人工智能；人机协作；就业极化；适应性鸿沟

技术变革一直是劳动力市场结构演进的关键驱动力。从蒸汽动力替代体力劳动，到电气化与流水线实现规模化生产，再到信息技术实现常规认知任务的自动化，每一次工业革命都通过改变任务结构与要素组合的方式，重塑劳动分工体系与收入分配格局。在这一过程中，技术进步并不是简单减少工作岗位的数量，而是通过重组生产任务与技能结构来改变对不同类型劳动力的相对需求，并创造出新的工作岗位。Polanyi所揭示的市场脱嵌在每一次技术跃迁中均以新的形式显现，表现为制度体系与经济结构之间的不断博弈、适应和重塑的动态过程。区别于以往聚焦于体力或程式化认知活动的技术，依托机器学习、大数据与算法模型的深度耦合，人工智能正突破工具属性，开始深度介入人类认知的核心区域，尤其是2022年底以来生成式人工智能的爆发式扩散，人工智能的应用边界被大幅拓展，算法能够在自然语言处理、代码生成与复杂文本处理等领域承担更高层级的任务。这一变化意味着技术边界已经从常规认知任务延伸到非程式化认知任务。人工智能因此不再仅是提升执行效率的工具，而成为决策与创造过程的重要生产要素。其应用场景迅速从制造与物流等劳动密集型领域扩展至金融、法律、医疗、教育与内容生产等知识密集型部门。

从任务视角看，人工智能的扩散构成对任务结构的再配置。生产过程可以被分解为一系列任务集合，技术进步通过自动化既有任务、创造新任务以及重组任务权重，改变劳动力需求结构。生成式人工智能在语言与符号处理方面的通用能力，使其对认知任务的替代与增强规模显著扩大。部分研究预测，自动化技术可能在未来十年内接管相当比例的工作时长，显示出技术扩散的潜在深度。尽管具体比例仍存在不确定性，但可以确定的是，劳动力市场正在经历新一轮结构性调整。

然而，仅以就业数量变化来衡量技术影响显然不足。人工智能的冲击更可能表现为职业内部任务结构的再分配、技能溢价的重构以及收入与空间格局的再组织和再分配。因此，理解当前变革的关键在于识别技术扩散速度与制度调整能力之间的关系。适应性鸿沟（adaptation gap），核心指适应需求与实际适应行动 / 能力之间的差距，在气候适应、演化生物学、技术治理等领域广泛使用。本文提出的“适应性鸿沟”，属于广义适应鸿沟, 是指“技术超演化与治理能力的功能性滞后”，在本文中体现为技术能力的快速扩展与教育体系、人力资本形成、社会保障安排及劳动法规调整之间的节奏差异。当技术扩散速度超过制度与技能更新能力时，劳动力市场将出现结构性摩擦、不平等扩大与再分配压力。基于这一框架，本文系统分析了人工智能对劳动力市场的多维影响，包括就业结构极化、技能需求重构、工作组织形式变化与劳动生产率分化等，并讨论相应的制度机制。本文的贡献在于将人工智能冲击置于“任务模型重构与制度适应理论”相结合的视角，构建一个解释技术扩散与制度响应互动关系的分析框架。对正处于产业升级与人口结构转型关键阶段的中国而言，识别并缩小“适应性鸿沟”不仅具有重要的学术价值，同时也具有重要的政策和实践意义。

（一）从技能偏向型技术变革到任务模型扩展型的技术变革

技术进步如何影响劳动力市场，一直是劳动经济学的核心议题。早期关于工资不平等的解释，主要依赖技能偏向型技术变革理论。该理论认为，技术进步提高了高技能劳动者的边际生产率，从而提升了对其的相对需求与工资水平，导致技能溢价上升。在计算机技术扩散阶段，这一框架能够较好解释高技能劳动需求增长与中低技能劳动相对萎缩的现象。然而，技能偏向型技术变革框架的局限在于其将“技能”作为分析单位，忽略了职业内部任务结构的差异。Autor等提出的任务模型将分析焦点从职业转向任务，指出技术进步主要替代程式化、可编码的常规任务，而与抽象性认知任务和情境化手工任务形成互补。这一框架成功解释了就业极化现象，即中等技能、常规任务岗位收缩，而高技能抽象任务与情境化低技能服务性岗位扩张。

