彭文生：認知技能標準化生產——AI重構分工的規模經濟邏輯

彭文生、謝超（彭文生系中金公司首席經濟學家、中國首席經濟學家論壇副理事長）

中金研究

Scaling Law決定了大模型性能在技術層面規模報酬遞減，但Tokenization通過標準化提高了認知技能的生產效率，為大模型在經濟層面實現規模報酬遞增奠定了基礎。大模型削弱了高階認知技能的稀缺性，導致不同技能稟賦勞動者的相對生產率發生變化，引發基于比較優勢的分工重構；標準化的認知技能供給模式，降低了分工各環節的協調成本，由此推動分工深化、實現規模經濟。從職業重構角度看，新一輪AI技術進步是賦能還是替代勞動，取決于其超越的是勞動者的核心技能還是邊緣技能。目前的實證數據表明，大模型對于勞動者的五項基礎技能均主要呈現出降低職業進入門檻的簡化效應，有助于縮小不同技能稟賦勞動者的生產力差距。AI在現有職業中的應用會產生新的任務需求，這些新任務規模擴大到一定程度，規模經濟邏輯會促使新任務從現有職業中獨立出來演化為新職業。此外，認知技能標準化有助于降低企業采購認知技能的交易成本，從而推動傳統企業邊界收縮，形成一人公司的產業組織新形態。大模型重構分工帶來的規模經濟有助于提升生產力，也會導致勞動者薪酬增速低于生產力增速，造成以勞資分配失衡為主要特點的收入分配差距擴大問題，而非大規模失業。可考慮加大面向中低收入群體的轉移支付力度，以完善中國特色的社會保障制度，為AI技術通過創造性破壞來提高生產力筑牢社會安全網。

點擊小程序查看報告原文

Abstract

摘要

以大模型為代表的新一輪AI技術快速進步，引發“AI究竟替代還是賦能人”的爭議。科技界與產業界的討論大多從技術或產業視角出發，本文認為還是要回歸技術進步如何重構分工這一基本經濟學命題。從經濟學角度看，技術進步對分工的影響，可綜合比較優勢和規模經濟兩個相互關聯的視角來理解。前者探討技術進步如何改變分工的邊界，后者分析技術進步在分工深化實現規模經濟中扮演的角色。標準化是兩個視角內在的邏輯連接點。

大模型重構分工的關鍵，在于通過標準化提高了認知技能的生產效率，削弱了高階認知技能供給的稀缺性，改變了不同技能稟賦勞動者的相對生產率。Tokenization將高度非標準化的知識與信息，拆解為可被機器計量、處理的標準化單元（token），是大模型提高認知技能生產效率的技術基礎。這種標準化大幅降低了運用認知技能的門檻，能夠滿足原來因認知技能規模不經濟而未得到滿足的任務需求，進而擴大市場規模，反過來會進一步促進分工深化，再疊加單位認知成本的下降，有望在經濟層面實現規模報酬遞增。簡言之，AI在性能上的規模報酬遞減，與經濟上的規模報酬遞增并不矛盾，關鍵在于通過標準化提升了認知技能的生產效率。

在基于比較優勢的“技能—任務”分析框架下，以大模型為代表的新一輪AI技術進步，會改變任務在勞動者與機器之間的分配，進而引發職業重構。但對勞動者究竟是賦能還是替代，難以一概而論，取決于AI在不同職業重構中超越勞動者的是核心技能還是邊緣技能。即便是在同一職業內部，由于大模型目前對認知技能的標準化生產主要是基于顯性知識，很難學習到以勞動者私有經驗形式存在的隱性知識，導致在軟件開發者等職業重構中出現AI替代年輕員工的同時賦能資深員工的結構分化現象。未來會如何演變將取決于企業把勞動者隱性知識轉化為顯性知識的速度和程度。

新職業通常并非憑空出現，而是沿著可辨認的方向從現有職業中演化出來。一種可能的來源是伴隨著AI滲透率的提升，在現有職業內部產生出了因AI應用而來的新任務。根據規模經濟的分工深化邏輯，這種新任務的需求量一旦擴大到某個程度，則有望從現有職業中脫離出來，成為一種高頻、專門的獨立任務，并吸引具有技能比較優勢的勞動者與之匹配，由此演化出全新的職業分工。

“一人公司”并非一種新職業，也并非“通才”回歸，而是一種新的產業組織模式。背后的邏輯與互聯網平臺促成零工經濟“回歸”有點類似，是傳統企業縮小與新型企業擴大相輔相成的結果，具有內、外部規模經濟互相促進的特點。一方面，大模型企業的規模持續擴大，通過內部規模經濟效應提供標準化的認知技能供給，促成具有外部規模經濟效應的大模型生態；另一方面是認知技能標準化顯著降低了通過市場機制采購認知技能的交易成本，有效降低了高階認知技能的稀缺性，促進了傳統企業邊界的收縮，形成了一人公司的產業組織新模式。

新一輪AI技術進步在通過專業化分工與規模經濟帶來生產力提升的同時，對于就業數量的影響是不確定的，但對于勞動者報酬的影響是相對確定的。無論是AI超越勞動者核心技能的替代論，還是AI降低職業技能門檻的賦能論，最終結果均是抑制勞動者薪酬增長動力。從經濟史來看，這種由技術進步引發的勞動者薪酬增速低于生產力增速的情況并不罕見，在生產關系層面造成的主要影響，是以勞資分配差距日益擴大為主要表現的收入分配差距擴大，而非持續的大規模失業。同樣是參考歷史的經驗教訓，為應對AI重構分工所造成的生產關系挑戰，可考慮在利用AI技術進行精準識別的基礎上，著力加大面向中低收入群體的轉移支付力度，以完善中國特色的社會保障制度，進而為AI技術通過創造性破壞來提高生產力筑牢社會安全網。

Text

正文

近來，以大模型為代表的新一輪AI技術快速進步，引發了有關“AI究竟是替代人還是賦能人”的巨大爭議，甚至有蔓延為社會焦慮的跡象。替代論認為，AI將在大量任務上超越人類、大規模替代傳統崗位。持替代論的典型代表，是圖靈獎與諾貝爾物理學獎得主辛頓（Geoffrey Hinton），以及全球首富馬斯克（Elon Musk）。受大模型快速迭代的推動，馬斯克堅信隨著AI與具身智能的成熟，人類社會的傳統就業崗位將不再被需要（no job is needed）[1]，并在近期將這一臨界點的到來預估在10年到20年內[2]。有著“深度學習之父”稱號的辛頓則在大模型出現之前就持這一判斷，早在2016年就發出明確警告，稱美國應停止培養放射科醫生，因為AI將在五年內讓他們失去存在的價值[3]。大模型的發展似乎進一步印證了辛頓的“先見之明”，美國資本市場因大模型而出現科技股牛市的同時，Meta等硅谷科技企業卻以AI增效為由大規模裁減程序員[4]。

對此，英偉達作為迄今為止大模型發展最大的受益者，其CEO黃仁勛并不認可這種邏輯。2026年6月1日，他在全球技術大會的演講中明確反駁了AI導致程序員失業的觀點。黃仁勛認為，軟件開發作為AI Agent最先落地的核心應用領域之一，編程本身是全球頗具價值的核心專業技能。GitHub的數據表明，AI Agent融入軟件開發流程后，顯著提升了開發者的工作產出效率。依托AI帶來的生產力巨大提升，軟件工程師的市場需求只會愈發旺盛。所謂“AI將導致大規模失業”的論調，完全是無稽之談[5]。很明顯，黃仁勛與辛頓、馬斯克的觀點截然相反，他主張AI是賦能人而非替代人。

