2025年7月29日，2025世界人工智能大会期间，智元机器人在进行“才艺”展示，吸引参观者驻足观看。图/新华
经济增长与就业创造常被视为硬币的两面。
经济增长与就业的关系正在发生改变
在工业革命之前的漫长农耕时代，低技术进步带来低速增长，对应的是低人口增速和低就业增速，经济增长几乎等同于农业就业的增长。
工业革命突破了能源动力的束缚和生产要素既有组合方式，人类的生产边界大大拓展，工业化和城镇化依托规模经济相互促进，工业品价格随生产率提升而下降，工资水平随生产率提升而上升，大规模生产与大规模消费形成正向循环，工业蓝领岗位快速增加。
现代公司制度扩大社会分工协作的范围，原本由一个企业内部完成的众多生产环节（如物流运输、市场营销、法律咨询）独立出专业化企业，构成庞大的中间投入品和服务网络，在提高经济效率的同时，也使得科层制下的知识白领岗位大量涌现。在上世纪80年代个人计算机普及后，会计、文秘、分析师等信息处理类岗位增长较快。
家庭劳动市场化是就业创造的另一重要引擎。女性大规模进入就业市场，原本在家庭内部无偿进行的劳动转化为国民经济核算上的市场化服务业，家政、餐饮、教育、娱乐等生活性服务业岗位被不断创造出来。
在20世纪的大部分时间里，“经济繁荣即充分就业”是工业文明塑造的一种社会认知，并成为当前诸多商业模式和社会制度的叙事逻辑和心理基础。
21世纪前后发达经济体经历的数次“无就业增长”开始挑战这一共识。最初的研究认为“无就业增长”出现在经济危机之后，更多来自新创设企业增加设备投资，是一种周期性的异常现象，并未形成结构性的就业与增长关系变化。但后续研究表明，常规性认知和体力工作的消失并非渐进发生，而是集中在经济衰退期。企业利用危机作为集中“清洗机制”，永久性地淘汰了可被自动化替代的中等技能岗位。当经济复苏时，这些岗位不会再回来，虽然服务业最终还是吸纳了大部分劳动力，却是以牺牲工资增长和工作稳定性为代价的。
综合近年来国内外研究AI对就业影响的文献，人工智能未造成大面积失业。不少研究还发现，尽管高AI暴露度行业的劳动者失业率确实在上升，但更低暴露度的劳动者失业率上升得更快。一种可能的解释是，高AI暴露度的劳动者教育程度更高，再就业能力更强，受到的影响反而更小。为数不多证明高AI暴露度人群失业率更高的研究，主要使用大型语言模型来评估各类职业被人工智能替代的风险，即“人工智能告诉我们人工智能正在加剧失业”，但统计的显著性也不高。
虽然对就业总量的影响并不明显，但在当前的人工智能时代，就业与增长之间的关系已经表现出一些新趋势，可概括为三个方面的“脱钩”。
一是就业与投资脱钩。在工业时代和服务经济时代，无论是基础设施投资还是机器设备投资，都能带来可观的直接和间接就业。在人工智能时代，科技企业以前所未有的速度进行资本深化，但就业创造效应在下降。与上一轮互联网投资热潮不同，AI时代的扩张模式从“轻资产、重人力”转变为“重资本、重算力”，依赖于数据中心、能源网络等物理基础设施的高密度投资。微软、亚马逊、谷歌和Meta在2025年的资本支出总额预计将达到4000亿美元，这一规模超过了许多中等国家的全年GDP（国内生产总值）。但科技企业同时实施人力资本紧缩策略，削减数十万个就业岗位并冻结对毕业生的初级岗位招聘。不同寻常的是，这些行为发生在科技企业股价创历史新高、营收增长强劲的背景下，反映了企业削减人力成本以释放算力基础设施投资资金的决策思路。
二是技术进步与人力资本提升脱钩。以往劳动生产率的提升，既来自资本及其凝结于机器设备的技术贡献，也来自“干中学”过程中人力资本提升的贡献。在人工智能时代，劳动生产率的提升却更可能来自该指标的分母（即“劳动力规模”）的下降，人力资本提升的速度远远赶不上AI技术进步的速度。
