泉源：数码商铺一夜之间被台风撕碎？？？？？？谣言作者： 黄晋竹：

彭文生：认知手艺标准化生产——AI重构分工的规模经济逻辑

彭文生、谢超（彭文生系中金公司首席经济学家、中国首席经济学家论坛副理事长）

中金研究

Scaling Law决议了大模子性能在手艺层面规模酬金递减，，但Tokenization通过标准化提高了认知手艺的生产效率，，为大模子在经济层面实现规模酬金递增涤讪了基础。。大模子削弱了高阶认知手艺的稀缺性，，导致差别手艺禀赋劳动者的相对生产率爆发转变，，引发基于较量优势的分工重构；；；；标准化的认知手艺供应模式，，降低了分工各环节的协调本钱，，由此推动分工深化、实现规模经济。。从职业重构角度看，，新一轮AI手艺前进是赋能照旧替换庖动，，取决于其逾越的是劳动者的焦点手艺照旧边沿手艺。。现在的实证数据批注，，大模子关于劳动者的五项基础手艺均主要泛起出降低职业进入门槛的简化效应，，有助于缩小差别手艺禀赋劳动者的生产力差别。。AI在现有职业中的应用会爆发新的使命需求，，这些新使命规模扩大到一定水平，，规模经济逻辑会促使新使命从现有职业中自力出来演化为新职业。。别的，，认知手艺标准化有助于降低企业采购认知手艺的生意本钱，，从而推动古板企业界线缩短，，形成一人公司的工业组织新形态。。大模子重构分工带来的规模经济有助于提升生产力，，也会导致劳动者薪酬增速低于生产力增速，，造成以劳资分配失衡为主要特点的收入分配差别扩大问题，，而非大规模失业。？？？？？？伤剂考哟竺嫦蛑械褪杖肴禾宓淖浦Ц读Χ，，以完善中国特色的社会包管制度，，为AI手艺通过创立性破损来提高生产力筑牢社会清静网。。

点击小程序审查报告原文

以大模子为代表的新一轮AI手艺快速前进，，引发“AI事实替换照旧赋强人”的争议。？？？？？？萍冀缬牍ひ到绲奶致鄞蠖啻邮忠栈蚬ひ凳咏浅龇，，本文以为照旧要回归手艺前进怎样重构分工这一基本经济学命题。。从经济学角度看，，手艺前进对分工的影响，，可综合较量优势和规模经济两个相互关联的视角来明确。。前者探讨手艺前进怎样改变分工的界线，，后者剖析手艺前进在分工深化实现规模经济中饰演的角色。。标准化是两个视角内在的逻辑毗连点。。

大模子重构分工的要害，，在于通过标准化提高了认知手艺的生产效率，，削弱了高阶认知手艺供应的稀缺性，，改变了差别手艺禀赋劳动者的相对生产率。。Tokenization将高度非标准化的知识与信息，，拆解为可被机械计量、处理的标准化单位（token），，是大模子提高认知手艺生产效率的手艺基础。。这种标准化大幅降低了运用认知手艺的门槛，，能够知足原来因认知手艺规模不经济而未获得知足的使命需求，，进而扩大市场规模，，反过来会进一步增进分工深化，，再叠加单位认知本钱的下降，，有望在经济层面实现规模酬金递增。。简言之，，AI在性能上的规模酬金递减，，与经济上的规模酬金递增并不矛盾，，要害在于通过标准化提升了认知手艺的生产效率。。

在基于较量优势的“手艺—使命”剖析框架下，，以大模子为代表的新一轮AI手艺前进，，会改变使命在劳动者与机械之间的分配，，进而引发职业重构。。但对劳动者事实是赋能照旧替换，，难以一概而论，，取决于AI在差别职业重构中逾越劳动者的是焦点手艺照旧边沿手艺。。即即是在统一职业内部，，由于大模子现在对认知手艺的标准化生产主要是基于显性知识，，很难学习到以劳动者私有履历形式保存的隐性知识，，导致在软件开发者等职业重构中泛起AI替换年轻员工的同时赋能资深员工的结构分化征象。。未来会怎样演变将取决于企业把劳动者隐性知识转化为显性知识的速率和水平。。

新职业通常并非凭空泛起，，而是沿着可识别的偏向从现有职业中演化出来。。一种可能的泉源是陪同着AI渗透率的提升，，在现有职业内部爆发出了因AI应用而来的新使命。。凭证规模经济的分工深化逻辑，，这种新使命的需求量一旦扩大到某个水平，，则有望从现有职业中脱离出来，，成为一种高频、专门的自力使命，，并吸引具有手艺较量优势的劳动者与之匹配，，由此演化出全新的职业分工。。

“一人公司”并非一种新职业，，也并非“通才”回归，，而是一种新的工业组织模式。。背后的逻辑与互联网平台促成零工经济“回归”有点类似，，是古板企业缩小与新型企业扩大相辅相成的效果，，具有内、外部规模经济相互增进的特点。。一方面，，大模子企业的规模一连扩大，，通过内部规模经济效应提供标准化的认知手艺供应，，促成具有外部规模经济效应的大模子生态；；；；另一方面是认知手艺标准化显著降低了通过市场机制采购认知手艺的生意本钱，，有用降低了高阶认知手艺的稀缺性，，增进了古板企业界线的缩短，，形成了一人公司的工业组织新模式。。

新一轮AI手艺前进在通过专业化分工与规模经济带来生产力提升的同时，，关于就业数目的影响是不确定的，，但关于劳动者酬金的影响是相对确定的。。无论是AI逾越劳动者焦点手艺的替换论，，照旧AI降低职业手艺门槛的赋能论，，最终效果均是抑制劳动者薪酬增添动力。。从经济史来看，，这种由手艺前进引发的劳动者薪酬增速低于生产力增速的情形并不有数，，在生产关系层面造成的主要影响，，是以劳资分配差别日益扩大为主要体现的收入分配差别扩大，，而非一连的大规模失业。。同样是参考历史的履历教训，，为应对AI重构分工所造成的生产关系挑战，，可思量在使用AI手艺举行精准识别的基础上，，着力加大面向中低收入群体的转移支付力度，，以完善中国特色的社会包管制度，，进而为AI手艺通过创立性破损来提高生产力筑牢社会清静网。。

迩来，，以大模子为代表的新一轮AI手艺快速前进，，引发了有关“AI事实是替换人照旧赋强人”的重大争议，，甚至有伸张为社会焦虑的迹象。。替换论以为，，AI将在大宗使命上逾越人类、大规模替换古板岗位。。持替换论的典范代表，，是图灵奖与诺贝尔物理学奖得主辛顿（Geoffrey Hinton），，以及全球首富马斯克（Elon Musk）。。受大模子快速迭代的推动，，马斯克坚信随着AI与具身智能的成熟，，人类社会的古板就业岗位将不再被需要（no job is needed）[1]，，并在近期将这一临界点的到来预估在10年到20年内[2]。。有着“深度学习之父”称呼的辛顿则在大模子泛起之前就持这一判断，，早在2016年就发出明确忠言，，称美国应阻止作育放射科医生，，由于AI将在五年内让他们失去保存的价值[3]。。大模子的生长似乎进一步印证了辛顿的“先见之明”，，美国资源市场因大模子而泛起科技股牛市的同时，，Meta等硅谷科技企业却以AI增效为由大规模镌汰程序员[4]。。

对此，，英伟达作为迄今为止大模子生长最大的受益者，，其CEO黄仁勋并不认可这种逻辑。。2026年6月1日，，他在全球手艺大会的演讲中明确反驳了AI导致程序员失业的看法。；；；；迫恃晕，，软件开爆发为AI Agent最先落地的焦点应用领域之一，，编程自己是全球颇具价值的焦点专业手艺。。GitHub的数据批注，，AI Agent融入软件开发流程后，，显著提升了开发者的事情产出效率。。依托AI带来的生产力重大提升，，软件工程师的市场需求只会愈发兴旺。。所谓“AI将导致大规模失业”的论调，，完全是无稽之谈[5]。。很显着，，黄仁勋与辛顿、马斯克的看法截然相反，，他主张AI是赋强人而非替换人。。

