ARTICLE · 1203532
让效率学会分享:AI时代,一场关于“人”的契约重建
让效率学会分享:AI时代,一场关于“人”的契约重建引言：当机器开始“抢饭碗”，我们真正该问的是什么 人类对机器的焦虑，几乎与技术本身一样古老。但2020年代以降，这种焦虑正在从隐喻变为统计数字，从“未来学”变为“当下学”。 ChatGPT发布后的十八个月里，全球围绕AI的讨论经历了三次跃迁：第一次是惊叹——它能写诗、编程、通过律师资格考试；第二次是恐惧——它会不会取代我的工作；第三次，则是更冷静、也更根本的追问：如果AI真的系统性地替代了人类劳动，我们现有的经济制度——税收、社保、分配——还撑得住吗？ “机器人不用交社保”——这句在网络上被广泛转发的话，粗糙、直白，甚至带着几分情绪，但它之所以能引发如此强烈的共鸣，恰恰因为它指向了一个正在发生的结构性事实：现代财政国家的钱袋子，在很大程度上是挂在工资单上的。当自动化大规模替代劳动，被冲击的远不止是就业数字，更是整个公共筹资的底层结构。 这不是一个关于“要不要惩罚技术”的问题。这是一个关于一个社会是否有能力让效率学会分享的问题。 本文试图系统地回答三个问题：第一，AI时代，劳动税基的收缩究竟意味着什么？第二，“机器人税”作为一个政策工具，其逻辑、局限与合理位置在哪里？第三，超越单一税种，我们需要一套怎样的制度组合，才能让技术进步与人的尊严同步前行？ 第一章 看不见的裂口：劳动税基的收缩与消费循环的松动 1.1 现代财政的秘密：钱袋子挂在工资单上 要理解“机器人税”讨论的真正分量，必须首先看清一个不那么直观的事实：现代税收与保障体系，建立在工资和雇佣关系的稳定存在之上。 以美国为例，2023财年，个人所得税占联邦总税收约39.9%，社保税/工资税占24.0%，消费税占16.8%，三者合计超过八成；企业所得税仅占8.3%。这意味着，当自动化大规模替代劳动时，受到冲击的远不止是就业数字，更是整个公共筹资的底层结构。 中国的情况同样值得审视。2023年，全国税收收入中，增值税占38.3%，企业所得税占22.7%，个人所得税占8.6%，消费税占8.7%。增值税虽然名义上是对商品和服务增值额征税，但其税基与企业经营规模密切相关，而企业经营规模在很大程度上与雇佣规模正相关。当企业用机器人替代人工，增值税税基未必同步缩小，但附着在工资上的个人所得税和社保缴费会直接收缩。 用一句概括性的话来说：“建立在工资、社保和消费之上的传统税收体系，将面临公共支出需求上升、广义税基反而收缩的结构性矛盾。” 这不是遥远的预测。中国劳动和社会保障科学研究院基于300个城市招聘数据的监测显示，2025年1至8月，AI相关岗位需求同比增速超过100%，而销售、行政、财务、法务等岗位需求同比下降10%到30%。岗位结构在剧烈重组，而附着在旧岗位上的税收与社保缴费，并不会自动跟随到新岗位上去。 1.2 劳动收入份额的持续下行：不只是数字 比税基收缩更隐蔽、也更深刻的冲击，发生在劳动收入份额上。 劳动收入份额，即劳动者报酬占国民收入的比例，是衡量分配格局最基础的指标之一。过去四十年，全球主要经济体的劳动收入份额普遍呈下降趋势。而AI的到来，正在加速这一趋势。 基于中国企业—员工匹配调查数据的实证研究表明，机器人应用会使企业劳动收入份额下降4.7个百分点，这一结果在一系列稳健性检验后依然成立。另一项利用中国企业层面数据的研究则发现，AI采用率每提高一个标准差，劳动收入份额下降2.3%。还有研究指出，AI技术通过提升企业的市场势力，强化了企业在收入分配中的主导权，从而对劳动收入份额形成下行压力，这种效应在成熟期企业和高市场集中度企业中尤为显著。 头部平台的数据提供了更直观的参照：腾讯2024年劳动报酬占营收比重为8.9%，而2019年是11.2%。五年间下降了2.3个百分点。