摘 要：对于提高劳动生产率和民生福祉的目标，人工智能既带来了前所未有的发展机遇，也带来了风险与挑战，只有防范风险和应对挑战，才能抓住科技革命和产业变革的重要机遇。这引申出一个重要命题：如何把人工智能红利转化为民生福祉？人工智能的技术和产业渗透，已经显露出生产率提高的确定性预期，也表现出对就业和收入分配的负面效应。把应对风险挑战同抓住发展机遇有机结合，是破解这个命题的总体思路。一方面，要在破解结构性就业矛盾的同时，防范人工智能可能造成的就业冲击；另一方面，应加大再分配力度，在改善收入分配的同时，实现从人工智能红利到民生福祉的转化。在政策方面，一是要确保人工智能研发和应用各环节对标共享发展理念；二是要从破解结构性就业矛盾入手，防范和应对人工智能就业冲击；三是要增强基本公共服务供给的基础性、普惠性、兜底性，通过再分配分享生产率红利。
蔡 昉，中国社会科学院研究员
本文载于《社会科学》2026年第7期
2026年十四届全国人大四次会议期间，习近平总书记在参加江苏代表团审议时，谈及准确把握新形势下人民群众对美好生活新期待和民生工作新特点，明确提出“积极主动解答如何实现高质量充分就业、如何增加城乡居民收入、如何进一步提升基本公共服务和社会保障水平等课题，探索推进全体人民共同富裕的有效途径”。新形势下人民群众对美好生活新期待和民生工作新特点的一个重要表现，是人工智能赋能的科技革命和产业变革方兴未艾，发展机遇和风险挑战并存。相应地，这也成为“十五五”时期必须积极、有效应对的问题。具体来说，人工智能技术突破和产业渗透，导致相应行业兴衰和就业消长，结构性就业矛盾趋于增强；产业之间和群体之间收入差距有所扩大，妨碍科技进步成果的均等分享；新就业形态的发展和收入分配格局的变化，对基本公共服务和社会保障提出新的制度需求。
基于科技革命和产业变革的性质，以及最迫切最现实的民生诉求，本文尝试回答如何把人工智能的生产率红利转化为民生福祉这一重大命题。首先，我们从讨论人工智能的劳动生产率效应入手，在论证这一效应具有必然性和确定性的同时，揭示伴随劳动生产率提高难免产生的“分式两难”，即就业减少的分母效应和有效需求不足的分子效应同时发生。本文指出，破解该“两难”的出路是保障生产率红利得到均等分享。其次，我们讨论了人工智能对就业和收入分配的影响，通过对就业增减和收入差距变化的经验观察，我们发现通过破解结构性就业矛盾的方式，能够有效应对人工智能对就业和收入分配的冲击。再次，我们从理论和经验两个角度论证，基于基本公共服务均等化供给的再分配，是实现从人工智能红利到民生福祉转化的必由之路。最后，在提炼本文核心结论的基础上，我们提出若干政策建议。
一、人工智能的生产率效应：提高与分享
对人工智能的确定性预期，在很多国家驱动起巨额资本进入相关领域，以致有人担心这或许只是一场泡沫。亚马逊集团创始人杰夫·贝索斯把过热投资区分为产业泡沫和金融泡沫，认为前者是“好的”泡沫，后者是“坏的”泡沫。这说出了许多人心底的想法：金融泡沫破灭后，固然会有很多投资者遭受惨重损失，但由此催生的技术突破和产业变革，将推动实体经济跃上新的高度。这种期望所依托的假设，是人工智能在不远的将来可以大幅度提高劳动生产率。这个判断似乎不证自明——人工智能及其赋能的自动化，既然可以显著减少经济活动过程中的劳动投入，在统计意义上自然也可以取得提高劳动生产率的结果。然而，如果认识和论证的逻辑仅限于此，则不足以支撑对人工智能宏观投资回报率的积极判断，因此对于人工智能提高生产率需要更深入的经济分析。
