[译苑雅集Vol. 52]AI 会加剧不平等吗？重新解读 Katz-Murphy 模型下的技术冲击
本文通过 Katz-Murphy 经典劳动经济模型，系统分析了人工智能如何改变高低技能劳动力的供需关系，进而影响工资结构与社会不平等。结合 GPT 等技术对任务分配、技能可替代性和人力资本结构的最新研究，作者提出一个清晰框架帮助理解 AI 对劳动力市场的真实冲击。文章指出，不平等的走向取决于多个关键参数，而这些变量正在实时发生变化。
作者：Brian Albrecht
时间：2025 年 07 月 04 日
原文：
围绕人工智能，最近出现了一些相当离谱的预测。福特汽车的 CEO 最近说：“人工智能将取代美国一半的白领岗位。”
但无论你如何定义“白领”，只要基于现实数据，这种说法几乎不可能成立。工资会调整，人们也会适应。
不过，有关劳动市场和人工智能的问题，确实有很多值得深思的重大议题。比如：各类工资将如何变化？哪些工人会从中受益？哪些人会被边缘化？
今天我想把问题进一步聚焦：
人工智能会加剧不平等吗？
先打个预防针——我也不知道答案。但我认为，“价格理论”可以为我们提供一个分析框架。这个框架会把问题引向一些新的方向。
用这种方式来看人工智能的好处，不在于我们能未卜先知，而在于它提供了一种系统性的思考方式，让我们理清：哪些因素最关键，它们的影响方向又是什么。
与其纠结 AI 会不会自动化某些具体岗位，不如聚焦于那些真正塑造工资格局的宏观经济力量。这正是价格理论的用武之地。
Katz-Murphy 框架：技能的供需
先别管那些科幻场景，回到基本面：不同类型劳动力的供需关系。具体来说，是 Larry Katz 和 Kevin Murphy 在 1992 年提出的一个分析框架——一个简单模型，过去三十多年里默默解释了工资不平等的演变。
这个模型的设定几乎简单得令人脸红：把整个美国劳动力市场分成两类：“高技能”工人和“低技能”工人。就这样。没有具体任务分类，也不涉及行业差异，就两个大桶。从经验上说，我们可以把“高技能”理解为大学学历者，“低技能”就是其他人。（稍后我们会把这个定义放在 AI 的背景下重新讨论。）
这两类工人并不是完全可替代的——你不能简单用一个高中毕业生去替代一个大学毕业生，产出就能保持一致。企业会根据相对工资和生产率来调整用人结构。替代弹性衡量了企业在两类劳动力之间切换的难易程度。Katz 和 Murphy 的估算是约 1.4，也就是说，如果高技能工人的工资相对于低技能上涨 10%，企业会相对减少约 14%-16% 的高技能用工比例。
从需求端看，还要考虑技术偏向的问题：如果技术系统性地偏向高技能工人，会发生什么？这就是著名的“技能偏向型技术变革”（skill-biased technical change）。每一年，新的技术（比如电脑、软件、自动化）通常会让高技能工人更强大（提高他们的生产率），同时替代低技能工人（自动化他们的工作）。在 KM 模型里，这表现为对高技能工人相对需求的持续上升。历史数据显示，从 1960 年起，这种需求每年平均增加大约 2%-3%。
换句话说，每一年，技术都等效于让企业对大学毕业生的需求比对高中毕业生多出 2%-3%。如果大学生的供给刚好也以这个速度增长，工资差距就不会变；如果供给增长更快，不平等就会缩小；反之，不平等就会扩大。就这么简单。
这就是劳动力对企业的“生产端”，也就是劳动力的需求。
而供给端由教育选择决定。当大学带来的回报更高时，更多人愿意投资教育，从而增加高技能劳动力的供给。但这有滞后性——从教育投资到进入劳动力市场要几年时间，而且人力资本的“库存”变化很慢：年长、学历较低的工人退休，年轻、高学历者加入。
