（原文刊发于【中金点睛】）

Scaling Law决定了大模型性能在技术层面规模报酬递减，但Tokenization通过标准化提高了认知技能的生产效率，为大模型在经济层面实现规模报酬递增奠定了基础。大模型削弱了高阶认知技能的稀缺性，导致不同技能禀赋劳动者的相对生产率发生变化，引发基于比较优势的分工重构；标准化的认知技能供给模式，降低了分工各环节的协调成本，由此推动分工深化、实现规模经济。从职业重构角度看，新一轮AI技术进步是赋能还是替代劳动，取决于其超越的是劳动者的核心技能还是边缘技能。目前的实证数据表明，大模型对于劳动者的五项基础技能均主要呈现出降低职业进入门槛的简化效应，有助于缩小不同技能禀赋劳动者的生产力差距。AI在现有职业中的应用会产生新的任务需求，这些新任务规模扩大到一定程度，规模经济逻辑会促使新任务从现有职业中独立出来演化为新职业。此外，认知技能标准化有助于降低企业采购认知技能的交易成本，从而推动传统企业边界收缩，形成一人公司的产业组织新形态。大模型重构分工带来的规模经济有助于提升生产力，也会导致劳动者薪酬增速低于生产力增速，造成以劳资分配失衡为主要特点的收入分配差距扩大问题，而非大规模失业。可考虑加大面向中低收入群体的转移支付力度，以完善中国特色的社会保障制度，为AI技术通过创造性破坏来提高生产力筑牢社会安全网。

摘要：以大模型为代表的新一轮AI技术快速进步，引发“AI究竟替代还是赋能人”的争议。科技界与产业界的讨论大多从技术或产业视角出发，本文认为还是要回归技术进步如何重构分工这一基本经济学命题。从经济学角度看，技术进步对分工的影响，可综合比较优势和规模经济两个相互关联的视角来理解。前者探讨技术进步如何改变分工的边界，后者分析技术进步在分工深化实现规模经济中扮演的角色。标准化是两个视角内在的逻辑连接点。

大模型重构分工的关键，在于通过标准化提高了认知技能的生产效率，削弱了高阶认知技能供给的稀缺性，改变了不同技能禀赋劳动者的相对生产率。Tokenization将高度非标准化的知识与信息，拆解为可被机器计量、处理的标准化单元（token），是大模型提高认知技能生产效率的技术基础。这种标准化大幅降低了运用认知技能的门槛，能够满足原来因认知技能规模不经济而未得到满足的任务需求，进而扩大市场规模，反过来会进一步促进分工深化，再叠加单位认知成本的下降，有望在经济层面实现规模报酬递增。简言之，AI在性能上的规模报酬递减，与经济上的规模报酬递增并不矛盾，关键在于通过标准化提升了认知技能的生产效率。

在基于比较优势的“技能—任务”分析框架下，以大模型为代表的新一轮AI技术进步，会改变任务在劳动者与机器之间的分配，进而引发职业重构。但对劳动者究竟是赋能还是替代，难以一概而论，取决于AI在不同职业重构中超越劳动者的是核心技能还是边缘技能。即便是在同一职业内部，由于大模型目前对认知技能的标准化生产主要是基于显性知识，很难学习到以劳动者私有经验形式存在的隐性知识，导致在软件开发者等职业重构中出现AI替代年轻员工的同时赋能资深员工的结构分化现象。未来会如何演变将取决于企业把劳动者隐性知识转化为显性知识的速度和程度。

新职业通常并非凭空出现，而是沿着可辨认的方向从现有职业中演化出来。一种可能的来源是伴随着AI渗透率的提升，在现有职业内部产生出了因AI应用而来的新任务。根据规模经济的分工深化逻辑，这种新任务的需求量一旦扩大到某个程度，则有望从现有职业中脱离出来，成为一种高频、专门的独立任务，并吸引具有技能比较优势的劳动者与之匹配，由此演化出全新的职业分工。

“一人公司”并非一种新职业，也并非“通才”回归，而是一种新的产业组织模式。背后的逻辑与互联网平台促成零工经济“回归”有点类似，是传统企业缩小与新型企业扩大相辅相成的结果，具有内、外部规模经济互相促进的特点。一方面，大模型企业的规模持续扩大，通过内部规模经济效应提供标准化的认知技能供给，促成具有外部规模经济效应的大模型生态；另一方面是认知技能标准化显著降低了通过市场机制采购认知技能的交易成本，有效降低了高阶认知技能的稀缺性，促进了传统企业边界的收缩，形成了一人公司的产业组织新模式。

新一轮AI技术进步在通过专业化分工与规模经济带来生产力提升的同时，对于就业数量的影响是不确定的，但对于劳动者报酬的影响是相对确定的。无论是AI超越劳动者核心技能的替代论，还是AI降低职业技能门槛的赋能论，最终结果均是抑制劳动者薪酬增长动力。从经济史来看，这种由技术进步引发的劳动者薪酬增速低于生产力增速的情况并不罕见，在生产关系层面造成的主要影响，是以劳资分配差距日益扩大为主要表现的收入分配差距扩大，而非持续的大规模失业。同样是参考历史的经验教训，为应对AI重构分工所造成的生产关系挑战，可考虑在利用AI技术进行精准识别的基础上，着力加大面向中低收入群体的转移支付力度，以完善中国特色的社会保障制度，进而为AI技术通过创造性破坏来提高生产力筑牢社会安全网。

近来，以大模型为代表的新一轮AI技术快速进步，引发了有关“AI究竟是替代人还是赋能人”的巨大争议，甚至有蔓延为社会焦虑的迹象。替代论认为，AI将在大量任务上超越人类、大规模替代传统岗位。持替代论的典型代表，是图灵奖与诺贝尔物理学奖得主辛顿（Geoffrey Hinton），以及全球首富马斯克（Elon Musk）。受大模型快速迭代的推动，马斯克坚信随着AI与具身智能的成熟，人类社会的传统就业岗位将不再被需要（no job is needed）[1]，并在近期将这一临界点的到来预估在10年到20年内[2]。有着“深度学习之父”称号的辛顿则在大模型出现之前就持这一判断，早在2016年就发出明确警告，称美国应停止培养放射科医生，因为AI将在五年内让他们失去存在的价值[3]。大模型的发展似乎进一步印证了辛顿的“先见之明”，美国资本市场因大模型而出现科技股牛市的同时，Meta等硅谷科技企业却以AI增效为由大规模裁减程序员[4]。

对此，英伟达作为迄今为止大模型发展最大的受益者，其CEO黄仁勋并不认可这种逻辑。2026年6月1日，他在全球技术大会的演讲中明确反驳了AI导致程序员失业的观点。黄仁勋认为，软件开发作为AI Agent最先落地的核心应用领域之一，编程本身是全球颇具价值的核心专业技能。GitHub的数据表明，AI Agent融入软件开发流程后，显著提升了开发者的工作产出效率。依托AI带来的生产力巨大提升，软件工程师的市场需求只会愈发旺盛。所谓“AI将导致大规模失业”的论调，完全是无稽之谈[5]。很明显，黄仁勋与辛顿、马斯克的观点截然相反，他主张AI是赋能人而非替代人。

作为全球两家领先大模型企业的负责人，OpenAI的CEO萨姆·奥尔特曼（Sam Altman）和Anthropic的CEO达里奥・阿莫代伊（Dario Amodei）的观点更是耐人寻味。在2026年之前，两家公司均以提升大模型性能为核心目标，彼时两位CEO通过各种渠道向社会传递的主要是替代论逻辑，也即大模型具备强大的任务执行能力，在很多任务上超过人类水平，因而会取代大量人类劳动者。典型案例便是OpenAI开展的GDPval测试，结果显示大模型已在相当比例的任务上比肩甚至超越人类专家，似乎为硅谷科技企业在科技股牛市中大规模裁员提供了论据支持。

然而有意思的是，正是在大模型快速进步且在多数被测职业中超越人类专家之际，这两位CEO却不约而同地从替代论转向了赋能论。阿莫代伊在2026年5月5日的公开发言中，用杰文斯悖论（Jevons Paradox）阐述了AI通过提升效率来降低成本，进而扩张需求、促进就业的观点[6]。当月的26日，奥尔特曼也表示：“我们在技术预测上大体是正确的，但在社会和经济影响上判断相当有误……被AI消灭的初级白领岗位数量远没有我原本担心的那么多”[7]；并于6月1日进一步表示：“那些最积极使用AI的公司，反而往往也是招聘最积极的公司”[8]。对于领先大模型企业CEO从替代论向赋能论的观点转变，美国《财富》（Fortune）杂志报道称：“Sam Altman and Dario Amodei are both walking back their AI jobs apocalypse prophecies as they eye blockbuster IPOs”[9]。

