摘要
AI对就业市场的潜在影响引发了热烈的讨论。一些研究者预告AI将带来大规模失业，但也有声音认为AI带来的经济繁荣将创造新的就业。讨论AI的终极影响难免陷入科幻想象，但如果将问题明确为AI在可预见的未来（比如10年）对就业的影响，则经济学分析仍可以提供有价值的线索。
尽管AI在某些领域展现出超越常人的能力，但现有AI技术路线仍难以超越人类智能上限，也并未否定人类智能的价值和所需承担的责任。在进一步的颠覆性技术突破之前，AI与人类智能的差异性和互补性意味着二者存在协作的空间。我们基于中国的招聘大数据测算了各类职业受AI冲击的程度[1]。AI对劳动的替代作用和增强作用并存。办公行政、运输物流、数据处理等职业被AI替代的风险较高；而销售、法律、管理等职业则更多受增强作用的影响。基于我们的测算，未来十年AI可能导致整体就业增长有所放缓，但并不会带来大规模失业。
我们利用中国的招聘数据研究了AI对工资差距的影响。结果显示，过去几年AI替代效应大的职业工资增长较慢，与替代效应低的职业工资差距拉大。未来五年，AI可能导致中国的劳动收入份额小幅下降。我们还分析了AI对人力资本的影响，结果显示学历和职业经验的市场价值可能受AI影响而发生调整。值得注意的是，AI海量生成的大众化作品可能降低人类作品的市场价值和人力资本回报，进而可能限制人类智能的发展。
面对AI带来的就业市场变革，政策需要在初次分配和再分配阶段双管齐下。初次分配应注重对劳动者的职业培训和劳动保护，提升与AI协作的能力，以尽可能小的市场扭曲代价促进就业和提高劳动收入。偏向劳动者的再分配可确保AI发展的帕累托性质，促进社会对技术进步的支持。再分配的资金来源应选择扭曲性小的高累进所得税；“机器人税”可能抑制技术投资，不应作为首选。目前发达国家热烈讨论的全民基本收入可能成为AI时代的再分配政策选项，但成本高昂。对中国更具现实意义的是完善现有社保制度，尤其是善用AI对经济发展的促进作用，提升对弱势群体的帮助和保护。
正文
一、走向协作的人工智能与人类智能
人工智能已经在很多领域显示出接近或超过一般人类水平的能力，但是目前的人工智能仍然与人类智能在基本结构、学习方法和工作机制等方面迥然不同，二者具有各自的比较优势。在部分工作任务中，人工智能可以高水平地独立完成，从而产生替代人类劳动的作用。但是，在大部分工作任务中，人工智能还发挥着增强人类劳动的作用，使得二者在可预见的未来仍存在较大的协作空间。
（一）AI与人类的协作空间
人工智能，特别是大语言模型（Large Language Models，简称LLM），已经在自然语言处理、编程等多领域展现强大能力。例如，在美国律师资格考试、研究生入学考试等众多专业和学术考试中，人工智能已经表现出与人类相当的水平[2]。但同时，AI在实际应用中仍离不开人类的参与和指导。即使在编程这个公认的AI表现很强的领域，人类与AI的协作对于提升结果仍然重要。2024年AI专家吴恩达展示了人类精心设计的工作流框架如何提升主流大语言模型的编程正确率[3]：人类的工作可以显著提升较弱的AI模型如GPT-3.5，使之超越GPT-4等更先进的模型（图表4.1）。人类在设计工作流时所运用的四种技术（反思、工具使用、规划、多智能体）都体现了人类特有的思考体系和工作方式，而人类与AI模型的协作产生了大于任何一方单独工作时的效果。
图表4.1：各类AI大模型在人类设计的AI agent工作流框架中展现出更高编程水平
注：HumanEval是用于评估AI模型的代码生成能力的基准数据集。它由一系列编程问题或任务组成，模型通过生成代码来解决这些问题或任务。图表显示了各种AI模型在HumanEval数据集上测试的性能。黑色菱形点为AI模型在零样本提示（zero-shot prompting）时的得分，即指直接要求AI完成某项任务而不给AI任何例子作为参考，是提示方法的一种，其他方法如少样本提示（few-shot prompting）则是给AI模型布置任务的同时由人类给予几个示例。彩色圆点为AI模型被置于人类安排的不同类型的“工作流”框架后的得分。横轴代表 Pass@1 分数，该指标表示模型在第一次尝试时可以正确解决的问题的百分比，分数越高意味着模型在生成正确代码方面更加准确和高效。图表反映截至2024年5月27日的模型得分和排名。
资料来源：Papers with Code，中金研究院
大语言模型本身的训练和使用，也显示AI仍然离不开人类智能的指导。思维链提示法（Chain-of-Thought Prompting）是一种大语言模型的提示方法，使用者在向AI模型提出任务的同时也向其演示人类解决此类问题的思考过程，引导AI模仿人类的思维方式给出答案。实验表明，思维链提示法可显著提升模型在算术、常识和符号推理等任务上的表现[4]。思维链提示法就像是人类老师对AI学生讲解一遍解题思路，解题的效果固然取决于学生的知识储备（类似大模型的参数量），但老师所讲解的解题思路的优劣也影响最终的解题效果。
运用合成数据训练大模型的数学推理能力，是另一个人工智能与人类智能协作而提升水平的例子。合成数据不仅模仿目标数学任务的训练集，在生成时更通过改写问题、自我验证和反向推理等方式，增加了问题和答案的复杂性和多样性。一项名为AlphaGeometry的研究项目使用1亿个合成数据点训练用于解决复杂几何问题的神经网络模型。合成数据使得该模型面对复杂问题时可以提出和测试不同的方案，令AlphaGeometry的解题能力不亚于人类的奥林匹克数学竞赛金牌得主[5]。这种训练类似高水平的人类教师为AI开设辅导班，变换角度出题，引导AI学生练习并提升解题水平。AI自身的能力固然重要，但能够巧妙出题辅导AI的人类教师是AI解题的重要协作者。
人类已然认识到了AI时代与AI协作的重要性。荷兰人力资源咨询公司Randstad于2024年发布的世界工人调查显示，当前人们最想学习的前五项技能是：人工智能、信息技术与科技素养、幸福感与正念、沟通与演讲能力、管理与领导能力[6]。其中，前两项都直接与AI技术有关，后三项凸显人们对人类优势的理解。
（二）AI的相对优势并不能否定人类智能的意义
规模定律的“大力出奇迹”，被普遍认为是AI大模型产生了类似人类智能的主要原因。但是，目前学界和业界对于规模定律所能达到的能力边界仍存在激烈争议。正方坚信规模定律可以推动大模型不断进化并实现AGI，虽然AI从“一张白纸”起步，但数据、算力和参数的持续提升可以帮助AI学习积累休谟式不具因果性的经验知识，最终获得对世界的真实模型。反方则质疑规模定律能推动AI实现AGI并超越人类智能，强调思维结构对于知识的重要性，类似于康德所指出的先验条件对人类认知的重要性。认知科学倾向认为儿童的心智不是从“一张白纸”开始，具有对数量、空间、主体和对象等若干核心领域的先验直觉，儿童基于某种“启动软件”从后天经验中进行学习。正反双方都有重量级专家学者激烈辩论，然而AI技术的发展实践已经开始融合正反双方的观点，人们在笃信规模定律堆叠算力的同时，也开始对AI模型施加某种“先验”结构以改进其性能。比如，有监督微调（SFT）和基于人类反馈的强化学习（RLHF）等等AI模型“对齐”处理技术的使用，以及最新模型中混合专家（MoE）架构的引入。