人工智能的发展一定程度上延续了任务模型的逻辑，同时也改变了“可编码任务”的边界。机器学习与数据驱动算法能处理大量非结构化信息，使过去依赖人类判断的部分认知活动实现程序化，可自动化任务的集合得以大幅扩展，人工智能深化了任务替代机制。生成式人工智能的出现让任务替代机制变得更加复杂：Capraro等以及Noy和Zhang就提出，“逆技能偏向”是生成式人工智能的一个显著结果，它能够更显著地提高低经验或低技能员工的生产率。人工智能技术作为认知增强工具，个体之间的能力差距在人工智能技术的介入下得以明显缩小，导致技能溢价的减少。另一方面，生成式人工智能以超强的自我学习能力，已经开始逐步替代诸如医学诊断辅助、金融分析、计算机编程、创意内容生成等传统高技术壁垒领域的技能人才，这些领域的专业技能获取通常需要接受高等教育、长期的专业培训与训练，这说明“高技能”本身不构成自动化豁免条件。技能水平的高低不再是决定AI技术暴露度的单一因素，任务结构与算法能力的匹配程度才是关键。我们将传统的任务模型进行了拓展，将任务划分为三类：人工智能可以独立完成的任务，人工智能需要人类合作完成的任务，人工智能难以完成而主要依赖人类独特禀赋完成的任务（如复杂的社会判断、伦理权衡和情境创造）。三种任务类型在职业中的占比以及技术扩张的速度共同决定了人工智能对劳动力市场的影响。因此，劳动力市场的结构调整不仅表现为岗位替代，更体现在职业内部任务权重的再配置。这一扩展后的任务模型，为本文提出的“适应性鸿沟”奠定了微观基础。当人工技能技术快速扩大第一类任务的范围，而教育与制度体系的调整滞后于技术变革，未能及时帮助劳动者在技能和能力上向第二类与第三类任务转移，因此，结构性摩擦将不可避免。

（二）从三次工业革命到人工智能革命

在过去200多年间，颠覆性技术的出现，推动了人类社会的三次工业革命。每一次工业革命都改变了生产函数中要素的边际贡献率和组合结构，以及生产组织方式，实现了生产力的飞跃。第一次工业革命以机械动力替代体力劳动为核心，推动生产集中化与工厂制度的诞生；第二次工业革命以电力的广泛应用为核心，电气化与流水线技术实现生产规模化与过程标准化，劳动分工进一步增强；第三次工业革命以信息自动化为特征，常规信息处理任务被数字化和自动化，提升了知识型劳动的价值。

尽管这些技术变革都深刻重塑了生产组织方式和调整了劳动力市场，但技术仅仅是执行工具的升级，而非任务主体的转移。以人工智能与算法为核心的人工智能革命直接深度介入认知核心领域。机器学习系统具备自主提取和分析数据的能力，生成式大模型更能完成语言、图像与代码等领域的复杂生成，技术不再仅作为执行工具，而是已经开始承担部分决策与创造功能，部分决策权从人向人工智能体进行了转移，即实现了任务主体的转移。因此，和以往技术相比，人工智能在任务图谱中的覆盖范围更广，渗透深度与扩散速度显著提高。然而，在经济学视角，人工智能仍然是一种通用技术，生产率效应依赖于互补性创新与组织结构调整。历史经验表明，通用技术的影响是非线性的，是一个制度逐步适配和生产组织重构的长期过程，人工智能技术也不例外。它对劳动力市场的影响程度取决于任务重组、技能形成和制度安排之间的协调，以及制度响应的时间压力。在此背景下，“适应性鸿沟”成为解释智能革命对劳动力市场影响的核心机制。

