人工智能如何重塑劳动力技能：来自中国的理论与实证研究
论文：Yan, X., Zhu, Q., Yu, S., & Huang, X. (2026). AI technology and labor skill transformation: Theoretical and empirical evidence from China.Technological Forecasting & Social Change.
文章构建了一个包含高技能与低技能两类劳动者的动态一般均衡模型，并结合中国劳动力动态调查（CLDS）数据，系统分析人工智能技术采纳对劳动力技能结构所产生的差异化作用。研究表明，AI技术会使低技能劳动者出现“去技能化”现象——主要体现为岗位技能要求下降、任务趋于常规化、工作自主权减弱以及体力劳动负担上升；而高技能劳动者则表现出“再技能化”特征——即培训需求增加、认知型任务比重提升。实证结果进一步说明，再技能化效应整体强于去技能化效应。数值模拟还显示，差异化税率与转移支付政策能够在一定程度上缓和AI引发的技能分化，而推动低技能劳动者向高技能转变，则有助于同时改善个体福利和宏观产出。
去技能化：是指在技术被引入后，部分岗位对劳动者能力的要求下降，任务内容变得更标准化、更重复，劳动者的自主判断与控制空间被压缩。例如，AI系统承担了原本需要复杂判断的环节，工人只需完成简单执行。
再技能化：是指劳动者为适应新的技术环境，需要持续学习新知识、接受培训并提升能力，以匹配要求更高的工作任务。例如，工人需要掌握与AI系统协同工作、数据分析以及处理非结构化问题的能力。
技能溢价：是高技能劳动者与低技能劳动者之间的工资差异。AI技术通常会拉大这种溢价，因为高技能劳动者更容易从技术互补中受益。
技能转型率：是低技能劳动者通过培训、学习等途径成功转化为高技能劳动者的比例。该指标能够反映劳动力市场流动性及技能升级的活跃水平。
技能溢出弹性：是指AI技术进步对高技能与低技能群体人力资本积累促进作用的差异程度。通常而言，高技能群体拥有更高的AI溢出弹性，因为他们更善于借助AI工具提升自身能力。
AI技术的迅速扩散正深刻重塑生产方式与劳动力需求。不同于传统自动化主要作用于制造业体力劳动，AI已能够影响认知型、服务型等更广泛的任务领域。高盛预测，46%的文书工作、44%的法律工作、37%的建筑与工程任务都将受到AI影响。世界经济论坛指出，大约40%的劳动者需要接受时长不超过六个月的再技能培训。OECD同样强调，AI扩散将显著提升再技能需求，以保障劳动者持续具备就业能力。
已有研究大多关注AI对就业总量和工资水平的宏观影响，但相关结论并不统一。一个重要原因在于，这些研究往往忽略了技能需求结构发生的变化。AI对现有人力技能具有替代、补充与创造三种作用，这些作用最终会反映在就业数量与工资调整上。然而，多数文献主要从企业需求侧展开分析，较少关注劳动者个体的适应性反应。作为技能的直接承载主体，劳动者往往能够更快感知技术替代与创造效应，并据此调整自身行为。另外，新技能需求转化为新职业本身存在时滞，这也可能导致AI的积极创造效应被低估。因此，从劳动者个体视角考察技能需求变化，更有助于准确评估AI的总体影响。
中国为研究AI技能效应提供了理想场景。一方面，中国在算力、算法和数据三大AI核心领域均处于全球前列，AI论文数量与质量、专利申请规模也居世界领先。另一方面，作为最大的发展中国家，中国劳动力市场正经历显著的大规模结构性转型。麦肯锡预测，全球多达三分之一的职业与技能结构转型将发生在中国（36%），到2030年，可能有高达2.2亿中国劳动者受到AI影响，约5160亿工时（人均87天）需要因技能需求变化而重新配置。因此，本文利用中国数据，从劳动者个体层面系统考察AI技术对技能结构的影响。
文章构建了一个由政府、家庭（劳动者）和企业共同组成的动态一般均衡模型。劳动者被划分为高技能（L₁）和低技能（L₂）两类。高技能劳动者主要承担研发、管理等复杂任务，接受普通教育和选择性教育（高中及以上）；低技能劳动者主要从事常规任务，仅接受普通教育（九年义务教育）。
假设1：AI技术进步会带来低技能劳动者的“去技能化”，以及高技能劳动者的“技能提升”（upskilling）。
推导逻辑：在任务区间[0, J]内，AI资本成本低于低技能劳动力成本，因此AI会替代低技能劳动，低技能者的技能水平被限制在阈值以下，从而形成去技能化。而在较高任务区间[J, 1]，AI难以取代高技能劳动，高技能者的技能水平则高于阈值，由此形成技能提升。
假设2：AI技术发展会压缩低技能劳动者的培训时间，同时增加高技能劳动者的培训时间。
推导逻辑：低技能任务复杂度较低，培训时间与技能水平呈负相关；高技能任务复杂度较高，培训时间与技能水平呈正相关。
命题1：当政府持续进行AI投资，且高技能群体的AI溢出弹性高于低技能群体时，高技能人力资本的长期增长率将高于低技能群体，技能差距会扩大，但其增速最终收敛于常数。
