夜雨聆风AI智能体具身机器人促进社会生产力的双刃剑效应研究
摘要：以大语言模型为核心的AI智能体技术与具身机器人的深度融合，正在重塑人类生产方式的底层逻辑。本文从技术-经济协同演化的视角出发，系统考察AI智能体具身机器人对社会生产力的双重影响。研究发现，AI智能体具身机器人通过劳动生产率提升、全要素生产率增长、产业结构升级和创新驱动四条路径正向促进社会生产力，其作用机制体现为任务自动化的成本节约效应、人机协作的能力互补效应以及知识溢出的扩散效应。与此同时，该技术也通过就业替代与技能错配、收入不平等加剧、技术依赖与路径锁定、伦理治理成本上升四条渠道对生产力发展形成负向约束。双刃剑效应的强度并非恒定，而是受人力资本水平、制度环境、产业基础和技术成熟度等边界条件的调节。本文最后从人力资本投资、制度保障、产业政策和伦理治理四个维度提出政策建议，以期为最大化技术红利、最小化转型成本提供理论参考。
关键词：AI智能体；具身机器人；社会生产力；双刃剑效应；技术-经济协同演化
一、引言
新一轮科技革命与产业变革的交汇点上，人工智能技术正在经历从"认知智能"向"具身智能"的范式跃迁。如果说以大语言模型为代表的生成式AI实现了对人类认知能力的部分模拟与超越，那么将AI智能体嵌入物理实体所形成的具身机器人，则标志着人工智能开始突破数字世界的边界，直接介入物质生产过程。这一技术跃迁的经济含义远超单一工具的改良，它触及的是生产力系统中最核心的要素——劳动与资本的关系重构。
生产力的发展始终是马克思主义政治经济学的核心命题，也是衡量社会进步的根本标尺。从蒸汽机到电力，从信息技术到人工智能，每一次通用技术的扩散都伴随着生产力的巨大飞跃，同时也引发了生产关系的深刻调整。AI智能体具身机器人作为新一代通用技术的集大成者，其对社会生产力的影响究竟呈现何种图景？是如技术乐观主义所预言的那样，开启一个生产力空前解放的新纪元，还是如技术悲观主义所警示的那样，将带来大规模失业、不平等加剧和社会撕裂？这一问题的回答不仅关乎理论认知的澄清，更关系到各国技术政策的战略选择。
现有文献对AI与机器人经济效应的讨论已积累了相当成果，但仍存在三方面不足。其一，多数研究聚焦于工业机器人或单一AI技术的影响，对AI智能体与具身机器人融合这一新形态的考察尚不充分，而二者的结合恰恰可能产生"1+1>2"的系统效应。其二，文献中乐观派与悲观派各执一端，缺乏对双刃剑效应内在机理的系统整合，导致政策建议往往偏向极端。其三，既有研究多停留在实证描述层面，对作用机制和边界条件的理论挖掘不够深入，难以解释为何同一技术在不同国家、不同产业和不同时期呈现出迥异的经济效果。
基于上述判断，本文试图在以下方面推进现有研究。第一，将AI智能体与具身机器人作为一个融合的技术整体来考察，而非分别讨论AI或机器人的单一影响，从而更准确地把握新一代智能技术的经济本质。第二，构建"正向促进—负向约束"的双轨分析框架，系统揭示双刃剑效应的作用机理，超越非此即彼的二元对立思维。第三，识别影响双刃剑效应强度的关键边界条件，为差异化政策设计提供理论依据。第四，结合中国情境，探讨在中国式现代化进程中如何趋利避害，使AI智能体具身机器人真正服务于高质量发展。
本文余下部分安排如下：第二部分梳理相关文献并构建理论分析框架；第三部分从正向维度剖析AI智能体具身机器人促进生产力的机制路径；第四部分从负向维度探讨其对生产力的约束效应；第五部分整合双刃剑效应的作用机理，识别关键边界条件；第六部分总结研究结论并提出政策建议。
二、文献综述与理论基础
（一）具身智能与AI智能体的概念演进
具身智能（embodied intelligence）的概念源于认知科学中对"心智源于身体"的哲学思考。传统人工智能遵循符号主义路径，将智能视为脱离身体的抽象计算过程，而具身认知理论则强调智能是身体与环境互动的产物[1]。这一思想在机器人领域的投射，便是具身机器人——一种能够通过感知-行动循环与物理世界实时交互、在动态环境中自主学习和适应的智能实体。
AI智能体（AI agents）的概念则源自分布式人工智能和多智能体系统研究。与传统的被动式AI系统不同，AI智能体具有感知环境、自主决策、执行行动和从反馈中学习的能力，能够在没有人类持续干预的情况下完成复杂任务序列[2]。大语言模型的出现为AI智能体提供了强大的认知基座，使其具备了自然语言理解、推理规划和知识整合的能力，从而能够处理更加开放和复杂的任务。
二者的融合——AI智能体具身机器人——代表了人工智能发展的前沿方向。正如黄仁勋所言，AI的下一个浪潮将是"具身智能"[3]。这种融合不是简单的技术叠加，而是认知能力与物理行动的有机统一：AI智能体提供"大脑"，具身机器人提供"身体"，二者通过持续的感知-决策-行动循环形成闭环，共同构成一个能够在真实世界中自主学习和进化的智能系统。这种系统的经济潜力在于，它不仅能替代人类的体力劳动，更能替代部分脑力劳动，从而将自动化的边界从常规任务推向认知任务乃至创造性任务。
（二）技术进步与生产力关系的理论脉络
关于技术进步与生产力关系的讨论，经济学说史上形成了几条主要的理论脉络。
第一条脉络源自古典政治经济学。马克思在《资本论》中深刻分析了机器大工业对劳动生产力的影响，指出机器的使用一方面"把巨大的自然力和自然科学并入生产过程，必然大大提高劳动生产率"[4]，另一方面又导致工人沦为机器的附属物，造成劳动的异化。马克思关于技术进步二重性的论述，为理解AI智能体具身机器人的双刃剑效应提供了重要的理论起点。
第二条脉络是以索洛模型为代表的新古典增长理论。索洛将技术进步视为外生的全要素生产率增长来源，认为长期经济增长最终取决于技术进步率[5]。此后，罗默等人发展的内生增长理论进一步将知识和技术内生化，强调研发投入、人力资本和知识溢出对生产率增长的驱动作用[6]。这一脉络为分析AI技术如何通过知识生产和扩散影响长期生产率提供了理论工具。
