传统机器即使大量积累，通常仍需要工人与之配合；AI算力增加，却可以直接扩大机器能够完成的任务范围。图：视觉中国
前文已经说明，艾伦故事中最乐观的一环，是资本积累最终提高了劳动的边际产品：机器越来越多，并没有使工人变得多余，反而使与机器配合的劳动更加有价值，工资因此最终追上生产率。人工智能时代是否仍然存在这一机制，没有先验答案，关键取决于AI资本与劳动究竟是互补还是替代。
按照阿西莫格鲁（Daron Acemoglu）和雷斯特雷波（Pascual Restrepo）的任务框架，生产可以分解为一系列任务，每项任务由劳动或资本完成。如果AI能够以更低成本直接完成原来由人承担的任务，它就产生“替代效应”（displacement effect）；如果AI提高了人在剩余任务上的生产率，则产生“生产率效应”（productivity effect）；如果AI创造出新的、具有劳动比较优势的任务，它又会产生“互补效应”和“新任务效应”（reinstatement effect）。因此，AI对工资和就业的最终影响，不取决于它能不能替代劳动——几乎可以肯定，它能够替代一部分劳动——而取决于替代、生产率提高和新任务创造三种力量中哪种更强。
这也是AI与艾伦时代最重要的区别之一。传统机器即使大量积累，通常仍需要工人与之配合；AI算力增加，却可以直接扩大机器能够完成的任务范围。如果AI主要被用于自动化既有任务，那么资本积累就不一定像艾伦模型中那样提高劳动需求：更多算力可能意味着更多任务从人转向机器。在这种情况下，资本积累本身不再保证工资最终追上生产率。
历史上并不缺少这样的例子。18世纪末机器纺纱普及后，廉价纱线大量出现，织布一度成为新的瓶颈，手工织布工需求迅速增加并获得很高的工资。但高昂的织布成本又刺激了动力织机的发展，上一代技术创造和强化的劳动需求，最终成为下一代自动化的对象。技术进步不断移动人与机器的比较优势边界，而不是永久创造或永久消灭某一种职业。
AI时代，这个过程可能发生得更快。“提示词工程师”一度被视为生成式AI创造的新职业，但随着模型越来越善于理解人的意图，提示词工程很快被吸收到更广泛的软件、产品和业务岗位中；基础数据标注也越来越多地由模型和合成数据完成。这里真正值得注意的不是某个职业的兴衰，而是：如果所谓“新任务”仍然只是围绕既有产品和既有生产流程出现，那么它很可能只是暂时处于机器能力边界之外，下一代模型到来后仍可能被自动化。
目前的劳动力市场证据已经呈现出这种替代与互补并存的局面。斯坦福数字经济实验室2026年8月更新的研究发现，22至25岁年轻人在AI高度暴露职业中的就业表现明显弱于低暴露职业，而且下降主要集中在AI更多用于自动化人类任务的职业；在AI主要用于增强劳动的职业中，就业则持平或增长。与此同时，研究并没有发现全经济范围内的大规模就业替代。现阶段更准确的判断因此不是“AI正在消灭工作”，而是AI正在重新配置不同任务和不同经验水平劳动者之间的需求。
这种重新配置甚至发生在同一个职业内部。对程序员而言，样板代码、文档查询和初稿生成更容易被AI完成，而架构设计、需求理解、问题识别和团队协调目前更多表现为人机互补。结果未必是“程序员消失”，而可能是一个程序员能够完成过去几个人的工作，同时企业减少部分初级岗位，对能够驾驭AI的资深人员需求上升。AI提高劳动生产率本身就是一股重要的互补力量：如果成本下降带来的需求扩张足够大，对剩余人类任务的需求仍然可能增加。
问题在于，这条边界本身也在移动。最近AI在数学研究上的进展尤其说明这一点。数学证明曾被认为高度依赖创造性和隐性知识，但AI已经开始在一些长期开放的数学问题上产生得到顶尖数学家认真评价乃至人工验证的结果。这意味着，“复杂”“创造性”甚至“需要多年专业训练”，都未必足以保证一项任务长期属于人类。更重要的区别可能是结果能否被低成本验证：代码可以运行测试，数学证明可以形式化检验，因此机器可以反复尝试；管理、谈判、照护和组织协调等结果难以即时验证的任务，目前则更难自动化。
当然，从“AI能够完成”到“AI值得取代人类完成”之间仍有距离。自动化最终取决于相对成本、可靠性和组织调整。一项需要巨大算力才能完成的任务，即使技术上已经可行，只要机器成本高于人的成本，就不会立即被大规模采用。但随着模型能力提高和算力成本下降，这条经济上的替代边界也会不断向前移动。
如果故事到这里结束，对劳动的前景确实很难乐观。但这里隐含了一个过于保守的假设：未来的经济仍然只是在做今天已经存在的事情。
技术进步从来不只是以更低的成本完成既有任务，它还会改变什么事情值得去做。工业革命创造的铁路、电报、现代零售和大规模制造，互联网创造的搜索引擎、电子商务、社交媒体和移动应用，都很难由技术革命开始时的人准确预见。很多今天吸纳大量就业的产品、服务和职业，并不是旧任务重新分配的结果，而是当年的任务集合中根本不存在的东西。正如合作者版本所强调的，2018年美国就业中相当大的一部分来自1940年尚不存在的职业。如果只拿今天的职业和任务去推演未来，我们几乎必然会高估替代，因为我们看得见机器将拿走什么，却看不见未来还会创造什么。
