AI 带来的真正挑战在分配——资本回报快速集中、初级岗位被压缩、白领就业市场被颠覆，并造成财富差距扩大。AI 是否加剧阶层撕裂，并不取决于技术本身，而取决于制度能否把激励、缓冲与分配三类工具协同起来，让技术红利更广泛地回流社会。

2026 年 5 月，韩国总统府政策室长金容范（Kim Yong-beom）在社交平台发文，提出 " 公民红利 " 设想，主张将 AI 产业景气带来的部分超额税收回馈全民。其背景是，受 AI 带动的半导体周期上行影响，三星电子与 SK 海力士未来数年预计将形成规模可观的新增税源，市场测算相关规模约为 120 万亿韩元（约 805 亿美元）。

这个设想背后是一个更广泛的问题：当 AI 显著提高生产率并推动利润向少数主体集中时，这部分新增收益应如何分配。

这场争论并不只停留在政策层面，类似压力已经在就业和收入两端逐步显现：资本、算力和核心技术的持有者受益更多，部分白领和新人群体承受更大压力。

与以往自动化主要冲击体力劳动和例行性任务不同，这一轮 AI 更广泛地进入认知型和高技能岗位（图 1）。国际基金组织（IMF）2025 年研究估算了高 AI 暴露度的岗位占比：发达经济体高达 60%、新兴市场约 42%、低收入国家约 26%。收入层级越高，认知型岗位占比越大，暴露于 AI 的就业人口也越多。

图 1：各职业 2022 — 2025 年失业率变化与其 AI 采用率之间的关系

AI 正在动摇过去几十年 " 以白领中产为支撑 " 的社会结构。过去 30 年，全球化与信息化造就了一个庞大的中产白领阶层：他们是消费扩张、税收基础与中间投票群体的重要载体，也构成了既有社会契约稳定的 " 中段腰部 "。

当本轮 AI 首先削弱这一群体的议价能力和收入预期时，其影响不只局限于劳动力市场，更可能波及消费结构、税收基础和社会稳定。

斯坦福大学数字经济实验室主任埃里克 · 布莱恩约弗森（Erik Brynjolfsson）等学者在 2025 年的研究中发现自生成式 AI 广泛扩散以来（图 2），22 — 25 岁劳动者在高 AI 暴露职业中的就业出现了约 16% 的相对下降；其中，22 — 25 岁软件开发者的就业人数到 2025 年年中已较 2022 年中峰值下降接近 20%。

图 2：2022 年底 ChatGPT 发布以来，不同年龄段员工的就业指数变化。其中代表 22-25 岁初级员工（Early Career 1）的曲线出现了最为显著的断崖式下滑，资深员工群体相对平稳。

原因不难理解，AI 目前最擅长干的恰恰是职场新人的工作：写基础代码、起草报告、查资料、录数据、回答常规客服问题。在传统职场里，这些杂活是新人积累经验、走向资深的必经一步。

当 AI 能以很低的成本接手这些初级任务时，新人的成长通道会受到明显冲击。如果这种情况持续下去，企业未来几年可能会发现：能挑大梁的中层越来越难找，团队里的经验积累也会变慢。

与此同时，白领群体内部也在出现明显分化。《华尔街 · 日报》2026 年 5 月的一项观察显示，尽管整个科技行业裁员持续，2026 年 4 月美国 IT 和计算机科学岗位招聘数量同比仍增长了 14.2%，但岗位结构发生了变化：初级职位占比从 1 年前的 8.1% 降至 7.4%，资深岗位占比则从 38.8% 升至 43.1%。受到欢迎的方向包括能管理 AI 智能体团队的资深工程师、AI 运维与维护人员、负责把 AI 部署到具体业务的解决方案工程师等。

换句话说，能驾驭 AI、补齐 AI 弱项的资深从业者更抢手，以执行类、标准化任务为主的初级岗位在被快速压缩。这意味着，AI 对就业的影响越来越呈现出职业内分化的特征，而不只是职业间的简单替代关系。

麻省理工学院教授达龙 · 阿西莫格鲁（Daron Acemoglu）提出的任务模型（Task-Based Models）可以帮助我们理解上述现象：AI 替代的不是整个职业，而是职业中的具体任务；就业净变化取决于替代效应、生产率效应与复原效应的较量。他警告，一旦企业部署 AI 只为省人力成本、而不投资创造新任务，经济就可能陷入 " 平庸的自动化 "：人被裁了，生产率却没明显提升，新岗位也不够多。这种 " 只能裁人、不创造新需求 " 的部署方式，也是分配格局被动向资本侧倾斜的重要机理之一。

