摘 要：研究目标：总结人工智能作为新一代信息技术的技术-经济特征，厘清其对宏观经济增长、劳动就业及收入分配的影响机制，就人工智能热潮下中国增长和就业的演进趋势进行展望，并给出应对思路和建议。研究方法：以前沿文献和增长理论、发展经济学理论为基础，运用归纳演绎方法对人工智能的技术-经济特征和影响机制进行梳理；通过数据整理和趋势分析，就中国经济增长和就业分配可能受到影响进行情景分析。研究发现：人工智能的渗透性、替代性、协同性和创造性四项技术-经济特征，能推动国民经济各领域各部门高质量增长，而其自身规模壮大也有助于增长质量提升。人工智能及自动化推进中，替代效应与抑制效应作用下就业总量将保持基本稳定，但结构性冲击不可避免。中间层岗位容易被替代，就业结构将呈两极化趋势；伴随结构调整，初次分配中劳动份额将降低，被替代行业中教育和技能水平较低、年龄偏大人群所受损失最大，并扩大收入差距。劳动成本攀升将加速人工智能在中国的推广应用，有力支撑未来中国经济高质量增长；但岗位结构与年龄构成错配和整体受教育程度偏低相叠加，可能在中短期内造成较为严重的结构性失业，扩大不同群体间的收入差距。研究创新：归纳提炼出新式人工智能的技术-经济特征及其对增长就业的作用机制，就未来中国经济增长和就业可能出现的情景进行推演预判。研究价值：及早警示人工智能技术对经济和社会可能带来的负面影响，并从产业政策、行业规制、社会保障、教育培训等方面提出对策建议。
关键词：人工智能、技术-经济特征、高质量增长、就业结构、分配格局
一、引言
2017年是对中国经济社会发展具有转折意义的重要年份。2017年10月，习近平总书记在党的十九大报告中做出了“中国特色社会主义进入了新时代”的重大判断，并对新时代下我国经济社会发展提出了新的目标和要求。在经济发展方面，十九大报告明确指出：“我国经济已由高速增长阶段转向高质量发展阶段，……必须坚持质量第一、效率优先，……推动经济发展质量变革、效率变革、动力变革，提高全要素生产率……”；在民生方面则强调“提高就业质量和人民收入水平。……要坚持就业优先战略和积极就业政策，实现更高质量和更充分就业。……坚持在经济增长的同时实现居民收入同步增长、在劳动生产率提高的同时实现劳动报酬同步提高。……缩小收入分配差距。”上述经济和民生两方面的目标结合起来就是同步实现高质量增长和高质量就业。其中，高质量增长的基本特征是创新驱动和全要素生产率提升，而高质量就业则应表现为居民收入的稳步提高。新时代下，“我国社会主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾”。要解决好上述矛盾根本出路在于解决好发展过程中的不平衡问题，要求我们的高质量增长还应该是一种能让社会全体同步受益的包容性增长；这也是“高质量增长”和“高质量就业”双重目标提出的根本原因。
2017年对于全球科技和产业发展趋势来讲，同样是个重要年份。2016年，借助阿尔法狗与韩国围棋天才李世石的人机大战，“人工智能”开始进入到普通大众视线。2017年，支撑人工智能的算法、芯片等加速进步，无人驾驶、语音识别、图像识别、机器人等多个领域的应用全面爆发，被《华尔街日报》、《福布斯》杂志等称为“人工智能商业化应用元年”。在国内，无论是政府部门还是企业界，对于人工智能都给予了充分的重视。2017年3月份，李克强总理在《政府工作报告》指出要加快培育壮大包括人工智能在内的新兴产业；7月份，为抢抓人工智能发展的重大战略机遇，有关部门按照党中央、国务院部署要求制定《新一代人工智能发展规划》，并由国务院印发实施。与此同时，以BAT等为代表的国内互联网巨头则在无人驾驶、人脸识别、智能家居、智能客服等领域纷纷布局，并快速实现人工智能在多个场景下的商业化应用。
人工智能作为新一代信息技术的重要领域，是一种新型的通用目的技术（GeneralPurposeTechnology，GPT），具有渗透性特征（pervasiveness），能够应用于经济社会、生产生活的方方面面（Trajtenberg，2018）；不经意间，人工智能已经渗透到生产生活的多个环节，并悄然改变着经济社会组织运行的模式。作为人脑的延伸和替代，人工智能在提高生产率方面具有很大潜力（Furman和Seamans，2018）；人工智能的商业化应用将带来应用领域效率的提升，进而带来宏观经济整体全要素生产率的提升，真正实现以创新和知识驱动为特征的高质量增长。虽然人工智能技术能将人类从繁琐的程式化工作中解脱出来，对于应对人口老龄化也是一种有效手段，但其推广也意味着对应用领域（部分）劳动就业岗位的替代，并将最终影响到就业结构及收入分配格局。
18世纪60年代英国工业革命爆发以来，人类社会经历5次技术革命，每一次技术革命都可以看作是自动化进程的又一次深化，在机器替代人的过程中效率与就业之间的冲突及再平衡不断重演。从历史经验来看，自动化推进在消灭部分就业岗位的同时往往也会创造更多新的岗位，使得宏观就业总量总体保持不断增长态势，实现了增长与就业的双赢；然而，在转型过程中，技术进步的副作用仍需要由那些被机器替代的群体去承担，由此衍生出以“卢德运动（Ludditemovement）”为代表的各种社会事件（Auto和Salomons，2017），对特定时期特定国家的社会稳定带来负面冲击。当前加速演进的新一轮科技革命与产业变革本质上可以看作是第六次技术革命，以人工智能为代表的新一代信息技术对经济社会的渗透可以看作是人类自动化进程的继续推进。然而，同以往自动化技术相比，人工智能技术更多是对人类脑力的替代，而以往技术则主要是对人类体力的替代。从对经济增长的支撑方式，到就业岗位替代和衍生的作用机制，人工智能技术与以往的（机械化）自动化技术都存在较大差别；这意味着，人工智能技术的应用推广可能并非以往“自动化进程推进”的简单延续。新时代下，面对人口老龄化加速等现实国情，如何发挥人工智能技术特性和优势支撑经济增长、应对结构性冲击，推动高质量增长与高质量就业同步实现，对学界和政策制定部门提出了全新的课题；而这也正是本文研究的初衷。后续各部分将从人工智能技术-经济特征分析出发，在相关文献评述基础上，尝试梳理分析人工智能影响增长、就业及分配的作用机制，就人工智能热潮下中国增长和就业的演进趋势进行展望，并给出应对思路和建议。
二、人工智能技术-经济特征与增长作用机制
（一）人工智能演进历程及其技术本质