劳动生产率的提高，通常以单位劳动投入创造的产出增加来衡量，单位劳动产出的增加主要由全要素生产率和资本深化两部分构成，前者的提高要求不断对要素做出更合理配置，后者则体现在资本劳动比的提高上面。在这两个构成因素中，全要素生产率是劳动生产率提升最可持续的源泉，资本深化则常常在特定时期用来填补前者的空缺。如图1所示，全要素生产率和劳动生产率的增长率之间具有显著的相关性，中国经济在高速增长时期都经历过快速提高，并随着人口红利逐渐消失而明显减速。从图中也可以看到，劳动生产率的增长率高于全要素生产率，并具有比后者更小的波幅，在1979—2023年期间，两者的变异系数分别为0.52和0.89。两个指标增长率的差别，通常是由于资本劳动比对劳动生产率产生影响。也就是说，当全要素生产率提高不足以支撑合意的劳动生产率增速时，通过资本深化，即相对劳动力而言投入更多物质资本，可以提高劳动生产率。
图1 中国生产率增长：构成和速度的变化
资料来源：劳动生产率系根据世界银行数据库计算；全要素生产率数据来自“佩恩世界表”，参见Groningen Growth and Development Centre, “Penn World Table”, https://pwt-data-tool.streamlit.app/?page=GA, 2026-05-04。
为了达到提高劳动生产率的目的，资本深化是一个在政策上更加可控的手段。在中国经济得益于人口红利的高速增长时期，劳动生产率的快速增长主要来自劳动力遵循生产率提高方向进行的重新配置效应。随着中国经济跨过刘易斯转折点，这种资源重新配置的空间显著缩窄，相应地，以机器和机器人替代劳动力为主要形式的资本深化，越来越多地作为提高劳动生产率的手段。这种做法固然在统计意义上提高了单位劳动所创造的产出，却不具有可持续性，反而导致资本报酬递减的现象。
资本深化对经济增长的制约效应，可从供给侧与需求侧两个维度加以审视。一方面，由于资本报酬递减，在劳动力短缺条件下过快提高资本劳动比，带来的劳动生产率提高效应也会递减。同时，这也会使投资回报率下降，成为潜在增长率下降的供给侧原因。另一方面，资本劳动比的提高，意味着资本对劳动的替代，这会加剧结构性就业矛盾，进而降低收入增长速度、扩大收入差距，并通过抑制居民消费在需求侧形成对经济增长的制约。资本深化作为提升劳动生产率不可持续的因素，在供需两侧产生的这种效应，可以从国内生产总值（GDP）的资本弹性变化来观察。根据“佩恩世界表”的数据，中国的GDP增长率与资本存量增长率之比（可称为GDP的资本弹性），在1978—1993年期间为1.163，在1994—2007年期间降低为0.884，在2008—2023年期间则进一步降低到0.670。可见，通过资本深化提高劳动生产率的道路已经越走越窄。
人工智能的技术突破与产业渗透，有望以极高的确定性打破劳动生产率面临的僵局。其驱动科技变革、赋能实体经济的强大能力，为这一判断提供了充分依据。我们拟从全要素生产率反映资源配置效率这一性质出发，做出一些独特的讨论。一般来说，要素为取得更有效率的配置而充分流动、不断重新组合，或在要素投入水平不变的前提下努力获得更高产出，这就是全要素生产率提高的途径。这个过程不是“免费午餐”，通常会付出“试错”的代价和“学习”的成本。生产率提高是创新的结果，而创新的机制是创造性破坏，要素重组和资源再配置会带来效率提升，同时也会因难免的错配而付出代价。改进的过程需要时间，因而效率的提升通常会有时滞。所以，通过劳动力大规模转移获得生产率提高，只是特定时期“低垂的果子”，一旦这个时期过后，全要素生产率的进一步提高举步维艰。