作为全球两家领先大模子企业的认真人，，OpenAI的CEO萨姆·奥尔特曼（Sam Altman）和Anthropic的CEO达里奥?阿莫代伊（Dario Amodei）的看法更是耐人寻味。。在2026年之前，，两家公司均以提升大模子性能为焦点目的，，彼时两位CEO通过种种渠道向社会转达的主要是替换论逻辑，，也即大模子具备强盛的使命执行能力，，在许多使命上凌驾人类水平，，因而会取代大宗人类劳动者。。典范案例即是OpenAI开展的GDPval测试，，效果显示大模子已在相当比例的使命上比肩甚至逾越人类专家，，似乎为硅谷科技企业在科技股牛市中大规模裁人提供了论据支持。。

然而有意思的是，，正是在大模子快速前进且在大都被测职业中逾越人类专家之际，，这两位CEO却不约而同地从替换论转向了赋能论。。阿莫代伊在2026年5月5日的果真讲话中，，用杰文斯悖论（Jevons Paradox）叙述了AI通过提升效率来降低本钱，，进而扩张需求、增进就业的看法[6]。。当月的26日，，奥尔特曼也体现：“我们在手艺展望上概略是准确的，，但在社会和经济影响上判断相当有误……被AI祛除的初级白领岗位数目远没有我原本担心的那么多”[7]；；；；并于6月1日进一步体现：“那些最起劲使用AI的公司，，反而往往也是招聘最起劲的公司”[8]。。关于领先大模子企业CEO从替换论向赋能论的看法转变，，美国《财产》（Fortune）杂志报道称：“Sam Altman and Dario Amodei are both walking back their AI jobs apocalypse prophecies as they eye blockbuster IPOs”[9]。。

事实上，，《Fortune》杂志提出的念头视角，，或许不但适用于明确领先大模子企业CEO为何自我否认，，也适用于前述替换论者或者赋能论者的坚持，，差别仅在于他们是出于科技念头，，照旧工业念头。。虽然，，差别念头下的看法关于完整明确AI的赋能与替换是有资助的，，但AI事实是赋能劳动者照旧取代庖动者，，不但是手艺问题，，更是经济学问题，，照旧应当回归经济学视角的剖析。。

从经济学视角看，，就业总量增减、职业兴衰更替是个效果，，深条理原因在于手艺前进作为创立性破损实力，，会突破建构在原有生产力基础上的生产关系，，重构分工名堂。。陪同着手艺前进对劳动者焦点或是边沿手艺的逾越，，分工重构在两个相互交织的维度上逐步深化：一方面是职业重构（Job Transformation），，也即统一职业内部的使命在人与机械[10]之间再分配；；；；另一方面是手艺前进改变差别禀赋劳动者的相对生产率，，导致基于较量优势形成的劳动者协作关系爆发重构。。这些分工重构的外在体现与最终效果，，即是机械对人的替换或者赋能，，以致新旧岗位的新陈代谢。。因此，，关于AI怎样影响就业的体贴不应局限于手艺层面“替换VS赋能”的简朴二选一，，而是应该深入到AI作为新一轮重大手艺前进，，事实会怎样重构分工的经济学逻辑中寻找谜底。。

一、手艺前进重构分工的两个经济学视角：较量优势与规模经济

分工通常被以为是效率提升的主要泉源，，经典表述来自于1776年亚当·斯密的《国富论》：若没有专业化分工，，制针工人一天连20枚针都造不出来；；；；而分工后，，人均日产量可达4800枚[11]。。关于分工深化的经济学剖析，，有两个视角尤为主要：一是较量优势，，可以用来剖析手艺前进怎样改变差别手艺禀赋劳动者的相对生产率，，进而改变分工界线；；；；二是规模经济，，规模既是分工深化的条件条件，，分工协作又是规模经济得以实现的主要微观基础。。

（一）基于较量优势的“手艺—使命”分工框架

较量优势的头脑起点，，来自于李嘉图关于国际商业的经典叙述：即便一国在所有产品的生产效率上均劣于另一国，，两国之间仍然可以通过国际分工与商业的方式来配合获益。。Roy（1951）将其首次拓展应用于诠释微观层面的劳动分工[12]。。作为劳动经济学的早期涤讪性文献之一，，Roy基于猎人、渔民这类简朴的职业划分，，叙述了劳动者手艺禀赋差别在分工中的主要性。。以甲、乙两个劳动者为例，，甲事情一天可以捕获十只兔子或者八条鱼，，乙事情一天可以捕获五只兔子或者两条鱼。。甲虽然在两个职业上均具有绝对优势，，但不料味着社会最优的分工安排是甲同时从事两种职业；；；；凭证较量优势原理，，应当由甲专业从事时机本钱更低的渔民职业，，乙专业从事时机本钱更低的猎人职业。。

图表1：1980-2005年美国各职业人为百分位的现实对数小时人为转变

注：横轴按1980年职业平均人为排序。。资料泉源：Autor & Dorn（2013），，中金研究院

手艺前进会改变差别手艺禀赋劳动者的相对生产率，，引发较量优势的转变，，最终导致分工重构。。例如1980年月盛行的“手艺偏向型手艺前进”（SBTC）假说以为，，手艺前进主要提升高手艺劳动者的相对生产率，，部分水平上诠释为什么二战之后陪同着高手艺劳动者供应的大幅扩张，，手艺溢价却未收窄。。但关于1980年月之后美国泛起的“就业极化”征象（图表1），，即高、低手艺两头就业上升、中心塌陷问题，，SBTC假说无法诠释。。对此，，Autor、Levy与Murnane（2003）提出了使命剖析框架，，以为盘算机/自动化善于替换规则明确的通例智力使命（如数据录入、盘算、簿记）以及通例体力使命（如分拣、重复装配）的同时，，与依赖无邪判断的非通例智力使命（如诊断、写作、剖析）形成互补关系。。因此，，中心之以是塌陷主要是由于中等手艺岗位多由可被替换的通例使命组成[13]。。

Acemoglu与Autor（2011）提出了兼顾手艺与使命的供求匹配框架。。在这一框架下，，“手艺”是工人拥有的相对稳固知识、履历与能力，，“使命”是实现生产所必需完成的详细工序，，分工的实质是拥有差别手艺禀赋的工人，，基于较量优势在差别使命间的动态分配。。在这个剖析框架下，，手艺前进并不直接改变劳动者既有知识、履历、能力等手艺禀赋，，但会改变机械与劳动者在差别使命上的相对生产率，，从而改变差别手艺在分工系统中的较量优势。。详细而言，，手艺前进在旧使命上挤出劳动（替换效应），，但由此带来的生产率提升会扩大总需求，，从而间接拉动种种要素需求（生产率效应）；；；；更主要的是，，手艺会催生需要人类手艺的全新使命，，重新吸纳劳动（新使命创立效应）[14]。。这就形成一个手艺前进驱动下的分工一连动态重构图景：机械在后面追（自动化接受旧使命），，人在前面跑（将自身手艺适配到新使命上）。。历史上的典范案例包括印刷机催生出书业、电力催生电气工程师等。。据测算，，美国1980至2016年约一半的就业增量来自1980年前并不保存的新使命与新职业[15]。。