AI相对人脑的明显优势并不能否定人类智能活动的意义。机器脑能储存的知识量远超人脑，计算速度也快于人类，能够归纳海量文本和数据中的潜在规律，无疑能够高效完成人类社会的多种工作。但是，我们应该更细致地分辨AI的长项与短处，以便我们更准确判断可预见未来里AI与人类在工作中的关系。OpenAI的研究人员表示，虽然大语言模型只是“预测下一个单词”，但这包括了千百万不同的任务或维度，包括语法、翻译、世界知识、情感分析、词汇语义学、数学、空间分析等等[7]。从ChatGPT开始，全球用户普遍感到大语言模型的语法水平非常高，但对模型其他方面的能力则感受不尽相同。语法是“预测下一个单词”所涉及的维度中规则性最强、可穷尽性高、可学习数据（互联网语料）最丰富的一个维度，而这正可以充分发挥AI经验主义认知的强项。但是，通过互联网语料并不能充分学习情感、数学和物理世界知识等，就好比一个通过题海战术背下各种题型的学生，尽管能在标准化考试中获胜，但并不是真正的数学好。因此，尽管AI在标准化考试中战胜了人类，这并不意味着人类的学习失去了意义。
AI的认知起点比人类更开放，采用经验主义学习法能“看到”庞大数据间的相关性和可能性，但在没有海量示例样本供其学习的领域，由于缺乏常识指引和理论构建能力，其结论的稳健性较低。值得指出的是，AI并非只包括GPT式的大语言模型。事实上，准确性更高的AI系统往往有更多的初始约束和更明确的学习路径或工作机制。比如，战胜了围棋世界冠军李世石的AlphaGo是基于蒙特卡洛树搜索（MCTS）的机制，稍早期用于图像识别的卷积神经网络（CNNs / ConvNets）则基于适合提取图像特征的架构和使用标记过的数据的有监督学习。这些约束带来的偏向性使得这些AI模型虽然泛化性和全面性不及大语言模型，但在特定任务上的准确性和可靠性更高。无论哪一种现有的AI模型，人类智能与之相比则具有更一般的初始规则、常识直觉和理论构建能力；同时，大脑采用更稀疏、更具选择性的信息处理策略，成就了人类思考更高的效率（比如决策速度）和认知的稳健性与适应性（图表4.2）。
图表4.2：不同类型人工智能与人类的认知能力获取机制对比
注：这里列出一些架构和工作原理不同、有代表性的AI，并非AI类型的穷举，比如我们并未列示AlphaFold和Sora等基于扩散模型乃至更加复合型架构的AI。当前的大语言模型（LLM）AI的预设结构最少，而人类的预设结构（儿童的“启动软件”）则可能是最复杂的，现有科学研究尚未能知晓其全貌。
资料来源：OpenAI, Google DeepMind, Lake et al. (2017), Wellman and Gelman (1992)[8], 中金研究院
AI在不同类型考试中表现有好有坏，也在一定程度上体现了其与人类智能相比各有所长。以GPT-4为例，其语文类考试（GRE Verbal）得分接近100%，但高中物理与化学考试得分仅为60%左右，在Codeforces竞技编程、美国大学生英文文学和写作、美国10年级及以下学生数学竞赛三门考试中的得分甚至不到10%[9]。在一个简单的图像推理游戏中，人类基准得分为95%，而GPT-4得分为69%，GPT-4V仅有25%[10]。经过人类干预和针对性训练后的AI模型表现则显著提升，比如在自然语言推理、图像分类等任务的基准测试中，AI模型表现出了接近或超过人类基准表现的水平（图表4.3）；但是在行程规划等更复杂的任务上AI模型仍逊色不少。例如，Gemini 1.5 Pro在人类给出100个示例的情况下最高也只达到42%的准确率，GPT-4 Turbo的最佳表现则只有31%；在只给一个示例的情况下二者准确率只有约10%[11]。对AI能力进行测试的平台发布了AI模型在数千个任务中上万个基准测试的表现[12]，结果显示各AI模型在这些任务上的能力差别很大，既体现了AI在特定任务中的优势，也体现了人类参与协作和不断改进AI的空间。
基于目前AI技术的水平和发展路线，我们应客观看待AI的能与不能、强项与短板。由于每个人的技能不同，AI的进步难免对个体人类造成异质性影响。对人类而言，AI既是工具也是竞争对手。对于人类与AI的关系，我们既不应盲目乐观也不宜妄自菲薄，而应发挥人类与AI协同工作的作用。现实中无论AI能力如何，在医疗等诸多领域中AI虽可辅助人类，但最终决策和责任仍须由人类承担[13]，人类也不应放弃对工作所承担的最终责任[14]。从长期来看，人类需要坚持自身在更强大AI乃至AGI开发中的主导地位，确保AI与人类智能发展是一种良性竞争，确保社会生产力的提高与人类的福祉方向一致。
图表4.3：各类AI模型在多种任务上达到或接近人类基准表现
注：多任务语言理解，简称MTLU，是指通过单一模型同时完成多种自然语言处理任务。图中所示的AI表现并非指某种特定AI模型的表现，也并非都是大语言模型，而是指在这一任务上，表现最佳的AI模型的得分，其中不乏有为某任务专门进行人工干预和训练的AI。比如视觉常识推理类任务表现较好的AI是ViLBERT、GPT-4RoI等模型，初级阅读理解上表现较好的是ANNA等模型。
资料来源：Stanford AI Index Report 2024，中金研究院
二、AI如何影响就业？
AI对就业的影响在全球范围日益引发关注。市场调查公司YouGov于2023年进行的调查显示[15]，全球约五分之三的受访者（57%）担心工作被人工智能取代。在亚洲，相当大比例的受访者担忧工作会被AI取代。印度受访者担忧的比例高达76%，阿联酋和印度尼西亚约七成受访者表示担忧。相比之下，中国内地和中国香港的受访者态度相对平静，表示担忧的受访者比例为55%。国际市场研究机构益普索（Ipsos Global Advisor）于2023年进行的覆盖31个国家的调查也显示[16]，全球平均有57%的工人预计人工智能会改变他们目前的工作方式，36%的人预计人工智能会取代他们目前的工作。皮尤研究中心（Pew Research Center）更早前的一项覆盖10个国家的调查显示[17]，当人们展望更长时期的未来比如50年，绝大多数人认为机器人和计算机可能接管很多现在由人类从事的工作，持这一观点的受访者在希腊、日本、加拿大分别高达91%、89%和84%。
