【海外智库观察·美国】增长的引擎还是不平等的推手：人工智能的两难

近年来，人工智能（AI）的快速发展正在以前所未有的速度渗透到经济运行的方方面面。无论是大型语言模型（LLMs）、生成式人工智能，还是更传统的机器学习和自然语言处理工具，都在改变企业运作方式与劳动者的日常工作模式。RAND在最新发布的研究报告《Macroeconomic Implications of Artificial Intelligence》中，对人工智能的生产力潜力、财政前景、就业风险以及政策应对展开了系统性分析。这份研究既揭示了人工智能可能带来的巨大经济红利，也警示了潜在的劳动力市场冲击。

报告的核心论点可以概括为两个方面：一方面，人工智能有望成为推动美国长期生产力增长的新引擎，从而显著提升人均GDP并改善财政可持续性；另一方面，人工智能在替代劳动的过程中可能造成广泛的岗位流失，特别是服务业与部分白领岗位，进而加剧收入不平等与社会风险。这份报告以美国为核心案例，但其结论对中国同样具有参考意义。本文将总结其核心观点，并结合中国的现实情况进行对比，探讨人工智能浪潮下的中美异同与政策启示。

在过去几十年里，美国的全要素生产率（TFP）增长出现放缓趋势。国会预算办公室（CBO）预测未来三十年的TFP年均增长率仅为1.1%，低于上一个三十年的1.3%。这一减速不仅意味着人均GDP增速下降，还可能造成税收增长乏力和公共债务压力加剧。然而，人工智能的广泛应用可能改变这一趋势。根据RAND的建模，假设人工智能能够额外推动0.5个百分点的TFP年均增长，那么到2035年，美国人均GDP将比基线预测高出近7000美元（以2024年不变价计）。这种“复利效应”意味着，即便是小幅度的生产率提升，在长期复合增长下也能带来可观的生活水平改善。

图1：人工智能驱动的人均GDP增长预测

这里值得重点关注的是报告中的图1《人工智能驱动的人均GDP增长预测》。该图清晰展示了在人工智能情境与基线情境下人均GDP的走势差异。黑色实线代表CBO的基线预测，蓝色虚线代表人工智能推动的高增长情境。两者在最初几年差距有限，但随着时间推移差距逐渐扩大，到2035年已拉开7000美元的明显差距。如果人工智能的生产率推动作用能够长期持续，这一差距还会进一步扩大。换言之，人工智能有望成为扭转生产率停滞的“关键变量”。

对中国而言，人工智能同样被寄予厚望。过去二十年，中国经济增长主要依赖投资和劳动力转移，但近年来生产率增速放缓成为重大挑战。人工智能若能提升教育、医疗、制造等关键领域的效率，将可能成为中国突破“中等收入陷阱”的新引擎。不过，中国的增长逻辑与美国不同：美国依赖高技能劳动力与资本市场，而中国更倚重规模化应用与产业政策。因此，人工智能在中国可能更快实现大规模商业落地，但在原创性突破上仍需长期积累。

财政可持续性是美国宏观经济政策的另一大隐忧。2024年，美国公共持有的联邦债务占GDP比重已达到98%，为二战以来的次高水平，并预计在2035年突破118%。高企的债务水平不仅制约财政政策空间，还增加了应对外部冲击的脆弱性。在此背景下，人工智能如果能够提升生产率，也将间接改善财政前景。RAND的分析显示，在“高增长”情境下，到2035年美国债务占GDP的比重将降至107%，明显低于基线预测的118%。换算下来，这意味着在十年间可累计减少约2万亿美元的财政赤字。

图2：人工智能驱动的联邦债务负担下降预测

这在图2《人工智能驱动的联邦债务负担下降预测》中得到了直观呈现。基线情境下，债务比重呈陡峭上升趋势，而人工智能情境则显示出相对平缓的轨迹。虽然债务比重依然维持在高位，但其缓解效果已相当可观，足以在一定程度上减轻未来的财政风险。这也为政策制定者提供了新的角度：推动人工智能应用不仅是产业竞争力问题，也是改善财政可持续性的潜在工具。

中国的财政挑战与美国有所不同。中国总体债务水平仍低于美国，但近年来地方政府隐性债务和土地财政模式的不可持续性，给宏观经济稳定带来风险。如果人工智能能够显著提升生产效率，特别是在税收贡献大的制造业、物流业和数字经济领域，将有助于扩大财政收入来源，减轻地方政府对土地出让金的依赖。不同的是，中国的财政空间更多取决于产业升级与税制改革，而不是联邦赤字管理。因此，人工智能在中国的财政意义更在于拓展新兴产业的税基，而非直接降低公共债务负担。

人工智能的发展不仅体现在宏观指标上，还直接推动了基础设施投资。数据中心作为人工智能训练与运行的关键载体，其建设支出自2021年以来显著上升，从GDP的0.05%增至2024年的0.11%，预计2026年将达到0.15%。这一趋势既带动了数百万就业岗位，也拉动了区域经济增长。例如，弗吉尼亚、德克萨斯和加利福尼亚三州就集中了全美三分之一以上的数据中心。然而，这种快速扩张也带来能源消耗问题。未来若缺乏能效突破，数据中心的用电需求可能成为碳中和目标的一大挑战。这表明人工智能的基础设施建设是一把“双刃剑”，既能带来经济红利，也可能引发环境与能源的隐忧。