阿里、美团等平台企业的劳动报酬占比也呈现类似趋势。这并非因为这些企业“变坏了”，而是因为它们的增长越来越多地来自资本、技术和数据，而非人力投入。 这些数字单独看并不惊人，但它们指向的方向是一致的、累积的：效率在提升，但新增价值中流向劳动的比例在持续收窄。 1.3 工资不只是成本，它同时是需求 为什么劳动收入份额的下降值得高度警惕？因为工资不只是企业的成本项。它同时是宏观经济的需求项。 一个人拿到工资，去消费，卖家获得收入，再消费，货币在循环中反复创造税收，也反复确认着彼此的购买力。工资的“循环效应”不是道德修辞，而是宏观经济得以维持的基本机制。凯恩斯在《通论》中早已指出，有效需求不足是资本主义经济危机的根源之一，而收入分配过度向资本倾斜，恰恰是有效需求不足的重要成因。 当劳动收入份额持续下降，而效率收益又未能通过降价、再分配或公共品供给充分回流到多数人手中时，生产与消费之间就会出现一道越来越宽的裂口。 一项发表于《Scientific Reports》的模拟研究给出了一个值得警醒的量级：即便AI资本劳动比仅以中等速度上升，也可能使劳动利用不足率翻倍，人均可支配收入下降约26%。另一项研究则揭示了一个更深层的机制：自动化程度提高，在个体企业层面是理性的成本节约，但加总起来，却可能通过压低劳动收入、侵蚀消费基础，形成一种“自我强化的衰退压力循环”。每一家企业都在独享自动化的成本节约，却只承担它所制造的“需求损失”的一小部分，其余部分由竞争对手和社会共同承受。 这是一个经典的集体行动困境：个体理性与集体繁荣之间的张力，恰恰是制度必须介入的地方。 1.4 历史的回声：从“恩格斯停顿”到“AI版恩格斯停顿” 历史的回声并不遥远。经济史学家Robert Allen对1770—1913年英国数据的测算显示，第一次工业革命前期，英国劳均产出持续攀升，而工人实际工资长期停滞，增长成果几乎没有流向普通劳动者。这一时期被经济史学家称为“恩格斯停顿”——以弗里德里希·恩格斯的名字命名，因为正是恩格斯在1845年的《英国工人阶级状况》中记录了工业革命早期工人的悲惨境遇。 “恩格斯停顿”持续了数十年。直到19世纪后半叶，随着劳工运动兴起、工厂立法推行、社会保障制度建立，英国工人的实际工资才开始持续上升，分配格局才逐步改善。换言之，工业革命的生产率红利，并非自动惠及所有人，而是经过漫长的制度博弈后才实现分享。 黄益平在警示“AI版恩格斯停顿”时指出，AI的分配冲击力度更强、传导速度更快，主要通过资本偏向、任务替代、数字鸿沟和财富放大四条路径拉大收入差距。与蒸汽机时代不同的是，AI的 adoption 速度更快——ChatGPT在两个月内用户破亿，而电话用了75年才达到5000万用户。这意味着，分配冲击的传导速度也更快，制度调整的窗口期更短。 技术进步不会自动普惠大众。市场能高效地创造效率，却不会自动完成效率的分享。 这是历史给出的最清晰的教训之一。 1.5 一个具体的案例：老干妈与“机器人替代” 网络讨论中经常提到老干妈遣散600多工人用机器人干活。这个案例需要谨慎对待——老干妈的用工变化是否完全由自动化导致，公开信息并不充分。但它所代表的模式是真实的：在食品加工、物流分拣、客服、数据录入等领域，自动化正在以肉眼可见的速度替代重复性劳动。 更值得追问的是：当企业用机器人替代人工后，节省下来的成本去了哪里？如果效率提升带来了降价，消费者受益，那是一种分享；如果效率提升转化为企业利润，而利润又通过分红和股权增值集中于资本所有者，而劳动者既失去了工资、又未能分享资本收益，那就是一种分配失衡。 老干妈案例中，网友的追问——“东西都不降价，这不都给资本赚去了”——虽然情绪化，但指向了一个真实的问题：自动化收益的分配去向，决定了它是普惠的还是集中的。 第二章 机器人税：一个正确的方向，一个不完美的工具 2.1 机器人税的逻辑起点：税制中性 正是在劳动税基收缩和劳动收入份额下行的背景下，“机器人税”进入了公共讨论。 