一方面，人力资本“干中学”的积累路径变窄。过去，大学毕业生通过从事基础性工作积累经验，逐渐成长为高级人才。现在，AI越来越胜任初级分析师、初级程序员和初级文案等工作，一些就业岗位针对应届毕业生的招聘需求下降。例如，传统的律所模式依赖大量初级律师进行文件审查、法律检索等工作，现在AI可以在几秒钟内完成这些工作，但离婚等案件需求并不会因为AI技术发展而上升，会导致律所大幅减少初级律师招聘。这不仅导致青年失业率的上升，还可能切断长期以来很多类型人力资本提升的阶梯——如果企业不再招聘初级员工，未来的高级专家从何而来？
另一方面，在技术和教育的竞赛上，人力资本的线性积累速度跟不上技术进化的指数级速度。针对AI时代就业挑战的一大药方是终身教育。但教育模式的变革在AI技术进展面前并不是万能药，大部分劳动者的人力资本积累速度已难以追赶机器智能的进化速度。例如，当大学刚刚开设“提示词工程”课程时，最新的模型可能已经不再需要提示词优化。
三是劳动者工资与生产率提升的脱钩。对美国就业市场的研究显示，自20世纪70年代以来劳动生产率与实际工资的脱钩一直在持续，而AI的加速应用可能扩大这一裂痕。在人工智能时代，AI推动初级代码编写、法律文书起草、基础金融分析等非常规认知任务的常规化，高效率部门的超额利润更多转化为资本收益以及少数核心人才的薪资增长，留在高效率部门的辅助性岗位就业者不仅趋于减少，因其人力资本贡献小于AI，薪资增长也不会与行业生产率提升保持一致。
传统的“鲍莫尔式”生产率分享机制失效。Baumol提出的“成本病”理论指出，制造业等高生产率部门创造的超额价值会通过劳动力市场竞争（争夺稀缺劳动力）或制度性安排（工会谈判、最低工资等），溢出到医疗、护理、文娱等生产率增长缓慢的部门，从而实现全社会工资水平普涨。这种跨部门的工资传导机制，维持了劳动力市场的相对均衡，也成为低效率部门从业者共享繁荣红利的主要渠道。在AI时代，由于高效率部门不再需要更多岗位，无须通过不断涨薪来维持劳动力队伍，也就无法通过“工资示范效应”拉高全社会工资水平。当被AI替代的中等技能劳动者（如文员、翻译、初级代码员）流动到生产率提升较慢的服务业（如网约车、配送、基础护理），出现劳动者供给大于需求，低效率部门劳动者工资随高效率部门工资上升的机制被阻断。
下降的AI成本压低人类工资提高的“硬上限”。对于大量基于规则、逻辑分析、信息合成和模式识别的任务，AI提供了近乎无限的供给，这些领域的人力资本稀缺性被打破，相关技能的市场价格趋于下降。AI技术本质上是能源密集型的，如果智力的边际成本最终收敛于能源成本，而能源成本随着可控核聚变、高空风力发电、太空光伏等技术创新而继续下降，人类完成既有任务的工资上限面临持续下探的压力。例如在某项任务中，当AI的部署成本下降到每小时5美元，那么原本只从事该单一任务工人的工资永远无法超过5美元，无论其生产率提高了多少。
以稳定就业为基础的社会保险体系面临挑战
基于AI对就业替代效应和创造效应发生的时点、速度和范围的不同假设，不同机构的“水晶球”对AI影响未来就业的预测差异很大。例如，2020年以来世界经济论坛对人工智能是否增加就业连续三次作出了相反判断，对未来五年全球净增和净减岗位的预测差距达到9200万。相比于就业总量的变化，本文更关注AI时代就业的结构性变化对社保的挑战。
现代社会保险体系是大规模工业化时代的产物。无论是公共养老保险和医疗保险，还是失业保险、工伤保险或生育保险，其初衷都是实现“劳动者就业中断风险”的社会化分散。因此，社保制度设计和就业贡献之间强关联，其持续运转有赖于三大基石：人口红利带来的就业者增长、大工业生产形成的劳动关系标准化，以及生产力提升推动的工资收入增长。正是这三个条件在20世纪的历史性交汇，使得社会保险制度在财务上具备可行性，在政治上具备操作性，成为国家管理社会风险的重要制度。