作為全球兩家領先大模型企業的負責人，OpenAI的CEO薩姆·奧爾特曼（Sam Altman）和Anthropic的CEO達里奧?阿莫代伊（Dario Amodei）的觀點更是耐人尋味。在2026年之前，兩家公司均以提升大模型性能為核心目標，彼時兩位CEO通過各種渠道向社會傳遞的主要是替代論邏輯，也即大模型具備強大的任務執行能力，在很多任務上超過人類水平，因而會取代大量人類勞動者。典型案例便是OpenAI開展的GDPval測試，結果顯示大模型已在相當比例的任務上比肩甚至超越人類專家，似乎為硅谷科技企業在科技股牛市中大規模裁員提供了論據支持。

然而有意思的是，正是在大模型快速進步且在多數被測職業中超越人類專家之際，這兩位CEO卻不約而同地從替代論轉向了賦能論。阿莫代伊在2026年5月5日的公開發言中，用杰文斯悖論（Jevons Paradox）闡述了AI通過提升效率來降低成本，進而擴張需求、促進就業的觀點[6]。當月的26日，奧爾特曼也表示：“我們在技術預測上大體是正確的，但在社會和經濟影響上判斷相當有誤……被AI消滅的初級白領崗位數量遠沒有我原本擔心的那么多”[7]；并于6月1日進一步表示：“那些最積極使用AI的公司，反而往往也是招聘最積極的公司”[8]。對于領先大模型企業CEO從替代論向賦能論的觀點轉變，美國《財富》（Fortune）雜志報道稱：“Sam Altman and Dario Amodei are both walking back their AI jobs apocalypse prophecies as they eye blockbuster IPOs”[9]。

事實上，《Fortune》雜志提出的動機視角，或許不僅適用于理解領先大模型企業CEO為何自我否定，也適用于前述替代論者或者賦能論者的堅持，差別僅在于他們是出于科技動機，還是產業動機。當然，不同動機下的觀點對于完整理解AI的賦能與替代是有幫助的，但AI究竟是賦能勞動者還是取代勞動者，不僅是技術問題，更是經濟學問題，還是應當回歸經濟學視角的分析。

從經濟學視角看，就業總量增減、職業興衰更替是個結果，深層次原因在于技術進步作為創造性破壞力量，會打破建構在原有生產力基礎上的生產關系，重構分工格局。伴隨著技術進步對勞動者核心或是邊緣技能的超越，分工重構在兩個相互交織的維度上逐步深化：一方面是職業重構（Job Transformation），也即同一職業內部的任務在人與機器[10]之間再分配；另一方面是技術進步改變不同稟賦勞動者的相對生產率，導致基于比較優勢形成的勞動者協作關系發生重構。這些分工重構的外在體現與最終結果，即是機器對人的替代或者賦能，乃至新舊崗位的新陳代謝。因此，對于AI如何影響就業的關心不應局限于技術層面“替代VS賦能”的簡單二選一，而是應該深入到AI作為新一輪重大技術進步，究竟會如何重構分工的經濟學邏輯中尋找答案。

一、技術進步重構分工的兩個經濟學視角：比較優勢與規模經濟

分工通常被認為是效率提升的重要來源，經典表述來自于1776年亞當·斯密的《國富論》：若沒有專業化分工，制針工人一天連20枚針都造不出來；而分工后，人均日產量可達4800枚[11]。對于分工深化的經濟學分析，有兩個視角尤為重要：一是比較優勢，可以用來分析技術進步如何改變不同技能稟賦勞動者的相對生產率，進而改變分工邊界；二是規模經濟，規模既是分工深化的前提條件，分工協作又是規模經濟得以實現的重要微觀基礎。

（一）基于比較優勢的“技能—任務”分工框架

比較優勢的思想起點，來自于李嘉圖關于國際貿易的經典闡述：即便一國在所有產品的生產效率上均劣于另一國，兩國之間仍舊可以通過國際分工與貿易的方式來共同獲益。Roy（1951）將其首次拓展應用于解釋微觀層面的勞動分工[12]。作為勞動經濟學的早期奠基性文獻之一，Roy基于獵人、漁民這類簡單的職業劃分，闡述了勞動者技能稟賦差異在分工中的重要性。以甲、乙兩個勞動者為例，甲工作一天可以捕獲十只兔子或者八條魚，乙工作一天可以捕獲五只兔子或者兩條魚。甲雖然在兩個職業上均具有絕對優勢，但不意味著社會最優的分工安排是甲同時從事兩種職業；根據比較優勢原理，應當由甲專業從事機會成本更低的漁民職業，乙專業從事機會成本更低的獵人職業。

圖表1：1980-2005年美國各職業工資百分位的實際對數小時工資變化

注：橫軸按1980年職業平均工資排序。
資料來源：Autor & Dorn（2013），中金研究院

技術進步會改變不同技能稟賦勞動者的相對生產率，引發比較優勢的變化，最終導致分工重構。例如1980年代流行的“技能偏向型技術進步”（SBTC）假說認為，技術進步主要提升高技能勞動者的相對生產率，部分程度上解釋為什么二戰之后伴隨著高技能勞動者供給的大幅擴張，技能溢價卻未收窄。但對于1980年代之后美國出現的“就業極化”現象（圖表1），即高、低技能兩端就業上升、中間塌陷問題，SBTC假說無法解釋。對此，Autor、Levy與Murnane（2003）提出了任務分析框架，認為計算機/自動化擅長替代規則明確的常規智力任務（如數據錄入、計算、簿記）以及常規體力任務（如分揀、重復裝配）的同時，與依賴靈活判斷的非常規智力任務（如診斷、寫作、分析）形成互補關系。因此，中間之所以塌陷主要是因為中等技能崗位多由可被替代的常規任務構成[13]。

Acemoglu與Autor（2011）提出了兼顧技能與任務的供求匹配框架。在這一框架下，“技能”是工人擁有的相對穩定知識、經驗與能力，“任務”是實現生產所必須完成的具體工序，分工的本質是擁有不同技能稟賦的工人，基于比較優勢在不同任務間的動態分配。在這個分析框架下，技術進步并不直接改變勞動者既有知識、經驗、能力等技能稟賦，但會改變機器與勞動者在不同任務上的相對生產率，從而改變不同技能在分工體系中的比較優勢。具體而言，技術進步在舊任務上擠出勞動（替代效應），但由此帶來的生產率提升會擴大總需求，從而間接拉動各類要素需求（生產率效應）；更重要的是，技術會催生需要人類技能的全新任務，重新吸納勞動（新任務創造效應）[14]。這就形成一個技術進步驅動下的分工持續動態重構圖景：機器在后面追（自動化接管舊任務），人在前面跑（將自身技能適配到新任務上）。歷史上的典型案例包括印刷機催生出版業、電力催生電氣工程師等。據測算，美國1980至2016年約一半的就業增量來自1980年前并不存在的新任務與新職業[15]。

（二）分工深化有賴于規模，也是實現規模經濟的微觀基礎

分工協作帶來效率提升，已經成為基本的經濟學常識。而分工協作之所以能夠形成，則有賴于市場規模的擴大。亞當·斯密最早提出“分工深化程度受市場規模限制”的論斷[16]，后被稱為“斯密定理”。由于斯密的論述主要針對單個企業內部的分工，因此斯密定理雖然具有普遍性，但通常還是被從內部規模經濟的視角去理解。斯蒂格勒將斯密定理從企業內部分工推廣到產業內部分工，提出隨著產業規模擴大，企業會將某些生產環節剝離出去，交由更具規模優勢的專業化廠商承擔，從而實現更深度的產業內分工[17]。也就是說，分工協作不但是內部規模經濟的微觀基礎，也是外部規模經濟的微觀基礎。楊格將斯密定理從靜態推向動態，提出市場規模并非外生給定，而是內生于總體生產能力：分工深化會擴大市場，市場規模擴大又會進一步推動產業間分工與迂回生產方式的深化，由此形成自我強化的內生性報酬遞增[18]。