第三条脉络是任务导向的技术变革理论。阿西莫格鲁和雷斯特雷波提出的任务模型将生产过程分解为一系列任务，技术进步表现为资本对劳动在特定任务上的替代[7]。这一框架特别适合分析AI和机器人的经济影响，因为自动化本质上就是用机器替代人类执行某些任务。任务模型区分了替代效应（displacement effect）和生产率效应（productivity effect），为理解技术进步的双刃剑效应提供了形式化的分析工具。
第四条脉络是演化经济学和技术-经济范式理论。弗里曼和佩雷斯提出，重大技术创新会引发技术-经济范式的更迭，其扩散过程伴随着结构性危机和社会制度的调整[8]。这一视角强调技术变革的非线性和制度配套的重要性，有助于解释为何同一技术在不同制度环境下产生不同的经济后果。
（三）AI与机器人经济效应的实证研究
近年来，关于AI和机器人经济效应的实证研究迅速积累，形成了"生产率促进论"和"就业威胁论"两大阵营。
支持生产率促进论的研究提供了丰富的经验证据。格雷茨和迈克尔斯利用17个国家的工业机器人数据研究发现，机器人使用贡献了约0.37个百分点的年劳动生产率增长，同时提高了全要素生产率并降低了产出价格[9]。科赫等人基于西班牙制造业企业数据的研究表明，机器人采用在四年内带来了20-25%的产出增长，劳动成本份额下降了5-7个百分点，并创造了约10%的净就业[10]。王永中和刘东升对全球生产率分化的研究发现，机器人应用提高了各经济体的全要素生产率，但由于高生产率经济体的产业结构与机器人技术匹配度更高，其生产率提升幅度更大，从而加剧了全球生产率分化[11]。肖兴志和解维敏基于中国制造业上市公司数据的研究发现，工业机器人应用通过提高劳动生产效率和促进技术创新两条机制显著增强了企业韧性[12]。
然而，另一组研究则强调了AI和机器人的负面效应。阿西莫格鲁和雷斯特雷波对美国劳动力市场的研究发现，每千名工人增加一台机器人，就业人口比下降0.2个百分点，工资下降0.42%[7]。菲德勒等人对欧洲国家的研究表明，机器人密度与收入不平等正相关，底层20%和50%人口的收入份额随自动化而下降，而顶层10%和1%人口的收入份额则上升[13]。王和黄通过劳动搜寻模型预测，在AI稳态下，生产率可能提升三倍以上，但长期就业损失可达23%[14]。阿西莫格鲁还指出，AI对全要素生产率的提升可能比预期更为温和，未来十年不超过0.53%，且AI更可能扩大资本与劳动收入之间的差距而非缩小劳动收入内部的不平等[15]。
关于就业影响，研究呈现出更为复杂的图景。博尼等人基于美国人口普查局企业调查的研究发现，AI使用对工人任务的影响远大于对就业水平的影响——约27%的使用AI的企业报告替代了工人任务，但只有约5%的企业经历了AI导致的就业变化[16]。汉波尔等人的研究则表明，AI对就业的总体影响较为温和，因为高暴露职业的需求下降被企业生产率提高带来的整体就业增加所抵消[17]。陈等人的研究揭示了异质性效应：生成式AI驱动的自动化减少了结构化认知任务工作的劳动力需求和技能要求，同时增加了涉及人机协作岗位的需求和技能复杂度[18]。
（四）文献评述
既有文献为理解AI与机器人的经济效应奠定了坚实基础，但仍存在以下值得推进的方向。
首先，现有研究多将工业机器人或AI技术作为独立的分析对象，对AI智能体与具身机器人融合形态的考察不足。AI智能体具身机器人不仅具备传统工业机器人的物理操作能力，更拥有自主决策、自然交互和持续学习的认知能力，其经济影响的深度和广度可能远超传统自动化技术。
文献中促进论和威胁论往往各执一词，缺乏对双刃剑效应内在机理的系统整合。实际上，正向效应和负向效应是同一技术变革过程的两个侧面，二者的相对强度决定了技术的净效应，而影响这一相对强度的因素正是政策可以发挥作用的空间。
对中国情境的针对性研究有待加强。中国既是全球最大的工业机器人市场，又在AI技术发展上处于第一梯队，同时面临着人口老龄化加剧、产业转型升级和共同富裕等多重目标。AI智能体具身机器人在中国的经济效应及其治理路径，需要结合中国的制度环境和发展阶段进行深入分析。
三、AI智能体具身机器人促进社会生产力的正向机制
AI智能体具身机器人对社会生产力的促进作用，并非单一渠道的线性传导，而是通过多条路径的协同作用实现的。本节从劳动生产率、全要素生产率、产业结构和创新驱动四个维度，系统剖析其正向作用机制。
（一）劳动生产率提升效应：任务自动化与能力增强
劳动生产率的提升是AI智能体具身机器人最直接、最直观的经济效应。这一效应通过两条互补的路径实现——任务自动化的替代路径和人机协作的增强路径。
任务自动化路径体现为AI智能体具身机器人对人类劳动的直接替代。在传统工业机器人时代，自动化主要局限于结构化、重复性的体力任务，如焊接、喷涂、装配等。AI智能体具身机器人凭借多模态感知、自主决策和学习能力，将自动化的边界推向了更为复杂的认知任务和非结构化环境中的操作任务。例如，在物流仓储领域，配备AI智能体的移动机器人不仅能自主导航和搬运货物，还能根据订单优先级动态调整路径规划，处理异常情况，其效率远超传统的AGV（自动导引车）。在服务领域，具身机器人可以执行客房清洁、餐厅送餐、医院配送等任务，将服务业劳动生产率提升到前所未有的水平。
森川正之对日本机械工业的调查研究发现，AI利用者的业务效率化效果约为20%，机器人利用的省力化效果约为20%，机器人利用使职场劳动生产率平均提高约5%[19]。值得注意的是，这一效果在持续利用AI的人群中呈现增长趋势，暗示着学习效应的存在。随着AI智能体具身机器人技术的成熟和应用场景的拓展，劳动生产率提升的幅度有望进一步增大。