事实上，《Fortune》杂志提出的动机视角，或许不仅适用于理解领先大模型企业CEO为何自我否定，也适用于前述替代论者或者赋能论者的坚持，差别仅在于他们是出于科技动机，还是产业动机。当然，不同动机下的观点对于完整理解AI的赋能与替代是有帮助的，但AI究竟是赋能劳动者还是取代劳动者，不仅是技术问题，更是经济学问题，还是应当回归经济学视角的分析。

从经济学视角看，就业总量增减、职业兴衰更替是个结果，深层次原因在于技术进步作为创造性破坏力量，会打破建构在原有生产力基础上的生产关系，重构分工格局。伴随着技术进步对劳动者核心或是边缘技能的超越，分工重构在两个相互交织的维度上逐步深化：一方面是职业重构（Job Transformation），也即同一职业内部的任务在人与机器[10]之间再分配；另一方面是技术进步改变不同禀赋劳动者的相对生产率，导致基于比较优势形成的劳动者协作关系发生重构。这些分工重构的外在体现与最终结果，即是机器对人的替代或者赋能，乃至新旧岗位的新陈代谢。因此，对于AI如何影响就业的关心不应局限于技术层面“替代VS赋能”的简单二选一，而是应该深入到AI作为新一轮重大技术进步，究竟会如何重构分工的经济学逻辑中寻找答案。

一、技术进步重构分工的两个经济学视角：比较优势与规模经济

分工通常被认为是效率提升的重要来源，经典表述来自于1776年亚当·斯密的《国富论》：若没有专业化分工，制针工人一天连20枚针都造不出来；而分工后，人均日产量可达4800枚[11]。对于分工深化的经济学分析，有两个视角尤为重要：一是比较优势，可以用来分析技术进步如何改变不同技能禀赋劳动者的相对生产率，进而改变分工边界；二是规模经济，规模既是分工深化的前提条件，分工协作又是规模经济得以实现的重要微观基础。

（一）基于比较优势的“技能—任务”分工框架

比较优势的思想起点，来自于李嘉图关于国际贸易的经典阐述：即便一国在所有产品的生产效率上均劣于另一国，两国之间仍旧可以通过国际分工与贸易的方式来共同获益。Roy（1951）将其首次拓展应用于解释微观层面的劳动分工[12]。作为劳动经济学的早期奠基性文献之一，Roy基于猎人、渔民这类简单的职业划分，阐述了劳动者技能禀赋差异在分工中的重要性。以甲、乙两个劳动者为例，甲工作一天可以捕获十只兔子或者八条鱼，乙工作一天可以捕获五只兔子或者两条鱼。甲虽然在两个职业上均具有绝对优势，但不意味着社会最优的分工安排是甲同时从事两种职业；根据比较优势原理，应当由甲专业从事机会成本更低的渔民职业，乙专业从事机会成本更低的猎人职业。

图表1：1980-2005年美国各职业工资百分位的实际对数小时工资变化

注：横轴按1980年职业平均工资排序。资料来源：Autor & Dorn（2013），中金研究院

技术进步会改变不同技能禀赋劳动者的相对生产率，引发比较优势的变化，最终导致分工重构。例如1980年代流行的“技能偏向型技术进步”（SBTC）假说认为，技术进步主要提升高技能劳动者的相对生产率，部分程度上解释为什么二战之后伴随着高技能劳动者供给的大幅扩张，技能溢价却未收窄。但对于1980年代之后美国出现的“就业极化”现象（图表1），即高、低技能两端就业上升、中间塌陷问题，SBTC假说无法解释。对此，Autor、Levy与Murnane（2003）提出了任务分析框架，认为计算机/自动化擅长替代规则明确的常规智力任务（如数据录入、计算、簿记）以及常规体力任务（如分拣、重复装配）的同时，与依赖灵活判断的非常规智力任务（如诊断、写作、分析）形成互补关系。因此，中间之所以塌陷主要是因为中等技能岗位多由可被替代的常规任务构成[13]。

Acemoglu与Autor（2011）提出了兼顾技能与任务的供求匹配框架。在这一框架下，“技能”是工人拥有的相对稳定知识、经验与能力，“任务”是实现生产所必须完成的具体工序，分工的本质是拥有不同技能禀赋的工人，基于比较优势在不同任务间的动态分配。在这个分析框架下，技术进步并不直接改变劳动者既有知识、经验、能力等技能禀赋，但会改变机器与劳动者在不同任务上的相对生产率，从而改变不同技能在分工体系中的比较优势。具体而言，技术进步在旧任务上挤出劳动（替代效应），但由此带来的生产率提升会扩大总需求，从而间接拉动各类要素需求（生产率效应）；更重要的是，技术会催生需要人类技能的全新任务，重新吸纳劳动（新任务创造效应）[14]。这就形成一个技术进步驱动下的分工持续动态重构图景：机器在后面追（自动化接管旧任务），人在前面跑（将自身技能适配到新任务上）。历史上的典型案例包括印刷机催生出版业、电力催生电气工程师等。据测算，美国1980至2016年约一半的就业增量来自1980年前并不存在的新任务与新职业[15]。

（二）分工深化有赖于规模，也是实现规模经济的微观基础

分工协作带来效率提升，已经成为基本的经济学常识。而分工协作之所以能够形成，则有赖于市场规模的扩大。亚当·斯密最早提出“分工深化程度受市场规模限制”的论断[16]，后被称为“斯密定理”。由于斯密的论述主要针对单个企业内部的分工，因此斯密定理虽然具有普遍性，但通常还是被从内部规模经济的视角去理解。斯蒂格勒将斯密定理从企业内部分工推广到产业内部分工，提出随着产业规模扩大，企业会将某些生产环节剥离出去，交由更具规模优势的专业化厂商承担，从而实现更深度的产业内分工[17]。也就是说，分工协作不但是内部规模经济的微观基础，也是外部规模经济的微观基础。杨格将斯密定理从静态推向动态，提出市场规模并非外生给定，而是内生于总体生产能力：分工深化会扩大市场，市场规模扩大又会进一步推动产业间分工与迂回生产方式的深化，由此形成自我强化的内生性报酬递增[18]。

需要说明的是，规模扩大带来的分工深化并非没有代价。伴随着分工越来越细、环节越来越多，跨环节、跨主体的协调成本也会上升，最终当由分工深化带来的协调成本超过效率收益时，规模扩大便无法再继续推动分工深化，规模经济也会因此遭遇瓶颈。实现各分工环节的标准化生产，是有效降低协调成本的重要方式之一。技术进步通常是实现标准化生产的必要条件，使得复杂的生产过程得以拆解为可重复执行的标准化任务与技能组合，由此推动基于比较优势的分工深化，进而实现规模经济。因此，建立在技术进步基础上的标准化，也是比较优势与规模经济两个视角的内在逻辑连接点。这在以大模型为代表的新一轮AI技术进步中体现得尤为明显。

二、认知技能标准化：大模型实现规模报酬递增的基础

标准化生产能否实现，一方面取决于管理经验决定的任务标准化拆分方式，另一方面取决于由技术进步决定的技能标准化生产模式。从过去三次科技革命的经验来看，机器是实现技能标准化生产的重要载体，自动化是标准化生产的重要体现。过去几轮科技革命，尤其是信息科技革命时代的经验还表明：自动化难以承担那些依赖高灵活性、判断力与常识的非常规任务，因为执行这些任务调用的隐性技能往往只可意会、难以言传，难以被标准化为机器任务。

以保洁等低薪服务业为例，劳动者核心技能是非常规手工技能（manual skills）与社交技能（social skills）。这类技能虽然在劳动者中分布较广、进入门槛相对较低，却难以被大模型之前的技术进行标准化生产，Autor因而将其概括为“波兰尼悖论（Polanyi’s Paradox）” [19]，用以刻画自动化的极限。如前述，规模经济有赖于标准化下的分工协作，而自动化又是标准化的重要体现，因此自动化界限很大程度上也成为规模经济的界限。

这也在部分程度上解释为什么美国在信息科技革命时代，以制造业为主的中产出现塌陷的同时，低薪服务业的就业数量与薪酬却出现了上升，因为低薪服务业岗位劳动者的核心技能难以标准化，因而难以通过资本化、自动化方式实现大规模供给，导致无法形成制造业那样强的规模经济效应。不过，由于拥有这些技能的劳动力供给相对充足，企业可以通过增加劳动投入的方式来实现产出扩张，从而在很大程度上缓解了非标技能的规模不经济问题，因而也制约了其薪酬上涨动力。

相比之下，高薪服务业的供给约束更为突出。这类行业所需要的劳动者核心技能主要是高阶认知技能（cognitive skills），其次是社交技能[20]。高阶认知技能是对知识的学习、整合与应用能力。由于这种技能高度非标准化，且在劳动者之间分布高度不均匀，不同个体的知识学习与运用能力存在巨大差异，导致高薪服务业的核心生产能力往往与劳动者个体的人力资本紧密绑定。正是这一绑定带来了根本性的供给约束，导致高阶认知技能的产能，难以像制造业那样通过增加机器设备、复制标准化流程或扩大资本投入等自动化方式来快速扩张，因而在需求增长时更容易出现边际成本递增，最终引发平均成本上升的规模不经济。