它的直觉力量是巨大的：如果企业用机器替代了人，节省了工资、社保、培训等一系列附着在雇佣关系上的成本，那么它至少应当为这种“节省”承担一部分社会成本，用于被替代者的转型和保障。 这个直觉并非没有理论支撑。中央财经大学樊勇教授团队的分析点出了一个关键的制度事实：现行税制下，企业使用劳动力需承担工资、社保、培训等成本，而更多使用机器、算法和软件，未必对应同等的税费负担，这可能在客观上带来“机器替代人工更省税”的效果。如果这一判断成立，那么税制本身就并非中性——它在无形中偏向了一种生产组织方式，而冷落了另一种。 支持机器人税的一个核心逻辑，正是恢复税制中性：不让雇佣劳动因为承载了社保功能而被额外加重，也不让自动化因为绕开了这一功能而获得隐性的税收优势。 这里需要澄清一个常见的误解：税制中性并不意味着“对机器和人征完全相同的税”。机器不是纳税人，不具有法律人格，也不承担社保义务。税制中性的真正含义是：在劳动和资本之间，税收负担的分布应当反映它们各自的社会成本，而不应系统性地偏袒某一种生产要素。 如果雇佣劳动承载了社保、失业保障、工伤保险等社会功能，而自动化不承载这些功能，那么税制就应当通过某种方式，让自动化也为其所绕开的社会成本做出贡献——不是因为它“是机器”，而是因为它“绕开了社会契约”。 韩国仁荷大学金英顺教授提供了一个更具整合性的定位。她指出，当自动化推动价值从劳动者向资本所有者转移时，社会损失了一部分所得税基数和社保缴费来源，“机器人税”本质上是重新协商社会契约的现代工具，目的是让自动化收益的一部分回流到技能再培训和社会安全体系中，而不是惩罚创新。 比尔·盖茨多年来的立场与此一脉相承。他在2017年接受Quartz采访时提出，对替代人力的自动化征税，可以“稍微减缓远离人类劳动的势头，并为再培训和更强的安全网筹集资金”。他同时强调，如果人们“对创新感到恐惧”，那说明政策没有做好引导——机器人税不是反创新，而是让创新的节奏与社会吸纳能力相匹配。 2.2 国际实践：从“准机器人税”到提案 迄今为止，没有任何国家以专门税种的形式真正实施过机器人税。但一些国家的政策调整，可以被视为“准机器人税”的自然实验。 韩国：2017年，韩国政府将大中型企业自动化设备的税收抵免从7%降至2%，同时将节省的资源用于支持被替代的劳动者。一些媒体称之为“全球首个机器人税”，但韩国政府明确否认这一标签，强调政策初衷只是“放缓过快的自动化进程”。2019年，抵免比例又被恢复至原有水平。基于双重差分的研究发现，改革后受影响行业的机器人安装量相对于日本同行下降了约28%——这证明税收工具确实能够改变自动化投资的节奏，但也提出了一个问题：如果政策目标是“管理自动化的速度与方式”，那么抑制投资是否是最优手段？ 意大利：2017年，意大利议会提出了一项机器人税提案，税率与员工培训投入挂钩——企业如果增加培训投入，可以降低税负。这一设计的巧妙之处在于，它把税收工具与人力资本投资激励结合起来，而不是简单地“对机器征税”。 纽约州：2020年，纽约州议会提出了一项机器人税草案，以“被替代员工工资相关税费”为计税基础——即企业用机器人替代了多少工资成本，就按相应比例缴税。这一设计的逻辑是：机器人税的本质不是对“机器”征税，而是对“劳动替代”征税。 欧盟：2017年，欧洲议会曾就机器人税提案进行辩论，最终否决了该提案，理由是“过度征税可能抑制创新”。但欧洲议会同时通过了一项决议，呼吁成员国关注自动化的分配影响，并加强社会保障体系。 这些尝试的共同指向不是设立一个僵硬的“机器人头税”，而是把自动化的部分收益定向导入人的能力重建。它们的共同困难也暴露无遗：定义困难、行为扭曲、国际协调缺失。 2.3 机器人税的三重困难 一个好的方向并不自动等于一个好的工具。