蒋 瑛，四川大学经济学院教授、博士生导师，研究方向：世界经济理论与实践。
左佳瑄，四川大学经济学院硕士研究生，研究方向：世界经济。
文章来源：本文发表于《天府新论》2026年第4期，注释从略。
摘要：人工智能技术的飞速发展正推动我国从数字经济迈向智能经济新阶段，将深刻改变社会分层逻辑。在数字经济时代，我国收入分配结构正向橄榄型转型但并不稳定，教育收入溢价持续扩大，常规任务职业面临阶层下滑风险，且区域分层差距依然明显。在智能经济时代，人工智能发展程度和地位发生跃迁，由此衍生出社会分层新态势。贫富分化或将加剧，人机协同能力将超越传统教育与职业分类，成为新型分层标准；同时，市场失灵将国家政策的调节作用推向前所未有的高度。对此，亟须构建智能生产资料的产权创新制度，推动智能基础设施公共供给体系升级，强化算法透明度与反垄断治理举措，并建立人机协同能力的普惠培养体系，以推进社会公平正义与实现共同富裕。
关键词：人工智能 数字经济 智能经济 社会分层
一、问题的提出
人工智能作为引领新一轮科技革命和产业变革的战略性技术，正以前所未有的速度发展迭代。从判别式到生成式，再到具备自主规划与执行能力的智能体，形成了“感知推导—生成创造—行动协作”的跨越式演进。根据斯坦福发布的《2026年人工智能指数报告》，2025年全球企业人工智能投资已经达到5816.9亿美元，生成式人工智能的企业采用率在短短三年内提升至53%，渗透能力十分突出。与此同时，我国积极发布相关政策，加速顶层设计与战略落地。2025年政府工作报告首次提出“人工智能+”行动，要求打造具有国际竞争力的数字产业集群；2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，明确六大重点任务和八类基础能力保障，为人工智能的规模化商业化应用作出了系统指导。而到了2026年，“智能经济新形态”一词被《政府工作报告》正式提出，智能经济成为继农业经济、工业经济、信息经济、数字经济后的新型经济形态。
然而，人工智能不仅带来了经济发展的无限可能，也带来了对资源不平等分配的担忧。现有文献主要从人工智能的就业影响角度来探讨相关问题。总结来看，主要包括替代效应、收入效应（或生产率效应、补偿效应）和创造效应。替代效应表现在人工智能技术凭借比较优势，替代人类劳动力完成原有任务，导致相关岗位需求下降甚至消失的现象。收入效应涵盖两方面：一方面是消费需求的反传导，当企业的经营成本下降时，商品与服务的售价随之降低，通过提高消费者的实际购买力拉动市场需求，并进一步驱动供给侧企业扩大再生产，增加劳动力需求；另一方面是企业的自身激励，即在生产经营成本下降的情况下，企业为追逐利润，内生扩大规模的动力，从而拉动用工需求上升。创造效应则是指人工智能在发展过程中产生新兴岗位需求。从表面上看，三种效应的共同作用似乎并不会引起总就业需求的断崖式下降。但问题在于，不同效应对不同劳动力群体的作用强度截然不同。受制于技术门槛，因替代效应而失业的劳动者几乎不可能跨入创造效应催生的新兴岗位。人工智能的冲击力度越大，对不同群体的冲击不平等程度就会越高，进而导致社会分层波动。
社会分层是一种因社会资源占有差异而形成的社会成员等级化现象，相关研究多从马克思阶级理论和以韦伯为代表的多元分层理论两大视角展开，并基于各自的研究需要衍生出多个划分标准，包括生产资料的占有、财富和收入、职业、文化资源、人力资源等。本文吸收相关理论和研究实践，选取收入结构、教育水平、职业类型和位置区域四个维度分析早期数字经济时代社会分层的基本格局。同时，鉴于智能经济时代相比以往的技术革新，进一步提出智能经济时代社会分层的三大新态势，并总结相应的政策建议，以期为智能经济时代的包容性治理提供理论参照。
二、从数字经济到智能经济：
人工智能的地位跃迁
