人工智能和数字经济的就业影响

今天的题目有赶时髦之嫌，但实际上并非如此。人工智能和数字经济不是我的主要研究领域，但就业是我的领域，所以不算是赶时髦，因为这个问题无法回避。

当前就业的结构性矛盾突出，表现为“有人没活干”和“有活没人干”这两种现象并存。研究人工智能和数字经济对就业的影响，特别是造成这种结构性失业的原因，是我们的当务之急。

“这次真的不一样！”

“这次不一样”是经济学家最爱用的一句话，不管乐观主义者还是悲观主义者，都习惯于把这句话作为开头和立论，对事物当前和历史上的相似度进行比较。

就技术对就业的冲击而言，从历史来看，有两种观点：一种观点是，技术会破坏就业，导致人们失去工作而且无法回到劳动力市场；另一种观点是，经济史证明，人们最后都能找到工作，岗位和职业也比过去多得多，因此，技术会破坏就业，但是终究还会创造就业。这两种观点一直都存在。

这次确实不一样，体现在人工智能的速度、广度、深度与以往任何科技都不同。人类有史以来，在12000年前发明农业，这是一次最大的革命；在几百年前完成工业革命，这也是了不起的革命；还有几十次具有关键通用型特征的技术变革，带来生产方式的进步以及产业的革命。但以上这些革命都不能与人工智能相比，因为人工智能的每一次进步都可以视为一次关键性的通用技术进步，都可以赋能到其他科技领域和产业领域。

当今人工智能的发展呈现出三个特征：

第一，颠覆性技术出现的频率越来越快，技术路径也趋于多样化。科学技术的发展，归根到底就是一个试错的过程。比如传统的育种方式，以前是一年种一季两季，如果没有结果，第二年继续试，有的育种专家可能终其一生也没有培育出新品种。现在由于数字技术的应用，可以通过基因编辑进行育种，这个过程的推进速度越来越快。有人说人工智能最核心的竞争力是便宜，把什么事情都变得非常廉价，其实更重要的是速度，在很短的时间内就能完成无数次试错。

第二，技术的影响范围越来越广，涉及科技、教育、政府、个人。在早期的技术革命中，机器人替代操作型的工人，承担脏活、累活和危险工作。但现在的人工智能更倾向于替代高智能岗位，替代就业几乎无远弗届。

第三，AI赋能的技术得到深度应用，达到提高生产率的目标，也造成就业破坏。发展人工智能投入了大量资源，特别是国外的大语言模型的研发投入巨大，包括数据、算力、能源等。花了这么多钱，最终是想赚回来，最直接的办法就是推动深度应用，提高劳动生产率。提高劳动生产率最传统的办法就是减少劳动投入，这自然对就业造成巨大冲击。

我用一张图来说明技术的快速进步和加速度。1770年，西班牙工程师发明了自动机器“象棋土耳其人”，虽然这后来被证明是骗局，但“人造智能”的想象力开始出现。180年后的1950年，图灵从科学理论上提出“人工智能”的概念。47年后的1997年，“深蓝”计算机战胜国际象棋世界冠军卡斯帕罗夫。20年后的2016-2017年，AlphaGo分别战胜围棋世界冠军李世石和柯洁。6年后的2023-2024年，ChatGPT大语言模型出现。在此之后的1年内，无数模型涌现，包括中国的DeepSeek。可见，人工智能的发展速度越来越快，影响越来越深远。

为什么卢德主义绵绵不绝？

从经济学角度来理解人工智能对就业的影响，就不得不提到卢德运动和卢德主义。学经济学的人，脑海里都会假设卢德主义是错误的，我们不妨回顾一下。

在工业革命时期，有一批手工艺工人发现，随着新机器的使用，他们的工作被替代和剥夺，特别是一些技术性工人（匠人）的手艺没有了用武之地。这些人迁怒于机器，成立了一个所谓的卢德组织，从一开始偷偷地毁坏机器直至发展到跟政府武装对抗。后来英国颁布法令，镇压卢德运动，破坏机器的工人甚至被绞死。

尽管如此，卢德运动仍时有发生。但经济学家始终认为卢德主义是错误的。实事求是地说，工业革命之后，工作岗位越来越多，就业越来越充分，收入越来越高。表面上看，机器替代了工人的工作；实际上，技术进步创造了更多的工作。很多人据此认为卢德主义是错误的，一直到今天。在讨论人工智能的就业影响时，首先要澄清这个认识。