机器人税面临几个不容回避的困难。 第一是定义困难。 什么是“应税的机器人”？一台工业机械臂和一套云端自动化软件，在替代劳动的意义上可能是等价的，但物理形态截然不同。哈佛经济学家劳伦斯·萨默斯当年批评机器人税时提出的问题至今有效：如何对“机器人”征税，而不对做着同样工作的“电子表格或算法”征税？任何窄到足以捕捉“机器人”的税基，都窄到足以被规避。而任何宽到足以捕捉所有自动化技术的税基，又可能变成对“技术进步”本身的广泛征税，抑制范围远超“替代劳动”的创新。 第二是行为扭曲的风险。 韩国2017—2018年的实验证明，自动化设备税收抵免的削减确实抑制了机器人安装量。这引出了一个更深层的问题：如果政策目标是“管理自动化的速度与方式”，那么抑制投资是否是最优手段？如果被抑制的投资中包含着提升生产率、改善工作条件甚至创造新岗位的赋能型技术，代价又该如何计算？一个更微妙的扭曲是：企业可能通过将自动化投资转移到海外、或通过会计手段重新分类支出来规避税收，导致税基侵蚀而非收入增加。 第三是国际协调的缺失。 资本和技术高度流动，单边征税可能引发投资转移和税基侵蚀。一个国家的机器人税，可能只是把自动化推到了另一个不征税的辖区。这与公司税国际协调的困境如出一辙——OECD推动的全球最低企业税率谈判历时数年，至今仍未全面落地。机器人税的国际协调，只会更加困难。 这些困难是真实的，但它们指向的结论不应该是“什么都不做”，而应该是：机器人税作为单一的、孤立的工具，既难以精确设计，也难以独自承担AI时代再分配的重任。它应当被理解为一套更广泛的制度转型中的一个组成部分，而不是全部。 2.4 机器人税的合理位置：补充而非主体 那么，机器人税在一套更广泛的制度工具箱中，应当处于什么位置？ 一个越来越清晰的共识是：不能依靠单一税种，而需要一个以资本税基改革为基础、以新型税种为补充、并将分配节点前移的组合框架。 机器人税的合理位置，是补充性税种，而非主体税种。它的设计应当遵循几个原则： 第一，以“劳动替代”而非“机器存在”为税基。 不按机器人数量征税，而按企业因自动化而节省的劳动成本（工资、社保、培训等）的一定比例征税。这样既避免了定义困难，又直接对应了“社会成本被绕开”的逻辑。 第二，税收用途定向化。 机器人税的收入应当专项用于失业保障、技能再培训和社保补充，而不是进入一般性财政大盘。这既增强了税收的合法性，又直接回应了“被替代者”的需求。 第三，设置门槛和过渡期。 对中小企业、对赋能型自动化（提升工作条件而非单纯替代劳动的技术）给予豁免或低税率，设置5—10年的过渡期，让企业有调整空间。 第四，国际协调先行。 在主要经济体之间建立最低协调标准，防止逐底竞争。可以参考OECD全球最低企业税的模式，先在小范围内达成共识，再逐步扩大。 第三章 超越“机器人头税”：让分配节点前移的制度工具箱 3.1 第一层：扩大资本税基 如果机器人税的深层逻辑不是“惩罚机器”，而是让税制适应收入从劳动向资本转移的长期趋势，那么最基础、最直接的政策工具，是扩大资本税基。 拉平劳动与资本的税率。 在许多经济体中，资本利得税率长期低于劳动收入税率。美国联邦层面，长期资本利得最高税率为20%，而最高个人所得税率为37%；中国资本利得（如股票转让所得）在多数情况下免税或税率远低于工薪所得税。这种差异在劳动收入份额下降的背景下，会进一步放大分配失衡。将劳动收入税率与资本利得税率拉平，是恢复税制横向公平的基本要求。 提高企业所得税的实际征收水平。 全球范围内，企业所得税的名义税率与实际有效税率之间存在显著差距，跨国企业通过利润转移和税收筹划，将大量利润留在低税率辖区。OECD推动的全球最低企业税率（15%）是重要进展，但仍有提升空间。AI时代，企业利润越来越多地来自数据和算法带来的规模效应和网络效应，而这些利润的税收贡献应当与其社会成本相匹配。 对自动化超额利润征税。 