从字面意义上看，“智能经济”便是建立在机器智能化基础上的社会经济形态。《新基建，新机遇：中国智能经济发展白皮书》将其定义为，以人工智能为核心驱动力，以5G、云计算、大数据、物联网、边缘计算、区块链、混合现实（MR）、量子计算等新一代信息技术和智能技术为支撑，通过智能技术产业化和传统产业智能化，推动生产生活方式和社会治理方式智能化变革的经济形态。后续学者的定义侧重点略有不同，但都指向一个共同观点，即智能经济是以人工智能技术为核心发展而来的。这与数字经济有所差异(见表1)。具体而言，数字经济侧重信息的数字化表达与网络化流通，主要解决信息不对称和交易效率问题；而智能经济则以人工智能的感知、学习与推理能力为中枢，推动整个经济系统的智能化与协同化。
这意味着，人工智能的地位将发生突破性跃迁。这一点从相关文献中也可窥见一二。数字经济阶段的研究主要从数字技术、企业数字化转型和数字经济三个方面展开。人工智能鲜少被重点关注，一般和区块链（Blockchain）、云计算（Cloud Computing）、大数据（Big Data）一起，并称为“ABCD”四大数字技术为人熟知。即使是单独探讨，也往往从自动化，如采用工业机器人应用情况作为代理变量展开测度分析，或从平台经济的角度出发进行论述。生成式人工智能推出后，智能经济态势开始显现。此时，尽管受数据所限，相关定量研究难以展开，但关于其影响的讨论依然如火如荼。从2022年至2025年，中国知网的相关文献发表总数从51篇飞速上涨至6301篇，增长了122.55倍。
与传统的技术创新不同，人工智能技术是一种新型的通用目的技术（General Purpose Technology），具有渗透性、替代性和协同性三大特征。其中，渗透性让其像电力一般广泛嵌入各大领域。截至2025年底，我国重点行业企业关键工序数控化率已达68.6%。人工智能应用覆盖了国民经济绝大多数大类行业，且正在形成智能网联汽车、人工智能制药、具身智能机器人等融合新业态，前景无限。替代性不仅指人工智能对非信息通信技术的资本要素的替代，更表现为对劳动要素的替代。这也是“机器换人”担忧的直接来源。同样地，反映生产过程中要素配合程度的协同性也更多地指代“人机协同”这一全新协作范式。三大特征相互叠加，使人工智能的影响深度与广度远超以往任何单一技术。
2026年1月，中央广播电视总台联合多家机构发布《2026年人工智能十大趋势》报告，对智能经济时代人工智能的未来发展作出预测部署。内容包括AI治理全球化（人工智能普惠共享）、智能算力规模化（关键产业要素供给进一步增强）、应用主流化（AI智能体全面走进场景）、多模态实用化（人工智能核心技术从“专用工具”向“通用智能伙伴”跨越）、原生AI终端硬件普及化（终端硬件从单纯的“工具适配”转向“原生AI设计”）、AI具身智能化（机器人与现实深度交互）、专业领域进一步细分和深化（“AI+科学”在基础学科产出颠覆性成果）、前沿领域交叉融合化（类脑智能与交叉学科加速创新）、能源问题显性化（绿色AI受关注），以及安全与对抗白热化（安全与治理成为AI发展的重要保障）。显然，智能经济时代的人工智能与数字经济时代相比，已不可同日而语。例如，AI智能体并非现在多数生成式人工智能一般的被动聊天工具，而是具备拆解目标、自主规划、调用外部软件和跨系统协同能力的“数字员工”。具身智能也不再是过去需要预设程序、只能在高度结构化环境里重复固定动作的自动化机械，而是具有物理世界感知交互能力的行动主体。
从上述分析可以看出，相比于数字经济时代，智能经济时代人工智能所处的地位不同、应用状态不同、发展程度不同，其对经济社会的影响相应地也会呈现极大差异。故我们在探讨社会分层特点时并不能一概而论。现有的数据资料呈现的只是数字经济时代社会分层的表现，而在智能经济时代，人工智能——包括在当前版本进化基础上的弱人工智能（ANI）以及未来可能出现的强人工智能（AGI）和超人工智能（ASI）——将展现出社会分层的崭新逻辑。
三、数字经济时代的社会分层特点
首先分析数字经济时代的社会分层特点。本文使用的数据源自中国综合社会调查（CGSS）数据库，选取2015年、2017年、2018年、2021年和2023年的公开数据，从收入、教育、职业和所在地区四个维度展开分析。为了确保数据的质量和分析结果的稳健性，本文将失业人员和缺失值剔除，并在1%的水平上进行缩尾处理，最终样本量分别为3356、4072、3982、2116和2952。依据统计结果，数字经济时代的社会分层呈现出收入分配结构仍处于转型期、教育收入溢价不断扩大、常规任务职业具有较大阶层下滑风险，且区域分层差距依然明显的特点。