人们真的需要如此担忧吗？要判断AI对就业市场的整体影响，需要从多个角度去分析和理解。我们将首先从职业层面入手，探讨在中国的职场中AI对不同职业的影响程度，并进而总结AI对中国整体就业市场的可能影响。我们的研究发现，人们迄今为止过于担忧AI对人类劳动的替代作用而忽视了增强作用；尽管AI在经济中的渗透不可避免带来就业增长的放缓和结构性失业，但是在可预见的未来并不会出现AI导致大规模失业的前景。
（一） AI对不同职业的替代效应和增强效应：一个基于中国招聘大数据的研究
现有研究采用了多种方法来评估人工智能对不同职业的影响。这些方法的基本思路都是评估在工作任务中AI与人类活动的重叠性，具体评估方法则大致分为三类：基于专家评分的机器学习分类法，基于专利文本和职业描述的文本分析方法，以及使用大语言模型（如GPT-4）直接评估。无论何种方法，上述研究离不开高质量的职业特征数据。目前大多数研究使用的是美国职业特征数据库（O*NET）[18]或其他国家的类似数据[19]。O*NET目前包括923个SOC职业分类，以及职业涉及的任务、能力、知识、教育、技能、兴趣、工作活动、工作风格、工资和就业趋势等广泛维度的描述。O*NET数据从在职者或职业专家那里收集，并定期修订以跟上变化的职业环境，其最新修订是在2019年[20]。
基于专家评分的机器学习算法分类来自Frey和Osborne（2013）对这一领域的开创性研究[21]。Frey和Osborne（2013）对70种职业可被机器学习和移动机器人等AI相关技术自动化的程度进行专家判断，并结合美国O*NET数据库判断各职业的“自动化瓶颈”，如感知和操作、创造力以及社交智慧等，最后利用这70个有标签的职业及任务数据，对所有702个职业的自动化概率进行测算。该方法不失为评估AI职业影响的科学方法，但也存在明显的问题：因为依赖专家标注和评估，结果有相当主观性。随着自然语言处理技术的发展，一些研究开始使用文本分析的方法[22]，通过分析职业任务描述与发生的技术进步（如专利或研究论文）之间的相似度，来衡量职业对AI的暴露程度。最新的研究开始利用大语言模型（如GPT-4）来评估职业任务与AI能力的匹配程度，其优势在于，AI对职业暴露度的评估更准确、更及时，也更便宜。基于AI庞大的知识库，其评估的准确性不亚于人类专家，而其高效率使得基于海量数据的研究成为可能[23]。
过往研究一度普遍认为那些涉及常规任务的职业，如办公室工作、生产和销售等，面临较高的AI自动化风险；而需要更多创造力、社交技能和情感投入的职业，如教育、医疗和艺术创作，受AI影响较小[24]。然而最新的研究发现，随着AI在语言能力上的进步，法律、教育和创意这类高技能职业也可能面临较高的AI替代风险[25]。现有研究存在一些共同的不足。首先，由于数据可得性，研究过于侧重发达国家，对发展中国家关注较少。其次，现有研究多使用美国O*NET数据来描述职业特征，而不同国家的职业特征可能存在差异。第三，大多数研究没有区分AI的替代效应和增强效应，而这两者对就业和工资的影响机制不同。最后，O*NET上次全面更新是2019年，导致现有研究数据较为滞后，未能及时反映过去几年AI的快速发展。
我们利用中国的猎聘网和智联招聘网站的招聘广告大数据[26]，运用本地部署的大语言模型构建了中国的职业-任务/岗位职责数据库，对不同职业的人工智能暴露程度进行测算和比较。为了确保与其它研究的结果可比，我们将中国的招聘职位按照美国标准职业分类（SOC-2018）的6位数层级进行分类。对于每个SOC-6的职业类别，我们随机抽取约400条广告，总共20多万条广告，得到了覆盖544个SOC-6职业的任务和岗位职责特征数据。通过提取每个职业的前10大核心任务，并基于这些任务在所有招聘广告中出现的频率计算重要性权重，我们得到了一个量化而全面的中国职业任务描述体系。据我们所知，这是国内首次基于真实就业市场数据和国际可比的职业分类体系，而非专家判断或间接映射，构建职业任务数据库的尝试。有了这一职业任务数据库，我们就可以使用人工智能技术对各职业的AI暴露程度进行测算。由于我们使用了截至2024年4月的最新数据，因此研究结果可以反映AI技术和职业任务内容的最新变化。与现有研究主要依赖美国O*NET数据不同，我们的职业数据基于中国招聘数据，体现了中国就业市场的微观特征。
基于上述数据库，我们让GPT-4等大语言模型为每个职业下的每条任务的替代效应和增强效应打分，并根据该任务在职业描述中的重要性加总后得到各职业AI暴露度量。如前所述，让AI评估各职业特征任务的AI暴露度，这充分利用了大语言模型的文本分析能力，可行性和效果已经在同类研究中得到了确认。我们采用这一方法，不仅节省了大量时间和金钱，结果也比人类专家评估更为客观中立。为弥补现有研究的不足，我们的研究扩大了同类研究的维度。首先，我们区分了AI的替代（自动化）效应和增强效应，分别评估其对就业和工资的影响。其次，我们考虑了三类不同的AI对人类职业的影响：一般意义的AI，大语言模型AI，以及大语言模型加人形机器人。第三，我们还考虑了AI的成本因素，即AI的成本能否在限定时间降至企业可接受的水平。
关于AI的替代效应和增强效应，文献显示二者对就业和工资有不同的作用机制和结果[27]。替代效应减少对相关就业的需求，但是增强效应由于提高劳动生产率并带来行业间溢出效应，可能提高相关就业的需求并促进工资增长。我们的测算结果显示，AI对不同职业的影响差异显著（图表4.4）。替代作用最高的几个职业大类包括：办公室和行政支持，运输和物料搬运，计算机和数学，以及生命、物理和社会科学等。由于GPT-4认为未来十年内自动驾驶成熟落地的可能性高，因此运输和物料搬运大类下的很多职业替代作用得分较高[28]。信息和数据收集与处理、报告撰写等研究性工作也被认为属于大模型AI的优势领域而替代作用得分较高。
在我们的结果中，销售、法律和管理工作由于“包含复杂决定、细微区别、解读模糊或因情境而异的信息”被GPT-4评估为难以替代，而同时这三类职业都被评估为增强作用得分高，尤其是销售。这一结果可能与下述事实有关：招聘广告对此类职业的核心任务描述大多包含结果导向，而非简单独立的动作组成。以电话销售员为例，现有研究一般认为AI替代度高，但我们的测算中替代得分低。这并非由于成本因素，相反销售的十大核心任务100%通过应用AI的成本测试；而是职业描述中包含GPT-4认为难以由AI独立完成的“销售指标达成”、“新客户开发”、“销售策略执行”、“客户满意度提升”等需要个性化解决方案、同理心及对人类行为细微观察才能完成的任务。相比之下，O*NET数据库对电话销售员的任务描述主要是“电话联系客户、获取客户信息、解释产品和服务”等动作内容，如不考虑完成对结果负责，自然容易被AI替代。社区和社会服务的增强得分也较高，主要因为“教育、指导和职业辅导顾问”、“婚姻治疗师”、“心理健康辅导员”等职业既包含资料收集和答疑解惑等AI擅长的工作，也带有销售属性而得到AI增强。
