AI与机器人如何重塑工资不平等？嵌套CES模型的经济学解析

1. 项目概述：当AI开始“卷”高薪岗位

最近几年，AI，尤其是以ChatGPT为代表的大语言模型，已经从一个科幻概念变成了我们工作流中的日常工具。作为一个长期关注技术与经济交叉领域的人，我观察到一种普遍的焦虑：AI会不会让我的工作贬值？这种焦虑在程序员、分析师、研究员等高技能知识工作者中尤为明显。与此同时，另一个长期存在的趋势是，过去几十年工业机器人的普及，已经对制造业流水线上的低技能岗位构成了持续的压力。

这引出了一个非常有趣且关键的经济学问题：当两种自动化技术——一种主要冲击低端体力劳动（工业机器人），另一种开始渗透高端脑力劳动（AI）——同时作用于劳动力市场时，它们对工资不平等，特别是“技能溢价”（即高技能劳动者相对于低技能劳动者的工资倍数）会产生怎样复杂而深远的影响？这不仅仅是学术象牙塔里的理论推演，它直接关系到我们每个人的职业规划、教育投资决策，乃至宏观层面的社会政策制定。

为了系统地剖析这个问题，我决定深入探究一项基于“嵌套CES生产函数”的理论与模拟研究。这个听起来有些晦涩的经济学模型，实际上是理解技术如何重塑收入分配的一把利器。简单来说，它允许我们将劳动力、机器人、AI和资本放入同一个“生产黑箱”中，精确地量化它们之间的替代关系和竞争效应。本文将带你拆解这个模型的核心逻辑，复现其关键结论，并分享我在模拟分析过程中的实操心得与避坑指南。无论你是经济学爱好者、数据科学从业者，还是单纯对AI如何影响未来职场感到好奇，这篇文章都将为你提供一个扎实的、可操作的分析框架。

2. 核心模型构建：嵌套CES生产函数详解

要量化分析AI和机器人对工资的影响，我们首先需要一个能够刻画它们与不同技能劳动力之间复杂关系的数学模型。CES（Constant Elasticity of Substitution，不变替代弹性）生产函数是经济学中的标准工具，而“嵌套”结构则让我们可以分层处理不同的替代关系。

2.1 模型结构与经济直觉

我们构建的总体生产函数如下：

[ Y_t = K_t^\alpha \left[ \beta_3 \left( \beta_1 L_{u,t}^\theta + (1-\beta_1)P_t^\theta \right)^{\frac{\gamma}{\theta}} + (1-\beta_3) \left( \beta_2 L_{s,t}^\varphi + (1-\beta_2)G_t^\varphi \right)^{\frac{\gamma}{\varphi}} \right]^{\frac{1-\alpha}{\gamma}} ]

这个公式初看复杂，但分层理解就非常清晰：

1. 最外层：传统物质资本 (K_t)（如厂房、机床）以柯布-道格拉斯形式与一个“综合任务包”结合，其产出弹性为 (\alpha)，通常取值约1/3。
2. 中间层（嵌套核心）：“综合任务包”本身由两类子任务组合而成：
   • 低技能密集型任务包：由低技能劳动力 (L_{u,t}) 和工业机器人 (P_t) 组合完成。参数 (\theta) 决定了它们之间的替代弹性（(\sigma_1 = 1/(1-\theta))）。(\beta_1) 是低技能劳动力的份额参数。
   • 高技能密集型任务包：由高技能劳动力 (L_{s,t}) 和人工智能 (G_t) 组合完成。参数 (\varphi) 决定了它们之间的替代弹性（(\sigma_2 = 1/(1-\varphi))）。(\beta_2) 是高技能劳动力的份额参数。
   • 参数 (\beta_3) 决定了低技能任务包在整个综合任务中的权重，(\gamma) 则决定了这两个任务包之间的替代弹性（(\sigma_3 = 1/(1-\gamma))）。

经济直觉：这个结构精准地捕捉了现实。工业机器人主要在流水线上替代重复性的体力劳动（低技能任务），而AI则在诊断、编程、创作等非重复性脑力劳动（高技能任务）中表现突出。两者并非直接竞争，而是通过影响各自“任务包”的产出成本，间接在最终产品层面相互竞争与互补。