（一）收入分配结构仍处于转型期
收入是最常用的社会分层指标之一。一般认为，理想的社会分配结构呈橄榄型，特点是中等收入群体占据主体地位，两端群体规模较小。自2002年党的十六大提出“扩大中等收入者比重”后，这便被确立为收入分配领域的长期战略目标。“十五五”规划再次强调了这一点。在群体识别方法上，当前的主流方法可归为绝对标准和相对标准两大类。前者根据满足基本生活所需的收入水平来确定群体范围，如国家统计局认为2018年价格水平下家庭年收入介于10万元至50万元的家庭是中等收入家庭。国内学者多选用后者，通常取收入中位数的50%~150%或75%~200%作为范围区间。从统计意义上看，应当以居民收入的上下四分位数为界限，将中间50%的居民定义为中等收入群体。但在实际情况中，由于收入的最低值为零，而最高值却没有界限，所以现实中的收入分布曲线往往右偏分布。根据李金昌和任志远的研究，将家庭人均收入中位数75%~200%的群体归为中等收入群体更为妥当。
根据统计数据，我国数字经济时代的收入分配结构表现出从金字塔型向橄榄型过渡的中间形态（如图1所示）。中等收入群体已经超过低收入群体成为占比最大的群体，但两者占比差额长期维持在10%以下，2021年和2023年仅分别相差3.35%和2.83%，结构转换尚不稳定。从变动趋势来看，2015年至2018年间，中等收入群体经历了一轮快速扩张，2021年受新冠疫情等外部冲击的影响，分配结构出现一定程度的逆向调整，低收入群体从2018年的32.78%迅速提高到38%以上。从不同收入群体的平均收入水平中（如图2所示），可见明显的收入断层。高收入群体的平均年薪始终高于10万元，而中等收入群体的不到4万元，低收入群体的仅有1万元左右。
综合分析发现，我国收入分配结构的风险仍然较大。一方面，中等收入群体占比正在增加，但面临冲击的抵抗韧性不足，且现有态势很大程度上是大量如网约车和外卖骑手等非标准就业吸纳后的结果，一旦人工智能推进了相关自动化的普及，当前的中等收入群体规模占比很可能难以维持；另一方面，我国高收入群体和中低收入群体的收入差距较大，而人工智能的配置和使用要求较高的资金水平，在此情况下，可能加剧数字鸿沟，扩大贫富差距。
（二）教育收入溢价不断扩大
技能偏向型技术进步理论认为，技术进步会提高对中高技能劳动力的相对需求，导致技能溢价扩大。为了观察数字经济时代不同技能劳动力受到的异质性影响，本文将教育水平划分成四个维度。其中，未受过教育、上过私塾、上过扫盲班和小学毕业的劳动者为基础教育及以下群体，初中、职高、普高、中专和技校毕业的劳动者为中等教育群体，大学专科和本科毕业的为高等教育群体，研究生及以上学历的另归一类。
在数字经济时代，我国就业群体的教育结构呈现升级趋势（如图3所示）。2015年至2023年，基础教育及以下学历就业群体占比从15.45%持续下降至3.66%，中等教育学历群体占比从53.37%降至34.36%，而高等教育学历群体占比则增长27.17%，研究生及以上学历群体占比也实现了翻倍增长。特别是2023年，高等教育学历就业群体占比首次超过50%，标志着我国劳动力市场正式进入以高等教育学历群体为主体的阶段。从收入维度来看，不同教育水平就业群体的平均收入均为增长态势，但群体间的收入差距持续扩大（如图4所示）。研究生及以上学历群体的收入增速高于其他群体，2014年至2022年平均收入从11.25万元增至18.27万元，提高62.4%，与基础教育及以下学历群体的收入差距也从8.60万元扩大至16.03万元。
上述数据表明，在高学历劳动力供给持续增加的背景下，教育的收入溢价不仅没有被稀释，反而进一步扩大。“学历贬值”的一种可能解释是市场对高层次人才的要求在不断提高。随着我国产业结构从劳动密集型向技术密集型和知识密集型跃升，传统意义上被视为高等教育的本科学历，在技术前沿领域已逐渐退为准入门槛，而研究生及以上学历所代表的深度思考能力、创新能力和对复杂问题的解决能力，将愈发被企业看重。