人工智能打破资源配置瓶颈的强大能力值得预期。这种颠覆性技术有望减少要素在配置和再配置过程中的资源浪费及时间迟滞，即通过数据的充分性、强大的编程能力和切中问题的精细性，实现以“增材”为特征的产品制造和服务供给，并且显著缩短“干中学”的时长。被称为技术思想家的阿奇姆·阿扎尔以3D打印为例，象征性地揭示了“指数型技术”的革命性。认识这种革命性，可以从两条脉络加以比较：一是从早期人类打磨石器、文艺复兴时期米开朗基罗的雕塑《大卫像》的“减材制造”，到3D打印所代表的“增材制造”；二是从工业时代以金属、塑料铸就的“模具”方法，到信息技术时代的编程，乃至人工智能时代的模型。这位作者也看到“干中学”对于提高生产率的意义，以及从“规模经济”到“学习经济”的转型。根据人工智能的最新发展展望未来，“干中学”的提速将没有上限。
企业内部工艺层面发生的这种革命性变化，完全可以推演至企业间和行业间的要素组合或资源配置。特别是在人工智能技术比此前作为分析基础的“指数型技术”更具革命性的条件下，数据获取代替了实体经济的“实践”，数据分析代替了实物移动，用日益增加的数据训练的模型代替了“干中学”，模型指数般的迭代演进使得资源配置日益精细化，理论与实践之间几乎不再有任何距离。换句话说，通过大幅度减少“试错”造成的物理损失和时间延滞，资源的配置和再配置过程日益成为时滞和失误最小化的“增材”过程，表征资源再配置效率的全要素生产率将获得前所未有的提高。
在确信人工智能提高生产率具有无限可能性的同时，也要冷静地认识到一个与分享生产率相关的难题。归根结底，劳动生产率作为一个用分式表达的指标，会在现实中先天地产生一种两难现象，即劳动生产率的“分式两难”。就其本质而言，这个两难产生于微观行为与宏观结果之间的“合成悖论”。一方面，如果生产率的提高主要表现为分母的缩小（劳动投入的减少），则会产生整体上减少就业的结果；另一方面，在其他条件不变的情况下，如果生产率的提高主要表现为分子的扩大（产出的增加），则会导致产出过剩甚至产能过剩的结果。可见，在人工智能时代，生产率的提高虽然是一个毋庸置疑的事实，但止步于此还不足以让社会均等地从中获益。也就是说，实现生产率红利的充分分享不是自然而然发生的，需要在劳动力市场的初次分配和公共品供给的再分配过程中做出相应的制度安排。
二、人工智能效应：就业冲击和分配结果
以劳动生产率分享破解“分式两难”，要求妥善解决结构性就业矛盾。劳动生产率提高的直接结果是劳动力市场的颠覆性变化，通常表现为任务和岗位替代、职业消失和就业破坏。在就业形态新旧交替的过程中就业质量可能降低，从而加剧结构性就业矛盾。由此可以推断，人工智能的深入渗透，将进一步强化既有的就业矛盾。从趋势来看，人工智能的就业影响可能遵循一个J形曲线，其中短暂下行的就业破坏部分是必然发生的，而长期回升的就业创造部分则需要有方向正确且行之有效的政策保障支持。本文将从这两个部分的机理和结果入手，阐明人工智能如何影响就业。具体来说，我们将从人工智能造成的结果观察短期的就业破坏，从人工智能的特点探索长期的就业创造。
国内外对于招聘数据的分析已经揭示出人工智能对就业的冲击性影响。为了把这种技术性冲击现象与稳定存在的结构性矛盾在逻辑上结合起来，同时能够在宏观数据上展现现状和趋势，我们将着眼于描述城镇整体就业的情况。基于国家统计局数据，我们把“城镇新增就业”作为就业创造的代理指标，把该指标与“城镇净增就业”之差作为就业破坏的代理指标。换句话说，就业创造与就业破坏相互抵消的结果表现为当年净增就业。这样，我们得以用“净增就业”占“新增就业”的比例（就业创造转化率）展示就业破坏和就业创造的相对趋势。总体而言，就业创造转化率在2012年之前为百分之百，在2019年新冠疫情暴发之前下降到70.8%，到了2025年则仅为15.0%，这一趋势清晰地展示了J形曲线短期下行的肇始。