一些学者提出，可以对因自动化而获得的超额利润（即超过行业平均利润率的部门）征收特别税。这种设计的优点是靶向性强——只针对自动化带来的超额收益，而不影响正常经营；缺点是超额利润的界定和计量存在困难。 这一层工具的困难不在于理论，而在于政治：资本拥有更强的流动性和游说能力。但正因为如此，国际协调在这一层上的重要性，远高于在机器人税上的协调。 3.2 第二层：新型税种作为补充 除了机器人税或AI使用税之外，Token税、算力税、数字服务税等方案正在进入严肃的政策讨论。 Token税：对AI模型的调用量和Token使用量征税。其优势是可观测、可计量——模型调用量和Token使用量可以在企业内部被相对准确地记录，平台可以承担代扣代缴的功能。但困难在于属地识别和跨境规避：Token可以在零税率辖区生成、在高税率辖区消耗。 算力税：对数据中心和算力基础设施征税。算力是AI经济的核心生产要素，其地理分布相对集中（大型数据中心），可观测性较强。但算力税可能转嫁给云服务用户，最终由消费者承担，且可能抑制算力基础设施投资。 数字服务税：对数字平台的服务收入征税。法国、英国、意大利等国已开征数字服务税，税率通常在2%—3%之间。其优势是靶向性强——只针对数字平台，而不影响传统行业；缺点是可能引发贸易摩擦，且税基与“劳动替代”之间的关联不够直接。 这些税种的共同优势是可观测、可计量，但共同困难是属地识别和跨境规避。因此，它们更适合作为补充收入来源，而非替代资本税基改革的主体工程。 3.3 第三层：分配节点前移——公共财富基金 最具有结构意义的一层，是将分配节点前移——让公众在AI资本增值的早期就拥有份额，而不是等到利润实现后再通过税收进行二次分配。 主权财富基金和公共财富基金是这一思路的现实载体。挪威用石油收入建立全球最大的主权财富基金（挪威政府全球养老基金，规模超过1.4万亿美元），阿拉斯加用石油红利向居民直接分配（阿拉斯加永久基金，每年向每位居民发放分红），这些模式正在被引入AI讨论。 桑德斯的《美国AI主权财富基金法》 ：要求对最大几家AI公司的股权征收一次性税，以此为基础成立向全体国民分配红利的基金。该提案的核心逻辑是：AI公司的价值在很大程度上来自公共数据、公共研究基础和公共基础设施，因此公众应当在其增值中拥有份额。 OpenAI的公共财富基金构想：OpenAI在2024年的一份政策报告中提出，可以参照阿拉斯加永久基金的模式，由AI公司出资建立公共财富基金，向全体公民分配红利。这一构想的背景是：如果AI真的如预期那样创造巨大经济价值，那么让公众直接分享这一价值，比事后征税再分配更有效率，也更少政治阻力。 宋雪涛在分析四种分配方案时指出，比起事后征税再分配，“更根本的方式是改变初始分配，让公众直接拥有AI资本”，公共财富基金“不是单纯社会福利工具，而应成为人力资本、社会保障和经济转型的长期资本”。 公共财富基金的优势在于：它把分配问题从“事后调节”变为“事前共享” ，避免了税收的政治阻力和征管成本；它的收益可以定向用于教育、社保和再培训，形成“资本收益→人力资本→消费能力”的良性循环。其困难在于：基金的管理和治理需要高度透明和专业化，否则可能沦为政治分肥的工具；基金规模的积累需要时间，难以应对短期的分配冲击。 3.4 第四层：投资于人——教育、社保与终身学习 仅有财政工具是不够的。再分配解决的是“钱从哪里来”，而一个社会的长期健康还取决于“人往哪里去”。 中国将“投资于人”写入“十五五”规划纲要，明确“坚持投资于物和投资于人紧密结合”，2026年全国一般公共预算中教育、社保、卫生健康、住房保障四项支出合计超过12.4万亿元，占总支出的41.3%。这是一个重要的政策信号：人力资本投资不是消费，而是投资；不是福利，而是竞争力。 