图表4.4：中国各职业的AI技术暴露度
注：大于零表示该职业受AI的影响程度大于各职业的均值；方块表示中位数，竖线表示p25和p75数据点，直线两端表示p10和p90数据点。直线显示了每个SOC-2职业大类下各约30多个SOC-6具体职业的AI暴露分数分布。
资料来源：猎聘，智联招聘，中金研究院
由此引出一个有趣的问题，也是我们在本章第一节中曾简略提到的：人类和AI，谁应该对工作和职业的结果负责？如果人类不放弃自身对工作的责任，则这一意愿本身就会导致AI对人类工作的替代性得到不同评估结果。那么人类是否应该放弃目前仍然握在手中的责任呢？工作作为一种人类社会活动的基本成分，是否内在地包含了“人类不可推卸其责任”的前提呢？对此我们难以给出答案。但是有意思地是，作为AI的大语言模型在对大量招聘广告进行阅读理解后，似乎并不愿轻易将工作结果的责任认定为归于AI。
我们发现，AI对一些职业大类下细分职业的影响存在值得关注的异质性。替代作用异质性最强的职业包括：办公室和行政支持，运输和物料搬运，农林牧渔，安保，生产等，表现为图4.4中替代作用线段长度大。以农林牧渔为例，其中既包括“农场工人和劳工，农作物，苗圃和温室”这种AI替代度只有1/10的体力工作，也包括“农产品分级和分类工”这种AI替代度高达80%的工作，因此带来较大的异质性。安保等工作也显示类似特征。值得一提的是，如果考虑到阿西莫夫为机器人指定的三条尊重人类的定律[29]，安保工作的部分任务可能永远无法由AI来实现。这种职业内AI影响的异质性，提示我们在分析AI对就业影响时需要加倍谨慎和细致，不能简单地将各职业约化为同质的简单动作，而需深入到工作的具体情境。
有趣的是，当我们把AI限定为纯大语言模型时，AI可以完全替代人类的任务比例平均只有总任务的2%，这使得即使不考虑成本可行性维度，AI的替代作用都非常小；而AI可增强的任务占比高达90%，且在所有职业大类中都有较高的增强得分。值得注意的是，这是大语言模型自身做出的评估。与人类的担忧不同，大语言模型似乎更倾向于将自己定位为人类的工具。当把人形机器人考虑在内时，AI可替代的任务占比与仅考虑一般意义AI相比略有上升，从约16%上升至约23%，替代作用上升显著的职业包括：社区和社会服务，食品准备和服务（主要为餐饮类），个人护理和服务，办公室和行政支持，销售，等等。估算职业的AI暴露度是一个动态的过程。我们的结果只是体现了大语言模型对未来十年AI发展的判断，而这一判断背后的内容是我们不得而知的黑箱。此外，职业暴露度只是影响就业和工资的众多因素之一，技术采用速度、经济结构变化和政策响应等其他因素也会发挥重要作用。因此，我们的估算结果可以被视为一个参考和起点，而非各职业劳动需求走向的决定性结论。
图表4.5：关于哪些岗位很可能被AI替代的问卷回复
注：图表所示为2024年4月中金公司进行的上市公司问卷调查结果，具体问题为“未来三年哪些岗位很可能被AI替代？”。
资料来源：中金研究院
图表4.6：关于AI替代还是创造工作岗位的问卷回复
注：图表所示为2024年4月中金公司进行的上市公司问卷调查结果。红色柱表示预计AI替代现有职工，灰色柱表示预计AI会创造新的就业岗位。为更好对比，“会产生新岗位，但我不知道会是什么岗位”的回答在图中归入“说不准”类别。
资料来源：中金研究院
我们还对中国部分上市公司进行了问卷调查，收到112份有效回复，涵盖大部分行业，其中约30%是制造业企业。问卷调查的结果与我们之前的研究结果有相似之处。比如，客服、人力和行政等岗位和生产岗位未来三年内被AI替代可能性更高（图表4.5）。面对“未来三年内，是否会在贵公司出现AI替代现有职工的情况？”，回答“说不准”的比例达39.3%。在被问及“未来三年内，AI应用是否会让贵司产生新的工作岗位需求”时，回答“会产生新岗位，但我不知道会是什么岗位”的比例达53.6%（图表4.6）。
（二）AI可能导致未来十年就业增长放缓，但不会带来大规模失业
关于AI对就业的整体影响，现有研究存在针锋相对的不同观点。部分研究认为AI和自动化技术会导致较高失业率，多项研究估计14-56%的现有工作存在被自动化的高风险[30]。然而，另一些研究则认为AI技术会带来就业增长，因为AI能通过提高效率和促进产业升级等途径创造就业，其创造就业的效应足以抵消替代劳动力的效应[31]。世界经济论坛的企业调查数据显示，约50%的企业预计AI将创造就业，只有25%预计会减少就业[32]。总体而言，现有研究文献显示技术变革的就业影响取决于其对人类工作的替代效应和创造效应等机制的共同作用结果，整体效果具有高度不确定性[33]。
图表4.7：未来十年AI对各职业类别就业增长率影响的估算
资料来源：智联招聘，中金研究院
我们利用上一节测算的中国各职业AI暴露度指数，结合现有研究文献，估算了AI对中国就业增长的潜在影响。Kogan等人（2023）把AI暴露度指数与未来十年的就业率增长联系了起来：替代作用的AI暴露度上升四十个百分点对应未来十年就业累计增长率下降4.4个百分点；而增强作用的AI暴露度上升四十个百分点对应未来十年就业增长率提高9.1个百分点[34]。我们根据其估算结果计算了每单位AI暴露度变化对应的就业增长率变化，并将这一系数应用于中国SOC-6职业，计算每个职业的净就业影响。我们发现，AI对中国不同职业的就业增长影响各异（图表4.7）。将各职业的净就业影响按其在中国总就业中的占比加权平均[35]，即可得到AI对总就业的影响。我们的估算显示，AI可能导致中国未来十年的累积就业增长率比基准水平低1.8个百分点，年增长率平均降低约0.18个百分点。对比大陆庞大的就业人口和劳动力数量，这一数字带来的影响并不显著。这意味着AI本身在未来十年内并不会带来大规模失业。
上述估计结果当然存在不确定性。首先，这里的就业增长率变化考虑了全行业层面的生产率效应及其正向溢出效应，即受AI增强的行业会扩张，并溢出到其他行业，创造出新的劳动需求。如果只考虑对现有在岗人员的影响，则劳动增强的AI也会带来失业，特别是职业内收入较高的工人失业概率也将上升，这主要是新技术的引入造成现有人员的技能过时和人力资本下降（技能流失效应）导致的。这提醒我们在解读整体失业率变化时要保持谨慎，因为较为平稳的整体情况可能掩盖其中的结构性变化。其次，我们使用的是基于美国数据估计的劳动力市场微观参数，由于缺乏微观数据，我们目前无法估计中国的相关参数。尽管存在上述局限性，我们的估算为评估AI对中国就业的潜在影响提供了一个基础的成果。
三、分化加剧是AI时代收入分配的特征
（一）AI可能导致工资差距拉大
