人工智能对就业影响的文献综述

1. 人工智能介绍

人工智能(AI)通常被定义为机器模仿人类智能行为的能力(Aghion et al., 2020)。因此，人工智能可以被视为自动化的最新形式。它是继18世纪蒸汽机革命、20世纪初内燃机革命以及20世纪70-80年代半导体和IT革命之后的第四次自动化浪潮。

人们对于人工智能的担忧主要来自于近年来机器学习的成功应用和迅速扩张。机器学习是人工智能的一个分支。在机器学习之前，各种任务只能通过对计算机发出精确指令来执行。多个指令的组合就形成了自动化。然而机器学习的自动化，不需要非常明确的对执行过程进行编程或设计，只需要基于任务相关的训练数据在计算机上运行机器学习算法，规定运行的基本规则和输出的指标。也是因为这样的特征，机器学习模型也被称为数据-计算机-驱动模型，并在任务中作为一个黑匣子，将输入转换为输出。当前的机器学习技术在稳定的环境中表现良好。在这种环境中，它可以处理大数据下的规范数据来实现自动化任务，具有明确定义的目标和指标，没有漫长的推理链，也不需要充分的理解或详细的解释(Brynjolfsson, Mitchell, et al., 2018; Brynjolfsson, Rock, et al., 2018)。

Brynjolfsson, Rock等(2018)认为，我们正面临“索洛悖论”：我们随处可见具有变革性的新技术，但在生产率统计数据中除外。可能是因为新技术的应用和现有框架为适配新技术所做的调整相对于技术的产生具有滞后性，目前能够准确概括人工智能对就业的影响的实证结果还不充分。更多的研究着眼于对人工智能潜在影响的讨论和推测，以及探讨更宽泛的问题——技术进步或者自动化对就业的影响。

我们对自动化、机械化以及机器对人的替代性等问题的讨论可以追溯到工业革命甚至之前。值得庆幸的一个历史经验是：在过去的机械化浪潮中，人们的就业和收入都在增长。人工智能的发展作为技术进步的一种，同样应该能够提高人们的生活水平，创造人类福祉。然而，一些新的研究认为，机器学习技术拥有过去机械化不曾具有的认知功能和进化速度，从而显得与众不同(Martens & Tolan, 2018)。Frey和Osborne(2017)预测未来二十年可能会有一半的工作岗位因为电子计算机化而消失。这些观点加剧了人们对人工智能发展后果的担忧。

    由于关于人工智能对就业影响的研究还不充分，各种观点的支撑证据还不完善，我们不妨先回顾更广泛的机械自动化（或者说技术进步）对就业的影响，再讨论人工智能和以往的机械自动化的差异，以及这种差异让人工智能可能对我们的就业产生怎样不同的结果。

2. 两种生产和增长模型

2.1  传统模型的替代性和互补性

最传统的模型考虑经济增长中人与机器之间的替代性和互补性来探究机械化技术进步对人的影响。

支持互补性观点的研究认为：技术进步造成的该行业劳动力需求的降低会被工资的增加，经济的增长和其他部门的更多就业所抵消。Autor(2015)认为自动化影响劳动力需求的核心经济机制是“自动化提高了（相对于机器）工人能特别提供的劳动的价值”，但因为劳动的产出需求供给弹性低，自动化的产出收益会放大，对劳动力的收入抑制也会提高。同时，考虑到鲍莫尔成本病(Baumol’s cost disease)，高科技产业的技术升级可能会让落后行业的劳动力的相对优势增加，从而促进整体就业(Baumol, 1967)。Autor和Salomons(2017)也发现机器自动化带来的生产率的提高对自身行业的就业负效应会被经济中其他部门的正向溢出抵消，从而使国家层面的就业率增加，符合互补的假设。他们使用美国1960-1998年数据的实证结果也说明数字化导致的重复性工作的劳动需求在下降，非重复性工作的劳动力投入在增加(D. H. Autor et al., 2003)。更新一些的研究也验证了Autor的观点。Deming(2017) 发现技术发展的过程中工人的社交技能的相对优势提高，更好的社交技能可以降低交易成本，并且对社交技能需求高的岗位也增加了。