第一块基石是有利的人口结构，这为社会保险提供了精算基础。在社会保险体系下，人口增长本身被转化为一种特殊的资产类别，代际转移支付产生一种隐含的“生物回报率”，其水平甚至可以超越货币资本的积累。如果一个经济体的人口增长率（n）与实际工资增长率（g）之和大于市场实际利率（r），那么引入现收现付制的社会保险体系将增加社会总福利。在二战后的几十年“黄金时代”里，婴儿潮使得这种“无资本的回报”成为现实，参加社保不仅仅是一种强制性负担，更是一种优于私人储蓄的投资行为。有利的人口结构建立了有社会共识的社保代际契约，实现了养老风险管理从分散的家庭转移到集中的社会供给。
第二块基石是长期稳定的雇佣关系。与基于经济状况调查的社会救济不同，现代社保体系强调权利与义务的对等，即待遇水平与缴费历史严格挂钩。这种设计的初衷是维持劳动者退休后的体面生活。长期稳定的雇佣关系使劳动者有清晰、连贯的收入流，保证了“退休待遇”与“劳动贡献”挂钩的可能性。高度组织化的雇佣关系不仅创造了稳定的中产阶级，还使得工人的收入变得透明、可计算且易于扣除。这就将现代企业制度转化为国家能力的延伸，让企业转化为国家工资税（费）汲取的代理，提高了社保基金征缴的行政效率，扩大了其覆盖范围。
第三块基石是劳动者工资与生产率同步增长。工资与生产率的同步增长确保社保缴费基数的内生性扩张。在人口结构和征缴机制确定的情况下，社保待遇水平的提升和基金的偿付能力，从根本上取决于缴费基数的增长速度。即使出现人口老龄化，当n出现下降甚至负值，如果实际工资增长率g维持较高增长，社保福利水平也能随社会总财富的增加而自然提升。“二战”后的30年里，西方国家经历了生产率增长的黄金期，高工会化率确保生产率提升转化为工资增长，形成生产率收益广泛分享的良性循环。人口红利叠加生产率红利形成的复利增长，使得每一代人只需缴纳收入的一小部分，就能供养上一代人过上比他们年轻时更好的生活。
现代社会保险体系是人类社会通过理性设计来驾驭工业化风险的制度安排。它成功地将三个特定的宏观历史条件内化为制度运行的参数，增加了社会凝聚力，提高了经济与社会稳定性。但20世纪末以来，人口老龄化撼动了第一块基石的精算逻辑，第二块和第三块基石在人工智能技术的跃迁中也面临挑战。
人口老龄化对第一块基石的冲击多有论述，本文不再赘述。但需要指出的是，老龄化对社会保险体系的影响是渐进且可预测的，而人工智能的进展是非线性和指数级的，可能会对既有社保模式的第二和第三块基石产生速度更快、范围更广、规模更大的挑战。
首先，人工智能会改变工业文明的生产组织模式和企业形态，使得原有的正式雇佣关系碎片化，动摇第二块基石。
一方面，人工智能降低市场交易成本，推动知识白领零工化。如果市场是有效的资源配置机制，为什么还会存在企业？科斯的答案是：市场交易存在搜索、议价、缔约、监督等成本。当企业内部的组织成本低于外部市场的交易成本时，企业便随之产生并扩张。随着AI技术在劳动力市场平台的应用，“按任务雇佣”（Hiring by Task）的交易成本相对于“按岗位雇佣”（Hiring by Job）变得微不足道，工作的基本单元逐渐会从一揽子长期、模糊的任务集合的“岗位”（Job），转变为单一、明确、短期交付的“任务”（Task），甚至出现所谓的“科斯奇点”。在科斯奇点下，大量原本属于企业的核心任务可以外包出去，甚至出现“一人公司”，企业原有长期稳定雇佣的工人变为外包人员。全球自由职业者平台Upwork和Fiverr等的财报显示，大型企业正在系统性地用高技能自由职业者替代全职员工。如果作为社保征缴核心节点的“企业”被知识性任务的“交易网络”所取代，更多办公室白领岗位从固定雇佣转向零工的可能性就会提高。