在“适应性鸿沟”框架下，人工智能技术扩散正推动劳动力市场进入新一轮结构性重构。这一重构过程并非简单的就业替代，而是在任务结构、技能需求、生产组织形式、生产率分布和收入分配等多维度、多层次展开，并呈现相互关联的系统性变化。

（一）就业结构极化与技能需求范式重构

就业极化（job polarization）在数字化时代已初步显现，而生成式人工智能的广泛应用进一步强化了这一趋势。和早期信息技术主要替代常规任务不同，生成式人工智能在自然语言处理、文本生成与知识整合等领域实现了革命性突破，大量原本被视为“非常规认知”的中等技能任务，也面临自动化压力。大量财务、金融保险、编程、客服服务等岗位的任务模块由算法完成，中等技能岗位的稳定性被削弱。劳动力需求进一步朝两个方向分化：高度依赖抽象推理、系统整合与原创性判断的高技能岗位需求增长；依赖情境适应、身体操作与复杂人际互动的服务型岗位，仍保持较强的不可替代性，这种结构变化让原有“U型就业曲线”变得更加陡峭。

此外，技能需求范式也在发生深层转变。生成式人工智能降低了部分专业性技能的使用门槛，编码、数据处理等能力从“稀缺技能”逐渐转向“基础工具性能力” 。相对而言，批判性思维、跨领域整合能力、情境判断力与复杂沟通能力的重要性显著上升。在新的生产模式下，劳动者的核心竞争力不再仅体现在具体技能的熟练程度，而体现在如何界定问题、设定目标、解释算法输出并承担决策责任的综合能力。换言之，技能溢价正在从“执行能力”向“认知整合能力”转移。此外，围绕人工智能系统开发、调优与治理的“后端技能”成为高度稀缺资源，其市场回报呈现显著溢价。这种技能结构重构进一步加剧了劳动力市场的分化。

（二）工作内容重组与人机协同范式的形成

尽管自动化替代风险客观存在，但在中短期内，生成式人工智能更普遍的影响形式是任务重组，而非整体职业消失。大量职业正在经历内部任务结构再分配：标准化与重复性认知任务被算法接管，涉及判断、创造与责任承担的环节仍由人类主导。在新的任务结构中，人工智能主要扮演“认知增强器”的角色，而非完全替代者。人机协同下边际效率的改善是组织生产率的提升的主要来源，而非仅依赖劳动投入的减少。在此背景下，新的职业谱系逐渐形成：新的高技能岗位群——围绕人工智能核心技术研发和基础设施建设；跨领域的复合岗位群——综合行业专能+人工智能；数字治理与合规岗位群——基于算法治理、数据安全和伦理审计的制度需求。这一过程与熊彼特的“创造性破坏”机制相契合，但其显著特征是人机协作的新型组织范式。决策闭环逐步演化为“人定义问题——算法（机器）生成解决方案——人来评估和承担责任。

（三）工作形态和空间分布的重定义

随着人工智能技术的不断进化，交互安全性得到了有力保障。智能协作工具显著提升了信息传递效率和远程交互体验，降低了跨地域协作成本和对物理办公空间的依赖。这削弱了工作与特定城市空间的刚性连接，人才市场的地理边界趋于模糊，高层次人才全球流动变得更加容易。与此同时，人工智能算法对平台经济的影响不断拓展和深化，从工作任务分配、工作过程监控到即时绩效评估。算法管理提升了组织效率，降低了交易成本，强化了劳动过程的可监控性与标准化。但算法决策和后台监控通常不透明，分配公平与权利保障问题由此而产生，使得劳动力市场呈现两极分化：一端是充分享受技术红利的高技能、全球流动的知识型劳动者，另一端是被算法高度规范化管理和控制的平台劳动者，空间流动性与工作自主性的差异进一步扩大。