需要說明的是，規模擴大帶來的分工深化并非沒有代價。伴隨著分工越來越細、環節越來越多，跨環節、跨主體的協調成本也會上升，最終當由分工深化帶來的協調成本超過效率收益時，規模擴大便無法再繼續推動分工深化，規模經濟也會因此遭遇瓶頸。實現各分工環節的標準化生產，是有效降低協調成本的重要方式之一。技術進步通常是實現標準化生產的必要條件，使得復雜的生產過程得以拆解為可重復執行的標準化任務與技能組合，由此推動基于比較優勢的分工深化，進而實現規模經濟。因此，建立在技術進步基礎上的標準化，也是比較優勢與規模經濟兩個視角的內在邏輯連接點。這在以大模型為代表的新一輪AI技術進步中體現得尤為明顯。

二、認知技能標準化：大模型實現規模報酬遞增的基礎

標準化生產能否實現，一方面取決于管理經驗決定的任務標準化拆分方式，另一方面取決于由技術進步決定的技能標準化生產模式。從過去三次科技革命的經驗來看，機器是實現技能標準化生產的重要載體，自動化是標準化生產的重要體現。過去幾輪科技革命，尤其是信息科技革命時代的經驗還表明：自動化難以承擔那些依賴高靈活性、判斷力與常識的非常規任務，因為執行這些任務調用的隱性技能往往只可意會、難以言傳，難以被標準化為機器任務。

以保潔等低薪服務業為例，勞動者核心技能是非常規手工技能（manual skills）與社交技能（social skills）。這類技能雖然在勞動者中分布較廣、進入門檻相對較低，卻難以被大模型之前的技術進行標準化生產，Autor因而將其概括為“波蘭尼悖論（Polanyi’s Paradox）” [19]，用以刻畫自動化的極限。如前述，規模經濟有賴于標準化下的分工協作，而自動化又是標準化的重要體現，因此自動化界限很大程度上也成為規模經濟的界限。

這也在部分程度上解釋為什么美國在信息科技革命時代，以制造業為主的中產出現塌陷的同時，低薪服務業的就業數量與薪酬卻出現了上升，因為低薪服務業崗位勞動者的核心技能難以標準化，因而難以通過資本化、自動化方式實現大規模供給，導致無法形成制造業那樣強的規模經濟效應。不過，由于擁有這些技能的勞動力供給相對充足，企業可以通過增加勞動投入的方式來實現產出擴張，從而在很大程度上緩解了非標技能的規模不經濟問題，因而也制約了其薪酬上漲動力。

相比之下，高薪服務業的供給約束更為突出。這類行業所需要的勞動者核心技能主要是高階認知技能（cognitive skills），其次是社交技能[20]。高階認知技能是對知識的學習、整合與應用能力。由于這種技能高度非標準化，且在勞動者之間分布高度不均勻，不同個體的知識學習與運用能力存在巨大差異，導致高薪服務業的核心生產能力往往與勞動者個體的人力資本緊密綁定。正是這一綁定帶來了根本性的供給約束，導致高階認知技能的產能，難以像制造業那樣通過增加機器設備、復制標準化流程或擴大資本投入等自動化方式來快速擴張，因而在需求增長時更容易出現邊際成本遞增，最終引發平均成本上升的規模不經濟。

以律師為例，核心技能高度依附于律師個人的專業判斷、案件經驗等，一定時期內可承接的案件量受到其時間與精力嚴格約束。一旦觸及律師個人所能承載的上限，難以通過引入機器設備的方式來緩解產能供給不足問題。更重要的是，因為高階認知技能的生產周期漫長且投入較大，律師數量的有效供給也很難在短期內快速擴張，需要長期的法律教育、嚴苛的職業資格考試、漫長的案件經驗和聲譽積累等。因此，該行業很難出現“案件越多、單位成本越低”的規模經濟現象，反而會因邊際成本遞增而最終出現規模不經濟問題。

事實上，不只是律師，程序員、醫生等服務業所需的高階認知技能都存在類似問題，不但難以通過機器實現標準化生產，且存在較強的供給約束，由此形成的規模不經濟問題，奠定了這些行業勞動者薪資增長更快的基礎。不過，以大模型為代表的新一輪AI技術進步似乎正在改變這種情況，在大量非常規智力任務（如寫作、分析、醫學診斷、法律研究、編程等）上展現遠超以往技術進步的能力，導致高薪服務業反而成為AI暴露度較高的領域，甚至呈現出薪酬越高則AI暴露度越高的態勢（圖表2、3）。

圖表2：美國職業AI暴露度與薪酬水平

注：該AI暴露度是指某個職業的所有任務，平均被企業實際部署的AI應用替代的比例。該圖使用美國2014-2023年的Revelio Labs簡歷與招聘數據，以及美國勞工部O*NET職業任務數據庫進行估算。
資料來源：Hampole等（2025）[21]，中金研究院

圖表3：中國職業AI暴露度與薪酬水平

注：橫軸為中國城鎮非私營單位分行業按2024年平均工資由低到高排序的百分位（0-100）；縱軸為劉行等（2025）基于2024年中國在線招聘大數據測算的各行業AI暴露度。

資料來源：國家統計局，劉行等（2025）[22]，中金研究院

背后是大模型技術進步帶來的Tokenization。從技術層面看，Token是大模型能夠識別和處理的最小計算單元，Tokenization則是將高度非標準化的知識與信息，拆解為一系列可被大模型統一計量和處理的標準化單元。該技術實現了以往歷次科技革命前所未有的重大突破，即是將知識的學習、整合與應用這一傳統上高度非標準化的技能，轉化為可由機器提供的標準化技能，極大提升了機器自動化執行復雜非常規任務的潛力。

圖表4：大模型出現前后各類工作的自動化潛力對比

注：圖中數值為2023年中等預測情景下（即基于2023年生成式AI的能力表現，排除最激進和最保守的極端預測后，所推演出的最符合一般現實發展軌跡的中位數評估結果）的技術自動化潛力，即在各類具體工作活動所耗費的總工作時間中，理論上能夠被技術自動化的時間比例。
資料來源：McKinsey Global Institute（2023）[23]，中金研究院

對大模型出現前后同一任務自動化潛力的研究表明，此前最依賴隱性判斷、最難被機器執行的非常規智力任務（如應用專業知識、管理與培養人才），自動化潛力出現了最顯著的躍升[24]（圖表4）。更為關鍵的是，一旦原本高度依賴個體經驗、知識積累的高階認知技能被標準化，大模型便能將其轉化為可描述、可調用、可嵌入流程的技能模塊，從而實現認知技能與個體人力資本的解綁，轉而由模型、算力進行規模化供給。這改變了非常規智力任務在多工序投入產出過程中的協同方式，提高了生產環節的可分離性，使同一模型能力能夠在寫作、檢索、編程、客服等不同場景中被重復調用，從而降低了應用開發、流程銜接和質量控制中的協調成本。