现有研究采用了多种方法和数据来评估人工智能和自动化对工资的影响。一个主要的共识是这些技术变革可能会加剧工资不平等，但是不同研究对影响机制和程度各有主张。实证研究发现信息技术的采用和自动化程度较高的地区，劳动力市场出现工资极化[36]，中等工资的工作减少，高低两端的工作增加[37]。国际劳工组织（ILO）报告，尽管技术进步会创造新的工作，但可能会加剧不平等，低工资工人、女性和非正规就业者的工资损失最为严重[38]。也有研究认为AI可能加速自动化进程，这可能不成比例地影响低技能劳动者[39]。相比之下，高技能劳动者和受影响较少的职业可能经历工资增长，从而加大工资差距[40]。
相比现有的信息和自动化技术，AI对工资差距的影响可能更为复杂和微妙。一些研究区分了AI的劳动替代效应和劳动增强效应，发现它们对工资和就业有不同的影响。劳动节省型技术的内涵就是能够替代工人从事常规任务的资本品质量提高（或者说在质量不变的情况下价格降低），促成资本对劳动的替代。相比之下，劳动力增强型技术能提高工人的生产效率，有利于掌握新技术的工人，但对于熟练于旧技术而无法适应新技术的工人（主要是年龄大、受教育程度高且相对工资较高的人）则可能是负面影响。总体而言，替代作用与劳动份额下降相关，增强作用与劳动份额略微上升相关[41]。还有一类观点则强调人工智能可能通过提高生产率和创造新任务，对就业和工资产生正面影响，但由于不同群体受益不均，因此加剧不同群体之间的收入差距。比如研发密集型的创新企业支付更高工资，这加剧了企业间工资差距[42]。基于中国数据的分析及文献综述也显示，AI提高了非常规劳动力的城市工资溢价，但对常规劳动力特别是某些群体（女性、高技能）产生负面影响，加剧了地区、行业和群体间的收入差距[43]。
我们使用中国在线招聘数据显示的各职业小类工资分布数据，结合我们所测算的中国各职业的AI暴露度指数，估算了AI对劳动者工资差距的潜在影响。和文献预测一致，AI替代效应强的职业在2018-23年的工资累计增长率更慢（图表4.8）。同时，AI增强效应小的职业内部的工资基尼系数虽然略有增加，但增幅较小（图表4.9）。文献指出对于AI增强的职业，有两种相反的影响工资的力量，即技能偏向型技术进步带来的职业内工资极化，和技能流失效应对老员工和新员工间的工资差距的缩小。从中国数据来看，在受AI增强较大的职业内部，尚无哪种效应展现压倒性影响；进一步区分两种效应需要更加微观的工人层面的数据。不过，在解读AI对收入差距的影响时也应谨慎。鉴于大语言模型从2023年起才广泛应用，其对工资差距的影响仍需持续观察数据以准确评估。
图表4.8：AI替代效应强的职业工资增长较慢
注：数据为2023年相比2018年的增长率。
资料来源：智联招聘，中金研究院
图表4.9：AI增强效应强的职业内工资差距未扩大
资料来源：智联招聘，中金研究院
（二）AI可能导致劳动在GDP中的分配份额下降
现有研究采用了多种方法和数据来分析劳动收入份额的决定因素和趋势。一个主要的共识是，过去几十年劳动收入份额呈现下降趋势。一些基于美国数据的研究显示制造业劳动收入份额不断下降。对于背后的驱动原因，早期的研究强调资本深化是导致劳动份额下降的关键因素[44]；最新的研究开始使用行业数据分析劳动份额的变化趋势，比如《经济学季刊》（Quarterly Journal of Economics）的一项涵盖59个国家的研究发现全球范围内劳动份额显著下降，其中约一半可以用投资品相对价格的下降来解释[45]。基于美国行业数据的研究发现，劳动份额的下降主要发生在行业内部，特别是在制造业和贸易行业；因此，将劳动密集型的供应链外包可能也是美国劳动份额下降的一个关键原因[46]。基于欧洲行业数据的研究也发现，资本深化和部门就业结构的变化是导致欧洲劳动份额下降的主要因素[47]。最近的一些研究开始关注技能偏向型技术进步（Skill-biased technical change, SBTC）对劳动份额的影响，指出其可以解释美国制造业部门1970年至2010年期间劳动份额下降的20%[48]。上述研究描述和解释了过去几十年间劳动收入份额的下降趋势，特别是在制造业等行业（图表4.10）。然而，如果我们把视线放长，过去两百多年间的劳动收入份额变化更多呈现周期性，而没有明显的线性上升或下降趋势（图表4.11）。这提醒我们在分析劳动收入份额变化时应有一个全面且动态的视角，过去几十年间劳动收入份额的下降固然是现实问题，但并不能得出其趋势会长期延续，更无法直接推出技术进步等因素会使得劳动收入份额跌至零的极端结论。
图表4.10：美国制造业劳动收入份额下降
注：图表为美国制造业中劳动收入份额的三种衡量标准。
资料来源：Autor et al. (2020)[49]，中金研究院
图表4.11：超长期视角下，劳动收入份额相对稳定
注：图表为英国1770-2010年间劳动和资本在国民收入中的份额，法国等其他一些国家也存在类似趋势。
资料来源：Piketty and Goldhammer (2014)[50]，中金研究院
理论文献对AI时代劳动收入份额的变化做了一些预测。Korineck和Stiglitz（2017）认为，即使人工智能最终完全取代人类劳动，这也未必是个问题；因为在这种情况下，虽然经济产出主要由机器创造，但工人的绝对收入水平并没有下降[51]。Aghion等人（2017）认为，即使在AI技术高度发展的未来，劳动收入份额也会趋于稳定，而不是趋于零；因为自动化的实际程度是内生决定的，受到产品间替代性的制约[52]。Acemoglu和Restrepo（2018）提出了自动化的自稳定效应和平衡增长路径的概念。他们认为，当自动化速度超过新任务创造速度时，自动化会降低使用劳动力的成本，从而抑制进一步的自动化并创造出更适合劳动完成的新任务。这种自稳定效应使得自动化和新任务创造以相等速度推进，从而维持劳动收入份额的稳定。针对列昂惕夫（Wassily Leontief）在1980年代对机器替代人的悲观预测：“20世纪早期出现的新技术使马匹变得多余…劳动力将变得越来越不重要”，Acemoglu和Restrepo（2018）回应道“人类劳动力与马匹的区别在于，人类在（新技术应用后产生的）更复杂的新任务中具有比较优势，而马匹没有”[53]。不过，由于AI技术的普及尚在初期，目前的实证研究很难就AI对劳动收入份额的影响给出确切答案。
我们使用前文测算的中国各职业的AI暴露度和文献估算的参数[54]，估算了AI对劳动收入份额的潜在影响。结果显示，未来五年劳动收入份额相比基准情况可能累计下降0.73%，主要集中在办公室和行政支持、农林牧渔、生产、运输和物料搬运，以及销售（估算的就业量增长但工资下降）。教育、管理、法律、社区和社会服务、医疗保健支持是为数不多的劳动收入份额上升的职业，但增幅不足0.1%。我们对中国上市公司的问卷调查结果也反映了对AI可能造成劳动收入份额下降的预期。当被问及“您预计未来三年内，AI是否会导致贵公司人力成本占经营总成本的比重下降？”，回答“很可能”的受访者比例为45.5%，回答“说不准”的比例为47.3%，只有7.2%的受访者回答“不可能”。