（二）分工深化有赖于规模，，也是实现规模经济的微观基础

分工协作带来效率提升，，已经成为基本的经济学知识。。而分工协作之以是能够形成，，则有赖于市场规模的扩大。。亚当·斯密最早提出“分工深化水平受市场规模限制”的论断[16]，，后被称为“斯密定理”。。由于斯密的叙述主要针对单个企业内部的分工，，因此斯密定理虽然具有普遍性，，但通；；；Ｕ站杀淮幽诓抗婺＞玫氖咏侨ッ魅。。斯蒂格勒将斯密定理从企业内部分工推广到工业内部分工，，提出随着工业规模扩大，，企业会将某些生产环节剥离出去，，交由更具规模优势的专业化厂商肩负，，从而实现更深度的工业内分工[17]。。也就是说，，分工协作不但是内部规模经济的微观基础，，也是外部规模经济的微观基础。。杨格将斯密定理从静态推向动态，，提出市场规模并非外生给定，，而是内生于总体生产能力：分工深化会扩大市场，，市场规模扩大又会进一步推动工业间分工与迂回生产方式的深化，，由此形成自我强化的内生性酬金递增[18]。。

需要说明的是，，规模扩大带来的分工深化并非没有价钱。。陪同着分工越来越细、环节越来越多，，跨环节、跨主体的协调本钱也会上升，，最终当由分工深化带来的协调本钱凌驾效率收益时，，规模扩大便无法再继续推动分工深化，，规模经济也会因此遭遇瓶颈。。实现各分工环节的标准化生产，，是有用降低协调本钱的主要方式之一。。手艺前进通常是实现标准化生产的须要条件，，使得重大的生产历程得以拆解为可重复执行的标准化使命与手艺组合，，由此推动基于较量优势的分工深化，，进而实现规模经济。。因此，，建设在手艺前进基础上的标准化，，也是较量优势与规模经济两个视角的内在逻辑毗连点。。这在以大模子为代表的新一轮AI手艺前进中体现得尤为显着。。

二、认知手艺标准化：大模子实现规模酬金递增的基础

标准化生产能否实现，，一方面取决于治理履历决议的使命标准化拆分方式，，另一方面取决于由手艺前进决议的手艺标准化生产模式。。从已往三次科技革命的履向来看，，机械是实现手艺标准化生产的主要载体，，自动化是标准化生产的主要体现。。已往几轮科技革命，，尤其是信息科技革命时代的履历还批注：自动化难以肩负那些依赖高无邪性、判断力与知识的非通例使命，，由于执行这些使命挪用的隐性手艺往往只可意会、难以言传，，难以被标准化为机械使命。。

以保洁等低薪服务业为例，，劳动者焦点手艺是非通例手工手艺（manual skills）与社交手艺（social skills）。。这类手艺虽然在劳动者中漫衍较广、进入门槛相对较低，，却难以被大模子之前的手艺举行标准化生产，，Autor因而将其概括为“波兰尼悖论（Polanyi’s Paradox）” [19]，，用以描绘自动化的极限。。如前述，，规模经济有赖于标准化下的分工协作，，而自动化又是标准化的主要体现，，因此自动化界线很洪流平上也成为规模经济的界线。。

这也在部分水平上诠释为什么美国在信息科技革命时代，，以制造业为主的中产泛起塌陷的同时，，低薪服务业的就业数目与薪酬却泛起了上升，，由于低薪服务业岗位劳动者的焦点手艺难以标准化，，因而难以通过资源化、自动化方式实现大规模供应，，导致无法形成制造业那样强的规模经济效应。。不过，，由于拥有这些手艺的劳动力供应相对富足，，企业可以通过增添劳动投入的方式来实现产出扩张，，从而在很洪流平上缓解了非标手艺的规模不经济问题，，因而也制约了其薪酬上涨动力。。

相比之下，，高薪服务业的供应约束更为突出。。这类行业所需要的劳动者焦点手艺主要是高阶认知手艺（cognitive skills），，其次是社交手艺[20]。。高阶认知手艺是对知识的学习、整合与应用能力。。由于这种手艺高度非标准化，，且在劳动者之间漫衍高度不匀称，，差别个体的知识学习与运用能力保存重大差别，，导致高薪服务业的焦点生产能力往往与劳动者个体的人力资源细密绑定。。正是这一绑定带来了根天性的供应约束，，导致高阶认知手艺的产能，，难以像制造业那样通过增添机械装备、复制标准化流程或扩大资源投入等自动化方式来快速扩张，，因而在需求增添时更容易泛起边际本钱递增，，最终引发平均本钱上升的规模不经济。。

以状师为例，，焦点手艺高度依附于状师个人的专业判断、案件履历等，，一准时期内可承接的案件量受到其时间与精神严酷约束。。一旦触及状师个人所能承载的上限，，难以通过引入机械装备的方式来缓解产能供应缺乏问题。。更主要的是，，由于高阶认知手艺的生产周期漫长且投入较大，，状师数目的有用供应也很难在短期内快速扩张，，需要恒久的执法教育、严苛的职业资格考试、漫长的案件履历和声誉积累等。。因此，，该行业很难泛起“案件越多、单位本钱越低”的规模经济征象，，反而会因边际本钱递增而最终泛起规模不经济问题。。

事实上，，不但是状师，，程序员、医生等服务业所需的高阶认知手艺都保存类似问题，，不但难以通过机械实现标准化生产，，且保存较强的供应约束，，由此形成的规模不经济问题，，涤讪了这些行业劳动者薪资增添更快的基础。。不过，，以大模子为代表的新一轮AI手艺前进似乎正在改变这种情形，，在大宗非通例智力使命（如写作、剖析、医学诊断、执法研究、编程等）上展现远超以往手艺前进的能力，，导致高薪服务业反而成为AI袒露度较高的领域，，甚至泛起出薪酬越高则AI袒露度越高的态势（图表2、3）。。

图表2：美国职业AI袒露度与薪酬水平

注：该AI袒露度是指某个职业的所有使命，，平均被企业现实安排的AI应用替换的比例。。该图使用美国2014-2023年的Revelio Labs简历与招聘数据，，以及美国劳工部O*NET职业使命数据库举行估算。。资料泉源：Hampole等（2025）[21]，，中金研究院

图表3：中国职业AI袒露度与薪酬水平

注：横轴为中国城镇非私营单位分行业按2024年平均人为由低到高排序的百分位（0-100）；；；；纵轴为刘行等（2025）基于2024年中国在线招聘大数据测算的各行业AI袒露度。。

资料泉源：国家统计局，，刘行等（2025）[22]，，中金研究院

背后是大模子手艺前进带来的Tokenization。。从手艺层面看，，Token是大模子能够识别和处理的最小盘算单位，，Tokenization则是将高度非标准化的知识与信息，，拆解为一系列可被大模子统一计量和处理的标准化单位。。该手艺实现了以往历次科技革命前所未有的重大突破，，即是将知识的学习、整合与应用这一古板上高度非标准化的手艺，，转化为可由机械提供的标准化手艺，，极大提升了机械自动化执行重大非通例使命的潜力。。

图表4：大模子泛起前后种种事情的自动化潜力比照

注：图中数值为2023年中等展望情景下（即基于2023年天生式AI的能力体现，，扫除最激进和最守旧的极端展望后，，所推演出的最切合一般现实生长轨迹的中位数评估效果）的手艺自动化潜力，，即在种种详细事情活动所泯灭的总事情时间中，，理论上能够被手艺自动化的时间比例。。资料泉源：McKinsey Global Institute（2023）[23]，，中金研究院

对大模子泛起前后统一使命自动化潜力的研究批注，，此前最依赖隐性判断、最难被机械执行的非通例智力使命（如应用专业知识、治理与作育人才），，自动化潜力泛起了最显著的跃升[24]（图表4）。。更为要害的是，，一旦原本高度依赖个体履历、知识积累的高阶认知手艺被标准化，，大模子便能将其转化为可形貌、可挪用、可嵌入流程的手艺？？？？？？，，从而实现认知手艺与个体人力资源的解绑，，转而由模子、算力举行规；；；；┯。。这改变了非通例智力使命在多工序投入产出历程中的协同方式，，提高了生产环节的可疏散性，，使统一模子能力能够在写作、检索、编程、客服等差别场景中被重复挪用，，从而降低了应用开发、流程衔接和质量控制中的协调本钱。。

