滕斌圣、何澗石/文

2026年5月，韓國總統府政策室長金容范（Kim Yong-beom）在社交平臺發文，提出“公民紅利”設想，主張將AI產業景氣帶來的部分超額稅收回饋全民。其背景是，受AI帶動的半導體周期上行影響，三星電子與SK海力士未來數年預計將形成規模可觀的新增稅源，市場測算相關規模約為120萬億韓元（約805億美元）。

這個設想背后是一個更廣泛的問題：當AI顯著提高生產率并推動利潤向少數主體集中時，這部分新增收益應如何分配。

這場爭論并不只停留在政策層面，類似壓力已經在就業和收入兩端逐步顯現：資本、算力和核心技術的持有者受益更多，部分白領和新人群體承受更大壓力。

AI革命對就業的沖擊

與以往自動化主要沖擊體力勞動和例行性任務不同，這一輪AI更廣泛地進入認知型和高技能崗位（圖1）。國際基金組織（IMF）2025年研究估算了高AI暴露度的崗位占比：發達經濟體高達60%、新興市場約42%、低收入國家約26%。收入層級越高，認知型崗位占比越大，暴露于AI的就業人口也越多。

圖1：各職業2022—2025年失業率變化與其AI采用率之間的關系

圣路易斯聯邦儲備銀行《Is AI Contributing to Unemployment? Evidence from Occupational Variation》、RPS、現行人口調查、美國勞工統計局

AI正在動搖過去幾十年“以白領中產為支撐”的社會結構。過去30年，全球化與信息化造就了一個龐大的中產白領階層：他們是消費擴張、稅收基礎與中間投票群體的重要載體，也構成了既有社會契約穩定的“中段腰部”。

當本輪AI首先削弱這一群體的議價能力和收入預期時，其影響不只局限于勞動力市場，更可能波及消費結構、稅收基礎和社會穩定。

斯坦福大學數字經濟實驗室主任埃里克·布萊恩約弗森（Erik Brynjolfsson）等學者在2025年的研究中發現自生成式AI廣泛擴散以來（圖2），22—25歲勞動者在高AI暴露職業中的就業出現了約16%的相對下降；其中，22—25歲軟件開發者的就業人數到 2025年年中已較2022年中峰值下降接近20%。

圖2：2022年底ChatGPT發布以來，不同年齡段員工的就業指數變化。其中代表22-25歲初級員工（Early Career 1）的曲線出現了最為顯著的斷崖式下滑，資深員工群體相對平穩。

B Brynjolfsson、Chandar 與 Chen《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》

原因不難理解，AI目前最擅長干的恰恰是職場新人的工作：寫基礎代碼、起草報告、查資料、錄數據、回答常規客服問題。在傳統職場里，這些雜活是新人積累經驗、走向資深的必經一步。

當AI能以很低的成本接手這些初級任務時，新人的成長通道會受到明顯沖擊。如果這種情況持續下去，企業未來幾年可能會發現：能挑大梁的中層越來越難找，團隊里的經驗積累也會變慢。

與此同時，白領群體內部也在出現明顯分化。《華爾街日報》2026年5月的一項觀察顯示，盡管整個科技行業裁員持續，2026年4月美國IT和計算機科學崗位招聘數量同比仍增長了14.2%，但崗位結構發生了變化：初級職位占比從1年前的8.1%降至7.4%，資深崗位占比則從38.8%升至43.1%。受到歡迎的方向包括能管理AI智能體團隊的資深工程師、AI運維與維護人員、負責把AI部署到具體業務的解決方案工程師等。

換句話說，能駕馭AI、補齊AI弱項的資深從業者更搶手，以執行類、標準化任務為主的初級崗位在被快速壓縮。這意味著，AI對就業的影響越來越呈現出職業內分化的特征，而不只是職業間的簡單替代關系。

麻省理工學院教授達龍·阿西莫格魯（Daron Acemoglu）提出的任務模型（Task-Based Models）可以幫助我們理解上述現象：AI替代的不是整個職業，而是職業中的具體任務；就業凈變化取決于替代效應、生產率效應與復原效應的較量。他警告，一旦企業部署AI只為省人力成本、而不投資創造新任務，經濟就可能陷入“平庸的自動化”：人被裁了，生產率卻沒明顯提升，新崗位也不夠多。這種“只能裁人、不創造新需求”的部署方式，也是分配格局被動向資本側傾斜的重要機理之一。

AI革命有可能動搖財富分配和社會結構

當前，工作創造的速度跟不上替代速度，以及新增收益向少數主體集中，顯然更值得擔憂。埃里克·布萊恩約弗森提出了一個概念——“圖靈陷阱”（Turing Trap）。它指AI研發和部署中的一種傾向：把目標定在“模仿并完全替代人類”，而不是“擴展或增強人類能力”。