2.2 关键参数的经济学含义与校准

模型的行为高度依赖于几个关键参数。理解并合理设定它们是模拟分析成败的基础。

• 替代弹性参数 ((\theta, \varphi, \gamma))：这是模型的灵魂。

  • (\theta) (低技能劳动力 vs. 机器人)：实证研究（如Acemoglu & Restrepo, 2020）表明，在制造业流水线等场景，机器人是低技能劳动力相当好的替代品。因此，我们通常设定 (\theta) 接近1（例如0.75），意味着替代弹性较高（(\sigma_1 = 4)）。机器人价格下降或性能提升，会显著挤压低技能劳动力的需求和工资。
  • (\varphi) (高技能劳动力 vs. AI)：这是当前最富争议也最关键的参数。AI能在多大程度上替代医生、律师、程序员？目前尚无共识。在模拟中，我们保守地设定 (\varphi = 0.5)，意味着替代弹性为2，低于机器人与低技能劳动力的替代程度。这反映了AI目前更多是辅助和增强高技能工作，而非完全替代。
  • (\gamma) (低技能任务包 vs. 高技能任务包)：这衡量了经济中不同技能任务的“可互换性”。如果 (\gamma) 很高，意味着一个企业的研发部门（高技能）和生产线（低技能）很容易相互调整配置。通常基于宏观数据估算，我们设定 (\gamma = 1/3)，对应替代弹性约为1.5，表明两者是“替代品”但非完美替代。

• 份额参数 ((\beta_1, \beta_2, \beta_3))：这些参数决定了在各自组合中，劳动力与自动化资本的初始重要性。例如，(\beta_1=0.9) 意味着在低技能任务包中，低技能劳动力的初始贡献权重远高于机器人。敏感性分析表明，只要这些参数在合理范围内（0到1之间），模型的核心结论是稳健的。

• 资本份额 ((\alpha))：沿用宏观经济学惯例，设定为1/3，表示资本收入约占产出的三分之一。

实操心得：参数敏感性的重要性
在构建此类模型时，最大的陷阱就是“黑箱操作”——输入参数，得到结果，却不理解结果为何如此。我强烈建议在模拟初期就进行系统的敏感性分析。例如，单独变动 (\varphi) 从0.1到0.9，观察技能溢价的变化曲线。你会发现，当 (\varphi) 很小时（AI替代性弱），AI对高技能工资的影响微乎其微；只有当 (\varphi) 超过某个阈值（特别是与 (\gamma) 比较时），其影响才变得显著。这能让你对结论的稳健性有直观把握，避免得出过于绝对或脆弱的论断。

3. 理论推演：AI如何影响技能溢价？

基于上述生产函数，并在完全竞争市场和产出价格标准化为1的假设下，我们可以通过计算边际产出，推导出低技能和高技能劳动力的工资公式。这个过程涉及一些求导运算，但其经济逻辑是直观的。

低技能工资 (w_u) 是其边际产出：(\partial Y_t / \partial L_{u,t}) 高技能工资 (w_s) 是其边际产出：(\partial Y_t / \partial L_{s,t})

技能溢价（Skill Premium）定义为两者之比：(SP = w_s / w_u)。

经过推导（具体过程略），我们可以得到技能溢价关于AI存量 (G_t) 的偏导数表达式。这个表达式的符号（即AI增加是提高还是降低技能溢价）取决于一个关键条件：

[ \frac{\partial (w_s / w_u)}{\partial G_t} \text{ 的符号由 } (\gamma / \varphi - 1) \text{ 决定} ]

由此，我们得到核心命题：

命题：在其他条件不变的情况下，AI的广泛应用会降低高技能与低技能劳动者之间的工资不平等（即技能溢价），当且仅当AI对高技能劳动力的替代弹性（由 (\varphi) 反映），高于低技能劳动力与高技能劳动力之间的替代弹性（由 (\gamma) 反映）。即，当 (\gamma < \varphi) 时，(\partial SP / \partial G_t < 0)。