这种技术性冲击造成的短期就业波动，可以看作结构性就业矛盾的强化版。产生这种现象主要是由于技术应用存在不均衡现象、技能供需存在不匹配现象，以及重点就业人群面临特殊困难，因此技术性就业冲击在性质上不同于宏观经济意义上的周期性就业冲击。技术变革天然具有不均衡的性质，人工智能更是如此，由此产生行业间、区域间和市场主体间的生产率差异性表现，以及对就业、工资、劳动者权益和社会保障的差异性影响。在就业岗位的新旧替换过程中，就业形态发生剧烈变化，传统单位就业的比重趋于降低，灵活就业逐渐成为主导形态，并将不断产生更新的就业形态。例如，在全部城镇就业人员中，个体就业、私营企业就业和非单位就业所占比重，从2014年的54.0%大幅度提高到2024年的65.1%，凸显新就业形态普遍化的趋势。此外，一些特定的群体，如没有就业所在地户口的劳动者，以及存在技能缺陷的青年和大龄劳动者，往往面对更多的结构性就业困难，工资报酬和就业质量偏低。
人工智能开发和应用水平存在着巨大的行业间差异，同时，行业间劳动者技能和身份特征也存在着明显的差异，因此就业形态也大不相同。如果说人工智能会不可避免地导致劳动者群体在就业质量和工资水平上分化的话，那么行业间工资的相对变化便集中反映这种影响的行业和群体差异。图2展示了城镇非私营单位就业人员分行业的相对工资，该指标以各行业平均工资与“信息传输、软件和信息技术服务业”（涵盖人工智能相关行业，图中简称“ICT业”）平均工资的比率进行衡量。从中可见，相对于作为基数的人工智能相关行业，包括制造业、金融业和房地产业在内的其他行业平均工资，已经多年处于相对降低的趋势中。整体来看，城镇各行业之间的工资差距也显现出扩大的趋势。例如，在2003—2024年期间，13个非农行业平均工资变异系数，从33.9%显著提高到40.0%。
图2 城镇非私营单位就业人员相对平均工资
资料来源：国家统计局。
以人工智能赋能为特点的新一轮科技革命和产业变革，创造了提高生产率的机遇，也提出了分享生产率的挑战，机遇和挑战都是前所未有的。引发结构性就业矛盾和拉大行业间工资差距，都给改善收入分配造成新的困难。这些因素之间的关系，可以通过观察中国居民收入差距的区域构成来理解。联合国大学发展经济学研究院数据库提供了中国整体及分城乡计算的人均消费基尼系数，这个指标与人均可支配收入基尼系数具有基本相同的特征和趋势，可以作为一个分析的起点。如图3所示，以2009年的峰值为起点，全国和农村的基尼系数明显降低（国家统计局数据显示，城乡收入差距也显著缩小）。与之相反，城镇收入差距出现了一定程度的扩大，这在相当大的程度上是结构性就业矛盾导致的收入分配结果，也成为制约整体收入分配状况改善的因素。人工智能具有引发结构性就业矛盾的作用，并导致收入差距进一步扩大。因此从应对人工智能就业影响出发，缩短冲击期并缓解冲击造成的伤害，尽快迎来就业创造期，是政策的正确方向。
图3 全国及城乡人均消费的基尼系数
资料来源：UNU WIDER, “World Income Inequality Database”, https://doi.org/10.35188/UNU-WIDER/WIID-300622, 2026-05-04。
与常规的技术变革相比，人工智能革命有两个显著的不同，一是极大地提高了技术的颠覆性，创造性破坏的特征更为突出；二是提升了技术进步的速度，从跬步千里变为一日千里。由此带来的就业影响也具有相应的特点，因此对政策应对提出不同的要求。人工智能革命影响就业的第一个特点是，由于技术发明和应用的速度极快，就业冲击来得更为迅猛，以致出现类似经济衰退时的周期性失业现象。然而，这毕竟不是宏观经济周期问题，因而典型的宏观经济政策不会取得预期效果。这一结论可以结合第二个特点来认识，即人工智能技术的先进性十分突出，显著加大了受冲击者的再就业难度。受人工智能冲击的劳动者与长期失业者有一个共同之处，即个人的技能禀赋同新岗位的技能要求差距甚大，因而产生阿兰·克鲁格等人所发现的匹配效率过低的情形。可见，旨在推动产能充分利用的需求刺激手段，对于解决技能不匹配的结构性问题力有不逮。