（四） 生产率分化与释放时滞

当前，新一轮生产率增长的核心驱动力是人工智能技术。然而，生产率增长形态在不同行业表现分化：数据密集、流程标准化程度高的行业，更容易实现人工智能+，获得生产率跃升；而任务环境复杂、依赖持续复杂的物理交互或高度情境化的行业，人工智能嵌入进程相对缓慢，生产率增长缓慢。此外，人工智能对生产率的促进存在明显的时滞。当前主要经济体的AI投资额屡创新高，但其宏观生产率并未展现与之匹配的强劲增长。历史经验显示，通用技术的价值释放，依赖组织结构和业务流程的重塑，员工技能和能力的更新、数据和算力资源等互补性资源的匹配。组织大规模投入人工智能，叠加学习曲线效应，短期内成本上升，宏观层面呈现“生产率悖论”。只有组织流程、技能结构与制度安排完成相应调整，生产率提升才会实现“J曲线”释放。

尽管人工智能具备生产率放大器的潜力，但其嵌入所伴随的结构性调整过程也是有成本的。在“适应性鸿沟”框架下，当技术演进和制度与人力资本的调整速度脱节时，劳动力市场将面临多重压力，不仅体现在就业结构失衡，更可能涉及分配格局与稳定性等系统性挑战。

（一） 职业转型摩擦与结构性失业风险

生成式人工智能的冲击具有跨技能层级特征，其影响范围已从传统体力岗位扩展至大量知识密集型职业。已有研究估计，美国约有47%的职业任务具备较高自动化暴露度。与历史上以渐进替代为主的技术扩散不同，当前技术应用的速度更快、覆盖面更广，这使劳动力市场调整周期面临压缩。职业转换并非成本中性的过程，劳动者从受冲击岗位转向新职业，需要经历技能再培训、职业匹配与地域迁移等多个环节，而这些环节均伴随显著的时间与资金投入。尤其是中年劳动者或人力资本积累具有高度专属性的群体，其再配置成本更高。此外，新兴岗位的技能结构和地理分布往往与原岗位存在错配，导致结构性失业风险上升。在区域层面，若某些产业集中度较高的地区遭受技术替代冲击而缺乏新兴产业吸纳能力，则可能出现持续性的就业收缩与收入下降。

（二） 分配格局重构与“人工智能鸿沟”

人工智能扩散可能通过要素收入分配机制改变资本与劳动之间的收益结构。若技术进步主要以资本深化与算法替代形式体现，则资本回报率可能会提高，从而扩大要素收入差距。在企业层面，掌握数据资源、算法能力与技术基础设施的主体更可能获得规模报酬递增优势，从而强化市场集中趋势，与此同时，劳动者内部的收入分化也可能加剧。与人工智能形成互补关系的高阶认知能力和复杂创造能力，其边际生产率提升更为显著，而从事可被标准化或模块化处理任务的劳动者，则面临工资增长放缓甚至下降的压力。技能溢价可能以新的形式重构，而非简单消失。更为重要的是，与人工智能相关的教育资源、技术工具与训练机会在不同社会群体之间分布不均。若高质量技术教育与实践机会主要集中于高收入家庭或发达地区，则“数字鸿沟”将演化为更为结构性的“人工智能鸿沟”，从而对代际流动性产生长期影响。

（三） 组织控制与心理压力

人工智能对效率的驱动，往往伴随着劳动组织方式的调整。在某些场景中，复杂工作被解构为一系列高度标准化子任务，并由算法实施分配与监督。这种任务细分有助于降低协调成本，同时也可能压缩劳动者自主决策空间，并削弱其技能积累和挤压其职业成长空间。算法管理在平台经济中广泛应用，自动化派单提高资源配置效率，实时绩效评估强化对劳动过程的精准监控。当透明度与申诉机制缺失，个体心理剥夺感加剧，算法决策将劳动关系推向一种更为隐蔽的“数字泰罗制”。World Economic Forum（世界经济论坛）指出，技术冲击预期会影响劳动供给行为与职业选择。当前，技术迭代不断提速，劳动者对未来职业发展的不确定性预期增强。模糊的就业前景使得个体难以判断自身技能在未来技术环境中的价值，陷入低期望、低冒险和低信任的认知闭环，最终影响工作满意度与心理福祉。因此，人工智能通过影响个人的技能价值预期改变其行为与人力资本投资决策。