技术进步固然会创造新的就业，但是就业破坏与就业创造之间有巨大的不对称。第一，就业创造可能长期滞后于就业破坏。事实证明，在相当长的时间里，破坏的岗位多于创造的岗位。几十年后创造的更多岗位，和当时失去工作的人是没有关系的，可能到那时连他们的孙子都已经退休。

第二，归根到底，劳动生产率提高对人们有利，可以提高收入，也有机会获得新的工作，但这不是自然而然产生的，需要有制度性的安排。技术进步对就业没有涓流效应。

第三，搜寻和匹配模型可将卢德主义纳入当代经济学的分析框架。从当代劳动经济学的分析方式来看，工人和雇主之间就是相互搜寻，然后讨价还价，最后各自让步，达成一个匹配的协约，形成雇佣关系。

为什么说卢德主义至今没有被令人信服地批倒呢？首先，机器在工厂中得到运用是一下子发生的，工人瞬间丢掉工作，即使后来找到新的岗位，也需要一个搜寻和匹配的过程，两者在时间上是不对称的。

其次，在劳动力市场上，每个求职者都有一个保留工资（对工资预期的心理价位），企业家也有一个保留生产率（愿意接受的生产率水平）。每当新技术应用以后，企业家的保留生产率便会提高，只有对那些达到保留生产率的求职者，企业才会雇用或给予应有的收入水平。这时，被替代的那些工人显然达不到企业家的保留生产率，因此要么找不到工作，要么降低自己的保留工资。

新技术应用导致的最典型现象，就是劳动力市场的两极化。比如美国制造业的岗位实现自动化，人力资本高的人进入更高端的服务行业，没有对应人力资本的人退回到低端岗位。他们或许都能生存，但是收入差距拉大，劳动力市场的两极化态势形成。所以，简单地批评卢德主义解决不了今天的问题。

这些年我国机器人安装数量的增长速度是世界上最快的，更不用说一般性的机器替代人了。自从出现劳动力短缺以来，企业把更多的投资用来购买机器，以替代人工。这既会创造岗位，也会破坏岗位，究竟两者之间是什么关系？我们不能给出准确的答案，但可以通过一些数据进行初步观察。

根据官方的数据，过去很多年的城镇新增就业都是1300万左右，我国劳动年龄人口早已经历负增长，为什么还会有这么多的新增就业？因为这里的1300万左右其实是“毛创造”，只记录了新增加的岗位，不记录损失的岗位。

那么到底是创造的多还是损失的多呢？用“净增就业”（当年城镇就业总量减去上一年总量）减去“新增就业”，就得到“净就业创造或破坏”（这个数值为负就意味着岗位净破坏）。从这个指标来看，2012年之前还有一些净创造，2012年之后的净破坏数额逐步加大，而且呈现持续累积的趋势。这就是现在自然失业率相对较高以及存在大量就业困难的原因所在。

“阿西莫格鲁事实”

对于新的就业冲击，我们不应该再靠批判卢德主义而保持乐观，而是希望引入一些新的理念，构建有益的认识框架。

阿西莫格鲁是2024年诺贝尔经济学奖得主之一，他对这个领域的几乎所有话题都有研究。总结他的相关理论和经验证据，可以帮助我们构建分析框架。我把他得出的一些结论称为“阿西莫格鲁事实”。

事实一：老龄化是自动化加速的动因。

历史上的自动化和老龄化没有关系，老龄化是当今世界的特殊现象。换句话说，人口转变因素也是自动化一个新的动因，所以要在这个框架内重新认识自动化。

阿西莫格鲁认为，随着人口老龄化，中年年龄段的劳动力出现短缺，而这个劳动力群体最擅长的岗位就是美国当年最典型的中产阶级岗位——制造业工人。因此，中间年龄劳动力短缺导致制造业自动化。当劳动力不足时，劳动相对于资本变得更昂贵，企业家就会购买更多的机器（人）来替代人工，自动化就此发生。