    相比之下，认为机器和人之间主要为替代关系的研究提出：技术进步导致就业岗位转移，就业产生两极分化的结果，被机器替代的劳动者无法再次加入工作(Agrawal et al., 2018; Karabarbounis & Neiman, 2013)。例如，由于通信技术的进步，机器投资的价格相对下降，促使企业用机器取代更多人力，导致劳动力在产出增加中的贡献占比下降。与此同时，自动化的普及促使企业进行资本积累，自然也就减少了劳动力投入的需求(Karabarbounis & Neiman, 2013)。

2.2 基于任务的模型的替代效应和复职效应

    人工智能的出现也让经济学家提出不同的经济模型来解释技术进步、资本劳动投入关系和经济增长路径等问题。这些模型更加强调替代效应并且在近年来引起了广泛的关注和讨论(Acemoglu & Restrepo, 2016, 2017, 2018, 2018a, 2018b)。研究中两人认为，在以前的传统模型中遗漏了自动化的一个显著特征：它可以在更大范围的工作任务中用机器来取代人力。在他们提出的新模型的框架中，自动化以及人工智能和机器人技术取代了工人的任务（tasks），并且通过这样的取代造成了更大的替代效应（displacement effects）。在许多宏观经济学和劳动经济学中的普遍假设中，提高生产率的技术总是会增加总体的劳动需求，然而Acemoglu认为替代效应可能会减少对劳动、工资和就业的需求。同时，自动化带来的每个工人产出的增加不会导致对劳动力的需求按比例扩大。传统的模型中把技术进步当做生产要素乘子，并用替代弹性来解释技术对就业的影响。但是弹性概念只解释了机器和劳动的相对价格如果影响了二者的市场均衡，并没有指出技术进步影响就业的机制，即自动化的引入在更大范围上从任务内容取代了工人的劳动，而不仅仅是通过影响相对价格。

    Acemoglu和Restrepo(2018b) 将生产过程分为人工任务和自动化任务。自动化扩大了可以由机器执行的任务内容范围，并取代了人工。它不可避免地减少了这项任务的工资增加值份额（value-added share of wage），增加了资本在附加值中的份额(Karabarbounis & Neiman, 2013)。然而，技术创新也可能导致新的任务的产生，这些任务以前不存在，目前也不能由机器完成。这种复职效应（re-instatement effects）增加了人类的就业。计算机的出现所带来的整个计算机技术和服务、以及互联网产业就是对复职效应很好的诠释。替代和复职效应的结合使任务在工人和机器之间重新分配。它们是在传统模式的替代和互补效应之上出现的。与传统替代效应的关键区别在于，后者改变了对工人和机器的需求，而不需要重新分配到特定的任务。

使用基于任务的模型，Graetz和Michaels(2018)首次分析了现代工业机器人的经济贡献，使用了从1993-2007年间17个国家的行业内采用机器人的新的面板数据，以及依赖于机器人在特定任务中的比较优势的新的工具变量，并且发现，机器人使用的增加为年度劳动生产率增长贡献了约0.37个百分点，同时提高了全要素生产率，降低了产出价格。相对的，Acemoglu和Restrepo(2017) 使用基于任务的生产模型分析了1990至2007年间工业机器人使用量的增加对美国当地劳动力市场的影响，并且估计每千名工人中多一个机器人将使就业与人口比例下降约0.18-0.34个百分点，工资下降0.25-0.5%。但情况可能还会更加复杂。Acemoglu等人(2020)在研究中再次强调了Acemoglu和Restrepo(2018b)和Acemoglu和Restrepo(2019)的观点，研究了美国劳动力市场中企业水平的工业机器人变化，并提出企业可能使用自动化技术来降低成本并以牺牲竞争对手为代价来进行扩张，造成替代效应显著大于生产率的结果。同时，通过研究工业机器人对美国劳动力市场的影响，Acemoglu和Restrepo(2020) 从理论上证明，机器人可能会减少就业和工资，并且它们对当地的影响可以通过使用机器人后的变化来估计，并且估计，机器人对通勤区（commuting zone）的就业和工资产生了强烈的负面影响。