人机协作路径则体现为AI智能体具身机器人对人类能力的增强而非替代。在这一模式下，机器人承担危险、繁重或精密的操作任务，人类则负责监督、决策和创造性工作，二者形成优势互补的协作关系。董等人提出的具身智能赋能的人机共生制造（HRSM）范式强调，大语言模型驱动的具身机器人能够实现以人为中心的交互、可泛化的协作和无缝执行，从而提升制造系统的整体效能[20]。
人机协作的生产率增益来源于三个方面。一是分工深化带来的比较优势发挥——人类专注于认知密集型和创造性任务，机器人专注于体力密集型和精确性任务，各自发挥比较优势。二是认知负荷减轻带来的注意力资源释放——机器人处理常规事务，使人类能够将有限的认知资源投入到更有价值的决策和创新活动中。三是实时反馈带来的学习加速——AI智能体能够在协作过程中持续学习人类的操作经验，并将其编码为可复用的技能，反过来又提升了人类操作者的能力边界。张等人开发的人机协作智能制造单元（HRC-IMC）通过模仿学习模块将人类操作经验数字化，使新任务规划效率提高了42.8%[21]，这正是人机协作学习效应的体现。
（二）全要素生产率增长效应：技术进步与资源配置优化
如果说劳动生产率提升是"量"的改善，那么全要素生产率（TFP）增长则是"质"的飞跃。AI智能体具身机器人通过技术进步效应和资源配置优化效应，推动全要素生产率的持续增长。
技术进步效应体现为AI智能体具身机器人作为一种通用技术（GPT）所引发的广泛技术外部性。与专用技术不同，通用技术具有广泛的适用性和持续的技术改进空间，能够在多个产业部门引发互补性创新[22]。AI智能体具身机器人正是这样一种通用技术——它不仅在制造业中发挥作用，还渗透到农业、服务业、医疗、教育、物流等各个领域，带动各部门的技术升级。
龚等人基于77个国家和地区数据的研究发现，工业机器人促进经济增长的主要渠道是劳动替代，其次是全要素生产率的改善[23]。这一发现揭示了机器人技术进步效应的存在，但可能低估了AI智能体具身机器人的TFP贡献，因为传统工业机器人主要通过替代劳动发挥作用，而AI智能体的认知能力还能通过优化决策、改进流程和加速创新等方式直接提升全要素生产率。
资源配置优化效应是AI智能体具身机器人促进TFP增长的另一重要渠道。在现实经济中，资源并非总是流向生产率最高的企业，各种摩擦导致了资源错配，从而拉低了整体生产率。AI智能体具身机器人通过提高信息透明度、降低决策成本和增强市场响应能力，有助于改善资源配置效率。
具体而言，AI智能体能够实时处理海量数据，精准识别市场需求变化和生产瓶颈，从而引导生产要素流向效率更高的用途。在供应链管理中，AI驱动的预测和调度系统能够减少库存积压和缺货损失，提高资金周转效率。在生产调度中，具身机器人的柔性制造能力使企业能够快速调整产品组合，更好地匹配市场需求的动态变化。这些微观层面的资源配置改善，在加总层面表现为全要素生产率的提升。
斯蒂贝尔等人的研究从另一个角度印证了这一点。他们发现机器人不成比例地提高了那些原本生产率最高的企业的生产率，这些企业能够提高加价和利润，而同一行业内利润较低的企业则趋于下降[24]。这一发现虽然常被解读为不平等加剧的证据，但也从侧面反映了机器人技术对资源配置的影响——资源正在向生产率更高的企业集中，虽然这一过程伴随着分配效应，但从纯效率的角度看，资源配置的优化确实提高了整体生产率。
（三）产业结构升级效应：新业态催生与价值链攀升
AI智能体具身机器人不仅在既有产业内部提高效率，更通过催生新业态、新模式和推动价值链攀升，促进产业结构的高级化。
新业态的催生是技术变革最具革命性的经济后果之一。历史上，蒸汽机催生了工厂制度，电力催生了大规模生产，信息技术催生了平台经济。AI智能体具身机器人同样正在孕育全新的产业形态。在制造业领域，"黑灯工厂"和柔性定制生产正在从概念走向现实——AI智能体调度的具身机器人系统能够24小时不间断生产，并快速切换产品型号，实现大规模个性化定制。在物流领域，由自主移动机器人组成的智能仓储系统和无人配送网络正在重构物流产业的组织形态。在服务业领域，机器人服务员、AI教师助手、医疗陪护机器人等新职业形态正在涌现。
这些新业态的经济意义不仅在于它们自身创造的产值，更在于它们对传统产业的改造和带动。正如王磊等人的研究发现，工业机器人应用通过增加研发人员全时当量、扩大对高技能和高学历人员的需求、提高研发经费支出等方式促进制造业创新[25]，AI智能体具身机器人同样能够通过需求拉动和供给推动的双重机制，带动上下游产业的升级发展。
价值链攀升是产业结构升级的另一重要维度。在全球价值链分工体系中，发展中国家长期面临"低端锁定"的困境。AI智能体具身机器人为后发国家实现价值链攀升提供了新的机遇。一方面，智能机器人的应用能够提高制造业的自动化水平和产品质量，增强在高端制造环节的竞争力。另一方面，AI智能体在研发设计、品牌营销等高附加值环节的应用，有助于企业向价值链两端延伸。
加西亚等人对发展中国家的研究虽然指出了机器人化可能拉大与发达国家的差距，但也承认发展中国家可以通过直接生产机器人、形成与其他部门的良性循环以及改变关键相对价格，来实现高增长并提升出口部门的竞争力[26]。这意味着，AI智能体具身机器人对产业结构升级的影响并非单向的，而是取决于各国的技术战略和产业政策选择。
（四）创新驱动效应：知识生产自动化与研发范式变革
生产力的长期增长最终取决于创新，而AI智能体具身机器人正在改变创新本身的方式和效率。这种对"创新的创新"——即知识生产的自动化和研发范式的变革——可能是其对生产力最深远的影响。
知识生产自动化体现为AI智能体对科研过程的深度介入。传统的科研模式高度依赖人类科学家的直觉和试错，效率受到人类认知能力的限制。AI智能体能够快速扫描海量文献、识别研究空白、设计实验方案，甚至直接生成新的科学假设。谷歌DeepMind开发的GNoME工具在短时间内发现了220万种新晶体，相当于人类科学家近800年的知识积累[27]。这一案例虽然来自材料科学领域，却预示了AI辅助科研的普遍潜力。