以律师为例，核心技能高度依附于律师个人的专业判断、案件经验等，一定时期内可承接的案件量受到其时间与精力严格约束。一旦触及律师个人所能承载的上限，难以通过引入机器设备的方式来缓解产能供给不足问题。更重要的是，因为高阶认知技能的生产周期漫长且投入较大，律师数量的有效供给也很难在短期内快速扩张，需要长期的法律教育、严苛的职业资格考试、漫长的案件经验和声誉积累等。因此，该行业很难出现“案件越多、单位成本越低”的规模经济现象，反而会因边际成本递增而最终出现规模不经济问题。

事实上，不只是律师，程序员、医生等服务业所需的高阶认知技能都存在类似问题，不但难以通过机器实现标准化生产，且存在较强的供给约束，由此形成的规模不经济问题，奠定了这些行业劳动者薪资增长更快的基础。不过，以大模型为代表的新一轮AI技术进步似乎正在改变这种情况，在大量非常规智力任务（如写作、分析、医学诊断、法律研究、编程等）上展现远超以往技术进步的能力，导致高薪服务业反而成为AI暴露度较高的领域，甚至呈现出薪酬越高则AI暴露度越高的态势（图表2、3）。

图表2：美国职业AI暴露度与薪酬水平

注：该AI暴露度是指某个职业的所有任务，平均被企业实际部署的AI应用替代的比例。该图使用美国2014-2023年的Revelio Labs简历与招聘数据，以及美国劳工部O*NET职业任务数据库进行估算。资料来源：Hampole等（2025）[21]，中金研究院

图表3：中国职业AI暴露度与薪酬水平

注：横轴为中国城镇非私营单位分行业按2024年平均工资由低到高排序的百分位（0-100）；纵轴为刘行等（2025）基于2024年中国在线招聘大数据测算的各行业AI暴露度。资料来源：国家统计局，刘行等（2025）[22]，中金研究院

背后是大模型技术进步带来的Tokenization。从技术层面看，Token是大模型能够识别和处理的最小计算单元，Tokenization则是将高度非标准化的知识与信息，拆解为一系列可被大模型统一计量和处理的标准化单元。该技术实现了以往历次科技革命前所未有的重大突破，即是将知识的学习、整合与应用这一传统上高度非标准化的技能，转化为可由机器提供的标准化技能，极大提升了机器自动化执行复杂非常规任务的潜力。

图表4：大模型出现前后各类工作的自动化潜力对比

注：图中数值为2023年中等预测情景下（即基于2023年生成式AI的能力表现，排除最激进和最保守的极端预测后，所推演出的最符合一般现实发展轨迹的中位数评估结果）的技术自动化潜力，即在各类具体工作活动所耗费的总工作时间中，理论上能够被技术自动化的时间比例。资料来源：McKinsey Global Institute（2023）[23]，中金研究院

对大模型出现前后同一任务自动化潜力的研究表明，此前最依赖隐性判断、最难被机器执行的非常规智力任务（如应用专业知识、管理与培养人才），自动化潜力出现了最显著的跃升[24]（图表4）。更为关键的是，一旦原本高度依赖个体经验、知识积累的高阶认知技能被标准化，大模型便能将其转化为可描述、可调用、可嵌入流程的技能模块，从而实现认知技能与个体人力资本的解绑，转而由模型、算力进行规模化供给。这改变了非常规智力任务在多工序投入产出过程中的协同方式，提高了生产环节的可分离性，使同一模型能力能够在写作、检索、编程、客服等不同场景中被重复调用，从而降低了应用开发、流程衔接和质量控制中的协调成本。

简言之，大模型通过标准化提升了认知技能的生产效率，进一步促进了分工深化，是AI能够实现规模经济的重要基础之一。这与大模型性能的规模报酬递减形成了鲜明对照。众所周知，大模型性能在技术上遵循着规模定律（Scaling Law），即伴随着算力、数据等要素投入的增加，模型性能提升幅度边际递减。但这不妨碍大模型在经济层面的应用具有规模经济效应。大模型训练在算力、算法、数据等方面的高额前期投入，在模型能力形成后，可通过API、软件等形式在各类应用场景中大规模复用，因而前期成本有望随使用规模扩大而摊薄。

更重要的是，大模型实现了认知技能的标准化生产，大幅降低了运用认知技能的门槛，能够满足原来因认知技能供给规模不经济，而未得到满足的任务需求，扩大市场规模。这会反过来进一步促进分工深化，再叠加单位认知成本的下降，进而能够在经济层面实现规模报酬递增。总之，AI在性能上的规模报酬递减，与经济上的规模报酬递增并不矛盾，关键在于大模型通过标准化提升了认知技能的生产效率。

但需强调的是，AI在应用层面的规模经济并不意味着AI应用的边际成本为零。当前，每一次推理仍然会产生大量算力、电力等可变成本，复杂任务甚至还需要进行多轮调用和人工复核，可变成本相当可观。这与传统数字经济的边际成本几乎为零形成了很大区别。当然，由于算法优化、硬件进步和市场竞争等因素，同等能力基准下的单位推理价格有望持续下降[25]。如图表5所示，从2022年11月到2024年10月，达到GPT-3.5水平的推理价格从每百万token约20美元降至0.07美元，两年间降幅高达99.65%[26]。从蒸汽机、电力等重大技术革命的演变历史来看，似乎也没有理由认为大模型的可变成本下降趋势已经终止。

图表5：实现不同AI能力基准的推理成本持续下降

注：四条曲线分别追踪了在四类基准测试中，获取特定水平AI能力所需的最低推理边际成本。纵轴采用对数刻度，直观反映了同等AI能力输出的价格随时间推移呈指数级衰减的趋势。资料来源：Stanford University HAI（2025），中金研究院

但至少是在当下，可变成本约束已经成为AI应用部署中越发不容忽视的问题，即便是积极押注于AI技术的企业也开始不得不致力于控制AI的使用成本。例如，由于一些软件工程师每周经常消耗数千美元的token，特斯拉要求员工从2026年7月6日起将AI工具支出限制在每人每周200美元以内，超出额度需获得批准。不只是特斯拉，优步在2026年4月便耗尽了其全年的AI预算，并将员工每月AI支出上限设定为1500美元；Meta、亚马逊和沃尔玛也都引入了AI支出上限，并引导员工使用更便宜的模型[27]。

总之，大模型虽然有潜力通过认知技能标准化来实现规模报酬递增，但这种潜力依然受到可变成本的约束。或者说，AI重构分工所带来的效率增进，将是一个受制于可变成本下降速度的渐进过程，这决定了高阶认知技能稀缺性的弱化速度，也意味着大模型对劳动的替代不会像部分技术狂热者认为的那样迅速。

三、创造性破坏：现有职业重构的比较优势，与新职业演化的规模经济

即便不考虑可变成本约束问题，以大模型为代表的新一轮AI技术进步对于分工的重构，也并不能用赋能或替代的简单二选一来概括。从比较优势角度看，二选一的简单思维多因忽略技能与任务的供求匹配这一分工本质。以替代论的支持者为例，大多着眼于任务层面，主要关注AI能否独立胜任一项项具体任务。最具代表性的是前述OpenAI开展的GDPval测试，它覆盖对美国GDP贡献超过5%的前9个行业、44个职业以及对应的1320项子任务，用来衡量全球顶尖大模型能否胜任“真实世界中具经济价值的知识工作任务”，并将大模型在上述任务中的表现与人类专家的表现进行量化对比。

如图表6所示，OpenAI于2025年12月针对GPT-5.2、Claude Opus 4.5、Gemini 3 Pro等模型的研究表明，在千余项任务中，大模型达到或超越人类专家水平的概率已从2025年中期的不足50%升至约71%；在44个职业中，大模型的表现已经在其中的29个职业中超越了人类专家，在编辑这个职业上的胜率更是高达93%[28]。这似乎可以解释为何科技狂热者通常也是替代论的坚定支持者。

图表6：OpenAI的研究认为：大模型胜任真实任务的能力快速提升，在多数测试职业中达到或超越人类专家

注：数据截至2025年12月。资料来源：OpenAI

但是，简单依据GDPval这类任务视角的分析就断言AI将大规模替代劳动者，是不符合比较优势逻辑的。在“技能—任务”分析框架下，分工是多技能复合的劳动者基于比较优势，与多任务复合的职业进行匹配的结果，不仅涉及劳动者与职业的匹配，也涉及到职业内部劳动者与机器在不同任务上的分配（图表7）。这样有助于更清晰地识别技术进步弥补了劳动者哪些技能短板，或者超越了劳动者的哪些技能，进而分析职业内部的任务在劳动者和机器之间的重新分配趋势，从而更有逻辑地判断技术进步究竟是在赋能人还是替代人。