Gregory等(2022)使用1999-2010年期间的欧盟数据和基于任务的模型，发现技术的进步会产生很强的替代效应从而减少就业，然而互补需求和溢出效应超过了对替代效应的补偿，所以技术进步的净就业效应是正的。但是，只有在资本收益带来的技术进步的红利可以反馈到产品需求的时候，这个机制才能正常运作。Aghion等人(2020)以Acemoglu和Restrepo(2017)的方法为基础，考察了1994-2014年间自动化对法国就业的影响，发现安装一个额外的机器人会使总就业人数减少10人，并且发现没有受过教育的工人比受过教育的工人受到机器人的负面影响更大。他们把这样的影响归咎于不合适的劳动力市场和教育政策。两种政策降低了人工智能和自动化对就业可能产生的积极影响。可以看到，在讨论这种强调替代性的模型框架时，不同的研究往往需要给定更加具体的条件来讨论，否则可能会出现完全相反的结果。这可能也体现出模型框架的一些不足之处。

人们对基于任务的模型也存在批评，他们认为这个模型缺乏对任务（task）的准确定义。除了生产率效应，机器进步产生积极就业效应的另一种方式是通过出现机器无法完成的新任务。在保持劳动力份额不变的情况下实现平衡增长，需要同时扩大自动化和新任务。但该模型没有定义什么构成一项新任务。与Lin(2011)的观点一致，Acemoglu和Restrepo(2016)认为美国总就业增长17.5%(1980-2007)中有一半是由新职称职业(occupations with new titles)的就业增长来解释的。他们认为，这充分证明新的任务确实正在出现。然而，一项职业可能由许多任务组成。在修改后的一系列任务上贴上新的职业标签并不一定意味着潜在的任务是新的。例如，对数据分析员的需求迅速上升并不意味着这一职业包含了新的任务。相反，这份工作可以被看做贴上了新标签的统计、数学、编程等已有任务的新集合。细化到更加基础的任务来看，很多新的职业不能被认为是机器进步带来的新任务。定义一个任务框架，优化全面和细节之间的权衡才能准确地捕捉自动化对不同任务的影响(Fernández-Macías et al., 2018; Fernández-Macías & Bisello, 2017)。

因此研究者都基于此模型对任务概念做了不同的定义和改进。Arntz等人(2017)认为以前的一些研究忽视了职业内任务的大量异质性以及各种工作在数字转型中的适应性。为了证明这一点，他们使用了详细的任务数据，并表明，当考虑到职业内的任务范围时，美国工作岗位被自动化替代的风险从38%下降到9%。

Gregory等人(2022)依据已有的模型，设计了一个实证上易于处理的基于任务的框架，以估计“常规替代技术变化”(RRTC：Routine-replacing technological change)的总就业效应。虽然RRTC在1999年至2010年期间确实在欧洲产生了强烈的替代效应，但它同时通过增加产品需求创造了新的就业机会，导致净就业增长。然而，技术进步成果的分配关系到其创造就业的潜力。关于新的框架，他们认为：Acemoglu和Autor(2011)调查的一大批文献研究了RRTC导致的相对就业变化，但到目前为止还是忽略了绝对就业效应，这是当前关于劳动力是与机器竞争还是与机器合作的辩论的核心。

    需要注意的是，上述的研究证据和理论都可以追溯到几十年之前人工智能还没有广泛应用的时代。所以更加准确地说，这些研究只讨论了“自动化技术进步”对劳动市场的影响，不能精准地描述人工智能带来的可能，但可以解释人工智能作为一种技术进步对增长和就业发挥作用的部分机制。