1956年8月，约翰·麦卡锡（JohnMcCarthy），马文·闵斯基（MarvinMinsky）、克劳德·香浓（ClaudeShannon）、艾伦·纽维尔（AllenNewell）、赫伯特·西蒙（HerbertSimon）等科学家齐聚美国达特茅斯学院，探讨“如何用机器模仿人类智能”，并正式提出“人工智能”的概念；1956年也因此被称为“人工智能元年”（集智俱乐部，2015）。在达特茅斯会议之前，香浓完成了三大通信定律、图灵提出了图灵机和图灵测试，为人工智能的产生奠定了理论基础；达特茅斯会议之后，伴随（电子）计算机的发展，纽维尔和西蒙开发出机器定理证明程序、明斯基制造出第一台神经网络计算机（集智俱乐部，2015；李彦宏，2017）。可以说，计算机技术的发展是人工智能发展的基础，而人工智能从一开始就是一种信息通信技术（ICT）。
达特茅斯会议带来了人工智能发展的第一次热潮，但从20世纪60年代中期开始，人工智能先后在机器定理证明、机器翻译等领域遭遇瓶颈，并于20世纪70年代中期陷入第一次低潮；20世纪80年代，专家系统、知识工程等引发了人工智能的第二次热潮，但于20世纪90年代又陷入第二次低潮；2010年以后，随着移动互联网和云计算的兴起，深度学习方法取得快速突破，人工智能发展开始迎来了第三次热潮（集智俱乐部，2015；李彦宏，2017；朱松纯，2017）。人工智能发展兴衰起伏的背后是其赖以支持的技术基础发生了重大变化。从1956年至20世纪80年代中后期，人工智能发展以数理逻辑的表达与推理为主，机器任务的完成都是在规则设定基础上实现的，也被称为“旧式人工智能（old-fashioned AI）”；而20世纪90年代以后的人工智能则主要建立在概率统计的建模、学习和计算基础上，第三次人工智能热潮的出现完全是深度学习推动的结果（朱松纯，2017；Taddy，2018）。
深度学习所包含的很多统计学习/机器学习算法早在20世纪90年代甚至更早时期便已提出，但深度学习技术应用直到2012年前后才呈现出爆发式发展态势；其根本原因在于，2010年以后移动互联网、云计算等新一代信息技术加速商业化应用，为深度学习技术的优化迭代提供了充足的数据基础（训练样本）和强大的算力支撑。相比早期的通过模拟人类逻辑推理和行为规则来实现特定功能的“旧式人工智能”，第三次热潮中的“新式人工智能”（如无特别说明，后续均简称“人工智能”）是一个更为庞大的复杂系统，其构成包括三大支柱（模块），即“通用目的机器学习（generalpurposeML）”“数据生成（datageneration）”和“领域知识结构（domainstructure）”（Taddy，2018）。
包括深度神经网络在内的每一种机器学习算法，本质上都是一个模式识别（pattern identification）工具，其核心（甚至是唯一）功能就是对特定事件的可能结果进行预测，其预测依据的信息基础则是已经发生的同类事件，即训练样本。通常，训练样本越丰富预测结果越准确，为达到较好的预测效果往往需要喂食大量的训练数据样本，由此对数据生成和收集提出了很高的要求；而且处理更大规模的数据需要更强的计算能力与之匹配。当下的新式人工智能系统能够解决那些以往专属人类的复杂问题，其实现途径（或基本思路）就是将特定问题分解为一组相对简单的预测任务，每一项任务分配给某个机器学习算法来处理，由此相当于将各种机器学习算法（算力）组合成一个庞大的复杂系统；而不同算法及对应任务的有机组合则需要依赖复杂问题所属领域知识（domainknowledge）（Taddy，2018）。2010年以前，移动互联网尚未正式兴起，音频、图像、视频等非传统、非结构化数据的采集还处于起步阶段，收集存储、数据处理等技术也未实现大规模商业化应用，无论是数据规模还是计算能力都不足以支撑各种机器学习算法实现高精度预测。而2012年前后，以Hadoop分布式系统架构、MapReduce并行运算编程模型、4G移动通信网络等技术的大规模商业化应用推广为标志，海量数据的生成（收集）、存储、处理等问题在几乎同一时期内得到有效解决，机器学习算法的预测效果也得以大幅提升，从而推动各种人工智能系统的快速发展。
海量数据下机器学习预测效果能够大幅提升的内在机制在于，机器学习方法完成任务的方式是纯粹的数据驱动模式，而非传统以规则设定和逻辑推理为基础的理论驱动；其背后则涉及到人类认知方面的所谓“波兰尼悖论（Polanyi‘sparadox）”及其破解。1966年，英国著名物理化学家、哲学家迈克尔·波兰尼（MichaelPolanyi）发现：“我们知道的可能比我们能够明确说出来的要多”；比如，司机的驾驶技能，除了汽车原理和驾驶原理方面的显性知识（explicitknowledge，也称编码知识，codifiedknowledge）外，还包含大量默会知识（tacitknowledge），仅靠驾校的理论学习是无法掌握的（Autor，2014）。旧式人工智能的规则设定和逻辑推理依据的是各种显性知识，一旦遭遇需要默会知识的场景，其识别或预测就容易出错。以椅子的识别为例，椅子的特征通常包括腿、扶手、座位、靠背等，以这类显性知识作为规则进行编程来进行物体识别，则很有可能将没有扶手和靠背的椅子识别为小桌子；而一个正常三岁儿童能轻松辨认出哪个是椅子哪个是桌子，也就是说我们并不能完全清晰地描述出三岁儿童能识别出的物体的所有信息/知识（Auto，2015）。可以说，默会知识的存在是旧式人工智能功能受限、两次遇冷的重要原因。显性知识（编码知识）对应于规则、逻辑、推理，属于人类的高阶智慧；而默会知识则更多对应于无意识的直觉，属于人类进化过程中更早拥有的感官运动性低阶技能（low-level sensorimotor skills）。