AI在这一点上甚至可能比工业革命时期的机器具有更大的潜力。蒸汽机、动力织机和机床各自只能完成相对特定的工作，而大模型是一种通用能力。它可以帮助人编程、设计、研究、写作、分析、翻译和经营企业。一个普通人借助AI，已经能够调用过去只有大型组织才能提供的一部分知识和生产能力。这意味着AI不仅可能替代企业内部的某些岗位，也可能降低创造新产品和新企业的门槛，让更多人成为技术的使用者和创新者。
科学研究已经提供了一些早期例子。AI可以帮助研究者搜索巨大的蛋白质和材料空间、提出新的候选结构，并大幅降低发现过程的成本。个人创造也是如此：一个人借助模型，可以完成过去需要一个团队才能完成的软件开发、影像制作、设计和跨语言经营。再往前看，许多过去因为成本过高而无法大规模提供的服务——高度个性化的教育、健康管理、法律和财务服务，以及针对个人需求的内容和体验——都有可能因为AI而进入普通人的消费范围。由此产生的新产品、新企业和新职业，今天可能还没有名字。
这才是AI最重要的互补性所在。如果只是用AI做旧时代已经在做的事情，它大概率表现为替代：同样的代码、报告、客服和设计，需要的人更少了。但如果AI让人能够做过去做不到、成本高到不值得做、甚至从未想过可以做的事情，它就会打开新的需求和任务空间。 前一种情况下，人与机器争夺的是一个给定的任务集合；后一种情况下，任务集合本身不断扩张。
因此，关于“持续停顿”的悲观判断，也可能存在一种想象力上的局限。我们能够比较容易地列出今天哪些工作会被AI替代，却很难列出十年以后哪些产品和职业会因为AI而出现。这种不对称在历次通用技术革命中都存在：被摧毁的是眼前可见的，尚未被创造的则天然不可见。真正决定劳动长期命运的，未必是机器能力的边界推进得有多快，而是人类利用这种能力拓展经济活动边界的速度能否更快。
当然，新产品并不自动等于新的劳动需求。新的需求必须足够大，新产业必须能够扩张，而且人仍需要在其中拥有比较优势；创造本身也可能逐渐被下一代模型自动化。因此，新任务不是一个可以自动解决问题的“安全港”。但AI的通用性和低使用门槛至少提供了一种工业革命时期并不存在的可能：不只是少数资本所有者能够决定机器做什么，大量个人和企业也可以利用同一种通用技术探索新的产品、服务和组织方式。创新的主体越广泛，人类发现新任务的可能性也越大。
由此，与其问“AI究竟替代还是互补劳动”，不如区分两个层次。在既有产品和既有任务中，AI很可能越来越表现为替代；在新产品、新服务和新需求的创造中，AI则可能成为极强的互补工具。 真正的竞争不是人与机器在一个固定任务集合中的竞争，而是机器自动化旧任务的速度，与人类借助机器创造新任务的速度之间的竞争。
这也意味着，AI时代的“停顿”即使出现，形态也可能不同于19世纪。艾伦观察到的是实际工资长期落后于生产率；今天，调整可能首先发生在招聘和就业边际。总量工资仍然可以增长，但年轻人的入门岗位减少，不同技能劳动者之间的差距扩大，劳动收入份额也可能下降。真正值得担心的不是某个职业被替代，而是旧任务消失得太快，而新产品、新企业和新任务出现得太慢，以至于一代劳动者来不及完成转换。
但反过来说，如果AI大幅降低创新和创业的成本，新任务的创造也可能比工业革命时期更快。现代教育、资本市场和信息传播的速度远非19世纪可比，而AI本身又是一种能够帮助人学习新技能、发现新机会和创造新产品的工具。AI既是这场调整所带来的冲击，也是帮助人完成调整的工具。 这构成了比简单等待资本积累更值得期待的自我纠正机制。
因此，艾伦的历史经验既提供了警告，也提供了一个更重要的启示。工业革命时期，资本积累最终提高了劳动的价值，因此停顿具有内生的终点；AI时代，这个终点不再由资本积累自动保证，而更多取决于技术被用来做什么。如果AI主要用于把今天的事情交给更少的人完成，替代效应就会占据上风；如果它更多地被用于创造过去无法生产的产品、无法提供的服务和无法想象的新需求，互补效应和新任务效应就可能重新扩大劳动的价值。
从这个意义上说，AI时代的分配结果并不是技术能力预先写好的结局。真正的问题不是“机器最终能不能做人现在做的事情”——答案越来越可能是能——而是当机器越来越能干时，人能否借助它不断创造出今天还不存在的事情。
如果说持续停顿的悲观来自我们只能想象AI如何替代今天，那么希望恰恰来自另一种更难量化的力量：人类对于明天仍然拥有无限的想象力。（未完待续）
作者李嘉为新加坡管理大学经济学院院长、李光前经济学讲席教授，在该校韧性劳动力研究所研究劳动力市场转型与人工智能对就业的影响；张丹丹为北京大学国家发展研究院副院长、北大博雅青年学者、经济学教授。