图表7：职业、任务与技能的关系

注：O*NET将职业划分为1016个（并归类为23个大类），将任务划分为19530项，将技能划分为35项；Althoff & Reichardt（2026）根据O*NET的35类技能进一步归纳的5大类。资料来源：Althoff & Reichardt（2026），Autor等（2003），O*NET[29]，中金研究院

（一）现有职业重构：AI超越核心技能，还是边缘技能？

以信息技术革命对于分析师的影响为例。分析师这个职业至少包含数据收集、计算与分析、报告写作以及路演交流等多项任务。如果没有笔记本电脑的存在，分析师自己的技能也完全能够胜任这些任务的需要。但在电脑进行繁杂数据计算的能力超越了分析师后，分析师不用再亲自执行计算任务，而是可以将自己的技能更多专注于数据分析、报告写作与路演交流等电脑无法胜任的任务上。

在这个例子中，信息技术进步显著超越了分析师的计算能力，但这个职业所需要完成的任务集合没有发生根本变化，只是各任务在劳动者与机器之间的分配格局出现了重构，使得分析师不必再投入大量时间用于基础认知技能（如数据计算）的培养，转而可以将时间专注于高阶认知技能（如数据分析、报告写作）与社交技能的打磨与运用。劳动经济学将这种现象称为职业重构（Job Transformation），会促使劳动者技能进一步专注于少数机器无法超越的规模不经济领域，从而推动劳动者技能进一步趋向专业化与生产力提升。

需要说明的是，职业重构带来效率提升的同时，究竟表现为对劳动者的替代还是赋能，取决于技术进步超越的是劳动者的核心技能还是边缘技能。如果技术进步导致机器对劳动者技能的超越，是发生在核心技能方面，也即职业核心任务所需要的技能方面，那么职业重构将打破原有分工模式，导致劳动者原有的就业机会流失，此时技术进步在职业分工层面体现为对劳动者的替代效应。这个视角也可以部分解释美国在信息科技革命期间出现的中产塌陷问题。

如果是劳动者的边缘技能被机器超越，意味着劳动者可以将更多时间用于提升职业所需的、机器无法超越的核心技能，由此提升劳动者的回报，此时在职业分工层面体现为技术进步对劳动者的赋能。这一逻辑可以在一定程度上解释，为何信息科技革命在导致美国出现中产塌陷的同时，美国低薪服务业与高薪服务业的报酬增速更快些[30][31]。究其根本，这两类职业的核心技能均是大模型之前的技术进步所无法超越的。如前述，低薪服务业依赖难以自动化的手工与社交技能；高薪服务业的核心技能则是那些难以标准化且供给约束较为刚性的高阶认知技能，高度依赖劳动者对于知识的学习与运用，长期的教育是掌握知识、提升高阶认知技能的必经之路。

伴随着大模型渗透率持续提升，不同技能的供求格局发生显著变化，导致不同技能的回报率也出现持续分化。如图表8所示，社交技能的回报率上升（如具备较强谈判或公开演讲技能的劳动者可能将从中受益），设备操作、校准维护、精密测量等技术工种所依赖的非常规体力技能的回报率也在上升，反而是以数据分析为代表的认知技能的回报率趋于下降[31]，背后原因正是在于大模型实现了认知技能的标准化生产，有效削弱了高阶认知技能供给的稀缺性。

图表8：大模型出现前后不同类型技能回报率的变化

注：纵轴为一单位标准差的技能水平提升对应的对数工资回报率；横轴以2000年为界对应美国常规偏向型技术变革的历史分期，也与主流技能回报研究的样本划分保持一致。资料来源：Freund & Mann（2026），中金研究院

这不但会导致认知技能的回报率下降，也会导致原本因认知技能供给规模不经济而享受了高薪的岗位受到较大影响。如图表9所示，美国22-25岁软件开发者的就业人数，从2022年10月（ChatGPT发布前夕）的峰值到2025年9月下降了近20%[32]。但有意思的是，年龄较大的软件开发者就业人数却呈现上升趋势，而且大致呈现出年龄越大、增量越显著的特征。这与历史经验形成鲜明反差：在大模型出现之前，软件开发行业面临的通常是“中年焦虑”问题，也即40岁以上的资深从业者失业风险增加，容易被更为年富力强且薪酬要求更低的年轻人取代。在软件开发者这一职业依旧存在，且职业核心任务需求变化不大的情况下，为何该职业的年龄结构会发生如此大的变化？可能还是要结合着“技能—任务”这一比较优势视角的分析框架来理解。

图表9：美国软件开发者分年龄段全职就业人数变化

注：基于美国最大薪资处理服务商ADP的企业薪资数据库。样本为2021年1月至2025年9月连续在库企业的全职员工，每月有效样本量350-500万人。将各年龄组2022年10月（ChatGPT发布前1个月）的就业人数设为基准1进行归一化处理。资料来源：Brynjolfsson等（2025）[33]，中金研究院

软件开发者这一职业的核心任务并非仅仅是编写代码，而是涵盖需求分析、系统设计、编程实现、测试验证以及与团队和客户的沟通协调等一系列任务。这些任务所需的核心技能，也不是单纯编程能力可以覆盖的，而是一组认知与社交技能的组合，其中，批判性思维、主动学习、系统分析、复杂问题求解等高阶认知技能居于主导地位[34]。如前述，这些高阶认知技能的背后是劳动者对于知识的学习与运用能力。这种能力在劳动经济学文献中通常被称为基础技能（basic skills）[35]，教育学、心理学等非经济学领域的文献时常称之为元技能（meta-skills）[36]。元技能的措辞或因更具科技感，而在科技圈尤其是大型科技企业中常被使用。

但无论是元技能还是基础技能的措辞，核心内涵基本一致，即支撑劳动者习得各类应用技能的底层能力，也是劳动者灵活迁移与组合应用技能，以满足各项具体任务需求的根本基础。考虑到本文是在经济学视角下进行的分析，因此下文采用基础技能的经济学措辞，而非元技能。以软件开发者为例，无论是编程还是需求分析、系统设计，都需要从业者具备较强的分析与判断能力，这有赖于学习并灵活运用知识这一基础技能。但知识并非同质化的：一类知识是已经蕴含在数据中或可被结构化表达的，可以将其称为显性知识；还有一类知识是植根于个体经验、难以编码传递的，可以将其称为隐性知识。资深软件开发者在长期项目实践中积累起来的私有经验，例如对特定业务场景下系统架构权衡的直觉、对代码可维护性陷阱的预判等，即是一种典型的隐性知识。

大模型之所以能够在一些非常规任务上超越劳动者，核心原因在于其对显性知识的学习与运用能力，在很多方面已经超越了人类。这一冲击在软件开发者的任务谱系中并非均匀分布。其中，编写代码、基于通用模式的常规分析等任务所需的技能，高度依赖可被结构化表达的显性知识，正是大模型最容易胜任的部分；而需求分析中对业务逻辑的深度理解、系统设计中的架构权衡、复杂工程问题的诊断与跨团队协调等任务所需的技能，则更多依赖隐性知识。因此，对于主要在学校教育中掌握了显性知识、尚未积累足够隐性知识的年轻求职者而言，他们初涉职场时承担的恰恰是显性知识密集型任务，因而面临着大模型较强的替代压力。但在当前技术阶段，大模型很难学习到以劳动者私有经验形式存在的隐性知识，而隐性知识的积累通常又和工作年限正相关。

这或许可以解释为什么在大模型出现后，原本面临中年焦虑问题的资深软件开发者，反而呈现出年龄越大、需求越旺盛的现象。不过，显性知识与隐性知识之间的界限并非不可逾越，当下的很多显性知识正是由隐性知识转化而来。更重要的是，为了尽可能提高AI对于生产力的提升作用，企业有充足动力通过各种方式将员工的隐性知识显性化。

图表10：AI通过降低技能门槛来赋能人

注：考察的时间为2022年（ChatGPT发布后）至2025年。资料来源：Althoff & Reichardt（2026），中金研究院

例如，Meta曾于2026年4月被曝出正在美国本土员工的办公电脑上部署追踪软件，用于记录鼠标、键盘输入信息以及部分屏幕内容等，以训练AI模型[37]。因此，AI的职业重构效应在同一职业内部造成的不同劳动群体分化，未来会如何演变将取决于企业把劳动者隐性知识转化为显性知识的速度和程度。伴随着显性知识的持续积累，AI通过学习和运用显性知识进而实现认知技能标准化供给的能力将有望提升，除了会持续改变不同技能的相对回报率之外，也会改变不同技能禀赋劳动者的相对生产率。如图表10所示，Althoff & Reichardt（2026）将劳动者技能划分为手工（Manual）、数学（Math）、社交（Social）、技术（Technical）、语言（Verbal）等五项基本技能（Basic skills），并将AI对于劳动者基础技能的赋能作用拆分为降低技能门槛的简化效应（Simplification）和提升劳动者生产能力的增强效应（Augmentation）两个维度，将AI对劳动者基础技能的替代作用界定为自动化效应（Automation）。基于美国劳动力市场数据的实证分析表明，AI对于劳动者五项基础技能的影响均主要体现为降低技能准入门槛的简化效应[38]。