簡言之，大模型通過標準化提升了認知技能的生產效率，進一步促進了分工深化，是AI能夠實現規模經濟的重要基礎之一。這與大模型性能的規模報酬遞減形成了鮮明對照。眾所周知，大模型性能在技術上遵循著規模定律（Scaling Law），即伴隨著算力、數據等要素投入的增加，模型性能提升幅度邊際遞減。但這不妨礙大模型在經濟層面的應用具有規模經濟效應。大模型訓練在算力、算法、數據等方面的高額前期投入，在模型能力形成后，可通過API、軟件等形式在各類應用場景中大規模復用，因而前期成本有望隨使用規模擴大而攤薄。

更重要的是，大模型實現了認知技能的標準化生產，大幅降低了運用認知技能的門檻，能夠滿足原來因認知技能供給規模不經濟，而未得到滿足的任務需求，擴大市場規模。這會反過來進一步促進分工深化，再疊加單位認知成本的下降，進而能夠在經濟層面實現規模報酬遞增。總之，AI在性能上的規模報酬遞減，與經濟上的規模報酬遞增并不矛盾，關鍵在于大模型通過標準化提升了認知技能的生產效率。

但需強調的是，AI在應用層面的規模經濟并不意味著AI應用的邊際成本為零。當前，每一次推理仍然會產生大量算力、電力等可變成本，復雜任務甚至還需要進行多輪調用和人工復核，可變成本相當可觀。這與傳統數字經濟的邊際成本幾乎為零形成了很大區別。當然，由于算法優化、硬件進步和市場競爭等因素，同等能力基準下的單位推理價格有望持續下降[25]。如圖表5所示，從2022年11月到2024年10月，達到GPT-3.5水平的推理價格從每百萬token約20美元降至0.07美元，兩年間降幅高達99.65%[26]。從蒸汽機、電力等重大技術革命的演變歷史來看，似乎也沒有理由認為大模型的可變成本下降趨勢已經終止。

圖表5：實現不同AI能力基準的推理成本持續下降

注：四條曲線分別追蹤了在四類基準測試中，獲取特定水平AI能力所需的最低推理邊際成本。縱軸采用對數刻度，直觀反映了同等AI能力輸出的價格隨時間推移呈指數級衰減的趨勢。
資料來源：Stanford University HAI（2025），中金研究院

但至少是在當下，可變成本約束已經成為AI應用部署中越發不容忽視的問題，即便是積極押注于AI技術的企業也開始不得不致力于控制AI的使用成本。例如，由于一些軟件工程師每周經常消耗數千美元的token，特斯拉要求員工從2026年7月6日起將AI工具支出限制在每人每周200美元以內，超出額度需獲得批準。不只是特斯拉，優步在2026年4月便耗盡了其全年的AI預算，并將員工每月AI支出上限設定為1500美元；Meta、亞馬遜和沃爾瑪也都引入了AI支出上限，并引導員工使用更便宜的模型[27]。

總之，大模型雖然有潛力通過認知技能標準化來實現規模報酬遞增，但這種潛力依然受到可變成本的約束。或者說，AI重構分工所帶來的效率增進，將是一個受制于可變成本下降速度的漸進過程，這決定了高階認知技能稀缺性的弱化速度，也意味著大模型對勞動的替代不會像部分技術狂熱者認為的那樣迅速。

三、創造性破壞：現有職業重構的比較優勢，與新職業演化的規模經濟

即便不考慮可變成本約束問題，以大模型為代表的新一輪AI技術進步對于分工的重構，也并不能用賦能或替代的簡單二選一來概括。從比較優勢角度看，二選一的簡單思維多因忽略技能與任務的供求匹配這一分工本質。以替代論的支持者為例，大多著眼于任務層面，主要關注AI能否獨立勝任一項項具體任務。最具代表性的是前述OpenAI開展的GDPval測試，它覆蓋對美國GDP貢獻超過5%的前9個行業、44個職業以及對應的1320項子任務，用來衡量全球頂尖大模型能否勝任“真實世界中具經濟價值的知識工作任務”，并將大模型在上述任務中的表現與人類專家的表現進行量化對比。

如圖表6所示，OpenAI于2025年12月針對GPT-5.2、Claude Opus 4.5、Gemini 3 Pro等模型的研究表明，在千余項任務中，大模型達到或超越人類專家水平的概率已從2025年中期的不足50%升至約71%；在44個職業中，大模型的表現已經在其中的29個職業中超越了人類專家，在編輯這個職業上的勝率更是高達93%[28]。這似乎可以解釋為何科技狂熱者通常也是替代論的堅定支持者。

圖表6：OpenAI的研究認為：大模型勝任真實任務的能力快速提升，在多數測試職業中達到或超越人類專家

注：數據截至2025年12月。
資料來源：OpenAI

但是，簡單依據GDPval這類任務視角的分析就斷言AI將大規模替代勞動者，是不符合比較優勢邏輯的。在“技能—任務”分析框架下，分工是多技能復合的勞動者基于比較優勢，與多任務復合的職業進行匹配的結果，不僅涉及勞動者與職業的匹配，也涉及到職業內部勞動者與機器在不同任務上的分配（圖表7）。這樣有助于更清晰地識別技術進步彌補了勞動者哪些技能短板，或者超越了勞動者的哪些技能，進而分析職業內部的任務在勞動者和機器之間的重新分配趨勢，從而更有邏輯地判斷技術進步究竟是在賦能人還是替代人。

圖表7：職業、任務與技能的關系

注：O*NET將職業劃分為1016個（并歸類為23個大類），將任務劃分為19530項，將技能劃分為35項；Althoff & Reichardt（2026）根據O*NET的35類技能進一步歸納的5大類。
資料來源：Althoff & Reichardt（2026），Autor等（2003），O*NET[29]，中金研究院

（一）現有職業重構：AI超越核心技能，還是邊緣技能？

以信息技術革命對于分析師的影響為例。分析師這個職業至少包含數據收集、計算與分析、報告寫作以及路演交流等多項任務。如果沒有筆記本電腦的存在，分析師自己的技能也完全能夠勝任這些任務的需要。但在電腦進行繁雜數據計算的能力超越了分析師后，分析師不用再親自執行計算任務，而是可以將自己的技能更多專注于數據分析、報告寫作與路演交流等電腦無法勝任的任務上。

在這個例子中，信息技術進步顯著超越了分析師的計算能力，但這個職業所需要完成的任務集合沒有發生根本變化，只是各任務在勞動者與機器之間的分配格局出現了重構，使得分析師不必再投入大量時間用于基礎認知技能（如數據計算）的培養，轉而可以將時間專注于高階認知技能（如數據分析、報告寫作）與社交技能的打磨與運用。勞動經濟學將這種現象稱為職業重構（Job Transformation），會促使勞動者技能進一步專注于少數機器無法超越的規模不經濟領域，從而推動勞動者技能進一步趨向專業化與生產力提升。

需要說明的是，職業重構帶來效率提升的同時，究竟表現為對勞動者的替代還是賦能，取決于技術進步超越的是勞動者的核心技能還是邊緣技能。如果技術進步導致機器對勞動者技能的超越，是發生在核心技能方面，也即職業核心任務所需要的技能方面，那么職業重構將打破原有分工模式，導致勞動者原有的就業機會流失，此時技術進步在職業分工層面體現為對勞動者的替代效應。這個視角也可以部分解釋美國在信息科技革命期間出現的中產塌陷問題。