三、通过再分配实现红利到福祉的转化
以劳动生产率分享破解“分式两难”，还要求对劳动力市场的分配结果进行再分配。全要素生产率的提高意味着在要素投入不变条件下产出的增加，因而要求相应提高居民购买力，才能避免消费制约需求的情形。具体来说，一方面，供给侧与需求侧的充分匹配，可以保障经济增长与潜在增长率相符；另一方面，产出增量通过国内循环被消费，同时意味着科技变革的成果得到分享。可见，生产率红利的分享，也是智能向善的本质要求——达到发展目的与实现手段、社会公平与经济效率的有机统一。经济发展过程中最典型的市场失灵现象，莫过于科技进步带来的生产率红利不能在初次分配阶段得到均等分享。因此，通过政府实现的再分配，注定要成为分享科技成果和生产率红利的必要途径。下面，我们在国际比较的语境下观察中国收入分配状况，讨论实施再分配政策的潜力。
以人均可支配收入基尼系数表示的居民收入差距，在中国经历过起与落的过程。从国家统计局公布的2003年以来的数据看，在2008年以前，基尼系数一直呈现扩大的趋势，从2003年的0.479提高到2008年的0.491。由于劳动力市场变化、“三农”政策以及一系列民生政策的实施，之后收入差距便进入缩小的阶段。基尼系数从2009年开始降低，在2015年达到最低点（0.462）。不过，此后该指标未能进一步降低，在2016—2024年期间一直处于徘徊状态，历年的算术平均值为0.466。在国际比较的语境下认识基尼系数水平，有助于我们进一步明确改善收入分配的任务目标和实施手段。
按照一定的参照标准来看，0.466的基尼系数常态值无疑反映了一个较高的收入差距水平。国际比较常会遇到的问题是，从各国收集的基尼系数数据在口径上缺乏一致性，如很多发展中国家通常只有按照人均消费计算的基尼系数，而这个口径一般要低于按照人均可支配收入计算的基尼系数。即便如此，利用世界银行汇总的数据进行跨国比较，仍然可以得出一些可信的结论，作为认识和评价中国收入差距状况的经验参照（图4）。具体而言，一个国家从中低收入向高收入国家转变的过程也是收入分配改善的过程，按照2015年不变价计算的人均GDP一经超过20000美元，基尼系数通常会显著降至0.4以下。除了几个拉丁美洲国家之外的经济合作与发展组织（OECD）成员国，人均可支配收入的基尼系数全部在0.4以下。中国在2035年基本实现现代化时的人均GDP目标，是以2020年为基期翻一番，大约为21255不变价美元。因此，居民收入分配的改善，也应该朝着把基尼系数降到0.4以下努力。
与此同时，0.466的基尼系数常态值也与OECD国家的人均市场收入基尼系数水平一致。根据最新数据计算，在有数据的31个OECD成员国以及克罗地亚、保加利亚和罗马尼亚三个处在加入过程中的国家，市场收入基尼系数的算术平均值为0.462。然而，这些国家经过再分配之后形成的人均可支配收入基尼系数的算术平均值则降低到0.308，也就是说，再分配降低基尼系数的幅度高达33.3%。这也意味着，中国与这些国家在收入分配均等程度上的差别，恰恰在于再分配力度。在OECD国家，再分配主要采取两种方式：税收和转移支付。前者借助税收的累进性对收入进行再分配，后者则是指以社会保障和福利支出形式实施的政府对居民的支付。
图4 人均GDP与基尼系数的跨国比较资料
来源：世界银行数据库。