简言之，，大模子通过标准化提升了认知手艺的生产效率，，进一步增进了分工深化，，是AI能够实现规模经济的主要基础之一。。这与大模子性能的规模酬金递减形成了鲜明比照。。众所周知，，大模子性能在手艺上遵照着规模定律（Scaling Law），，即陪同着算力、数据等要素投入的增添，，模子性能提升幅度边际递减。。但这不故障大模子在经济层面的应用具有规模经济效应。。大模子训练在算力、算法、数据等方面的高额前期投入，，在模子能力形成后，，可通过API、软件等形式在种种应用场景中大规模复用，，因而前期本钱有望随使用规模扩大而摊薄。。

更主要的是，，大模子实现了认知手艺的标准化生产，，大幅降低了运用认知手艺的门槛，，能够知足原来因认知手艺供应规模不经济，，而未获得知足的使命需求，，扩大市场规模。。这会反过来进一步增进分工深化，，再叠加单位认知本钱的下降，，进而能够在经济层面实现规模酬金递增。。总之，，AI在性能上的规模酬金递减，，与经济上的规模酬金递增并不矛盾，，要害在于大模子通过标准化提升了认知手艺的生产效率。。

但需强调的是，，AI在应用层面的规模经济并不料味着AI应用的边际本钱为零。。目今，，每一次推理仍然会爆发大宗算力、电力等可酿本钱，，重大使命甚至还需要举行多轮挪用和人工复核，，可酿成内情当可观。。这与古板数字经济的边际本钱险些为零形成了很大区别。。虽然，，由于算法优化、硬件前进和市场竞争等因素，，一律能力基准下的单位推理价钱有望一连下降[25]。。如图表5所示，，从2022年11月到2024年10月，，抵达GPT-3.5水平的推理价钱从每百万token约20美元降至0.07美元，，两年间降幅高达99.65%[26]。。从蒸汽机、电力等重大手艺革命的演变历史来看，，似乎也没有理由以为大模子的可酿本钱下降趋势已经终止。。

图表5：实现差别AI能力基准的推理本钱一连下降

注：四条曲线划分追踪了在四类基准测试中，，获取特定水平AI能力所需的最低推理边际本钱。。纵轴接纳对数刻度，，直观反映了一律AI能力输出的价钱随时间推移呈指数级衰减的趋势。。资料泉源：Stanford University HAI（2025），，中金研究院

但至少是在当下，，可酿本钱约束已经成为AI应用安排中越发禁止忽视的问题，，即即是起劲押注于AI手艺的企业也最先不得不致力于控制AI的使用本钱。。例如，，由于一些软件工程师每周经常消耗数千美元的token，，特斯拉要求员工从2026年7月6日起将AI工具支出限制在每人每周200美元以内，，凌驾额度需获得批准。。不但是特斯拉，，优步在2026年4月便耗尽了其整年的AI预算，，并将员工每月AI支出上限设定为1500美元；；；；Meta、亚马逊和沃尔玛也都引入了AI支出上限，，并指导员工使用更自制的模子[27]。。

总之，，大模子虽然有潜力通过认知手艺标准化来实现规模酬金递增，，但这种潜力依然受到可酿本钱的约束。；；；；蛘咚，，AI重构分工所带来的效率增进，，将是一个受制于可酿本钱下降速率的渐进历程，，这决议了高阶认知手艺稀缺性的弱化速率，，也意味着大模子对劳动的替换不会像部分手艺狂热者以为的那样迅速。。

三、创立性破损：现有职业重构的较量优势，，与新职业演化的规模经济

即便不思量可酿本钱约束问题，，以大模子为代表的新一轮AI手艺前进关于分工的重构，，也并不可用赋能或替换的简朴二选一来概括。。从较量优势角度看，，二选一的简朴头脑多因忽略手艺与使命的供求匹配这一分工实质。。以替换论的支持者为例，，大多着眼于使命层面，，主要关注AI能否自力胜任一项项详细使命。。最具代表性的是前述OpenAI开展的GDPval测试，，它笼罩对美国GDP孝顺凌驾5%的前9个行业、44个职业以及对应的1320项子使命，，用来权衡全球顶尖大模子能否胜任“真实天下中具经济价值的知识事情使命”，，并将大模子在上述使命中的体现与人类专家的体现举行量化比照。。

如图表6所示，，OpenAI于2025年12月针对GPT-5.2、Claude Opus 4.5、Gemini 3 Pro等模子的研究批注，，在千余项使命中，，大模子抵达或逾越人类专家水平的概率已从2025年中期的缺乏50%升至约71%；；；；在44个职业中，，大模子的体现已经在其中的29个职业中逾越了人类专家，，在编辑这个职业上的胜率更是高达93%[28]。。这似乎可以诠释为何科技狂热者通常也是替换论的坚定支持者。。

图表6：OpenAI的研究以为：大模子胜任真实使命的能力快速提升，，在大都测试职业中抵达或逾越人类专家

注：数据阻止2025年12月。。资料泉源：OpenAI

可是，，简朴依据GDPval这类使命视角的剖析就断言AI将大规模替换庖动者，，是不切合较量优势逻辑的。。在“手艺—使命”剖析框架下，，分工是多手艺复合的劳动者基于较量优势，，与多使命复合的职业举行匹配的效果，，不但涉及劳动者与职业的匹配，，也涉及到职业内部劳动者与机械在差别使命上的分配（图表7）。。这样有助于更清晰地识别手艺前进填补了劳动者哪些手艺短板，，或者逾越了劳动者的哪些手艺，，进而剖析职业内部的使命在劳动者和机械之间的重新分配趋势，，从而更有逻辑地判断手艺前进事实是在赋强人照旧替换人。。

图表7：职业、使命与手艺的关系

注：O*NET将职业划分为1016个（并归类为23个大类），，将使命划分为19530项，，将手艺划分为35项；；；；Althoff & Reichardt（2026）凭证O*NET的35类手艺进一步归纳的5大类。。资料泉源：Althoff & Reichardt（2026），，Autor等（2003），，O*NET[29]，，中金研究院

（一）现有职业重构：AI逾越焦点手艺，，照旧边沿手艺？？？？？？

以信息手艺革命关于剖析师的影响为例。。剖析师这个职业至少包括数据网络、盘算与剖析、报告写作以及路演交流等多项使命。。若是没有条记本电脑的保存，，剖析师自己的手艺也完万能够胜任这些使命的需要。。但在电脑举行繁杂数据盘算的能力逾越了剖析师后，，剖析师不必再亲自执行盘算使命，，而是可以将自己的手艺更多专注于数据剖析、报告写作与路演交流等电脑无法胜任的使命上。。

在这个例子中，，信息手艺前进显著逾越了剖析师的盘算能力，，但这个职业所需要完成的使命荟萃没有爆发基础转变，，只是各使命在劳动者与机械之间的分配名堂泛起了重构，，使得剖析师不必再投入大宗时间用于基础认知手艺（如数据盘算）的作育，，转而可以将时间专注于高阶认知手艺（如数据剖析、报告写作）与社交手艺的打磨与运用。。劳动经济学将这种征象称为职业重构（Job Transformation），，会促使劳动者手艺进一步专注于少数机械无法逾越的规模不经济领域，，从而推动劳动者手艺进一步趋向专业化与生产力提升。。

需要说明的是，，职业重构带来效率提升的同时，，事实体现为对劳动者的替换照旧赋能，，取决于手艺前进逾越的是劳动者的焦点手艺照旧边沿手艺。。若是手艺前进导致机械对劳动者手艺的逾越，，是爆发在焦点手艺方面，，也即职业焦点使命所需要的手艺方面，，那么职业重构将突破原有分工模式，，导致劳动者原有的就业时机流失，，此时手艺前进在职业分工层面体现为对劳动者的替换效应。。这个视角也可以部分诠释美国在信息科技革命时代泛起的中产塌陷问题。。

