飞象网讯（孙迎新/文）如今的就业市场存在一种荒诞的现象：一边是东莞工厂里的机械臂不知疲倦地旋转，而曾经流水线上的老师傅却看着手机里“保安招聘35岁以下”陷入沉思；另一边是杭州城西的AI实验室里亮着彻夜的灯，HR对着满屏“精通NLP算法”的招聘要求直叹气，而隔壁咖啡馆的服务员正给一群讨论“大模型训练师资格证”的年轻人端咖啡，或许他们正在分享上个月被裁的经历。
当ChatGPT写出第一篇通稿时，有人惊叹“文科生要失业”，可真等某媒体裁掉三分之一编辑后，却发现剩下的岗位需要“能做数据可视化、会运营短视频”的多面手，投来的简历里却挤满了只会写八股文的毕业生；另一方面，耗费万亿天量资金训练出来的AI大模型，取代的只是月薪几千元的“牛马”工作，甚至更低。
更魔幻的是，苏州某养老社区挂出“月薪1.2万招康复护理师”的牌子无人问津，而千里之外的县城网吧里，一群年轻人正对着“电竞陪练月入过万”的广告蠢蠢欲动，他们不知道，那些在屏幕前教老人用智能手环的工作，其实比打游戏更需要耐心。
恐慌与迷茫，都指向一个主题：人工智能和数字经济对就业的影响。但更深层次的原因，源于当前中国就业市场日益突出的结构性矛盾：“有人没活干”与“有活没人干”并存的现象。
中国社会科学院国家高端智库首席专家蔡昉是一位长期研究就业问题的学者，他认为必须直面人工智能与数字经济对就业结构的深刻冲击，尤其是其引发的结构性失业风险。
蔡昉认为，从经济学视角看，技术对就业的影响始终存在“破坏”与“创造”的双重效应。但今天更需要警惕：这一轮技术革命在速度、广度和深度上均远超以往，其对就业的冲击呈现出全新特征。我们既不能陷入“技术恐慌”的卢德主义，也不能盲目套用“技术终将创造更多就业”的传统乐观逻辑，而应立足现实，深入剖析人工智能时代的就业新矛盾。
冲击特征：人工智能如何重塑就业格局
技术迭代的“加速度”与“泛在性”是这轮AI变革的主要特征。人工智能与传统技术的本质区别，在于其自我迭代能力与跨领域赋能特性。
回顾历史，从1770年“人工智能”概念萌芽到1950年图灵提出理论，耗时180年；从击败国际象棋冠军（1997年）到战胜围棋冠军（2016年），耗时19年；而从ChatGPT诞生（2022年）到各类大语言模型爆发，仅用1年。这种“指数级加速”背后，是数字技术对试错成本的革命性降低：如基因编辑技术可通过算法模拟无限次迭代，远超传统育种的“年周期”试错模式。
更关键的是，人工智能已从替代体力劳动岗位（如制造业操作工）转向渗透高智能岗位（如代码编写、数据分析）。企业投入巨额资源研发AI的核心目标，是通过减少劳动投入实现劳动生产率跃升。这种“效率优先”的导向，必然对就业市场形成系统性冲击。
随之而来的就是，岗位替代与创造的“时间差”与“结构错配”。传统经济学认为“技术破坏就业但终将创造更多就业”，但这一结论忽视了两个关键矛盾：时间与技能。
时间不对称性：机器替代工人是“瞬间完成”的（如生产线引入机器人），而新岗位创造需经历“技术扩散-产业重构-技能匹配”的漫长周期。以美国为例，制造业岗位被自动化替代后，低技能劳动者转向低端服务业用了数十年，而同期被替代者早已退出劳动力市场。
技能鸿沟扩大：新技术应用提高了企业对劳动者的“保留生产率”要求——即雇主仅愿意雇佣具备更高技能、能匹配技术效率的劳动者。这导致被替代者要么因技能不足长期失业，要么被迫接受更低工资（如从制造业转向餐饮服务业），加剧劳动力市场两极分化。
因此，蔡昉认为，在此背景下，简单批判“卢德主义”已无意义。当代劳动经济学的“搜寻-匹配模型”表明：失业者重新就业需经历信息搜寻、技能重塑、薪资谈判等环节，而AI加速了这一过程的“不平等性”：高技能者可快速转向新岗位，低技能者则陷入“失业-低薪循环”。
现实印证：中国与全球的就业市场变局
面对中国的典型事实：老龄化、自动化与就业转型，社会不可避免会产生恐慌，并不由自主地去寻找出路。
同时，中国作为全球最大的机器人市场（安装量连续多年全球第一），正经历着“未富先老”背景下的自动化加速。数据显示，我国劳动年龄人口自2012年起连续12年负增长，60岁以上人口占比已达20.8%（2023年），迫使企业通过“机器换人”应对劳动力短缺。
这一趋势在制造业尤为明显：过去十年，制造业增加值占GDP比重从32%降至27%，就业人数相应减少。退出制造业的劳动力中，少数返乡从事农业或个体经营，多数流入服务业，但服务业整体劳动生产率（约为制造业的60%）难以支撑薪资水平，导致城市内部收入差距扩大（以泰尔指数衡量，2020年后城市收入差距呈上升趋势）。
与此同时，非单位就业规模激增：全国非单位就业人数达3.1亿，灵活就业人员约2亿，新就业形态劳动者（如网约车司机、快递员）近1亿。这些就业形态虽缓解了岗位短缺压力，但普遍存在社会保障不足、权益易受侵害等问题。
