生成式人工智能如何重塑勞動(dòng)力市場：研究綜述與未來展望

一、引言

生成式人工智能（Generative AI）是一種基于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法的新興AI 技術(shù)，它主要被部署和定義為執(zhí)行特定任務(wù)的模塊化專家（Modular Specialists），即基于大量訓(xùn)練數(shù)據(jù)的學(xué)習(xí)和理解，根據(jù)輸入的提示內(nèi)容，生成和輸出與之相關(guān)的、全新的、有價(jià)值的文字代碼和視頻圖像等。國際上以O(shè)penAI 公司在2022 年11 月30 日正式發(fā)布的ChatGPT 為首，中國的生成式人工智能發(fā)展緊隨其后，以百度、阿里巴巴、騰訊和華為為代表的科技巨頭和科大訊飛、商湯科技等專注于 AI技術(shù)的民營企業(yè)，紛紛推出生成式人工智能模型和應(yīng)用。例如，百度于2023 年發(fā)布的“文心一言”（ERNIE Bot），阿里巴巴推出的“通義千問”，深度求索（DeepSeek）公司開發(fā)的智能助手DeepSeek-V3，這些模型在中文語境下的理解和生成能力上表現(xiàn)出獨(dú)特優(yōu)勢。

生成式人工智能的顛覆性出現(xiàn)和突破性發(fā)展，以其先進(jìn)的自然語言能力（Natural LanguageCapabilities），擴(kuò)展了自動(dòng)化在更廣泛職業(yè)和行業(yè)范圍內(nèi)應(yīng)用的可能性。人們先前認(rèn)為機(jī)器難以編纂的一些創(chuàng)造性工作任務(wù)，被證明可以由這些基于大型語言模型（Large Language Model，LLM）的生成式預(yù)訓(xùn)練變換器（Generative Pre-trained Transformer，GPT）高效完成。也就是說，之前在傳統(tǒng)人工智能浪潮下未被自動(dòng)化取代的工作任務(wù)，面臨著新的存續(xù)危機(jī)。根據(jù)麥肯錫研究所的報(bào)告，在未引入生成式人工智能的情形下，發(fā)展到2030 年，美國經(jīng)濟(jì)中大約21.5%的工作時(shí)間將發(fā)生自動(dòng)化；然而，在生成式人工智能的加成下，預(yù)測該份額增加到29.5%①。進(jìn)一步地，推廣到由大型語言模型（LLMs）所構(gòu)建的軟件和工具②在勞動(dòng)市場的應(yīng)用，美國大約有八成勞動(dòng)力手中至少10%的工作任務(wù)，以及接近兩成工人手中至少50%的工作任務(wù)受到影響（Eloundou et al.，2023）。值得注意的是，現(xiàn)有文獻(xiàn)和機(jī)構(gòu)報(bào)告通常將這種影響稱為某個(gè)任務(wù)、職業(yè)或角色在LLMs 中的暴露度（Exposure Levels），但暴露于LLMs 或生成式人工智能中的工作任務(wù)并不代表傳統(tǒng)意義上的被自動(dòng)化技術(shù)替代和接管。

根據(jù)世界經(jīng)濟(jì)論壇（World Economic Forum，WEF）的研究，任務(wù)在LLMs 中的暴露度取決于工作中特定任務(wù)所需語言技能的程度、分配給該任務(wù)的工作時(shí)間和LLMs 執(zhí)行這些任務(wù)的潛在能力③。在此基礎(chǔ)上，依據(jù)是否及如何受到LLMs 的潛在影響可以將工作任務(wù)劃分為四種類型：第一類依賴語言技能且為常規(guī)的、可預(yù)測的、標(biāo)準(zhǔn)化的工作任務(wù)是被LLMs 接管的首要和主要候選，即高自動(dòng)化潛力的任務(wù)（Potential for Automation），單一執(zhí)行或者強(qiáng)調(diào)這類任務(wù)的工作崗位將由LLMs而非人類掌管。第二類同樣依賴語言和交流，但需要大量抽象推理、問題解決能力和創(chuàng)造性思維的工作任務(wù)可以與LLMs 合作執(zhí)行，即高增強(qiáng)潛力的任務(wù)（Potential for Augmentation），人類將繼續(xù)執(zhí)行這類任務(wù)，且其勞動(dòng)生產(chǎn)力由于引入LLMs 而增強(qiáng)。第三類需要語言技能的，但強(qiáng)調(diào)高度人際間互動(dòng)交流、談判協(xié)作的工作任務(wù)則很難受到來自LLMs 的顯著影響，即具有較低暴露潛力的任務(wù)（Lower Potential for Exposure），人類也將繼續(xù)執(zhí)行這類工作任務(wù)。第四類認(rèn)為強(qiáng)調(diào)身體運(yùn)動(dòng)而非語言技能的任務(wù)基本不受LLMs 影響，即非語言任務(wù)（Non-Language Tasks），單純從事這種任務(wù)的勞動(dòng)力暴露于LLMs 中的程度甚至低至0，如競技運(yùn)動(dòng)員。值得注意的是，利用基于任務(wù)偏向型技術(shù)變革（Task-Biased Technological Change）假說的任務(wù)分類，可以很好地分配這四個(gè)任務(wù)集（Spitz-Oener，2006；都陽等，2017）。即在智能語言模型的應(yīng)用環(huán)境中，常規(guī)認(rèn)知型任務(wù)（Cognitive RoutineTasks）大多具有高度自動(dòng)化潛力，非常規(guī)分析型任務(wù)（Analytical Non-Routine Tasks）部分具備高度增強(qiáng)潛力，非常規(guī)互動(dòng)型任務(wù)（Interactive Non-Routine Tasks）難以受到波及，常規(guī)和非常規(guī)操作型任務(wù)（Manual Routine And Non-Routine Tasks）作為非語言任務(wù)不受影響。

根據(jù)WEF2023 年的工作報(bào)告“Jobs of Tomorrow： Large Language Models and Jobs”，基于來自O(shè)*NET 和美國勞工統(tǒng)計(jì)局的職業(yè)分析數(shù)據(jù)和任務(wù)分類，對867 種職業(yè)中超過19000 個(gè)作業(yè)任務(wù)進(jìn)行LLMs 的潛在暴露度評估，表1 為部分代表性職業(yè)的評估結(jié)果，圖1 展示的是行業(yè)層面的匯總情況。報(bào)告顯示，在高度自動(dòng)化潛力的職業(yè)中，LLMs 很有可能接管各類辦公室文員的工作，尤其是那些專注于文書記錄和管理活動(dòng)的職業(yè)類型①。無獨(dú)有偶，麥肯錫全球研究所的相關(guān)報(bào)告表明②，由于生成式人工智能可以高效處理涉及高比例重復(fù)任務(wù)、數(shù)據(jù)采集與基本處理的工作活動(dòng)，辦事員（160 萬）、收銀員（63 萬）、零售銷售員（83 萬）、行政助理（71 萬）等工作崗位將大規(guī)模流失。

有趣的是，盡管基于語言模型的人工智能創(chuàng)新應(yīng)用對法律秘書來說存在較大的勞動(dòng)力自動(dòng)化潛力（54%），但是對其服務(wù)的律師而言卻表現(xiàn)出明顯的勞動(dòng)力增強(qiáng)潛力③。這意味著，涉及復(fù)雜問題解決技能和批判性思維的職業(yè)能利用LLMs 提高生產(chǎn)率，尤其是那些專業(yè)性或技術(shù)性很強(qiáng)、需要高等學(xué)歷或資深經(jīng)驗(yàn)的工作崗位④。這與既有文獻(xiàn)關(guān)于數(shù)學(xué)家和調(diào)查研究人員是最有可能受到生成式人工智能影響的職業(yè)的研究發(fā)現(xiàn)相互佐證（Felten et al.，2023）。此外，強(qiáng)調(diào)高度人際間互動(dòng)或身體運(yùn)動(dòng)的工作在LLMs 環(huán)境中受到的潛在影響最小或基本沒有，譬如完全執(zhí)行非語言任務(wù)的運(yùn)動(dòng)員或競技選手暴露度低至0%。特別地，LLMs 對專注于這兩類工作任務(wù)的大多數(shù)職業(yè)僅具有增益作用或幾乎無影響。此外，進(jìn)一步在行業(yè)層面匯總觀察LLMs 暴露度（圖1）。信息技術(shù)（73%）和金融（70%）行業(yè)對LLMs 的總潛在暴露度（自動(dòng)化+增強(qiáng)潛力）最大，與Goldfarb 等（2020）關(guān)于信息技術(shù)和金融行業(yè)具有相對較高的人工智能采用率、Felten 等（2023）關(guān)于金融是生成式人工智能風(fēng)險(xiǎn)敞口最大的行業(yè)之一的研究發(fā)現(xiàn)相符。