中国的情况与之相似甚至更为突出。中国已成为全球最大的数据中心市场之一，北京、上海、深圳和贵阳等地涌现大规模“算力枢纽”。根据工信部数据，2023年全国数据中心机架数量已突破650万标准机架，算力总规模全球第二。但与此同时，中国的能源结构仍以煤电为主，算力需求与绿色转型之间的矛盾日益突出。相比美国依赖市场化投资，中国的数据中心扩张更多受到政策引导，如“东数西算”工程试图通过跨区域布局缓解能耗压力。这显示出中美在人工智能基础设施发展中的不同路径：中国强调区域协调与能源平衡，而美国更侧重市场驱动与资本投入。

与生产力红利相对的是劳动力市场的不确定性。报告指出，人工智能对就业的影响呈现阶段性和分化性。在早期应用阶段，人工智能更多扮演“增强工具”，帮助员工提高效率，而非直接替代劳动。例如，2024年美国商务调查显示，人工智能在多数行业内更可能增加就业，而非减少。

但这一趋势可能不会长期持续。随着人工智能能力提升和企业深入应用，任务替代的比例正在快速上升。特别是在办公支持、客户服务、会计审计、翻译、零售等职业中，大量重复性和结构化的工作极易被自动化取代。麦肯锡的研究预计，到2030年，人工智能可能影响近30%的工作时长，远高于此前的估计。更令人担忧的是，人工智能的冲击已不再局限于低技能岗位，而是逐渐扩展到高技能白领。例如，部分法律、金融和内容创作类岗位的任务高度依赖认知与语言处理，而这恰恰是生成式人工智能的优势领域。这意味着未来的就业风险分布可能更加“非传统化”，涉及大量中高收入群体。

中国的就业结构冲击则呈现另一种格局。中国庞大的制造业和服务业低技能岗位仍然占比很高，人工智能的扩散可能率先冲击流水线工人、快递员、外卖员、呼叫中心客服等职业。与此同时，中国高校扩招导致的青年就业压力，使得中低技能岗位的消失更容易转化为社会问题。换言之，美国的人工智能就业冲击更像是“白领危机”，而中国更可能面临“蓝领与青年就业危机”。

人工智能带来的另一大风险是收入分配恶化。即使整体人均收入提高，如果收益更多集中在资本所有者和高技能人群，劳动力中低端群体的处境反而可能恶化。尤其是年龄较大的劳动者，他们在失业后通过再培训进入新岗位的可能性较低，更容易陷入长期收入损失，影响养老和财富积累。

RAND评估了劳动力再培训计划的效果，结论相对悲观：短期内收效甚微，且效果因人群而异。例如，偏重定量技能的培训课程回报率更高，而年长劳动者普遍难以从培训中获益。这意味着若人工智能造成大规模失业，单纯依赖再培训可能不足以化解风险，政府需要考虑更有针对性的政策组合，如延长失业保险、提供税收激励、推动新职业类别发展等。

中国在再培训上的挑战更复杂。一方面，中国拥有庞大的职业教育体系，但质量参差不齐；另一方面，地方政府常常以短期就业安置为导向，忽视了对工人长期技能的培养。近年来，中国提出大规模“技能提升行动”，并在人工智能、数据标注、工业互联网等领域设立新型职业标准，但整体覆盖面和针对性仍不足。与美国相比，中国的优势在于政府可集中资源推动大规模培训，但劣势在于效率与质量保障。

总体来看，人工智能既是生产力的引擎，也是就业与社会稳定的挑战。RAND的研究揭示了人工智能对美国宏观经济的深远影响：它有望提升生产力、改善财政状况，但同时也可能引发就业冲击和收入分配恶化。对中国而言，虽然经济结构与制度环境不同，但人工智能带来的矛盾和机遇同样存在。美国的挑战在于如何平衡创新与社会公平，避免人工智能红利过度集中于资本与高技能群体；中国的挑战则在于如何通过产业政策与教育体系，使庞大的劳动人口能够顺利转型，避免技术替代造成的就业结构性冲击。

因此，无论是美国还是中国，政策制定者都需要正视人工智能的双刃剑效应。首先，政策制定者需要持续监测人工智能的生产力效应与劳动力市场动态，建立高频、细分的数据追踪机制，以便及时识别风险。其次，应在劳动力市场中推行差异化的支持措施，例如对年轻劳动者提供技能培训，对年长劳动者提供延长保险或灵活退休安排。最后，还需重视人工智能基础设施对能源与环境的挑战，在推动数字经济的同时兼顾绿色转型目标。

RAND的这份研究提醒我们，人工智能并非简单的机遇或威胁，而是一场深刻的制度性考验。只有在提升生产力的同时，建立起更具包容性的再培训体系和社会保障机制，人工智能才能真正成为推动长期繁荣的力量，而不是加剧不平等与不稳定的因素。