图表11：与高技能劳动者相比，AI对于低技能劳动者的生产率提升效果更显著

资料来源：Brynjolfsson等（2025），Dell’Acqua等（2026），Cui等（2025），Hoffmann等（2025）[39]，中金研究院

这种简化效应之于劳动者相对生产率的含义，即是高、低技能禀赋劳动者生产率之间的差异收窄，产生所谓的“劳动者平权”效应。实证数据也印证了这一点。如图表11所示，无论是在低薪还是高薪服务业，低技能劳动者的生产率提升效果，均显著高于同一职业内部的高技能劳动者。这看似是AI赋能而非替代劳动者的又一例证，但事实没有那么简单。因为如果某一职业的岗位需求没有增加，那么AI对于低技能劳动者的赋能作用会导致该职业的平均薪酬水平被压低。更重要的是，美国放射科医生的案例表明，即便职业的岗位需求是增加的，AI赋能依然有可能抑制劳动者薪酬的增长。

如前述，辛顿早在2016年就发出了美国要“停止培养放射科医生”的警告。此后，放射科相关产品确实占到了美国食品药品监督管理局批准的所有临床AI工具的75%以上，约三分之二的美国放射科科室表示在使用AI[40]。这体现了辛顿作为“深度学习之父”在科技方面的预见性，但AI对于就业的经济影响，却与辛顿的预判大相径庭。美国放射科医生的岗位数量非但没有减少，反而出现了大幅扩张。在2016年至2024年间，放射科医生的总就业人数增长了23.2%，同期美国整体就业增幅仅为9.8%。背后很重要的原因正是AI赋能劳动者的简化效应，使得原本技能达不到门槛的劳动者得以进入该行业，进而增加了整体的劳动供给，满足大量原本因劳动供给不足而未得到满足的需求。虽然市场规模显著扩张了，但放射科医生薪酬增长动力却受到了抑制。2016-2024年间美国放射科医生的平均薪酬增长约为30%，低于同期平均薪酬约37%的增长幅度[41]。

来自中国的实证证据进一步印证了“AI赋能主要通过增加劳动供给发挥作用”。基于中国一家头部外卖平台2021-2023年数据的研究发现，在一项仅面向听障骑手开放的AI工具（“智能外呼”，将文字转为自然语音以辅助其与顾客沟通）[42]于2022年中上线后，显著提升了听障骑手的劳动供给，每周在线工作时长增加约10.6%、离职率下降约21%，并吸引了更多听障者进入平台。与此同时，单位时间报酬（小时工资）仅小幅上升约3.6%（图表12）。也就是说，听障骑手约11%的周收入增长，主要来自工时的增加而非小时工资的提升。

图表12：AI工具对中国听障骑手劳动供给及收入的影响

注：图为DID估计结果，反映引入AI工具后，听障骑手相较于非听障骑手在各项指标上的百分比变化。资料来源：Chen等（2026），中金研究院

（二）AI创造新职业：基于规模经济视角的分析

综上，从职业重构角度看，以大模型为代表的新一轮AI技术进步，对于劳动者究竟是赋能还是替代，难以一概而论，关键取决于AI所超越的是核心技能还是边缘技能。即便是在同一职业内部，由于劳动者的技能禀赋不同，AI对于劳动者究竟产生赋能还是替代作用，也需要具体问题具体分析。

需要说明的是，大模型作为一种创造性破坏力量，对于分工的影响不仅体现为既有岗位的职业重构，也体现为新职业的创造。早在2019年，“人工智能工程技术人员”便已被列为新职业，这是由底层大模型及算法的开发需求催生的。官方将其定义为从事人工智能相关算法、深度学习等技术的分析、研究、开发，并对人工智能系统进行设计、优化、运维、管理和应用的工程技术人员[43]。大模型的训练与对齐需求也催生了“人工智能训练师”这一大类职业，其下属工种包括服务于模型效果验证和优化反馈的“人工智能算法测试员”,以及服务于机器学习和大模型训练的数据生产环节的“数据标注员”[44]。以数据标注员为例，其工作内容早已跳出传统简单录入的范畴，成为大模型产业链中不可或缺的基础支撑。2025年，国家发改委等部门明确发文促进数据标注产业高质量发展，将数据标注产业界定为对数据筛选、清洗、分类、注释、标记和质量检验等加工处理的新兴产业[45]。庞大的产业需求创造了大量就业。据报道，2024年底中国从事数据标注行业的人群总数已超1000万[46]。

在国际前沿领域，围绕大模型和智能体的新职业也在加速形成。Microsoft 2025 Work Trend Index显示，企业正在考虑招聘AI训练师（AI trainers）、数据专员（data specialists）、智能体专员（AI agent specialists）、人工智能战略师（AI strategists）等AI专门岗位；其中，32%的管理者计划在未来12—18个月招聘智能体专员，用于设计、开发和优化智能体[47]。 这表明，随着AI从单一工具演化为可执行现实任务的智能体，新的职业分工也在从底层的训练模型，延伸到应用层的设计、编排、管理智能体等领域。

如何理解新职业创造的经济逻辑？从分工是指技能与任务基于比较优势的匹配角度看，可以将新职业的创造也视为一种广义的职业重构，因为新职业通常并非凭空出现，而是沿着可辨认的方向从现有职业中演化出来。一种可能的来源是伴随着AI渗透率的提升，在现有职业内部产生出了因AI应用而来的新任务。图表13对11类现有职业中因AI应用所产生的新任务进行了分析：约42%与内容生成相关（含AI构思、内容起草与数据洞察）；约35%是监督与审查（质量审核、伦理与合规）；约26%是AI整合（把AI嵌入既有工作流，在IT支持与软件开发者中占比最高）[48]。

图表13：在11个受AI影响较大的职业中，AI带来的新任务的结构构成

注：AI构思指利用人工智能生成或扩展创意想法，如概念、策略或解决方案；AI内容起草指使用AI工具撰写文本或媒体的初稿；AI质量审核指对AI生成内容进行准确性、清晰度和相关性的审查与修正；AI数据洞察指利用AI分析数据或文档，提取关键模式或见解；AI整合指将AI融入工作流程以自动化或优化任务；AI伦理与合规指确保AI应用符合伦理、法律及组织标准。资料来源：Humlum & Vestergaard（2026）[49]，中金研究院

根据前述市场规模扩大促进分工深化的规模经济逻辑，一旦这些新任务的市场规模达到一定程度，便有可能从现有职业中独立出来演化为一种新职业。以分析师为例，随着AI被广泛用于起草报告与处理数据，由AI幻觉引发的合规与质量风险也随之上升（如内容无误但日期不对等隐蔽错误），会产生对AI生成内容进行质量审核与事实检验的新任务。AI在分析师职业中的渗透率越高，这种质量审核与事实检验的新任务需求量就会越多。新任务的需求量一旦扩大到某个程度，规模经济的逻辑意味着这些新任务有望从分析师岗位中剥离出来，成为一种高频、专门的独立任务，并吸引在审核检验而非分析方面具有技能比较优势的劳动者与之匹配，由此演化出“AI产出审查员”等全新的职业分工。

四、交易成本下降：从零工经济到“一人公司”

从上述新职业产生的规模经济视角看，近期广受关注的“一人公司”现象，与其说是一种新的职业，不如说是一种新的产业组织形态。基于新制度经济学的分析框架，企业之所以存在，并非因为市场机制无效，而是因为市场组织本身需要成本。科斯指出，市场交易并非免费，搜寻、谈判、签约、监督和执行等都会产生成本，企业通过内部权威协调替代一系列分散的市场契约，正是为了节约这些使用市场机制的交易成本。因此，企业的边界取决于一个权衡：企业会不断将交易内部化，直到在企业内部多组织一项活动的边际成本，恰好等于经由市场或另一家企业完成同一活动的成本[50]。

图表14：数字平台带来零工经济的“回归”

资料来源：中金研究院

交易成本的逻辑可以很好地解释数字经济时代的零工经济现象。以出租车市场为例，在没有数字技术支持的场景下，打车人和司机之间的交易意愿可能会因为双方信息不对称而受到显著抑制，例如打车人可能会因为担心司机的背景而不敢乘车。这个时候组建出租汽车公司，并以出租汽车公司的信用为出租车司机进行“信用增进”，能够有效克服信息不对称下使用市场机制的高成本，促成交易的发生。在数字经济时代，数字技术显著降低了交易双方信用数据生产、传输、识别、跟踪等方面的成本。从新制度经济学的角度看，这意味着市场机制在出租车行业中的使用成本大幅下降，以传统出租车企的方式来组织供给的必要性下降，最终导致传统企业的边界缩小，零工经济模式“回归”出租车市场（图表14）。