綜上可見，工作時(shí)間中自動(dòng)化可能性較大的職業(yè)，往往也有很大的潛力在生成式人工智能等語言模型環(huán)境中被增強(qiáng)，許多高增強(qiáng)潛力的職業(yè)同樣具有一定的自動(dòng)化風(fēng)險(xiǎn)⑤。這似乎與傳統(tǒng)人工智能產(chǎn)生的就業(yè)恢復(fù)效應(yīng)（Reinstatement Effect）吻合，即技術(shù)在淘汰一些任務(wù)和職位的同時(shí)，也在創(chuàng)造新的崗位和就業(yè)機(jī)會(huì)（Acemoglu and Restrepo，2018a，2019）。此外，作為一項(xiàng)顛覆性的通用技術(shù)，生成式人工智能加入工作場所勢必會(huì)對經(jīng)濟(jì)社會(huì)的收入分配格局產(chǎn)生重大影響。有鑒于此，考慮到既有文獻(xiàn)對技術(shù)進(jìn)步影響規(guī)模性和功能性收入分配的廣泛研究，本文從勞動(dòng)群體內(nèi)部、勞資分配關(guān)系和區(qū)域要素配置的層層遞進(jìn)視角，對生成式人工智能如何影響群體間、要素間和區(qū)域間的收入分配進(jìn)行分析。

二、人工智能技術(shù)影響勞動(dòng)力市場收入分配的相關(guān)研究

（一）人工智能技術(shù)對群體間收入分配的影響

關(guān)于人工智能技術(shù)對勞動(dòng)群體內(nèi)部收入分配的影響，既有文獻(xiàn)聚焦于傳統(tǒng)自動(dòng)化技術(shù)對勞動(dòng)市場收入不平等的作用，認(rèn)為偏向性技術(shù)進(jìn)步是形成不同勞動(dòng)群體之間工資差距的主要原因（Acemoglu and Restrepo，2022），代表性假說包括技能偏向型技術(shù)變革（Skill-Biased Technical Change）和任務(wù)偏向型技術(shù)變革，以及衍生的常規(guī)偏向型技術(shù)變革（Routine-Biased Technological Change）。

早期文獻(xiàn)從技能溢價(jià)（Skill Premium）的角度，認(rèn)為伴隨智能化革命而來的技能偏向型技術(shù)變革是相應(yīng)行業(yè)內(nèi)高技能勞動(dòng)相對需求增長、不同技能和學(xué)歷勞動(dòng)者之間工資差距擴(kuò)大的主要原因（Autor et al.，1998），其概念和任務(wù)模型被認(rèn)為是理解技術(shù)進(jìn)步影響勞動(dòng)力市場的標(biāo)準(zhǔn)框架。技能溢價(jià)的產(chǎn)生源自技術(shù)變革在工作場所發(fā)揮生產(chǎn)率效應(yīng)，促使與新技術(shù)互補(bǔ)的高技能勞動(dòng)的需求增長，他們的相對工資也隨之上漲。隨著技術(shù)知識的不斷增加，高—低技能勞動(dòng)力之間的相對需求和經(jīng)濟(jì)回報(bào)逐漸拉開差距，群體間收入分配愈發(fā)向更有技能的高學(xué)歷勞動(dòng)力傾斜（Violante，2008；Acemoglu and Autor，2011；Murphy and Topel，2016）。近期文獻(xiàn)基于自動(dòng)化的新任務(wù)創(chuàng)造效應(yīng)，進(jìn)一步闡明高技能勞動(dòng)在人工智能技術(shù)應(yīng)用情景中的比較優(yōu)勢，認(rèn)為技術(shù)變革影響技能溢價(jià)的渠道在于偏向技能的結(jié)構(gòu)性變化（Skill-Biased Structural Change），對技能的密集投資會(huì)促進(jìn)經(jīng)濟(jì)活動(dòng)對高技能勞動(dòng)的需求增加，從而成為勞動(dòng)力技能溢價(jià)上升的主要驅(qū)動(dòng)因素之一，而自動(dòng)化往往通過替代低技能或中等技能勞動(dòng)力執(zhí)行任務(wù)，相應(yīng)地導(dǎo)致這些處于收入分配弱勢階層的勞動(dòng)力發(fā)生失業(yè)與降薪，最終加劇技能群體間的收入不平等現(xiàn)象（Acemoglu and Restrepo，2018b，2020；Bueraet al.，2022）。在充分就業(yè)情境下，如果技術(shù)部門的勞動(dòng)力分配份額相對于非技術(shù)部門足夠大，那么技能偏向型技術(shù)變革的規(guī)模幅度增加將無條件地?cái)U(kuò)大技能—非技能勞動(dòng)力間的工資不平等（Piand Zhang，2018）。

然而，有關(guān)世界前列經(jīng)濟(jì)體的研究表明，高學(xué)歷高薪和低學(xué)歷低薪職業(yè)就業(yè)同時(shí)快速增長，這種就業(yè)極化（Job Polarization）模式相對擠出中等技能勞動(dòng)的收入份額，從而導(dǎo)致收入分布的非單調(diào)變化（Goos and Manning，2009；Autor and Dorn，2013）。由于該現(xiàn)象難以通過傳統(tǒng)的技能偏向型技術(shù)變革理論模型進(jìn)行解釋，Autor 等（2003）率先提出關(guān)于任務(wù)模型（通常被簡稱為ALM 模型）的偏向型技術(shù)變革觀點(diǎn)，將任務(wù)描述為技術(shù)資本投入與勞動(dòng)力需求之間的聯(lián)系，強(qiáng)調(diào)技術(shù)對常規(guī)型任務(wù)的替代性。根據(jù)任務(wù)偏向型技術(shù)變革假說，如果將職業(yè)看作特定工作場所中不同任務(wù)的集合，用任務(wù)區(qū)分一般人力資本和特定人力資本，那么任務(wù)將被置于首位用來描述不同職業(yè)群體之間的異同（Acemoglu and Autor，2011）。在ALM 模型對執(zhí)行常規(guī)和非常規(guī)任務(wù)的細(xì)致劃分的基礎(chǔ)上，工作任務(wù)被更具體地分為五大類：分析型、互動(dòng)型和操作型的非常規(guī)任務(wù)以及認(rèn)知型、操作型的常規(guī)任務(wù)。其中，具有重復(fù)性特征的常規(guī)任務(wù)更容易被機(jī)器算法掌握，而靈活且復(fù)雜的非常規(guī)任務(wù)通常與自動(dòng)化相互補(bǔ)充。此外，分析型任務(wù)具有抽象思考的屬性；互動(dòng)型任務(wù)需要處理人際關(guān)系，因此只具備非常規(guī)性；操作型任務(wù)則根據(jù)重復(fù)性或適應(yīng)性被界定為常規(guī)與非常規(guī)的；而認(rèn)知型常規(guī)任務(wù)主要包括那些非操作類的重復(fù)性任務(wù)（Spitz-Oener，2006；都陽等，2017）。通過應(yīng)用和擴(kuò)展ALM 模型，任務(wù)偏向型技術(shù)變革假說被證明對職業(yè)內(nèi)執(zhí)行常規(guī)—非常規(guī)任務(wù)勞動(dòng)者之間的工資差距具有相當(dāng)可觀的解釋力。具體地，任務(wù)復(fù)雜性與工資及其增長存在正向關(guān)聯(lián)，在任務(wù)復(fù)雜性相似的職業(yè)組中，自動(dòng)化會(huì)將勞動(dòng)力分配到工作任務(wù)更為非常規(guī)化的職業(yè)中。也就是說，對于存在自動(dòng)化投入的行業(yè)，失業(yè)風(fēng)險(xiǎn)會(huì)不成比例地流向從事具有高度可替代性的常規(guī)任務(wù)的工人，即從事重復(fù)性常規(guī)任務(wù)的工人不平等地承受技術(shù)排斥的風(fēng)險(xiǎn)（Damelang and Otto，2023）。

采用任務(wù)偏向型技術(shù)變革假說的相關(guān)文獻(xiàn)普遍認(rèn)為，技術(shù)進(jìn)步傾向于取代執(zhí)行常規(guī)任務(wù)的工人，而與執(zhí)行非常規(guī)任務(wù)的工人互補(bǔ)。Goos 等（2014）對這種常規(guī)任務(wù)替代特征進(jìn)行總結(jié)，據(jù)此正式提出常規(guī)偏向型技術(shù)變革的概念。在此基礎(chǔ)上，后續(xù)文獻(xiàn)證明與常規(guī)偏向型技術(shù)變革假說一致，由于數(shù)字智能化對非常規(guī)勞動(dòng)力的相對需求增加，經(jīng)歷大規(guī)模裁員后重新就業(yè)概率更高的往往是那些執(zhí)行非常規(guī)任務(wù)的勞動(dòng)力，而且他們在新工作中從事更為密集的非常規(guī)任務(wù)。此外，相比那些滯留在常規(guī)任務(wù)職業(yè)的勞動(dòng)力，在常規(guī)偏向型技術(shù)變革影響下轉(zhuǎn)移至非常規(guī)任務(wù)職業(yè)的勞動(dòng)力能獲得更快速的長期工資增長（Cortes，2016）。通過區(qū)分人工智能技術(shù)對工作任務(wù)的替代效應(yīng)（Displacement Effect）和恢復(fù)效應(yīng)，可以發(fā)現(xiàn)自動(dòng)化在取代低技能、重復(fù)性的常規(guī)任務(wù)崗位的同時(shí)，會(huì)推動(dòng)生產(chǎn)任務(wù)內(nèi)容及其所需勞動(dòng)力發(fā)生改變，將勞動(dòng)力重新吸引到其創(chuàng)造的新任務(wù)崗位中（Acemoglu and Restrepo，2018a，2019）。在這一過程中，傳統(tǒng)人工智能技術(shù)應(yīng)用產(chǎn)生非常規(guī)能力溢價(jià)，即從事非常規(guī)任務(wù)工人的相對工資上漲，不同任務(wù)群體間的工資差距和收入不平等增加（余玲錚等，2021；姚笛等，2023）。