如果是勞動者的邊緣技能被機器超越，意味著勞動者可以將更多時間用于提升職業所需的、機器無法超越的核心技能，由此提升勞動者的回報，此時在職業分工層面體現為技術進步對勞動者的賦能。這一邏輯可以在一定程度上解釋，為何信息科技革命在導致美國出現中產塌陷的同時，美國低薪服務業與高薪服務業的報酬增速更快些[30][31]。究其根本，這兩類職業的核心技能均是大模型之前的技術進步所無法超越的。如前述，低薪服務業依賴難以自動化的手工與社交技能；高薪服務業的核心技能則是那些難以標準化且供給約束較為剛性的高階認知技能，高度依賴勞動者對于知識的學習與運用，長期的教育是掌握知識、提升高階認知技能的必經之路。

伴隨著大模型滲透率持續提升，不同技能的供求格局發生顯著變化，導致不同技能的回報率也出現持續分化。如圖表8所示，社交技能的回報率上升（如具備較強談判或公開演講技能的勞動者可能將從中受益），設備操作、校準維護、精密測量等技術工種所依賴的非常規體力技能的回報率也在上升，反而是以數據分析為代表的認知技能的回報率趨于下降[31]，背后原因正是在于大模型實現了認知技能的標準化生產，有效削弱了高階認知技能供給的稀缺性。

圖表8：大模型出現前后不同類型技能回報率的變化

注：縱軸為一單位標準差的技能水平提升對應的對數工資回報率；橫軸以2000年為界對應美國常規偏向型技術變革的歷史分期，也與主流技能回報研究的樣本劃分保持一致。
資料來源：Freund & Mann（2026），中金研究院

這不但會導致認知技能的回報率下降，也會導致原本因認知技能供給規模不經濟而享受了高薪的崗位受到較大影響。如圖表9所示，美國22-25歲軟件開發者的就業人數，從2022年10月（ChatGPT發布前夕）的峰值到2025年9月下降了近20%[32]。但有意思的是，年齡較大的軟件開發者就業人數卻呈現上升趨勢，而且大致呈現出年齡越大、增量越顯著的特征。這與歷史經驗形成鮮明反差：在大模型出現之前，軟件開發行業面臨的通常是“中年焦慮”問題，也即40歲以上的資深從業者失業風險增加，容易被更為年富力強且薪酬要求更低的年輕人取代。在軟件開發者這一職業依舊存在，且職業核心任務需求變化不大的情況下，為何該職業的年齡結構會發生如此大的變化？可能還是要結合著“技能—任務”這一比較優勢視角的分析框架來理解。

圖表9：美國軟件開發者分年齡段全職就業人數變化

注：基于美國最大薪資處理服務商ADP的企業薪資數據庫。樣本為2021年1月至2025年9月連續在庫企業的全職員工，每月有效樣本量350-500萬人。將各年齡組2022年10月（ChatGPT發布前1個月）的就業人數設為基準1進行歸一化處理。
資料來源：Brynjolfsson等（2025）[33]，中金研究院

軟件開發者這一職業的核心任務并非僅僅是編寫代碼，而是涵蓋需求分析、系統設計、編程實現、測試驗證以及與團隊和客戶的溝通協調等一系列任務。這些任務所需的核心技能，也不是單純編程能力可以覆蓋的，而是一組認知與社交技能的組合，其中，批判性思維、主動學習、系統分析、復雜問題求解等高階認知技能居于主導地位[34]。如前述，這些高階認知技能的背后是勞動者對于知識的學習與運用能力。這種能力在勞動經濟學文獻中通常被稱為基礎技能（basic skills）[35]，教育學、心理學等非經濟學領域的文獻時常稱之為元技能（meta-skills）[36]。元技能的措辭或因更具科技感，而在科技圈尤其是大型科技企業中常被使用。

但無論是元技能還是基礎技能的措辭，核心內涵基本一致，即支撐勞動者習得各類應用技能的底層能力，也是勞動者靈活遷移與組合應用技能，以滿足各項具體任務需求的根本基礎。考慮到本文是在經濟學視角下進行的分析，因此下文采用基礎技能的經濟學措辭，而非元技能。以軟件開發者為例，無論是編程還是需求分析、系統設計，都需要從業者具備較強的分析與判斷能力，這有賴于學習并靈活運用知識這一基礎技能。但知識并非同質化的：一類知識是已經蘊含在數據中或可被結構化表達的，可以將其稱為顯性知識；還有一類知識是植根于個體經驗、難以編碼傳遞的，可以將其稱為隱性知識。資深軟件開發者在長期項目實踐中積累起來的私有經驗，例如對特定業務場景下系統架構權衡的直覺、對代碼可維護性陷阱的預判等，即是一種典型的隱性知識。

大模型之所以能夠在一些非常規任務上超越勞動者，核心原因在于其對顯性知識的學習與運用能力，在很多方面已經超越了人類。這一沖擊在軟件開發者的任務譜系中并非均勻分布。其中，編寫代碼、基于通用模式的常規分析等任務所需的技能，高度依賴可被結構化表達的顯性知識，正是大模型最容易勝任的部分；而需求分析中對業務邏輯的深度理解、系統設計中的架構權衡、復雜工程問題的診斷與跨團隊協調等任務所需的技能，則更多依賴隱性知識。因此，對于主要在學校教育中掌握了顯性知識、尚未積累足夠隱性知識的年輕求職者而言，他們初涉職場時承擔的恰恰是顯性知識密集型任務，因而面臨著大模型較強的替代壓力。但在當前技術階段，大模型很難學習到以勞動者私有經驗形式存在的隱性知識，而隱性知識的積累通常又和工作年限正相關。

這或許可以解釋為什么在大模型出現后，原本面臨中年焦慮問題的資深軟件開發者，反而呈現出年齡越大、需求越旺盛的現象。不過，顯性知識與隱性知識之間的界限并非不可逾越，當下的很多顯性知識正是由隱性知識轉化而來。更重要的是，為了盡可能提高AI對于生產力的提升作用，企業有充足動力通過各種方式將員工的隱性知識顯性化。

圖表10：AI通過降低技能門檻來賦能人

注：考察的時間為2022年（ChatGPT發布后）至2025年。
資料來源：Althoff & Reichardt（2026），中金研究院

例如，Meta曾于2026年4月被曝出正在美國本土員工的辦公電腦上部署追蹤軟件，用于記錄鼠標、鍵盤輸入信息以及部分屏幕內容等，以訓練AI模型[37]。因此，AI的職業重構效應在同一職業內部造成的不同勞動群體分化，未來會如何演變將取決于企業把勞動者隱性知識轉化為顯性知識的速度和程度。伴隨著顯性知識的持續積累，AI通過學習和運用顯性知識進而實現認知技能標準化供給的能力將有望提升，除了會持續改變不同技能的相對回報率之外，也會改變不同技能稟賦勞動者的相對生產率。如圖表10所示，Althoff & Reichardt（2026）將勞動者技能劃分為手工（Manual）、數學（Math）、社交（Social）、技術（Technical）、語言（Verbal）等五項基本技能（Basic skills），并將AI對于勞動者基礎技能的賦能作用拆分為降低技能門檻的簡化效應（Simplification）和提升勞動者生產能力的增強效應（Augmentation）兩個維度，將AI對勞動者基礎技能的替代作用界定為自動化效應（Automation）。基于美國勞動力市場數據的實證分析表明，AI對于勞動者五項基礎技能的影響均主要體現為降低技能準入門檻的簡化效應[38]。