在世界工业机器人市场中，中国排在第一，日本第二，韩国第四，都有极为突出的人口老龄化背景。这三个国家的老龄化程度也最高，中间段的劳动年龄人口减少最快。中国的劳动年龄人口减少已经十多年，总人口减少也有两年了，进入了中度老龄化阶段。同时我们还有一个更大的特点，叫做“未富先老”。日本是世界上人口最老的国家之一、老龄化速度最快的国家之一，也是老的时间最长的国家之一。日本长期缺乏劳动力，只能不断增加机器人的使用。韩国的老龄化程度后来居上，其总和生育率（平均每对夫妇生育的子女数）只有不到0.8，是世界上最低的。

事实二：岗位替代导致收入差距扩大。

这方面有两个因素起作用。第一，人工智能和机器人替代人力资源，意味着劳动对资本、劳动力价格对资本回报处于不利的谈判地位，拉大资本报酬和劳动收入之间的差距。第二，机器人替代一部分劳动力以后还会留下少量岗位，也会创造生产率更高的岗位，所以，企业的保留劳动生产率相应提高。然而，这些岗位只适于人力资本更高的人，这部分人数量不多，可以获得更高的工资。而那些人力资本禀赋不足的人，只能找到生产率更低的工作，在更低端的岗位上获取更低的工资报酬。美国就提供了劳动力市场两极化和收入差距扩大的最佳案例。

从中国的情况，也可以看到这个趋势。通过帕尔玛指数（人群中10%最高收入人口总收入与40%最低收入人口总收入的比值）可以发现：第一，2010年之后收入差距是缩小的。全国收入差距缩小，农村收入差距缩小，城镇略有扩大，但也比较稳定。第二，全国收入差距与城镇收入差距、农村收入差距是不一致的，全国收入差距更大，原因是全国收入差距中不仅包括城镇收入差距、农村收入差距，还包括城乡之间的收入差距。

从图中可以看出，城镇收入差距近年来有扩大的趋势。过去十年里，我们的制造业比重至少下降10%，意味着制造业就业人数是减少的，占比也是减少的。从制造业流出的人员去哪里了呢？少数农民工年龄大了，回到老家务农或做点小买卖，但更多的人进入服务行业，由于服务行业的劳动生产率低于制造业，他们的工资就会降低。可见，劳动力市场后果表现在城镇收入差距扩大趋势上面。

事实三：人工智能的岗位取向可以引导。

AI开发和应用的正确取向有两个方面：第一，提高生产率是AI自动化的重要目标，减少劳动投入却不是提高生产率的唯一途径，还可以通过提高产品和服务的质量以及用户体验增加收入。第二，提高生产率也不是技术创新的唯一目的，有很多其他目标不仅与提高生产率同等重要，并且与创造就业兼容，或至少没有显著的就业破坏效应。

举个例子：由于各地的优质医疗资源相当稀缺，北京几家最好的医院通常人满为患，全国的患者都来看病。医务人员非常辛苦，但仍不能满足患者的需要，一号难求，票贩子泛滥。假设现在人工智能可以提高效率，让一个医生每天的接诊人数从过去的10人增加到20人，这个时候就有两种选择：第一，保持现有医生人数，增加接诊数量；第二，分流一半的医生，维持原有的接诊规模。很显然，前者是正确的选择。但是，如果激励不正确，出现后一种选择也是可能的。

阿西莫格鲁说，有正确的AI，也有错误的AI。在哪个领域率先应用人工智能技术，或者把人工智能引向哪种职能，都是人们的选择，事在人为。他建议的正确的AI应用包括教育、医疗、增强现实和虚拟现实等。总之，特点是人与人工智能可以达成更好的协调和互补。

冲击下的就业可能性

人工智能的发展会导致对工人的替代，那么被替代的工人去哪里呢？历史上，人们对此做过一些分析，我总结为以下四种可能性。

第一，“索洛生产率悖论”。1987年，同一年的诺贝尔经济学奖获得者、美国麻省理工学院的索洛教授，在一篇发表于刊物的短短书评中说出一句名言：“我们到处都看得见计算机，就是在生产率统计方面看不见计算机”。尽管计算机技术飞速发展，但是生产率并没有随之提高，这就产生一个悖论。如何解释这个悖论？很多学者都试图通过研究找到答案。