值得注意的是，不同于對傳統(tǒng)人工智能技術(shù)影響勞動(dòng)群體間收入分配的廣泛研究，由于生成式人工智能是一項(xiàng)尚處于更新完善和推廣應(yīng)用階段的新興技術(shù)，其對勞動(dòng)力市場的影響尚未明確，當(dāng)前研究仍以為數(shù)不多的國際經(jīng)驗(yàn)為主。關(guān)于對不同技能群體的影響，生成式人工智能被認(rèn)為具有提高勞動(dòng)生產(chǎn)率和促進(jìn)均衡的效應(yīng)，能通過提高低技能勞動(dòng)的輸出質(zhì)量弱化不同技能勞動(dòng)之間的生產(chǎn)力差距（Noy and Zhang，2023）。關(guān)于對不同任務(wù)群體的影響，受生成式人工智能影響最大的是那些涉及非常規(guī)認(rèn)知分析任務(wù)（Non-Routine Cognitive Analytical Tasks）或常規(guī)認(rèn)知任務(wù)（RoutineCognitive Tasks）的職業(yè)，其次是執(zhí)行人際任務(wù)（Interpersonal Tasks）的職業(yè)，而主要從事操作型體力任務(wù)（Manual Physical Tasks）的職業(yè)則相對不受影響（Eisfeldt et al.，2023）。關(guān)于對不同經(jīng)驗(yàn)群體的影響，生成式人工智能被認(rèn)為會(huì)使低技能勞動(dòng)接觸到新技能，助力新手勞動(dòng)更快地走上經(jīng)驗(yàn)曲線（Experience Curve），對業(yè)務(wù)熟練的勞動(dòng)力產(chǎn)生影響較小，這種偏向于新手勞動(dòng)的生產(chǎn)率效應(yīng)可能驅(qū)動(dòng)公司技能計(jì)劃（Skill Initiatives）的變化，即在降低薪資成本的驅(qū)動(dòng)下以新手勞動(dòng)力替代經(jīng)驗(yàn)勞動(dòng)力或者降低職位技能要求及崗位對應(yīng)薪資，進(jìn)一步促使生產(chǎn)率效應(yīng)不成比例地流向經(jīng)驗(yàn)較少的勞動(dòng)群體（Brynjolfsson et al.，2023；Peng et al.，2023）。

綜上可見，與關(guān)于傳統(tǒng)人工智能的各類偏向型技術(shù)變革假說的研究結(jié)論形成鮮明對比，在依賴語言技能的交流性工作場所應(yīng)用生成式人工智能，可以驅(qū)動(dòng)交流模式的趨同，即低技能的新手勞動(dòng)能借用該工具更多地跨越經(jīng)驗(yàn)曲線，像高技能的熟練勞動(dòng)力一樣交流。此外，隨著生成式人工智能波及先前免受自動(dòng)化侵害（Safe from Automation）的非常規(guī)認(rèn)知分析任務(wù)，不同類型勞動(dòng)群體的工資不平等局面可能會(huì)發(fā)生與以往截然不同的變動(dòng)。也就是說，如果將自動(dòng)化資本從執(zhí)行常規(guī)任務(wù)擴(kuò)展到更廣泛的非常規(guī)任務(wù)領(lǐng)域，機(jī)器學(xué)習(xí)技術(shù)具備發(fā)展到執(zhí)行高技能與高工資勞動(dòng)力工作任務(wù)的能力，那么勞動(dòng)力市場兩極分化的趨勢將被截?cái)啵‵rey and Osborne，2017；Acemoglu and Restrepo，2018c）。這一推測可以從生成式人工智能與傳統(tǒng)人工智能的關(guān)鍵性區(qū)別進(jìn)行理解，前者具有基于大量訓(xùn)練數(shù)據(jù)的學(xué)習(xí)特性，可以通過示例推斷性的指令（Instructions from Examples）執(zhí)行特定任務(wù)，甚至包括那些以往只能通過積累資歷經(jīng)驗(yàn)而完成的任務(wù)，而后者需要明確詳細(xì)的顯式指令（Explicit Instructions），無法替代工作場景中那些依賴隱性知識（Tacit Knowledge）的任務(wù)。

（二）人工智能技術(shù)對要素間收入分配的影響

關(guān)于傳統(tǒng)人工智能技術(shù)對勞動(dòng)與資本要素間收入分配的影響，現(xiàn)有文獻(xiàn)大多基于自動(dòng)化的生產(chǎn)率效應(yīng)與替代效應(yīng)，研究技術(shù)變革對不同技術(shù)水平部門差異化的就業(yè)沖擊與勞動(dòng)收入影響，認(rèn)為人工智能技術(shù)在低、高技術(shù)部門分別更多地表現(xiàn)出自動(dòng)化擴(kuò)張與新崗位創(chuàng)造形態(tài)，從而促進(jìn)勞動(dòng)力需求的結(jié)構(gòu)變動(dòng)，降低勞動(dòng)力群體的議價(jià)能力，并通過增加資本所有者的相對收入，降低勞動(dòng)力份額，加劇要素間收入分配不均等現(xiàn)象（郭凱明，2019；朱琪和劉紅英，2020；王林輝等，2020）。此外，部分文獻(xiàn)聚焦于以工業(yè)機(jī)器人為代表的傳統(tǒng)工業(yè)智能化技術(shù)對勞動(dòng)收入份額的影響，認(rèn)為正是由于機(jī)器人應(yīng)用對工資率的增幅作用不及對勞動(dòng)生產(chǎn)率的促進(jìn)效應(yīng)，使其產(chǎn)生的經(jīng)濟(jì)增長成果無法被勞動(dòng)與資本公平共享和均等分配，從而導(dǎo)致傳統(tǒng)人工智能技術(shù)更多地體現(xiàn)出惡化要素收入分配的資本偏向性（余玲錚等，2019；周明海等，2021；王靜等，2022；何小鋼等，2023）。

然而，聚焦生成式人工智能之于勞動(dòng)市場影響的少數(shù)文獻(xiàn)幾乎暫未涉及勞資分配的研究，但從勞動(dòng)力需求視角對生成式人工智能的行業(yè)異質(zhì)性影響有所發(fā)現(xiàn)。總的來看，如果將不區(qū)分勞動(dòng)增強(qiáng)型（Labor-Augmenting）或勞動(dòng)替代型（Labor-Displacing）的LLMs 潛在經(jīng)濟(jì)影響定義為“暴露”，諸如GPT 之類的LLMs 表現(xiàn)出通用技術(shù)（General-Purpose Technologies）的特征，有潛力顯著影響社會(huì)經(jīng)濟(jì)內(nèi)的所有行業(yè)，且整體上行業(yè)的工資均值或中位數(shù)與其暴露度正向相關(guān)。具體而言，高薪行業(yè)、程序設(shè)計(jì)和寫作任務(wù)等依賴語言技能的行業(yè)通常表現(xiàn)出與LLMs 接觸更多的高暴露度，嚴(yán)重依賴科學(xué)批判性思維技能的行業(yè)則暴露度較低。在工作門檻和進(jìn)入障礙更高的行業(yè)，勞動(dòng)者存在更多接觸和使用LLMs 的可能性（Eisfeldt et al.，2023；Eloundou et al.，2023；Felten et al.，2023）。關(guān)于生成式人工智能對低薪行業(yè)影響相對較弱的原因，聯(lián)系麥肯錫研究所的相關(guān)報(bào)告即可理解，一方面是用技術(shù)取代低薪勞動(dòng)在經(jīng)濟(jì)上意義不大，另一方面是那些涉及不可預(yù)測的社交情感或體力勞動(dòng)的低薪行業(yè)并不適合自動(dòng)化，而由于交通服務(wù)、建筑和醫(yī)療等行業(yè)的增長，依賴基本認(rèn)知和體力技能的勞動(dòng)力需求并不會(huì)消失①。也就是說，在生成式人工智能應(yīng)用情景中，那些自動(dòng)化潛力大的行業(yè)或產(chǎn)業(yè)部門的勞動(dòng)收入份額最有可能被擠出，而依賴人類情感互動(dòng)技能的實(shí)體服務(wù)業(yè)、從事體力勞動(dòng)的低薪建筑工人等憑借其技術(shù)或經(jīng)濟(jì)成本上的難以替代性，更具有抵抗資本侵占、維穩(wěn)勞動(dòng)份額的可能性。

（三）人工智能技術(shù)對區(qū)域間收入分配的影響

關(guān)于傳統(tǒng)人工智能技術(shù)對區(qū)域間收入分配的影響，既有研究大多考慮到偏向型技術(shù)進(jìn)步、人口流動(dòng)及其集聚效應(yīng)，基于人工智能技術(shù)影響下不同勞動(dòng)群體的工資不平等和區(qū)域間流動(dòng)視角，分析人工智能技術(shù)在區(qū)域?qū)用娴暮暧^影響，認(rèn)為傳統(tǒng)人工智能不僅會(huì)固化不均衡的現(xiàn)有區(qū)域間收入分布格局，還會(huì)加速高收入勞動(dòng)向高經(jīng)濟(jì)地區(qū)聚集，進(jìn)一步擴(kuò)大區(qū)域間收入差距，存在“富者通吃”的現(xiàn)象（馬紅旗等，2017；陳勇和柏喆，2018）。此外，以工業(yè)機(jī)器人為代表的傳統(tǒng)工業(yè)智能化技術(shù)對勞動(dòng)者就業(yè)存在地區(qū)異質(zhì)性影響，這也正是區(qū)域間收入分化的誘因之一。對于人力資本水平薄弱和勞動(dòng)保護(hù)力度不足資源欠缺的地區(qū)而言，機(jī)器人導(dǎo)致的“技術(shù)性失業(yè)”現(xiàn)象更為明顯，伴隨產(chǎn)生的本地就業(yè)擠出和外地就業(yè)溢出效應(yīng)有可能進(jìn)一步擴(kuò)大其與資源豐富地區(qū)的收入差距（孔高文等，2020；韓永輝等，2023）。