大模型作为数字技术最新进展，随之而来的“一人公司”现象与数字经济时代的“零工经济”模式有异曲同工之处。在大模型出现前，稀缺的高阶认知技能与劳动者个体的人力资本深度绑定，导致其供给高度非标准化，供需双方存在严重的信息不对称，市场机制无法给予及时、有效且低成本的标准化定价。因此，如果企业每次生产都临时从市场上采购所需的高阶认知技能，不仅需要付出高昂的搜寻成本来识别具备相应技能的劳动者，而且为隐藏在劳动者人力资本中的非标准技能进行准确定价，也要付出较高的谈判成本。这意味着，此时使用市场机制的交易成本高于企业内部的协调成本，企业的理性决策是直接雇佣这些掌握高阶认知技能的劳动者，以节约市场交易成本。

大模型实现了知识学习与使用的标准化，不但可以通过资本化来削弱高阶认知技能的稀缺性，也使得认知技能的供给与定价具备了标准化、透明化的可能，大幅降低了企业通过市场机制购买高阶认知技能的交易成本，导致企业雇佣相关劳动者的必要性下降，造成了传统企业边界收缩的压力，为一人公司的大量出现奠定了基础。从这个角度看，一人公司现象并不能简单冠以“通才”回归，也不是诞生了一种类似于前述“AI产出审查员”的新职业，而是因大模型降低了市场交易成本，促成的产业组织新形态，使得个人或少数几个人可以通过市场机制便捷地从经济中获取各类认知技能的标准化供给，来完成以前只有较大规模企业才能完成的生产任务。

“一人公司”与零工经济的相似之处不仅在于传统企业边界的收窄，也有新型企业规模的持续扩大，呈现出典型的内部规模经济效应。所谓内部规模经济是指单个企业研发、设备、数据等固定成本投入随产量摊薄，呈现出单一企业规模越大、平均成本越低的特点。在零工经济中，数字技术是造成传统企业边界收缩的根本力量，而数字平台正是具有强大内部规模经济效应的新型企业代表（图表14）。类似地，支撑“一人公司”蓬勃发展的基础，也是新型企业规模的持续扩大，既有OpenAI、Anthropic等专门从事大模型研发与应用的AI原生企业，也有谷歌、字节、阿里等因大模型进一步增强网络效应而向AI转型的平台企业。这些企业均能通过强大的内部规模经济，为一人公司提供标准化的认知技能供给等服务，并在此基础上促成一人公司赖以生存的、具有外部规模经济效应的大模型生态。

所谓外部规模经济是指整个生态中的参与者越多，可以通过网络效应、知识外溢与共享基础设施等方式，使每个参与者都能享受到更低的供给成本或者更高的产出收益，从而使整个生态呈现出规模经济效应。在零工经济中，劳动者借助具有内部规模经济效应的平台企业可以服务海量的消费者，平台接入的劳动者与消费者数量越多，则供求匹配效率越高、单位服务成本越低，由此形成了具有高度外部规模经济性的互联网经济生态。

在本轮AI浪潮中，“一人公司”的蓬勃发展，也受益于建构在大模型企业之上的大模型生态。在这个生态下，“一人公司”无需承担高昂的底层大模型研发成本，便可依托API、云服务、智能工具等，低成本共享整个大模型生态的外部规模经济红利。字节跳动旗下大模型即梦AI，联合抖音于2025年11月推出“即梦AI青年导演合作计划”[51]便是一个典型案例。该计划为青年导演提供技术工具、现金资助和流量扶持，支持他们完成AI短片。过去需要庞大专业团队、高预算和复杂后期流程才能完成的特效影像创作，如今个人或小团队即可以低成本完成接近电影质感的作品产出。

当然，这并不是说一人公司目前就已经完全颠覆了影视等传统行业的产业组织模式，而是说大模型企业可以通过强大的内部规模经济，持续投入并构建基础设施，进而孕育“一人公司”赖以生存的外部规模经济生态。开源模型社区有望进一步强化大模型生态的外部规模经济效应，可以有效促进模型权重、源代码、工程方案、产品创意等知识的溢出，使创新的正外部性突破地理限制在全球范围内扩散，显著降低生态参与者的重复研发成本与创新试错门槛。2026年一度火爆的OpenClaw即是这方面的典型例证。

需要强调的是，在大模型生态中，大模型企业并非单向为一人公司的发展做贡献，生态的外部规模经济效应也在持续强化大模型企业的内部规模经济效应。一方面，大模型性能遵循规模定律，前期训练与研发具有极高的固定成本。大模型生态中的用户数量越多，分摊到每个用户的平均固定成本就越低，进而能够激励大模型企业持续投入更大规模的算力等资源来提升模型性能。另一方面，在公开数据集日益枯竭的背景下，生态中的用户数量越多，能够产生的高价值私有交互数据规模就越大，这部分数据是大模型与智能体持续迭代优化的核心资源之一。

总之，在大模型生态下，一人公司的变小与大模型企业的扩大并不矛盾，而是相辅相成的，体现了内、外规模经济互相促进的特点：一方面大模型企业的规模持续扩大，通过内部规模经济效应提供标准化的认知技能供给；另一方面，认知技能标准化显著降低了市场化采购认知技能的交易成本，有效削弱了高阶认知技能的稀缺性，促进了传统企业边界的收缩，形成了一人公司的产业组织新模式。

五、思考与启示：规模经济下的生产关系挑战

综上，本文从认知技能标准化出发，探讨了以大模型为代表的新一轮AI技术，如何改变人机任务边界、重塑分工结构的规模经济逻辑。毋庸置疑，内、外部规模经济相互促进有望显著提升生产力，但对于本文开篇提到的争论而言，也即AI技术进步对于劳动者究竟是赋能还是替代，难以一概而论，核心取决于技术进步究竟是在超越劳动者的核心技能还是边缘技能。当然，技术派也可以用未来的AI技术进步将超越劳动者核心技能、边缘技能等所有技能的观点来为辛顿辩护，但这依旧不构成AI将全面替代人类劳动者的理由。暂且不论在人类智能的形成机制尚未得到破解的前提下，就断言人工智能将会全面超越人类智能是否过于轻率，即便仅从经济学的角度看，全面替代论也难以成立。

辛顿在强调AI替代劳动者时经常使用的经济论据是，大企业之所以投入巨资发展AI，核心回报来源就在于替代人力成本，即“要赚钱，就得替代人类劳动力”[52]。但问题是，AI尤其是大模型的训练与使用也并非没有成本。如前所述，可变成本约束已经成为AI应用中不容忽视的现实挑战。事实上，即便未来人工智能的成本大幅下降，两类具备技能替代关系的智能主体之间展开竞争，也会压低人类智能的相对价格，因此即便人工智能在技能层面实现对人类智能的全面超越，人类劳动者仍可能因成本比较优势而保留相应的就业岗位。

更重要的是，美国放射科医生的案例表明，不只是AI替代劳动会压低劳动成本，AI降低职业技能门槛的赋能效应也会压低整个职业的相对薪酬。因此，这个案例虽然证明辛顿、马斯克有关AI替代人进而导致大规模失业的悲观看法不成立，但也表明黄仁勋、阿莫代伊和奥尔特曼的赋能论主张似乎存在过于乐观的倾向，他们有意无意地忽视了AI通过降低职业技能门槛所产生的赋能作用，会通过增加劳动供给水平抑制劳动者的薪酬增长。

总之，AI技术进步在通过专业化分工与规模经济带来生产力提升的同时，对于生产关系的影响或许不能简单用替代论或者赋能论来概括。或者说，以大模型为核心的新一轮AI技术进步，对于就业数量的影响是不确定的，但对于劳动者报酬的影响是相对确定的，无论是AI超越劳动者核心技能的替代论，还是AI降低职业技能门槛的赋能论，最终结果均是抑制劳动者薪酬增长动力，即AI技术进步下劳动者薪酬增速将低于生产力增速。这或许也可以解释为什么美联储新任主席沃什（Kevin Warsh）相信“AI带来的生产力浪潮将允许美联储在不引发通胀的情况下大幅降息”[53]。

虽然这个判断的短期适用性值得商榷，但在长期中不无道理。由此而来的问题是分配失衡。考虑到前述劳动者平权效应，也即大模型通过降低技能门槛来缩小不同技能禀赋劳动者之间的生产力差距，意味着劳动者群体内部的分配失衡可能不是大模型技术进步引发的主要分配问题。

图表15：美国劳动者报酬占国内总收入份额

注：1929-2024年数据来源于BEA（美国经济分析局），因美国现代国民收入和产品账户从1929年开始，因而此前数据官方统计并未覆盖。19世纪末的数据只能用经济史学家的重建估算，经典估算来自Budd（1960）和Kuznets（1946），二者估算不同是因为估算口径的差异。资料来源：BEA，Kuznets (1946)，Budd (1960)[54]，中金研究院