我认为一个可能的解释是，在美国和中国的劳动力市场上都可以看到，新技术不是普照之光、雨露均沾，使用人工智能等新技术的企业、地区和行业是不均衡的，只有具备条件的才会使用，这个时候就产生了劳动生产率的差距。劳动生产率提高的企业会减少对人工的使用，生产率进一步提高。被裁减的这部分人会经历失业，最终流向生产率本来就偏低的部门，特别是服务行业，工资和生产率都进一步降低。从全社会的角度看，生产率则没有明显的提高，因为生产率提高和降低的效果互相抵消。

过去有人研究发现，至少从上世纪90年代到本世纪初的一段时间里，美国的就业增长中没有一个岗位来自制造业，所有新增岗位都是服务行业，主要是社会保障等领域，这些领域的劳动生产率低于制造业，所以美国没有出现劳动生产率的显著提高，同时很多人的收入还下降了。

第二，“鲍莫尔成本病”。在全社会劳动生产率整体较高的情况下，总会有一些部门的生产率不能提高，比如理发行业，从过去的剃头师傅到后来的理发师、美容师、形象设计师，不管怎么称呼，也不管用多么高端的化妆品，只能逐个完成理发过程，不可能通过机械化同时给好几个人理发，因此劳动生产率的提高是非常有限的。但是由于人们都有理发的需求，理发师的收入也会不断提高，与全社会平均收入水平大体同等。

鲍莫尔最早提出这个现象的时候，是以表演艺术市场为例。比如歌剧，从过去的人工拉幕变成现在由机器完成，在场景中增加了现代科技应用，但是演员规模和表演方式没有本质变化，所以劳动生产率没有明显提高。尽管如此，人们愿意花钱听看歌剧、京剧、交响乐，此外国家还要对这些行业进行补贴。这是以整体劳动生产率提高为基础，保留一些劳动生产率没有提高的行业，使其仍可生存。

第三，“阿西莫格鲁正确的AI”。阿西莫格鲁指出，AI在教育、医疗、增强现实、虚拟现实等领域的应用，都属于“正确”的方向，可以少破坏岗位、多创造就业或者分享劳动生产率。

第四，“凯恩斯可能性展望”。1930年，正值世界经济大萧条期间，大家认为资本主义经济的未来堪忧，在一片悲观的海洋里，凯恩斯发表了一篇名为《我们孙辈的经济可能性》的文章。他预言，100年以后劳动生产率会提高8-10倍，每人每周只需要工作15个小时。我在前几年以西欧国家为样本进行了测算，结果证明凯恩斯对劳动生产率提高的预测是正确的。

2024年，国际货币基金组织总裁格奥尔基耶娃受邀到剑桥大学国王学院，发表了题为《我们孙辈的经济可能性》的演讲。她说，国际货币基金组织的学者也证明，凯恩斯关于劳动生产率提高的预测已经实现，但是每人每周只工作15个小时还没有实现。

凯恩斯在文章中写道：“这是人类自被创造以来，第一次面对他真实、永恒的困境，即如何打发休闲时光”。劳动生产率达到很高的水平，社会财富充分涌流，人们当然不需要工作那么长时间。你的工作不需要别人支付报酬，国家可以支付。你可以休息，也可以工作，做自己觉得有意义的事情。凯恩斯对未来的展望，不像一个资本主义经济学家的想法，更像马克思主义的想法。

马克思和恩格斯讲到两种分配方式：一种是按劳分配，付出多少劳动就得到多少报酬，如果不这样分配，大家都不工作，不能养活自己，更不能养活这个社会；另一种分配方式，按照马克思的设想，在未来生产率提高之后，财富充分涌流，可以按需分配。

按需分配在就业上的表现是，我可以白天务农、打鱼，晚上参加一个辩论会，回家以后写一篇文艺评论。当劳动生产率足够高的时候，就有了人的全面发展，有些事即使没有报酬你也愿意做。凯恩斯展望的是一种可能性，但是在今天，我们比以往任何时候都有权利设想这个可能性。

回到现实，从中国的情况来看，“索洛生产率悖论”可能表现更普遍。在相当大的程度上，我们的新就业形态，包括灵活就业、非正规就业等，会出现以往的岗位消失、只能退而求其次的情景。