若是是劳动者的边沿手艺被机械逾越，，意味着劳动者可以将更多时间用于提升职业所需的、机械无法逾越的焦点手艺，，由此提升劳动者的回报，，此时在职业分工层面体现为手艺前进对劳动者的赋能。。这一逻辑可以在一定水平上诠释，，为何信息科技革命在导致美国泛起中产塌陷的同时，，美国低薪服务业与高薪服务业的酬金增速更快些[30][31]。。究其基础，，这两类职业的焦点手艺均是大模子之前的手艺前进所无法逾越的。。如前述，，低薪服务业依赖难以自动化的手工与社交手艺；；；；高薪服务业的焦点手艺则是那些难以标准化且供应约束较为刚性的高阶认知手艺，，高度依赖劳动者关于知识的学习与运用，，恒久的教育是掌握知识、提升高阶认知手艺的必经之路。。

陪同着大模子渗透率一连提升，，差别手艺的供求名堂爆发显著转变，，导致差别手艺的回报率也泛起一连分化。。如图表8所示，，社交手艺的回报率上升（如具备较强谈判或果真演讲手艺的劳动者可能将从中受益），，装备操作、校准维护、细密丈量等手艺工种所依赖的非通例体力手艺的回报率也在上升，，反而是以数据剖析为代表的认知手艺的回报率趋于下降[31]，，背后原因正是在于大模子实现了认知手艺的标准化生产，，有用削弱了高阶认知手艺供应的稀缺性。。

图表8：大模子泛起前后差别类型手艺回报率的转变

注：纵轴为一单位标准差的手艺水平提升对应的对数人为回报率；；；；横轴以2000年为界对应美国通例偏向型手艺厘革的历史分期，，也与主流手艺回报研究的样本划分坚持一致。。资料泉源：Freund & Mann（2026），，中金研究院

这不但会导致认知手艺的回报率下降，，也会导致原本因认知手艺供应规模不经济而享受了高薪的岗位受到较大影响。。如图表9所示，，美国22-25岁软件开发者的就业人数，，从2022年10月（ChatGPT宣布前夕）的峰值到2025年9月下降了近20%[32]。。但有意思的是，，年岁较大的软件开发者就业人数却泛起上升趋势，，并且大致泛起出年岁越大、增量越显著的特征。。这与历史履历形成鲜明反差：在大模子泛起之前，，软件开刊行业面临的通常是“中年焦虑”问题，，也即40岁以上的资深从业者失业风险增添，，容易被更为年富力强且薪酬要求更低的年轻人取代。。在软件开发者这一职业依旧保存，，且职业焦点使命需求转变不大的情形下，，为何该职业的年岁结构会爆发云云大的转变？？？？？？可能照旧要连系着“手艺—使命”这一较量优势视角的剖析框架来明确。。

图表9：美国软件开发者分年岁段全职就业人数转变

注：基于美国最大薪资处理服务商ADP的企业薪资数据库。。样本为2021年1月至2025年9月一连在库企业的全职员工，，每月有用样本量350-500万人。。将各年岁组2022年10月（ChatGPT宣布前1个月）的就业人数设为基准1举行归一化处理。。资料泉源：Brynjolfsson等（2025）[33]，，中金研究院

软件开发者这一职业的焦点使命并非仅仅是编写代码，，而是涵盖需求剖析、系统设计、编程实现、测试验证以及与团队和客户的相同协调等一系列使命。。这些使命所需的焦点手艺，，也不是纯粹编程能力可以笼罩的，，而是一组认知与社交手艺的组合，，其中，，批判性头脑、自动学习、系统剖析、重大问题求解等高阶认知手艺居于主导职位[34]。。如前述，，这些高阶认知手艺的背后是劳动者关于知识的学习与运用能力。。这种能力在劳动经济学文献中通常被称为基础手艺（basic skills）[35]，，教育学、心理学等非经济学领域的文献时常称之为元手艺（meta-skills）[36]。。元手艺的语言或因更具科技感，，而在科技圈尤其是大型科技企业中常被使用。。

但无论是元手艺照旧基础手艺的语言，，焦点内在基本一致，，即支持劳动者习得种种应用手艺的底层能力，，也是劳动者无邪迁徙与组合应用手艺，，以知足各项详细使命需求的基础基础。？？？？？Ｋ剂康奖疚氖窃诰醚咏窍戮傩械钠饰，，因此下文接纳基础手艺的经济学语言，，而非元手艺。。以软件开发者为例，，无论是编程照旧需求剖析、系统设计，，都需要从业者具备较强的剖析与判断能力，，这有赖于学习并无邪运用知识这一基础手艺。。但知识并非同质化的：一类知识是已经蕴含在数据中或可被结构化表达的，，可以将其称为显性知识；；；；尚有一类知识是植根于个体履历、难以编码转达的，，可以将其称为隐性知识。。资深软件开发者在恒久项目实践中积累起来的私有履历，，例如对特定营业场景下系统架构权衡的直觉、对代码可维护性陷阱的预判等，，即是一种典范的隐性知识。。

大模子之以是能够在一些非通例使命上逾越劳动者，，焦点原因在于其对显性知识的学习与运用能力，，在许多方面已经逾越了人类。。这一攻击在软件开发者的使命谱系中并非匀称漫衍。。其中，，编写代码、基于通用模式的通例剖析等使命所需的手艺，，高度依赖可被结构化表达的显性知识，，正是大模子最容易胜任的部分；；；；而需求剖析中对营业逻辑的深度明确、系统设计中的架构权衡、重大工程问题的诊断与跨团队协调等使命所需的手艺，，则更多依赖隐性知识。。因此，，关于主要在学校教育中掌握了显性知识、尚未积累足够隐性知识的年轻求职者而言，，他们初涉职场时肩负的恰恰是显性知识麋集型使命，，因而面临着大模子较强的替换压力。。但在目今手艺阶段，，大模子很难学习到以劳动者私有履历形式保存的隐性知识，，而隐性知识的积累通常又和事情年限正相关。。

这或允许以诠释为什么在大模子泛起后，，原本面临中年焦虑问题的资深软件开发者，，反而泛起出年岁越大、需求越兴旺的征象。。不过，，显性知识与隐性知识之间的界线并非不可逾越，，当下的许多显性知识正是由隐性知识转化而来。。更主要的是，，为了尽可能提高AI关于生产力的提升作用，，企业有富足动力通过种种方式将员工的隐性知识显性化。。

图表10：AI通过降低手艺门槛来赋强人

注：考察的时间为2022年（ChatGPT宣布后）至2025年。。资料泉源：Althoff & Reichardt（2026），，中金研究院

例如，，Meta曾于2026年4月被曝出正在美国本土员工的办公电脑上安排追踪软件，，用于纪录鼠标、键盘输入信息以及部分屏幕内容等，，以训练AI模子[37]。。因此，，AI的职业重构效应在统一职业内部造成的差别劳动群体分化，，未来会怎样演变将取决于企业把劳动者隐性知识转化为显性知识的速率和水平。。陪同着显性知识的一连积累，，AI通过学习和运用显性知识进而实现认知手艺标准化供应的能力将有望提升，，除了会一连改变差别手艺的相对回报率之外，，也会改变差别手艺禀赋劳动者的相对生产率。。如图表10所示，，Althoff & Reichardt（2026）将劳动者手艺划分为手工（Manual）、数学（Math）、社交（Social）、手艺（Technical）、语言（Verbal）等五项基本手艺（Basic skills），，并将AI关于劳动者基础手艺的赋能作用拆分为降低手艺门槛的简化效应（Simplification）和提升劳动者生产能力的增强效应（Augmentation）两个维度，，将AI对劳动者基础手艺的替换作用界定为自动化效应（Automation）。；；；；诿拦投κ谐∈莸氖抵て饰雠，，AI关于劳动者五项基础手艺的影响均主要体现为降低手艺准入门槛的简化效应[38]。。

图表11：与高手艺劳动者相比，，AI关于低手艺劳动者的生产率提升效果更显著

资料泉源：Brynjolfsson等（2025），，Dell’Acqua等（2026），，Cui等（2025），，Hoffmann等（2025）[39]，，中金研究院