另一方面，人工智能减少企业内部协调成本，有可能形成“中层塌陷”。传统企业中，中层管理者的核心职能是信息传递、任务分配和流程监控。AI智能体开始在缺乏人类持续干预的情况下执行复杂工作流，并以极低的成本完成这些协调工作。这可能导致企业组织架构的扁平化，高层领导者可以直接监管更多的业务单元，负责协调任务和信息处理的中层管理人员不再不可或缺。Gartner预测，到2026年，20%的组织将利用AI来扁平化组织结构，一半以上的中层管理职位将不再需要。
以上两方面，都会使得零工经济从现在的建筑业、制造业和外卖、快递等生活服务业领域，发展到知识白领为主的生产性服务业，出现更大规模的非长期雇佣关系，导致社会保险缴费的雇主责任下降，劳动者个人缴费责任和风险暴露度上升。
再者，如果人工智能超大规模的资本深化以现有方式持续，国民收入分配向资本所有者和少数高技能者倾斜，将动摇第三块基石。
人工智能可能使中等收入群体的工资收入难以和生产率提升同步。社会保险体系资金的主要来源是庞大的中等收入群体。与历次工业革命主要替代蓝领体力劳动不同，生成式AI加速了非常规认知的常规化，让中高级认知能力变成了可以工业化复制的服务，主要冲击的是受过高等教育、从事认知型工作的白领阶层，而这一群体工作稳定、工资较高且合规缴纳率高。
劳动者报酬比重下降会导致社保税基相对规模下降。经合组织和国际劳工组织的数据都显示，数字化程度最高的行业中，劳动收入占增加值的份额呈现加速下降趋势。这意味着技术进步带来的红利更多流向了拥有算法、数据和算力的资本所有者。由于高收入者在公共基本养老保险、医疗保险、失业保险等缴费时有上限，这部分人收入的进一步增长对社保基金的贡献几乎为零。如果AI时代资本深化导致劳动收入份额特别是中等收入群体的收入份额减少，社保税基相对于经济总量的比重将下降，经济增长将无法转化为社保基金的同步增长。
在人工智能时代
构建就业友好型发展方式
技术本身是中性的，但技术创新并非天然导向于人类福祉。如果人工智能的目的是提高人类潜能和增加生命质量，而不是“如何用机器取代人”，前文所述挑战都将迎刃而解，并能以技术红利弥补人口红利消失。例如，欧洲医疗技术行业协会估算，AI在医疗领域的广泛应用有望为欧洲医疗系统每年节省1700亿至2100亿欧元，其中仅可穿戴AI设备一项每年就能节省约500亿欧元，直接减轻医保基金在药品采购上的压力。再如，解决养老金危机的重要途径是增加缴费年限。AI技术可消除老年人参与劳动力市场的生理和认知障碍，让年长员工专注于需要判断力、同理心和复杂决策的高价值工作，降低工作疲劳度，使老年人可选择从全职工作过渡到兼职工作的“渐进式退休”方式，而不是突然切断收入来源。
但当前至少有四方面因素使得人工智能的创新方向不利于就业和社保。一是资本驱动的“图灵陷阱”。斯坦福大学的Erik Brynjolfsson提出“图灵陷阱”的概念，指出当前AI研发过度专注于“像人一样思考和行动”，发展的是“类人智能”，而非增强人的能力。这是资本驱动下的创新对稀缺性反应的结果。价格作为稀缺性的信号，指挥着技术变迁的方向，使得创新倾向于替代那些规模巨大且价格较高的要素。在发达经济体，这就使创新引向替代高成本的劳动力。二是地缘经济助推劳动节约型创新路线。近年来在地缘经济的影响下，发达经济体推动产业回流，但又面临严峻的熟练劳动力短缺问题。为避免跨境投资、移民政策、关税政策等的不确定性，企业将技术投资的重心转向“劳动节约型”方向。三是比特世界的无尽需求加剧原子世界的稀缺。AI技术的创新无法直接打破原子的稀缺，土地、淡水、锂钴等关键矿产的物理约束依然存在，经济增长的稀缺性转移到能源、环境容量、关键原材料上。从就业的角度来看，这些都是劳动力稀薄型领域，若加速开发，还可能会造成人工智能与人类福祉竞争稀缺资源的问题。四是AI4Science的创新局限。一项分析了生物学、化学、地质学、材料科学、医学和物理学等六大领域6700万篇论文的研究指出，虽然AI工具提高了科学家的个体产出，但它导致了科学研究选题的收敛，即科学家们倾向于研究AI容易处理的数据丰富的领域，而通过AI难以建模的数据稀缺或边缘领域则被忽视。这种倾向可能导致科学发现的广度收窄，也降低了以突破性创新开拓人类需求和就业空间的可能。
