人工智能的经济未来：全球竞争时代的战略自动化政策

在人工智能快速发展的时代，政策制定者需平衡经济增长与财富分配，制定有效的自动化管理政策。全球技术竞争加剧了政策紧迫性：人工智能可能在监管框架成熟前大规模渗透经济领域，而当前经济预测分歧巨大，突显发展路径的不确定性。

本研究通过“稳健决策分析”构建经济模型，模拟数千种情境，区分两类自动化：横向（替代人工劳动）与纵向（提升现有自动化流程），并将政策选择内生化。结果显示，强力激励纵向自动化是最稳健策略，存在于所有最优政策组合中。研究指出，实现温和增长存在多种政策路径，但达成变革性增长需精准政策设计，即使接受更高不平等，仍需特定技术条件支撑。

当前人工智能政策制定面临多重经济挑战：人工智能发展路径的不确定性、技术竞争压力与社会影响并存。本研究聚焦三个核心问题：第一，何种纵向或横向自动化政策组合能达成预期经济目标；第二，不同增长与不平等目标如何影响最优政策选择；第三，实现最优政策路径所需技术条件。

通过稳健决策分析（RDM）发现：若以加速经济增长的同时缓解财富分配不平等为目标，非对称政策（强力支持纵向自动化+适度限制横向扩张）在技术不确定性下最具稳健性；而实现变革性增长需激进政策与特定技术条件支撑，但仅19%情境满足条件，显示该路径的狭窄性。无论目标如何，强力激励纵向自动化始终是高效政策组合的核心要素。

研究揭示两个关键启示：首先，人工智能经济预测分化严重（从温和增长到技术奇点），强化了稳健政策设计的必要性；其次，地缘技术竞争中，依赖人工智能自动化加速增长的成功概率受技术条件严格制约。政策实施可依托税收、科研资助等现有机制推进，无需新建规制体系。未来需开发区分纵向和横向自动化的评估指标以提升政策精准度。

本章构建了一个经济模型，用于分析人工智能如何通过拓展新任务自动化和提升现有自动化流程，影响生产率、收入和工资。该框架基于Jones和Liu（2024）的研究，兼顾技术变革的广度（横向）与深度（纵向）。Jones和Liu的模型表明，新任务的自动化（横向自动化）与既有任务中资本生产率的提升（纵向自动化）共同作用，决定工资与产出水平。横向自动化倾向于提高资本在收入中的份额，而纵向自动化则倾向于降低这一份额。

将横向与纵向自动化区分开来，有助于更深入理解人工智能对经济可能带来的影响。例如，计算机视觉系统可体现这两种变化：当人工智能系统取代人类质检员承担新的质检任务时，属于横向自动化；当这些系统为现有自动化设备提供实时反馈，从而提升其操作效率时，则体现为纵向自动化。

从这两个维度分析自动化，可揭示在仅将自动化视为劳动力替代时可能被忽视的政策杠杆。横向与纵向自动化的互动有助于解释如“鲍莫尔效应”这类经济现象，反映出资本不仅承担新任务，也在持续提升已有任务的效率，如摩尔定律推动计算性能提升。当然，纵向自动化也可能间接推动横向自动化的发展，例如：计算性能提升催生了可自动撰写文本的生成式人工智能模型。

采用稳健决策分析（RDM）框架，对大量潜在未来情境进行模拟。RDM是评估人工智能潜在经济影响的有力工具，它将分析中的不确定性纳入考虑，评估政策如何影响高度不确定结果时尤为有效。本研究中，不确定的结果是收入与工资增长路径。

（一）RDM框架

图3.1展示了RDM分析的结构示意图。分析包括四个组成部分：不确定性、政策杠杆、变量关系、评估指标。

图3.1：RDM分析结构

1.不确定性

本分析的核心不确定性是人工智能的发展与部署动态。模型中有若干参数控制这一过程，将它们视为现实世界状态的不确定性来源。

表3.1列出了本模型中作为不确定因素的11个参数，包括每个参数的简要说明及其在模拟中可能取值范围。这些不确定性主要围绕人工智能自动化的动态变化，同时也包括初始资本在收入中的份额、经济任务之间的互补性水平等变量。其中涵盖了各种可能的人工智能未来情景，包括：人工智能快速取代人类任务的未来、任务间高度互补与相互依赖、通用人工智能出现于本就高度资本密集的环境中、随着自动化推进，新任务自动化难度因边际收益递减而上升以及其他数千种组合。

2.杠杆变量（Levers）

模型定义了两项政策杠杆，分别调控纵向与横向自动化的激励或抑制强度。这些杠杆通过影响两类自动化的扩展速度及其产生的生产率增益发挥作用。

研究将自动化激励视为补充或替代传统再分配政策的工具。此类政策虽未广泛实施，但与全局性财富再分配相比，在产业层面更具实施可行性。因此，本分析将自动化政策作为一种可行替代路径，同时承认全面再分配措施尽管理论上更优，但在政治实践中可能更难落实。

3.指标体系（Metrics）

针对每一种政策组合（共81种），对模型进行5,000次模拟。每次模拟中，随机从表3.1所列参数的允许范围中抽样。在每次模拟中，记录十年期的人均收入复合年增长率（CAGR）以及不平等的复合年增长率，其中不平等增长率指标衡量的是资本回报与劳动回报之间增长速度的差异。