（三）常规任务职业面临阶层下滑
继自动化技术替代流水线上的低技能工人后，生成式人工智能高专业性和高效率的特点使其将影响的触角延伸至翻译、会计等传统高技能领域，越来越多的学者开始选择用任务偏向型技术进步理论来分析人工智能的社会影响。该理论基于戴维·奥托（David Autor）等人的研究，将任务划分为常规任务和非常规任务，认为人工智能主要替代程序化的常规任务，而与非常规任务互补。鉴于中等技能劳动者往往从事程序化与常规性的工作，故具有最大的被替代风险，就业比例下降，产生就业极化。
本文参照戴维·奥托等人的分类，从“常规/非常规”和“认知/手动”两个维度将职业划分为非常规认知、非常规手动、常规认知和常规手动四种类型。如果所涉及的任务需要灵活性、解决问题或人际交往技能，则该职业是非常规职业；若其工作可以概括为一组通过遵循明确定义的指令和程序完成的特定活动，则该职业被定义为常规职业。具体而言，非常规认知职业包括管理人员和专业技术人员，非常规手动职业包括安保、商业和其他相关服务人员，常规认知职业包括销售和文员，常规手动职业包括生产、工艺、维修、操作、运输和材料搬运等从业人员（见文末附录）。
图5展示了不同任务型职业群体的规模占比变化。从认知/手动分类角度来看，相较于认知型职业，手动型职业人数受益于服务业规模扩大的影响，2015年至2021年占比持续增加，但因线下接触特性而受疫情冲击严重，2021年至2023年下降32.28%；从常规/非常规分类角度来看，非常规任务职业占比呈上升趋势，2021年和2023年已经超过55%，符合任务偏向型技术进步理论的观点。收入方面也明显表现出非常规型工作待遇提高的特点（如图6所示）。一般情况下，认知型职业收入要高于手动型职业，但在2022年，非常规手动职业的年均收入由2020年的6.72万元迅速提高至11.37万元，甚至超过了常规认知职业的9.24万元。可以看出，数字经济时代的非常规型职业已经展现出应对人工智能冲击的比较优势，会带来相关人员的阶层跃升；相反，常规任务型职业则会面临阶层滑落风险。
（四）区域分层差距依然明显
区域发展不平衡历来是党中央高度重视的结构性难题，也是塑造中国社会分层的重要原因之一。在数字经济时代，我国就业规模的地区分布发生转变，但区域分层差距依然较为明显。
从就业规模的地域分布来看，我国劳动力空间布局正经历深刻调整，中西部地区承接能力增强。如图7所示，2015年至2023年，中部和西部地区的就业占比稳步攀升，分别从24.29%和17.28%提升至32.01%和27.10%。反观东部区域，自2018年起，吸纳的就业比例便呈明显的下降趋势，从49.31%降至33.91%。这种东部降中西部升的态势很大程度上源于农民工群体的区域流动。《2023年农民工监测调查报告》表明，2023年东部地区农民工数量较上年减少1.1%，而中西部分别增长3.1%和1.8%。
进一步的解释可从政府政策引导和市场成本变化两方面展开。在政策方面，国家通过西部大开发、中部崛起等区域协调发展战略，持续引导产业向内陆转移。2010年，国务院发布《关于中西部地区承接产业转移的指导意见》，提出中西部地区要“积极承接国内外产业转移”“着力引导劳动力就地就近转移就业”。文件出台后，各省(区、市)迅速跟进，成都、重庆、武汉、郑州等城市快速构建电子信息、装备制造等产业集群，创造出大量就近就业岗位。在成本方面，随着东部地区向高端制造业和现代服务业转型，土地、人力等生产要素成本持续攀升，部分低端制造业向外转移，而留在本地的企业为了降本增效，将机器引入常规生产，也直接减少了对普通劳动力的需求。
然而，不同区域间的收入水平分化依然较大（如图8所示）。2022年，东部地区就业人员的平均收入分别是中部和东北部地区的1.45倍，是西部地区的1.42倍。虽然较2014年的1.88倍、1.81倍和1.95倍有所降低，但收入层级依然表现出东部领先、其他区域趋同的特点。东部地区集聚了全国最先进的高附加值产业。我国工资水平排名前三的信息技术服务业、金融业和科学研究与技术服务业，主要部门几乎全部集中在东部沿海的一线城市和发达城市群。而中西部和东北地区依然以传统制造业、资源开采业和农业为主，工资水平相对较低。行业分布的差异决定了区域间的工资梯度。