在人工智能和机器人领域，高阶智慧的实现只需要少量的计算能力，而低阶技能的实现却需要极大的运算能力，这就是人工智能实现认知功能过程中存在的“莫拉维克悖论（Moravec’sparadox）”。莫拉维克悖论在20世纪80年代由汉斯·莫拉维克（HansMoravec）、罗德尼·布鲁克斯（RodneyBrooks）、马文·闵斯基等人共同提出并阐释。正是莫拉维克悖论的存在使得旧式人工智能在计算能力有限的条件下仍能实现诸如跳棋、数学定理证明等属于高阶智慧的功能；而波兰尼悖论的存在则是旧式人工智能功能单一、无法完成那些看似基本却包含众多默会知识任务的根本原因。事实上，罗德尼·布鲁克斯根据莫拉维克悖论，跳出原有的旧式人工智能框架，建造了一种没有（逻辑）辨识能力只有感知和行动能力的机器，由此直接影响到后续机器人和人工智能研究的进展。当下基于数据驱动的新式人工智能，其运行机制就是运用数据和计算能力优势，提炼出各种隐含的默会知识，进而实现更为通用和复杂的功能。无论是旧式人工智能还是新式人工智能，其本质都是信息通信技术（ICT）；当然，新式人工智能的实现需要依托移动互联网、云存储、并行计算等实现海量数据的生成处理，可以算是新一代信息技术的集成，同时也是新一代信息技术的组成部分。
图1.波兰尼悖论、莫拉维克悖论与新旧人工智能内在关联示意图
（二）人工智能技术-经济特征与影响宏观增长机制
人工智能作为新一代信息技术理所当然具有一般ICT的基本技术-经济特征，即渗透性（pervasiveness）、替代性（substitution）和协同性（synergy/cooperativeness）（蔡跃洲，张钧南，2015；蔡跃洲，2017）。渗透性是指某项技术所具备的能够与经济社会各行业、生产生活各环节相互融合并带来经济运行方式改变（的一种潜能）（Bresnahan和Trajtenberg，1995）。渗透性可以算作是通用目的技术（GeneralPurposeTechnology，GPT）最基本的技术-经济特征，也是GPT领域出现激进式创新后能够引发技术革命，带来技术-经济范式转换的技术基础。人工智能是新一代信息技术的重要组成部分，而ICT又是典型的通用目的技术，因此，渗透性也自然应是人工智能的技术-经济特征。ICT的替代性通常是指ICT作为一种资本要素对其它非ICT资本要素不断替代的事实，该现象出现的根本原因在于以芯片为代表的ICT硬件多年来一直遵循“摩尔定律（Moore‘sLaw）”呈现出实际价格持续下降的趋势（Jorgenson和Stiroh，1999；Jorgenson，2001）。人工智能的替代性与其他ICT的替代性似乎还略有不同，不仅体现为资本要素内部ICT资本对非ICT资本的替代，更体现为人工智能对劳动要素的直接替代。协同性更多是指生产过程中ICT产品的应用能够提升其它要素间衔接配合的契合度，降低摩擦成本，从而提高运行效率（David和Wright，1999；Bartel等，2007；Ketteni，2009）。另外，人工智能对于劳动要素的替代不仅在于体力，更在于脑力或者说创造性活动的替代；由此引出人工智能专属的第四项技术-经济特征创造性（creativeness）。
人工智能渗透性、替代性、协同性、创造性这四项技术-经济特征，在很大程度上决定了其影响宏观经济增长的作用机制。首先，渗透性特征决定了人工智能对经济增长影响的广泛性和全局性；即便人工智能当下所产生的影响还仅仅是局部性的，但渗透性特征也意味着人工智能具备全局性影响的潜力。其次，人工智能技术替代性的发挥将是“人工智能资本”作为一种独立要素不断积累并对其它资本要素、劳动要素进行替代的过程；从生产函数和增长核算视角来看，伴随人工智能资本的积累，其对经济增长的支撑作用也将不断提升。第三，人工智能协同性特征带来的（生产活动）投入产出效率或者说全要素生产率的提升，在微观层面将体现为企业利润盈余的增加，并最终转化为宏观经济GDP的增长。第四，人工智能的创造性特征将通过知识生产促进技术进步，从生产函数和增长核算视角来看，最终也将体现为全要素生产率的增长。当前，人工智能创造性促进技术进步的核心在于提高研发效率。在基因组学、药物发现、材料科学、量子物理等领域，研发过程具有“大海捞针”的特点，即能够确定创新存在于已有知识的某种有用组合，但是有用知识范围却广泛复杂，要找出来极不容易；而人工智能技术的突破性进展，则使得研究人员能够大大提高识别效率，找出那些最有价值的组合（Agrawal，McHale和Oettl，2017）。比如在生物医药领域，应用深度学习技术和已有的数据，可以较为准确地预测出药物试验的结果；对于早期的药物筛选（early stage drug screening）来说，便可以减少一些不必要的检验，从而提高筛选效率，识别出那些成功概率更大的候选分子；人工智能技术也因此被称作是一种“发明方法的发明（Invention of a Method of Invention，IMI）”（Cockburn，Henderson和Stern，2017）。
另外，人工智能技术作为新一代信息技术的集成，是由数据生产、算法及软件开发、芯片、存储器、其它硬件设备等技术和产品共同支撑而形成的复杂系统。系统内各环节对应的产品及服务已经形成了一个较为独立的产业生态体系。人工智能技术对经济社会各领域的不断渗透，将带来各关联环节产品服务需求的上升，进而引致对应细分行业规模的扩大；而人工智能产业体系的不断壮大，将对宏观经济增长形成直接支撑。
图2.人工智能技术-经济特征与影响增长作用机制示意图
从图2及前述机制分析可以看出，人工智能可以通过两种途径影响宏观经济增长：一是借助其作为新一代信息技术所具备的渗透性、替代性、协同性、创造性四大技术-经济特征，通过增加要素贡献、提高投入产出效率、加快知识创造等机制，推动国民经济各领域各部门增长，进而影响宏观经济增长；二是人工智能技术所涵盖的产业生态体系在渗透影响国民经济各领域的同时，自身规模也将随之壮大，进而助力宏观经济增长。第一种途径下，投入产出效率、知识创造都将带来宏观经济全要素生产率的提升，这样的增长显然是我们所追求的高质量增长；而第二种途径下，人工智能及其它新一代信息技术产业的壮大，意味着高技术含量部门的壮大，完全符合产业结构优化升级的方向。据此，我们可以认为，发挥人工智能对宏观经济的支撑作用，有利于实现高质量增长。
（三）新“索洛悖论”与人工智能支撑增长的前提