这个框架为何如此强大？因为它准确预测了美国过去六十年中工资不平等的重大转折点。1970 年代，大批婴儿潮一代大学毕业后进入职场，高技能工人的供给增长超过了需求。结果？大学学历溢价在 1970 年代实际下降——正是模型预测的情况。到了 1980 年代，大学毕业生增长放缓，正值计算机化大幅提升对高技能的需求。结果？不平等飙升——再次验证了模型的预测。
直到 2020 年，这个模型的预测依然惊人地准确。即便仍采用基于 1963–1987 年数据得出的每年 2.5% 的需求增长趋势，模型依然能够拟合之后 30 多年的工资变化路径。
准确到什么程度？我换个方式回答。
Acemoglu 和 Autor 在一本手册里写了一章，叫《技能、任务与技术》。整章的核心思想，是呼吁超越 KM 框架，建立新的劳动经济学模型。他们其实是把 KM 搬出来“批判”。他们指出，KM 模型在 1987 年之后的预测偏离了实际数据，特别是对大学学历溢价的预测过高。
原文写道：“模型在此后系统性偏离数据，预测的大学学历溢价上涨幅度超过实际情况。1992 年至 2008 年间，观察数据中学历溢价上升了 12 个百分点，而模型预测的是 25 个 log 点。” 这个批评是合理的：如果我们只拿 1992 年前的点估计来看，确实偏高了。但我想说的是，这个模型远不止一个点估计那么简单。
对我来说，结论不同。想想看：就凭两个参数，这个模型居然能在如此重大的劳动经济问题上，完美拟合后续十五年走势。这就是一个简单而结构清晰模型的威力。
那 AI 怎么适配这个框架呢？有些人会说 AI 会彻底改变一切，说什么“自我复制”“末日概率 P(DOOM)”之类的。也可能只是“P(经济炸裂)”。
我认为，我们真正要思考的，是 AI 如何改变模型中的参数，以及这对未来意味着什么。我完全可以接受这些参数会变——技术的变化路径与 1963–1987 年那一段会不同。但问题是：怎么变？我们依然面临“高技能 vs 低技能”供需的基本结构，而 AI 同时在两端都“动手脚”。
这时我们不必只靠理论。有一篇不错的早期研究来自 Eloundou、Manning、Mishkin 和 Rock，他们分析了 GPT 对工作的影响。我们可以从 GPT 推演出更广义的 AI 影响。虽然这篇文章在 2023 年时就略显滞后，但作为起点很有价值。
这篇研究对美国经济中的主要职业做了评估，量化了每个职业中有多少任务可以被 GPT 显著提速。简单说说他们的发现：
80% 的劳动力，其岗位中至少有 10% 的任务会受 GPT 影响；
而 19% 的劳动力，其任务中至少有 50% 会受到显著影响（考虑了辅助技术后）。
当然，这只是“暴露度”，不代表一定已经被 AI 替代，但别忘了，这些数据的视角已经是 2023 年。
更高 γ 的证据：工资与暴露度的相关性
高工资职业系统性地暴露于 GPT 更多。这跟传统的自动化路径正好相反——过去的技术通常先取代的是低工资工作。而该研究发现，那些需要学士、硕士、专业学位的岗位，其 GPT 暴露度远高于只需高中学历的岗位。在将任务暴露度与技能要求做回归时，编程和写作技能与 GPT 暴露度高度正相关，而常规体力劳动任务则呈负相关。
这正是“技能偏向型技术变革”加速的典型信号。如果我们把这些“暴露”转换成生产率提升，等效于让大学学历者的生产率提升 10%-50%，而高中学历工人几乎没受影响。在 KM 框架下，这就是对高技能工人相对需求的一次巨大正向冲击。到这一步为止，一切都很直观：这会扩大不平等。