（四） 宏观经济与制度稳定性风险

人工智能正在通过加剧劳动力市场两极化来重构收入分配结构。一方面，技术替代导致社会平均工资增长停滞或就业机会减少正在全球发生；另一方面，资本所有者以及高技能群体获得技术进步的大部分红利。当收入向边际消费倾向较低人群（资本所有者和高技能群体）集中时，社会平均消费倾向下降，导致社会总消费不足。如果制度安排未能及时调整，则经济的长期增长将被约束。当前，稳定的工资税是多数社会保障体系的基石。人工智能越来越多地将工作推向灵活化和平台化，传统“雇主 — 雇员”关系被瓦解，以工资为支柱的社会保障体系可持续性受到挑战，进一步抑制消费和长期经济增长。与此同时，技术收益分配的结构性失衡也将加剧社会不满情绪，对政策共识和制度稳定产生负面影响。因此，人工智能不仅是技术范畴，也涵盖社会经济治理与制度协调。

面对人工智能带来的结构性挑战，弥合技术快速扩散与制度渐进调适之间的“适应性鸿沟”是政策回应的核心。通过在人力资本积累、技术治理框架、社会保障体系重构等多领域的制度调整，主要发达经济体探索出了系统性回应组合。

（一）积极的劳动力市场政策是制度回应的核心

新加坡于2015年推出“未来技能计划”（Skills Future Programme），欧盟在2020年发起了“数字欧洲计划”（Digital Europe Programme）。这两个计划的共同特点是：政府为劳动者技能再培训与数字能力提升提供资金，降低职业转换成本，提高劳动力再配置效率。与传统培训项目相比，这些政策更注重前瞻性技能培训与模块化认证体系建设，推动微证书制度和非正式学习成果认可证书。这一制度安排使得技术发生变革时，人力资本能够快速调整，缓解结构性失业的压力。

（二）教育体系的纵向重构是长期应对路径

部分国家开始将人工智能素养纳入基础教育，不只强调技术应用能力，更强调算法原理、伦理风险与批判性思维培养。高等教育层面，大学与企业协同合作更趋制度化，通过联合实验室与产业实习项目实现课程内容与技术前沿同步更新。此外，终身学习若仅依赖个体自发决策，往往难以克服外部性与流动性约束。一些国家通过直接补贴、税收激励与带薪学习假制度激励企业与个人参与培训。这些制度探索反映了教育体系从“一次性投资”体制教育的静态模式，向“持续更新”终身学习的动态模式转变的共识。

（三）社会保障体系的适应性改革是缓冲转型冲击的重要工具

随着平台经济与灵活就业比例上升，基于稳定就业的传统 “雇主—雇员”关系的社会保险制度面临覆盖不足问题。通过社会保障账户个人化与可携带化改革以提高灵活就业者的社会保障覆盖率，成为部分经济体制度回应的主要手段。例如欧盟关于平台劳动者权益的立法尝试，旨在明确雇佣责任并扩展社会保险接入渠道。与此同时，针对职业转换期间的培训补贴与搬迁支持政策，被用于降低劳动力再配置过程中的摩擦成本。普遍基本收入讨论亦在包括加拿大在内的部分国家展开。支持者认为，在技术替代加速的背景下应为劳动者提供最低收入保障。然而，其财政可持续性与对劳动可能产生的负面影响仍存较大争议。

（四）针对人工智能的监管框架正在形成

欧盟《人工智能法案》将招聘、绩效评估等职场算法系统列为高风险领域，要求建立透明、可追溯与人工监督机制。相关立法的经济学意义在于降低信息不对称与算法歧视风险，维护劳动力市场公平性。与此同时，一些地区开始讨论对自动化收益征税或通过税收机制调整企业技术投资结构，此类“机器人税”构想试图通过内化技术替代的社会成本，为再培训与社会保障筹集资金，但其对创新激励的影响仍存理论和政策分歧。

