当AI拉平竞争：技能同质化、资产集中化与不平等的两种模式
生成式AI正在重塑劳动力市场，带来一个看似矛盾的现实：这项技术虽然能拉平个体在特定任务上的技能差异，却可能加剧整体经济不平等。一篇最新研究论文通过任务模型揭示了这一现象背后的机制，并提出了两种截然不同的不平等模式。
核心悖论：技能平等化与资产集中化
研究指出，生成式AI通过标准化任务执行方式，压缩了个体在特定任务上的技能差异。这意味着，原本需要高度专业技能才能完成的工作，现在借助AI工具，技能水平较低的劳动者也能达到相近的产出效果。然而，这种“技能拉平”效应并非故事的终点。
与此同时，经济价值正加速流向互补性资产——包括数据、计算资源、专有算法和平台控制权等。这些资产往往高度集中在少数大型科技公司或资本雄厚的实体手中。于是，一个悖论诞生：AI在微观层面促进了个体表现的平等化，却在宏观层面可能加剧财富和机会的不平等。
两种不平等模式：边界由何决定？
研究团队构建了一个包含内生教育选择、雇主筛选机制和异质性企业的任务模型。模型预测了两种不平等模式，其边界取决于两个关键因素：
AI的技术结构：是专有技术（proprietary）还是商品化技术（commodity）？专有技术往往被少数公司垄断，可能强化资产集中；商品化技术则更易普及，可能缓解不平等。
劳动力市场制度：包括租金分享弹性和资产集中度。这些制度因素决定了AI创造的经济价值如何在资本和劳动力之间分配。
实证校准与机制识别
研究采用模拟矩方法（Method of Simulated Moments）进行情景分析，匹配了六个实证目标。敏感性分解显示：
- 五个非基尼系数变化矩（non-$\Delta$Gini moments）主要用于识别机制速率，而非决定整体不平等的方向。
- 在已校准参数下，整体不平等变化的符号主要由**$m_6$和$\xi$**这两个参数决定。
- AI的技术结构（$\eta_1$ vs. $\eta_0$）独立地跨越了两种模式的边界。
研究的核心贡献在于揭示机制，而非给出确定性的结论。这提醒我们，AI对不平等的影响并非单一方向，而是高度依赖于技术路径和制度环境。
数据挑战与未来研究方向
研究团队利用美国劳工统计局职业就业统计（BLS OEWS）2019-2023年数据进行了职业层面回归分析，但发现这类数据无法有效检验模型在任务层面的预测。原因在于，职业分类往往掩盖了任务层面的异质性和AI带来的变化。
真正检验模型预测需要职业内、任务层面的面板数据——这类数据目前尚未大规模存在。这指出了未来实证研究的一个重要方向：需要更细粒度的数据来捕捉AI对劳动力市场的真实影响。
对AI行业的启示
这项研究对AI开发者、政策制定者和企业具有多重启示：
技术开放性与可及性至关重要：如果AI技术走向高度专有和封闭，可能加剧资产集中和不平等；而开源和商品化技术路径可能促进更广泛的利益分享。
制度设计需要前瞻性：劳动力市场制度、数据治理规则和反垄断政策都需要考虑如何引导AI创造的价值更公平地分配。
技能重塑的复杂性：虽然AI可能拉平某些任务上的技能差异，但劳动者需要发展新的互补技能——如提示工程、AI系统管理和伦理判断等——这些可能成为新的不平等来源。
小结
生成式AI正在引发一场深刻的劳动力市场转型。这项研究提醒我们，技术本身并不决定社会结果——技术路径、市场结构和制度安排共同塑造了AI时代的平等图景。未来研究需要更细粒度的数据和更动态的模型，才能准确把握这场变革的全貌。对于中文读者而言，这一研究也为我们思考AI治理、技能政策和共同富裕目标提供了重要的理论参考。