夜雨聆风
AI革命有可能动摇财富分配和社会结构
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。
因技术而失业的劳动者，其寻找新工作的时间更长，且重新就业后的实际工资下降
高盛全球投资研究、美国人口普查局、美国劳工统计局
AI受益者的强劲基本面（营收同比增速vs. 调整后营业利润率）
摩根大通、彭博金融、FactSet，数据截至2026年3月30日
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。