3.1 经济机制解读

这个结论背后的经济学直觉非常深刻：

1. 直接替代效应：AI增加，直接替代了部分高技能劳动力，压低了高技能劳动力的边际产出和工资 (w_s)。这是对高技能劳动者的“坏消息”。
2. 间接交叉效应：AI降低高技能任务包的成本后，企业会倾向于使用更多的高技能任务包（现在相对便宜了）来替代低技能任务包。这减少了对低技能任务包的需求，从而也间接减少了对低技能劳动力 (L_u) 和机器人 (P_t) 的需求。这对低技能劳动者的工资 (w_u) 也有向下的压力。
3. 净效应取决于相对替代难度：最终技能溢价的变动，取决于上述两种力量谁更强。如果AI替代高技能工人很容易（(\varphi) 大），而用高技能任务包去替代低技能任务包比较难（(\gamma) 小），那么直接效应（打击高技能工资）占主导，技能溢价下降。反之，如果高技能任务包能轻易抢走低技能任务包的“饭碗”（(\gamma) 大），那么间接效应对低技能工资的打击可能更大，反而可能导致技能溢价上升。

一个生活化的类比：想象一个公司有“战略规划部”（高技能）和“行政打印部”（低技能）。引入AI战略分析工具（替代高技能）后：

• 如果AI工具非常好用，几乎能替代一半战略分析师，那么战略师的薪资竞争力下降。
• 同时，用了AI的战略部效率大增，公司可能决定把一些简单的市场调研报告（原本需要行政部收集数据、手动排版）也交给战略部的“AI+分析师”来完成。这会减少行政部的工作量。
• 最终，如果AI替代战略师远比战略部抢行政部的活儿来得容易，那么战略师和行政员的工资差距就会缩小。

4. 模拟分析实战：从理论到数据

理论很美，但需要数据验证。下面，我将带您一步步复现论文中的模拟分析，并分享我在这个过程中的代码实现细节和数据处理经验。

4.1 数据准备与参数设定

我们主要使用美国2019年的数据进行校准，来源如下：

注意事项：数据可得性与估算
最大的挑战在于AI存量 (G_t) 的度量。现实中并无直接统计数据。在模拟中，我们采取了一种间接但合理的策略：以工业机器人存量 (P_t) 为基准，设定不同的 (G_t/P_t) 比值（如0, 0.5, 1, 2），来观察AI从无到有、再到超越机器人规模时的影响。这实际上是在进行“反事实模拟”（Counterfactual Simulation），回答“如果AI达到某种规模，会怎样？”的问题。在您自己的分析中，也可以尝试用AI领域的投资额、专利申请量或算力消耗等代理变量。

4.2 计算流程与代码实现（Python示例）

我们将使用Python进行模拟。首先，定义生产函数和工资计算函数。

import numpy as np # 定义参数（基于表1） K = 69.0e12 # 转换为美元单位 L_u = 98.3e6 L_s = 58.4e6 P = 17.3e9 alpha = 1/3 gamma = 1/3 theta = 3/4 phi = 1/2 beta1 = 0.9 beta2 = 0.95 beta3 = 2/3 def calculate_wages_and_premium(G): """ 给定AI存量G，计算低技能工资(w_u)、高技能工资(w_s)和技能溢价(SP) """ # 计算两个任务包内部的CES聚合 low_skill_bundle = (beta1 * L_u**theta + (1 - beta1) * P**theta) ** (gamma / theta) high_skill_bundle = (beta2 * L_s**phi + (1 - beta2) * G**phi) ** (gamma / phi) # 计算总任务包 total_bundle = (beta3 * low_skill_bundle + (1 - beta3) * high_skill_bundle) # 计算总产出Y Y = (K**alpha) * (total_bundle ** ((1 - alpha) / gamma)) # 计算边际产出（工资） - 这里直接使用求导后的公式，避免数值微分误差 # 为清晰起见，分步计算公共项 common_term = (1 - alpha) * (K**alpha) * (total_bundle ** ((1 - alpha - gamma) / gamma)) # 低技能工资 w_u w_u = common_term * beta1 * beta3 * (L_u**(theta - 1)) * \ ((beta1 * L_u**theta + (1 - beta1) * P**theta) ** ((gamma / theta) - 1)) # 高技能工资 w_s w_s = common_term * beta2 * (1 - beta3) * (L_s**(phi - 1)) * \ ((beta2 * L_s**phi + (1 - beta2) * G**phi) ** ((gamma / phi) - 1)) # 技能溢价 skill_premium = w_s / w_u return w_u, w_s, skill_premium # 模拟不同AI水平下的技能溢价 G_levels = [0, 0.5*P, P, 2*P] results = [] print("模拟结果：") print("-" * 50) print(f"{'G_t (相对于P_t)':<25} {'技能溢价 (w_s/w_u)':<20}") print("-" * 50) for G in G_levels: w_u, w_s, sp = calculate_wages_and_premium(G) results.append((G, w_u, w_s, sp)) rel = G/P if P>0 else 0 print(f"{rel:>10.1f} * P_t {sp:>18.4f}") print("-" * 50)