图表16：美国家庭财富排在后90%的家庭所拥有的财富占总财富的比例

注：1976-2025年数据来源于Realtime Inequality（该数据库由Saez、Zucman和Thomas Blanchet共同开发维护，用于实时更新美国收入和财富分配数据），1917-1975年数据来源于Saez & Zucman（2016）。资料来源：Realtime Inequality，Saez & Zucman（2016）[55]，中金研究院

从经济史来看，这种由技术进步引发的劳动者薪酬增速低于生产力增速的情况并不罕见，其直接结果是技术进步创造的增量财富（生产力提升红利）更多流向了资本要素，导致劳动报酬占国民收入份额的下降（即劳资分配格局的恶化，图表15），劳资分配的持续失衡最终传导并表现为全社会收入分配差距的持续扩大（图表16）。简言之，本轮AI技术进步冲击生产关系的主要表现，或是财富向少数资本拥有者集中的收入分配差距扩大，而非工薪阶层出现持续的大规模失业。

在新一轮技术进步方兴未艾的当下，如何未雨绸缪地进行干预？一种角度是从微观着手，直接限制AI资本拥有者对于传统就业模式的冲击。历史上的红旗法案大致属于这种应对思路，希望通过限制汽车速度，来维护马车夫的就业岗位。历史实践表明，这种方式是徒劳无益的。因为职业重构是AI提高生产力的重要机制，无论是赋能还是替代，均意味着原有分工模式无法持续。或者说，技术进步作为一种创造性破坏力量，打破原有分工模式与发挥其创造性，是一体两面的共生关系，在微观上限制其破坏作用，也就意味着难以有效发挥其在生产力方面的创造性。考虑到当前的地缘竞争新形势，通过限制AI技术进步的方式来维护传统生产关系，更是不合时宜。

既然微观层面限制创造性破坏发挥作用并不可取，那么沃什提出的降息导向的宏观政策是否可取？暂且不论在美国通胀高企背景下，沃什是否会因AI的长期弱通胀效应而在当前降息，即便未来AI的弱通胀效应充分兑现后，降息可能也并非最优选择。AI之所以能够削弱通胀压力，很大程度上是因为劳动者薪酬增速低于生产力增速，由此加剧的收入分配差距扩大会压制总需求。此时如果通过降息，也即压低市场利率到自然利率的水平来实现供求平衡，会造成银行负债端存款利息的下降。问题是富裕家庭将财富更多地配置在资本市场，低收入家庭以银行资产为主要的财富配置方式。这意味着，如果过度依赖压低银行负债端成本的方式来干预供求不平衡，则资产价格重估的好处更多被富裕家庭获得，普通家庭、低收入家庭的资产回报反而会因利率下降而遭受损失。因此，收入分配失衡下的降息可能会起到进一步加剧财富集中度的作用，难免导致资产泡沫过度膨胀，最终以泡沫破裂的危机方式“强制”解决分配结构失衡问题。

从历史来看，财政政策，尤其是转移支付类财政支出政策，可能是缓解收入分配差距更有效的宏观政策。例如，1935年美国推出了《社会保障法案》，着重为失业群体、老弱病残等弱势群体提供财政支持，一定程度上促进了此后美国贫困率的下降。更值得关注的是，美国在二战后到滞胀危机前的这段时间，虽然基尼系数在持续提升，但经过转移支付等财政支出政策干预后的基尼系数是下降的。由于二战后的美国所得税最高档边际税率呈下调趋势，意味着财政收入端的政策对于这期间收入分配差距的缩小未起到太大的作用。

综上，为应对AI重构分工所造成的生产关系挑战，可考虑在利用AI技术进行精准识别的基础上，着力加大面向中低收入群体的转移支付力度，以完善中国特色的社会保障制度，进而为AI技术通过创造性破坏来提高生产力筑牢社会安全网。至于具体措施，除了可根据家庭收入水平进行累退性的转移支付外，还可以从“投资于人”的角度，考虑如下重点惠及中低收入群体的转移支付措施：①更大力度提升城乡居民基本养老保险待遇；②考虑到AI对于隐性知识有限的年轻人就业冲击更大，需重点完善面向年轻人的失业救济制度；③加大适应AI时代的再就业培训投入，避免摩擦性失业演变为长期化、永久性失业；④低收入群体的生育意愿更高，加大生育养育支持力度，既有利于改善收入分配格局，也有助于增强未来的供给[56]；⑤降低社保缴费率，（阶段性）降低增值税税率，有利于更多提升中低收入群体购买力。在供强需弱的当下，转移支付所需的资金来源可主要考虑通过央行扩表支持增发财政赤字的方式募集。

注：

[1]BBC News. (2023, November 2). Elon Musk tells Rishi Sunak AI will put an end to work. Retrieved from https://www.bbc.com/news/uk-67302048

[2]Fortune. (2026, January 19). Elon Musk Says That in 10 to 20 Years, Work Will Be Optional and Money Will Be Irrelevant Thanks to AI and Robotics. Retrieved from https://fortune.com/2026/01/19/when-does-elon-musk-say-work-will-be-optional-and-money-will-be-irrelevant-ai-robotics/

[3]Synced. (2017, January 3). Machine Learning and the Market for Intelligence Conference Held by Creative Destruction Lab in Toronto. Retrieved from https://syncedreview.com/2017/01/03/machine-learning-and-the-market-for-intelligence-conference-held-by-creative-destruction-lab-in-toronto/

[4]Zuckerberg, M. (2023, March 14). Update on Meta's Year of Efficiency. Meta Newsroom. Retrieved from https://about.fb.com/news/2023/03/mark-zuckerberg-meta-year-of-efficiency/；Boyle, M. (2023, May 1). IBM to Pause Hiring for Jobs That AI Could Do. Bloomberg. Retrieved from https://www.bloomberg.com/news/articles/2023-05-01/ibm-to-pause-hiring-for-back-office-jobs-that-ai-could-kill?embedded-checkout=true

[5]SiliconANGLE. (2026, June 1). Five Thoughts from Nvidia CEO Jensen Huang’s GTC Taipei 2026 Keynote. Retrieved from https://siliconangle.com/2026/06/01/five-thoughts-nvidia-ceo-jensen-huangs-gtc-taipei-2026-keynote/.

[6]Lichtenberg, N. (2026, May 5). Dario Amodei Spent Last Year Warning of an AI White-Collar Bloodbath. Now He’s Changing the Narrative. Fortune. Retrieved from https://fortune.com/2026/05/05/dario-amodei-jevons-paradox-will-ai-wipe-out-white-collar-jobs/.

[7]Reuters. (2026, May 26). OpenAI’s Altman Says AI Unlikely to Lead to “Jobs Apocalypse.” Retrieved from https://www.reuters.com/world/asia-pacific/openais-altman-says-ai-unlikely-lead-jobs-apocalypse-2026-05-26

[8]CNBC. (2026, June 1). CNBC Exclusive: Transcript—OpenAI CEO Sam Altman Speaks with CNBC’s David Faber on “Power Lunch.” Retrieved from https://www.cnbc.com/2026/06/01/cnbc-exclusive-transcript-openai-ceo-sam-altman-speaks-with-cnbcs-david-faber-on-power-lunch-today.html

[9]Fortune. (2026, May 26). Sam Altman and Dario Amodei Are Both Walking Back Their AI Jobs Apocalypse Prophecies as They Eye Blockbuster IPOs. Retrieved from https://fortune.com/2026/05/26/sam-altman-dario-amodei-walking-back-ai-jobs-apocalypse-prophecies-ipo/

[10]劳动经济学说所称的机器，既包含日常语境下有形的机器设备，也包含无形的生产工具，例如软件等。按照这种定义，大模型是一种无形的机器。

[11]亚当·斯密著，高格译：《国富论》，2017年，中华工商联合出版社。

[12]Roy, A. D. (1951). Some Thoughts on the Distribution of Earnings. Oxford Economic Papers, 3(2), 135-146.

[13]Autor, D. H., Levy, F., Murnane, R. J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. The Quarterly Journal of Economics, 118(4), 1279-1333.

[14]Acemoglu, D., Restrepo, P. (2018). The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. The American Economic Review, 108(6), 1488-1542；Acemoglu, D., Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3-30.

[15]Acemoglu, D., Restrepo, P. (2018). The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. The American Economic Review, 108(6), 1488-1542.

[16]Smith, A. (1776). An Inquiry into the Nature and Causes of the Wealth of Nations, Book I, Chapter III: That the Division of Labour Is Limited by the Extent of the Market. https://www.adamsmithworks.org/documents/chapter-iii-that-the-division-of-labour-is-limited-by-the-extent-of-the-market

[17]Stigler, G. J. (1951). The Division of Labor Is Limited by the Extent of the Market. Journal of Political Economy, 59(3), 185-193.

[18]Young, A. A. (1928). Increasing Returns and Economic Progress. The Economic Journal, 38(152), 527-542.