国际劳工组织对非正规就业的定义是“制度化经济结构之外的经济活动”，比如地下经济、家庭帮工、自我雇佣等。我国对非正规就业没有正式定义，也没有正规统计。但是中国有一个特殊的表现，可以从分部门、分单位的就业相关指标来观察哪些具有非正规就业特征，比如工资偏低、劳动时间偏长、社会保障不完善、权益不能得到充分尊重、工作不安定等等。最后我们发现有三个集中的特点：第一，不是在单位就业，而是零工或者派遣工；第二，不在公有制部门，可能在私营经济、个体经济；第三，可能没有常住地的户口。

我们有一个概念叫非单位就业，在私营部门和非单位就业的人数高达3.1亿，非单位就业不能直接称之为非正规，但其非正规的性质比较明显。还有一个概念即灵活就业人员，官方统计数字是2亿人。还有一个最窄的口径，就是中华全国总工会调查的新就业形态，主要是大卡车司机、网约车司机、快递员等，新就业形态的人员目前是8400万。

由于劳动力市场的波动、替代和调整，出现了非正规就业、非单位就业、灵活就业的新就业形态，这是目前的状况。所以，我们把私营就业和非单位就业在全部城镇就业中的比重，不严格地称为非正规指数。

解决问题的出路在哪里？虽然“这次不一样”，但仍有一个保持不变的特点。当受到就业冲击、面临被机器替代的时候，你只能寄希望于两个方面：一是自己的技能和人力资本，这可以通过教育和培训获得；二是社会保障或社会福利，这是国家提供的。前面介绍的观点对中国都有借鉴意义，这可以从中国“一老一小”劳动群体的分析中看到。

阿西莫格鲁认为，由于中间劳动力短缺，所以这部分岗位率先实现自动化，其结果就是留下“一老一小”。中国也有这个趋势，是人口老龄化的一个特征。

我们从2000年人口普查（“五普”）和2020年人口普查（“七普”）的数据看一下人口结构。“五普”的时候，在全部15-65岁劳动年龄人口中，中间段人口的占比还很高，但到“七普”的时候已经大幅度下降，这意味着“一老一小”问题更加突出。

“一老一小”表现的是一种不利的人力资本组合。年轻人的强势是受教育程度高，弱势是没有工作经验。老年人的弱势是受教育程度低，强势是工作经历丰富。所以对于“一老”和“一小”来说，人力资本比较优势都是有强有弱。中间段的劳动力相对来说具有一个合理的人力资本组合，受教育程度高于老年人，工作经历强于年轻人。但是由于中间段的人口在减少，所以“一老一小”是我们关注的重点，要以不同方式来补他们人力资本的短板。

培养什么样的人力资本？

我们长期以来都在说人力资本很重要，特别是教育很重要，现在看来仅仅这样说还是不够的，AI时代人力资本有了并且仍将有新的变化、新的特征。

第一，人力资本竞争从个人之间演变为人类智能与人工智能之间。过去我们对孩子投资，这是人和人的竞争。比如我的孩子受教育年限达到17年，别人的孩子只有9年，那么我的孩子在劳动力市场就具备竞争优势。但现在新的人工智能技术对岗位的替代几乎是无差别的，最近的趋势反倒是替代受教育程度更高的岗位。因此，人力资本竞争已经从人与人之间竞赛，变成人类智能与人工智能之间对决，这是一个很大的变化，背后有深刻的含义。

第二，人力资本培养必须是终身的，衡量标准也不再仅仅是“受教育年限”。随着人工智能的快速发展，人类知识和岗位技能变化得更快。“上学”和“升学”都不再代表人力资本培养，人们必须不断学习，通过干中学、在职培训和再学习等全生命周期积累和更新技能。

第三，人类特有的能力通常是在早期儿童发展和学前教育阶段形成，所以教育要向前延伸。人与人之间的竞争力是同质的，可以通过学习来提高竞争力。但人类与人工智能的竞争力是不同质的，我们必须找到自己最有竞争力的人力资本相对优势。在体力劳动、操作性技能、认知能力等方面，新的人工智能已经超过人类。在非认知能力方面，譬如说人际交流、领导力、团队精神、同情心、同理心等，以及隐性知识、实践智慧方面，人类迄今仍具优势。