四、智能经济时代的社会分层新态势
智能经济是在数字经济基础上衍生出的更高阶经济形态，将凭借更高维度的AI技术水平和更深程度的AI应用水平，塑造出不同于数字经济时代的社会分层格局。其一，智能生产资料相对于数字生产资料的进化可能导致占有者权力的进一步扩大，拉大贫富差距；其二，人机协同能力预计超过教育水平和工作任务类型，成为主要分层标准；其三，更为关键的是，国家政策的调节作用将被提升到前所未有的高度，从根本上决定社会分层的最终发展方向。
（一）智能生产资料占有拉大贫富差距
相比于简单的数字生产资料，智能化数字生产资料具备三大独有的技术特征，分别是三位一体不可分割性、自我进化性和通用替代性。三位一体不可分割性强调数据、算力和算法在人工智能中的依存关系。数据是人工智能的学习来源，大数据时代数据资源的爆发式增长给人工智能提供了丰富的“养料”；算力是硬件基础和驱动力，为人工智能的算法运行所需的计算资源和处理能力提供支撑；算法则是机器能够实行智能化的核心架构，是相关特定的计算机程序或规则集合。三者缺一不可，构建了极高的进入壁垒。虽然开源基座模型的普及使得中小企业也能快速开发应用，但这些企业获得的本质上是生产资料产出的使用权，而非占有权。自我进化性指人工智能是动态、自生长的系统，能在使用过程中不断吸收新数据、优化自身算法，实现能力的自主迭代升级，近期发布的ASI-Evolve系统便是实例。这一特性使正反馈循环的速度呈指数级增长，领先者与追赶者的差距将越拉越大。通用替代性体现为前文所述的人工智能作为通用目的技术所具备的三种特性，将影响经济社会的方方面面。这种生产资料占有的极端分化使马克思的阶级理论再次展现出强大的现实解释力。少数占有智能生产资料的科技企业与资本所有者将成为智能化资产阶级，而普通劳动者与广大用户则沦为智能化无产阶级。
新型剥削形式将逐步衍生出来，包括表层替代和深层控制。在替代方面，且不提未来可能出现的能力超人类的ASI，现有人工智能已经呈现出从推导判断到生成规划再到执行的纵深替代态势。除了风险一直较高的常规任务职业，随着人工智能应对复杂环境和任务能力的提升，未来的智能体将全面侵入人类引以为傲的需身体技巧、环境适应和即时判断的复合型工作，具身智能的发展也将彻底打破莫拉维克悖论。据世界经济论坛预测，到2030年，全球将淘汰9200万个工作岗位，59%的劳动力需要进行技能再培训或技能升级，而其中11%的劳动力已无法再接受培训，意味着将有1.2亿多名员工面临中期裁员风险。
在控制方面，通过对面部表情、语音和动作等非结构化数据进行编码，智能系统能够提取和分析隐含的情感信息，对劳动者的疲劳程度、情绪波动乃至离职倾向进行预测性分析，并自主调整任务分配，将劳动者置于由黑箱化算法实时调控的“柔性牢笼”之中，最大程度地压榨剩余价值。而相比于对工作内容的支配，人工智能对个体工作思路的改造则显得更为隐蔽，也更值得警惕。随着人工智能在劳动过程中比重的不断上升，劳动者在面临新任务时会条件反射地思考人工智能的解题思路。当“像AI一样思考”成为职业素养和工作本能，劳动者便不再被要求理解问题的深层结构，也不再被鼓励发展独立的分析视角，认知活动被牢牢锁定在算法预设的输入输出通道之内。人的主体性和独特性悄然消解，个体的不可替代性被极大降低。于是，一个庞大的、悬浮于就业与失业之间的准失业群体不断形成，构成人工智能时代的产业后备军，这会直接压缩在业劳动者的工资议价空间。
（二）人机协同能力成为新型分层维度
前文对数字经济时代社会分层特点的分析展示了教育和工作任务类型对社会分层的影响，但在人工智能高速发展的智能经济时代，现有教育水平和单纯的工作任务划分都将在一定程度上失效，即使是同一学历同一岗位的人，适应智能变化与赋能产出的能力也可能大不相同，进而导致社会地位的改变。