四、AI冲击现有的人力资本积累模式
传统的人力资本理论认为，教育通过提高劳动者的知识技能可以带来更高的生产力和收入回报[55]。然而，人工智能的发展可能在两个方面影响人力资本积累活动。一方面，AI部分替代人类劳动，可能降低某些常规技能的价值，从而削弱教育投资的边际回报率[56]。另一方面，AI对不同技能的影响是非均衡的：掌握与AI协作关键技能的劳动者，其人力资本价值可能会增加[57]。
利用2018-23年间招聘大数据中的相关信息，我们发现过去五年那些高AI增强型的职业对教育水平的要求增幅高于低AI增强型的职业（图表4.12），而对工作经验年限的要求则增长更慢（图表4.13）。同时，我们对中国上市公司的问卷调研也显示AI时代并不会降低教育背景在用人单位眼中的重要性。当被问及“如果AI在贵公司应用越来越广，贵公司未来招聘时是否会仍然重视应聘者学历或学校？”，回答“是”的受访者比例高达77.7%，19.6%的受访者回答“说不准”，只有2.7%的受访者回答“否”。用人单位对学历的重视超过工作经验，也许反映的是最新技能的价值和具有“年代特征”的人力资本的贬值。人力资本的价值会受到获得的年代或时代的影响，这就是人力资本的“年代特征”（vintage-specific human capital）。过去某个时代的专业技能或知识，在新的技术革命浪潮面前可能显得过时。AI时代，反映人力资本积累的关键并不是学历或工作年限，而是持续学习和保持技能更新的能力。
图表4.12：AI增强效应强的职业对教育要求增加更多
注：数据为2023年相比2018年的增长率。
资料来源：智联招聘，中金研究院
图表4.13：AI增强效应强的职业对经验的要求增长慢
注：数据为2023年相比2018年的增长率。
资料来源：智联招聘，中金研究院
AI对人力资本积累甚或人类智能发展的影响可能不止于此。人类智慧的进步往往建立在大量普通创作的基础之上。在艺术、科学和学术等领域，绝大部分作品都不可能达到人类智慧巅峰的水准，但它们的存在为天才的出现和杰作的诞生提供了土壤。许多伟大的科学家和艺术家都是从平凡的环境中脱颖而出，他们的成长离不开在一般性工作中的积累。即便是天才般的成就，其灵感的闪现也是建立在日复一日的思考和尝试之上的，并非与生俱来。然而，AI可能从根本上改变人类智慧发展的这一格局：AI海量生成作品的能力可能显著降低人类创作的普通作品的市场价值。这可能使得人类退出相关领域的学习和创作，也降低了伟大作品产生的可能性。比如，AI在翻译上的高效可能使得越来越少的人愿意投入大量时间专业学习外语或专职从事翻译工作，而正是长期的、专业的实践和历练造就了戈宝权、朱生豪这样杰出的文学翻译家。从这个角度看，AI可能不仅没能超越人类智能，反而降低了伟大成果出现的概率。
为应对这种窘境，社会或许需要未雨绸缪，审慎对待AI的发展和应用。一种思路是为人类创作预留空间，防止大众市场完全被AI主导。这可能需要在关键领域为人工智能划定适当边界，以保护人类智能的发展空间。另一种思路是为人类创作赋予特殊价值，凸显其独特性，比如对“人类原创作”进行标注和认证。如果市场能够有效地自发应对，比如建立人类和AI的分隔均衡，则在可预见的未来这或许并非迫在眉睫的风险，也无需政策干预。但是，对于AI作品和人类作品在大众市场上的价值变化应保持紧密关注。在AI时代，个人固然应注重持续学习提升能力，社会也需要为人的发展保留市场空间，保护人类智能得以训练的系统。
五、AI时代的灵活就业和社会保障
AI时代灵活就业呈现进一步扩大的趋势。国际劳工组织（ILO）定义的“非标准就业”包括临时工作、兼职工作、多方就业关系（包括平台“零工经济”、“按需经济”）等形式[58]，本章统一称之为“灵活就业”。以大语言模型为代表的本轮人工智能技术发展可能进一步增加灵活就业的占比。大语言模型可以促进员工和公司之间更自然、更高效的沟通，提供实时翻译实现跨地理边界的顺畅协作；它还可以为内容创建、客户支持和市场研究等任务提供易于使用的工具，降低了成为企业家和自由职业者的门槛。一项最新的调研显示，近七成的受访者认为生成式AI会增加他们成为自由职业者的可能性。特别是技能水平高的独立工作者（跻身各自领域的前2%）受到人工智能技术的增强，生产力提升，被访者中的近一半已经在为各类企业构建生成式AI解决方案[59]。
在数字经济时代，灵活就业已成为全球总就业的重要组成部分，推动了充分就业，但与其相关的劳动保护和就业质量方面的争议也很多。截至2021年，中国有约2亿灵活就业人员，英国约450万人经常通过在线平台找到工作，日本和韩国的数字经济新政也促进“蛰居族”成为“数字游民”[60]。数字平台和灵活就业提高了劳动力的流动性和匹配效率，但同时灵活就业也存在诸多劳动保障问题。首先，灵活就业缺乏正规的劳动合同关系，2019年的数据显示中国仅约8%的平台从业者与平台建立了正式的劳动关系[61]。其次，平台的高谈判能力可能导致从业者处于相对弱势的地位。例如，调查研究显示外卖员、网约车司机等群体的工作时间较长，而在某些城市他们的净收入水平也较低[62]。第三，灵活就业往往存在失业保险保护不足的问题。全国整体来看，失业保险金领取人数占总失业人口的比例相对较低，失业保险覆盖有待进一步提高。G20国家在2023年联合呼吁应为零工和平台经济中的劳动者提供充足且可持续的社会保障[63]。
AI对灵活就业的扩大趋势，也凸显AI时代完善社会保障制度的紧迫性。AI的发展可能会加剧灵活就业者面临的挑战，如替代效应可能增加工作的不稳定性。研究显示，在ChatGPT推出后，替代效应大的自由职业职位发布数量减少了21%[64]；初级技能自由职业者，比如撰写公式化的SEO文章或HTML代码、做基本的数据分析和图形设计的劳动者面临更大风险[65]。数字经济时代，零工社保较难纳入“社会统筹和个人账户相结合”、政府企业和个体按一定比例共同承担的“三位一体”模式[66]。平台方和雇主方认为不应承担社保责任。而灵活就业者的缴费能力和意愿也较低，即使参保也多选择保障水平较低的方案，这会导致其退休后的养老金水平较低[67]。
为应对这一挑战，需要从多个角度完善社会保障制度。社保具有两种功能：强制储蓄和再分配功能。传统的雇佣关系中，企业承担为员工缴纳社会保险的责任，帮助员工完成强制储蓄，以避免个体不理性的跨期消费行为。但新形势下，企业难以明确一个灵活就业者是否属于自己的员工，也就无法为其执行“强制储蓄”职能。从强制储蓄的功能出发，有必要加强企业缴费的确定性，这也有利于社保体系的存续。而要做到这一点，需要从签订劳动合同等环节开始强化企业和劳动者的法律关系和权利义务，确定缴费责任。