这种简化效应之于劳动者相对生产率的寄义，，即是高、低手艺禀赋劳动者生产率之间的差别收窄，，爆发所谓的“劳动者平权”效应。。实证数据也印证了这一点。。如图表11所示，，无论是在低薪照旧高薪服务业，，低手艺劳动者的生产率提升效果，，均显著高于统一职业内部的高手艺劳动者。。这看似是AI赋能而非替换庖动者的又一例证，，但事实没有那么简朴。。由于若是某一职业的岗位需求没有增添，，那么AI关于低手艺劳动者的赋能作用会导致该职业的平均薪酬水平被压低。。更主要的是，，美国放射科医生的案例批注，，即便职业的岗位需求是增添的，，AI赋能依然有可能抑制劳动者薪酬的增添。。

如前述，，辛顿早在2016年就发出了美国要“阻止作育放射科医生”的忠言。。以后，，放射科相关产品确实占到了美国食物药品监视治理局批准的所有临床AI工具的75%以上，，约三分之二的美国放射科科室体现在使用AI[40]。。这体现了辛顿作为“深度学习之父”在科技方面的预见性，，但AI关于就业的经济影响，，却与辛顿的预判大相径庭。。美国放射科医生的岗位数目非但没有镌汰，，反而泛起了大幅扩张。。在2016年至2024年间，，放射科医生的总就业人数增添了23.2%，，同期美国整体就业增幅仅为9.8%。。背后很主要的原因正是AI赋能劳动者的简化效应，，使得原本手艺达不到门槛的劳动者得以进入该行业，，进而增添了整体的劳动供应，，知足大宗原本因劳动供应缺乏而未获得知足的需求。。虽然市场规模显著扩张了，，但放射科医生薪酬增添动力却受到了抑制。。2016-2024年间美国放射科医生的平均薪酬增添约为30%，，低于同期平均薪酬约37%的增添幅度[41]。。

来自中国的实证证据进一步印证了“AI赋能主要通过增添劳动供应施展作用”。；；；；谥泄患彝凡客饴羝教2021-2023年数据的研究发明，，在一项仅面向听障骑手开放的AI工具（“智能外呼”，，将文字转为自然语音以辅助其与主顾相同）[42]于2022年中上线后，，显著提升了听障骑手的劳动供应，，每周在线事情时长增添约10.6%、去职率下降约21%，，并吸引了更多听障者进入平台。。与此同时，，单位时间酬金（小时人为）仅小幅上升约3.6%（图表12）。。也就是说，，听障骑手约11%的周收入增添，，主要来自工时的增添而非小时人为的提升。。

图表12：AI工具对中国听障骑手劳动供应及收入的影响

注：图为DID预计效果，，反映引入AI工具后，，听障骑手相较于非听障骑手在各项指标上的百分比转变。。资料泉源：Chen等（2026），，中金研究院

（二）AI创立新职业：基于规模经济视角的剖析

综上，，从职业重构角度看，，以大模子为代表的新一轮AI手艺前进，，关于劳动者事实是赋能照旧替换，，难以一概而论，，要害取决于AI所逾越的是焦点手艺照旧边沿手艺。。即即是在统一职业内部，，由于劳动者的手艺禀赋差别，，AI关于劳动者事实爆发赋能照旧替换作用，，也需要详细问题详细剖析。。

需要说明的是，，大模子作为一种创立性破损实力，，关于分工的影响不但体现为既有岗位的职业重构，，也体现为新职业的创立。。早在2019年，，“人工智能工程手艺职员”便已被列为新职业，，这是由底层大模子及算法的开发需求催生的。。官方将其界说为从事人工智能相关算法、深度学习等手艺的剖析、研究、开发，，并对人工智能系统举行设计、优化、运维、治理和应用的工程手艺职员[43]。。大模子的训练与对齐需求也催生了“人工智能训练师”这一大类职业，，其下属工种包括服务于模子效果验证和优化反馈的“人工智能算法测试员”,以及服务于机械学习和大模子训练的数据生产环节的“数据标注员”[44]。。以数据标注员为例，，其事情内容早已跳出古板简朴录入的领域，，成为大模子工业链中不可或缺的基础支持。。2025年，，国家发改委等部分明确发文增进数据标注工业高质量生长，，将数据标注工业界定为对数据筛选、洗濯、分类、注释、标记和质量磨练等加工处理的新兴工业[45]。。重大的工业需求创立了大宗就业。。据报道，，2024年底中国从事数据标注行业的人群总数已超1000万[46]。。

在国际前沿领域，，围绕大模子和智能体的新职业也在加速形成。。Microsoft 2025 Work Trend Index显示，，企业正在思量招聘AI训练师（AI trainers）、数据专员（data specialists）、智能体专员（AI agent specialists）、人工智能战略师（AI strategists）等AI专门岗位；；；；其中，，32%的治理者妄想在未来12—18个月招聘智能体专员，，用于设计、开发和优化智能体[47]。。 这批注，，随着AI从简单工具演化为可执行现实使命的智能体，，新的职业分工也在从底层的训练模子，，延伸到应用层的设计、编排、治理智能体等领域。。

怎样明确新职业创立的经济逻辑？？？？？？从分工是指手艺与使命基于较量优势的匹配角度看，，可以将新职业的创立也视为一种广义的职业重构，，由于新职业通常并非凭空泛起，，而是沿着可识别的偏向从现有职业中演化出来。。一种可能的泉源是陪同着AI渗透率的提升，，在现有职业内部爆发出了因AI应用而来的新使命。。图表13对11类现有职业中因AI应用所爆发的新使命举行了剖析：约42%与内容天生相关（含AI构想、内容起草与数据洞察）；；；；约35%是监视与审查（质量审核、伦理与合规）；；；；约26%是AI整合（把AI嵌入既有事情流，，在IT支持与软件开发者中占比最高）[48]。。

图表13：在11个受AI影响较大的职业中，，AI带来的新使命的结构组成

注：AI构想指使用人工智能天生或扩展创意想法，，如看法、战略或解决方案；；；；AI内容起草指使用AI工具撰写文本或媒体的初稿；；；；AI质量审核指对AI天生内容举行准确性、清晰度和相关性的审查与修正；；；；AI数据洞察指使用AI剖析数据或文档，，提取要害模式或看法；；；；AI整合指将AI融入事情流程以自动化或优化使命；；；；AI伦理与合规指确保AI应用切合伦理、执法及组织标准。。资料泉源：Humlum & Vestergaard（2026）[49]，，中金研究院

凭证前述市场规模扩大增进分工深化的规模经济逻辑，，一旦这些新使命的市场规模抵达一定水平，，便有可能从现有职业中自力出来演化为一种新职业。。以剖析师为例，，随着AI被普遍用于起草报告与处理数据，，由AI幻觉引发的合规与质量风险也随之上升（如内容无误但日期差池等隐藏过失），，会爆发对AI天生内容举行质量审核与事实磨练的新使命。。AI在剖析师职业中的渗透率越高，，这种质量审核与事实磨练的新使命需求量就会越多。。新使命的需求量一旦扩大到某个水平，，规模经济的逻辑意味着这些新使命有望从剖析师岗位中剥离出来，，成为一种高频、专门的自力使命，，并吸引在审核磨练而非剖析方面具有手艺较量优势的劳动者与之匹配，，由此演化出“AI产出审查员”等全新的职业分工。。

四、生意本钱下降：从零工经济到“一人公司”

从上述新职业爆发的规模经济视角看，，近期广受关注的“一人公司”征象，，与其说是一种新的职业，，不如说是一种新的工业组织形态。；；；；谛轮贫染醚У钠饰隹蚣，，企业之以是保存，，并非由于市场机制无效，，而是由于市场组织自己需要本钱。？？？？？？扑怪赋，，市场生意并非免费，，征采、谈判、签约、监视和执行等都会发天生本，，企业通过内部权威协调替换一系列疏散的市场左券，，正是为了节约这些使用市场机制的生意本钱。。因此，，企业的界线取决于一个权衡：企业会一直将生意内部化，，直到在企业内部多组织一项活动的边际本钱，，恰恰即是经由市场或另一家企业完成统一活动的本钱[50]。。