尽管人工智能在理论上具有支撑宏观经济增长的多重机制，但经济运行的实践往往与理论预期存在较大偏差；其中，争议最大的就是人工智能在提升生产率方面的作用。Brynjolfsson，Rock和Syverson（2017）利用图像识别率提升、投资增加等方面的零星数据展示了2010年以来人工智能领域的快速发展，并将其与2005年以后美国乃至全球（劳动）生产率增速显著下降的现实相对比，据此提出“新索洛悖论（Modern Solow’s Paradox）”。Gordon（2018）对比美国经济增长和专利增长数据发现，2006-2016期间类似“新索洛悖论”的现象存在于整个创新活动；一方面技术创新的部分似乎在不断加快，而另一方面生产率提升放缓趋势也非常明显。统计数据上表现出的“新索洛悖论”及“创新增长悖论”，一定程度上源于测算方面的误差（或低估）；举例而言，诸如智能手机、社交平台、网络视频等基于新一代信息技术的产品和服务，能够给使用者带来更多的消费者剩余，但在现行的国民经济统计核算体系下却不能反映在GDP上，进而低估了生产率提升的程度（Brynjolfsson，Rock和Syverson，2017；Gordon，2018）。与此同时，新一轮科技革命加速演进背景下媒体的集中关注也让人们对人工智能在生产率提升方面的作用产生了过高的预期，某种意义上放大了“新索洛悖论”的程度。
尽管存在生产率提升预期过高、实际增速低估的情况，但现阶段人工智能在提升生产率方面的作用尚不显著仍是客观事实；而其背后的根本原因在于技术突破应用与生产率效应显现之间往往存在较长时间的时滞。一方面新技术对应的存量资本积累到具有全局影响的规模是需要一定时间的，另一方面重大技术发挥作用还需要互补性技术（complementarytechnology）、基础设施、人员素质、制度环境等多种因素与之相匹配（Brynjolfsson，Rock和Syverson，2017）。Brynjolfsson和Hitt（2003）针对企业层面的实证研究表明，ICT投资一年后会对生产率发挥较小的促进作用，滞后越长作用越大，大约7年达到顶峰；原因在于企业组织、流程再造、员工培训甚至企业文化，都需要围绕ICT资本的应用做出适应性调整。Fueki和Kawamoto（2009）利用1975年至2005年日本分行业数据的实证结果表明，生产率提升不仅存在于ICT生产部门，同样也广泛存在于ICT使用部门；由于互补性人力资本积累需要时间，ICT使用部门生产率的提升在时间上有着5-10年的滞后。我们针对中国的实证研究也表明，ICT资本增长对滞后5期的全要素生产率增长有显著的促进作用。事实上，类似的悖论早在电气化革命时代就曾经发生过。19世纪70年代，电力已经开始进入生产领域，而截至1919年美国至少还有一半的制造业没能实现电气化；但此后，电气化“中心化能源供给使得工厂可以重新组织生产流程”、“每台机器都可以有专属电机使得工厂选址和生产线设计变得更有弹性”等优势充分显现出来，并带来生产率的提升（David，1991；David和Wright，1999）。
无论是从作用机制还是从历次技术革命和自动化推进的经验来看，人工智能作为一项革命性的通用目的技术，其应用推广必将带来全要素生产率提升，支撑宏观经济高质量增长。当然，要充分发挥出人工智能技术在提升生产率方面的潜力，必须从互补性技术、人员素质、组织架构、行业规制等多方面完善配套条件。而这也必将是一个相对较长的渐进过程。
三、人工智能对就业及收入分配的影响
工业革命以来历次技术革命的经验表明，每一次技术革命推动经济增长的过程从来都是偏向性而非中性的。这种偏向性既体现在资本与劳动之间、也体现在劳动就业内部不同群体之间，由此引发就业总量、就业结构及收入分配的调整。
（一）人工智能影响就业的作用机制
渗透性和替代性特征决定了，伴随人工智能技术在某个行业领域的应用推广，人工智能资本要素的积累不仅会替代其它“非人工智能（或非ICT）资本要素”，更能直接对劳动要素进行替代，从而带来部分既有劳动就业岗位的直接消失；这就是人工智能对就业岗位的替代效应（displacementeffect/substitutioneffect）(Acemoglu和Restrepo，2016，2017，2018；Gregory，Salomons和Zierahn，2019)。事实上，工业革命以来，与历次技术革命相伴随的自动化进程，每一次都会引发就业方面的替代效应，导致部分就业岗位的直接消失。然而，从就业总量来看，在过去的一个多世纪里各国就业人数基本保持着不断增长的态势（Bessen，2018）。就业岗位消失与就业人数增长并存的根本原因在于，自动化推进也能产生正向的溢出效应，间接创造出新的就业岗位，抵减替代效应对就业的负面影响，也被称为抑制效应（countervailingeffect）（Acemoglu和Restrepo，2018；Autor和Salomons，2017，2018）。
抑制效应可以进一步分为补偿效应（compensationeffect）和创造效应（creationeffect）（Acemoglu和Restrepo，2018；Bessen，2018；Furman和Seamans，2018）。补偿效应主要是人工智能替代性带来的效率提升将引致相关产业规模的扩大，通过规模扩大弥补单位产出就业岗位的减少，具体又可细分为三种情形：（1）生产线上不易被人工智能替代的任务和环节，需要增加就业岗位数量才能对接匹配生产率大幅提升的可替代环节；（2）效率提升带来的成本下降，使得企业有条件扩大再生产，增加生产线或经营单元，这两种情形下的就业岗位增加本质上是由社会对被替代行业产品需求所引致的，可以称为“（产品）需求效应（productdemandeffect）”；（3）效率提升带来的成本和产品价格下降，客观上增加了居民收入，引致对其他行业需求的增加，从而推动其他行业规模的扩大和就业岗位的增加，该情形也被称为“溢出效应（spillovereffect）”（Autor和Salomons，2017；Acemoglu和Restrepo，2018；Gregory，Salomons和Zierahn，2019）。如果仅有补偿效应，即使发挥再充分，持续的自动化还是会降低劳动在国民收入中的份额，甚至是绝对的就业数量。然而，Acemoglu和Restrepo（2018）在分析工资收入的历史数据后发现，尽管工业革命以来自动化替代劳动的进程在不断推进，但劳动收入占国民收入份额在（20世纪80年代前）的很长时间里都保持相对稳定；这是因为还存在另外一种更有力的抑制效应，那就是创造效应（或称“复原效应”，reinstatementeffect）。工业革命以来，新工种、新岗位的创造始终伴随着自动化进程的推进；19世纪、20世纪，纺织、冶炼、农业及其他产业中的各种任务被自动化替代的同时也衍生出工程师、维修工、后台保障、管理、财务等一系列新工种、新岗位；人工智能作为当下最重要的自动化技术，（至少在近期）同样有望创造出诸多新的工种和岗位（Acemoglu和Restrepo，2018；Furman和Seamans，2018）。