4.阈值设定（Thresholds）

本分析使用FRED（2025）数据库的历史数据分析过去的趋势来设定收入增长与不平等增长的阈值标准，以界定政策是否成功。图3.2展示了这些趋势。

基于分析，设定收入与不平等年复合增长率（CAGR）的阈值为2%。该标准要求政策至少维持历史增长轨迹，或实现更优表现。

情景分析显示，自动化政策效果呈现显著非对称性。图4.3热力图揭示，最优策略表现为强力推动纵向自动化（提升现有任务效率），同时适度抑制横向自动化（控制新增任务自动化）。反之，抑制纵向自动化（特别是配合中性/抑制性横向政策）将导致绩效显著恶化。

“纵向vs横向”的框架为政策制定者提供了一种新的思考方式。与其试图事先预测哪些技术将增强人类能力（这本身具有很强的不确定性），不如将重点放在纵向自动化上，即利用人工智能提高已实现自动化任务的生产率。这一过程往往更明确，也较少依赖主观判断。相较于判断“技术是否有利于人类互补”，我们对既有自动化流程的理解可能更清晰，从而更易于识别改进空间并付诸实施。

但需要注意的是，纵向与横向自动化本质上是相互关联的，其界限在实际操作中并不总是清晰。

RDM框架同样适用于其他政策目标的分析。例如：若政策制定者希望在经济竞争背景下提高本国的经济增长率，可能愿意接受更高的不平等；或者，认为当前的不平等增长过快，未来应加以遏制。可以通过设定两个额外目标，对这两种情形进行分析，图4.4显示了在三种目标下，所有成功情景中横向与纵向政策激励（或抑制）的平均值。

结果表明，在高增长目标下，最优政策配置不再延续基准情景中的“非对称”策略，而是对横向与纵向自动化双双给予正向激励，且横向自动化激励略高于纵向。这意味着，实现显著的高增长可能需要积极推动人类任务向自动化转移。相比之下，低不平等目标则进一步强化了基准情景中的非对称策略：即在继续大力激励纵向自动化的同时，更强力地抑制横向自动化。在严格限制横向自动化扩张的背景下，为维持增长目标，必须依赖更强的纵向自动化提升。

总体来看，不同政策目标对应着截然不同的最优政策组合，表明政策制定者在设定人工智能发展方向时必须明确其优先级——是增长，还是公平。

本报告在人工智能自动化路径高度不确定的背景下，剖析了政策设计的核心挑战。研究显示，各国对人工智能的管理能力将深刻影响其未来全球经济地位，当前政策窗口期尤为关键。本研究对在技术竞争时代管理人工智能可能带来的经济影响提供了若干启示。

首先，分析显示，在多种情境下，强力支持纵向自动化的政策通常带来最稳健的经济结果。而横向自动化的最优政策则取决于具体政策目标：适度的抑制有助于控制人工智能带来的不平等，同时维持经济增长率；而若要实现快速增长，则需对两种自动化均予以正向激励，但代价是加剧不平等现象。这一发现在不同的人工智能发展路径、任务互补性和初始经济条件假设下均成立，但要实现根本性增长，任何战略的成功机会仍有限。

其次，区分纵向与横向自动化可能为政策设计提供有益视角。与其试图预测人工智能应用是增强人类能力还是替代人类，不如关注另一个或许更可观测的问题：人工智能是用于提升已有的自动化流程，还是用于自动化新的任务。这一框架可能为引导人工智能发展和部署走向有利于社会的方向，提供更具体、可执行的路径。

第三，强调了在人工智能政策设计中正视不确定性的价值。与其依赖对人工智能发展路径的单点预测，RDM方法识别出的是在数千种潜在未来中表现良好的政策。鉴于当前围绕人工智能发展、部署及其经济影响的不确定性，这一点尤为重要。研究结果表明，即便我们无法准确预知人工智能未来走向，政策制定者仍可在今天就激励结构作出明智选择，以推动更具社会益处的自动化形式。

从实践角度来看，研究结果指出了若干政策方向：

第一，开发纵向/横向自动化区分指标，避免僵化分类，聚焦政策引导技术向低风险路径发展。

第二，重构激励机制，强化两类自动化的差异化调控。政策落地可依托现有制度工具，无需新增限制措施：例如通过工会谈判、职业标准更新、税收结构调整抑制横向自动化，或利用社会固有机制（如技术扩散阻力）维持劳动收入份额。核心在于构建激励结构，促进现有自动化改进的同时，调控任务替代速度。具体工具包括：对现有自动化升级的资本投资实行加速折旧；对纵向自动化研发支出给予税收抵免；要求新自动化部署配套劳动力再培训。

“纵向—横向”框架虽非绝对清晰，但为技术部署前提供了可操作的观测维度。例如，纵向自动化更易通过企业资本支出结构识别，横向自动化可通过任务替代率衡量。这一区分使政策能更早介入，而非等待技术路径明确。关键在于，人工智能政策无需等待不确定性消除，通过可观测的自动化类型区分，即可同步推动经济增长与分配平衡。政策设计应避免强制规定技术路径，而是通过激励引导企业选择社会效益更高的自动化方向。