图表14：数字平台带来零工经济的“回归”

资料泉源：中金研究院

生意本钱的逻辑可以很好地诠释数字经济时代的零工经济征象。。以出租车市场为例，，在没有数字手艺支持的场景下，，打车人和司机之间的生意意愿可能会由于双方信息差池称而受到显著抑制，，例如打车人可能会由于担心司机的配景而不敢乘车。。这个时间组建出租汽车公司，，并以出租汽车公司的信用为出租车司机举行“信用增进”，，能够有用战胜信息差池称下使用市场机制的高本钱，，促成生意的爆发。。在数字经济时代，，数字手艺显著降低了生意双方信用数据生产、传输、识别、跟踪等方面的本钱。。重新制度经济学的角度看，，这意味着市场机制在出租车行业中的使用本钱大幅下降，，以古板出租车企的方式来组织供应的须要性下降，，最终导致古板企业的界线缩小，，零工经济模式“回归”出租车市。。ㄍ急14）。。

大模子作为数字手艺最新希望，，随之而来的“一人公司”征象与数字经济时代的“零工经济”模式有异曲同工之处。。在大模子泛起前，，稀缺的高阶认知手艺与劳动者个体的人力资源深度绑定，，导致其供应高度非标准化，，供需双方保存严重的信息差池称，，市场机制无法给予实时、有用且低本钱的标准化定价。。因此，，若是企业每次生产都暂时从市场上采购所需的高阶认知手艺，，不但需要支付高昂的征采成原来识别具备响应手艺的劳动者，，并且为隐藏在劳动者人力资笔菩的非标准手艺举行准确定价，，也要支付较高的谈判本钱。。这意味着，，此时使用市场机制的生意本钱高于企业内部的协调本钱，，企业的理性决议是直接雇佣这些掌握高阶认知手艺的劳动者，，以节约市场生意本钱。。

大模子实现了知识学习与使用的标准化，，不但可以通过资源化来削弱高阶认知手艺的稀缺性，，也使得认知手艺的供应与定价具备了标准化、透明化的可能，，大幅降低了企业通过市场机制购置高阶认知手艺的生意本钱，，导致企业雇佣相关劳动者的须要性下降，，造成了古板企业界线缩短的压力，，为一人公司的大宗泛起涤讪了基础。。从这个角度看，，一人公司征象并不可简朴冠以“通才”回归，，也不是降生了一种类似于前述“AI产出审查员”的新职业，，而是因大模子降低了市场生意本钱，，促成的工业组织新形态，，使得个人或少数几个人可以通过市场机制便捷地从经济中获取种种认知手艺的标准化供应，，来完成以前只有较大规模企业才华完成的生产使命。。

“一人公司”与零工经济的相似之处不但在于古板企业界线的收窄，，也有新型企业规模的一连扩大，，泛起出典范的内部规模经济效应。。所谓内部规模经济是指单个企业研发、装备、数据等牢靠本钱投入随产量摊薄，，泛起出简单企业规模越大、平均本钱越低的特点。。在零工经济中，，数字手艺是造成古板企业界线缩短的基础实力，，而数字平台正是具有强盛内部规模经济效应的新型企业代表（图表14）。。类似地，，支持“一人公司”蓬勃生长的基础，，也是新型企业规模的一连扩大，，既有OpenAI、Anthropic等专门从事大模子研发与应用的AI原生企业，，也有谷歌、字节、阿里等因大模子进一步增强网络效应而向AI转型的平台企业。。这些企业均能通过强盛的内部规模经济，，为一人公司提供标准化的认知手艺供应等服务，，并在此基础上促成一人公司赖以生涯的、具有外部规模经济效应的大模子生态。。

所谓外部规模经济是指整个生态中的加入者越多，，可以通过网络效应、知识外溢与共享基础设施等方式，，使每个加入者都能享受到更低的供应本钱或者更高的产出收益，，从而使整个生态泛起出规模经济效应。。在零工经济中，，劳动者借助具有内部规模经济效应的平台企业可以服务海量的消耗者，，平台接入的劳动者与消耗者数目越多，，则供求匹配效率越高、单位服务本钱越低，，由此形成了具有高度外部规模经济性的互联网经济生态。。

在本轮AI浪潮中，，“一人公司”的蓬勃生长，，也受益于建构在大模子企业之上的大模子生态。。在这个生态下，，“一人公司”无需肩负高昂的底层大模子研发本钱，，便可依托API、云服务、智能工具等，，低本钱共享整个大模子生态的外部规模经济盈利。。字节跳动旗下大模子即梦AI，，联合抖音于2025年11月推出“即梦AI青年导演相助妄想”[51]即是一个典范案例。。该妄想为青年导演提供手艺工具、现金资助和流量扶持，，支持他们完成AI短片。。已往需要重大专业团队、高预算和重大后期流程才华完成的特效影像创作，，现在个人或小团队即可以低本钱完成靠近影戏质感的作品产出。。

虽然，，这并不是说一人公司现在就已经完全倾覆了影视等古板行业的工业组织模式，，而是说大模子企业可以通过强盛的内部规模经济，，一连投入并构建基础设施，，进而孕育“一人公司”赖以生涯的外部规模经济生态。？？？？？？茨Ｗ由缜型徊角炕竽Ｗ由耐獠抗婺＞眯в，，可以有用增进模子权重、源代码、工程方案、产品创意等知识的溢出，，使立异的正外部性突破地理限制在全球规模内扩散，，显著降低生态加入者的重复研发本钱与立异试错门槛。。2026年一度火爆的OpenClaw即是这方面的典范例证。。

需要强调的是，，在大模子生态中，，大模子企业并非单向为一人公司的生长做孝顺，，生态的外部规模经济效应也在一连强化大模子企业的内部规模经济效应。。一方面，，大模子性能遵照规模定律，，前期训练与研发具有极高的牢靠本钱。。大模子生态中的用户数目越多，，分摊到每个用户的平均牢靠本钱就越低，，进而能够激励大模子企业一连投入更大规模的算力等资源来提升模子性能。。另一方面，，在果真数据集日益枯竭的配景下，，生态中的用户数目越多，，能够爆发的高价值私有交互数据规模就越大，，这部分数据是大模子与智能体一连迭代优化的焦点资源之一。。

总之，，在大模子生态下，，一人公司的变小与大模子企业的扩大并不矛盾，，而是相辅相成的，，体现了内、外规模经济相互增进的特点：一方面大模子企业的规模一连扩大，，通过内部规模经济效应提供标准化的认知手艺供应；；；；另一方面，，认知手艺标准化显著降低了市场化采购认知手艺的生意本钱，，有用削弱了高阶认知手艺的稀缺性，，增进了古板企业界线的缩短，，形成了一人公司的工业组织新模式。。

五、思索与启示：规模经济下的生产关系挑战

综上，，本文从认知手艺标准化出发，，探讨了以大模子为代表的新一轮AI手艺，，怎样改变人机使命界线、重塑分工结构的规模经济逻辑。。毋庸置疑，，内、外部规模经济相互增进有望显著提升生产力，，但关于本文开篇提到的争论而言，，也即AI手艺前进关于劳动者事实是赋能照旧替换，，难以一概而论，，焦点取决于手艺前进事实是在逾越劳动者的焦点手艺照旧边沿手艺。。虽然，，手艺派也可以用未来的AI手艺前进将逾越劳动者焦点手艺、边沿手艺等所有手艺的看法来为辛顿辩护，，但这依旧不组成AI将周全替换人类劳动者的理由。。暂且岂论在人类智能的形成机制尚未获得破解的条件下，，就断言人工智能将会周全逾越人类智能是否过于轻率，，即便仅从经济学的角度看，，周全替换论也难以建设。。