需要特别指出的是，在自动化推进过程中，发挥抑制效应（特别是补偿效应）作用，实现就业总量的稳态增长，隐含了两个前提条件。一是补偿效应（特别是需求效应）的发挥在很大程度上取决于自动化替代行业产品的供需状况；如果某个行业产品的需求已接近饱和，行业没有扩大规模的空间，自然也就无法发挥出补偿效应；在开放经济条件下，由于部分需求可以被国外厂商满足，也会削弱补偿效应的作用（Autor和Salomon，2017；Bessen，2018）。考虑到人类需求所具备的“非餍足性（non-satiation）”特征，需求饱和的情形并不多见；而且即便存在某些低端产品服务需求饱和的情形，也会衍生出更多高端产品服务的需求。二是自动化技术替代的有限性，即无法对所有现存就业岗位进行替代，这是抑制效应发挥作用更为根本的前提。补偿效应的实现本质上就是通过不可替代岗位的增加对可替代岗位的减少进行补偿，如果所有的就业岗位在技术和经济层面上都可替代或者说都被自动化技术所替代，那么任何需求的满足都无须由人来完成，需求也不会对就业岗位产生任何影响，相应的补偿效应及创造效应也都不复存在（Bessen，2018）。
图3.人工智能影响就业岗位的作用机制示意图
（二）人工智能对就业总量的潜在影响
根据前述机制分析，人工智能技术的应用推广，既有直接减少就业岗位的“替代效应”，也有间接增加就业岗位的“抑制效应”；因此，有关人工智能对就业总量的影响存在两种截然不同的观点。一种较为普遍的观点主张，人工智能作为一项重大技术变革，本质上是人类自动化进程的延续（或新阶段），其对人的替代只能是部分功能或任务（task）上的替代；而历史经验也表明，有关重大技术变革带来负面影响的悲观预测从未真正成为现实；人工智能技术的兴起固然会带来很多职业和就业岗位的消失，但也会衍生和创造出很多新的就业岗位，并最终达到总量上的平衡甚至稳步增长（Acemoglu和Restrepo，2018；Trajtenberg，2018；Aghion，Jones，和Jones，2017；Bessen，2018）。Holford（2018）还从认识论层面探讨了人工智能的本质及其对人的替代。在Holford（2018）看来，人工智能更多是以统计算法将所有人类行为和活动通过分割进行模拟、预测进而决策，依赖的主要还是编码知识（codifiedknowledge），在认识论层面还属于还原论，而人类的认知具有整体论和系统论特性；因此，人工智能无法（完全）认识人类与生俱来的复杂性、创造性及关联的默会知识，也无法完全替代人。根据前面的机制分析，只要人作为劳动者的作用无法被完全替代，就有可能通过补偿效应和创造效应平衡替代效应减少的就业岗位，实现就业总量的稳态均衡。
与多数学者持有的较为乐观的“影响中性”观点相对比，也有一些学者持有相对悲观的观点，或者至少对人工智能热潮下“自动化进程就业总量影响中性”的历史能否重演提出了质疑。虽然Autor和Salomon(2017)的实证分析支持了现阶段“影响中性”的判断，但对于此次人工智能应用为核心的自动化究竟会带来怎样的后果，Autor（2015）也是存有疑虑的。毕竟，以往的机器替代人力带来的就业岗位减少，能够通过办公室岗位的增加进行抵消；然而，现在的问题似乎是办公室工作也开始被替代了（Autor，2015）。事实上，18世纪中后期工业革命以来，自动化进程的推进在大多数时候都表现为机器对人类体力的不断替代，而每一次体力替代的同时也留下或衍生出大量只能由人去完成的工作；然而，人工智能技术出现后，机器学习算法能够在很大程度上实现对人类智力的替代，完成很多以往只有人类才能完成的工作，因此，人工智能技术可能不是自动化进程的简单延续，而很可能是人类技术进步的顶峰（Korinek和Stiglitz，2017；Furman和Seasman，2018）。Furman和Seasman（2018）还明确表达了对人类作为劳动者命运的担忧，并援引特斯拉创始人埃隆·马斯克（ElonMusk）关于“人工智能是威胁人类生存的最大威胁（fundamentalrisk）”的论断作为警示。
当然，从既有的实证研究来看，近期的实证研究基本都支持“就业总量影响中性”的主张。Dauth，Findeisen等（2017）对德国数据的分析也表明，每增加1台工业机器人会带来2个制造业就业岗位的消失，但是在服务业会出现足够多的新增就业岗位，从而抵消了制造业领域就业净减少的趋势。Autor和Salomon(2017)从宏观、行业和不同技能水平的劳动者群体三个层面对自动化技术和人工智能的替代效应和溢出效应进行了检验。Autor和Salomon(2017)基于35年数据的实证分析表明，尽管生产率上升的行业呈现出劳动力占比下滑趋势，但宏观就业增长趋势依然成立，即技术进步没有威胁劳动就业总量。而Graetz和Michaels（2015）的实证甚至发现自动化对应用行业本身的影响也是不确定的。据此，我们主张，就业总量基本稳定的趋势还将延续一段时间；在中短期内，人类作为劳动者完全被替代的极端情形应该还不会出现。
（三）人工智能对劳动就业结构的影响
近期内，虽然无需过度担忧就业岗位总量的大幅减少，但是人工智能还是会对劳动力市场和就业结构带来重大甚至是破坏性的冲击（Korinek和Stiglitz，2017；Bessen，2018；Betsey，2018）。Frey和Osborne(2016，2017)将“社交智慧（socialintelligence）”、“创造力（creativity）”、“感知和操作能力（perceptionandmanipulation）”作为评价某项职业是否易于被人工智能替代的衡量标准，并对美国702项职业的自动化替代风险进行分析，结果表明47%的职业都面临被人工智能和自动化替代的风险；其中，交通运输、物流、办公室和行政支持等都属于高替代风险行业。根据图3的机制分析，人工智能及其他自动化技术的推广应用，在消灭一部分就业岗位的同时会衍生（创造）出新的就业岗位；伴随就业岗位的消失和新增，劳动力要素重新配置并最终达到就业总量的稳态均衡。然而，劳动者个人在新旧职业岗位间的转换通常不大可能实现无缝对接，而劳动力要素的大范围重新配置更不可能在短时间内无摩擦实现，相反需要承担大量的社会成本（Acemoglu和Restrepo，2018）。