在具身机器人领域，AI本身也在加速机器人技术的进步。深度强化学习使机器人能够通过自主试错快速掌握新技能，大大缩短了传统编程调试所需的时间。模拟到现实（sim-to-real）技术的进步使机器人能够在虚拟环境中完成大部分训练，然后迁移到真实世界，极大地降低了研发成本。这种"用AI研发AI机器人"的递归式进步，可能形成技术进步的正反馈循环。
研发范式变革的另一个表现是创新组织方式的转变。传统的研发活动高度集中在大型企业和科研机构的实验室中，而AI智能体具身机器人降低了创新的门槛。中小企业甚至个人开发者可以利用AI工具和模块化的机器人平台，快速将创意转化为原型产品。开源社区和众包研发模式的兴起，进一步分散了创新的来源，使创新从"精英模式"向"大众模式"转变。
布金的研究强调了企业AI姿态（corporate AI posture）的重要性，指出AI对就业的影响不仅取决于技术替代能力，更取决于企业将AI用于产品和服务创新的战略激励[28]。这一观点同样适用于创新驱动效应——AI智能体具身机器人能否有效驱动创新，不仅取决于技术本身的能力，还取决于企业和社会的创新导向和制度环境。
四、AI智能体具身机器人对社会生产力的负向约束
AI智能体具身机器人对生产力的促进作用并非无条件的，其扩散过程也伴随着一系列负向约束。这些约束如果得不到有效应对，可能抵消甚至超过技术带来的收益，使生产力发展陷入"技术进步—社会代价"的循环困境。本节从就业替代、收入不平等、技术依赖和伦理治理四个维度，分析其负向作用机制。
（一）就业替代与技能错配：转型期的生产力损耗
就业替代是AI智能体具身机器人最受关注的负向效应。与历史上的技术变革相比，AI智能体具身机器人的替代范围更广、替代速度更快、替代层次更高，这使得就业转型的挑战更为严峻。
替代范围的扩大体现为自动化边界从体力劳动向认知劳动的延伸。传统工业机器人主要替代制造业中的常规体力劳动，而AI智能体具身机器人凭借认知能力，能够替代包括文书、客服、数据分析乃至部分设计和管理工作在内的认知劳动。德尔里奥-查诺纳等人的综述研究指出，生成式AI正在改变工作流程、任务构成和组织设计，其对就业的影响覆盖了从简单到复杂的广泛任务类型[29]。AI智能体具身机器人将这种认知替代能力与物理操作能力相结合，使其能够替代的职业范围远超传统自动化技术。
替代速度的加快源于AI技术的指数级进步和具身机器人的快速迭代。历史上，蒸汽机、电力等通用技术从发明到广泛扩散经历了数十年甚至上百年，而AI技术的迭代速度以月为单位。格鲁策马赫等人对AI从业者的调查显示，受访者预计现有AI已能自动化22%的人类有偿任务，5年后将达到40%，10年后达到60%[30]。如果这一预测接近现实，那么劳动力市场面临的调整速度将远超历史上任何一次技术革命，而劳动者的技能更新和职业转换需要时间，这种时间差就构成了转型期的生产力损耗。
替代层次的提高表现为AI智能体开始触及中高技能岗位。传统自动化主要替代低技能、常规性岗位，而AI智能体具身机器人对中等技能乃至部分高技能岗位的替代能力日益增强。艾德和塔拉姆斯的研究表明，当AI具备管理者级别的知识时，它会增加所有管理者的控制跨度，并降低除知识最少的工人之外所有工人的生产率[31]。这意味着，AI不仅替代底层劳动者，也可能压缩中层管理者的空间，对就业结构产生更为复杂的影响。
技能错配是就业替代效应的关键传导机制。技术变革创造了新的岗位需求，但这些岗位所需的技能与被替代劳动者的现有技能之间往往存在巨大差距。如果劳动者不能及时获得新技能，就会陷入结构性失业。孙雪等人的研究发现，人工智能应用对教育型及创业型劳动力的提升效应为正，但抑制了技术型劳动力就业[32]。这种异质性影响反映了技能错配的存在——并非所有劳动者都能平等地从技术进步中获益，那些技能与新技术互补的劳动者成为赢家，而技能被替代的劳动者则面临转型困境。
转型期的生产力损耗体现在多个方面。首先，失业本身就是人力资源的闲置，直接降低了社会总产出。其次，再培训和职业转换需要时间和资源投入，这些资源本可用于生产性活动。再次，失业带来的心理压力和社会问题可能间接影响劳动者的生产率。最后，如果大规模失业导致社会动荡，投资环境恶化，将进一步抑制生产力的发展。
（二）收入不平等加剧：分配失衡对生产力的反噬
AI智能体具身机器人不仅影响就业总量，更深刻地改变着收入分配结构。收入不平等的加剧不仅是社会公平问题，更会通过多种渠道反噬生产力的持续发展。
工资极化是收入不平等加剧的直接表现。菲德勒等人对欧洲国家的研究发现，机器人密度与收入不平等正相关，底层收入份额下降而顶层收入份额上升，支持了就业和工资极化假说[13]。博尔东和洛伦茨基于代理人模型的研究也证实，自动化是技能需求极化和工资不平等加剧的关键因素[33]。AI智能体具身机器人的出现可能进一步强化这一趋势，因为它同时替代了常规体力劳动和常规认知劳动，挤压了中等收入群体的就业空间。
资本收入份额上升是收入不平等加剧的深层机制。莫尔等人的研究指出，新技术的收益不仅流向高技能劳动力，也以资本收入的形式流向资本所有者，自动化通过财富回报渠道加剧不平等[34]。AI智能体具身机器人作为资本密集型技术，其收益自然更多地被资本所有者获取。斯蒂芬霍费尔基于CES生产函数的扩展模型表明，在AGI驱动的经济中，劳动收入份额可能趋于零，需要重新谈判社会契约[35]。虽然这一极端情景未必成为现实，但资本与劳动收入差距扩大的趋势值得警惕。
企业间生产率分化加剧是收入不平等的微观基础。斯蒂贝尔等人发现，机器人不成比例地提高了那些原本生产率最高的企业的生产率，这些企业能够提高加价和利润，而利润较低的企业则趋于下降[24]。这种"明星企业"与普通企业之间的分化，不仅导致了企业间的收入差距，也通过工资传导到劳动者之间——在高生产率企业工作的劳动者获得更高的工资，而在低生产率企业工作的劳动者则面临工资停滞甚至下降。