李骏指出，由于劳动是人的本质属性，劳动技能边界的变动是理解社会分层秩序变动的关键。每一次的技术革命不仅重塑了生产力的形态，更重新划定了劳动者之间的技能分界线，催生出新的社会分层格局。从历史经验来看，第一、二次工业革命以机器引入生产为起点，产生操作技能需求，直接导致了农民的减少和蓝领阶层的崛起。第三次工业革命以信息技术为标志，知识生产取代体力操作成为价值源泉，程序员、分析师等知识密集型职业随之兴起，教育文凭成为阶层流动的关键凭证。而当前，人类正处于以人工智能为核心的第四次科技革命关口，技能分界线再一次发生转移，人机协同能力开始成为重要的阶层划分指标。
人机协同（Human-AI Collaboration）指人类工作者与人工智能系统组成协作团队，在共享工作流程中实现认知耦合、功能互补与动态适应的整体性工作模式。区别于传统的“人使用工具”范式，人机协同强调人类与人工智能之间的双向互动与相互增强。人类提供对环境和伦理的敏感性、创造力与复杂决策能力，人工智能则提供庞大的数据处理能力与快速执行力，双方在协同过程中持续校准信任、调适分工、迭代优化，使团队整体表现超越人类或AI任何一方。在理想状态下，社会全要素生产率提升，经济大幅增长，人民生活水平显著提高。但问题在于，这种人机协同能力并非唾手可得。如若缺乏针对性的技能培训与认知策略引导，使用者极易从“协同者”滑落为“依赖者”，在看似高效的AI辅助中逐渐丧失独立判断与深度思考的能力。2026年1月，大模型Claude的母公司Anthropic发布了一项关于人工智能影响技能学习的研究，发现使用AI学习的实验组平均测验分数比对照组低17％（约2个等级），即在不进行人机协同技能培训的情况下，大多数人将面临技能的退化，这也符合前文关于人工智能改造个体工作思路、弱化工作能力的观点。同时，研究还指出，不同的AI使用模式会呈现出不同的结果，保持较高认知参与度的高分交互模式群体得分在65%~86%之间，而严重依赖人工智能的低分交互模式群体得分只有24%~39%。这表明，在智能时代，保持批判性思考和深度学习，提高人机协同能力，对维持技能发展至关重要。否则，AI赋能与AI陷阱的分化会导致收入差距进一步扩大。
当然，这也引发出另一个担忧，即协同能力培养的不平等问题。九年制义务教育的普及极大地缩小了基本文化素质的不平等程度，但人机协同能力的获得高度依赖于家庭数字资本、学校智能设施与社区数字文化环境，这些资源在不同阶层之间的分布严重不均，由此会形成新的“智能鸿沟”。若缺乏顶层普惠设计，会进一步拉大城乡差距，并加剧阶层固化。
（三）国家政策的调节作用上升到新高度
无论是生产资料占有导致的贫富分化，还是人机协同能力培养背后的资源不均，很大程度上都是缺乏系统性干预下市场失灵的结果。古典经济学认为，应尽量减少政府干预，市场的供求关系与价格体系能够自发实现资源最优配置。然而，人工智能高速发展背后可能的市场失灵问题正将国家宏观政策的调节作用置于崭新高度。
一是市场定价机制与竞争逻辑的深层扭曲。这种扭曲首先体现在估值体系的失灵上。由于数据要素具备非竞争性，且算法决策高度不透明，资本市场对人工智能企业的价值评估往往难以找到可靠锚点，陷入信息不对称。加之人工智能行业强烈的网络效应、数据规模效应和高昂的沉没成本，市场默认最终会实现“赢家通吃”的竞争格局，市场交易的核心便从现实盈利能力转变为对未来的垄断预期。即使企业处于巨额亏损状态，也依然可以凭借宏大叙事维持超高估值。例如，中国大模型公司智谱上市不到半年市值便突破万亿港元，年内涨幅超过1900%，但财报显示，智谱2025年全年营业收入7.24亿元，净亏损高达47.18亿元。收入与市值差距悬殊，这究竟是神话还是泡沫尚无定论，但可以肯定的是，在估值狂欢的背后，价格的信号作用正大幅削弱。如果没有更高层次的调节机制介入，市场竞争赖以存在的基本定价机制将面临失灵风险。