从职业的技术含量和劳动者素质来看，收入水平处于底层的低技能岗位相比高收入高技能岗位，通常被认为更容易为人工智能所替代（Acemoglu和Restrepo，2017；Seasman，2018）。不过劳动力市场结构变化的相关实证研究却显示，中间层就业岗位更容易被替代。Michaels等（2013）运用美国、日本和9个欧盟国家1980-2004年的行业数据对ICT投资与劳动力结构变化情况进行分析，结果表明：那些ICT投资增长快的行业部门对高等教育水平劳动力的需求迅速增长，而对中等教育水平劳动力的需求则大幅下降。Goos等(2009，2016)对16个欧洲（西欧）国家的实证研究则发现，这些国家劳动力就业结构变化呈现出两极化趋势（或简称“极化现象”），即高收入、高技能岗位与低收入、私人服务型岗位的比重同步上升，制造业工人和程式化办公室职员等中间层岗位的比重不断下降。包括人工智能在内的ICT，既能替代中等技能水平劳动者规律性、程序化的工作，也能辅助高技能（教育水平）劳动者完成分析类工作，而对于那些劳动力市场中的非程序化低端就业岗位（如园丁、厨师、手工工匠等）的影响则较小；因此，随着ICT应用范围的扩大，必然会带来劳动力就业结构的极化现象（Autor等，2003）。另外，随着自动化进程的推进，第三产业就业岗位所占比重将不断上升，而服务业的劳动力技能水平恰恰呈双峰分布，即绝大部分劳动力集中分布在高端和低端两极，从而强化了就业结构的极化现象(Autor和Salomon，2017)。
当然，可能由于媒体报道的渲染作用，在自动化推进过程中，我们往往夸大了机器对人的替代作用而忽略了机器与人之间的互补作用；考虑到人工智能及其他自动化技术对劳动力的辅助作用，劳动力就业市场的两极化趋势或许并不会持续很久，未来仍将有大量中层工作岗位被保留，而岗位性质将适应技术变革需求而变得更加多元，由机器完成程式化任务、劳动者完成非程式化任务（Autor，2014，2015）。
（四）人工智能对收入分配格局的影响
人工智能及其他ICT推动的自动化进程，在形成劳动力就业结构两极化趋势的同时，必然会带来收入分配格局的重大调整。经济增长过程中，劳动与资本的相对回报以及劳动报酬占国民收入比重历来是学界和决策部门关注的焦点。在20世纪的大部分时间里，资本和劳动在国民收入中的份额都表现出基本稳定的状态，这与“卡尔多典型事实（Kaldortypicalfacts）”也是相符的（Aghion，Jones，和Jones，2017；Kaldor，1961）。进入21世纪后，伴随着劳动回报的下降，上述稳态开始被打破；以美国为例，1947-2000年，劳动报酬在国民收入中的平均占比为64.3%，而此后的10年持续下降，到2010年3季度已降至57.8%（Fleck等，2011）。在美国之外，其他主要经济体甚至从20世纪80年代便出现了劳动报酬占比下滑的势头；与之相对，资本回报在全世界范围内则呈现上涨趋势，更多的收入和财富向少数资本所有者聚集，加剧了分配的不平等（Karabarbounis和Neiman，2013；Piketty，2014）。人工智能应用带来的生产效率提升，将会继续提高资本要素回报率，扩大劳动要素与资本要素的回报差距（Autor，2014）。与此同时，人工智能技术的应用推广也是资本深化的过程，将进一步降低劳动报酬在国民收入中的比重，加剧资本和劳动两种要素在国民收入（初次分配）中的占比差距。
在劳动者群体内部，人工智能带来的就业结构变化则会转化为不同群体之间收入差距的扩大。一方面，劳动就业市场的两极化趋势下，原本处于中层收入岗位的劳动者，或者失业或者向低端岗位下滑，从而扩大了劳动者内部的收入差距。另一方面，就业结构调整后，低技能岗位的就业人数增长，竞争更加激烈，工资下行压力持续加大，导致高技能人群与低技能人群之间的工资差距不断扩大，最终表现为收入分配上对高学历、高技能劳动者群体的不断倾斜（Auto和Salomons，2017；Aghion，Jones，和Jones，2017）。自动化推进过程中，劳动者内部不同群体间的收入分化（极化）现象在实证层面得到了多方印证。Acemoglu和Autor（2011）利用1963-2008年间美国劳动力市场数据，在将劳动者按学历划分为高中肄业、高中毕业、接受过高等教育、本科毕业、研究生毕业五个群体的基础上，分析了不同教育水平群体间收入差距变化，结果表明：20世纪80年代以后，本科以上学历群体收入不断增加，其中研究生群体的收入涨幅最大；本科学历以下劳动群体的收入水平则陷入停滞，高中肄业群体的收入甚至开始下降。Katz和Autor（1999）对美国和多个OECD国家的工资结构变化的研究也表明：虽然技术进步不会威胁劳动力就业岗位的总数量，但是许多与自动化技术高度互补的高薪职位对于未受过高等教育的劳动者群体来说却是遥不可及的；美国及其他很多发达经济体的收入分配都明显偏向于受过高等教育的精英群体。而Brynjolffson和McAfee（2014）的研究表明，美国中层收入群体的实际收入水平在1999年达到峰值（$54，932）后持续下降，2011年跌至$50，054，跌幅近10%，而同期美国GDP始终保持增长。
1980年以来收入差距不断扩大的趋势在很大程度上表明，自动化推进和技术进步带来的效率提升及相应的经济收益并没有让大多数劳动者群体从中受益（Betsey，2018）。当前，以人工智能技术应用为核心的自动化进程同样将为全社会带来巨大经济收益，但（如果缺乏有效再分配机制）必然会导致收入分配差距扩大，且注定有部分群体会成为利益受损者；其中，具有良好教育背景和技术专长的青年人有望从中受益，而那些身处被替代行业、受教育程度低于平均水平且人过中年的人群则会面临巨大福利损失（Trajtenberg，2018；Betsey，2018）。
四、人工智能热潮下中国增长与就业前景展望
（一）ICT与人工智能有望提升效率支撑高质量增长
中国作为世界第二大经济体、全球第一人口大国和第一制造业大国，拥有人工智能技术最广阔的应用市场。根据前面第二部分的机制分析，新一代信息技术所具备的渗透性、替代性、协同性等技术-经济特征决定了，其推广应用对于提升全要素生产率、实现经济高质量增长具有重要支撑作用。在过去20年时间里，互联网、移动通信的推广普及在中国本土催生了以BAT为代表的全球互联网巨头，并极大提升了经济社会运行效率；而相关的实证研究也能从定量角度对此进行佐证。