“转移支付”这个概念在中西方的含义不尽相同，在中国的语境中，我们可以把再分配界定为税收、社会保障、转移支付三种形式。就这三种再分配形式而言，如果把中国现有的潜力发挥出来，便可以显著改善收入分配，大幅度提高居民福祉。首先，可以增强税收的累进性。根据世界银行2023年数据，个人所得税、企业所得税和资本利得税等三种再分配效果明显的税种占全部税收的比重，中国仅为35.7%，不仅大幅度低于几乎所有OECD国家，也显著低于很多中等收入国家。因此，把这些直接税占比向参照水平提升，有望产生可观的再分配效果。其次，可以提高社会保障的均等化水平。社会保险的覆盖率和给付水平，在人群之间仍然存在着较大的差异。例如，2024年城乡居民养老保险与城镇职工养老保险的领取人数之比为1.22∶1，领取的金额之比则仅为0.08∶1，两类参保人的待遇保障差别过大。最后，可以提高转移支付的效率。应特别着眼于完善财政转移支付体系、优化支付结构、明确功能定位，以增强一般性转移支付对缩小区域间财力差距的调节功能。
通过扩大就业数量、提升就业质量来改善初次分配格局，通过社会保障和基本公共服务进行再分配，是对习近平总书记反复强调的“投资于物”与“投资于人”紧密结合的体现。根据国家统计局资金流量表，我们把非金融交易资金运用中的劳动者报酬、社会保险福利和社会补助作为“投资于人”的项目，把资本形成总额和净金融投资作为“投资于物”的项目（图5）。观察和比较后可以发现，两者的增长相得益彰，而“投资于人”部分增长更为明显，近年来显现出一定的超前性，其占比从2006年的56.9%、2014年的55.1%，提高到2023年的59.4%。然而，鉴于在劳动者报酬以及社会保障和福利支出占GDP比重方面，中国仍然显著低于高收入国家，“投资于人”的比例尚有较大的提升余地。
图5 “投资于物”与“投资于人”的绝对和相对规模资料
来源：国家统计局。
四、结语和政策建议
人工智能带动的科技革命和产业变革，预期将在产业政策和市场竞争共同创造的竞争奖惩机制下，促进资源要素配置和再配置，极大提高全要素生产率和劳动生产率。与此同时，正如以往的科技革命和产业变革一样，人工智能赋能的劳动生产率提高，就其过程和结果而言也会带来“两难”。一方面，减少劳动要素投入会造成就业冲击，引发技术性失业，强化结构性就业矛盾，抑制劳动者报酬和居民收入增长，扩大人群之间的收入差距，从而使生产率红利不能充分转化为民生福祉；另一方面，劳动生产率提高形成的更大产能，在有效需求特别是居民消费不能同步扩大的情况下，会形成供给侧和需求侧的不匹配，从而使经济持续增长面临制约。不过，在人工智能的“双刃剑”性质中，积极的一面恰恰在于，以实现生产率红利的均等分享为核心，正确的政策措施可以破解上述两难，让人工智能真正惠及民生。
如何将人工智能带来的生产率红利转化为全民可感知的福祉增进，涉及的政策议题广泛而具体，我们着眼于三个最具优先级的方向提出政策建议。首先，确保人工智能研发和应用各环节对标共享发展理念。从宏观层面的立法执法、实施产业政策和社会政策，到更具体的保障劳动者权益、提高社会保障覆盖率、强化公共就业服务，以及改善收入分配等举措，都应成为人工智能治理的重要原则，从而推动践行智能向善。其次，从破解结构性就业矛盾入手，防范和应对人工智能就业冲击，特别是着力于加强学校教育、在职培训和终身学习体系建设，培养与人工智能具有互补关系的人力资本，通过人机协作实现人机共赢；通过降低青年劳动者面对的技能门槛，以及大龄劳动者面对的智能鸿沟，消除重点人群面临的技能缺口。最后，增强基本公共服务供给的基础性、普惠性、兜底性，通过再分配分享生产率红利；在现行社会保障项目和劳动力市场制度的基础上，通过降低受益门槛，显著提高受益水平和覆盖率；着手探讨消除最低生活保障与全民基本收入、最低工资与生活工资、城乡居民养老保险与非缴费型养老保险之间的制度屏障，以更多、更好、更普惠的公共品提高人民生活品质。