运行上述代码，我们可以复现论文中的核心结果：

结果解读：模拟清晰地显示，随着AI存量从零增长到与工业机器人规模相当，再到其两倍，技能溢价从约2.0持续下降至约1.52。这意味着，在我们的参数假设下，AI的引入和普及，确实起到了压缩工资差距的作用。高技能劳动者的相对工资优势被削弱了。

4.3 可视化与深入分析

为了更直观地展示AI与机器人如何共同影响工资水平，我们可以进行三维可视化。这能揭示单一变量分析中看不到的交互作用。

import matplotlib.pyplot as plt import numpy as np # 创建网格数据 G_range = np.linspace(0, 2*P, 20) # AI存量从0到2倍机器人存量 P_range = np.linspace(0.5*P, 2*P, 20) # 机器人存量在一个范围内变动 G_grid, P_grid = np.meshgrid(G_range, P_range) # 初始化结果网格 w_s_grid = np.zeros_like(G_grid) w_u_grid = np.zeros_like(G_grid) sp_grid = np.zeros_like(G_grid) # 遍历网格点计算 for i in range(len(P_range)): for j in range(len(G_range)): # 临时更新全局P值进行计算（注意：在实际模型中，P是变量） # 这里为了演示，我们修改函数使其接受P作为参数 # 假设我们有一个新函数 calculate_wages(G, P_var) # 由于篇幅，这里省略循环内详细计算，原理同上 pass # （实际绘图代码较长，需计算每个(G,P)点对应的工资和溢价，此处省略具体实现） # 大致流程：使用双重循环或向量化操作填充w_s_grid, w_u_grid, sp_grid # 然后使用ax.plot_surface(G_grid, P_grid, sp_grid, cmap='viridis')进行3D绘图

通过绘制 (w_s), (w_u), 和 (w_s/w_u) 关于 (G) 和 (P) 的三维曲面图（如原文附录中的图2-4），我们可以发现：

1. 高技能工资 ((w_s))：曲面在“高(P)、低(G)”区域达到峰值。这意味着，在工业机器人广泛应用而AI尚未普及的时代，高技能劳动者享有最高的工资。随着AI（(G)）增加，曲面下降，直观展示了AI对高技能工资的压制作用。
2. 低技能工资 ((w_u))：曲面在“低(P)、低(G)”区域最高。工业机器人（(P)）的增加会显著压低 (w_u)（红色点：高(P), (G=0)，工资低）。但有趣的是，当AI和机器人同时增加时（蓝色点），(w_u) 反而比只有机器人时有所回升。这是因为AI压低了高技能任务成本，刺激了对高技能任务包的需求，而高技能任务包的生产仍需要部分低技能任务作为互补，从而产生了一定的“拉动效应”。
3. 技能溢价 ((w_s/w_u))：曲面在“高(P)、低(G)”区域（红色点）最为陡峭，技能溢价最大。随着AI引入并增长（向蓝色点移动），曲面变得平坦，技能溢价下降。这综合体现了上述两种力量的博弈。

实操心得：交互效应的洞察
这个三维分析揭示了自动化影响工资的一个非单调、非线性特征。单纯增加机器人会恶化低技能劳动者的处境，扩大不平等。但AI的加入改变了游戏规则。它虽然直接威胁高技能者，但通过改变任务间的相对成本，可能为低技能者创造新的互补性需求，甚至部分抵消机器人的负面影响。这提醒我们，在讨论“技术对就业的影响”时，绝不能孤立地看待单一技术，必须考虑技术组合和任务网络的复杂互动。