（五）社会对话机制与多方协同治理是长期制度稳定的基础。

德国等国家通过行业技能委员会整合政府、企业与教育机构集体力量，共同预测技能需求并制定培训标准，降低信息不对称导致的技能错配风险。大型科技企业在ESG（Environmental, Social and Governance）框架下将人工智能伦理与再培训投入纳入企业社会责任范畴。企业自律无法替代公共治理，但其在技术扩散过程中对人工智能伦理的参与程度，对政策实施效果具有重要影响。

总体而言，全球政策实践显示，各国并未采取“限制技术”或“放任市场”的极端路径，而是普遍致力于制度创新提升劳动力市场的适应性和调整能力。然而，政策效果高度依赖执行力度、财政可持续能力、企业协同参与与广泛的社会共识。在技术进步高度不确定的背景下，制度自身的适应能力成为决定人工智能红利能否实现普惠共享的关键变量。

人工智能对全球劳动力市场的影响已从预期走向现实，其变革具有广泛性、系统性与高度不确定性。本文以劳动经济学与制度经济学视角，系统分析人工智能，尤其是生成式人工智能，对就业结构、技能需求、工作组织形式、空间分布以及宏观社会经济稳定性的多重影响。研究表明，本轮技术变革的核心特征在于其对认知任务的自动化与重组能力，这一特征突破了传统体力与认知、常规与非常规工作的分析边界，推动劳动力市场进入更深层次的结构性重构阶段。

本文进一步提出，“适应性鸿沟”是理解当前人工智能技术迅猛发展态势下劳动力市场张力的分析框架。技术能力以指数方式演进，人力资本积累、制度调整与社会共识形成仍遵循渐进逻辑，劳动力市场将不可避免面临转型摩擦、不平等扩大与制度失配风险。人工智能既可能通过生产率提升与新任务创造带来长期增长红利，也可能在短期和中期放大结构性失业、收入分化与区域不平衡。同时，人工智能对劳动力市场的影响并非完全由技术本身决定，高度依赖制度响应的速度、方向与协调程度。

在此意义上，本文分析显示，成功应对人工智能冲击，不在于抑制技术扩散或简单追逐技术红利，而在于提升劳动力市场与社会制度的整体适应能力。人力资本投资、社会保障重构与技术治理并非相互独立的政策工具，而是共同作用于缩小“适应性鸿沟”的制度组合。若技能形成体系、劳动法规与社会保障机制能够与技术演进形成互补关系，同时人工智能伦理能够在有效技术治理下得到充分保障，人工智能更可能表现为能力增强工具而非替代性冲击；制度滞后则可能将技术进步转化为社会风险甚至社会危机。

此外，研究还显示，人工智能时代的劳动力市场调整具有明显跨国溢出效应。技术扩散、资本流动与人才竞争的全球化特征，让单一国家的政策选择受到外部环境约束，也可能影响外部环境。在缺乏协调的情况下，各国可能陷入制度竞争甚至“逐底竞争”，削弱技术红利的社会分享程度。围绕人工智能治理、技能标准、劳动保护与税收协调的国际对话，应构成未来全球经济治理的重要议题。

对于中国而言，人工智能引发的全球劳动力市场重构既构成挑战，也蕴含战略机遇。中国在市场规模、应用场景、政策协调能力以及教育体系覆盖面等方面有独特优势，同时也面临人口结构变化、产业转型升级与就业结构调整的多重约束。本文分析表明，我们不应简单复制其他经济体的政策工具，而应将国际经验与中国自身发展阶段、制度条件与社会结构结合，构建具有内生一致性的技能形成体系、社会保障制度与人工智能治理框架。能否在技术扩散初期就有效缩小“适应性鸿沟”，将影响中国人工智能红利的分配格局、生产率效应与长期增长质量。

最后，需要指出的是，人工智能对劳动力市场的影响仍处于快速演化阶段，相关实证证据与理论认识均有阶段性特征。未来研究可进一步利用微观数据刻画任务重组与人机协作机制，评估不同制度安排对技术冲击的缓冲效果和效应，探讨人工智能对代际流动性与长期人力资本积累和经济增长的深远影响。随着人工智能技术能力的持续演进，如何在效率提升与社会公平之间实现动态平衡，将成为劳动经济学与制度经济学共同面对的核心议题。