二是经济与社会层面负外部性的全面激增。经济层面的负外部性源于未来人工智能对劳动要素愈演愈烈的替代效应。由于人工智能本身并不具备消费能力，当其大规模替代劳动时，利润会加速向资本端集中，而劳动者的收入整体萎缩。在缺乏有效的二次分配调节下，这种局面极易导致社会有效需求不足，进而增大经济运行陷入周期性失衡的可能性，形成经典的凯恩斯式危机。社会伦理与法律边界上的负外部性同样不容忽视。在法律责任领域，人工智能开发者与部署者之间责任链条的模糊会放大道德风险，使企业为逐利而放松算法合规的要求，将潜在的纠错成本和风险转嫁给社会。2025年，记录在案的人工智能安全事件的数量从上一年的233起跃升至362起，涵盖深度伪造、隐私泄露、算法偏见等多方面，增幅超过55%。在道德文化方面，若模型训练数据的来源和安全评估的结果仅依赖于企业的内部自我监督，这种缺乏外部约束的不透明将制造出隐性社会成本。依托于历史偏见数据训练出的模型在信贷、招聘等关键领域实施歧视，客观上可能将旧有的结构性不平等固化，这是任何企业财务报表都无法计入的社会负资产。
三是公共品供给的市场失灵。智能经济赖以运行的基础设施具备公共品属性，但市场的供给逻辑与这种公共需求之间存在错配。以超大规模算力中心为例，在垄断预期的驱动下，资本为了在需求未形成时构筑壁垒以锁定生态主导权，往往陷入不计成本的战略内卷。这种无序竞争导致的后果便是大量建好的算力中心因生态不兼容或需求不足而利用率低下，数十亿元资金沦为一堆迅速贬值的过时设备。这不仅是企业的投资失误，更是全社会层面的资源配置浪费。同样的问题也发生在技术供给与公共价值的对接上。以逐利为首要目标的风险资本天然倾向于能在短期内实现流量变现的通用大模型，可现实中的教育、医疗、工业等公共领域真正需要的是成本低、运行可靠且具有可解释性的AI系统。这会导致技术供给与技术效用的脱节，大量成果停留在实验室，而无法转化为提升公共服务效能的真实力量。
五、政策建议
面对智能经济时代社会分层的种种挑战，我国的社会主义制度具有极大的优越性，能够在中国共产党的领导下，通过国家治理体系的介入，将公平正义原则嵌入人工智能技术应用的全过程。这种以制度理性驾驭技术理性的治理模式，不仅能够克服市场自发调节的局限性，而且在生产力高度发展的基础上，为构建更加公正的分配秩序奠定坚实基础。本文围绕智能经济时代社会分层的三大新态势，提出创新智能生产资料产权制度、改进智能基础设施公共供给、强化算法透明与反垄断治理，以及建立人机协同能力普惠培养体系四点建议，以构建全方位多层次的制度回应。
（一）创新智能生产资料产权制度
智能生产资料的高度独占是财富加速集中的根源。打破这一格局，需依托并改进我国的数据产权“三权分置”制度，建立多元主体利益分享机制。这一“三权分置”制度源自2022年12月党中央、国务院印发的《关于构建数据基础制度更好发挥数据要素作用的意见》，将数据产权划分为三类，即数据资源持有权、数据加工使用权及数据产品经营权。2026年4月，国家数据局发布《数据产权登记工作指引（试行）》（公开征求意见稿），明确构建全国数据产权登记体系，确立了涵盖登记机构准入、审查标准、公示效力、凭证互认的全链条规则，将“确权”引申到“落地”。
智能生产资料产权制度要以当前的数据产权制度为基础，将算法、模型、数据集三类核心智能生产资料纳入统一的产权制度框架。在算法产权方面，区分可适用专利或商业秘密保护的基础算法和适用著作权保护的应用算法，分级分类建立产权保护体系。在模型产权方面，明确大模型作为智力成果的产权属性，建立模型训练、微调和推理各阶段产出物的产权归属规则。在数据集产权方面，在现有“三权分置”基础上，进一步细化训练数据集、微调数据集、评测数据集等不同类型数据集的产权规则。配套建立基于价值贡献度的利益分享机制，明确原始数据提供者、数据标注者、模型开发者、算法优化者等各方主体在智能生产资料形成过程中的贡献度评估方法，作为利益分配依据。
（二）改进智能基础设施公共供给
算力等新基建投资大、回报周期长，市场资本受垄断预期驱动，倾向于不计成本超前建设，导致资源错配。这便需要政府力量来为智能基础设施的供给护航。工业和信息化部等十一部门发布的《关于推动新型信息基础设施协调发展有关事项的通知》已经做出规范，各地应统筹引导大型、超大型数据中心以及智能计算中心、超算中心等设施在枢纽节点落地。但在政策具体实施过程中，有以下两个问题值得注意：一是供给模式停留在“项目思维”而非“服务思维”，不顾本地实际需求与财政能力，盲目跟风、贪大求全，重形式而轻应用；二是项目建成后缺乏持续运营投入和效能考核，导致项目建成后无人问津、逐步荒废，重建设而轻实效。