黄益平提出的“防御—赋能—再平衡”三维框架，将完善普惠社会保障、系统性改革教育与终身技能培训、重构要素分配规则整合为一个政策组合： · 防御：完善普惠社会保障，为被替代者提供基本生活保障和转型缓冲。 · 赋能：系统性改革教育与终身技能培训，让普通人具备驾驭AI、分享技术红利的能力。 · 再平衡：重构要素分配规则，让劳动、资本、数据、算力在收入分配中各得其所。 其核心判断是：解决分配失衡的根本出路，是让普通人具备驾驭AI、分享技术红利的能力，而不是仅仅依靠兜底或单纯寄望技能培训。 这引向一个更深层的认识：真正的“人机平等”，不是让机器承担和人一样的税负，而是让制度确保技术进步的果实不会绕过人。 税制是其中一条通道，教育是另一条，社会保障是第三条，而对平台垄断和数据权力的规制则是第四条。没有任何一条通道可以单独完成这个任务。 3.5 第五层：竞争政策与数据治理 还有一个常被忽视但至关重要的维度：竞争政策与数据治理。 AI经济的显著特征是规模效应、网络效应和數據集中。少数平台企业掌握海量数据、算力和算法，形成强大的市场势力。这种市场势力不仅影响价格和竞争，也影响分配——拥有市场势力的企业可以压低供应商价格、压低劳动者工资、提高消费者价格，从而将更多价值集中于自身。 欧盟《数字市场法》、中国《平台经济反垄断指南》等法规，正是针对这一问题的制度回应。在AI时代，竞争政策需要进一步强化：对数据集中和算法合谋进行规制，对平台企业的自我优待行为进行约束，对AI基础模型的开放性和互操作性提出要求。 这些措施不直接涉及税收，但它们影响的是分配格局的底层结构——谁拥有数据、谁控制算力、谁制定规则。 第四章 历史的教训与未来的选择 4.1 从“恩格斯停顿”到“福特主义妥协” 19世纪英国工业革命的教训是清晰的：生产率红利不会自动惠及所有人。但20世纪的美国提供了一个更积极的参照。 亨利·福特在1914年将工人日薪从2.34美元提高到5美元，震惊了当时的商业界。福特的逻辑不是慈善，而是商业理性：如果工人买不起自己生产的汽车，那么大规模生产就没有市场。 这一逻辑后来被称为“福特主义妥协”——资本与劳动之间达成一种非正式的社会契约：资本获得利润，劳动获得足以消费的工资，政府提供基础设施和社会保障，三方共同维持需求循环。 福特主义妥协在二战后达到顶峰，伴随而来的是西方经济体长达三十年的高速增长和收入差距缩小。但1970年代滞胀之后，这一妥协逐渐瓦解：全球化、金融化、自动化和工会衰落，共同导致劳动收入份额持续下降，收入差距重新扩大。 AI时代的挑战，在某种意义上，是福特主义妥协的升级版：当机器替代的劳动越来越多，工资作为需求循环主渠道的功能越来越弱，社会需要一种新的“妥协”——不是资本与劳动之间的妥协，而是资本、劳动、技术与公共部门之间的新契约。 4.2 时间窗口正在收窄 制度调整的滞后性，是这里最大的风险。 AI对就业和分配的冲击仍处于早期，但税收体系、社保结构和教育模式的改变，往往需要以十年为单位来设计和落地。19世纪的英国用了数十年才走出“恩格斯停顿”，靠的不是耐心的等待，而是一系列制度干预的累积——工厂法、工会合法化、公共卫生改革、义务教育普及。 AI时代的传导速度更快。ChatGPT在两个月内用户破亿，而电话用了75年才达到5000万用户。AI对岗位的替代速度，可能远超19世纪机器对手工工人的替代速度。这意味着，制度调整的窗口期更短，讨论越早开始，未来的政策空间就越大。 4.3 一个可能的路线图 基于以上分析，一个渐进的、务实的路线图可能是： 短期（1—3年） ：完善失业保障和再培训体系，建立AI冲击的监测和预警机制，在条件成熟的行业和地区试点“劳动替代税”（以节省的劳动成本为税基，定向用于社保和培训）。 中期（3—10年） ：逐步拉平劳动与资本的税率，提高企业所得税实际征收水平，推动数字服务税和算力税的国际协调，探索公共财富基金的制度设计。 