[19]Autor, D. H. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3-30. Polanyi, M. (1966). The Tacit Dimension. Garden City, NY: Doubleday. 1966年，经济学家、哲学家和化学家Polanyi在《默会维度》（The Tacit Dimension）这本书中，提出“We can know more than we can tell.” Polanyi提出这一命题时，是在讨论一个认知方面的问题：人类知识能否被完整地转化为语言、命题、公式和明确规则？他的答案是否定的。人类认识中包含一个不可被完全明言的“默会维度”。Autor在2015年文章中将其总结为“Polanyi’s paradox”，之所以称之为悖论，是因为人类明明可以轻松完成一件事，但却不一定能够说清楚自己究竟是按照什么规则做的，从而很难实现自动化；但对于人类而言需要教育、计算能力的某些高级任务，反而容易被计算机执行。

[20]Autor, D. H., Dorn, D. (2013). The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market. The American Economic Review, 103(5), 1553-1597；Hampole, M., Papanikolaou, D., Schmidt, L. D. W., Seegmiller, B. (2025). Artificial Intelligence and the Labor Market. NBER Working Paper No. 33509.

[21]Hampole, M., Papanikolaou, D., Schmidt, L. D. W., Seegmiller, B. (2025). Artificial Intelligence and the Labor Market. NBER Working Paper No. 33509.

[22]刘行、张昊天、田轩：《人工智能、人力资本结构与灵活用工——来自在线招聘大数据的经验证据》，《经济研究》2025年第7期。

[23]McKinsey Global Institute. The economic potential of generative AI: The next productivity frontier. June 2023.

[24]McKinsey Global Institute. The economic potential of generative AI: The next productivity frontier. June 2023.

[25]Xing, Y. (2026). AI Token Futures Market: Commoditization of Compute and Derivatives Contract Design. arXiv:2603.21690；Du, M. (2026). Tiered Super-Moore’s Law: Price Evolution, Production Frontiers, and Market Competition in Large Language Model Inference Services. arXiv:2603.28576.

[26]Stanford University HAI. Artificial Intelligence Index Report 2025.

[27]Lambert, F. (2026, July 2). Tesla Caps Employee AI Spending at $200/Week Except for Grok. Electrek. Retrieved from https://electrek.co/2026/07/02/tesla-caps-employee-ai-spending-200-week/

[28]OpenAI. (2025, September 25). Measuring the Performance of Our Models on Real-World Tasks (GDPval). Retrieved from https://openai.com/index/gdpval/；技术报告见https://openai.com/index/gdpval/；Patwardhan, T., et al. (2025). GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks. arXiv:2510.04374；OpenAI. (2025, December 11). Introducing GPT-5.2. Retrieved from https://openai.com/index/introducing-gpt-5-2/.

[29]National Center for ONET Development. (2019). ONET-SOC 2019 Taxonomy: Summary of Changes. Retrieved from https://www.onetcenter.org/dl_files/Taxonomy2019_Summary.pdf

[30]Autor, D. H., Dorn, D. (2013). The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market. The American Economic Review, 103(5), 1553-1597.

[31]Freund, L. B., Mann, L. F. (2026). Job Transformation, Specialization, and the Labor Market Effects of AI. Federal Reserve Bank of Minneapolis Institute Working Paper No. 114.

[32]Brynjolfsson, E., Chandar, B., Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf

[33]Brynjolfsson, E., Chandar, B., Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf

[34]O*NET OnLine. (n.d.). Software Developers (15-1252.00). Retrieved from https://www.onetonline.org/link/summary/15-1252.00

[35]Woessmann, L. (2025). Skills and Earnings: A Multidimensional Perspective on Human Capital. Annual Review of Economics, 17, 397-425.

Brynjolfsson, E., Chandar, B., Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf

O*NET OnLine. (n.d.). Software Developers (15-1252.00). Retrieved from https://www.onetonline.org/link/summary/15-1252.00

Woessmann, L. (2025). Skills and Earnings: A Multidimensional Perspective on Human Capital. Annual Review of Economics, 17, 397-425.

[36]Hall, D. T., Mirvis, P. H. (1995). The New Career Contract: Developing the Whole Person at Midlife and Beyond. Journal of Vocational Behavior, 47(3), 269-289. Stephen, K., Muir, L., Hall, H. (2020). Towards a Definition of Metaskills. Proceedings of ISIC: the Information Behaviour Conference, Pretoria, South Africa, 30 September–1 October 2020. Information [37]Research, 25(4), paper isic2010.

Reuters. (2026, April 21). Meta to Capture Employee Mouse Moves, Keystrokes to Train AI. Retrieved from https://reutersbest.com/meta-to-start-capturing-employee-mouse-movements-keystrokes-for-ai-training-data/

[38]Althoff, L., Reichardt, H. (2026). Task-Specific Technical Change and Comparative Advantage. CESifo Working Paper No. 12403.

[39]Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889-942. Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403-423. Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., Salz, T. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. SSRN. https://ssrn.com/abstract=4945566. Hoffmann, M., Boysel, S., Nagle, F., Peng, S., Xu, K. (2025). Generative AI and The Nature of Work. Harvard Business School Working Paper No. 25-021.

[40]Althoff, L., Reichardt, H. (2026). Task-Specific Technical Change and Comparative Advantage. CESifo Working Paper No. 12403.

[41]Althoff, L., Reichardt, H. (2026). Task-Specific Technical Change and Comparative Advantage. CESifo Working Paper No. 12403.

[42]Chen, Y., Hoffman, M., Xu, H., Yuan, Z. (2026). Empowering Inclusive Work. NBER Working Paper No. 35372.

[43]人力资源和社会保障部. 《人工智能工程技术人员国家职业技术技能标准（2021年版）》.. https://zsgx.mohrss.gov.cn/

[44]根据《人工智能训练师》国家职业技能标准，人工智能训练师是使用智能训练软件，在人工智能产品实际使用过程中进行数据库管理、算法参数设置、人机交互设计、性能测试跟踪及其他辅助作业的人员，包括人工智能算法测试员和数据标注员两个工种。参考人工智能训练师-国家职业技术技能标准. http://114.255.111.180/xxgk2020/fdzdgknr/rcrs_ 4225/jnrc/202112/W020211227626977039770.pdf

[45]国家发展改革委、国家数据局、财政部、人力资源社会保障部. (2025年1月13日). 《关于促进数据标注产业高质量发展的实施意见》（发改数据〔2024〕1822号）. https://www.ndrc.gov.cn/xxgk/zcfb/tz/202501/t20250113_1395643.html

[46]环球时报，《AI开辟就业新赛道，数据标注员走红》. 2024年12月21日. https://news.qq.com/rain/a/20241221A01HSL00

[47]Microsoft. (2025, April 23). 2025 Work Trend Index Annual Report: The Year the Frontier Firm Is Born. Retrieved from https://assets-c4akfrf5b4d3f4b7.z01.azurefd.net/assets/2025/04/WTI-2025-04-The-Year-the-Frontier-v13_68535917c7c2a.pdf

[48]因同一项任务可能同时归入多个类别，上述比例存在交叉，各项占比总和可能略超100%。Humlum, A., Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper No. 33777.

[49]Humlum, A., Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper No. 33777.

[50]Coase, R. H. (1937). The Nature of the Firm. Economica, 4(16), 386-405.

[51]《即梦AI青年导演合作计划正式发布，首批七部作品上海首映》. 2025年11月11日. https://finance.sina.com.cn/jjxw/2025-11-11/doc-infwyyuf4538800.shtml

[52]原文：“I believe that to make money you’re going to have to replace human labor.” Ma, J. (2025, November 1). “Godfather of AI” Says Tech Giants Can’t Profit from Their Astronomical Investments Unless Human Labor Is Replaced. Fortune. Retrieved from https://finance.yahoo.com/news/godfather-ai-says-tech-giants-184357806.html

[53]Benjamin, M. (2026, June 4). Will AI Productivity Gains Allow Fed Chair Kevin Warsh to Cut Interest Rates? The Motley Fool. Retrieved from https://www.fool.com/investing/2026/06/04/ai-productivity-gains-fed-kevin-warsh-cut-rates/

[54]Kuznets, S. (1946). Part II: Long-Term Changes, 1869-1938. In National Income: A Summary of Findings. NBER. http://www.nber.org/chapters/c5439. Budd, E. C. (1960). Factor Shares, 1850-1910. In Trends in the American Economy in the Nineteenth Century. NBER. http://www.nber.org/chapters/c2484.

[55]Realtime Inequality. https://realtimeinequality.org/. Saez, E., Zucman, G. (2016). Wealth Inequality in the United States since 1913: Evidence from Capitalized Income Tax Data. The Quarterly Journal of Economics, 131(2), 519-578.

[56]谢超等：《中庸策2022》之《第一章 跨越“新人口陷阱”的可能路径》，2022年12月。