我局官微“上海统计”已开设专栏“理论应用”，内容聚焦前沿理论、立足全球视野，以传播现代统计方法、实践和成功案例为主，助推统计人科研水平提高和统计事业的改革发展，欢迎大家及时关注分享。

本期推送“知识经济遇上AI变革（上）”。原文由巴塞罗那Navarra大学IESE商学院的恩里克·伊德（Enrique Ide）和爱德华·塔拉马斯（Eduard Talamàs）合作完成，2025年6月发表于《Journal of Political Economy》。文章探索了人工智能（AI）对知识型经济的影响机制。作者建立了一个包含AI代理的知识等级模型，发现AI技术对组织和劳动分配的影响取决于其自主性和问题解决能力：“自主”AI（可独立执行任务）主要提升最具知识技能者的收益；而“非自主”AI（仅能辅助人类）则更有利于知识水平最低的劳动者。与此同时，引入自主AI虽然能提高整体产出，但可能加剧不同技能劳动者间的收益差距，反之非自主AI有助于缩小差距。这一发现有助于解释当前有关AI影响的看似矛盾的实证结果，并为监管AI自主性提供决策参考。

一、研究背景与问题设定

人工智能正引领新一轮面向知识工作的自动化浪潮，机器开始胜任编码、研究、问题求解等复杂认知任务。然而，这场变革带来的具体影响尚存争议：一方面，人们不确定以往自动化的经验教训能否适用于当前的AI时代；另一方面，由于AI仍处于早期阶段，个人和企业对其应用方式各异，现有实证证据尚不足以揭示其长期的均衡效应。在此背景下，两位作者旨在提供一个理论框架，以研究AI对知识经济的全局影响。其研究基于这样一个认识：知识型工作的核心特征在于生产所需知识多为隐性（难以编码）的经验知识。这种隐性知识通过实践积累并内嵌于个人，使得个人的时间和知识成为生产的关键瓶颈。因此，在传统知识经济中，企业通过层级组织来有效利用人才：知识较少者从事日常常规任务，更有知识者专门解决前者无法处理的例外难题，形成“分工—求助”的层级结构。这种由Garicano（2000）开创的知识等级模型表明，企业内“由下而上”逐级求助的机制可使高知识者摆脱日常事务，专注于复杂问题，从而提高整体效率。

随着AI技术兴起，上述传统范式面临新的挑战和机遇。作者指出，AI不同于以往只能执行明确编码指令的自动化工具，其通过示范学习掌握隐性知识，能够胜任非编码的认知任务。AI有潜力纾解长期以来困扰知识经济的“知识瓶颈”，带来生产组织的根本性重组。但正因为AI可涉足以往需人类经验判断的领域，其影响呈现新的不确定性和争议。一些学者发现AI可能更多惠及低技能劳动者，降低绩效差距，而另一些研究则显示AI增强了高技能者优势并替代了低技能岗位。面对这些看似矛盾的观察，本文作者提出有必要从理论上厘清：在一个以隐性知识为基础的经济中，引入能够学习和执行知识工作的AI，将如何影响劳动者的岗位选择、组织结构及收入分配？为此，作者将AI纳入经典的知识等级模型，从均衡视角模拟AI对知识经济的冲击。这一模型化研究动机在于弥合经验空白，提前洞察AI广泛应用后的可能格局。

二、模型设定与AI技术假设

作者构建的模型以Garicano（2000）知识等级理论为基础，预设了一个“无AI”的基准经济：个人只有时间这一投入，知识水平在0到1之间连续分布。生产过程中，个体不断遇到不同难度的问题：当难度不超过其知识水平时可自行解决，产生产出；否则就需要向比自己更有知识的人求助。求助虽能解决问题但会消耗时间，因而企业通过组织分工使求助层级最小化。均衡状态下，不同知识水平的劳动者根据阈值分为“工人”和“解题者”（即管理者）：低于知识门槛者专注从事日常机会的生产工作，高于门槛者则承担解答难题的职责。这一两层级结构被证明是有效率的，人力资源得到优化配置。模型结果表明，在没有AI的情况下存在唯一的最优分配：知识水平处于中位区间的个人成为常规工作的独立生产者或工人，更高水平者成为提供支持的解题者，从而最大化了全社会产出。

在此基础上，作者引入AI要素，对AI技术做出关键假设。首先，AI能够习得隐性知识且可通过计算资源无限扩展。企业可利用计算能力（compute）大规模部署AI，从而突破单个人类时间的限制。其次，通用的大型预训练模型（基础模型）的崛起使企业可以共享同一AI系统，无需为每项任务单独训练，从而降低部署门槛。第三，最近出现了可自主行动的AI代理，这类AI不仅回答问题，还可自主开展项目，被视为具备一定自主性的“AI员工”。基于这些进展，模型将AI形式化为一种可将计算资源转化为AI代理的技术：所有AI代理被设定为具备相同的、外生固定的知识水平zAI∈[0,1)。换言之，可以把zAI理解为该AI系统掌握的知识熟练程度在全体人力知识分布中的位置。

模型接下来区分了AI代理的两种运作模式：

自主型AI（Autonomous AI）：AI代理几乎能执行人类可执行的所有任务，既可像同事一样独立承担生产工作（充当“协作工人”），又能像助理一样提供决策建议（充当“协作解题者”或“副手”）。也就是说，自主AI可以同时胜任常规任务的执行和复杂问题的协助求解。

图1 无AI情况下的两类企业结构

图2 引入AI后的5类企业结构

整个经济中可用于AI的计算资源总量在模型中被视为给定外生变量，由市场均衡决定其价格和分配。一个重要假设是：计算资源相对充裕，而人类时间相对稀缺。这反映出现实中计算能力的指数增长和当前AI系统处理信息速度远高于人类的事实。因此，在人与AI协作中，人类的时间成为瓶颈，企业若能用廉价计算力替代部分人力，将有激励这么做。

此外，作者将自主AI按能力水平分为两类情境以考察其影响弹性：

基础型自主AI（Basic AI）：这类AI代理的知识水平相当于原先经济中普通工人的水平，即 zAI 与一般劳动者相当。它可以胜任大部分常规任务，但在复杂难题上仍不及顶尖人类专家。

先进型自主AI（Advanced AI）：这类AI代理的知识水平提升到可媲美原先经济中的解题专家（管理者），即 zAI 达到原有解题者的水平。因此，它有能力解决许多高难度问题，在知识上相当于一个经验丰富的人类专家。

需要强调的是，现实中的AI应用介于完全自主与完全非自主之间，各行业AI自主性水平不同。例如，在法律领域，AI可以自动审阅合同等文件，却不能独立与客户交涉或出庭辩护。为突出机制，模型主要分析了上述两个极端情形下的均衡，实际影响预计介于这两种极端预测之间。通过比较自主AI和非自主AI两种制度安排，作者希望揭示AI自主性对于组织和劳动力市场的结构性作用。

编撰：上海科学智能研究院 徐燕

供稿：市统计学会

责编：薛依宜

审核：杨荣