然而，盡管暫未有文獻(xiàn)揭示生成式人工智能技術(shù)對區(qū)域間收入分配的影響，但是少數(shù)文獻(xiàn)從企業(yè)或國家整體層面研究生成式人工智能對勞動(dòng)生產(chǎn)率和就業(yè)穩(wěn)定性的影響。以LLMs 具備的基本生成能力對美國勞動(dòng)力市場的潛在影響為例，如果在工作中能獲得LLMs 的支持，美國15%的職業(yè)任務(wù)能在保持質(zhì)量不下降的情況下更快地完成；如果將該支持工具擴(kuò)展到包括生成式人工智能在內(nèi)的所有基于LLMs 的軟件系統(tǒng)，那么生產(chǎn)率提高效應(yīng)將延伸到所有工作任務(wù)的47%～56%（Eloundou et al.，2023；Yu and Qi，2024）。也就是說，不同于傳統(tǒng)人工智能技術(shù)，生成式人工智能技術(shù)似乎并不存在對弱勢勞動(dòng)的就業(yè)侵蝕，因此其經(jīng)由群體間不平等和人才流動(dòng)聚集從而擴(kuò)大區(qū)域間收入差距的邏輯路徑將不復(fù)存在。

通過對以上相關(guān)研究進(jìn)行梳理可以發(fā)現(xiàn)：首先，盡管既有文獻(xiàn)對傳統(tǒng)人工智能技術(shù)影響群體間收入分配的研究和分析已經(jīng)相當(dāng)完備，并在一定程度上揭示了其對要素間和區(qū)域間收入分配的影響作用，但是關(guān)于生成式人工智能技術(shù)對收入分配的影響研究尤其稀少，特別缺乏多視角全方位的系統(tǒng)研究；其次，關(guān)于生成式人工智能影響群體間不平等的少數(shù)研究得到了與以往傳統(tǒng)人工智能技術(shù)視角下的研究截然不同的結(jié)論，新技術(shù)加持或許會(huì)促使既有不同技能、任務(wù)、經(jīng)驗(yàn)群體間的不平等局面發(fā)生改變；最后，即使尚且缺少生成式人工智能技術(shù)影響要素間和區(qū)域間收入分配的經(jīng)驗(yàn)證據(jù)，但其會(huì)改變?nèi)斯ぶ悄芗夹g(shù)影響勞動(dòng)收入份額和區(qū)域間收入差距的作用軌跡，存在不同于傳統(tǒng)人工智能技術(shù)視角的可能性。有鑒于此，本文考慮到規(guī)模性和功能性收入分配，從勞動(dòng)群體內(nèi)部、勞資分配關(guān)系和區(qū)域要素配置的層層遞進(jìn)視角，對生成式人工智能影響群體間、要素間和區(qū)域間收入分配進(jìn)行理論分析，具體探究這項(xiàng)新興技術(shù)對不同技能/任務(wù)/經(jīng)驗(yàn)群體間收入不平等的作用、對勞動(dòng)收入份額和勞資分配格局的改變，以及對區(qū)域間收入差距和均衡發(fā)展的影響。

三、生成式人工智能影響勞動(dòng)力市場收入分配的多重視角

（一）勞動(dòng)群體內(nèi)部：生成式人工智能與群體間收入分配

1. 不同技能群體

相比于以往的人工智能技術(shù)，生成式人工智能表現(xiàn)出更突出的通用技術(shù)特征，降低高度專業(yè)知識和特定技能的稀缺性，賦予低技能勞動(dòng)力更廣泛的就業(yè)和發(fā)展機(jī)會(huì)①，從而存在縮小傳統(tǒng)學(xué)歷劃分下高—低技能群體間收入差距的可能性。

在傳統(tǒng)人工智能技術(shù)視角下，既有文獻(xiàn)通常將不同技能群體由于技術(shù)進(jìn)步催生的收入不均等問題歸因于勞動(dòng)技能溢價(jià)，并從資本—技能互補(bǔ)思想與技能偏向型技術(shù)進(jìn)步假說的角度加以分析（陳嘯等，2021；陳貴富等，2022；陳東和郭文光，2024）。根據(jù)資本—技能互補(bǔ)假說，非技能勞動(dòng)力與物質(zhì)資本之間存在高度替代性，而技能勞動(dòng)力具有和物質(zhì)資本更強(qiáng)的互補(bǔ)性。這意味著，由于技能勞動(dòng)更高效地與技術(shù)設(shè)備進(jìn)行適應(yīng)性組合，資本深化或技術(shù)進(jìn)步會(huì)誘使生產(chǎn)者增加對高技能勞動(dòng)力的相對需求和投入比例，從而誘發(fā)技能—非技能勞動(dòng)收入分配不均的技能溢價(jià)問題（申廣軍，2016；陳東和郭文光，2024）。根據(jù)技能偏向型技術(shù)進(jìn)步的觀點(diǎn)，高、低技能勞動(dòng)力工作份額的相對變化凸顯技術(shù)資本投入對技能群體需求是否存在非中性影響。一般來說，中性的技術(shù)進(jìn)步（Skill-Neutral Technological Progress）會(huì)同等比例地增強(qiáng)技能與非技能勞動(dòng)（Skilled and UnskilledLabor-Augmenting）、均等地提高所有勞動(dòng)者的收入水平，不會(huì)產(chǎn)生額外的技能溢價(jià)效應(yīng)；而技能偏向型技術(shù)進(jìn)步意味著高技能勞動(dòng)力存在更快增長的邊際產(chǎn)出、更高的相對供需水平和增幅更大的勞動(dòng)收入，從而擴(kuò)大技能群體間的收入不平等（陳勇和柏喆，2018；陳嘯等，2021；李小瑛和張宇平，2023）。

值得注意的是，如果將傳統(tǒng)技術(shù)進(jìn)步情形下以學(xué)歷衡量技能勞動(dòng)的慣行標(biāo)準(zhǔn)，轉(zhuǎn)換為生成式人工智能應(yīng)用背景下的新型技能分類法，那么技能群體將面臨著打亂重組，“唯學(xué)歷論”的技能溢價(jià)有望被弱化。根據(jù)最新的WEF 全球技能分類法，勞動(dòng)技能被劃分為態(tài)度類與技能、知識和能力類，前者被稱為“軟技能”（Soft Skills），包括道德水平、自我效能、團(tuán)隊(duì)協(xié)作；后者被稱為“硬技能”（Hard Skills），包括認(rèn)知技能、參與技能、管理技能、身體能力、技術(shù)技能①。諸如生成式人工智能的新興技術(shù)將導(dǎo)致勞動(dòng)市場的技能需求被重塑，一些傳統(tǒng)意義上的技能勞動(dòng)存在被生成式人工智能取締的可能性，使得那些注重社會(huì)情感表達(dá)、靈活處事和應(yīng)變能力、自我驅(qū)動(dòng)和終身學(xué)習(xí)、領(lǐng)導(dǎo)力和社會(huì)影響等的軟技能越來越受到企業(yè)的重視。然而，這些態(tài)度類的軟技能不局限于由教育定義的技能等級，反而涉及那些傳統(tǒng)視角下低學(xué)歷低技能的職業(yè)，比如醫(yī)療和衛(wèi)生保健等強(qiáng)調(diào)團(tuán)結(jié)協(xié)作和共情能力的服務(wù)業(yè)崗位。那么，根據(jù)資本—技能互補(bǔ)思想和技能偏向型技術(shù)進(jìn)步假說，生成式人工智能與硬技能勞動(dòng)之間存在替代效應(yīng)，卻促進(jìn)軟技能勞動(dòng)力的需求與收入增長。這意味著，如圖2 所示，傳統(tǒng)高—低技能勞動(dòng)之間的收入分配格局將被重塑，至少對于那些被歸納在硬技能中的傳統(tǒng)高技能勞動(dòng)和分類在軟技能中的低技能勞動(dòng)而言，“唯學(xué)歷論”的技能偏向性被改變，生成式人工智能賦予學(xué)歷不足的低技能勞動(dòng)力更多保留工作和接觸新技能的機(jī)會(huì)，卻擠壓原來高學(xué)歷高技能勞動(dòng)力的工作空間和議價(jià)能力，傳統(tǒng)技能定義下的群體間收入不平等現(xiàn)象有望被改善（Eloundou et al.，2023；Bloom et al.，2024；黃浩權(quán)等，2024）。