5. 模型局限、扩展与未来研究方向

尽管这个嵌套CES模型提供了一个清晰有力的分析框架，但我们必须清醒地认识到它的局限性，这也是未来研究或有志于此的读者可以深挖的方向。

5.1 核心局限与警示

1. 参数依赖性强：结论高度依赖于替代弹性参数（(\gamma) 和 (\varphi)）的设定。如果现实中 (\gamma > \varphi)（即高低技能任务之间很容易转换，而AI替代高技能却很难），那么AI反而可能拉大工资差距。我们需要更精细的微观数据来估计这些关键弹性。
2. 静态局部均衡分析：模型是静态的，且假设其他一切不变（“ceteris paribus”）。现实中，AI的普及会动态地影响许多因素：
   • 资本积累：企业会投资AI，导致 (G_t) 和 (K_t) 内生增长。
   • 技能供给：面对AI的竞争，劳动者可能改变教育投资决策，导致 (L_s) 和 (L_u) 的比例变化。
   • 新任务创造：技术不仅替代旧任务，也创造新任务（Acemoglu & Restrepo, 2018）。模型未包含这一至关重要的“创造效应”，可能高估了AI的负面影响。
   • 生产率增长与工资粘性：AI可能提升整体生产率，带来经济增长和“蛋糕做大”，从而惠及所有劳动者。但工资调整可能存在粘性，短期阵痛不可避免。

5.2 模型扩展的可行方向

1. 内生增长框架：将模型嵌入到拉姆齐或世代交叠（OLG）模型中，让物质资本 (K_t)、机器人存量 (P_t) 和AI资本 (G_t) 都成为内生变量，由家庭储蓄和企业利润最大化投资决策决定。这样可以研究自动化技术影响长期经济增长率的渠道。
2. 内生教育选择：引入一个代表性家庭，其成员需要在接受高等教育（成为高技能）和直接工作（成为低技能）之间选择。教育有成本（时间和金钱），但带来更高的预期工资。这样，技能溢价的变化会动态影响技能供给，形成一个反馈回路。
3. 纳入任务创造：在生产函数中增加一个“新任务”模块，这些新任务可能偏向高技能或低技能。AI的发展不仅替代旧任务，也降低创造新任务的成本，从而可能开辟新的就业空间。
4. 异质性劳动者与岗位匹配：引入搜索匹配摩擦（Search and Matching Friction），考虑劳动者在不同技能岗位之间的转换成本。这能更好地模拟技术冲击下的失业动态和工资调整过程。

5.3 给政策制定者和个人的启示

基于当前模型和模拟，我们可以得出一些谨慎的启示：

• 对个人：AI时代，技能的“护城河”正在发生变化。过去，大学学历几乎是高收入的可靠保证。未来，与AI互补的技能（如提示工程、AI工具管理、基于AI的创意整合、人际沟通与伦理判断）可能比单纯的知识储备更重要。持续学习、适应与AI协作的工作模式，是关键。
• 对教育体系：教育需要从“知识传授”转向“能力培养”，特别是批判性思维、复杂问题解决、创造力和社交智慧等AI难以替代的能力。同时，应加强全民的数字素养教育。
• 对社会政策：如果AI确实能降低技能溢价，那么它可能成为缓解收入不平等的一个工具。但政策需要关注转型期的阵痛：为被AI替代的高技能劳动者提供再培训支持，同时通过社会保障网保护所有劳动者。此外，需要考虑如何对AI资本征税、如何分配其产生的巨大经济租金，以避免资本收入份额过快上升带来新的不平等。

这个基于CES生产函数的分析框架，就像一台理论显微镜，让我们能清晰地观察自动化技术影响劳动力市场的内在机理。虽然它做了许多简化，但其核心洞察——技术的影响取决于其与不同生产要素的替代弹性相对大小——是深刻且普适的。AI不是洪水猛兽，也不是万能解药。它是一股强大的、方向复杂的技术力量。理解其经济逻辑，是我们每个人在变革时代中做出明智选择的起点。