从表1可以看出，2010-2014年期间，中国经济增长中全要素生产率的贡献相比此前10年出现明显下降；其中，2010-2012年、2012-2014年的贡献率分别为28.3%和33.1%，远低于2000-2005年、2005-2010年两期的平均贡献率，也低于改革开放以来的平均贡献率。从中折射出的经济增长质量下降，一个可能的解释是应对2008年金融危机的4万亿投资效率低下（蔡跃洲、张钧南，2015）。2014年以后，全要素生产率对中国经济增长的贡献率明显提升，这很大程度上源于新一代信息技术的大范围推广应用。而相应的计量检验也表明，ICT资本积累推动了全要素生产率的提升，ICT的这种支撑作用存在一定的滞后期（蔡跃洲、张钧南，2015；蔡跃洲、牛新星，2018）。
人工智能技术代表着新一代信息技术的前沿方向，并且与大数据、云计算、宽带移动通信等其他新一代信息技术形成了互为支撑、协同演进的技术体系。新一代信息技术之间的协同加上人工智能技术在知识生产方面所具备的创造性特征，将为中国经济提高全要素生产率、实现高质量增长提供更为有力的支撑。另外，从劳动生产率来看，人工智能及其他自动化技术的应用必然带来更多资本积累，伴随资本深化，劳动生产率也会得到进一步提升。考虑到中国老龄化进程加速和消费升级的客观现实，未来以老年康养为代表的高端服务业既面临需求快速增长的机遇，但也存在劳动力短缺的现实风险，而劳动生产率的提升将有利于应对上述矛盾，支撑这部分行业的健康快速发展。
（二）劳动成本攀升加速人工智能技术推广应用
2012年末，中国大陆15至59岁劳动年龄人口为93727万人，首次出现下降，比2011年下降0.6个百分点，劳动力供给充裕的局面不复存在。与此同时，伴随着宏观经济的持续快速增长，中国的人均GDP也不断攀升，至2018年已接近1万美元，由此推高劳动用工成本。在这种背景下，采用人工智能及其他自动化技术对人工进行替代正成为中国企业降低成本、提高效率的必然选择。
图4.2012年以来中国制造业就业人数与工业机器人销量对比
图5.2012年以来中国制造业平均工资水平与工业机器人销量对比
我们从IFRWorldRobotics2018、《2018机器人产业发展研究报告》、中国机器人产业联盟网站等渠道收集了一些有关机器人销售量、应用领域分布等零星数据，并整理了《中国统计年鉴》《中国劳动统计年鉴》中制造业劳动就业的公开数据。这些数据虽不足以支撑开展严密的计量分析，但可以大致反映2012年以来中国制造业领域机器替代人工的基本情况。
从图4、图5可以看出，2012年以来，中国制造业就业人数呈现出明显的下降趋势，由2012年的大约5274万人下降到2016年的4893.8万人，其中，2014年以后下降幅度明显增大，2015年和2016年的降幅均超过3%。同期，国外公司在华工业机器人销量则呈现持续快速增长，由2012年的2.3万台增加到2017年的13.8万台，增长近5倍。另外，近年来中国制造业平均工资水平也呈现快速增长势头，年工资由2007年的18482元逐步攀升至2016年的59470元，增长2.2倍。三个指标短期内所表现出的上述趋势，在很大程度上佐证了关于“制造业用工成本攀升，推动企业机器换人”的基本判断。
上述判断还可以通过制造业细分行业的相关数据得到进一步佐证。表2、表3是不同机构给出的工业机器人销售、应用细分行业分布状况。尽管在行业划分标准上存在一定差异，但从中不难看出，工业机器人（销售）应用的重点领域涉及“汽车制造业”“计算机通信和其他电子设备制造业”“电气机械和器材制造业”“金属制品业”、“化学原料和化学制品制造业”“食品制造业”等6个制造业细分行业。从表4中列示的这6个细分行业相关数据可以看出，2012-2016年，6个细分行业的产业规模和平均工资均保持连续增长；其中，汽车制造业的产值和平均工资的增幅都是最大，2016年相比2012年分别增长60.9%和53.9%。与此同时，“计算机通信和其他电子设备制造业”、“电气机械和器材制造业”“金属制品业”“化学原料和化学制品制造业”的就业人数（年末人数）从2014年以后连续2年都出现下降，其中，“化学原料和化学制品制造业”的累计降幅达到8.7%；“食品制造业”的就业人数则呈现基本稳定，略有下降的态势，2016年相比2013年下降0.3%；“汽车制造业”就业人数虽有增加，但2016年相比2014年仅增加2.2%，而同期产值规模增幅则达到21.3%。
需要指出的是，当下中国制造业中的机器替代人工并不完全是人工智能技术对人的替代，而是人工智能与其他自动化技术共同替代的结果。从工业革命的角度来看，此次以大数据、人工智能等新一代信息技术为核心的重大技术变革对应于第四次工业革命，前三次分别可称之为“机器与蒸汽革命”、“钢铁与电力革命”、“信息化革命”（克劳斯·施瓦布，2016；Gordon，2012；Mokyr，2017）。每一次工业革命本质上都是自动化进程推进的新阶段，借助技术变革不断实现机器对人工的替代。中国的工业化进程起步较晚，不同领域、不同区域、不同企业所处的自动化阶段存在较大差别。在少数发达地区和先进企业拥抱人工智能热潮的同时，更多的企业和地区尚未完成前几次的自动化改造，正在加速追赶落下的进度。当然，在人均GDP持续增长、人口老龄化加速推进、劳动力成本不断攀升的背景下，中国企业所面临的机器替代人工的趋势不仅不会改变，而且将伴随人工智能技术的推广而不断加速。
（三）中国劳动就业面临比美欧更大的结构性冲击
前述机制分析及部分发达经济体的实证结果表明，人工智能及自动化技术的推广应用会引发就业（岗位）结构的重大调整。通常，被替代就业岗位对应于一些比较简单的程式化任务，而重新改造或衍生出的新就业岗位则往往对应于较为复杂的创造性任务。2013年以来，中国行业就业数据已经初步显露出这种结构性调整的端倪。从下表5可以看出，2013年以来，三次产业合计的就业人口规模始终保持了略微增长的态势，但第一产业和第二产业的就业人口则呈现明显下降趋势，而第三产业就业人口保持着较快的增长势头。在第二产业内部，制造业就业人数以快于第二产业整体的速度下降；而第三产业内部，“交通运输仓储和邮政业”、“批发和零售业”的就业人数也呈现出较为明显的下降。