收入不平等对生产力的反噬作用体现在三个层面。一是需求侧的制约。低收入群体的边际消费倾向更高，收入向高收入群体集中会导致总需求不足，进而抑制生产规模的扩大。二是人力资本投资的不足。低收入家庭难以承担教育和培训成本，导致下一代人力资本积累不足，长期来看将削弱生产力发展的人力基础。三是社会凝聚力的下降。严重的不平等可能引发社会冲突，破坏投资环境和制度稳定性，而这些正是生产力发展的必要条件。
阿西莫格鲁的研究也提醒我们，AI的宏观经济效应可能比预期更为温和——未来十年TFP增幅不超过0.53%，且AI更可能扩大资本与劳动收入之间的差距[15]。这意味着，在生产率增益有限的背景下，分配问题变得更加重要：如果技术收益主要流向少数人，那么大多数人感受到的可能不是进步，而是相对地位的下降。
（三）技术依赖与路径锁定：创新能力的隐性侵蚀
AI智能体具身机器人在提高当前生产效率的同时，也可能埋下技术依赖和路径锁定的隐患，从长期看侵蚀社会的自主创新能力。
技术依赖体现为对外部技术供给的过度依赖。AI智能体具身机器人是高度复杂的技术系统，其核心技术——包括大语言模型、运动控制算法、核心零部件等——目前掌握在少数国家和企业手中。如果一个国家或企业大量引入这些技术而缺乏自主研发能力，就可能形成技术依赖，在关键技术领域受制于人。这种依赖不仅意味着经济利益的流失，更可能在关键时刻面临技术断供的风险，对生产力安全构成威胁。
路径锁定是技术依赖的动态演化结果。根据路径依赖理论，初始的技术选择会通过规模报酬递增、学习效应和网络外部性等机制自我强化，使系统被锁定在特定的技术轨道上[36]。如果一个经济体过早地大规模采用特定的AI智能体具身机器人技术路线，就可能被锁定在这条轨道上，难以转向更优的技术方案。特别是当技术供给方通过专利壁垒、生态封闭等策略强化锁定时，后发者的追赶将更加困难。
创新能力的隐性侵蚀是技术依赖最值得警惕的长期后果。当企业习惯于购买现成的AI解决方案来解决生产问题，就可能减少自主研发的动力和投入。长期来看，这种"买不如租、租不如用"的心态会削弱本土的创新能力，使经济体在技术阶梯上始终处于跟随地位。王永中和刘东升的研究发现，高生产率经济体由于产业结构与机器人技术匹配度更高，生产率提升幅度更大，从而加剧了全球生产率分化[11]。这一发现从侧面印证了技术能力差距的自我强化效应——技术强者愈强，弱者愈弱。
阿图克等人关于机器人化与贸易的研究提供了进一步的视角。他们发现，北方国家的机器人化提高了国内福利，但最初压低了工资；随着机器人价格的进一步下降，这种负面影响可能逆转[37]。然而，这一乐观结论建立在技术进步持续惠及所有国家的假设之上。如果技术垄断导致收益分配严重不均，那么发展中国家可能陷入"引进—落后—再引进"的恶性循环，始终无法实现技术赶超。
（四）伦理治理与制度性成本：生产力发展的社会约束
AI智能体具身机器人的广泛应用还带来了一系列伦理和治理挑战，这些挑战转化为制度性成本，对生产力发展形成社会约束。
算法偏见与公平性问题是伦理治理的首要挑战。AI系统的训练数据反映了历史和现实中的社会偏见，这些偏见可能被算法放大并固化。当AI智能体具身机器人参与招聘、考核、信贷审批等决策时，算法偏见可能导致对特定群体的歧视，不仅违背公平原则，也造成人力资源的错配，降低整体生产力效率。科伦·巴尔加斯的研究指出，AI与资本主义的结合延续并加深了社会不平等，通过零工经济中的低薪劳动、算法决策中的偏见延续以及系统性障碍的强化，剥削边缘化社区[38]。
隐私与数据安全是另一重伦理挑战。AI智能体具身机器人需要持续收集和处理大量数据才能正常运行，这些数据可能包含个人敏感信息。数据泄露和滥用的风险不仅威胁个人权益，也可能引发公众对技术的抵触情绪，延缓技术的采纳速度。加比阿迪尼等人的研究发现，人们对AI的社会风险感知与社会价值感知呈负相关——感知风险越高，赋予AI的社会价值越低[39]。这种公众认知直接影响技术的社会接受度，进而影响其扩散速度和经济效果。
责任归属与法律风险是治理层面的核心难题。当AI智能体具身机器人造成损害时，责任应由谁承担——开发者、制造商、所有者还是使用者？现有的法律体系建立在人类主体的基础上，难以直接适用于具有一定自主性的智能系统。托特等人提出的"责任集群"概念试图描述AI机器人应用中道德位置与道德强度的结合如何影响责任思维，指出在AI自主性和情境道德强度升级的情况下，责任广泛分散在各行为体和制度之间[40]。这种责任分散不仅增加了法律纠纷的解决成本，也可能抑制企业采用新技术的意愿。
制度性成本的累积效应不容忽视。每一项伦理挑战都需要相应的制度安排来应对——数据保护法规、算法审计制度、责任认定规则、安全标准体系等。这些制度建设本身需要投入大量的立法、执法和合规成本。如果制度建设滞后于技术发展，就可能出现治理真空，导致技术滥用和社会矛盾；如果制度过于严苛，又可能抑制创新活力，延缓技术进步。找到治理与创新之间的平衡点，是AI时代生产力持续发展的重要前提。
斯穆哈的研究强调了AI社会危害的特殊性——它不同于个体危害和集体危害，且现有的治理机制往往不足以应对[41]。AI智能体具身机器人作为更具自主性和物理行动力的智能系统，其社会危害的潜在规模和严重性可能远超纯软件AI，对治理体系提出了更高的要求。
五、双刃剑效应的作用机理与边界条件
前两节分别从正向和负向两个维度分析了AI智能体具身机器人对社会生产力的影响。然而，双刃剑效应并非两种力量的简单叠加，而是一个动态的、非线性的相互作用过程。本节整合上述分析，揭示双刃剑效应的内在作用机理，并识别影响其强度和方向的关键边界条件。