当前，工作创造的速度跟不上替代速度，以及新增收益向少数主体集中，显然更值得担忧。埃里克 · 布莱恩约弗森提出了一个概念—— " 图灵陷阱 "（Turing Trap）。它指 AI 研发和部署中的一种倾向：把目标定在 " 模仿并完全替代人类 "，而不是 " 扩展或增强人类能力 "。

埃里克 · 布莱恩约弗森对此的担忧主要有两点。第一，如果 AI 走的是替代路线，劳动者在和资本谈判时会越来越弱势：能被替代的劳动失去了稀缺性，工资和议价空间自然缩窄（图 3）。第二，由于 AI 研发和算力高度集中在少数大平台和资本手里，这条路线赚到的钱也会向少数所有者集中（图 4）。在他看来，这并不是技术本身的必然结果，而是研发激励、税制安排和公共投资方向共同选择出来的。

技术路线从来不是 " 价值中立 " 的，它由谁出资、为谁服务、按什么目标优化，决定了它最终强化谁的议价权、削弱谁的议价权。

当税制对资本投资予以加速折旧、对人力雇佣却征收社保和工资税时，企业的理性选择自然偏向 " 用机器替代人 "；当公共研发资金主要流向少数前沿模型实验室、而非面向劳动者的增强型工具时，技术也自然走向集中。

从这个意义上看，" 图灵陷阱 " 不是技术问题，而是制度问题。在没有外部干预的情况下，市场会自发地把通用技术导向 " 替代人 " 而非 " 协助人 " 的方向。

与 " 图灵陷阱 " 相对的，是麻省理工学院经济学家大卫 · 奥托（David Autor）等人主张的 " 赋能中产 " 路径。他提出，如果 AI 以合适的方式部署，把专家的知识模块化，让中等技能的劳动者也能做出比较复杂的决策，从而扩大中间层岗位。AI 拉低了获取专业能力的门槛，使原本被学历、经验、资源壁垒挡在门外的人，有机会重新参与到中高端岗位的竞争中。

大卫 · 奥托描述的机制大致有三层：第一，AI 降低专业门槛，比如初级护士借助决策辅助系统，可以做过去由资深医师承担的诊断初筛；第二，AI 扩展能力边界，比如产品经理用低代码加 AI 协作平台，能独立完成过去需要整个软件团队的开发；第三，AI 让 " 实践经验 " 重新值钱，一线积累的领域知识，可以借助 AI 放大成更强的产出。

但实现 AI 普惠和平权需要看两个前提。一个前提是 " 起跑线 " 是否真的平等。就算 AI 工具本身免费或便宜，用 AI 还需要算力、数据、网络环境、语言能力和基础科学素养，这些条件并不是平均分布的。发展中国家和发达经济体之间、城市和乡村之间、不同年龄段之间，" 能不能用上 AI" 的实际门槛，差距仍然不小。

第二个前提是 " 终点 " 的分配机制是否合理。就算大家都能平等地用 AI，最后生产率提升赚到的钱，怎么在劳动者、企业、平台、算力提供方之间分配，这取决于市场结构和制度安排。在算力和基础模型高度集中于少数大平台的格局下，" 用 AI" 赚到的钱远远比不上 " 拥有 AI" 赚到的钱。

综合来看，" 赋能中产 " 是一种可能性，不是自动会发生的结果。它能否实现，依赖反垄断政策、公共算力供给、技能再培训体系和税收再分配等一整套配套措施。如果这些配套缺位，" 同一起跑线 " 的说法更多只是情绪上的安慰，很难真正改变分配格局。

IMF 2025 年的一项以英国微观数据为样本的模型估算给出了一个反直觉的结论：工资基尼系数预计下降约 3.91 个百分点（高薪者任务被大量替代、低薪者反而在生产率提升中受益）；而财富基尼系数预计上升约 13.67 个百分点。

逻辑大致是这样的：AI 对高薪白领任务的暴露度（约 60%）远高于低薪岗位（约 15%），所以顶层白领的工资溢价被压缩，工资差距反而收窄了。与此同时，AI 带来的效率红利主要沉淀为资本回报，集中在持有半导体股权、平台股权、算力资产的人手里。普通工薪阶层即使工资差距缩小，也很难分到这部分钱。最终结果就是：工资差距小幅收窄，财富差距明显扩大。