2. 不同任務(wù)群體

根據(jù)2024 年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主達(dá)龍·阿西莫格魯?shù)挠^點(diǎn)，一種卓越的智能技術(shù)（Brilliantautomation technologies）能產(chǎn)生超常的生產(chǎn)率進(jìn)步和勞動(dòng)力需求，隨即有望發(fā)生相稱的持續(xù)工資增長和不平等減少現(xiàn)象（Acemoglu and Restrepo，2019）。由于生成式人工智能可以實(shí)現(xiàn)部分非常規(guī)工作任務(wù)的復(fù)雜自動(dòng)化，改變工作場所的特定任務(wù)型勞動(dòng)偏向，企業(yè)引入這種“卓越”的智能技術(shù)，將有望改善執(zhí)行常規(guī)—非常規(guī)任務(wù)的勞動(dòng)群體間收入不平等現(xiàn)象。

根據(jù)任務(wù)偏向型技術(shù)進(jìn)步假說，一項(xiàng)工作任務(wù)（Job Tasks）由設(shè)備還是勞動(dòng)執(zhí)行取決于技術(shù)和經(jīng)濟(jì)上的可行性（Autor，2013；都陽等，2017），因此傳統(tǒng)人工智能和生成式人工智能與常規(guī)—非常規(guī)型勞動(dòng)力之間存在截然不同的替代關(guān)系。對于傳統(tǒng)人工智能而言，替代重復(fù)的、可程序化的常規(guī)工作任務(wù)既具有技術(shù)可行性，又由于資本—?jiǎng)趧?dòng)相對價(jià)格降低而存在經(jīng)濟(jì)可行性，卻難以替代具有變化性和個(gè)性化特質(zhì)的非常規(guī)工作任務(wù)。有鑒于此，企業(yè)引入傳統(tǒng)人工智能技術(shù)，會(huì)使得執(zhí)行常規(guī)—非常規(guī)工作任務(wù)的不同勞動(dòng)力群體產(chǎn)生顯著的工資差距（余玲錚等，2021；王林輝等，2022；姜昊和董直慶，2023）。

然而，如果企業(yè)繼續(xù)引入生成式人工智能技術(shù)，又會(huì)存在新的工作任務(wù)被自動(dòng)化接管，以往置身事外的非常規(guī)型勞動(dòng)力將被波及，執(zhí)行常規(guī)—非常規(guī)任務(wù)的勞動(dòng)力需求結(jié)構(gòu)和收入分配相應(yīng)地也會(huì)發(fā)生變化。首先，基于ALM 模型進(jìn)一步細(xì)分工作任務(wù)，將其初步定義為常規(guī)和非常規(guī)，再根據(jù)認(rèn)知型（Cognitive）和操作型（Manual）的細(xì)分屬性，將其界定為分析型、互動(dòng)型和操作型的非常規(guī)任務(wù)以及認(rèn)知型、操作型的常規(guī)任務(wù)（Spitz-Oener，2006；都陽等，2017）。為了方便理解，如圖3 所示，將工作場所發(fā)生的所有活動(dòng)視為[0，1]的連續(xù)任務(wù)集合，其中[0，Z）范圍內(nèi)的簡單活動(dòng)為常規(guī)任務(wù)，[Z，1]范圍內(nèi)的復(fù)雜活動(dòng)為非常規(guī)任務(wù)。如引言所述，無論在何種智能化技術(shù)水平下，都不是所有的工作任務(wù)均可實(shí)現(xiàn)自動(dòng)化，于是引入IRT 和INRT 的分割點(diǎn)①。那么，[0，IRT]和（IRT，Z）、[Z，INRT]范圍內(nèi)的任務(wù)是可以實(shí)現(xiàn)自動(dòng)化的，在有利可圖的條件下，它們分別會(huì)在經(jīng)濟(jì)均衡時(shí)被傳統(tǒng)人工智能技術(shù)與生成式人工智能技術(shù)取代。而無論勞動(dòng)要素價(jià)格為何，（INRT，1]范圍內(nèi)的任務(wù)都無法由智能技術(shù)接管，必須由人類勞動(dòng)生產(chǎn)。基于此，將前述五類細(xì)分任務(wù)進(jìn)行分配：操作型和部分認(rèn)知型的常規(guī)任務(wù)[0，IRT]，可以實(shí)現(xiàn)簡單智能化；部分認(rèn)知型的常規(guī)任務(wù)（IRT，Z）和分析型的非常規(guī)任務(wù)[Z，INRT]，可以實(shí)現(xiàn)復(fù)雜智能化；互動(dòng)型和操作型的非常規(guī)任務(wù)（INRT，1]，目前只能由人類勞動(dòng)執(zhí)行。

沿用既有文獻(xiàn)的推導(dǎo)思路，將傳統(tǒng)—新型智能技術(shù)對要素價(jià)格的影響分解為生產(chǎn)率效應(yīng)和替代效應(yīng)，可以捋清人工智能技術(shù)影響常規(guī)—非常規(guī)勞動(dòng)群體的工資及其不平等的理論邏輯（Acemoglu and Restrepo，2017）。首先，當(dāng)技術(shù)資本相對匱乏，即技術(shù)資本價(jià)格相對工資較高時(shí)，自動(dòng)化很難產(chǎn)生生產(chǎn)率效應(yīng)，針對常規(guī)—非常規(guī)類型勞動(dòng)力的人工智能技術(shù)引入會(huì)降低該群體的工資水平，即傳統(tǒng)人工智能應(yīng)用會(huì)降低從事常規(guī)任務(wù)的工人工資，生成式人工智能應(yīng)用會(huì)降低執(zhí)行非常規(guī)任務(wù)的工人工資。特別地，在兩類勞動(dòng)力比較優(yōu)勢較弱的情況下，存在相互影響的連鎖反應(yīng)（Ripple Effect），即傳統(tǒng)人工智能應(yīng)用會(huì)降低從事非常規(guī)任務(wù)的勞動(dòng)群體工資，生成式人工智能應(yīng)用也會(huì)降低從事常規(guī)任務(wù)的勞動(dòng)群體工資。其次，當(dāng)技術(shù)資本充裕、資本價(jià)格足夠低時(shí)，自動(dòng)化的生產(chǎn)率效應(yīng)占據(jù)主要地位，那么針對常規(guī)—非常規(guī)類型勞動(dòng)力的人工智能技術(shù)引入反而會(huì)提高對應(yīng)群體的工資水平。最后，遵循任務(wù)偏向型技術(shù)進(jìn)步假說的通常設(shè)定，著重分析資本與不同類型勞動(dòng)之間的替代或互補(bǔ)關(guān)系。由于傳統(tǒng)人工智能技術(shù)對常規(guī)型勞動(dòng)力具有很強(qiáng)的替代性，對非常規(guī)型勞動(dòng)力存在互補(bǔ)的可能性，從而總是擴(kuò)大非常規(guī)—常規(guī)勞動(dòng)間的工資差距，加劇收入不平等現(xiàn)象①。然而，生成式人工智能技術(shù)總是對非常規(guī)型勞動(dòng)存在替代性，對涉及操作和認(rèn)知任務(wù)的部分常規(guī)型勞動(dòng)力存在互補(bǔ)空間（見圖3），從而有助于改善以往形成的非常規(guī)—常規(guī)勞動(dòng)間收入不平等現(xiàn)象。

3. 不同經(jīng)驗(yàn)群體

根據(jù)明瑟方程和收入—經(jīng)驗(yàn)曲線，勞動(dòng)力收入往往在一定范圍內(nèi)隨著工作經(jīng)驗(yàn)的增長而增加，經(jīng)驗(yàn)人力資本及其回報(bào)率對收入差距具有相當(dāng)可觀的解釋力（Jedwab et al.，2023）。因此，隨著生成式人工智能應(yīng)用促使隱性知識浮出水面，驅(qū)動(dòng)新手勞動(dòng)和熟練勞動(dòng)之間經(jīng)驗(yàn)曲線的趨同，可能對不同經(jīng)驗(yàn)群體之間的收入分配局面產(chǎn)生有益影響。

由于經(jīng)驗(yàn)（Experience）屬于隱性知識的范疇，難以被傳統(tǒng)智能技術(shù)復(fù)制和取代，通常由高技能或從事非常規(guī)任務(wù)的勞動(dòng)力掌握（余玲錚等，2021），因此可以從技能或任務(wù)視角，分析智能技術(shù)對不同經(jīng)驗(yàn)群體間的收入分配影響。從技能視角來看，學(xué)校教育和工作經(jīng)驗(yàn)對勞動(dòng)力人力資本積累存在替代關(guān)系，對于一些學(xué)習(xí)能力比較強(qiáng)的個(gè)體而言，接受高等教育的技能回報(bào)率甚至或許不如積累工作資歷的經(jīng)驗(yàn)回報(bào)率（張征宇等，2023），因此“機(jī)器換人”可能對不同經(jīng)驗(yàn)群體造成更為差異化的收入損失。從任務(wù)視角來看，所有勞動(dòng)力在執(zhí)行工作任務(wù)的過程中都會(huì)發(fā)生資歷經(jīng)驗(yàn)的累積，但在智能化技術(shù)沖擊及其產(chǎn)生的干中學(xué)效應(yīng)情境下，常規(guī)/非常規(guī)型勞動(dòng)的經(jīng)驗(yàn)回報(bào)率被剝奪的進(jìn)度和過程是有區(qū)別的，因此不同經(jīng)驗(yàn)累積程度的勞動(dòng)者收入變動(dòng)也存在差距（黃浩權(quán)，2024）。同時(shí)，集中研究傳統(tǒng)人工智能技術(shù)的文獻(xiàn)表明，經(jīng)驗(yàn)豐富的熟練勞動(dòng)力一般來說比經(jīng)驗(yàn)不足的新手勞動(dòng)力更能抵御工作場所自動(dòng)化產(chǎn)生的職業(yè)更替風(fēng)險(xiǎn)，考慮到收入—經(jīng)驗(yàn)曲線的存在，人工智能的收入效應(yīng)理論上會(huì)不成比例地流向經(jīng)驗(yàn)勞動(dòng)力（余玲錚等，2021；蓋慶恩等，2023）。