3. 人工智能作为一种独特的技术

那么人工智能和以往的技术有什么差异呢？这种差异对经济增长和就业会产生怎样不同的效果？

从Brynjolfsson和McAfee (2014)开始，一个经常被引用的论点是：人工智能是一种通用技术（GPT：General Purpose Technology）[1]。GTP对经济增长尤其重要，因为它们在整个经济中迅速传播，并且产生溢出效应。机器学习的感知和识别能力在生活中无处不在，广泛适用。它的能力可以随着时间的推移而提高，并且应用在许多部门和领域。但是，一旦我们在特定的数据集或者数据类型上部署了机器学习算法，这种算法就只能使用在与该数据集相关的应用程序上面了。比如，人脸识别和智能驾驶的机器学习算法在其他领域或者数据上并不能被应用。不过，机器学习的GPT性质相对于另一种自动化——机器人来说还是很明显的。机器人的应用场景要求相比机器学习会更加具体和复杂不少，这让机器人的设计、制造和参与生产过程的泛化能力都比机器学习差。

    Brynjolfsson和McAffee(2014)对比了对就业和增长持技术悲观和乐观态度的情景。Cowen(2011)和Gordon(2012)等悲观主义者认为：失业率正在上升，在没有重大技术变革的情况下，增长乏力。相比之下，Brynjolfsson和McAffee(2014)这样的乐观主义者认为：失业是快速的技术变革超过了需求的增长造成的，即劳动生产率超过了经济增长。这就是人工智能作为GPT发挥作用的地方：人工智能可以加快技术变革和应用的速度，直到它带来的技术进步超过了经济增长速度。Brynjolfsson等人(2018) 发现的一些证据中表明像人工智能这样的通用技术带来的影响遵循J曲线效应。最初的影响可能是负面的，因为在行业结构的重建和员工再培训方面的大量无形投资拖累了当前的增长，但在以后几年增长会反弹加速。历史证据表明，早期的通用技术也遵循类似的模式。

    人工智能区别于许多其他技术创新的另一个特征是人工智能算法的非竞争性（non-rivalry）。Romer(1990) 已经证明了在非竞争知识的推动下，经济增长是如何加速的，因为生产函数在一阶上不再是同质的，产出相对于投入的弹性将高于1，因为许多代理人分享并使用相同的知识和技术。然而，有了人工智能算法，非竞争性将更进一步——原则上一个算法可以代替该算法对应任务的所有工作人员。这也侧面说明更加强调替代效应的基于任务的模型可能更适合解释人工智能技术对就业的影响。

    一些研究也尝试避开以前模型和相关历史依据以及人工智能和过去自动化的差异，直接预测人工智能对就业的可能影响。Frey and Osborne(2017) 从描述702个职业的技能要求的美国O*Net数据开始，他们评估了三类技能(感知和操纵任务、创造性任务和社交智能)的自动化风险。对这些职业未来自动化的风险进行了评估，方法是询问机器学习专家“在大数据可用性的条件下，能否充分指定这项工作的任务，以便由最先进的计算机控制设备来执行？”他们的结论是，美国47%的工作岗位都面临着自动化的高风险。这个令人瞠目的研究结论让人们也关注到了他们方法论上的局限性。首先，正如作者承认的那样，他们的方法只着眼于自动化最负面的方面，即机器和人力之间的替代，而没有考虑这种替代将引发的互补性和其他潜在的更积极的经济影响。其次，他们从相当高的职业聚集度来看待任务。例如，办公室职员可能会花一部分时间做定义明确的任务，这些任务可以自动化，但也需要创造性、社交和物理操作技能，而这些技能更难自动化。Abuselidze和Mamaladze(2021)根据世界，特别是格鲁吉亚的经验，调查了人工智能对商业的影响，探讨了人工智能发展的阶段和主要趋势。通过分析格鲁吉亚目前的裁员和自动化趋势来评估未来前景。Copestake等人(2021)使用印度最大的招聘网站上的一个新职位空缺数据集，研究了人工智能(AI)对服务行业公司招聘和工资的影响。他们发现：对机器学习技能需求的增长对现有公司发布的职位空缺总数有直接的负面影响，根据丰富的工资待遇数据进一步发现，机器学习需求的增长减少了除薪酬最低的职位外的所有职位的工资待遇。这些视角和方法上看似另辟蹊径的研究在结论上都表现出人工智能对就业有较大负面影响的担忧。

