勞動經濟學/監察AI演變 撫平勞動市場波動\張丹丹

當前AI技術迭代迅猛，已從「輔助人」轉向「替代人完成完整任務鏈」。本輪技術進步的使用成本極低、擴散速度極快，對勞動力市場的影響速度遠超以往，需要引起高度重視。

從技術背景來看，如果說以往的技術進步更多是對「腦力」的輔助或對某些任務的替代，那麼這一次開始出現對「手」的替代，也就是所謂的通用人工智能（AGI）趨勢。Open Claw出現後，任務可以自主執行。過去AI替代的是整個任務鏈中的某一個環節，而現在它可以完整地執行一整套任務鏈條。

這種替代看起來很難避免─至少對任務的替代、對崗位的替代，甚至對一個機構或一個行業的替代，未來是難以避免的。

須關心的問題在於：替代的速度與崗位創造的速度之間，究竟是怎樣的關係？正如一些專家提到的，如果崗位創造的速度足夠快，我們其實不必過度擔憂。

這一輪AI革命，尤其是對腦力勞動的替代，與過去十年以自動化和機器人為代表的那一輪技術進步有本質不同。之前的「機器替代人」主要針對體力勞動，背後是較高的邊際成本─要真正在一個工廠、一個地區、一個行業裏使用物化的機器，需要結合生產線進行調整，這個過程需要時間，成本也相對較高。

而這一輪技術進步的特點是，新技術出現後，往往可以免費註冊，或只需極低的費用即可使用。使用成本極低，擴散速度極快。如果說以往的替代是一個區域性、行業性、漸進式的推廣過程，那麼這一次的技術使用可能是全球性的、行業快速滲透式的，影響面可能會更大。它對整個勞動力市場重組的推進速度，可能比過去的技術進步快得多。這一點值得我們高度重視。

AI發展將越來越快

在過去三年中，隨着人工智能大模型的快速發展，一些行業已經受到明顯影響。以程序員為例，編程領域在今年的衝擊尤為突出。此前，內容創作領域也受到顯著影響，比如今年Seedance的出現對視頻編輯帶來了較大影響。法務、財務及行政事務等領域同樣也受到AI的很大影響。可以看到，越來越多的職業正在進入AI的影響範圍。

最近我讀到羅比克的一篇文章，文中區分了「潛在暴露度」與「實際暴露度」或「實際替代」的概念。過去我們的研究更多聚焦於「潛在暴露」──即一個行業已經暴露在技術影響之下，但究竟會造成多大衝擊、會有多少人失業，其實是不確定的。而「實際暴露度」或「觀察到的替代」，則需要通過存量數據來觀察。用招聘信息看流量，可以了解行業對未來求職者要求的變化，這屬於「潛在暴露」；而對現有從業人員的實際影響，則屬於「實際暴露」。

羅比克文章的核心觀點正是：這兩個概念的差異非常大──流量數據展示的是潛在影響，存量數據反映的是真實衝擊。目前我們看到的更多是潛在影響，雖然能夠預見到一些趨勢，但大規模的真實衝擊尚未完全落地，存量層面還未出現劇烈波動。筆者認為這正是一個窗口期──從「潛在暴露」到「真實影響」的傳導不會太久，我們還有機會做出應對。

當前，AI技術迭代迅速，每年年初都會湧現出大量令人驚嘆的新模型和新工具。為什麼不能讓技術進步慢一點？根本原因在於國家間的博弈。最近的一次達沃斯論壇上，美國大廠也談到這個問題──雖然大家都預見到某些替代可能發生、勞動力市場可能受衝擊，但沒有人能停下來。因此我們判斷，技術進步將是快速的，且影響是全球性的，使用成本極低、擴散速度極快，這一切都難以逆轉。

不過，也有一些因素可能讓技術進步放緩。我們看到，OpenAI最近一輪融資高達1000億美元，估值達到7300億美元，投資方包括英偉達、谷歌等巨頭。這個量級相當於一個中小型國家傾全國之力投資一家企業、投入AI技術研發。那麼，未來研發還能有多大空間？我不知道，有可能研發速度會降下來。