在就业结构转换过程中，只有那些具备更高教育水平或特定技能的劳动者，才有更多机会在创造性要求更强的岗位上重新实现就业。这也意味着，宏观层面的结构性失业比例将取决于劳动者整体的受教育程度（或技能水平）。从20世纪90年代中后期开始，中国政府便致力于推动高等教育由精英教育走向大众化教育，并取得了巨大成就；高等教育毛入学率已有1978年的1.55%上升为2017年的42.7%，2018年高校毕业生人数更是创纪录地达到820万。然而，由于以往的欠账，全国范围内就业人口的平均受教育程度仍然偏低。对照表6、表7数据可以看出，美国、英国、德国三个发达国家就业人口（劳动人口）中高等教育人数比例比中国高出至少15个百分点，其中，美国、英国的比例都是中国的2倍以上。因此，面对自动化加速推进过程中有利于高等教育人群的结构性变化，中国受影响人群的比例将远高于美欧发达国家。
除了教育和技能水平外，年龄也是影响劳动者再就业的重要因素。在劳动力要素的重新配置过程中，年轻的劳动者个体在职业转换中往往更具优势，而我国日益加深的老龄化状况恰恰增加了平稳转换的难度。从下表8可以看出，2010年以来，我国就业人口中40-64岁人员占比呈持续攀升态势，2015年已经达到49.6%；与之相对照16-39岁人员占比则持续降低，2015年为46.4%，相差3.2个百分点。随着时间的推移，上述两部分占比的差距将进一步扩大，就业岗位结构与人员年龄结构之间的错配将不断加剧。年龄结构错配与整体教育水平偏低的劣势叠加，很可能在中短期内造成较为严重的结构性失业，进而会衍生出不同群体间收入差距的扩大，其中，那些年龄偏大、学历偏低的劳动者将成为福利损失最大的群体。
五、总结性评论及实现高质量增长和就业的建议
前述各部分依托既有的理论和经验研究文献，从人工智能的技术本质和技术-经济特征出发，系统梳理了人工智能影响经济增长、劳动就业及收入分配的作用机制。在此基础上，收集整理散落于各种研究报告或文献中有关中国人工智能及ICT应用的零星数据，并结合官方公布的就业结构、年龄结构、受教育程度等数据，就人工智能及自动化技术推进对中短期内中国经济增长和就业分配可能带来的影响进行展望。根据前述分析，可以得出以下几点结论或判断。
第一，2017年兴起的人工智能商业化应用可以算作是1956年以来出现的第三次人工智能热潮；其本质是以（通用目的）机器学习算法为核心，以芯片、存储器等硬件设备和互联网、云存储、云计算等海量数据生成、存储、处理技术为基础，结合特定专业领域知识后可部分实现人类认知功能或人类智慧的一种新一代信息技术，或新一代信息技术集成系统。
第二，人工智能可以通过两条途径支撑宏观经济高质量增长。一是人工智能所具备渗透性、替代性、协同性和创造性四项技术-经济特征，使其能够与经济社会各领域相结合，通过增加要素贡献、提高投入产出效率、加快知识创造等机制，推动国民经济各领域各部门高质量增长；二是人工智能技术背后涵盖了一个庞大的产业生态体系，在渗透影响国民经济各领域的同时，其自身规模的壮大也有助于提升宏观经济增长质量。
第三，人工智能技术的推广应用是人类自动化进程的新阶段，在替代劳动减少部分就业岗位的同时，还会通过补偿效应和创造效应增加部分就业岗位，从而对其替代效应形成抑制作用。从中短期来看，只要人工智能技术尚无法完全替代人类劳动，上述抑制效应将不断发挥作用，就业岗位总量也将基本保持稳定平衡。
第四，人工智能及自动化技术冲击下，就业结构将发生重大调整，以往处于中间层的程式化岗位更容易被替代，就业结构可能呈现出高收入、高技能岗位与低收入、私人服务型岗位比重同步上升的“两极化趋势”。伴随就业结构的调整，初次分配中劳动收入所占份额将进一步降低，被替代行业中教育和技能水平较低、年龄偏大人群将遭受更大的福利损失，最终带来全社会范围内的收入分配差距扩大。
第五，中国具有人工智能技术最为广阔的应用市场和发展空间，现阶段老龄化加速和收入水平提高所引致的劳动成本攀升将加速人工智能及其他自动化技术在中国推广应用的步伐。人工智能技术在提高劳动生产率和全要素生产率方面的作用，将有力支撑未来中国经济的高质量增长；但就业人口整体受教育水平偏低、年龄构成偏大的现实国情决定了，中国在人工智能技术推广过程中将面临比美欧发达国家更为严峻的结构性冲击。岗位结构与年龄构成错配和整体受教育程度偏低的劣势相叠加，很可能在中短期内造成较为严重的结构性失业，进而会衍生出不同群体间收入差距的扩大。
未来，人工智能对经济社会的渗透将不断加速，需要从产业政策、行业规制、社会保障、教育培训等方面出台相应的政策措施，以便充分发挥人工智能在支撑经济高质量增长方面的积极作用，同时有效应对就业及分配领域可能出现的结构性冲击。具体有以下建议：
一是加大对新一代信息技术领域关键核心技术研发的支持力度。人工智能是诸多ICT或新一代信息技术的集成，诸如高端芯片、操作系统等最为关键的核心技术是人工智能技术实现的物质基础，需要综合运用财税、信贷、金融、保险等政策工具，支持领军企业和高校院所开展这方面的技术攻关和成果转化。
二是适时调整行业监管规则，为人工智能技术的应用推广营造宽松的市场环境。近年来新一代信息技术推动了经济社会运行模式的巨大变革，伴随人工智能技术对传统领域的渗透，新业态、新模式还将不断涌现，并带来各种新业态与既有规则之间的冲突，各行业监管部门需要密切关注这种变化，及时消除制约产业发展的制度藩篱。
三是健全完善社会保障制度，特别是加强失业救济方面的保障力度。政府部门可以从失业保险、家庭最低收入保障等方面入手，为那些在就业结构调整中所受冲击最大的群体提供最终的生活保障。
四是尽快建立起再就业培训和终身学习的职业教育体系，为结构性失业群体提供尽可能多的再就业培训。各级劳动和人力资源行政主管部门、工会应结合当地就业结构调整的现实情况，通过发放技能培训券等方式，对广大结构性失业群体进行更具针对性的技能培训，提高其再就业的能力。
五是深化教育改革特别是高等教育改革。一方面应继续扩大高等教育覆盖范围，具体可以依托高等职业技术学院，为更多的适龄青年提供两年低价的高等教育；另一方面要着手改革现行的教学理念及培养模式，将学生创造力的开发和培养作为教育的首要目标，以适应人工智能技术对人类能力素质提出的新要求。
作者：中国社会科学院数量经济与技术经济研究所研究员、博士生导师 蔡跃洲，中国社会科学院大学（研究生院）数技经系博士研究生 陈楠（原文刊发于《数量经济技术经济研究》2019年第5期，有删节。）