圖表11：與高技能勞動者相比，AI對于低技能勞動者的生產率提升效果更顯著

資料來源：Brynjolfsson等（2025），Dell’Acqua等（2026），Cui等（2025），Hoffmann等（2025）[39]，中金研究院

這種簡化效應之于勞動者相對生產率的含義，即是高、低技能稟賦勞動者生產率之間的差異收窄，產生所謂的“勞動者平權”效應。實證數據也印證了這一點。如圖表11所示，無論是在低薪還是高薪服務業，低技能勞動者的生產率提升效果，均顯著高于同一職業內部的高技能勞動者。這看似是AI賦能而非替代勞動者的又一例證，但事實沒有那么簡單。因為如果某一職業的崗位需求沒有增加，那么AI對于低技能勞動者的賦能作用會導致該職業的平均薪酬水平被壓低。更重要的是，美國放射科醫生的案例表明，即便職業的崗位需求是增加的，AI賦能依然有可能抑制勞動者薪酬的增長。

如前述，辛頓早在2016年就發出了美國要“停止培養放射科醫生”的警告。此后，放射科相關產品確實占到了美國食品藥品監督管理局批準的所有臨床AI工具的75%以上，約三分之二的美國放射科科室表示在使用AI[40]。這體現了辛頓作為“深度學習之父”在科技方面的預見性，但AI對于就業的經濟影響，卻與辛頓的預判大相徑庭。美國放射科醫生的崗位數量非但沒有減少，反而出現了大幅擴張。在2016年至2024年間，放射科醫生的總就業人數增長了23.2%，同期美國整體就業增幅僅為9.8%。背后很重要的原因正是AI賦能勞動者的簡化效應，使得原本技能達不到門檻的勞動者得以進入該行業，進而增加了整體的勞動供給，滿足大量原本因勞動供給不足而未得到滿足的需求。雖然市場規模顯著擴張了，但放射科醫生薪酬增長動力卻受到了抑制。2016-2024年間美國放射科醫生的平均薪酬增長約為30%，低于同期平均薪酬約37%的增長幅度[41]。

來自中國的實證證據進一步印證了“AI賦能主要通過增加勞動供給發揮作用”。基于中國一家頭部外賣平臺2021-2023年數據的研究發現，在一項僅面向聽障騎手開放的AI工具（“智能外呼”，將文字轉為自然語音以輔助其與顧客溝通）[42]于2022年中上線后，顯著提升了聽障騎手的勞動供給，每周在線工作時長增加約10.6%、離職率下降約21%，并吸引了更多聽障者進入平臺。與此同時，單位時間報酬（小時工資）僅小幅上升約3.6%（圖表12）。也就是說，聽障騎手約11%的周收入增長，主要來自工時的增加而非小時工資的提升。

圖表12：AI工具對中國聽障騎手勞動供給及收入的影響

注：圖為DID估計結果，反映引入AI工具后，聽障騎手相較于非聽障騎手在各項指標上的百分比變化。
資料來源：Chen等（2026），中金研究院

（二）AI創造新職業：基于規模經濟視角的分析

綜上，從職業重構角度看，以大模型為代表的新一輪AI技術進步，對于勞動者究竟是賦能還是替代，難以一概而論，關鍵取決于AI所超越的是核心技能還是邊緣技能。即便是在同一職業內部，由于勞動者的技能稟賦不同，AI對于勞動者究竟產生賦能還是替代作用，也需要具體問題具體分析。

需要說明的是，大模型作為一種創造性破壞力量，對于分工的影響不僅體現為既有崗位的職業重構，也體現為新職業的創造。早在2019年，“人工智能工程技術人員”便已被列為新職業，這是由底層大模型及算法的開發需求催生的。官方將其定義為從事人工智能相關算法、深度學習等技術的分析、研究、開發，并對人工智能系統進行設計、優化、運維、管理和應用的工程技術人員[43]。大模型的訓練與對齊需求也催生了“人工智能訓練師”這一大類職業，其下屬工種包括服務于模型效果驗證和優化反饋的“人工智能算法測試員”,以及服務于機器學習和大模型訓練的數據生產環節的“數據標注員”[44]。以數據標注員為例，其工作內容早已跳出傳統簡單錄入的范疇，成為大模型產業鏈中不可或缺的基礎支撐。2025年，國家發改委等部門明確發文促進數據標注產業高質量發展，將數據標注產業界定為對數據篩選、清洗、分類、注釋、標記和質量檢驗等加工處理的新興產業[45]。龐大的產業需求創造了大量就業。據報道，2024年底中國從事數據標注行業的人群總數已超1000萬[46]。

在國際前沿領域，圍繞大模型和智能體的新職業也在加速形成。Microsoft 2025 Work Trend Index顯示，企業正在考慮招聘AI訓練師（AI trainers）、數據專員（data specialists）、智能體專員（AI agent specialists）、人工智能戰略師（AI strategists）等AI專門崗位；其中，32%的管理者計劃在未來12—18個月招聘智能體專員，用于設計、開發和優化智能體[47]。 這表明，隨著AI從單一工具演化為可執行現實任務的智能體，新的職業分工也在從底層的訓練模型，延伸到應用層的設計、編排、管理智能體等領域。

如何理解新職業創造的經濟邏輯？從分工是指技能與任務基于比較優勢的匹配角度看，可以將新職業的創造也視為一種廣義的職業重構，因為新職業通常并非憑空出現，而是沿著可辨認的方向從現有職業中演化出來。一種可能的來源是伴隨著AI滲透率的提升，在現有職業內部產生出了因AI應用而來的新任務。圖表13對11類現有職業中因AI應用所產生的新任務進行了分析：約42%與內容生成相關（含AI構思、內容起草與數據洞察）；約35%是監督與審查（質量審核、倫理與合規）；約26%是AI整合（把AI嵌入既有工作流，在IT支持與軟件開發者中占比最高）[48]。

圖表13：在11個受AI影響較大的職業中，AI帶來的新任務的結構構成

注：AI構思指利用人工智能生成或擴展創意想法，如概念、策略或解決方案；AI內容起草指使用AI工具撰寫文本或媒體的初稿；AI質量審核指對AI生成內容進行準確性、清晰度和相關性的審查與修正；AI數據洞察指利用AI分析數據或文檔，提取關鍵模式或見解；AI整合指將AI融入工作流程以自動化或優化任務；AI倫理與合規指確保AI應用符合倫理、法律及組織標準。
資料來源：Humlum & Vestergaard（2026）[49]，中金研究院

根據前述市場規模擴大促進分工深化的規模經濟邏輯，一旦這些新任務的市場規模達到一定程度，便有可能從現有職業中獨立出來演化為一種新職業。以分析師為例，隨著AI被廣泛用于起草報告與處理數據，由AI幻覺引發的合規與質量風險也隨之上升（如內容無誤但日期不對等隱蔽錯誤），會產生對AI生成內容進行質量審核與事實檢驗的新任務。AI在分析師職業中的滲透率越高，這種質量審核與事實檢驗的新任務需求量就會越多。新任務的需求量一旦擴大到某個程度，規模經濟的邏輯意味著這些新任務有望從分析師崗位中剝離出來，成為一種高頻、專門的獨立任務，并吸引在審核檢驗而非分析方面具有技能比較優勢的勞動者與之匹配，由此演化出“AI產出審查員”等全新的職業分工。

四、交易成本下降：從零工經濟到“一人公司”

從上述新職業產生的規模經濟視角看，近期廣受關注的“一人公司”現象，與其說是一種新的職業，不如說是一種新的產業組織形態。基于新制度經濟學的分析框架，企業之所以存在，并非因為市場機制無效，而是因為市場組織本身需要成本。科斯指出，市場交易并非免費，搜尋、談判、簽約、監督和執行等都會產生成本，企業通過內部權威協調替代一系列分散的市場契約，正是為了節約這些使用市場機制的交易成本。因此，企業的邊界取決于一個權衡：企業會不斷將交易內部化，直到在企業內部多組織一項活動的邊際成本，恰好等于經由市場或另一家企業完成同一活動的成本[50]。