有人提出一个所谓的“莫拉维克悖论”，认为人类所独有的高阶智慧能力，例如推理，只需要非常少的算力，但是要让人工智能或机器人掌握无意识和依靠直觉的技能却需要极大的算力。

举个例子，人工智能通过深度学习可以战胜国际象棋和围棋世界冠军，但要让机器人具有像三四岁孩子那样的感知和行动能力，譬如说端着一杯水从这里越过障碍走到那里，却相当困难甚至迄今仍是不可能的。从胎儿到出生后的前1000天，这个阶段的学习决定了一个人的非认知能力，这是更深层的人力资本，能够让人受益终身。因此，教育应该向学前阶段甚至儿童早期发展阶段延伸。

人力资本培养要“三管齐下”。第一，按照发展阶段，教育的公共品性质愈显突出，公共教育支出水平要水涨船高。终身学习、教育向更早阶段延伸，乃至延长义务教育年限，都需要大规模增加投入。

迄今为止，我国公共教育投资占GDP的比重是4%，大约是世界的中位水平，多年保持这个水平属于难得的成就。不过，一方面如今面临的人力资本挑战十分严峻，另一方面中国即将进入高收入国家行列，因此增加教育投入确有必要。

第二，明显改善教育资源配置的均衡性和公平性，这可以在既定投入基础上明显提高教育质量和人力资本投资回报率。

第三，启动教育发展的第三级火箭，促进报酬递增。教育推动经济增长曾经有过两级火箭：先是90年代开始的普及九年制义务教育；当教育对经济增长的促进效应发生递减现象时，第二级火箭即高校扩招又启动了，接续了对经济增长的驱动力。现在要启动第三级火箭，包括义务教育分别向前后延伸等举措。

从菲利普斯曲线到贝弗里奇曲线

宏观政策上也要做出相应的调整。菲利普斯曲线反映了失业和通货膨胀两者之间权衡取舍的关系。过去在宏观经济遭遇冲击的时候，我们通常出台一些扩张性的宏观经济政策，包括宽松的货币政策和财政政策，以此来刺激经济增长，使其回归潜在增长能力，这就意味着回归充分就业，消除周期性失业。

现在的问题是，在消除了劳动力市场周期性冲击以后，自然失业率也跟着提高了。早在新冠疫情暴发之前，估算的自然失业率大概是5.1%，相当于充分就业的失业率，是可以接受的水平。疫情冲击导致实际失业率高于自然失业率，说明三年里大多数时间处在周期性冲击之中，现在虽然逐渐回归自然水平，却保持在偏高的水平上。同时，青年失业率保持高位也是结构性矛盾加剧的表现。这都意味着自然失业率趋于提高，故关注点要从应对周期冲击转向解决结构性矛盾。

还有一点需要关注，就是从长期趋势来看，中国长期以来的劳动力丰富、就业不充分的总量矛盾也得到缓解。在过去十余年里，劳动年龄人口、城乡劳动力、城镇就业等不同口径的劳动力资源，都已经进入或即将进入负增长阶段，意味着总量性就业矛盾转变为结构性就业矛盾，是一个发展阶段现象，在趋势上不可逆转。

解决结构性问题，有很多可能性以及应对的变化，除了人力资本的应对之策之外，还有一个举措是显著提高社会保障水平。这里提到的社会保障和以往的含义也有所不同。过去强调不能养懒汉，要严格识别哪些人具备享受待遇的资格。未来劳动生产率得到极大提高，在人工智能的冲击下，可能很难再识别谁是懒汉。这个时候我们的社会保障体制将越来越具有普惠性与兜底性的统一，普惠的特点越来越明显。这也符合“瓦格纳法则”所揭示的内涵，即随着经济发展水平的提高，政府支出占GDP的比重相应提高。从现在起到2035年基本实现现代化，是大幅度提高政府支出比重的一个关键时机。

不能被忽视的是，未来劳动力市场制度仍然非常重要，要顺应人工智能挑战，与时俱进地构建新型劳动力市场制度，形成一套应对新矛盾的制度安排。

作者蔡昉系CF40学术委员会主席、中国社会科学院国家高端智库首席专家，  本文整理自作者在中国经济50人论坛举办的《长安讲坛》第422期所作演讲。文章仅代表作者个人观点，不代表CF40及作者所在机构立场。