埃里克·布萊恩約弗森對此的擔憂主要有兩點。第一，如果AI走的是替代路線，勞動者在和資本談判時會越來越弱勢：能被替代的勞動失去了稀缺性，工資和議價空間自然縮窄（圖3）。第二，由于AI研發和算力高度集中在少數大平臺和資本手里，這條路線賺到的錢也會向少數所有者集中（圖4）。在他看來，這并不是技術本身的必然結果，而是研發激勵、稅制安排和公共投資方向共同選擇出來的。

圖3：因技術而失業的勞動者，其尋找新工作的時間更長，且重新就業后的實際工資下降

高盛全球投資研究、美國人口普查局、美國勞工統計局

圖4：AI受益者的強勁基本面（營收同比增速vs. 調整后營業利潤率）

摩根大通、彭博金融、FactSet，數據截至2026年3月30日

技術路線從來不是“價值中立”的，它由誰出資、為誰服務、按什么目標優化，決定了它最終強化誰的議價權、削弱誰的議價權。

當稅制對資本投資予以加速折舊、對人力雇傭卻征收社保和工資稅時，企業的理性選擇自然偏向“用機器替代人”；當公共研發資金主要流向少數前沿模型實驗室、而非面向勞動者的增強型工具時，技術也自然走向集中。

從這個意義上看，“圖靈陷阱”不是技術問題，而是制度問題。在沒有外部干預的情況下，市場會自發地把通用技術導向“替代人”而非“協助人”的方向。

與“圖靈陷阱”相對的，是麻省理工學院經濟學家大衛·奧托（David Autor）等人主張的“賦能中產”路徑。他提出，如果AI以合適的方式部署，把專家的知識模塊化，讓中等技能的勞動者也能做出比較復雜的決策，從而擴大中間層崗位。AI拉低了獲取專業能力的門檻，使原本被學歷、經驗、資源壁壘擋在門外的人，有機會重新參與到中高端崗位的競爭中。

大衛·奧托描述的機制大致有三層：第一，AI降低專業門檻，比如初級護士借助決策輔助系統，可以做過去由資深醫師承擔的診斷初篩；第二，AI擴展能力邊界，比如產品經理用低代碼加AI協作平臺，能獨立完成過去需要整個軟件團隊的開發；第三，AI讓“實踐經驗”重新值錢，一線積累的領域知識，可以借助AI放大成更強的產出。

但實現AI普惠和平權需要看兩個前提。一個前提是“起跑線”是否真的平等。就算AI工具本身免費或便宜，用AI還需要算力、數據、網絡環境、語言能力和基礎科學素養，這些條件并不是平均分布的。發展中國家和發達經濟體之間、城市和鄉村之間、不同年齡段之間，“能不能用上AI”的實際門檻，差距仍然不小。

第二個前提是“終點”的分配機制是否合理。就算大家都能平等地用AI，最后生產率提升賺到的錢，怎么在勞動者、企業、平臺、算力提供方之間分配，這取決于市場結構和制度安排。在算力和基礎模型高度集中于少數大平臺的格局下，“用AI”賺到的錢遠遠比不上“擁有AI”賺到的錢。

綜合來看，“賦能中產”是一種可能性，不是自動會發生的結果。它能否實現，依賴反壟斷政策、公共算力供給、技能再培訓體系和稅收再分配等一整套配套措施。如果這些配套缺位，“同一起跑線”的說法更多只是情緒上的安慰，很難真正改變分配格局。

IMF 2025年的一項以英國微觀數據為樣本的模型估算給出了一個反直覺的結論：工資基尼系數預計下降約3.91個百分點（高薪者任務被大量替代、低薪者反而在生產率提升中受益）；而財富基尼系數預計上升約13.67個百分點。

邏輯大致是這樣的：AI對高薪白領任務的暴露度（約60%）遠高于低薪崗位（約15%），所以頂層白領的工資溢價被壓縮，工資差距反而收窄了。與此同時，AI帶來的效率紅利主要沉淀為資本回報，集中在持有半導體股權、平臺股權、算力資產的人手里。普通工薪階層即使工資差距縮小，也很難分到這部分錢。最終結果就是：工資差距小幅收窄，財富差距明顯擴大。

在一個社會里，如果工資差距小幅收窄、但資產價格快速分化，賬面上的基尼系數改善并不意味著大家真的感受到公平得到了改善。

20世紀后半葉以來的現代分配制度，主要通過工資稅、累進所得稅與社會保險，對勞動收入進行二次分配；但對資本收入，尤其是股票增值、未實現資本利得、平臺所有權回報等的再分配能力一直相對較弱。