技术进步具有路径依赖，一旦某种技术范式占据主导地位，整个社会的工程能力、基础设施和认知习惯都会围绕其构建并自我强化，将发展方式“锁定”在特定轨道上。“十五五”规划建议提出“构建就业友好型发展方式”，并明确要“完善就业影响评估和监测预警”，以应对“新技术发展对就业的影响”，这是高质量发展和高质量充分就业的统一，对引导人工智能技术走向正确的发展方向具有重要意义。
与美国将大部分增量创新资源押注在AI的训练层和推理层不同，中国提出的“人工智能+”行动方案强调技术的大规模应用，创新资源在AI的训练层、推理层和应用层上分布得更加均衡。这不仅能缩短技术创新的投资回报周期，还有利于通过创设生产、消费、流通等环节的AI应用场景来增加就业。而且，中国的劳动力成本远低于美国，AI替代劳动力的收益并不算高，更有余地通过公共政策推动AI技术“向善”发展。除了已布局的常规政策，本文提出几个可供讨论的政策建议方向。
关于“机器人税”。由于一些国家对自动化设备提供税收抵扣或加速折旧政策，而对劳动力征收含社保的高额工资税，这实际上补贴了用AI技术替代人工的行为。虽然很多研究提出机器人税的建议，但目前各国尚无政策实践。常被误称为实施“全球首个机器人税”的韩国政府，并非直接对机器人征税，而是缩减了企业投资自动化设备的税收抵免。机器人税在理论上能内化AI发展的社会成本（如失业），减缓过快的就业替代，但在操作上面临定义难题。比如什么是机器人，对AI技术改善后的Excel需不需要征税等？更有可能的操作路径是，根据AI技术类型实行差别化税率：对辅助工人的外骨骼、增强现实眼镜等“劳动增强型”技术给予税收抵免；对单纯替代劳动的技术不予以税收优惠或适度征税。
关于“税费协同”的社保融资方式。与德国、法国等欧洲大陆国家主要依赖雇主和雇员缴费的模式不同，丹麦等国选择以一般税收为主要资金来源的道路，其社会保障融资中缴款比重较小。日本是世界上老龄化最严重的国家之一，其在2019年将消费税率从8%提高至10%，并明确提高的消费税收入专款专用于养老、医疗和护理等社会保障支出。虽然丹麦的社保融资结构和日本的社保改革的初衷并不针对AI冲击，但“税费协同”的社保融资方式能让AI创造的财富红利回流至社会保障网，缓解社保三大基石面临的冲击。至于具体的税种，从一些国家的政策实践看，增值税（或消费税）、环境税和资本利得税是可选项，一些研究机构还提出征收AI“超额利润税”。
关于主权AI基础设施。若AI算力如一些研究所说会成为未来的货币，那么掌握AI基础设施即掌握了未来的铸币权。构建“主权AI基础设施”不仅是国家安全问题，也可能成为社保融资的新渠道。英国、法国、加拿大和新加坡等国正在投资建设国有的“国家研究云”或主权AI计算集群。通过国家投资持有核心算力基础设施，政府可以直接捕获未来AI产生的经济租金。在AI大规模商业化应用之后，这一“AI红利”可以发挥类似当前挪威石油基金的作用，直接注入社会保障体系，实现从“向劳动征税”到“向AI分红”并重，让社会保障体系分享AI带来的资本增值。
关于AI时代的人力资本积累方式。欧洲智库Bruegel的一项研究发现，在AI相关职位信息发布中，提及大学学位的比例下降了23%，而提及具体技能的比例大幅上升。在基础教育和高等教育阶段，由于特定专业背景和技能的半衰期缩短，教育必须转向培养“元认知”能力、批判性思维和跨学科的系统整合能力。在青年就业方面，随着AI接管初级工作，原本“干中学”的人力资本路径收窄，必须设计新的毕业生见习激励机制。可考虑由财政资金补贴初入职场青年的工资或代缴社保，鼓励企业雇佣青年，并在工作中开展和AI共同成长的人机协作。