从再分配的功能看，社保是大陆收入再分配的重要制度，其再分配程度主要取决于社保相对于GDP的规模。大陆社会保险支出对GDP的比例从1989年的1%逐步增长到2019年的11%左右，显示社会保障的水平在随着经济发展而不断提高，但与OECD国家平均水平相比仍有一定差距。政府可考虑对低收入者参保给予财政补贴，同时也应激励灵活就业者参保。国际劳工组织建议为非标准就业者提供更加灵活和可携带的社保方案[68]。农民工群体在就业市场中面临的挑战相对较多，且有一定比例的农民工从事生产、物流等受AI替代作用影响的职业[69]，而与其经济决策息息相关的农村老人的社会保障也有提升空间[70]。在保证社会保险支出稳步增长的同时，提高社保对弱势群体的保护力度，在AI时代意义尤为重大。
六、思考与启示
前文分析表明，AI正在深刻影响劳动力市场，以常规任务为主的职业面临更高的AI替代风险，而更多的职业则主要受AI增强作用影响。在考虑到AI提高生产率创造就业的正面效应后，总就业受到的负面影响有限。但是，各类职业都面临人工智能技术引入的扰动，即使在AI增强效应高的职业中，个体劳动者也面临更高的就业不确定性。同时，人工智能可能加剧工资差距，并可能导致劳动收入份额小幅下降。针对AI对就业市场的负面影响，政策可以在初次分配和再分配阶段同时发挥作用。
（一）初次分配阶段：职业培训和劳动保护
在初次分配领域，政策主要的发力点在于促进工人获取适应AI时代的新技能，职业培训是现实的政策抓手，这同时也可以促进劳动者的就业和收入，对劳动力市场的扭曲也最小[71]。为提高职业培训的针对性和有效性，政府可探索创造支持终身学习和个性化培训的有利环境[72]，转变为“赋能者”角色，通过提供培训券、奖学金等方式，让工人自主选择和参与再培训，更好地满足不同工人的特定需求。政府应特别向就职于欠缺培训机制的中小企业和零工平台的劳动者提供这些激励措施[73]。技能培训的一大难题是，AI的未来充满变数，需要具有前瞻性的培训计划。为此，培训机构需要更新方法，将教学和学习管理流程与技术进步相匹配，利用当代技术和创新，采用基于体验的教育，培养学生的适应能力和终身学习能力[74]。另一方面，企业应积极提供与新技术相适应的在职培训和职业发展机会。麦肯锡对欧美发达国家企业高管的调查显示企业本身也具备此类意愿，64%的美国私营部门高管和59%的欧洲私营部门高管认为，企业应负起主导缩小技能缺口的责任，而不是等待政府、高校或个人去做[75]。
在加强技能培训和教育的同时，政府应注意AI对劳动保护带来的挑战，尤其是AI在劳动场所监控以及在招聘和考评中的使用情况。运用AI实施对员工的监控和算法管理，为公司提供了对工作过程更多的控制，这可能会给员工带来压力并降低他们的自主权。美国国家劳工关系委员会（NLRB）已经对一系列工作场所的AI监控行为发起调查和警告。例如，亚马逊使用AI跟踪仓库工人的移动并自动生成绩效目标，这带来的结果是：员工在工作场所中的每一步、每一次谈话和每次上厕所都会被记录；员工间交谈超过30分钟会收到书面警告。皮尤研究中心在美国进行的调查显示，过半数被访者对公司使用人工智能追踪员工的移动、在工位的时间、在工作电脑上的活动等行为表示反对（图表4.14）。此外，AI还被用于招聘、评估和解雇决策。调查显示，目前有83%的美国公司在招聘和选拔中使用AI[76]；这貌似可以减少人为偏见，但如果算法是在反映过去歧视的历史数据上训练的，就存在固化既有不公的风险。
图表4.14：美国人对公司使用人工智能监控不同类型工作相关行为的看法比例
注：调查时间为2022年12月12-18日。
资料来源：Pew Research Center，中金研究院
（二）再分配阶段：累进税和转移支付
政府在初次分配阶段的政策可以帮助劳动者获取技能保有工作，但现实中许多人难以通过职业培训实现再就业。因此，除了提供培训机会，政府还需要考虑再分配政策，对受影响人群提供基本生活保障和支援。首先，再分配在AI时代不但可行，而且可以深化促进技术进步的政治基础。Korinek和Stiglitz（2017）以十九世纪英国纺织工人破坏机器的卢德运动为例指出，如果没有适当的再分配政策，“阻止创新”就会成为处境恶化的工人们的自然反应。在一个工人占主体的国家，有远见的创新者应支持再分配，以确保工人不会因技术进步而境况恶化。创新拓展了生产可能性边界，适当的再分配政策可以做到使工人和企业家（创新者）共享技术进步的成果，使得新的经济均衡点落在帕累托改进区域内（图表4.15），即所有人的福利水平都得到提高，强化支持创新的政治共识；相反，如果没有适当的再分配，创新后的市场均衡更可能位于E1，即企业家受益而工人处境恶化，这可能动摇支持创新的社会基础，阻碍技术进步的持续推进[77]。
再分配方案涉及到如何筹资和如何分配两个问题，也即“钱从哪儿来”和“花到哪里去”？每个问题都影响再分配的效率和可行性。从融资的角度，理论上来说应该选择扭曲性最小的税收方案。盖茨（Bill Gates）、马斯克（Elon Musk）和桑德斯（Bernie Sanders）等美国政商名人支持的“机器人税”可能并不是最佳方案[78]。Schaefer和Schneider（2024）利用包含世代交叠的宏观经济模型，试图证明对劳动收入征税是比机器人税扭曲更小的方案[79]；因为机器人税会降低投资和经济增长，且没有再分配保险功能，不是实现快速且包容性增长的政策首选项。与此同时，应重视劳动收入税的分级累进，因为AI会加大劳动收入不平等，累进税率可以起到再分配作用。由于土地增值收益主要来自社会进步而非个人努力，因此对土地征税有利于促进社会公平；类似的思路建议对因为AI应用而获得“意外收益”的要素征税，比如资本。但这需要在操作中分清“意外收益”的存量资本和直接投资于AI技术的新资本[80]，否则可能损害AI技术进步。
图表4.15：技术进步扩展生产可能性边界，适当的再分配促成工人和企业家双赢的新均衡
注：E0的东北方向代表具有帕累托改进性的均衡点应该位于的区域。
资料来源：Korinek和Stiglitz（2017），中金研究院
分配方面，全民基本收入（UBI）作为应对技术性失业风险的一种潜在政策工具，正受到西方国家越来越多的关注[81]。现有研究采用了多种方法和数据来评估UBI，一个主要共识是：尽管UBI可能有助于提供收入保障和减少不平等，但其实施面临着重大的经济、政治和道德挑战。目前支持UBI的人士倡导两种不同方案：一种是保留大部分现有福利计划并添加适度的UBI，另一种是大幅减少或消除福利计划并通过重新分配这些资金来资助UBI。后一种方案的倡导者认为，这可以缩小政府规模提高市场效率，同时程序的简化也降低实施的成本。一些研究认为，在比较UBI和私人保险两种保障机制时，只有当因AI而造成失业的因果关系的可验证性低或失业概率对技术进步的敏感度很高时，UBI才是一个更好的选项，因为此时没有合适的私人保险机制可以覆盖所有需要保障的人群[82]。