值得注意的是，隨著智能化技術(shù)的可能性邊界推移，工作任務(wù)屬性的迭代更新會(huì)改變不同經(jīng)驗(yàn)勞動(dòng)力的相對需求，有助于縮小資歷經(jīng)驗(yàn)積累導(dǎo)致的群體間收入差距。具體地，生成式人工智能表現(xiàn)出更明顯的通用技術(shù)特征，在其加持下專業(yè)知識和特定技能得以覆蓋更廣泛的勞動(dòng)群體，新手勞動(dòng)力的模仿和學(xué)習(xí)行為變成低成本的普遍現(xiàn)象。在干中學(xué)效應(yīng)的賦能下，原本由資歷經(jīng)驗(yàn)造成的生產(chǎn)率差距縮小，技能溢價(jià)或非常規(guī)能力溢價(jià)的偏向性發(fā)生改變（都陽等，2017；Eloundou etal.，2023；黃浩權(quán)，2024）。一些實(shí)驗(yàn)性研究為此提供了經(jīng)驗(yàn)證據(jù)，即對于經(jīng)驗(yàn)較少的新手勞動(dòng)力而言，生成式人工智能存在能被觀測到的生產(chǎn)力補(bǔ)充效應(yīng)，從而有助于推動(dòng)不同經(jīng)驗(yàn)群體之間的收入均衡（Brynjolfsson et al.，2023；Noy and Zhang，2023；Peng et al.，2023）。這不難解釋，結(jié)合圖4 的不同類型勞動(dòng)力在生成式人工智能應(yīng)用情境下沿經(jīng)驗(yàn)曲線的移動(dòng)情況，由于生成式人工智能可以捕捉和傳播那些先前只能通過經(jīng)驗(yàn)累積獲得的隱性知識，資歷不足的非經(jīng)驗(yàn)型勞動(dòng)者能通過在工作場景中利用這些工具，接觸到稀缺的特定技能或?qū)I(yè)知識，從而更快地走上經(jīng)驗(yàn)曲線。然而，由于資歷老練的經(jīng)驗(yàn)型勞動(dòng)已經(jīng)具備一定程度的知識儲(chǔ)備和操作熟練度，這種生產(chǎn)工具對他們的生產(chǎn)率改進(jìn)效果相當(dāng)有限（Brynjolfsson et al.，2023）。因此，至少在應(yīng)用初期，生成式人工智能產(chǎn)生的勞動(dòng)需求和工資效應(yīng)更偏向于工作新手，從而均衡經(jīng)驗(yàn)—非經(jīng)驗(yàn)型勞動(dòng)群體之間的收入分配。

（二）勞資分配關(guān)系：生成式人工智能與要素間收入分配

資本體現(xiàn)式的智能技術(shù)不可避免地會(huì)促進(jìn)要素間收入分配偏向資本，但是生成式人工智能的任務(wù)增強(qiáng)潛力，使其對不同產(chǎn)業(yè)和行業(yè)的勞動(dòng)收入份額存在差異化的影響彈性，從而在一定條件下存在改善要素間收入分配的空間。

首先，由于任何形式的人工智能技術(shù)都會(huì)提高單位勞動(dòng)的產(chǎn)出水平，引發(fā)勞動(dòng)力需求結(jié)構(gòu)發(fā)生變動(dòng)，因此產(chǎn)生結(jié)構(gòu)性失業(yè)。結(jié)構(gòu)性失業(yè)的增加將降低勞動(dòng)群體的整體議價(jià)能力，從而使得勞資分配失衡。也就是說，盡管人工智能技術(shù)的應(yīng)用會(huì)導(dǎo)致特定類型勞動(dòng)力的相對需求增加，但這種勞動(dòng)力內(nèi)部競爭的激化并不傾向于提高總的勞動(dòng)群體經(jīng)濟(jì)回報(bào)（羅潤東和郭怡笛，2022），因?yàn)樵谶@種勞動(dòng)力從傳統(tǒng)工業(yè)部門流向現(xiàn)代服務(wù)業(yè)的“新二元經(jīng)濟(jì)”初期，資本相對于“無限供給”的勞動(dòng)力而言更加“必需”和“稀缺”①，從而在收入分配占據(jù)主導(dǎo)地位。因此，應(yīng)用生成式人工智能總體上也會(huì)促進(jìn)要素收入分配不成比例地流向資本方，這點(diǎn)與傳統(tǒng)人工智能技術(shù)變革的影響類似。然而，不同于傳統(tǒng)二元經(jīng)濟(jì)的農(nóng)業(yè)流出勞動(dòng)力所需的生存工資，工業(yè)流出的勞動(dòng)力往往具有一定程度的生產(chǎn)能力，相應(yīng)地會(huì)對報(bào)酬水平提出要求。而生成式人工智能會(huì)在不同產(chǎn)出彈性和替代彈性的前提條件下，觸發(fā)差異化的部門間勞資分配偏向性。

其次，沿用以往討論人工智能技術(shù)影響勞動(dòng)收入份額的框架思路進(jìn)行分析。如果聚焦于技術(shù)資本對人力勞動(dòng)的自動(dòng)化替代效應(yīng)，那么勞動(dòng)收入份額勢必走低；一旦增加考慮人工智能的勞動(dòng)補(bǔ)充效應(yīng)，那么在要素?cái)U(kuò)展型技術(shù)的視角下，其對勞動(dòng)收入份額的作用受不同產(chǎn)業(yè)或行業(yè)內(nèi)部生產(chǎn)要素之間替代彈性的影響（郭凱明和向風(fēng)帆，2021）。然而，無論將人工智能視為服務(wù)工具還是要素?cái)U(kuò)展型技術(shù)，資本和勞動(dòng)在部門間的流動(dòng)方向都取決于生產(chǎn)部門間的產(chǎn)品替代彈性、“人工智能—傳統(tǒng)生產(chǎn)方式”替代彈性和人工智能產(chǎn)出彈性的部門間差異?？傮w上從產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型的視角出發(fā)，如果人工智能投入增加，隨著生產(chǎn)要素向資本或勞動(dòng)密集型部門流動(dòng)，勞動(dòng)收入份額將分別降低和提高。具體地，生產(chǎn)要素的流動(dòng)方向存在三種不同的情況：第一，考慮人工智能作為服務(wù)工具的替代效應(yīng)，生產(chǎn)要素會(huì)不成比例地流向“人工智能—傳統(tǒng)生產(chǎn)方式”替代彈性更低的部門；第二，如果部門間產(chǎn)品替代彈性較高，人工智能作為要素?cái)U(kuò)展型技術(shù)的生產(chǎn)率效應(yīng)發(fā)揮主要作用，人工智能增長會(huì)直接提高應(yīng)用部門的相對生產(chǎn)率，從而促進(jìn)產(chǎn)出增長和部門擴(kuò)張，生產(chǎn)要素也相應(yīng)地流向人工智能產(chǎn)出彈性更高的部門；第三，如果部門間產(chǎn)品替代彈性較低，人工智能增長產(chǎn)生的價(jià)格效應(yīng)起主導(dǎo)作用，產(chǎn)出相對價(jià)格下降促使部門萎縮，生產(chǎn)要素也相應(yīng)地流出人工智能產(chǎn)出彈性更高的部門（郭凱明，2019）。

最后，將以上推論分別應(yīng)用到產(chǎn)業(yè)層面和行業(yè)層面。從產(chǎn)業(yè)層面來看，生成式人工智能技術(shù)催生的一系列新需求和新業(yè)態(tài)，會(huì)推動(dòng)生產(chǎn)要素轉(zhuǎn)移到更具附加值和更高生產(chǎn)率的部門。由于工業(yè)部門對熟練的技能勞動(dòng)力需求減少，短期內(nèi)工資剛性的存在又讓這部分勞動(dòng)群體無法接受低薪酬待遇，從而紛紛轉(zhuǎn)移到需求相對旺盛、工資回報(bào)更具彈性的服務(wù)業(yè)（張明志等，2021）。也就是說，由于其服務(wù)質(zhì)量和個(gè)性化水平?jīng)Q定經(jīng)濟(jì)回報(bào)的特性，勞動(dòng)生產(chǎn)要素流向“生成式人工智能—傳統(tǒng)生產(chǎn)方式”替代彈性更低的服務(wù)業(yè)部門，有助于改善其產(chǎn)業(yè)內(nèi)部的勞資分配不均現(xiàn)象，同時(shí)將導(dǎo)致資本更加密集的工業(yè)部門面臨更為嚴(yán)峻的勞資分配挑戰(zhàn)。從行業(yè)層面來看，考慮到生成式人工智能既作為勞動(dòng)替代工具，具有將相當(dāng)比例的工作時(shí)間自動(dòng)化的潛力，又是要素?cái)U(kuò)展型技術(shù)，能產(chǎn)生增量任務(wù)以吸納更多勞動(dòng)力。那么，基于生成式人工智能產(chǎn)出彈性更高的情況，在市場、法律和人力資源等“生成式人工智能—傳統(tǒng)生產(chǎn)方式”替代彈性較低的行業(yè)或?qū)嶓w性服務(wù)業(yè)中，勞動(dòng)收入份額更具抵抗資本侵蝕的彈性；在勞動(dòng)密集且產(chǎn)品替代彈性較低的生產(chǎn)行業(yè)、資本密集且產(chǎn)品替代彈性較高的金融或虛擬性服務(wù)業(yè)中，資本在要素收入分配中擴(kuò)張的速度將更快。