圖表14：數字平臺帶來零工經濟的“回歸”

資料來源：中金研究院

交易成本的邏輯可以很好地解釋數字經濟時代的零工經濟現象。以出租車市場為例，在沒有數字技術支持的場景下，打車人和司機之間的交易意愿可能會因為雙方信息不對稱而受到顯著抑制，例如打車人可能會因為擔心司機的背景而不敢乘車。這個時候組建出租汽車公司，并以出租汽車公司的信用為出租車司機進行“信用增進”，能夠有效克服信息不對稱下使用市場機制的高成本，促成交易的發生。在數字經濟時代，數字技術顯著降低了交易雙方信用數據生產、傳輸、識別、跟蹤等方面的成本。從新制度經濟學的角度看，這意味著市場機制在出租車行業中的使用成本大幅下降，以傳統出租車企的方式來組織供給的必要性下降，最終導致傳統企業的邊界縮小，零工經濟模式“回歸”出租車市場（圖表14）。

大模型作為數字技術最新進展，隨之而來的“一人公司”現象與數字經濟時代的“零工經濟”模式有異曲同工之處。在大模型出現前，稀缺的高階認知技能與勞動者個體的人力資本深度綁定，導致其供給高度非標準化，供需雙方存在嚴重的信息不對稱，市場機制無法給予及時、有效且低成本的標準化定價。因此，如果企業每次生產都臨時從市場上采購所需的高階認知技能，不僅需要付出高昂的搜尋成本來識別具備相應技能的勞動者，而且為隱藏在勞動者人力資本中的非標準技能進行準確定價，也要付出較高的談判成本。這意味著，此時使用市場機制的交易成本高于企業內部的協調成本，企業的理性決策是直接雇傭這些掌握高階認知技能的勞動者，以節約市場交易成本。

大模型實現了知識學習與使用的標準化，不但可以通過資本化來削弱高階認知技能的稀缺性，也使得認知技能的供給與定價具備了標準化、透明化的可能，大幅降低了企業通過市場機制購買高階認知技能的交易成本，導致企業雇傭相關勞動者的必要性下降，造成了傳統企業邊界收縮的壓力，為一人公司的大量出現奠定了基礎。從這個角度看，一人公司現象并不能簡單冠以“通才”回歸，也不是誕生了一種類似于前述“AI產出審查員”的新職業，而是因大模型降低了市場交易成本，促成的產業組織新形態，使得個人或少數幾個人可以通過市場機制便捷地從經濟中獲取各類認知技能的標準化供給，來完成以前只有較大規模企業才能完成的生產任務。

“一人公司”與零工經濟的相似之處不僅在于傳統企業邊界的收窄，也有新型企業規模的持續擴大，呈現出典型的內部規模經濟效應。所謂內部規模經濟是指單個企業研發、設備、數據等固定成本投入隨產量攤薄，呈現出單一企業規模越大、平均成本越低的特點。在零工經濟中，數字技術是造成傳統企業邊界收縮的根本力量，而數字平臺正是具有強大內部規模經濟效應的新型企業代表（圖表14）。類似地，支撐“一人公司”蓬勃發展的基礎，也是新型企業規模的持續擴大，既有OpenAI、Anthropic等專門從事大模型研發與應用的AI原生企業，也有谷歌、字節、阿里等因大模型進一步增強網絡效應而向AI轉型的平臺企業。這些企業均能通過強大的內部規模經濟，為一人公司提供標準化的認知技能供給等服務，并在此基礎上促成一人公司賴以生存的、具有外部規模經濟效應的大模型生態。

所謂外部規模經濟是指整個生態中的參與者越多，可以通過網絡效應、知識外溢與共享基礎設施等方式，使每個參與者都能享受到更低的供給成本或者更高的產出收益，從而使整個生態呈現出規模經濟效應。在零工經濟中，勞動者借助具有內部規模經濟效應的平臺企業可以服務海量的消費者，平臺接入的勞動者與消費者數量越多，則供求匹配效率越高、單位服務成本越低，由此形成了具有高度外部規模經濟性的互聯網經濟生態。

在本輪AI浪潮中，“一人公司”的蓬勃發展，也受益于建構在大模型企業之上的大模型生態。在這個生態下，“一人公司”無需承擔高昂的底層大模型研發成本，便可依托API、云服務、智能工具等，低成本共享整個大模型生態的外部規模經濟紅利。字節跳動旗下大模型即夢AI，聯合抖音于2025年11月推出“即夢AI青年導演合作計劃”[51]便是一個典型案例。該計劃為青年導演提供技術工具、現金資助和流量扶持，支持他們完成AI短片。過去需要龐大專業團隊、高預算和復雜后期流程才能完成的特效影像創作，如今個人或小團隊即可以低成本完成接近電影質感的作品產出。

當然，這并不是說一人公司目前就已經完全顛覆了影視等傳統行業的產業組織模式，而是說大模型企業可以通過強大的內部規模經濟，持續投入并構建基礎設施，進而孕育“一人公司”賴以生存的外部規模經濟生態。開源模型社區有望進一步強化大模型生態的外部規模經濟效應，可以有效促進模型權重、源代碼、工程方案、產品創意等知識的溢出，使創新的正外部性突破地理限制在全球范圍內擴散，顯著降低生態參與者的重復研發成本與創新試錯門檻。2026年一度火爆的OpenClaw即是這方面的典型例證。

需要強調的是，在大模型生態中，大模型企業并非單向為一人公司的發展做貢獻，生態的外部規模經濟效應也在持續強化大模型企業的內部規模經濟效應。一方面，大模型性能遵循規模定律，前期訓練與研發具有極高的固定成本。大模型生態中的用戶數量越多，分攤到每個用戶的平均固定成本就越低，進而能夠激勵大模型企業持續投入更大規模的算力等資源來提升模型性能。另一方面，在公開數據集日益枯竭的背景下，生態中的用戶數量越多，能夠產生的高價值私有交互數據規模就越大，這部分數據是大模型與智能體持續迭代優化的核心資源之一。

總之，在大模型生態下，一人公司的變小與大模型企業的擴大并不矛盾，而是相輔相成的，體現了內、外規模經濟互相促進的特點：一方面大模型企業的規模持續擴大，通過內部規模經濟效應提供標準化的認知技能供給；另一方面，認知技能標準化顯著降低了市場化采購認知技能的交易成本，有效削弱了高階認知技能的稀缺性，促進了傳統企業邊界的收縮，形成了一人公司的產業組織新模式。

五、思考與啟示：規模經濟下的生產關系挑戰

綜上，本文從認知技能標準化出發，探討了以大模型為代表的新一輪AI技術，如何改變人機任務邊界、重塑分工結構的規模經濟邏輯。毋庸置疑，內、外部規模經濟相互促進有望顯著提升生產力，但對于本文開篇提到的爭論而言，也即AI技術進步對于勞動者究竟是賦能還是替代，難以一概而論，核心取決于技術進步究竟是在超越勞動者的核心技能還是邊緣技能。當然，技術派也可以用未來的AI技術進步將超越勞動者核心技能、邊緣技能等所有技能的觀點來為辛頓辯護，但這依舊不構成AI將全面替代人類勞動者的理由。暫且不論在人類智能的形成機制尚未得到破解的前提下，就斷言人工智能將會全面超越人類智能是否過于輕率，即便僅從經濟學的角度看，全面替代論也難以成立。