AI放大了資本回報的集中度，未來分配制度改革的方向在于補齊“資本回報再分配”這一長期缺位的制度環節。

如果“圖靈陷阱”的情景占主導，社會面臨的首要風險是階層流動通道進一步收窄。前面已經講過兩條路徑：一是“初級崗位鴻溝”讓年輕人難以進入職場；二是資本回報和勞動回報進一步脫鉤。兩者疊加，可能催生一些研究者所擔憂的“永久底層”現象，即一部分勞動者長期無法重新進入主流經濟系統，只能靠轉移支付維持基本生活。

這一風險目前更多是一種趨勢性判斷，并非已成事實。世界經濟論壇（WEF）對企業高管的調研提供了一個值得注意的側面證據：54%的高管預計AI將取代大量現有崗位，僅24%的人認為AI會創造大量新崗位；44.6%的人認為AI能提高利潤率，只有12.1%認為 AI 會帶來更高工資。

上述風險最終會回到教育系統。當AI能以很低的成本完成相當一部分知識性任務時，傳統以傳授知識為核心的教育模式面臨重新設計。其中的兩個問題尤其值得關注。

一是“認知負債”問題：如果學生過度依賴AI完成思考，長期可能影響他們獨立判斷能力的發展。二是“技能與崗位脫節”問題：大學專業設置和實際就業需求之間的匹配度，正在被AI重新定義，過去幾年里的熱門專業，可能很快就不再熱門。

與此相關的一個討論方向是：未來教育是否應該把更多重心放在AI難以替代的能力上，比如復雜判斷、跨學科整合、人際協作和道德決斷。已有部分高校開始嘗試，但系統性的改革還處于起步階段。

制度如何回應

面對 AI 帶來的分配變化，政策回應可以概括為三類：激勵、緩沖、分配。前者決定技術走向，中者提供過渡保護，后者決定紅利是否能回流社會。

首先在激勵側：把AI引向“增強人”而非“替代人”。具體做法包括：調整 R&D 稅收抵免，更鼓勵“增強型”AI，少獎勵“純替代型”AI；提供公共算力，降低中小企業、高校和普通勞動者的使用門檻；加強反壟斷與互操作，防止算力、數據和模型被少數平臺壟斷；保留初級崗位入口，對雇傭應屆生和初級員工的企業給予稅收支持等。

在緩沖側：給被沖擊者提供安全墊。具體做法包括：擴大再培訓，讓勞動者有能力從舊崗位轉向新崗位；試點更短工時，如果生產率提高，就應探索用更短工時分享收益；擴大社會保障覆蓋，把靈活就業者和平臺勞動者納入基本保障。

在分配側：讓AI紅利更廣泛地惠及全民。具體做法包括：重設計稅基，逐步把稅基從勞動轉向資本與消費；探索AI/算力/超額利潤稅，讓超額收益承擔更多公共責任；推行公民紅利或UBI（全民基本收入），把部分超額稅收轉化為全民可分享的收益；發展主權基金與公共持股，讓社會以“共同所有人”身份分享資本回報；探索共有所有權，推動關鍵算力基礎設施和公共平臺的公共參與。

行動節奏同樣關鍵。《經濟學人》2026年5月社論認為：AI沖擊真正大規模顯現前，就應先把稅基調整、工資保險和再培訓等工具準備好。約70%的美國受訪者認為，AI會讓未來找工作更難，近三分之一的人擔心因此失業。這種情緒本身就說明政策不能等到問題全面爆發后再行動。

WEF估算，到2030 年，全球勞動力中將有超過40%的核心技能發生改變，并且“AI與大數據”相關技能需求在近一兩年間快速上升。這意味著無論采取哪類政策，大規模、持續性的再培訓都是繞不開的基礎工程。

需要強調的是，上述三類工具不是“三選一”的關系，而是需要協同配置。歸根結底，AI未必導致更嚴重的不平等，但如果缺乏制度回應，它極可能把既有分配失衡進一步放大，并把技術紅利更多鎖定在少數資本與平臺所有者手中。關鍵在于能否盡早把激勵、緩沖與分配三類工具協同配置起來，在保持創新活力的同時，為勞動者保留上升通道，并讓技術紅利更廣泛地回流社會。

（滕斌圣系長江商學院戰略學教授、戰略研究副院長、新生代獨角獸全球生態體系研究中心主任，何澗石系長江商學院新生代獨角獸全球生態體系研究中心研究員）

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。