长期（10年以上） ：建立以资本税基为主体、新型税种为补充、公共财富基金为战略储备的AI时代财政体系；构建覆盖全民的终身学习账户和社会保障体系；形成资本、劳动、技术与公共部门之间的新社会契约。 第五章 哲学反思：进步究竟意味着什么 5.1 效率的合法性来自何处 向自动化收益征税，最终考验的不是技术，而是一个社会如何看待“进步”本身。 如果进步仅仅意味着更少的劳动投入和更高的产出，却让越来越多的人被甩出“生产—收入—消费”的循环，那么这种进步在经济学上不可持续，在社会学上更不可欲，在哲学上则是一种狭隘的、不完整的进步观。 效率的合法性，不仅来自它创造了多少产出，也来自它如何对待那些被效率重新洗牌的人。 一个让多数人失去购买力的技术体系，最终也会失去它自己的市场。一个让多数人感到被抛弃的经济制度，最终也会失去它自己的合法性。 这不是对市场的否定，而是对市场外部性的校正；不是对技术的敌意，而是对技术合法性的长期维护。 5.2 劳动的意义不止于收入 讨论机器人税和AI分配时，一个常见的误区是：把所有问题都简化为“钱”的问题——只要给被替代者足够的转移支付，问题就解决了。 但劳动的意义不止于收入。劳动提供社会连接、身份认同、日常结构和自我实现。一个完全脱离劳动的社会，即便物质极大丰富，也可能面临深刻的意义危机。威廉·朱利叶斯·威尔逊在《当工作消失时》中记录了美国内城失业社区的社会解体：不只是贫困，还有家庭瓦解、社区失序、犯罪率上升。劳动的社会功能，远不止于工资单。 因此，AI时代的制度设计，不能只关注“收入再分配”，还要关注“意义再分配”——如何让被替代者仍然拥有社会参与、社区连接和自我实现的渠道。这可能意味着：缩短工作时间但保持劳动参与，发展社会服务和照护经济，支持艺术、教育和社区建设，重新定义“工作”的社会价值。 5.3 人机关系的重新想象 最后，还有一个更深层的问题：我们究竟想要一种什么样的人机关系？ 一种图景是“替代”：机器越来越能干，人越来越边缘化，最终成为一个被供养的、无所事事的物种。这种图景在科幻作品中反复出现，它的问题不在于技术可行性，而在于人的尊严。 另一种图景是“增强”：机器承担重复性、危险性、枯燥性的劳动，人则专注于创造性、关系性、意义性的活动。这不是乌托邦——它需要制度设计来确保增强的收益被广泛分享，而不是被少数人垄断。 技术应当把人从重复中解放出来，而不是把人从经济生活中排除出去。 让效率照亮人，而不是让人在效率的阴影中独自承担代价——这或许是我们这个时代最需要达成的一份新的社会契约。 结语：让效率学会分享 回到那个最朴素的问题：如果机器人把活都干了，东西生产出来了，谁去消费？ 答案不可能是“机器人去消费”。答案只能是：那些仍然作为消费者存在的人，必须仍然拥有购买力。 而购买力的来源，在AI时代将越来越不局限于工资，而越来越多地来自资本收益的共享、社会保障的托底、公共服务的供给，以及人力资本的持续更新。 这就是为什么“向机器人征税”的讨论，尽管在操作层面充满瑕疵，在方向上却触及了一个不可回避的命题：当效率的提升系统性地绕过了劳动，社会就必须找到新的机制，让效率的果实重新流回人的手中。 这不是对市场的否定，而是对市场外部性的校正；不是对技术的敌意，而是对技术合法性的长期维护。一个让多数人失去购买力的技术体系，最终也会失去它自己的市场。 最终，机器人税之争的真正遗产，可能不是某一种税种的开征与否，而是一种认知的转变：技术进步本身不构成社会契约。社会契约是人为效率设定的方向。 一个社会的文明程度，不仅取决于它能用机器生产多少东西，更取决于它能否让那些被机器重新洗牌的人，仍然有尊严地站在经济循环之中，仍然是消费者、学习者、参与者和分享者。 让效率学会分享，不是效率的敌人。一个能够分享的效率，才是一个能够持续的效率。 让效率照亮人，而不是让人在效率的阴影中独自承担代价——这或许是我们这个时代最值得为之努力的制度觉醒。