这个时候，如果我们要参考国际理论与经验，那映入我们眼帘的会是：老龄化驱动自动化的“阿西莫格鲁事实”。麻省理工学院教授达龙・阿西莫格鲁的研究揭示了三个关键事实。
老龄化是自动化的新动因：日本、韩国等老龄化严重的国家，机器人密度（每万人安装量）居全球前列。劳动力短缺推高人力成本，迫使企业采用自动化技术，形成“老龄化→劳动力短缺→机器替代”的因果链。
收入差距的双重扩大：自动化既提高资本收益（如企业利润），又拉大高技能与低技能劳动者收入差距。美国数据显示，1980-2020年，前10%高收入群体与后50%低收入群体的收入差距扩大2.3倍，部分源于技术对低技能岗位的替代。
AI应用的“价值选择”：AI可被引向“提高生产率”或“改善服务体验”的不同路径。例如，医疗领域应用AI可选择“让医生看诊量翻倍”（创造就业）或“裁员50%”（破坏就业），这取决于技术应用的社会目标与制度约束。
蔡昉认为，“索罗悖论”（计算机技术普及但生产率统计未显著提升）与“鲍摩尔成本病”（服务业生产率滞后但薪资需与社会平均水平持平）揭示了AI时代的深层矛盾：技术进步可能因应用不均导致“生产率抵消”，而低生产率行业被迫吸纳过剩劳动力，形成“就业数量增长但质量下降”的困境。
应对策略：人力资本升级与制度创新
无论科技的问题还是经济的问题，归根到底都是人的问题。因此我们不可避免最终要回到对人力资本的培养：从“知识储备”到“AI协同能力”。
AI时代的人力资本竞争，已从“人与人的较量”转向“人与AI的协同”。传统以“受教育年限”衡量的人力资本标准逐渐失效，核心能力需转向三大维度：
非认知能力：情商、沟通能力、同理心、创造力等难以被算法编码的能力。莫拉维克悖论表明，AI擅长逻辑推理（如下棋），但难以完成3岁儿童端水避障等“本能任务”，因其依赖人类数百万年进化形成的隐性知识。
终身学习能力：技术迭代周期从“十年级”缩短至“年级”，需建立覆盖“学前教育-职业培训-老年学习”的全生命周期体系。研究表明，儿童早期发展（0-3岁）的教育投入可使成年后收入提升25%-40%，因该阶段奠定非认知能力基础。
教育资源再配置：在保持公共教育支出占GDP4%的基础上，向学前教育（如普及三年免费托育）和职业教育倾斜，缩小城乡数字鸿沟，避免“技术红利”加剧教育不平等。
当然，能力的培养与资源的配置都离不开制度的保障。因此，对于制度创新，尤其是构建AI时代的就业安全网就成为当务之急。我们将构建以下三方面的制度保障。
普惠型社会保障体系：放弃“识别懒汉”的传统思维，转向“兜底+普惠”模式。例如，将灵活就业人员纳入失业保险，探索“基本收入保障”试点，确保技术冲击下的社会底线公平。这符合“瓦格纳定律”——随经济发展，政府社会支出占比需相应提高。
劳动力市场制度革新：针对新就业形态，建立“平台责任共担”机制（如平台与政府共同承担劳动者社保缴费），完善集体协商制度，保障零工劳动者定价权。同时，加强劳动立法，遏制“算法歧视”“隐性加班”等新型剥削。
宏观政策重心转移：传统宏观经济政策侧重解决周期性失业（如疫情冲击下的临时裁员），但当前需聚焦结构性失业。通过产业政策引导AI向教育、医疗、养老等“高社会价值领域”应用，例如开发辅助诊断AI以增加基层医疗服务供给，而非替代医护人员。
未来展望：在技术变革中重构就业伦理
人工智能的终极挑战，是迫使人类重新思考“工作的意义”。凯恩斯在1930年预言“百年后每周工作15小时”，这在西欧部分国家已接近实现（如德国平均工时34小时/周），但中国仍普遍超过40小时。这一差异背后，是技术红利分配与社会价值选择的差异。
马克思曾设想，在生产力高度发达的共产主义社会，劳动将从“谋生手段”变为“自由自觉的活动”：人们可“上午打猎，下午捕鱼，傍晚从事畜牧，晚饭后从事批判”。今天，AI正加速这一远景的可能性：当基础物质生产由技术承担，人类将有更多空间追求创造性劳动与自我实现。
蔡昉认为，实现这一目标的前提，是通过制度创新确保技术红利的社会共享。正如阿西莫格鲁所言，“AI的正确道路不是技术决定的，而是社会选择的结果”。我们需要在效率与公平、技术创新与人文关怀之间找到平衡点，让人工智能成为扩大就业机会、提升劳动尊严的工具，而非加剧分化的推手。
因此积极向前看，人工智能时代的就业变革，既是挑战更是机遇。个人需以终身学习构建“不可替代的能力壁垒”，国家需以制度创新打造“有温度的技术社会”。唯有如此，我们才能在这场前所未有的技术革命中，守住“人”的价值与尊严。
但如果悲观一点看，AI大潮之后，沙滩上露出的不是通用的救生圈，而是无数个形状各异的坑：有人捧着旧船票找不到新船，有人盯着新航线却没有航海图。当机械臂开始给机械臂编程，当算法开始优化算法，那些没来得及重新定义自己的人，正站在时代的十字路口，看着两边的路牌写着“淘汰”与“重构”，手里的简历就像一张泛黄的地图。
是卷赢AI时代，还是被AI大潮卷走，你们自己选。