（一）作用机理：技术-经济-社会的协同演化
AI智能体具身机器人对社会生产力的双刃剑效应，本质上是技术变革与经济社会系统协同演化过程中矛盾的体现。这一过程可以从三个层面来理解。
在技术层面，双刃剑效应源于技术本身的通用性和可塑性。AI智能体具身机器人作为通用技术，具有广泛的应用潜力，既可以用于提高生产效率、改善生活质量，也可以用于监控控制、加剧剥削。技术的最终走向不是预先决定的，而是由社会选择塑造的。萨伯瓦尔和格罗弗指出，生成式AI的社会影响将随着技术实施与人类利益相关者和情境因素的动态互动而展开，其结果取决于自动化与增强之间的平衡、物理与数字现实的一致性以及人类有限理性的保留等偶然性因素[42]。
在经济层面，双刃剑效应表现为替代效应与互补效应的动态博弈。阿西莫格鲁和雷斯特雷波的任务模型为理解这一博弈提供了有用的框架：自动化替代人类执行某些任务，产生替代效应，降低就业和工资；但同时，自动化降低了生产成本，提高了生产率，创造了对劳动的新需求，产生生产率效应[7]。净效应取决于两种效应的相对强度。AI智能体具身机器人的特殊性在于，它同时具有强大的替代能力（替代范围广、速度快）和强大的互补能力（创造新任务、提升人类能力），两种效应都很强，因此净效应更加不确定。
在社会层面，双刃剑效应体现为技术变革与制度调整的时间差。技术进步的速度往往快于制度调整的速度。当新技术出现时，现有的法律、规范、教育体系和社会保障制度可能无法及时适应，导致转型期的社会成本上升。随着制度逐步调整，社会成本下降，技术的正向效应得以更充分地发挥。弗里曼和佩雷斯的技术-经济范式理论指出，每次技术革命都伴随着结构性危机，只有在社会制度做出相应调整后，技术革命的全部潜力才能释放出来[8]。AI智能体具身机器人引发的双刃剑效应，很大程度上正是这种"制度滞后"的表现。
三个层面的相互作用构成了双刃剑效应的完整机理：技术的通用性提供了双刃剑的可能性，经济层面的替代-互补博弈决定了短期净效应，社会层面的制度调整速度则影响着长期走向。
（二）关键边界条件
双刃剑效应的强度和方向并非固定不变，而是受到一系列边界条件的调节。识别这些边界条件，对于制定有效的政策应对具有重要意义。
人力资本水平是首要的边界条件。劳动者的技能水平直接决定了他们能否适应技术变革、与AI智能体具身机器人形成互补关系。如果人力资本水平较高，劳动者能够顺利转向AI互补型岗位，那么互补效应就会压倒替代效应，净效应为正；反之，如果人力资本水平较低，大量劳动者无法实现技能转型，替代效应就会占主导，净效应可能为负。汉波尔等人的研究发现，AI对就业的总体影响较为温和，因为高暴露职业的需求下降被企业生产率提高带来的整体就业增加所抵消[17]。但这一结论的前提是劳动者能够顺利转向新的岗位，而这又取决于人力资本的适应性。
制度环境是另一关键边界条件。不同的制度安排会显著影响技术变革的分配后果和社会成本。福利制度完善的国家，能够通过社会保障、失业救济、再培训等措施缓冲技术变革的冲击，减少转型成本，使社会更平稳地适应技术变化。多利等人对欧洲的研究发现，自动化对收入不平等的影响较小，因为家庭劳动收入多元化以及税收和福利政策在很大程度上吸收了自动化带来的劳动力市场冲击，转移支付在缓冲这些冲击向家庭收入传导方面发挥了关键作用[43]。这一发现凸显了制度环境在塑造双刃剑效应中的重要作用。
产业基础同样影响着双刃剑效应的表现。产业结构与AI智能体具身机器人技术的匹配度越高，技术的正向效应就越容易发挥。王永中和刘东升的研究表明，高生产率经济体由于产业结构与机器人技术匹配度更高，生产率提升幅度更大[11]。这意味着，产业基础较好的国家或地区能够更好地利用新技术，而产业基础薄弱的地区可能面临更大的转型困难。
技术成熟度也是不可忽视的边界条件。在技术发展的早期阶段，技术不成熟、成本高、应用场景有限，正向效应可能不明显，而调整成本却很高。随着技术的成熟和成本的下降，正向效应逐渐增强，同时社会也逐步适应了新技术，负向效应相对减弱。阿图克等人的研究发现，北方国家的机器人化最初压低了工资，但随着机器人价格的进一步下降，这种负面影响可能逆转[37]。这一U型关系反映了技术成熟度对双刃剑效应的调节作用。
治理能力决定了社会能否有效管理技术变革的风险。良好的治理能够建立合理的规则体系，既鼓励创新又防范风险，确保技术发展的方向符合公共利益。相反，治理能力不足可能导致技术滥用、社会矛盾激化，使负向效应放大。欧盟在AI治理方面的积极探索——包括AI法案的制定、伦理影响评估的推广等——正是试图通过制度建设来引导技术向善发展[44]。
六、结论与政策建议
（一）主要结论
本文从技术-经济协同演化的视角出发，系统考察了AI智能体具身机器人对社会生产力的双刃剑效应。研究得出以下主要结论。
AI智能体具身机器人对社会生产力具有显著的正向促进作用，其作用机制包括四条路径。劳动生产率提升路径通过任务自动化和人机协作两种方式，直接提高单位劳动的产出效率。全要素生产率增长路径通过技术进步和资源配置优化，推动生产效率的质的飞跃。产业结构升级路径通过催生新业态和推动价值链攀升，优化生产力的空间布局。创新驱动路径通过知识生产自动化和研发范式变革，为生产力的长期增长提供持续动力。这四条路径相互关联、协同作用，共同构成了AI智能体具身机器人促进生产力的正向机制。
与此同时，AI智能体具身机器人也通过四条渠道对生产力发展形成负向约束。就业替代与技能错配导致转型期的人力资源闲置和生产效率损耗。收入不平等加剧通过需求制约、人力资本投资不足和社会凝聚力下降等渠道反噬生产力发展。技术依赖与路径锁定侵蚀自主创新能力，制约生产力的长期可持续发展。伦理治理成本的上升增加了制度性负担，对生产力发展形成社会约束。这些负向效应如果得不到有效应对，可能严重抵消技术进步带来的收益。