（三）區(qū)域要素配置：生成式人工智能與區(qū)域間收入差距

由于生成式人工智能不存在對弱勢勞動(dòng)造成就業(yè)和收入侵蝕的傾向性，反而弱化了傳統(tǒng)智能技術(shù)視域下不同勞動(dòng)群體面臨的區(qū)域流動(dòng)差異，并通過消弭要素配置的地理空間限制，賦能農(nóng)村和欠發(fā)達(dá)地區(qū)發(fā)展，從而使得區(qū)域間收入差距收斂成為可能。

與不同技能群體的收入分配格局演變分析路徑類似，既有研究通常基于資本—技能互補(bǔ)視角和技能偏向型技術(shù)變革假說，聚焦于物質(zhì)資本積累和技術(shù)進(jìn)步如何影響區(qū)域間收入差距?！百Y本—技能互補(bǔ)”的典型現(xiàn)象是物質(zhì)資本對勞動(dòng)技能的依賴性增強(qiáng)，其收入分配效應(yīng)體現(xiàn)在增加技能勞動(dòng)、降低非技能勞動(dòng)的工作時(shí)間和邊際產(chǎn)出，從而提高技能溢價(jià)，加劇技能群體間的收入不平等。結(jié)合技能偏向型技術(shù)變革理論，由于傳統(tǒng)人工智能技術(shù)具有與技能勞動(dòng)互補(bǔ)的物化型特征，技能水平逐漸成為勞動(dòng)力在區(qū)域間轉(zhuǎn)移的準(zhǔn)入門檻。因而從技能群體的空間流動(dòng)來看，技能勞動(dòng)流動(dòng)性增強(qiáng)，通過“用腳投票”發(fā)生集聚從而產(chǎn)生溢出效應(yīng)，非技能群體的流動(dòng)性卻由于異地勞動(dòng)市場的技能壁壘而降低。值得注意的是，從技能群體的空間分布來看，我國技能分布本身就存在明顯的區(qū)域差異，技能勞動(dòng)聚集于城鎮(zhèn)和發(fā)達(dá)地區(qū)，非技能勞動(dòng)則會(huì)聚在農(nóng)村和欠發(fā)達(dá)地區(qū)（馬紅旗等，2017）。因此，在傳統(tǒng)人工智能技術(shù)視角下，物質(zhì)資本積累一方面通過已經(jīng)形成的技能分布區(qū)域差異固化區(qū)域間收入差距，另一方面經(jīng)由不同技能群體的流動(dòng)性差異進(jìn)一步加劇區(qū)域間收入不平等，即流動(dòng)性較強(qiáng)的技能勞動(dòng)持續(xù)涌向城鎮(zhèn)和發(fā)達(dá)地區(qū)，在流入地發(fā)揮生產(chǎn)率效應(yīng)和溢出效應(yīng)，非技能勞動(dòng)則繼續(xù)滯留農(nóng)村和欠發(fā)達(dá)地區(qū)，促使收入不平等現(xiàn)象由技能群體之間發(fā)展到不同區(qū)域之間（陳勇和柏喆，2018；周慧珺，2022）。

然而，由于與傳統(tǒng)人工智能對群體間和要素間收入分配的影響迥異，生成式人工智能應(yīng)用對區(qū)域間收入差距的影響或許存在不同。從勞動(dòng)群體內(nèi)部來看，在生成式人工智能技術(shù)視角下，傳統(tǒng)界定標(biāo)準(zhǔn)下的高—低技能勞動(dòng)之間的收入分配格局可能發(fā)生異于往常的改變，即操作熟練的技能勞動(dòng)需求和技能溢價(jià)降低，技能群體之間的工資差距有望縮小，不同技能勞動(dòng)在區(qū)域間流動(dòng)的可能性將逐漸趨同。從勞資分配關(guān)系來看，產(chǎn)業(yè)內(nèi)部廣泛應(yīng)用生成式人工智能技術(shù)，將促使資本配置的重心隨產(chǎn)業(yè)結(jié)構(gòu)升級而轉(zhuǎn)移至現(xiàn)代服務(wù)部門，勞動(dòng)密集型產(chǎn)業(yè)逐步向資本勞動(dòng)密集型產(chǎn)業(yè)和資本密集型產(chǎn)業(yè)轉(zhuǎn)型。在此基礎(chǔ)上，由于發(fā)達(dá)地區(qū)的實(shí)體性服務(wù)業(yè)對所有技能類型的勞動(dòng)都存在旺盛的需求，而虛擬性服務(wù)業(yè)則通過突破地理空間的限制，催生新業(yè)態(tài)新模式的互聯(lián)網(wǎng)經(jīng)濟(jì)，最終有助于推動(dòng)農(nóng)村和欠發(fā)達(dá)地區(qū)的收入增長（張明志等，2021）?；诖?，生成式人工智能有望通過均衡技能群體間的收入分配，緩和非技能勞動(dòng)在區(qū)域間流動(dòng)受到的就業(yè)歧視，促進(jìn)欠發(fā)達(dá)地區(qū)的虛擬性服務(wù)業(yè)發(fā)展，從而縮小區(qū)域間收入差距，成為區(qū)域間均衡發(fā)展的新機(jī)遇（許雪晨等，2023；鄭世林等，2023）。

四、結(jié)論啟示與未來展望

生成式人工智能對勞動(dòng)力市場收入分配的影響與以往其他形式自動(dòng)化技術(shù)有諸多不同，也更加錯(cuò)綜復(fù)雜。本文基于具有代表性的國際性工作報(bào)告描述勞動(dòng)市場對生成式人工智能的現(xiàn)實(shí)反應(yīng)，進(jìn)而從勞動(dòng)群體內(nèi)部、勞資分配關(guān)系和區(qū)域要素配置的視角層層遞進(jìn)，分析生成式人工智能對群體間、要素間和區(qū)域間收入分配的影響。通過對相關(guān)文獻(xiàn)的系統(tǒng)梳理和深入剖析，本文得出的主要結(jié)論如下：第一，在“資本—技能互補(bǔ)”與偏向型技術(shù)變革的假說框架下，論證生成式人工智能通過重塑勞動(dòng)技能需求和轉(zhuǎn)變工作任務(wù)屬性，對不同技能、任務(wù)、經(jīng)驗(yàn)群體間的收入分配產(chǎn)生均衡效應(yīng)，符合既有國際經(jīng)驗(yàn)證據(jù)。第二，結(jié)合產(chǎn)出彈性和替代彈性的部門間差異，揭示生成式人工智能通過推動(dòng)產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型和生產(chǎn)要素流動(dòng)，促使資本—?jiǎng)趧?dòng)要素在不同部門之間發(fā)生差異化的收入分配。第三，考慮到技能分布和人口流動(dòng)，表明生成式人工智能通過勞動(dòng)群體內(nèi)部和勞資分配關(guān)系的作用路徑，促進(jìn)資本和勞動(dòng)要素的跨區(qū)域流動(dòng)配置，存在縮小區(qū)域間收入差距的可能性。根據(jù)上述結(jié)論，得出如下政策啟示：

首先，善于利用生成式人工智能在不同類型勞動(dòng)群體間的收入均衡效應(yīng)，以防出現(xiàn)“人力資本失靈”現(xiàn)象。在勞動(dòng)力發(fā)生職位轉(zhuǎn)換和工作重組的過程中，政府需要側(cè)重于提供到位的培訓(xùn)支持政策和社會(huì)保障網(wǎng)絡(luò)，企業(yè)應(yīng)當(dāng)重視內(nèi)部雇員的配置部署與規(guī)劃管理，勞動(dòng)者要利用被自動(dòng)化解放的時(shí)間執(zhí)行更具企業(yè)價(jià)值的新活動(dòng)。

其次，充分把握自動(dòng)化潛力較低的行業(yè)或?qū)嶓w性服務(wù)業(yè)的勞動(dòng)收入份額穩(wěn)定性，提防產(chǎn)業(yè)間勞動(dòng)力轉(zhuǎn)移的“副作用”?；诜?wù)業(yè)由非標(biāo)準(zhǔn)化的個(gè)性服務(wù)質(zhì)量決定經(jīng)濟(jì)回報(bào)，從而緩和勞資分配不均的特性，政府需要采取支持勞動(dòng)者技能再培訓(xùn)的政策，積極推動(dòng)產(chǎn)業(yè)結(jié)構(gòu)升級，促進(jìn)實(shí)體性服務(wù)業(yè)壯大發(fā)展，監(jiān)督虛擬性服務(wù)業(yè)健康發(fā)展。

最后，抓實(shí)抓牢生成式人工智能縮小區(qū)域間收入差距的新機(jī)遇，破解農(nóng)村和欠發(fā)達(dá)地區(qū)“低收入—少人才”的惡性循環(huán)。地方政府應(yīng)當(dāng)采取支持新技術(shù)應(yīng)用和新業(yè)態(tài)發(fā)展的財(cái)政和稅收政策，促進(jìn)虛擬性服務(wù)業(yè)健康發(fā)展，充分吸納從傳統(tǒng)工業(yè)部門溢出的回流勞動(dòng)力，積極提供新型就業(yè)的相關(guān)技術(shù)培訓(xùn)，縮小與發(fā)達(dá)地區(qū)的收入差距。