另一個機遇來自開源模型。中國的DeepSeek等開源模型正在形成「捲」的態勢──美國投入巨資做閉源模型，而中國很快能以開源方式實現類似效果。這是否意味着高投入未必帶來獨佔收益？如果技術成果可以被廣泛共享，是否會降低研發端的投入熱情？這也是一個值得觀察的方向。如果研發投入放緩，技術進步的速度也可能慢下來，從而為勞動力市場爭取更大的反應窗口。但這一切仍有待觀察。此外，資本驅動技術快速擴張，但資本本身能否持續維持高強度的研發投入，也是一個未知數。未來是否會放緩，我們拭目以待。

提前建立預警機制

應對人工智能對勞動力市場的衝擊，關鍵在於開展前瞻性研究，構建一套動態監測與預警系統，實時跟蹤勞動力市場的變化，精準把握技術進步對特定職業、任務及技能的影響，並及時向從業者和政府部門發出提醒和預警。這樣，勞動者可以提前準備轉崗或技能提升，政府也能有針對性地組織培訓，從而避免大規模失業，推動勞動力結構的平穩調整。因此，建立動態監測系統至關重要。

動態監測系統的基本邏輯是什麼？傳統的勞動力市場研究往往以職業、行業或地區為單位，但在AI快速滲透的背景下，我們更需要將勞動力市場「原子化」──即拆解到任務和技能這兩個底層維度。以客服崗位為例，三年前和現在的職業名稱沒變，但具體從事的任務構成已經完全不同。因此，我們要透過表面的職業名稱，觀察職業內部的任務重組和技能需求的變化。

我們利用智聯招聘等數據，將招聘信息解構為任務和技能兩個維度。目前，國際通用的任務分類約有2萬種，技能分類約3萬種，但這一標準類似「元素周期表」，是相對靜態的，近些年變化不大。而我們真正需要的是動態追蹤──通過分析崗位描述（JD）的變化，發現哪些新任務、新技能出現，哪些舊任務、舊技能消失，不斷更新這個「元素周期表」。

此外，還需要關注這些「元素」的組合方式。勞動力市場的重組，本質上就是任務和技能的組合方式在發生變化。我們採用網絡分析方法，觀察哪些任務和技能開始頻繁組合，當組合趨於穩定並形成新的模式時，可能就意味着一個新職業的誕生。我們不能等到職業名稱消失時才意識到變化，而要在其內部結構悄然演變時就捕捉到趨勢。

當前國際上通行的「暴露度」算法，已經有些過時。傳統方法往往通過詢問AI能否完成某項任務的50%工作量來判斷，輸出的是0或1的二元變量。但現實遠比這複雜：50%替代和90%替代，對就業的影響天差地別。以程序員為例，過去幾年可能只是50%替代，現在已接近完全替代，但單一數據點無法反映這種變化。因此，我們需要將暴露度從一個二元指標拓展為連續變量，更精細地衡量替代程度。

更重要的是，現有的暴露度算法只能說明某個職業「暴露」在風險之下，並不能直接等同於「被替代」。我們觀察中國、新加坡、美國的數據發現，大量職業的暴露度集中在0.7到0.8之間，但這些職業中有的需求下降，有的需求不變，有的甚至需求上升。這說明，同樣的暴露度並不必然導致替代。因此，我們希望對暴露度指標進行優化，賦予它「溫度」和「態度」──既能反映暴露程度，也能預測替代的可能性。這是我們當前方法論探索的重點。

最後，筆者認為當前階段應當加快建立就業預警機制，並完善社會保障體系。今年兩會提出了構建「就業友好型社會」的方向，其中包含一系列政策安排。在全流程監控AI應用風險的基礎上，相信後續會出台更多配套政策，幫助社會逐步適應快速的技術迭代。

（作者為北京大學國家發展研究院副院長）