辛顿在强调AI替换庖动者时经常使用的经济论据是，，大企业之以是投入巨资生长AI，，焦点回报泉源就在于替换人力本钱，，即“要赚钱，，就得替换人类劳动力”[52]。。但问题是，，AI尤其是大模子的训练与使用也并非没有本钱。。如前所述，，可酿本钱约束已经成为AI应用中禁止忽视的现实挑战。。事实上，，即便未来人工智能的本钱大幅下降，，两类具备手艺替换关系的智能主体之间睁开竞争，，也会压低人类智能的相对价钱，，因此即便人工智能在手艺层面实现对人类智能的周全逾越，，人类劳动者仍可能因本钱较量优势而保存响应的就业岗位。。

更主要的是，，美国放射科医生的案例批注，，不但是AI替换庖动会压低劳动本钱，，AI降低职业手艺门槛的赋能效应也会压低整个职业的相对薪酬。。因此，，这个案例虽然证实辛顿、马斯克有关AI替换人进而导致大规模失业的气馁看法不建设，，但也批注黄仁勋、阿莫代伊和奥尔特曼的赋能论主张似乎保存过于乐观的倾向，，他们有意无意地忽视了AI通过降低职业手艺门槛所爆发的赋能作用，，会通过增添劳动供应水平抑制劳动者的薪酬增添。。

总之，，AI手艺前进在通过专业化分工与规模经济带来生产力提升的同时，，关于生产关系的影响或许不可简朴用替换论或者赋能论来概括。；；；；蛘咚，，以大模子为焦点的新一轮AI手艺前进，，关于就业数目的影响是不确定的，，但关于劳动者酬金的影响是相对确定的，，无论是AI逾越劳动者焦点手艺的替换论，，照旧AI降低职业手艺门槛的赋能论，，最终效果均是抑制劳动者薪酬增添动力，，即AI手艺前进下劳动者薪酬增速将低于生产力增速。。这或许也可以诠释为什么美联储新任主席沃什（Kevin Warsh）相信“AI带来的生产力浪潮将允许美联储在不引发通胀的情形下大幅降息”[53]。。

虽然这个判断的短期适用性值得商讨，，但在恒久中不无原理。。由此而来的问题是分配失衡。？？？？？Ｋ剂康角笆隼投咂饺ㄐв，，也即大模子通过降低手艺门槛来缩小差别手艺禀赋劳动者之间的生产力差别，，意味着劳动者群体内部的分配失衡可能不是大模子手艺前进引发的主要分配问题。。

图表15：美国劳动者酬金占海内总收入份额

注：1929-2024年数据泉源于BEA（美国经济剖析局），，因美国现代国民收入和产品账户从1929年最先，，因而此前数据官方统计并未笼罩。。19世纪末的数据只能用经济史学家的重修估算，，经典估算来自Budd（1960）和Kuznets（1946），，二者估算差别是由于估算口径的差别。。资料泉源：BEA，，Kuznets (1946)，，Budd (1960)[54]，，中金研究院

图表16：美国家庭财产排在后90%的家庭所拥有的财产占总财产的比例

注：1976-2025年数据泉源于Realtime Inequality（该数据库由Saez、Zucman和Thomas Blanchet配合开发维护，，用于实时更新美国收入和财产分配数据），，1917-1975年数据泉源于Saez & Zucman（2016）。。资料泉源：Realtime Inequality，，Saez & Zucman（2016）[55]，，中金研究院

从经济史来看，，这种由手艺前进引发的劳动者薪酬增速低于生产力增速的情形并不有数，，其直接效果是手艺前进创立的增量财产（生产力提升盈利）更多流向了资源要素，，导致劳动酬金占国民收入份额的下降（即劳资分配名堂的恶化，，图表15），，劳资分配的一连失衡最终传导并体现为全社会收入分配差别的一连扩大（图表16）。。简言之，，本轮AI手艺前进攻击生产关系的主要体现，，或是财产向少数资源拥有者集中的收入分配差别扩大，，而非工薪阶级泛起一连的大规模失业。。

在新一轮手艺前进方兴未艾确当下，，怎样未雨绸缪地举行干预？？？？？？一种角度是从微观着手，，直接限制AI资源拥有者关于古板就业模式的攻击。。历史上的红旗法案大致属于这种应对思绪，，希望通过限制汽车速率，，来维护马车夫的就业岗位。。历史实践批注，，这种方式是徒劳无益的。。由于职业重构是AI提高生产力的主要机制，，无论是赋能照旧替换，，均意味着原有分工模式无法一连。；；；；蛘咚，，手艺前进作为一种创立性破损实力，，突破原有分工模式与施展其创立性，，是一体两面的共生关系，，在微观上限制其破损作用，，也就意味着难以有用施展其在生产力方面的创立性。？？？？？Ｋ剂康侥拷竦牡卦稻赫滦问，，通过限制AI手艺前进的方式来维护古板生产关系，，更是不适时宜。。

既然微观层面限制创立性破损施展作用并不可取，，那么沃什提出的降息导向的宏观政策是否可。？？？？？？暂且岂论在美国通胀高企配景下，，沃什是否会因AI的恒久弱通胀效应而在目今降息，，即便未来AI的弱通胀效应充分兑现后，，降息可能也并非最优选择。。AI之以是能够削弱通胀压力，，很洪流平上是由于劳动者薪酬增速低于生产力增速，，由此加剧的收入分配差别扩大会压制总需求。。此时若是通过降息，，也即压低市场利率到自然利率的水平来实现供求平衡，，会造成银行欠债端存款利息的下降。。问题是富足家庭将财产更多地设置在资源市场，，低收入家庭以银行资产为主要的财产设置方式。。这意味着，，若是太过依赖压低银行欠债端本钱的方式来干预供求不平衡，，则资产价钱重估的利益更多被富足家庭获得，，通俗家庭、低收入家庭的资产回报反而会因利率下降而遭受损失。。因此，，收入分配失衡下的降息可能会起到进一步加剧财产集中度的作用，，难免导致资产泡沫太过膨胀，，最终以泡沫破碎的；；；；绞健扒恐啤苯饩龇峙浣峁故Ш馕侍。。

从历史来看，，财务政策，，尤其是转移支付类财务支出政策，，可能是缓解收入分配差别更有用的宏观政策。。例如，，1935年美国推出了《社会包管法案》，，着重为失业群体、老弱病残等弱势群体提供财务支持，，一定水平上增进了以后美国贫困率的下降。。更值得关注的是，，美国在二战后到滞胀；；；；暗恼舛问奔，，虽然基尼系数在一连提升，，但经由转移支付等财务支出政策干预后的基尼系数是下降的。。由于二战后的美国所得税最高等边际税率呈下调趋势，，意味着财务收入端的政策关于这时代收入分配差别的缩小未起到太大的作用。。

综上，，为应对AI重构分工所造成的生产关系挑战，，可思量在使用AI手艺举行精准识别的基础上，，着力加大面向中低收入群体的转移支付力度，，以完善中国特色的社会包管制度，，进而为AI手艺通过创立性破损来提高生产力筑牢社会清静网。。至于详细步伐，，除了可凭证家庭收入水平举行累退性的转移支付外，，还可以从“投资于人”的角度，，思量如下重点惠及中低收入群体的转移支付步伐：①更大力度提升城乡住民基本养老包管待遇；；；；②思量到AI关于隐性知识有限的年轻人就业攻击更大，，需重点完善面向年轻人的失业救援制度；；；；③加大顺应AI时代的再就业培训投入，，阻止摩擦性失业演变为恒久化、永世性失业；；；；④低收入群体的生育意愿更高，，加大生育养育支持力度，，既有利于改善收入分配名堂，，也有助于增强未来的供应[56]；；；；⑤降低社保缴费率，，（阶段性）降低增值税税率，，有利于更多提升中低收入群体购置力。。在供强需弱确当下，，转移支付所需的资金泉源可主要思量通过央行扩表支持增蓬勃政赤字的方式召募。。