 

    总的来说，关于人工智能对就业影响的研究还没有决定性的结论和比较统一的意见。但正如前面所说，人工智能的发展作为技术进步的一种，在它的作用下整体的生产率可以得到提高，对经济增长是具有积极效果的，也能提升收入和福利。而生产和增长也被除技术进步以外的因素所限制，宏观结果需要考虑制度、人口、企业行为等因素。判断人工智能对就业乃至社会的整体影响仍需时日。因为它的广泛应用会导致大量行业结构的调整和生产要素的再分配。从以往的历史经验来看，这一过程是缓慢且不完善的，还需要高昂的成本。

参考文献：

1. Abuselidze, G., & Mamaladze, L. (2021). The impact of artificial intelligence on employment before and during pandemic: A comparative analysis. Journal of Physics: Conference Series, 1840(1), 012040. https://doi.org/10.1088/1742-6596/1840/1/012040

2. Acemoglu, D., & Autor, D. (2011). Skills, Tasks and Technologies: Implications for Employment and Earnings. In Handbook of Labor Economics (Vol. 4, pp. 1043–1171). Elsevier. https://doi.org/10.1016/S0169-7218(11)02410-5

3. Acemoglu, D., Lelarge, C., & Restrepo, P. (2020). Competing with Robots: Firm-Level Evidence from France. AEA Papers and Proceedings, 110, 383–388. https://doi.org/10.1257/pandp.20201003

4. Acemoglu, D., & Restrepo, P. (2016). The Race Between Machine and Man: Implications of Technology for Growth, Factor Shares and Employment (No. w22252; p. w22252). National Bureau of Economic Research. https://doi.org/10.3386/w22252

5. Acemoglu, D., & Restrepo, P. (2017). Robots and Jobs: Evidence from US Labor Markets (No. w23285; p. w23285). National Bureau of Economic Research. https://doi.org/10.3386/w23285

6. Acemoglu, D., & Restrepo, P. (2018). Automation and New Tasks: The Implications of the Task Content of Technology for Labor Demand. 50.

7. Acemoglu, D., & Restrepo, P. (2018a). Artificial Intelligence, Automation, and Work. In The Economics of Artificial Intelligence: An Agenda (pp. 197–236). University of Chicago Press. https://www.nber.org/books-and-chapters/economics-artificial-intelligence-agenda/artificial-intelligence-automation-and-work

8. Acemoglu, D., & Restrepo, P. (2018b). Modeling Automation (No. w24321; p. w24321). National Bureau of Economic Research. https://doi.org/10.3386/w24321

9. Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3

10. Acemoglu, D., & Restrepo, P. (2020). Robots and Jobs: Evidence from US Labor Markets. Journal of Political Economy, 57.

11. Aghion, P., Antonin, C., & Bunel, S. (2020). Artificial Intelligence, Growth and Employment: The Role of Policy. Economie et Statistique / Economics and Statistics, 510-511–512, 149–164. https://doi.org/10.24187/ecostat.2019.510t.1994

12. Agrawal, A., Gans, J., & Goldfarb, A. (2018). Economic Policy for Artificial Intelligence (No. w24690; p. w24690). National Bureau of Economic Research. https://doi.org/10.3386/w24690

13. Arntz, M., Gregory, T., & Zierahn, U. (2017). Revisiting the risk of automation. Economics Letters, 159, 157–160. https://doi.org/10.1016/j.econlet.2017.07.001

14. Autor, D. H. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3–30. https://doi.org/10.1257/jep.29.3.3

15. Autor, D. H., Levy, F., & Murnane, R. J. (2003). THE SKILL CONTENT OF RECENT TECHNOLOGICAL CHANGE: AN EMPIRICAL EXPLORATION. QUARTERLY JOURNAL OF ECONOMICS, 55.