在一个社会里，如果工资差距小幅收窄、但资产价格快速分化，账面上的基尼系数改善并不意味着大家真的感受到公平得到了改善。

20 世纪后半叶以来的现代分配制度，主要通过工资税、累进所得税与社会保险，对劳动收入进行二次分配；但对资本收入，尤其是股票增值、未实现资本利得、平台所有权回报等的再分配能力一直相对较弱。

AI 放大了资本回报的集中度，未来分配制度改革的方向在于补齐 " 资本回报再分配 " 这一长期缺位的制度环节。

如果 " 图灵陷阱 " 的情景占主导，社会面临的首要风险是阶层流动通道进一步收窄。前面已经讲过两条路径：一是 " 初级岗位鸿沟 " 让年轻人难以进入职场；二是资本回报和劳动回报进一步脱钩。两者叠加，可能催生一些研究者所担忧的 " 永久底层 " 现象，即一部分劳动者长期无法重新进入主流经济系统，只能靠转移支付维持基本生活。

这一风险目前更多是一种趋势性判断，并非已成事实。世界经济论坛（WEF）对企业高管的调研提供了一个值得注意的侧面证据：54% 的高管预计 AI 将取代大量现有岗位，仅 24% 的人认为 AI 会创造大量新岗位；44.6% 的人认为 AI 能提高利润率，只有 12.1% 认为 AI 会带来更高工资。

上述风险最终会回到教育系统。当 AI 能以很低的成本完成相当一部分知识性任务时，传统以传授知识为核心的教育模式面临重新设计。其中的两个问题尤其值得关注。

一是 " 认知负债 " 问题：如果学生过度依赖 AI 完成思考，长期可能影响他们独立判断能力的发展。二是 " 技能与岗位脱节 " 问题：大学专业设置和实际就业需求之间的匹配度，正在被 AI 重新定义，过去几年里的热门专业，可能很快就不再热门。

与此相关的一个讨论方向是：未来教育是否应该把更多重心放在 AI 难以替代的能力上，比如复杂判断、跨学科整合、人际协作和道德决断。已有部分高校开始尝试，但系统性的改革还处于起步阶段。

面对 AI 带来的分配变化，政策回应可以概括为三类：激励、缓冲、分配。前者决定技术走向，中者提供过渡保护，后者决定红利是否能回流社会。

首先在激励侧：把 AI 引向 " 增强人 " 而非 " 替代人 "。具体做法包括：调整 R&D 税收抵免，更鼓励 " 增强型 "AI，少奖励 " 纯替代型 "AI；提供公共算力，降低中小企业、高校和普通劳动者的使用门槛；加强反垄断与互操作，防止算力、数据和模型被少数平台垄断；保留初级岗位入口，对雇佣应届生和初级员工的企业给予税收支持等。

在缓冲侧：给被冲击者提供安全垫。具体做法包括：扩大再培训，让劳动者有能力从旧岗位转向新岗位；试点更短工时，如果生产率提高，就应探索用更短工时分享收益；扩大社会保障覆盖，把灵活就业者和平台劳动者纳入基本保障。

在分配侧：让 AI 红利更广泛地惠及全民。具体做法包括：重设计税基，逐步把税基从劳动转向资本与消费；探索 AI/ 算力 / 超额利润税，让超额收益承担更多公共责任；推行公民红利或 UBI（全民基本收入），把部分超额税收转化为全民可分享的收益；发展主权基金与公共持股，让社会以 " 共同所有人 " 身份分享资本回报；探索共有所有权，推动关键算力基础设施和公共平台的公共参与。

行动节奏同样关键。《经济学人》2026 年 5 月社论认为：AI 冲击真正大规模显现前，就应先把税基调整、工资保险和再培训等工具准备好。约 70% 的美国受访者认为，AI 会让未来找工作更难，近三分之一的人担心因此失业。这种情绪本身就说明政策不能等到问题全面爆发后再行动。

WEF 估算，到 2030 年，全球劳动力中将有超过 40% 的核心技能发生改变，并且 "AI 与大数据 " 相关技能需求在近一两年间快速上升。这意味着无论采取哪类政策，大规模、持续性的再培训都是绕不开的基础工程。

需要强调的是，上述三类工具不是 " 三选一 " 的关系，而是需要协同配置。归根结底，AI 未必导致更严重的不平等，但如果缺乏制度回应，它极可能把既有分配失衡进一步放大，并把技术红利更多锁定在少数资本与平台所有者手中。关键在于能否尽早把激励、缓冲与分配三类工具协同配置起来，在保持创新活力的同时，为劳动者保留上升通道，并让技术红利更广泛地回流社会。