命题2：当政府保持稳定的人均培训投入，且技能溢价收敛到稳态时，低技能向高技能的转型率将收敛到唯一稳态，高技能劳动力占比在长期内单调上升。
命题3：教育投资与转移支付的组合政策能够实现“技能结构升级速度”与“收入差距缩小”之间的长期平衡。提高教育投资占比可加快转型率收敛；增加面向低技能群体的转移支付，则有助于缩小长期技能差距。
模型中的变量关系主要包括：家庭的消费与储蓄决策、企业生产函数（任务区间划分、AI资本与劳动力替代）、政府税收与支出（教育、AI投资、转移支付）、人力资本积累方程，以及低技能向高技能转型的动态方程。
去技能化指标（Deskill）：以岗位要求的受教育程度与劳动者自评受教育程度之差来衡量。差值越大，说明劳动者实际教育水平越低于岗位要求，反映出更明显的技能不匹配。
再技能化指标（Reskill）：依据劳动者自评“在当前岗位上达到胜任所需时间”（1-5级）来衡量。所需时间越长，表明岗位要求持续学习的程度越高，再技能化压力也越大。
稳健性替代指标：
机制变量：
AI技术采纳（AI technology）：根据受访者报告其工作场所是否使用AI技术来衡量，1=是，0=否。同时还采用两个辅助指标：
AI类型细分：通过文本挖掘方法，将AI进一步区分为硬件型（机器人、自动化设备）和软件型（数据分析、机器学习）。
个体层面：性别（男性=1）、年龄、婚姻状况（已婚=1）、政治面貌、户籍（城镇=1）。
城市层面：职工平均工资水平（对数）、人均GDP（对数）、第二产业比重。
基准OLS模型：
两阶段最小二乘法（2SLS）
模型依据2018年中国宏观经济数据进行校准，关键参数包括：时间贴现因子β=0.96，风险厌恶系数σ=1.1，人力资本折旧率δ₁=δ₂=0.1，高低技能劳动初始规模L₁=2.6×10⁸，L₂=5.2×10⁸，教育时间份额d=9/44，q=7/44，AI投资效率η=0.6，AI技术折旧率δ_A=0.05，AI溢出弹性γ₁=0.2，γ₂=0.05，个人教育投资边际效率η₁=0.3，η₂=0.2等。
表2给出了基准OLS回归结果。列(1)-(3)中，AI采纳对去技能化的系数均不显著（系数分别为0.050、-0.010、0.007）。列(4)-(6)中，AI对再技能化的系数均显著为正：AI虚拟变量系数为0.145（p<0.01），AI受影响系数为0.161（p<0.01），AI任务暴露指数系数为0.313（p<0.01）。这说明AI采纳与再技能需求显著正相关，而对去技能化并不存在系统性影响。
表3展示了多项稳健性检验：
展示了2SLS回归结果。第一阶段中，IV₁（洋务运动工业设备分布）和IV₂（互联网普及率）对AI采纳都具有显著正向影响（系数0.001，p<0.01），Kleibergen-Paap F统计量分别为18.83和13.74，可排除弱工具变量问题。第二阶段中，工具变量估计得到的AI系数对去技能化依旧不显著，但对再技能化显著为正（系数分别为7.991和4.094，p<0.01）。采用3G基站覆盖率作为补充工具变量后，回归结果同样一致。
展示了不同子样本的异质性结果：
表5表明，AI采纳显著提高了低教育劳动者的任务控制丧失（系数0.213）、进度控制丧失（0.204）以及强度控制丧失（0.188）。中等教育劳动者也受到部分影响，但高教育劳动者在所有控制维度上的系数均为负且不显著。这说明AI主要削弱的是低技能劳动者的工作自主性。
表6表明，AI采纳显著增加了低教育劳动者从事高强度体力劳动的概率（系数0.176，p<0.05）。与此同时，AI对快速脑力劳动的需求在所有教育组中均显著上升，其中中等教育组增幅最大（0.323）。这意味着AI将低技能劳动者进一步推向更体力化、更常规的任务，同时把中高技能劳动者推向更具认知特征的任务。
图4展示了2018-2038年的模拟结果：
图5显示，对低技能群体实施减税并增加转移支付后：
图6显示，在提高低技能向高技能转型率后：
第一，本文构建了一个区分去技能化与再技能化的动态一般均衡模型。既有研究多从宏观就业数量角度讨论AI影响，而本文从劳动者技能重塑的微观机制切入，揭示了AI对高低技能群体的非对称作用，并量化了技能差距的长期演变路径。
第二，文章提出了基于劳动者自评的个体层面技能变化测度方法。通过结合劳动者自评技能要求、主观学习时长、访谈员评价数据以及企业层面的AI采纳信息，构建出能够区分真实技术驱动的技能重组与潜在偏差的指标，为后续研究提供了方法参考。
第三，研究识别了软件型AI与硬件型AI在技能效应上的差异。硬件型AI更容易引发去技能化，而软件型AI则更明显地促进再技能化。这一发现进一步细化了AI类型与技能转型之间的关系，也为技术分类研究提供了新的视角。
第四，文章通过政策模拟比较了多种干预工具的经济后果。差异化税收和转移支付虽然有助于缓解不平等，但可能在一定程度上抑制经济增长；相比之下，推动低技能劳动者向高技能转型，则有望实现效率与公平的统一。这为AI时代劳动力政策设计提供了更具科学性的依据。
对政策制定者：
对企业管理者：
对劳动者：