16. Autor, D., & Salomons, A. (2017). Does Productivity Growth Threaten Employment? 74.

17. Baumol, W. J. (1967). Macroeconomics of Unbalanced Growth: The Anatomy of Urban Crisis. The American Economic Review, 57(3), 415–426.

18. Brynjolfsson, E., & McAfee, A. (2014). Work, Progress, and Prosperity in a Time of Brilliant Technologies.

19. Brynjolfsson, E., Mitchell, T., & Rock, D. (2018). What Can Machines Learn and What Does It Mean for Occupations and the Economy? AEA Papers and Proceedings, 108, 43–47. https://doi.org/10.1257/pandp.20181019

20. Brynjolfsson, E., Rock, D., & Syverson, C. (2018). Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics. In The Economics of Artificial Intelligence: An Agenda (pp. 23–57). University of Chicago Press. https://www.nber.org/books-and-chapters/economics-artificial-intelligence-agenda/artificial-intelligence-and-modern-productivity-paradox-clash-expectations-and-statistics

21. Cowen, T. (2011). The Great Stagnation: How America Ate All The Low-Hanging Fruit of Modern History, Got Sick, and Will (Eventually) Feel Better: A Penguin eSpecial from Dutton (0 edition). Dutton.

22. Deming, D. J. (2017). The Growing Importance of Social Skills in the Labor Market*. The Quarterly Journal of Economics, 132(4), 1593–1640. https://doi.org/10.1093/qje/qjx022

23. Fernández-Macías, E., & Bisello, M. (2017). MEASURING THE CONTENT AND METHODS OF WORK: A COMPREHENSIVE TASK FRAMEWORK. 22.

24. Fernández-Macías, E., Gómez, E., Hernández-Orallo, J., Loe, B. S., Martens, B., Martínez-Plumed, F., & Tolan, S. (2018). A multidisciplinary task-based perspective for evaluating the impact of AI autonomy and generality on the future of work (arXiv:1807.02416). arXiv. https://doi.org/10.48550/arXiv.1807.02416

25. Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019

26. Gordon, R. (2012). Is U.S. Economic Growth Over? Faltering Innovation Confronts the Six Headwinds (No. w18315; p. w18315). National Bureau of Economic Research. https://doi.org/10.3386/w18315

27. Graetz, G., & Michaels, G. (2018). Robots at Work. The Review of Economics and Statistics, 100(5), 753–768. https://doi.org/10.1162/rest_a_00754

28. Gregory, T., Salomons, A., & Zierahn, U. (2022). Racing With or Against the Machine? Evidence on the Role of Trade in Europe. Journal of the European Economic Association, 20(2), 869–906. https://doi.org/10.1093/jeea/jvab040

29. Karabarbounis, L., & Neiman, B. (2013). The Global Decline of the Labor Share (Working Paper No. 19136; Working Paper Series). National Bureau of Economic Research. https://doi.org/10.3386/w19136

30. Lin, J. (2011). Technological Adaptation, Cities, and New Work. The Review of Economics and Statistics, 93(2), 554–574. https://doi.org/10.1162/REST_a_00079

31. Martens, B., & Tolan, S. (2018). Will This Time Be Different? A Review of the Literature on the Impact of Artificial Intelligence on Employment, Incomes and Growth. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3290708

32. Romer, P. M. (1990). Endogenous Technological Change. JOURNAL OF POLITICAL ECONOMY, 34.

33. Stapleton, K., Copestake, A., & Pople, A. (2021). AI, firms and wages: Evidence from India. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3957858

---

[1] 通用技术(GPT)一般用来描述一种重要到足以产生持久总体影响的生产和发明新方法。电力和信息技术(IT)可能是目前最重要的两个GPT。