就此，在生成式人工智能技術(shù)發(fā)展的背景下，本文識別出幾個(gè)未來亟須關(guān)注和有待探究的重要研究方向。

（一）深入人工智能技術(shù)驅(qū)動(dòng)的收入均衡效應(yīng)與人力資本失靈風(fēng)險(xiǎn)研究

首先，有關(guān)異質(zhì)性勞動(dòng)群體的技術(shù)適應(yīng)性分化問題有待進(jìn)一步研究?，F(xiàn)有研究表明，人工智能技術(shù)具有非對稱性，大體表現(xiàn)為對高技能勞動(dòng)者的補(bǔ)充效應(yīng)與對低技能勞動(dòng)者的替代效應(yīng)（Acemoglu and Restrepo，2020）。然而，關(guān)于中間技能群體（如行政支持人員）的“極化效應(yīng)”機(jī)制仍存在爭議。未來研究需建立動(dòng)態(tài)技能分類框架，結(jié)合職業(yè)任務(wù)分解法（Task-Based Approach）量化不同崗位在智能技術(shù)環(huán)境中的暴露指數(shù)（Autor et al.，2023）。例如，采用自然語言處理技術(shù)解析職業(yè)大典的詳細(xì)說明或大規(guī)模招聘數(shù)據(jù)的崗位描述，構(gòu)建符合我國勞動(dòng)力市場實(shí)際情況，包含認(rèn)知復(fù)雜度、創(chuàng)造性需求等維度的暴露模型。

其次，需要深入分析人工智能技術(shù)應(yīng)用背景下人力資本失靈的形成機(jī)制與干預(yù)路徑。未來研究可以基于人力資本折舊理論（Becker，1964），探究人工智能技術(shù)加速技能貶值速率的量化模型，以解釋當(dāng)下勞動(dòng)者既有技能與技術(shù)需求的結(jié)構(gòu)性錯(cuò)配的“人力資本失靈”現(xiàn)象。在實(shí)證研究方面，可利用個(gè)體追蹤數(shù)據(jù)刻畫轉(zhuǎn)型期勞動(dòng)者的技能更新軌跡，識別關(guān)鍵干預(yù)節(jié)點(diǎn)。在政策仿真方面，探索利用多主體模型（Agent-Based Modeling，ABM）模擬我國政府和企業(yè)提供的不同培訓(xùn)政策（如模塊化微證書體系）對人力資本再生的影響研究。

最后，在勞動(dòng)力職位轉(zhuǎn)換和工作重組的過程中推進(jìn)社會(huì)保障網(wǎng)絡(luò)的適應(yīng)性重構(gòu)。傳統(tǒng)失業(yè)保險(xiǎn)制度難以應(yīng)對技術(shù)性失業(yè)的時(shí)空集聚特征，未來研究需突破基于失業(yè)率的被動(dòng)補(bǔ)償模式，設(shè)計(jì)包含技術(shù)風(fēng)險(xiǎn)評估的預(yù)防性保障機(jī)制。例如，參考丹麥“彈性安全”（Flexicurity）模型（Madsen，2008），將技能認(rèn)證、過渡津貼與再就業(yè)服務(wù)整合為動(dòng)態(tài)支持系統(tǒng)。同時(shí)，需評估全民基本收入（UBI）在生成式人工智能時(shí)代浪潮和我國現(xiàn)實(shí)背景下的可行性，重點(diǎn)關(guān)注其對勞動(dòng)參與率的非線性影響。

（二）從產(chǎn)業(yè)升級視角推進(jìn)低自動(dòng)化潛力行業(yè)的勞動(dòng)收入穩(wěn)定性機(jī)制研究

首先，針對性地探索實(shí)體性服務(wù)業(yè)的技術(shù)韌性來源。實(shí)體性服務(wù)業(yè)（如醫(yī)療護(hù)理、教育服務(wù)）的自動(dòng)化彈性源于任務(wù)的高度情境化與情感交互需求（Frey and Osborne，2017）。未來研究需針對性地解構(gòu)“個(gè)性服務(wù)質(zhì)量”的構(gòu)成要素，開發(fā)包含同理心指數(shù)、情境適應(yīng)力等指標(biāo)的測量工具，并根據(jù)我國現(xiàn)有經(jīng)濟(jì)和技術(shù)發(fā)展階段進(jìn)行適應(yīng)性調(diào)試，進(jìn)一步比較人機(jī)協(xié)作模式與純?nèi)斯つＪ降姆?wù)產(chǎn)出差異。

其次，關(guān)注產(chǎn)業(yè)間勞動(dòng)力轉(zhuǎn)移的溢出效應(yīng)。從制造業(yè)向服務(wù)業(yè)轉(zhuǎn)移的勞動(dòng)力可能面臨“技能折價(jià)”風(fēng)險(xiǎn)（Autor and Dorn，2013），未來研究可以通過建立跨行業(yè)技能遷移矩陣，識別可轉(zhuǎn)移技能（如客戶關(guān)系管理）與行業(yè)專用技能。在實(shí)證方面，利用空間計(jì)量模型揭示區(qū)域勞動(dòng)力市場的網(wǎng)絡(luò)效應(yīng)，例如服務(wù)業(yè)集群對技術(shù)擴(kuò)散的促進(jìn)作用。此外，特別需關(guān)注零工經(jīng)濟(jì)平臺如何重構(gòu)傳統(tǒng)服務(wù)業(yè)的價(jià)值分配鏈條，重點(diǎn)關(guān)注自動(dòng)化程度較低的勞動(dòng)密集型服務(wù)行業(yè)中勞動(dòng)收入份額的穩(wěn)定性特征，對產(chǎn)業(yè)間勞動(dòng)力轉(zhuǎn)移可能產(chǎn)生的負(fù)外部性進(jìn)行預(yù)警分析。

最后，虛擬性服務(wù)業(yè)的監(jiān)管悖論有待深入討論。虛擬性服務(wù)業(yè)（如內(nèi)容審核、在線教育）的快速發(fā)展催生新型勞資關(guān)系，未來研究可以通過剖析算法管理（Algorithmic Management）對勞動(dòng)過程的影響，特別是績效評估中的算法偏見問題（Zuboff，2023），還可借鑒歐盟《數(shù)字服務(wù)法》（DSA）的監(jiān)管經(jīng)驗(yàn)，構(gòu)建兼顧創(chuàng)新激勵(lì)與勞動(dòng)者權(quán)益的規(guī)制框架，監(jiān)督虛擬性服務(wù)業(yè)健康發(fā)展。

（三）基于技術(shù)擴(kuò)散和勞動(dòng)力流動(dòng)拓展彌合區(qū)域收入差距的技術(shù)路徑研究

首先，技術(shù)擴(kuò)散的空間非均衡性問題存在擴(kuò)展空間。人工智能等數(shù)字技術(shù)應(yīng)用存在顯著的地理集聚特征，“數(shù)字鴻溝”（Digital Divide）風(fēng)險(xiǎn)愈加突出。未來研究可以通過整合技術(shù)擴(kuò)散理論（Rogers，2003）與新經(jīng)濟(jì)地理學(xué)，分析基礎(chǔ)設(shè)施（如5G 覆蓋率）、人力資本存量與制度環(huán)境（如數(shù)據(jù)治理政策）的交互作用。此外，在案例研究方面，可聚焦“數(shù)字飛地”現(xiàn)象，考察欠發(fā)達(dá)地區(qū)通過人工智能技術(shù)嵌入實(shí)現(xiàn)跨越式發(fā)展的條件約束，以破解農(nóng)村和欠發(fā)達(dá)地區(qū)“低收入—少人才”的惡性循環(huán)。

其次，回流勞動(dòng)力的再技能化路徑有待剖析。傳統(tǒng)工業(yè)部門萎縮導(dǎo)致勞動(dòng)力回流的“被動(dòng)返鄉(xiāng)”與“主動(dòng)創(chuàng)業(yè)”存在異質(zhì)性影響。未來研究可利用混合研究方法（Mixed Methods），結(jié)合宏觀勞動(dòng)力流動(dòng)數(shù)據(jù)與微觀創(chuàng)業(yè)敘事，識別技能培訓(xùn)的有效傳遞機(jī)制。例如，虛擬現(xiàn)實(shí)（VR）技術(shù)在遠(yuǎn)程技能培訓(xùn)中的應(yīng)用效能評估，以及在新技術(shù)應(yīng)用和新業(yè)態(tài)發(fā)展過程中，如何發(fā)揮區(qū)域數(shù)字素養(yǎng)的調(diào)節(jié)效應(yīng)。

最后，財(cái)政與稅收政策的“技術(shù)敏感性”亟須加強(qiáng)。未來研究可通過構(gòu)建政策實(shí)驗(yàn)框架，評估稅收抵免（如人工智能技術(shù)設(shè)備投資抵免）、特別折舊制度等工具對企業(yè)技術(shù)采納的激勵(lì)強(qiáng)度。同時(shí)，關(guān)注在此過程中如何警惕“政策套利”風(fēng)險(xiǎn)，建立包含技術(shù)溢出效應(yīng)、就業(yè)創(chuàng)造乘數(shù)等指標(biāo)的綜合評估體系。