但问题来了：如果“暴露”意味着 GPT 能直接完成你的工作呢？想想那些过去需要大学学历才能完成的任务：写报告、分析表格、基础编程、审阅文档……现在 AI 能帮助高中毕业生也胜任这些任务。在任务模型的语言中，AI 正在把“认知-例行类”任务从“高技能”池子中拽出来，重新生成一种“低技能 + AI”的混合范式。
换回 KM 的语言，从模型角度看，虽然大学学历者的数量没变，但能做高技能工作的“人”突然多了——因为 AI 的加持。这相当于高技能劳动力的供给发生了跃升，从而对工资溢价产生向下压力。
但回到现实数据，这其实是对“低技能”标签人群的相对需求上升。即便这些人从某种意义上变“更有技能”了。
这才是真正的赛点。而遗憾的是，KM 模型本身无法预设这些参数的变化方向。我们只能继续观察数据，看看未来会怎么演化。
更高 σ 的证据：任务重分配的模式
这项关于 GPT 的研究还间接提供了另一个重要信号：技能层级之间的可替代性正在上升。研究者区分了 GPT 能直接处理的任务，和那些需要辅助软件配合完成的任务。关键发现在于：许多原本属于“高技能”范畴、需要专门训练的任务——比如法律研究、金融分析、代码审阅——现在显示出高度暴露。而另一方面，那些依赖科学推理或批判性思维的高技能任务，暴露度却很低。
我倾向于将这种任务重组理解为一种提高“可替代性”的力量。比如：一个高级分析师现在可以直接处理原本需要初级律师参与的文档审阅；一个有经验的程序员也可以做原来需要金融建模专家的活。技能类别之间的边界开始变得模糊。
更高的 σ（即高低技能工人之间更大的可替代性）会在长期内对工资不平等产生三重影响：
第一，它会削弱工资溢价对需求冲击的反应力度。在原始的 KM 校准（σ ≈ 1.4）中，一次性 10% 的对大学学历劳动力的需求提升，通常会带来大约 7% 的工资溢价上涨。而如果 σ 提升到 2，同样的需求冲击可能只会带来约 5% 的溢价增长。也就是说，在需求变化相同的情况下，工资波动更小。
第二，它让供给端的冲击更有影响力。当 σ 较低时，即便往劳动力市场输送更多大学毕业生，也很难撼动工资溢价；而在 σ 较高的情形下，一波毕业潮就可能把高低技能差距削减一半。换句话说，在高 σ 的世界里，政策工具如移民、社区大学毕业率提升等，会成为更有力的平等化杠杆。
第三，它会让工资走势变得更不稳定。需求曲线变平意味着每一次供给端的扰动（如某届毕业生规模、经济周期性裁员、甚至企业内部 AI 升级培训）都会造成更大的冲击。可以预期，未来的工资溢价曲线不会是一条平稳的上升线，而是频繁波动、小幅震荡的路径。
总结一下：更高的 σ 虽不会逆转 AI 推动的不平等趋势，但它确实增强了供给端的主导力量，并压缩了每次需求冲击的幅度。
整体效应
我最诚实的猜测？我不知道。但我认为我们会看到一个“分裂式效应”：在技能分布的顶端，AI 会表现出某种“技术变革加速器”的效应，不过所谓“加速”可能只是未来十年每年多 1 个百分点，并不是科幻片里的乌托邦。它会极大地推高那些能高效使用 AI 系统的人的需求，从而加剧大学学历者与其他人之间的不平等。
但在大学学历者群体内部，AI 可能反而缩小内部差距，因为它让一些例行认知任务对非专业背景的工人也变得可及。
真正的问题不在于 AI 是否会改变不平等——那是肯定的。关键在于它朝哪个方向改变，改变多少。也许我们真的需要把劳动力市场分成不止两个群体。Autor 和 Acemoglu 就持这种观点。但即使如此，Katz-Murphy 框架依然提供了一种系统思考这些力量如何互动的方式。只不过，像所有经济模型一样，关键还在于参数。而这些参数，正在实时变化中。