UBI的批评者认为，有意义的UBI极其昂贵，以美国为例其成本将超过当前美国全部联邦预算。他们担心UBI可能导致现存有效的瞄准性福利计划被取消，最终反而伤害更为脆弱的人群。根据测算，如果美国每个成年人每月发放1000美元，UBI成本将占美国2023年GDP的20%[83]。在中国实行UBI的成本大概多少？我们以第七次人口普查数据为基础，假设15岁及以上劳动年龄人口每人每月发放1400元人民币，这大约相当于美国标准的五分之一（与两国人均GDP比例接近），则UBI成本将占中国2023年GDP的15.4%。
一个更务实的做法是，随着AI带来生产力提升和经济增长，逐步扩大现有社会保障制度的覆盖面和福利水平。例如，政府保险计划可能比UBI或私人保险实现更好的保险效果[84]，而由于AI影响在职业分布上有一定的集中性，定向的失业救济金或再培训补贴可能更好地帮助受AI替代影响大的群体。对中国而言，现有的社会保障制度还存在不完善之处。例如，中国青年群体在就业领域面临脆弱性，而当前的失业保险制度对他们的保护力度相对较低。从事生产、物流等职业的农民工容易受到AI的影响，社会可进一步提升对类似人群的帮助和保护力度。扩大中国社保的覆盖面并提高保障的福利水平和公平性，在AI时代更具重要意义。
[1]本章在测算中国职业对AI的暴露度过程中使用了脉策科技首席经济学家陈沁博士提供的中国招聘广告的大数据，在此表示衷心感谢。我们也欢迎研究者使用我们基于这一大数据和本地部署的AI模型而构建的中国职业-任务数据库。
[2]OpenAI, GPT-4 Technical Report, 2023.
[3]新闻来源：https://new.qq.com/rain/a/20240329A041XC00?。下文提及的四种工作流技术：反思：让智能体（Agent）审视和修正自己生成的输出；工具使用：让大语言模型调用API等进行实际操作；规划：分解复杂任务并让Agent按计划执行；多智能体（或称多代理协作）：多个Agent扮演不同角色合作完成任务。
[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]资料来源：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和机器学习研究和测评平台Papers With Code为例，截至2024年5月末覆盖10,888个基准测试（benchmarks）和4,886个任务（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.
北京大学国家发展研究院与智联招聘联合课题组：《AI大模型对大陆劳动力市场潜在影响研究报告》，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]猎聘数据截至2024年3月22日，智联招聘数据截至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]本文只列示GPT-4 turbo (2024-04-09) 版本的评分结果。我们也使用Claude 3进行了评分，其对于AI替代潜力的评价总体而言相比GPT-4更加保守。
[29]机器人学三定律：1.机器人不得伤害人类，或者故意不作为，让人类受到伤害；2.机器人必须服从人类下达的指令，除非这种命令会与第一定律冲突；3.机器人必须尽力保全自身，只要不与第一或第二定律冲突。（参见杨琼：《探索机器人伦理原则》，《中国社会科学报》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]我们先将SOC-6层级的净就业影响平均汇总到SOC-2层级，并使用大语言模型将SOC-2层级的职业类别和第七次全国人口普查的职业类别进行了映射，以获得各SOC-2职业类别的就业占比。
[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]李静等：《人工智能、劳动力任务类型与城市规模工资溢价》，《财经研究》2023年第12期。何勤和刘明泽：《人工智能对就业规模及劳动收入的影响》，《首都经济贸易大学学报》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]劳动节省型技术的冲击使未来五年劳动力份额累计下降2.5%,而劳动增强型技术的冲击带来0.75%的上升（但由于统计上不显著，这里按0来进行下一步测算）。
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中文网：《英格兰和威尔士的零工经济劳动力达到450万人》，2021年11月5日。
魏尚进：《让“新就业形态”照亮未来》，《复旦金融评论》第16期。
[61]周畅：《中国数字劳工平台和工人权益保障》，国际劳工组织工作报告，2020年11月。
[62]贾东岚、祝慧琳：《积极推动新就业形态劳动者报酬权益保障》，《中国人力资源社会保障》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：《新就业形态：从高效到长效》，《复旦金融评论》，2023年第16辑。
[67]蔡继明：《走出灵活就业社保困境的路径选择》，《社会保障评论》，2024年第1期。
[68]ILO, Non-standard employment around the world: Understanding challenges, shaping prospects, 2016.
[69]国家统计局：《2023年农民工监测调查报告》，2024年4月30日。
[70]CAFF50：《中国农村养老金融调查报告2022》，2022年12月。
[71]与之相对的，最低工资、工会和集体谈判对就业和收入的影响、利弊取舍在学界的争议更大。
[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.
文章来源
本文摘自：2024年6月28日已经发布的《第四章 替代与增强，变革就业市场》
赵扬 分析员 SAC 执证编号：S0080521080006 SFC CE Ref：AZX409
吴晓慧 分析员 SAC 执证编号：S0080524010007 SFC CE Ref：BTK904
法律声明