面对这些情况，政府应从以下三步入手推动智能基础设施公共供给体系升级。一是建立智能基础设施公共品属性认定与分级供给制度，在法律层面明确算力基础设施、人工智能公共服务平台、行业智能数据集等类别的核心智能基础设施属于国家新型公共基础设施，将其纳入公共产品供给体系。在此基础上建立三级分类供给制度，分别代表由中央财政主导、由中央和地方共同投入以及由市场主导、政府引导的相关设施，分级服务与管控。二是构建全国性智能基础设施部署与调度平台，普查登记全国各类智能基础设施，建立统一的设施编码体系和动态数据库，解决重复建设问题。借鉴电力调度模式，实现算力、数据、模型资源的跨区域、跨行业统筹调配。三是大力推动城乡智能普惠政策，将智能基础设施的公共供给从城市向乡村延伸覆盖。
（三）强化算法透明与反垄断治理
自人工智能概念被提出以来，算法研究始终处于学术探索的核心地位，它既决定着人工智能技术的发展上限，也是智能经济赖以运行的数字底座。但在提升经济社会运行效率的同时，也暴露出多重风险与挑战。为此，我国已初步构建出以《个人信息保护法》《电子商务法》《反不正当竞争法》等为核心的算法治理架构，并正在制定《网络交易平台算法透明度管理要求》，规定网络交易平台在算法系统设计、开发、部署、运行及管理过程中开展算法透明度管理的相关要求。
但算法监管的难点在于，即使企业公开了算法原理，外部监管者和公众也难以验证其真实运行逻辑。因此亟须建立专门的算法审计制度。在机构方面，设立国家算法审计机构或授权具备资质的第三方机构，对涉及公共利益的高风险算法开展独立审计，内容包括算法公平性、透明度、是否存在歧视性定价或协同行为等。在标准方面，制定审计标准，明确审计程序、审计方法和审计报告要求。在程序方面，创建触发机制，对用户投诉集中、市场异常波动、价格协同变化等可能涉及垄断的情形，自动启动算法审计程序。同时，针对算法共谋等隐形垄断行为，建立算法证据保全与调取制度，授权反垄断执法机构在调查过程中依法调取电子证据，并规定平台经营者有义务在合理期限内予以保存和提供，不得以“商业秘密”为由拒绝配合。
（四）建立人机协同能力普惠培养体系
作为智能经济时代重要的社会分层维度，人机协同能力的普惠性培养是预防智能鸿沟的关键。我国已经将人机协同能力的培养纳入人工智能教育顶层设计，密集出台一系列政策文件，从战略规划、行动方案到具体指南，构建起覆盖各级各类教育的人工智能人才培养框架。针对基础教育，出台《中小学人工智能通识教育指南（2025年版）》与《中小学生成式人工智能使用指南（2025年版）》，两者一主一辅，分层递进；面向在职劳动者，《国务院就业促进和劳动保护工作领导小组关于开展大规模职业技能提升培训行动的指导意见》明确提出，在科技与新兴技术衍生行业开展技能培训，并依托高校和一线科技企业，建设人工智能系列课程资源。
然而，现有政策存在理念先进但落地模糊的问题。“人机协同”在多个文件中被反复提及，但人机协同能力具体是什么、如何培养、如何评价都缺乏统一的能力标准和可操作的培养路径。对此，首先要联合相关部门和领域专家，共同制定国家层面统一的《人机协同能力框架》，从基础认知、AI交互、信息判断和协同创造四个方面明确人机协同能力的概念内涵；其次，要打通“学校培养—在职提升—终身学习”三阶通道，防止学校教育与社会应用脱节的问题，在现有中小学和高校人工智能课程基础上增设“人机协同实践”必修模块，并将人机协同能力纳入新员工岗前培训必修内容，实现相关能力从学校到职场的良好衔接；最后，配套建立“人机协同能力认证”体系，将认证结果纳入学生综合素质评价、教师专业发展评价和在职人员职称评审、岗位晋升的参考依据，使人机协同能力从“软素养”成为真正的“硬通货”。此外，面对遭受人工智能替代冲击的新失业群体，政府应在培训支持的基础上完善相关社会保障制度，以筑牢技术变革中的社会安全网。