双刃剑效应的强度和方向并非恒定，而是受人力资本水平、制度环境、产业基础、技术成熟度和治理能力等边界条件的调节。这意味着，AI智能体具身机器人对生产力的净效应不是预先决定的，而是可以通过政策干预来塑造的。关键在于能否创造有利的边界条件，使正向效应充分发挥、负向效应有效控制。
（二）政策建议
基于上述分析，本文从四个维度提出政策建议，以期为趋利避害、最大化AI智能体具身机器人的生产力红利提供参考。
第一，加强人力资本投资，构建与AI时代相适应的教育和培训体系。人力资本是决定双刃剑效应方向的首要因素，也是政策最能发挥作用的领域。应推动教育体系改革，将AI素养纳入各级教育的必修内容，培养学生的批判性思维、创造力和人机协作能力。完善终身学习体系，为在职劳动者提供灵活、便捷的技能更新渠道，特别是要关注被替代风险较高的群体，通过定向培训帮助其实现职业转型。孙志燕和宋逸群也强调，应将人工智能作为通识教育纳入各级各类教育培训之中，减少因技能不匹配造成的技术性失业[45]。
第二，完善社会保障和再分配制度，缓冲技术变革的社会冲击。制度环境是调节双刃剑效应的重要杠杆。应健全社会保障体系，提高失业保险和社会救助的保障水平，为转型期的劳动者提供安全网。探索全民基本收入、机器人税等新型政策工具，应对自动化加速背景下的收入分配挑战。格雷罗等人的研究表明，对面临AI替代风险的岗位提供补贴，在短期可产生26.6%的福利增益，长期则超过50%[14]。这说明积极的劳动力市场政策不仅是社会公平的需要，也具有显著的效率意义。
第三，制定前瞻性产业政策，推动AI智能体具身机器人产业的健康发展。产业基础决定了一个经济体能否充分利用新技术的机遇。应加大对AI智能体具身机器人核心技术的研发投入，突破关键零部件和基础算法的瓶颈，降低对外技术依赖。支持应用场景的开放和创新，鼓励在制造、物流、医疗、服务等领域先行先试，通过应用拉动技术进步。培育本土龙头企业和创新生态，形成产业集群效应，提升整体竞争力。加西亚等人的研究提示，发展中国家通过直接生产机器人、形成与其他部门的良性循环，可以实现高增长[26]。这一经验对中国具有重要的借鉴意义。
第四，建立健全伦理治理框架，为技术发展划定边界。良好的治理能够确保技术发展的方向符合公共利益。应加快AI和机器人相关立法，明确数据使用、算法公平、责任认定等基本规则。建立算法审计和影响评估制度，对高风险AI应用进行事前审查和事中事后监管。推动国际治理合作，共同制定AI和机器人的伦理标准和行为准则，防止治理洼地和监管套利。博登等人提出的机器人五项原则——机器人不应被设计为武器、人类而非机器人是责任主体、机器人应服从人类、机器人必须有可识别的身份、机器人不得伤害人类——为治理框架提供了有益的起点[46]。
（三）研究不足与展望
本文的研究还存在一些不足，有待后续工作进一步完善。首先，本文主要从理论层面分析了AI智能体具身机器人的双刃剑效应，实证检验相对不足。随着相关数据的积累，未来可以开展更多定量研究，精确测度各条作用路径的贡献度。其次，本文的分析主要在宏观层面展开，对微观企业层面的机制探讨不够深入。未来可以结合企业案例和微观数据，深入分析AI智能体具身机器人影响企业生产率的具体机制。最后，本文对中国情境的讨论还比较初步，后续可以结合中国的制度特征和发展阶段，开展更具针对性的研究，为中国的AI发展战略提供更加精准的政策建议。
AI智能体具身机器人是人类技术发展史上的重要里程碑，它既带来了生产力空前解放的机遇，也伴随着前所未有的挑战。面对这把双刃剑，关键不在于选择"拥抱"还是"拒绝"，而在于如何智慧地引导技术发展的方向，使其真正服务于人类的福祉。通过人力资本投资、制度保障、产业政策和伦理治理的协同发力，我们有理由相信，AI智能体具身机器人将成为推动社会生产力持续发展的强大引擎，为人类文明的进步开辟新的广阔空间。
参考文献
[1] 李腾达, 朱紫钰, 韩子奇. "人工智能+"赋能具身智能机器人新形态及关键技术应用[J]. 信息通信技术与政策, 2024.
[2] Wang P, Wong T. Artificial Intelligence and Technological Unemployment[R]. NBER Working Paper No. 33867, 2024.
[3] 张良卫, 卞学清. AI浪潮下一站：具身智能[R]. 青岛奇点云融创产业服务有限公司, 2023.
[4] 马克思. 资本论(第一卷)[M]. 北京: 人民出版社, 2004.
[5] Solow R M. A Contribution to the Theory of Economic Growth[J]. The Quarterly Journal of Economics, 1956, 70(1): 65-94.
[6] Romer P M. Endogenous Technological Change[J]. Journal of Political Economy, 1990, 98(5): S71-S102.
[7] Acemoglu D, Restrepo P. Robots and Jobs: Evidence from US Labor Markets[R]. NBER Working Paper No. 23285, 2017.
[8] Freeman C, Perez C. Structural Crises of Adjustment: Business Cycles and Investment Behaviour[M]//Dosi G, Freeman C, Nelson R, et al. Technical Change and Economic Theory. London: Pinter, 1988: 38-66.