辛頓在強調AI替代勞動者時經常使用的經濟論據是，大企業之所以投入巨資發展AI，核心回報來源就在于替代人力成本，即“要賺錢，就得替代人類勞動力”[52]。但問題是，AI尤其是大模型的訓練與使用也并非沒有成本。如前所述，可變成本約束已經成為AI應用中不容忽視的現實挑戰。事實上，即便未來人工智能的成本大幅下降，兩類具備技能替代關系的智能主體之間展開競爭，也會壓低人類智能的相對價格，因此即便人工智能在技能層面實現對人類智能的全面超越，人類勞動者仍可能因成本比較優勢而保留相應的就業崗位。

更重要的是，美國放射科醫生的案例表明，不只是AI替代勞動會壓低勞動成本，AI降低職業技能門檻的賦能效應也會壓低整個職業的相對薪酬。因此，這個案例雖然證明辛頓、馬斯克有關AI替代人進而導致大規模失業的悲觀看法不成立，但也表明黃仁勛、阿莫代伊和奧爾特曼的賦能論主張似乎存在過于樂觀的傾向，他們有意無意地忽視了AI通過降低職業技能門檻所產生的賦能作用，會通過增加勞動供給水平抑制勞動者的薪酬增長。

總之，AI技術進步在通過專業化分工與規模經濟帶來生產力提升的同時，對于生產關系的影響或許不能簡單用替代論或者賦能論來概括。或者說，以大模型為核心的新一輪AI技術進步，對于就業數量的影響是不確定的，但對于勞動者報酬的影響是相對確定的，無論是AI超越勞動者核心技能的替代論，還是AI降低職業技能門檻的賦能論，最終結果均是抑制勞動者薪酬增長動力，即AI技術進步下勞動者薪酬增速將低于生產力增速。這或許也可以解釋為什么美聯儲新任主席沃什（Kevin Warsh）相信“AI帶來的生產力浪潮將允許美聯儲在不引發通脹的情況下大幅降息”[53]。

雖然這個判斷的短期適用性值得商榷，但在長期中不無道理。由此而來的問題是分配失衡。考慮到前述勞動者平權效應，也即大模型通過降低技能門檻來縮小不同技能稟賦勞動者之間的生產力差距，意味著勞動者群體內部的分配失衡可能不是大模型技術進步引發的主要分配問題。

圖表15：美國勞動者報酬占國內總收入份額

注：1929-2024年數據來源于BEA（美國經濟分析局），因美國現代國民收入和產品賬戶從1929年開始，因而此前數據官方統計并未覆蓋。19世紀末的數據只能用經濟史學家的重建估算，經典估算來自Budd（1960）和Kuznets（1946），二者估算不同是因為估算口徑的差異。
資料來源：BEA，Kuznets (1946)，Budd (1960)[54]，中金研究院

圖表16：美國家庭財富排在后90%的家庭所擁有的財富占總財富的比例

注：1976-2025年數據來源于Realtime Inequality（該數據庫由Saez、Zucman和Thomas Blanchet共同開發維護，用于實時更新美國收入和財富分配數據），1917-1975年數據來源于Saez & Zucman（2016）。
資料來源：Realtime Inequality，Saez & Zucman（2016）[55]，中金研究院

從經濟史來看，這種由技術進步引發的勞動者薪酬增速低于生產力增速的情況并不罕見，其直接結果是技術進步創造的增量財富（生產力提升紅利）更多流向了資本要素，導致勞動報酬占國民收入份額的下降（即勞資分配格局的惡化，圖表15），勞資分配的持續失衡最終傳導并表現為全社會收入分配差距的持續擴大（圖表16）。簡言之，本輪AI技術進步沖擊生產關系的主要表現，或是財富向少數資本擁有者集中的收入分配差距擴大，而非工薪階層出現持續的大規模失業。

在新一輪技術進步方興未艾的當下，如何未雨綢繆地進行干預？一種角度是從微觀著手，直接限制AI資本擁有者對于傳統就業模式的沖擊。歷史上的紅旗法案大致屬于這種應對思路，希望通過限制汽車速度，來維護馬車夫的就業崗位。歷史實踐表明，這種方式是徒勞無益的。因為職業重構是AI提高生產力的重要機制，無論是賦能還是替代，均意味著原有分工模式無法持續。或者說，技術進步作為一種創造性破壞力量，打破原有分工模式與發揮其創造性，是一體兩面的共生關系，在微觀上限制其破壞作用，也就意味著難以有效發揮其在生產力方面的創造性。考慮到當前的地緣競爭新形勢，通過限制AI技術進步的方式來維護傳統生產關系，更是不合時宜。

既然微觀層面限制創造性破壞發揮作用并不可取，那么沃什提出的降息導向的宏觀政策是否可取？暫且不論在美國通脹高企背景下，沃什是否會因AI的長期弱通脹效應而在當前降息，即便未來AI的弱通脹效應充分兌現后，降息可能也并非最優選擇。AI之所以能夠削弱通脹壓力，很大程度上是因為勞動者薪酬增速低于生產力增速，由此加劇的收入分配差距擴大會壓制總需求。此時如果通過降息，也即壓低市場利率到自然利率的水平來實現供求平衡，會造成銀行負債端存款利息的下降。問題是富裕家庭將財富更多地配置在資本市場，低收入家庭以銀行資產為主要的財富配置方式。這意味著，如果過度依賴壓低銀行負債端成本的方式來干預供求不平衡，則資產價格重估的好處更多被富裕家庭獲得，普通家庭、低收入家庭的資產回報反而會因利率下降而遭受損失。因此，收入分配失衡下的降息可能會起到進一步加劇財富集中度的作用，難免導致資產泡沫過度膨脹，最終以泡沫破裂的危機方式“強制”解決分配結構失衡問題。

從歷史來看，財政政策，尤其是轉移支付類財政支出政策，可能是緩解收入分配差距更有效的宏觀政策。例如，1935年美國推出了《社會保障法案》，著重為失業群體、老弱病殘等弱勢群體提供財政支持，一定程度上促進了此后美國貧困率的下降。更值得關注的是，美國在二戰后到滯脹危機前的這段時間，雖然基尼系數在持續提升，但經過轉移支付等財政支出政策干預后的基尼系數是下降的。由于二戰后的美國所得稅最高檔邊際稅率呈下調趨勢，意味著財政收入端的政策對于這期間收入分配差距的縮小未起到太大的作用。

綜上，為應對AI重構分工所造成的生產關系挑戰，可考慮在利用AI技術進行精準識別的基礎上，著力加大面向中低收入群體的轉移支付力度，以完善中國特色的社會保障制度，進而為AI技術通過創造性破壞來提高生產力筑牢社會安全網。至于具體措施，除了可根據家庭收入水平進行累退性的轉移支付外，還可以從“投資于人”的角度，考慮如下重點惠及中低收入群體的轉移支付措施：①更大力度提升城鄉居民基本養老保險待遇；②考慮到AI對于隱性知識有限的年輕人就業沖擊更大，需重點完善面向年輕人的失業救濟制度；③加大適應AI時代的再就業培訓投入，避免摩擦性失業演變為長期化、永久性失業；④低收入群體的生育意愿更高，加大生育養育支持力度，既有利于改善收入分配格局，也有助于增強未來的供給[56]；⑤降低社保繳費率，（階段性）降低增值稅稅率，有利于更多提升中低收入群體購買力。在供強需弱的當下，轉移支付所需的資金來源可主要考慮通過央行擴表支持增發財政赤字的方式募集。