Ref：BTK904
法律聲明