[9] Graetz G, Michaels G. Robots at Work[J]. Review of Economics and Statistics, 2018, 100(5): 753-768.
[10] Koch M, Manuylov I, Smolka M. Robots and Firms[J]. The Economic Journal, 2021, 131(638): 2553-2584.
[11] 王永中, 刘东升. 机器人应用与全要素生产率——来自全球生产率分化的经验证据[J]. 经济与管理研究, 2025.
[12] 肖兴志, 解维敏. 人工智能与企业韧性——基于工业机器人应用的经验证据[J]. 系统工程理论与实践, 2024.
[13] Fiedler P, Fidrmuc J, Reck F. Automation, Digitalization, and Income Inequality in Europe[J]. Finance a úvěr-Czech Journal of Economics and Finance, 2020.
[14] Wang P, Wong T. Artificial Intelligence and Technological Unemployment[R]. NBER Working Paper No. 33867, 2024.
[15] Acemoglu D. The Simple Macroeconomics of AI[R]. NBER Working Paper No. 32487, 2024.
[16] Bonney K, Breaux C, Buffington C, et al. The impact of AI on the workforce: Tasks versus jobs?[J]. Economics Letters, 2024.
[17] Hampole M, Papanikolaou D, Schmidt L D, et al. Artificial Intelligence and the Labor Market[R]. NBER Working Paper No. 33509, 2024.
[18] Chen W X, Srinivasan S, Zakerinia S. Displacement or Complementarity? The Labor Market Impact of Generative AI[R]. Harvard Business School Working Paper, 2025.
[19] 森川正之. 人工知能・ロボット利用と生産性効果のダイナミクス：機械工業の実証分析[R]. 一般财団法人 机械振兴协会, 2025.
[20] Dong W, Li S, Zheng P. Toward embodied intelligence-enabled human robot symbiotic manufacturing: a large language model-based perspective[J]. Journal of Computing and Information Science in Engineering, 2024.
[21] Zhang S, Li S, Wang H, et al. An Intelligent Manufacturing Cell Based on Human-robot Collaboration of Frequent Task Learning for Flexible Manufacturing[J]. The International Journal of Advanced Manufacturing Technology, 2022.
[22] Bresnahan T F, Trajtenberg M. General Purpose Technologies "Engines of Growth"?[J]. Journal of Econometrics, 1995, 65(1): 83-108.
[23] Gong C, Yang X, Tan H, et al. Industrial Robots, Economic Growth, and Sustainable Development in an Aging Society[J]. Sustainability, 2023, 15(5): 4590.
[24] Stiebale J, Suedekum J, Woessner N. Robots and the Rise of European Superstar Firms[R]. DICE Discussion Paper, 2020.
[25] 王磊, 肖倩, 邓芳芳. 人工智能对中国制造业创新的影响研究——来自工业机器人应用的证据[J]. 财经论丛, 2023.
[26] Garcia C J, Gonzalez W D, Rivera T T. Robots at Work in Developing Countries: How Bad Could It Be?[R]. ILADES-UAH Working Papers, 2021.
[27] 张丹丹. 人工智能与劳动力市场的冲击和应对[J]. 中国改革, 2024.
[28] Bughin J. Does artificial intelligence kill employment growth: the missing link of corporate AI posture[J]. Frontiers in Artificial Intelligence, 2023, 6: 1239466.
[29] del Rio-Chanona R M, Ernst E, Merola R, et al. AI and jobs. A review of theory, estimates, and evidence[J]. arXiv preprint arXiv:2509.15265, 2025.
[30] Gruetzemacher R, Paradice D, Lee K B. Forecasting extreme labor displacement: A survey of AI practitioners[J]. Technological Forecasting & Social Change, 2020.
[31] Ide E, Talams E. Artificial Intelligence in the Knowledge Economy[J]. arXiv preprint arXiv:2312.05481, 2023.
[32] 孙雪, 宋宇, 赵培雅. 人工智能对异质劳动力就业的影响——基于劳动力供给的视角[J]. 经济问题探索, 2022(2).
[33] Bordon F, Lorentz A. Automation and labor market polarization in an evolutionary model with heterogeneous workers[R]. LEM Working Paper, 2021.
[34] Moll B, Rachel L, Restrepo P. Uneven Growth: Automation's Impact on Income and Wealth Inequality[J]. Econometrica, 2022.
[35] Stiefenhofer P. The Future of Work: An AGI Production Model[J]. Lett Econ Res Updates, 2024.
[36] Arthur W B. Competing Technologies, Increasing Returns, and Lock-In by Historical Events[J]. The Economic Journal, 1989, 99(394): 116-131.
[37] Artuc E, Bastos P, Rijkers B. Robots, Tasks, and Trade[R]. World Bank Policy Research Working Paper No. 8674, 2019.
[38] Coln Vargas N. Exploiting the margin: How capitalism fuels AI at the expense of minoritized groups[J]. AI and Ethics, 2024.
[39] Gabbiadini A, Durante F, Baldissarri C, et al. Artificial Intelligence in the Eyes of Society: Assessing Social Risk and Social Value Perception in a Novel Classification[J]. Human Behavior and Emerging Technologies, 2022.
[40] Toth Z, Caruana R, Gruber T, et al. The Dawn of the AI Robots: Towards a New Framework of AI Robot Accountability[J]. Journal of Business Ethics, 2023.
[41] Smuha N A. Beyond the individual: governing AI's societal harm[J]. Internet Policy Review, 2022.
[42] Sabherwal R, Grover V. The Societal Impacts of Generative Artificial Intelligence: A Balanced Perspective[J]. Journal of the Association for Information Systems, 2024.
[43] Doorley K, Gromadzki J, Lewandowski P, et al. Automation and Income Inequality in Europe[R]. Ruhr Economic Papers, 2021.
[44] De Pagter J. From EU Robotics and AI Governance to HRI Research: Implementing the Ethics Narrative[J]. International Journal of Social Robotics, 2023.
[45] 孙志燕, 宋逸群. 人工智能对就业的影响效应探究[J]. 改革, 2025(6).
[46] Boden M, Bryson J, Caldwell D, et al. Principles of robotics: regulating robots in the real world[J]. Connection Science, 2017, 29(2): 124-129.
